WARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "WARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE"

Transkrypt

1 Daniel Iskra Uniwersye Ekonomiczny w Kaowicach WARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE Wprowadzenie Jednym z aspeków współczesnej ekonomii jes zarządzanie ryzykiem związanym z prowadzoną inwesycją, czyli idenyfikacja, pomiar oraz serowanie ryzykiem. Przez osanie dziesięciolecia wprowadzono (proces en cały czas się oczy) wiele miar porafiących skwanyfikować wybrany rodzaj ryzyka. W przypadku ryzyka rynkowego jedną z popularniejszych miar osanich la jes warość zagrożona (warość narażona na ryzyko, Value a Risk VaR) [1; 4], kóra zosanie użya w niniejszym opracowaniu. Koncepcję warości narażonej na ryzyko można zdefiniować nasępująco [6]: jes o miara określająca wielkość sray, kórej osiągnięcie lub przekroczenie w usalonej chwili czasu jes równe zadanemu z góry prawdopodobieńswu α : ( S S VaR( α ) ) = α P 0, (1) S S, 0 odpowiednio począkowa (deerminisyczna) i końcowa (losowa) warość procesu cen insrumenu, usalony horyzon inwesycji, α usalony poziom olerancji (poziom isoności) dla szacowanej warości VaR. W celu wyznaczenia warości zagrożonej danego insrumenu finansowego należy znać rozkład jego cen, co w prakyce najczęściej wiąże się z oszacowaniem paramerów wybranego rozkładu na podsawie próbki za pomocą odpowiednich esymaorów. Ze względu na fak, iż esymaory (używane do esymacji paramerów rozkładu) są zmiennymi losowymi, ich oszacowana warość zależy od próbki użyej w esymacji. Fak en można akże wykorzysać do konsrukcji przedziałów ufności, kóre pokryją warość zagrożoną z zadanym poziomem ufności [; 3].

2 184 Daniel Iskra W celach poglądowych przeprowadzono symulacje, na podsawie kórych szacowano prognozę punkową warości zagrożonej oraz wyznaczano przedział, kóry pokrywał warość zagrożoną dla wybranej opcji kupna i sprzedaży na WIG0. 1. Model Blacka-Scholesa Klasyczny model Blacka-Scholesa [5] jes jednym z najczęściej używanych modeli do wyceny opcji europejskich. Przy jego konsrukcji auorzy poczynili pewne założenia, m.in. akie, że dynamika cen insrumenu bazowego opisana jes geomerycznym ruchem Browna o sałych paramerach: ds S = μ d + σ dw () S warość insrumenu, μ współczynnik dryfu, σ współczynnik zmienności, dw przyros procesu Wienera, d przyros czasu. Rozwiązaniem powyższego równania różniczkowego sochasycznego jes funkcja: S = S 1 μ σ + σ W 0 e (3) S0 akualna warość insrumenu. W swoich rozważaniach przyjęli akże brak wszelkich koszów ransakcyjnych oraz podaków oraz że krókoerminowa wolna od ryzyka sopa procenowa r jes sała. Na podsawie powyższych założeń Black i Scholes wyprowadzili wzory na ceny europejskich opcji kupna [5]: rt c = S N d ) Xe N( ) (4) 0 ( 1 d

3 Warość zagrożona opcji europejskich szacowana przedziałowo. Symulacje 185 oraz opcji sprzedaży: p = Xe d 1 rt N( d) S0N( d1) S0 σ ln( ) + ( r + = X σ T ) T (5) (6) d = d T (7) 1 σ N(d) dysrybuana sandaryzowanej zmiennej o rozkładzie normalnym, S cena akcji w chwili = 0, 0 T czas pozosający do wygaśnięcia konraku, X cena wykonania opcji, r inensywność oprocenowania. Symulacje Zgodnie z definicją, aby wyznaczyć warość zagrożoną opcji dla horyzonu musimy znać jej warość począkową, kóra zależy od oszacowanego parameru σ i warości S 0, X, T, r (w pracy zakładano, że sopa r jes znana) oraz znać rozkład warości opcji w chwili. Rozkład en jes powiązany z rozkładem zmiennej losowej, jaką jes cena insrumenu bazowego S. Do wyznaczenia prognozy punkowej warości zagrożonej opcji za pomocą symulacji należy 1 zaem wyesymować paramery ( μ σ ) i σ geomerycznego ruchu Browna. Na ich podsawie wygenerować rozkład ceny insrumenu bazowego na chwilę, a nasępnie wyznaczyć cenę począkową opcji w czasie = 0 i rozkład ceny opcji w czasie. W przypadku dynamiki cen insrumenu bazowego opisanej geomerycznym ruchem Browna, logarymiczne sopy zwrou o okresie Δ mają rozkład normalny: 1 N (( μ σ ) Δ, σ Δ ) (8)

4 186 Daniel Iskra Wykorzysując meodę momenów można wyznaczyć wzory na esymaory 1 ( μ σ ) i σ : S+Δ σ Δ = D (ln( )) S 1 S ( μ σ ) Δ = E(ln( S +Δ )) (9) W ym celu należy podsawić do powyższego układu równań wzory na S+ Δ S+ Δ esymaory warości oczekiwanej E(ln( ) i wariancji D (ln( )) roz- S S kładu normalnego logarymicznych sóp zwrou. Należy podkreślić, że w rzeczywisości warość oczekiwana czy wariancja rozkładu nie jes zmienną losową, podobnie jak sama warość zagrożona wielkości e są deerminisyczne. W prakyce jednak nie znamy ich prawdziwych warości, a jedynie je oszacowujemy z pewnym błędem esymacji. Aby uwzględnić opisywaną niepewność będzie wyznaczany przedział ufności, kóry pokryje warość zagrożoną z zadanym poziomem ufności. Przedział en, podobnie jak w przypadku prognozy punkowej również będzie wyznaczany symulacyjnie. Dla rozkładu normalnego N ( E( X ), D( X )) nieobciążone esymaory wariancji oraz warości oczekiwanej są niezależne i powiązane ze zmiennymi losowymi [7]: ˆ ( n 1) D ( X ) H = (10) D ( X ) T ( Eˆ( X ) E( X )) n 1 = (11) Dˆ ( X ) H zmienna o rozkładzie chi-kwadra z n 1 sopniami swobody, T zmienna o rozkładzie -Sudena z n 1 sopniami swobody, n liczebność próbki.

5 Warość zagrożona opcji europejskich szacowana przedziałowo. Symulacje Jak już wcześniej zaznaczono, wielkości σ i ( μ σ ) nie są zmiennymi losowymi, dlaego wprowadzono zmienne losowe ( σ ), ( μ σ ), * 1 * kórych rozkłady powinny pokryć odpowiednio opisywane wielkości. Na podsawie wzorów (9), (10) i (11) można wyznaczyć rozkłady zmiennych losowych ( σ ), ( μ σ ) * (pod warunkiem, że znane są wielkości * 1 E ˆ( X ), D ˆ ( X ) ): n Dˆ * 1 ( 1) ( X ) 1 ( σ ) = D ( X ) = (1) d H d ( μ 1 σ ) * = 1 E( X ) d = ( Eˆ ( X ) TDˆ ( X ) 1 ) n 1 d (13) E ˆ( X ), Dˆ ( X ) wyesymowane wielkości warości oczekiwanej i wariancji, H, T zmienne losowe o rozkładzie chi-kwadra i -Sudena, oba z n 1 sopniami swobody. 1 Wygenerowane rozkłady zmiennych ( σ ) * * oraz ( μ σ ) (na podsawie wzorów (1) i (13)) pokryją odpowiednio ich prawdziwe warości. Dla prognozy punkowej rozkład zmiennej S generowano na podsawie realizacji, esymując wcześniej paramery ( μ σ ) i σ ze 100 jednodniowych logarymicznych sóp zwrou (por. wzór (9)). W przypadku prognozy przedziałowej paramery σ 1 i ( μ σ ) wyznaczano na podsawie losowych realizacji zmiennej H oraz T (por. wzory (11) i (1)), a nasępnie dla każdej z par ych paramerów generowano rozkład S również na podsawie losowych realizacji (na podsawie wzoru (3)). Warość oczekiwaną i wariancję logarymicznych sóp zwrou esymowano na podsawie próbki suelemenowej, naomias sopę r obliczano jako średnią ważoną sóp WIBOR (wagi były ilorazem okresu sopy do czasu wygaśnięcia opcji). Na rys. 1 i przedsawiono hisogramy zmiennej opisującej jednodniową oraz 15-dniową względną warość zagrożoną (warość zagrożoną w sosunku VaR do począkowej warości opcji:, kóra będzie nazywana akże wzvar, do- p 0

6 188 Daniel Iskra dania warość oznacza spadek warości opcji) opcji OW0U150. Jes o opcja sprzedaży na WIG0 o dacie zapadalności na wrzesień 011 r. i warości wykonania 500. Poziom olerancji VaR usalono jako α = 0,05. Sopa procenowa r = 0,04. Rozkłady generowano na dzień r., zaem przedziały odczyane z wygenerowanych rozkładów jako [ Q 0, 05 ; Q 0, 975 ], ( Qp kwanyl rzędu p) powinny pokryć warość zagrożoną odpowiednio na dzień nasępny i na 15 dni z poziomem ufności 0,95. Częsość 4,0% 3,5% 3,0%,5%,0% 1,5% 1,0% 0,5% 0,0% 0,1 0, 0,3 0,4 0,5 0,6 0,7 0,8 0,30 0,31 Rys. 1. Hisogram względnej jednodniowej warości zagrożonej 4,0% 3,5% 3,0% Częsość,5%,0% 1,5% 1,0% 0,5% 0,0% 0,41 0,46 0,5 0,57 0,63 0,68 0,74 0,79 0,84 0,90 Rys.. Hisogram względnej 15-dniowej warości zagrożonej

7 Warość zagrożona opcji europejskich szacowana przedziałowo. Symulacje 189 W przypadku jednodniowej warości zagrożonej odczyany przedział [0,3; 0,8] powinien pokryć warość zagrożoną opcji z poziomem ufności 0,95. Jednodniowa prognoza punkowa wyniosła 0,6 (w ym przypadku paramery 1 ( μ σ ) i σ wynoszą odpowiednio (co do zaokrąglenia) 0,07 i 0,0 w skali roku). Rozpięość przedziału ufności w sosunku do prognozy punkowej jes równa %. Dla prognozy 15-dniowej odczyany przedział o [0,61; 0,87], prognoza punkowa 0,78 (paramery nie ulegają zmianie), naomias rozpięość ego przedziału do prognozy punkowej jes równa 33%. Jak można zauważyć, w ym przypadku, sawiając prognozę punkową można się pomylić nawe o 15% jej warości w wyniku błędu esymacji paramerów modelu. Poniżej przedsawiono wykres wzvar o coraz dłuższym horyzoncie VaR dla opcji sprzedaży OW0U150 oraz opcji kupna OW0I130 wyznaczanego w dacie r. (opcje na WIG0). Począwszy od wzvar jednodniowego skończywszy na wzvar 100-dniowym. Poziom olerancji warości zagrożonej był równy α = 0,05. Przedziały pokrywały względną warość zagrożoną z poziomem ufności 0,95. Względna warość zagrożona opcji dolna granica przedziału prognoza punkowa górna granica przedziału 100% względny Względny VaR 80% 60% 40% 0% 0% czas Czas [dni] dolna granica przedziału prognoza punkowa górna granica przedziału Rys. 3. Prognozy względnej warości zagrożonej dla opcji OW0U150 (opcja sprzedaży na WIG0 z erminem wykonania we wrześni 011 r. i warością wykonania 500)

8 190 Daniel Iskra Względna warość zagrożona opcji dolna granica przedziału prognoza punkowa górna granica przedziału 90% względny Względny VaR 70% 50% 30% 10% -10% Czas czas [dni] dolna granica przedziału prognoza punkowa górna granica przedziału Rys. 4. Prognozy względnej warości zagrożonej dla opcji OW0I130 (opcja kupna na WIG0 z erminem wykonania we wrześniu 011 r. i warością wykonania 300) Na wykresach można obserwować, jak zmienia się prognoza punkowa warości zagrożonej wraz z wydłużaniem się czasu, dla kórego była wyznaczana oraz jaki wpływ na dokładność szacowania ma esymacja paramerów modelu. Wraz z wydłużaniem się horyzonu warości zagrożonej zwiększa się rozpięość jej przedziału ufności aż górna granica osiągnie poziom 100%. Dla odpowiednio długiego horyzonu warości zagrożonej dolna granica przedziału ufności eż będzie dążyć do 100% w przypadku opcji sprzedaży i do 0 w przypadku opcji kupna. Taka syuacja wynika z faku, że wraz z wydłużaniem czasu do wygaśnięcia opcji prawdopodobieńswo, że warość indeksu w dacie wykonania będzie w przedziale [0; X] zmierza do zera (dla paramerów esymowanych na dzień r.). Na kolejnym rysunku przedsawiono wyniki symulacji, w wyniku kórej szacowano jednodniowe względne warości zagrożone z poziomem olerancji 0,05 zarówno dla prognozy przedziałowej, jak i punkowej. Symulacje przeprowadzono dla opcji OW0U150 zmniejszając za każdym razem czas pozosały do jej wygaśnięcia o jeden dzień. Względne warości zagrożone porównano z realnymi cenami ej opcji, a dokładniej z ich sopami zwrou. Pamięając, że dodania warość zagrożona oznacza spadek ceny opcji, na wykresie przedsawiono względne warości zagrożone przemnożone przez (-1) (oznaczymy ę warość jako wzvar.

9 Warość zagrożona opcji europejskich szacowana przedziałowo. Symulacje 191 -wzvar wzvar 100% lewy koniec przedziału prognoza punkowa prawy koniec przedziału sopa zwrou z z ceny opcji 50% 0% -50% % -100% Rys. 5. Jednodniowe prognozy warości zagrożonej Minimalna zaobserwowana rozpięość przedziału ufności w sosunku do prognozy punkowej wzvar dla ego samego dnia wyniosła około 18%, maksymalna około 40%. Średnia rozpięość przedziału ufności w sosunku do prognozy punkowej jes równa 3,3%, naomias odchylenie sandardowe około 5%. Widać zaem, że prognoza punkowa względnej warości zagrożonej może w niekórych przypadkach znacznie różnić się od warości realnej. Podsumowanie W przypadku prognoz punkowych warości zagrożonej szansa na jej bezbłędne oszacowanie jes znikoma (dokładniej równa 0). Oczywiście błąd esymacji może być ak mały, że różnice pomiędzy wyznaczoną a rzeczywisą warością zagrożoną będą nieisone i aka prognoza będzie skueczna. Isnieje jednak alernaywa w posaci esymacji przedziałowej, w kórej można wyznaczyć przedział pokrywający warość zagrożoną z góry zadanym poziomem ufności. W opracowaniu przedsawiono próbę wyznaczania warości zagrożonej wybranych opcji europejskich na WIG0 za pomocą symulacji. Na ich podsawie można zaobserwować, jak zmienia się rozpięość prognoz przedziałowych w czasie, czy eż w zależności od horyzonu warości zagrożonej. W bardzo prosy sposób obrazują one, jakie błędy mogą wysąpić podczas esymacji punkowej warości zagrożonej.

10 19 Daniel Iskra Lieraura 1. Alexander C., Marke Risk Analysis: Value a Risk Models, Vol. IV, John Wiley & Sons, England Conreras P., Sachell S., A Bayesian Confidence Inerval for Value-a-Risk 003, hp://www.dspace.cam.ac.uk/handle/1810/ Dowd K., Assessing VaR Accuracy, 000 hp://www.smarquan.com/references/ VaR/var14.pdf 4. Holon G.A., Value a Risk. Theory and Pracice, Academic Press, USA 003, 5. Hull J., Konraky erminowe i opcje. Wprowadzenie, WIG-PRESS, Warszawa Jorion P., Value a risk: he new benchmark for managing financial risk, McGraw- -Hill Sobczyk M., Saysyka. Aspeky prakyczne i eoreyczne, UMCS, Lublin 006. VaR ESTIMATED INTERVAL EUROPEAN OPTIONS. SIMULATIONS Summary This paper presens a procedure for deermining he value a risk ranges covering European opions wih a given level of confidence. Inerval forecas VaR akes ino accoun he uncerainy associaed wih he esimaion error of he model parameers used. Opion pricing model adaped Black-Sholes, and sudies based on simulaions.

Krzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20

Krzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20 Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informayki Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Krzyszof Pionek Weryfikacja modeli Blacka-Scholesa oraz AR-GARCH

Bardziej szczegółowo

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne

Bardziej szczegółowo

Europejska opcja kupna akcji calloption

Europejska opcja kupna akcji calloption Europejska opcja kupna akcji callopion Nabywca holder: prawo kupna long posiion jednej akcji w okresie epiraiondae po cenie wykonania eercise price K w zamian za opłaę C Wysawca underwrier: obowiązek liabiliy

Bardziej szczegółowo

WNIOSKOWANIE STATYSTYCZNE

WNIOSKOWANIE STATYSTYCZNE Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml

Bardziej szczegółowo

Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015

Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015 Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii

Bardziej szczegółowo

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,

Bardziej szczegółowo

Matematyka finansowa 20.03.2006 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXVIII Egzamin dla Aktuariuszy z 20 marca 2006 r.

Matematyka finansowa 20.03.2006 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXVIII Egzamin dla Aktuariuszy z 20 marca 2006 r. Komisja Egzaminacyjna dla Akuariuszy XXXVIII Egzamin dla Akuariuszy z 20 marca 2006 r. Część I Maemayka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minu 1 1. Ile

Bardziej szczegółowo

Alicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii

Alicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza

Bardziej szczegółowo

OPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR

OPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR Daniel Iskra Uniwersye Ekonomiczny w Kaowicach OPTYMALIZACJA PORTFELA IWESTYCYJEGO ZE WZGLĘDU A MIIMALY POZIOM TOLERACJI DLA USTALOEGO VaR Wprowadzenie W osanich laach bardzo popularną miarą ryzyka sała

Bardziej szczegółowo

OCENA ATRAKCYJNOŚCI INWESTYCYJNEJ AKCJI NA PODSTAWIE CZASU PRZEBYWANIA W OBSZARACH OGRANICZONYCH KRZYWĄ WYKŁADNICZĄ

OCENA ATRAKCYJNOŚCI INWESTYCYJNEJ AKCJI NA PODSTAWIE CZASU PRZEBYWANIA W OBSZARACH OGRANICZONYCH KRZYWĄ WYKŁADNICZĄ Tadeusz Czernik Daniel Iskra Uniwersye Ekonomiczny w Kaowicach Kaedra Maemayki Sosowanej adeusz.czernik@ue.kaowice.pl daniel.iskra@ue.kaowice.pl OCEN TRKCYJNOŚCI INWESTYCYJNEJ KCJI N PODSTWIE CZSU PRZEBYWNI

Bardziej szczegółowo

Analiza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak

Analiza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak Ocena wyników zarządzania porelem Analiza i Zarządzanie Porelem cz. 6 Dr Kaarzyna Kuziak Eapy oceny wyników zarządzania porelem: - (porolio perormance measuremen) - Przypisanie wyników zarządzania porelem

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna

Bardziej szczegółowo

Marża zakupu bid (pkb) Marża sprzedaży ask (pkb)

Marża zakupu bid (pkb) Marża sprzedaży ask (pkb) Swap (IRS) i FRA Przykład. Sandardowy swap procenowy Dealer proponuje nasępujące sałe sopy dla sandardowej "plain vanilla" procenowej ransakcji swap. ermin wygaśnięcia Sopa dla obligacji skarbowych Marża

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika

Bardziej szczegółowo

Pobieranie próby. Rozkład χ 2

Pobieranie próby. Rozkład χ 2 Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie

Bardziej szczegółowo

O PEWNYCH KRYTERIACH INWESTOWANIA W OPCJE NA AKCJE

O PEWNYCH KRYTERIACH INWESTOWANIA W OPCJE NA AKCJE MEODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH om XIII/3, 01, sr 43 5 O EWNYCH KRYERIACH INWESOWANIA W OCJE NA AKCJE omasz Warowny Kaedra Meod Ilościowych w Zarządzaniu oliechnika Lubelska e-mail: warowny@pollubpl

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1 PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,

Bardziej szczegółowo

Zarządzanie ryzykiem. Lista 3

Zarządzanie ryzykiem. Lista 3 Zaządzanie yzykiem Lisa 3 1. Oszacowano nasępujący ozkład pawdopodobieńswa dla sóp zwou z akcji A i B (Tabela 1). W chwili obecnej Akcja A ma waość ynkową 70, a akcja B 50 zł. Ile wynosi pięciopocenowa

Bardziej szczegółowo

WPŁYW NIEPEWNOŚCI OSZACOWANIA ZMIENNOŚCI NA CENĘ INSTRUMENTÓW POCHODNYCH

WPŁYW NIEPEWNOŚCI OSZACOWANIA ZMIENNOŚCI NA CENĘ INSTRUMENTÓW POCHODNYCH Tadeusz Czernik Uniwersye Ekonomiczny w Kaowicach WPŁYW NIEPEWNOŚCI OZACOWANIA ZMIENNOŚCI NA CENĘ INTRUMENTÓW POCHODNYCH Wprowadzenie Jednym z filarów współczesnych finansów jes eoria wyceny insrumenów

Bardziej szczegółowo

WYCENA KONTRAKTÓW FUTURES, FORWARD I SWAP

WYCENA KONTRAKTÓW FUTURES, FORWARD I SWAP Krzyszof Jajuga Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Uniwersye Ekonomiczny we Wrocławiu WYCENA KONRAKÓW FUURES, FORWARD I SWAP DWA RODZAJE SYMERYCZNYCH INSRUMENÓW POCHODNYCH Symeryczne insrumeny

Bardziej szczegółowo

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II

Bardziej szczegółowo

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU Modelowanie ryzyka kredyowego MODELOWANIE ZA POMOCA PROCESU HAZARDU Mariusz Niewęgłowski Wydział Maemayki i Nauk Informacyjnych, Poliechniki Warszawskiej Warszawa 2014 hazardu Warszawa 2014 1 / 18 Proces

Bardziej szczegółowo

MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. 1. Wstęp

MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. 1. Wstęp WERSJA ROBOCZA - PRZED POPRAWKAMI RECENZENTA Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. Wsęp Spośród wielu rodzajów ryzyka, szczególną

Bardziej szczegółowo

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia

Bardziej szczegółowo

ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI

ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków

Bardziej szczegółowo

Krzysztof Piontek MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR

Krzysztof Piontek MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR Inwesycje finansowe i ubezpieczenia endencje świaowe a rynek polski Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR Wsęp Konieczność

Bardziej szczegółowo

METODY STATYSTYCZNE W FINANSACH

METODY STATYSTYCZNE W FINANSACH METODY STATYSTYCZNE W FINANSACH Krzyszof Jajuga Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W osanich kilkunasu laach na świecie obserwuje się dynamiczny

Bardziej szczegółowo

Wykorzystanie opcji w zarządzaniu ryzykiem finansowym

Wykorzystanie opcji w zarządzaniu ryzykiem finansowym Prof. UJ dr hab. Andrzej Szopa Instytut Spraw Publicznych Uniwersytet Jagielloński Wykorzystanie opcji w zarządzaniu ryzykiem finansowym Ryzyko finansowe rozumiane jest na ogół jako zjawisko rozmijania

Bardziej szczegółowo

KONCEPCJA WARTOŚCI ZAGROŻONEJ VaR (VALUE AT RISK)

KONCEPCJA WARTOŚCI ZAGROŻONEJ VaR (VALUE AT RISK) KONCEPCJA WARTOŚCI ZAGROŻONEJ VaR (VALUE AT RISK) Kaarzyna Kuziak Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W 1994 roku insyucja finansowa JP Morgan opublikowała

Bardziej szczegółowo

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO ZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO NR 394 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 5 4 EWA DZIAWGO Uniwersye Miołaa Kopernia w Toruniu ANALIZA WRA LIWO CI CENY KOSZYKOWEJ OPCJI KUPNA WPROWADZENIE

Bardziej szczegółowo

A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XLIII nr 2 (2012)

A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XLIII nr 2 (2012) A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XLIII nr 2 (2012) 211 220 Pierwsza wersja złożona 25 października 2011 ISSN Końcowa wersja zaakcepowana 3 grudnia 2012 2080-0339

Bardziej szczegółowo

Magdalena Osińska, Marcin Fałdziński Uniwersytet Mikołaja Kopernika w Toruniu. Modele GARCH i SV z zastosowaniem teorii wartości ekstremalnych

Magdalena Osińska, Marcin Fałdziński Uniwersytet Mikołaja Kopernika w Toruniu. Modele GARCH i SV z zastosowaniem teorii wartości ekstremalnych DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarim Nakowe 4 6 września 2007 w Torni Kaedra Ekonomerii i Saysyki Uniwersye Mikołaja Kopernika w Torni Magdalena Osińska Marcin Fałdziński Uniwersye

Bardziej szczegółowo

ĆWICZENIE NR 43 U R I (1)

ĆWICZENIE NR 43 U R I (1) ĆWCZENE N 43 POMY OPO METODĄ TECHNCZNĄ Cel ćwiczenia: wyznaczenie warości oporu oporników poprzez pomiary naężania prądu płynącego przez opornik oraz napięcia na oporniku Wsęp W celu wyznaczenia warości

Bardziej szczegółowo

DYNAMIKA KONSTRUKCJI

DYNAMIKA KONSTRUKCJI 10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej

Bardziej szczegółowo

POMIAR RYZYKA RYNKOWEGO OPCJI NA PRZYKŁADZIE OPCJI NA WIG20

POMIAR RYZYKA RYNKOWEGO OPCJI NA PRZYKŁADZIE OPCJI NA WIG20 ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 450 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 17 2006 KATARZYNA KUZIAK Akademia Ekonomiczna Wrocław POMIAR RYZYKA RYNKOWEGO OPCJI NA PRZYKŁADZIE OPCJI NA

Bardziej szczegółowo

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,

Bardziej szczegółowo

Parytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD

Parytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)

Bardziej szczegółowo

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych. Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać

Bardziej szczegółowo

PREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY

PREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW

Bardziej szczegółowo

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 50 2012 ANALIZA WŁASNOŚCI OPCJI SUPERSHARE

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 50 2012 ANALIZA WŁASNOŚCI OPCJI SUPERSHARE ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 5 212 EWA DZIAWGO ANALIZA WŁASNOŚCI OPCJI SUPERSHARE Wprowadzenie Proces globalizacji rynków finansowych stwarza

Bardziej szczegółowo

MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH

MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wsęp MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Nowoczesne echniki zarządzania ryzykiem rynkowym

Bardziej szczegółowo

ANALIZA PORÓWNAWCZA ŚREDNIEGO ODSETKA CZASU PRZEBYWANIA W PIERWSZEJ I DRUGIEJ POŁOWIE DNIA BADANIA EMPIRYCZNE

ANALIZA PORÓWNAWCZA ŚREDNIEGO ODSETKA CZASU PRZEBYWANIA W PIERWSZEJ I DRUGIEJ POŁOWIE DNIA BADANIA EMPIRYCZNE Tadeusz Czernik Daniel Iskra Uniwersye Ekonomiczny w Kaowicach Kaedra Maemayki Sosowanej adeusz.czernik@ue.kaowice.pl daniel.iskra@ue.kaowice.pl ANALIZA PORÓWNAWCZA ŚREDNIEGO ODSETKA CZASU PRZEBYWANIA

Bardziej szczegółowo

SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE

SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika

Bardziej szczegółowo

Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.

Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie. DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury

Bardziej szczegółowo

Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam

Bardziej szczegółowo

Wyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH

Wyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele

Bardziej szczegółowo

Heteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR

Heteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Heeroskedasyczność szeregu sóp zwrou a koncepcja pomiaru ryzyka meodą VaR Wsęp Spośród wielu rodzajów ryzyka

Bardziej szczegółowo

Analiza rynku projekt

Analiza rynku projekt Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes

Bardziej szczegółowo

WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK

WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA

Bardziej szczegółowo

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez

Bardziej szczegółowo

DOBÓR PRZEKROJU ŻYŁY POWROTNEJ W KABLACH ELEKTROENERGETYCZNYCH

DOBÓR PRZEKROJU ŻYŁY POWROTNEJ W KABLACH ELEKTROENERGETYCZNYCH Franciszek SPYRA ZPBE Energopomiar Elekryka, Gliwice Marian URBAŃCZYK Insyu Fizyki Poliechnika Śląska, Gliwice DOBÓR PRZEKROJU ŻYŁY POWROTNEJ W KABLACH ELEKTROENERGETYCZNYCH. Wsęp Zagadnienie poprawnego

Bardziej szczegółowo

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar. EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b

Bardziej szczegółowo

MAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak

MAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak ( ) ( ) ( ) i E E E i r r = = = = = θ θ ρ ν φ ε ρ α * 1 1 1 ) ( R. popyu R. Fishera Krzywa Phillipsa

Bardziej szczegółowo

Ćwiczenia 3 ( ) Współczynnik przyrostu naturalnego. Koncepcja ludności zastojowej i ustabilizowanej. Prawo Lotki.

Ćwiczenia 3 ( ) Współczynnik przyrostu naturalnego. Koncepcja ludności zastojowej i ustabilizowanej. Prawo Lotki. Ćwiczenia 3 (22.04.2013) Współczynnik przyrosu nauralnego. Koncepcja ludności zasojowej i usabilizowanej. Prawo Loki. Współczynnik przyrosu nauralnego r = U Z L gdzie: U - urodzenia w roku Z - zgony w

Bardziej szczegółowo

Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Katedra Inwestycji Finansowych i Ubezpieczeń

Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Katedra Inwestycji Finansowych i Ubezpieczeń Krzyszof Pionek Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Kaedra Inwesycji Finansowych i Ubezpieczeń Przegląd i porównanie meod oceny modeli VaR Wsęp - Miara VaR Warość zagrożona (warość narażona

Bardziej szczegółowo

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji

Bardziej szczegółowo

Transakcje insiderów a ceny akcji spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie S.A.

Transakcje insiderów a ceny akcji spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie S.A. Agaa Srzelczyk Transakcje insiderów a ceny akcji spółek noowanych na Giełdzie Papierów Warościowych w Warszawie S.A. Wsęp Inwesorzy oczekują od każdej noowanej na Giełdzie Papierów Warościowych spółki

Bardziej szczegółowo

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne

Bardziej szczegółowo

ψ przedstawia zależność

ψ przedstawia zależność Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi

Bardziej szczegółowo

PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO

PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 69 Elecrical Engineering 0 Janusz WALCZAK* Seweryn MAZURKIEWICZ* PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO W arykule opisano meodę generacji

Bardziej szczegółowo

MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW

MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW Wprowadzenie Współczesne zarządzanie ryzykiem

Bardziej szczegółowo

Stała potencjalnego wzrostu w rachunku kapitału ludzkiego

Stała potencjalnego wzrostu w rachunku kapitału ludzkiego 252 Dr Wojciech Kozioł Kaedra Rachunkowości Uniwersye Ekonomiczny w Krakowie Sała poencjalnego wzrosu w rachunku kapiału ludzkiego WSTĘP Prowadzone do ej pory badania naukowe wskazują, że poencjał kapiału

Bardziej szczegółowo

Podstawowe charakterystyki niezawodności. sem. 8. Niezawodność elementów i systemów, Komputerowe systemy pomiarowe 1

Podstawowe charakterystyki niezawodności. sem. 8. Niezawodność elementów i systemów, Komputerowe systemy pomiarowe 1 Podsawowe charakerysyki niezawodności sem. 8. Niezawodność elemenów i sysemów, Kompuerowe sysemy pomiarowe 1 Wsęp Niezawodność o prawdopodobieńswo pewnych zdarzeń Inensywność uszkodzeń λ wyraŝa prawdopodobieńswo

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK 1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA 1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje

Bardziej szczegółowo

Ćwiczenia Zarządzanie Ryzykiem. dr hab. Renata Karkowska, ćwiczenia Zarządzanie ryzykiem 1

Ćwiczenia Zarządzanie Ryzykiem. dr hab. Renata Karkowska, ćwiczenia Zarządzanie ryzykiem 1 Ćwiczenia Zarządzanie Ryzykiem 1 VaR to strata wartości instrumentu (portfela) taka, że prawdopodobieństwo osiągnięcia jej lub przekroczenia w określonym przedziale czasowym jest równe zadanemu poziomowi

Bardziej szczegółowo

Porównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz

Porównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz 233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

Ocena efektywności procedury Congruent Specyfication dla małych prób

Ocena efektywności procedury Congruent Specyfication dla małych prób 243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji

Bardziej szczegółowo

POMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU

POMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów

Bardziej szczegółowo

ĆWICZENIE 4 Badanie stanów nieustalonych w obwodach RL, RC i RLC przy wymuszeniu stałym

ĆWICZENIE 4 Badanie stanów nieustalonych w obwodach RL, RC i RLC przy wymuszeniu stałym ĆWIZENIE 4 Badanie sanów nieusalonych w obwodach, i przy wymuszeniu sałym. el ćwiczenia Zapoznanie się z rozpływem prądów, rozkładem w sanach nieusalonych w obwodach szeregowych, i Zapoznanie się ze sposobami

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,

Bardziej szczegółowo

Sterowanie wielkością zamówienia w Excelu - cz. 3

Sterowanie wielkością zamówienia w Excelu - cz. 3 Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji

Bardziej szczegółowo

POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE

POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Anea Kłodzińska, Poliechnika Koszalińska, Zakład Ekonomerii POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Sopy procenowe w analizach ekonomicznych Sopy procenowe

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna

Bardziej szczegółowo

ĆWICZENIE 7 WYZNACZANIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA. Wprowadzenie

ĆWICZENIE 7 WYZNACZANIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA. Wprowadzenie ĆWICZENIE 7 WYZNACZIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA Wprowadzenie Ciało drgające w rzeczywisym ośrodku z upływem czasu zmniejsza ampliudę drgań maleje energia mechaniczna

Bardziej szczegółowo

Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie

Bardziej szczegółowo

PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010

PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Chrisian Lis PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 Wprowadzenie Przedmioem

Bardziej szczegółowo

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)

Bardziej szczegółowo

PROGNOZOWANIE. Ćwiczenia 3. mgr Dawid Doliński

PROGNOZOWANIE. Ćwiczenia 3. mgr Dawid Doliński Ćwiczenia 3 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne

Bardziej szczegółowo

Silniki cieplne i rekurencje

Silniki cieplne i rekurencje 6 FOTO 33, Lao 6 Silniki cieplne i rekurencje Jakub Mielczarek Insyu Fizyki UJ Chciałbym Pańswu zaprezenować zagadnienie, kóre pozwala, rozważając emaykę sprawności układu silników cieplnych, zapoznać

Bardziej szczegółowo

Krzysztof Jajuga Akademia Ekonomiczna we Wrocławiu. Modelowanie stóp procentowych a narzędzia ekonometrii finansowej

Krzysztof Jajuga Akademia Ekonomiczna we Wrocławiu. Modelowanie stóp procentowych a narzędzia ekonometrii finansowej DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Krzyszof Jajuga Akademia Ekonomiczna

Bardziej szczegółowo

Dobór przekroju żyły powrotnej w kablach elektroenergetycznych

Dobór przekroju żyły powrotnej w kablach elektroenergetycznych Dobór przekroju żyły powronej w kablach elekroenergeycznych Franciszek pyra, ZPBE Energopomiar Elekryka, Gliwice Marian Urbańczyk, Insyu Fizyki Poliechnika Śląska, Gliwice. Wsęp Zagadnienie poprawnego

Bardziej szczegółowo

Efekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA

Efekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA Joanna Górka * Efeky agregacji czasowej szeregów finansowych a modele klasy Sign RCA Wsęp Wprowadzenie losowego parameru do modelu auoregresyjnego zwiększa możliwości aplikacyjne ego modelu, gdyż pozwala

Bardziej szczegółowo

WYCENA OBLIGACJI KATASTROFICZNEJ WRAZ Z SYMULACJAMI NUMERYCZNYMI

WYCENA OBLIGACJI KATASTROFICZNEJ WRAZ Z SYMULACJAMI NUMERYCZNYMI Zeszyy Naukowe Wydziału Informaycznych Technik Zarządzania Wyższej Szkoły Informayki Sosowanej i Zarządzania Współczesne Problemy Zarządzania Nr 1/2010 WYCENA OBLIGACJI KATASTROFICZNEJ WRAZ Z SYULACJAI

Bardziej szczegółowo

Matematyka ubezpieczeń życiowych 25.01.2003 r.

Matematyka ubezpieczeń życiowych 25.01.2003 r. Maemayka ubezpieczeń życiowych 25.01.2003 r. 1.. Dany jes wiek całkowiy x. Nasępujące prawdopodobieńswa przeżycia: g= 2p x + 1/3, h= 2p x + 1/ 2, j= 2p x + 3/4 obliczono sosując inerpolację zakładającą,

Bardziej szczegółowo

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów

Bardziej szczegółowo

OBLICZANIE TERMINU REALIZACJI PRZEDSIĘWZIĘĆ BUDOWLANYCH METODĄ CCPM NA PODSTAWIE MULTIPLIKATYWNEGO MODELU CZASU TRWANIA CZYNNOŚCI

OBLICZANIE TERMINU REALIZACJI PRZEDSIĘWZIĘĆ BUDOWLANYCH METODĄ CCPM NA PODSTAWIE MULTIPLIKATYWNEGO MODELU CZASU TRWANIA CZYNNOŚCI Dane bibliograficzne o arykule: hp://mieczyslaw_polonski.users.sggw.pl/mppublikacje Mieczysław POŁOŃSKI 1 OBLICZANIE TERMIN REALIZACJI PRZEDSIĘWZIĘĆ BDOWLANYCH METODĄ CCPM NA PODSTAWIE MLTIPLIKATYWNEGO

Bardziej szczegółowo

WYKŁAD 5 TEORIA ESTYMACJI II

WYKŁAD 5 TEORIA ESTYMACJI II WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak

Bardziej szczegółowo

MODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX

MODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX Krzyszof Ćwikliński Uniwersye Ekonomiczny we Wrocławiu Wydział Zarządzania, Informayki i Finansów Kaedra Ekonomerii krzyszof.cwiklinski@ue.wroc.pl Daniel Papla Uniwersye Ekonomiczny we Wrocławiu Wydział

Bardziej szczegółowo

Postęp techniczny. Model lidera-naśladowcy. Dr hab. Joanna Siwińska-Gorzelak

Postęp techniczny. Model lidera-naśladowcy. Dr hab. Joanna Siwińska-Gorzelak Posęp echniczny. Model lidera-naśladowcy Dr hab. Joanna Siwińska-Gorzelak Założenia Rozparujemy dwa kraje; kraj 1 jes bardziej zaawansowany echnologicznie (lider); kraj 2 jes mniej zaawansowany i nie worzy

Bardziej szczegółowo

Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego

Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Przykład Cena metra kwadratowego (w tys. zł) z dla 14 losowo wybranych mieszkań w

Bardziej szczegółowo

Zastosowania sieci neuronowych

Zastosowania sieci neuronowych Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta

Bardziej szczegółowo

Pomiar ryzyka odchylenia od benchmarku w warunkach zmiennej w czasie strategii inwestycyjnej OFE - kotynuacja. Wojciech Otto Uniwersytet Warszawski

Pomiar ryzyka odchylenia od benchmarku w warunkach zmiennej w czasie strategii inwestycyjnej OFE - kotynuacja. Wojciech Otto Uniwersytet Warszawski Pomiar ryzyka odchylenia od benchmarku w warunkach zmiennej w czasie sraegii inwesycyjnej OFE - koynuacja Wojciech Oo Uniwersye Warszawski Refera przygoowany na Ogólnopolską Konferencję Naukową Zagadnienia

Bardziej szczegółowo

Anna Pajor Akademia Ekonomiczna w Krakowie

Anna Pajor Akademia Ekonomiczna w Krakowie DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Krakowie Prognozowanie

Bardziej szczegółowo

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression).

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression). 4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi

Bardziej szczegółowo