Optimalizace portfolia



Podobné dokumenty
2. Vícekriteriální a cílové programování

11. Časové řady Pojem a klasifikace časových řad

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

Generování dvojrozměrných rozdělení pomocí copulí

PRAVDĚPODOBNOST A STATISTIKA

4.2 Elementární statistické zpracování Rozdělení četností

Metody zkoumání závislosti numerických proměnných

, jsou naměřené a vypočtené hodnoty závisle

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

Spolehlivost a diagnostika

Úvod do korelační a regresní analýzy

PRAVDĚPODOBNOST A STATISTIKA

8. Zákony velkých čísel

a další charakteristikou je četnost výběrového souboru n.

9. Měření závislostí ve statistice Pevná a volná závislost

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů

Odhady parametrů 1. Odhady parametrů

12. N á h o d n ý v ý b ě r

[ jednotky ] Chyby měření

Jednokriteriální rozhodování za rizika a nejistoty

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

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

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

Statistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter.

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

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

V. Normální rozdělení

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

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

I. Výpočet čisté současné hodnoty upravené

Chyby přímých měření. Úvod

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ

Pojem času ve finančním rozhodování podniku

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

Nepředvídané události v rámci kvantifikace rizika

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

VY_52_INOVACE_J 05 01

Aspects of Intangible Property Valuation in Intragroup Financial Management. Aspekty ocenění nehmotného majetku ve vnitroskupinovém finančním řízení

Téma 6: Indexy a diference

Měření závislostí. Statistická závislost číselných znaků

Přednáška č. 2 náhodné veličiny

Mendelova univerzita v Brně Statistika projekt

PRAVDĚPODOBNOST A STATISTIKA

Intervalové odhady parametrů některých rozdělení.

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

DLUHOPISY. Třídění z hlediska doby splatnosti

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

MATICOVÉ HRY MATICOVÝCH HER

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

7.Vybrané aplikace optimalizačních modelů

Lineární regrese ( ) 2

n=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0

Testování statistických hypotéz

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu

Úvod do teorie měření

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

ANALÝZA A KLASIFIKACE DAT

IV. MKP vynucené kmitání

Statistika - vícerozměrné metody

Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací

Výstup a n. Vstup. obrázek 1: Blokové schéma a graf paralelní soustavy

APLIKOVANÁ STATISTIKA

Regresní a korelační analýza

SPOŘENÍ. Spoření krátkodobé

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B)

1. Rozdělení četností a grafické znázornění Předpokládejme, že při statistickém šetření nás zajímá jediný statistický znak x, který nabývá

Pravděpodobnostní modely

DURACE A INVESTIČNÍ HORIZONT PŘI INVESTOVÁNÍ DO DLUHOPISŮ

10.3 GEOMERTICKÝ PRŮMĚR

Přednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.

Doc. Ing. Dagmar Blatná, CSc.

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

Úvod do zpracování měření

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

Nalezení výchozího základního řešení. Je řešení optimální? ne Změna řešení

P1: Úvod do experimentálních metod

1. Základy měření neelektrických veličin

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Intervalové odhady parametrů

Univerzita Karlova v Praze Pedagogická fakulta

12. Neparametrické hypotézy

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

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.

S1P Popisná statistika. Popisná statistika. Libor Žák

NEPARAMETRICKÉ METODY

7 LIMITNÍ VĚTY. Čas ke studiu kapitoly: 70 minut. Cíl:

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.

Metodika projektů generujících příjmy

Tento materiál vznikl díky Operačnímu programu Praha Adaptabilita CZ.2.17/3.1.00/33254

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly.

I. Výpočet čisté současné hodnoty upravené

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

EFEKTIVNOST ENVIRONMENTÁLNÍCH INVESTIC

6. FUNKCE A POSLOUPNOSTI

Transkript:

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 pravděpodobostí lze ovlvt skladbou portfola. Základím problémem v optmalzačích úvahách e alezeí kompromsu mez vysokou středí hodotou výosu a malým rzkem, s vestováím spoeým. Rzko se přtom obvykle kvatfkue velkostí rozptylu ebo směrodaté odchylky výosu. METODIKA Fačí vestováí podku Na fačích trzích se obchodue s peěz a růzým ceým papíry. Úkolem fačích trhů e přemsťovat peěží prostředky od růzých subektů, které maí přebytek peěz, k subektům, které ch maí edostatek. Účastíc fačích trhů Účastíc těchto trhů sou podky, domácost, stát a zahračí. Hlavím představtelem poptávky po peěžích prostředcích a fačím trhu sou podky, hlavím představtelem abídky volých fačích prostředků sou domácost, ech úspory. Výzam účast podků a fačích trzích Účast a fačích trzích umožňue: - efektvě alokovat volé peěží prostředky - získat peěží prostředky od subektů, které echtěí vestovat do hmotých a ehmotých vestc - dosahovat vyšší produktvty a efektvost podkatelské čost - zašťovat optmálí stupeň lkvdty podku Dverzfkace vestc a rzkovost portfola Podky domácost vestuí své volé peěží prostředky do růzých druhů hmotého, ehmotého a fačího vestčího maetku, tedy dverzfkuí své vestčí vklady. Dverzfkace vestc e dáa také sahou získat maxmálí výosost z celého portfola vestc a co evíce sížt rzkovost vestc. Problematka dverzfkace vestc a rzkovost portfola se týká všech druhů vestc, evíce však vystupue do popředí u fačích vestc do ceých papírů. Rzko portfola e rzko spoeé s vestováím do souboru fačího, hmotého č ehmotého vestčího maetku. Př volbě optmálě dverzfkovaého portfola e třeba uvážt, že výosy akcí a rzko kolísaí edak v důsledku výkyvů v prospertě celého árodího hospodářství

(systematcké rzko), edak v důsledku hospodařeí emteta (esystematcké rzko). Nelépe lze časové řady využít k dverzfkac portfola. Markowczův model optmalzace portfola H. M. Markowcz e ostelem Nobelovy cey za ekoom v oblast podkových fací, zeméa v oblast teore portfola. Předpokládeme potecálí vestčí soubor, sestaveý z ttulů pracově očíslovaých,, 3,,, a předpokládeme, že máme k dspozc pro každý z těchto ttulů údae o výosech akcí a ech kurzech za posledích T let. Ozačme symbolem v podíl výosu z akce ttulu za rok ku středímu kurzu této akce za rok. K dspozc máme M peěžích edotek, které chceme vestovat do optmálě dverzfkovaého portfola. Částku M e uté rozdělt a ezáporých položek x, x,,x udávaící za kolk e třeba akoupt akce edotlvých podků. Základím ukazatelem výše výosu z edé vestovaé peěží edotky e středí hodota m : m = ( v + v v T ) / T Základím ukazatelem rzka e rozptyl těchto výosů a odhad tohoto rozptylu e dáa výrazem: s = (( v m ) + (v m ),, (v T m ) )/ T Nakoupíme-l akce podle rozpsu x, x,,x, kde x + x +...+x = M, x 0, kde celkový výos z provestovaé částky e áhodou velčou, která e leárí kombací áhodých ezávslých velč reprezetuících výosy z edotlvých akoupeých akcí, kde koefcety áhodých kombací vestovaé částky x, x,,x. Středí hodota celkového výosu e leárí kombací středích hodot edotlvých kombovaých položek, zatímco rozptyl celkového výosu e leárí kombací rozptylů kombovaých položek, kde však koefcety z původí kombace vystupuí ve druhých mocách. Středí hodota z provestovaé částky M: x m + x m + +x m a () Rozptyl z provestovaé částky M : x s + x +.+x s () Kdybychom chtěl maxmalzovat výos bez přhlédutí k rzku, určíme rozps částky M tak, že vyřešíme maxmalzačí úlohu leárího programováí s účelovou fukcí () a

omezuícím podmíkam. V případě, že edým omezeím sou pouze blačí rovce a podmíky ezáporost, e řešeí akoupt za celou částku M akce s evětším středím výosem a vestovaou peěží edotku. Pokud bychom chtěl mmalzovat rzko bez přhlédutí k výš výosu, určíme rozděleí částky M tak, že mmalzueme kvadratckou rovc (), omezuící podmíky sou opět blačí rovce a podmíky ezáporost. Cílem optmalzace portfola e alezeí vhodého kompromsu mez výší výosu a malým rzkem. Výpočet vedoucí k alezeí kompromsího řešeí lze založt a předpokladu, že estota spoeá s vestováím sžue očekávaou výš výosu. Pro vlastí rozhodutí e pak směrodatá výše čstého výosu, tedy středího výosu sížeého o pealzačí čle úměrý výš rzka. Př maxmalzac rozdílů fukcí () a () by bylo velm obtížé terpretovat ekoomcký výzam takovéto maxmalzace, eboť středí hodota e udáa v peěžích edotkách, kdežto rozptyl sou kvadratcké odchylky peěžích edotek od průměrů. Abychom obě velčy přetrasformoval do srovatelých edotek, vydělíme fukc () maxmem této fukce a obdobě fukc () vydělíme mmem této fukce, obě př stávaících omezeích. Tím se z obou fukcí staou fukce bezrozměrých hodot s tím, že př steých subektvích vahách kladeých a výš výosů a velkost rzka, abude rozdíl obou fukcí hodoty 0 v tom případě, že exstue rozps x, x,,x, který současě maxmalzue výosy a mmalzue rzko. Jak e hodota rozdílu záporá a čím e meší, tím více e saha o maxmalzac výosů v rozporu se sahou o mmalzac rzka. Ozačíme-l W maxmum fukce () a w mmum fukce () př steých omezeích, ademe tedy optmálí rozps vestc vyřešeím úlohy maxmalzovat [ / W ] α[ ( x s + x +... + xs )/ w] ( )( x m + x m +... + x m ) α (3) Koefcet α e koefcet vestčí opatrost. Je to zvoleé číslo z tervalu 0,. Je-l α = 0, maxmalzueme výos bez přhlédutí k rzku, e-l α =, mmalzueme rzko bez přhlédutí k výš výosů. Vyvážeý komproms e α = 50%. Korelace výosů Ve výše uvedeém Markowczově modelu esou bráy v úvahu korelace mez edotlvým druhy vestc v portfolu. Skutečost, zda vestce zvyšue č sžue rzko celého podkáí, závsí a vztahu příslušé vestce k ostatím vestcím. Z tohoto hledska rozezáváme tř typy vzáemých vztahů mez vestcem:. Ivestce s poztví závslostí (poztvě korelovaé) výosost akcí v rámc časového období se vyvíí steým směrem, takto dverzfkovaé vklady esžuí rzko celkového podkáí. Ivestce s egatví závslostí (egatvě korelovaé) akce, echž výosost se v určtém časovém období vyvíí protchůdě, takto dverzfkovaé vklady zašťuí pokles rzka 3. Ivestce s ulovou závslostí (ekorelovaé) akce esou vzáemě závslé, čím více e vestc s ulovou závslostí, tím větší e možost částečého vyrováí přízvých a epřízvých faktorů.

Vztah mez vestčím proekty s růzou mírou závslost se dá matematcky vyádřt koefcetem korelace. Teto koefcet měří rozsah, ve kterém očekávaá výosost edoho vestčího proektu e závslá a očekávaých výosech druhého proektu. U korelovaých vestc se blíží +, u egatvě korelovaých vestc. takto: Koefcet korelace KA,B výosost podku B s výosostí podku A se určí K A, B V V V A B A B = (4) σ Aσ B V kde K A,B = koefcet korelace výosost podků, = počet sledovaých období výosost, V A = výosost podku A, V B = výosost podku B, σ A = směrodatá odchylka výosost podku A, σ B = směrodatá odchylka výosost podku B. Výosost celého portfola se spočítá ako vážeý artmetcký průměr výosost edotlvých vestc v portfolu, vaham sou podíly edotlvých vestc v portfolu: P V = V P =, P = 0 P, (5) kde V P = výosost portfola vestc, V = výosost edotlvých druhů vestc v portfolu, P = podíl edotlvých druhů vestc a celkovém výda, = počet vestc v portfolu. Rzko vestce do takovéhoto portfola e směrodatá odchylka portfola, která se vypočítá podle ásleduícího vztahu: σ = P P K σ σ, (6) p = = kde σ P = směrodatá odchylka výosost portfola, P, P = podíl edotlvých druhů vestc v celém portfolu, σ σ = směrodatá odchylka výosost edotlvých druhů vestc, K, = korelačí koefcet mez -tou a -tou vestcí v portfolu, = celkový počet vestc v portfolu. Pokud tedy hledáme optmálí portfolo pro daou úroveň vestčí opatrost a chceme respektovat vzáemé korelace mez akcem, musíme modfkovat vztah (3) ásleduícím způsobem

( α) z = max = = PV α p PV p m = = = = PP K σ σ PP Kσ σ (7) kde z chápeme ako účelovou fukc ež pro zvoleé α maxmalzueme.