Prawo wielkich liczb a centralne twierdzenie graniczne
Porównaj zbieżność średnich z próby z rozkładem ich wahań, w tym prawa słabe i mocne, skalowanie, zależność, ergodyczność i interpretację finansową
Bezpośrednia odpowiedź
Prawo wielkich liczb mówi, że średnia z próby zbliża się do średniej populacji przy odpowiednich warunkach. Centralne twierdzenie graniczne opisuje przeskalowany losowy błąd wokół tej granicy i często daje przybliżenie normalne. PWLL wskazuje, dokąd zmierza średnia; CTG opisuje, jak waha się po drodze
Twierdzenia odpowiadają na różne pytania
Dla obserwacji X_1,…,X_n o średniej μ średnia z próby wynosi X̄_n=n^(−1)Σ_iX_i
PWLL pyta, czy X̄_n zbliża się do μ, gdy n rośnie, a CTG pyta o graniczny rozkład przeskalowanej różnicy, takiej jak √n(X̄_n−μ)
Zbieżność do właściwej wartości sama nie daje tempa błędu, kształtu, przedziału ufności ani użytecznego przybliżenia dla skończonej próby
Prawo słabe używa zbieżności według prawdopodobieństwa
Słabe PWLL głosi P(|X̄_n−μ|>ε)→0 dla każdego ε>0 przy określonych założeniach
Mówi, że prawdopodobieństwo błędu o ustalonej wielkości zanika, a nie że każda zrealizowana ścieżka pozostanie na zawsze blisko celu
Dla obserwacji iid skończona wartość oczekiwana wystarcza do szerokiej wersji prawa słabego, podczas gdy proste dowody wariancyjne często zakładają skończoną wariancję
Prawo mocne jest stwierdzeniem ścieżkowym
Mocne PWLL głosi X̄_n→μ prawie na pewno, czyli zbieżność zachodzi dla wszystkich wyników poza jednym zbiorem o prawdopodobieństwie zero
Zbieżność prawie na pewno implikuje zbieżność według prawdopodobieństwa, ale odwrotność nie zachodzi bez dodatkowej struktury
Prawo mocne pozostaje asymptotyczne i nie określa, jak duże musi być n dla konkretnej tolerancji decyzji
CTG powiększa pozostały błąd
Dla zmiennych iid o skończonej dodatniej wariancji σ² zachodzi √n(X̄_n−μ)/σ → N(0,1) w rozkładzie
Czynnik √n zapobiega zapadnięciu się malejącego błędu do zera i ujawnia jego nieosobliwy kształt graniczny
PWLL może zachodzić, gdy klasyczne CTG zawodzi, na przykład przy grubych ogonach, gdy średnia istnieje, lecz wariancja nie
Zależność wymaga więcej niż długiej historii
Stacjonarne procesy ergodyczne mogą spełniać PWLL, podczas gdy CTG wymaga dodatkowej kontroli zależności i wahań
Finansowe szeregi czasowe mogą zmieniać średnią, wariancję, ekspozycję, płynność i reżim, więc jeden długi zapis nie musi zachowywać się jak powtarzane losowania z jednego prawa
Więcej obserwacji z tego samego klastra kryzysowego lub nieaktualnego reżimu może dostarczyć mniej skutecznej informacji, niż sugeruje liczba wierszy
Dywersyfikacja korzysta z pokrewnej, ale odrębnej logiki
Średni szok idiosynkratyczny może stabilizować się w wielu wystarczająco słabo zależnych pozycjach, co przypomina efekt PWLL
Czynniki wspólne, zależność ogonów, skoncentrowane wagi i skorelowane niewykonania nie znikają tylko dlatego, że portfel ma wiele nazw
Podobnie długa średnia stopa zwrotu nie musi ujawnić trwałej oczekiwanej stopy, gdy zmienia się sam zbiór dostępnych możliwości
Praktyczne wnioskowanie wymaga obu diagnostyk
Wykreśl średnie bieżące i estymaty podprób, a następnie zbadaj zależność, załamania strukturalne, momenty ogonów i efektywną liczebność próby
Użyj błędu standardowego uzasadnionego właściwym CTG lub schematem resamplingu, zamiast traktować zbieżność średniej jako estymację niepewności
Przed odwołaniem do któregokolwiek twierdzenia podaj estymand, założenia zbieżności, horyzont, pasma błędu oraz wrażliwość na okna i reżimy
Częste pytania
Jaka jest główna różnica między PWLL i CTG?
PWLL dotyczy zbieżności średniej do celu, a CTG dotyczy przeskalowanego rozkładu odchyleń wokół tego celu
Czy prawo wielkich liczb wymaga danych normalnych?
Nie. Wymagania zależą od wersji prawa i zależności; normalność nie jest ogólnym warunkiem PWLL
Czy prawo wielkich liczb może zachodzić, gdy CTG zawodzi?
Tak. Skończona średnia może pozwolić na zbieżność średniej nawet wtedy, gdy nieskończona wariancja uniemożliwia klasyczne normalne CTG
Czy większa ilość danych finansowych zawsze czyni oszacowanie wiarygodnym?
Nie. Zależność, zmiana reżimu, jakość danych i niestabilny cel mogą sprawić, że efektywna informacja pozostaje znacznie mniejsza niż liczba obserwacji
Źródła i dalsza lektura
Szybki test
Przeczytano? Sprawdź się w 3 pytaniach
Pytanie 01
Które stwierdzenie najlepiej pasuje do tego poradnika — Twierdzenia odpowiadają na różne pytania?
Wybierz odpowiedź, aby zobaczyć wyjaśnienie
Słownik opcji
An asymptotic result stating that, under suitable conditions, a correctly centered and scaled sum approaches a normal distribution; the raw observations need not be normal.
Czytaj szczegółowy przewodnikAt the moneyA call or put whose strike is near the underlying price; it has little intrinsic value and often substantial sensitivity to time and volatility.
Czytaj szczegółowy przewodnikCall optionA contract that gives its holder the right, but not the obligation, to buy the underlying at the strike before or at expiration under the contract terms.
Czytaj szczegółowy przewodnik