Testowanie normalności dla dłuższych horyzontów czasowych
Gdy stopy zwrotu są sumowane w dłuższych okresach, pojawia się efekt centralnego twierdzenia granicznego – rozkład stóp zwrotu staje się wtedy coraz bardziej zbliżony do normalnego.
W tym ćwiczeniu użyjesz funkcji agregujących poznanych w pierwszym rozdziale, aby zagregować dane z djx_d, które zawierają dzienne logarytmiczne stopy zwrotu dla 29 spółek z indeksu Dow Jones w okresie 2000–2015. Następnie zastosujesz test Jarque'a-Bery do dziennych, tygodniowych i miesięcznych stóp zwrotu. Zbiór djx_d jest już wczytany do twojego środowiska.
To ćwiczenie jest częścią kursu
Ilościowe zarządzanie ryzykiem w R
Instrukcje do ćwiczenia
- Oblicz tygodniowe i miesięczne logarytmiczne stopy zwrotu dla
djx_di przypisz je odpowiednio dodjx_widjx_m. - Uzupełnij
apply(), aby obliczyć p-wartość testu Jarque'a-Bery dla każdej dziennej serii stóp zwrotu spółek z Dow Jones wdjx_d. - Zrób to samo dla tygodniowych stóp zwrotu z
djx_w. - Zrób to samo dla miesięcznych stóp zwrotu z
djx_m.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Calculate weekly and monthly log-returns from djx_d
djx_w <- ___(___)
djx_m <- ___(___)
# Calculate the p-value for each series in djx_d
apply(___, 2, function(v){jarque.test(v)$p.value})
# Calculate the p-value for each series in djx_w
apply(___, 2, function(v){jarque.test(v)$p.value})
# Calculate the p-value for each series in djx_m
apply(___, 2, function(v){jarque.test(v)$p.value})