Prostota ruch średnia wariancja

Zbadanie średniej ruchomej średniej zmienności jest najczęstszym miernikiem ryzyka, ale ma kilka smaków. W poprzednim artykule pokazaliśmy, jak obliczyć prostą zmienność historyczną. Wykorzystaliśmy dane o kursach akcji Google do obliczania dziennej niestabilności w oparciu o 30 dni danych o zapasach. W tym artykule poprawimy prostą lotność i omówimy ważną średnią ruchową (EWMA). Historyczne Vs. Imponująca zmienność Najpierw należy umieścić ten wskaźnik w perspektywie. Istnieją dwa szerokie podejścia: domniemana i domniemana (lub ukryta) zmienność. Podejście historyczne zakłada, że ​​przeszłość jest prologiem mierzymy historię w nadziei, że jest ona przewidywalna. Z drugiej strony ignorowana jest historia, którą rozwiązuje za niestabilność wynikająca z cen rynkowych. Ma nadzieję, że rynek wie najlepiej i że cena rynkowa zawiera, nawet jeśli w sposób dorozumiany, konsensusową ocenę niestabilności. Jeśli chodzi o trzy historyczne podejścia (po lewej stronie powyżej), mają one dwa wspólne kroki: Oblicz cykl okresowych zwrotów Zastosuj schemat ważenia Po pierwsze, my, obliczyć okresowy powrót. To zazwyczaj szereg codziennych zwrotów, gdzie każdy powrót jest wyrażany w stale złożonych terminach. Dla każdego dnia przyjmujemy naturalny dziennik stosunku cen akcji (tzn. Dzisiejszej ceny podzielonej przez cenę w cenach, itd.). Powoduje to szereg codziennych zwrotów, od ui do u i-m. w zależności od tego ile dni (m dni) mierzymy. To prowadzi nas do drugiego kroku: tam są trzy różne podejścia. W poprzednim artykule (Wykorzystanie zmienności w celu oceny przyszłego ryzyka) wykazaliśmy, że w ramach kilku akceptowalnych uproszczeń prosta wariacja jest średnią kwadratowych zwrotów: Zwróć uwagę, że suma każdego z okresowych zwrotów, a następnie dzieli się na sumę liczba dni lub obserwacji (m). Więc, to naprawdę średnia wielkość kwadratowych zwrotów okresowych. Innymi słowy, każda kwadratowa powrót ma taką samą wagę. Jeśli więc alfa (a) jest czynnikiem ważącym (konkretnie 1m), wówczas prosta wariacja wygląda tak: EWMA poprawia się na prostej odmianie. Słabością tego podejścia jest to, że wszystkie zyski mają taką samą wagę. Wczorajsze (ostatnie) powroty nie mają większego wpływu na wariancję niż w zeszłym miesiącu. Problem ten jest ustalony przy użyciu średniej ruchomej (EWMA), w której większe odchylenia mają większy wpływ na wariancję. Średnia geometryczna (EWMA) wprowadza lambda. nazywanym parametrem wygładzania. Lambda musi być mniejsza niż jeden. W tym wariancie, zamiast równej wagi, każdy zwrócony kwadrat jest ważony przez mnożnik w następujący sposób: Na przykład firma RiskMetrics TM, firma zajmująca się zarządzaniem ryzykiem finansowym, zazwyczaj używa lambda w wysokości 0,94 lub 94. W tym przypadku pierwszy ostatni kwadratowy zwrotu jest po prostu lambda-wielokrotnością poprzedniej wagi w tym przypadku 6 pomnożonej przez 94 5,64. W trzecim przedziale czasowym wagi są równe (1-0,94) (0,94) 2 5,30. Wyraża znaczenie wykładnicze w EWMA: każda masa jest stałym mnożnikiem (tj. Lambda, która musi być mniejsza niż jeden) masy poprzednich dni. Zapewnia to odmianę ważoną lub tendencyjną wobec najnowszych danych. (Aby dowiedzieć się więcej, przejrzyj arkusz programu Excel w celu zapewnienia płynności w programie Google). Różnica między po prostu zmiennością a EWMA dla Google jest pokazana poniżej. Prosta zmienność skutecznie waży każdego i każdego okresu powrotu o 0.196, jak pokazano w kolumnie O (mieliśmy dwa lata dziennych danych o cenach akcji, czyli 509 dziennych zwrotów i 1509 0.196). Ale zauważ, że kolumna P przypisuje wagę 6, potem 5,64, potem 5,3 itd. To jedyna różnica między prostą odchyleniem a EWMA. Pamiętaj: Po sumie całej serii (w kolumnie Q) mamy wariancję, która jest kwadratem odchylenia standardowego. Jeśli chcemy zmienności, musimy pamiętać o podstawie kwadratowej tej odmienności. Jaka jest różnica dziennej zmienności pomiędzy wariancją a EWMA w przypadku firmy Google: Istotna: prosta wariacja dała nam dzienną zmienność na poziomie 2,4, ale EWMA dała dzienną zmienność tylko 1,4 (szczegóły są dostępne w arkuszu kalkulacyjnym). Widocznie, zmienność języka Google sięgnęła ostatnio, dlatego prosta wariacja może być sztucznie wysoka. Dzisiejsza wariacja jest funkcją wariantów dni Piora Zauważmy, że musimy obliczyć długi szereg wykładniczo malejących ciężarów. Nie będziemy tu robić matrycy, ale jedna z najlepszych cech EWMA polega na tym, że cała seria wygodnie się zmniejsza do formuły rekurencyjnej: Rekursywne oznacza, że ​​dzisiejsze odchylenia od wariancji (tj. Jest funkcją wariancji poprzednich dni). Taką formułę można znaleźć również w arkuszu kalkulacyjnym i daje dokładnie taki sam wynik, jak obliczenia długoterminowe. Mówi się: wariancja Dzisiejsza (pod EWMA) jest równa wariancji wczorajszej (ważyła lambda) plus wczorajsze kwadranse zwrócone (ważyło się o jedną minus lambda). Zauważmy, jak po prostu dodajemy dwa terminy: wczorajsza ważona wariacja i wczoraj ważone, kwadratowe powrót. Mimo to lambda jest naszym parametrem wygładzania. Wyższa lambda (np. RiskMetrics 94) wskazuje na wolniejsze zanikanie w serii - w kategoriach względnych, będziemy mieli więcej punktów danych w serii i będą padać wolniej. Z drugiej strony, jeśli zmniejszymy lambda, wskazujemy wyższy zanik: masy spadają szybciej i, w bezpośrednim wyniku szybkiego zaniku, wykorzystuje się mniej punktów danych. (W arkuszu kalkulacyjnym lambda jest wejściem, więc możesz eksperymentować z jego wrażliwością). Podsumowanie Zmienność to chwilowe odchylenie standardowe dla zapasów i najczęstszych miar ryzyka. Jest to również pierwiastek kwadratowy wariancji. Możemy zmierzyć wariancję historycznie lub domyślnie (domniemana zmienność). Podczas pomiaru historycznego najprostszą metodą jest prosta odmiana. Ale słabość z prostą odmianą jest taka, że ​​wszystkie zwroty mają taką samą wagę. Więc mamy do czynienia z klasycznym kompromisem: zawsze chcemy więcej danych, ale im więcej danych, tym bardziej nasze obliczenia są rozmyte danymi odległymi (mniej istotnymi). Średnia średnica ruchoma (EWMA) zwiększa się w prostej wariancie, przypisując wagi okresowym zwrotom. Dzięki temu możemy zarówno użyć dużego rozmiaru próbki, jak i większej wagi do najnowszych wyników. (Aby zobaczyć samouczek filmowy na ten temat, odwiedź Turion Bionic). Artykuł 50 jest klauzulą ​​negocjacyjno-rozliczeniową zawartą w traktacie UE, w której przedstawiono kroki, które należy podjąć dla każdego kraju. Beta jest miarą zmienności lub systematycznego ryzyka bezpieczeństwa lub portfela w porównaniu z rynkiem jako całości. Rodzaj podatku od zysków kapitałowych poniesionych przez osoby prywatne i korporacje. Zyski kapitałowe to zyski inwestora. Zamówienie zakupu zabezpieczenia z lub poniżej określonej ceny. Zlecenie z limitem kupna umożliwia określenie podmiotów gospodarczych i inwestorów. Reguła Internal Revenue Service (IRS), która umożliwia wycofanie bez kary z konta IRA. Reguła wymaga tego. Pierwsza sprzedaż akcji przez prywatną firmę do publicznej wiadomości. IPO są często emitowane przez mniejsze, młodsze firmy poszukujące. Wartość portfela VaR na ryzyko jest miarą najgorszej szkody, która może wystąpić w określonym okresie posiadania dla danego prawdopodobieństwa. Jest to środek powszechnie stosowany do oceny ryzyka rynkowego związanego z daną inwestycją lub portfelem inwestycji. Portfolio VaR Przykład EXCEL jest szczegółowym arkuszem kalkulacyjnym, który pokazuje obliczanie VaR dla portfela sześciu instrumentów składających się z 3 kontraktów walutowych (EUR, AUD i JPY) oraz trzech towarów (WTI, Złoto i Srebro). Przed obliczeniem VaR dla portfela, metryka jest obliczana dla każdego instrumentu w portfelu za pomocą metody "Przekazywanie średnich przecinków średnich" i metody symulacji historycznej. Pokazuje, jak tworzy się wykres płynności końcowej i obliczenie przybliżonego oszacowania numeru VaR z maksymalną zmiennością z tej ciągłej zmienności. Metodę symulacji historycznej ilustruje także narzędzie analizy danych EXCEL dla Histogramów, stosowane w codziennych cyklach powrotu, dla każdego z walut i portfela. Uzyskanie portfela VaR dla podejścia do wariancji zmienności jest realizowane przy użyciu tradycyjnej metody wariancji i macierzy kowariancji, a także przy użyciu skrótu obliczając średnią ważoną serie powrotów dla portfela. Funkcjonalność tabeli danych EXCEL służy do obliczania 10-dniowego VaR dla różnych kursów (w zależności od poziomu ufności). Zapoznaj się z naszym sklepem finansowym, aby uzyskać więcej kursów na temat koncepcji Wartość at Risk. W szczególności: Podobne posty: O autorze Jawwad Farid Jawwad Farid buduje i wdraża modele ryzyka i systemy back office od sierpnia 1998 roku. Współpracując z klientami na czterech kontynentach pomaga bankierom, członkom zarządu i organom regulacyjnym podejść do rynkowego podejścia do zarządzania ryzykiem . Jest autorem modelu Primer na Work and Option Greks, opublikowanym przez Palgrave Macmillan. Jawwad jest Fellow Society of Actuaries, (FSA, Schaumburg, IL), posiada tytuł MBA z Columbia Business School i jest absolwentem informatyki w (NAGRODY FAST). Jest adiunktem w Szkole Zarządzania SP Jain w Dubaju i Singapurze, gdzie uczy zarządzania ryzykiem, wyceny pojęć i przedsiębiorczości. Jedna myśl na temat ldquoPortfolio VaRrdquo Komentarz jest zamknięty. Portfel VaR Variance Podejście oparte na wariancji metodą skróconą WARUNKI ZWIERZĄT Różność VaR Podejście skrócone Portfel VaR jest bardzo ważnym narzędziem oceny ryzyka rynkowego związanego z całym portfelem podmiotu. Jest to środek, którego obliczenia są często związane z paleniem serca, ponieważ menedżer ryzyka przewiduje bardzo pracochłonną konstrukcję macierzy zmienności wariancji. W naszych kursach dotyczących wartości zagrożonej, obliczaniu wartości at Risk portfolio Portfolio VaR. proponujemy środki zaradcze, które powinny zapewnić użytkownikowi pewien poziom komfortu - podejście krótkotrwałe, wprowadzone przez profesora Mark Broadie, profesora Columbia University Business Schools. do matrycy przy użyciu średniej ważonej serii zwrotów portfela. Niemniej jednak ludzka natura kwestionuje recepty lekarzy, aby zasięgnąć drugiej opinii, a jeśli ktoś miałby poprosić nas o dowód na to, czy nasza krótsza przerwa, bardziej efektywna, praktyczna i wygodna wersja obliczania portfela VaR naprawdę daje portfel VaR otrzymane przy użyciu tradycyjnej matrycy Variance Covariance. Czy wyniki były po prostu przypadkowe, matematyczna magia per se PROOF leży w bardzo znanym równaniu statystycznym: Variance (aXbY) a 2 Variance (X) b 2 Wariancja (Y) 2abCovariance (X, Y) Pierwiastek kwadratowy wariancji standardowe odchylenie, które, jak wiadomo, w definicji Value at Risk jest zmienność, gmach metody Simple Moving Average Variance Covariance (SMA VCV) do obliczania metryki. Tradycyjna metoda podejścia do metodologii różnicariuszy wariancji wykorzystuje konstrukcję niesławnej matrycy kowariancji wariancji, która w statystycznych terminach równań jest określona przez prawą rękę (RHS) powyższego równania - kumulację wagi kwadratowej, indywidualne odchylenia od wartości i kowariancje między parami zmiennych. Nasze podejście krótkoterminowe koncentruje się na zapominaniu o lewym boku (LHS) równania, tj. Wariancie średniej ważonej sumy zmiennych. Jeśli ważona średnia suma zmiennych, aXbY Z to wszystko, czego potrzebujemy, to wariacja Z. Jeśli chodzi o obliczenie wartości przy obliczaniu ryzyka, to zmienne są dziennymi cyklami zwrotu dla każdego składnika aktywów w portfelu ważonej średniej sumy zmiennych, tj. Z , jest średnią ważoną sumą dziennej serii zwrotu Z jest zatem serią zwrotów portfela. Zatem obliczając wariancję Z, ważona seria zwrotów dobowych, kwadratowa zakorzeniona w wyniku i stosując odpowiedni współczynnik mnożnika reprezentujący poziom ufności i okresu utrzymywania się, osiągamy prostą średnią ruchomą wariancję wariancji wynik VaR. Nisko i oto dowód na to, że nasze krótkie podejście jest naprawdę zgodne z warunkami SMA VCV VaR przy użyciu tradycyjnej metodologii różnicowania wariancji. Należy jednak zauważyć, że przy zastosowaniu funkcji EXCEL VAR () i COVAR () do obliczania wariancji i kowariancji odpowiednio nastąpi niewielka różnica w wynikach uzyskanych w tradycyjnych i skutecznych metodach. Błąd leży w tradycyjnym podejściu, ponieważ występuje niespójność pomiędzy formułą Variance i Covariance leżącą u podstaw funkcji EXCEL. Formuła COVAR () w pliku EXCEL używa rozmiaru próbki nw dzielniku, podczas gdy VAR () wykorzystuje próbkę wielkości n-1. W celu usunięcia tej rozbieżności, przed użyciem w RHS powyższego wzoru można zastosować COVAR (): SKREDNIA () COVAR () n (n-1). Alternatywnie zamiast powyższego RHS można użyć następujących wariantów: a 2 Wariancja (X) b 2 Wariancja (Y) 2abCorrelation (X, Y) StandardDeviation (X) StandardDeviation (Y) Przywróć statystycznie korelację (X, Y) Współwystarczalność X, Y) StandardDeviation (X) StandardDeviation (Y) W funkcji EXCEL funkcja CORREL () jest podana w następujący sposób: To domyślnie przyjmuje spójność pomiędzy wariancją i formułami kowariancji, jako dzielniki każdego z nich anulowanych. Korzystanie z funkcji CORREL () zamiast COVAR () usuwa rozbieżność pomiędzy wynikami uzyskanymi przy użyciu tradycyjnego podejścia do wartości SMA VCV Value-at-Risk i wyników uzyskiwanych przy użyciu podejścia krótkiego cięcia. Podobne posty: 2.1 Przekazywanie średnich modeli (modeli MA) Modele serii czasowej znane jako modele ARIMA mogą zawierać wyrażenia autoregresywne i średnie ruchome. W pierwszym tygodniu dowiedzieliśmy się, że termin autoregresji w modelu szeregów czasowych dla zmiennej x t jest opóźnioną wartością x t. Na przykład terminem autoregresji 1 opóźnienia jest x t-1 (pomnożony przez współczynnik). Ta lekcja definiuje ruchome średnie terminy. Ruchoma średnia wersja w modelu szeregów czasowych jest błędem w przeszłości pomnożonym przez współczynnik. Niech (przewyższa N (0, sigma2w)), co oznacza, że ​​w t są identycznie, niezależnie rozdzielane, każdy z normalnym rozkładem mającym średnią 0 i tę samą wariancję. Średni model średniej ruchomej, oznaczony symbolem MA (1) to (xt mu wt atta1w) Średni model ruchu średniego rzędu, oznaczony symbolem MA (2) to (xt mu wt atta1w theta2w) , oznaczone literą MA (q) jest (xt mc i k ta2t w kropki tetaqw) Uwaga. Wiele podręczników i programów definiuje model z negatywnymi znakami przed terminami. To nie zmienia ogólnych teoretycznych właściwości modelu, chociaż odwraca znaki algebraiczne oszacowanych wartości współczynników i (niezakłóconych) w formułach ACF i wariancji. Musisz sprawdzić oprogramowanie w celu sprawdzenia, czy użyto negatywnych lub pozytywnych oznaczeń w celu poprawnego zapisania szacowanego modelu. R używa pozytywnych oznaczeń w swoim modelu bazowym, tak jak tutaj. Właściwości teoretyczne serii czasowej z modelem MA (1) Należy pamiętać, że jedyną niższą wartością w teoretycznym ACF jest opóźnienie 1. Wszystkie inne autokorelacje wynoszą 0. Tak więc próbka ACF o znacznej autokorelacji tylko w punkcie 1 jest wskaźnikiem możliwego modelu MA (1). Dla zainteresowanych studentów, dowody dotyczące tych właściwości stanowią załącznik do niniejszego materiału informacyjnego. Przykład 1 Załóżmy, że model MA (1) wynosi x t 10 w t .7 w t-1. gdzie (nadwrażliwość N (0,1)). Współczynnik 1 0,7. Teoretyczny ACF podano w poniższym wykresie ACF. Przedstawiona fabuła jest teoretycznym ACF dla MA (1) z 1 0,7. W praktyce próbka zazwyczaj nie dostarcza tak wyraźnego wzorca. Używając R, symulujemy 100 wartości próbek przy użyciu modelu x t 10 w t .7 w t-1, gdzie w t iid N (0,1). W tej symulacji powstaje ciąg szeregowy danych przykładowych. Nie możemy wiele powiedzieć z tej fabuły. Poniżej znajduje się próbka ACF dla danych symulowanych. Widzimy skok w punkcie 1, a następnie ogólnie wartości nieistotne dla opóźnień 1. Pamiętaj, że próbka ACF nie jest zgodna z teoretycznym wzorem MA (1) leżącego u podstawy, co oznacza, że ​​wszystkie autokorelacje w przypadku opóźnień 1 będą 0 Inna próbka miałaby nieco inną próbkę ACF pokazaną poniżej, ale najprawdopodobniej miałyby takie same cechy. Właściwości terapeutyczne serii czasowej z modelem MA (2) Dla modelu MA (2), właściwości teoretyczne są następujące: Należy zauważyć, że jedynymi wartościami niezonarnymi w teoretycznym ACF są opóźnienia 1 i 2. Autokorelacje dla wyższych opóźnień to 0 Więc próba ACF o znacznych autokorelacjach w przypadku opóźnień 1 i 2, ale nieistotne autokorelacje dla wyższych opóźnień wskazują na możliwy model MA (2). iid N (0,1). Współczynniki wynoszą 1 0,5 i 2 0,3. Ponieważ jest to MA (2), teoretyczny ACF będzie miał wartości inne niż z opóźnieniami 1 i 2. Wartości dwóch niezerowych autokorelacji to wykres A teoretycznej ACF. Jak prawie zawsze jest tak, dane próbki nie zachowują się tak doskonale jak teoria. Symulujemy n 150 wartości próbek dla modelu x t 10 w t .5 w t-1 .3 w t-2. gdzie w t iid N (0,1). Sporządza się szeregowy szereg danych. Podobnie jak w przypadku szeregów czasowych dla danych próbki MA (1), niewiele można powiedzieć o tym. Poniżej znajduje się próbka ACF dla danych symulowanych. Wzór jest typowy dla sytuacji, gdy model MA (2) może być użyteczny. Istnieją dwa statystycznie istotne skoki przy opóźnieniach 1 i 2, po których następują nieistotne wartości dla innych opóźnień. Zauważ, że z powodu błędu pobierania próbek próbka ACF nie pasowała dokładnie do teoretycznego wzoru. ACF dla modeli MA (q) Modeli Ogólną cechą modeli MA (q) jest to, że dla wszystkich pierwszych opóźnień q i autokorelacji 0 dla wszystkich luków gtq istnieją autokorelacje nie zerowe. Niepowtarzalność połączenia pomiędzy wartościami 1 i (rho1) w modelu MA (1). W modelu MA (1) dla dowolnej wartości 1. odwrotny 1 1 daje taką samą wartość jak dla przykładu, użyj 0,5 dla 1. a następnie użyj 1 (0.5) 2 dla 1. Otrzymasz (rho1) 0,4 w obu przypadkach. Aby zaspokoić teoretyczne ograniczenie zwane "invertibility". ograniczamy modele MA (1) do wartości z wartością bezwzględną mniejszą niż 1. W podanym przykładzie, 1 0,5 będzie dopuszczalną wartością parametru, podczas gdy 1 10,5 2 nie będzie. Odwrotność modeli MA Model macierzowy jest odwracalny, jeśli jest on algebraiczny, odpowiadający modelowi zbiegającemu się z nieskończonym modelem AR. Zbiegając się, rozumiemy, że współczynniki AR zmniejszają się do 0, gdy wracamy w czasie. Inwersja to ograniczenie zaprogramowane w oprogramowanie serii czasowej służące do oszacowania współczynników modeli z hasłami. To nie coś, co sprawdzamy w analizie danych. Dodatkowe informacje o ograniczeniu inwersji dla modeli MA (1) podano w dodatku. Uwagi dotyczące teorii zaawansowanej. W modelu MA (q) z określonym ACF jest tylko jeden model odwracalny. Warunkiem koniecznym do odwrócenia jest fakt, że współczynniki mają takie wartości, że równanie 1- 1 y-. - q y q 0 ma rozwiązania dla y, które leżą poza okręgiem jednostkowym. R dla przykładów W przykładzie 1 wykreślono teoretyczny ACF modelu x t 10 w t. 7w t-1. a następnie symulowane n 150 wartości z tego modelu i wykreślono szereg próbkowania i próbkę ACF dla danych symulowanych. Polecenia R służące do sporządzenia teoretycznej ACF to: acfma1ARMAacf (mac (0.7), lag. max10) 10 opóźnień ACF dla MA (1) z theta1 0,7 lags0: 10 tworzy zmienną o nazwie opóźnienia w zakresie od 0 do 10 (h0) dodaje osi poziomej do wykresu Pierwsze polecenie określa ACF i zapisuje je w obiekcie (np. o nazwie acfma1 (nasz wybór nazwy). Polecenie wydruku (trzecie polecenie) powoduje błędy w porównaniu do wartości ACF dla opóźnień 1 do 10. Parametr ylab etykietuje na osi y, a główny parametr umieszcza tytuł na wykresie. Aby zobaczyć wartości liczbowe ACF, użyj komendy acfma1. Symulacje i wykresy zostały wykonane za pomocą następujących poleceń. xcarc. sim (n150, lista (mac (0.7))) Symuluje n 150 wartości z MA (1) xxc10 dodaje 10 do średniej 10. Domyślnie domyślne symulacje to 0. wykres (x, typeb, mainSimulated MA (1) data) acf (x, xlimc (1,10), mainACF dla symulowanych danych próbki) W przykładzie 2 wymyśliliśmy teoretyczny ACF modelu xt 10 wt5 w t-1 .3 w t-2. a następnie symulowane n 150 wartości z tego modelu i wykreślono szereg próbkowania i próbkę ACF dla danych symulowanych. Stosowane komendy R to acfma2ARMAacf (mac (0.5.0.3), lag. max10) acfma2 lags0: 10 (lags, acfma2, xlimc (1,10), ylabr, typh, główny ACF dla MA (2) z theta1 0,5, (x, x, x, x, x, x, x, x, x, x, x, y) mainACF dla symulowanych danych MA (2)) Dodatek: Dowód właściwości MA (1) Dla zainteresowanych studentów są dowody na teoretyczne właściwości modelu MA (1). Variance: (text (xt) text (mu wt theta1 w) tekst 0 (wt) tekst (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Kiedy h 1, poprzedni wyrażenie 1 w 2. W przypadku dowolnego h2, poprzednie wyrażenie 0 Powodem jest to, że z definicji niezależności wag. E (w k w j) 0 dla dowolnej kj. Ponadto, ponieważ w t oznaczają 0, E (wjwj) E (wj2) w2. W serii czasów Zastosuj ten wynik, aby uzyskać ACF podany powyżej. Inwersyjny model MA to taki, który można zapisać jako model AR nieskończony, który zbiega się tak, że współczynniki AR zbiegają się do 0, gdy poruszamy się nieskończenie z powrotem w czasie. Dobrze wykazać inwersję modelu MA (1). Następnie zastępujemy relację (2) dla t-1 w równaniu (1) (3) (zt wt theta1 (z-taleta) wt theta1z-tal2w) W czasie t-2. (2) staje się zastępującym związek (4) dla t-2 w równaniu (3) (zt wt theta1 z - theta21w wt theta1z - eta21 (zteta1w) wt theta1z - eta12z theta31w) Gdybyśmy kontynuowali ( nieskończoność) dostaniemy model nieskończonej AR (zt wt theta1 z - theta21z theta31z-theta41z kropki) Zauważ jednak, że jeśli 1 1, współczynniki mnożące opóźnienia z będą wzrastać (nieskończenie) w rozmiarze, kiedy wracamy czas. Aby temu zapobiec, potrzebujemy 1 lt1. Jest to warunek odwracalnego modelu MA (1). Model nieskoordynowanych zamówień MA W trzecim tygodniu widzimy, że model AR (1) można przekształcić w model MA nieskończonego rzędu: (xt - mu wt phi1w phi21w kropki phik1 w kropkach sumy fij1w) To sumowanie przeszłych hałasu białego jest znane jako przyczynę reprezentacji AR (1). Innymi słowy, x t jest specjalnym rodzajem magistra z nieskończoną liczbą terminów z czasem. Nazywa się to nieskończoną kolejnością MA lub MA (). Kończy się rozkazem MA jest nieskończona kolejność AR, a dowolny porządek AR jest rzędem nieskończonym rzędu. Przypomnijmy sobie w tygodniu 1, zauważyliśmy, że wymóg stacjonarnego AR (1) polega na tym, że 1 lt1. Pozwala obliczyć Var (xt) używając reprezentacji przyczynowej. W ostatnim kroku używa się podstawowych faktów dotyczących serii geometrycznych, które wymagają (phi1lt1), w przeciwnym razie serie rozbieżności. Nawigacja