0% found this document useful (0 votes)
30 views7 pages

Lecture 1 of Quantitative Finance and Statistical Learning

統計

Uploaded by

zoe349519
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
0% found this document useful (0 votes)
30 views7 pages

Lecture 1 of Quantitative Finance and Statistical Learning

統計

Uploaded by

zoe349519
Copyright
© © All Rights Reserved
We take content rights seriously. If you suspect this is your content, claim it here.
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 7

Lecture 1 of Quantitative Finance and Statistical Learning

By Fen-Ying Chen
 資料:橫剖面資料(Cross data)、時間序列的資料(Time series data,縱剖面資

料 longitudinal data)、追蹤性資料(Panel data)

橫剖面資料(Cross data): { X i } , i = 1, 2....N

時間序列的資料(Time series data): { X t } , t = t1 , t2 ,.... tn

=
追蹤性資料(Panel data): { X i, t } , i 1,=
2, ....., N ; t t1 , t2 ,.... tn

 時間序列的資料(縱剖面資料):與時間相關的資料

時間頻率 (Time frequency):年資料(annual data)、季資料(quarterly data)、月

資料(monthly data)、週資料(weekly data)、日資料(daily data)。

高頻資料(high frequency data):每分資料、每秒資料。

 時間資料常存在時間趨勢(time trend)會影響預測準確性,所以我們常常要

讓資料是隨機的(random, stochastic),因此常對資料以變動率(change rate)或

報酬率(rate of return)進行分析。

 報酬率(rate of return):simple returns 和 log returns。

1
0
0

-0.15
-0.1
-0.05
0.05
0.1
0.15
-0.12
-0.1
-0.08
-0.06
-0.04
-0.02
0.02
0.04
0.06
0.08
0.1

2023/1/3 2023/1/3
2023/2/3 2023/2/3
2023/3/3 2023/3/3

2023/4/3 2023/4/3

2023/5/3 2023/5/3

2023/6/3 2023/6/3

2023/7/3 2023/7/3

2023/8/3 2023/8/3

2023/9/3 2023/9/3

2382 廣達報酬率(simple returns)


2330 台積電報酬率(simple returns)

2
2023/10/3 2023/10/3
2023/11/3

廣達
2023/11/3
台積電

2023/12/3 2023/12/3
2024/1/3
2024/1/3
2024/2/3
2024/2/3
2024/3/3
2024/3/3
2024/4/3
2024/4/3
2024/5/3
2024/5/3
2024/6/3

2382 廣達報酬率(log returns)


2330 台積電報酬率(log returns)

2024/6/3
2024/7/3
2024/7/3
2024/8/3
0

2024/8/3

0
2024/9/3
2024/9/3
加權指數
0.06

0.04

0.02

-0.02

-0.04

-0.06

-0.08

-0.1
2023/1/3

2023/2/3
2023/3/3

2023/4/3

2023/5/3

2023/6/3

2023/7/3

2023/8/3

2023/9/3

2023/10/3

2023/11/3

2023/12/3

2024/1/3

2024/2/3

2024/3/3

2024/4/3

2024/5/3

2024/6/3

2024/7/3

2024/8/3

2024/9/3
加權指數報酬率(simple returns) 加權指數報酬率(log returns) 0

1. simple returns:
Pt − Pt −1 Pt
R=
t = − 1= 在第 t − 1 期購買, 但在第 t 期出售的simple returns
Pt −1 Pt −1
(或在第 t − 1 期購買只擁有一期的simple returns)
Pt
1 + Rt = = simple gross returns
Pt −1
Pt : 第 t 期價格

𝑡𝑡 − 3 𝑡𝑡 − 2 𝑡𝑡 − 1 𝑡𝑡 𝑡𝑡 + 1 𝑡𝑡 + 2 𝑡𝑡 + 3
…… 𝑅𝑅𝑡𝑡−2 𝑅𝑅𝑡𝑡−1 𝑅𝑅𝑡𝑡 𝑅𝑅𝑡𝑡+1 𝑅𝑅𝑡𝑡+2 𝑅𝑅𝑡𝑡+3 ……

𝑃𝑃𝑡𝑡−3 𝑃𝑃𝑡𝑡−2 𝑃𝑃𝑡𝑡−1 𝑃𝑃𝑡𝑡 𝑃𝑃𝑡𝑡+1 𝑃𝑃𝑡𝑡+2 𝑃𝑃𝑡𝑡+3

Pt +1 − Pt Pt +1
Rt +1= = − 1= Rt (1)= 在第 t 期購買, 但在第 t +1 期出售的simple returns
Pt Pt
(或在第 t 期購買只擁有一期的simple returns)
Pt + 2
Rt +2= −= = 在第 t +1 期購買, 但在第 t +2 期出售的simple returns
1 Rt +1 (1)
Pt +1
(或在第 t + 1 期購買只擁有一期的simple returns)

3
思考: Rt (2) = ?
1 + Rt (2) =
?
1 + Rt (n) =
?

同理,

Pt − Pt −1 Pt
R=
t = − 1= Rt −1 (1)(在第 t − 1 期購買, 但在第 t 期出售的simple returns
Pt −1 Pt −1
(或在第 t − 1 期購買只擁有一期的simple returns)
Pt −1 − Pt − 2 Pt −1
Rt −=
1 = −= = 在第 t − 2 期購買, 但在第 t − 1期出售的simple returns
1 Rt − 2 (1)
Pt − 2 Pt − 2
(或在第 t − 2 期購買只擁有一期的simple returns)
Pt − 2 − Pt −3 Pt − 2
=
Rt −2 = = − 1 Rt −=
3 (1) 在第 t − 3 期購買, 但在第 t − 2期出售的simple returns
Pt −3 Pt −3
(或在第 t − 3 期購買只擁有一期的simple returns)

思考: Rt − 2 (2) = ?
1 + Rt − 2 (2) =
?
1 + Rt − n (n) =
?

2. log returns ( rt )

 Pt 
=
rt ln  =  ln (1 + Rt )
 Pt −1  (1)
= ln Pt − ln Pt −1

𝑡𝑡 − 3 𝑡𝑡 − 2 𝑡𝑡 − 1 𝑡𝑡 𝑡𝑡 + 1 𝑡𝑡 + 2 𝑡𝑡 + 3
…… 𝑟𝑟𝑡𝑡−2 𝑟𝑟𝑡𝑡−1 𝑟𝑟𝑡𝑡 𝑟𝑟𝑡𝑡+1 𝑟𝑟𝑡𝑡+2 𝑟𝑟𝑡𝑡+3 ……

𝑃𝑃𝑡𝑡−3 𝑃𝑃𝑡𝑡−2 𝑃𝑃𝑡𝑡−1 𝑃𝑃𝑡𝑡 𝑃𝑃𝑡𝑡+1 𝑃𝑃𝑡𝑡+2 𝑃𝑃𝑡𝑡+3

4
P 
rt +1 = ln  t +1  = ln Pt +1 − ln Pt = rt (1) = 在第 t 期購買, 但在第 t +1 期出售的log returns
 Pt 
(或在第 t 期購買只擁有一期的log returns)

(2)
P 
rt + 2 = ln  t + 2  = ln Pt + 2 − ln Pt +1 = rt +1 (1) = 在第 t +1 期購買, 但在第 t +2 期出售的log returns
 Pt +1 
(或在第 t + 1 期購買只擁有一期的log returns)

(3)
思考: rt (2) = ?
1 + rt (2) =
?
1 + rt (n) =
?

同理,

P 
rt −1 = ln  t −1  = ln Pt −1 − ln Pt − 2 = rt − 2 (1) = 在第 t − 2 期購買, 但在第 t − 1期出售的log returns
 Pt − 2 
(或在第 t − 2 期購買只擁有一期的log returns)
P 
rt − 2 = ln  t − 2  = ln Pt − 2 − ln Pt −3 = rt −3 (1) =
在第 t − 3 期購買, 但在第 t − 2期出售的log returns
 Pt −3 
(或在第 t − 3 期購買只擁有一期的log returns)

思考: rt − 2 (2) = ?
1 + rt − 2 (2) =
?
1 + rt − n (n) =
?

5
 關係數 correlation coefficient,衡量兩個資料的線性關係
COV ( x, y )
ρ x, y =
σ xσ y
 k 階自我相關函數( k -order autocorrelation function)

自我相關函數:ACF
COV ( xt , xt − k )
ρx ,x =
t t −k
σxσx
t t −k

 定態或靜態(Stationary):當時間序列資料具定態,則該序列才具有可測性,

即才可以用過去歷史資料去預測未來。

1. Weak stationary, 弱定態:時間序列 { X t } , t = t1 , t2 ,.... tn 需同時滿足以下三大條

件,則該時間序列才具弱定態。

( X t − j ) u (意指平均數是常數,不隨時間而改變)
E ( X t ) E=
(1) =

(2) Var ( X t ) < ∞ (意指變異數是有限的,即資料的差異性不會隨時間經過一

直變大)

(3) COV ( X t , X t − j ) 與時間無關(即兩個資料的差異性與時間無關,不會隨時間

經過一直變大)

總結:當資料具有弱定態性質,則這些資料:

(1)可 以 用 過 去 的 歷 史 資 料 去 預 測 未 來(2) Var ( X t ) = Var ( X t − j ) (3)

COV ( X t , X t − j )與COV ( X t , X t + j )對稱 , ρ xt , xt −k 與ρ xt , xt +k 對稱

2. 嚴格定態 strict stationary,強定態(strong stationary)

{ X t } , t = t1 , t2 ,.... tn 的 機 率 分 配 不 隨 時間而 改 變 , 即 (X t , X t − j ) 的 機 率 分配 與

(X t , X t + j ) 的機率分配,也就是 f (X t , X t − j ) = f (X t , X t + j ) 。

6
結論:一個時間序列是強定態就一定是弱定態,但是弱定態未必是強定態。

Weak sta�onary
Strict sta�onary

 自我迴歸模型 Autoregressive model (AR model)


iid
β 0 + β1 yt −1 + ε t , ε t 是誤差項(error term)且 ε t  (0, σ 2 )
AR(1): yt =

AR(1)的特質:

(1) 當 β1 < 1 則 AR(1)收斂,具有弱定態特性。課堂證明。

(2) 當 β1 = 1 時,若 β1 = 1 則 AR(1)不具意義。若 β1 = −1 則 AR(1)的平均數一

下子是正值,隨時間經過又變成負值,所以 AR(1)無法進行預測。

(3) 當 β1 > 1 則 AR(1)發散,AR(1)無法進行預測。

You might also like