N_OFI_2 Přednáška Počet pravděpodobnosti

Prezentace na téma: "N_OFI_2 Přednáška Počet pravděpodobnosti"— Transkript prezentace:

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

2 Počet pravděpodobnosti - náhodné veličiny

3 Počet pravděpodobnosti - náhodné veličiny

4 Jevy a pravděpodobnosti

5 Jevy a pravděpodobnosti

6 Jevy a pravděpodobnosti

7 Rozdělení náhodných veličin

8 Rozdělení náhodných veličin

9 Distribuční funkce

10 Distribuční funkce

11 Diskrétní rozdělení Diskrétní rozdělení pravděpodobnosti
Diskrétní distribuční funkce

12 Spojité rozdělení Spojitá hustota pravděpodobnosti
Spojitá distribuční funkce

13 Střední hodnota náhodné veličiny

14 Rozptyl náhodné veličiny

15 Střední hodnota a rozptyl - příklady

16 Další charakteristiky náhodné veličiny

17 Charakteristiky dvojic náhodné veličiny

18 Kovarianční matice

19 Korelační koeficient

20 Korelační matice

21 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:

22 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.

23 Výběrová kovariance Výběrový kovarianční koeficient
Výběrová kovarianční matice

24 Výběrová korelace Výběrový korelační koeficient

25 Normované normální rozdělení

26 Obecné normální rozdělení

27 Normální rozdělení – pravděpodobnost jevů

28 Normální rozdělení - normování

29 Normální rozdělení – intervaly spolehlivosti

30 Normální rozdělení – kvantily

31 Normální rozdělení – kvantily

32 Normální rozdělení – kvantily
pro

33 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.

34 Diskrétní rozdělení

35 Diskrétní rozdělení

36 Diskrétní rozdělení

37 Binomické rozdělení

38 Binomické rozdělení

39 Binomické rozdělení

40 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.

41 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.

42 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.

43 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.

44 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.

45 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.

46 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],

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

48 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

49 Distribuční funkce