Optimalizace portfolia a míry rizika. Pavel Sůva
|
|
- Leoš Bednář
- před 8 lety
- Počet zobrazení:
Transkript
1 Základní seminář 6. října 2009
2 Obsah Úloha optimalizace portfolia Markowitzův model Míry rizika Value-at-Risk Conditional Value-at-Risk Drawdown míry rizika Minimalizační formule Optimalizační modely Empirická aplikace Tato prezentace je ke stažení na webu suvap6am/
3 Úloha optimaliazce portfolia Chceme investovat do aktiv z nějaké předem dané množiny. Nevíme, jaké výnosy jednotlivá aktiva v budoucnu přinesou, pokládáme je za náhodné. Cíl: Nalezení investiční strategie, která bude maximalizovat výnos a minimalizovat riziko ztráty. Jak na to: Nějakým způsobem (historická data, generování scénářů) odhadneme rozdělení výnosů, potom budeme maximalizovat očekávaný výnos portfolia (tj. střední hodnotu výnosů) a minimalizovat riziko ztráty. Problémy: výnosy jsou náhodné úloha vícekriteriální optimalizace jak měřit riziko? Měření rizika: Markowitzův model; moderní míry rizika (VaR, CVaR); dynamické míry rizika (drawdown)
4 Markowitzův model m aktiv (akcíı), do nichž můžeme investovat r i... náhodný výnos i-tého aktiva, i = 1,..., m r = (r 1, r 2,..., r m ) T ˆr = (ˆr 1, ˆr 2,..., ˆr m ) T = Er... vektor středních hodnot náhodného vektoru r V = [cov(r i, r j ), i, j = 1,..., m] = var r... varianční matice náhodného vektoru r x i... váhy určující složení portfolia, i = 1,..., m, m i=1 x i = 1 x = (x 1, x 2,..., x m ) T ˆr (p) (x) = x Tˆr m = ˆr i x i... očekávaný výnos portfolia σ 2 (x) = x T Vx = i=1 m x i cov(r i, r j )x j... rozptyl výnosu portfolia, riziko i,j=1
5 Markowitzův model Minimalizujeme riziko (rozptyl) za podmínky, že očekávaný výnos portfolia bude alespoň roven dané hodnotě µ, tj. min x X xt Vx s.t. x Tˆr µ kde X je konvexní polyedrická množina omezení, definovaná požadavkem m i=1 x i = 1, případně dalšími lineárními podmínkami. Protože V je pozitivně semidefinitní matice, je účelová funkce konvexní.
6 Markowitzův model Varianty Markowitzova modelu: ekvivalentně lze maximalizovat výnos za podmínky na riziko, nebo minimalizovat rozdíl výnosu a rizika možnost investice do bezrizikového aktiva podmínky nezápornosti a další lineární omezení Nevýhody Markowitzova modelu: nejedná se o úlohu lineárního programování - účelová funkce je kvadratická rozptyl není nejvhodnějším prostředkem k měření rizika (penalizuje odchylky od očekávaného výnosu nahoru i dolů a navíc není subaditivní) Vylepšení: nahrazení rozptylu tzv. semivariancí, která se ale v praxi obtížně počítá
7 Míry rizika m aktiv, do nichž můžeme investovat r = (r 1, r 2,..., r m ) T... vektor náhodných výnosů x = (x 1, x 2,..., x m ) T... vektor vah X... množina možných rozhodnutí jak a do kterých aktiv investovat Definice Ztrátovou funkcí rozumíme náhodnou veličinu Z = g(x, r), která je funkcí vektoru x X R m a náhodného vektoru r se složkami definovanými na pravděpodobnostním prostoru (Ω, A, P) a majícími hodnoty v (E, B(E)), kde B(E) je Borelovská σ-algebra generovaná metrickým prostorem E R. Definice Necht Z je množina ztrátových funkcí. Potom mírou rizika rozumíme funkcionál ρ : Z R.
8 Míry rizika Definice Necht ρ je míra rizika a necht Z, Y Z. Řekneme, že ρ je koherentní, jestliže pro ni platí: Ekvivariance vůči posunutí: ρ(z + c) = ρ(z) + c. Pozitivní homogenita: ρ(λz) = λρ(z), λ 0. Monotonie: Necht Y Z všude na Ω, potom ρ(y ) ρ(z). Subaditivita: Necht navíc Y + Z Z, pak ρ(y + Z) ρ(y ) + ρ(z). Tyto vlastnosti jsou hezké v tom smyslu, že je intuitivně očekáváme od nástroje určeného k měření rizika.
9 Value-at-Risk m aktiv, do nichž můžeme investovat, k nim navíc bezrizikové aktivum r = (r 0, r 1, r 2,..., r m ) T... vektor výnosů, kde r 0 je pevný výnos bezrizikového aktiva a r 1,..., r m jsou náhodné výnosy (za nějakou danou časovou jednotku) x = (x 0, x 1, x 2,..., x m ) T X... vektor vah X... konvexní polyedrická množina omezení, definovaná požadavkem m i=0 x i = 1, případně dalšími lineárními podmínkami r (p) (x) = r T x = m r i x i... výnos portfolia i=0 g(x, r) = r (p) (x)... ztráta portfolia g(x, r) je náhodná veličina s distribuční funkcí ψ(x, ξ) = P[g(x, r) ξ].
10 Value-at-Risk Value-at-Risk (VaR) na hladině α definujeme jako hodnotu ztráty portfolia, která bude překročena s (malou) pravděpodobností nejvýše 1 α, tzn. ztráta bude s (velkou) pravděpodobností menší, než VaR. Definice Necht α (0, 1) a g(x, r) je ztrátová funkce. Value-at-Risk VaR α (x) definujeme předpisem Dále definujeme horní VaR jako VaR α (x) = min{ξ ψ(x, ξ) α}. VaR + α(x) = inf{ξ ψ(x, ξ) > α}. VaR α (x) je tedy α-kvantil ztráty portfolia.
11 Value-at-Risk pravděpodobnost VaR α pravděpodobnost 1 α největší ztráta ztráta
12 Value-at-Risk Value-at-Risk je v současnosti nejpoužívanější míra rizika, je doporučen Basilejskou komisí. Nevýhody Value-at-Risk: není subaditivní a tedy ani koherentní mírou rizika neobsahuje informaci o závažnosti ztráty, ke které může dojít ve zbývajících (1 α) 100% případů Vylepšení: tyto problémy odstraňuje Conditional (podmíněný) Value-at-Risk.
13 Conditional Value-at-Risk Conditional Value-at-Risk (CVaR, také známý jako expected shortfall a expected tail loss ) na hladině α definujeme jako střední hodnotu (1 α) 100% největších ztrát, tj. lze si jej představit jako střední hodnotu ztrát, které překročí VaR (to ale nemusí přesně platit vždy). Definice Necht g(x, r) je ztrátová funkce. Definujeme α-chvost jako náhodnou veličinu T α s distribuční funkcí 0, ξ < VaR α (x), ψ α (ξ) = ψ(x, ξ) α, ξ VaR α (x). 1 α Potom definujeme Conditional Value-at-Risk jako CVaR α (x) = ET α.
14 Conditional Value-at-Risk Tvrzení (CVaR jako vážený průměr) Necht λ α (x) = ψ α (VaR α (x)), tedy Pro CVaR α (x) platí rovnost λ α (x) = ψ(x, VaR α(x)) α. 1 α CVaR α (x) = λ α (x)var α (x) + (1 λ α (x))e[g(x, r) g(x, r) > VaR α (x)]. Tvrzení (Vztah VaR a CVaR) Pro každé α (0, 1) a váhy x platí VaR α (x) CVaR α (x). Rovnost nastane pouze tehdy, když pravděpodobnost ztráty větší než VaR α (x) je nulová. Navíc: CVaR je konvexní a koherentní míra rizika.
15 Conditional Value-at-Risk pravděpodobnost VaR α pravděpodobnost 1 α největší ztráta CVaR α ztráta
16 Conditional Value-at-Risk Pokud náhodné výnosy budou mít absolutně spojité rozdělení s hustotou p(r), potom bude platit: ψ(x, ξ) = p(r)dr, g(x,r) ξ P[g(x, r) VaR α (x)] = 1 α, CVaR α (x) = 1 g(x, r)p(r)dr. 1 α g(x,r) VaR α(x) Nás však kvůli praktickému využití (scénáře) víc zajímá případ, kdy rozdělení diskrétní.
17 Conditional Value-at-Risk Tvrzení (CVaR pro diskrétní rozdělení) Necht náhodný vektor výnosů r má diskrétní rozdělení soustředěné v konečně mnoha bodech. Potom ztráta portfolia g(x, r) bude mít pro pevné x rovněž diskrétní rozdělení soustředěné v konečně mnoha bodech v 1 < v 2 <... < v S, pro něž bude platit P[g(x, r) = v s ] = p s, S s=1 p s = 1. Pro α (0, 1) najdeme právě jeden index s α takový, že Pak platí s α 1 s=1 p s < α s α s=1 p s. a VaR α (x) = v sα [( CVaR α (x) = 1 sα ) p s α v sα + 1 α s=1 S s=s α+1 p s v s ].
18 Drawdown míry rizika 0, T... časový interval rozdělený na konečný počet podintervalů [t k 1, t k ], k = 1,..., N, t 0 = 0, t N = T m aktiv, do nichž můžeme investovat, k nim navíc bezrizikové aktivum r(t k ) = (r 0 (t k ), r 1 (t k ), r 2 (t k ),..., r m (t k )) T... vektor výnosů v čase t k (tj. za období [t k 1, t k ]), kde r 0 (t k ) je pevný výnos bezrizikového aktiva a r 1 (t k ),..., r m (t k ) jsou náhodné. x(t k ) = (x 0 (t k ), x 1 (t k ), x 2 (t k ),..., x m (t k )) T... vektor vah v čase t k X... konvexní polyedrická množina omezení pro váhy, definovaná požadavkem m i=0 x i(t k ) = 1, k = 1,..., N, případně dalšími lineárními podmínkami r (p) k (t k ) = r(t k ) T x(t k ) = m i=0 r i(t k )x i (t k )... výnos portfolia v čase t k w k = k j=1 r (p) j (x(t j ))... částečný součet výnosů portfolia do času t k (uncompounded cumulative portfolio rate of return) w = (w 1, w 2,..., w N ) T
19 Drawdown míry rizika Definice Drawdown portfolia definujeme jako vektor AD(w) = AD = (AD 1,..., AD N ) T, AD k = max 0 j k w j w k. Drawdown portfolia v čase t k, tj. AD k, nám říká, jaký největší nezáporný rozdíl byl mezi některým z předešlých částečných součtů výnosů (tj. těch v časech t 0,..., t k ) a částečným součtem výnosů v čase t k, tedy o kolik nejvíc jsme na tom v minulosti byli lépe než ted. w t AD t t
20 Drawdown míry rizika Definice Necht [0, T ] je časový interval, který je rozdělen na konečný počet podintervalů [t k 1, t k ], k = 1,..., N, t 0 = 0, t N = T. Maximální drawdown na tomto intervalu je definován jako MaxDD(AD(w)) = max 1 k N AD k. a průměrný drawdown na tomto intervalu jako AvDD(AD(w)) = 1 N N AD k. k=1 Analogicky k CVaR chceme zavést takovou drawdown míru, která nám bude pro zvolené α (0, 1) udávat střední hodnotu (1 α) 100% největších (nejhorších) drawdownů.
21 Drawdown míry rizika Definujeme pomocnou funkci π AD (z) = 1 N indikátorová funkce. N I {ADk z}, kde I je z 1 7/8 AD t 3/4 5/8 z 1/2 3/8 1/4 1/8 z 0 t1 t2 t3 t4 t5 t6 t7 t8 AD2 AD7 AD8 AD6 AD1 AD5 AD4 AD3 k=1
22 Drawdown míry rizika π 1 AD (α) = { inf {z π AD (z) α}, α (0, 1] 0, α = 0. Byla-li by π AD prostá, pak by π 1 AD byla funkcí k ní inverzní. z 1 7/8 3/4 5/8 1/2 3/8 1/4 1/8 z 0 AD2 AD7 AD8 AD6 AD1 AD5 AD4 AD3 AD5 AD1 AD6 AD8 AD3 AD7 AD4 AD /8 1/4 3/8 1/2 5/8 3/4 7/8 1
23 Drawdown míry rizika 1 AD5 AD1 AD6 AD8 AD3 AD7 AD4 AD2 0 1/8 1/4 3/8 1/2 5/8 3/4 7/8 1 Dále definujeme pomocnou množinu Ξ α = {AD k AD k > π 1 AD (α), k = 1,..., N} Definice Necht α [0, 1). Podmíněný drawdown (Conditional Drawdown at Risk) na hladině α definujeme jako ( πad (π 1 CDaR α (AD(w)) = AD (α)) α 1 α ) π 1 AD (α)+ 1 (1 α) N AD k Ξ α AD k.
24 Drawdown míry rizika Vlastnosti CDaR: maximální a průměrný drawdown jsou limitní případy podmíněného drawdownu (pro α 1, resp. α 0 + ) dynamická (multi-period) míra rizika (tzn. bere v úvahu velikost možných ztrát přes delší časový horizont, zatímco CVaR uvažuje pouze jednorázové ztráty) konvexní a koherentní míra rizika (stejně jako CVaR)
25 Minimalizační formule Definujeme funkci F α (x, y) = y α E [[g(x, r) y] +]. Lze ukázat, že tato funkce je konvexní v y a navíc platí CVaR α (x) = min y R F α(x, y). Přitom množina arg min y F α (x, y) je neprázdný, uzavřený, omezený interval, jehož levým krajním bodem je VaR α (x) a tedy platí F α (x, VaR α (x)) = CVaR α (x). V případě, že náhodný vektor r bude mít diskrétní rozdělení soustředěné v konečně mnoha bodech r s, s = 1,..., S s pravděpodobnostmi p s, s = 1,..., S, bude mít funkce F α (x, y) tvar F α (x, y) = y α S s=1 p s [ r (p) s y] +.
26 Minimalizační formule Tvrzení (Minimalizační formule pro CVaR) Necht g(x, r) je ztráta portfolia a α (0, 1). CVaR α (x) lze vypočítat vyřešením úlohy [ CVaR α (x) = min y + 1 y 1 α E [g(x, r) y] +] vedoucí k jediné optimální hodnotě y = VaR α (x) nebo k uzavřenému intervalu optimálních hodnot y [VaR α (x), VaR + α(x)].
27 Minimalizační formule Tvrzení (Minimalizační formule pro CVaR - diskrétní případ) Necht náhodný vektor výnosů r má diskrétní rozdělení soustředěné v konečně mnoha bodech r s, s = 1,..., S, s pravděpodobnostmi p s, s = 1,..., S. Necht r s (p) = rs T x. Pak lze lze CVaR α (x) vypočítat vyřešením úlohy CVaR α (x) = min y y α Tuto formuli lze ekvivalentně zapsat jako S s=1 p s [ r (p) s y] +. CVaR α (x) = min y,z s.t. y + 1 (1 α) S p s z s s=1 z s r (p) s y, z s 0, s = 1,..., S.
28 Minimalizační formule Analogicky postupujeme pro CDaR: Tvrzení (Minimalizační formule pro CDaR) Necht AD(w) = (AD 1,..., AD N ) T je drawdown funkce a α (0, 1). Výpočet hodnoty CDaR α (AD(w)) lze redukovat na úlohu lineárního programování CDaR α (AD(w)) = min y,z y + 1 (1 α)n N z k k=1 s.t. z k AD k y, z k 0, k = 1,..., N, vedoucí k jediné optimální hodnotě y = π 1 AD (α) nebo k uzavřenému intervalu optimálních hodnot y [π 1 AD (α), π 1 AD (α +)] (kde α + značí limitu zprava).
29 Optimalizační modely Chceme modely optimalizace portfolia pomocí CVaR a CDaR tak, abychom oba mohli aplikovat stejným způsobem na stejná data. Předpokládejme, že dostaneme historická data o výnosech, obsahující pozorování v N stejně dlouhých obdobích (např. každodenní uzavírací kurzy akcíı na burze). Potom tato data budeme považovat za N stejně pravděpodobných scénářů (indexovaných k = 1,..., N namísto s = 1,..., S a majících pravděpodobnost 1 N ) jednorázových ztrát pro CVaR, ale zároveň za jeden scénář s N obdobími pro CDaR jakožto dynamickou míru rizika. Zároveň budeme předpokládat, že složení portfolia bude po celou dobu stejné (tj. váhy portfolia konstantní). Výnos portfolia určeného vahami x odpovídající k-tému období našeho scénáře označíme ˆr (p) k (x).
30 Optimalizační modely Budeme hledat takové váhy x X, abychom minimalizali CVaR (resp. CDaR) za podmínky, že očekávaný výnos portfolia bude alespoň roven dané hodnotě µ, tj. půjde o úlohu min CVaR α(x) nebo CDaR α (x) x X N 1 s.t. N r (p) k (x) µ, k=1 Lze ukázat, že minimalizace CVaR α (x) přes všechna x X je ekvivalentní minimalizaci funkce F α (x, y) přes všechna x X a všechna y R, tj. min CVaR α(x) = min F α(x, y). x X x X,y Ke konstrukci modelu optimalizace portfolia pomocí CVaR lze proto využít minimalizační formule. Analogie platí i pro CDaR.
31 Optimalizační modely Optimalizace portfolia pomocí CVaR úloha LP: min x X,y,z s.t. 1 N y + 1 (1 α)n N k=1 z k ˆr (p) k N z k k=1 ˆr (p) k (x) µ, y, z k 0, k = 1,..., N Optimalizace portfolia pomocí CDaR úloha LP: min x X,u,y,z s.t. 1 N y + 1 (1 α)n N k=1 N z k k=1 ˆr (p) k (x) µ, z k u k y, z k 0, u k u k 1 ˆr (p) k (x), u 0 = 0, u k 0, k = 1,..., N
32 Empirická aplikace Úkol: S pomocí CVaR a CDaR hledáme optimální portfolio akcíı obchodovaných na Burze cenných papírů Praha, z nichž se ke dni skládalo portfolio pražské burzy index PX, tj. tituly: CETV, ČEZ, Erste Bank, Komerční banka, Orco, Phillip Morris ČR, Telefónica O2 C.R., Unipetrol, Zentiva. Data: Týdenní výnosy těchto titulů za období až Riziko měříme na hladině α = 0, 95. Voĺıme požadované očekávané týdenní výnosy µ = 0, 08% až 1, 18%. Zjistíme, co se změní, nepovoĺıme-li nákup bezrizikového aktiva (bezriziková úroková míra je 4% p.a.). Krátké prodeje nejsou povoleny (tj. pro váhy platí x i 0 i).
33 Empirická aplikace Výsledky s bezrizikovým aktivem CVaR i CDaR dávají velmi podobná portfolia, která obsahují jen bezrizikové aktivum a dva nejvýnosnější tituly.
34 Empirická aplikace 1,4% Eficientní hranice CDaR 1,4% Eficientní hranice CVaR 1,2% 1,2% 1,0% 1,0% pož. výnos 0,8% 0,6% pož. výnos 0,8% 0,6% 0,4% 0,4% 0,2% 0,2% 0,0% 0,0% 0,00 0,05 0,10 0,15 0,20 0,25 0,30 CDaR 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 CVaR Srovnání efic. hranic vzhledem k CDaR Srovnání efic. hranic vzhledem k CVaR 1,4% 1,4% 1,2% 1,2% 1,0% 1,0% pož. výnos 0,8% 0,6% 0,4% pož. výnos 0,8% 0,6% 0,4% 0,2% 0,2% 0,0% 0,00 0,05 0,10 0,15 0,20 0,25 0,30 CDaR 0,0% 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 CVaR CDaR-eficientní CVaR-eficientní CDaR-eficientní CVaR-eficientní
35 Empirická aplikace Výsledky bez bezrizikového aktiva rozmanitější portfolia; CVaR-eficientní portfolia jsou více diverzifikovaná, než CDaR-eficientní; složení CVaR-eficientní a CDaR-eficientní pro nižší hodnoty µ jsou velmi odlišná
36 Empirická aplikace Srovnání část. součtů výnosů efic. portfolií a indexu PX 70% 60% 50% 40% 30% 20% 10% 0% CDaR-eficientní, PX CVaR-eficientní, PX CDaR-eficientní, 0,75% CVaR-eficientní, 0,75% Index PX Částečné součty výnosů pro eficientní portfolia s oček. výnosem 0, 53% (=výnos indexu PX) a 0, 75% a pro portfolio indexu PX.
37 Empirická aplikace 1,4% Eficientní hranice CDaR 1,4% Eficientní hranice CVaR 1,2% 1,2% 1,0% 1,0% pož. výnos 0,8% 0,6% pož. výnos 0,8% 0,6% 0,4% 0,4% 0,2% 0,2% 0,0% 0,0% 0,10 0,12 0,14 0,16 0,18 0,20 0,22 0,24 0,26 CDaR 0,045 0,050 0,055 0,060 0,065 0,070 0,075 0,080 0,085 CVaR Srovnání efic. hranic vzhledem k CDaR Srovnání efic. hranic vzhledem k CVaR 1,4% 1,4% 1,2% 1,2% 1,0% 1,0% pož. výnos 0,8% 0,6% 0,4% pož. výnos 0,8% 0,6% 0,4% 0,2% 0,2% 0,0% 0,10 0,12 0,14 0,16 0,18 0,20 0,22 0,24 0,26 CDaR 0,0% 0,045 0,050 0,055 0,060 0,065 0,070 0,075 0,080 0,085 CVaR CDaR-eficientní CVaR-eficientní CDaR-eficientní CVaR-eficientní
38 Empirická aplikace Viděli jsme: na nižších hladinách očekávaných výnosů (µ < 0, 8%) jsou CVaR-eficientní portfolia velmi riziková vzhledem k CDaR a naopak, CDaR-eficientní portfolia velmi riziková vzhledem k CVaR Tituly, které do portfolíı zařadil pouze CVaR, mohly mít malé mezitýdenní poklesy, ale zato dlouhodobější klesající tendence. Tituly, které do portfolíı zařadil pouze CDaR, mohly mít neklesající dlouhodobý trend, ale občasné větší jednorázové odchylky. Důvod: Rozdílný způsob měření rizika CVaR je citilivější na jednorázové propady zatímco CDaR je citlivý na dlouhodobější klesající trendy
39 Literatura Branda M. (2006) Míry rizika - dynamika, citlivost. (diplomová práce) Chekhlov A., Uryasev S., Zabarankin M. (2004) Drawdown Measure in Portfolio Optimization. Krokhmal P., Uryasev S., Zrazhevsky G. (2003) Numerical Comparison of CVaR and CDaR Approaches: Application to Hedge Funds. Rockafellar R. T., Uryasev S. (2002) Conditional Value-At-Risk for General Loss Distributions. Sůva P. (2009) Drawdown v úlohách optimalizace portfolia. (bakalářská práce)
Kvantifikace rizika. modelem); problém se symetrií a předpoklady. Rho a Vega). a další. 1 Rozptyl a směrodatná odchylka (srovnej s Markowitzovým
Kvantifikace rizika 1 Rozptyl a směrodatná odchylka (srovnej s Markowitzovým modelem); problém se symetrií a předpoklady. 2 Durace - pro státní dluhopisy; problémy s předpoklady. 3 Komplikované instrumenty,
VíceStochastická dominance a optimalita portfolií
Dopravní fakulta ČVUT 2010 Obsah 1 Stochastická dominance 2 Zavedení pojmů Dosavadní výsledky 3 4 Portfolia optimální vzhledem k exponenciálním užitkovým funkcím Předpoklady Konvexita množiny optimálních
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
VíceKMA/MAB. Kamila Matoušková (A07142) Plzeň, 2009 EFEKTIVNÍ PORFÓLIO V MARKOWITZOVĚ SMYSLU
EFEKTIVNÍ PORFÓLIO V MARKOWITZOVĚ SMYSLU KMA/MAB Kamila Matoušková (A07142) Plzeň, 2009 Obsahem práce je vytvoření efektivního portfolia v Markowitzově smyslu.z akcií obchodovaných na SPADu. Dále je uvažována
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
VíceValue at Risk. Karolína Maňáková
Value at Risk Karolína Maňáková Value at risk Historická metoda Model-Building přístup Lineární model variance a kovariance Metoda Monte Carlo Stress testing a Back testing Potenciální ztráta s danou pravděpodobností
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VíceCvičení z optimalizace Markowitzův model
Cvičení z optimalizace Markowitzův model Vojtěch Franc, 29 1 Úvod V tomto cvičení se budeme zabývat aplikací kvadratického programování v ekonomii a sice v úloze, jejímž cílem bude optimalizovat portfolio
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceRozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce
Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Bc. Dana Chromíková Vícerozměrné míry rizika Katedra pravděpodobnosti a matematické statistiky Vedoucí diplomové práce: RNDr. Ing.
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
Více3. ANTAGONISTICKÉ HRY
3. ANTAGONISTICKÉ HRY ANTAGONISTICKÝ KONFLIKT Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku,
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceANTAGONISTICKE HRY 172
5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta. Markowitzův model. Optimalizace II s aplikací ve financích.
Univerzita Karlova v Praze Matematicko-fyzikální fakulta Markowitzův model Optimalizace II s aplikací ve financích Lucia Jarešová léto 2006 Obsah 1 Zadání úlohy 3 2 Markowitzův model 4 3 Výběr titulů 5
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
Vícefakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28.
Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristik často potřebujeme všetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceRiemannův určitý integrál
Riemannův určitý integrál 1. Motivační příklad Příklad (Motivační příklad pro zavedení Riemannova integrálu). Nechť,. Vypočtěme obsah vybarvené oblasti ohraničené grafem funkce, osou a svislými přímkami
Více1 Báze a dimenze vektorového prostoru 1
1 Báze a dimenze vektorového prostoru 1 Báze a dimenze vektorového prostoru 1 2 Aritmetické vektorové prostory 7 3 Eukleidovské vektorové prostory 9 Levá vnější operace Definice 5.1 Necht A B. Levou vnější
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VíceVícekriteriální optimalizace portfólia
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Alena Malá Vícekriteriální optimalizace portfólia Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce: Studijní
VíceLDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25
Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceVícekriteriální programování příklad
Vícekriteriální programování příklad Pražírny kávy vyrábějí dva druhy kávy (Super a Standard) ze dvou druhů kávových bobů KB1 a KB2, které mají smluvně zajištěny v množství 4 t a 6 t. Složení kávy (v procentech)
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceMatematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 4. října 2018 Podmíněná pravděpodobnost Při počítání pravděpodobnosti můžeme k náhodnému pokusu přidat i nějakou dodatečnou podmínku. Podmíněná pravděpodobnost
VíceÚvod do teorie her
Úvod do teorie her 2. Garanční řešení, hry s nulovým součtem a smíšené strategie Tomáš Kroupa http://staff.utia.cas.cz/kroupa/ 2017 ÚTIA AV ČR Program 1. Zavedeme řešení, které zabezpečuje minimální výplatu
VíceStřední absolutní odchylka jako míra rizika
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Petra Janouchová Střední absolutní odchylka jako míra rizika Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské
VíceMatematika V. Dynamická optimalizace
Matematika V. Dynamická optimalizace Obsah Kapitola 1. Variační počet 1.1. Derivace funkcí na vektorových prostorech...str. 3 1.2. Derivace integrálu...str. 5 1.3. Formulace základní úlohy P1 var. počtu,
VíceZpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen
VíceHodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií
Hodina 50 Strana /4 Gymnázium Budějovická Volitelný předmět Ekonomie - jednoletý BLOK ČÍSLO 8 Hodnocení akcií Předpokládaný počet : 9 hodin Použitá literatura : František Egermayer, Jan Kožíšek Statistická
VíceMETRICKÉ A NORMOVANÉ PROSTORY
PŘEDNÁŠKA 1 METRICKÉ A NORMOVANÉ PROSTORY 1.1 Prostor R n a jeho podmnožiny Připomeňme, že prostorem R n rozumíme množinu uspořádaných n tic reálných čísel, tj. R n = R } R {{ R }. n krát Prvky R n budeme
VíceJEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
VíceNMAI059 Pravděpodobnost a statistika
NMAI059 Pravděpodobnost a statistika podle přednášky Daniela Hlubinky (hlubinka@karlin.mff.cuni.cz) zapsal Pavel Obdržálek (pobdr@matfyz.cz) 205/20 poslední změna: 4. prosince 205 . přednáška. 0. 205 )
VíceKapitola 1. Úvod. 1.1 Značení. 1.2 Výroky - opakování. N... přirozená čísla (1, 2, 3,...). Q... racionální čísla ( p, kde p Z a q N) R...
Kapitola 1 Úvod 1.1 Značení N... přirozená čísla (1, 2, 3,...). Z... celá čísla ( 3, 2, 1, 0, 1, 2,...). Q... racionální čísla ( p, kde p Z a q N) q R... reálná čísla C... komplexní čísla 1.2 Výroky -
Více13. cvičení z PSI ledna 2017
cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:
VíceDnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení.
Předmět: MA4 Dnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení. Literatura: Kapitola 2 a)-c) a kapitola 4 a)-c) ze skript Karel Rektorys: Matematika 43, ČVUT,
VíceKvantitativní řízení rizik 7.11.2014
Kvantitativní řízení rizik 7.11.2014 Ekonomický kapitál ekonomický kapitál- kapitál potřebný k zajištění schopnosti splnit v daném časovém horizontu převzaté závazky s danou pravděpodobností L- riziko,
VíceLineární algebra : Lineární prostor
Lineární algebra : Lineární prostor (3. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. dubna 2014, 14:43 1 2 3.1 Aximotické zavedení lineárního prostoru Číselné těleso Celou lineární
VíceIntervalová data a výpočet některých statistik
Intervalová data a výpočet některých statistik Milan Hladík 1 Michal Černý 2 1 Katedra aplikované matematiky Matematicko-fyzikální fakulta Univerzita Karlova 2 Katedra ekonometrie Fakulta informatiky a
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceIng. Alena Šafrová Drášilová, Ph.D.
Rozhodování Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování??? video Obsah typy rozhodování principy rozhodování rozhodovací fáze základní pojmy hodnotícího procesu rozhodovací podmínky rozhodování v podmínkách
VíceVolba parametru averze k riziku v optimalizaci
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Eliška Janásková Volba parametru averze k riziku v optimalizaci Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské
Vícee-mail: RadkaZahradnikova@seznam.cz 1. července 2010
Optimální výrobní program Radka Zahradníková e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Obsah 1 Lineární programování 2 Simplexová metoda 3 Grafická metoda 4 Optimální výrobní program Řešení
VíceNecht L je lineární prostor nad R. Operaci : L L R nazýváme
Skalární součin axiomatická definice odvození velikosti vektorů a úhlu mezi vektory geometrická interpretace ortogonalita vlastnosti ortonormálních bázi [1] Definice skalárního součinu Necht L je lineární
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceParametrické programování
Parametrické programování Příklad 1 Parametrické pravé strany Firma vyrábí tři výrobky. K jejich výrobě potřebuje jednak surovinu a jednak stroje, na kterých dochází ke zpracování. Na první výrobek jsou
Více1 Lineární prostory a podprostory
Lineární prostory a podprostory Přečtěte si: Učebnice AKLA, kapitola první, podkapitoly. až.4 včetně. Cvičení. Které z následujících množin jsou lineárními prostory s přirozenými definicemi operací?. C
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceTexty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech
Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
VíceProblém lineární komplementarity a kvadratické programování
Problém lineární komplementarity a kvadratické programování (stručný učební text 1 J. Rohn Univerzita Karlova Matematicko-fyzikální fakulta Verze: 17. 6. 2002 1 Sepsání tohoto textu bylo podpořeno Grantovou
VíceDiskrétní náhodná veličina. November 12, 2008
Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.
VíceUčební texty k státní bakalářské zkoušce Matematika Základy lineárního programování. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Základy lineárního programování študenti MFF 15. augusta 2008 1 15 Základy lineárního programování Požadavky Simplexová metoda Věty o dualitě (bez důkazu)
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VíceMetody lineární optimalizace Simplexová metoda. Distribuční úlohy
Metody lineární optimalizace Simplexová metoda Dvoufázová M-úloha Duální úloha jednofázová Post-optimalizační analýza Celočíselné řešení Metoda větví a mezí Distribuční úlohy 1 OÚLP = obecná úloha lineárního
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
VíceOperační výzkum. Vícekriteriální programování. Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování.
Operační výzkum Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceObligace II obsah přednášky
Obligace II obsah přednášky 1) Durace obligace 2) Durace portfolia 3) Obchodování obligací kurzovní lístky Durace definice Durace udává střední dobu splatnosti obligace (tento pojem zavedl v roce 1938
VíceLineární programování
Lineární programování Petr Tichý 19. prosince 2012 1 Outline 1 Lineární programování 2 Optimalita a dualita 3 Geometrie úlohy 4 Simplexová metoda 2 Lineární programování Lineární program (1) min f(x) za
VíceLimita a spojitost funkce. 3.1 Úvod. Definice: [MA1-18:P3.1]
KAPITOLA 3: Limita a spojitost funkce [MA-8:P3.] 3. Úvod Necht je funkce f definována alespoň na nějakém prstencovém okolí bodu 0 R. Číslo a R je itou funkce f v bodě 0, jestliže pro každé okolí Ua) bodu
VíceZápadočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat
Západočeská univerzita v Plzni Fakulta aplikovaných věd SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU MATEMATICKÉ MODELOVÁNÍ Ivana Kozlová Modely analýzy obalu dat Plzeň 2010 Obsah 1 Efektivnost a její hodnocení 2 2 Základní
Více7 Konvexní množiny. min c T x. při splnění tzv. podmínek přípustnosti, tj. x = vyhovuje podmínkám: A x = b a x i 0 pro každé i n.
7 Konvexní množiny Motivace. Lineární programování (LP) řeší problém nalezení minima (resp. maxima) lineárního funkcionálu na jisté konvexní množině. Z bohaté škály úloh z této oblasti jmenujme alespoň
VíceVěta 12.3 : Věta 12.4 (princip superpozice) : [MA1-18:P12.7] rovnice typu y (n) + p n 1 (x)y (n 1) p 1 (x)y + p 0 (x)y = q(x) (6)
1. Lineární diferenciální rovnice řádu n [MA1-18:P1.7] rovnice typu y n) + p n 1 )y n 1) +... + p 1 )y + p 0 )y = q) 6) počáteční podmínky: y 0 ) = y 0 y 0 ) = y 1 y n 1) 0 ) = y n 1. 7) Věta 1.3 : Necht
Více4EK311 Operační výzkum. 1. Úvod do operačního výzkumu
4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:
Více4EK213 Lineární modely. 12. Dopravní problém výchozí řešení
4EK213 Lineární modely 12. Dopravní problém výchozí řešení 12. Distribuční úlohy LP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Úlohy reklamního plánování
VíceObecná úloha lineárního programování. Úloha LP a konvexní množiny Grafická metoda. Jiří Neubauer. Katedra ekonometrie FEM UO Brno
Přednáška č. 3 Katedra ekonometrie FEM UO Brno Optimalizace portfolia Investor se s pomocí makléře rozhoduje mezi následujícími investicemi: akcie A, akcie B, státní pokladniční poukázky, dluhopis A, dluhopis
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
Více1 Úvod do celočíselné lineární optimalizace
Úvod do celočíselné lineární optimalizace Martin Branda, verze 7.. 7. Motivace Reálné (smíšeně-)celočíselné úlohy Optimalizace portfolia celočíselné počty akcií, modelování fixních transakčních nákladů,
VíceMalé statistické repetitorium Verze s řešením
Verze s řešením Příklad : Rozdělení náhodné veličiny základní charakteristiky Rozdělení diskrétní náhodné veličiny X je dáno následující tabulkou x 0 4 5 P(X = x) 005 05 05 0 a) Nakreslete graf distribuční
VíceTéma: Investice do akcií společnosti ČEZ
Matematika a byznys Téma: Investice do akcií společnosti ČEZ Alena Švédová A07146 Investice do akcií společnosti ČEZ ÚVOD Tímto tématem, které jsem si pro tuto práci zvolila, bych chtěla poukázat na to,
VíceTeorie her a ekonomické rozhodování. 2. Maticové hry
Teorie her a ekonomické rozhodování 2. Maticové hry 2.1 Maticová hra Teorie her = ekonomická vědní disciplína, která se zabývá studiem konfliktních situací pomocí matematických modelů Hra v normálním tvaru
VíceZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky. Bakalářská práce Optimalizační úlohy v teorii portfolia
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Bakalářská práce Optimalizační úlohy v teorii portfolia Plzeň 2017 Šárka Kopová Prohlášení Prohlašuji, že jsem tuto bakalářskou
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vlastní čísla a vektory Google Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
VíceGreenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice
Greenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice Jan Tomeček Tento stručný text si klade za cíl co nejrychlejší uvedení do teorie Greenových funkcí pro obyčejné diferenciální
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
VíceFunkce jedn e re aln e promˇ enn e Derivace Pˇredn aˇska ˇr ıjna 2015
Funkce jedné reálné proměnné Derivace Přednáška 2 15. října 2015 Obsah 1 Funkce 2 Limita a spojitost funkce 3 Derivace 4 Průběh funkce Informace Literatura v elektronické verzi (odkazy ze STAGu): 1 Lineární
Více12. cvičení z PST. 20. prosince 2017
1 cvičení z PST 0 prosince 017 11 test rozptylu normálního rozdělení Do laboratoře bylo odesláno n = 5 stejných vzorků krve ke stanovení obsahu alkoholu X v promilích alkoholu Výsledkem byla realizace
VíceLDF MENDELU. Simona Fišnarová (MENDELU) LDR druhého řádu VMAT, IMT 1 / 22
Lineární diferenciální rovnice druhého řádu Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF)
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
VíceJAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová
JAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodný pokus? Děj, jehož výsledek není předem jednoznačně určen podmínkami, za nichž
Více1 Řešení soustav lineárních rovnic
1 Řešení soustav lineárních rovnic 1.1 Lineární rovnice Lineární rovnicí o n neznámých x 1,x 2,..., x n s reálnými koeficienty rozumíme rovnici ve tvaru a 1 x 1 + a 2 x 2 +... + a n x n = b, (1) kde koeficienty
VíceVysvětlivky k měsíčním reportům fondů RCM
Vysvětlivky k měsíčním reportům fondů RCM Rozhodný den Pokud není u jednotlivých údajů uvedeno žádné konkrétní datum, platí údaje k tomuto rozhodnému dni. Kategorie investic Třída aktiv a její stručný
VíceRozhodnutí / Skutečnost platí neplatí Nezamítáme správně chyba 2. druhu Zamítáme chyba 1. druhu správně
Testování hypotéz Nechť,, je náhodný výběr z nějakého rozdělení s neznámými parametry. Máme dvě navzájem si odporující hypotézy o parametrech daného rozdělení: Nulová hypotéza parametry (případně jediný
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
Více