Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

Samankaltaiset tiedostot
OPTIMAALINEN INVESTOINTIPÄÄTÖS

Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen

Projektin arvon määritys

Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio

Projektin arvon aleneminen

Investointimahdollisuudet ja niiden ajoitus

Investointimahdollisuudet ja investoinnin ajoittaminen

Investointimahdollisuudet ja investointien ajoittaminen

Jatkuvan ajan dynaaminen optimointi

Ito-prosessit. Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma. S ysteemianalyysin. Laboratorio

, tuottoprosentti r = X 1 X 0

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

Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla

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

Esteet, hyppyprosessit ja dynaaminen ohjelmointi

Diskreettiaikainen dynaaminen optimointi

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Päätöspuut pitkän aikavälin investointilaskelmissa

Yhteistyötä sisältämätön peliteoria jatkuu

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

Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Investointistrategioista kilpailluilla markkinoilla

y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2

Väliestimointi (jatkoa) Heliövaara 1

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 1: Moniulotteiset integraalit

9 Maxwellin yhtälöt. 9.5 Aaltoyhtälö ja kenttien lähteet Aaltoyhtälö tyhjössä Potentiaaliesitys Viivästyneet potentiaalit

3. Teoriaharjoitukset

802320A LINEAARIALGEBRA OSA II

Mat Dynaaminen optimointi, mallivastaukset, kierros 5

Inversio-ongelmien laskennallinen peruskurssi Luento 2

MS-A0202 Di erentiaali- ja integraalilaskenta 2 (SCI) Luento 8: Taso- ja avaruusintegraalit

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 1: Moniulotteiset integraalit

Vektorien virittämä aliavaruus

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

Tampere University of Technology

Referenssipiste- ja referenssisuuntamenetelmät

Lyhyen aikavälin hintakilpailu 2/2

ELEC C4140 Kenttäteoria (syksy 2015)

Harjoitus 7: NCSS - Tilastollinen analyysi

Kahden suoran leikkauspiste ja välinen kulma (suoraparvia)

1 Sisätulo- ja normiavaruudet

Harha mallin arvioinnissa

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

b 1. b m ) + ( 2b Ax) + (b b)

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

4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

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

Matematiikan johdantokurssi, syksy 2017 Harjoitus 8, ratkaisuista

ELEC C4140 Kenttäteoria (syksy 2015)

Differentiaali- ja integraalilaskenta 3 Mallit laskuharjoitukseen 3 /

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 10: Stokesin lause

Konsensusongelma hajautetuissa järjestelmissä. Niko Välimäki Hajautetut algoritmit -seminaari

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

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

Inversio-ongelmien laskennallinen peruskurssi Luento 7

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Näihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8,

Suhteellisuusteorian perusteet, harjoitus 6

Signalointi: autonromujen markkinat

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti

[xk r k ] T Q[x k r k ] + u T k Ru k. }.

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

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016

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

Suoran yhtälöt. Suoran ratkaistu ja yleinen muoto: Suoran yhtälö ratkaistussa, eli eksplisiittisessä muodossa, on

Kaksi sovellusta robustien päätössuositusten tuottamisesta

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

Paraabeli suuntaisia suoria.

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

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

Generoivat funktiot, Poisson- ja eksponenttijakaumat

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

Yhteistyötä sisältämätön peliteoria

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

5 Differentiaaliyhtälöryhmät

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

MS-C1340 Lineaarialgebra ja

Esimerkki 1 Ratkaise differentiaaliyhtälö

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Transkriptio:

isää satunnaisuutta ja mahdollisuus keskeyttää projekti Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy

isää satunnaisuutta Tähän mennessä on käytetty vain yhtä satunnaismuuttujaa tuotteen hinta Samoja menetelmiä voidaan käyttää myös useamman satunnaismuuttujan tapauksessa nvestointikustannus ja tuotteen hinta noudattavat Brownin liikettä d E[ dz α dt ] dt, σ E[ dz dz, d ] dt, α E[ dz dt dz ] σ dz ρdt Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy

rojektin arvo, ja option arvo F, nvestoinnin jälkeen investointikustannuksen kehittyminen merkityksetöntä ja projektin arvo hinnalla on nvestointioption arvo riippuu kummastakin pidetään optio, kun on matala tai korkea käytetään optio, kun on korkea :hin verrattuna µ α Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 3

ortfolio Muodostetaan portfolio optio, jonka arvo F, m kpl :n hintaa seuraavaa kohdetta n kpl :n hintaa seuraavaa kohdetta ton lemma d F m n F m d F n d Fσ F ρσ σ F σ dt riskitön portfolio : valitaan mf ja nf Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 4

Yhtälöt Osinkojen m n dt ja riskittömän koron tuottovaatimuksen rf-m-ndt jälkeen saadaan osittaisdifferentiaaliyhtälö ehdoilla: σ reunalla F r ρσ F σ r F F, σ investointialueella F, F ja rf F Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 5 F,

Yksinkertaistus Analyyttinen ratkaisu vaikeaa esim. alueen reunaa ei tiedetä äätöksen pitäisi riippua vain suhteesta p eli voidaan kirjoittaa, f F f p Derivointien ja edelliseen osittaisdifferentiaaliyhtälöön sijoittamisen jälkeen saadaan p p σ ρσ σ σ p f f f p Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 6

Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 7 Ratkaisu ehdoilla Ratkaistaan kuten aiemmin yritteellä fap suuremmasta juuresta saadaan p pf p f p f p p f p * * *

Ratkaisun tulkinta Tämä origon kautta kulkeva suora erottaa odotus- ja investointialueet,-avaruudessa σ :n tai σ :n kasvaessa p * kasvaa ρ:n kasvaessa p * pienenee investointialue p * odotusalue Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 8

Mallin laajennus isätään vaihtoehto, että projekti voidaan tarvittaessa keskeyttää ja jatkaa mahdollisesti myöhemmin Oletetaan, että projektin jatkamisen kustannus on sama kuin koko projektin alkuinvestointikustannus ienillä tappioilla projektia ei keskeytetä jatkamiskustannusten vuoksi Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 9

Malli Oletetaan hinnan noudattavan Brownin liikettä d α dt σdz Diskonttokorko CAM-mallin mukaan r φρ σ µ M Osinko µα ja oletetaan > Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy

Malli nvestointikustannus ja hylkäyskustannus E E voi myös olla negatiivinen eli hylättäessä projekti saadaan tuloja mutta ehdon E> täytyy päteä Kustannukset projektin toiminnasta C Optiot investoida ja hylätä projekti ntuitiivisesti kaksi rajahintaa ja, joille pätee > Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy

Optimaalinen strategia Optimaalinen strategia alussa odottaa, että nousee yli rajahinnan, jolloin investoidaan rojekti pidetään toiminnassa niin kauan kuin > Keskeytetään projekti, kun laskee alle rajahinnan Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy

Optioiden arvot Jatketaan samalla strategialla hinnan ollessa rajahintojen ja välissä Optioiden arvot riippuvat hinnasta ja yrityksen tilasta odotus tai aktiivisuus, ja Muodostetaan portfoliot ja saadaan σ σ '' '' r r ' ' r r C Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 3

Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 4 Ratkaisu Ratkaisuiksi saadaan joissa rajahintojen kohdalla reunaehdot r C B A, ] [ σ ρ σ ρ σ ρ ± E

Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 5 opulliset yhtälöt Sijoittamalla saadaan 4 yhtälöä, joissa 4 tuntematonta A, B, ja ratkaistaan numeerisesti B A E r C B A B A r C B A

Kotitehtävä aske p *, kun d,8dt d,4dt ρ,5,6, r,4,dz,dz Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy 6