Finanssisitoumusten suojaamisesta

Samankaltaiset tiedostot
Sijoitussidonnaisten vakuutusten suojaaminen. Maiju Eerola Matematiikan ja tilastotieteen laitos Helsingin yliopisto

Black ja Scholes ilman Gaussia

X k+1 X k X k+1 X k 1 1

Eräs suojausmenetelmä sijoitussidonnaisille vakuutuksille

Sovellettu todennäköisyyslaskenta B

3. Teoriaharjoitukset

laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä eläkevakuutuksia, kapitalisaatiosopimuksia sekä sairauskuluvakuutuksia.

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

3.6 Su-estimaattorien asymptotiikka

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

V ar(m n ) = V ar(x i ).

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Tilastollinen aineisto Luottamusväli

4. Martingaalit ja lokaalit martingaalit

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Todennäköisyyden ominaisuuksia

Valintahetket ja pysäytetyt martingaalit

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

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

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja

6. laskuharjoitusten vastaukset (viikot 10 11)

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

11 Raja-arvolauseita ja approksimaatioita

laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä eläkevakuutuksia, kapitalisaatiosopimuksia sekä sairauskuluvakuutuksia.

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

klo Selvitä vakuutustekniseen vastuuvelkaan liittyvät riskit ja niiltä suojautuminen.

Black Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

, tuottoprosentti r = X 1 X 0

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

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

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Harjoitus 2: Matlab - Statistical Toolbox

HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI

4.0.2 Kuinka hyvä ennuste on?

Tilastomatematiikka Kevät 2008

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Moniulotteisia todennäköisyysjakaumia

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

4. laskuharjoituskierros, vko 7, ratkaisut

Batch means -menetelmä

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Yleistetyistä lineaarisista malleista

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Osa 2: Otokset, otosjakaumat ja estimointi

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

Dynaamiset regressiomallit

Sovellettu todennäköisyyslaskenta B

Vastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.

ABHELSINKI UNIVERSITY OF TECHNOLOGY

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,

D ( ) E( ) E( ) 2.917

Sovellettu todennäköisyyslaskenta B

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Diskreettiaikainen dynaaminen optimointi

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

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

Bonusjärjestelmien vaikutus vakuutusyhtiön vakavaraisuuteen

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C.

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.

Osakesalkun optimointi

Maximum likelihood-estimointi Alkeet

Mat Sovellettu todennäköisyyslasku A

Määräykset ja ohjeet 2/2012

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Johdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1

805306A Johdatus monimuuttujamenetelmiin, 5 op

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x)

ln S(k) = ln S(0) + w(i) E[ln S(k)] = ln S(0) + vk V ar[ln S(k)] = kσ 2

Sovellettu todennäköisyyslaskenta B

Väliestimointi (jatkoa) Heliövaara 1

Usean vakuutetun henkivakuutukset

Ennustaminen ARMA malleilla ja Kalmanin suodin

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

,ܾ jaü on annettu niin voidaan hakea funktion

3.7 Todennäköisyysjakaumia

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Sovellettu todennäköisyyslaskenta B

Kohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.

Transkriptio:

Finanssisitoumusten suojaamisesta Harri Nyrhinen Matematiikan ja tilastotieteen laitos Helsingin yliopisto Vakuutusmatematiikan seminaari 4.5.2017

Esitelmän sisältö Teoreettisluonteisia poimintoja kirjallisuudesta liittyen Finanssisitoumusten suojauksiin epätäydellisillä markkinoilla. Yhteyksiin elinaikoihin kytkettyihin finanssisitoumuksiin.

Kahden arvopaperin finanssimarkkinat Arvopaperi 1: bondi. Arvo identtisesti 1 kaikkina ajanhetkinä. Arvopaperi 2: osake. Arvo hetkellä k on S(k), k = 0, 1, 2,.... Tulkinta: kaikki rahamäärät on diskontattu hetkeen 0 pankkitalletuksen hintaprosessilla.

Yhden periodin suojausongelma Asetelmassa Toimijalla on vastattavanaan hetkellä 1 finanssimarkkinoiden kehityksestä riippuva stokastinen summa X. Sitoumuksen hallnnoimiseksi toimija hankkii hetkellä 0 salkun, jossa on bondeja ja osakkeita. Salkku realisoidaan hetkellä 1. Toimijalle syntyy kustannuksia: Hetkellä 0: salkun hankintahinta. Hetkellä 1: X salkun hetken 1 arvo.

Salkkujen kuvauksia Olkoon hetkellä 0 hankittava osakkeiden lukumäärä θ(1) ja salkun hinta V (0). Olkoon S(k) osakkeen hinta hetkellä k, k = 0, 1. Tällöin hetkellä 0 Osakkeisiin on sijoitettu θ(1)s(0) euroa. Bondien lukumäärä on V (0) θ(1)s(0). Hetkellä 1 edellä hankittua salkkua kuvaa Osakkeisiin on sijoitettu θ(1)s(1) euroa. Salkun arvo on V (0) + θ(1)(s(1) S(0)).

Kriteereitä suojaavalle salkulle Minimoidaan keskineliöpoikkeamaa ( E (X V (0) θ(1)(s(1) S(0))) 2). Minimoidaan yo. keskineliöpoikkeamaa, kun vaaditaan lisäksi, että V (0) [v 1, v 2 ] Vaaditaan, että P(X V (0) θ(1)(s(1) S(0)) > 0) ε. Lisäksi mahdollisesti vaatimuksia koskien hintaa V (0).... Tarkastellaan jatkossa lähinnä ensinmainittua krtiteeriä.

Standardi regressio-ongelma Määrättävä salkun osakkeiden lukumäärä θ(1) ja hetken 0 salkun hinta V (0) siten, että keskineliöpoikkeama E ((X V (0) θ(1)(s(1) S(0))) 2) minimoituu. Optimaaliset θ(1) = θ(1) ja V (0) = V (0) voidaan määrätä toisen kertaluvun momenttien avulla. Kustannuksia syntyy Hetkellä 0: V (0) salkun perustamisesta, Hetkellä 1: X salkun arvo hetkellä 1.

Esimerkki Osakkeen hinta hetkellä 0 on S(0) = 1. Osakkeen hetken 1 arvo S(1) on log-normaalisti jakautunut parametrein µ = 0, σ = 0.5. X = max(s(1) S(0), 0).

Esimerkki (jatkoa) Keskineliöpoikkeamia suhteessa minimiarvoon muutamalla salkulla. Salkun hetken 0 hinta on vakio = 0.95. Osakkeet Bondit Suhde Kommentti 0.00 0.95 32.70 vain bondeja 0.70 0.25 1.26 0.77 0.18 1.00 optimi 0.85 0.10 1.34 0.95 0.00 2.72 vain osakkeita

Kommentteja Toteutus kohtuullisen helppoa. Edellä tuotettu V (0) ei ole aina X:n arbitraasivapaa hinta.

Monen periodin malli Finanssimarkkinoilla on bondi ja osake. Osakkeen arvo hetkellä k on S(k). Toimijalla on vastattavanaan hetkellä T summa X. Esimerkiksi jos T = 2, niin sitoumuksen hallnnoimiseksi toimija 1. Hankkii hetkellä 0 salkun, jossa on bondeja ja osakkeita. 2. Vaihtaa salkun hetkellä 1. Salkkuun voidaan myös sijoittaa lisää rahaa (tai ottaa rahaa pois). 3. Realisoi salkun hetkellä 2 ja maksaa sopimuksen mukaisen summan X. Kustannuksia syntyy kaikissa vaiheissa. Strategia ei ole yleensä omavarainen.

Lokaali keskineliöpoikkeaman minimointi (T = 2) Hetkellä 1 hankitaan salkku, jossa on θ(2) osaketta ja jonka arvo on V (1), ja joka minimoi ehdollisen keskineliöpoikkeaman ) E ((X V (1) θ(2)(s(2) S(1))) 2 F 1. Jos V (1) = V (1) on edellisen tehtävän ratkaisu, hankitaan hetkellä 0 salkku, jossa on θ(1) osaketta, jonka arvo on V (0), ja joka minimoi keskineliöpoikkeaman ( ( ) ) 2 E V (1) V (0) θ(1)(s(1) S(0)).

Esimerkki Osakkeen hinta hetkellä 0 olkoon S(0) = 1 ja olkoon S(1) = ξ 1, S(2) = ξ 1 ξ 2, missä ξ 1, ξ 2 ovat riippumattomia log-normaalisti jakautuneita parametrein µ = 0, σ = 0.5. Olkoon X = max(s(2) S(1), 0).

Esimerkki (jatkoa) Hetkellä 1 on optimaalista hankkia salkku, jonka osakkeiden lukumäärä θ(2) ja arvo V (1) ovat θ(2) = b V (1) = as(1), missä a ja b ovat vakioita vastaavasta yhden periodin probleemasta, a = 0.18, b = 0.77. Hetkellä 0 pyritään suojaamaan V (1). Optimaalista on hankkia a osaketta ja 0 bondia.

Esimerkki Olkoon X toistettavissa finanssimarkkinoilla. Tällöin voidaan ottaa hetkellä 0 sopiva bondeista ja osakkeista muodostuva salkku, operoida salkun synnyttämällä varallisuudella markkinoilla siten, että hetkellä T salkun arvo on juuri X. Tällöin lokaalin riskin minimoi em. operoinnista syntyvä salkkujono. Kustannuksia syntyy vain hetkellä 0. Esimerkiksi X = S(T ) on toistettavissa. Tällöin hetkellä 0 hankitaan 1 osake, joka myydään hetkellä T.

Elinaikoihin sidotut sopimukset Olkoon X kuten edellä ja τ x-ikäisen vakuutetun (jäljellä oleva) elinaika. Oletetaan, että X ja τ ovat riippumattomia. Vakuutusyhtiö maksaa vakuutetulle hetkellä T summan X 1(τ > T ). Siis summa X maksetaan, jos vakuutettu elää hetkellä T, muuten ei makseta mitään.

Suurten lukujen laki Olkoon yksinkertaisesti X = S(T ) osakkeen arvo hetkellä T, ja olkoon vakuutettuja N kappaletta. Näiden elinajat τ 1,..., τ N olkoot IID. Vakuutukset ovat kertamaksullisia, kertamaksu on P = ps(0) + λ, missä p = P(τ > T ) ja λ > 0. Jos yhtiö sijoittaa kaikki saamansa vakuutusmaksut T vuodeksi osakkeeseen ja syntyvä tappio on L N, L N = korvausten summa salkun arvo hetkellä T, niin lim P(L N > 0) = 0. N

Esimerkki Olkoon λ = 0.1, S(0) = 1 ja S(T ) parametrein µ = 0, σ = 0.5. log-normaalisti jakautunut Jos P(τ > T ) = 0.8 ja N = 100, niin tappion todennäköisyys on 0.0023. Vertailun vuoksi, jos yhteen elinaikaan τ on sidottu elämänvarakorvaus NS(T ), N = 100, niin tappion todennäköisyys on 0.8.

Lokaali keskineliöpoikkeaman minimointi Olkoon X kuten aiemmin jokin finanssimarkkinoista riippuva satunnaismuuttuja ja T = 2. Oletetaan, että (1) ( V (0), θ(1)), ( V (1), θ(2)) minimoi lokaalin riskin, kun suojattavana on X. Täman avulla voidaan muodostaa lokaalin riskin minimoiva strategia, kun suojattavana on X1(τ > T ): (2) 2p x ( V (0), θ(1)), 1(τ > 1) 1 p x+1 ( V (1), θ(2)). Siis: jos vakuutettu on kuollut, salkku puretaan, jos vakuutettu elää, otetaan suojaus (1):stä kerrottuna asianmukaisella elossaolotodennäköisyydellä.

Elinaikaan sidottu toistettavissa oleva X Olkoon X toistettavissa finanssimarkkinoilla. Miten suojataan X1(τ > T )? Edellä esitetyn nojalla elossaolevalle vakuutetulle pidetään X:n toistavaa salkkua kerrottuna elossaolotodennäköisyydellä. Esimerkki: X = S(T ). Suojaava salkku hetkellä k sisältää vain osakkeita. Näitä on 1(τ > k) T k p x+k kappaletta. X:n jakauma ei vaikuta salkun valintaan. Kustannuksia syntyy kaikkina hetkinä k = 0, 1,..., T.

Yleisiä ominaisuuksia + diskreetti eläkevakuutus ja kuolemanvaravakuutus pystytään myös käsittelemään + klassisen ekvivalenssiperiaatteen yleistys + tulevien kustannusten odotusarvo = 0 + vahva matemaattinen viitekehys - kriteeriä sinänsä voi aina kritisoida - arbitraasia valvottava.

Lähteitä Finanssimatematiikkaa: Föllmer, H. and M. Schweizer (1988) Hedging by sequential regression. Astin Bulletin 18: 147-160. Föllmer, H. and A. Schied (2011) Stochastic finance. Walter de Gruyter, Berlin.

Lähteitä Finanssimatematiikkaa yhdistettynä henkivakuutukseen: Möller, T. (2000) Quadratic Hedging approaches and Indifference Pricing in Insurance. Ph.D. dissertation, University of Copenhagen. Möller, T. (2001) Hedging Equity-Linked Life Insurance Contracts. North American Actuarial Journal 5: 79-95. Pansera, J. (2012) Discrete-time local risk minimization of payment processes and applications to equity-linked life-insurance contracts. IME 50: 1-11.

Graduja Kainulainen, T. (2014) Eräs suojausmenetelmä sijoitussidonnaisille henkivakuutuksille. Helsingin yliopisto. Eerola, M. (2017) Sijoitussidonnaisten vakuutusten suojaaminen. Helsingin yliopisto.