WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     || 2 | 3 |
-- [ Страница 1 ] --

С.В. БУЛАШЕВ СТАТИСТИКА ДЛЯ ТРЕЙДЕРОВ ББК 60.6 Б 91 Булашев С.В.

Б 91 Статистика для трейдеров. -М.: Компания Спутник+, 2003. - 245с.

ISBN 5-93406-577-7 В этой книге сделана попытка систематизированно рас смотреть практические методы статистики применительно к финансам. Наибольший интерес данная книга может пред ставлять для трейдеров/портфельных менеджеров, то есть специалистов, принимающих самостоятельные решения на финансовых рынках в условиях неопределенности, а также для студентов экономических и финансовых вузов. Изложе ние материала начинается с базовых понятий, и постепенно переходит к достаточно сложным методам, применяющимся при анализе инвестиционных рисков. В книге содержится большое количество практических алгоритмов вычисления и оптимизации различных финансовых стохастических пе ременных.

ББК 60.6 ISBN 5-93406-577-7 © Булашев С.В., 2003 Оглавление ПРЕДИСЛОВИЕ 10 1. ВЕРОЯТНОСТНОЕ ОПИСАНИЕ СЛУЧАЙНЫХ 13 ВЕЛИЧИН 1.1. Введение. 13 1.2. Случайное событие. Вероятность. 1.3. Случайная величина. 1.4. Законы распределения случайной величины. 1.5. Показатели центра распределения. 1.6. Моменты распределения. 1.7. Показатели меры рассеяния. 1.8. Показатели формы распределения - коэффициент асимметрии.

1.9. Показатели формы распределения - эксцесс. 1.10. Плотность распределения функции от случайной ве- личины.

1.11. Математическое ожидание функции от случайной величины.

1.12. Линейное преобразование случайной величины. 1.13. Общие свойства случайных величин с произвольным законом распределения.

2. АНАЛИТИЧЕСКИЕ ЗАКОНЫ РАСПРЕДЕЛЕ- НИЯ СЛУЧАЙНЫХ ВЕЛИЧИН 2.1. Введение. 2.2. Биномиальное распределение. 2.3. Распределение Пуассона. 2.4. Равномерное распределение. 2.5. Нормальное распределение. 2.6. Логнормальное распределение. 2.7. Распределение Лапласа. С.В. Булашев. Статистика для трейдеров (электронная версия).

Оглавление 2.8. Распределение Коши. 2.9. Распределение Парето. 2.10. Обобщенное экспоненциальное распределение. 2.11. Поиск интегральной функции распределения путем численного интегрирования плотности распределе ния.

2.12. Поиск интегральной функции распределения путем разложения плотности распределения в ряд с после дующим аналитическим интегрированием этого ряда.

2.13. Моделирование с помощью равномерного распреде- ления случайных чисел с произвольной плотностью распределения.

Приложение 2.1. Гамма-функция Эйлера. 3. СПЕЦИАЛЬНЫЕ РАСПРЕДЕЛЕНИЯ ВЕРОЯТ- НОСТЕЙ 3.1. t-распределение Стьюдента. 3.2. 2-распределение.

3.3. F-распределение. 4. ОЦЕНКА ПАРАМЕТРОВ РАСПРЕДЕЛЕНИЯ ПО ВЫБОРКЕ СЛУЧАЙНОЙ ВЕЛИЧИНЫ 4.1. Введение. 4.2. Оценки центра распределения. 4.3. Оценка дисперсии и среднеквадратичного отклоне- ния.

4.4. Оценка коэффициента асимметрии и эксцесса. 4.5. Исключение промахов из выборки. 5. СТАТИСТИЧЕСКИЕ ВЫВОДЫ 5.1. Введение. 5.2. Выборочное распределение выборочной средней. С.В. Булашев. Статистика для трейдеров (электронная версия).

Оглавление 5.3. Доверительный интервал для генеральной средней. 5.4. Выборочное распределение выборочной дисперсии. 5.5. Доверительный интервал для генеральной дисперсии. 5.6. Статистическая проверка гипотез. 5.7. Проверка гипотез о величине генеральной средней. 5.8. Проверка гипотез о величине генеральной дисперсии. 6. ИДЕНТИФИКАЦИЯ ЗАКОНА РАСПРЕДЕЛЕ- НИЯ СЛУЧАЙНОЙ ВЕЛИЧИНЫ 6.1. Введение. 6.2. Группировка данных. Оптимальное число интервалов группировки.

6.3. Построение гистограммы распределения. 6.4. Гистограмма логарифмов относительных изменений индекса РТС.

6.5. Использование критериев согласия при идентифика- ции закона распределения случайной величины.

7. КОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВЕЛИЧИН 7.1. Введение. 7.2. Функция регрессии. 7.3. Линейная корреляция. 7.4. Коэффициент корреляции. Ковариация. 7.5. Математическое ожидание и дисперсия линейной комбинации случайных величин.

7.6. Оценка ковариации и коэффициента корреляции по выборке случайных величин.

7.7. Оценка коэффициентов линейной регрессии по вы- борке случайных величин.

7.8. Линейная регрессия как наилучшая оценка по методу наименьших квадратов.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Оглавление 8. РЕГРЕССИОННЫЙ АНАЛИЗ 8.1. Введение. 8.2. Выбор вида математической модели. 8.3. Расчет параметров математической модели. 8.4. Сущность метода наименьших квадратов. 8.5. Свойства ошибок метода наименьших квадратов. 8.6. Оценка параметров однофакторной линейной регрес- сии.

8.7. Коэффициент детерминации. 8.8. Необратимость решений МНК. 8.9. Статистические выводы о величине параметров од- нофакторной линейной регрессии.

8.10. Статистические выводы о величине коэффициента детерминации.

8.11. Полоса неопределенности однофакторной линейной регрессии.

8.12. Прогнозирование на основе однофакторной линей- ной регрессии.

8.13. Проверка допущений МНК. 8.14. Сведение нелинейной функциональной зависимости к линейной путем преобразования данных.

8.15. Функция регрессии как комбинация нескольких функций.

9. АНАЛИЗ ФУРЬЕ 9.1. Введение. 9.2. Численный анализ Фурье. 9.3. Амплитудно-частотная характеристика. 9.4. Пример выделения основной гармоники с помощью анализа Фурье.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Оглавление 10. ПРИМЕНЕНИЕ МНК ПРИ ИЗУЧЕНИИ ДИНА- МИЧЕСКИХ РЯДОВ 10.1. Введение. 10.2. Модель динамики цен активов. 10.3. Определение тренда. 10.4. Статистические выводы о величине параметров рег- рессии.

10.5. Полоса неопределенности рассеяния эмпирических данных относительно линии регрессии.

10.6. Проверка допущений МНК. 11. СГЛАЖИВАНИЕ ДИНАМИЧЕСКИХ РЯДОВ 11.1. Введение. 11.2. Типы скользящих средних. 11.3. Простая скользящая средняя. 11.4. Взвешенная скользящая средняя. 11.5. Экспоненциальная скользящая средняя. 11.6. Точки пересечения экспоненциально сглаженных кривых.

11.7. Выбор величины показательного процента для экс- поненциальной скользящей средней.

11.8. Экспоненциальная скользящая средняя с перемен- ным показательным процентом.

11.9. Дисперсия скользящих средних. 12. АДАПТИВНОЕ МОДЕЛИРОВАНИЕ ДИНАМИ- ЧЕСКИХ РЯДОВ 12.1. Введение. 12.2. Адаптивное моделирование линейного тренда с по- мощью экспоненциальных скользящих средних.

12.3. Адаптивное моделирование параболического тренда С.В. Булашев. Статистика для трейдеров (электронная версия).

Оглавление с помощью экспоненциальных скользящих средних.

12.4. Выбор величины показательного процента при адап- тивном моделировании.

12.5. Адаптивное моделирование с переменным показа- тельным процентом.

13. МЕХАНИЧЕСКИЕ ТОРГОВЫЕ СИСТЕМЫ 13.1. Введение. 13.2. Механический и интуитивный подход к торговле. 13.3. Свойства MTС. 13.4. Минимальное число сделок. 13.5. Тестирование МТС. 13.6. Отчет о величине торгового счета. 13.7. Сгруппированный отчет о величине торгового счета. 13.8. Отчет о сделках. 13.9. Сводный отчет. 13.10. Математическое ожидание дохода сделки. 13.11. Кумулятивная кривая дохода сделок. 13.12. Вероятность получения убытка в серии последова- тельных сделок.

13.13. Вероятность разорения в серии последовательных сделок.

14. УПРАВЛЕНИЕ КАПИТАЛОМ 14.1. Введение. 14.2. Ограничение суммы убытка в сделке. 14.3. Ограничение процента убытка в сделке. 14.4. Максимизация средней величины дохода МТС. 14.5. Оптимизация соотношения дохода и риска МТС. 14.6. Анализ соотношения скользящих средних от кумуля С.В. Булашев. Статистика для трейдеров (электронная версия).

Оглавление тивной кривой дохода сделок.

14.7. Критерий серий. 14.8. Увеличение объема выигрывающей позиции. 15. УПРАВЛЕНИЕ РИСКОМ ПОРТФЕЛЯ НА ОС- НОВЕ АНАЛИЗА КОВАРИАЦИЙ АКТИВОВ 15.1. Введение. 15.2. Корреляция активов и риск портфеля. 15.3. Понижение риска портфеля. Диверсификация. 15.4. Граница эффективности. 15.5. Постановка задачи по оптимизации портфеля. 15.6. Введение ограничений на состав и веса активов в портфеле (лимитов).

15.7. Численное решение задачи оптимизации портфеля с учетом лимитов методом Монте-Карло.

16. УПРАВЛЕНИЕ РИСКОМ ПОРТФЕЛЯ НА ОС- НОВЕ АНАЛИЗА КВАНТИЛЬНЫХ МЕР РИСКА 16.1. Введение. 16.2. Понятие Value-at-risk и Shortfall-at-risk 16.3. Вычисление Value-at-risk и Shortfall-at-risk 16.4. Оптимизация портфеля с учетом Value-at-risk и Shor- fall-at-risk.

РЕКОМЕНДУЕМАЯ ЛИТЕРАТУРА С.В. Булашев. Статистика для трейдеров (электронная версия).

Предисловие ПРЕДИСЛОВИЕ В последние годы значительно увеличилось количество людей, сфера деятельности которых связана с работой на финансовых рынках. Для этих специалистов необходимо хорошее знание ос нов теории вероятности и математической статистики, так как результаты решения об инвестировании в различные финансо вые инструменты (активы) всегда имеют ту или иную степень неопределенности. В этой книге сделана попытка систематизи рованно рассмотреть практические методы статистики приме нительно к финансам. Наибольший интерес данная книга может представлять для трейдеров/портфельных менеджеров, то есть специалистов, принимающих самостоятельные решения на фи нансовых рынках в условиях неопределенности. Изложение ма териала начинается с базовых понятий, и постепенно переходит к достаточно сложным методам, применяющимся при анализе инвестиционных рисков. В книге содержится большое количе ство практических алгоритмов вычисления и оптимизации раз личных финансовых стохастических переменных.

Данная книга состоит из 16-ти глав.

В 1-й главе рассмотрено понятие вероятности, случайного собы тия, случайной величины, дано определение закона распределе ния случайной величины, а также изучены основные параметры законов распределения, такие как показатели центра распреде ления, показатели меры рассеяния, показатели формы распреде ления.

Во 2-й главе рассказано о наиболее употребительных законах распределения случайных величин и основных параметрах этих законов. Даны методы поиска функции распределения вероят ности случайной величины в случае неинтегрируемой плотно сти вероятности, а также алгоритмы получения последователь ностей случайных величин с произвольным законом распреде ления, что необходимо при моделировании случайных процес сов.

В 3-й главе изучены специальные распределения вероятностей, используемые для проверки статистических гипотез и при опре делении доверительных интервалов для случайных величин.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Предисловие 4-я глава посвящена методам оценки по эмпирической выборке параметров распределения случайной величины, указаны фор мулы для оценки центра распределения, дисперсии и показате лей формы распределения, а также практические приемы удале ния аномальных значений (промахов) из выборки.

В 5-й главе рассказано о методах проверки статистических ги потез и методах определения доверительных интервалов для случайных величин.

6-я глава посвящена вопросу о том, как по эмпирической вы борке идентифицировать закон распределения случайной вели чины. Подробно рассмотрена проблема группировки данных, то есть расчет оптимального количества интервалов группировки и оптимальной ширины интервала, а также построения по сгруп пированным данным гистограммы распределения таким обра зом, чтобы максимально возможное сглаживание случайного шума сочеталось с минимальным искажением от сглаживания самого распределения.

В 7-й главе рассмотрено понятие линейной корреляционной свя зи между случайными величинами.

8-я глава посвящена изучению регрессионного анализа, то есть методам расчета параметров математической модели, связы вающей различные стохастические переменные.

В 9-й главе излагается метод аппроксимации эмпирической за висимости тригонометрическим рядом Фурье. Даны формулы, позволяющие по реальной выборке вычислить коэффициенты Фурье, амплитуду и фазу гармоник. Рассказано, как строится амплитудно-частотная характеристика разложения, и как она используется для выделения гармоник с максимальной ампли тудой.

В 10-й главе рассмотрено применение регрессионного анализа при изучении динамических (временных) рядов.

В 11-й главе рассказано о методах сглаживания динамических рядов, базирующихся на расчете скользящих средних. Рассмот рены различные типы скользящих средних и даны их сравни тельные характеристики.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Предисловие В 12-й главе изучены методы адаптивного моделирования ди намических рядов, которые основаны на экспоненциальном сглаживании (экспоненциальной скользящей средней). Пре имуществом этих методов является учет временной ценности данных и, следовательно, постоянное адаптирование к изме няющимся уровням динамического ряда, что имеет решающее значение при моделировании и прогнозировании волатильных рядов.

13-я глава посвящена механическим торговым системам, то есть алгоритмам, которые формализуют правила открытия и закры тия позиций в биржевой торговле. Подробно рассмотрены отче ты о работе торговой системы и даны практические рекоменда ции о том, как по величине, разбросу и устойчивости показате лей системы сделать вывод о ее качестве.

14-я глава является продолжением предыдущей. В ней изучены алгоритмы вычисления доли участвующего в конкретной сделке капитала, которые максимизируют показатели динамики торго вого счета.

В 15-й главе рассматриваются вопросы, связанные с оптимиза цией портфеля активов. Изучается влияние корреляции между отдельными парами активов на общий риск портфеля, при этом в качестве меры риска принимается дисперсия (или среднеквад ратичное отклонение). Рассказано о том, что такое эффективная диверсификация и как общий риск портфеля, составленного из произвольного количества активов, можно разделить на несис тематический (диверсифицируемый) риск и рыночный (не ди версифицируемый) риск. Поставлена задача по оптимизации портфеля с учетом ограничений на состав и веса активов в портфеле (лимитов), и приведен алгоритм поиска решений этой задачи методом Монте-Карло.

16-я глава посвящена изучению квантильных мер риска портфе ля из произвольного количества активов и управления риском портфеля на основе их анализа.

Все замечания по содержанию и оформлению книги просьба направ лять автору по адресу ilion@online.ru С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин 1. ВЕРОЯТНОСТНОЕ ОПИСАНИЕ СЛУЧАЙНЫХ ВЕЛИ ЧИН 1.1. Введение.

Теория вероятностей играет значительную роль во многих областях человеческой деятельности, в том числе в финансах.

Это связано с тем, что результаты решения об инвестировании в финансовые инструменты (активы) всегда имеют ту или иную степень неопределенности.

В биржевых торгах по различным активам принимают уча стие большое количество инвесторов и спекулянтов. Каждый из участников имеет свое представление о том, куда движется ры нок, у каждого из них свой горизонт инвестирования и своя тех нология работы на рынке. Из-за столкновения интересов боль шого количества людей цены активов приобретают случайный характер. Следствием этого является невозможность точного предсказания будущей цены. Прогноз становится возможным только в вероятностном смысле.

С другой стороны, результаты инвестирования в инстру менты с фиксированной доходностью также являются неопре деленными из-за того, что существует риск невыполнения эми тентом (заемщиком) своих обязательств.

В этой главе мы рассмотрим на качественном уровне поня тие вероятности, случайного события, случайной величины, да дим определение закона распределения случайной величины.

Далее будут изучены основные параметры законов распределе ния, такие как показатели центра распределения, показатели ме ры рассеяния, показатели формы распределения.

1.2. Случайное событие. Вероятность.

Случайным событием называется такое событие, которое может как произойти, так и не произойти при соблюдении опре деленного комплекса условий. Будем предполагать, что указан ный комплекс условий может быть воспроизведен неограничен ное количество раз. Испытанием будем называть каждое осу ществление этого комплекса условий.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин Относительной частотой случайного события называется отношение количества случаев появления этого события M к общему числу проведенных испытаний N.

Опыт показывает, что при многократном повторении испы таний относительная частота M/N случайного события обладает устойчивостью. В разных достаточно длинных сериях испыта ний относительные частоты случайного события группируются вокруг некоторого определенного числа. Устойчивость относи тельной частоты может быть объяснена как проявление объек тивного свойства случайного события, которое заключается в существовании определенной степени его возможности.

Таким образом, степень возможности случайного события можно описать числом. Это число называется вероятностью случайного события. Именно вокруг вероятности группируются относительные частоты данного случайного события. Относи тельная частота и вероятность случайного события являются безразмерными величинами, которые могут принимать значения от 0 до 1. Вероятность является первичным, базовым понятием, и в общем случае ее нельзя определить через более простые термины.

1.3. Случайная величина.

Случайной величиной называется такая величина, которая принимает те или иные значения с определенными вероятно стями. Случайные величины могут быть дискретными и непре рывными.

Дискретной случайной величиной называется такая величи на, все возможные значения которой образуют конечную или бесконечную последовательность чисел (x1, x2,..., xn ) и принятие ей каждого из указанных значений есть случайное событие, характеризующееся соответствующей вероятностью ( p1, p2,..., pn ). При этом должно соблюдаться условие норми рования, то есть pn = 1.

n Непрерывной случайной величиной называется такая вели чина, все возможные значения которой целиком заполняют не который промежуток и попадание в любой интервал (x1, x2 ) С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин есть случайное событие, характеризующееся соответствующей вероятностью P{x1 x x2}. При этом вероятность достоверного события P{- x +} =1.

Генеральной совокупностью будем называть все возможные значения, которые может принимать случайная величина.

1.4. Законы распределения случайной величины.

Для характеристики вероятности появления различных значений случайной величины используют законы распределения вероятностей случайной величины. При этом различают два вида представления законов распределения: интегральный и дифференцальный.

Интегральным законом, или функцией распределения вероятностей случайной величины X, называется функция, значе ние которой для любого x является вероятностью события, заклю чающегося в том, что случайная величина X принимает значения, меньшие x, то есть функция F(x) = P{X < x}. Функция распределения вероятностей F(x) обладает следующими свойствами:

1) 0 F(x) 1 для любого x 2) F(x1) F(x2 ), если x1 x 3) F(-) = 0, F(+) = Для случайной величины с непрерывной и дифференцируемой функцией распределения вероятностей F(x) можно найти диффе ренциальный закон распределения вероятностей, выражаемый как производная F(x), то есть p(x) = dF(x) / dx. Эта зависимость называется плотностью распределения вероятностей. Плотность распределения p(x) обладает следующими свойствами:

1) p(x) 0 для любого x x 2) P{X < x} F(x) = p(t)dt b 3) P{a X < b} = F(b) - F(a) = p(t)dt a С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин + 4) p(x)dx = Распределение называется предельно пологим, если при x ± его плотность вероятности p(x) 1/ | x |1+, где сколь угодно малое положительное число. При более пологих, чем 1/ | x |1+ спадах, площадь под кривой бесконечна, то есть не выполняется условие нормирования, и такие кривые не могут описывать плотность распределения вероятностей.

1.5. Показатели центра распределения.

Координата центра распределения определяет положение случайной величины на числовой оси. Дать однозначное определение этого понятия невозможно. Центр распределения может быть найден несколькими способами:

- как медиана распределения, - как мода распределения, - как математическое ожидание.

Медиана Наиболее общим, а следовательно наиболее фундаментальным, является определение центра распределения согласно принципу симметрии, то есть как такой точки на оси x, слева и справа от которой вероятности появления случайной величины одинаковы и равны 0.5. Такой показатель центра распределения называется медианой. В отличие от других показателей центра, медиана существует у любого распределения. Медиану обычно обозначают как Me.

Мода Точка на оси x, соответствующая максимуму кривой плотности распределения, называется модой, то есть мода – это наиболее вероятное значение случайной величины. Однако, мода существует не у всех распределений. В качестве примера можно привести равномерное распределение. В этом случае определение центра распределение как моды невозможно. Моду обычно обозначают как Mo.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин Математическое ожидание Наиболее часто используемым методом оценки центра распределения является математическое ожидание.

Преимущественное использование математического ожидания объясняется тем, что это единственная оценка, которую можно выразить аналитически.

Математическое ожидание обозначается как µ и вычисляется по формулам:

- для дискретного распределения M (x) µ = pn xn n - для непрерывного распределения + M (x) µ = xp(x)dx Необходимо отметить, что математическое ожидание существует только у тех распределений, у которых при x ± плотность вероятности спадает как 1/ | x |2+ или круче, где сколь угодно малое положительное число. При более пологих, чем 1/ | x |2+ спадах, математическое ожидание не существует, так как определяющий его интеграл расходится.

1.6. Моменты распределения.

Для описания свойств распределений нам понадобится понятие момента распределения. Существуют два типа моментов:

начальные и центральные. Начальным называется момент распределения, найденный без исключения систематической составляющей. Соответственно, центральным является момент, вычисленный с исключением систематической составляющей.

Начальный момент k-го порядка вычисляется по формулам:

- для дискретного распределения k Mk = pn xn n - для непрерывного распределения + k Mk = p(x)dx x С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин Первый начальный момент был уже рассмотрен выше - это математическое ожидание.

Центральный момент k-го порядка вычисляется по формулам:

- для дискретного распределения mk = - µ)k pn (xn n - для непрерывного распределения + mk = - µ)k p(x)dx (x Понятие моментов распределения будет использовано при изучении показателей рассеяния случайной величины и показателей формы распределения.

1.7. Показатели меры рассеяния.

Оценив величину центра распределения, нам необходимо иметь представление, как случайная величина рассеяна вокруг этой точки. Для оценки меры рассеяния используются, как пра вило, два способа:

- квантильное отклонение случайной величины, - дисперсия и среднеквадратичное отклонение случайной ве личины.

Квантильное отклонение Площадь, заключенная под кривой плотности распределения p(x), согласно правилу нормирования, равна единице, то есть отражает вероятность всех возможных событий.

Выберем точку Х1 на оси х таким образом, чтобы площадь под кривой р(х) слева от точки Х1 была бы равна, например, 5% от общей площади, то есть вероятность того, что случайная величина меньше, чем Х1 составляет 0.05. В этом случае говорят, что Х1 - это 5%-ная квантиль распределения. Ее удобно обозначить как X1 = X.

0. Выберем далее точку Х3 на оси х таким образом, чтобы площадь под кривой р(х) слева от точки Х3 была бы равна 95% от общей площади, то есть вероятность того, что случайная величина С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин меньше, чем Х3 составляет 0.95. Тогда Х3 - это 95%-ная квантиль распределения. Обозначим ее как X3 = X.

0. Медиана распределения - это 50%-ная квантиль, так как она делит площадь под кривой р(х) на две равные части. Медиану можно обозначить как X = X.

2 0. Заметим, что точки X1 = X и X3 = X симметричны в том 0.05 0. смысле, что - во-первых, вероятность того, что случайная величина меньше Х1, и вероятность того, что случайная величина больше Х3, равны между собой, - во-вторых, вероятность того, что случайная величина находится в интервале от Х1 до Х2, и вероятность того, что случайная величина находится в интервале от Х2 до Х3, также равны между собой.

Интервал значений х между X1 = X и X3 = X называют 0.05 0. интерквантильным промежутком с 90%-ной вероятностью. Его протяженность 0.90 = X - X. Половину указанного 0.95 0. промежутка, которую будем называть квантильным отклонением с 90%-ной вероятностью, обозначим как d0.90 = 0.90 / 2.

На основании вышеизложенного подхода можно ввести понятие квантильной оценки рассеяния случайной величины, то есть значения рассеяния с заданной доверительной вероятностью.

Для симметричных распределений квантильное рассеяние с заданной доверительной вероятностью P - это такой интервал неопределенности (X - dP, X + dP ), внутри которого лежат 0.50 0. 100P процентов всех значений случайной величины, а 100(1- P) процентов лежат вне этого интервала.

Так как квантили, ограничивающие доверительный интервал, могут быть различными, при указании квантильной оценки рассея ния обязательно должна быть указана доверительная вероятность такой оценки. Квантильная оценка рассеяния применима для лю бых законов распределения случайной величины.

При рассмотрении квантильного отклонения, мы не случайно в качестве примера использовали отклонение с 90%-ной доверитель ной вероятностью. Дело в том, что величина d0.90 обладает уникальным свойством, которое заключается в том, что только С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин квантильное отклонение d0.90 имеет однозначное соотношение со среднеквадратичным отклонением (которое будет рассмотрено ниже) в виде d0.90 1.6 для очень широкого класса наиболее употребительных законов распределения. Поэтому, при отсутствии данных о виде закона распределения, для оценки квантильного отклонения рекомендуется пользоваться доверительной вероятностью, равной 0.90.

Дисперсия и среднеквадратичное отклонение Если в качестве показателя центра распределения выбрано математическое ожидание, то в качестве меры рассеяния слу чайной величины используют дисперсию. Дисперсия - это сред нее значение квадратов отклонений случайной величины от ее математического ожидания. Дисперсия является вторым цен тральным моментом распределения.

Дисперсия обозначается как D и вычисляется по формулам:

- для дискретного распределения D = - µ)2 pn (xn n - для непрерывного распределения + D = - µ)2 p(x)dx (x В формуле для дисперсии в качестве центра распределения использовано математическое ожидание. Это не случайно. Дело в том, что использование в качестве центра распределения математического ожидания минимизирует средний квадрат отклонения случайной величины от ее центра. При этом минимум среднего квадрата отклонений как раз и равен дисперсии. Дисперсия и математическое ожидание связаны соотношением:

D(x) = M (x2 ) -[M (x)] Дисперсия имеет размерность квадрата случайной величи ны. Поэтому для более наглядной характеристики рассеяния ис пользуют корень квадратный из дисперсии, который называется среднеквадратичным отклонением (с.к.о.): = D.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин Дисперсия - наиболее широко применяемая оценка рассея ния случайных величин. Это связано с тем, что она обладает свойством аддитивности, то есть дисперсия суммы статистиче ски независимых случайных величин равна сумме дисперсий этих величин, безотносительно к разнообразию законов распре деления каждой из суммируемых величин и возможной дефор мации законов распределения при суммировании. Отметим, что среднеквадратичное отклонение не аддитивно.

Таким образом, для того, чтобы рассеяния случайных вели чин можно было суммировать аналитически, эти рассеяния должны быть представлены своими дисперсиями, а не кван тильными (доверительными) отклонениями.

Однако, конечная дисперсия существует только у тех распределений, у которых при x ± плотность вероятности спадает как 1/ | x |3+ или круче, где - сколь угодно малое положительное число. При более пологих, чем 1/ | x |3+ спадах, определяющий дисперсию интеграл расходится.

1.8. Показатели формы распределения - коэффициент асим метрии.

При изучении формы распределения случайной величины важно выяснить, симметрична ли относительно центра распределе ния кривая плотности вероятности. Показателем степени несим метричности этой кривой является безразмерная величина, назы ваемая коэффициентом асимметрии. Коэффициент асимметрии обозначается как или As. Рассмотрим на качественном уровне понятие асимметрии.

В случае, если кривая плотности вероятности имеет крутой ле вый и пологий правый спад, говорят, что распределение имеет по ложительную асимметрию. В этом случае координаты показате лей центра распределения располагаются на оси абсцисс, как пра вило, следующим образом:

мода < медиана < математическое ожидание.

Если кривая плотности вероятности имеет пологий левый и крутой правый спад, распределение имеет отрицательную асим метрию. В этом случае для показателей центра распределения име ем:

математическое ожидание < медиана < мода.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин Наконец, у симметричных распределений, медиана, мода и ма тематическое ожидание совпадают.

Разумеется, все вышесказанное о соотношении показателей центра, справедливо только для тех распределений, у которых су ществует мода и/или математическое ожидание. Напомним, что понятие медианы применимо к любому распределению.

Существует несколько методов для оценки коэффициента асимметрии.

Оценка коэффициента асимметрии с помощью квантилей рас пределения Рассмотрим, например, интерквантильный промежуток с 90% ной вероятностью. Напомним, что он образован с помощью 5%-ной и 95%-ной квантилей распределения. Тогда соответствующий коэффициент асимметрии вычисляется по следующей формуле:

( - ) - ( - ) + x x x x x x 2x 0.95 0.50 0.50 0.05 0.95 0.05 0. = - x x x x 0.95 0.05 0.95 0. Разумеется, таким способом можно вычислить коэффициент асимметрии на любом интерквантильном промежутке, однако сле дует сказать, что подобная оценка будет зависеть от выбора интер квантильного промежутка, то есть, например, оценка на 90%-ном и на 50%-ном промежутках будут давать вообще говоря разные ре зультаты. Достоинством данного метода является то, что с его по мощью можно рассчитать коэффициент асимметрии для любого распределения.

Оценка коэффициента асимметрии с помощью третьего центрального момента распределения Если в качестве показателя центра распределения выбрано ма тематическое ожидание, то коэффициент асимметрии рассчитыва ют, используя третий центральный момент распределения.

В этом случае коэффициент асимметрии - это отношение третьего центрального момента (имеющего размерность куба слу чайной величины) к среднеквадратичному отклонению (размер ность которого совпадает с размерностью случайной величины), возведенному в третью степень.

Коэффициент асимметрии вычисляется по формулам:

- для дискретного распределения С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин - µ)3 pn (xn n = - для непрерывного распределения + (x - µ)3 p(x)dx = 1.9. Показатели формы распределения - эксцесс.

Чрезвычайно важным показателем формы распределения является безразмерный показатель, называемый эксцессом. Эксцесс обозначается как или Ex. Эксцесс характеризует:

- во-первых, остроту пика распределения, - во-вторых, крутизну спада хвостов распределения.

Если за точку отсчета принять нормальное распределение (которое будет подробно рассмотрено ниже), то распределения плотности вероятности можно условно разделить на три группы:

- островершинные, - средневершинные, - плосковершинные.

Островершинные распределения характеризуются более выраженным, чем у нормального распределения, пиком и полого спадающими, "тяжелыми" хвостами.

Средневершинные распределения незначительно отличаются от нормального.

Плосковершинные распределения имеют слабо выраженный пик или совсем не имеют пика и, соответственно, моды. Кроме того, они характеризуются резко спадающими хвостами.

Определим эксцесс как отношение четвертого центрального момента распределения к среднеквадратичному отклонению, воз веденному в четвертую степень. Эксцесс вычисляется по форму лам:

- для дискретного распределения - µ)4 pn (xn n = - для непрерывного распределения С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин + (x - µ)4 p(x)dx = Для различных законов распределения эксцесс может иметь значение от 1 до +. Нормальное распределение имеет эксцесс, равный трем.

Эксцесс удобно использовать для характеристики остроты пика и крутизны спадов хвостов распределения:

- островершинные распределения имеют эксцесс > 3, - средневершинные распределения имеют эксцесс 3, - плосковершинные распределения имеют эксцесс < 3, Часто в качестве эксцесса используют отношение четвертого центрального момента к четвертой степени среднеквадратичного отклонения, за вычетом числа три. Однако здесь и далее мы будем рассчитывать эксцесс по приведенным выше формулам.

1.10. Плотность распределения функции от случайной вели чины.

Пусть Х - это случайная величина, имеющая плотность распределения px (x). Найдем плотность распределения py (y) случайной величины Y, которая является функцией от Х.

Пусть функция y(x) монотонно возрастает. Тогда любой ин тервал (x1, x2 ) взаимно однозначно отображается на интервал ( y1, y2 ). Следовательно, вероятности попадания случайных вели чин Х и Y в соответствующие интервалы равны. В применении к малым интервалам это означает равенство дифференциалов веро ятности:

px (x)dx = py (y)dy dx Следовательно py (y) = px[x(y)] dy где x(y) - это функция, обратная функции y(x).

Если функция y(x) монотонно убывает, то положительному значению dx соответствует отрицательное значение dy.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин Следовательно, в уравнении равенства дифференциалов нужно заменить dy на -dy=|dy|. Это приводит к более общей зависимости:

dx py (y) = px[x( y)] dy Для иллюстрации вышесказанного рассмотрим несколько приме ров.

1) y(x) = ax + b, a В зависимости от знака параметра a эта функция может быть как монотонно возрастающей, так и монотонно убывающей.

Переменные х и y определены на всей числовой оси.

y - b dx x(y) = = a dy a 1 y - b py (y) = px | a | a 2) y(x) = x Эта функция является монотонно возрастающей. Переменные х и y определены на всей числовой оси.

dx x( y) = y1/ 3 = dy 3y2 / py (y) = px ( y1/ 3) 3y2 / 3) y(x) = ln(x) Эта функция является монотонно возрастающей. Переменная х определена на интервале от 0 до +. Переменная y определена на всей числовой оси.

dx x( y) = ey = ey dy py (y) = ey px (ey ) 4) y(x) = e- x Эта функция является монотонно убывающей. Переменная х определена на всей числовой оси. Переменная y определена на интервале от 0 до +.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин dx x(y) = -ln(y) = ln(1/ y) = dy y py (y) = px(ln(1/ y)) y > y py (y) = 0 y 5) y(x) = x Эта функция монотонно убывает на интервале от - до 0 и монотонно возрастает на интервале от 0 до +. Переменная х определена на всей числовой оси. Переменная y определена на интервале от 0 до +.

dx x < 0 : x( y) = - y1/ 2 = dy 2y1/ dx x 0 : x( y) = y1/ 2 = dy 2y1/ Следовательно 1 py (y) = px (- y1/ 2 ) + px (y1/ 2) y > 2y1/ 2 2y1/ py (y) = 0 y < 1.11. Математическое ожидание функции от случайной ве личины.

Математическое ожидание случайной величины Y, которая является функцией случайной величины Х, может быть вычис лено без нахождения плотности вероятности этой функции, то есть непосредственно по распределению случайной величины Х.

Если обозначить математическое ожидание случайной вели чины Y как µ, то справедливы следующие формулы:

y - для дискретного распределения µ M[y(x)] = y(xn ) pn y n - для непрерывного распределения С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин + µ M[y(x)] = y(x) p(x)dx y Заметим, что в общем случае µ y(µx ).

y 1.12. Линейное преобразование случайной величины.

В дальнейшем наиболее часто мы будем использовать линейное преобразование случайной величины, то есть преобразование вида y(x) = ax + b. В этом случае параметры распределения величин Х и Y связаны соотношениями:

µy = aµx + b Dy = a2 Dx = | a | y x Одним из важнейших примеров линейного преобразования является преобразование случайной величины к стандартному виду (нормирование):

x - µx t t(x) = x То есть случайная величина х с произвольным математическим ожиданием и произвольной дисперсией преобразуется в случайную величину t с нулевым математиче ским ожиданием и единичной дисперсией и среднеквадратич ным отклонением. Величина t называется стандартизованной (нормированной) случайной величиной.

1.13. Общие свойства случайных величин с произвольным законом распределения.

Независимо от закона распределения случайной величины существуют общие свойства распределений вероятностей. К ним можно отнести:

- неравенства, определяющие граничные значения вероятности попадания случайной величины в заданный интервал, - законы больших чисел, определяющие свойства достаточно большого количества случайных величин.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин Неравенство Чебышева Неравенство Чебышева определяет граничное значение вероятности попадания случайной величины x с произвольным законом распределения, имеющей математическое ожидание µ и дисперсию, в заданный интервал вокруг математического ожидания:

1 P{| x - µ | } P{| x - µ | } 1 2 Иными словами, вероятность того, что в некотором испытании случайная величина x окажется за пределами интервала, длина которого прямо пропорциональна с.к.о., убывает обратно пропорционально квадрату коэффициента пропорциональности.

Неравенство Чебышева определяет важность среднеквадратичного отклонения как характеристики рассеяния случайной величины относительно центра распределения.

Подставив в неравенство Чебышева несколько конкретных значений величины, получим, что для любых законов распределения с математическим ожиданием µ и дисперсией справедливо:

=1: P{| x - µ | } 1 P{| x - µ | } = 2 : P{| x - µ | 2} 1/ 4 P{| x - µ | 2} 3/ = 3: P{| x - µ | 3} 1/9 P{| x - µ | 3} 8/ Законы больших чисел Невозможно предвидеть, какое значение примет случайная величина в результате отдельного испытания. Однако, при достаточно большом количестве испытаний оценки по выборке параметров распределения случайных величин в достаточной степени утрачивают случайный характер. То же самое можно сказать и в отношении суммы большого количества случайных величин. При увеличении числа слагаемых колебания отдельных величин взаимно сглаживаются и закон распределения суммы приближается к нормальному С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 1. Вероятностное описание случайных величин распределению. Различные утверждения, относящиеся к этим предельным случаям носят названия законов больших чисел.

Теорема Бернулли Если в последовательности из N независимых испытаний вероятность p некоторого случайного события остается постоянной, то вероятность того, что отклонение эмпирической частоты этого события M / N от p не превзойдет заранее заданное число > 0 стремится к единице:

P M - p < = lim N N Теорема Чебышева Вероятность того, что отклонение среднего арифметического N независимых случайных величин с конечными дисперсиями от среднего арифметического их математических ожиданий не превзойдет заранее заданное число > 0 стремится к единице N N P 1 xk - < = µk lim N N N k =1 k = Из теоремы Чебышева следует, что с увеличением числа N среднее арифметическое случайных величин постепенно утрачивает характер случайной величины и все более стремится к константе.

Центральная предельная теорема (теорема Ляпунова) Распределение суммы N независимых случайных величин с конечными дисперсиями и с произвольными законами распределения стремится к нормальному распределению при N, если вклад отдельных слагаемых в сумму мал.

Теорема Ляпунова объясняет широкое распространение нормального закона распределения тем, что рассеяние случайных величин вызывается множеством случайных факторов, влияние каждого из которых ничтожно мало.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин 2. АНАЛИТИЧЕСКИЕ ЗАКОНЫ РАСПРЕДЕЛЕНИЯ СЛУЧАЙНЫХ ВЕЛИЧИН 2.1. Введение.

В этой главе мы рассмотрим наиболее употребительные за коны распределения случайных величин, а также основные па раметры этих законов. Будут даны методы поиска функции рас пределения вероятности случайной величины в случае неинтег рируемой плотности вероятности, а также алгоритмы получения последовательностей случайных величин с произвольным зако ном распределения, что необходимо при моделировании слу чайных процессов. Особое внимание будет уделено обобщенно му экспоненциальному распределению, которое наиболее при годно при изучении ценообразования активов.

2.2. Биномиальное распределение.

Пусть некоторое событие может иметь только два исхода, ко торые назовем "успех" и "неудача", при этом вероятность успеха равна p, вероятность неудачи равна (1- p).

Если проводится серия из N независимых испытаний, то ве роятность того, что успех в данной серии повторится x раз, а не удача (N - x) раз, будет равна произведению числа способов, ко торыми можно выбрать x из N, на вероятность того, что сначала x раз повторится успех, а затем (N - x) раз повторится неудача.

Следовательно, вероятность x успехов в N независимых испыта ниях равна:

N!

p(x) = px (1- p)N -x x = 0,1,..., N x!(N - x)!

Данная формула описывает биномиальный закон распределения случайной величины. Из формулы непосредственно следует, что биномиальный закон полностью характеризуется двумя парамет рами: количеством испытаний N и вероятностью успеха p. На рисунке приведена плотность биномиального распределения при N = 10 и различных значениях вероятности успеха p. Распреде ление является дискретным, поэтому точки соединены на графике лишь для наглядности.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин 0. p = 0. 0. p = 0. 0. p = 0. 0. 0. 0. 0. 0. 0. 0. 0. 0 1 2 3 4 5 6 7 8 9 Математическое ожидание и дисперсия биномиального рас пределения составляют:

µ = Np D = Np(1- p) Третий центральный момент данного распределения равен m3 = Np(1- p)(1- 2 p) Следовательно, коэффициент асимметрии составляет 1- 2 p = Np(1- p) Знак коэффициент асимметрии зависит от вероятности успеха p :

< 0, если p > 0. = 0, если p = 0. > 0, если p < 0. Если вероятность успеха p фиксирована, то коэффициент асим метрии 0 при количестве испытаний N для любой p.

Четвертый центральный момент данного распределения равен m4 = Np(1- p)[1+ 3(N - 2) p(1- p)]. Следовательно, эксцесс составляет 1+ 3(N - 2) p(1- p) = Np(1- p) С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин При количестве испытаний N эксцесс биномиального рас пределения стремится к числу три, то есть к эксцессу нормального распределения.

2.3. Распределение Пуассона.

Распределение Пуассона называют еще распределением ред ких событий. Ему подчиняются случайные величины, вероятность появления которых в отдельном испытании мала и постоянна.

Распределение Пуассона является предельным случаем бино миального распределения. Его можно применить, когда количество испытаний N достаточно велико, а вероятность успеха p мала, но так что произведение µ = Np - это некоторое конечное постоянное число.

Если мы обозначим математическое ожидание количества успехов за некоторый промежуток времени (или за некоторое количество испытаний) как µ, то вероятность получить x успехов за этот промежуток времени подчиняется распределению Пуассона:

x e-µ µ p(x) = x = 0,1,2,...

x!

Данное распределение зависит от единственного параметра µ, который может принимать конечные положительные значения.

Напомним, что величина x - это количество успехов, а потому дискретна.

Из формулы для распределения Пуассона непосредственно следует, что p(x +1) / p(x) = µ /(x +1). Если µ <1, то p(x +1) < p(x) при любом x и максимальное значение p(x) достигается при x = 0. Если же µ > 1, то p(x) сначала растет с увеличением x, достигая максимума при x µ, а затем убывает.

Математическое ожидание и дисперсия распределения Пуас сона равны µ.

Третий центральный момент m3 также равен µ.

Следовательно, коэффициент асимметрии составляет = 1/ µ, то есть распределение Пуассона имеет положитель ную асимметрию. Асимметрия стремится к нулю при µ.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин Четвертый центральный момент m4 = 3µ + µ. Следовательно, эксцесс составляет = 3 +1/ µ. При µ эксцесс распределения Пуассона стремится к числу три, то есть к эксцессу нормального распределения.

На рисунке приведена плотность распределения Пуассона при раз личных значениях математического ожидания. Распределение яв ляется дискретным, поэтому точки соединены на графике лишь для наглядности.

0. 0.45 мат. ожидание = 0. 0. мат. ожидание = 0. мат. ожидание = 0. 0. 0. 0. 0. 0. 0. 0 1 2 3 4 5 6 7 8 9 2.4. Равномерное распределение.

Если все значения непрерывной случайной величины в не котором интервале от a до b, равновероятны, то аналитически это можно записать в виде:

p(x) = 0 x < a, x > b p(x) = 1/(b - a) a x b Распределение с такой плотностью вероятности называется равномерным (равновероятным, прямоугольным). Данное распределение часто используют для качественного анализа статистических процессов.

Математическое ожидание и дисперсия равномерного распре деления составляют:

µ = (a + b) / D = (b - a)2 / С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин Медиана распределения совпадает с математическим ожиданием, моды не существует.

Коэффициент асимметрии и эксцесс равны: = 0, =1.8.

Для равномерного распределения можно в явном виде найти функцию распределения вероятностей:

F(x) = 0 x < a F(x) = (x - a) /(b - a) a x b F(x) = 1 x > b Встроенный в компьютер генератор псевдослучайных чисел выдает числа, равномерно распределенные в интервале от 0 до 1. С их помощью можно моделировать случайные процессы с произвольной функцией распределения. Подробнее о том, как это делается, будет рассказано далее в этой главе.

2.5. Нормальное распределение.

Одним из важнейших распределений, встречающихся в ста тистике, является нормальное распределение (распределение Гаусса), относящееся к классу экспоненциальных. Плотность вероятности этого распределения:

- µ) 1 (x - < x < + p(x) = exp Распределение имеет вид симметричной колоколообразной кри вой, распространяющейся по всей числовой оси. Распределение Гаусса зависит от двух параметров: (µ, ).

Математическое ожидание, медиана и мода данного рас пределения равны µ, а дисперсия. Кривая плотности веро ятности симметрична относительно математического ожидания.

Коэффициент асимметрии и эксцесс равны = 0, = 3.

Часто плотность нормального распределения записывают не как функцию переменной х, а как функцию переменной z = (x - µ) /, которая имеет нулевое математическое ожидание и дисперсию, равную 1. Плотность вероятности при этом равна:

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин 1 z p(z) = exp - Такое распределение называют стандартным нормальным рас пределением.

Плотность вероятности распределения Гаусса нельзя проин тегрировать для получения интегральной функции распределе ния вероятностей F(x) в явном виде. F(x) можно найти с исполь зованием:

- численных методов интегрирования функции р(х), - путем разложения функции р(х) в ряд с последующим ана литическим интегрированием этого ряда.

Широкое применение распределения Гаусса в статистике основано на доказанном в теории вероятностей утверждении, что случайная величина, являющаяся суммой большого числа независимых случайных величин с конечными дисперсиями и с практически произвольными законами распределения, распре делена нормально.

То есть условием использования нормального распределе ния для описания случайной величины являются ситуации, ко гда изучаемую случайную величину можно представить в виде суммы достаточно большого количества независимых слагае мых, каждое из которых мало влияет на сумму.

Распределение Гаусса можно использовать в качестве пер вого приближения для описания, например, логарифмов отно сительного изменения цен активов. Однако, только в качестве первого приближения, потому что на практике распределения этих величин отличаются от нормального, то есть имеют как правило более ярко выраженный пик и более "тяжелые" хвосты.

Следовательно эти распределения являются островершинными и имеют эксцесс, превышающий три (иногда очень существен но).

Вычисление нормального распределения с помощью Microsoft Excel Приведем несколько примеров вычисления характеристик нормального распределения. Все используемые функции можно найти в разделе "Статистические функции" электронных таблиц Microsoft Excel.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин Пусть случайная величина X подчиняется нормальному распределению с параметрами (µ, ).

1) Плотность распределения в точке X = x :

НОРМРАСП(х, µ,, ложь) 2) Вероятность того, что X x :

НОРМРАСП(х, µ,,истина) 3) Вероятность того, что X > x :

1- НОРМРАСП(х, µ,,истина) 4) Если известна вероятность того, что X x, то есть P = P{X x}, то соответствующее значение x можно вы числить как:

x = НОРМОБР(P, µ, ) 5) Для приведения нормально распределенной случайной ве личины к стандартному виду, то есть для вычисления z = (x - µ) / используется функция:

z = НОРМАЛИЗАЦИЯ(х, µ, ) Пусть случайная величина Z подчиняется стандартному нормальному распределению (µ = 0, = 1).

1) Вероятность того, что Z z :

НОРМСТРАСП(z) 2) Вероятность того, что Z > z :

1- НОРМСТРАСП(z) 3) Если известна вероятность того, что Z z, то есть P = P{Z z}, то соответствующее значение z можно вы числить как:

z = НОРМCTОБР(P) 4) Вероятность того, что - z Z z :

НОРМСТРАСП(z) - НОРМСТРАСП(-z) 5) Если известна вероятность того, что - z Z z, то есть P = P{-z Z z}, то соответствующее значение z мож но вычислить как:

z = НОРМCTОБР((1+ P) / 2) или С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин z = -НОРМCTОБР((1- P) / 2) 2.6. Логнормальное распределение.

Пусть х - нормально распределенная случайная величина с плотностью распределения:

- µ) 1 (x - < x < + px (x) = exp Тогда случайная величина у, связанная с величиной х соотноше нием y(x) = ex будет распределена логнормально. Заметим, что у может принимать значения только от 0 до +. Найдем основ ные параметры логнормального распределения.

Обозначим неизвестную пока плотность логнормального распределения через py (y), которую определим исходя из ра венства дифференциалов:

py ( y)dy = px (x)dx py ( y) = px[x( y)] dx / dy Так как x(y) = ln(y), и dx / dy =1/ y, для плотности вероятности логнормального распределения получается следующая формула:

1 (ln(y) - µ) py (y) = exp- 0 < y < + 2y Параметры логнормального распределения выражаются через параметры соответствующего распределения Гаусса следующим образом:

µy = exp(µ + / 2) 2 Dy = exp(2µ + ) (exp( ) -1) Me = exp(µ) Mo = exp(µ - ) Распределение имеет крутой левый и пологий правый спад, то есть имеет положительную асимметрию.

Как и в случае распределения Гаусса, плотность вероятно сти логнормального распределения нельзя проинтегрировать С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин для получения функции распределения вероятностей в явном виде.

Однако, значения интегральной функции логнормального распределения можно найти, используя значения интегральной функции распределения Гаусса, так как они связаны соотноше нием Fy (y) = Fx[ln(y)], или в явном виде:

y ln( y) py (t)dt = px (t)dt 0 Логнормальное распределение можно использовать в каче стве первого приближения для описания относительного изме нения цен активов, однако, с теми ограничениями, о которых было сказано при обсуждении распределения Гаусса.

2.7. Распределение Лапласа.

Еще одним типом экспоненциального распределения, наря ду с нормальным, является распределение Лапласа, плотность которого выражается формулой:

- µ x p(x) = exp- - < x < + 2 Как и распределение Гаусса, распределение Лапласа:

- зависит от двух параметров (µ, ), - математическое ожидание, медиана и мода данного рас пределения равны µ, а дисперсия, - кривая плотности вероятности симметрична относительно математического ожидания, коэффициент асимметрии ра вен нулю.

Однако эксцесс распределения = 6, то есть вдвое превышает эксцесс нормального распределения. Следовательно, распреде ление Лапласа островершинное, то есть имеет высокий пик и "тяжелые" хвосты.

Кроме того, плотность данного распределения интегрируе ма, и функция распределения может быть получена в явном ви де:

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин x - µ F(x) = 0.5 exp- x µ x - µ F(x) =1- 0.5 exp- x > µ Распределение Лапласа можно использовать для описания логарифмов относительного изменения цен активов, зачастую с большим успехом, чем нормальное распределение. Однако, с еще большей точностью, реальные распределения вероятностей описывает обобщенное экспоненциальное распределение, кото рое будет также рассмотрено в этой главе.

2.8. Распределение Коши.

Распределение Коши является одним из простейших зако нов распределения. Его плотность выражается формулой:

p(x) = b (1+ [(x - a) / b]2) Плотность распределения Коши имеет вид симметричной относительно точки x = a кривой, визуально очень похожей на плотность нормального распределения.

Кроме того р(х) интегрируема, поэтому функцию распреде ления Коши можно записать в явном виде и не прибегать при ее вычислении к помощи численных методов:

1 F(x) = + arctg[(x - a) / b] Казалось бы, распределение Коши выглядит очень привле кательно для описания и моделирования случайных величин.

Однако в действительности это не так. Свойства распределения Коши резко отличны от свойств распределения Гаусса, Лапласа и других экспоненциальных распределений.

Дело в том, что распределение Коши близко к предельно пологому. Напомним, что распределение называется предельно пологим, если при x ± его плотность вероятности p(x) 1/ | x |1+, где - сколь угодно малое положительное число. При более пологих, чем 1/ | x |1+ спадах, площадь под С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин кривой бесконечна, то есть не выполняется условие нормирования, и такие кривые не могут описывать плотность распределения вероятностей.

Для распределения Коши не существует даже первого начального момента распределения, то есть математического ожидания, так как определяющий его интеграл расходится. При этом распределение имеет и медиану и моду, которые равны параметру a.

Разумеется, дисперсия этого распределения (второй центральный момент) также равна бесконечности. На практике это означает, что оценка дисперсии по выборке из распределения Коши будет неограниченно возрастать с увеличением объема данных.

Из вышесказанного следует, что аппроксимация распределением Коши случайных процессов, которые характеризуются конечным математическим ожиданием и конечной дисперсией, неправомерна.

2.9. Распределение Парето.

Распределение Парето - это усеченное слева распределение, плотность вероятности и функция распределения которого выра жаются в виде:

x < B : p(x) = F(x) = x B > 0, > 0: p(x) = (B / x)1+ F(x) =1- (B / x) B Плотность р(х) распределения равна нулю при x < B, имеет мак симальное значение при x = B и монотонно убывает при x > B.

Распределение Парето можно модифицировать таким образом, чтобы его можно было использовать для описания симметричных распределений вероятностей.

Введя новую переменную t = x - B, получим p(t) = [B /(B + t)]1+ = [1/(1+ t / B)]1+ B B 0 t < +, B > 0, > Взяв величину t по модулю, эту формулу можно распространить на всю числовую ось, введя при этом нормировочный коэффициент 1/2.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин p(t) = [1/(1+ | t | / B)]1+ 2B - < t < +, B > 0, > Описываемое последней формулой распределение имеет центр в точке t = 0. Для распределения с центром в произвольной точке t = A получим p(t) = [1/(1+ | t - A | / B)]1+ 2B - < t < +, B > 0, > Итак, мы получили симметричное распределение, зависящее от трех параметров, с помощью которого можно описывать выборки случайных величин, в том числе с пологими спадами. Однако, это распределение обладает недостатками, которые были рассмотрены при обсуждении распределения Коши, а именно, математическое ожидание существует только при > 1, дисперсия конечна только при > 2, и вообще, конечный момент распределения к-го порядка существует при > k.

2.10. Обобщенное экспоненциальное распределение.

Выше в этой главе были рассмотрены два вида экспоненциальных распределений: Гаусса и Лапласа. У них много общего: они симметричны, зависят от двух параметров (µ, ), имеют конечные моменты любого порядка. Отличие же состоит в том, что из-за того, что переменная х возводится в разную степень под знаком экспоненты (в квадрат у распределения Гаусса и в пер вую степень у распределения Лапласа), эксцесс у них разный. На помним, что эксцесс характеризует остроту пика распределения и крутизну спада хвостов распределения. Возникает вопрос: можно ли записать формулу для плотности вероятности экспоненциального распределения в общем виде, то есть с произвольной положительной степенью переменной х под знаком экспоненты? Оказывается, такая формула существует:

x - µ p(x) = exp- - < x < + 2Г(1/) С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин = Г(1/ ) Г (3/ ) где Г(t) - это гамма-функция. О том, как вычисляется гамма функция, рассказано в ПРИЛОЖЕНИИ 2.1 к этой главе.

Распределение с приведенной выше плотностью вероятности мы будем называть обобщенным экспоненциальным распределением, которое характеризуется тремя параметрами:

- математическим ожиданием (медианой, модой) µ, - среднеквадратичным отклонением (дисперсией ), - показателем степени распределения.

Показатель степени характеризует форму распределения:

- при < 1 распределение имеет очень острый пик и очень пологие спады, - при = 1 распределение тождественно распределению Лапласа, - при = 2 распределение тождественно распределению Гаусса, - при > 2 распределение становится похожим на равнобедренную трапецию, то есть имеет плоскую вершину и резко спадающие хвосты, - при распределение тождественно равномерному распределению.

Эксцесс распределения однозначно определяется показателем сте пени : = Г(1/)Г(5/) /[Г(3/)]2.

Соответственно, из вычисленного по выборке случайных величин значения оценки эксцесса, можно определить оценку показателя.

Обычно в справочниках распределения Гаусса, Лапласа и рав номерное рассматриваются как разные распределения, хотя в изла гаемой здесь концепции - это одно и тоже распределение. Единст венным параметром, характеризующим форму (а значит и свойст ва) этих распределений является показатель.

В дальнейшем, если принята гипотеза о том, что плотность ве роятности случайной величины имеет экспоненциальный характер, для описания этой величины будем использовать именно обобщен ное экспоненциальное распределение.

На рисунке приведена плотность стандартного обобщенного экспоненциального распределения при различных значениях.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин 0. alpha = 1 (Лаплас) alpha = 2 (Гаусс) 0. alpha = 0. 0. 0. -4.0 -3.0 -2.0 -1.0 0.0 1.0 2.0 3.0 4. В общем случае плотность вероятности обобщенного экспо ненциального распределения нельзя проинтегрировать для получе ния функции распределения вероятностей F(x) в явном виде. F(x) можно найти с использованием:

- численных методов интегрирования функции р(х), - путем разложения функции р(х) в ряд с последующим аналити ческим интегрированием этого ряда.

О том, как это делается, будет рассказано в следующих параграфах.

Вычисление интегральной функции обобщенного экспоненци ального распределения в Microsoft Excel Не приводя доказательства скажем, что интегральная функция обобщенного экспоненциального распределения может быть выражена через интегральную функцию гамма-распределения (встроенная функция Excel) следующим образом:

x - µ x µ : F ( x) = 0.5 + 0.5 ГАММАРАСП,,1, ИСТИНА x - µ x < µ : F ( x) = 0.5 - 0.5 ГАММАРАСП,,1, ИСТИНА 2.11. Поиск интегральной функции распределения путем численного интегрирования плотности распределения.

Пусть дана случайная величина, которая подчиняется обоб щенному экспоненциальному распределению с параметрами С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин (µ,,), то есть плотность вероятности имеет вид:

x - µ p(x) = exp- - < x < + 2Г(1/) Требуется найти интегральную функцию распределения:

x F(x) = p(z)dz Прежде всего заметим, что задачу можно упростить, перейдя к переменной t = (x - µ) /. Случайная величина t имеет математи ческое ожидание, равное нулю, и дисперсию, равную единице.

Формулы для плотности вероятности и функции распределения примут вид:

p(t) = exp(- t ) - < t < + 2Г(1/) t F(t) = p(z)dz Для решения поставленной задачи достаточно:

- разбить всю область определения переменной t на N интерва лов, при этом узлы разбиения будут образовывать массив {Tk},k = 0,..., N.

- вычислить в узлах разбиения массив значений интегральной функции {Fk}, k = 0,..., N.

Тогда для произвольного значения переменной t, такого, что Tk t Tk+1 значение интегральной функции F(t) может быть при ближенно определено в виде:

F(t) = Fk + (t -Tk )(Fk +1 - Fk ) /(Tk +1 -Tk ) Так как между узлами разбиения величина F аппроксимируется линейной зависимостью, то интервал разбиения должен быть достаточно мал, то есть количество узлов разбиения достаточно велико.

Однако, плотность вероятности определена на всей числовой оси, а разбить бесконечный интервал на конечное количество ин тервалов конечной длины невозможно. Поэтому приближенно бу дем считать, что С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин p(t) = exp(- t ) - R t R 2Г(1/ ) p(t) = 0 t > R t F(t) = p(z)dz -R где величину 2R назовем размахом распределения.

Очевидно, интервал от - R до R можно трактовать как интерквантильный промежуток с некоторой близкой к единице доверительной вероятностью. Для обобщенного экспоненциального распределения половину размаха можно задать эмпирически полученной формулой:

R = 3 + 4.788 ( -1.8)2 / После введения понятия размаха распределения, все готово для на писания алгоритма решения задачи:

1) Задаем входные данные: показатель степени распределения и количество интервалов разбиения N (целое четное число).

2) Вычисляем эксцесс распределения = Г(1/)Г(5/) /[Г(3/)] 3) Вычисляем половину размаха распределения R = 3 + 4.788 ( -1.8)2 / 4) Вычисляем минимальное и максимальное значение пере менной t Tmin = -R Tmax = R 5) Вычисляем массив узлов на оси t Tk = Tmin + (Tmax -Tmin )k / N k = 0,..., N 6) Вычисляем номер центра распределения M = N / 7) Вычисляем массив значений плотности вероятности для k от 0 до М pk = exp(- Tk ) k =1,...,M 2Г(1/) p0 = С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин 8) Вычисляем вспомогательный массив, в котором величины pk суммируются нарастающим итогом для k от 0 до М k Sk = pi k = 0,..., M i= 9) Так как значение интегральной функции в центре распределе ния (то есть в узле с номером М) равно 0.5, то можно вычис лить левую часть массива, в котором содержится функция рас пределения Fk = 0.5 Sk / SM k = 0,..., M 10) Так как распределение симметрично относительно центра, вы числяем оставшуюся часть массива, в котором содержится функция распределения Fk =1- FN -k k = M +1,..., N Итак, мы получили массив значений случайной величины {Tk} и соответствующий ему массив интегральной функции распределения {Fk}, то есть задали функцию распределения в табличном виде.

Для произвольного значения переменной t значение инте гральной функции F(t) может быть определено по формулам:

t < T0 : F(t) = Tk t < Tk +1 k = 0,..., N -1:

F(t) = Fk + (t -Tk )(Fk +1 - Fk ) /(Tk +1 -Tk ) t TN : F(t) = Напомним, что переменная t имеет нулевое математическое ожидание и единичную дисперсию. Переменная х с произвольными математическим ожиданием и дисперсией связана с переменной t соотношением x = µ + t.

2.12. Поиск интегральной функции распределения путем разложения плотности распределения в ряд с последующим аналитическим интегрированием этого ряда.

Задачу, поставленную в предыдущем параграфе, можно решить путем разложения стоящей под знаком интеграла функции в ряд Тейлора с последующим интегрированием этого С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин ряда. Итак, нам нужно проинтегрировать обобщенное экспонен циальное распределение (µ = 0, =1) :

p(t) = exp(- t ) - < t < + 2Г(1/) t F(t) = p(z)dz Так как плотность распределения симметрична относитель но центра, для нахождения интегральной функции распределе ния достаточно вычислить t t q(t) = p(z)dz = (- )dz exp (z / ) = 2Г(1/) 0 t t / = (- )d(z (- )dy exp (z / ) / ) = exp y 2Г(1/) 2Г(1/) 0 Функцию под знаком интеграла можно разложить в ряд Тейлора следующим образом:

k exp(- y )= (-1) yk k!

k = Подставив это разложение под знак интеграла и проведя интег рирование, получим k + q(t) = (-1) (t / )k 2Г(1/ ) k! k + k = Практически, суммирование производится не до, а до некото рого k=N, такого, что 1 (t / )N + N! N + где - это некоторое наперед заданное малое положительное число (точность вычисления). То есть мы должны вычислить частичную сумму ряда.

Функция распределения F(t) связана с q(t) соотношениями:

t 0 : F(t) = 0.5 + q(t) t < 0 : F(t) = 0.5 - q(| t |) С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин 2.13. Моделирование с помощью равномерного распределе ния случайных чисел с произвольной плотностью распреде ления.

Встроенный в компьютер генератор псевдослучайных чисел выдает числа, равномерно распределенные в интервале от 0 до 1.

Так как любая интегральная функция распределения F(x) имеет область значений от 0 до 1, то с помощью равномерного распределения можно получить случайное число с произвольным законом распределения путем решения обратной задачи, то есть восстанавливая по известному значению F(x) значение х. В качестве примера будем моделировать случайную величину, подчиняющуюся обобщенному экспоненциальному распределению. Для решения этой задачи будем использовать результаты, полученные в двух предыдущих параграфах.

Постановка задачи Дано случайное число z, равномерно распределенное на интервале от 0 до 1.

Требуется получить число x, подчиняющееся обобщенному экспоненциальному распределению, с параметрами (µ,,).

Решение путем предварительного численного интегрирования плотности распределения, то есть задания функции распреде ления в табличном виде.

Для получения искомого числа x, найдем сначала вспомогательное число t, которое подчиняется обобщенному экс поненциальному распределению, с параметрами (µ = 0, =1).

Для этого по методике, изложенной в параграфе 2.11, получим массив значений случайной величины {Tk} и соответствующий ему массив интегральной функции распределения {Fk}, то есть зададим функцию распределения в табличном виде. Для произ вольного значения переменной t значение интегральной функции F(t) может быть определено как:

t < T0 : F (t) = Tk t < Tk +1 k = 0,..., N - 1 :

F (t) = Fk + (t - Tk )( Fk +1 - Fk ) /(Tk +1 - Tk ) t TN : F (t) = С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин На интервале T0 t TN величины t и F связаны линейно.

Если принять, что величина t не может быть меньше T0 и не может быть больше TN, то можно получить обратную зависимость t(F) в виде:

F = 0 : t(F) = T F = 1: t(F) = TN Fk F < Fk +1 k = 0,..., N -1:

t(F) = Tk + (F - Fk )(Tk +1 -Tk ) /(Fk +1 - Fk ) Если считать, что полученная с помощью генератора случайных чисел величина z является значением функции рас пределения F в некоторой точке t, то величина t может быть найдена по приведенным выше формулам, где вместо перемен ной F подставлена величина z. Искомое число х вычисляется как x = µ + t.

Решение методом итераций, с использованием вычисления функции распределения через ряд Тейлора.

Как и в предыдущем случае, для получения искомого числа x, найдем сначала вспомогательное число t, которое подчиняется обобщенному экспоненциальному распределению, с параметрами (µ = 0, =1).

В параграфе 2.12 было показано, что можно вычислить функ цию распределения F(t) в точке t с требуемой точностью как частичную сумму соответствующего ряда. Теперь нам нужно решить обратную задачу, то есть по известному значению F(t) найти неизвестное значение t. Точнее, в соответствии с условиями поставленной задачи, мы должны решить относительно t уравнение F(t) - z = 0.

Для численного решения этого уравнения мы используем ме тод деления пополам. Для того, чтобы приступить к решению этим методом, необходимо задать конечный интервал, в котором должен лежать корень уравнения. В качестве области возможных значений t выберем интервал от -R до R, где 2R - это рассмотренный выше размах распределения. Считаем, что F(-R) = 0, F(R) =1.

Численное решение уравнения F(t) - z = 0 с заданной точностью означает, что достаточно найти такое t, при котором С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин F(t) - z, где - это некоторое наперед заданное малое поло жительное число (точность вычисления).

Решение состоит в последовательном повторении шагов (итераций), до тех пор, пока не будет достигнута необходимая точность:

1) Задаем начальные величины граничных значений переменных t и F Tmin = -R Fmin = Tmax = R Fmax = 2) Вычисляем текущее значение t как среднее значение между Tmin и Tmax t = (Tmin +Tmax ) / 3) Вычисляем по методике из параграфа 2.12 величину F(t) 4) Проверяем условие F - z. Если неравенство справедливо, то необходимая точность решения достигнута и текущее значение t является решением.

5) В случае F - z > изменяем значения величин Tmin, Tmax, Fmin, Fmax:

- если F < z, то Tmin = t, Fmin = F Tmax, Fmax остаются без изменения - если F > z, то Tmin, Fmin остаются без изменения Tmax = t, Fmax = F 6) Возвращаемся на шаг 2.

После того, как необходимая точность вычисления величины t дос тигнута, искомое число x находится как x = µ + t. На практике чаще всего необходимо получить не отдельное случайное число x с заданным законом распределения, а последовательность таких чисел {xk}, k = 0,..., N. Это необходимо, как правило, при моде лировании случайных процессов. В этом случае описанные в дан ном параграфе процедуры нужно повторить соответствующее ко личество раз.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин ПРИЛОЖЕНИЕ 2.1. Гамма-функция Эйлера.

Гамма-функция, обобщающая понятие факториала, является одной из важнейших специальных функций. Для произвольного положительного x, значение Г(x) задается формулой:

+ -t x- Г(x) = t dt x > e В этом приложении мы рассмотрим алгоритм вычисления гам ма-функции. Данный алгоритм основан на следующем ее свой стве: Г(х +1) = х Г(х) для любого x > 0. Это свойство по зволяет свести вычисление Г(x) от любого x к вычислению гамма-функции на интервале 1 x 2, на котором ее можно аппроксимировать полиномом пятой степени:

Г(x) = a0 + a1x + a2 x2 + a3x3 + a4 x4 + a5 x a0 = 3. a1 = -6. a2 = 6. a3 = -3. a4 = 0. a5 = -0. Область значений величины x > 0 можно разбить на три интервала, на каждом из которых Г(x) вычисляется следующим образом:

1) 1 x В этом случае, Г(x) непосредственно вычисляется с помо щью приведенного выше полинома.

2) 0 < x < В этом случае, Г(x) = Г(x +1) / x, и так как 1 < x +1< 2, то Г(x +1) вычисляется с помощью полинома.

3) x > В этом случае величину х можно представить в виде x = N + z, где С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 2. Аналитические законы распределения случайных величин N - это целая часть x ( N 2 ), z - это дробная часть x ( 0 < z <1).

Тогда Г(х) Г(N + z) = (N + z -1)Г(N + z -1) =... = N - = Г (1+ z) + z - k) (N k = и так как 1< z +1< 2, то Г(z +1) вычисляется с помощью полинома.

Вычисление гамма-функции с помощью Microsoft Excel В Microsoft Excel гамма-функцию можно вычислить, используя следующую комбинацию функций:

Г(х) = ЕХР(ГАММАНЛОГ(х)) С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 3. Специальные распределения вероятностей 3. СПЕЦИАЛЬНЫЕ РАСПРЕДЕЛЕНИЯ ВЕРОЯТНОСТЕЙ 3.1. t-распределение Стьюдента.

Плотность распределения Стьюдента описывается формулой:

Г(( +1) / 2) -( +1) / p(x) = (1+ x2 / 2) - < x < + Г( / 2) Распределение имеет вид колоколообразной кривой, симметричной относительно точки t = 0, и зависит от единственного параметра, который принято называть числом степеней свободы. Приведем значения основных характеристик распределения Стьюдента:

Математическое ожидание, 0 при > медиана, мода Дисперсия при > - Коэффициент асимметрии Эксцесс 3( - 2) при > ( - 4) При числе степеней свободы, распределение Стьюдента стремится к стандартному нормальному распределению, то есть к нормальному распределению с центром 0 и дисперсией 1.

Типичная интерпретация 1) Пусть случайная величина Х имеет нормальное распределение с математическим ожиданием µ и дисперсией.

Если имеется выборка этой случайной величины (x1, x2,..., xN ), то состоятельными и несмещенными оценками математического ожидания и дисперсии по выборке будут следующие величины:

N N 1 X = = - X ) xk (xk N N - k =1 k = С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 3. Специальные распределения вероятностей xk - µ X - µ Тогда случайные величины t = и t = будут / N подчиняться распределению Стьюдента с = N -1 степенями свободы.

2) Пусть случайные величины Х и Y имеют нормальное распределение с математическими ожиданиями и дисперсиями 2 (µx, ) и (µ, ) соответственно.

x y y Если имеются выборки этих случайных величин (x1, x2,..., xN ) и (y1, y2,..., yN ), то состоятельной и несмещенной оценкой коэффициента корреляции между этими величинами по выборке будет:

N - X )(yk - Y ) (xk k = = N N - X )2 - Y ) (xk (yk k =1 k = Тогда случайная величина t = N - 2 будет 1- подчиняться распределению Стьюдента с = N - 2 степенями свободы.

Вычисление распределения Стьюдента с помощью Microsoft Excel Приведем несколько примеров вычисления характеристик распределения Стьюдента. Все используемые функции можно найти в разделе "Статистические функции" электронных таблиц Microsoft Excel.

Пусть случайная величина X подчиняется распределению Стьюдента с числом степеней свободы.

1) Вероятность того, что X x :

1- СТЬЮДРАСП(x,,1) 2) Вероятность того, что X > x :

СТЬЮДРАСП(x,,1) С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 3. Специальные распределения вероятностей 3) Вероятность того, что - x X x, вычисляется как:

P = 1- СТЬЮДРАСП(x,,2) 4) Вероятность того, что | X | > x, равна:

q = СТЬЮДРАСП(x,,2) Величина q - это вероятность того, что случайная величина X попадает в критическую область распределения Стьюдента.

5) Если известна вероятность q того, что | X | > x, то соответствующее значение x равно:

x = СТЬЮДРАСПОБР(q, ) 6) Если известна вероятность q того, что X > x, то соответствующее значение x равно:

x = СТЬЮДРАСПОБР(2q, ) 3.2. 2-распределение.

Плотность 2-распределения задается формулой:

x < 0 : p(x) = x( -2) / 2 exp(- x / 2) x > 0 : p(x) = Г( / 2) 2 / Плотность зависит от единственного параметра, который принято называть числом степеней свободы. Приведем значения основных характеристик распределения:

Математическое ожидание Мода - 2 ( 2) Дисперсия Коэффициент асимметрии 2 2 / Эксцесс 3 + С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 3. Специальные распределения вероятностей При числе степеней свободы, 2-распределение стремится к нормальному распределению с центром и дисперсией 2.

Типичная интерпретация Пусть случайная величина Х имеет нормальное распределение с математическим ожиданием µ и дисперсией.

Если имеется выборка этой случайной величины (x1, x2,..., xN ), то состоятельными и несмещенными оценками математического ожидания и дисперсии по выборке будут следующие величины:

N N 1 X = = - X ) xk (xk N N - k =1 k = N Тогда случайная величина = - µ) / ) будет ((xk k = подчиняться 2-распределению с = N степенями свободы, а 2 случайная величина = (N -1) ( / ) будет подчиняться 2-распределению с = N -1 степенями свободы.

Вычисление 2-распределения с помощью Microsoft Excel Приведем несколько примеров вычисления характеристик 2-распределения. Все используемые функции можно найти в разделе "Статистические функции" электронных таблиц Micro soft Excel.

Пусть случайная величина X подчиняется 2 распределению с числом степеней свободы.

1) Вероятность того, что X x, вычисляется как:

P = 1- ХИ 2РАСП(x, ) 2) Вероятность того, что X > x, равна:

q = ХИ 2РАСП(x, ) Величина q - это вероятность того, что случайная величина X попадает в критическую область 2-распределения.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 3. Специальные распределения вероятностей 3) Если известна вероятность P или вероятность q, то соответствующее значение x, определяющее границу интервала X x равно:

x = ХИ 2ОБР(q, ) или x = ХИ 2ОБР(1- P, ) 3.3. F-распределение (распределение v2).

Плотность F-распределения задается формулой:

x < 0 : p(x) = x > 0 :

Г((1 + ) / 2) 1 / 2 -(1 + ) / -2) / 2 p(x) = (1 / ) (1+ (1 / ) x) 2 Г(1 / 2)Г( / 2) x( Плотность F-распределения зависит от двух параметров (1, ), которые принято называть числом степеней свободы.

Приведем значения основных характеристик F-распределения:

Математическое при > ожидание 2 - Мода 2 (1 - 2) при1 > 1( + 2) Дисперсия 22 (1 +2 - 2) при2 > 1( - 2)2(2 - 4) Типичная интерпретация Пусть случайные величины Х и Y имеют нормальное 2 распределение с дисперсиями и соответственно.

x y Если имеются выборки этих случайных величин (x1, x2,..., xN ) и ( y1, y2,..., yM ), то состоятельными и несмещенными оценками дисперсий по выборке будут следующие величины:

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 3. Специальные распределения вероятностей N N 2 1 = - X )2 = - Y ) x (xk y (yk N -1 M - k =1 k = Пусть выборочная дисперсия величины Х больше выборочной дисперсии величины Y. Тогда случайная величина 2 F = / будет подчиняться F-распределению с x y 1 = N -1, = M -1 степенями свободы.

Вычисление F-распределения с помощью Microsoft Excel Приведем несколько примеров вычисления характеристик F-распределения. Все используемые функции можно найти в разделе "Статистические функции" электронных таблиц Micro soft Excel.

Пусть случайная величина X подчиняется F-распределению с числом степеней свободы 1,.

1) Вероятность того, что X x, вычисляется как:

P = 1- FРАСП(x,1, ) 2) Вероятность того, что X > x, равна:

q = FРАСП(x,1, ) Величина q - это вероятность того, что случайная величина X попадает в критическую область F-распределения.

3) Если известна вероятность P или вероятность q, то соответствующее значение x, определяющее границу интервала X x равно:

x = FРАСПОБР(q,1, ) или x = FРАСПОБР(1- P,1, ) С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 4. Оценка параметров распределения по выборке случайной вели чины 4. ОЦЕНКА ПАРАМЕТРОВ РАСПРЕДЕЛЕНИЯ ПО ВЫ БОРКЕ СЛУЧАЙНОЙ ВЕЛИЧИНЫ 4.1. Введение.

Эта глава посвящена методам оценки по эмпирической вы борке параметров распределения случайной величины. Будут указаны формулы для оценки центра распределения, дисперсии и показателей формы распределения, а также практические приемы удаления аномальных значений (промахов) из выборки.

4.2. Оценки центра распределения.

По возможности наиболее точная оценка центра распреде ления по выборке случайных величин исключительно важна, так как центр распределения используется в формулах для вычисле ния дисперсии, среднеквадратичного отклонения, коэффициента асимметрии и эксцесса распределения. Некорректное определе ние центра влечет за собой ошибки в определении всех этих ве личин.

Оценку центра распределения по выборке можно проводить различными способами. Не зная априорно закона распределения случайной величины, невозможно заранее указать наиболее приемлемый способ. К тому же, некоторые из этих оценок чув ствительны к наличию аномальных значений в выборке (прома хов).

Поэтому для корректной оценки центра распределения мы будем вычислять его пятью различными способами. После этого пять полученных оценок упорядочим по возрастанию и выберем из них в качестве центра распределения серединное, то есть третье по счету, значение.

Выборку случайных величин будем обозначать как {xk}, k =1,..., N. Упомянутые выше пять оценок центра по вы борке следующие:

- медиана Хмедиана, - центр 50%-ного интерквантильного промежутка (центр сги бов) Хцентр_сгибов, - среднее арифметическое по всей выборке X, С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 4. Оценка параметров распределения по выборке случайной вели чины - среднее арифметическое по 50%-ному интерквантильному промежутку X50%, - центр размаха Хцентр_размаха.

Серединное значение этих оценок будем обозначать как ХЦЕНТР.

Медиана Перед вычислением медианы выборка {xk} должна быть упорядочена по возрастанию, после чего медиану можно опре делить следующим образом:

- если объем выборки N является нечетным, то X = x( N +1) / медиана - если объем выборки N является четным, то X = (xN / 2 + x( N / 2)+1) / медиана Медиана нечувствительна к промахам в выборке.

Центр 50%-ного интерквантильного промежутка (центр сгибов) Перед вычислением этой оценки выборка {xk} также должна быть упорядочена по возрастанию. Обозначим как М четвертую часть от объема выборки, то есть M=ЦЕЛОЕ(N/4).

Тогда центр сгибов определяется по формуле:

Xцентр сгибов = (xM +1 + xN -M ) / Центр сгибов нечувствителен к промахам в выборке.

Среднее арифметическое по всей выборке Среднее арифметическое (выборочная средняя) является самым распространенным методом оценки центра распределения:

N X = xk N k = Эта величина является несмещенной и состоятельной оценкой математического ожидания (генеральной средней) µ случайной переменной х. Несмещенность заключается в том, что математическое ожидание величины X равно µ. Состоятель С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 4. Оценка параметров распределения по выборке случайной вели чины ность заключается в том, что при объеме выборки N, значение величины X µ.

Среднее арифметическое случайных величин само является случайной величиной. Дисперсия и среднеквадратичное отклонение среднего арифметического зависят от дисперсии и среднеквадратичного отклонения самой случайной величины и объема выборки:

D(X ) = D / N = / N (X ) = / N Это соотношение справедливо для независимых данных с конечной дисперсией и с любым законом распределения. Таким образом, с.к.о. среднего значения меньше, чем с.к.о. самой случайной величины в N раз. Из этого следует, что точность оценки можно повысить путем увеличения объема выборки. Среднее арифметическое не защищено от промахов. Особенно большое влияние на него оказывают промахи при малом объеме выборки.

При увеличении объема эта оценка становится все более устойчивой.

Среднее арифметическое по 50%-му интерквантильному промежутку Перед вычислением этой оценки выборка {xk} должна быть упорядочена по возрастанию. Данная оценка является аналогом предыдущей, но усреднение проводится по усеченной на 25% слева и справа выборке. Если обозначить как М четвертую часть от объема выборки, то есть M=ЦЕЛОЕ(N/4), то N -M X50% = xk N - 2M k =M + Среднее арифметическое по 50%-ному интерквантильному про межутку нечувствительно к промахам в выборке.

Центр размаха Центр размаха определяется как среднее между максимальным и минимальным значением в выборке:

Xцентр размаха = [max(xk ) + min(xk )]/ С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 4. Оценка параметров распределения по выборке случайной вели чины Центр размаха не защищен от промахов в выборке. Более того, в отличие от среднего арифметического, объем выборки оказывает гораздо меньшее влияние на точность этой оценки.

4.3. Оценка дисперсии и среднеквадратичного отклонения.

Оценки дисперсии и среднеквадратичного отклонения по выборке случайной величины {xk}, k =1,..., N вычисляются по формулам:

N D = - X ) (xk N - k = = D В случае небольших выборок и при наличии промахов вместо среднего арифметического X следует применять ХЦЕНТР.

Эти оценки называют еще выборочной дисперсией и выборочным с.к.о. Они определяют рассеяние случайной величины, однако сами также являются случайными величинами со своими показателями рассеяния.

Приближенные формулы для вычисления дисперсии и с.к.о.

выборочной дисперсии, а также дисперсии и с.к.о. выборочного с.к.о. следующие:

m4 D(D) (D) = D(D) N m4 D( ) ( ) = D( ) 4N где m4 - это оценка четвертого центрального момента распределения, которая приведена в следующем параграфе.

4.4. Оценка коэффициента асимметрии и эксцесса.

Оценки третьего и четвертого моментов распределения по вы борке {xk}, k =1,..., N определяются как:

N N m3 = - X ) (xk (N -1)(N - 2) k = С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 4. Оценка параметров распределения по выборке случайной вели чины N N - 2N + m4 = - X )4 (xk (N -1)(N - 2)(N - 3) k = N N 3(2N - 3) - - X )2 - X ) (xk (xk N(N -1)(N - 2)(N - 3) k =1 k = Следовательно, оценки коэффициента асимметрии и эксцесса можно найти по формулам:

N 1 N = - X ) (xk (N -1)(N - 2) k = N 1 N - 2N + 3 3(2N - 3)(N -1) = - X )4 (xk (N -1)(N - 2)(N - 3) N(N - 2)(N - 3) k = В случае небольших выборок и при наличии промахов вместо среднего арифметического X следует применять ХЦЕНТР.

Дисперсии оценок коэффициента асимметрии и эксцесса можно оценить как:

6(N -1) D( ) = (N +1)(N + 3) 24N(N - 2)(N - 3) D( ) = (N -1)2 (N + 3)(N + 5) Считается, что если | | / D( ) > 3, то распределение несим метрично. Если же | | / D( ) < 3, то асимметрия несущест венна и ее наличие может быть объяснено случайностью выбор ки.

4.5. Исключение промахов из выборки.

Промахами в выборке случайных величин будем называть аномально отклоняющиеся от центра распределения значения по сравнению с основной массой данных.

В применении к ценам активов, эти аномалии могут быть вызваны сменой президента или правительства, банкротством крупных компаний, террористическими актами и т.п.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 4. Оценка параметров распределения по выборке случайной вели чины Решение о том, фильтровать промахи или нет, каждый при нимает для себя сам. Однако следует учесть, что промахи могут существенно исказить оценку параметров распределения.

В этом параграфе излагается формализованная процедура удаления аномальных величин из выборки. Прежде всего, вве дем понятие коэффициента цензурирования. Коэффициент цен зурирования - это безразмерная величина G, такая, что все зна чения из выборки {xk }, лежащие за пределами интервала X - G x X + G, считаются промахами и ЦЕНТР ЦЕНТР подлежат исключению из выборки.

Интуитивно понятно, что коэффициент цензурирования должен зависеть от объема выборки и рассчитанного по выборке значения эксцесса. Действительно, такое отклонение от центра, которое является промахом для средневершинного (а тем более плосковершинного) распределения, для островершинного распределения с его длинными "тяжелыми" спадами может безусловно принадлежать выборке.

Эмпирическая формула для коэффициента цензурирования как функции от объема выборки N и эксцесса, пригодная к применению для широкого класса распределений следующая:

G =1.55 + 0.8 lg(N /10) -1.

Теперь все готово для написания алгоритма удаления промахов из выборки:

1) Вычислить величину ХЦЕНТР, 2) Вычислить оценку среднеквадратичного отклонения, при этом в качестве центра распределения использовать ХЦЕНТР, 3) Вычислить оценку эксцесса, при этом в качестве центра распределения использовать ХЦЕНТР, 4) Вычислить коэффициент цензурирования G, 5) Исключить из выборки значения, лежащие за пределами интервала X - G x X + G ЦЕНТР ЦЕНТР После удаления промахов нужно пересчитать параметры распределения. При этом в качестве центра распределения уже можно использовать среднее арифметическое X, как состоя тельную и несмещенную оценку математического ожидания.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы 5. СТАТИСТИЧЕСКИЕ ВЫВОДЫ 5.1. Введение.

Какие выводы о некотором параметре генеральной сово купности мы можем сделать, имея выборочное значение этого параметра? Ответ на этот вопрос зависит от того, имеем ли мы априорную информацию о величине генерального параметра.

Если априорная информация о величине генерального па раметра отсутствует, то мы можем по выборочному значению оценить этот параметр, задав для него доверительный интер вал, то есть границы, в которых его величина лежит с опреде ленной доверительной вероятностью.

Если есть априорные соображения о величине генерального параметра, то мы можем проверить гипотезу о том, соответст вует ли выборочная оценка априорному значению генерального параметра.

5.2. Выборочное распределение выборочной средней.

Пусть случайная величина Х имеет математическое ожидание µ и генеральную дисперсию. Оценками математического ожидания и дисперсии по выборке (x1, x2,..., xN ) будут выборочная средняя и выборочная дисперсия:

N N 1 X = = - X ) xk (xk N N - k =1 k = Рассмотрим случайную величину t = (X - µ) /( / N ). Так как M (X ) = µ и (X ) = / N, то эта случайная величина имеет нулевое математическое ожидание и единичную дисперсию.

Будем считать, что величина t подчиняется распределению Стьюдента с = N -1 степенями свободы, хотя в общем случае это утверждение некорректно. Дело в том, что строго говоря величина t подчиняется распределению Стьюдента только в случае когда выборка (x1, x2,..., xN ) взята из нормально распределенной совокупности.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы 5.3. Доверительный интервал для генеральной средней.

Доверительный интервал возможных значений величины t, характеризующийся доверительной вероятностью P или уровнем значимости q = 1- P, это такой интерквантильный промежуток tq / 2, t t1-q / 2,, внутри которого лежат 100P процентов всех значений случайной величины t, а 100q процентов лежат вне этого промежутка. При этом 100q / процентов лежит слева от tq / 2, и 100q / 2 процентов лежит справа от t1-q / 2,.

Величины tq / 2, и t1-q / 2, - это квантили распределения Стьюдента с = N -1 степенями свободы, причем, так как это распределение симметрично и имеет нулевое математическое ожидание, то tq / 2, = -t1-q / 2,. Используя последнее равенство и подставив значение t = (X - µ) /( / N ) получаем, что X - µ - t1-q / 2, t1-q / 2, / N Отсюда следует, что доверительный интервал для математического ожидания µ через выборочную среднюю и выборочное с.к.о. задается в виде:

X - t1-q / 2, µ X + t1-q / 2, N N Ширина доверительного интервала для математического ожидания очень существенно зависит от объема выборки.

Проиллюстрируем это на простом примере. Пусть в двух испытаниях получены одинаковые значения выборочной средней X = 1.2 и выборочного с.к.о. = 2.5. Но в первом случае эти данные были получены по выборке объемом N = 100, а во втором случае по выборке объемом N = 25.

Зададимся уровнем значимости q = 0.05.

Вычислим с помощью функций Microsoft Excel доверительные интервалы для математического ожидания:

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы 1) Большая выборка X =1.2 = 2.5 N = t1-q / 2, = СТЬЮДРАСПОБР(q, N -1) = = СТЬЮДРАСПОБР(0.05, 99) =1. 2.5 2. 1.2 -1.984 µ 1.2 +1. 100 0.704 µ 1. Ширина доверительного интервала = 1.696 - 0.704 = 0. 2) Малая выборка X =1.2 = 2.5 N = t1-q / 2, = СТЬЮДРАСПОБР(q, N -1) = = СТЬЮДРАСПОБР(0.05, 24) = 2. 2.5 2. 1.2 - 2.064 µ 1.2 + 2. 25 0.168 µ 2. Ширина доверительного интервала = 2.232 - 0.168 = 2. То есть для данных значений выборочной средней и выборочного с.к.о. увеличение объема выборки в 100/25=4 раза привело к уменьшению ширины доверительного интервала для математического ожидания в 2.064/0.992=2.08 раза.

5.4. Выборочное распределение выборочной дисперсии.

Пусть случайная величина Х имеет математическое ожидание µ и генеральную дисперсию. Оценками математического ожидания и дисперсии по выборке (x1, x2,..., xN ) будут выборочная средняя и выборочная дисперсия:

N N 1 X = = - X ) xk (xk N N - k =1 k = С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы 2 Рассмотрим случайную величину = (N -1) /. Эта величина подчиняется 2-распределению с = N -1 степенями свободы, если выборочная средняя X нормально распределена.

Для малых выборок это 2-распределение имеет положительную асимметрию, но с увеличением объема выборки его асимметрия стремится к нулю.

5.5. Доверительный интервал для генеральной дисперсии.

Доверительный интервал возможных значений величины, характеризующийся доверительной вероятностью P или уровнем значимости q = 1- P, это такой интерквантильный промежуток 2 2 q / 2, 1-q / 2,, внутри которого лежат 100P процентов всех значений случайной величины, а 100q процентов лежат вне этого промежутка. При этом 100q / 2 процентов лежит слева 2 от и 100q / 2 процентов лежит справа от 1-q / 2,.

q / 2, 2 2 Величины и 1-q / 2, - это квантили -распределения q / 2, с = N -1 степенями свободы. Подставив значение 2 = (N -1) / получаем, что q / 2, (N -1) 2 -q / 2, Отсюда следует, что доверительный интервал для генеральной дисперсии через выборочную дисперсию задается в виде:

2 (N -1) (N -1) 2 1-q / 2, q / 2, Пусть в испытании получено значение выборочного с.к.о.

= 2.5 по выборке объемом N = 25. Зададимся уровнем значимости q = 0.05.

Вычислим с помощью функций Microsoft Excel доверительный интервалы для генеральной дисперсии:

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы = 2.5 N = = N -1 = 25 -1 = q / 2 = 0.025 0.025, 24 = ХИ 2ОБР(1- 0.025, 24) =12. 1- q / 2 = 0.975 0.975, 24 = ХИ 2ОБР(1- 0.975, 24) = 39. 2.52 2 2. 24 39.36 12. 3.81 12. Ширина доверительного интервала = 12.10 - 3.81 = 8. 5.6. Статистическая проверка гипотез.

Статистическая гипотеза - это предположительное суж дение о закономерностях, которым подчиняется случайная ве личина. Мы будем рассматривать гипотезы о величине парамет ров закона распределения вероятностей и о его виде.

Статистическая проверка гипотез - это система приемов, предназначенных для проверки соответствия эмпирических данных некоторой статистической гипотезе. Процесс проверки базируется на формулировании 2-х гипотез - нулевой и альтер нативной:

- нулевая гипотеза H0 - это гипотеза, которая считается вер ной до тех пор, пока не будет доказано обратное исходя из результатов статистической проверки, - альтернативная гипотеза H1 - это гипотеза, которая при нимается, если в результате статистической проверки отвер гается нулевая гипотеза.

Критерий проверки Правило, по которому принимается или отклоняется нулевая гипотеза, называется статистическим критерием проверки.

Построение критерия определяется выбором некоторой функ ции Q от результатов наблюдений, которая служит мерой рас хождения между эмпирическими и теоретическими значениями.

Функция Q называется статистикой критерия и является случайной величиной.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы По распределению статистики Q находится такое значение Q0, что если гипотеза H0 верна, то вероятность того, что Q > Q0 равна q, где q - это заданный заранее уровень значи мости. Если Q Q0, то гипотеза H0 принимается, а если Q > Q0, то гипотеза H0 отвергается.

Ошибки 1-го и 2-го рода При решении вопроса о справедливости гипотезы H0 могут быть допущены ошибки двух видов:

- ошибка первого рода происходит тогда, когда отвергается верная гипотеза H0, - ошибка второго рода происходит тогда, когда принимается ложная гипотеза H0.

Уровень значимости Очевидно, что уровень значимости q - это вероятность ошибки первого рода. Если он чрезмерно велик, то в основном ущерб будет связан с ошибочным отклонением верной гипотезы H0, если же он чрезмерно мал, то ущерб будет возникать от оши бочного принятия ложной гипотезы H0. На практике в качестве уровня значимости выбирают вероятность в пределах от 0.01 до 0.1.

5.7. Проверка гипотез о величине генеральной средней.

Располагая априорными суждениями о величине генераль ной средней (математического ожидания) мы можем проверить гипотезу о том, соответствует ли выборочная средняя априор ному значению математического ожидания.

Проверка гипотезы о соответствии выборочной средней ап риорному значению математического ожидания может быть од носторонней (правосторонней или левосторонней) или двусто ронней:

- двусторонняя проверка используется в том случае, когда не обходимо проверить, равна ли выборочная средняя априор С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы ному значению математического ожидания, и гипотеза фор мулируется в виде:

H0 : X = µ H1 : X µ - правосторонняя проверка используется в том случае, когда необходимо проверить, что выборочная средняя больше, чем априорное значение математического ожидания, и гипотеза формулируется в виде:

H0 : X = µ H1 : X > µ - левосторонняя проверка используется в том случае, когда необходимо проверить, что выборочная средняя меньше, чем априорное значение математического ожидания, и гипо теза формулируется в виде:

H0 : X = µ H1 : X < µ Проиллюстрируем проверку гипотез на примерах.

Двусторонняя проверка гипотез 1) Априорная информация Математическое ожидание µ = 2) Результаты испытания N =100 X =1.2 = 2. 3) Гипотеза H0 : X = µ H1 : X µ 4) Принятая величина уровня значимости q = 0. 5) Критерий проверки X - µ t = / N 6) Правило принятия решения С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы Принять Н0, если - t1-q / 2, t t1-q / 2, В противном случае принять Н1, то есть Н1 принимается, когда критерий проверки t попадает в критическую область | t | > t1-q / 2,.

7) Расчет границ критической области t1-q / 2, = СТЬЮДРАСПОБР(q, N -1) = = СТЬЮДРАСПОБР(0.05, 99) = 1. 8) Расчет критерия проверки X - µ 1.2 - t = = = 0. / N 2.5/ 9) Проверка гипотезы Так как - t1-q / 2, t t1-q / 2,, то критерий проверки t = 0. не попадает в критическую область и мы принимаем гипоте зу Н0. Это означает, что при заданном уровне значимости выборочная средняя X = 1.2 статистически незначимо от личается от априорной величины математического ожида ния µ = 1.

Правосторонняя проверка гипотез 1) Априорная информация Математическое ожидание µ = 0. 2) Результаты испытания N =100 X =1.2 = 2. 3) Гипотеза H0 : X = µ H1 : X > µ 4) Принятая величина уровня значимости q = 0. 5) Критерий проверки X - µ t = / N 6) Правило принятия решения С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы Принять Н0, если t t1-q, В противном случае принять Н1, то есть Н1 принимается, когда критерий проверки t попадает в критическую область t > t1-q,.

7) Расчет границ критической области t1-q, = СТЬЮДРАСПОБР(2q, N -1) = = СТЬЮДРАСПОБР(2 0.05, 99) = 1. 8) Расчет критерия проверки X - µ 1.2 - 0. t = = = / N 2.5/ 9) Проверка гипотезы Так как t > t1-q,, то критерий проверки t = 2 находится в критической области и мы отвергаем гипотезу Н0 и прини маем гипотезу Н1. Это означает, что при заданном уровне значимости выборочная средняя X = 1.2 статистически значимо отличается от априорной величины математическо го ожидания µ = 0.7.

Левосторонняя проверка гипотез 1) Априорная информация Математическое ожидание µ = 1. 2) Результаты испытания N =100 X =1.2 = 2. 3) Гипотеза H0 : X = µ H1 : X < µ 4) Принятая величина уровня значимости q = 0. 5) Критерий проверки X - µ t = / N 6) Правило принятия решения С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы Принять Н0, если t -t1-q, В противном случае принять Н1, то есть Н1 принимается, когда критерий проверки t попадает в критическую область t < -t1-q,.

7) Расчет границ критической области - t1-q, = -СТЬЮДРАСПОБР(2q, N -1) = = -СТЬЮДРАСПОБР(2 0.05, 99) = -1. 8) Расчет критерия проверки X - µ 1.2 -1. t = = = -1. / N 2.5/ 9) Проверка гипотезы Так как t -t1-q,, то критерий проверки t = -1.2 не попа дает в критическую область и мы принимаем гипотезу Н0.

Это означает, что при заданном уровне значимости выбо рочная средняя X = 1.2 статистически незначимо отличает ся от априорной величины математического ожидания µ = 1.5.

5.8. Проверка гипотез о величине генеральной дисперсии.

Располагая априорными суждениями о величине генераль ной дисперсии мы можем проверить гипотезу о том, соответст вует ли выборочная дисперсия априорному значению генераль ной дисперсии.

Проверка гипотезы для дисперсии может быть односторон ней (правосторонней или левосторонней) или двусторонней:

- двусторонняя проверка используется в том случае, когда не обходимо проверить, равна ли выборочная дисперсия апри орному значению генеральной дисперсии, и гипотеза фор мулируется в виде:

H0 : = H1 : - правосторонняя проверка используется в том случае, когда необходимо проверить, что выборочная дисперсия больше, С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы чем априорное значение генеральной дисперсии, и гипотеза формулируется в виде:

H0 : = H1 : > - левосторонняя проверка используется в том случае, когда необходимо проверить, что выборочная дисперсия меньше, чем априорное значение генеральной дисперсии, и гипотеза формулируется в виде:

H0 : = H1 : < Проиллюстрируем проверку гипотез на примерах.

Двусторонняя проверка гипотез 1) Априорная информация Генеральная дисперсия = 2) Результаты испытания N = 25 = 2.5 = 6. 3) Гипотеза H0 : = H1 : 4) Принятая величина уровня значимости q = 0. 5) Критерий проверки = (N -1) 6) Правило принятия решения 2 2 Принять Н0, если 1-q / 2, q / 2, В противном случае принять Н1, то есть Н1 принимается, когда критерий проверки попадает в критическую об 2 2 2 ласть < или > 1-q / 2, q / 2, С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы 7) Расчет границ критической области 2 q / 2, = 0.025, 24 = ХИ 2ОБР(1- 0.025, 24) =12. 2 1-q / 2, = 0.975, 24 = ХИ 2ОБР(1- 0.975, 24) = 39. 8) Расчет критерия проверки 6. = (N -1) = 24 = 37. 9) Проверка гипотезы 2 2 Так как 1-q / 2,, то критерий проверки q / 2, = 37.50 не попадает в критическую область и мы при нимаем гипотезу Н0. Это означает, что при заданном уровне значимости выборочная дисперсия = 6.25 статистически незначимо отличается от априорной величины генеральной дисперсии = 4.

Правосторонняя проверка гипотез 1) Априорная информация Генеральная дисперсия = 3. 2) Результаты испытания N = 25 = 2.5 = 6. 3) Гипотеза H0 : = H1 : > 4) Принятая величина уровня значимости q = 0. 5) Критерий проверки = (N -1) 6) Правило принятия решения 2 Принять Н0, если 1-q, С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы В противном случае принять Н1, то есть Н1 принимается, когда критерий проверки попадает в критическую об 2 ласть > 1-q, 7) Расчет границ критической области 2 1-q, = 0.95, 24 = ХИ 2ОБР(1- 0.95, 24) = 36. 8) Расчет критерия проверки 6. = (N -1) = 24 = 41. 3. 9) Проверка гипотезы 2 2 Так как > 1-q,, то критерий проверки = 41.67 на ходится в критической области и мы отвергаем гипотезу Н и принимаем гипотезу Н1. Это означает, что при заданном уровне значимости выборочная дисперсия = 6.25 стати стически значимо отличается от априорной величины гене ральной дисперсии = 3.6.

Левосторонняя проверка гипотез 1) Априорная информация Генеральная дисперсия = 2) Результаты испытания N = 25 = 2.5 = 6. 3) Гипотеза H0 : = H1 : < 4) Принятая величина уровня значимости q = 0. 5) Критерий проверки = (N -1) 6) Правило принятия решения 2 Принять Н0, если q, С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 5. Статистические выводы В противном случае принять Н1, то есть Н1 принимается, когда критерий проверки попадает в критическую об 2 ласть < q, 7) Расчет границ критической области 2 = 0.05, 24 = ХИ 2ОБР(1- 0.05, 24) = 13. q, 8) Расчет критерия проверки 6. = (N -1) = 24 =16. 9) Проверка гипотезы 2 2 Так как q,, то критерий проверки = 16.67 не попадает в критическую область и мы принимаем гипотезу Н0. Это означает, что при заданном уровне значимости вы борочная дисперсия = 6.25 статистически незначимо отличается от априорной величины генеральной дисперсии = 9.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины 6. ИДЕНТИФИКАЦИЯ ЗАКОНА РАСПРЕДЕЛЕНИЯ ПО ВЫБОРКЕ СЛУЧАЙНОЙ ВЕЛИЧИНЫ.

6.1. Введение.

В данной главе будет рассмотрен вопрос о том, как по эм пирической выборке идентифицировать закон распределения случайной величины.

Подробно рассмотрена проблема группировки данных, то есть расчет оптимального количества интервалов группировки и оптимальной ширины интервала, а также построения по сгруп пированным данным гистограммы распределения.

Полученное эмпирическое распределение будет аппрокси мировано непрерывной аналитической функцией, то есть будет идентифицирован закон распределения случайной величины.

Также рассмотрено использование критериев согласия при идентификации закона распределения.

В качестве выборки случайной величины использована вы борка, состоящая из логарифмов относительного изменения ве личины индекса Российской торговой системы (индекса РТС) за период с 1 сентября 1995 года по 31 декабря 2002 года.

6.2. Группировка данных. Оптимальное число интервалов группировки.

Для расчета оценок математического ожидания, дисперсии, среднеквадратичного отклонения, коэффициента асимметрии и эксцесса (на основе моментов распределения) не требуется предварительного упорядочивания и группировки данных. Эти величины могут быть найдены непосредственно по исходной выборке.

Для определения медианы, квантилей распределения, для удаления промахов из выборки данные необходимо располо жить в порядке возрастания, то есть упорядочить выборку.

Группировка данных необходима для того, чтобы найти форму распределения, то есть, в конечном итоге идентифициро вать закон распределения.

В результате группировки выборка представляется в виде гистограммы, состоящей из L столбцов (интервалов С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины группировки), каждый из которых имеет ширину d. После нормирования гистограмма представляет собой эмпирическую плотность распределения случайной величины.

Из качественных соображений следует, что должно существовать оптимальное число интервалов группировки.

Действительно, при большом количестве столбцов и поэтому малой ширине столбца, из-за случайности выборки гистограмма будет заполнена очень неравномерно, иметь сильно изрезанный вид, состоять из большого количества всплесков и провалов.

При другой крайности, то есть очень малом числе столбцов большой ширины, гистограмма будет излишне сглаживать распределение, уничтожать его характерные особенности.

Например, если выбрать только один интервал группировки с шириной, равной размаху выборки, то любое распределение сведется к прямоугольному. Два столбца выбирать нельзя, так как любое симметричное распределение, как и в предыдущем случае, сведется к прямоугольному. Три столбца также дают мало информации о форме распределения.

Эти сугубо качественные рассуждения показывают, что должно существовать некоторое оптимальное количество интервалов группировки.

Если исходить из предположения, что генеральная совокупность, из которой получена данная конкретная выборка, имеет гладкую кривую плотности вероятности (это справедливо в большинстве случаев), то неравномерности гистограммы являются случайным шумом, обусловленным случайностью выборки. Увеличение ширины столбца и уменьшение количества столбцов фильтруют этот шум. Однако, дальнейшее увеличение ширины столбца начинает сглаживать уже само распределение.

Следовательно, определение оптимального числа интервалов группировки при построении гистограммы является задачей оптимальной фильтрации. При этом оптимальное количество столбцов гистограммы - это такое количество, при котором максимально возможное сглаживание случайного шума сочетается с минимальным искажением от сглаживания самого распределения.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины Оптимальное число столбцов должно зависеть не только от объема выборки, как это указано в большинстве пособий по статистике. Очевидно, что это число зависит еще и от формы распределения. Действительно, если плосковершинные распределения можно приблизить достаточно малым количеством столбцов, то для островершинных распределений с их длинными, пологими спадами это количество естественно должно быть больше.

Количество интервалов группировки должно быть нечетным числом. При четном числе столбцов область вблизи центра распределения будет описываться двумя симметрично расположенными относительно центра столбцами гистограммы, тем самым пик распределения будет неоправданно сглаживаться. Это особенно критично для островершинных распределений. Как уже говорилось выше, три столбца дают очень мало информации о форме распределения. Поэтому будем считать, что количество столбцов гистограммы должно быть нечетным числом не менее пяти.

Эмпирическая формула для оценки оптимального количества столбцов гистограммы как функции от объема выборки N и эксцесса, пригодная к применению для широкого класса распределений следующая:

+1. 0. L = N Вычисленное по этой формуле значение должно быть округлено вниз до ближайшего большего или равного пяти нечетного целого.

Используя значение L, ширину столбца гистограммы 2max(| xk - X |) можно найти по формуле: d = L 6.3. Построение гистограммы распределения.

Изложим алгоритм построения гистограммы по выборке случайных величин {xk}, k =1,..., N :

1) Упорядочить исходную выборку по возрастанию.

2) Вычислить оценки центра распределения:

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины Хмедиана, Хцентр_сгибов, X, X50%, Хцентр_размаха.

Упорядочить эти оценки по возрастанию и выбрать из них в качестве центра распределения серединное, то есть третье по счету, значение, которое обозначить как ХЦЕНТР.

3) Вычислить оценку среднеквадратичного отклонения N = - X ) (xk ЦЕНТР N - k = 4) Вычислить оценку эксцесса N 1 N - 2N + = - Х )4 (xk ЦЕНТР (N -1)(N - 2)(N - 3) k = 3(2N - 3)(N -1) N(N - 2)(N - 3) 5) Вычислить коэффициент цензурирования G =1.55 + 0.8 lg(N /10) - 6) Исключить из выборки все значения (промахи), лежащие за пределом интервала X - G x X + G ЦЕНТР ЦЕНТР Если в выборке присутствовали промахи, то ее объем уменьшился. Обозначим как {xk }, k = 1,..., M очищенную от промахов выборку (M N). Все дальнейшие операции будут проводиться с очищенной выборкой.

7) Заново вычислить параметры распределения M X = xk M k = M = - X ) (xk M - k = M 1 M = - X ) (xk (M -1)(M - 2) k = С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины M 1 M - 2M + = - X )4 (xk (M -1)(M - 2)(M - 3) k = 3(2M - 3)(M -1) M (M - 2)(M - 3) 8) Рассчитать оптимальное количество столбцов гистограммы +1. 0. L = M Полученное число округлить вниз до ближайшего большего или равного пяти нечетного целого.

9) Рассчитать левую и правую границы гистограммы X = X - max(| xk - X |) min X = X + max(| xk - X |) max 10) Рассчитать ширину столбца гистограммы X - X 2max(| xk - X |) max min d = = L L 11) Рассчитать массив узлов разбиения на оси х X = X + (i -1) d i min i = 1,..., L + Интервалы между соседними узлами являются интервалами разбиения.

12) Рассчитать количество случайных величин из выборки {xk }, k = 1,..., M, которое попадает в каждый из интервалов разбиения. В результате получится ненормированная гистограмма распределения или гистограмма частот. Она задана в виде массива, который обозначим как {si},i = 1,..., L.

13) В случае, если есть основания полагать, что плотность вероятности должна быть симметричной, и в подтверждение этого, вычисленный на шаге 7 коэффициент асимметрии незначительно отличается от нуля, то можно провести расчетное симметрирование гистограммы. Центральный столбец остается без изменения, а в симметричных С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины относительно него парах столбцов количество отсчетов усредняется.

14) Вычислить площадь S ненормированной гистограммы. Она должна быть равна произведению ширины столбца d на объем выборки M.

15) Нормировать гистограмму путем деления количества отсчетов в каждом столбце на S. Таким образом на этом шаге получена гистограмма плотности вероятности:

pi = si / S = si /(d M ) i = 1,..., L 16) Рассчитать значения интегральной функции распределения в узлах разбиения F1 Fi = Fi-1 + pi-1 d i = 2,..., L + Фактически, на этом шаге мы получили функцию распределения в табличном виде, то есть мы имеем массив значений случайной величины {X } и соответствующий i ему массив значений {Fi},i = 1,..., L +1.

6.4. Гистограмма логарифмов относительных изменений ин декса РТС.

Рассмотрим временной ряд, состоящий из последовательных значений цены некоторого актива {Pt},t = 0,...,T. Тогда цену в момент времени Т можно пред ставить, как P1 P2 Pt PT PT = P0......

P0 P1 Pt -1 PT - Движение цены актива - это случайный процесс, вызванный действиями большого количества участников рынка. Предполо жим, что отношения цен активов в любой момент времени яв ляются случайными величинами с одинаковым законом распре деления.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины Тогда по выборке этих случайных величин, которая может быть получена из ценового ряда, можно определить их закон распределения.

Но исследовать непосредственно отношение цен представ ляется не совсем удобным. Дело в том, что так как цена не мо жет упасть ниже нуля, то отношение цен также не может быть меньше нуля. С другой стороны, цена может сколь угодно силь но вырасти, то есть отношение цен может быть неограниченно большим. Этих качественных рассуждений достаточно, чтобы понять, что плотность вероятности отношения цен будет иметь положительную асимметрию. Однако, если мы перейдем к лога рифмам отношения цен, ситуация изменится.

P1 P2 Pt PT ln(PT ) - ln(P0) = ln( ) + ln( ) +... + ln( ) +... + ln( ) P0 P1 Pt -1 PT - Распределение логарифмов уже может быть симметрично и возможна его аппроксимация одним из аналитических законов распределения, которые были рассмотрены во второй главе.

В качестве примера ценового ряда рассмотрим индекс Рос сийской торговой системы (индекс РТС) за период с 1 сентября 1995 года по 31 декабря 2002 года. График этого ряда изображен на рисунке:

Индекс РТС Исследуемой выборкой случайных величин будут нату ральные логарифмы отношения цен закрытия индекса РТС.

С.В. Булашев. Статистика для трейдеров (электронная версия).

авг. окт. окт. дек. янв. сен. апр. ноя. сен. апр. мар. июн. июл. фев. Глава 6. Идентификация закона распределения по выборке случайной ве личины Подробный алгоритм вычисления параметров распределе ния, построения графиков плотности распределения и функции распределения рассмотрен в предыдущем параграфе, поэтому здесь приведем только результаты.

Наименование оценки Величина Центр распределения (математическое 0. ожидание) Среднеквадратичное отклонение 0. Коэффициент асимметрии -0. Эксцесс 7. Плотность вероятности -0.20 -0.10 0.00 0.10 0. Функция распределения 1. 0. 0. 0. 0. 0. -0.20 -0.10 0.00 0.10 0. С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины Отметим, что с.к.о. превышает математическое ожидание более чем в 46 раз, то есть исследуемая случайная величина яв ляется высоковолатильной. Распределение имеет очень неболь шую отрицательную асимметрию, которая вероятно носит слу чайный характер, поэтому гистограмма плотности вероятности была центрирована.

Эксцесс распределения существенно превышает эксцесс нормального распределения, то есть данное распределение яв ляется островершинным.

Гистограмма распределения имеет 27 столбцов. Для боль шей наглядности плотность вероятности приведена не в виде гистограммы, а как плавная линия, проходящая через середины интервалов разбиения.

6.5. Использование критериев согласия при идентификации закона распределения случайной величины.

После построения гистограммы распределения можно вы двинуть гипотезу о том, что данная гистограмма может быть ап проксимирована одним из изученных ранее законов распределе ния. При этом степень близости гистограммы и принятой анали тической модели может быть проверена с использованием кри териев согласия. Здесь будет рассмотрен один из этих критериев - критерий 2 Пирсона.

При использовании критерия согласия Пирсона необходимо вычислить величину:

L (Ti - si ) = Ti i= где L - количество столбцов гистограммы, si - фактическая частота попадания в i-й столбец, Ti - теоретическая частота попадания в i-й столбец.

Для идеально подобранной модели все разности (Ti - si ) равны нулю и, следовательно, величина 2 также равна нулю. Таким образом, ненулевое значение 2 является мерой суммарного рас хождения между фактическим распределением и моделью.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины Насколько велико это расхождение можно проверить, срав нив фактическое значение 2 с теоретической величиной 1-q,, которая определяет максимально возможное расхождение меж ду фактическими данными и моделью, соответствующее приня тому уровню значимости q.

Уровень значимости q определяет вероятность ошибки 1-го рода, то есть вероятность того, что будет отвергнута не проти воречащая эмпирическим данным модель.

Величина - это число степеней свободы 2 распределения. Число степеней свободы зависит от количества столбцов гистограммы эмпирических данных L и количества параметров r, описывающих теоретическую модель:

= L -1- r.

Величина 1-q, - это такая квантиль 2-распределения, что 100(1- q) процентов всех значений случайной величины лежат слева от 1-q,, а 100q процентов всех значений случайной величины 2 лежат справа от 1-q,.

2 Если 1-q,, то считают, что модель не противоречит фактическим данным при заданном уровне значимости.

2 Если > 1-q,, то считают, что при заданном уровне значимости модель не описывает удовлетворительным образом фактические данные и должна быть отвергнута.

Следует особо подчеркнуть, что при проверке модели по критерию согласия определенным является лишь отрицатель ный ответ, то есть отклонение модели.

Положительный ответ означает лишь то, что модель не про тиворечит эмпирическим данным. Это вовсе не означает, что именно этой моделью данные описываются на самом деле, что это наилучшая модель, что нельзя подобрать другую модель для описания данных и т.д. Фактически, положительный ответ при проверке по критерию согласия следует понимать как "возмож но эти данные описываются такой-то моделью", и не более того.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины Вернемся к полученной в предыдущем параграфе гисто грамме натуральных логарифмов относительного изменения це ны закрытия индекса РТС.

Гистограмма имеет ярко выраженный пик и достаточно по логие спады. Островершинность подтверждается еще и значени ем эксцесса, существенно превышающим эксцесс нормального распределения. Как нам уже известно, распределения с подоб ными характеристиками могут быть описаны обобщенным экс поненциальным распределением с показателем степени меньше двух.

Выдвинем гипотезу о том, что фактическое распределение описывается моделью x - µ p(x) = exp- - < x < + 2Г(1/) где математическое ожидание µ = 0. среднеквадратичное отклонение = 0. показатель степени = 0. Показатель степени был найден из значения оценки эксцес са распределения, так как для обобщенного экспоненциального распределения показатель степени и эксцесс имеют взаимно од нозначное соответствие:

= Г(1/)Г(5/) /[Г(3/)] Исследуемое эмпирическое распределение имеет 27 столб цов. Аналитическая модель имеет 3 параметра. Следовательно, число степеней свободы для критерия Пирсона равно = L -1- r = 27 -1- 3 = 23.

Фактические и теоретические частоты попадания в столбцы гистограммы дадим для наглядности в графическом виде.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 6. Идентификация закона распределения по выборке случайной ве личины Распределение фактических и теоретических частот Фактическая частота Теоретическая частота -0.20 -0.15 -0.10 -0.05 0.00 0.05 0.10 0.15 0. Фактическое значение = 35.635. Проверим гипотезу о 2 том, что 1-q,.

2 H0 : 1-q, 2 H1 : > 1-q, Пусть уровень значимости q = 0.01. Тогда граница крити ческой области вычисляется как:

1-q, = ХИ 2ОБР(0.01, 23) = 41. 2 Так как 1-q,, то исследуемое распределение при заданном уровне значимости можно аппроксимировать обобщенным экспоненциальным распределением.

В заключении следует сказать, что для ликвидных российских акций, торгующихся в РТС, таких как РАО ЕЭС, Лукойл, Сургутнефтегаз, Ростелеком, Мосэнерго, распределения логарифмов относительного изменения цены за крытия также можно описать обобщенным экспоненциальным распределением с соответствующим математическим ожиданием, среднеквадратичным отклонением и показателем степени.

С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 7. Корреляция случайных величин 7. КОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВЕЛИЧИН 7.1. Введение.

Существует два типа зависимостей между переменными:

функциональная (строго детерминированная) и статистическая (стохастически детерминированная).

В случае функциональной зависимости каждому значению одной переменной соответствует одно или несколько строго за данных значений другой переменной. Функциональная связь двух переменных возможна, если вторая переменная зависит от первой и ни от чего более. На практике таких связей не сущест вует, то есть функциональная связь является упрощающей ре альность абстракцией.

В случае статистической связи каждому значению одной величины соответствует определенное распределение вероятно сти другой величины. Это связано с тем, что в любой математи ческой модели на описываемый показатель влияют не только явным образом входящие в модель переменные, но и большое количество факторов, которые существуют в действительности, но не учитываются моделью, причем часть из этих факторов это случайные величины. Этим можно объяснить случайный ха рактер многих финансовых переменных и взаимосвязей между ними.

Важнейшим частным случаем статистической связи являет ся корреляционная связь, когда каждому значению одной пере менной соответствует определенное математическое ожида ние другой переменной, и при изменении значения одной вели чины математическое ожидание другой величины изменяется закономерным образом. Если же при изменении значения одной переменной закономерным образом изменяется другая стати стическая характеристика второй переменной (дисперсия, асим метрия, эксцесс и т.д.), то связь является статистической, но не корреляционной. Данная глава посвящена изучению линейной корреляционной связи между случайными величинами.

7.2. Функция регрессии.

Рассмотрим две непрерывные случайные величины Х и Y.

Тогда вероятность того, что в некотором испытании величина Х С.В. Булашев. Статистика для трейдеров (электронная версия).

Глава 7. Корреляция случайных величин окажется в интервале от x до x + dx, а величина Y окажется в интервале от y до y + dy равна pxy (x, y)dxdy. Величина pxy (x, y) называется плотностью двумерного распределения вероятностей величин Х и Y.

Для двумерного распределения вероятностей плотность распределения координат х и у выражается формулами:

Pages:     || 2 | 3 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.