Rahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista



Samankaltaiset tiedostot
6.4 Variaatiolaskennan oletusten rajoitukset. 6.5 Eulerin yhtälön ratkaisuiden erikoistapauksia

Rahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille

Tuotannon suhdannekuvaajan menetelmäkuvaus

Kokonaishedelmällisyyden sekä hedelmällisyyden keski-iän vaihtelu Suomessa vuosina

Luento 4. Fourier-muunnos

2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t

Taustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka

Hoivapalvelut ja eläkemenot vuoteen 2050

1 Excel-sovelluksen ohje

b) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y)

Rakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä

Luento 9. Epälineaarisuus

Sovellettu todennäköisyyslaskenta B

f x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d)

Ene , Kuivatus- ja haihdutusprosessit teollisuudessa, Laskuharjoitus 5, syksy 2015

Tietoliikennesignaalit

9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.

x v1 y v2, missä x ja y ovat kokonaislukuja.

2. Suoraviivainen liike

Suomen kalamarkkinoiden analyysi yhteisintegraatiomenetelmällä

Sopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen

Ratkaisu. Virittäviä puita on kahdeksan erilaista, kun solmut pidetään nimettyinä. Esitetään aluksi verkko kaaviona:

3 SIGNAALIN SUODATUS 3.1 SYSTEEMIN VASTE AIKATASOSSA

KOMISSION KERTOMUS. Suomi. Perussopimuksen 126 artiklan 3 kohdan nojalla laadittu kertomus

PK-YRITYKSEN ARVONMÄÄRITYS. KTT, DI TOIVO KOSKI elearning Community Ltd

Testejä suhdeasteikollisille muuttujille

I L M A I L U L A I T O S

Luento 7 Järjestelmien ylläpito

Monisilmukkainen vaihtovirtapiiri

Finanssipolitiikan tehokkuudesta Yleisen tasapainon tarkasteluja Aino-mallilla

Luento 11. Stationaariset prosessit

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4

MS-C2111 Stokastiset prosessit

YO Fysiikka. Heikki Lehto Raimo Havukainen Jukka Maalampi Janna Leskinen. Sanoma Pro Oy Helsinki

ETERAN TyEL:n MUKAISEN VAKUUTUKSEN ERITYISPERUSTEET

Aikasarja-analyysi I Syksy 2005 Tampereen yliopisto Arto Luoma

2:154. lak.yht. lak.yht. lak.yht. 2:156 2: :156. lak.yht. 2: dba. sr-1. No330. YY/s-1. Työväentalo No30. sr-2.

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

W dt dt t J.

12. ARKISIA SOVELLUKSIA

( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt

Sovellettu todennäköisyyslaskenta B

Huomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s).

S SÄHKÖTEKNIIKKA JA ELEKTRONIIKKA

Vuoden 2004 alkoholiverotuksen muutoksen kulutusvaikutuksen ennustaminen. Linden, Mikael. ISBN ISSN X no 13

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Otoskoko 107 kpl. a) 27 b) 2654

( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri.

SELOSTUS K muutos 1

RIL Suomen Rakennusinsinöörien Liitto RIL ry

MUODONMUUTOKSET. Lähtöotaksumat:

Mallivastaukset KA5-kurssin laskareihin, kevät 2009

ẍ(t) q(t)x(t) = f(t) 0 1 z(t) +.

Topologia Syksy 2010 Harjoitus 9

Työ 2: 1) Sähkönkulutuksen ennustaminen SARIMAX-mallin avulla 2) Sähkön hankinnan optimointi

Luento 11: Potentiaalienergia. Potentiaalienergia Konservatiiviset voimat Voima potentiaalienergiasta gradientti Esimerkkejä ja harjoituksia

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1

Kojemeteorologia. Sami Haapanala syksy Fysiikan laitos, Ilmakehätieteiden osasto

Sähköstatiikka ja magnetismi Kondensaattorit ja kapasitanssi

Kuukausi- ja kuunvaihdeanomalia Suomen osakemarkkinoilla vuosina

Flow shop, työnvaiheketju, joustava linja, läpivirtauspaja. Kahden koneen flow shop Johnsonin algoritmi

6. laskuharjoitusten vastaukset (viikot 10 11)

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Luento 11. tietoverkkotekniikan laitos

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

DEE Sähkömagneettisten järjestelmien lämmönsiirto

SATE1050 Piirianalyysi II syksy 2016 kevät / 6 Laskuharjoitus 10 / Kaksiporttien ABCD-parametrit ja siirtojohdot aikatasossa

7. laskuharjoituskierros, vko 10, ratkaisut

SMG KENTTÄ JA LIIKKUVA KOORDINAATISTO

STOKASTISIA MALLEJA SÄHKÖN HINNOITTELUUN. Sanni Sieviläinen

Moniulotteisia todennäköisyysjakaumia

Testit järjestysasteikollisille muuttujille

Tilastomatematiikka Kevät 2008

Tasaantumisilmiöt eli transientit

KOMISSION VALMISTELUASIAKIRJA

Ilmavirransäädin. Mitat

Sovellettu todennäköisyyslaskenta B

Ennen opiskelua OHJAUSTOIMINTA TALOTEKNIIKAN KOULUTUSOHJELMASSA

6. Yhteenvetoa kurssista

Luento 2. Järjestelmät aika-alueessa Konvoluutio-integraali. tietoverkkotekniikan laitos

Rahoitusriskit ja johdannaiset Matti Estola. luento 10 Binomipuut ja optioiden hinnoittelu

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1

Painevalukappaleen valettavuus

Luento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho

Tilausohjatun tuotannon karkeasuunnittelu. Tilausohjatun tuotannon karkeasuunnittelu

Jukka Tulkki 8. Laskuharjoitus (ratkaisut) Palautus torstaihin 3.4 klo 12:00 mennessä. x 2

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

VÄRÄHTELYMEKANIIKKA SESSIO 17: Yhden vapausasteen pakkovärähtely, impulssikuormitus ja Duhamelin integraali

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan

Maahanmuuttajan työpolkuhanke Väliraportti

Öljyn hinnan ja Yhdysvaltojen dollarin riippuvuussuhde

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Regressioanalyysi. Kuusinen/Heliövaara 1

Transkriptio:

Rahoiusriski ja johdannaise Mai Esola lueno Sokasisisa prosesseisa

. Markov ominaisuus Markov -prosessi on sokasinen prosessi, missä ainoasaan muuujan viimeinen havaino on relevani muuujan seuraavaa arvoa ennuseaessa. Muuujan aiemmalla hisorialla ei sien ole ennusekykyä ulevien arvojen suheen. Esim. osakekurssi noudaava yleensä Markov -prosessia, sillä sijoiajien suuri määrä ja heidän käyämänsä ennusemalli yhjenävä kaiken informaaion sien, eä jos aiemmalla hisorialla olisi ennusevoimaa, joku käyäisi sen ja osaisi/myisi osakkeia sen peruseella. Tämän jälkeen kurssi muuuisi sien, eä kyseisellä informaaiolla ei enää olisi ennusevoimaa kurssin suheen. Osakekurssien Markov -ominaisuus on sopusoinnussa markkinoiden heikon ehokkuuden (weak efficiency) kanssa, jonka mukaan valliseva osakekurssi sisälävä kaiken relevanin informaaion kurssien hisoriasa.

Oleeaan muuuja joka noudaaa Markov prosessia. Muuujan nykyinen arvo on 0 ja sen muuos vuoden aikana noudaaa normaalijakaumaa N(0, ), missä 0 on odousarvo ja keskihajona. Mikä on muuujan odennäköisyysjakauma kahden vuoden aikana? Muuujan muuos kahden vuoden aikana on kahden normaalisi jakauuneen saunnaismuuujan summa, joisa molemmilla on odousarvo 0 ja keskihajona. Koska muuuja noudaaa Markov prosessia, muuokse ova riippumaomia. Kahden riippumaoman normaalisi jakauuneen saunnaismuuujan summalle päee:, var( sillä N(0,), ) cov(, var( ) var( ) 0. Siis ) var( cov( 0,, ). ) var( ) var( ),

Toisin sanoen : N (0, ). Vasaavasi muuujan jakauma puolen vuoden aikana on normaalisi jakauunu saunnaismuuuja odousarvolla 0 ja varianssilla ½, eli: N(0, 0,5). Yleisemmin voidaan sanoa, eä muuuja noudaaa normaalijakaumaa: N( 0, ). Muuujan lisäysen odousarvo ja varianssi ova sien yheenlaskeavia, mua eivä keskihajonna. Muuujan varianssin miayksikkö on vuosi, ja keskihajonnan miayksikkö on neliöjuuri vuodesa.

Wiener -prosessi on ieynlainen Markov prosessi, jonka odousarvo on nolla ja varianssi per vuosi. Fysiikassa ko. prosessia käyeään yleisesi, ja siä kusuaan Brownin liikkeeksi (Brownian moion). Brownin liike on neseessä ai kaasussa olevia hyvin pieniä hiukkasia mikroskoopilla arkaselaessa havaiava saunnainen ja isenäinen siksak-liike. Ilmiön havaisi kasviieeilijä Roer Brown vuonna 87 ukiessaan mikroskoopin avulla vedessä kelluvaa kasvien siiepölyä. [

. Diskreeiaikainen Wiener -prosessi Muuuja noudaaa -uloeisa Wiener -prosessia, jos: Tällöin ) ) i) ii) i, j N(0, E{[ E{, ova ),. N(0,), riippuma omia. sillä 0, E{[ E{ Wiener -prosessia noudaavan saunnaismuuujan odousarvo on siis 0 ja varianssi on T ajanjakson T aikana; E on odousarvooperaaori.

3. Jakuva-aikainen Wiener -prosessi Saunnaismuuuja noudaaa jakuva-aikaisa Wiener -prosessia, jos muuujan differeniaalille (muuokselle) d päee: d d, d d 0, var( d) E{[ d d E{[ d d E{ d. 3.. Yleisey Wiener -prosessi Muuuja x noudaaa jakuva-aikaisa yleiseyä Wiener prosessia, jos: dx ad d, missä a on drif (viraus) -parameri ja varianssi -parameri.

Diskreeiaikaisena yleisey Wiener -prosessi on muooa: x a a. Tällä prosessilla on seuraava ominaisuude: ) x a, sillä 0, ) E{[ x x E{ ( ). x Ny jos = 0, niin a, Joen a on x:n kasvunopeus ilaneessa, eä x:n saunnaiskomponenin muuos = 0. Wiener -prosessia kusuaan usein myös Random walk (saunnaiskulku) -prosessiksi.

4. Osakekurssi sokasisena prosessina On luonnollisa ajaella, eä osakekurssi noudaava yleiseyä Wiener prosessia, jossa on kiineä drif -parameri (kasvuase) ja sen lisäksi sokasinen komponeni, jolla on kiineä varianssi. Osakekursseilla on kuienkin ominaisuus, eä niiden kasvuasee ova karkeasi oaen vakioia eikä kasvunopeude, sillä kasvunopeus riippuu kurssin asoluuisesa arvosa. Tällöin siis päee: S /, vakio, S missä S on osakekurssi, ilmaisee muuosa, aikaa ja :llä merkiään S:n kasvuasea. Tämän raja-arvona -> 0 saadaan seuraava jakuva-aikainen malli: ds / S d S( ) S(0) e,

missä S(0), S() ova osakekurssin arvo hekillä 0 ja. Eo. Kaava osoiaa, eä jos osakekurssissa ei ole saunnaisuua, se kasvaa vakioisella kasvuaseella. Osakekurssien kasvuasee vaiheleva kuienkin päiviäin, joen realisisempi malli on seuraava: ds S d d ds Sd Sd. Tämä, ns. Geomerinen Brownin liike, on yleisimmin käyey malli osakekurssien mallinamisessa. Siinä parameri vasaa muuujan ds/s odousarvoa ja σ keskihajonaa, molemma vakioia.