N_OFI_2 Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA

Počet pravděpodobnosti - náhodné veličiny

Počet pravděpodobnosti - náhodné veličiny

Jevy a pravděpodobnosti

Jevy a pravděpodobnosti

Jevy a pravděpodobnosti

Rozdělení náhodných veličin

Rozdělení náhodných veličin

Distribuční funkce

Distribuční funkce

Diskrétní rozdělení Diskrétní rozdělení pravděpodobnosti Diskrétní distribuční funkce

Spojité rozdělení Spojitá hustota pravděpodobnosti Spojitá distribuční funkce

Střední hodnota náhodné veličiny

Rozptyl náhodné veličiny

Střední hodnota a rozptyl - příklady

Další charakteristiky náhodné veličiny

Charakteristiky dvojic náhodné veličiny

Kovarianční matice

Korelační koeficient

Korelační matice

Výběrové charakteristiky náhodné veličiny Výběrové (empirické) charakteristiky jsou výběrovými protějšky teoretických charakteristik. Provádíme náhodný výběr X1,X2,...,Xn z náhodné veličiny. Mezi nejužívanější výběrové charakteristiky patří výběrový průměr, který je určen vztahem: a výběrový rozptyl, daný pro vztahem: Výběrovou směrodatnou odchylku získáme jako:

Vlastnosti výběrových charakteristik Provedeme-li náhodný výběr X1,X2,...,Xn z rozdělení se střední hodnotou μ a rozptylem σ2, pak platí: S rostoucím n konverguje výběrový průměr k μ a výběrový rozptyl S2 k σ2.

Výběrová kovariance Výběrový kovarianční koeficient Výběrová kovarianční matice

Výběrová korelace Výběrový korelační koeficient

Normované normální rozdělení

Obecné normální rozdělení

Normální rozdělení – pravděpodobnost jevů

Normální rozdělení - normování

Normální rozdělení – intervaly spolehlivosti

Normální rozdělení – kvantily

Normální rozdělení – kvantily

Normální rozdělení – kvantily pro

Logaritmicko-normální rozdělení Náhodná veličina X má rozdělení logaritmicko-normální s parametry µ a σ2 (označujeme je LN(µ, σ2)), když má hustotu pravděpodobnosti: Má-li náhodná veličina X rozdělení LN(µ, σ2), má potom náhodná veličina Y = lnX rozdělení N(µ, σ2). Obráceně, má-li veličina Y rozdělení N(µ, σ2), veličina X = eY má rozdělení LN(µ, σ2). Logaritmicko-normální rozdělení se používá zejména v teorii spolehlivosti a ve finančním modelování.

Diskrétní rozdělení

Diskrétní rozdělení

Diskrétní rozdělení

Binomické rozdělení

Binomické rozdělení

Binomické rozdělení

VaR – Value at Risk (Hodnota v riziku) Princip VaR Metoda VaR vznikla jako metoda měření tržního rizika (zejména kurzového a akciového), poté však byla přijata jako obecná metoda pro měření všech rizik. Tím se posunulo její chápání od metody k přístupu, a proto se matematický aparát pro jednotlivé druhy rizik může značně lišit. Podstatou metody zůstává snaha odhadnout vývoj zvoleného ukazatele či veličiny na základě historických dat v potřebném časovém horizontu a na základě pravděpodobností, a tím podle nejhoršího scénáře určit nejvyšší možnou ztrátu se zvolenou pravděpodobností. Pro vysvětlení vlastního mechanismu metody použijeme klasický příklad měnového rizika, kde je metoda VaR nejjednodušší a nejtransparentnější.

VaR – Value at Risk (Hodnota v riziku) VaR pro odhad ztráty z jedné pozice Měření tržního rizika pomocí VaR závisí na odhadu budoucích nepříznivých změn kurzů a cen, v našem příkladě měnového kurzu USD/CZK. Tyto odhady se provádějí na základě analýzy historických hodnot těchto pohybů.   Abychom mohli změřit výši rizika vyplývajícího z pohybu kurzu USD/CZK, musíme učinit několik předpokladů: chování této veličiny vyhovuje modelu tzv. náhodné procházky a její změny tudíž mohou být aproximovány normálním rozdělením nepřítomnost autokorelace mezi změnami v odlišný časový okamžik časová stabilita určovaných charakteristik (tzn., že jakýkoliv pohyb kurzu není závislý na předcházející změně, pouze reprezentuje jev daného pravděpodobnostního rozdělení). Splnění těchto předpokladů je nutnou podmínkou pro použití níže uvedených statistických metod.

VaR – Value at Risk (Hodnota v riziku) Sledujeme tedy denní změnu kurzu jako statistickou veličinu a chceme s jistou pravděpodobností odhadnout maximální změnu kurzu za jeden den, a tím i maximální ztrátu, která může být maximálním pohybem kurzu způsobena. K tomu potřebujeme určit střední hodnotu denní změny , která by měla být nulová, neboť pracujeme s normálním rozložením, a směrodatnou odchylku S.   Dle statistické teorie lze říci, že s pravděpodobností 95% nebude jednodenní změna kurzu větší než dvojnásobek směrodatné odchylky. Tím jsme odhadli chování kurzu USD/CZK a můžeme přistoupit k vyčíslení rizika dané pozice, tedy vyčíslení případné ztráty.

VaR – Value at Risk (Hodnota v riziku) Příklad: Nechť má banka pozici +10 mil. USD/CZK, to znamená, že dolarová aktiva banky převyšují její dolarová pasiva o 10 mil. USD, tj. banka utrpí ztrátu v případě, že dojde k oslabení dolaru vůči koruně. Aktuální kurz USD/CZK nechť je 22,00 CZK/USD a vyčíslená standardní odchylka S změn kurzu USD/CZK je 0,5%.   Pomocí metody VaR jsme vypočetli, že s pravděpodobností 95% se kurz bude zítra pohybovat v intervalu 2S = 1%, tj. 21,78 – 22,22 CZK/USD. To znamená, že s pravděpodobností 95% nebude ztráta banky z otevřené dolarové pozice větší než 1% * 10 mil. USD, tj. 2,2 mil. CZK.

VaR – Value at Risk (Hodnota v riziku) Poznámka: Střední hodnota kurzové odchylky nemusí vyjít nulová, jak by odpovídalo teorii.To je způsobeno jednak tím, že použitý statistický soubor není dostatečně široký, jednak tím, že náhodné rozdělení dané veličiny (tj. měnový kurz) není dokonale normální, že tedy naše předpoklady nejsou perfektně splněny.   Většina cen finančních instrumentů vykazuje oproti normálnímu rozdělení určité anomálie, a to zejména následujícího charakteru: oproti normálnímu rozdělení je zde asymetrie mezi poklesy a nárůsty cen; vzestupy cen jsou častější a v průměru nižší oproti méně častým a hodnotově větším poklesům oproti normálnímu rozdělení se častěji objevují velké změny cen, tzn. velké poklesy a nárůsty. Tyto odchylky však výrazně nezkreslují námi dosažený výsledek. V praxi je lze minimalizovat těmito způsoby: můžeme zkoumanou veličinu statisticky otestovat, tj. zjistit, zdali je dostatečně normální můžeme zjištěné anomálie ošetřit v rámci statistických metod, tj. vzít je v úvahu při výpočtu můžeme zvětšit interval spolehlivosti.

Metoda VaR pro více veličin V praxi většinou potřebujeme ocenit či změřit riziko vyplývající z více různých pozic v různých rizikách. Naše celkové riziko tedy závisí na větším počtu náhodných veličin – cen. Tyto veličiny nemusejí být statisticky nezávislé, tj. pohybují se podle určitého algoritmu.   Tento vzájemný vztah dvou a více veličin může vyplývat jednak z přesně definovaných vazeb (např. navázanost jedné měny na druhou, jako u DKK a EUR), jednak z ekonomických souvislostí (např. závislost kurzu CZK vůči dolaru na kurzu USD/EUR). Pro určení celkového rizika je třeba určit korelační koeficienty určující vzájemné vztahy sledovaných veličin. Ty tvoří tzv. kovarianční matici, pomocí které se určuje celková potenciální ztráta ze sledovaných pozic v jednotlivých rizikách, a to jako výsledná hodnota maticového součinu kovarianční matice a jednotlivých pozic reprezentujících náhodné veličiny – ceny.

Metoda VaR pro více veličin Příklad: Jako příklad uvedeme vzorec pro výpočet kumulované VaR měnového rizika pro všechny otevřené pozice v jednotlivých měnách při použití kovarianční matice popisující korelaci mezi relativními změnami kurzů.   Vstupy: 1) denní otevřená devizová pozice v jednotlivých měnách – P = [PAUD, PCAD, ..., PUSD], 2) vektor volatilit směnných kurzů jednotlivých měn (maximální relativní změna kurzu s pravděpodobností 95%) – VOL = [volAUD, volCAD, ..., volUSD],

Metoda VaR pro více veličin   3) korelační matice Kde X,Y = korelace mezi relativními změnami kurzů X a Y.

Metoda VaR pro více veličin  Výstup: Hodnota kumulované VaR měnového rizika pro všechny otevřené pozice s pravděpodobnosti 95%. Vzorec pro výpočet VAR pomocí korelační matice:   kde (vektor VaR-ů pro jednotlivé měny) a

Distribuční funkce