原文链接：http://tecdat.cn/?p=17829
原文出处：拓端数据部落公众号
指数加权稳定率是一种稳定率的度量，它使最近的察看后果有更高权重。咱们将应用以下公式计算指数加权稳定率：
S [t] ^ 2 = SUM（1-a） a ^ i （r [t-1-i]-rhat [t]）^ 2，i = 0…inf
其中rhat [t]是对应的指数加权平均值
rhat [t] = SUM（1-a） a ^ i r [t-1-i]，i = 0…inf
下面的公式取决于每个工夫点的残缺价格历史记录，并花了一些工夫进行计算。因而，我想分享Rcpp和RcppParallel如何帮忙咱们缩小计算工夫。
我将应用汇率的历史数据集 作为测试数据。
首先，咱们计算均匀滚动稳定率
#*****************************************************************# 计算对数收益率#*****************************************************************ret = diff(log(data$prices)) tic(5)hist.vol = sqrt(252) * bt.apply.matrix(ret, runSD, n = 200)toc(5)通过工夫为0.17秒
接下来，让咱们编写指数加权代码逻辑
# 建设 RCPP 函数计算指数加权稳定率 load.packages('Rcpp')sourceCpp(code='#include <Rcpp.h>using namespace Rcpp;using namespace std; // \[\[Rcpp::plugins(cpp11)\]\] //ema\[1\] = 0//ema\[t\] = (1-a)\*r\[t-1\] + (1-a)\*a*ema\[t-1\]// \[\[Rcpp::exp { if(!NumericVector::is_na(x\[t\])) break; res\[t\] = NA_REAL; } int start_t = t; -a) * a^i * (r\[t-1-i\] - rhat\[t\])^2, i=0 ... inf// \[\[Rcpp::export\]\]NumericVector run\_esd\_cpp(NumericVector x, double ratio) { auto sz = x.siz // find start index; first non NA item for(t = 0; t < sz; t++) { if(!Num0; for(t = start_t + 1; t < sz; t++) { ema = (1-ratio) * ( x\[t-1\] + ratio * ema); double sigma = 0; for(int i = 0; i < (t - start_t); i++) { sigma += pow(ratio,i) * pow(x\[t-1-i\] - ema, 2); } res\[t\] = (1-ratio) * sigma; } , n, ratio = n/(n+1)) run\_ema\_cpp(x, ratio)run.esd = funct通过工夫为106.16秒。
执行此代码花了一段时间。然而，代码能够并行运行。以下是RcppParallel版本。
# 建设 RCPP 并行函数计算指数加权稳定率 load.packages('RcppParallel')sourceCpp(code='using namespace Rcpp;using namespace ss(cpp11)\]\]// \[\[Rcpp::depends(Rto read from const RMatrix<double> mat; // internal variables const double ratiot; // initialize from Rcpp input and output matrixes run\_esd\_helper(const Numeall operator that work for thin, size_t end) { for (size_t c1 = begin; c1 < end; c1++) { int t; // find start index; fir通过工夫为14.65秒
运行工夫更短。接下来，让咱们直观地理解应用指数加权稳定率的影响
dates = '2007::2010'layout(1:2)e='h', col='black', plotX=F) plota.legend(paste('Dais,1\],type='l',col='black')
不出所料，指数加权稳定率在最近的察看后果中占了更大的比重，是一种更具反馈性的危险度量。
最受欢迎的见解
1.HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频稳定率
2.WinBUGS对多元随机稳定率模型：贝叶斯预计与模型比拟
3.稳定率的实现：ARCH模型与HAR-RV模型
4.R语言ARMA-EGARCH模型、集成预测算法对SPX理论稳定率进行预测
5.应用R语言随机稳定模型SV解决工夫序列中的随机稳定率
6.R语言多元COPULA GARCH 模型工夫序列预测
7.R语言基于ARMA-GARCH过程的VAR拟合和预测
8.R语言随机搜寻变量抉择SSVS预计贝叶斯向量自回归（BVAR）模型
9.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略