Stata for Students Stata pour les étudiants est conçu pour les étudiants de premier cycle qui suivent des cours de méthodologie en sciences sociales à UW-Madison, mais il sera utile aux étudiants qui suivent des cours semblables ailleurs ou ceux qui cherchent une introduction de base à Stata. Les étudiants de troisième cycle et d'autres chercheurs, et ceux qui espèrent un jour être des étudiants diplômés ou des chercheurs, devrait lire Stata for Researchers. Stata for Students divisé en courts articles couvrant un seul sujet. Vous devriez lire tous les articles de la section Stata Basics avant de faire autre chose. Nous vous recommandons également de lire les articles de la section Understanding Stata, car ils aideront tout le reste à faire sens et vous rendre un utilisateur de Stata plus efficace. Après cela, vous pouvez lire seulement les articles qui correspondent à la matière couverte dans votre classe. Vous en apprendrez plus si vous effectuez réellement les étapes décrites dans ces articles. Tous les articles comprennent des exemples que vous pouvez faire vous-même. Ils utilisent un sous-échantillon de l'Enquête sociale générale de 2014, que vous téléchargez en suivant l'exemple de Gestion des fichiers Stata. (L'Enquête sociale générale (ESG) est un projet de l'organisme de recherche indépendant NORC à l'Université de Chicago, avec le financement principal de la National Science Foundation.) Si vous avez une tâche à faire, vous pouvez préférer lire les articles Et ensuite appliquer immédiatement ce que vous avez appris à votre mission. Dans ce cas, vous pouvez ignorer les instructions spécifiques pour les exemples. Statistiques descriptives Pour une variable qui décrit les catégories (comme le sexe ou la race) plutôt que les quantités (comme le revenu), les fréquences vous indiquent le nombre d'observations dans chaque catégorie. Ce sont des exemples de statistiques univariées ou de statistiques qui décrivent une seule variable. Les variables catégorielles sont aussi parfois appelées variables factorielles. Les variables indicatrices (également appelées variables binaires ou factices) ne sont que des variables catégoriques avec deux catégories. Les tables de fréquences pour une seule variable sont parfois appelées tables unidirectionnelles. Pour une variable qui décrit les quantités (comme le revenu), la moyenne indique la valeur attendue de la variable et l'écart-type indique la variation. Cependant, la médiane et les percentiles vous donnent souvent une meilleure idée de la façon dont la variable est distribuée, en particulier pour les variables qui ne sont pas symétriques (comme le revenu, qui a souvent quelques valeurs très élevées). Ce sont également des statistiques univariées. Les variables quantitatives sont souvent appelées variables continues. Les moyennes sont souvent appelées moyennes, et la variance est juste l'écart-type au carré. La médiane est également le cinquantième percentile. Pour deux variables catégorielles, les fréquences vous indiquent combien d'observations tombent dans chaque combinaison des deux variables catégorielles (comme les femmes noires ou les hommes hispaniques) et peuvent vous donner une idée de la relation entre les deux variables. Ce sont des exemples de statistiques bivariées ou de statistiques qui décrivent la répartition conjointe des deux variables. Les tables de fréquences pour deux variables sont souvent appelées tables à double sens, tables de contingence ou tableaux croisés. Pour une variable quantitative et une variable catégorielle, la valeur moyenne de la variable quantitative pour les observations qui appartiennent à chaque catégorie de la variable catégorielle peut vous donner une idée de la relation entre les deux variables. Dès lors, la question d'intérêt est de savoir si la distribution de la variable quantitative est différente selon les catégories. Ce sont également des exemples de statistiques bivariées. Pour trois variables catégorielles ou plus, les fréquences vous indiqueront combien d'observations tombent dans chaque combinaison des variables et vous donnent un sens de leurs relations comme elles le faisaient avec deux variables catégorielles. Ce sont des exemples de statistiques multivariées. Pour une variable quantitative et pour deux variables catégorielles ou plus, la valeur moyenne de la variable quantitative pour ces observations dans chaque combinaison des variables catégorielles peut vous donner une idée de la relation entre les variables comme avec une variable quantitative et une Variable catégorielle. Ce sont des exemples de statistiques multivariées. Estimations et tests d'hypothèses Recherche de l'ancienne Stata pour les étudiants Elle a mis l'accent sur l'utilisation de l'interface graphique Statas et la plupart des instructeurs de l'UW-Madison enseignent maintenant aux élèves à utiliser des commandes. Mais vous pouvez le trouver ici et ici. Le ratio de Sharpe est devenu la méthode la plus utilisée pour calculer le rendement ajusté en fonction du risque, mais il peut être inexact lorsqu'il est appliqué à des portefeuilles ou à des actifs qui n'ont pas de distribution normale des rendements attendus. Beaucoup d'actifs ont un degré élevé de kurtosis (queue de graisse) ou négatif skewness. Le ratio Sharp tend également à échouer lors de l'analyse des portefeuilles comportant des risques non linéaires significatifs, tels que des options ou des warrants. D'autres méthodes de rendement ajustées au risque ont émergé au cours des années, y compris le ratio Sortino. Return Over Maximum Drawdown (RoMaD) et le ratio de Treynor. Modern Portfolio Theory affirme que l'ajout d'actifs à un portefeuille diversifié qui ont des corrélations de moins d'un avec l'autre peut diminuer le risque du portefeuille sans sacrifier le rendement. Cette diversification permettra d'augmenter le ratio de Sharpe d'un portefeuille. Ratio de Sharpe (Rendement moyen du portefeuille Taux sans risque) Écart type du rendement du portefeuille La formule du ratio ex-ante de Sharpe utilise les rendements escomptés alors que le ratio ex post de Sharpe utilise les rendements réalisés. Applications du ratio de Sharpe Le ratio de Sharpe est souvent utilisé pour comparer la variation des caractéristiques globales risque-rendement d'un portefeuille lorsqu'une nouvelle classe d'actifs ou d'actifs lui est ajoutée. Par exemple, un gestionnaire de portefeuille envisage d'ajouter une allocation de fonds de couverture à son portefeuille de placements 5050 existant qui a un ratio de Sharpe de 0,67. Si la répartition des nouveaux portefeuilles est 404020 actions, obligations et une allocation de fonds diversifiée de couverture (peut-être un fonds de fonds), le ratio de Sharpe augmente à 0,87. Cela indique que même si l'investissement dans les fonds spéculatifs est risqué en tant qu'exposition autonome, il améliore effectivement la caractéristique risque-rendement du portefeuille combiné, ce qui ajoute un avantage de diversification. Si l'ajout du nouvel investissement a abaissé le ratio de Sharpe, il ne devrait pas être ajouté au portefeuille. Le ratio de Sharpe peut également aider à expliquer si les rendements de portefeuilles excédentaires sont dus à des décisions d'investissement futées ou à un trop grand risque. Même si un portefeuille ou un fonds peut obtenir des rendements plus élevés que ses concurrents, il ne s'agit que d'un bon investissement si ces rendements plus élevés ne sont pas accompagnés d'un excédent de risque supplémentaire. Plus un ratio Sharpe portefeuilles, le mieux sa performance ajustée au risque a été. Un ratio Sharpe négatif indique qu'un actif sans risque aurait un meilleur rendement que le titre analysé. Criticisms and Alternatives Le ratio de Sharpe utilise l'écart type des rendements dans le dénominateur comme son approximation du risque total du portefeuille, ce qui suppose que les rendements sont normalement distribués. Les preuves montrent que les rendements des actifs financiers tendent à s'écarter d'une distribution normale et peuvent rendre trompeuses les interprétations du ratio de Sharpe. Une variation du rapport de Sharpe est le rapport de Sortino. Qui supprime les effets des variations des prix à la hausse sur l'écart-type pour mesurer seulement le rendement contre la volatilité à la baisse des prix et utilise la semivariance dans le dénominateur. Le ratio de Treynor utilise un risque systématique. Ou bêta () au lieu de l'écart-type comme mesure de risque dans le dénominateur. Le ratio de Sharpe peut également être joué par les hedge funds ou les gestionnaires de portefeuille cherchant à accroître leur histoire apparente de rendement ajusté au risque. Cela peut être fait en: Allongement de l'intervalle de mesure: Ceci entraînera une estimation plus faible de la volatilité. Par exemple, l'écart-type annualisé des rendements quotidiens est généralement plus élevé que celui des rendements hebdomadaires, ce qui est à son tour supérieur à celui des rendements mensuels. Composer les rendements mensuels mais calculer l'écart type par rapport aux rendements mensuels non composés. Rédiger des appels et des appels hors du portefeuille: Cette stratégie peut potentiellement accroître le rendement en collectant la prime d'option sans rembourser pendant plusieurs années. Stratégies qui impliquent de prendre un risque de défaut. Risque de liquidité. Ou d'autres formes de risque de catastrophe ont la même capacité de signaler un ratio de Sharpe élevé vers le haut. (Un exemple est le ratio de Sharpe des fonds de couverture neutralisés par le marché avant et après la crise de liquidité de 1998.) Lissage des rendements: L'utilisation de certaines structures dérivées, le marquage peu fréquent des actifs illiquides ou l'utilisation de modèles de tarification qui sous - Réduire la volatilité déclarée. Éliminer les rendements extrêmes: Étant donné que ces rendements augmentent l'écart-type déclaré d'un fonds de couverture, un gestionnaire peut choisir d'essayer d'éliminer les meilleurs et les pires rendements mensuels chaque année pour réduire l'écart-type.
No comments:
Post a Comment