Продолжаю сравнивать распределения изменения цены, логарифмы, отцентрированые пo среднему, для 360 и 30 дней, отдельно графики положительных изменений (зеленые) и отрицательных (красные). Сравнение с нормальным (полупрозрачные зеленые и красные линии), как видно — не совпадает, и ассиметрия также заметна.
Микрософт, 360 дней
Микрософт, 30 дней
Макдональдс 360 дней
Макдональдс 30 дней
Каждый график в двух маштабах, линейном и лог, на одном лучше видно голову, на другом хвост.
Я также сравнил с гауссовским миксом предложенным Талебом (0.5 * normal(0.9*sigma) + 0.5 normal(1.1* sigma)). Тоже не совпадает, линия получается практически та же что и просто нормальная. Это ожидаемо, но все равно интересно посмотреть.
Никак не доберусь до гиперболического распределения, но таки на днях думаю доделаю.
diff_not_centered_i = log(price_i/price_{i-duration})
diff_centered_i = diff_not_centered_i - mean(diff_not_centered)
right = diff_centered_i when diff_centered_i > 0
left = diff_centered_i when diff_centered_i < 0
Но мне нужно найти а) общую форму распределения («истинное» распределение) основываясь на десятках лет истории и «гадании/индукции/интуиции разглядывания графиков» и б) как откалибровать ее волатильность на текущей волатильности за последний год или месяцы.
Проблема с прямым измерением волатильности на текущий момент (скажем за последний месяц, или последнюю неделю) — она не поддается измерению напрямую, она не репрезентативна. Слишком мало данных.
Ее можно измерить только опосредственно. Используя «нерепрезентативный» замер текущей волатильности за скажем последний месяц, и затем калибруя по нему «истинное» распределение, чтобы получить настоящее, репрезентативное значение текущей волатильности.