ชี้แจง ถัว เฉลี่ยเคลื่อนที่ วิธี

กำหนดเป็นความผันผวนของตัวแปรตลาดในวัน n โดยประมาณเมื่อสิ้นสุดวัน n-1 อัตราความแปรปรวนคือตารางความผันผวนในวัน n สมมติค่าตัวแปรตลาด ณ สิ้นวัน i คือ The อัตราผลตอบแทนที่เกิดขึ้นอย่างต่อเนื่องในระหว่างวันที่ i ระหว่างปลายวันก่อนหน้าเช่น i-1 และ end of day i จะแสดงเป็น. ต่อไปโดยใช้วิธีมาตรฐานในการประมาณจากข้อมูลในอดีตเราจะใช้การสังเกตการณ์ m - ล่าสุดในการคำนวณ estimator ที่เป็นกลางของความแปรปรวนมีค่าเฉลี่ยของต่อไปให้สมมติและใช้ประมาณการความเป็นไปได้สูงสุดของอัตราความแปรปรวนจนถึงตอนนี้เราได้ใช้น้ำหนักที่เท่ากันทั้งหมดดังนั้นคำจำกัดความดังกล่าวมักจะเรียกว่าค่าเท่ากัน - การประเมินความผันผวนที่มีความถ่วงน้ำหนักก่อนหน้านี้เราได้กล่าวว่าเรามีวัตถุประสงค์เพื่อประเมินความผันผวนของระดับในปัจจุบันดังนั้นจึงควรให้น้ำหนักที่สูงกว่าข้อมูลล่าสุดมากกว่าคนรุ่นเก่าเมื่อต้องการทำเช่นนี้ให้แจ้งค่าความแปรปรวนที่ถ่วงน้ำหนักดังนี้ดังนี้จำนวนเงิน ของน้ำหนักที่ให้กับการสังเกต i-da ys ago. So เพื่อให้น้ำหนักที่สูงขึ้นในการสังเกตล่าสุดความแปรปรวนเฉลี่ยในระยะยาวการขยายตัวที่เป็นไปได้ของแนวคิดข้างต้นคือการสมมติว่าค่าความแปรปรวนเฉลี่ยในระยะยาวและควรให้น้ำหนักบางรุ่นข้างต้นคือ เรียกว่า ARCH m แบบที่เสนอโดย Engle ในปีพ. ศ. 2537.EWMA เป็นกรณีพิเศษของสมการข้างต้นในกรณีนี้เราจะทำเพื่อให้น้ำหนักของตัวแปรลดลงเป็นเลขชี้ขณะที่เราเคลื่อนที่กลับไปตามกาลเวลา EWMA รวมถึงการสังเกตก่อนหน้าทั้งหมด แต่ด้วยการลดน้ำหนักแบบทวีคูณตลอดช่วงเวลาต่อมาเราจะใช้การรวมน้ำหนักเพื่อให้เท่ากับข้อ จำกัด ของความเป็นอันหนึ่งอันเดียวกันสำหรับค่าของตอนนี้เราจะเชื่อมต่อข้อกำหนดเหล่านั้นกลับเข้าสู่สมการสำหรับการประมาณการ ชุดข้อมูลขนาดใหญ่มีขนาดเล็กพอที่จะละเว้นจากสมการวิธีการ EWMA มีคุณลักษณะที่น่าสนใจอย่างหนึ่งที่ต้องใช้ข้อมูลที่จัดเก็บค่อนข้างน้อยเพื่อปรับปรุงการประมาณการของเรา ณ จุดใด ๆ เราจำเป็นต้องประเมินอัตราความแปรปรวนก่อนหน้านี้ t ค่าเป้าหมายของ EWMA คือการติดตามการเปลี่ยนแปลงความผันผวนของค่า EWMA การสังเกตการณ์ล่าสุดมีผลต่อการประมาณการโดยทันทีสำหรับค่าที่ใกล้เคียงกับค่าประมาณค่าประมาณจะเปลี่ยนแปลงช้าๆตามการเปลี่ยนแปลงล่าสุดของผลตอบแทนของตัวแปรอ้างอิง RiskMetrics ฐานข้อมูลที่ผลิตโดย JP Morgan และเปิดเผยต่อสาธารณชนให้ใช้ EWMA เพื่อปรับปรุงความผันผวนรายวันสำคัญ ๆ สูตร EWMA ไม่ถือว่าเป็นระดับความแปรปรวนโดยเฉลี่ยในระยะยาวดังนั้นแนวคิดเรื่องการพลิกกลับค่าความผันผวนไม่ได้ถูกจับโดย EWMA โมเดล ARCH GARCH คือ เหมาะสำหรับวัตถุประสงค์นี้วัตถุประสงค์รองของ EWMA คือการติดตามการเปลี่ยนแปลงความผันผวนดังนั้นค่าเล็กน้อยการสังเกตการณ์ล่าสุดจึงมีผลต่อการประมาณการณ์โดยทันทีและสำหรับค่าที่ใกล้เคียงกับประมาณการการประเมินจะเปลี่ยนไปอย่างช้าๆต่อการเปลี่ยนแปลงล่าสุดของผลตอบแทนของ ตัวแปรต้นแบบฐานข้อมูล RiskMetrics ที่ผลิตโดย JP Morgan และเผยแพร่ต่อสาธารณะในปี 2537 ใช้โมเดล EWMA เพื่อปรับปรุงความผันผวนทุกวัน ประมาณการ บริษัท พบว่าในช่วงของตัวแปรตลาดค่านี้จะให้การคาดการณ์ความแปรปรวนที่ใกล้เคียงกับอัตราความแปรปรวนที่แท้จริงอัตราความแปรปรวนที่เกิดขึ้นในวันหนึ่ง ๆ ถูกคำนวณเป็นค่าเฉลี่ยถ่วงน้ำหนักอย่างเท่าเทียมกันในอีก 25 วันถัดไป ในทำนองเดียวกันในการคำนวณค่าที่เหมาะสมที่สุดของ lambda สำหรับชุดข้อมูลของเราเราจำเป็นต้องคำนวณความผันผวนที่เกิดขึ้นในแต่ละจุดมีหลายวิธีเพื่อเลือกหนึ่งถัดไปคำนวณผลรวมของข้อผิดพลาด squared SSE ระหว่างประมาณการ EWMA และความผันผวนตระหนักในที่สุดลด SSE โดยการเปลี่ยนค่าแลมบ์ดาเป็นวิธีที่ง่ายที่สุดคือความท้าทายที่ใหญ่ที่สุดคือการตกลงกันเกี่ยวกับอัลกอริทึมในการคำนวณความผันผวนที่เกิดขึ้นตัวอย่างเช่นคนที่ RiskMetrics เลือก 25 วันหลังจากนั้นเพื่อคำนวณอัตราความแปรปรวนที่เกิดขึ้นจริงในกรณีของคุณคุณอาจเลือก อัลกอริทึมที่ใช้ปริมาณรายวัน HI LO และหรือ OPEN-CLOSE ราคา Q 1 เราสามารถใช้ EWMA เพื่อประมาณการหรือคาดการณ์ความผันผวนได้มากกว่าหนึ่งขั้นตอนหรือไม่? sentation ไม่ถือว่าความผันผวนเฉลี่ยระยะยาวและดังนั้นสำหรับขอบฟ้าคาดการณ์ใด ๆ เกินกว่าหนึ่งขั้นตอน EWMA ส่งกลับค่าคงที่สำหรับชุดข้อมูลขนาดใหญ่ค่ามีผลกระทบน้อยมากในค่าที่คำนวณได้ไปข้างหน้า, เรากำลังวางแผนเพื่อประโยชน์อาร์กิวเมนต์เพื่อยอมรับค่าความผันแปรที่ผู้ใช้กำหนดค่าเริ่มแรก Q 3 ความสัมพันธ์ระหว่าง EWMA กับ ARCH GARCH Model. EWMA เป็นรูปแบบพิเศษของรูปแบบ ARCH ซึ่งมีลักษณะเฉพาะดังต่อไปนี้ลำดับ ARCH เท่ากับ ขนาดข้อมูลตัวอย่างน้ำหนักจะลดลงอย่างมากในอัตราตลอดเวลา Q 4 EWMA ย้อนกลับไปเป็นค่าเฉลี่ย NO EWMA ไม่มีคำสำหรับค่าความแปรปรวนระยะยาวดังนั้นจึงไม่เปลี่ยนกลับเป็นค่าใด ๆ Q 5 การประมาณความแปรปรวนของเส้นขอบฟ้าเกินกว่าหนึ่งวันหรือก้าวไปข้างหน้าใน Q1 ฟังก์ชัน EWMA จะส่งกลับค่าคงที่เท่ากับค่าประมาณหนึ่งขั้นตอน Q 6 ฉันมีข้อมูลประจำปีรายสัปดาห์ประจำปีซึ่งค่าของฉันควรใช้คุณ อาจใช้ 0 94 เป็นค่าเริ่มต้น แต่ถ้าคุณต้องการ f ind ค่าที่ดีที่สุดคุณจำเป็นต้องตั้งค่าปัญหาการเพิ่มประสิทธิภาพสำหรับการลด SSE หรือ MSE ระหว่าง EWMA และความผันผวนที่เกิดขึ้นได้ดูความผันผวนของบทเรียน 101 ในเคล็ดลับและคำแนะนำในเว็บไซต์ของเราสำหรับรายละเอียดเพิ่มเติมและตัวอย่าง Q 7 ถ้าข้อมูลของฉันไม่ ไม่มีค่าเฉลี่ยศูนย์ฉันจะใช้ฟังก์ชันได้อย่างไรในตอนนี้ให้ใช้ฟังก์ชัน DETREND เพื่อลบค่าเฉลี่ยจากข้อมูลก่อนส่งผ่านไปยังฟังก์ชัน EWMA ในอนาคต NumXL จะออก EWMA จะลบค่าเฉลี่ยโดยอัตโนมัติใน จอห์นซีตัวเลือกฟิวเจอร์สและสัญญาซื้อขายล่วงหน้าอื่น ๆ Financial Times Prentice Hall 2003, หน้า 372-374, ไอ 1-405-886145 แฮมิลตัน, JD Time Series การวิเคราะห์ Princeton University Press 1994, ISBN 0-691-04289-6. Tsay, Ruey S การวิเคราะห์ทางการเงินเวลาซีรีส์ John Wiley SONS 2005, ISBN 0-471-690740. ลิงก์ที่เกี่ยวข้องการสำรวจความถ่วงน้ำหนักที่ถ่วงน้ำหนักโดยการแจกแจงเป็นค่าเฉลี่ยความคลาดเคลื่อนคือการวัดความเสี่ยงที่พบมากที่สุด แต่มีหลายรสชาติในบทความก่อนหน้า เราได้แสดงให้เห็นถึงวิธีการคำนวณ historica แบบง่ายๆ l ความผันผวนในการอ่านบทความนี้ดูการใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคตเราใช้ข้อมูลราคาหุ้นจริงของ Google เพื่อคำนวณความผันผวนรายวันตามข้อมูลหุ้น 30 วันในบทความนี้เราจะปรับปรุงความผันผวนที่เรียบง่ายและหารือเกี่ยวกับการถ่วงน้ำหนักแบบทวีคูศ ค่าเฉลี่ยเคลื่อนที่ EWMA Historical Vs Implied Volatility ก่อนอื่นให้วางเมตริกนี้ไว้ในมุมมองเล็กน้อยมีสองวิธีที่กล่าวถึงความผันผวนทางประวัติศาสตร์และโดยนัยหรือโดยนัยวิธีการทางประวัติศาสตร์สมมติว่าอดีตเป็นคำนำที่เราวัดประวัติศาสตร์ด้วยความหวังว่าจะเป็นการคาดการณ์ ตรงกันข้ามละเว้นประวัติศาสตร์ที่จะแก้ปัญหาความผันผวนโดยนัยตามราคาตลาดหวังว่าตลาดจะรู้ดีที่สุดและราคาในตลาดนั้นมีแม้ว่าโดยนัยประมาณการความผันผวนสำหรับการอ่านที่เกี่ยวข้องโปรดดูการใช้และข้อ จำกัด ของ ความผันผวนถ้าเรามุ่งเน้นเพียงสามวิธีทางประวัติศาสตร์ที่ด้านซ้ายข้างต้นพวกเขามีสองขั้นตอนในการร่วมกันคำนวณชุดของระยะ returns. Apply weighting scheme เมื่อแรกเราคำนวณผลตอบแทนเป็นระยะ ๆ โดยปกติแล้วจะเป็นผลตอบแทนแบบรายวันโดยที่ผลตอบแทนแต่ละรายการจะแสดงด้วยคำที่ประกอบกันอย่างต่อเนื่องในแต่ละวันเราใช้สถิติการถดถอยตามอัตราส่วนของราคาหุ้น โดยราคาเมื่อวานนี้และอื่น ๆ นี้ผลิตชุดของผลตอบแทนรายวันจาก ui ไป u im ขึ้นอยู่กับจำนวนวัน m วันที่เรามีการวัดที่ทำให้เราไปขั้นตอนที่สองนี่คือที่สามวิธีแตกต่างกันในบทความก่อนหน้า ใช้ความผันผวนเพื่อวัดความเสี่ยงในอนาคตเราพบว่าภายใต้สอง simplifications ยอมรับความแปรปรวนง่ายคือค่าเฉลี่ยของผลตอบแทน squared. Notice ที่นี้ผลรวมของแต่ละผลตอบแทนเป็นระยะ ๆ แล้วหารที่รวมโดยจำนวนวันหรือการสังเกต m ดังนั้นจึงเป็นเพียงแค่ค่าเฉลี่ยของผลตอบแทนเป็นระยะ ๆ ทำให้เกิดความแตกต่างอีกวิธีหนึ่งผลตอบแทนที่ได้รับจะให้น้ำหนักเท่ากันดังนั้นถ้า alpha a เป็นปัจจัยการถ่วงน้ำหนักโดยเฉพาะ 1 ม. ething เช่นนี้ EWMA ปรับปรุงความแปรปรวนง่ายจุดอ่อนของวิธีนี้คือผลตอบแทนทั้งหมดจะได้รับน้ำหนักเท่ากันเมื่อวานนี้ผลตอบแทนที่ได้รับเมื่อเร็ว ๆ นี้ไม่มีอิทธิพลต่อความแปรปรวนมากกว่าผลตอบแทนของเดือนที่ผ่านมาปัญหานี้ได้รับการแก้ไขโดยใช้การถ่วงน้ำหนักแบบทวีคูณ ค่าเฉลี่ย EWMA ซึ่งผลตอบแทนที่มากขึ้นเมื่อเร็ว ๆ นี้มีน้ำหนักมากขึ้นกับความแปรปรวนค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่ถ่วงน้ำหนัก EWMA แนะนำ lambda ซึ่งเรียกว่าพารามิเตอร์การทำให้ราบเรียบแลมบ์ดาต้องมีค่าน้อยกว่าหนึ่งค่าภายใต้เงื่อนไขนั้นแทนน้ำหนักที่เท่ากัน ตัวคูณดังต่อไปนี้ตัวอย่างเช่น RiskMetrics TM ซึ่งเป็น บริษัท บริหารความเสี่ยงทางการเงินมีแนวโน้มที่จะใช้แลมบ์ดาเป็น 0 94 หรือ 94 ในกรณีนี้ผลตอบแทนระยะแรกที่ได้รับการจัดอันดับเป็นครั้งแรกจะมีการถ่วงน้ำหนักโดย 1-0 94 94 0 6 ผลตอบแทนของกำลังสองต่อไปคือจำนวน lambda-multiple ของน้ำหนักก่อนหน้าในกรณีนี้ 6 คูณด้วย 94 5 64 และน้ำหนักของวันที่สามก่อนเท่ากับ 1-0 94 0 94 2 5 30. ความหมายของเลขยกกำลัง ใน EWMA แต่ละน้ำหนักเป็นตัวคูณที่คงที่เช่น lambda ซึ่งต้องน้อยกว่าหนึ่งในน้ำหนักของวันก่อนหน้านี้ซึ่งจะทำให้ความแปรปรวนที่ถ่วงน้ำหนักหรือมีความลำเอียงต่อข้อมูลล่าสุดเมื่อต้องการเรียนรู้เพิ่มเติมโปรดดูที่แผ่นงาน Excel สำหรับความผันผวนของ Google ความแตกต่างระหว่างความผันผวนเพียงกับ EWMA สำหรับ Google แสดงด้านล่างความผันผวนของใบมีผลทำให้น้ำหนักและผลตอบแทนเป็นระยะ ๆ 0 196 อย่างที่แสดงในคอลัมน์ O เรามีข้อมูลราคาหุ้นย้อนหลัง 2 ปีนั่นคือ 509 ผลตอบแทนรายวันและ 1 509 0 196 แต่สังเกตเห็น คอลัมน์ P กำหนดน้ำหนัก 6 จากนั้น 5 64 แล้ว 5 3 และอื่น ๆ นั่นคือความแตกต่างระหว่างความแปรปรวนเพียงอย่างเดียวและ EWMA หลังจากที่เราสรุปชุดข้อมูลทั้งหมดในคอลัมน์ Q เรามีความแปรปรวนซึ่งเป็นตารางของ ค่าเบี่ยงเบนมาตรฐานถ้าเราต้องการความผันผวนเราต้องจำไว้ว่าจะใช้รากที่สองของความแปรปรวนที่มีความแตกต่างในความผันผวนรายวันระหว่างความแปรปรวนและ EWMA ในกรณีของ Google เป็นอย่างมีนัยสำคัญความแปรปรวนง่ายทำให้เราทุกวัน ความผันผวนของ 2 4 แต่ EWMA ให้ความผันผวนรายวันเพียง 1 4 ดูสเปรดชีตสำหรับรายละเอียด Apparently, ความผันผวนของ Google ตัดสินลงเมื่อเร็ว ๆ นี้ดังนั้นความแปรปรวนง่ายอาจจะสูงเทียมความแปรปรวนของวันนี้เป็นฟังก์ชันของความแตกต่างของวัน Pior เราจะไม่ทำคณิตศาสตร์ที่นี่ แต่หนึ่งในคุณสมบัติที่ดีที่สุดของ EWMA ก็คือชุดผลิตภัณฑ์ทั้งหมดนี้สามารถลดสูตร recursive ได้อย่างสิ้นเชิงหมายความว่าวันนี้มีการอ้างอิงที่แปรปรวน นั่นคือความสามารถในการคำนวณความแปรปรวนของวันก่อนหน้าคุณสามารถหาสูตรนี้ในสเปรดชีตได้และจะให้ผลเหมือนกันกับการคำนวณแบบ longhand นั่นคือความแปรปรวนของวันนี้ภายใต้ EWMA เท่ากับความแปรปรวนของวานนี้ซึ่งมีการถ่วงน้ำหนักโดยแลมบ์ดา ชั่งน้ำหนักโดยหนึ่งลบแลมบ์ดาแจ้งให้เราทราบว่าเรากำลังเพิ่มคำศัพท์ทั้งสองข้อด้วยกันเมื่อวานนี้และมีการถ่วงน้ำหนักถ่วงน้ำหนักเมื่อวานนี้ ameter ค่า lambda สูงกว่าเช่น RiskMetric s 94 บ่งชี้ว่าการสลายตัวช้าลงในชุด - ในแง่ญาติเราจะมีจุดข้อมูลมากขึ้นในซีรีส์และจะลดลงอย่างช้าๆในทางกลับกันถ้าเราลดแลมบ์ดาลง เราแสดงการสลายตัวที่สูงขึ้นน้ำหนักลดลงอย่างรวดเร็วและเป็นผลโดยตรงจากการสลายตัวที่รวดเร็วใช้จุดข้อมูลน้อยลงในสเปรดชีตแลมบ์ดาเป็นอินพุทเพื่อให้คุณสามารถทดลองกับความไวของมันความแปรผันของฤดูกาลเป็นมาตรฐานทันที ความเบี่ยงเบนของหุ้นและความเสี่ยงที่พบมากที่สุดเมตริกนอกจากนี้ยังเป็นรากที่สองของความแปรปรวนเราสามารถวัดความแปรปรวนในอดีตหรือโดยนัย implicitly ผันผวนเมื่อการวัดในอดีตวิธีที่ง่ายที่สุดคือความแปรปรวนง่าย แต่จุดอ่อนกับความแปรปรวนง่ายคือผลตอบแทนทั้งหมดได้รับน้ำหนักเดียวกัน ดังนั้นเราต้องเผชิญกับการค้าแบบคลาสสิกเรามักต้องการข้อมูลเพิ่มเติม แต่ข้อมูลเพิ่มเติมที่เรามีการคำนวณของเรามากขึ้นจะเจือจางด้วยข้อมูลที่มีความสำคัญน้อยกว่าไกลค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักทางเรขาคณิต WMA ปรับปรุงความแปรปรวนที่เรียบง่ายโดยการกำหนดน้ำหนักให้ได้ผลตอบแทนเป็นระยะ ๆ โดยการทำเช่นนี้เราสามารถใช้ตัวอย่างขนาดใหญ่ แต่ยังให้น้ำหนักมากขึ้นกับผลตอบแทนล่าสุด หากต้องการดูบทแนะนำเกี่ยวกับภาพยนตร์เกี่ยวกับหัวข้อนี้โปรดไปที่ Turtle Bionic การสำรวจโดยสำนักงานสถิติแรงงานแห่งสหรัฐอเมริกาเพื่อช่วยในการวัดตำแหน่งงานที่ว่างเก็บข้อมูลจากนายจ้างจำนวนเงินสูงสุดที่สหรัฐอเมริกาสามารถยืมได้สูงสุดคือ สร้างขึ้นภายใต้พระราชบัญญัติเสรีภาพตราสารหนี้ครั้งที่สองอัตราดอกเบี้ยที่สถาบันรับฝากเงินให้ยืมเงินไว้ใน Federal Reserve ไปยังสถาบันรับฝากเงินแห่งอื่น 1 มาตรการทางสถิติในการกระจายผลตอบแทนสำหรับการรักษาความปลอดภัยหรือดัชนีตลาดที่กำหนดความผันผวนสามารถวัดได้ การกระทำรัฐสภาคองเกรสผ่านในปี 1933 เป็นพระราชบัญญัติการธนาคารซึ่งห้ามธนาคารพาณิชยจากการเขารวมลงทุนการจายเงินเดือนของ Nonfarm หมายถึงงานใดนอกกลุมครัวเรือนครัวเรือนเอกชนและภาคผลกําไร US Bureau of Labor. ค่าเฉลี่ยเคลื่อนที่และการคาดการณ์ Value-at-Risk เรานำเสนอวิธีการง่ายๆสำหรับการสร้างแบบจำลองความแปรผันของเวลาในความผันผวนและอื่น ๆ ตามลำดับ ช่วงเวลาโดยใช้รูปแบบการปรับปรุง recursive ซึ่งคล้ายกับแนวทาง RiskMetrics ที่คุ้นเคยพารามิเตอร์จะถูกอัพเดตโดยใช้คะแนนของการแจกแจงการคาดการณ์ซึ่งจะทำให้พลวัตของพารามิเตอร์สามารถปรับให้เข้ากับคุณลักษณะข้อมูลที่ไม่ปกติได้โดยอัตโนมัติและเพิ่มความทนทานของการประมาณการที่ตามมา วิธีการใหม่นี้ทำรังหลายส่วนขยายก่อนหน้านี้ไปยังโครงการ EWMA ที่มีการถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบเรขาคณิตนอกจากนี้ยังสามารถขยายได้ง่ายขึ้นไปจนถึงมิติที่สูงขึ้นและการแจกแจงการคาดการณ์ทางเลือกวิธีนี้ใช้กับการคาดการณ์ Value-at-Risk ที่มีการแจกแจง Student stt และ องศาเวลาที่แตกต่างของเสรีภาพและหรือพารามิเตอร์ skewness เราแสดงให้เห็นว่าวิธีการใหม่เป็นดีหรือดีกว่าวิธีการก่อนหน้านี้สำหรับการคาดการณ์ความผันผวนของผลตอบแทนของแต่ละหุ้นและอัตราผลตอบแทนจากการเปลี่ยนแปลงพลศาสตร์ความผันผวนพลวัตไดนามิกช่วงเวลาที่สูงขึ้นแบบบูรณาการทั่วไป autoregressive score weighted เฉลี่ยถ่วงน้ำหนัก EWMA. Value - a t-Risk VaR.2015 สถาบันคาดการณ์นานาชาติที่เผยแพร่โดย Elsevier BV All rights reserved. Andr Lucas เป็นศาสตราจารย์ด้านการเงินที่ VU University Amsterdam เขาได้รับ Ph D จาก Econometrics จาก Erasmus University Rotterdam และได้เผยแพร่ข้อมูลทางเศรษฐศาสตร์ทางการเงินและเวลาด้วยเช่นกัน การบริหารความเสี่ยงในวารสารเช่น Journal of Business และ Economic Statistics Journal ของ Econometrics และการทบทวนเศรษฐศาสตร์และสถิติร่วมกับ Creal และ Koopman เขาเผยแพร่การใช้พลวัตของอัตมโนทัศน์อัตถิภาพโดยใช้โมเดลพารามิเตอร์ที่แตกต่างกันไปเขาได้รับ VICI อันทรงเกียรติห้าปี ทุนวิจัยสำหรับโครงการนี้จากสภาวิจัยแห่งชาติเนเธอร์แลนด์ NWO. Xin Zhang ได้รับปริญญา Ph D จาก VU University Amsterdam และ Tinbergen Institute เขายังดำรงตำแหน่ง Econometrics and Finance จาก Tinbergen Institute เขาเป็นที่ปรึกษาภายนอกของ ECB ในปี 2554 ในฤดูใบไม้ร่วง 2012 เขาเข้าร่วม Sveriges Riksbank เป็นนักเศรษฐศาสตร์ในแผนกวิจัย His resea rch ได้แก่ เศรษฐมิติทางเศรษฐศาสตร์การเงินและความเสี่ยงด้านเครดิตของซินซิตีได้รับการเผยแพร่ในวารสารเศรษฐกิจและธุรกิจ