Backtesting of VaR estimation for investment into foreign stock index
|
|
- Pavlína Tomanová
- před 4 lety
- Počet zobrazení:
Transkript
1 Backtestig of VaR estimatio for ivestmet ito foreig st idex Zpěté testováí odhadu VaR ivestice do zahraičího akciového idexu Aleš Kresta Abstract Whe modelig foreig st idex returs we are cocered ot oly with returs of the st idex but also with the returs of the foreig exchage rate of the correspodig currecy ad their mutual depedecy. The appropriate model i this case is based o the copula fuctio approach, i.e. the joit probability distributio is decomposed ito two parts idividual margial distributios ad depedecy amog them. I the article we compare the most kow copula fuctios which are usually utilized for fiacial time series modelig. The compariso is carried out utilizig backtestig procedure o the historical data of four well kow st idices ad correspodig foreig exchage rates. O the basis of this compariso we coclude that Clayto copula fuctio is the best for fiacial time series modelig. Also Studet copula fuctio provides accurate estimatios. Key words Backtestig, copula fuctios, model validatio, ormal iverse Gaussia model, Value at Risk. JEL Classificatio: G5, G, G Úvod Určuje-li se riziko v případě ivestice do zahraičího aktiva, je uté při modelováí výosů zohledit jak pravděpodobostí rozděleí výosů tohoto aktiva v zahraičí měě, tak i rozděleí výosů zahraičí měy a jejich vzájemou závislost. Tímto vziká potřeba modelovat vývoj dvou rizikových faktorů, které jsou mezi sebou do určité míry závislé. V případě modelováí bez zohleděí této závislosti mezi jedotlivými rizikovými faktory může dojít k adhodoceí (v případě záporé závislosti) ebo podhodoceí rizika (v případě kladé závislosti). Z tohoto důvodu je potřeba s touto závislostí v modelu uvažovat. Elegatím řešeím je použití kopula fukcí, eboť tyto umožňují uvažovaý model rozdělit a dvě části: (i) část zachycující závislost pomocí kopula fukce a (ii) pravděpodobostí rozděleí jedotlivých rizikových faktorů margiálí rozděleí. Použitím kopula fukcí včetě aplikací ve fiacích se zabývá Rak (006), přehled teorie lze alézt apř. v Cherubii a kol. (004). Ig. Aleš Kresta, Ph.D. VŠB Techická uiverzita Ostrava, ekoomická fakulta, katedra fiací, Sokolská tř. 33, Ostrava. ales.kresta@vsb.cz. Teto příspěvek byl vypracová v rámci projektu Příležitost pro mladé výzkumíky, reg. č. CZ..07/.3.00/30.006, podpořeého Operačím programem Vzděláváí pro kokureceschopost a spolufiacovaého Evropským sociálím fodem a státím rozpočtem České republiky. Příspěvek vzikl rověž díky podpoře v rámci projektu SGS VŠB-TUO SP0/. 346
2 Pro modelováí margiálích rozděleí je v čláku uvažová ormálí iversí Gaussův model a ormálí rozděleí. Empiricky bylo sice prokázáo, že ormálí rozděleí eí pro modelováí výosů fiačích aktiv vhodé a to z důvodu, že eumožňuje zachytit vyšší špičatost (tzv. těžké koce) a šikmost (asymetrii rozděleí). V čláku je však ormálí rozděleí použito jako bechmark. Jako další modely margiálích rozděleí lze použít apř. Studetovo rozděleí ebo smíšeé ormálí rozděleí. Zpětým testováím ormálího/studetova/empirického rozděleí pravděpodobosti spolu s modely podmíěé volatility typu GARCH se zabýval apříklad Alexader a Sheedy (008). Rověž Lévyho modely jsou vhodým rozděleím pro modelováí fiačích časových řad, aplikaci těchto modelů lze alézt apříklad v Tichý (00). Cílem příspěvku je zpětě otestovat použitelost růzých kopula fukcí pro odhad rizika výosu zahraičího akciového idexu pro euro ivestora a porovat získaé výsledky. Příspěvek je čleě ásledově. V druhé kapitole budou popsáy kopula fukce, včetě defiice jejich jedotlivých typů. Následě bude ve třetí kapitole popsáo ormálí iverzí Gaussovo rozděleí použité v aplikačí části pro modelováí margiálích rozděleí. Ve čtvrté kapitole bude představea míra rizika Value at Risk a budou defiováy ěkteré statistické testy použité pro ověřeí přesosti jejího odhadu. Pátá kapitola je aplikačí a shruje výsledky získaé použitím ormálího rozděleí a ormálího iversího Gaussova modelu spolu s růzými kopula fukcemi pro odhad hodoty Value at Risk. Popis kopula fukcí Kopula fukce byly poprvé představey Sklarem (Sklar, 959). Přehled teorie spolu s praktickou aplikací pak lze alézt v (Cherubii a kol., 004; Nelse, 006; Rak, 006). Pro jedoduchost budeme dále uvažovat dvourozměrou kopula fukci, přičemž vše platí aalogicky i pro -rozměré kopula fukce. Kopula fukce jsou v podstatě reálé fukce, které zachycují závislost jedotlivých 0,, distribučích fukcí v [ ] :[ 0,] [ 0,] v R, přičemž musí pro jakékoliv, v, u, u, v, v [ 0,] C( u, 0) = C( 0, v) = 0, C ( u, ) = u, C(, v) = v, C () u splňovat: (3) pokud u u, v v pak C ( u, v ) C( u, v ) C( u, v ) + C( u, v ) 0. (4) Na kteroukoliv kopula fukci může být pohlížeo jako a vícerozměrou distribučí fukci s margiálími distribučími fukcemi ve formě stadardizovaého rovoměrého rozděleí. Předpokládejme dvě potecioálě závislé áhodé proměé X a Y s margiálími distribučími fukcemi teorému platí: F a X F a sdružeou distribučí fukcí Y F ( x, y) C( F ( x) F ( y) ) 347 F X, Y (). Potom dle Sklarova X, Y = X, Y. (5) Pokud jsou margiálí distribučí fukce F X a F Y spojité, kopula fukce C je jediečá. Sklarův teorém azačuje také iversí vztah, C u, v = F F u F v. (6) X, Y X, Z formulace (5) je patré, že sdružeé rozděleí pravděpodobosti obsahuje dvě rozdílé iformace: (i) margiálí distribučí fukce jedotlivých áhodých proměých, (ii) fukci závislosti těchto distribučích fukcí. Zatímco margiálí distribučí fukce jsou dáy pomocí F a F, kopula fukce C popisuje pouze závislost těchto distribučích fukcí. Za X Y Y
3 předpokladu zalosti margiálích distribučích fukcí áhodých proměých je tedy pro potřeby modelováí ezbyté zvolit vhodou kopula fukci. S trochou zjedodušeí lze rozlišit eliptické a Archimédovy kopula fukce. Eliptické kopula fukce vycházejí z ěkterého eliptického sdružeého rozděleí pravděpodobosti, kokrétě ejpoužívaější jsou Gaussova a Studetova kopula fukce. Nevýhodou při aplikaci těchto kopula fukcí v oblasti fiací je jejich symetričost, což eodpovídá hlavě kocům sdružeých rozděleí empirických dat. Obecě můžeme do kopula fukce dosadit dle (5) jakékoliv margiálí rozděleí, ovšem použitím ormálího rozděleí v případě Gaussovy kopula fukce získáváme sdružeé ormálí rozděleí pravděpodobosti a použitím Studetova rozděleí ve Studetově kopula fukci získáváme sdružeé Studetovo rozděleí pravděpodobosti. Gaussovu kopula fukci lze za předpokladu korelace mezi áhodými proměými R defiovat ásledově, Rst s t Φ ( u ) Φ ( v) Ga R CR ( u, v) = e ds dt, (7) R Studetova kopula fukce vychází ze Studetova rozděleí a lze ji defiovat ásledově, t ( u ) t ( v) St υ υ s + t Rst CR, υ ( u, v) = ds dt + R v( R ), (8) kde R opět začí korelaci mezi áhodými proměými a ν začí stupě volosti parametr, kterým lze u Studetovy kopula fukce ovlivňovat její chováí v kocích rozděleí. Pro ižší hodoty tohoto parametru je pravděpodobost extrémího scéáře vyšší, aopak čím je parametr ν vyšší, tím více se Studetova kopule blíží Gaussově kopuli. Archimédovy kopula fukce jsou uměle vytvořeé fukce a základě geerátoru. Geerátor je vhodě zvoleá spojitá, klesající a kovexí fukce φ, + : [ 0,] R * φ, pro striktí geerátor avíc platí φ ( 0) = φ, (9) pro kterou platí ( ) = 0. Ke geerátoru je možo [ ] taktéž defiovat pseudo-iverzí fukci φ. Obecě lze pak Archimédovy kopula fukce defiovat ásledově, C Arch u, v = φ φ u φ v. (0) [ ] [ ] ( ), φ, φ Nejzámější Archimédovy kopula fukce jsou: Gumbelova kopula fukce (Gumbel, 960), Gl a a = [( ) + ( ) ] a Ca u, v exp l u l v, () Claytoova kopula fukce (Clayto, 978), Cl a a C (, ) = max ( + ) a a u v u v, 0, () Frakova kopula fukce (Frak, 979), au av Fr ( e )( e ) Ca u, v = l + a. (3) a e ν + Demarta a Mceil (005) apříklad popisují zešikmeou Studetovu kopula fukci, která sice vychází ze Studetovy kopula fukce, ale eí již symetrická a tudíž epatří do třídy eliptických kopula fukcí. 348
4 . Popis metod odhadu parametrů při modelováí pomocí kopula fukcí Existují tři hlaví přístupy k odhadu parametrů při modelováí pomocí kopula fukcí: EMLM (exact maximum likelihood method), IFM (iferece fuctio for margis) a CML (caoical maximum likelihood). Zatímco při použití EMLM jsou odhadováy všechy parametry současě, což může být výpočetě velmi áročé (obzvláště při odhadu vysoce dimezioálích dat, ebo při použití složitějších margiálích fukcí), při IFM a CML jsou parametry margiálích rozděleí a parametry kopula fukce odhaduty zvlášť. V případě IFM jsou odhaduty ejprve parametry margiálích distribučích fukcí a a jejich základě pak parametry kopula fukce. U CML jsou parametry kopula fukce odhaduty a základě empirických distribučích fukcí. Podrobější vysvětleí těchto metod lze alézt apř. v (Cherubii a kol., 004). V tomto příspěvku bude využito CML přístupu. 3 Defiice ormálího iverzího Gaussova rozděleí pravděpodobosti Normálí iversí Gaussův model (dále NIG) byl ve fiačí literatuře představe v (Bardorff-Nielse, 995). Předpokládejme parametry α > 0, α < β < α a δ > 0, pak lze NIG ( α, β, δ ) rozděleí pravděpodobost, jímž se NIG model řídí, popsat fukcí hustoty pravděpodobosti ásledově, αδ K α δ + ( x µ ) f ( ; µ, α, β, δ ) exp( δ α β β ( µ )) NIG x = + x. (4) δ + ( x µ ) Distribučí fukce lze defiovat ásledově, K ( t ) αδ x α δ + µ FNIG ( x ) ; µ, α, β, δ = exp( δ α β + β ( t µ ))dt. (5) δ + ( t µ ) Populačí momety tohoto rozděleí jsou shruty v tabulce. Tabulka : Populačí momety NIG rozděleí populačí momet 349 vzorec Středí hodota µ + δβ α β 3 Směrodatá odchylka α δ α β Šikmost 4 Špičatost 3βα δ α β α + 4β 3 + δα α β Parametry µ, α, β a δ tohoto pravděpodobostího rozděleí mohou být odhaduty dvěma metodami: (i) metodou maximálí věrohodosti a (ii) metodou mometů. Použití metody maximálí věrohodosti je při odhadu parametrů NIG rozděleí časově/početě velmi áročé, vhodější se proto jeví použití metody mometů. Položíme-li populačí momety, uvedeé v tabulce č., rovy mometům výběru, získáme ásledující odhad parametrů NIG rozděleí: 3s v µ = m, (6) 3k 4s 9
5 3k 4s 9 α =, (7) 5 v k s 3 3 s k s 3 3 β =, (8) v 5 v 3 3 k s 3 δ = 3, (9) 3k 4s 9 kde m je středí hodota výběru, v je rozptyl výběru, s je výběrový koeficiet šikmosti, k je výběrový koeficiet špičatosti. 4 Charakteristika metodologie Value at Risk a zpěté testováí jejího odhadu Value at Risk (dále VaR) je metodou hodoceí rizika, která se des používá hlavě v oblasti fiačích istitucí. VaR v podstatě vyjadřuje maximálí možou ztrátu a určité hladiě spolehlivosti α. Formálě ji lze tedy defiovat ásledově: Pr ( Π t+ t VaR α, t ) = α, (0) kde Π vyjadřuje áhodou veličiu zde kokrétě změu cey portfolia za čas t, VaR α, t je maximálí ztráta a daé hladiě spolehlivosti α pro časový horizot t a Pr začí pravděpodobost. Hodota α se azývá hladia výzamosti. Lze tedy říci, že v α procetech případů bude skutečá ztráta vyšší ež je hodota VaR. Kvalitu odhadu hodoty VaR je potřeba (eje z důvodu legislativích ařízeí) ověřit a miulých datech. Předpokládejme, že máme model, který odhaduje hodotu VaR a určité hladiě spolehlivosti α. Pro jedoduchost dále předpokládejme, že odhadujeme hodotu VaR pro iterval jedoho de. Při zpětém testováí postupujeme tak, že pro jedotlivé dy porováváme hodotu VaR určeou modelem a základě iformací zámých de předchozího k uvažovaému di a orovaou ztrátu uvažovaého de. Dy, ve kterých skutečá ztráta přesáhe hodotu VaR, se azývají výjimky. Pokud zazameáme výjimky v přibližě α procetech případů, odhaduje model hodotu VaR správě. V případě vyššího výskytu výjimek model riziko podhodocuje, v případě ižšího počtu výjimek model riziko adhodocuje. Blíže se tímto postupem zabývá apř. Hull (007) ebo Resti a Siroi (007). V podstatě tímto postupem ověřujeme, že pravděpodobost výskytu výjimky je rova hodotě α, tedy hladiě výzamosti. Tuto rovost je potřeba statisticky otestovat. Pro potřeby statistického testu lze využít buď biomické rozděleí ebo vhodější test avržeý Kupiecem (Kupiec, 995), který je oboustraý a tudíž testuje evhodost modelu jak z pohledu podhodoceí tak adhodoceí rizika. Nulovou hypotézou tedy je, že orovaá pravděpodobost vziku výjimky =, kde je počet výjimek v orováích, je rova očekávaé pravděpodobosti vziku výjimky = α H : =, 0, () alterativí hypotézou je, že se tyto pravděpodobosti erovají, H :. () Věrohodostí poměr pak lze vyjádřit ásledově, A
6 LR kp kde je skutečý počet výjimek, 0 0 ( ) 0 = l, (3) je počet orováí ozačeých jako ula (edochází tedy k výjimce, 0 = ), je očekávaá pravděpodobost vziku výjimky (tedy = α ) a je orovaá pravděpodobost vziku výjimky, =. 0 + Testovací statistiku lze přepsat do tvaru: 0 0 LRkp = l l[ ( ) ] 0 0, (4) + + kde proměé mají stejý výzam jako v předchozí rovici. Věrohodostí poměr LR kp má asymptoticky chí-kvadrát rozděleí s jedím stupěm volosti, LR χ. (5) kp Druhým problémem při zpětém testováí je shlukováí výjimek (tzv. buchig). Předpokladem zpětého testováí je, že výskyt orovaých výjimek je v čase ezávislý a výjimky jsou rovoměrě rozprostřey v čase. Testováím tohoto předpokladu se zabýval Christofferse (998), který avrhuje testovat ahodilost výskytu výjimek v čase. Pro ulovou hypotézu, H : = 0 0, (6) kde 0 začí pravděpodobost vziku výjimky, pokud jí epředcházela výjimka, a začí pravděpodobost, že po výjimce opět astae výjimka, se opět jedá o testovací statistiku založeou a věrohodostím poměru: 0 LR ez = l, 3 (7) kde ij je počet orováí, pro které platí I t = j I t = i, kde I t je časová řada výjimek. Pozorovaý počet výjimek lze tedy vyjádřit jako = 0 + a orovaý počet evýjimek lze vyjádřit jako 0 = Pro pravděpodobosti dále platí ( I = j I i) ij = Pr t t =, + 0 =. Rověž u tohoto testu má LR ez asymptoticky chí-kvadrát rozděleí s jedím stupěm volosti, LR χ. (8) ez Christofferseův test ezávislosti testuje shlukováí výjimek pouze a základě závislosti vyjádřeé mezi dvěma po sobě jdoucími orováími. Alterativí test ezávislosti lze defiovat a základě rozšířeí Kupiecova testu doby do prví výjimky (TUFF testu), viz Haas (00). 4 Předpokládejme ásledující ulovou hypotézu, 3 V případě, kdy = 0, což se sado může stát při malém počtu orováí ebo vysoké hladiě spolehlivosti, se testovací statistika spočte jako LR ez = 35 l 0 ( ) Testováím doby mezi jedotlivými výjimkami se zabývali i Christofferse a Pelletier (004), kteří avrhli ulovou hypotézou, že doba mezi jedotlivými výjimkami evykazuje paměťový efekt a středí doba mezi.
7 H : Výjimky jsou vzájemě ezávislé. (9) 0 Pro výjimek pak lze defiovat ásledující věrohodostí poměr, T T i LRkt = l l, (30) T Ti T T i= Ti ( Ti ) kde T i je doba mezi i -tou a i výjimkou, T začí dobu do astáí prví výjimky. Jedá se o sumu statistik Kupiecova TUFF testu pro všechy výjimky, a testovací statistika LR kt má proto chí-kvadrát rozděleí s stupi volosti, LR kt χ. (3) 5 Výsledky Vstupí data použitá v tomto příspěvku byly čtyři dvojice zahraičích akciových idexů a příslušých měových kurzů. Kokrétě byly uvažováy americký Dow Joes Idustrial Average (DJI) spolu s kurzem amerického dolaru vůči euru (USD), britský FTSE 00 (FTSE) spolu s kurzem britské libry vůči euru (GBP), japoský Nikkei 5 (N5) spolu s kurzem japoského jeu vůči euru (JPY) a švýcarský Swiss Market Idex (SMI) spolu s kurzem švýcarského fraku vůči euru (CHF). Data pro zpěté testováí byla uvažováa za předchozích dvacet let (od leda 99 do srpa 0, deích spojitých výosů), přičemž chybějící hodoty byly iterpolováy. Základí charakteristiky spojitých výosů jedotlivých časových řad jsou shruty v tabulce. Tabulka : Základí charakteristiky spojitých výosů vstupích časových řad charakteristika DJI FTSE N5 SSMI USD GBP JPY CHF miimum -8,0 % -9,6 % -, % -8,38 % -4,06 % -3,89 % -3,90 % -4,58 % maximum 0,5 % 9,38 % 0,09 % 0,79 % 4,8 %,83 % 5,93 % 3,6 % stř. hodota 0,03 % 0,0 % -0,0 % 0,03 % 0,00 % 0,00 % 0,0 % 0,0 % mediá 0,05 % 0,04 % 0,00 % 0,07 % -0,0 % 0,00 % -0,03 % 0,00 % směr. odch.,0 %,3 %,47 %,7 % 0,65 % 0,48 % 0,76 % 0,36 % šikmost -0,05-0, -0,33-0,8 0,4-0,4 0,45-0,098 špičatost,740 9,644 8,83 9,33 5,808 7,863 6,937 7,593 Lze orovat, že spojité výosy vykazují relativě vysokou špičatost a eulovou šikmost. Z tohoto důvodu lze předpokládat, že ormálí rozděleí ebude vhodým modelem margiálích rozděleí. Co se týká srováí výosů akciových idexů a měových kurzů, lze orovat, že akciové idexy jsou více volatilí, což dokumetuje jedak hodota směrodaté odchylky a rověž vyšší rozpětí mezi miimálím a maximálím výosem. Pozorovaá korelace mezi výosem akciového idexu a měového kurzu je však vždy záporá, což způsobí, že výosy přepočteé do eur budou méě volatilí ež v původí měě. Pro účely modelováí jsou uvažováy dva modely margiálích rozděleí: (i) ormálí rozděleí a (ii) ormálí iversí Gaussův model. Pro odhad parametrů je využita metoda CML. Parametry margiálích rozděleí i kopula fukcí jsou pro jedotlivé dy odhaduty vždy z posledích 50 orováí (v případě NIG modelu je vzhledem k modelováí vyšších mometů pro odhad parametrů využito posledích 000 dí). Následě je simulováo dvěma výjimkami je statistiky.. Pro tuto ulovou hypotézu je však obtížé staovit kritickou hodotu testovací 35
8 scéářů a hodota VaR je určea jako příslušý kvatil simulovaého rozděleí pravděpodobosti výosu akciového idexu v eurech. Počty orovaých výjimek pro ormálí rozděleí a růzé kopula fukce jsou sumarizováy v tabulce 3. Tabulka 3: Počty orovaých výjimek pro ormálí rozděleí a Gaussovu / Studetovu / Claytoovu / Gumbelovu / Frakovu kopula fukci. Tučě zvýrazěé jsou a 0% hladiě výzamosti statisticky akceptovatelé počty výjimek. Kurzívou je zobraze počet výjimek, který se ejvíce blíží předpokládaému. Portfolio α = α = 0.0 α = 0.05 α = 0.5 předpoklad 6,88 33,76 68,8 506,4 DJI & USD 47/4/4/44/46 63/60/55/56/60 73/74/6/60/7 47/477/45/450/47 FTSE & GBP 57/56/50/5/54 80/78/74/75/79 90/9/8/86/90 456/464/449/448/453 N5 & JPY 38/35/8/3/34 53/50/40/43/5 6/64/7/3/65 437/443/375/379/447 SSMI & CHF 56/55/46/45/50 8/8/7/7/79 86/84/58/6/85 450/449/403/403/455 počet stat. výz. případů 0/0/0/0/0 0/0///0 4/3/3/3/4 0//0/0/0 počet ejpřesějších př. 0////0 0/0/4//0 0/0/// 0//0/0/ Z výsledků je zřejmé, že ormálí rozděleí skutečě eí pro modelováí fiačích časových řad vhodé. Při odhadu VaR a 5% hladiě výzamosti je počet orovaých výjimek ižší ež je předpoklad model riziko adhodocuje. Pro % a 0,5% hladiy výzamosti je počet výjimek dvouásobý až tříásobý oproti předpokladu a model tudíž elze statisticky akceptovat. Právě hladiy výzamosti % a 0,5 % jsou zakotvey v legislativách regulujících fiačí istituce, je tedy zřejmé, že tyto modely ejsou pro modelováí rizika fiačích istitucí použitelé. Na druhou strau pro 5% hladiu výzamosti je model ormálího rozděleí a Gaussovy kopula fukce, tedy sdružeé ormálí rozděleí, dostatečě přesý. Rověž spojeím ormálího rozděleí a Frakovy kopula fukce lze získat model pro dostatečě přesý odhad rizika a 5% hladiě výzamosti. Počty orovaých výjimek pro NIG rozděleí a růzé kopula fukce jsou sumarizováy v tabulce 4. Tabulka 4: Počty orovaých výjimek pro NIG model a Gaussovu / Studetovu / Claytoovu / Gumbelovu / Frakovu kopula fukci. Tučě zvýrazěé jsou a 0% hladiě výzamosti statisticky akceptovatelé počty výjimek. Kurzívou je zobraze počet výjimek, který se ejvíce blíží předpokládaému. Portfolio α = α = 0.0 α = 0.05 α = 0.5 předpoklad 6,88 33,76 68,8 506,4 DJI & USD 4/3/// 35/36/36/37/36 90/96/7/79/93 560/567/544/54/56 FTSE & GBP 5/3/0//5 45/44/43/46/44 93/94/84/90/9 559/566/545/548/56 N5 & JPY 0/8/7/0/0 33/33/8/3/33 6/60/6/36/58 57/55/444/445/5 SSMI & CHF 7/7/4/6/7 4/4/33/35/36 06/97/7/69/94 575/584/535/536/580 počet stat. výz. případů 3/4/4/4/3 3/3/4/3/3 //3/3/ //// počet ejpřesějších př. //3/0/ ///0/ /0///0 /0///0 Lze vidět, že při použití NIG rozděleí je pro hladiy výzamosti % a 0,5 % dosahováo lepších výsledků. Nejvhodější je spojeí NIG rozděleí a Claytoovy kopula fukce, kdy lze počty výjimek u odhadu VaR a hladiách výzamosti % a 0,5 % akceptovat pro všechy zvoleé akciové idexy. Rověž Studetova a Gumbelova kopula fukce dosahuje dobrých výsledků počty výjimek elze statisticky akceptovat pouze u modelováí britského idexu FTSE pro odhad VaR a % hladiě výzamosti. Tyto modely jsou tedy vhodé pro modelováí rizika a ízkých hladiách výzamosti. Ovšem pro vyšší hladiy výzamosti 353
9 tyto modely již tak přesé ejsou. Pro hladiu výzamosti 5 % je ejpřesější Claytoova a Gumbelova kopula fukce počty výjimek lze statisticky akceptovat pro idexy DJI, FTSE a SSMI. Pro idex N5 jsou počty výjimek ižší, ež je předpokládáo a model tak riziko adhodocuje. Pro 5% hladiu výzamosti již modely ejsou přesé pouze jede ze čtyř idexů je modelová dostatečě přesě. Modely byly rověž testováy a shlukováí výjimek. Při použití přísějšího Haasova testu byla pro všechy modely i uvažovaé idexy zamítuta ulová hypotéza, že výjimky jsou v čase ezávislé (p-hodoty tohoto statistického testu se pohybovaly v řádech setiy proceta). P-hodoty Christofferseova testu pro ormálí rozděleí a hladiu výzamosti odhadu VaR 5 % jsou uvedey v tabulce 5. Tabulka 5: P-hodoty Christofferseova testu ezávislosti výjimek pro ormálí rozděleí a Gaussovu / Studetovu / Claytoovu / Gumbelovu / Frakovu kopula fukci pro α = Hodoty jsou uvedey v procetech. Portfolio P-hodoty DJI & USD 7/8/39/35/59 FTSE & GBP 0/0/0/0/0 N5 & JPY 3/6/5/0/6 SSMI & CHF 0/0/0/0/0 Z tabulky lze vidět, že pouze pro idexy DJI a N5 může být potvrzea ulová hypotéza ezávislosti výskytu výjimky a tom, zda ji předcházela ebo epředcházela výjimka. Z tabulky 6, ve které jsou uvedey p-hodoty téhož testu pro modely s NIG rozděleím a růzé hladiy výzamosti, lze vidět, že totéž obecě platí i pro NIG model (ovšem e pro všechy hladiy výzamosti, aopak u idexů FTSE a SSMI lze ulovou hypotézu pro α = taktéž akceptovat). Obecě lze tedy říci, že shlukováí výjimek je pro tyto modely problém. Shlukováí výjimek je způsobeo tím, že výosy fiačích časových řad ejsou homoskedastické ale heteroskedastické a v obdobích zvýšeé volatility se modely přizpůsobují této ové volatilitě pomalu. Možým řešeím toho problému je použití ěkterého modelu volatility typu GARCH. Tabulka 6: P-hodoty Christofferseova testu ezávislosti výjimek pro NIG model a Gaussovu / Studetovu / Claytoovu / Gumbelovu / Frakovu kopula fukci. Hodoty jsou uvedey v procetech. Portfolio α = α = 0.0 α = 0.05 α = 0.5 DJI & USD 55/57/60/58/58 39/37/37/36/37 8/6/59/37/ 0/0/0/0/0 FTSE & GBP 53/57//3/8 0///0/ 0/0/0/0/0 0/0/0/0/0 N5 & JPY 0/8/7/0/0 0/0/0/0/0 7//9/4/8 53/4/6/34/56 SSMI & CHF 7/7/5/6/7 //4//6 0/0/0/0/0 0/0/0/0/0 6 Závěr Modelováí výosů a rizika je bezesporu eje velmi důležitou, ale i obtížou čiostí eje fiačích istitucí. Teto příspěvek byl zaměře a ověřeí přesosti odhadu rizika při použití růzých modelů složeých z ormálího iversího Gaussova modelu, respektive ormálího rozděleí, a jedotlivých kopula fukcí. Co se týče ormálího rozděleí, z výsledků je patré, že odhad hodoty Value at Risk je přesý pouze pro hladiu výzamosti 5 %. Pro tuto hladiu výzamosti je dostatečé sdružeé ormálí rozděleí pravděpodobosti ormálí rozděleí sdružeé Gaussovou kopula fukcí. Pro přesý odhad hodoty Value at risk a ižších hladiách výzamosti je potřeba použít jié margiálí 354
10 rozděleí výosů. V tomto příspěvku použitý NIG model se ukázal jako dostatečě přesý. Na základě získaých výsledků lze jako ejvhodější určit Claytoovu kopula fukci. Rověž použitím Studetovy kopula fukce bylo dosažeo dobrých výsledků. Problematické je u všech modelů shlukováí výjimek, kdy výjimky elze statisticky považovat za áhodě se vyskytující v čase. Refereces [] Alexader, C. ad Sheedy, E., 008. Developig a stress testig framework based o market risk models. Joural of Bakig ad Fiace, 3(0), p [] Bardorff-Nielse, O. E., 995. Normal iverse Gaussia distributios ad the modelig of st returs. Aarhus : Aarhus Uiversity. Doctoral dissertatio. [3] Clayto, D. G., 978. A model for associatio i bivariate life tables ad its applicatio i epidemiological studies of familial tedecy i chroic disease icidece. Biometrika, 65(), p [4] Demarta, S. ad McNeil, A. J., 005. The t copula ad related copulas. Iteratioal Statistical Review, 73(), p. -9. [5] Frak, M. J., 979. O the simultaeous associativity of F(x, y) ad x+y-f(x, y). Aequatioes Mathematicae, 9(), p [6] Gumbel, E. J., 960. Bivariate expoetial distributios. Joural of the America Statistical Associatio, 55, p [7] Haas, M., 00. New Methods i Backtestig. Fiacial Egieerig Research Ceter, Workig Paper. [8] Hull, J., 007. Risk Maagemet ad Fiacial Istitutios. Upper Saddle River: Pretice Hall. [9] Cherubii, G., Luciao, E. ad Vecchiato, W., 004. Copula Methods i Fiace. Chichester : Wiley. [0] Christofferse, P. F., 998. Evaluatig iterval forecasts. Iteratioal Ecoomic Review, 39(4), p [] Christofferse, P. F. ad Pelletier, D., 004. Backtestig value-at-risk: A duratio-based approach. Joural of Fiacial Ecoometrics, (), p [] Kresta, A., 00. Modellig of foreig asset returs for a Czech ivestor. I: Maagig ad Modellig of Fiacial Risks (Dluhošová, D., eds.). Ostrava: VŠB-TU Ostrava, p [3] Kresta, A., 0. Backtestig of market risk estimatio assumig various copula fuctios. I: Proceedigs of the 30 th Iteratioal Coferece Mathematical methods i ecoomics 0 (Ramík, J. ad Stavárek, D., eds.). Karviá: Silesia uiversity, School of Busiess Admiistratio, p [4] Kresta, A. ad Tichý, T., 0. Iteratioal Equity Portfolio Risk Modelig: The case of NIG model ad ordiary copula fuctios. Fiace a úvěr Czech Joural of Ecoomics ad Fiace, 6(), p [5] Kupiec, P., 995. Techiques for verifyig the accuracy of risk measuremet models. Joural of Derivative, 3(), p
11 [6] Nelse, R. B., 006. A Itroductio to Copulas. d ed. New York: Spriger. [7] Rak, J., 006. Copulas: From Theory to Applicatio i Fiace. Lodo: Risk Books. [8] Resti, A. ad Siroi, A., 007. Risk maagemet ad shareholders Value i bakig: from risk measuremet models to capital allocatio policies. Chichester: Wiley. [9] Sklar, A., 959. Foctios de repartitio à dimesios et leurs marges. Publicatios de l'istitut de statistique de l'uiversité de Paris, 8, p [0] Tichý, T., 00. Posouzeí odhadu měového rizika portfolia pomocí Lévyho modelů. Politická ekoomie, 58(4), p
Testování vybraných modelů odhadu hodnoty VaR
Testováí vybraých modelů odhadu hodoty VaR Aleš KRESTA, VŠB-TU Ostrava i Abstract Modelig, measurig, ad subsequet maagemet of the portfolio risks is of great importace for decisio makig i fiacial istitutios.
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
Více6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.
6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
Více12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
VíceKatedra pravděpodobnosti a matematické statistiky. χ 2 test nezávislosti
Katedra pravděpodobosti a matematické statistiky Oborový semiář χ 2 test ezávislosti Petr Míchal 27 listopadu 2017 Situace 2 X {1,, I}, Y {1,, J} Jsou X a Y ezávislé? K dispozici máme áhodý vyběr (X 1,
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
VíceVaR analýza citlivosti, korekce
VŠB-TU Ostrava, Ekoomická fakulta, katedra fiací.-. září 008 VaR aalýza citlivosti, korekce Fratišek Vávra, Pavel Nový Abstrakt Práce se zabývá rozbory citlivosti ěkterých postupů, zahrutých pod zkratkou
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VíceIntegrace hodnot Value-at-Risk lineárních subportfolií na bázi vícerozměrného normálního rozdělení výnosů aktiv
3. meziárodí koferece Řízeí a modelováí fiačích rizik Ostrava VŠB-U Ostrava, Ekoomická fakulta, katedra Fiací 6.-7. září 006 tegrace hodot Value-at-Risk lieárích subportfolií a bázi vícerozměrého ormálího
VíceZávislost slovních znaků
Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,
Více14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou
4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 3. ÚKOL JB TEST 3. Úkol zadáí pro statistické testy U každého z ásledujících testů uveďte ázev (včetě autora), předpoklady použití, ulovou
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
VíceUPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ
3..- 4.. 2009 DIVYP Bro, s.r.o., Filipova, 635 00 Bro, http://www.divypbro.cz UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ autoři: prof. Ig. Mila Holický, PhD., DrSc., Ig. Karel Jug, Ph.D., doc. Ig. Jaa Marková,
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VíceP2: Statistické zpracování dat
P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu
VíceIntervalové odhady parametrů některých rozdělení.
4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:
VícePravděpodobnostní model doby setrvání ministra školství ve funkci
Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
VíceNEPARAMETRICKÉ METODY
NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost
VíceCvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu
Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
VíceVYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
Vícejako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých
9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie
VíceV. Normální rozdělení
V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
VíceModelování vývoje výnosů zahraničního aktiva pro českého investora
Modelování vývoje výnosů zahraničního aktiva pro českého investora Aleš Kresta 1 Abstrakt Příspěvek je zaměřen na modelování výnosů závisejících na vývoji dvou rizikových faktorů, konkrétně je v příspěvku
VíceMOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ
PŘÍSPĚVKY THE SCIENCE FOR POPULATION PROTECTION 0/008 MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ STATISTICAL ASSESSMENT
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
Vícei 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky
Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
VíceSTATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson
STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
VícePopisná statistika. Zdeněk Janák 9. prosince 2007
Popisá statistika Zdeěk Jaák jaak@physics.mui.cz 9. prosice 007 Výsledkem měřeí atmosférické extikce z pozorováí komet a observatoři Skalaté Pleso jsou tyto hodoty extikčích koeficietů ve vlové délce 46
VíceZáklady statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková
Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují
VícePevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý.
evost a životost - Hr III EVNOT a ŽIVOTNOT Hr III Mila Růžička, Josef Jreka, Zbyěk Hrbý zbyek.hrby@fs.cvt.cz evost a životost - Hr III tatistické metody vyhodocováí dat evost a životost - Hr III 3 tatistické
VíceTESTOVÁNÍ STATISTICKÝCH HYPOTÉZ
TESTOVÁNÍ STATISTICKÝC YPOTÉZ je postup, pomocí ěhož a základě áhodého výběru ověřujeme určité předpoklady (hypotézy) o základím souboru STATISTICKÁ YPOTÉZA předpoklad (tvrzeí) o parametru G základího
VícePřednáška VIII. Testování hypotéz o kvantitativních proměnných
Předáška VIII. Testováí hypotéz o kvatitativích proměých Úvodí pozámky Testy o parametrech rozděleí Testy o parametrech rozděleí Permutačí testy Opakováí hypotézy Co jsou to hypotézy a jak je staovujeme?
Více3. Charakteristiky a parametry náhodných veličin
3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo
Více} kvantitativní znaky. korelace, regrese. Prof. RNDr. Jana Zvárov. Obecné principy
Měřeí statistické závislosti, korelace, regrese Prof. RNDr. Jaa Zvárov rová,, DrSc. MĚŘENÍZÁVISLOSTI Cílem statistické aalýzy vepidemiologii bývá eje staovit, zda oemocěí závisí a výskytu rizikového faktoru,
VíceÚloha II.S... odhadnutelná
Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí
Více4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ
4 DOPADY ZPŮSOBŮ FACOVÁÍ A VESTČÍ ROZHODOVÁÍ 77 4. ČSTÁ SOUČASÁ HODOTA VČETĚ VLVU FLACE, CEOVÝCH ÁRŮSTŮ, DAÍ OPTMALZACE KAPTÁLOVÉ STRUKTURY Čistá současá hodota (et preset value) Jedá se o dyamickou metodu
Vícen-rozměrné normální rozdělení pravděpodobnosti
-rozměré ormálí rozděleí pravděpodobosti. Ortogoálí a pozitivě defiití symetrické matice. Reálá čtvercová matice =Ha i j L řádu se azývá ortogoálí, je-li regulárí a iverzí matice - je rova traspoovaé matici
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2014.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
VíceTeorie chyb a vyrovnávací počet. Obsah:
Teorie chyb a vyrovávací počet Obsah: Testováí statistických hypotéz.... Ověřováí hypotézy o středí hodotě základího souboru s orálí rozděleí... 4. Ověřováí hypotézy o rozptylu v základí souboru s orálí
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta dopraví Statistika Semestrálí práce Zdražováí pohoých hmot Jméa: Martia Jelíková, Jakub Štoudek Studijí skupia: 2 37 Rok: 2012/2013 Obsah Úvod... 2 Použité
VíceGenerování dvojrozměrných rozdělení pomocí copulí
Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta
VíceDynamická pevnost a životnost Statistika
DŽ statistika Dyamická pevost a životost tatistika Mila Růžička, Josef Jreka, Zbyěk Hrbý mechaika.fs.cvt.cz zbyek.hrby@fs.cvt.cz DŽ statistika tatistické metody vyhodocováí dat DŽ statistika 3 tatistické
Více2,3 ČTYŘI STANDARDNÍ METODY I, ČTYŘI STANDARDNÍ METODY II
2,3 ČTYŘI STADARDÍ METODY I, ČTYŘI STADARDÍ METODY II 1.1.1 Statické metody a) ARR - Average Rate of Retur průměrý ročí čistý zisk (po zdaěí) ARR *100 % ( 20 ) ivestic do projektu V čitateli výrazu ( 20
Více1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE
1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;
VíceVzorový příklad na rozhodování BPH_ZMAN
Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha
Více13 Popisná statistika
13 Popisá statistika 13.1 Jedorozměrý statistický soubor Statistický soubor je možia všech prvků, které jsou předmětem statistického zkoumáí. Každý z prvků je statistickou jedotkou. Prvky tvořící statistický
VíceČíselné charakteristiky náhodných veličin
Číselé charakteristiky áhodých veliči Motivace Doposud jsme pozali fukcioálí charakteristiky áhodých veliči (apř. distribučí fukce, pravděpodobostí fukce, hustota pravděpodobosti), které plě popisují pravděpodobostí
VícePro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).
STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,
VíceFUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL
Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2013.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VíceNáhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.
Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která
VíceKomplexní čísla. Definice komplexních čísel
Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují
VíceSekvenční logické obvody(lso)
Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách
Více10.3 GEOMERTICKÝ PRŮMĚR
Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo
VíceTestování statistických hypotéz
Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím
VícePřednášky část 7 Statistické metody vyhodnocování dat
DŽ ředášky část 7 tatistické metody vyhodocováí dat Mila Růžička mechaika.fs.cvt.cz mila.rzicka@fs.cvt.cz DŽ tatistické metody vyhodocováí dat Jak velké rozptyly lze očekávat mezi dosažeými pevostmi ebo
VíceÚloha III.S... limitní
Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími
VíceDURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ
DURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ Ivestičí horizot IH: doba, po kterou má ivestor v daé ivestici vázáy své peíze. Při ivestici do dluhopisu jsme vystavei riziku změy výosů Uvažujme
VícePopisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem
Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme
Více17. Statistické hypotézy parametrické testy
7. Statistické hypotézy parametrické testy V této části se budeme zabývat statistickými hypotézami, pomocí vyšetřujeme jedotlivé parametry populace. K takovýmto šetřeím většiou využíváme ám již dobře zámé
VícePojem času ve finančním rozhodování podniku
Pojem času ve fiačím rozhodováí podiku 1.1. Výzam faktoru času a základí metody jeho vyjádřeí Fiačí rozhodováí podiku je ovlivěo časem. Peěží prostředky získaé des mají větší hodotu ež tytéž peíze získaé
VíceREGRESNÍ DIAGNOSTIKA. Regresní diagnostika
4.11.011 REGRESNÍ DIAGNOSTIKA Chemometrie I, David MILDE Regresí diagostika Obsahuje postupy k posouzeí: kvality dat pro regresí model (přítomost vlivých bodů), kvality modelu pro daá data, splěí předpokladů
VíceMatematika I, část II
1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího
VíceANALÝZA SÍLY VYBRANÝCH KLASICKÝCH A ROBUSTNÍCH TESTŮ NORMALITY PROTI BIMODÁLNÍMU ROZDĚLENÍ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročík LVII 6 Číslo 6, 009 ANALÝZA SÍLY VYBRANÝCH KLASICKÝCH A ROBUSTNÍCH
Více7. Odhady populačních průměrů a ostatních parametrů populace
7. Odhady populačích průměrů a ostatích parametrů populace Jak sme zišťovali v kapitole. e možé pro každou populaci sestroit možství parametrů, které i charakterizue. Pro účely základího pozáí e evýzaměší
VíceZhodnocení přesnosti měření
Zhodoceí přesosti měřeí 1. Chyby měřeí Měřeím emůžeme ikdy zjistit skutečou (pravou) hodotu s měřeé veličiy. To je způsobeo edokoalostí metod měřeí, měřicích přístrojů, lidských smyslů i proměých podmíek
VíceTržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.
Techická aalýza Techická aalýza z vývoje cey a obchodovaých objemů akcie odvozuje odhad budoucího vývoje cey. Dalšími metodami odhadu vývoje ce akcií jsou apř. fudametálí aalýza (zkoumá podrobě účetictví
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
VícePOROVNÁNÍ PŘESNOSTI MODELOVÁNÍ VÝNOSŮ PORTFOLIA PRO RŮZNÁ OBDOBÍ NA TRHU
POROVNÁNÍ PŘESNOSTI MODELOVÁNÍ VÝNOSŮ PORTFOLIA PRO RŮZNÁ OBDOBÍ NA TRHU Aleš Kresta Klíčová slova: modelování výnosů, kopula funkce, NIG model, VaR Key words: returns modelling, copula functions, NIG
Více0,063 0,937 0,063 0, P 0,048 0,078 0,95. = funkce CONFIDENCE.NORM(2α; p(1 p)
. Příklad Při průzkumu trhu projevilo 63 z dotázaých zákazíků zájem o iovovaý výrobek, který má být uvede a trh se zákazíky. Odvoďte a odhaděte proceto a počet zájemců v populaci s 95% spolehlivostí. Následě
VíceOdhad parametrů normálního rozdělení a testy hypotéz o těchto parametrech * Věty o výběru z normálního rozdělení
Odhad parametrů ormálího rozděleí a testy hypotéz o těchto parametrech * Věty o výběru z ormálího rozděleí Nechť, X, X je áhodý výběr z rozděleí N ( µ, ) X, Ozačme výběrový průměr a = X = i = X i i = (
VíceNárodní informační středisko pro podporu kvality
Národí iformačí střediso pro podporu vality Problémy s uazateli způsobilosti a výoosti v praxi Dr.Jiří Michále, CSc. Ústav teorie iformace a automatizace AVČR Uazatel způsobilosti C p Předpolady: ormálí
VíceIntervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním
Lekce Itervalový odhad Itervalový odhad je jedou ze stadardích statistických techik Cílem je sestrojit iterval (kofidečí iterval, iterval spolehlivosti, který s vysokou a avíc předem daou pravděpodobostí
VíceOdhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení
Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází
VícePODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B)
Přijímací řízeí pro akademický rok 24/5 a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata B) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím
VíceStatistika pro metrologii
Statistika pro metrologii T. Rössler Teto projekt je spolufiacová Evropským sociálím fodem a státím rozpočtem České republiky v rámci projektu Vzděláváí výzkumých pracovíků v Regioálím cetru pokročilých
Více3. Lineární diferenciální rovnice úvod do teorie
3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se
VíceTeorie odhadů 2 Teorie odhadů... 3 Odhad parametrů... 4
Metody odhadováí parametrů. Metoda mometů. Maximálě věrohodé odhady. Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/exe/fetch.php/courses/a6m33ssl/pms_prit.pdf
Více1.3. POLYNOMY. V této kapitole se dozvíte:
1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí
VíceKONEČNĚ ROZDĚLENÁ ZPOŽDĚNÍ. POLYNOMICKY ROZDĚLENÉ ZPOŽDĚNÍ.
KONEČNĚ ROZDĚLENÁ ZPOŽDĚNÍ. POLYNOMICKY ROZDĚLENÉ ZPOŽDĚNÍ. Teto text je zaměře a modely koečě zpožděí, podroběji je pak rozebráo polyomicky rozděleé zpožděí. Občas bývá rozumé zahrout do modelu eje současé,
Více