Классический гарч, фиксирует среднее в лог пространстве

Вместо этого он должен фиксировать среднее в линейном пространстве, выражение 𝑙𝑜𝑔𝐸[𝑒^𝑟] должно быть константой.

Проблема:
Среднее в лог и линейном пространстве связаны как 𝐸[𝑆𝑡/𝑆𝑡−1]=𝐸[𝑒^𝑟]=exp(𝜇+𝜎^2/2) это означает что при изменении волатильности должно также измениться одно из средних. Зафиксировав среднее в лог пространстве получаем прыжки среднего в линейном. Что противоречит наблюдаемой реальности, происходит совсем наоборот, среднее в линейном пространстве стабильно и меняется мало, а в лог пространстве меняется сильно.
Решение:
Зафиксировать 𝐸[𝑆𝑡/𝑆𝑡−1]. Такая версия гарч используется в риск нейтральных расчетах, но я думаю она должна также использоваться и в реальных вероятностях.
Иначе получается дич, что мы предполагаем что в каждый момент времени среднее ожидание прибыли дико прыгает в месте с волатильностью, и получается непонятное вычисление MLE для фиттинга. Судя по всему ошибка получается не особо большой и гарч боль менее работает, но если его поправить возможно он станет работать чуть лучше.
Я подробно
описал на другом форуме
Было бы интересно увидеть если кто исследовал точность и дает ли это улучшение. Я использую SV подобные модели вместо гарча, но все равно интересно есть ли разница...
ОБНОВЛЕНИЕ
Ошибка на дневных данных судя по всему минимальна и можно ее игнорировать.
На необычных фиттингах где период месяц, полгода, год, возможно больше.
E[S_t/S_t-1] ~ exp(σ_t^2)
Хотя для 1 дня σ маленькая и в целом влияние не существенно…
— 1/N портфель, равные доли разных активов, не допускать концентрации
— Защита пут опционами от движений за пределыы ожидаемых.
— Стресс тест с одновременным падением всех активов.
Мне хотелось сделать симуляцию и собрать оптимальный портфель (что Талеб называет maximum entropy), но не осилил, и пока ограничился пунктами выше.
— Как вы выбираете эти N, если оценки будут плюс минус киллометор и статистически будут перекрываться. При подходе в лоб вы просто выберите те, у которых случайно оказалась максимальная положительная ошибка и самая большой доверительный интервал оценок параметров используемых моделей. Классический Garbage in, garbage out
— Тут тоже много вопросов, даст ли это чего-то содержательно, как выбирать страйки и т. д.
— Ну сделали вы стресс тест и чего дальше? Минимальная проблема будет у портфеля из фондов ликвидности
Я не говорю, что это плохие подходы, но их нужно приземлять из абстрактных общих формулировок в практические реализации. А потом можно как-то итеративно улучшить усложнить модели оценок, где нужно. А копание в теории и тем более в заявлениях хайфпового писателя Талиба имеет мало практического смысла
2) По страйкам согласен, я не смог сделать выбор страйка автоматически и определяю каждый раз индивидуально, рассматривая графики drawdown, распределения и т.п.
3) Я использую стресс тест не для оптимизации, а как жесткую проверку, которая помогает обнаружить проблему, если где то защита упущена.
Я сейчас обновляю свои самобытные расчеты заменяя их на стандартные. Я умышленно не хотел сразу использовать готовые вещи чтобы лучше разобраться, хотя так получилось дольше и сложней. Некоторые вещи в стандартных подходах выглядят неожиданно.
В таких странных моментах приходится разбираться, поскольку неизвестно заранее — какой будет ошибка, может маленькая, а может большая, может она проявляется неравномерно только в некоторых случаях.
Талеб часто сопровождает высказывания формальными условиями, их можно проверить и показать что он ошибается. Но я пока не видел таких примеров. И хотя многие вещи были извесны в других работах, у Талеба на мой взгляд самое полное собрание ошибок.
Проблема в том что заранее не знаешь насколько большая ошибка, это становится известно только после того как ее разберешь.
Рынок про них знает и учитывает тяжелые хвосты, цены опционов их учитывают, недооцененных опционов нет.
Учитывать их нужно поскольку они меняют расчеты, например распред ошибки для фиттингов и регрессий нужно будет использовать не нормальное. Иначе регрессия будет перекошенной. Ну и много еще где проявляются
Достаточно ли этой информации чтобы обойти рынок? Нет, не достаточно. У очень многих такие модели.
Можно ли эту информацию использовать для принятия решений? Например чтобы выбрать более или меннее волатильные портфели? Или чтобы изменить структуру прибыли на нужную тебе? Да можно. Можно пустить часть прибыли на пут опционы, и профиль убытков и прибылей поменяется. Прошлая цена позволяет получить эту информацию в формальном численном виде.
Различаются ли модели предсказаний? Да, одни лучше, другие хуже. Они не дадут преимущества на рынке, но плохая модель может привести к неожиданным сюрпризам и ошибкам в расчетах которые на нее полагаются.
1 играть в ноль, менять структуру прибыли на нужную тебе, имея арифметич мат ожидание прибыли то же что и рынок. Я решаю восновном эту задачу.
2 обойти рынок, повысить срежнее ожид прибыли выше чем рынок. Рынок игра с нулевой суммой. Недостаточно сделать модель лучше чем у среднего участника рынка. Нужно сделать модель сравнимую с топовыми игроками рынка и конкурируя с ними забрать часть их добычи. Это сложно и маловероятно.
Либо можно попытаться играть в областях рынка слишком мелких и не интересных топовым игрокам, это более реально. Долгие сроки, неликвидные и сложно предсказуемые инструменты, анализ запутанной финотчетности — то что фондам типа Медальена не интересно.
Поэтому здесь работают совсем другие модели.На Америке 40 лет работал принцип Грэма и Бафета, что и сказалось на структурах моделей
Принцип Грема и Баффета основан не на корреляции, а на причинно следственной связи, анализе финотчетности и оценки стоимости компании. Он работает по прежнему.