بسیاری از سریهایِ مالی را میتوان ترکیبی از روند، الگویِ فصلی/تکراری و نوفه دید. تجزیه (decomposition) این اجزا را جدا میکند تا بفهمیم چه مقدار از تغییراتِ دیدهشده ساختار است و چه مقدار تصادف.
میانگین متحرک ساده و نمایی
میانگین متحرک ساده (SMA) میانگینِ n مقدارِ آخر است و به همهٔ آنها وزنِ برابر میدهد؛ تأخیرِ تقریبیِ آن (n−۱)/۲ دوره است. میانگینِ متحرکِ نمایی (EMA یا EWMA) به مقدارهایِ تازهتر وزنِ بیشتر میدهد:
St = α·Pt + (1−α)·St-1 ، که 0 < α < 1 . تعدادِ دورهٔ معادل تقریباً 2/α − 1 است.
این همان میانگین متحرکی است که در درسهایِ اندیکاتورها دیدهاید، با این تفاوت که اینجا آن را «تخمینگرِ سطحِ پنهان» میبینیم و دربارهٔ تأخیر و خطایش حسابشده تصمیم میگیریم.
هموارسازی برایِ نوسان: روشِ EWMA
همین ایده را میشود برایِ واریانس بهکار برد: σt² = λ σt-1² + (1−λ) rt-1² . در روشِ معروفِ ریسکمتریکس λ = ۰٫۹۴ برایِ دادهٔ روزانه است. اگر واریانسِ دیروز ۱٫۰ و بازدهٔ دیروز ۲٪ باشد: 0.94×1 + 0.06×4 = 1.18 ؛ یعنی انحراف معیار ≈ ۱٫۰۹٪.
ابزارهایِ تجزیه و نکتههایِ خطرناک
| ابزار | کاربرد | خطر |
|---|---|---|
| SMA / EMA | برآورد سطح و روند | تأخیر؛ در بازارِ رنج سیگنالِ دروغ میدهد |
| میانگین متحرکِ مرکزی | تجزیهٔ تاریخی | از دادهیِ آینده استفاده میکند؛ در بکتست اریبیِ نگاهِ به آینده میسازد |
| فیلترِ هودریک–پرسکات (HP) | جداکردنِ روند و چرخه در کلاناقتصاد | انتهایِ نمونه را ناپایدار برآورد میکند؛ برایِ تصمیم زنده مناسب نیست |
| تجزیهٔ فصلی | الگوهایِ تکرارشونده (ساعتِ روز، پایانِ ماه) | اثرهایِ تقویمیِ بازار معمولاً ضعیف و ناپایدارند |
ema = px.ewm(alpha=0.2, adjust=False).mean() # EMA
var = (r**2).ewm(alpha=0.06, adjust=False).mean() # EWMA variance, lambda = 0.94
vol = var ** 0.5یادآوری: هر هموارسازی داده را «عقبافتاده» میکند. قاعدهٔ طلایی: برای هر محاسبه فقط از دادههایی استفاده کنید که در همان لحظه واقعاً در دسترس بود.
