Análisis de fondos de cobertura - Modelos de Excel Modelos VBA y Modelos Financieros lsquoIt es un ejercicio de buena mañana para un científico de investigación para descartar una hipótesis de mascotas todos los días antes del desayuno que le mantiene youngrsquo En esta página usted puede encontrar una selección de modelos estadísticos, Basados en modelos financieros. Todas las hojas de cálculo y applets están disponibles para su descarga. Algunas plantillas no son de código abierto, pero las contraseñas para acceder a los módulos en el editor de Visual Basic se pueden obtener a través de la página de contacto. Por favor, no dude en comentar sus experiencias y sugerir mejoras a las plantillas. Tenga en cuenta que algunas plantillas están todavía en una etapa de desarrollo (estado de comprobación), el autor no se hace responsable de las deficiencias o errores en el código fuente. Marque este sitio para ver actualizaciones y novedades regularmente. Tenga en cuenta que en Windows 7 los archivos sólo pueden descargarse como. zip. Simplemente abra el archivo comprimido en Excel y guárdelo como libro de trabajo para uso posterior. VBA descargas: 7136 tipo: xlsm tamaño: 189 kB Última actualización: abril de 2010. Se han implementado los siguientes cambios: Se ha introducido un nuevo algoritmo para calcular matrices inversas con mayor precisión a través del algoritmo Gauss-Jordan. La fórmula se puede utilizar para mostrar residuos de regresión. Estimación de mínimos cuadrados generales sin constantes (interceptación en origen) y etiquetas de datos. Versión extendida de Errorhandler. La plantilla anterior utiliza el álgebra matricial para determinar los coeficientes de regresión, las predicciones y los intervalos de confianza. Por lo tanto, la función REGOUTPUT () no está sujeta a las limitaciones de Linest () de Excel - Function / Matrix-Functions. Además, la plantilla proporciona diagnósticos de regresión extensos: prueba de colinealidad de términos de error consecutivos, normalidad y bondad de ajuste. Tipo: xlsm tamaño: 211 kB Este modelo utiliza un algoritmo de regresión paso a paso para seleccionar variables predictoras de un rango de parámetros. Los parámetros de entrada incluyen el nivel de tolerancia, F-to-leave y F-to-enter. El número máximo de iteraciones se establece en 1000 pero se puede cambiar manualmente en el código fuente (pregunte primero sobre la contraseña). Los parámetros de salida son idénticos al modelo de regresión de múltiples factores. Tipo: xlsm Tamaño: 229 kB Este modelo permite diferentes cálculos de coeficientes estimaciones de error estándar en la regresión de series de tiempo: Estándar OLS estimación asumir constante varianza. Estimación de error estándar en blanco. GMM y estimación de Newey-West (ponderada según el núcleo de Bartlett). Lag truncamiento para Newey-West estimaciones se pueden especificar por separado. De acuerdo con los modelos Sharpe Multifactor Pricing, la rutina anterior calcula las estimaciones de coeficientes para un número de regresores basado en el supuesto de que la suma de coeficientes 1. Esto permite una interpretación más significativa de Las cargas de factores. La hoja de cálculo utiliza un ejemplo que estima el rendimiento de un fondo de cobertura a partir de cinco parámetros de entrada. Descargas: 2669 type: xlsm size: 192 kB Esta hoja de cálculo calcula la prueba estática de Durbin-Watson para la correlación serial basada en un modelo de regresión de factor único. Además, devuelve los límites críticos inferior y superior de las tablas de Durbin-Watson (hasta n 200 observaciones y k 20 regresores). Por favor refiérase a los modelos multifactor de arriba al probar correlaciones seriales en residuos con k gt 2 (más de un regresor). Descargas: 2575 tipo: xlsm tamaño: 109 kB Las series de datos se pueden probar para la normalidad usando la prueba non-parametric del ji-cuadrado para la normalidad o la estadística de Jarque-Bera. Este último utiliza el tercer y cuarto momento de la distribución (también conocido como sesgo y curtosis). Algunas series resultan ser más sensibles a una u otra estadística de prueba. Descargas: 3480 Tipo: xlsm Tamaño: 31 kB Esta hoja de cálculo proporciona macros para calcular una serie de medidas de riesgo a la baja, incluyendo la reducción máxima continua, la semi-desviación y el valor en riesgo. Algunos fragmentos de código se descargaron de andreassteiner. net y se modificaron para expresar los retornos del subperíodo como (1 R t, t 1) para tener en cuenta los efectos de composición, donde R t, t 1 es el retorno de perentaje entre t y el tiempo t 1. descargas: 1815 tipo: xlsm tamaño: 31 kB Este simple algoritmo compara dos series de tiempo sobre la base de la prueba t para iguales medios. Las opciones de entrada para los diseños experimentales son: pareado vs aleatorio y de una cola versus dos colas. La prueba de la igualdad de las varianzas de la muestra se realiza a través de la prueba F. Todas las plantillas están basadas en funciones. Descargas: 2983 tipo: xlsm tamaño: 272 kB La macro calcula los coeficientes de autocorrelación y los coeficientes de autocorrelación parcial de orden k de cualquier serie temporal. Además, utiliza la prueba de LM de Breusch-Godfrey para detectar la autocorrelación a distintos desfases. La prueba de Durbin-Watson y la prueba de Durbin h para los modelos ARMA pueden utilizarse para identificar la correlación en serie entre los residuos consecutivos en la regresión lineal. Todas las pruebas se basan en función. Descargas: 3355 Tipo: xlsm Tamaño: 258 kB La prueba de raíz unitaria se realiza como una prueba de Dickey Fuller aumentada. La prueba explica las primeras diferencias (la extensión del modelo sigue en breve), la interceptación y los retrasos apropiados. El valor p se calcula a partir de las tablas Dickey Fuller de valores críticos incluidos en la macro y se aproxima mediante interpolación lineal. La estadística está basada en función. Descargas: 3476 tipo: xlsm tamaño: 328 kB Permite una serie de pruebas de raíz unitaria incluyendo Dickey-Fuller, Augmented-Dickey-Fuller (ADF) y Phillips-Perron (PP). El último estadístico de prueba utiliza el estimador de varianza de error de heterocedasticidad-autocorrelación-consistente (HAC) de Newey y West (con el núcleo de Bartlett). Se pueden hacer las siguientes especificaciones con respecto a la regresión de prueba: diferencias consideradas, intersección y línea de tendencia incluidas, retardos considerados y tipo de estimación del error. La significancia de los procesos ARp se determina de acuerdo con el Criterio de Información Akaike (AIC). El número máximo de retrasos sigue a Schwartz (si no se especifica lo contrario). La hoja de cálculo también incluye los valores críticos de McKinnon para las pruebas ADF, así como Engle-Granger. Puede utilizar el CommandButton en la hoja de cálculo quotAR (1) - Processquot para generar AR1-Processes. Este script VBA utiliza Monte Carlo para simular valores críticos para la estadística de la prueba Dickey Fuller a partir de muchas repeticiones de caminatas aleatorias (con o sin intercepción / tendencia). El usuario puede especificar el tamaño de la muestra, el nivel de confianza y el número de repeticiones. Se incluye un extracto de las tablas DF originales para la comparación. Los siguientes cambios se han realizado a partir de marzo de 2010: Errores que se producen con desequilibrio ANOVA problemas donde el número de tratamientos es mayor que 6 (por ejemplo, n k gt 6) se han abordado. El modelo funciona ahora para cualquier número posible de niveles de factores A y B. Algunos mensajes de error adicionales se introdujeron con respecto a los modelos mal especificados que violan los requisitos de regresión de los modelos SS de Tipo III (número mínimo de repeticiones requeridas para un número específico de tratamientos ). Se incluyeron dos ejemplos adicionales de muestras grandes, mostrando cómo se pueden utilizar tablas pivotales conjuntamente con las funciones de ANOVA. Tratamiento () - funcionalidad (en lugar de pivottables) para convertir datos sin procesar en tablas que se pueden utilizar junto con ANOVA. Esta macro permite a los usuarios realizar las siguientes pruebas de análisis de varianza: ANOVA de factor único, experimento con bloques aleatorios, ANOVA de factor único desequilibrado, ANOVA de dos factores, ANOVA de dos factores desequilibrado. Los experimentos desequilibrados requieren una simple rutina de regresión multivariable (incluida) para comparar modelos parciales y completos. Tenga en cuenta que uno puede utilizar ANOVA para más de dos factores. Este enfoque puede ser indeseable debido a los esfuerzos computacionales involucrados. 1772 tipo: xlsm tamaño: 242 kB Esta hoja de cálculo incluye tres pruebas distintas para comprobar la presencia de heteroscedasticidad en los términos de error de los modelos de regresión. Para los modelos univariados, puede usarse la estadística de prueba de Szroeter o la prueba de Breusch-Pagan. Para los modelos multivariados, la prueba de Breusch-Pagan o, alternativamente, para modelos extendidos, puede aplicarse la prueba White diferente. Alternativamente, se proporcionan soluciones manuales que utilizan funciones inherentes a Excel. Descargas: 2181 tipo: xlsm tamaño: 35 kB Estos algoritmos simples para la valoración de la opción eluden los tediosos cálculos manuales del modelo Black-Scholes-Merton. Las funciones hacen provisiones para la tasa de interés extranjera / fuga de dividendos y permiten el cálculo de todas las sensibilidades de la opción relevante (Delta, Theta, Gamma, Vega, Rho). Alternativamente, se pueden determinar los precios de las opciones de retroceso de la huelga flotante. Todas las opciones se supone que son de estilo europeo (ejercicio sólo en la fecha de caducidad). Descargas: 1549 tipo: xlsm tamaño: 192 kB La hoja de cálculo da un ejemplo sobre el uso de la regresión lineal múltiple en la determinación de la importancia de los factores y la interacción de los mismos cuando el tamaño de las muestras / tratamientos son desiguales en tamaño. Para una implementación VBA, vea el modelo ANOVA arriba. Este libro incluye un modelo de planificación financiera que se puede utilizar para analizar el ROI esperado de un negocio. Incluye los balances previstos, el flujo de caja y los estados de resultados, así como el análisis de sensibilidad. Este applet es extremadamente útil al redactar planes de negocio o evaluar oportunidades de inversión. Descargas: 3161 type: xlsm size: 93 kB Esta hoja de cálculo requiere el Solver Add-in, que se puede descargar desde la página principal de Frontline Systems. Incluye un ejemplo para construir las carteras de Varianza Mínima a partir de cinco activos, así como un ejemplo de optimización objetiva múltiple (carteras de riesgo-rendimiento óptimo) utilizando desviaciones porcentuales y análisis de sensibilidad. El asistente de sensibilidad también puede descargarse de Frontline Systems. Tenga en cuenta que Solver no es freeware. Un algoritmo de optimización basado en VBA está actualmente en desarrollo. Descargas: 3397 type: xlsm size: 3 MB Estas hojas de cálculo comparan las carteras eficientes de los fondos de cobertura y los índices de activos estándar. Es útil para encontrar la asignación óptima de activos con respecto a inversiones estándar y alternativas. La hoja de cálculo requiere un enlace ascendente de Bloomberg para la actualización de datos. Descargas: 2073 tipo: xlsm tamaño: 209 kB Esta hoja de cálculo muestra la relación entre los estimadores de máxima verosimilitud (ML) de regresión y los mínimos cuadrados ordinarios (OLS), así como el cálculo de un estimador no sesgado de la variabilidad en Y del ML Estimador de varianza. Adicionalmente, muestra la determinación y aplicación de la transformación de potencia Box-Cox en Y para asegurar las suposiciones del Modelo Lineal. Para resolver las estimaciones de ML, se requiere Solver-Addin. Aunque esta hoja de cálculo no se basa en macros VB, las regresiones se calculan utilizando la función REGOUTPUT () definida por el usuario. Active las macros o cambie la fórmula en LINEST (). Descargas: 2017 tipo: xlsm tamaño: 78 kB Este modelo crea una serie ponderada de varias series individuales. Los parámetros de entrada son la matriz de retorno, la matriz de peso y un intervalo de reequilibrio dependiendo de la naturaleza de los datos de origen (por ejemplo, diariamente, trimestral, anual). El libro contiene una solución manual, así como una fórmula de matriz basada en VBA. Tenga en cuenta que las observaciones de retorno que faltan deben introducirse como celdas vacías, no 0. Los pesos de la cartera pueden cambiar dinámicamente con el tiempo (matriz) o permanecer fijos (una fila).Bng 410 kim nh hin tng phng B7843ng 4.10. Ki7875m 2737883nh hi7879n t4327907ng ph432417ng sai thay 2737893i vagrave t432417ng quan chu7895i Heteroscedasticidad Prueba: ARCH F-estadística 2.553291 Prob. F (4,41) 0,0532 ObsR-cuadrado 9,173532 Prob. Chi-Cuadrado (4) 0,0569 Breusch-Godfrey Correlación Serial LM Prueba F-estadística 2.808421 Prob. F (4,39) 0,0385 ObsR-cuadrado 11,18143 Prob. Chi-cuadrado (4) 0,0246 Sau khi ki7875m 2737883nh tiacutenh d7915ng (KPSS 0.075018 lt giaacute tr7883 t7899i h7841n 0,739000) c361ng nh432 s7921 phacircn ph7889i chu7849n c7911a ph7847n D432, chuacuteng ta th7845y r7857ng k7871t qu7843 h7891i quy lagrave lyacute h7907p, t7891n t7841i m7889i Quan h7879 Cacircn b7857ng trong dagravei h7841n gi7919a caacutec bi7871n. 2727891ng th7901i, giaacute tr7883 th7889ng kecirc Durbin-Watson l7899n h417n 1 necircn 273acircy lagrave m7897t 4327899c l4327907ng hi7879u qu7843. Bacircy gi7901, chuacuteng ta xeacutet 2737871n h7879 s7889 c7911a nh7919ng bi7871n kinh t7871 v mocirc vagrave v297 mocirc (Higravenh 4.7 vagrave B7843ng 4.11). B7843ng 4.11. Ki7875m 2737883nh tiacutenh d7915ng c7911a ph7847n d432 Viet Nam KPSS stat. levels Valor crítico del uno por ciento Hipótesis nula: variable es estacionaria Resid 0.075018 0.739000 Esta vista previa tiene secciones borrosas intencionalmente. Regístrese para ver la versión completa. 49 Higravenh 4.7. Ki7875m 2737883nh phacircn ph7889i chu7849n c7911a ph7847n D432 T7853p Trung vagraveo ERPT c7911a ch7881 s7889 giaacute nh7853p kh7849u, chuacuteng ta th7845y r7857ng bi7871n 2737897ng t7927 giaacute h7889i 273oaacutei coacute taacutec 2737897ng tiecircu c7921c (bi7871n ngh7883ch) lecircn 2.737.897 co ERPT giatilden. Phaacutet hi7879n nagravey coacute v7867 nh432 phugrave h7907p v7899i l7853p lu7853n c7911a Froot vagrave Klemperer (1989) cho r7857ng bi7871n 2737897ng t7927 giaacute h7889i 273oaacutei t7841m th7901i cagraveng cao 2734327907c k7871t h7907p v7899i ERPT cagraveng th7845p (t7913c lagrave Quan h7879 ph7911 2737883nh) trong m7897t mocirci tr4327901ng c7841nh tranh cao, b7903i vigrave nh7919ng nhagrave xu7845t kh7849u 273atilde chu7849n b7883 2737875 n7855m b7855t bi7871n 2737897ng t7841o C417 h7897i lagravem t259ng giaacute ho7863c gia t259ng th7883 ph7847n. Tuy nhiecircn, h7879 s7889 4327899c l4327907ng c7911a bi7871n nagravey l7841i khocircng coacute yacute ngh297a th7889ng kecirc trong dagravei h7841n 7903 Vi7879t Nam. H7879 s7889 ID c7911a bi7871n (2737841i di7879n cho m7913c 2737897 ph7909 thu7897c vagraveo nh7853p kh7849u) lagrave 0.295205, coacute yacute ngh297a th7889ng kecirc 7903 m7913c 1. K7871t qu7843 4327899c l4327907ng nagravey phugrave h7907p v7899i l7853p lu7853n c7911a Dornbusch hagravem yacute ERPT l7899n h417n trong nh7919ng kinh n7873n T7871 nh7887 vagrave ph7909 thu7897c vagraveo nh7853p kh7849u nhi7873u. 2727889i v7899i Vi7879t Nam, h7879 s7889 nagravey nh7887 coacute l7869 lagrave hacer n4327899c ta khocircng ph7909 thu7897c vagraveo b7845t k7923 m7897t 2737889i taacutec th432417ng m7841i nagraveo quaacute nhi7873u, caacutec ho7841t 2737897ng th432417ng m7841i, xu7845t ndash nh7853p kh7849u 2734327907c th7921c hi7879n v7899i nhi7873u b7841n hagraveng trecircn th7871 gi7899i . Taacutec c7911a 2737897ng l7841m phaacutet 2737871n ERPT vagraveo giaacute nh7853p kh7849u c7911a Vi7879t Nam khocircng coacute yacute ngh297a th7889ng kecirc trong dagravei h7841n, tuy nhiecircn, chuacuteng ta c361ng XEM xeacutet 2737871n h7879 s7889 noacute c7911a. H7879 s7889 d432417ng ng7909 yacute r7857ng C417 Quan ti7873n t7879 khocircng 273aacuteng estaño c7853y d7851n 2737871n m7913c 2737897 / bi7871n 2737897ng cao c7911a l7841m phaacutet, vigrave v7853y d7851n 2737871n ERPT cao 2737871n giaacute trong n4327899c (Tham kh7843o Taylor, 2000 Choudhri vagrave Hakura, 2006). 0 Este es el final de la vista previa. Regístrese para acceder al resto del documento. Correlación serial ¿Qué es la correlación serial? La correlación serial es la relación entre una variable dada y sí misma en varios intervalos de tiempo. Las correlaciones seriales se encuentran a menudo en patrones de repetición, cuando el nivel de una variable efectúa su nivel futuro. En finanzas, esta correlación es utilizada por los analistas técnicos para determinar qué tan bien el precio pasado de un valor predice el precio futuro. Correlación serial de ruptura El término correlación serial también se puede denominar autocorrelación o correlación retardada. La correlación seriada es un término utilizado en las estadísticas para describir la relación entre las observaciones de la misma variable en determinados períodos de tiempo. Si se mide que una correlación serial de variables es cero, entonces significa que no hay correlación, y cada una de las observaciones son independientes entre sí. Por el contrario, si una correlación serial de las variables se inclina hacia una, significa que las observaciones están correlacionadas en serie y que las observaciones futuras se ven afectadas por valores pasados. Esencialmente, una variable que está correlacionada en serie tiene un patrón y no es al azar. Medidas de correlación en serie se utilizan en el análisis técnico al analizar un patrón de seguridad. El análisis se basa totalmente en un movimiento de precios de las acciones y el volumen asociado, en lugar de los fundamentos de una empresa. Los profesionales del análisis técnico, si usan correlación serial correctamente, son capaces de encontrar y validar los patrones rentables o un valor o grupo de valores, y detectar oportunidades de inversión. El concepto de la correlación serial La idea detrás de la correlación serial es que fue utilizado originalmente en la ingeniería para determinar cómo una señal, como una señal de computadora o una onda de radio, varía con sí mismo con el tiempo. Comenzó a captarse en los círculos económicos como los economistas y los partidores de la econometría utilizado para analizar los datos económicos a través del tiempo. Estos académicos comenzaron a salir de la academia en busca de Wall Street. Y en la década de 1980, el uso de la correlación serial se estaba utilizando para predecir los precios de las acciones. Casi todas las grandes instituciones financieras tienen ahora analistas cuantitativos, conocidos como quants, en el personal. Estos analistas financieros utilizan el análisis técnico y otras inferencias estadísticas para analizar y predecir el mercado de valores. Estos cuantos son parte integrante del éxito de muchas de estas instituciones financieras, ya que se basan en modelos de mercado que la institución utiliza como base para su estrategia de inversión. La correlación seriada entre estos cuantos se determina usando la prueba de Durbin-Watson. La correlación puede ser positiva o negativa. Un precio de la acción que muestra correlación serial positiva, como uno podría adivinar, significa que la correlación tiene un patrón positivo. Una seguridad que tiene una correlación serial negativa, por otro lado, tiene una influencia negativa sobre sí misma con el tiempo.
No comments:
Post a Comment