Lecture 1 of Quantitative Finance and Statistical Learning
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
=
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
報酬率(rate of return)進行分析。
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
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
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 ……
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 ……
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。
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) =
直變大)
經過一直變大)
總結:當資料具有弱定態性質,則這些資料:
{ 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
AR(1)的特質:
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。