Mudanças entre as edições de "Modelo de Bornholdt para simulação de mercados financeiros artificiais"
(→Alguns conceitos importantes) |
(→Distribuição dos Retornos) |
||
| Linha 32: | Linha 32: | ||
===Distribuição dos Retornos=== | ===Distribuição dos Retornos=== | ||
| + | Quando se tem um volume considerável de dados é possível obter a distribuição probabilística deles. Para isso pode-se utilizar a estimação de densidade de Kernel (KDE). Ao observar uma pequena janela em torno de um ponto em análise, pode-se dizer que: | ||
| + | |||
| + | <math>$P(x-h \leq x \leq x+h ) \approx \frac{1}{N}\sum_n^N W(u) </math> | ||
| + | |||
| + | sendo <math>W(u)</math> uma função ''kernel'' e <math>u</math> uma variável tal que: | ||
| + | |||
| + | <math>u = \frac{x - x_n}{2h}</math> | ||
| + | |||
| + | Para este estudo utilizou-se um ''kernel'' gaussiano: | ||
| + | |||
| + | <math>W(u) = \frac{1}{\sqrt{2\pi}} e^{-\frac{1}{2}u^2}</math> | ||
===Volatilidade=== | ===Volatilidade=== | ||
Edição das 19h20min de 18 de maio de 2021
Grupo: Leonardo Barcelos, Luana Bianchi e Rubens Borrasca
Índice
Modelo de Bornholdt
Alguns conceitos importantes
Retornos
Quando se trata de sistemas financeiros, os estudos se concentram mais no retorno dos ativos do que no preço em si, pois a série temporal dos retornos tem propriedades estatísticas mais interessantes que a série dos preços.
Sendo P(t) o preço de um ativo financeiro no instante t, e P(t-1) o preço do ativo no instante (t-1), o retorno linear do ativo é:
Reescrevendo esta equação, obtemos que:
Aplicando a função logarítmica em ambos os lados da equação, e considerando que:
obtêm-se o retorno logarítmico, que é mais indicado quando se têm ativos voláteis, que possuem uma variação muito alta:
Considerando que neste estudo serão comparados retornos de diferentes índices, e também os retornos obtidos através das simulações com o modelo de Bornholdt, é importante normalizar os retornos:
em que 
é o desvio padrão da serie de retornos e 
a média.
Distribuição dos Retornos
Quando se tem um volume considerável de dados é possível obter a distribuição probabilística deles. Para isso pode-se utilizar a estimação de densidade de Kernel (KDE). Ao observar uma pequena janela em torno de um ponto em análise, pode-se dizer que:
sendo 
uma função kernel e 
uma variável tal que:
Para este estudo utilizou-se um kernel gaussiano:
