Odhalování volatility pomocí acf grafů
Toto cvičení navazuje na předchozí příklad v R, kde jsme hledali viditelné znaky volatility ve finančních časových řadách. Pro výnosy Dow Jones z let 2008–11 uložené v djx a simulovaná data s normálním a t-rozdělením v ndata a tdata vypočítáš a zobrazíš výběrové autokorelační funkce (acf) pomocí příkazu acf().
V těchto grafech najdeš jen velmi málo důkazů o sériové korelaci – situace se ale dramaticky změní, když se podíváme na absolutní hodnoty nebo druhé mocniny výnosů. Skutečné výnosy v sérii Dow Jones djx se chovají výrazně odlišně od simulovaných dat. Sériová korelace v absolutních hodnotách nebo čtvercích výnosů je důsledkem volatility, která způsobuje, že po velkých výnosech následují další velké výnosy – ne nutně se stejným znaménkem.
djx, ndata a tdata jsou dostupné v tvém pracovním prostředí.
Toto cvičení je součástí kurzu
Kvantitativní řízení rizik v R
Pokyny k cvičení
- Nastav oblast pro vykreslování tak, aby zobrazovala 3 grafy najednou (tato část je již hotová).
- Vykresli výběrové acf pro
djxa simulovaná data s normálním a t-rozdělenímndataatdata. - Vykresli výběrové acf absolutních hodnot všech tří řad.
- Vykresli výběrové acf čtverců hodnot všech tří řad.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Set up a plot region to show 3 plots at a time
par(mfrow = c(3, 1))
# Plot the acfs of djx, ndata and tdata
___
___
___
# Plot the acfs of the absolute values
___
___
___
# Plot the acfs of the squares of the values
___
___
___