اندازه گیری Volatility

روزبه کیان روشن 28/07/2021

دانلود مقالات ISI درباره خطای اندازه گیری + ترجمه فارسی

در این صفحه تعداد 491 مقاله تخصصی درباره خطای اندازه گیری که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی اندازه گیری Volatility از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید.
در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.

مقالات زیر هنوز به فارسی ترجمه نشده اند.
در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.

Keywords: خطای اندازه گیری; Men who have sex with men; Illicit drugs; Drug testing; Validity; Measurement error;

Keywords: خطای اندازه گیری; Virtual sensing; Bayes' rule; Structural dynamics; Response estimation; Sensor network; Uncertainty reduction; Measurement error;

Keywords: خطای اندازه گیری; Varying-coefficient model; Measurement error; Auxiliary variable; Model check; Empirical process;

Keywords: خطای اندازه گیری; Basic Science Study; Statistics and Measurement Error; Range of motion; measurement error; arc of motion; elbow; statistics; rounding error; clinical research;

Keywords: خطای اندازه گیری; Measurement error; reliability; agreement; intraclass correlation coefficient; Bland-Altman graph; standard error of measurement; coefficient of variation;

Keywords: خطای اندازه گیری; Measurement error; Function model; Random model; Error's regularities; Uncertainty;

Keywords: خطای اندازه گیری; Measurement error; Regression calibration; Intra-class correlation coefficient; Gestational age; Bisphenol A; Triclosan;

Keywords: خطای اندازه گیری; Quantitative imaging biomarker; repeatability; repeatability coefficient; measurement error;

Keywords: خطای اندازه گیری; Marginal method; Measurement error; Missing data; Partially linear models; Robustness;

Keywords: خطای اندازه گیری; Measurement error; Traffic-related air pollution; Air pollution epidemiology; Pollutant spatial gradients; Acute health effects;

Keywords: خطای اندازه گیری; Particle image velocimetry; Refractive index; Measurement error; Hot jet flow;

Keywords: خطای اندازه گیری; Volatility forecasting; Realized volatility; Measurement error; State space model;

Keywords: خطای اندازه گیری; Prediction models; Prediction; Prognosis; Diagnosis; Measurement error; Error;

Keywords: خطای اندازه گیری; Markov chain Monte Carlo; Measurement error; Nested error model; Record linkage; Uncertainty;

Keywords: خطای اندازه گیری; Recall error; Measurement error; Farm labor; Agricultural productivity; C8; O12; Q12;

Keywords: خطای اندازه گیری; Measurement error; Relative entropy; Wiener process; Lifetime estimation; Reliability;

Keywords: خطای اندازه گیری; Infrared spectroscopy; Measurement error; Variogram; REML-EBLUP; MCMC; Filtered kriging;

Keywords: خطای اندازه گیری; 62D99; 62F40; 62J05; 62M20; Conditional distribution; Jackknife; Linear mixed model; Mean squared prediction error; Measurement error;

طراحی مدلی نوین برای اندازه‌گیری ریسک بازدهی شاخص صنعت بیمه برپایة رهیافت مارکوف

هدف: طراحی مدلی جامع و کاربردی برای محاسبه ریسک بازاری شاخص صنعت بیمه در بازار سهام است. هدف جانبی، آزمون رفتارپذیری شاخص مذکور از انتقالات رژیمی در دوره‌های زمانی مختلف است.
روش‌شناسی:روش مورد استفاده جهت دستیابی به هدف، بهره‌گیری از رویکرد «ارزش در معرض ریسک» با استفاده از ترکیب فرآیند رژیمی مارکوف در غالب مدل‌های خانواده GARCH می‌باشد.
یافته‌ها:نتایج تحقیق حاضر نشان می‌دهد ریسک بازدهی شاخص صنعت بیمه از انتقالات رژیمی تبعیت می‌کند و دارای هر دو اثر بازخورد و اثر اهرمی می‌باشد. همچنین رفتار رژیمی بازده این صنعت برپایه تابع توزیع t می‌باشد و با احتمالات متفاوتی بین رژیم‌ها انتقال می‌یابد.
نتیجه‌گیری: سازوکار 6 مرحله‌ای طراحی شده در این پژوهش، دارای مزایای از جمله قابلیت درنظر گرفتن انتقالات رژیمی، اثر اهرمی، اثر بازخورد بر پایه توابع توزیع متقارن و نامتقارن می‌باشد. نتیجه تحقیق نشان می‌دهد که مدل طراحی شده دارای قدرت بالاتری نسبت به مدل‌های مرسوم در اندازه‌گیری ریسک بازدهی شاخص صنعت بیمه است.
طبقه‌بندی موضوعی: F30 ،‌‌G33، K01.

کلیدواژه‌ها

عنوان مقاله [English]

A New Model for Measuring Return Risk of Insurance Industry Index Based on Markov Approach

نویسندگان [English]

• Mehdi Zolfaghari 1
• Fatemeh Faghihian 2

1 Assistant Professor at Department of Economics, Faculty of Management and Economics, Tarbiat Modares University (Corresponding Author)

2 Master of Science in Economics, Faculty of Economics, Esalami Azad University Central Branch

چکیده [English]

Objective: The main purpose is to design a comprehensive and practical model for calculating the market risk of the insurance industry index in the stock market. The side goal is to test the behavior of the index for regime transitions in different time periods.
Method :The approach used to achieve goals is to utilize the “Value at Risk” approach by combining the Markov regime process in body of the GARCH family models.
Finding :‌The results of the present study show that the return risk of the insurance industry follows regime transfers and has both feedback and leverage effects. Also, the regime behavior of this industry is based on the distribution function. Also it is transmitted between regimes with different probabilities.
Conclusion: The six-step mechanism designed in this study has advantages such as capability to consider regime transitions, leverage effect, feedback effect based on symmetric and asymmetric distribution functions. The results show that the designed model has higher power than conventional models in measuring the risk index of the insurance industry index.
JEL Classification : F30, G33, K01

مقایسه مدل‌ تلاطم تصادفی کانونی و MSGJR-GARCH در اندازه‌گیری تلاطم بازده سهام و محاسبه ارزش در معرض ریسک

یکی از مهمترین چالش‌ها در بررسی رفتار سرمایه‌گذاران در بازارهای مالی اندازه‌گیری تلاطم دارایی‌های مالی است. علت این موضوع آن است که تلاطم بازده سهام یک متغیر غیرقابل مشاهده می‌باشد. دو رویکرد اساسی برای مدل‌سازی تلاطم در اقتصاد مالی وجود دارد که تفاوت آنها در ساختار احتمالاتی آنهاست. در رویکرد اول تلاطم با استفاده از شوک‌های وارد آمده بر بازده سهام مدل‌سازی می‌شود و در رویکرد دوم تلاطم براساس یک فرآیند تصادفی که می‌تواند مستقل از دینامیک بازده سهام در طول زمان باشد تحول یابد. مدل‌های ارائه شده در رویکرد اول کلاس GARCH و در رویکرد دوم کلاس تلاطم تصادفی و تغییر وضعیت مارکفی را تشکیل می‌دهند. با وجود برتری ساختار احتمالاتی این دسته از مدل‌ها محاسبه پارامترهای مدل و پیش‌بینی تلاطم بسیار پیچیده می‌باشد که استفاده از روش‌های بیزی و شبیه‌سازی MCMC را اندازه گیری Volatility ناگزیر می‌سازد. نتایج این پژوهش حاکی از این است که در بازه زمانی پژوهش، وجود اثر اهرمی با استفاده از الگوی CSV در بازار سهام تهران تایید نمی‌شود و روش MSGJR-GARCH با توزیع t در پیش‌بینی تلاطم بازده پنجاه شرکت فعال بورس اوراق بهادار براساس معیار انحراف اطلاعاتی بیزی کاراتر عمل می‌کند. در نهایت برمبنای مدل کاراتر ارزش در معرض ریسک هفت روز اول خارج از داده‌ها محاسبه گردید.

کلیدواژه‌ها

20.1001.1.26454637.1399.10.32.6.4

عنوان مقاله [English]

Compare Canonical stochastic volatility model of focal MSGJR-GARCH to measure the volatility of stock returns and calculating VaR

نویسندگان [English]

• Ali Farhadian 1
• Mojtaba Rostami 2
• Moslem Nilchi 3

1 Assistant Prof., Dep of Management and entrepreneur, Faculty of Human Science, University of Kashan, Isfahan, Iran

One of the most important challenges in examining the behavior of investors in financial markets is measuring the volatility of financial assets. This is because stock price volatility is a latent variable. There are two basic approaches to modeling volatility in financial economics that differ in their probabilistic structure. In the first approach, volatility is modeled using shocks to stock returns, and in the second approach, volatility is transformed based on a stochastic process that can be independent of stock return dynamics over time. The models presented in the first approach of the GARCH class and in the second approach of the class constitute random volatility and Markov regime change. Despite the superiority of the probabilistic structure of these models, the calculation of model parameters and volatility prediction is very complex, which makes it necessary to use Bayesian methods and MCMC simulations. The results of this study indicate that in the period of this study, the existence of a leverage effect in the Tehran stock market is not confirmed and the MSGJR-GARCH method is more efficient in predicting fifty more active companies of Stock Exchange return volatility based on Bayesian information deviation criteria. Finally, based on the more efficient model, the out-of-sample VaR was calculated for the first seven days.

کلیدواژه‌ها [English]

• : Volatility
• Simulation
• Bayesian methods
• Value at Risk

مراجع

1.Andersen, T. G., & Benzoni, L. (2009). Realized volatility. In T. G. Andersen, R. A. Davis, J.-P. Kreiss, & T. V. Mikosch (Eds.), Handbook of financial time series (pp. 555–576). Berlin, Heidelberg: Springer.

2.Ardia, D., & Hoogerheide, L. F. (2010). Bayesian Estimation of the GARCH (1,1) Model with Student-t Innovations. In R. the R Journal, 2(2), 41–47.

3.Ari, Y. & Papadopoulos, S. A. (2016). Bayesian Estimation of the Parameters of the ARCH Model with Normal Innovations Using Lindley’s Approximation. Journal of Economic Computation and Economic Cybernetics Studies and Research, 50(4), 217–234

4.Asai, M. (2006). Comparison of MCMC Methods for Estimating GARCH Models. Journal of the Japan Statistical Society, 36, 199–212.

5.Ausin MC, Galeano P (2007). "Bayesian Estimation of the Gaussian Mixture GARCH Model." Computational Statistics and Data Analysis, 51(5), 2636-2652. DOI: 10. 1016/j.csda.01/2006.006.

6.Baghjari, M., Nilchi, M., Rasoolian, A. (2016). Examining the Return and the Return Volatility of Investment Industry in the Months of Ramadan and Muharram. Journal of Financial Management Perspective, 6(15), 25-41.

7.Baillie, R.T., Bollerslev, T. and Mikkelsen, H.O. (1996). Fractionally Integrated Generalized AutoregressiveConditional Heteroskedasticity, Journal of Econometrics, 74, 3–30.

10.Bollerslev, T. (1986). Generalised Autoregressive Conditional Heteroscedasticity. Journal of Econometrics

11.Bollerslev, T., Engle, R.F. and Nelson, D.B. (1994). ARCH Models, in R.F. Engle and D. Mc­Fadden (Eds.), Handbook of Econometrics Vol. IV, Amsterdam: North-Holland, PP. 2959–3038.

12.Broto, C., Ruiz, E. (2004). Estimation methods for stochastic volatility models: a survey. Journal of Economic Surveys 18:613–649.

13.Bühlmann, P. and McNeil, A. J. (2002). An Algorithm for Nonparametric GARCH Modelling. Computnl Statist. Data Anal., 40, 665–683

14.Cao, C.Q., and R.S. Tsay (1992) Nonlinear time-series analysis of stock volatilities, Journal of Applied Econometrics, December, Supplement, 1, S165–S185.

15.Chou, R.Y. (1988). Volatility Persistence and Stock Valuations: Some Empirical Evidence Using GARCH, Journalof Applied Econometrics, 3, 279–294.

16.Danielsson, J. (2011). Financial risk forecasting: the theory and practice of forecasting market risk with implementation in R and Matlab (Vol. 588). John Wiley & Sons.‏

17.Engle RF (2004). Risk and Volatility: Econometric Models and Financial Practice.The American Economic Review, 94(3), and 405-420. Doi: 1257/10/0002828041464597.

18.Engle, R. (1982) Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50, 987–1007

19.Engle, R. F., & Patton, A. J. (2006). What good is a volatility model? In Forecasting volatility in the financial markets (pp. 47-63). Butterworth-Heinemann.‏

20.Engle, R.F. and Ng, V. (1993). Measuring and Testing the Impact of News on Volatility, Journal of Finance, 48, 1749–1778.

21.Engle, R.F., Ng, V.K. and Rothschild, M. (1990). Asset Pricing with a Factor-ARCH Covariance Structure, Journal of Econometrics, 45, 235–237.

23.Geweke, J. (1989), "Bayesian Inference in Econometric Models Using Monte Carlo Integration," Econometrica, 57, 1317-1339.

24.Glosten LR, Jaganathan R, Runkle DE (1993). On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of Finance, 48(5), 1779-1801.

25.Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian Model Averaging: A Tutorial. Statistical Science, 14 (4), 382–417.

26.Hull, J., and White, A. (1987). The pricing of options on assets with stochastic volatilities. Journal of Finance, 42:281–300.

27.Jacquier, E., Polson, N., and Rossi, P. (2004). Bayesian analysis of stochastic volatility models with fat-tails and correlated errors. Journal of Econometrics, (122):185–212.

29.Kim, S., N. Shephard, and S. Chib (1998). Stochastic volatility: likelihood inference and comparison with ARCH models. Review of Economic Studies 65, 361–393.

30.Li, Y., Zeng, T., & Yu, J. (2014). A new approach to Bayesian hypothesis testing. Journal of Econometrics, 178, 602-612.

31.Lopez, J.A. (2001) Evaluating the predictive accuracy of volatility models, Journal of Forecasting, 20, 2, 87–109.

32.Malkiel, B. G. (2003). The efficient market hypothesis and its critics. Journal of economic perspectives, 17(1), 59-82.

33.Mandelbrot, B. (1963). The Variation of Certain Speculative Prices, Journal of Business, 36, 394–419. Nelson, D.B. (1991). Conditional Heteroscedasticity in Asset Returns: A New Approach, Econometrica, 59, 347–370.

34.Marcucci, J. (2005). Forecasting Stock Market Volatility with Regime-Switching GARCH models.” Working Paper, University of California at San Diego.

35.Melino, Angelo and Stuart Turnbull, 1989, Pricing foreign currency options with stochastic volatility, Journal of Econometrics 45, 239-266

36.Meyer, R. and Yu, J. (2000). BUGS for a Bayesian analysis of stochastic volatility models. Econometrics Journal, 3, 198–215.

38.Rostami M, Makiyan S N. (2020). Modeling Stock Return Volatility Using Symmetric and Asymmetric Nonlinear State Space Models: Case of Tehran Stock Market. Jemr,11 (41) :197-229

39.Sadorsky, P. (1999). Oil price shocks and stock market activity. Energy economics, 21(5), 449-469.

40.Schwert, G.W. (1989). Why Does Stock Market Volatility Change Over Time? Journal of Finance, 44, 1115–1153.

41.Sims, C.A. (1988), Bayesian Skepticism on Unit Root Econometrics, Journal of Economic Dynamics and Control, 12, 463-474.

42.Stock, J. H. (1991). Bayesian Approaches to the Unit Root' Problem: A Comment. Journal of Applied Econometrics, 403-411.

43.Taylor, J.W. (2004) Volatility forecasting with smooth transition exponential smoothing, International Journal of Forecasting, 20, 273–286.

45.Taylor, Stephen J., 1984, estimating the variances of auto correlations calculated from financial time series, Journal of the Royal Statistical Association, Series C (Applied Statistics) 33, 300-308.

46.Withers, S. D. (2002). Quantitative Methods: Bayesian Inference, Bayesian Thinking, Progress in Human Geography, 26 (4), 553–566.

47.Y Omori, S Chib, N Shephard, J Nakajima (2007). Stochastic volatility with leverage: Fast and efficient likelihood inference. Journal of Econometrics 140 (2), 425-449, 2007. 295, 2007.

48.Yu, J. (2005). On leverage in a stochastic volatility model. Journal of Econometrics, 127(2), 165-178.‏

49.Zakoian, J.-M. (1994). Threshold Heteroskedastic Models, Journal of Economic Dynamics Control, 18, 931–955.

51.Haas, M., Mittnik, S., & Paolella, M. S. (2004). A new approach to Markov-switching GARCH models. Journal of financial econometrics, 2(4), 493-530.

نوسان پذیری Volatility و همبستگی جفت ارزها Currency Correlation

روزبه کیان روشن 28/07/2021

برای اینکه در بازار ارزهای دیجیتالی یک معامله گر موثر باشید، درک حساسیت کل پورتفولیوها نسبت به نوسان پذیری بازار مهم است. این امر به ویژه در معاملات بازار ارزهای دیجیتال بسیار زیاد است. از آنجا که ارزها به صورت جفت قیمت گذاری می شوند، هیچ جفت واحدی کاملاً مستقل از بقیه معاملات نخواهد بود. هنگامی که از این همبستگی ها و نوسان پذیری و نحوه تغییر آنها آگاهی پیدا کردید، می توانید از آنها برای کنترل قرار دادن حساب و رمز ارزهای خود بهره ببرید. اگر قصد دارید با دو مفهوم Volatility و Currency Correlation آشنا شوید ادامه مطلب را از دست ندهید.

نوسان پذیری چیست | نحوه محاسبه نوسان پذیری (Volatility)

برای بسیاری از افراد سقوط بازار ارزهای دیجیتال در سال 2018 درسی بسیار دشوار درباره بی ثباتی شدید ارزهای رمزپایه بود. در طی 2 سال، قیمت رمز ارزها به شدت افت کرد و بسیاری از رمز ارزها را به بازاری بی ثبات تبدیل کرد. اولین و بزرگترین ارز رمزنگاری شده مبتنی بر سرمایه بازار بیت کوین نام داشت که در سال 2017 رشد گسترده ای را تجربه کرد و از 700 دلار به تقریبا 20،000 دلار رسید. اما این روزها، ارزهای رمزنگاری شده به عنوان یک فناوری پیچیده، مخل و ​​ظریف دیده می شود که افراد زیادی را ثروتمند کرده است. بنابراین جای تعجب نیست که بسیاری از افراد جذب جذابیت و ریسک ارزهای رمزپایه می شوند.

در امور مالی سنتی، نوسان پذیری یا volatility به عنوان محاسبه آماری پراکندگی قیمت یک دارایی تعریف می شود. به بیان ساده تر، نوسان پذیری میزان نوسان قیمت دارایی را در طول زمان توصیف می کند. یک سرمایه گذاری در صورتی بی ثبات در نظر گرفته می شود که قیمت های آن روزانه و به شدت به سمت بالا و پایین صعود و نزول کند. دارایی های ناپایدار کم یا به انگلیسی Low-volatile مانند طلا یا اوراق قرضه دولتی بسیار پایدار هستند؛ قیمت ها به صورت ثابت نوسان دارند و به دفعات تغییر نمی کنند. از طرف دیگر، دارایی های ناپایدار بالا به انگلیسی High-volatile از نظر ارزش به سرعت و با تهاجم بیشتری حرکت می کنند.

نحوه حساب کردن نوسان پذیری Volatility

اندیکاتورهای مختلفی در بازار وجود دارد که نوسان پذیری رمز ارزها را اندازه گیری می کند. از این تعداد، تعداد قابل توجهی شاخص وجود دارد که نوسان پذیری بیت کوین را اندازه می کند، زیرا بزرگترین ارز رمزنگاری شده در بازار ارزهای دیجیتالی است و به طور کلی شاخص معتبری برای بقیه بازار می باشد.

1.نوسان پذیری بیت کوین Buy Bitcoin World Wide

Buy Bitcoin World Wide نوسان پذیری بیت کوین را با اندازه گیری انحراف استاندارد قیمت های بیت کوین فراهم می کند. انحراف معیار نشان دهنده تغییر مجموعه ای از مقادیر است. انحراف استاندارد بالاتر به این معنی است که بیت کوین نوسان بیشتری دارد زیرا قیمت های آن بسیار گسترده تر است.

2.نوسان پذیری بیت ول

Bitvol.info فرایت بیت کوین را به صورت درصد دنبال می کند. معیارهایی برای اندازه گیری نوسان پذیری 30 روزه، 60 روزه، 120 روزه و 252 روزه برای بیت کوین وجود دارد.

3.نوسان پذیری بیت گور

با توجه به ارزش بازار شاخص نوسان پذیری بیت گور 10 مورد از بزرگترین و محبوب ترین رمز ارزها را محاسبه می کند. این یکی از معدود اندیکاتورهایی است که نوسان پذیری سایر ارزهای رمزپایه را اندازه گیری می کند. برخلاف دو شاخص اول، شاخص Bitgur از محدوده 0 تا 100 استفاده می کند؛ رقمی از نوسان پذیری نزدیک به 100٪ بیانگر سطح بالاتری از نوسانات است.

آیا Volatility خوب است؟

نوسان پذیری Volatility برای افراد مختلف در بازار معانی مختلفی دارد. همه اینها به تحمل فرد در برابر خطر بستگی دارد. یک فرد متنفر از خطر از سرمایه گذاری های با نوسان پذیری زیاد جلوگیری می کند، زیرا بیشتر به فکر ثبات و حفظ ثروت خود هستند. کسانی که در بازار ارزهای رمزنگاری شده مشارکت دارند خطرپذیر به حساب می آیند. در واقع، نزدیک به 60٪ از خریداران بیت کوین در سنین 15 تا 34 سال قرار دارند. همچنین جالب است بدانید که مردان به میزان قابل توجهی بیش از 70 درصد بر بازار اندازه گیری Volatility ارزهای رمزپایه تسلط دارند.

همبستگی جفت ارزها چیست؟ | نحوه محاسبه همبستگی جفت ارزها (Currency Correlation)

بعد از نوسان پذیری لازم است در خصوص همبستگی جفت ارزها توضیح دهیم. همبستگی جفت ارزها یا به انگلیسی Currency Correlation محاسبه آماری میزان مرتبط بودن جفت ارزها با یکدیگر است. اگر دو جفت ارزی همزمان افزایش یابد، این نشان دهنده یک همبستگی مثبت است. در حالی که اگر یکی افزایش یابد و دیگری کاهش یابد، این یک همبستگی منفی است. درک و نظارت همبستگی جفت ارز برای معامله گران مهم است، زیرا می تواند سطح ریسک آنها را هنگام معامله در بازار ارزهای دیجیتال تحت تاثیر قرار دهد. در ادامه، نحوه تعیین و محاسبه همبستگی رمز ارزها در بازار ارزهای دیجیتال و نحوه تأثیر آن بر معاملات و سیستم های معاملاتی را بررسی خواهیم کرد.

نحوه حساب کردن همبستگی جفت ارز در بازار ارزهای دیجیتال

در قدم اول لازم است بدانید، همبستگی جفت ارز می توانند به شما کمک کنند تا از وارد شدن به دو موقعیتی که یکدیگر را لغو میکنند، جلوگیری کنید. به عنوان مثال ، با دانستن اینکه EUR / USD و USD / CHF تقریباً اکثر مواقع در جهت مخالف حرکت می کنند، خواهید دید که داشتن یک نمونه کار با EUR طولانی / USD و USD/CHF طولانی مدت بدون داشتن هیچ موقعیتی یکسان است. زیرا، همانطور که همبستگی اندازه گیری Volatility نشان می دهد، هنگام تجمع EUR / USD ، USD / CHF دستخوش فروش مجدد می شود. از طرف دیگر، نگه داشتن طولانی EUR / USD و AUD/USD یا NZD / USD در طولانی مدت مشابه دو برابر شدن در همان موقعیت است، زیرا همبستگی ها بسیار قوی هستند.

تنوع سازی عامل دیگری است که باید مورد توجه قرار گیرد. از آنجا که همبستگی EUR / USD و AUD / USD به طور سنتی 100٪ مثبت نیست، معامله گران می توانند در حالی که همچنان یک جهت اصلی را حفظ می کنند با استفاده از این دو جفت ریسک خود را تا حدی متنوع کنند. برای نمونه می توان گفت، برای بیان یک چشم انداز نزولی به دلار، تاجر به جای خرید دو لات EUR / USD، ممکن است یک لات از اندازه گیری Volatility EUR / USD و یک لات از AUD / USD بخرد. لازم به ذکر است که همبستگی های ناقصی که بین دو جفت ارز مختلف ایجاد می شود، امکان تنوع و خطر کمتری را ایجاد می کند.

شایان ذکر است، یک معامله گر می تواند مقادیر مختلف pip یا point را نیز به نفع خود استفاده کند. بیایید یکبار دیگر EUR / USD و USD / CHF را در نظر بگیریم. آنها همبستگی منفی تقریباً کاملی دارند، اما ارزش حرکت پیپ در یورو/دلار آمریکا برای بسیاری از 100000 واحد 10 دلار است. در حالی که ارزش حرکت پیپ در دلار آمریکا / CHF 9.24 دلار برای همان تعداد واحد است. این بدان معناست که معامله گران می توانند از USD/CHF برای جلوگیری از قرار گرفتن در معرض EUR/USD استفاده کنند.

فرمول همبستگی جفت ارزها:

ضریب همبستگی Correlation Coefficients چیست؟

ضریب همبستگی در معاملات جفت استفاده می شود و این شاخص همبستگی بین دارایی های مختلف را اندازه گیری می کند. در این مورد – جفت ارز این دامنه از 1 تا -1 است. با 1 نشان دهنده یک همبستگی مثبت کامل و -1 نشان دهنده یک همبستگی منفی کامل است. اگر مقدار ضریب 0 باشد، به این معنی است که هیچ همبستگی بین حرکات قیمت جفت های مختلف ارز وجود ندارد.

ضریب همبستگی پیرسون پرکاربردترین معیار همبستگی ارزی در بازار است، اما برخی دیگر شامل همبستگی درون کلاس و همبستگی رتبه ای هستند. در زمینه همبستگی های ارزی، ضریب همبستگی پیرسون اندازه گیری قدرت یک رابطه خطی بین دو جفت رمز ارز مختلف است. بسیاری از معامله گران برای محاسبه ضریب همبستگی پیرسون از یک برنامه رایانه گسترده استفاده می کنند، زیرا روش انجام این کار به صورت دستی بسیار پیچیده است.

صرف نظر از اینکه شما به دنبال تنوع بخشیدن به موقعیت های خود و یا یافتن جفت های متناوب هستید، آگاهی از ارتباط بین جفت های ارزی مختلف و روند تغییر آنها بسیار مهم است. این دانش قدرتمندی برای کلیه فعالان در عرصه ارزهای دیجیتال است که بیش از یک جفت ارز در حساب های تجاری خود دارند. دانش نوسان پذیری و همبستگی به معامله گران کمک می کند تا سود خود را متنوع کرده و از هدف خود محافظت کنند یا دو برابر کنند.

چگونه نوسان ساز Chaikin Volatility on Olymp Trade را بخوانیم؟

نوسانات بازار یک عامل مهم در تجزیه و تحلیل رفتار قیمت های امنیتی است. این روند اغلب در زمان نوسانات بیشتر و سریعتر تغییر می کند. تغییرات قیمت ها در دوره های کم نوسان کمتر و کندتر انجام می شود. این تغییرات بر خواندن شاخص ها تأثیر می گذارد زیرا سیگنال ها ممکن است خیلی زود یا خیلی دیر برسند. به همین دلیل مهم است که عامل نوسان در محاسبات لحاظ شود. و امروز من قصد دارم نشانگر نوسان Chaikin را ارائه کنم.

اصول نوسان Chaikin

شاخص ابداع شده توسط مارک چایکین ابزاری است که با تحلیل شکاف بین قیمتهای پایین و بالا دارایی در یک زمان خاص ، نوسانات را اندازه گیری می کند. به عنوان نشانگر نوسان Chaikin (VT) شناخته می شود.

افزودن Chaikin Volatility به نمودار Olymp Trade

وارد حساب Olymp Trade خود شوید. ابزار مالی مورد نظر خود را در این جلسه انتخاب کنید. دوره نمودار را تنظیم کنید. بر روی نماد Chart Analysis و سپس بر روی گروه شاخص های Volatility کلیک کنید. نوسانات Chaikin نمایش داده می شود.

البته ، شما همچنین می توانید شروع به تایپ نام نشانگر مورد نیاز در پنجره جستجو کنید.

VT در پنجره جداگانه زیر نمودار قیمت شما ظاهر می شود. این یک شکل از یک خط است که در اطراف خط 0 نوسان می کند.

نمودار GBPUSD با نوسان Chaikin

فرار Chaikin چگونه کار می کند

این شاخص میانگین متحرک نمایی تفاوت قیمتهای بالا و پایین را محاسبه می کند. سپس ، تغییر این میانگین متحرک را در طول زمان در مقدار درصد اندازه گیری می کند.

Chaikin توصیه می کند از یک میانگین متحرک 10 روزه برای بررسی نوسانات استفاده کنید.

وقتی شاخص مقادیر پایینی را نشان می دهد ، به این معنی است که قیمت های روزانه از بالا تا پایین نسبتاً ثابت است. وقتی قرائت اندیکاتور مقادیر بالایی را نشان می دهد ، قیمت های روزانه از بالا تا پایین بسیار وسیع است.

شرایطی که قیمت در نمودار قیمت ها صعود می کند و نوسانات در مدت زمان کوتاهی افزایش می یابد نشان دهنده عصبی شدن معامله گران است. وقتی صعود بازار با کاهش نوسانات در طولانی مدت همراه شود ، نشان دهنده رشد بازار گاو نر است.

کاهش نوسانات در طولانی مدت می تواند نشان دهنده ایجاد بازارهای برتر باشد

در حال حاضر ، وقتی قیمت پایین می آید و نوسانات در مدت طولانی کاهش می یابد ، نشان می دهد که معامله گران علاقه چندانی به بازار ندارند.

آخرین مرحله روند نزولی با کاهش مداوم نوسانات

هنگامی که بی ثباتی در مدت زمان کوتاهی افزایش می یابد و کف در بازار وجود دارد ، این بدان معناست که معامله گران با وحشت می فروشند.

بازار با اوج Chalak Volatility - فروش وحشتناک در حال سقوط است

نوسانات پایین و کاهش آن را می توان در طول روند صعودی قیمت ها مشاهده کرد.

در بالای روند صعودی ، قبل از معکوس شدن روند ، افزایش آهستگی می تواند رخ دهد.

نوسانات بیشتری را می توان در طول حرکت نزولی مشاهده کرد.

در نزدیکی روند نزولی ، افزایش ناپایداری کوتاه مدت مشاهده می شود.

کلمات پایانی

شاخص Chaikin Volatility نوسانات را اندازه گیری می کند. نویسنده توصیه می کند در محاسبات از میانگین متحرک 10 روزه استفاده کنید.

به حساب نسخه ی نمایشی Olymp Trade بروید و نحوه عملکرد Chaikin Volatility را بررسی کنید. این یک حساب تمرین رایگان است که در آن می توانید هر شاخص یا تکنیک معاملاتی جدید را بررسی کنید. این دستگاه دارای پول نقد مجازی است که می توانید هر زمان که بخواهید آن را تقویت کنید. شما حتی در صورت شکست معامله پول خود را از دست نمی دهید. قبل از انتقال به حساب واقعی ، مهارت های خود را آموزش دهید.

در زیر ، بخش نظرات را خواهید دید. نظرات خود را در مورد شاخص فرار Chaikin با ما به اشتراک بگذارید. خوشحال می شوم از زبان شما بشنوم.