Central Limit Theorem ในการเงิน
ทำความเข้าใจว่า Central Limit Theorem กล่าวอย่างไรเกี่ยวกับผลรวมที่ทำให้เป็นมาตรฐาน สมมติฐานใดที่ผลตอบแทนทางการเงินอาจละเมิด เหตุใด convergence จึงไม่แม่นตรง และเมื่อใดการปรับตาม square-root-of-time จึงล้มเหลว
คำตอบโดยตรง
Central Limit Theorem กล่าวว่า ผลรวมที่จัดศูนย์กลางและปรับสเกลอย่างเหมาะสมของส่วนประกอบสุ่มจำนวนมากที่มีพฤติกรรมเหมาะสมเพียงพอจะเข้าใกล้การแจกแจงปกติ นี่เป็นข้อความเชิง asymptotic ที่มีเงื่อนไข ไม่ใช่หลักฐานว่าผลตอบแทนรายวันเป็นปกติหรือขาดทุนปลายหางใน horizon จำกัดเป็นเส้นโค้งระฆัง
ทฤษฎีเกี่ยวกับผลรวม ไม่ใช่ข้อสังเกตดิบ
ให้ X_1,…,X_n เป็นตัวแปรอิสระและแจกแจงเหมือนกัน โดยมีค่าเฉลี่ยจำกัด μ และความแปรปรวนบวกและจำกัด σ²
ข้อความแบบคลาสสิกคือ (Σ_iX_i−nμ)/(σ√n) จะ converge ในการแจกแจงไปยัง N(0,1) เมื่อ n เข้าใกล้อนันต์
X_i แต่ละตัวอาจเบ้หรือเป็นข้อมูลไม่ต่อเนื่อง ข้อสรุปเกี่ยวกับ aggregate ที่ทำให้เป็นมาตรฐาน ไม่ใช่รูปร่างของ input แต่ละตัว
การจัดศูนย์กลางและการปรับสเกลเป็นสิ่งจำเป็น
ผลรวมเติบโตรอบ nμ ขณะที่ส่วนเบี่ยงเบนมาตรฐานเติบโตประมาณ σ√n ภายใต้ independence
สำหรับค่าเฉลี่ยตัวอย่าง √n(Ȳ_n−μ)/σ มีขีดจำกัดมาตรฐานเดียวกัน และ standard error ลดลงด้วยอัตรา 1/√n
การตัดการจัดศูนย์กลาง ใช้ความแปรปรวนผิด หรือเพิกเฉยต่อ covariance จะเปลี่ยนวัตถุที่กำลังศึกษาและอาจทำให้การเปรียบเทียบกับการแจกแจงปกติใช้ไม่ได้
Convergence ไม่ได้หมายถึงปกติแบบแม่นตรง
Convergence ในการแจกแจงอธิบาย threshold ที่ทำให้เป็นมาตรฐานคงที่เมื่อเข้า limit ไม่ได้ให้ความเท่ากันสำหรับ n ใด n หนึ่ง
ความเร็วขึ้นอยู่กับ skewness ความหนาของหาง ผลกระทบจาก lattice และเงื่อนไข moment ที่เข้มงวดกว่า และอาจช้าในปลายหาง
การประมาณแบบปกติอาจดูใช้ได้ใกล้จุดศูนย์กลาง แต่ประเมินโอกาสขาดทุนมากในตัวอย่างจำกัดต่ำกว่าความจริงอย่างมีนัยสำคัญ
ผลตอบแทนทางการเงินท้าทายสมมติฐาน
ผลตอบแทนมี volatility clustering, serial dependence, jumps, structural breaks, changing exposure และการแจกแจงที่เปลี่ยนตามเวลา
มี CLT แบบ weak-dependence และ martingale แต่แต่ละแบบแทน independence ด้วยเงื่อนไข regularity ที่ชัดเจน
ถ้าความแปรปรวนเป็นอนันต์ ขีดจำกัดปกติแบบ classical √n อาจล้มเหลวทั้งหมด และอาจเกิดขีดจำกัด stable แบบ non-Gaussian ภายใต้การปรับสเกลแบบอื่น
Square-root-of-time เป็นผลจากโมเดล
สำหรับ increments ที่ stationary และไม่สัมพันธ์กันซึ่งมีความแปรปรวนคงที่ Var(Σ_iX_i)=nσ² จึงได้ volatility ที่แปรผันตาม √n
Autocovariances เพิ่ม 2Σ_{h=1}^{n−1}(n−h)γ_h ดังนั้น persistence หรือ reversal จึงเปลี่ยนความแปรปรวนตาม horizon
Compounding, stochastic volatility, jumps, ข้อมูลที่ซ้อนทับกัน และ calendar effects ก็ทำให้การแปลงจากรายวันเป็นรายปีแบบกลไกใช้ไม่ได้
Inference ต้องใช้ long-run variance ที่ประมาณได้
การแทน σ ด้วยค่าประมาณจากตัวอย่างจะนำไปสู่ standard errors เชิง asymptotic ก็ต่อเมื่อตัวประมาณและสมมติฐาน dependence ถูกต้อง
วิธีที่สอดคล้องกับ heteroskedasticity และ autocorrelation ประมาณ long-run variance แทนการทำเหมือนว่าข้อมูลเป็นอิสระ
ตัวอย่างขนาดเล็ก หางหนา data snooping และค่าเฉลี่ยที่ไม่เสถียรอาจทำให้ confidence interval ที่ดูแม่นมี calibration ไม่ดี
การตรวจสอบควรทดสอบจุดประสงค์ของ approximation
ตรวจสอบ dependence, volatility regimes, กราฟหาง ความเสถียรของ subsample และการเปลี่ยนของ aggregated standardized returns ตาม horizon
เปรียบเทียบ empirical coverage ของช่วงกลางและ threshold ปลายหางแยกกัน เพราะความสำเร็จใกล้ median ไม่ได้ยืนยัน risk capital
ใช้ bootstrap, robust, stable-law หรือทางเลือก time-series ที่ชัดเจน เมื่อสมมติฐานของวิธีนั้นเข้ากับการตัดสินใจและ diagnostics ที่สังเกตได้มากกว่า
คำถามที่พบบ่อย
Central Limit Theorem กล่าวอย่างไร?
ภายใต้เงื่อนไขที่เหมาะสม ผลรวมที่จัดศูนย์กลางและหารด้วยส่วนเบี่ยงเบนมาตรฐานจะเข้าใกล้การแจกแจงปกติมาตรฐาน
CLT พิสูจน์ว่าผลตอบแทนหุ้นเป็นปกติหรือไม่?
ไม่ใช่ ทฤษฎีอธิบาย aggregate เชิง asymptotic ภายใต้เงื่อนไข และไม่ได้บอกว่าผลตอบแทนหนึ่งช่วงเวลาหรือปลายหางของ horizon จำกัดเป็นปกติ
เหตุใด volatility จึงปรับตามรากที่สองของเวลา?
ผลนี้เกิดเมื่อ increments ที่ stationary และไม่สัมพันธ์กันมีความแปรปรวนคงที่และจำกัด ไม่ได้เกิดจาก CLT เพียงอย่างเดียว
จะเกิดอะไรขึ้นหากความแปรปรวนของผลตอบแทนเป็นอนันต์?
CLT แบบปกติคลาสสิกอาจล้มเหลว และผลรวมที่ทำให้เป็นมาตรฐานอาจ converge ไปยัง stable law แบบ non-Gaussian ภายใต้การปรับสเกลอื่น