Osakkeiden tuottojakaumia koskevien markkinaja asiantuntijanäkemysten yhdistely copulafunktioilla

Samankaltaiset tiedostot
Kopulafunktiot. Joonas Ollila 12. lokakuuta 2011

Gaussiset prosessit derivaattahavainnoilla regressio-ongelmassa (valmiin työn esittely)

Menetelmä Markowitzin mallin parametrien estimointiin (valmiin työn esittely)

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Monte Carlo -menetelmä optioiden hinnoittelussa (valmiin työn esittely)

MAT INVESTOINTITEORIA. (5 op) Kevät Ville Brummer / Pekka Mild / Ahti Salo

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

805306A Johdatus monimuuttujamenetelmiin, 5 op

3.6 Su-estimaattorien asymptotiikka

Johdatus tn-laskentaan perjantai

Tilastomatematiikka Kevät 2008

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan

Lineaaristen monitavoiteoptimointitehtävien

Talousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Monimuuttujamallit ja multinormaalijakauma

Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely)

9. Tila-avaruusmallit

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

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Moniulotteiset satunnaismuuttujat ja jakaumat

Korrelaatiokertoinen määrittely 165

Lentotiedustelutietoon perustuva tykistön tulenkäytön optimointi (valmiin työn esittely)

6. Tietokoneharjoitukset

Portfoliolähestymistapa CO2 - kiilapelin analysoinnissa (valmiin työn esittely) Tuomas Lahtinen

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

10 Moniulotteinen normaalijakauma

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:

Sovellettu todennäköisyyslaskenta B

4.0.2 Kuinka hyvä ennuste on?

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

Joonas Haapala Ohjaaja: DI Heikki Puustinen Valvoja: Prof. Kai Virtanen

Todennäköisyyden ominaisuuksia

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat

2. Keskiarvojen vartailua

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Matemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto

Johdatus tn-laskentaan torstai

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Mallin arviointi ja valinta. Ennustevirhe otoksen sisällä, parametrimäärän valinta, AIC, BIC ja MDL

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu

Kun datasta halutaan muodostaa malleja, ne ovat yleensä tilastollisia (esim. regressio, luokittelu, ryhmittely...) F(x 0 ) = P(x x 0 ) (1)

Black ja Scholes ilman Gaussia

η i (θ)t i (x) A(θ) + c(x),

4.2.2 Uskottavuusfunktio f Y (y 0 X = x)

Hedge-sijoittaminen. Hämeen osakesäästäjien sijoituskerho Jarno Lönnqvist

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

11 Raja-arvolauseita ja approksimaatioita

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely)

- voidaan käyttä lisämään tieteellistä ymmärrystä ilmiöstä. - joidenkin havaittavien suureiden vaikutus voi olla paljon suurempi kuin toisten

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Johdatus regressioanalyysiin

Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t

2. Uskottavuus ja informaatio

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Harjoitus 4: Matlab - Optimization Toolbox

Tilastollisen päättelyn perusteet

P (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Yleistetyistä lineaarisista malleista

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Regressioanalyysi. Kuusinen/Heliövaara 1

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Satunnaismuuttujien summa ja keskiarvo

Satunnaismuuttujien muunnokset ja niiden jakaumat

Normaalijakaumasta johdettuja jakaumia

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

TIINA SOKURI VINO KALMANIN SUODATIN. Kandidaatintyö

8.1 Ehdolliset jakaumat

Ilkka Mellin (2008) 1/5

10 Moniulotteinen normaalijakauma

GeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus

Luku 10. Bayesläiset estimaattorit Bayesläiset piste-estimaatit. Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely)

Stokastinen optimointi taktisessa toimitusketjujen riskienhallinnassa (valmiin työn esittely)

Johdatus tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1

031021P Tilastomatematiikka (5 op) viikko 6

Simulointi. Varianssinhallintaa Esimerkki

Cubature Integration Methods in Non-Linear Kalman Filtering and Smoothing (valmiin työn esittely)

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa.

Lisäinformaation arvo monikriteerisessä projektiportfoliovalinnassa (valmiin työn esittely)

Virheraportoijien virhemäärien jakaumat virhetietokannassa

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Transkriptio:

Osakkeiden tuottojakaumia koskevien markkinaja asiantuntijanäkemysten yhdistely copulafunktioilla (valmiin työn esittely) Henri Tuovila 13.01.2014 Ohjaaja: VTM Ville Hemmilä Valvoja: Prof. Ahti Salo

Sisältö Tausta ja tavoitteet Historiaa COP-malli Copula-funktiot Tulokset Paras copula-funktio Empiirinen esimerkki Yhteenveto ja johtopäätökset Viitteet

Tavoitteet Työn tarkoituksena esitellä COP-malli Copula Opinion Pooling Sijoittajanäkemysten ja markkinajakauman yhdistely copulafunktioita hyödyntäen Motivaationa paremman portfolioanalyysityökalun käyttöönotto Ei-normaaliset markkinajakaumat Sijoittajanäkemysten huomioiminen Aineistona CAC 40- ja DAX-indeksit Alkuperäinen suunnitelma korkokäyrän mallintamisesta COPmallin avulla osoittautui liian haastavaksi

Historiaa Markowitz 1952 (moderni portfolioteoria) Tuotto-varianssi optimointi Normaalisuus, lineaarinen korrelaatio Black-Litterman malli 1992 Subjektiiviset sijoittajanäkemykset Normaalisuus, lineaarinen korrelaatio Meucci: COP-malli (Copula Opinion Pooling) 2006 Subjektiiviset sijoittajanäkemykset Copula-funktiot korrelaation sijaan Ei normaaliusoletusta

COP-malli M~f M Markkinajakauma P = P P Sijoittajanäkemykset P, täydennys P V Prior = M Prior P Kannanvaihto F k = c k F k + 1 c k F k, k = 1,2, K (tässä k = 1,2) Näkemysten lisääminen markkinajakaumaan Luottamustaso c k [0,1] F k V Prior V Post interp(c; F k, V Prior ), Copula ei muutu M Post = V Post P Painotettu markkinajakauma

Copula-funktiot: kaavoina Satunnaismuuttujat (X 1, X 2 ) Marginaalijakaumien kertymäfunktiot F i x = P X i x Muunnos U 1, U 2 = (F 1 x 1, F 2 (x 2 )) Copula: C u 1, u 2 = P U 1 u 1, U 2 u 2 Sklar n teoreema F x 1, x 2 = C F 1 x 1, F 2 x 2 Esimerkki: Gaussin Copula C Σ (u 1, u 2 ) = Φ Σ (Φ 1 (u 1 ), Φ 1 (u 2 )) T-copula, Arkimeediset copulat (Gumbel, Clayton )

Copula-funktiot: kuvina A. Meucci. A Short, Comprehensive, Practical Guide to Copulas. 2011. saatavissa: http://symmys.com/node/351 (viitattu 6.1.2014)

Tulokset geneerinen esimerkki osaketuottojakaumilla CAC 40-indeksi ja DAX-indeksi Indeksien tuottojakaumien normaalisuus? Eivät ole normaalisia Marginaalijakaumien mallinnus ydinestimaatein Minkälaiset jakaumat olisivat perusteltuja asiantuntijanäkemyksinä? Yksinkertaisuuden vuoksi tasajakauma vain toiselle tuottoindeksille P matriisiksi valitaan triviaali yksikkömatriisi

Tulokset riippuvuutta parhaiten kuvaava copula-funktio Estimoitiin SU-menetelmällä erilaisten copulafunktioiden parametrit Verrattiin mikä sovitteista vastaa parhaiten empiiristä dataa nk. L 2 -normilla d 2 C E, C = C E C L 2 Parhaat sovitteet: t-copula, Gaussinen copula Huonoimmat: synteettiset Clayton, Frank ja Gumbel Copula T (ν, ρ) Gauss (ρ) Clayton (θ) Frank (θ) Gumbel (θ) Parametri (4.94,0.85) 0.84 2.37 9.27 2.71 L 2 -normi 2.90 3.25 17.57 7.28 6.58

Tulokset riippuvuutta parhaiten kuvaava copula-funktio

Tulokset näkemyksien mukaan muokatut jakaumat Lopputulos: näkemyksien mukaan painotetut jakaumat, joita voisi käyttää lähtökohtana esimerkiksi portfolion optimointiin

Tulokset Prior-, näkemys- ja posteriorjakaumat CAC 40-indeksin Prior, näkemys ja posterior samaan kuvaan piirrettynä Luottamustaso c = 0.2 Jakauma Prior Posterior Ka. 0.0009 0.0107 Hajonta 0.0312 0.0365 Vinous -0.4935-0.0829 Huipuk. 7.3805 4.9609

Huomioita Simuloidusta copula-funktiosta yhteisjakaumaan marginaalifunktioiden ydinestimaateilla Voitaisiin myös sovittaa jokin jakauma, esim normaali- tai t- jakauma Ydinestimaatti: ei tarvitse tehdä jakaumaoletusta Normaalijakaumaoletus ja normaaliset näkemykset: yhtenevyys Black-Litterman -mallin kanssa

Yhteenveto ja kritiikki COP-menetelmällä voidaan yhdistää sijoittajan subjektiiviset näkemykset neutraaliin markkinajakaumaan Osaketuottojakaumat eivät ole normaalisia Hienostuneempien mallien (vrt. Markowitz) tutkiminen perusteltua Copula-funktiot eivät ole dynaamisia Jatkotutkimuskohteita Markkinanäkemysten muodostaminen Portfolion optimointi posterior-jakaumien perusteella Copula-funktion valinta

Lähteet F. Black ja R. Litterman. Global Portfolio Optimization. Financial Analysts Journal, 28-43, 1992. V. Durrleman, A. Nikeghbali ja T. Roncalli. Which Copula is the right one. 2000 H. Markowitz. Portfolio Selection. The Journal of Finance, 7(1):77-91, 1952. A. Meucci. Beyond Black-Litterman: Views on non-normal markets. Risk Magazine, 2005 M. Stein, R. Fuss ja W. Drobetz. Fixed-income portfolio allocation including hedge fund strategies: A copula opinion pooling approach. The Journal of Fixed Income, 2009