在这篇文章中,我将分析股票价格的统计特性。我将首先说明,与大多数人的想法相反,收益的分布不是高斯分布。然后我将讨论莱维分布( Lévy distributions),它有很宽的尾部,因此在预测可能的崩溃和其他罕见事件方面更有效。最后,我们将讨论相关性。同样,与常识相反的是,在常识中,相关性从一开始就是零。真实的金融数据只有在某个时间间隔Δt*之后才变得不相关(在此时间间隔之前,它是一个衰减的指数函数)。 股票价格统计分析股票价格的动态行为一般基于以下假设: (1)交易的连续性意味着报价之间有一个非零的间隔 (2)价格演变为一个具有基本随机变量的随机过程
它们既是独立的又是同分布的,且有有限均值μ和方差σ。 (3)ln S(t)的价格动态是一个扩散过程。扩散是指某一物体从其浓度高于其他大多数地方的地方“扩散”出来。
随机变量的增量被假定为高斯分布。这个模型被称为几何布朗运动(GBM)。GBM为下列随机微分方程(SDE)的解:
其中W(t)为维纳过程或布朗运动,μ称为漂移,σ为波动性。解是:
标准差σ(t)的指数接近0.5,这意味着价格变化是独立的。 根据式1,在有限区间内的报价总数是发散的。因此,根据中心极限定理: 具有高斯分布。
我们应该模拟S(t)和一个离散时间的随机过程: 其中Δt为有限区间。物理学家已经对这些离散过程的性质进行了详细的研究。 股票收益物理研究通常关注价格的变化而不是价格本身。如果 ΔS(n) << S(n), Δt很小并且价格变化缓慢,我们可以做出以下近似:
几何布朗运动的蒙特卡罗模拟比较:
用布朗运动的模拟: 使用年度漂移μ=10%,年波动率σ=20%和相同的正态分布随机数X(n),我们得到图X它显示出非常可靠的一致性。
因此,我们可以使用加法(而不是乘法)模型来计算股价:
在加法模型中,价格增量相加;而乘法模型中,连续的价格比率相乘。 一个数学插曲莱维分布
是由法国数学家保罗·莱维( Paul Lévy)和苏联数学家亚历山大·金钦(Aleksandr Khinchin)提出的非负随机变量的概率分布。莱维分布考虑了峰度。
莱维分布是一个稳定的分布,它意味着具有该分布的独立随机变量的线性组合将具有相同的分布。因此它们具有标度性:
然而,莱维分布有不同的标准差。而且,它们的最大值更大更窄,我们知道这不会发生在真实的金融案例中。
这可以通过使用截断参数截断尾部来解决。一个截断莱维分布的例子如下:
其中N是一个标准化常数。
曼德尔布罗特(Benoit Mandelbrot)是第一个注意到资产价格波动比高斯分布预测的更频繁的人,他们有大尾巴。 在一篇著名的论文中,H. E. Stanley和R.N. Mantegna利用1984-1989年的标准普尔500数据集来确定:
使用间隔Δt = 1,…,10^3min,其结果如下图所示。
以下莱维分布与l/σ≤6的数据吻合较好:
莱维分布有两个主要的重要属性:
截断莱维分布在截断生效之前的很长一段时间内保持自相似。 相关性几何布朗运动假定ΔS的相关性为零。为了验证这一假设,我们使用以下相关函数:
相关函数的值可以在区间[-1,1]内,但有三种情况是特别相关的,即: 如果1和2服从,则有:
反之,式10从1到0呈指数衰减,且在较小时间内呈强相关性:
Δt* >15 时,我们得到了一个价格分布的候选方案。在Δt*之后,可以考虑一次价格变化为同分布的,分布为:
N*个因子的卷积累积分布为:
我们注意到一些事情:
继Stanley和Mantegna之后,我将快速分析道琼斯工业平均指数的动态。他们找出30只道琼斯指数股票的最大和最小相关系数。最大值是0.73,在可口可乐和宝洁之间,如图所示。
他们还测量了强相关性保持强相关性的特征时间尺度。他们发现,从1990年到1994年,相关系数从0.73到0.51不等,这表明股票是高度同步的。 |
|