Markowitzův model. Josef Orel, Pavel Sůva. 22. června Markowitzův model Stáhnutí a úprava dat Vstupní data a odhad parametrů 10
|
|
- Miroslava Slavíková
- před 7 lety
- Počet zobrazení:
Transkript
1 Markowitzův model Optimalizace II s aplikací ve financích zápočtová úloha Josef Orel, Pavel Sůva 22. června 2010 Obsah 1 Zadání 2 2 Markowitzův model Formulace základní úlohy a značení Výběr akcií Stáhnutí a úprava dat Dividendy a štěpení akcií Přepočet na Kč Úrokové sazby Vstupní data a odhad parametrů Výpočet ročních výnosů Očekávaný výnos a varianční matice Řešení úloh Úloha a Úloha b Úloha c Úloha d Úloha e Závěr 22 Zdroje 25
2 1 Zadání Zadání: Jste správcem akciových portfólií. Potřebujete, mimo jiné, připravit pro své klienty vhodná akciová portfolia pro investování 25 mil. Kč na období jednoho roku. Očekáváte, že se klient bude chtít poradit v otázce složení vhodného akciového portfólia a rozhodli jste se využít Markowitzův model pro selekci. Zvolte vhodné tituly (8-10). Víte, že výběru titulů předchází globální a odvětvová analýza a proto vyberete tituly, které jsou v souladu s vaší predikcí vývoje na finančních trzích. Úkoly: a) Na trhu nejsou povoleny krátké prodeje. Sestavte efektivní hranici portfólií (graficky prezentujte). Vyberte některá portfólia na efektivní hranici a uved te jejich složení (váhy) a očekávané výnosnosti titulů zastoupených v portfóliu. b) Jak se změní efektivní hranice pokud budete mít možnost investovat do bezrizikového aktiva (depozita v bance; aktuální sazbou nalezněte sami). c) Jak se změní efektivní hranice pokud budete mít možnost výpůjček od správce portfólia až do 30 % hodnoty portfólia. Pro jednoduchost předpokládejte že výpůjční sazba je stejná jako depozitní. Dokázali byste zohlednit rozdílnou výpůjční a depozitní sazbu (nalezněte její sazbu sami a určete efektivní portfólia)? d) Co když budete mít povoleny krátké prodeje, až do 30 % počátečního vkladu? Nakreslete efektivní hranici v tomto případě. e) V souladu s vnitřní politikou investiční společnosti, kterou zastupujete, nesmí žádný z titulů portfólia přesáhnout 15% váhu v celkovém portfóliu. Nakreslete hranici efektivních portfólií při tomto omezení. Zdůvodněte jak jste získali odhady vstupních parametrů modelu, jaké jste volili tituly a proč (zejména s ohledem na rizika, která model zohledňuje a velikost investované částky). Efektivní hranice počítejte numericky, stačí aproximace pro dostatečně hustý nosič. V případech a)-e) vyberte některé z efektivních portfólií a spočtěte VaR(95%). 2
3 2 Markowitzův model Vhodné akciové portfolio budeme hledat pomocí tzv. Markowitzova modelu (viz [1]). Ten využívá několika zjednodušujících předpokladů: pohybujeme se na ideálním trhu bez transakčních nákladů a arbitráže, obchodujeme s neomezeně dělitelnými dokumenty, na trhu obchodují pouze malí racionální investoři, kteří upřednostňují větší výnosy před menšími výnosy a menší riziko před větším rizikem, investoři využívají shodných informací, a to hodnot očekávaných výnosností akcií a rozptylů a kovariancí těchto výnosností, všichni hráči na trhu investují ve stejném čase na jedno stejně dlouhé období. 2.1 Formulace základní úlohy a značení Zaved me si následující značení: J počet akcií, do kterých budeme investovat ρ j náhodný výnos j-té akcie ve zvoleném období x j váha j-té akcie v našem portfoliu očekávaný výnos j-té akcie ve zvoleném období r j Vektor vah označme jako x = (x 1, x 2,...,x J ), vektor náhodných výnosů jako ρ = (ρ 1, ρ 2,..., ρ J ) a vektor očekávaných výnosů jako r = (r 1, r 2,...,r J ). Pro rozdělení náhodného vektoru ρ platí a E(ρ) = r var(ρ) = V = [cov(ρ i, ρ j )] J i,, kde V je známá varianční matice. Výnos portfolia s vahami x budeme chápat jako střední hodnotu celkové výnosnosti r(x) = x j r j = x r. Riziko portfolia je dáno směrodatnou odchylkou nebo rozptylem jeho očekávané výsnonosti σ 2 (x) = var(x ρ) = x V x = x i x j cov(ρ i, ρ j ). i=1 3
4 Důležitým je pojem eficientního portfolia, což je portfolio s vahami x takovými, že neexistují jiné váhy x tak, že x j = 1 a r(x) r(x ) a současně σ 2 (x) σ 2 (x ) a alespoň jedna z nerovností je ostrá. Eficientní portfolia je možné hledat řešením úlohy nelineárního programování ve tvaru max x X λr x 1 2 x V x, kde parametr λ 0 udává investorův vztah k riziku, nebo úlohy za podmínek min x X x V x r x r p, kde r p je nastavená minimální hodnota očekávané výnosnosti portfolia. Množina X je definována požadavkem x j = 1 a případně dalšími požadavky na složení portfolia. Budeme hledat tzv. efektivní (eficientní) hranici, což je množina řešení předchozí úlohy pro různě nastavené hodnoty r p r min, kde r min je řešení úlohy min x X x V x. 4
5 3 Výběr akcií Prvním rozhodnutím při výběru vhodných akcií byla volba mezi domácími a zahraničními tituly. Na domácím trhu se obchoduje omezený počet akcií, které jsou navíc méně likvidní. Proto jsme se rozhodli vybírat primárně z akcií zahraničních i přes určité problémy s převody akciových kurzů na koruny. Při výběru akcií jsme se inspirovali zejména tipy pro vhodné investice z Bloomberg BusinessWeek (viz [3]) a vlastním úsudkem. Společnosti jsme vybírali z různých odvětví průmyslu tak, abychom zvýšili pravděpodobnost diverzifikace rizika. Po zralé úvaze jsme nakonec dospěli k výběru osmi velkých a zavedených společností se solidními výsledky v minulém roce a dobrými vyhlídkami do budoucnosti a jednoho titulu z rozvíjejícího se trhu: Internet a komunikace Telefonica SA (TEF) Apple Inc. (AAPL) Google Inc. (GOOG) Dopravní průmysl Tata Motors Ltd. (TTM) Lockheed Martin Corporation (LMT) Energetika a ropný průmysl E.ON N (EOAN.F) Hess Corporation (HES) Stavebnictví Orion Marine Group, Inc (ORN) Potravinářství Anheuser-Busch InBev (BUD) 5
6 3.1 Stáhnutí a úprava dat Nejprve bylo nutné zvolit vhodnou frekvenci dat a délku časové řady. Investiční horizont je jeden rok, abychom dosáhli potřebného počtu údajů, rozhodli jsme se pracovat s denními daty a jako jednotlivé scénáře brát roční výnosy titulů vypočtené pomocí ročního okénka. Podle [2] je vhodné vzít do úvahu vývoj akcií přes období, kdy na akciových trzích nedošlo k výrazným změnám v charakteru trhů a kdy bylo obchodování v jistém smyslu homogenní a po celé období srovnatelné. Z tohoto důvodu není zřejmě možné uvažovat data před i po krizi. Bude nás proto zajímat pouze vývoj akciových trhů od začátku finanční krize v roce 2008 do současnosti. Rozhodli jsme se tedy brát v úvahu denní data vývoje akciových kurzů od 15. září 2008 (začátek finanční krize - největší propad newyorské burzy) do 28. dubna Údaje o vývoji cen akcií jsme získávali z internetového portálu yahoo.com ([4]). Údaje jsou přístupné v dobře formátovaných tabulkách pro zvolené období, kromě uzavíracích (close) cen akcií pro jednotlivé obchodní dny jsme stáhli také data o vyplacených dividendách, které budeme potřebovat pro výpočet ročních výnosů. Takto získaná data jsme do potřebné podoby pro další práci upravili v tabulkovém editoru MS Excel ([8]). Titul EOAN.F se obchoduje na frankfurtské burze, zatímco ostatní tituly na burzách amerických, které mají jiné obchodní dny. Tento problém jsme vyřešili tak, že údaje ze dnů, kdy se obchodovalo pouze na některých burzách, jsme jednoduše z dat odstranili. To se týkalo celkem devíti dnů u EOAN.F a osmi dnů u ostatních akcií: EOAN.F Ostatní Po této úpravě jsme ke každému z devíti titulů dostali historická data vývoje tržních cen po 400 obchodních dnů. Ta jsou znázorněna na grafech na obrázku 1. 6
7 Obrázek 1: Vývoj akciových kurzů vybraných titulů. 7
8 3.2 Dividendy a štěpení akcií Zisk držitele akcií se neskládá jen z nárůstu tržní ceny akcie, ale i z tzv. dividend. Ty společnost vyplácí držitelům akcií, zpravidla jednou za rok. Výše vyplacených dividend námi preferovaných firem je zobrazena v následující tabulce (v závorce za zkratkou titulu je uvedena měna, v které je dividenda vyplácena): ORN HES LMT AAPL GOOG TEF TTM EOAN.F BUD (USD) (USD) (USD) (USD) (USD) (USD) (USD) (EUR) (USD) ,87 11,05 37, ,11 12,61 39,57 2,31 39, ,9 11,01 38, ,72 10, ,82 11, ,87 12, Jak vidíme, společnosti Orion Marine, Apple, Google a Anheuser Busch ve sledovaném období žádné dividendy nevyplácely. Ke štěpení akcií u žádné z firem nedošlo. 3.3 Přepočet na Kč Vzhledem k tomu, že máme vybrat vhodné portfolio pro investici, která je v českých korunách, je nutné převést akciové kurzy a hodnoty vyplacených dividend do této měny. Akcie firmy EON se obchoduje v eurech, ostatní tituly potom v amerických dolarech. Historické měnové kurzy EUR/CZK a USD/CZK jsme stáhli ze serveru kurzy.cz ([5]). Pokud nebyl pro některý obchodní den měnový kurz k dispozici, použili jsme nejbližší minulý dostupný kurz. Vývoj těchto kurzů je zobrazen na obrázku 2. Obrázek 2: Vývoj měnového kurzu USD/CZK a EUR/CZK. 8
9 3.4 Úrokové sazby Kromě výnosů z jednotlivých akcií jsme také potřebovali najít bezrizikovou úrokovou míru a výpůjční úrokovou sazbu. Za bezrizikovou úrokovou míru jsme zvolili úrokovou míru v současnosti vydávaných ročních státních pokladničních poukázek, kterou jsme našli na stránkách České národní banky ([6]). Další možností, jak vložit peníze do bezrizikového aktiva, by bylo uložit si je v bance na termínovaný účet, nicméně tento vklad stále považujeme za rizikovější, než investici do státních pokladničních poukázek. Zvolená úroková míra je r 0 = 1,3 % p.a. Za výpůjční úrokovou míru jsme zvolili úrokovou míru 8,5 % p.a., kterou pro obchodování v českých korunách nabízí společnost Brokerjet, otevřeme-li si u ní tzv. maržový účet. Maržový účet je účet, z něhož klient čerpá peníze na obchodování s cennými papíry a za půjčené peníze přitom ručí právě těmito cennými papíry. Společnost nicméně nenabízí možnost obchodovat na libovolné burze libovolné cenné papíry přesnou politiku zacházení s maržovým účtem lze nalézt na brokerjet.cz ([7]). Pro jednoduchost jsme se těmito pravidly nezabývali, předpokládali jsme, že podobné úvěry z jiných zdrojů budou mít úrokovou míru podobnou, a zvolili jsme výpůjční úrokovou míru r v = 8,5 % p.a. 9
10 4 Vstupní data a odhad parametrů 4.1 Výpočet ročních výnosů K výpočtu vstupních parametr pro Markowitzův model potřebujeme spočítat roční výnosy akcií. Použijeme metodu klouzavého ročního okna, kdy roční výnos akcie je roven rozdílu tržních cen z obchodních dnů vzdálených od sebe jeden rok. Takto získané hodnoty budou zřejmě navzájem korelované, což by mohl být problém, avšak jiným rozumným způsobem není možné získat dostatečné množství ročních scénářů. Proto setrváme u této metody a budeme předpokládat nezávislost napočítaných výnosů. Na burzách se neobchoduje všechny dny v roce a délka ročního okna tedy není kalendářních 365 dnů. Od prvního obchodního dne ( ) je korespondující den v následujícím roce ( ) v našich datech vzdálen celkem 248 pozorování, proto zvolíme délku okna D = 248. Označme si T počet pozorování (v našem případě T = 400) výnosnost j-té akcie v čase t vyplacená dividenda j-té akcie v čase t tržní cena j-té akcie v čase t ρ j,t d j,t y j,t Výnosnost j-té akcie v čase t pak spočteme podle vzorce ρ j,t = y j,t y j,t t k=t d j,k y j,t 248 j = 1,..., 9 t = 249,..., 400 Pro každou akcii jsme takto získali celkem 152 pozorování ročních výnosů. 4.2 Očekávaný výnos a varianční matice S pomocí vypočtených ročních výnosů odhadneme pro jednotlivé akciové tituly jejich střední výnosy r = (r 1, r 2,..., r J ) a varianční matici V = [V ij ] J i, jejich výnosů. Jako odhady použijeme výběrový průměr respektive výběrovou varianční matici napočítané podle vzorců r j = 1 T ρ i,t, j = 1,..., J, T t=1 V ij = 1 T 1 T (ρ i,t r i ) (ρ j,t r i ), i, j = 1,...,J, t=1 kde ρ j,t značí pozorovaný výnos j-tého titulu v čase t. K výpočtům jsme použili program R ([9]). 10
11 Výsledný vektor odhadnutých výnosů akcií potom bude r = ( ORN HES LMT AAPL GOOG TEF TTM EON BUD 1,147 0,025 0,064 0,909 0,505 0,259 1,996 0,112 0,590 ). Z něj je jasně vidět, že nejvýnosnějším titulem je Tata Motors Ltd. tyto akcie přinesou svému majiteli během jednoho roku v průměru 200 % své původní hodnoty. Mezi vybranými tituly jsou ale i dva ztrátové: Hess Corp. a Lockheed Martin Corp. Odhadnutá varianční matice bude V = ORN HES LMT AAPL GOOG TEF TTM EON BUD ORN 0, 542 0, 009 0, 052 0, 016 0, 039 0, 072 0, 225 0, 047 0, 107 HES 0, 009 0, 022 0, 008 0, 019 0, 021 0, 003 0, 045 0, 010 0, 050 LMT 0, 052 0, 008 0, 022 0, 017 0, 009 0, 005 0, 079 0, 019 0, 029 AAPL 0, 016 0, 019 0, 017 0, 046 0, 031 0, 001 0, 112 0, 016 0, 051 GOOG 0, 039 0, 021 0, 009 0, 031 0, 047 0, 007 0, 077 0, 008 0, 081. TEF 0, 072 0, 003 0, 005 0, 001 0, 007 0, 012 0, 024 0, 004 0, 011 TTM 0, 225 0, 045 0, 079 0, 112 0, 077 0, 024 0, 642 0, 078 0, 248 EON 0, 047 0, 010 0, 019 0, 016 0, 008 0, 004 0, 078 0, 019 0, 032 BUD 0, 107 0, 050 0, 029 0, 051 0, 081 0, 011 0, 248 0, 032 0, 281 Dále zde ještě uvedeme odhadnutou korelační matici C = ORN HES LMT AAPL GOOG TEF TTM EON BUD ORN 1, 000 0, 087 0, 474 0, 104 0, 243 0, 880 0, 381 0, 458 0, 273 HES 0, 087 1, 000 0, 347 0, 585 0, 643 0, 175 0, 379 0, 474 0, 641 LMT 0, 474 0, 347 1, 000 0, 547 0, 284 0, 305 0, 661 0, 893 0, 365 AAPL 0, 104 0, 585 0, 547 1, 000 0, 662 0, 039 0, 648 0, 528 0, 452 GOOG 0, 243 0, 643 0, 284 0, 662 1, 000 0, 280 0, 443 0, 262 0, 708, TEF 0, 880 0, 175 0, 305 0, 039 0, 280 1, 000 0, 269 0, 260 0, 191 TTM 0, 381 0, 379 0, 661 0, 648 0, 443 0, 269 1, 000 0, 702 0, 584 EON 0, 458 0, 474 0, 893 0, 528 0, 262 0, 260 0, 702 1, 000 0, 428 BUD 0, 273 0, 641 0, 365 0, 452 0, 708 0, 191 0, 584 0, 428 1, 000 jejíž složky C ij napočítáme jako C ij = V ij Vii Vjj, i, j = 1,...,J a z níž vidíme, jakým způsobem jsou výnosy jednotlivých titulů vzájemně korelované. Přitom je potřeba mít na paměti, že je vhodné mít v portfoliu zastoupeny vzájemně záporně korelované akcie z důvodu jeho diverzifikace. Poslední důležitou charakteristikou jsou směrodatné odchylky výnosů s j, j = 1,...,J, jimiž kvantifikujeme riziko jednotlivých titulů. Jejich odhady spočítáme z diagonálních prvků odhadnuté varianční matice V jako s j = V jj, j = 1,..., J. 11
12 Vektor odhadnutých směrodatných odchylek je s = ( ORN HES LMT AAPL GOOG TEF TTM EON BUD 0,736 0,147 0,149 0,215 0,217 0,112 0,801 0,139 0,530 ). Na závěr této části ještě na obrázku 3 uvádíme grafické znázornění středních výnosů jednotlivých titulů v závislosti na jejich riziku (tj. jejich polohu v mean-risk rovině). Akcie v mean risk rovině Očekávaný výnos AAPL GOOG TEF EON HES LMT BUD ORN TTM Směrodatná odchylka Obrázek 3: Jednotlivé akciové tituly v mean-risk rovině. 12
13 5 Řešení úloh Poté, co jsme si připravili vstupní data, jsme už mohli přistoupit k samotné optimalizaci. K tomu jsme jako softwarový nástroj zvolili GAMS ([10]) a s ním dodávaný solver CONOPT, který dokáže řešit úlohy nelineárního programování. Po vyřešení jednotlivých úloh jsme výsledky exportovali zpět do softwarového prostředí R a v něm jsme k jednotlivým portfolií dopočítali hodnoty 95% Value-at-Risk a 95% parametrického Value-at-Risk. Za Value-at-Risk (VaR) se spolehlivostí α přitom považujeme hodnotu, kterou ztráta daného portfolia za dané období (v tomto případě 1 rok) překročí pouze s pravděpodobností 1 α. Za ztrátu přitom považujeme výnos s opačným znaménkem, tedy ztráta l = ρ. Nemáme-li žádné informace o pravděpodobnostním rozdělení ztráty portfolia, počítáme neparametrický VaR jako empirický kvantil z pozorovaných ztrát. Tato pozorování v našem případě získáme jednoduše pozorované ztráty portfolia napočítáme z historických dat o ztrátách (výnosech) jednotlivých titulů jako vážený průměr ztrát jednotlivých titulů (váhy x jsou přitom dány složením daného portfolia), tedy l t (x) = x j ρ j,t, kde l t (x) značí ztrátu portfolia daného vahami x v čase t. Z těchto hodnot potom spočítáme empirický α-kvantil, kde v našem případě α = 0,95. Předpokládáme-li, že ztráta portfolia má nějaké pravděpodobnostní rozdělení určené parametry polohy a variability, lze spočítat parametrický VaR. My budeme předpokládat, že ztráty jednotlivých titulů mají sdružené normální rozdělení s vektorem středních hodnot r a varianční maticí V, které jsme již dříve odhadli. Potom ( l(x) ( x r) P (l(x) > VaR α (x)) = P > VaR ) α(x) ( x r) x V x x V x ( ) VaRα (x) + x r = 1 Φ = 1 α, x V x kde l(x) značí ztrátu porftolia daného vahami x a Φ značí distribuční funkci normovaného normálního rozdělení. Z toho po úpravě plyne, že VaR α (x) = x r + Φ 1 α x V x, kde Φ 1 α je α-kvantil normovaného normálního rozdělení. Opět volíme α = 0,95. 13
14 5.1 Úloha a Markowitzův model se na problém optimalizace portfolia dívá jako na problém vícekriteriální optimalizace: naším úkolem je maximalizovat střední výnos portfolia, tedy max x x j r j, a zároveň minimalizovat riziko vyjádřené pomocí rozptylu (nebo směrodatné odchylky), tedy min x i x j V ij. x i=1 Jak víme, při řešení úloh vícekriteriální optimalizace lze k nalezení množiny eficientních řešení (v tomto případě nazývaných eficientní portfolia) použít několika rozdílných přístupů. My použijeme tzv. ɛ-omezený přístup ze dvou požadavků zvolíme jeden do účelové funkce a druhý zařadíme do omezení. Konkrétně budeme požadovat minimalizaci rizika za podmínky, že očekávaný výnos dosáhne alespoň nějaké zvolené hladiny r p. Dalšími omezeními budou, že váhy jednotlivých složek portfolia se musí vysčítat na jedničku a že všechny musí být kladné (to odpovídá požadavku, že nejsou povoleny krátké prodeje). Matematicky pak celou úlohu vyjádříme jako min x s.t. x i x j V ij (1) i=1 x j r j r p, x j = 1, x j 0, j = 1,...,J. Pro samotné řešení je vhodné nejprve zjistit, pro jaké hodnoty r p má cenu úlohu řešit. Je jasné, že nelze dosáhnout většího očekávaného výnosu, než kterého dosáhneme vyřešením úlohy maximalizující očekávaný výnos bez ohledu na riziko, tedy úlohy max x s.t. x j r j, (2) x j = 1, x j 0, j = 1,..., J. 14
15 Její optimální hodnota r max tedy bude horní hranicí pro hodnoty omezení r p v úloze 1 (při volbě vyšší hodnoty r p by množina přípustných řešení úlohy 1 byla prázdná). Naopak nemá cenu omezovat požadovaný očekávaný výnos hodnotami nižšími, než očekávaným výnosem portfolia, které získáme při řešení úlohy samotné minimalizace rizika, tedy úlohy min x s.t. x i x j V ij (3) i=1 x j = 1, x j 0, j = 1,...,J. Očekávaný výnos r min portfolia, které dostaneme jako optimální řešení úlohy 3 bude tedy dolní hranicí pro hodnoty omezení r p v úloze 1. Nejprve jsme tedy vyřešili pomocné úlohy 2 a 3 a získali tak hodnoty r min = 0,157 a r max = 1,996. Následně jsme řešili úlohu 1, přičemž za r p jsme postupně volili hodnoty z intervalu [0,157; 1,996] s krokem 0, 025. Tak jsme dostali dostatečně hustou množinu eficientních portfolií, abychom mohli vykreslit eficientní hranici v mean-risk rovině viz obrázek 4. V tabulce 1 je pak složení, očekávaný výnos, riziko (směrodatná odchylka) a parametrický i neparametrický VaR několika vybraných portfolií. Značíme přitom r(x) = x r, σ(x) = x V x a pvar parametrický VaR (pro odlišení od neparametrického, který značíme pouze VaR). V tabulce si můžeme povšimnout že nám u všech vybraných portfolií vyšly záporné hodnoty VaR a pvar (což znamená, že s pravděpodobností více než 95 % vůbec nedojde ke ztrátě) a navíc jejich hodnoty jsou nevyšší u portfolií, která jsou ve smyslu Markowitzova modelu nejméně riskantní. Podrobněji budeme tyto výsledky diskutovat v závěrečné části. portfolio r(x) σ(x) pvar 0,95 (x) VaR 0,95 (x) poznámka a1 0,157 0,074-0,036-0,039 nejnižší riziko a2 0,507 0,105-0,335-0,306 a3 1,007 0,214-0,656-0,570 a4 1,632 0,446-0,898-0,774 nejnižší VaR 0,95 a5 1,996 0,801-0,678-0,564 nejvyšší výnos ORN HES LMT AAPL GOOG TEF TTM EON BUD a1 0,00% 1,26% 21,75% 0,00% 0,00% 58,26% 0,00% 18,74% 0,00% a2 0,00% 0,00% 0,00% 34,80% 0,00% 61,68% 1,45% 2,06% 0,00% a3 14,57% 0,00% 0,00% 78,44% 0,00% 0,73% 6,26% 0,00% 0,00% a4 42,79% 0,00% 0,00% 0,08% 0,00% 0,00% 57,13% 0,00% 0,00% a5 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 100,00% 0,00% 0,00% Tabulka 1: Vybraná eficientní portfolia pro úlohu a. 15
16 Eficientní hranice Očekávaný výnos Směrodatná odchylka Obrázek 4: Eficientní hranice pro úlohu a v mean-risk rovině. 5.2 Úloha b V této úloze nám oproti úloze a přibyla možnost investovat vedle ostatních (obecně rizikových) instrumentů do bezrizikového aktiva. Jeho (nenáhodný) výnos je r 0 = 0,013. Váhu této investice označíme x 0. Matematicky úlohu b vyjádříme jako min x 0,x i=1 x i x j V ij (4) s.t. x 0 r 0 + x 0 + x j r j r p, x j = 1, x j 0, j = 0,...,J. Hranice r min a r max pro r p získáme řešením úloh odvozených z úlohy 4 analogicky k úlohám 2 a 3 formulace zde již neuvádíme. Bude tak r p [0,013; 1,996]. Opět analogicky k předchozímu získáme množinu eficientních portfolií. Příslušnou eficientní hranici vidíme na obrázku 5 a několik vybraných eficientních portfolií uvádíme v tabulce 2. 16
17 portfolio r(x) σ(x) pvar 0,95 (x) VaR 0,95 (x) poznámka b1 0,163 0,031-0,112-0,100 b2 0,363 0,073-0,244-0,215 x 0 ORN HES LMT AAPL GOOG TEF TTM EON BUD b1 73,28% 0,00% 0,00% 0,00% 11,54% 0,00% 14,64% 0,53% 0,00% 0,00% b2 37,66% 0,00% 0,00% 0,00% 26,93% 0,00% 34,16% 1,25% 0,00% 0,00% Tabulka 2: Vybraná eficientní portfolia pro úlohu b. Eficientní hranice Očekávaný výnos Směrodatná odchylka Obrázek 5: Eficientní hranice pro úlohu b v mean-risk rovině. 5.3 Úloha c Další možnost, kterou oproti předchozí úloze nyní získáme, bude možnost vypůjčit si finanční prostředky až do výše 30 % hodnoty portfolia. Výpůjční úroková míra přitom je r v = 0,085. Velikost výpůjčky označíme x v. Tato proměnná bude nabývat hodnot z intervalu [0; 0,3]. Celkově tedy budeme mít k dispozici k investování (1 + x v )-násobné množství původních prostředků. Od celkového výnosu portfolia ale samozřejmě musíme 17
18 odečíst splácený úrok z výpůjčky. Matematicky tyto faktory zohledníme následovně: min x 0,x v,x i=1 x i x j V ij (5) s.t. x 0 r 0 + x 0 + x j r j x v r v r p, x j = 1 + x v, x j 0, j = 0,..., J, x v 0, x v 0,3. Úlohu řešíme analogicky k předchozím. Volíme r p [0,013; 2,570] (tyto hranice opět získáme vyřešením pomocných úloh). Příslušná eficientní hranice je zakreslena na obrázku 6 a několik vybraných eficientních portfolií uvádíme v tabulce 3. Dodáváme, že dle zadání se mělo pro jednoduchost počítat s r p = r 0, nicméně zohlednit rozdílné úrokové sazby pro nás nepředstavovalo větší problém, a z tohoto důvodu jsme tedy počítali úlohu rovnou se sazbami rozdílnými (což více odpovídá skutečnosti). portfolio r(x) σ(x) pvar 0,95 (x) VaR 0,95 (x) poznámka c1 1,013 0,215-0,660-0,572 c2 2,088 0,576-1,140-0,978 nejnižší VaR 0,95 x v x 0 ORN HES LMT AAPL GOOG TEF TTM EON BUD c1 7,63% 0,00% 13,49% 0,00% 0,00% 79,18% 0,00% 8,85% 6,10% 0,00% 0,00% c2 30,00% 0,00% 55,25% 0,00% 0,00% 1,18% 0,00% 0,00% 73,57% 0,00% 0,00% Tabulka 3: Vybraná eficientní portfolia pro úlohu c. 18
19 Eficientní hranice Očekávaný výnos Směrodatná odchylka Obrázek 6: Eficientní hranice pro úlohu c v mean-risk rovině. 5.4 Úloha d V této úloze již nemáme možnost půjčovat si peněžní prostředky ani investovat do bezrizikového aktiva. Novou možností jsou ale krátké prodeje až do hodnoty 30 % původního vkladu. Znamená to pro nás, že váhy x j mohou být i záporné, ale součet jejich záporných částí nesmí přeáhnout 0,3. Matematický model pak bude vypadat takto: min x +,x s.t. i=1 ( )( ) x + i x i x + j x j Vij (6) ( x + j ) x j rj r p, ( x + j ) x j = 1, x j 0,3. x + j 0, x j 0, j = 0,..., J, Výsledné váhy pak spočteme jako x j = x + j x j. Úlohu řešíme stejným způsobem, jako všechny předchozí. Bude r p [0,081; 2,615]. Výslednou eficientní hranici vidíme na obrázku 7 a vybraná portfolia jsou uvedena v tabulce 4. 19
20 portfolio r(x) σ(x) pvar 0,95 (x) VaR 0,95 (x) poznámka d1 0,081 0,057 0,012 0,000 nejnižší riziko d2 0,756 0,129-0,543-0,547 d3 1,506 0,308-0,999-0,922 d4 2,156 0,572-1,215-1,080 nejnižší VaR 0,95 ORN HES LMT AAPL GOOG TEF TTM EON BUD d1-11,59% 4,95% 10,66% 3,96% 1,94% 90,37% -2,87% 3,31% -0,74% d2 0,00% -30,00% 0,00% 56,61% 0,00% 69,99% 2,29% 0,00% 1,11% d3 26,81% -30,00% 0,00% 80,00% 0,00% 0,00% 23,20% 0,00% 0,00% d4 53,48% -4,27% -25,73% 0,32% 0,00% 0,00% 76,20% 0,00% 0,00% Tabulka 4: Vybraná eficientní portfolia pro úlohu d. Eficientní hranice Očekávaný výnos Směrodatná odchylka Obrázek 7: Eficientní hranice pro úlohu d v mean-risk rovině. 5.5 Úloha e Poslední úloha se řeší za stejných podmínek jako úloha a, nicméně nám přibývá nové omezení: nesmíme do žádného aktiva investovat více než 15 % z celkového vkladu, tj. pro 20
21 všechny váhy musí platit x j 0,15. Matematicky úlohu zapíšeme jako min x s.t. x i x j V ij (7) i=1 x j r j r p, x j = 1, x j 0, x j 0,15, j = 1,...,J. Úlohu řešíme stejným způsobem, jako předchozí úlohy. Bude r p [0,357; 0,822]. Výsledná eficientní hranice je zakreslena obrázku 8 a vybraná portfolia jsou uvedena v tabulce 5. portfolio r(x) σ(x) pvar 0,95 (x) VaR 0,95 (x) poznámka e1 0,352 0,124-0,148-0,094 nejnižší riziko e2 0,577 0,160-0,314-0,258 e3 0,822 0,230-0,443-0,329 nejvyšší výnos ORN HES LMT AAPL GOOG TEF TTM EON BUD e1 7,02% 15,00% 15,00% 15,00% 15,00% 15,00% 0,00% 15,00% 2,98% e2 12,91% 3,47% 15,00% 15,00% 15,00% 15,00% 8,62% 15,00% 0,00% e3 15,00% 0,00% 0,00% 15,00% 15,00% 15,00% 15,00% 10,00% 15,00% Tabulka 5: Vybraná eficientní portfolia pro úlohu e. Eficientní hranice Očekávaný výnos Směrodatná odchylka Obrázek 8: Eficientní hranice pro úlohu e v mean-risk rovině. 21
22 6 Závěr Na závěr se pokusíme prodiskutovat získané výsledky. Mnohého si lze všimnout z názorného obrázku 9, kde vidíme v mean-risk rovině zakreslené všechny eficientní hranice najednou. Vedle toho jsou ještě jednou zakresleny jednotlivé tituly. Akcie a eficientní hranice Očekávaný výnos TEF EON HES LMT AAPL GOOG BUD ORN TTM Úloha a Úloha b Úloha c Úloha d Úloha e Směrodatná odchylka Obrázek 9: Akciové tituly a eficientní hranice v mean-risk rovině. Ze zastoupení jednotlivých titulů v eficientních portfoliích úlohy a (viz tabulka 1) vidíme, že konzervativní investor bude dávat přednost zejména titulu Telefonica, méně konzervativní investor bude mít ve svém portfoliu nejvíce zastoupen titul Apple, a investor orientující se na zisk dá přednost titulům Orion Marine a zejména Tata Motors. To je v souladu s tím, že tituly Telefonica, Apple a Tata Motors leží (nebo téměř leží) na různých částech eficientní hranice úlohy a (viz obrázek 9) a patří tedy mezi v jistém smyslu nejkvalitnější tituly. Naopak tituly Hess Corp., Google a Anheuser-Busch jsou v eficientních portfoliích úlohy a zastoupeny velmi málo nebo vůbec. Vezměme si například titul Google: má (zhruba) stejný rozptyl výnosů jako Apple, přitom ale nižší očekávaný výnos, a navíc, jak je vidět z korelační matice v části 4.2, je se všemi ostatními tituly pozitivně korelovaný (tudíž 22
23 pravděpodobně při zařazení do portfolia nepřinese žádnou výhodu v podobě kladných výnosů, když jiný zařazený titul bude mít výnosy záporné). Díky těmto okolnostem se v portfoliích neobjevuje. Podobně to platí i pro oba další zmíněné tituly. V úloze b je vidět, že příslušná eficientní hranice je z velké části shodná s eficientní hranicí úlohy a, pouze na začátku se odlišuje. To odpovídá tomu, že zpočátku jsou eficientní portfolia tvořena zejména bezrizikovým aktivem, posléze (když výnosy bezrizikového aktiva nemohou pokrýt požadovaný výnos) jsou eficientní portfolia úlohy b shodná s eficientní portfolii úlohy a. Eficientní hranice úlohy c je naopak s eficientní hranicí úlohy b shodná ve svém počátku. To odpovídá tomu, že pro menší požadované výnosy není třeba půjčovat si finanční prostředky jednotlivé eficientní hranice se od sebe oddělí až ve chvíli, kdy se v řešení úlohy c objeví nenulová výpůjčka. Díky možnosti půjčky (a tím pádem větším možným investicím) je v této úloze i vyšší maximální možný očekávaný výnos. V úloze d jsme povolili krátké prodeje. Ze složení jednotlivých portfolií (viz tabulka 4) vidíme, že na krátko prodáváme zejména tituly Hess Corp. a Lockheed Martin Corp. Důvod je jednoduchý mají záporné očekávané výnosy a jejich krátkým prodejem spekulujeme na jejich pokles (ztrátu). Příslušná eficientní hranice leží v celém svém průběhu nad eficientní hranicí úloh a, b a c je tedy vidět, že krátké prodeje nám pomohou k lepšímu (ve smyslu mean-variance polohy) portfoliu. Eficientní hranice úlohy e je o poznání kratší, než ostatní eficientní hranice. To je způsobeno tím, že omezení na skladbu portfolia nám velmi zredukovala možnosti, jaká portfolia vystavět: Máme totiž k dispozici 9 různých titulů a do jednoho z nich lze investovat maximálně 15 % našich prostředků to ale znamená, že v jednotlivých portfoliích bude zastoupeno vždy aspoň 7 z celkových 9 titulů. V tabulkách 1 až 5 si lze všimnout neobvyklé věci: hodnoty Value-at-Risk jsou vždy (až na jednu výjimku) záporné. Záporný VaR 0,95 znamená, že nejhorší ztráta, k níž s pravděpodobností 95 % dojde, bude záporná. S pravděpodobností alespoň 95 % (ale patrně ještě větší) tedy k žádné skutečné ztrátě nedojde stále půjde o kladný zisk! Tento výsledek je patrně způsobem použitými daty tím, že jsme použili data o výnosech po 15. září V tento den totiž zejména americké burzy, na nichž se většina použitých titulů obchoduje, zažily velký pád velké množství titulů pokleslo o desítky až stovky procent. Od té doby až do nynějška se burzy postupně zotavují, a kurzy námi použitých titulů tak postupně stoupají směrem k původním hodnotám (před finanční krizí). To vede k tomu, že i přes případné krátkodobé poklesy kurzy jednotlivých titulů meziročně stoupají. Navíc vzhledem k malé délce období, z něhož naše data pochází, hraje v našich výnosech roli téměř výhradně tento trend. Vzhledem k těmto okolnostem je snad zřejmé, že v optimalizovaných portfoliích se stěží najde nějaké, u něhož by s nezanedbatelnou pravděpodobností došlo ke ztrátě. Stejně se dají vysvětlit obrovské očekávané zisky některých portfolií přes 250 % u těch, kde je majoritně zastoupen titul Tata Motors, ale také stále okolo 100 % u více diverzifikovaných portfolií. Další neobvyklou věcí je, že portfolia, která jsou dle Markowitzova modelu nejméně riziková, patří mezi nejrizikovější s ohledem na VaR. Naopak VaR je nejnižší u portfolií, jejichž směrodatná odchylka je, v rámci dané eficientní hranice, zhruba uprostřed 23
24 mezi směrodatnou odchylkou nejrizikovějšího (v Markowitzově smyslu) portfolia a nejvýnosnějšího portfolia. To je pravděpodobně opět způsobeno neobvyklou strukturou dat v daném období téměř nedocházelo k poklesům, a tak i když je ve výnosech nejziskovějších titulů velký rozptyl, jejich 5 % nejnižších meziročních výnosů bude pořád dost vysokých. Naopak tituly s menším rozptylem mají zpravidla i menší výnosy a v našem případě tedy větší VaR. Předpokládáme, že pokud bychom použili data za delší období (data i před recesí, která jsme ale, jak jsme již zmínili, nepoužili kvůli konzistenci dat), k těmto neobvyklým jevům by nedošlo. U většiny vybraných portfolií si lze povšimnout, že pro ně platí pvar 0,95 (x) < VaR 0,95 (x), což by se dalo vysvětlit tím, že skutečné rozdělení ztrát má těžší chvosty, než normální rozdělení. Závěrem lze tedy říci, že výsledky, ke kterým jsme dospěli, odpovídají tomu, co bychom vzhledem k našim znalostem Markowitzova modelu a vzhledem ke struktuře použitých dat očekávali. 24
25 Zdroje [1] Dupačová J. Markowitzův model optimální volby portfólia: předpoklady, data, alternativy. Studijní materiál. [2] Musílek P. (2002). Trhy cenných papírů. Ekopress, Praha. [3] Bloomberg Businessweek. [4] Yahoo! Finance. [5] Kurzy.cz. [6] Česká národní banka. [7] Brokerjet.cz. [8] Microsoft Office [9] R [10] GAMS
Změna 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
1. 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
Změna 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
Cvičení 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
Regresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
Univerzita 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
12. 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
Value 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
Příručka k měsíčním zprávám ING fondů
Příručka k měsíčním zprávám ING fondů ING Investment Management vydává každý měsíc aktuální zprávu ke každému fondu, která obsahuje základní informace o fondu, jeho aktuální výkonnosti, složení portfolia
III) Podle závislosti na celkovém ekonomickém vývoji či na vývoji v jednotlivé firmě a) systematické tržní, b) nesystematické jedinečné.
Měření rizika Podnikatelské riziko představuje možnost, že dosažené výsledky podnikání se budou kladně či záporně odchylovat od předpokládaných výsledků. Toto riziko vzniká např. při zavádění nových výrobků
Úvod do teorie portfolia. CAPM model. APT model Výhody vs. nevýhody modelů CML SML. Beta faktor
Radka Domanská 1 Úvod do teorie portfolia CML CAPM model SML Beta faktor APT model Výhody vs. nevýhody modelů 2 Množina dostupných portfolií Všechna možná portfolia, která mohou být vytvořena ze skupiny
Stav Půjčky Splátky Kurzové Změna Stav
II. Státní dluh 1. Vývoj státního dluhu V 2013 došlo ke zvýšení celkového státního dluhu o 47,9 mld. Kč z 1 667,6 mld. Kč na 1 715,6 mld. Kč. Znamená to, že v průběhu 2013 se tento dluh zvýšil o 2,9 %.
FRP 6. cvičení Měření rizika
FRP 6. cvičení Měření rizika Podnikatelské riziko představuje možnost, že dosažené výsledky podnikání se budou kladně či záporně odchylovat od předpokládaných výsledků. Toto riziko vzniká např. při zavádění
Optimalizace portfolia a míry rizika. Pavel Sůva
Základní seminář 6. října 2009 Obsah Úloha optimalizace portfolia Markowitzův model Míry rizika Value-at-Risk Conditional Value-at-Risk Drawdown míry rizika Minimalizační formule Optimalizační modely Empirická
FINANČNÍ A INVESTIČNÍ MATEMATIKA Metodický list č. 1
FINANČNÍ A INVESTIČNÍ MATEMATIKA Metodický list č. 1 Název tématického celku: Úroková sazba a výpočet budoucí hodnoty Cíl: Základním cílem tohoto tematického celku je vysvětlit pojem úroku a roční úrokové
II. Vývoj státního dluhu
II. Vývoj státního dluhu V 2015 došlo ke snížení celkového státního dluhu z 1 663,7 mld. Kč na 1 663,1 mld. Kč, tj. o 0,6 mld. Kč, přičemž vnitřní státní dluh se zvýšil o 1,6 mld. Kč, zatímco korunová
Finanční trhy. Finanční aktiva
Finanční trhy Finanční aktiva Magický trojúhelník investování (I) Riziko Výnos Likvidita Magický trojúhelník investování (II) Tři prvky magického trojúhelníku (výnos, riziko a likvidita) vytváří určitý
II. Vývoj státního dluhu
II. Vývoj státního dluhu V 1. čtvrtletí 2014 došlo ke zvýšení celkového státního dluhu z 1 683,3 mld. Kč na 1 683,4 mld. Kč, což znamená, že v průběhu 1. čtvrtletí 2014 se tento dluh prakticky nezměnil.
Testování statistických hypotéz
Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné
1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
KAPITOLA 4: PENĚŽNÍ TRH
KAPITOLA 4: PENĚŽNÍ TRH Vysoká škola technická a ekonomická v Českých Budějovicích Institute of Technology And Business In České Budějovice Tento učební materiál vznikl v rámci projektu "Integrace a podpora
Vývoj státního dluhu. Tabulka č. 7: Vývoj státního dluhu v 1. 3. čtvrtletí 2014 (mil. Kč) Stav Půjčky Splátky Kurzové Změna Stav
II. Vývoj státního dluhu V 1. 3. čtvrtletí 2014 došlo ke snížení celkového státního dluhu z 1 683,3 mld. Kč na 1 683,0 mld. Kč, tj. o 0,3 mld. Kč. Při snížení celkového státního dluhu z 1 683,3 mld. Kč
KGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
3. Zajištěný fond. Odvaz s minimálním rizikem.
3. Zajištěný fond Odvaz s minimálním rizikem. 1 4 DŮVODY PROČ INVESTOVAT do 3. Zajištěného fondu 1 Jistota návratnost 106 % vložené investice Podstupujete minimální riziko - fond způsobem svého investování
Parametrické 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
Zadání Máme data hdp.wf1, která najdete zde: Bodová předpověď: Intervalová předpověď:
Predikce Text o predikci pro upřesnění pro ty, které zajímá, kde se v EViews všechna ta čísla berou. Ruční výpočty u průběžného testu nebudou potřeba. Co bude v závěrečném testu, to nevím. Ale přečíst
Pojem investování. vynakládání zdrojů podniku za účelem získání užitků které jsou očekávány v delším časovém období Investice = odložená spotřeba
Investiční činnost Pojem investování vynakládání zdrojů podniku za účelem získání užitků které jsou očekávány v delším časovém období Investice = odložená spotřeba Druhy investic 1. Hmotné investice vytvářejí
Příručka k měsíčním zprávám ING fondů
Příručka k měsíčním zprávám ING fondů ING Investment Management vydává každý měsíc aktuální zprávu ke každému fondu, která obsahuje základní informace o fondu, jeho aktuální výkonnosti, složení portfolia
11. cvičení z PSI prosince hodnota pozorovaná četnost n i p X (i) = q i (1 q), i N 0.
11 cvičení z PSI 12-16 prosince 2016 111 (Test dobré shody - geometrické rozdělení Realizací náhodné veličiny X jsme dostali následující četnosti výsledků: hodnota 0 1 2 3 4 5 6 pozorovaná četnost 29 15
Základy teorie finančních investic
Ing. Martin Širůček, Ph.D. Katedra financí a účetnictví sirucek.martin@svse.cz sirucek@gmail.com Základy teorie finančních investic strana 2 Úvod do teorie investic Pojem investice Rozdělení investic a)
AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A
AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice
10. 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
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
Časová hodnota peněz (2015-01-18)
Časová hodnota peněz (2015-01-18) Základní pojem moderní teorie financí. Říká nám, že peníze svoji hodnotu v čase mění. Díky časové hodnotě peněz jsme schopni porovnat různé investiční nebo úvěrové nabídky
Západočeská 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
Charakteristika rizika
Charakteristika rizika Riziko je možnost, že se dosažené výsledky podnikání budou příznivě či nepříznivě odchylovat od předpokládaných výsledků. Odchylky od předpokladu jsou: a) příznivé b) nepříznivé
Náhodná 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
Investiční instrumenty a portfolio výnos, riziko, likvidita Úvod do finančních aktiv. Ing. Gabriela Oškrdalová e-mail: oskrdalova@mail.muni.
Finanční trhy Investiční instrumenty a portfolio výnos, riziko, likvidita Úvod do finančních aktiv Ing. Gabriela Oškrdalová e-mail: oskrdalova@mail.muni.cz Tento studijní materiál byl vytvořen jako výstup
Náhodný 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
X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
Vývoj státního dluhu. Tabulka č. 7: Vývoj státního dluhu v čtvrtletí 2015 (mil. Kč) Výpůjční operace
II. Vývoj státního dluhu V 1. 3. čtvrtletí 2015 došlo ke snížení celkového státního dluhu z 1 663,7 mld. Kč na 1 663,0 mld. Kč, tj. o 624 mil. Kč, přičemž vnitřní státní dluh se zvýšil o 6,6 mld. Kč, zatímco
Náhodný 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
Investiční akademie. Terminologie podílových fondů a jak se v ní vyznat. Michal Mitrega, Petr Žabža. Praha, 6. duben 2017
Investiční akademie Terminologie podílových fondů a jak se v ní vyznat Michal Mitrega, Petr Žabža Praha, 6. duben 2017 Agenda dnešního online webináře Investiční akademie - Terminologie podílových fondů
Příloha k prezentaci BRODIS hodnotový OPFKI QIIS
Příloha k prezentaci BRODIS hodnotový OPFKI QIIS V následující prezentaci se seznámíme s investičními principy, kterým věříme a na základě kterých jsme si nechali vytvořit BRODIS hodnotový OPFKI. Tyto
Statistická analýza dat
Statistická analýza dat Jméno: Podpis: Cvičení Zkouška (písemná + ústní) 25 Celkem 50 Známka Pokyny k vypracování: doba řešení je 120min, jasně zodpovězte pokud možno všechny otázky ze zadání, pracujte
Náhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
Aproximace binomického rozdělení normálním
Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné
Finanční gramotnost pro SŠ -10. modul Investování a pasivní příjem
Modul č. 10 Ing. Miroslav Škvára O investicích O investování likvidita výnosnost rizikovost Kam mám investovat? Mnoho začínajících investorů se ptá, kam je nejlepší investovat? Všichni investiční poradci
Autor: Ing. Tomáš Tyl 11. 7. 2011 Schválil: Ing. Vladimír Fichtner
V Itálii střadatelé vkládající peníze pouze na spořicí účty 1 přišli o 50% za 35 let díky inflaci. Italského investora ochránila investice do zahraničních akcií v cizích měnách. Autor: Ing. Tomáš Tyl 11.
naopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená.
Datum:... Jméno:... Přijímací řízení pro akademický rok 28/9 na magisterské studijní obor Finanční informatiky a statistika Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd se získávají
Investiční životní pojištění
Přehled fondů ČSOB - konzervativní fond Opatrný investor, který nerad riskuje a požaduje mírně převýšit výnosy z termínovaných vkladů u bank. ČSOB růstový fond Opatrný investor, který je ovšem ochoten
Statuty NOVIS Pojistných Fondů
STATUT NOVIS GARANTOVANĚ ROSTOUCÍ POJISTNÝ FOND NOVIS Garantovaně Rostoucí Pojistný Fond vytváří a spravuje NOVIS Poisťovňa a.s., se sídlem Námestie Ľudovíta Štúra 2, 811 02 Bratislava, IČO: 47 251 301,
ČASOVÁ HODNOTA PENĚZ. Manažerská ekonomika obor Marketingová komunikace. 8. přednáška Ing. Jarmila Ircingová, Ph.D.
ČASOVÁ HODNOTA PENĚZ Manažerská ekonomika obor Marketingová komunikace 8. přednáška Ing. Jarmila Ircingová, Ph.D. Časová hodnota peněz Každou peněžní operaci prováděnou v současnosti a zaměřenou do budoucnosti
Statuty NOVIS Pojistných Fondů
STATUT NOVIS GARANTOVANĚ ROSTOUCÍ POJISTNÝ FOND NOVIS Garantovaně Rostoucí Pojistný Fond vytváří a spravuje NOVIS Poisťovňa a.s., se sídlem Námestie Ľudovíta Štúra 2, 811 02 Bratislava, IČO: 47 251 301,
Kategorie rizika a výnosu CLEAN ENERGY 2016 1 2 3 4 5 6 7 11/11 05/12 11/12 05/13 11/13 05/14 11/14. Allianz ENERGYinvest. Charakteristika produktu
CLEAN ENERGY 2016 Produkt jednorázového investičního životního pojištění, který investuje do cenného papíru s kapitálovou ochranou vložené investice. Výnos je odvozen od vývoje dynamicky spravovaného indexu
Náhodný 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
ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ
ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,
Fakta a mýty o investování i riziku. Monika Laušmanová Radek Urban
Fakta a mýty o investování i riziku Monika Laušmanová Radek Urban 1 Mýtus: Mezi investováním a utrácením není skoro žádný rozdíl Utrácení - koupě kabelky 35 000 30 000 Cena kabelky 25 000 20 000 15 000
Kategorie rizika a výnosu CLEAN ENERGY
CLEAN ENERGY 2016 Produkt jednorázového investičního životního pojištění, který investuje do cenného papíru s kapitálovou ochranou vložené investice. Výnos je odvozen od vývoje dynamicky spravovaného indexu
populace soubor jednotek, o jejichž vlastnostech bychom chtěli vypovídat letní semestr Definice subjektech.
Populace a Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 1 populace soubor jednotek, o jejichž vlastnostech bychom
JEDNOVÝBĚROVÉ 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
Mezinárodní finanční trhy
Úvod Ing. Jan Vejmělek, Ph.D., CFA jan_vejmelek@kb.cz Investiční bankovnictví Náplň kurzu Úvod do mezinárodních finančních trhů Devizový trh a jeho instrumenty Mezinárodní finanční instituce Teorie mezinárodního
Cíl: seznámení s pojetím peněz v ekonomické teorii a s fungováním trhu peněz. Peníze jako prostředek směny, zúčtovací jednotka a uchovatel hodnoty.
Vysoká škola finanční a správní, o. p. s. Akademický rok 2006/07, letní semestr Kombinované studium Předmět: Makroekonomie (Bc.) Metodický list č. 3 7) Peníze a trh peněz. 8) Otevřená ekonomika 7) Peníze
Manažerská ekonomika KM IT
KVANTITATIVNÍ METODY INFORMAČNÍ TECHNOLOGIE (zkouška č. 3) Cíl předmětu Získat základní znalosti v oblasti práce s ekonomickými ukazateli a daty, osvojit si znalosti finanční a pojistné matematiky, zvládnout
Zpracování 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
Švýcarský frank za 35 let posílil o 63% oproti dolaru. Přesto se Švýcarům vyplatilo investovat do světových akcií!
Švýcarský frank za 35 let posílil o 63% oproti dolaru. Přesto se Švýcarům vyplatilo investovat do světových akcií! Autor: Ing. Tomáš Tyl 7.6. 2011 Schválil: Ing. Vladimír Fichtner Výnosy akcií překonají
Obligace 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
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
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).
KMA/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
8 Střední hodnota a rozptyl
Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení
Téma: 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,
Blok 1 Stručné makroekonomické okénko a co dnes znamená finanční represe. Petr Sklenář
Blok 1 Stručné makroekonomické okénko a co dnes znamená finanční represe Petr Sklenář 1 Stručné makroekonomické okénko 2 Pomalý růst, nízký růst a vyšší zadlužení Růst HDP reálný; % 2006 2015 2016 2017
e-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
Úvod do analýzy cenných papírů. Dagmar Linnertová 5. Října 2009
Úvod do analýzy cenných papírů Dagmar Linnertová 5. Října 2009 Investice a investiční rozhodování Každý je potenciální investor Nevynaložením prostředků na svou současnou potřebu se jí tímto vzdává Mít
FINANČNÍ A INVESTIČNÍ MATEMATIKA 2
FINANČNÍ A INVESTIČNÍ MATEMATIKA 2 Metodický list č. 1 Název tématického celku: Dluhopisy a dluhopisové portfolio I. Cíl: Základním cílem tohoto tematického celku je popsat dluhopisy jako investiční instrumenty,
MATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
Důchodová reforma = šance pro aktivní občany
Důchodová reforma = šance pro aktivní občany 5.9.2012 Vydání 2012/09/05 Obsah Úvod - strana 1 Jak poznat dobrou firmu - strana 2 Pilíře důchodové reformy str. 3 Výhody a nevýhody II. A III. pilíře str.
Hodina 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
K n = lim K 0.(1 + i/m) m.n. K n = K 0.e i.n. Stav kapitálu při spojitém úročení:
Finanční matematika Spojité úročení Doposud při výpočtu stavu kapitálu na konci doby uložení byl proveden za (tacitního) předpokladu, že četnost připisování úroku za 1 rok m je konečné číslo délka jednoho
PETR SKLENÁŘ TECHNIKY INVESTOVÁNÍ A INVESTIČNÍ TIPY
PETR SKLENÁŘ TECHNIKY INVESTOVÁNÍ A INVESTIČNÍ TIPY RIZIKO A HORIZONT URČUJÍ NÁSTROJE A TECHNIKU Rizikový profil Investiční horizont Technika Aktiva Dynamický Balancovaný Konzervativní Dlouhodobý -roky
Jak se bránit rizikům při investování? Alena Zelinková Jan D. Kabelka
Jak se bránit rizikům při investování? Alena Zelinková Jan D. Kabelka Obsah Co je riziko? Rizika dluhových instrumentů Rizika akciových trhů Jak s nimi pracovat? Co je riziko? Riziku se nelze vyhnout!
Vícekriteriální 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)
Obecná 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
POLOLETNÍ ZPRÁVA 2012
POLOLETNÍ ZPRÁVA 2012 Základní údaje Název Název v anglickém jazyce Název v českém jazyce Zkrácený název Zkrácený název v anglickém jazyce Zkrácený název v českém jazyce GE Money Balancovany Alap GE Money
Normální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
NÁHODNÝ 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.
Kategorie rizika a výnosu CLEAN ENERGY 2016 1 2 3 4 5 6 7 11/11 05/12 11/12 05/13 11/13 05/14. Charakteristika produktu
CLEAN ENERGY 2016 Výnos je odvozen od vývoje dynamicky spravovaného indexu odvozeného od vývoje akcií 14 vybraných společností působících v oblasti energetiky a souvisejících technologií. Produkt se 100%
Úročení a časová hodnota peněz
Úročení a časová hodnota peněz V přednášce budou představeny základní pojmy z finanční matematiky. 1 Jednoduché úročení a diskontování V případě jednoduchého úročení nedochází k připisování úroku k původnímu
Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
AVDAT 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
Nové trendy v investování
AC Innovation s.r.o. Projekt: Praktický průvodce ekonomikou aneb My se trhu nebojíme! Registrační číslo: CZ.1.07/1.1.34/02.0039 Vzdělávací oblast: Nové trendy v investování Ing. Yveta Tomášková, Ph. D.
12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem)
cvičení z PSI 0-4 prosince 06 Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) Z realizací náhodných veličin X a Y s normálním rozdělením) jsme z výběrů daného rozsahu obdrželi
Normální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
Bootstrap - konfidenční intervaly a testy
9. prosince 2008 Konfidenční intervaly obecně Máme data X 1...X n F,(iid), kde F neznáme. Konfidenční intervaly obecně Máme data X 1...X n F,(iid), kde F neznáme. Chceme odhadnout θ = t(f), např. t(f)
Doba Kapitálová Kategorie trvání ochrana rizika 102 % Vývoj měn vůči EUR od počátku pojištění ( ) EUR / BRL brazilský real
TIMBI 2015/2017 Produkt jednorázového investičního životního pojištění, který investuje do cenného papíru s kapitálovou ochranou vložené investice. Výnos je odvozen z výkonnosti pěti měn zemí TIMBI vůči
Operační výzkum. Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu.
Operační výzkum Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu
4 Kriteriální matice a hodnocení variant
4 Kriteriální matice a hodnocení variant V teorii vícekriteriálního rozhodování pracujeme s kritérii, kterých je obecně k, a s variantami, kterých je obecně p. Hodnotu, které dosahuje varianta i pro j-té
Intervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
Úrokové sazby na mezibankovním trhu a předpovědní schopnost tohoto trhu
Úrokové sazby na mezibankovním trhu a předpovědní schopnost tohoto trhu KMA/MAB.5.00 Lenka Skalová A08N085P leninkaskalova@centrum.cz Obsah Obsah... Zadání... Zdroj dat... Peněžní trh.... Definice peněžního
II. Vývoj a stav státního dluhu
II. Vývoj a stav státního dluhu 1. Vývoj státního dluhu v letech 2000 až 2011 Období let 2000 až 2011 se vyznačovalo růstovým trendem státního dluhu, který byl způsoben především rozpočtovými schodky,