Srovnání kapitálového požadavku na kreditní riziko dle NBCA s ekonomickým kapitálem dle CreditMetrics

Rozměr: px
Začít zobrazení ze stránky:

Download "Srovnání kapitálového požadavku na kreditní riziko dle NBCA s ekonomickým kapitálem dle CreditMetrics"

Transkript

1 Srováí kaptálového požadavku a kredtí rzko dle NBCA s ekoomckým kaptálem dle CredtMetrcs Josef Novotý 1 Abstrakt Příspěvek je věová popsu a aplkac dvou základích metod, které určují kaptálový požadavek pro krytí eočekávaé ztráty podle Nové dohody o kaptálové přměřeost (regulatorí kaptálový požadavek) a metodolog CredtMetrcs, která umožňuje výpočet ekoomckého kaptálu pro krytí eočekávaých ztrát. Nejdříve jsou postupě popsáy: stadardí metoda, základí metoda vtřích ratgů a metodologe Credtmetrcs. Výpočty jsou provedey a portfolu 12 dluhopsů. Klíčová slova Kaptálový požadavek, ekoomcký kaptál, očekávaá ztráta, eočekávaá ztráta, Nová dohoda o kaptálové přměřeost, stadardí metoda, základí metoda vtřích ratgů, CredtMetrcs, VaR, model hodoty aktv, smulace Mote Carlo. 1 Úvod Fačí sektor operuje v prostředí, pro které je typcká začá míra přjatého rzka. Schopost a ochota bak brát a sebe rzko spojeé s půjčováím prostředků č podporou rzkových vestc v mulost výrazě přspěla k celosvětovému ekoomckému růstu. Na druhou strau ezvládutí přjatého rzka vedlo mohokrát k pádům bak. Nové přístupy k měřeí a řízeí rzka jsou des jedím z ejdůležtějších témat bakovctví a fací obecě. Obrovský rozmach ových metod měřeí a řízeí kredtího rzka byl zazameá především v druhé polově devadesátých let mulého století. V moha případech se však ejedá o úplě ové přístupy, ale spíše o adstavu jž exstujících modelů apř. CredtMetrcs, který staví a tradčí kredtí aalýze a rozvutém systému ratgu, aopak zcela ovým je model Moody s KMV, mez další zámé exstují modely patří CredtRsk+ a CredtPortfoloVew. Obecě lze říc, že jedotlvé přístupy eslouží pouze k měřeí a řízeí kredtího rzka baky, ale saží se vytvořt takovou platformu, aby je bylo možé použít pro určeí kaptálového požadavku a ekoomckého kaptálu, tedy použít je jako ástroj výpočtu kaptálové přměřeost. Důležtým mpulsem k rozvoj ových metod, byla kocepce kaptálové přměřeost, která vyplývala z Baslejské dohody BCA 2 vydaá Bakou pro mezárodí platby BIS 3. Teto kocept dostatečě ereflektoval skutečá rzka, protože př výpočtu kaptálové přměřeost byly uplatňováy stejé rzkové váhy jak pro podky s vysokým tak pro podky s ízkým ratgovým hodoceím. Jako reakce a tyto edostatky vzkla Nová 1 Ig. Josef Novotý, VŠB TU Ostrava, Ekoomcká fakulta, Katedra fací, Sokolská 33, Ostrava, e-mal: josef.ovoty.ekf@vsb.cz 2 BCA The Basel Captal Accord BIS Bak for Iteratoal Settlemet. 198

2 dohoda o kaptálové přměřeost NBCA, 4 také baky reagovaly a edostatečost původí BCA a začaly vyvíjet vlastí modely teral models. Cílem příspěvku je vypočteí kaptálových požadavků podle základích koceptů NBCA a jejch porováí s ekoomckým kaptálem vypočteým podle metodologe CredtMetrcs. 2 Krytí kredtího rzka Pro potřeby výpočtu kaptálového požadavku je uté krytí kredtího rzka rozdělt a kocepty tzv. očekávaé ztráty expected loss a eočekávaé ztráty uexpected loss. Očekávaá ztrátu představuje jž exstující fačí ztrátu, podle opatřeí České árodí baky č. 9/2002 a tuto ztrátu musí baka vytvářet opravé položky a rezervy, které tvoří polštář a krytí očekávaých ztrát. Neočekávaou ztrátou azýváme v podstatě vychýleí skutečě realzovaé ztráty od ztráty očekávaé (vz. Obr. č. 1.). Pro potřeby krytí eočekávaých ztrát musí baka držet svůj kaptál mmálě ve výš regulatorího kaptálového požadavku. Aby byl kocept regulatorího kaptálového požadavku opravdu relevatí, je uté, aby se co ejvíce přblížl koceptu eočekávaé ztráty a ekoomckého kaptálu. Kaptál baky by měl v každém případě reflektovat eočekávaou ztrátu. Obr. č. 1: Krytí ztrát 3 Staoveí kaptálového požadavku a kredtí rzko podle NBCA. Rzkově vážeá aktva v rámc úvěrového rzka v NBCA lze staovt podle rozhodutí regulovaé sttuce dvěma způsoby: stadardzovaou metodou (Stadardsed approach) a metodou vtřích ratgů (teral ratg based approach - IRB), která se dělí a základí IRB přístup (Foudato IRB approach) a pokročlý IRB přístup (Advaced IRB approach). Vzorec pro výpočet kaptálové přměřeost je dá vztahem, kaptál kp = 0,08, (1) RVA + 12,5 ( KP tr + KP op ) kde kaptál je tvoře složkam (ter1, ter2, ter 3), 5 KP tr představuje kaptálový požadavek a trží rzko a KP op je kaptálový požadavek a operačí rzko. Kaptálový požadavek a kredtí rzko je defová vztahem, KP kr = RVA 0,08, (2) kde RVA jsou rzkově vážeá aktva. Vypočtou se podle vztahu, RVA = RV E, (3) přčemž RV jsou rzkové váhy a E velkost expozce. 4 NBCA New Basel Captal Accord, ozačovaá také jako Basel II. 5 Vz.: 3/1999 Opatřeí ČNB za de , 63 (Kaptálová přměřeost). 199

3 3.1 Stadardí metoda Ve stadardí metodě jsou defováy rzkové váhy pro jedotlvé kategore dle příslušého stupě ratgu (vz. Tabulka č. 1). Základím předpokladem této metody je souhlas regulátora se systémem ratgu exterích ratgových agetur. NBCA také avrhuje (pouze pro staoveí rzkových vah pro soveregs státy) použtí ratgových stupňů státích exportích agetur (tzv. Export Credt Ageces - ECAs). 6 Všechy ratgové agetury musí splňovat ěkolk základích krtérí předepsaých regulátorem. Ratgové hodoceí Rzkové váhy pro pohledávky za Stadard ad Poor's cetrálím vládam obchodím společostm AAA až AA- 0 % A+ až A- 20 % BBB+ až BBB- 50 % BB+ až BB- B+ až B- pod B- 150 % ehodoceo (ureted) Tabulka č.1: Rzkové váhy pro růzé ratgové stupě ve Stadardí metodě NBCA 20 % 50 % 150 % 150 % 3.2 Metoda vtřích ratgů Jak jž bylo výše uvedeo, exstují dva přístupy - základí přístup vtřích ratgů, př kterém baky provádějí terí odhady pro pravděpodobost selháí dlužíka (foudato IRB approach) a zdokoaleý přístup vtřích ratgů (advaced IRB approach), kdy s baka odhady pro všechy prvky staovuje sama. Základem obou přístupů je bakou vybudovaý systém terího ratgu. Teto systém musí splňovat celou řadu kvaltatvích požadavků blíže specfkovaých v NBCA. Systém vtřích ratgů je v podstatě základem pro odvozeí všech dalších parametrů. V základím pokročlém přístupu IRB musí baka dle svých terích postupů odhadout pravděpodobost defaultu 7 kleta, resp. srovatelé skupy kletů. Baky musí přjmout jedotou defc pravděpodobost defaultu daou NBCA, aby se tak zajstl kozstetí přístup k odhadu tohoto parametru a edocházelo tak k podhodoceí tohoto parametru pro potřeby výpočtu kaptálového požadavku, protože žší pravděpodobost defaultu zameá žší rzkovou váhu. V případě pokročlého přístupu IRB může baka po splěí určtých kvaltatvích požadavků použít pro ostatí klíčové parametry vlastí odhad. Patří sem: ztráta daá defaultem (LGD), kterou baka efektvě utrpí, pokud se dlužcká frma dostae do stavu úpadku (default). Pro základí přístup je LGD astave a 45 % a u podřízeého dluhu je teto ukazatel a úrov 75 %, expozce v době selháí (EAD) 8 udává, jaká je mometálí expozce v době selháí partera, u základího přístupu se u rozvahových aktv rová hodotě esplaceých pohledávek sížeých o opravé položky, zatímco u podrozvahových aktv se vychází z úvěrových ekvvaletů zkostruovaých pomocí příslušých koverzích faktorů, 6 Patří sem apříklad: Hermes Německo, EXIMBANK USA. 7 Probablty of default PD (pravděpodobost selháí). 8 Exposure at default EAD. 200

4 zacházeí s garacem a kredtím derváty, u základího přístupu jsou opět hodoty astaveé, splatost úvěru (M) 9 u základího přístupu IRB staovuje NBCA stadardě průměrou splatost úvěru a 2,5 roku pro ěkteré pohledávky za corporate, bak a soveregs. Baka se může postupě přesouvat od základího IRB přístupu k pokročlému, a to tak, že bude postupě odoptovat vlastí odhady jedotlvých parametrů (může apříklad použít vlastí odhad PD a LGD a pro ostatí parametry využít ávrhů regulátora). V průběhu času by měla baka pracovat a vlastím odhadu všech zbývajících parametrů. Rovce pro výpočet rzkově vážeých aktv pro daou pravděpodobost defaultu má ásledující podobu, 10 RVA = K 12, 5 EAD, (4) kde EAD je velkost expozce v době selháí a K představuje požadovaý kaptál, který je dá vztahem, 0,5 0,5 R K = LGD N (1 R) G( PD) + G( 0,999) PD LGD 1 R (5) 1 ( 1 1,5 b) ( 1+ ( M 2,5) b), kde LGD je ztráta z úvěru př selháí partera (astaveá pro základí přístup a 0,45), N je dstrbučí fukce ormovaého ormálího rozděleí (N(0;1)) a G je verzí fukce k dstrbučí fukc ormovaého ormálího rozděleí (kvatl N(0;1)), R je korelace, M je splatost pohledávky (obecě astaveá a 2,5 roku) a b představuje koefcet zohledňující M, je dá vztahem, b = 0, ,05478 l PD. (6) ( ( )) 2 Korelace je určea vztahem, 0,12 ( 1 EXP( 50 PD) ) 1 ( 1 EXP( 50 PD) ) R = + 0,24 ( 1 ( 50) ) ( ), (7) EXP 1 EXP 50 přčemž PD je pravděpodobost selháí. Důležtou součástí metody IRB je zajštěí, a to v souvslost s určeím upraveé LGD (LGD*), je dáo vztahem E * LGD* = MAX 0, LGD, (8) E kde E udává současou hodotu expozce a E* hodotu expozce po zajštěí. 4 Staoveí ekoomckého kaptálu pomocí CredtMetrcs CredtMetrcs patří do kategore Market to Market modelů, kde je kredtí rzko spojeo se změou (sížeím ebo zvýšeím) ratgového hodoceí, využívá přechodové aalýzy. Teto model je postave a metodolog Value at Rsk VAR. Podstata této metodologe spočívá v převodu všech rzk a společého jmeovatele, a změu hodoty portfola aktv (dluhových strumetů). VAR přestavuje maxmálí možou ztrátu a daé 9 Maturty - M 10 Iteratoal Covergece of Captal Measuremets ad Captal Stadards, A revsed framework, bod

5 hladě výzamost (pravděpodobost) za určtý časový terval, terpretovat ho můžeme dvěma růzým způsoby. 1) Na daé hladě výzamost α bude ztráta z portfola dluhových aktv ( ) za určtý časový terval vyšší, ež předem staoveá hodota ztráty (VAR), (apř. exstuje pouze 1% pravděpodobost, že ztráta bude vyšší ež předem staoveá ve výš XZ Kč), toto tvrzeí můžeme vyjádřt vztahem, Pr ( VAR) = α. (9) 2) Na daé hladě výzamost α bude zsk z portfola dluhových aktv ( ) za daý časový terval meší, ež předem staoveá hlada zsku (-VAR), toto tvrzeí lze zapsat ásledově, Pr ( VAR) = α. (10) Výpočet VAR lze provézt pomocí aalytcké metody, která je však zdlouhavá pro výpočet rzka portfola, ebo pomocí smulačí metody Mote Carlo, která je založea a velkém možství smulací vývoje hodoty portfola aktv. Podstatou modelu je určeí rozděleí pravděpodobost přírůstku hodoty portfola aktv ( ) a daé hladě výzamost α. Přírůstek hodoty portfola aktv je dá vztahem = T t V = T t P V V x V x P, j,,,, (11) t kde ( T V V ) je výchozí (predkovaá) hodota portfola, V P,,t je hodota a x je možství P -tého aktva v -té ratgové kategor v portfolu aktv. V, j, T představuje hodotu -tého aktva v j-té ratgové katego a koc přede staoveého časového horzotu T. Za časový horzot se bere zpravdla jede rok. Hodota aktva se odvíjí od ratgového stupě, které má aktvum a koc časového horzotu. 4.1 Model hodoty aktv V metodolog CredtMetrcs, podkladový proces vývoje hodoty aktva (dluhového strumetu) V, j, T. vychází z Modelu hodoty aktv (Asset value model), který je založe a opčě teoretckém přístupu. Dle této teore je hodota frmy áhodou proměou s ějakým rozděleím. Jestlže by tato hodota aktv měla klesout tak výrazě, že by byla meší, ež částka esplaceých fačích závazků (hodota frmy klese pod práh úpadku ), potom frma ebude schopa uspokojt své věřtele a bude v defaultu. Nezameá to ale, že pravděpodobost esplaceí dluhu musí být odhaduta a základě promělvost hodoty frmy. Promělvost hodoty frmy se používá k vyčísleí pravděpodobost společých ratgových změ. Př modelováí ratgu frmy v portfolu se vychází z trží hodoty frmy, která je odrazem tržích ce akcí. Pak tedy, pokud hodota frmy překročí určtou úroveň, dojde ke změě ratgového hodoceí. Názorě ukazuje Obr. č

6 Obr. č. 2: Model hodoty aktv a prahové hodoty Za předpokladu že jsou zámy prahy hodot frmy, je uté modelovat změu hodoty frmy, aby bylo možé popsat vývoj ratgu. Změu hodoty frmy vyjadřuje obrat aktv r, pro účely modelováí se bere r N(0,1). Za předpokladu, že r má ormálí rozděleí, lze spočítat pravděpodobost výskytu každé událost vz. Tabulka č. 2. Ratg a koc roku Pravděpodobost odpovídající ASSET VALUE modelu AAA 1-Φ(Z AA / σ) AA Φ(Z AA / σ) - Φ(Z A / σ) A Φ(Z A / σ) - Φ(Z BBB / σ) BBB Φ(Z BBB / σ) - Φ(Z BB / σ) BB Φ(Z BB / σ) - Φ(Z B / σ) B Φ(Z B / σ) - Φ(Z CCC / σ) CCC Φ(Z CCC / σ) - Φ(Z Def / σ) Default Φ(Z Def / σ) Tabulka č. 2.:Výpočet prahových hodot pro jedotlvé ratgové stupě Prahové hodoty aktv (Z AA, Z A, Z BBB,...Z D ) mez jedotlvým ratgovým kategorem se určí pomocí dstrbučí fukce ormovaého ormálího rozděleí Φ (0;1) a matce přechodu. 4.2 Korelace mez dlužíky Př smulac hodoty portfola je potřeba určt korelace mez jedotlvým dlužíky. CredtMetrcs určuje korelace epřímo, vychází přtom ze souboru dexů, pomocí kterých jsou spočítáy korelace mez jedotlvým dlužíky. Nejdříve jsou pomocí průmyslových dexů v jedotlvých zemí vytvořey matce korelací mez průmyslovým dexy a ásledě jsou dlužíc přřaze do jedotlvých odvětví (k jedotlvým dexům) včetě jejch podílu (w odv ), jakým svou čostí spadají do odvětví. Vývoj výosu vlastího kaptálu frmy, působící v jedom odvětví je dá rovcí A odv odv spec spec r = w r + w r, (12) A kde r představuje výos akce daé frmy, w odv je koefcet determace a w spec je podíl výosu, který je pro frmu specfcký, r odv představuje část výosů vysvětleou odvětvovým dexem a r spec je váha charakterzující specfcký výos frmy. Vzhledem k tomu, že se počítá se stadartzovaým výosy (ormovaý rozptyl frmy je σ = 1, pak w spec můžeme odvodt takto, w spec odv ( w ) 2 = 1. (13) 203

7 Výpočet korelací mez jedotlvým frmam lze řešt pomocí matc. Korelačí matce jedotlvých dexů je azvaá matcí C. Do výpočtu vstupují eje váhy za jedotlvé dexy, ale také specfcké složky, proto je uté vytvořt pomocou matc C (m+,m+), která zahruje obojí a kterou můžeme zapsat ásledově, 0 K 0 C M O M 0 L 0 C =. (14) 0 K 0 M O M E 0 L 0 V levé horí část matce jsou korelace mez jedotlvým dexy, pravá dolí (verzí) matce reprezetuje korelace mez specfckým složkam jedotlvých frem, které jsou samy sobě rovy jedé (jedčky a dagoále) a a specfckých složkách ostatích frem jsou ezávslé (ostatí hodoty uly). Zbytek matce je obsaze ulam, což vyjadřuje eexstec korelací mez specfckým složkam a dexy. Dále je uté sestrojt matc W(m+,), kde sloupce představují jedotlvé frmy a řádky reprezetují váhy odvětví a specfcké obraty frem, tuto matc lze zapsat takto, w11 L w1 M L M M L M W =. (15) wm 1 L wm spec w k1 L 0 spec 0 L wk Korelačí matce výosů jedotlvých frem A(,) je dáa ásledujícím vztahem T A = W C W, (16) T kde W představuje traspoovaou matc W. 4.3 Smulace výosů aktv Př smulac výosu aktv (kredtích strumetů), je uté zohledt korelace mez jedotlvým dlužíky, k tomuto účelu se používá Choleskeho algortmus. Nejdříve je potřeba rozložt korelačí matc A pomocí Choleskeho rozkladu a žší trojúhelíkovou matc A*, teto rozklad je dá ásledujícím vztahy: = 1 a s a, (17) k= 1 1 = 1 a j sj ak a jk, (18) a k= 1 kde s symbolzuje prvky původí korelačí matce A, dále a představuje jedotlvé prvky žší trojúhelíkové matce A*. Matc korelovaých scéářů Z získáme dle vztahu, Z = A* Y, (19) kde Y představuje vygeerovaou matc s ezávslým proměým se stadardím ormálím rozděleím. 204

8 4.4 Staoveí hodoty kredtích strumetů Pro určeí rozděleí pravděpodobost přírůstku portfola, je třeba jedotlvá aktva ocet jak k výchozímu datu rozhodováí t, tak k datu koce předem staoveého časového horzotu T, přčemž se hodota aktva odvíjí od jejího ratgového hodoceí k tomuto datu. Hodotu aktva k okamžku T, př zařazeí do -té ratgové kategore je dáa vztahem T + CFT + VT =, (20) T + ( 1+ t ft, T + ) kde CF T + jsou fačí toky plyoucí z aktva, t f T, T + je forwardová sazba určeá v čase t a terval T,T+ a základě forwardových výosových křvek pro jedotlvé ratgy. Forwardová sazba pro -tý ratg je daá vztahem, 1/ p j p j 1 1 rr F j j= 1 ( ) ( 1+ f ) F j f = 1+ f 1, (21) 1 p kde rr je očekávaá míra ávratost (recovery rate), bývá zpravdla určea a základě F hstorckých dat, p pravděpodobost úpadku v průběhu let v -té ratgové kategor, f je jedoletá bezrzková sazba, která je dáa vztahem, F ( 1+ f ) f = 1, (22) 1 ( 1 f 1) kde f je forwardové sazby (apř. LIBOR, PRIBOR, atd.). 4.5 Ekoomcký kaptál Ekoomcký kaptál lze za použtí rozdeleí pravděpodobost přísůstku portfola defovat jako rozdíl mez hodotou VaR a daé hladě výzamost a středí hodotou tohoto rozděleí, což můžeme zapsat vztahem EK = VaRα E. (23) 5 Aplkace ( ) Cílem aplkačí část je staoveí výše kaptálového požadavku podle stadardí metody a základí metody vtřích ratgů dle NBCA a srováí je s výš vypočteého ekoomckého kaptálu dle CredtMetrcs. Srováí je provedeo a portfolu zahrujících 12 dluhopsů, kterým byl uděle ratg exterím ratgovým ageturam. Rzkový časový horzot T je staove v délce jedoho roku. 11 U metodologe CredtMetrcs je smulováo rozděleí pravděpodobostí výosu portfola dluhopsu pro jede rok ve výš scéářů, odhad hodoty VaR, z které se určí ekoomcký kaptál je a hladě výzamost 0,01%. Vstupí data jsou uvedea v ásledujících Tabulkách. č Časový horzot je od do

9 Dluhops NH Trží cea Kupo Ratg Maturty Idex w-odv 1 ČEZ ,20% 3,35% BBB 2008 BI12 0,79 2 TELEF ,87% 3,50% BBB 2008 BI13 0,37 3 Praha F ,00% 6,95% A 2010 BI15 0,84 4 Česká spořtela ,00% 2,72% A 2012 BI15 0,03 5 Europea ,00% 8,20% AAA 2009 BI15 0,56 6 CEA ,00% 6,95% A 2010 BI10 0,09 7 ING ,00% 4,50% AA 2013 BI15 0,87 8 ŠKODA ,00% 2,26% A 2010 BI10 0,19 9 Upetrol ,00% 12,53% BBB 2013 BI07 0,37 10 SŽDC ,98% 4,60% AA 2011 BI13 0,09 11 Orco ,00% 4,26% BBB 2011 BI08 0,43 12 MF ČR ,00% 2,55% A 2010 BX50 1 Tabulka č. 3. Charakterstky portfola Dále je dáa jedoletá mgračí matce s pravděpodobostm přechodu mez ratgovým stup. AAA AA A BBB BB B CCC Default AAA 90,48% 8,67% 0,51% 0,34% 0,00% 0,00% 0,00% 0,00% AA 0,24% 90,00% 9,29% 0,41% 0,06% 0,00% 0,00% 0,00% A 0,00% 2,15% 92,05% 5,51% 0,25% 0,04% 0,00% 0,00% BBB 0,00% 0,20% 4,32% 91,26% 2,81% 0,70% 0,20% 0,50% BB 0,00% 0,00% 0,00% 3,09% 87,63% 7,22% 0,77% 1,29% B 0,00% 0,00% 0,83% 0,41% 5,37% 78,93% 6,61% 7,85% CCC 0,00% 0,00% 0,00% 0,00% 0,00% 7,41% 29,63% 62,96% Default 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 100,00% Tabulka č. 4: Jedoletá mgračí matce pro Evropu. V této aplkac byly forwardové sazby dopočtey z IRS (Iterrest Rate Swap), jejchž hodoty jsou uvedey v Tabulce č.5. Rok IRS 2,60% 3,07% 3,35% 3,53% 3,66% 3,76% 3,84% 3,92% 3,99% F f 2,60% 2,60% 3,07% 3,35% 3,53% 3,66% 3,76% 3,84% 3,92% Tabulka č.5: Forwardové sazby Postup řešeí 1. Nejprve je vypočítá kaptálový požadavek pro stadardí metodu, a základě ratgů exterích agetur jsou jedotlvým oblgacím přřazey rzkové (vz. Tabulka č. 1) a dle vzorců č. (2 3) je provede výpočet, kaptálový požadavek je dá součtem jedotlvých dílčích požadavků. 2. Na základě pravděpodobost selháí přpadající a jedotlvé dluhopsy je staove kaptálový požadavek metodou vtřích ratgů. Výpočet požadavků za jedotlvé dluhopsy je provede pomocí vzorců č. (2 8). Kaptálový požadavek je pak opět dá součtem jedotlvých dílčích požadavků. 3. Dále jsou vypočtey bezrzková sazby a základě vzorce (22) a forwardové sazby pro jedotlvé ratgové stupě. Recovery rate byl použít ve výš 50% (tato výše je explctě staovea pro základí metodu vtřích ratgů). 4. Pomocí časových řad odvětvových dexů jsou vypočtey dílčí korelace a sestrojea matce C, pomocí hodot w odv vypočtey váhy w spec a setrojea matce W. Pomocí vzorce (16) je vypočtea korelačí matce A a dále pak sestrojea horí trojůhelíková matce pomocí Choleskeho algortmu za použtí vzorců (17,18). 206

10 5. Prostředctvím dstrbučí fukce ormovaého ormálího rozděleí jsou dopočtey prahové hodoty pro jedotlvé ratgy a smulováy áhodé scéáře vývoje výosů frem (jejchž dluhopsy máme v portfolu), dle vzorce (18) jsou staovey korelovaé scéáře. Dílčím scéářům jsou pak přřazey ratgové stupě, které vychází z tervalu prahových hodot pro daé ratgy. 6. Pomocí vzorců (20,21) jsou vypočtey hodoty dluhopsů k časovému horzzotu T pro jedotlvé dluhopsy a poté přřazey smulovaým scéářům. Pomocí vzorce (11) jsou vypočtey přírůstky portfola pro všech scéářů. 7. K odhadu VaR a hladě výzamost 0,01% jsou hodoty přírůstku seřazey od ejhorší po ejlepší. v tomto případě je VaR 0,01% urče jako 200 ejhorší scéář. Na závěr je vypočte ekoomcký kaptál podle vzorce (22). Iterpretace výsledků Výsledky jedotlvých metod jsou uvedey v ásledující tabulce. Metoda KP/EK Středí hodota Stadardí ,- - IRB CredtMetrcs Tabulka č. 6: Výsledky jedotlvých metod v Kč Př avrhováí NBCA byl klade velký důraz a to, aby používaé metodologe co ejvíce odrážely skutečé rzko a dále se předpokládalo, že používáí pokročlejších metod povede ke kaptálové úspoře. Z daých výsledků vyplývá, že stadardí metoda (z výše uvedeých ejjedodušší) je kaptálově ejáročější. U metodologe CredtMetrcs čí VaR Kč a hladě spolehlvost 0,01% kaptál (KP), pokud odečteme očekávaou ztráty ve výš Kč ,-, která je pokryta opravým položkam a rezervam, dostáváme hodotu ekoomckého kaptálu, v ašem případe Kč ,-. V této výš by pak měla baka držet vlastí kaptál. Výše ekoomckého kaptálu u této metody je vyšší ež hodota KP u metody IRB, což může být způsobeo charakterstckým zakem kredtího rzka fat tals, ebol chvosty kredtích událostí (malé pravděpodobost velm vysokých ztrát). Otázkou zůstává, jak s budou schopy jedotlvé modely poradt s fat tals. Je možé, že baky, které budou používat modely, které budou akceptovat fat tals budou pealzovaé vyšší potřebou kaptálu. 6 Závěr V příspěvku byly popsáy a aplkovaý 2 modely výpočtu kaptálového požadavku a 1 model výpočtu ekoomckého kaptálu. Nejprve byly popsáy modely vycházejí z NBCA a ásledě model CredtMetrcs, který je postave a metodologe VaR a využívá smulace Mote Carlo. Srováí jedotlvých modelů bylo provedeo a portfolu 12 dluhopsů, které měly přeřaze ratg od exterí ratgové agetury. Na závěr byly jedotlvé výsledky mez sebou srováy. Lteratura [1] AMMANN, M.: Credt Rsk Valuato: Methods, Models ad Applcatos. 2 d ed. Berl: Sprger, p. ISBN

11 [2] BASEL COMMITTEE ON BANKING SUPERVISION: Cosultatve documet: Operato Rsk Supportg Documet to the New Basel Captal Accord, Basel, Jauary [3] BASEL COMMITTEE ON BANKING SUPERVISION: Iteratoal Covergece of Captal Measuremets ad Captal Stadards, A revsed framework, Basel, Jue 2004 [4] BASEL COMMITTEE ON BANKING SUPERVISION: Iteratoal Covergece of Captal Measuremets ad Captal Stadards, A revsed framework, Basel, November p. ISBN [5] CUPTON, G. M., FINGER, C. C., BHATIA, M.: CredtMetrcs Techcal Documet. New York: J. P. Morga, p. [6] EUROPEAN COMMISSION: Revew fo the Captal Reguremets for Credt Isttuco ad Ivestmet Frms, Brussel, July 2003 (Thrd Quattatve Impact Study). [7] CIPRA, T.: Kaptálová přměřeost ve facích a solvetost v pojšťovctví. 1. vyd. Praha: Ekopress, s. ISBN [8] JÍLEK, J.: Fačí rzka. 1. vyd. Praha: Grada Publshg, s. ISBN [9] NEPRAŠOVÁ, M.: Měřeí kredtího rzka pro potřeby určeí kaptálového požadavku a ekoomckého kaptálu, Praha, květe 2003 [10] REVENDA, Z., MANDEL, M., KODERA, J., MUSÍLEK, P., DVOŘÁK, P., BRADA, J.: Peěží ekoome a bakovctví. 3. vyd. Praha: Maagemet Press, s. ISBN [11] ZMEŠKAL, Z.: Facal models Ostrava: VSB-Techcal Uversty of Ostrava, p. ISBN Summary Ths paper s devoted to the descrpto 2 models calculato of mmum captal requremets ad 1 model calculato ecoomc captal. Frst was descrbe models based o NBCA ad tha model CredtMetrcs, whch s based o Value at Rsk (VaR) metodology ad usg smulato Mote Carlo. For comparso was usg portfolo of 12 oblgatos, whch receved ratg by exteral ratg agecy. At the ed are results compared ad commeted. 208

Generování dvojrozměrných rozdělení pomocí copulí

Generování 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

Více

Optimalizace portfolia

Optimalizace portfolia Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí

Více

Testování statistických hypotéz

Testování 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

Více

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Odhady 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

Více

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota

Více

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů Semárky, předášky, bakalářky, testy - ekoome, ace, účetctví, ačí trhy, maagemet, právo, hstore... PODNIKOVÁ EKONOMIKA 3. Cea ceých papírů Ceé papíry jsou jedím ze způsobů, jak podk může získat potřebý

Více

Spolehlivost a diagnostika

Spolehlivost a diagnostika Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore

Více

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i : ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

Více

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Odhady 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

Více

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad Metody vyhodoceí efektvost vestc Časová hodota peěz Metody vyhodoceí Časová hodota peěz Prostředky, které máme k dspozc v současost mají vyšší hodotu ež prostředky, které budeme mít k dspozc v budoucost.

Více

, jsou naměřené a vypočtené hodnoty závisle

, jsou naměřené a vypočtené hodnoty závisle Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,

Více

11. Časové řady. 11.1. Pojem a klasifikace časových řad

11. Časové řady. 11.1. Pojem a klasifikace časových řad . Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé

Více

Stanovení spravedlivé ceny u vybraných úvěrů

Stanovení spravedlivé ceny u vybraných úvěrů Stanovení spravedlivé ceny u vybraných úvěrů Josef Novotný 1 Abstrakt Příspěvek je věnován popisu stanovení spravedlivé ceny úvěrů. Nejdříve jsou ve stručnosti popsány jednotlivé faktory, které vstupují

Více

a další charakteristikou je četnost výběrového souboru n.

a další charakteristikou je četnost výběrového souboru n. Předáška č. 8 Testováí rozptylu, testy relatví četost, testy dobré shody, test ezávslost kvaltatvích zaků Testy rozptylu Testy se používají k ověřeí hypotézy o určté velkost rozptylu a k ověřeí vztahu

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní 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

Více

[ jednotky ] Chyby měření

[ jednotky ] Chyby měření Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá

Více

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,

Více

I. Výpočet čisté současné hodnoty upravené

I. Výpočet čisté současné hodnoty upravené I. Výpočet čisté současé hodoty upraveé Příklad 1 Projekt a výrobu laserových lamp pro dermatologii vyžaduje ivestici 4,2 mil. Kč. Předpokládají se rovoměré peěží příjmy po zdaěí ve výši 1,2 mil. Kč ročě

Více

Assessment of the Sensitivity of the Regulatory Requirement for Credit Risk. Posouzení citlivosti regulatorního kapitálu na kreditní riziko

Assessment of the Sensitivity of the Regulatory Requirement for Credit Risk. Posouzení citlivosti regulatorního kapitálu na kreditní riziko Assessment of the Senstvty of the Regulatory Requrement for Credt Rsk Posouzení ctlvost regulatorního kaptálu na kredtní rzko Josef Novotný 1 Abstract The paper s devodet to concept of Captal adequacy

Více

Přednáška č. 2 náhodné veličiny

Přednáška č. 2 náhodné veličiny Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Ilustrativní 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

Více

Metodika projektů generujících příjmy

Metodika projektů generujících příjmy Příloha: 9 Metodka projektů geerujících příjmy Účost: 23. 1. 2009 Verze č. 6.0 1. Výchozí podmíky - Obecá pravdla Postup u projektů geerujících příjmy vychází z čláku 55 Obecého ařízeí č. 1083/2006 a vyplývá

Více

2. Vícekriteriální a cílové programování

2. Vícekriteriální a cílové programování 2. Vícerterálí a cílové programováí Úlohy vícerterálího programováí jsou úlohy, ve terých se a možě přípustých řešeí optmalzuje ěol salárích rterálích fucí. Moža přípustých řešeí je přtom defováa podobě

Více

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě. 3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet

Více

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz: Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám

Více

ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC

ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC Jří HŘEBÍČEK, Mchal HEJČ, Jaa SOUKOPOVÁ ECO-Maagemet,

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC 5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém

Více

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ

4 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

Více

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost

Více

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady SP Bodové a tervalové odhady PRAVDĚPODOBNOST A STATISTIKA Bodové a tervalové odhady Lbor Žák SP Bodové a tervalové odhady Lbor Žák Bodové a tervalové odhady Nechť je áhodá proměá, která má dstrbučí fukc

Více

Kolaterál v modelech kreditního rizika

Kolaterál v modelech kreditního rizika Kolaterál v modelech kreditního rizika Josef Novotný 1 Abstrakt Příspěvek je věnován popisu osobního a majetkového zajištění a aplikací dvou základních metod, které určují kapitálový požadavek na kreditní

Více

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

6 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

Více

Chyby přímých měření. Úvod

Chyby přímých měření. Úvod Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,

Více

12. N á h o d n ý v ý b ě r

12. 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

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 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

Více

Solventnost II. Standardní vzorec pro výpočet solventnostního kapitálového požadavku. Iva Justová

Solventnost II. Standardní vzorec pro výpočet solventnostního kapitálového požadavku. Iva Justová 2. část Solventnost II Standardní vzorec pro výpočet solventnostního kaptálového požadavku Iva Justová Osnova Úvod Standardní vzorec Rzko selhání protstrany Závěr Vstupní údaje Vašíčkovo portfolo Alternatvní

Více

Integrace hodnot Value-at-Risk lineárních subportfolií na bázi vícerozměrného normálního rozdělení výnosů aktiv

Integrace 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

Více

Lineární regrese ( ) 2

Lineární regrese ( ) 2 Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující

Více

APLIKACE REGRESNÍ ANALÝZY NA VÝPOČET BODU ZVRATU

APLIKACE REGRESNÍ ANALÝZY NA VÝPOČET BODU ZVRATU VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA PODNIKATELSKÁ ÚSTAV FINANCÍ FACULTY OF BUSINESS AND MANAGEMENT INSTITUTE OF FINANCES APLIKACE REGRESNÍ ANALÝZY NA VÝPOČET BODU ZVRATU

Více

Vzorový příklad na rozhodování BPH_ZMAN

Vzorový 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

Více

2,3 ČTYŘI STANDARDNÍ METODY I, ČTYŘI STANDARDNÍ METODY II

2,3 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

Více

T e c h n i c k á z p r á v a. Pokyn pro vyhodnocení nejistoty měření výsledků kvantitativních zkoušek. Technická zpráva č.

T e c h n i c k á z p r á v a. Pokyn pro vyhodnocení nejistoty měření výsledků kvantitativních zkoušek. Technická zpráva č. Evropská federace árodích asocací měřcích, zkušebích a aalytckých laboratoří Techcká zpráva č. /006 Srpe 006 Poky pro vyhodoceí ejstoty měřeí výsledků kvattatvích zkoušek T e c h c k á z p r á v a EUROLAB

Více

Využití účetních dat pro finanční řízení

Využití účetních dat pro finanční řízení Využtí účetích dat pro fačí řízeí KAPITOLA 4 V rác této kaptoly se zaěříe a časovou hodotu peěz (a to včetě oceňováí ceých papírů), která se prolíá celý vestčí rozhodováí, dále a fačí aalýzu (vycházející

Více

Odhady parametrů 1. Odhady parametrů

Odhady 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:

Více

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:

Více

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT Základy práce s tabulkou Výukový modul III. Iovace a zkvaltěí výuky prostředctvím IC éma III..3 echcká měřeí v MS Excel Pracoví lst 5 Měřeí teploty. Ig. Jří Chobot VY_3_INOVACE_33_5 Aotace Iovace a zkvaltěí

Více

Věstník ČNB částka 9/2012 ze dne 29. června 2012. ÚŘEDNÍ SDĚLENÍ ČESKÉ NÁRODNÍ BANKY ze dne 27. června 2012

Věstník ČNB částka 9/2012 ze dne 29. června 2012. ÚŘEDNÍ SDĚLENÍ ČESKÉ NÁRODNÍ BANKY ze dne 27. června 2012 ÚŘEDNÍ SDĚLENÍ ČESKÉ NÁRODNÍ BANKY ze dne 27. června 2012 k ověřování dostatečného krytí úvěrových ztrát Třídící znak 2 1 1 1 2 5 6 0 I. Účel úředního sdělení Účelem tohoto úředního sdělení je nformovat

Více

P2: Statistické zpracování dat

P2: 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

Více

2. Finanční rozhodování firmy (řízení investic a inovací)

2. Finanční rozhodování firmy (řízení investic a inovací) 2. Fiačí rozhodováí firmy (řízeí ivestic a iovací) - fiačí rozhodováí je podmožiou fiačího řízeí (domiatí) - kompoety = složky: výběr optimálí variaty zdrojů fiacováí užití získaých prostředků uvážeí vlivu

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST 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

Více

Úvod do korelační a regresní analýzy

Úvod do korelační a regresní analýzy Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou

Více

Závislost slovních znaků

Závislost 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

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru

Více

Nepředvídané události v rámci kvantifikace rizika

Nepředvídané události v rámci kvantifikace rizika Nepředvídaé událost v rác kvatfkace rzka Jří Marek, ČVUT, Stavebí fakulta {r.arek}@rsk-aageet.cz Abstrakt Z hledska úspěchu vestce ohou být krtcké právě ty zdroe ebezpečí, které esou detfkováy. Vzhlede

Více

P1: Úvod do experimentálních metod

P1: Úvod do experimentálních metod P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu

Více

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =

Více

Pojem času ve finančním rozhodování podniku

Pojem 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

Více

Náhodné jevy, jevové pole, pravděpodobnost

Náhodné jevy, jevové pole, pravděpodobnost S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,

Více

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;

Více

ANALÝZA A KLASIFIKACE DAT

ANALÝZA A KLASIFIKACE DAT ANALÝZA A KLASIFIKACE DA prof. Ig. Jří Holčík, CSc. INVESICE Isttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a aalýz IV. LINEÁRNÍ KLASIFIKACE pokračováí Isttut bostatstky a aalýz (SUPPOR VECOR MACHINE SVM) SEPARABILNÍ

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE 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,

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a

Více

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě Rekostrukce vodovodích řadů ve vztahu ke spolehlvost vodovodí sítě Ig. Jaa Šekapoulová Vodáreská akcová společost, a.s. Bro. ÚVOD V oha lokaltách České republky je v současost aktuálí problée zastaralá

Více

Odůvodnění. Obecná část

Odůvodnění. Obecná část Odůvoděí k ávrhu změy vyhlášky č. 502/2005 Sb., kterou se staoví způsob vykazováí možství elektřy př společém spalováí bomasy a eobovtelého zdroje Obecá část Zhodoceí platého právího stavu Podpora výroby

Více

1.1 Definice a základní pojmy

1.1 Definice a základní pojmy Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých

Více

Intervalové odhady parametrů některých rozdělení.

Intervalové 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:

Více

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady 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

Více

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy

Více

NEPARAMETRICKÉ METODY

NEPARAMETRICKÉ 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

Více

VaR analýza citlivosti, korekce

VaR 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

Více

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

1 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,

Více

I. Výpočet čisté současné hodnoty upravené

I. Výpočet čisté současné hodnoty upravené I. Výpočet čisté současé hodoty upraveé Příklad 1 Projekt a výrobu laserových lamp pro dermatologii vyžaduje ivestici 4,2 mil. Kč. Předpokládají se rovoměré peěží příjmy po zdaěí ve výši 1,2 mil. Kč ročě

Více

12. Neparametrické hypotézy

12. Neparametrické hypotézy . Neparametrcké hypotézy V této část se budeme zabývat specálí částí teore statstckých hypotéz tzv. eparametrckým hypotézam ebo jak řečeo eparametrckým statstckým testy. Neparametrcké se azývají proto,

Více

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v

Více

Náhodný výběr 1. Náhodný výběr

Náhodný 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

Více

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2 Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z

Více

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu

Cvičení 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

Více

C V I Č E N Í 4 1. Představení firmy Splintex Czech 2. Vlastnosti skla a skloviny 3. Aditivita 4. Příklady výpočtů

C V I Č E N Í 4 1. Představení firmy Splintex Czech 2. Vlastnosti skla a skloviny 3. Aditivita 4. Příklady výpočtů Techologe skla 00/03 C V I Č E N Í 4. Představeí rmy pltex Czech. Vlastost skla a sklovy 3. Adtvta 4. Příklady výpočtů Hospodářská akulta. Představeí rmy pltex Czech a.s. [,] Frma pltex Czech je součástí

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje

Více

HYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem.

HYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem. HYPTEČNÍ ÚVĚR Spláceí úvěru stejým splátkam - kostatí auta ÚLHA 1: Mladý maželský pár s dostačujícím příjmy (tz. a získáí hypotéčího úvěru) se rozhodl postavt s meší rodý domek. Podle předběžé kalkulace

Více

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH USTÁLENÉ POUDĚNÍ V OTEVŘENÝCH KOYTECH ovoměré prouděí Charakterstka:. Hloubka vod v kortě, průtočá plocha a průřezová rchlost jsou v každém příčém řezu kostatí.. Čára eerge, vodí hlada a do korta jsou

Více

Finanční řízení podniku. Téma: Časová hodnota peněz

Finanční řízení podniku. Téma: Časová hodnota peněz Fiačí řízeí podiku Téma: Časová hodota peěz Faktor času se ve fiačím řízeí uplatňuje a) při rozhodováí o ivesticích b) při staoveí trží cey majetku podiku c) při ukládáí volých peěžích prostředků d) při

Více

DURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ

DURACE 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

Více

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků 1 Pops statstcých dat 1.1 Pops omálích a ordálích zaů K zobrazeí rozděleí hodot omálích ebo ordálích zaů lze použít tabulu ebo graf rozděleí četostí. Tuto formu zobrazeí lze dooce použít pro číselé zay,

Více

TECHNICKÁ UNIVERZITA V LIBERCI

TECHNICKÁ UNIVERZITA V LIBERCI TECHNICKÁ UNIVERZITA V LIBERCI Ekoomcká fakulta Semestrálí ráce S kua Jméa: Leka Pastorová, Davd arha, Ja Vtásek a Fl Urbačík Ročík: 0/06 Učtel: gr. Jří Rozkovec Obor: Podková ekoomka Datum:.. 06 Obsah

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost 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

Více

Doc. Ing. Dagmar Blatná, CSc.

Doc. Ing. Dagmar Blatná, CSc. PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj

Více

MATICOVÉ HRY MATICOVÝCH HER

MATICOVÉ 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

Více

UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesné výchovy

UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesné výchovy UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesé výchovy VYBRANÉ NEPARAMETRICKÉ STATISTICKÉ POSTUPY V ANTROPOMOTORICE Zdeěk Havel Davd Chlář 0 VYBRANÉ NEPARAMETRICKÉ

Více

UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ

UPLATNĚNÍ 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,

Více

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení. MATEMATICKÁ STATISTIKA - a základě výběrových dat uuzujeme a obecější kutečot, týkající e základího ouboru; provádíme zevšeobecňující (duktví) úudek - duktví uuzováí pomocí matematcko-tattckých metod je

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty

Více

Úvod do teorie měření

Úvod do teorie měření Uverzta Jaa Evagelsty Purkyě v Ústí ad Labem Přírodovědecká fakulta Úvod do teore měřeí Prof. Chlář emář 0 Průměr, rozptyl a směrodatá odchylka X = X = ( X X ) = = = Výpočty pomocí vzorců a pomocí statstckých

Více

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.

odhady 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

Více