Что такое гауссова кривая
1. Гауссова кривая
Теория:
Вероятность и статистика объединены благодаря двум фактам. Первый факт: явление статистической устойчивости. Второй факт: во многих статистических наблюдениях статистическая устойчивость может быть описана с помощью только одной функции, которая была введена великим немецким математиком Карлом Гауссом (\(1777\)–\(1855\)). Эта функция имеет вид:
Рис. \(1\). Гауссова кривая.
Гистограммы распределения большого объёма информации для удобства подвергаются выравниванию и заменяются на функции, имеющие простую аналитическую запись. Они называются выравнивающими функциями.
График выравнивающей функции является гауссовой кривой. Её называют ещё кривой нормального распределения.
Рис. \(2\). Кривая нормального распределения.
Рассмотрим простой прибор (называется доска Гальтона ). От верхнего отверстия равномерно идут вниз разветвляющиеся ходы.Шарики, поступающие в прибор, случайным образом находят свою траекторию и попадают в определённую ячейку. Распределение шариков подтверждает закон Гаусса.
Рис. \(3\). Доска Гальтона.
Рис. 1. Гауссова кривая, © ЯКласс.
Рис. 2. Кривая нормального распределения, © ЯКласс.
Новичкам. Опционы и Гауссово (нормальное) распределение.
Продолжаем грызть тему опционов по книгам Саймона и Натенберга, сегодня добрались до темы волатильность.
Волатильность — это то, что отличает торговлю фьючерсами от опционов. Кто не знает как работает волатильность, по каким законам она живет, не сможет работать с опционами. Там, где волатильность, там есть и теория вероятности, а там, где теория вероятности — сидит определенный математический аппарат.
Именно в этой точке гуманитарий опускает руки, потому что не может разобраться как работать с моделью Блэка-Шоулза, не знает элементарных понятий из теории вероятности, не знает как работает Гауссово распределение.
Будем двигаться понемногу, сегодня разберемся именно с Гауссовым распределением, я покажу на пальцах что это такое и уже потом будем постепенно углубляться в модель Блэка-Шоулза (да-да, уважаемые новички, без понимания как работает эта модель вы будете терять деньги на опционном рынке).
Что же такое Гауссово распределение, оно же распределение Гаусса-Лапласа? Это такое распределение вероятностей, которое в одномерном случае задаётся функцией плотности вероятности, совпадающей с функцией Гаусса:
Важно знать следующие свойства функции плотности распределения Гаусса:
С вероятностью 68,2% случайная величина не отклонится от своего математического ожидания дальше, чем 1 сигма.
С вероятностью 95,4% случайная величина не отклонится от своего математического ожидания дальше, чем 2 сигма.
С вероятностью 99,7% случайная величина не отклонится от своего математического ожидания дальше, чем 3 сигма.
Что это такое и как с этим работать трейдеру?
Есть удивительный индикатор Боллинджера, который показывает среднюю, верхнюю и нижнюю границу диапазона изменения цены актива, по умолчанию там настроен параметр 2сигма. Таким образом, если бы рынок подчинялся распределению Гаусса, то с вероятностью 95,4% цена не должна выходить за границы диапазона. Но почему же иногда она выходит? Потому что нормальное распределение по Гауссу это всего лишь математическая модель, рынки же в основе своей живут не по распределению Гаусса, на рынках есть тренд и память. Именно поэтому о каком-то случайном блуждании цены говорить не приходится, но в то же время рынки очень часто живут также и по Гауссу, мы это видим во время боковиков, когда цена хаотично движется туда-сюда, но не выходит за границы диапазона. Это как раз частный случай хаотичного движения (пропал тренд).
Более простого изложения на практике «куполообразного» распределение вероятностей я нигде не видел ранее, именно этим меня и цепанула книга Натенберга. Респект автору, умеет он всё же нетривиальные вещи объяснить простым языком.
Случайное блуждание.
Возьмем для примера игру пинбол. Шарик катится вниз через частокол штырьков. Наткнувшись на штырек, он отклоняется вправо или влево с вероятностью 50%. После этого шарик попадает на новый уровень, где натыкается на другой штырек. Наконец, внизу он падает в одну из лунок.
Движение шарика через частокол штырьков называют случайным блужданием. Как только шарик попадает в этот частокол, никто не может повлиять на его траекторию, равно как и предсказать эту траекторию.
Если бросить достаточное количество шариков, то можно получить распределение, которое называется Гауссовым — большинство шариков попадает в центр игрового поля; чем дальше лунки расположены от центра, тем меньше шариков в них оказывается. Такое распределение называется еще нормальным или колоколообразным:
Если бросить бесконечно большое количество шариков, то распределение будет описываться колоколообразной кривой, изображенной на рисунке.
Низковолатильное распределение.
Теперь давайте слегка изменим условия игры, поставив вертикальные перегородки таким образом, что теперь, наткнувшись на штырек и отклонившись влево или вправо, шарик опустится до соприкосновения со следующим штырьком не на один, а на два уровня. Если бросить достаточное количество шариков, то получится распределение, представленное кривой на рисунке (низковолатильное распределение):
Поскольку боковые движения шариков ограничены, пик этой кривой будет выше, а ее хвосты будут более узкими, чем у кривой на предыдущем рисунке. Несмотря на изменения формы, это по-прежнему кривая нормального распределения, но с несколько иными характеристиками (для тех, кто владеет математическим аппаратом — параметр эксцесс отвечает за высоту пика).
Высоковолатильное распределение.
Наконец, мы можем поставить горизонтальные перегородки так, что, попадая на следующий уровень, шарик будет каждый раз отклоняться на два штырька влево или вправо. И снова, если бросить достаточное количество шариков, то получится распределение, представленное на рисунке:
У этой кривой, которая также отражает нормальное распределение вероятностей, пик намного ниже, а хвосты убывают намного медленнее, чем у кривых на предыдущих рисунках.
Для чего нам всё это нужно было?
Пусть боковые движения шарика символизируют повышательные и понижательные изменения цены базового актива, а движение вниз — течение времени. Если предположить, что цена Ri каждый день повышается или понижается на 2500 пунктов (шаг 1 страйка), то распределение значений цены через 15 дней будет представлено на рисунке с «колоколообразной» плотностью распределения вероятностей.
Если предположить, что цена Ri повышается на 2500 пунктов каждые 2 дня, то распределение будет похоже на рисунок «низковолатильного распределения».
А если предположить, что цена Ri за день растет или падает на 5000 пунктов (2 страйка), то распределение будет напоминать рисунок «высоковолатильного распределения».
Если сегодня Ri стоит 107 500, а срок действия опциона истекает через 15 дней, то как определить стоимость 112 500 колла?
Об этом в следующих сериях.
Если такие вот топики вам заходят — ставьте лайки, жмите колокольчик, пишите каменты.
Да сопутствует вам всем удача в опционном мире!
Открытие про Гауссово распределение, или тайна Иоганна Карла Фридриха Гаусса.
Ну так вот. Есть такая штука – Гауссово распределение. Оно очень часто встречается, оно повсюду.
Практически, куда ни плюнь – там гауссово распределение.
И это, между прочим, не метафора! Если начать куда-нибудь плевать, то плевки будут распределятъся именно по гауссу.
Поэтому не будет преувеличением сказать, что куда ни плюнь – там гауссово распределение.
Гаусово распределение, или оно еще называется „нормальное распределение“, описывается страшной формулой:
А график его выглядит как колокольчик, вот так:
Ну и возникает вопрос – почему совершенно разные процессы, такие как плевание в потолок, траектория ракеты,
или посещаемость избирательных участков (кроме, конечно, российских), описываются именно этой формулой?
Даже два вопроса возникает:
1. Какое общее свойство у всех этих процессов?
Ведь случайный процесс может быть любым, распределение может быть вообще произвольным.
Не может же так случайно получиться, что у кучи совершенно различных процессов распределение описывается
одной и той же формулой. Значит, должно быть у них какое-то общее свойство, которое именно этой формулой и
описывается.
Причем, это должно быть какое-то ОЧЕНЬ ПРОСТОЕ свойство, раз куча совершенно разных процессов им обладает.
Чтобы ответить на оба эти вопроса, возьмем да и построим это Гауссово распределение своими руками.
Но позже. Для начала поясним – о чем вообще речь. 🙂
Есть у нас какая-то величина, назовем ее X. Ну, например, температура в комнате в градусах Цельсия.
Она в течении дня принимает разные значения. Например, <18°, 19°, 18°, 18°, 19°, 20° >.
Все эти значения можно графически изобразить в виде «гистограммы“:
Или можно отображать значения горизонтальными черточками:
Это дело вкуса, обычно используются горизонтальные черточки.
Если X принимает нецелые значения, например, 18.2°, то их округляют до целых.
Вот все эти графики и называются “распределением величины X“. Они просто показывают – как часто X принимает то или иное значение.
Понятно, что распределение может быть любой формы. Но есть такие формы, которые встречаются часто, и у них есть свои названия.
Например: Гауссово (или нормальное) распределение, распределение Пуассона, равномерное распределение, распределение Ландау, и еще всякие разные.
Все они исследованы Гауссом, Пуассоном и Ландау соответственно, и их графики описаны аналитически, в виде формул.
Ну и вот интересно – почему это одни распределения встречаются чаще, чем другие.
Взять, например, равномерное распределение.
Равномерное распределение означает, что величина X распределена равномерно – все значения одинаково вероятны.
Формула у него предельно простая:
Казалось бы, это равномерное распределение должно быть самым распространенным.
Ан нет, не тут то было. Куда ни плюнь – все везде распределено по Гауссу, и описывается жуткой формулой.
Гаусс своими руками.
Чтобы понять – что такое Гауссово распределение, почему оно именно такое, и почему оно так часто встречается, возьмем да и построим этого Гаусса своими руками.
# Осторожно.
# Дальнейший текст содержит секретную информацию, не известную ни одному аспиранту,
# не говоря уже о профессорах и академиках
# Читая дальнейший текст, вы подписываетсесь под тем, что читаете его на свой страх и риск.
# Автор не несет никакой ответственности ни за что, и ниибет.
Теперь рисуем гистограмму. Наша X распределена вот так:
Возьмем другую случайную величину X1, которая точно так же распределена, и при этом НЕЗАВИСИМА от X.
Например, будем кидать еще одну монетку.
Добавим ее к нашему X и посмотрим как изменится распределение. Гистограмма суммы двух величин (X+X1) выглядит так:
Прикольно, да? У суммы края разъехались и появился пик в нуле.
Понятно, почему так получается.
Уже, наверное, понятно, что будет дальше. Добавим еще одну величину X2, так же распределенную:
Досыпeм туда еще случайных величин.
Сумма 20-ти случайных величин выглядит так:
Получился всеми любимый Гаусс, описываемый жуткой формулой.
(Для сравнения, красная линия показывает идеальный Гаусс, нарисованный по формуле.)
Вот и все, чистая арифметика.
Именно поэтому Гаусс так часто встречается.
И наоборот, если нечто распределено по Гауссу, то можно уверенно сказать,
что это нечто является сложным процессом, в который вовлечено много независимых факторов.
Правильный ответ такой – в сумме будет Гаусс. Когда слагаемых много, то эффект от суммирования перевешивает
индивидуальные особенности распределений, и в итоге получается Гаусс.
Например, возьмем X распределенный по Ландау
(вообще, у Ландау бесконечный хвост вправо, но я его отбросил и сдвинул все немного влево,
чтобы центр распределения оказался в нуле).
Вот такая штука получилась:
Ландау неудобно тем, что оно совсем несимметричное. Ну ничего.
Сложим два Ландау:
Ага! 🙂 Правый хвост поджался, уже похоже на Гаусс, но не совсем.
Теперь сложим сразу 100 Ландау:
Ну уже почти.
Возьмем 1000 Ландау:
Уверен, что ни один ученый из тех, кто пользуется Гауссианам, не знает что это такое.
Хотя, может и есть где-то пара специалистов по теории вероятностей, постигших тайну нормального распределения,
и по секрету передающих ее из поколения в поколение, кто знает.
Нормальное распределение (Гаусса) в Excel
В статье подробно показано, что такое нормальный закон распределения случайной величины и как им пользоваться при решении практически задач.
Нормальное распределение в статистике
История закона насчитывает 300 лет. Первым открывателем стал Абрахам де Муавр, который придумал аппроксимацию биномиального распределения еще 1733 году. Через много лет Карл Фридрих Гаусс (1809 г.) и Пьер-Симон Лаплас (1812 г.) вывели математические функции.
Лаплас также обнаружил замечательную закономерность и сформулировал центральную предельную теорему (ЦПТ), согласно которой сумма большого количества малых и независимых величин имеет нормальное распределение.
Нормальный закон не является фиксированным уравнением зависимости одной переменной от другой. Фиксируется только характер этой зависимости. Конкретная форма распределения задается специальными параметрами. Например, у = аx + b – это уравнение прямой. Однако где конкретно она проходит и под каким наклоном, определяется параметрами а и b. Также и с нормальным распределением. Ясно, что это функция, которая описывает тенденцию высокой концентрации значений около центра, но ее точная форма задается специальными параметрами.
Кривая нормального распределения Гаусса имеет следующий вид.
График нормального распределения напоминает колокол, поэтому можно встретить название колоколообразная кривая. У графика имеется «горб» в середине и резкое снижение плотности по краям. В этом заключается суть нормального распределения. Вероятность того, что случайная величина окажется около центра гораздо выше, чем то, что она сильно отклонится от середины.
На рисунке выше изображены два участка под кривой Гаусса: синий и зеленый. Основания, т.е. интервалы, у обоих участков равны. Но заметно отличаются высоты. Синий участок удален от центра, и имеет существенно меньшую высоту, чем зеленый, который находится в самом центре распределения. Следовательно, отличаются и площади, то бишь вероятности попадания в обозначенные интервалы.
Формула нормального распределения (плотности) следующая.
Формула состоит из двух математических констант:
е – основание натурального логарифма 2,718;
двух изменяемых параметров, которые задают форму конкретной кривой:
m – математическое ожидание (в различных источниках могут использоваться другие обозначения, например, µ или a);
ну и сама переменная x, для которой высчитывается плотность вероятности.
Конкретная форма нормального распределения зависит от 2-х параметров: математического ожидания (m) и дисперсии ( σ 2 ). Кратко обозначается N(m, σ 2 ) или N(m, σ). Параметр m (матожидание) определяет центр распределения, которому соответствует максимальная высота графика. Дисперсия σ 2 характеризует размах вариации, то есть «размазанность» данных.
Параметр математического ожидания смещает центр распределения вправо или влево, не влияя на саму форму кривой плотности.
А вот дисперсия определяет остроконечность кривой. Когда данные имеют малый разброс, то вся их масса концентрируется у центра. Если же у данных большой разброс, то они «размазываются» по широкому диапазону.
Плотность распределения не имеет прямого практического применения. Для расчета вероятностей нужно проинтегрировать функцию плотности.
Вероятность того, что случайная величина окажется меньше некоторого значения x, определяется функцией нормального распределения:
Используя математические свойства любого непрерывного распределения, несложно рассчитать и любые другие вероятности, так как
P(a ≤ X 0 =1 и остается рассчитать только соотношение 1 на корень из 2 пи.
Таким образом, по графику хорошо видно, что значения, имеющие маленькие отклонения от средней, выпадают чаще других, а те, которые сильно отдалены от центра, встречаются значительно реже. Шкала оси абсцисс измеряется в стандартных отклонениях, что позволяет отвязаться от единиц измерения и получить универсальную структуру нормального распределения. Кривая Гаусса для нормированных данных отлично демонстрирует и другие свойства нормального распределения. Например, что оно является симметричным относительно оси ординат. В пределах ±1σ от средней арифметической сконцентрирована большая часть всех значений (прикидываем пока на глазок). В пределах ±2σ находятся большинство данных. В пределах ±3σ находятся почти все данные. Последнее свойство широко известно под названием правило трех сигм для нормального распределения.
Функция стандартного нормального распределения позволяет рассчитывать вероятности.
Понятное дело, вручную никто не считает. Все подсчитано и размещено в специальных таблицах, которые есть в конце любого учебника по статистике.
Таблица нормального распределения
Таблицы нормального распределения встречаются двух типов:
— таблица плотности;
— таблица функции (интеграла от плотности).
Таблица плотности используется редко. Тем не менее, посмотрим, как она выглядит. Допустим, нужно получить плотность для z = 1, т.е. плотность значения, отстоящего от матожидания на 1 сигму. Ниже показан кусок таблицы.
В зависимости от организации данных ищем нужное значение по названию столбца и строки. В нашем примере берем строку 1,0 и столбец 0, т.к. сотых долей нет. Искомое значение равно 0,2420 (0 перед 2420 опущен).
Функция Гаусса симметрична относительно оси ординат. Поэтому φ(z)= φ(-z), т.е. плотность для 1 тождественна плотности для -1, что отчетливо видно на рисунке.
Чтобы не тратить зря бумагу, таблицы печатают только для положительных значений.
На практике чаще используют значения функции стандартного нормального распределения, то есть вероятности для различных z.
В таких таблицах также содержатся только положительные значения. Поэтому для понимания и нахождения любых нужных вероятностей следует знать свойства стандартного нормального распределения.
Функция Ф(z) симметрична относительно своего значения 0,5 (а не оси ординат, как плотность). Отсюда справедливо равенство:
Это факт показан на картинке:
Значения функции Ф(-z) и Ф(z) делят график на 3 части. Причем верхняя и нижняя части равны (обозначены галочками). Для того, чтобы дополнить вероятность Ф(z) до 1, достаточно добавить недостающую величину Ф(-z). Получится равенство, указанное чуть выше.
Если нужно отыскать вероятность попадания в интервал (0; z), то есть вероятность отклонения от нуля в положительную сторону до некоторого количества стандартных отклонений, достаточно от значения функции стандартного нормального распределения отнять 0,5:
Для наглядности можно взглянуть на рисунок.
На кривой Гаусса, эта же ситуация выглядит как площадь от центра вправо до z.
Довольно часто аналитика интересует вероятность отклонения в обе стороны от нуля. А так как функция симметрична относительно центра, предыдущую формулу нужно умножить на 2:
Под кривой Гаусса это центральная часть, ограниченная выбранным значением –z слева и z справа.
Указанные свойства следует принять во внимание, т.к. табличные значения редко соответствуют интересующему интервалу.
Для облегчения задачи в учебниках обычно публикуют таблицы для функции вида:
Если нужна вероятность отклонения в обе стороны от нуля, то, как мы только что убедились, табличное значение для данной функции просто умножается на 2.
Теперь посмотрим на конкретные примеры. Ниже показана таблица стандартного нормального распределения. Найдем табличные значения для трех z: 1,64, 1,96 и 3.
Как понять смысл этих чисел? Начнем с z=1,64, для которого табличное значение составляет 0,4495. Проще всего пояснить смысл на рисунке.
То есть вероятность того, что стандартизованная нормально распределенная случайная величина попадет в интервал от 0 до 1,64, равна 0,4495. При решении задач обычно нужно рассчитать вероятность отклонения в обе стороны, поэтому умножим величину 0,4495 на 2 и получим примерно 0,9. Занимаемая площадь под кривой Гаусса показана ниже.
Таким образом, 90% всех нормально распределенных значений попадает в интервал ±1,64σ от средней арифметической. Я не случайно выбрал значение z=1,64, т.к. окрестность вокруг средней арифметической, занимающая 90% всей площади, иногда используется для проверки статистических гипотез и расчета доверительных интервалов. Если проверяемое значение не попадает в обозначенную область, то его наступление маловероятно (всего 10%).
Для проверки гипотез, однако, чаще используется интервал, накрывающий 95% всех значений. Половина вероятности от 0,95 – это 0,4750 (см. второе выделенное в таблице значение).
Для этой вероятности z=1,96. Т.е. в пределах почти ±2σ от средней находится 95% значений. Только 5% выпадают за эти пределы.
Еще одно интересное и часто используемое табличное значение соответствует z=3, оно равно по нашей таблице 0,4986. Умножим на 2 и получим 0,997. Значит, в рамках ±3σ от средней арифметической заключены почти все значения.
Так выглядит правило 3 сигм для нормального распределения на диаграмме.
С помощью статистических таблиц можно получить любую вероятность. Однако этот метод очень медленный, неудобный и сильно устарел. Сегодня все делается на компьютере. Далее переходим к практике расчетов в Excel.
Нормальное распределение в Excel
В Excel есть несколько функций для подсчета вероятностей или обратных значений нормального распределения.
Функция НОРМ.СТ.РАСП
Функция НОРМ.СТ.РАСП предназначена для расчета плотности ϕ( z ) или вероятности Φ(z) по нормированным данным (z).
z – значение стандартизованной переменной
интегральная – если 0, то рассчитывается плотность ϕ( z ) , если 1 – значение функции Ф(z), т.е. вероятность P(Z