Глава 3 Параметрическое оптимальное f при нормальном

распределении

Теперь, когда мы закончили рассмотрение эмпирических методов, а также характеристик торговли фиксированной долей, мы изучим параметрические методы. Эти методы отличаются от эмпирических тем, что в них не используется прошлая история в качестве данных, с которыми придется работать. Мы просто наблюдаем за прошлой историей для создания математического описания распределения исторических данных. Это математи­ческое описание основывается на том, что произошло в прошлом, а также на том, что, как мы ожидаем, произойдет в будущем. В параметрических методах мы имеем дело с этими математическими описаниями, а не с самой прошлой историей. Математические описания, используемые в параметрических методах, называются распределениями вероятности. Чтобы использовать параметрические методы, мы должны сначала изучить распределения вероятности. Затем мы перейдем к изучению очень важного типа распределения, нормального распределения. Мы узнаем, как найти оптимальное/и его побочные продукты при нормальном распределении.

Основы распределений вероятности

Представьте себе, что вы находитесь на ипподроме и ведете запись мест, на которых лошади финишируют в забегах. Вы записываете, какая лошадь пришла первой, какая второй и так далее для каждого забега. Учитываются только первые десять мест. Если лошадь пришла после десятой, то вы запишете ее на десятое место. Через несколько дней вы соберете достаточное количество информации и увидите распределение финишных мест для каждой лошади. Теперь вы можете взять полученные данные и нанести на график. По горизонтальной оси будут отмечаться места, на которых лошадь финишировала, слева на оси будет наихудшее место (десятое), а справа наилучшее (первое). На вертикальной оси мы будем отмечать, сколько раз беговая лошадь финишировала в позиции, отмеченной на горизонтальной оси. Вы увидите, что построенная кривая будет иметь колоколообразную форму.

При таком сценарии есть десять возможных финишных мест для каждого за­бега. Мы будем говорить, что в этом распределении — десять ячеек (bins). Посмот­рим, что произойдет, если вместо десяти мы будем использовать пять ячеек. Пер­вая ячейка будет для первого и второго места, вторая ячейка для третьего и четвер­того места и так далее. Как это отразится на результатах?

Использование меньшего количества ячеек при том же наборе данных в резуль­тате дало бы распределение вероятности с тем же профилем, что и при большом количестве ячеек. То есть графически они бы выглядели примерно одинаково. Од­нако использование меньшего количества ячеек уменьшает информационное со­держание распределения, и наоборот, использование большего количества ячеек повышает информационное содержание распределения. Если вместо финишных

позиций лошадей в каждом забеге мы будем записывать время, за которое пробежала лошадь, округленное до ближайшей секунды, то получим не десять ячеек, а больше, и, таким образом, информационное содержание распределения увеличится.

Если бы мы записали точное время финиша, а не округленное до секунд, то могли бы построить непрерывное распределение. При непрерывном распределении нет ячеек. Представьте непрерывное распределение как серию бесконечно малых ячеек (см. рисунок 3-1). Непрерывное распределение отличается от дискретного, которое является ячеистым распределением. Хотя создание ячеек уменьшает информационное содержание распределения, в реальной жизни это единственно возможный подход для обработки ячеистых данных, поэтому на практике приходится жертвовать частью информации, сохраняя при этом профиль распределения. И наконец, вы должны понимать, что можно взять непрерывное распределение и сделать его дискретным путем создания ячеек, но невозможно дискретное распределение переделать в непрерывное.

Когда мы имеем дело с торговыми прибылями и убытками, то чаще всего рас­сматриваем непрерывное распределение. Сделка может иметь множество исходов (хотя мы можем округлить цены до ближайшего цента). Для того чтобы работать с таким распределением, потребуется разбить данные на ячейки, например шириной 100 долларов. Такое распределение имело бы отдельную ячейку для сделок, прибыли которых оказались ниже 99,99 доллара, другую ячейку для сделок от 100 до 199,99 доллара и так далее. При таком подходе будет определенная потеря информации, но профиль распределения торговых прибылей и убытков не изменится.

 

Рисунок 3-1

ячеек.

Непрерывное распределение является серией бесконечно малых

Величины, описывающие распределения

Многие из вас наверняка знакомы со средним, или, если говорить точнее, средним арифметическим (arithmetic mean). Это просто сумма значений, соответствующих точкам распределения, деленная на количество точек данных:

N

(3.01)    A = (£ X,)/N,

где  А = среднее арифметическое;

X. = значение, соответствующее точке i;

N = общее число точек данных в распределении.

Среднее арифметическое является самым распространенным из набора величин, оценивающих расположение (location) или центральную тенденцию (central tendency) тела данных распределения. Однако вы должны знать, что среднее арифметическое является не единственным доступным измерением центральной тенденции, и зачастую не самым лучшим. Среднее арифметическое обычно оказывается плохим выбором, когда распределение имеет широкие хвосты (tails1). Если при исследовании распределения с очень широкими хвостами вы случайным образом будете выбирать точки данных для расчета среднего, то, проделав это несколько раз подряд, увидите, что средние арифметические, полученные таким способом, заметно отличаются друг от друга. Еще одной важной величиной, определяющей расположение распределения, является медиана (median). Медиана описывает среднее значение, когда данные расположены по порядку в соответствии с их величиной. Медиана делит распределение вероятности на две половины таким образом, что площадь под кривой одной половины равна площади под кривой другой половины. В некоторых случаях медиана лучше задает центральную тенденцию, чем среднее арифметическое. В отличие от среднего арифметического медиана не искажается крайними случайными значениями. Более того, медиану можно рассчитать даже для распределения, в котором все значения выше заданной ячейки попадают в определенную ячейку. Примером такого распределения является рассмотренный выше забег лошадей. Любое финишное место после десятого записывается в десятое место. Медиана широко используется в Бюро Переписи США. Третьей величиной, определяющей центральную тенденцию, является мода (mode) — наиболее часто повторяющееся событие (или значение данных). Мода — это пик кривой распределения. В некоторых распределениях нет моды, а иногда есть более чем одна мода. Как и медиана, мода в некоторых случаях может лучше всего описывать центральную тенденцию. Мода никак не зависит от крайних случайных значений, и ее можно рассчитать быстрее, чем среднее арифметическое или медиану. Мы увидели, что медиана делит распределение на две равные части. Таким же образом распределение можно разделить тремя квартилями (quartiles), чтобы получить четыре области равного размера или вероятности, или девятью децилями (deciles), чтобы получить десять областей равного размера или вероятности, или 99 перцентилями (percentiles) (чтобы получить 100 областей равного размера или вероятности), 50-й перцентиль является медианой и вместе с 25-м и 75-м перцен­тилями дает нам квартили. И наконец, еще один термин, с которым вы должны познакомиться, — это квантиль (quantile). Квантиль — это некоторое число N-1, которое делит общее поле данных на N равных частей. Теперь вернемся к среднему. Мы обсудили среднее арифметическое, которое измеряет центральную тенденцию распределения. Есть и другие виды средних, они реже встречаются, но в определенных случаях также могут оказаться предпочтительнее. Одно из них — это среднее геометрическое (geometric mean), расчет которого дан в первой главе. Среднее геометрическое является корнем степени N из произведения значений, соответствующих точкам распределения.

N

(3.02)    G =

i=l

1 Область больших отклонении. — Прим. ред

Как и в случае с центральной тенденцией, существует много способов измере­ния разброса. Далее мы рассмотрим семь из них, начиная с наименее распростра­ненных вариантов и заканчивая самыми распространенными.

Широта (range) распределения — это просто разность между самым высоким и самым низким значением распределения. Таким же образом широта перцентиля 10-90 является разностью между 90-й и 10-й точками. Эти первые две величины измеряют разброс по крайним точкам. Остальные пять измеряют отклонение от центральной тенденции (т.е. измеряют половину разброса).

Семи-интерквартильная широта (sem-interquartile range), или квартальное отклонение (quartile deviation), равна половине расстояния между первым и третьим квартилями (25-й и 75-й перцентили). В отличие от широты перцентиля 10-90, здесь широта делится на два.

Полуширина (half-width) является наиболее распространенным способом изме­рения разброса. Сначала надо найти высоту распределения в его пике (моде), затем найти точку в середине высоты и провести через нее горизонтальную линию перпендикулярно вертикальной линии. Горизонтальная линия пересечет кривую распределения в одной точке слева и в одной точке справа. Расстояние между эти­ми двумя точками называется полушириной.

Среднее абсолютное отклонение (mean absolute deviation), или просто среднее отклонение, является средним арифметическим абсолютных значений разности значения каждой точки и среднего арифметического значений всех точек. Другими словами (что и следует из названия), это среднее расстояние, на которое значение точки данных удалено от среднего. В математических терминах:

N

(3.06)  M=1/N^ABS(X.-A),

i=l

где  М = среднее абсолютное отклонение; N = общее число точек данных;

X. = значение, соответствующее точке i;

А = среднее арифметическое значений точек данных;

ABS() = функция абсолютного значения.

Уравнение (3.06) дает нам совокупное среднее абсолютное отклонение. Вам сле­дует знать, что можно рассчитать среднее абсолютное отклонение по выборке. Для расчета среднего абсолютного отклонения выборки замените 1 / N в уравнении (3.06) на 1 / (N - 1). Используйте эту версию, когда расчеты ведутся не по всей совокупности данных, а по некоторой выборке.

Самыми распространенными величинами для измерения разброса являются дисперсия и стандартное отклонение. Как и в случае со средним абсолютным от­клонением, их можно рассчитать для всей совокупности и для выборки. Далее показана версия для всей совокупности данных, которую можно легко переделать в выборочную версию, заменив l/NHal/(N-l). Дисперсия (variance) чем-то напоминает среднее абсолютное отклонение, но при расчете дисперсии каждая разность значения точки данных и среднего значения возводится в квадрат. В результате, нам не надо брать абсолютное значение каждой разности, так как мы автоматически получаем положительный результат, независимо от того, была эта разность отрицательной или положительной. Кроме того, так как в квадрат возводится каждая из этих величин, крайние выпадающие значения оказывают большее влияние на дисперсию, а не на среднее абсолютное отклонение. В математических терминах:

(3.07)  V=1/

где  V = дисперсия;

N = общее число точек данных;

X. = значение, соответствующее точке i;

А = среднее арифметическое значений точек данных.

Стандартное отклонение (standard deviation) тесно связано с дисперсией (и, следовательно, со средним абсолютным отклонением). Стандартное отклонение является квадратным корнем дисперсии.

Третий момент распределения называется асимметрией (skewness), и он опи­сывает асимметричность распределения относительно среднего значения (рисунок 3-2). В то время как первые два момента распределения имеют размерные ве­личины (то есть те же единицы измерения, что и измеряемые параметры), асим­метрия определяется таким способом, что получается безразмерной. Это просто число, которое описывает форму распределения.

Положительное значение асимметрии означает, что хвосты больше с положи­тельной стороны распределения, и наоборот. Совершенно симметричное распре­деление имеет нулевую асимметрию.

Отрицательный

          Положительный

Скос = О

Рисунок 3-2 Асимметрия

Среднее

Рисунок 3-3  Асимметричное распределение

В симметричном распределении среднее, медиана и мода имеют одинаковое значе­ние. Однако когда распределение имеет ненулевое значение асимметрии, оно может принять вид, показанный на рисунке 3-3. Для асимметричного распределения (любого распределения с ненулевой асимметрией) верно равенство:

(3.08)  Среднее - Мода = 3 * (Среднее - Медиана)

Есть много способов для расчета асимметрии, и они часто дают различные ответы. Ниже мы рассмотрим несколько вариантов:

S == (Среднее - Мода) / Стандартное отклонение

S = (3 * (Среднее - Медиана)) / Стандартное отклонение

Уравнения (3.09) и (3.10) дают нам первый и второй коэффициенты асимметрии Пирсона. Асимметрия также часто определяется следующим образом:

N

(3.11)    S = l/NX«(Xi-A)/D)A3),

i=l

где  S = асимметрия;

N = общее число точек данных;

X = значение, соответствующее точке i;

А = среднее арифметическое значений точек данных;

D = стандартное отклонение значений точек данных.

И наконец, четвертый момент распределения, эксцесс (kurtosis) (см. рисунок 3-4), измеряет, насколько у распределения плоская или острая форма (по сравнению с нормальным распределением). Как и асимметрия, это безразмерная величина. Кривая, менее остроконечная, чем нормальная, имеет эксцесс отрицательный, а кривая, более остроконечная, чем нормальная, имеет эксцесс положительный. Когда пик кривой такой же, как и у кривой нормального распределения, эксцесс равен нулю, и мы будем говорить, что это распределение с нормальным эксцессом. Как и предыдущие моменты, эксцесс имеет несколько способов расчета. Наиболее распространенными являются:

(3.12)  K = Q/P,

где  К = эксцесс;

Q == семи-интерквартильная широта;

Р = широта перцентиля 10-90.

(3.13)  К = (1 / N (∑ (((X - АО / D)^ 4))) - 3,

где  К = эксцесс;

N = общее число точек данных;

X = значение, соответствующее точке i;

А = среднее арифметическое значений точек данных;

D = стандартное отклонение значений точек данных.

\        Эксцесс равен нулю

         

\

Эксцесс больше нуля

Эксцесс меньше нуля

Рисунок 3-4  Эксцесс

Наконец, необходимо отметить, что «теория», связанная с моментами распределе­ния, намного серьезнее, чем то, что представлено здесь. Для более глубокого пони­мания вам следует просмотреть книги по статистике, упомянутые в списке реко­мендованной литературы. Для наших задач изложенного выше вполне достаточно. До настоящего момента рассматривалось распределение данных в общем виде. Теперь мы изучим нормальное распределение.

Нормальное распределение

Часто нормальное распределение называют распределением Гаусса, или Муавра, в честь тех, кто, как считается, открыл его — Карл Фридрих Гаусс (1777-1855) и, веком ранее, что не так достоверно, Авраам де Муавр (1667-1754). Нормальное распределение считается наиболее ценным распределением, благодаря тому, что точно моделирует многие явления. Давайте рассмотрим приспособление, более известное как доска Галтона (рисунок 3-5). Это вертикально установленная доска в форме равнобедренного треугольника. В доске расположены колышки, один в верхнем ряду, два во втором, и так далее. Каждый последующий ряд имеет на один колышек больше. Колышки в сечении треугольные, так что, когда падает шарик, у него есть вероятность 50/50 пойти вправо или влево. В основании доски находится серия желобов для подсчета попаданий каждого броска.

 

^ К-) \-S v—' \^/ \__/ \^/

-оооссооо

о

Ъое

Рисунок 3-5 Доска Галтона

Шарики, падающие через доску Галтона и достигающие желобов, начинают фор­мировать нормальное распределение. Чем «глубже» доска (то есть чем больше ря­дов она имеет) и чем больше шариков бросается, тем ближе конечный результат будет напоминать нормальное распределение.

Нормальное распределение интересно еще и потому, что оно является пре­дельной формой многих других типов распределений. Например, если Х распре­делено биномиально, а N стремится к бесконечности, то Х стремится к нор­мальному распределению. Более того, нормальное распределение также является предельной формой многих других ценных распределений вероятности, таких как Пуассона, Стьюдента (или t-распределения). Другими словами, когда количество данных (N), используемое в этих распределениях, увеличивается, они все более напоминают нормальное распределение.

Центральная предельная теорема

Одно из наиболее важных применений нормального распределения относится к распределению средних значений. Средние значения выборок заданного размера, взятые таким образом, что каждый элемент выборки отобран независимо от других, дадут распределение, которое близко к нормальному Это чрезвычайно важный факт, так как он означает, что вы можете получить параметры действи­тельно случайного процесса из средних значений, рассчитанных на основе выбо­рочных данных.

Средние  значения  выборок из  экспоненциального распределения  будут  стремиться к  нормальному  распределению

Экспоненциальное

Нормальное

Рисунок 3-6  Экспоненциальное распределение и нормальное распределение

Таким образом, мы можем сформулировать, что если N случайных выборок извлекаются из совокупности всех данных, тогда суммы (или средние значения) выборок будут приблизительно нормально распределяться независимо от распределения совокупности, из которой взяты эти выборки. Близость к нормальному распределению увеличивается, когда N (число выборок) возрастает. В качестве примера рассмотрим распределение чисел от 1 до 100. Это равномерное распределение, где все элементы (в данном случае числа) встречаются только раз. Например, число 82 встречается один раз, так же как и 19, и так далее. Возьмем выборку из пяти элементов и среднее значение этих пяти элементов (мы можем также взять их сумму). Теперь поместим полученные пять

элементов обратно, возьмем другую выборку и рассчитаем среднее. Если мы будем продолжать этот процесс дальше, то увидим, что полученные средние нормально распределяются, даже если совокупность, из которой они взяты, распределена равномерно.

Все вышесказанное верно независимо от того, как распределена совокупность данных! Центральная предельная теорема позволяет нам обращаться с распреде­лением средних значений выборок, как с нормальным, без необходимости знать распределение совокупности. Это чрезвычайно удобный факт для многих областей исследований. Если совокупность нормально распределена, то распределение средних значений выборок будет точно (а не приблизительно) нормальным. Кроме того, скорость, с которой распределение средних значений выборок приближается к нормальному при повышении N, зависит от того, насколько близко совокупность находится к нормальному распределению. Общее практическое правило следующее: если совокупность имеет унимодальное (одновершинное) распре­деление (любой тип распределения, где есть концентрация частоты вокруг одной моды и уменьшение частот с любой стороны моды, например, выпуклость) или равномерно распределяется, то можно использовать N = 20 (это считается доста­точным) и N = 10 (это считается достаточным с большой вероятностью). Однако если совокупность распределена экспоненциально (рисунок 3-6), тогда может потребоваться и N = 100.

Центральная предельная теорема, этот поразительно простой и красивый факт, подтверждает важность нормального распределения.

Работа с нормальным распределением

При использовании нормального распределения часто требуется найти долю площади под кривой распределения в данной точке на кривой. На математическом языке это называется интегралом функции, задающей кривую. Таким же образом функция, которая задает кривую, является производной площади под кривой. Если у нас есть функция N(X), которая представляет процент площади под кривой в точке X, мы можем говорить, что производная этой функции N'(X) является функцией самой кривой в точке X.

Мы начнем с формулы самой кривой N' (X). Данная функция выглядит следу­ющим образом:

(3.14)   N'(X) = 1 / (S * (2 * 3,1415926536) Л (1/2)) * * ЕХР (-((X - U) л 2) / (2 * S л 2)),

где U = среднее значение данных; S =стандартное отклонение данных; X = наблюдаемая точка данных;

ЕХР () = экспоненциальная функция.

Эта формула даст нам значение для оси Y, или высоту кривой, при любом данном

значении X.

Часто мы будем говорить о точке на кривой, ссылаясь на ее координату X, и бу­дем смотреть, на сколько стандартных отклонений она удалена от среднего. Таким образом, точка данных, которая удалена на одно стандартное отклонение от среднего, считается смещенной на одну стандартную единицу (standard units) от среднего.

0,5 0,4 0,3 0,2 0,1

N'(Z)

 

		/^	\
	/	/	\	\
	/			\
				\

 

-3

-2-10  1

<-- z ->

Рисунок 3- 7 Функция плотности нормального распределения вероятности

Более того, часто имеет смысл из всех точек данных вычесть среднее. При этом центр распределения сместится в начало координат. В этом случае точка данных, которая смещена на одно стандартное отклонение вправо от среднего, имеет зна­чение 1 на оси X.

Если мы вычтем среднее из точек данных, а затем разделим полученные значе­ния на стандартное отклонение точек данных, то преобразуем распределение в нормированное нормальное (standardized normal). Это нормальное распределение со средним, равным 0, и дисперсией, равной 1. Теперь N'(Z) даст нам значение на оси Y (высота кривой) для любого значения Z:

(3.15а)    N'(Z) = 1 / ((2 * 3,1415926536) Л (1/2)) * EXP(-(Z л 2/2)) = 0,398942 * EXP (-Z л 2/2)),

где    (3.16)Z = (X-U)/S U = среднее значение данных;

S = стандартное отклонение данных; X = наблюдаемая точка данных;

ЕХР() = экспоненциальная функция.

Уравнение (3.16) дает нам число стандартных единиц, которым соответствует точка данных; другими словами, число стандартных отклонений, на которое точка данных смещена от среднего. Когда уравнение (3.16) равно 1, оно называется стандартным нормальным отклонением (standard normal deviate) от среднего значения. Стандартное отклонение, или стандартная единица, иногда называется сигмой (sigma). Таким образом, когда говорят о событии, которое было «событием пяти сигма», то речь идет о событии, вероятность которого находится за предела­ми пяти стандартных отклонений.

Рисунок 3-7 показывает нормальную кривую, заданную предедущим уравне­нием. Отметьте, что высота стандартной нормальной кривой составляет 0,39894, поскольку из уравнения (3.15а) мы получаем:

(3.15a)  N'(Z) = 0,398942 * EXP(-(Z л 2/2)) N'(0) = 0,398942 * EXP(-(O л 2/2)) N'(O) = 0,398942

Отметьте, что кривая непрерывна (в ней нет «разрывов»), когда она переходит из отрицательной области слева в положительную область справа. Отметьте также, что кривая симметрична: сторона справа от пика является зеркальным отражением стороны слева. Предположим, у нас есть группа данных, где среднее равно 11, а стандартное отклонение равно 20. Чтобы увидеть, где точка данных будет отображена на кривой, рассчитаем ее в стандартных единицах. Предположим, что рассматриваемая точка данных имеет значение -9. Чтобы рассчитать число стандартных единиц, мы сначала должны вычесть среднее из этой точки данных: -9-11 =-20

Затем надо разделить полученный результат на стандартное отклонение:

-20/20=-1

Теперь мы можем сказать, что, когда точка данных равна -9, среднее равно 11, а стандартное отклонение составляет 20, число стандартных единиц равно -1. Други­ми словами, мы находимся на одно стандартное отклонение от пика кривой, и, так как это значение отрицательно, оно находится слева от пика. Чтобы увидеть, где это будет на самой кривой (то есть насколько высока кривая при одном стандартном отклонении слева от центра, или чему равно значение кривой на оси Y для значения -1 на оси X), надо подставить полученное значение в уравнение (3.15а):

N'(Z) = 0,398942 * EXP(-(Z Л 2/2))

= 0,398942 * 2,7182818285 л (-(-1 л 2/2))

= 0,398942 * 2,7182818285 л (-1/2) = 0,398942 * 0,6065307

= 0,2419705705

Таким образом, высота кривой при Х=-1 составляет 0,2419705705. Функция N'(Z) также часто выражается как:

(3.156)    N'(Z) = EXP (-(Z Л 2/2)) / ((8 * ATN(l)) л (1/2)) = EXP(-(Z л 2/2)) / ((8 * 0,7853983) л (1/2))

= EXP(-(Z л 2/2)) / 2,506629,

где (3.16)    Z = (X-U)/S и   ATN() = функция арктангенса; U = среднее значение данных; S = стандартное отклонение данных; X = наблюдаемая точка данных;

ЕХР() = экспоненциальная функция.

Не искушенные в статистике люди часто находят концепцию стандартного отклонения (или квадрата ее величины, дисперсии) трудной для представления. Среднее абсолютное отклонение (mean absolute deviation), которое можно преобразовать в стандартное отклонение, гораздо проще для понимания. Среднее абсолютное отклонение полностью отвечает своему названию: среднее данных

вычитается из каждой точки данных, затем абсолютные значения каждой из этих разностей суммируются, и данная сумма делится на число точек данных. В результате у вас получается среднее расстояние каждой точки данных до среднего значения. Преобразование среднего абсолютного отклонения в стандартное отклонение, и наоборот, представлены далее:

(3.17)  М = S * ((2/3,1415926536) Л (1/2))

= S * 0,7978845609, где М = среднее абсолютное отклонение;

S = стандартное отклонение.

Можно сказать, что при нормальном распределении среднее абсолютное откло­нение равно стандартному отклонению, умноженному на 0,7979.

(3.18)  S = М * 1 / 0,7978845609

=М* 1,253314137, где  S = стандартное отклонение;

М = среднее абсолютное отклонение.

Мы можем также сказать, что при нормальном распределении стандартное отклонение равно среднему абсолютному отклонению, умноженному на 1,2533. Так как дисперсия всегда является стандартным отклонением в квадрате (а стандартное отклонение является квадратным корнем дисперсии), мы можем задать преобразование между дисперсией и средним абсолютным отклонением.

(3.19)  М = V ^ (1/2) * ((2 / 3,1415926536)^ (1/2))
= V^ (1/2)* 0,7978845609,

где  М = среднее абсолютное отклонение; V = дисперсия.

(3.20)  V = (М * 1,253314137)^ 2,

где  V = дисперсия;

М = среднее абсолютное отклонение.

Так как стандартное отклонение в стандартной нормальной кривой равно 1, мы можем сказать, что среднее абсолютное отклонение в стандартной нормальной кривой равно 0,7979. Более того, в колоколообразной кривой, подобной нормальной, семи-интер-квартильная широта равна приблизительно 2/3 стандартного отклонения, и поэтому стандартное отклонение примерно в 1,5 раза больше семи-интерквартильной широты. Это справедливо для большинства колоколообразных распределений, а не только для нормальных, как и в случае с преобразованием среднего абсолютного отклонения в стандартное отклонение.

Нормальные вероятности

Теперь мы знаем, как преобразовывать наши необработанные данные в стан­дартные единицы и как построить кривую N'(Z) (т.е. как найти высоту кривой, или координату Y, для данной стандартной единицы), а также N'(X) (из уравнения (3.14), т.е. саму кривую без первоначального преобразования в стандартные единицы). Для практического использования нормального распределения вероятности нам надо знать вероятность определенного результата. Это определяется не высотой кривой, а площадью под кривой. Эта площадь задается интегралом функции N'(Z), которую мы до настоящего момента изучали. Теперь

мы займемся N(Z), интегралом N'(Z), чтобы найти площадь под кривой (т.е. вероятности)1.

(3.21)  N(Z) = l-N'(Z)*((l,330274429*YA5)-(l,821255978*YA  4) +

+ (1,781477937 * Y Л 3) - (0,356563782 * Y л 2) + + (0,31938153 *Y)) Если Z < 0, то N(Z) = 1 - N(Z)

(3.15а)    N'(Z) = 0,398942 * EXP(-(Z Л 2/2)), где    Y=1/(1+2316419*ABS(Z)) и ABSQ = функция абсолютного значения; ЕХР() = экспоненциальная функция.

При расчете вероятности мы всегда будем преобразовывать данные в стандартные единицы. То есть вместо функции N(X) мы будем использовать функцию N(Z), где:

(3.16)   Z=(X-U)/S,

где  U = среднее значение данных;

S = стандартное отклонение данных;

X = наблюдаемая точка данных.

Теперь обратимся к уравнению (3.21). Допустим, нам надо знать, какова вероят­ность события, не превышающего +2 стандартных единицы (Z = +2).

Y= 1/(1 +2316419*ABS(+2)) =1/1,4632838 =0,68339443311

(3.15a) N'(Z) = 0,398942 * ЕХР(-(+2^2/2))

= 0,398942 *ЕХР (-2)=0,398942*0,1353353=0,05399093525

Заметьте, мы можем найти высоту кривой при +2 стандартных единицах. Подставляя полученные значения вместо Y и N'(Z) в уравнение (3.21), мы можем получить вероятность события, не превышающего +2 стандартных единицы:

N(Z) = 1 - N'(Z) * ((1,330274429 * Y^ 5) -

(1,821255978 * Y^4) + (1,781477937 * Y^ 3) -

(0,356563782 * Y ^2) + (0,31938153 * Y))

= 1-0,05399093525* ((1,330274429* 0,68339443311^5)-

-         (1,821255978 * 0,68339443311 ^ 4 + 1,781477937 * 0,68339443311^ 3) - -
(0,356563782 * 0,68339443311 ^2) + 0,31938153 * 0,68339443311))

= 1 - 0,05399093525 * (1,330274429 * 0,1490587) -

-         (1,821255978 * 0,2181151 + (1,781477937 * 0,3191643)-
- (0,356563782 * 0,467028 + 0,31938153 - 0,68339443311))

1- 0,05399093525 * (0,198288977 - 0,3972434298 + 0,5685841587 -

-0,16652527+0,2182635596) = 1 - 0,05399093525 * 0,4213679955 = 1 - 0,02275005216= 0,9772499478

1 На самом деле, интеграл плотности нормального распределения вероятности нельзя pассчитать точно, но его можно с большой степенью точности получить с помощью уравнения (3.21).

Таким образом, можно ожидать, что 97,72% результатов в нормально распреде­ленном случайном процессе не попадают за +2 стандартные единицы. Это изоб­ражено на рисунке 3-8.

Чтобы узнать, какова вероятность события, равного или превышающего за­данное число стандартных единиц (в нашем случае +2), надо просто изменить уравнение (3.21) и не использовать условие «Если Z < 0, то N(Z) = 1 - N(Z)». Поэтому вторая с конца строка в последнем расчете изменится с

= 1 - 0,02275005216 на 0,02275005216

Таким образом, с вероятностью 2,275% событие в нормально распределенном случайном процессе будет равно или превышать +2 стандартные единицы. Это показано на рисунке 3-9.

N(Z)hN'(Z)

					_
			/
			/
			/
		N(Z)  *	/
		/
	N'(Z)  ^
1  1  1  МГГГ*ГгП	"TTTii  lilt	t	(	■—,

1

0,9

0,8 0,7

-1

0

z

-3

-2

0,6 0,5 0,4 0,3 0,2 0,1 0

Рисунок 3-8  Уравнение (3.21) для вероятности Z=+2

1 0,9

0,8 0,7

0,6 0,5 0,4 0,3 0,2 0,1 0

N(Z) и N'(Z)

N'(Z)

-2

-3

N(Z).

ZZL

-1

7

Z

0

z

N(Z) без оговорки «Если Z < 0,

то N(Z) = 1 - N(Z)»

Рисунок 3-9  Устранение оговорки «Если Z <0, то N(Z) = 1 - N(Z)» в уравнении

(3.21)

До сих пор мы рассматривали площади под кривой 1-хвостых распределений вероятности. То есть до настоящего момента мы отвечали на вопрос: «Какова вероятность события, которое меньше (больше) заданного количества стандартных единиц от среднего?» Предположим, теперь нам надо ответить на такой вопрос:

«Какова вероятность события, которое находится в интервале между определенным количеством стандартных единиц от среднего?» Другими словами, мы хотим знать, как подсчитать 2-хвостые вероятности. Посмотрим на рисунок 3-10. Он представляет вероятности события в интервале двух стандартных единиц от среднего. В отличие от рисунка 3-8 этот расчет вероятности не включает крайнюю область левого хвоста, область меньше -2 стандартных единиц. Для расчета вероятности нахождения в диапазоне Z стандартных единиц от среднего вы должны сначала рассчитать 1-хвостую вероятность абсолютного значения Z с помощью уравнения (3.21), а затем полученное значение подставить в уравнение (3.22), которое дает 2-хвостые вероятности (то есть вероятности нахождения в диапазоне ABS(Z) стандартных единиц от среднего):

(3.22)   2-хвостая вероятность =1-((1- N(ABS(Z))) * 2)

Если мы рассматриваем вероятности наступления события в диапазоне 2 стандар­тных отклонений (Z = 2), то из уравнения (3.21) найдем, что N(2) = 0,9772499478 и можно использовать полученное значение для уравнения (3.22): 2-хвостая вероятность =1-((1- 0,9772499478) * 2) =1-(0,02275005216*2)  =  1  -

0,04550010432 = 0,9544998957

Таким образом, из этого уравнения следует, что при нормально распределенном

случайном процессе вероятность события, попадающего в интервал 2 стандартных

единиц от среднего, составляет примерно 95,45%.

Как и в случае с уравнением (3.21), можно убрать первую единицу в уравнении

(3.22), чтобы получить (1 - N(ABS(Z))) * 2, что представляет вероятности события

вне ABS(Z) стандартных единиц от среднего. Это отображено на рисунке 3-11. Для

нашего примера, где Z = 2, вероятность события при нормально распределенном

случайном процессе вне 2 стандартных единиц составляет:

2-хвостая  вероятность  (вне)  =  (1  -  0,9772499478)  *  2  =0,02275005216*2

=0,04550010432

Наконец, мы рассмотрим случай, когда надо найти вероятности (площадь под кривой N'(Z)) для двух различных значений Z.

 

 

 

 

 

 

0 5	N429
04
0,3
		A	i
0,1 0		A
	- 1  1-fTl  1  1  L  1

-3

1

О

-1

-2

<- Z -->

Рисунок 3-10 2-хвостая вероятность события между +2 и -2 сигма

0,5

0,4

0,3

0,2

0,1

N'(Z)

(1-N(Z))*2

 

			\
	/	/	\	\
	/			\
J^				^L

 

-3

-2

-1

<-- Z ->

Рисунок 3-11 2-хвостая вероятность события, находящегося вне 2 сигма

Допустим, нам надо найти площадь под кривой N'(Z) между -1 стандартной еди­ницей и +2 стандартными единицами. Есть два способа расчета. Мы можем рассчитать вероятность, не превышающую +2 стандартные единицы, при помощи уравнения (3.21) и вычесть вероятность, не превышающую -1 стандартную единицу (см. рисунок 3-12). Это даст нам:

0,9772499478 - 0,1586552595 = 0,8185946883

0,5

0,4

0,3

0,2

0,1

N'(Z)

 

 

 

 

 

 

 

 

	/
	1  1  1 1  1  1  1  1  1				I  I  I  i  iTTr

 

-3

-2

<-- Z -->

Рисунок 3-12 Площадь между -1 и +2 стандартными единицами

Другой способ: из единицы, представляющей всю площадь под кривой, надо вы­честь вероятность, не превышающую -1 стандартную единицу, и вероятность, превышающую 2 стандартные единицы: = 1 - (0,022750052 + 0,1586552595) = 1 -0,1814053117 =0,8185946883

С помощью рассмотренных в этой главе математических подходов вы сможете рассчитывать любые вероятности событий для случайных процессов, имеющих нормальное распределение.

Последующие производные нормального распределения

Иногда требуется знать вторую производную функции N(Z). Так как функция N(Z) дает нам значение площади под кривой при Z, а функция N'(Z) дает нам высоту самой кривой при значении Z, тогда функция N"(Z) дает нам мгновенный наклон (instantaneous slope) кривой при данном значении Z:

(3.23)  N"(Z) = -Z / 2,506628274 * EXP(-(Z Л 2) / 2),
где  ЕХР() = экспоненциальная функция.

Найдем наклон кривой N'(Z) при +2 стандартных отклонениях:

N"(Z) = -2 I 2,506628274 * ЕХР(-(+2^ 2) / 2) = -2 / 2,506628274 * ЕХР(-2) = -2 /

2,506628274 * 0,1353353 =-0,1079968336

Теперь мы знаем, что мгновенная скорость изменения функции N'(Z) при Z = +2 равна-0,1079968336. Это означает повышение/понижение за период, поэтому, когда Z = +2, кривая N'(Z) повышается на -0,1079968336. Эта ситуация показана на рисунке 3-13.

Последующие производные даются далее для справки. Они не будут использо­ваться в оставшейся части книги и представлены для полноты освещения темы:

N"'(Z) = (Z Л 2 - 1) / 2,506628274 * EXP(-(Z л 2) / 2)

N""(Z) = ((3 * Z) - Z л 3) / 2,506628274 * EXP(-(Z л 2) / 2)

N       (Z) = (Z л 4 - (6 * Z л 2) + 3) / 2,506628274 * EXP(-(Z л 2) / 2)

В качестве последнего дополнения к сказанному о нормальном распределении стоит заметить, что на самом деле это распределение не такое остроконечное, как на графиках, представленных в данной главе. Реальная форма нормального рас­пределения показана на рисунке 3-14. Отметьте, что здесь масштабы двух осей одинаковы, в то время как в других графических примерах они отличаются для придания более вытянутой формы.

Логарифмически нормальное распределение

Для торговли многие приложения требуют небольшой, но важной модификации нормального распределения.

0,5 0,4 0,3 0,2 0,1

N'(Z)

 

 

 

 

 

 

	/	/	\	\
	/
	У    На	КЛОН В ТОЧК(		>

 

-3

-1

Рисунок 3-13 N"(Z) дает наклон касательной к N'(Z) при Z = +2

-з

-2

-1

Рисунок 3-14 Реальная форма нормального распределения

С помощью этой модификации нормальное распределение преобразуется в лога­рифмически нормальное распределение. Цена любого свободно котируемого инст­румента имеет нулевое значение в качестве нижнего предела1. Поэтому когда цена этого инструмента падает и приближается к нулю, то, теоретически, цене инстру­мента должно быть все труднее понизиться. Рассмотрим некую акцию стоимостью 10 долларов. Если бы акция упала на 5 долларов до 5 долларов за акцию (50% понижение), то в соответствии с нормальным распределением она может также легко упасть с 5 долларов до 0 долларов. Однако при логарифмически нормальном распределении подобное падение на 50% с цены в 5 долларов за акцию до цены

1 Предположение, что самой низкой ценой, по которой может торговаться инструмент, является ноль, не всегда верно. Например, во время краха фондового рынка в 1929 году и последующего медвежьего рьшка акционеры многих обанкротившихся банков понесли ответственность перед вкладчиками этих банков. Акционеры таких банков не только потеряли инвестированные в акции деньги, но также понесли убытки сверх этого

2,50 долларов за акцию будет примерно таким же вероятным, как и падение с 10 долларов до 5 долларов за акцию.

Логарифмически нормальное

Нормальное

Рисунок 3-15 Нормальное и логарифмически нормальное распределения

Логарифмически нормальное распределение, рисунок 3-15, работает точно так же, как и нормальное распределение, за тем исключением, что при логарифмически нормальном распределении мы имеем дело с процентными изменениями, а не абсолютными. Теперь рассмотрим движение вверх. В соответствии с логарифмически нормальным распределением движение с 10 долларов за акцию до 20 долларов за акцию аналогично движению с 5 долларов до 10 долларов за акцию, так как оба эти движения представляют повышение на 100%. Это не означает, что мы не будем использовать нормальное распределение. Мы просто познакомимся с логарифмически нормальным распределением, покажем его отличие от нормального (логарифмически нормальное распределение использует процентные, а не абсолютные изменения цены) и увидим, что обычно именно оно используется при обсуждении ценовых движений или в том случае, когда нормальное распределение ограничено снизу нулем. Для использования логарифмически нормального распределения необходимо преобразовывать данные, с которыми вы работаете, в натуральные логарифмы1.

Преобразованные данные будут нормально распределяться, если необработан­ные данные распределялись логарифмически нормально. Если мы рассматриваем распределение изменений цены и оно логарифмически нормальное, то можно ис­пользовать нормальное распределение. Сначала мы должны разделить каждую цену закрытия на предыдущую цену закрытия. Допустим, мы рассматриваем распределение ежемесячных цен закрытия (можно использовать любой временной период: часовой, дневной, годовой и т.д.). Предположим, цены закрытия последних пяти месяцев — 10 долларов, 5 долларов, 10 долларов, 10 долларов и 20

Различие между десятичным и натуральным логарифмом следующее. Десятичный логарифм — это логарифм, который имеет в основании 10, в то время как натуральный логарифм имеет в основании число е, где е = 2,7182818285. Десятичный логарифм Х математически обозначается log(X), в то время как натуральный логарифм обозначается 1п(Х). Натуральный логарифм может быть преобразован в десятичный путем умножения натурального логарифма на 0,4342917. Таким же образом мы можем преобразовать десятичный логарифм в натуральный путем умножения десятичного логарифма на 2,3026.

долларов. Это соответствует понижению на 50% во втором месяце, повышению на 100% в третьем месяце, повышению на 0% в четвертом месяце и повышению на 100% в пятом месяце. Соответственно мы получим частные 0,5; 2; 1 и 2 по ежемесячным изменениям цен со второго по пятый месяцы. Это то же, что и HPR нашей последовательности. Теперь мы должны преобразовать их в натуральные логарифмы, чтобы изучить полученное распределение на основе математического аппарата нормального распределения. Таким образом, натуральный логарифм 0,5 равен -0,6931473, ln(2) =0,6931471 и ln(1) = 0. Теперь к распределению этих преобразованных данных мы можем применять математические методы, относящиеся к нормальному распределению.

Параметрическое оптимальное f

Мы немного познакомились с математикой нормального и логарифмически нор­мального распределения и теперь посмотрим, как находить оптимальное f по нормально распределенным результатам. Формула Келли является примером параметрического оптимального f, где f является функцией двух параметров. В формуле Келли вводные параметры — это процент выигрышных ставок и отношение выигрыша к проигрышу. Однако формула Келли даст вам оптимальное f только тогда, когда возможные результаты имеют бернуллиево распределение. Другими словами, формула Келли даст правильное оптимальное f, когда есть только два возможных результата, в противном случае, как, например, в нормально распределенных результатах, формула Келли не даст вам правильное оптимальное f2.

Параметрические методы гораздо мощнее эмпирических. Рассмотрим ситуацию, которую можно полностью описать бернуллиевым распределением. Мы можем рассчитать оптимальное f либо из формулы Келли, либо с помощью эмпирического метода. Допустим, мы выигрываем 60% времени. Предположим, мы бросаем несимметричную монету, и при долгой последовательности 60% бросков будут приходиться на лицевую сторону. Поэтому мы каждый раз ставим на то, что монета будет выпадать на лицевую сторону, и выигрыш составляет 1:1. Из формулы Келли следует, что надо ставить 0,2 нашего счета. Также допустим, что из прошлых 20 бросков 11 выпали лицевой стороной, а 9 обратной. Если бы мы использовали эти 20 сделок в качестве вводных данных для эмпирического метода расчета f, результатом было бы то, что следует рисковать 0,1 нашего счета при каждой следующей ставке. Какое значение правильно, 0,2, полученное параметрическим методом (формула Келли с бернуллиевым распределением), или 0,1, найденное эмпирически на основе 20 последних бросков? Правильным ответом является значение 0,2, найденное с помощью параметрического метода. Причина в том, что каждый последующий бросок имеет 60% вероятность выпасть лицевой стороной, а не 55% вероятность, что следует из результатов 20 последних бросков. Хотя мы рассматриваем только 5% отклонение в вероятности, то есть 1 бросок из 20, результаты после применения разных значений f будут сильно отличаться. Вообще параметрические методы внутренне более точны, чем эмпирические (при условии, что мы знаем распределение результатов). Это первое преимущество параметрического метода. Самый большой недостаток параметрических  методов  состоит  в  том,  что  мы  должны  знать,  каким

2 Здесь мы говорим о формулах Келли в единственном числе, хотя, фактически, есть две версии формулы Келли: одна для случая, когда отношение выигрыша к проигрышу составляет 1:1, а другая для случая, когда отношение выигрыша к проигрышу произвольно. В этой главе мы исходим из отношения 1:1, поэтому не имеет значения, какую именно формулу Келли мы используем.

распределение результатов будет в течение длительного времени. Второе преимущество состоит в том, что для эмпирического метода требуются исторические данные, в то время как для параметрического в этом нет необхо­димости. Кроме того, эта история должна быть довольно протяженной. В только что рассмотренном примере можно предположить, что, если бы у нас была исто­рия 50 бросков, мы бы получили эмпирическое оптимальное f ближе к 0,2. При истории 1000 бросков оно было бы еще ближе. Тот факт, что эмпирические методы требуют довольно большого объема исторических данных, свел все их использование к механическим торговым системам. Тот, кто в торговле использует что-либо отличное от механических торговых систем, будь то волны Эллиотта или фундаментальные данные, практически не имеет возможности использовать метод оптимального f. С параметрическими методами дело обстоит иначе. Например, тот, кто желает слепо следовать какому-нибудь рыночному гуру, имеет теперь возможность использовать оптимальное f. В этом состоит третье преимущество параметрического метода — он может использоваться любым трейдером на любом рынке. В том случае, когда не используется механическая торговая система, следует помнить о важном допущении. Оно состоит в том, что будущее распределение прибылей и убытков будет напоминать распределение в прошлом (поэтому мы и рассчитываем оптимальное f), это может оказаться менее вероятным, чем в случае использования механической системы. Все вышесказанное заставляет по-иному взглянуть на ожидаемую работу любого не полностью механического метода. Даже профессионалы («фундамента-листы», последователи Ганна или Эллиотта и т.п.), использующие такие методы, обречены на неудачу, если они находятся далеко справа от пика кривой f. Если они слишком далеко слева от пика, то получат геометрически более низкие прибыли, чем их опыт и навыки в этой области позволяют. Более того, практики не полностью механических методов должны понимать, что все сказанное об оптимальном f и чисто механических методах будет иметь прямое отношение и к их системам. Это надо учитывать при использовании подобных методов. Помните, что проигрыши могут быть значительными, но это не означает, что метод не следует применять. Четвертое и, возможно, наибольшее преимущество параметрического метода определения оптимального f состоит в том, что параметрический метод позволяет создавать модели «что если». Например, вы решили торговать по рыночной системе, которая работала достаточно успешно, но хотите подготовиться к ситуа­ции, когда эта рыночная система прекратит хорошо работать. Параметрические методы позволяют варьировать ваши вводные параметры для отражения возмож­ных изменений, и благодаря этому показать, когда рыночная система прекратит хорошо работать. Еще раз повторюсь: параметрические методы намного мощнее эмпирических.

Зачем вообще использовать эмпирические методы? Они интуитивно более очевидны, чем параметрические. Следовательно, эмпирические методы необ­ходимо изучать до перехода к параметрическим. Мы уже достаточно подробно рассмотрели эмпирический подход и поэтому готовы изучать параметрические методы.

Распределение торговых прибылей и убытков (P&L)

Рассмотрим следующую последовательность 232 торговых прибылей и убытков в пунктах. Не имеет значения, к какому товару или системе относится этот поток данных — это может быть любая система на любом рынке.