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

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

, tuottoprosentti r = X 1 X 0

Mat Investointiteoria. Tentti Mitd

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Mat Investointiteoria - Kotitehtävät

3. Teoriaharjoitukset

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio

Regressioanalyysi. Kuusinen/Heliövaara 1

Solvenssi II:n markkinaehtoinen vastuuvelka

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

4.0.2 Kuinka hyvä ennuste on?

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat

Sovellettu todennäköisyyslaskenta B

OPTIMAALINEN INVESTOINTIPÄÄTÖS

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Mat Investointiteoria Laskuharjoitus 3/2008, Ratkaisut

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )

Moniulotteisia todennäköisyysjakaumia

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

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Mat Investointiteoria Laskuharjoitus 4/2008, Ratkaisut

Estimointi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Mat Tilastollisen analyysin perusteet, kevät 2007

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2

Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Kahden suoran leikkauspiste ja välinen kulma (suoraparvia)

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

Projektin arvon aleneminen

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

2. Teoriaharjoitukset

Väliestimointi (jatkoa) Heliövaara 1

Luento 6: Monitavoiteoptimointi

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Luento 5: Peliteoria

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

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

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

Harjoitus 4 Tehtävä 1

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Projektin arvon määritys

Miten osoitetaan joukot samoiksi?

Menetelmä Markowitzin mallin parametrien estimointiin (valmiin työn esittely)

Sovellettu todennäköisyyslaskenta B

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

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Inversio-ongelmien laskennallinen peruskurssi Luento 3

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

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

r > y x z x = z y + y x z y + y x = r y x + y x = r

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

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Pääoman vaihtoehtoiskustannus

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,

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

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

805306A Johdatus monimuuttujamenetelmiin, 5 op

Osakesalkun optimointi

9. laskuharjoituskierros, vko 12-13, ratkaisut

2. kl:n DY:t. Lause. Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi

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

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

Matematiikan johdantokurssi, syksy 2017 Harjoitus 8, ratkaisuista

Mat Tilastollisen analyysin perusteet, kevät 2007

Luento 8: Epälineaarinen optimointi

Johdatus regressioanalyysiin. Heliövaara 1

Dierentiaaliyhtälöistä

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

Osa IX. Z muunnos. Johdanto Diskreetit funktiot

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1

&idx=2&uilang=fi&lang=fi&lvv=2015

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa.

Black ja Scholes ilman Gaussia

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

Yksikkökate tarkoittaa katetuottoa yhden tuotteen kohdalla. Tämä voidaan määrittää vain jos myytäviä tuotteita on vain yksi.

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

Dynaamiset regressiomallit

Matriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi

Transkriptio:

Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen suhteita. Pääomamarkkinasuora kulkee tuotto-keskihajonta kaaviossa riskittömän sijoituskohteen ja markkinaportfolion kautta. Toisin sanoen pisteiden (0, r f ) ja (σ M, r M ) kautta. Pääomamarkkinasuora on siis r = r f + r M r f σ M Jos markkinaportfolio on tehokas niin mielivaltaisen sijoituskohteen i odotettu tuotto r i toteuttaa ehdon (Capital Asset Pricing Model = CAPM) σ r i r f = β i ( r M r f ), β i = σ im (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) Beta-kerroin β kertoo miten kohteen tuotto korreloin markkinaportfolion kanssa ja se on keskeinen tekijä hinnoittelussa. CAPM on hinnoittelumalli, mutta edellä mainuttu yhtälö ei ota hintaa eksplisiittisesti huomioon vaan ainostaan odotetut tuotot. Oletetaan sijoituskohteen hinnan olevan P ja se myydään myöhemmin hintaan Q. Tuotto on silloin r = Q P P, missä P on siis tiedossa ja Q satunnaismuuttuja. Sijoittamalla tämä CAPM yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P P = r f + β( r M r f ) P = Q 1 + r f + β( r M r f ) Hinnoittelumalli on lineaarinen! Toisin sanoen kahden sijoituskohteen summan hinta on sijoituskohteiden hintojen summa eli Q 1 + P 1 + P 2 = Q 2 1 + r f + β 1+2 ( r M r f ), missä β 1+2 on sijoituskohteiden 1 ja 2 summan beta. CAPM:n varmuusekvivalenttimuodosta nähdään selkeämmin, mallin lineaarisuus. Varmuusekvivalenttimuoto saadaan, kun kirjoitetaan beta ensin muotoon β = cov[r, r M] = Q P cov[ P, r M] σm 2 = cov[ Q P 1, r M] σm 2 = cov[q, r M] P σm 2 Sijoitetaan tämä hinnoittelukaavaan ja saadaan Q P = 1 + r f + β( r M r f ) = Q 1 + r f + cov[q,r M ] ( r M r f ) P = 1 [ 1 + r Q cov[q, r M] ( r M r f )] f P Koska odotusarvo ja kovarianssi ovat molemmat lineaarisia Q:n suhteen on hinnoittelun siis oltava lineaarista!

Kuva 1: Jensenin indeksi. Kuva 2: Sharpen indeksi. CAPM:n avulla voidaan arvioida miten hyviä sijoituskohteet ovat olleet aiemman tuotto ja markkinakehityksen valossa. Tuottojen odotusarvo voidaan estimoida esim. periodien painotettuna keskiarvona, minkä jälkeen varianssit/kovarianssit estimoidaan tavanomaisin tilastollisin kaavoin. Jensenin indeksi J määräytyy kaavasta ˆ r r f = J + β(ˆ r M r f ) Sharpen indeksi S määräytyy kaavasta ˆ r r f = Sˆσ

1. (L7.1) Markkinaportfolion odotettu tuotto on 23% ja keskihajonta 32%. Riskitön korkokanta on 7%. Oletetaan, että markkinat toimivat tehokkaasti. a) Mikä on pääomamarkkinasuoran yhtälö? b) Jos haluat 39% tuoton, mikä on tätä tuottoa vastaava keskihajonta? Jos sinulla on sijoitettavana 1000 euroa, miten sinun kannattaa jakaa se riskittömän kohteen ja markkinaportfolion kesken (saadaksesi 39% tuoton)? c) Jos sijoitat 300 euroa riskittömään kohteeseen ja 700 euroa markkinaportfolioon, kuinka paljon rahaa sinulla on odotusarvoisesti vuoden lopussa? a) Pääomamarkkinasuoran yhtälö: r M = 23% σ M = 32 r f = 7% r = 39% r = r f + r M r f σ M σ = 0.07 + 0.5σ Yhtälössä kulmakerrointa kutsutaan usein riskin hinnaksi. b) Keskihajonta voidaan ratkaista suoraan pääomamarkkinasuoran yhtälöstä: r r f 0.39 0.07 σ = σ M = 0.32 r M r f 0.23 0.07 0.64 = 64% Portfolion odotettu tuotto r = w i r i. r = wr f + (1 w) r M = w 0.07 + (1 w) 0.23 = 0.39 w = 1 Toisin sanoen otetaan 1000 euroa lainaa ja sijoitetaan 2000 euroa markkinaportfolioon. c) r = 0.07 0.3 + 0.23 0.7 = 0.182 1.182 1000 = 1182 Siis vuoden lopussa on odotusarvoisesti rahaa 1182 euroa.

2. (L7.5) Voit sijoittaa yhteen tai useampaan n:stä kohteesta, jotka ovat keskenään korreloimattomia. Kohteen i tuoton varianssi on σi 2 (i = 1, 2,..., n) ja kokonaisarvo markkinoilla (so. markkina-arvo) X i. Olkoot T = X i markkinaporfolion kokonaisarvo ja x i = X i T kunkin yksittäisen sijoituskohteen paino markkinaportfoliossa (capitalization weight), jolloin markkinaportfolio voidaan esittää normalisoidussa muodos- sa x = (x 1, x 2, x 3,..., x n ). Oletetaan, että riskitön korkokanta on r f. Määritä sijoituskohteen i betan β i = cov[r i,r M ] var[r M ] lauseke suhteellisten osuuksien x i ja sijoituskohteiden keskihajontojen σ i avulla. Markkinaportfolion sijoituskohteiden painot ovat x i ja kohteet ovat korreloimattomia joten markkinaportfolion tuotoksi, odotusarvoksi ja varianssiksi saadaan: r M = x i r i r M = x i r i σm 2 = x 2 i σi 2 Korreloimattomien sijoituskohteiden kovarianssiksi markkinaportfolion kanssa saadaan σ im = cov[r i, r M ] = cov[r i, x j r j ] = cov[r i, x i r i ] = x i σi 2 j=1 Sijoittamalla nämä sijoituskohteen i betan lausekkeeseen β i = cov[r i,r M ] var[r M ] saadaan β i = cov[r i, r M ] var[r M ] = x i σ 2 i n j=1 x2 j σ2 j

3. (L7.7) Olkoon w 0 portfolio, joka vastaa käyvän alueen minimivarianssipistettä (varianssi σ0 2). Olkoon w 1 jokin toinen portfolio tehokkaalla rintamalla (varianssi σ1 2). Oletetaan lisäksi, että r 0 ja r 1 ovat portfolioiden tuotot. a) Portfolioiden kovarianssi voidaan esittää muodossa σ 01 = Aσ0 2. Määritä A tutkimalla portfolion p = dv ar[p] (1 α)w 0 + αw 1 varianssia α = 0 ympäristössä. Huomaa, että dα α=0 = 0, koska w 0 on minimivarianssipiste. b) Minimivarianssijoukossa on olemassa portfolio w z, jonka beta w 1 :n suhteen on nolla (σ 1,z = 0). Portfolio voidaan ilmaista muodossa (1 α)w 0 + αw 1. Määritä α. c) Piirrä kaavio, joka havainnollistaa portfolioiden riippuvuussuhteen sekä käyvän alueen. d) Jos markkinoilla ei ole riskitöntä sijoituskohdetta, voidaan osoittaa, että sijoituskohteet voidaan hinnoitella seuraavan kaavan mukaan: r i r z = β im ( r M r z ), missä M on markkinaportfolio ja r z sellaisen portfolion odotettu tuotto, jonka beta on nolla markkinaportfolion kanssa. Oletetaan, että markkinaportfolion odotettu tuotto on 15% ja nolla-betaisen portfolion 9%. Sijoituskohteen i korrelaatio markkinaportfolion kanssa on 0.5. Markkinaportfolion tuoton keskihajonta on 15% ja i:nnen sijoituskohteen 5%. Määritä sijoituskohteen i odotettu tuotto. a) Nyt p = (1 α)w 0 + αw 1 ja varianssin määritelmästä saadaan var[p] = (1 α) 2 σ 2 0 + α 2 σ 2 1 + 2α(1 α)σ 01 = (1 α) 2 σ 2 0 + α 2 σ 2 1 + 2α(1 α)aσ 2 0 dvar[p] dα Koska w 0 on minimivarianssipiste niin = 2(1 α)σ 2 0 + 2ασ 2 1 + 2(1 α)aσ 2 0 2αAσ 2 0 dvar[p] dα b) Portfolion w z beta w 1 :n suhteen on nolla joten = 0 2σ 2 0 + 2Aσ 2 0 = 0 A = 1 β = σ z1 σ 2 1 = 0 σ z1 = 0 Toisin sanoen portfolion w z kovarianssi portfolion w 1 kanssa tulee olla nolla. Nyt w z = (1 α)w 0 + αw 1 ja kun muistetaan a-kohdasta, että cov[w 0, w 1 ] = σ 01 = Aσ 2 0 = σ2 0 saadaan cov[w z, w 1 ] = cov[(1 α)w 0 + αw 1, w 1 ] = cov[(1 α)w 0, w 1 ] + cov[αw 1, w 1 ] = (1 α)σ 2 0 + ασ 2 1 Tämän tulee määritelmän mukaan olla nolla, joten (1 α)σ 2 0 + ασ 2 1 = 0 α(σ 2 1 σ 2 0) = σ 2 0 α = σ2 0 σ 2 0 σ2 1 koska w 0 on minimivarianssipiste eli σ 2 0 σ2 1 < 0. < 0,

c) w 0 on minimivarianssipiste ja w 1 sijaitsee tehokkaalla rintamalla eli w 0 :n "yläpuolella"minimivarianssijoukossa. α osoittautui b-kohdassa negatiiviseksi, joten w z on w 0 :n "alapuolella"minimivarianssijoukossa. d) Tehtävänannosta saadaan Kuva 3: Tehtävän 3c varianssi-tuotto käyrä. r M = 0.15 σ M = 0.15 r z = 0.09 σ i = 0.05 ρ im = 0.5 Korrelaatiolle ρ im pätee ρ im = σ im σ i σ M σ im = ρ im σ i σ M. Annetun kaavan r i r z = β im ( r M r z ) perusteella saadaan r i = r z + βim( r M r z ) = r z + σ im σm 2 ( r M r z ) = r z + ρ imσ i ( r M r z ) σ M Sijoittamalla tähän lukuarvot saadaan sijoituskohteen i odotetuksi tuotoksi r i = 0.10 = 10%.

4. (L7.9) Näytä, että molemmat CAPM-kaavat (perusmuoto ja varmuusekvivalenttimuoto) hinnoittelevat 100 euron rahasto-osuuden, jonka tuotto on r = (1 α)r f +αr M, 100 euroksi. (Sijoitat siis 100 euroa rahastoon, jonka tuotto r. Näytetään, että sijoituksen hinnaksi tulee molemmilla CAPM-muodoilla 100 euroa.) Olkoon Q satunnaismuuttuja, joka kuvaa rahasto-osuuden arvoa vuoden päästä. Tehtävänannon mukaisesti rahaston tuotto on r = (1 α)r f + αr M. Kun rahasto-osuuden arvo on nyt P saadaan sen arvoksi ja odotusarvoksi vuoden päästä Rahaston tuoton betaksi saadaan Q = P (1 + r) = P (1 + (1 α)r f + αr M ) Q = P (1 + r) = P (1 + (1 α)r f + α r M ) β = cov[r, r M] var[r M ] = 0 + ασ2 M = α Nyt rahasto-osuuden hinnaksi saadaan perusmuodon kaavalla P = Q 1 + r f + β( r M r f ) = Q 1 + r f + α( r M r f ) = P (1 + (1 α)r f + α r M ) 1 + (1 α)r f + α r M = P Toisin sanoen rahasto-osuuden hinta on rahasto-osuuden arvo OK. Varmuusekvivalenttimuoto P = 1 [ 1 + r Q cov[q, r M]( r M r f ) ], f missä Q:n ja markkinaportfolion välinen kovarianssi on Nyt saadaan cov[q, r M ] = cov[p (1 + (1 α)r f + αr M ), r M ] = P α P = 1 [ 1 + r Q cov[q, r M]( r M r f ) ] = P [1 + (1 α)r f + α r M α( r M r f )] = P [1 + r f ] = P f 1 + r f 1 + r f Tälläkin kaavalla saatiin rahasto-osuuden hinnaksi rahasto-osuuden arvo OK. Kummassakaan muodossa hinta 100 euroa ei siis riipu α:sta eli 100 euron allokoinnista riskittömän kohteen ja markkinaportfolion välillä.