OCENA EFEKTYWNOŚCI DŁUGOTERMINOWYCH PROGNOZ DLA WARTOŚCI ZAGROśONEJ (VAR) WYZNACZONYCH Z WYKORZYSTANIEM METODOLOGII CLEARHORIZON
|
|
- Nina Krawczyk
- 7 lat temu
- Przeglądów:
Transkrypt
1 STUDIA I PRACE WYDZIAŁU NAUK N EKONOMICZNYCH I ZARZĄDZANIA Z NR 10 TOMASZ PISULA OCENA EFEKTYWNOŚCI DŁUGOTERMINOWYCH PROGNOZ DLA WARTOŚCI ZAGROśONEJ (VAR) WYZNACZONYCH Z WYKORZYSTANIEM METODOLOGII CLEARHORIZON Wstęp Istnieje duŝe zapotrzebowanie na modele umoŝliwiające mierzenie i ocenę ryzya rynowego w długich horyzontach czasu, niejednorotnie przeraczających nawet oresy 2 letnie. Dla wielu inwestorów giełdowych znacznie waŝniejsza jest ocena ryzya potencjalnych strat w wartości ich portfeli inwestycyjnych w długim horyzoncie czasu, niŝ oszacowanie ryzya rótoterminowego. Zapotrzebowanie na modele prognoz długooresowych jest taŝe bardzo duŝe wśród instytucji zarządzających róŝnego rodzaju funduszami inwestycyjnymi lub otwartymi funduszami emerytalnymi. Głównym źródłem ich ryzya są zmiany rynowe cen atywów finansowych, w tóre te fundusze inwestują, często w długoletnim horyzoncie czasu. Wychodząc na przeciw tym zapotrzebowaniom w 2000 r. RisMetrics zaproponowało nową metodologię oceny ryzya rynowego, z wyorzystaniem miary zagroŝenia Value at Ris (VaR), dla długoterminowych inwestycji finansowych (o horyzoncie czasowym przeraczającym ores 24 miesięcy). Metodologia obliczania prognoz długoterminowych dla wartości zagroŝonej VaR została opubliowana w doumencie technicznym 1 i otrzymała nazwę ClearHorizon. Artyuł jest ontynuacją prowadzonych juŝ wcześniej analiz 2 nad moŝ- 1 Kim J., Mina J., ClearHorizon Technical Document. Forecasting methodology for horizons beyond two years, Ris Metrics Group, New Yor 2000, s. (1-31). 2 Pisula T., Mentel G., Prognozy długooresowe dla wartości zagroŝonej Value at Ris w ocenie ryzya inwestowania w acje, [w:] Rona-Chmielowiec W., Jajuga K. [red.], Inwestycje finansowe i ubezpieczenia tendencje światowe a polsi ryne. Wydawnictwo AE we Wrocławiu, Wrocław 2007, s. ( ).
2 126 RYNEK KAPITAŁOWY SKUTECZNE INWESTOWANIE liwością zastosowania w pratyce omawianej metodologii na polsim rynu finansowym. Celem artyułu jest próba odpowiedzi na pytanie: na ile suteczne i efetywne są prognozy długoterminowe dla wartości zagroŝonej VaR obliczone z wyorzystaniem tej metodologii. Teoretyczne podstawy metodologii ClearHorizon Wartość zagroŝona (VaR), naleŝącą do grupy miar zagroŝenia jest obecnie bardzo często stosowaną w pratyce miarą ryzya rynowego. Oreśla ona taą stratę w wartości rynowej (np. instrumentu czy portfela), dla tórej prawdopodobieństwo zdarzenia, Ŝe rzeczywiste straty będą w zadanym horyzoncie czasu jeszcze więsze (przeroczą prognozowaną wartość VaR) jest dostatecznie małe i równe pewnemu zadanemu poziomowi tolerancji (α > 0). Definicję tę moŝna zapisać następująco 3 : ZS < 0 P ZS = V V VaR = α, (1) ( t, t+ t ) gdzie: ZS t, funcja zysów ( ZS t, > 0 ) lub strat ( ZS t, < 0 ) w wartości rynowej V t + (np. portfela), w momencie czasu odległym o oresów od chwili obecnej t, ZS 0 VaR < < 0 wartość zagroŝona dla horyzontu czasu oresów, obliczona dla potencjalnych strat. Przez analogię moŝna podać podobną definicje dla prognozowanych zysów: ZS > 0 P ZS = V V VaR = α, (2) gdzie: ( t, t+ t ) ZS 0 VaR > > 0 - wartość zagroŝona dla horyzontu czasu oresów, obliczona dla potencjalnych zysów. Metodologia ClearHorizon jest jedną z metod parametrycznych obliczania prognoz długoterminowych dla wartości zagroŝonej VaR. Wyorzystuje ona model hybrydowy, będący optymalną mieszaniną dwóch podstawowych modeli szeregów czasowych: błądzenia losowego (random wal) i powracania do średniej (mean reversion). W modelu błądzenia losowego 4 załada się, Ŝe wahania dla logarytmicznych (przyszłych) wartości instrumentów finansowych: p = ln( V ), w mo- t+ t+ mencie czasu t+, odległym o oresów od chwili obecnej są zmienną losową 3 Jajuga K., Miary ryzya rynowego część trzecia. Miary zagroŝenia. Ryne Terminowy, 2000, nr 8, s. ( ). 4 Pisula T., Mentel G., Prognozy długooresowe..., op. cit., s. (309).
3 TOMASZ PISULA OCENA EFEKTYW N OŚCI DŁ UGO TERMIN OW YC H PR OG N OZ 127 RW RW o rozładzie normalnym: pt + ~ N ( µ, σ ). Parametry tego rozładu moŝna wyznaczyć ze wzorów: ( RW ) 2( RW ) 2 µ = pt + µ, σ = σ, (3) gdzie: µ jest parametrem dryfu (trendu) dla jednooresowych zmian: pt p t 1 = µ + σ ε, t (4) dla logarytmicznych wartości modelowanych instrumentów finansowych, zaś σ jest parametrem zmienności (odchyleniem standardowym) dla tych wahań, ε ~ N(0,1) załócenia losowe o rozładzie normalnym standaryzowanym. t W modelu rewersji do średniej 5 załada się, Ŝe wahania logarytmicznych (przyszłych) wartości badanych instrumentów finansowych: p = ln( V ), w t+ t+ momencie czasu t+, odległym o oresów od chwili obecnej są zmienną losową o rozładzie normalnym: pt + M Re v M Rev ~ N ( µ, σ ). Parametry tego rozładu moŝna wyznaczyć ze wzorów: 1 α ( Re ) 0 ( 1 γ ) ( 1 M v β γ γ ) (5) µ = + ( t + ) γ ( t + 1) + γ pt, γ γ γ σ 2 ( M Re v) σ = ( 1 γ ) γ, gdzie: α0 = θ p0 + µ (1 θ ), β = µ θ, γ = 1 θ, p0 = ln( V0 ) = p, θ [0,1] jest parametrem oreślającym prędość rewersji (powracania do średniej), µ jest parametrem trendu, zaś σ jest parametrem zmienności (odchyleniem standardowym) dla jednooresowych zmian: pt = pt 1 + µ + θ p0 + µ ( t 1 ) pt 1 + σ εt = α0 + β t + γ pt 1 + σ εt, (6) dla logarytmicznych wartości modelowanych instrumentów finansowych, ε ~ N(0,1) - załócenia losowe o rozładzie normalnym standaryzowanym. t Dla modelu błądzenia losowego oraz powracania do średniej moŝna wyznaczyć ja szybo zmienia się w czasie ich wariancja, w zaleŝności od długości horyzontu prognozy. W tym celu w metodologii zaproponowanej przez RisMetrics wprowadzono wsaźni Variance Ratio (VR), zdefiniowany następująco: 2 σ VR =. (7) 2 σ 1 5 Ibidem, s. (310)
4 128 RYNEK KAPITAŁOWY SKUTECZNE INWESTOWANIE Na podstawie analizy wartości wsaźnia Variance Ratio wynia, Ŝe zmienność dowolnego szeregu czasowego, opisującego flutuację wartości badanego instrumentu finansowego moŝna modelować odpowiednim modelem hybrydowym, tóry jest optymalną mieszaniną modeli random wal (RW) i mean reversion (MRev). Wagi ω [0,1] oraz (1 ω) [0,1] w modelu hybrydowym są dobierane w tai sposób, aby ja najlepiej salibrować wariancję dla modelu hybrydowego, w stosunu do obserwowanej wariancji historycznej. Wariancję historyczną dla horyzontu czasowego oresów wyznacza się orzystając ze wzoru: n 2 n σ ( ) 2 = pt pt r1, (8) ( n )( n + 1) t = + 1 gdzie: n liczba dostępnych obserwacji historycznych, r 1 jest średnią wartością dla miesięcznych logarytmicznych stóp zwrotu: r, t,1 = pt pt 1 t = 2,..., n badanych atywów finansowych Wagi dla modelu hybrydowego wyznacza się (orzystając ze wsaźnia Variance Ratio - VR) rozwiązując zadanie optymalizacyjne: s ( Hist ) ( RW ) ( M Re v) ( VR (1 ) ) 2 ω VR ω VR min, (9) gdzie: VR = 1 ( Hist ) jest wsaźniiem Variance Ratio, dla wariancji historycznej ( ) (obliczonym na podstawie wzorów (7) i (8)), zaś VR RW i VR ( M Re v) są analogicznymi wsaźniami dla modelu błądzenia losowego i rewersji do średniej (obliczonymi na podstawie wzorów (3), (5) i (7)). W modelu hybrydowym załada się, Ŝe wahania logarytmicznych (przyszłych) wartości badanych instrumentów finansowych: p = ln( V ), w mo- t+ t+ mencie czasu t+, odległym o oresów od chwili obecnej podlegają rozładowi normalnemu: pt + Mix Mix ~ N ( µ, σ ). Za parametr średniej przyjmuje się Mix M Rev µ = µ, tóry moŝna wyznaczyć ze wzoru (5). Parametr odchylenia standardowego moŝna natomiast wyznaczyć ze wzoru: Mix RW M Rev σ = ω σ + (1 ω) σ. (10) PoniewaŜ logarytmy p = ln( V ) podlegają rozładowi normalnemu, to t t+ t+ V +, a tym samym ZS t, podlega rozładowi logarytmiczno-normalnemu, tórego parametry moŝna teraz stosunowo łatwo oszacować, orzystając z otrzymanych wcześniej oszacowań dla rozładu normalnego.
5 TOMASZ PISULA O C ENA EFEKTYW N OŚCI DŁ UGO TERMIN OW YC H PR OG N OZ 129 Na podstawie definicji wartości zagroŝonej (1) prognozy długoterminowe dla wartości zagroŝonej VaR, dla potencjalnych strat (np. dla wartości portfela) oblicza się ze wzoru: ZS < 0 ( Zα ) VaR = e µ + σ V, (11) gdzie: Mix M Rev µ = µ = µ i σ = σ są prognozami wyznaczonymi ze Mix wzorów (5) oraz (10), odpowiednio dla wartości średniej oraz odchylenia standardowego, zaś Z α jest wantylem rzędu α dla rozładu standaryzowanego normalnego. Podobnie na podstawie wzoru (2) prognozy długooresowe dla wartości zagroŝonej VaR, dla potencjalnych zysów oblicza się ze wzoru: ZS > 0 ( Z1 α ) VaR = e µ + σ Vt, (12) gdzie: µ i σ interpretuje się podobnie ja we wzorze (11), zaś Z1 α - jest wantylem rzędu 1 α dla rozładu normalnego standaryzowanego. Wyorzystanie modelu hybrydowego w ocenie ryzya inwestowania w acje Rozpatrzmy portfel sładający się z acji 5 spółe notowanych na GPW w Warszawie. Jest to portfel utworzony w i słada się z: 705 acji spółi Ban Millenium, 40 acji spółi Dębica, 88 acji spółi Irena, 52 acji spółi Stal-Export oraz 52 acji spółi Swarzędz. Załada się, Ŝe sład portfela w przyszłości nie ulega zmianie, zmieniają się tylo ceny notowań spółe tworzących ten portfel. Dla rozpatrywanego przyładowego portfela acji wyznaczono długooresowe prognozy VaR, dla potencjalnych strat lub zysów w jego wartości. Prognozy wsteczne wyznaczono w dwóch przypadach: dla wartości portfela w dniu (wynoszącej 7130,1zł) i horyzontu prognozy =72 miesięcy (ores 6 lat) oraz dla wartości portfela dniu (wynoszącej 16529,8zł) przy horyzoncie prognozy wynoszącym =24 miesięcy (ores 2 lat). Procedura wyznaczania długoterminowych prognoz dla wartości zagroŝonej VaR dla przyładowego portfela acji, z zastosowaniem omawianego modelu hybrydowego przebiegała następująco: 1. Na podstawie notowań miesięcznych spółe tworzących portfel wyznaczono wartości symulowanego portfela acji w oresie od do (152 miesięczne obserwacje). t
6 130 RYNEK KAPITAŁOWY SKUTECZNE INWESTOWANIE 2. Obliczono oszacowania parametrów modelu random wal (RW) (model (4)) oraz mean reversion (MRev) (model (6)). Dla prognoz w dniu oszacowania obliczono na podstawie 98 dostępnych obserwacji historycznych, dla wartości symulowanego portfela, zaś dla prognoz w dniu obliczone oszacowania były wyznaczone w oparciu o 145 dostępne obserwacje historyczne. Otrzymane oszacowania przedstawia tabela 1. W tabeli 1 podano taŝe wartości statystyi Chowa, dla testu stałości wartości oszacowanych parametrów w oresie prognozy, na tóry będą wyznaczane prognozowane wartości VaR. Wyorzystano tutaj statystyę testową postaci 6 : * SS ( SS1 + SS2) /, (13) Chow T = * ( SS1 + SS2 ) / ( T 2 ) * gdzie: SS suma wadratów reszt dla modelu random wal (wzór (4)) lub modelu mean reversion (wzór (6)), dla oszacowań parametrów obejmujących wszystie T = 152 dostępne obserwacje, SS * 1 suma wadratów reszt odpowiedniego modelu dla oszacowań parametrów obejmujących tylo ores próby ( T = 98 lub T = 145 obserwacje), SS 2 suma wadratów reszt odpowiedniego modelu dla oszacowań parametrów obejmujących ores po próbie (odpowiednio obserwacje od T=99 do T=152 oraz od T=146 do T=152), na tóry wyznaczane są prognozy VaR, liczba szacowanych metodą najmniejszych wadratów parametrów modelu wraz z wyrazem wolnym. Statystya (13) posiada rozład F Snedecora ze stopniami swobody * (, T 2 ). Zatem dla modelu błądzenia losowego (RW), gdzie tylo jeden parametr jest szacowany metodą najmniejszych wadratów, wartość rytyczna dla poziomu istotności 0,05 wynosi F * (1,150) = 3,9, zaś dla modelu rewersji do średniej (MRev), gdzie aŝ trzy parametry są szacowane metodą najmniejszych wadratów wartość rytyczna wynosi F * (3,146) = 2,67. Hipotezę, Ŝe oszacowane parametry modeli nie zmieniły swoich wartości w oresie na tóry przeprowadzana jest prognoza naleŝy odrzucić, gdy wartość obliczonej statystyi Chowa jest więsza lub równa od odczytanej z tablic wartości rytycznej. Z tabeli (tab. 1) wynia, Ŝe oszacowane parame- 6 Chow G. C., Test of Equality between Sets of Coefficients in Two Linear Regressions. Econometrica, 1960, nr 28(3), s. ( ).
7 TOMASZ PISULA O C ENA EFEKTYW N OŚCI DŁ UGO TERMIN OW YC H PR OG N OZ 131 try modelu powracania do średniej są stabilne, taŝe na ores prognozy, zaś parametry modelu błądzenia losowego dla prognozy wyznaczanej w dniu nie są stabilne. Ma to oczywiście wpływ na jaość otrzymanych prognoz VaR dla przyładowego portfela acji (zob. rys. 2). Tabela 1. Oszacowania parametrów modeli random wal i mean reversion dla analizowanego przyładowego portfela acji Parametry obliczone w dniu Statystya testu Chowa Model (RW) µ = 0,0009 σ = 0,109 Chow T = 0,07 Model (MRev) α 0 = 0,856 β = -0,0005 γ = 0,91 σ = 0,107 Chow T = 0,86 Parametry obliczone w dniu Statystya testu Chowa Model (RW) µ = 0,0064 σ = 0,099 Chow T = 4,59 Model (MRev) α 0 = 0,374 β = 0,0002 γ = 0,96 σ = 0,099 Chow T = 0,74 Źródło: opracowanie własne Rys. 1. Wartości parametru zmienności σ dla modelu błądzenia losowego, rewersji do średniej i modelu hybrydowego, w porównaniu do oszacowanej zmienności historycznej. Źródło: opracowanie własne 3. W oparciu o obliczone wartości parametrów dla obu modeli obliczono prognozy dla długooresowej zmienności σ (wzór (3) model błądzenia losowego oraz wzór (5) model rewersji do średniej). Następnie wyznaczono długooresową zmienność historyczną ze wzoru (8). Korzystając ze wsaźnia Variance Ratio (wzór (7)) rozwiązano zadanie optymalizacyjne (9), uzysując w ten sposób wagi 7 dla optymalnej mieszaniny modelu błądzenia losowego i powracania do średniej. Następnie obliczono oszacowania dla oresowej zmienności w modelu hybrydowym, z wyorzystaniem wzoru 10). Rys. 1 przedstawia porównanie oszacowanej miesięcznej zmienności 2 7 wynoszące odpowiednio ω = 0,86 i (1 ω) = 0,14 dla prognozy wyznaczonej w dniu oraz ω = 1 i (1 ω) = 0 dla prognozy wyznaczonej w dniu
8 132 RYNEK KAPITAŁOWY SKUTECZNE INWESTOWANIE dla modelu błądzenia losowego, rewersji do średniej i modelu hybrydowego w porównaniu do oszacowanej zmienności historycznej. 4. Na podstawie wzorów (11) oraz (12) wyznaczono 72 miesięczne granice VaR dla potencjalnych strat i zysów badanego portfela (dla wartości portfela w dniu obserwacja T=98) oraz analogiczne 24 miesięczne granice VaR (dla wartości tego portfela w dniu obserwacja T=145). Obliczone granice VaR przedstawia rysune (rys. 2). Rys. 2. Prognozowane granice VaR (poziom tolerancji 5%) dla potencjalnych strat (zysów) w wartości symulowanego portfela acji (obliczone w dniu i ) dla modelu hybrydowego, błądzenia losowego oraz rewersji do średniej. Źródło: opracowanie własne. Empiryczna analiza doładności prognoz dla modelu hybrydowego Aby zbadać na ile efetywne i suteczne są oszacowania dla prognozowanych granic VaR z zastosowaniem modelu hybrydowego, przeprowadzono badania empiryczne weryfiujące jaość tych oszacowań. Korzystając z testu liczby przeroczeń przeprowadzono testowanie wsteczne, dla obliczonych z wyorzystaniem omawianej metodologii długoterminowych prognoz wstecznych, dla wartości zagroŝonej VaR dla ursów 32 spółe giełdowych 8 notowanych na GPW w Warszawie i mających dostatecznie długą historię notowań. Szeregi czasowe na podstawie tórych przeprowadzono testowanie wsteczne zawierały miesięczne notowania tych spółe w oresie od do Dla aŝdej spółi wyznaczono roczące prognozy wsteczne dla długooresowych dolnych granic VaR, począwszy od (parametry 8 Alma Marets, Ban BPH, Ban Millennium, Bre-Ban, Budimex, Bz-Wb, Dębica, DZ Ban Polsa, Efet, Eletrim, EletromontaŜ-Ex, Fortis-Ban, Indypol, ING Ban Śląsi, Irena, Jutrzena, Kable SFK, Kredyt Ban, Krosno, Mostostal Export, Mostostal W-wa, Mostostal Zabrze, Novita, Prochem, Próchni, Provimi Rolimpex, Rafao, Rema, Stalexport, Swarzędz, Vistula, śywiec.
9 TOMASZ PISULA O C ENA EFEKTYW N OŚCI DŁ UGO TERMIN OW YC H PR OG N OZ 133 modeli szacowano w oparciu o 88 historyczne wartości aŝdego szeregu czasowego, zaś prognozy wyznaczane były na olejne 57 obserwacje historyczne niemal 5 letni horyzont prognoz wstecznych), a sończywszy na (parametry modeli szacowano w oparciu o 121 historyczne wartości aŝdego szeregu czasowego, zaś prognozy wyznaczane były na olejne 24 obserwacje historyczne 2 letni horyzont prognoz wstecznych). Efetywność obliczonych prognoz wstecznych zbadano z wyorzystaniem testu liczby przeroczeń, dla tórego statystya testowa podana jest wzorem 9 : X N α, (14) Z = N α (1 α) gdzie: X liczba przeroczeń prognozowanych granic VaR dla badanego modelu, N liczba prognoz objętych testem wstecznym, α wymagany poziom tolerancji dla prognozowanych granic VaR. Statystya testowa Z dla dostatecznie duŝej wartości N posiada rozład normalny standaryzowany. Najczęściej model uznaje się jao niewłaściwy i naleŝy go odrzucić, jeŝeli obliczona ze wzoru (14) wartość statystyi przeracza wartość progową, będącą wantylem rzędu q1 α dla rozładu N(0,1). Czasami jedna zbyt mała liczba przeroczeń świadczy o tym, Ŝe prognozowane granice VaR są zbyt obszerne, a zastosowany w prognozie model źle salibrowany. W tej sytuacji moŝna przeprowadzić test dwustronny, w tórym wyznacza się dwie wartości progowe: q1 α oraz q1 α. JeŜeli obliczona ze wzoru (14) wartość statystyi dla testu liczby przeroczeń q1 α Zobl q1 α, to testowany model uznaje się za właściwy i dobrze salibrowany. Oczywiście dla Zobl > q1 α model naleŝy odrzucić jao niewłaściwy, a dla Zobl < q1 α jao właściwy, ale słabo salibrowany. Dla testu dwustronnego ufność (wynosząca 1 2 α ) zapewnia, Ŝe poprawny model nie zostanie błędnie odrzucony. Tabela 2 przedstawia podsumowanie wyniów badań dotyczących suteczności prognoz długooresowych dla wartości zagroŝonej na poziomach tolerancji: α=5[%], α=1[%] oraz α=10[%], obliczonych z zastosowaniem modelu będącego optymalną mieszaniną modeli RW i MRev. W tabeli przedstawiono wynii jaości modeli, otrzymane dla prognoz wstecznych obliczonych w dwóch wariantach. Wariant 1 dotyczył wszystich przypadów prognozy (bez badania stabil- 9 Best P., Wartość naraŝona na ryzyo. Obliczanie i wdraŝanie modelu VaR. Dom Wydawniczy ABC, Kraów 2000, s. (108).
10 134 RYNEK KAPITAŁOWY SKUTECZNE INWESTOWANIE ności oszacowań parametrów modeli na ores prognozy). W wariancie 2 brano pod uwagę tylo prognozy dla tych przypadów, w tórych oszacowane parametry modeli nie zmieniały się w oresie prognozowanym (na podstawie przeprowadzonego testu Chowa wzór (13)). Tabela 2. Doładność prognoz dla modelu hybrydowego w porównaniu do modelu błądzenia losowego i rewersji do średniej Wszystie przypadi: liczba prognoz: (wariant 1) Poziom tolerancji α = 5[%] Stabilne oszacowania: liczba prognoz: (wariant 2) Dopuszczalna liczba przeroczeń [ ] [ ] (test dwustronny) Model RW MRev MiX RW MRev MiX Procent przeroczeń [%] 1,6 4,4 2,7 2,6 6,4 4,3 Liczba przeroczeń: Statystya testowa Z = (wartość graniczna: 1,65) -32-5, ,1-4,4 Poziom tolerancji α = 1[%] Dopuszczalna liczba przeroczeń (test dwustronny) [ ] [ ] Model RW MRev MiX RW MRev MiX Procent przeroczeń [%] 0,1 2 0,7 0,1 2,6 0,9 Liczba przeroczeń: Statystya testowa Z = (wartość graniczna: 2,33) ,4-5, ,7 Poziom tolerancji α = 10[%] Dopuszczalna liczba przeroczeń (test dwustronny) [ ] [ ] Model RW MRev MiX RW MRev MiX Procent przeroczeń [%] 2,8 6,7 4,8 4,4 9,9 7,4 Liczba przeroczeń: Statystya testowa Z = ,47-12 (wartość graniczna: 1,28) Źródło: opracowanie własne Porównując jaość wyznaczonych prognoz wstecznych dla modelu hybrydowego (zob. tabela 2) moŝna zauwaŝyć, Ŝe w obu analizowanych wariantach model hybrydowy (MiX) jest modelem, tóry dobrze prognozuje granice VaR (dwustronny test liczby przeroczeń nie odrzuca go jao niewłaściwy). Empiryczny procent przeroczeń w wariancie 1 (bez analizy stabilności oszacowań parametrów) wynosi 2,7[%], natomiast dla wariantu 2 (stabilnych oszacowań parametrów) wynosi 4,3[%], co jest bardzo blisie załadanemu poziomowi tolerancji 5[%]. Gdy oszacowania parametrów modelu hybrydowego pozostają stabilne na ores prognozy, to model hybrydowy jest znacznie lepiej salibro-
11 TOMASZ PISULA O C ENA EFEKTYW N OŚCI DŁ UGO TERMIN OW YC H PR OG N OZ 135 wany niŝ model błądzenia losowego (RW) oraz model powracania do średniej (MRev), tóry naleŝy odrzucić jao niewłaściwy (zob. tabela 2). Dla prognoz wyznaczonych dla poziomu tolerancji α = 1[%] empiryczny procent przeroczeń dla modelu hybrydowego wyniósł 0,7[%], w przypadu testowania wstecznego w oparciu o wszystie wyznaczone prognozy wsteczne oraz aŝ 0,9[%], w przypadu tylo stabilnych oszacowań parametrów. Świadczy to o bardzo dobrej alibracji modelu hybrydowego w tym przypadu. Model rewersji do średniej (zob. tab. 2) w obu rozpatrywanych wariantach naleŝy odrzucić jao niewłaściwy, zaś model błądzenia losowego dawał znacznie zawyŝone oszacowania dla prognozowanych granic VaR niŝ model hybrydowy. Dla prognoz wyznaczonych dla poziomu tolerancji α = 10[%] empiryczny procent przeroczeń dla modelu hybrydowego wyniósł 4,8[%], w przypadu testowania jaości modelu w oparciu o wszystie wyznaczone prognozy wsteczne oraz 7,4[%], w przypadu stabilnych oszacowań parametrów. Dla tego poziomu tolerancji model hybrydowy jest trochę słabiej salibrowany niŝ model powracania do średniej, ale znacznie lepiej salibrowany niŝ model błądzenia losowego. Otrzymane wynii świadczą, Ŝe omawiana metodologia moŝe być z powodzeniem stosowana w pratyce, do oszacowania prognoz długoterminowych dla wartości zagroŝonej Value at Ris. Literatura 1. Best P., Wartość naraŝona na ryzyo. Obliczanie i wdraŝanie modelu VaR. Dom Wydawniczy ABC, Kraów Chow G. C., Test of Equality between Sets of Coefficients in Two Linear Regressions. Econometrica, 1960, nr 28(3). 3. Jajuga K., Miary ryzya rynowego część III. Miary zagroŝenia. Ryne Terminowy, 2000, nr Kim J., Mina J., ClearHorizon Technical Document. Forecasting methodology for horizons beyond two years, Ris Metrics Group, New Yor Pisula T., Mentel G., Prognozy długooresowe dla wartości zagroŝonej Value at Ris w ocenie ryzya inwestowania w acje, [w:] Rona-Chmielowiec W., Jajuga K. [red.], Inwestycje finansowe i ubezpieczenia tendencje światowe a polsi ryne. Wydawnictwo AE we Wrocławiu, Wrocław 2007.
12 136 RYNEK KAPITAŁOWY SKUTECZNE INWESTOWANIE STRESZCZENIE Artyuł jest próbą odpowiedzi na pytanie: na ile suteczne i efetywne są prognozy długoterminowe dla wartości zagroŝonej VaR, obliczone z zastosowaniem metodologii ClearHorizon, wyorzystującej model hybrydowy będący optymalną mieszaniną modelu błądzenia losowego (random wal) i rewersji do średniej (mean reversion). W pierwszej części artyułu przedstawiono teoretyczne aspety omawianej metodologii oraz poazano moŝliwości pratycznego jej wyorzystania na polsim rynu finansowym. Druga część artyułu przedstawia badania empiryczne (z wyorzystaniem prognoz wstecznych), mające na celu ocenę efetywności uzysanych prognoz długoterminowych dla wartości zagroŝonej VaR, obliczonych z zastosowaniem omawianego modelu hybrydowego. EFFICIENCY ASSESSMENT OF LONG-TERM ESTIMATES FOR VALUE AT RISK (VAR) DETERMINED WITH THE USE OF CLEARHORIZON METHODOLOGY SUMMARY The article is the revert to the question: how efficient and effective are long-term estimates for Value at Ris (VaR), calculated with the application of ClearHorizon methodology and the hybrid model which is the optimum mix-ture of random wal and mean reversion. In the first part of the article there have been presented the theoretical aspects of the methodology and its practical application on Polish financial maret. The second part features the empirical research (with the use of bacward estimates) which aim at efficiency evaluation of the obtained long-term estimates for the Various at Ris (VaR) with the use of already discussed hybrid model. Translated by T. Pisula Dr Tomasz Pisula Politechnia Rzeszowsa tpisula@prz.rzeszow.pl
Ocena efektywności długoterminowych prognoz dla wartości zagrożonej (VaR) wyznaczonych z wykorzystaniem metodologii ClearHorizon. 1.
Tomasz Pisula Ocena efetywności długoterminowych prognoz dla wartości zagrożonej (VaR) wyznaczonych z wyorzystaniem metodologii ClearHorizon 1. Wstęp Istnieje duże zapotrzebowanie na modele umożliwiające
Bardziej szczegółowoAnaliza skuteczności wybranych nieparametrycznych metod obliczania VaR
Grzegorz Mentel, Tomasz Pisula Analiza skuteczności wybranych nieparametrycznych metod obliczania VaR Wstęp Bardzo często jako narzędzia oceny ryzyka inwestowania w akcje wykorzystuje się metody oparte
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Zadanie Rozważmy następujący model strzelania do tarczy. Współrzędne puntu trafienia (, Y ) są niezależnymi zmiennymi losowymi o jednaowym rozładzie normalnym N ( 0, σ ). Punt (0,0) uznajemy za środe tarczy,
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichoci Natalia Nehrebeca Wyład 10 1 1. Testowanie hipotez prostych Rozład estymatora b Testowanie hipotez prostych przy użyciu statystyi t Przedziały ufności Badamy czy hipotezy teoretyczne
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoBadanie stacjonarności szeregów czasowych w programie GRETL
Badanie stacjonarności szeregów czasowych w programie GRETL Program proponuje następujące rodzaje testów stacjonarności zmiennych:. Funcję autoorelacji i autoorelacji cząstowej 2. Test Diceya-Fullera na
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoPorównanie metod szacowania Value at Risk
Porównanie metod szacowania Value at Risk Metoda wariancji i kowariancji i metoda symulacji historycznej Dominika Zarychta Nr indeksu: 161385 Spis treści 1. Wstęp....3 2. Co to jest Value at Risk?...3
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZA 1. Wyład wstępny. Teoria prawdopodobieństwa i elementy ombinatoryi. Zmienne losowe i ich rozłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez statystycznych
Bardziej szczegółowoTEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM
EORI OBWODÓW I SYGNŁÓW LBORORIUM KDEMI MORSK Katedra eleomuniacji Morsiej Ćwiczenie nr 2: eoria obwodów i sygnałów laboratorium ĆWICZENIE 2 BDNIE WIDM SYGNŁÓW OKRESOWYCH. Cel ćwiczenia Celem ćwiczenia
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoTestowanie hipotez statystycznych. Wprowadzenie
Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,
Bardziej szczegółowoZARYS METODY OPISU KSZTAŁTOWANIA SKUTECZNOŚCI W SYSTEMIE EKSPLOATACJI WOJSKOWYCH STATKÓW POWIETRZNYCH
Henry TOMASZEK Ryszard KALETA Mariusz ZIEJA Instytut Techniczny Wojs Lotniczych PRACE AUKOWE ITWL Zeszyt 33, s. 33 43, 2013 r. DOI 10.2478/afit-2013-0003 ZARYS METODY OPISU KSZTAŁTOWAIA SKUTECZOŚCI W SYSTEMIE
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 01 JERZY TYMIŃSKI TEORETYCZNE I PRAKTYCZNE ASPEKTY KONCEPCJI WARTOŚCI ZAGROŻONEJ 1 Wprowadzenie W działalności
Bardziej szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoTestowanie hipotez statystycznych
Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez
Bardziej szczegółowoEstymacja 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 szczegółowoSprawy organizacyjne
Sprawy organizacyjne forma zajęć warunki uczestnictwa warunki zaliczenia Modelowanie Rynków Finansowych 1 Hipoteza Random Walk na wschodzących rynkach Europejskich Graham Smith, Hyun-Jung Ryoo (2003) Variance
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoTestowanie hipotez cz. I
Wykład 11 Testowanie hipotez cz. I TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipoteza statystyczna jest to przypuszczenie dotyczące nieznanej własności rozkładu prawdopodobieństwa badanej cechy populacji. W zadaniach
Bardziej szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją
Bardziej szczegółowoWykład 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 szczegółowoWYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoWybrane rozkłady zmiennych losowych i ich charakterystyki
Rozdział 1 Wybrane rozłady zmiennych losowych i ich charaterystyi 1.1 Wybrane rozłady zmiennych losowych typu soowego 1.1.1 Rozład równomierny Rozpatrzmy esperyment, tóry może sończyć się jednym z n możliwych
Bardziej szczegółowoExcel i VBA w analizach i modelowaniu finansowym Pomiar ryzyka. Pomiar ryzyka
Pomiar ryzyka Miary obiektywne stosowane w kwantyfikacji ryzyka rynkowego towarzyszącego zaangażowaniu środków w inwestycjach finansowych obejmują: Miary zmienności, Miary zagrożenia, Miary wrażliwości.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5. PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Rozłady soowe Rozład jednopuntowy Oreślamy: P(X c) 1 gdzie c ustalona liczba. 1 EX c, D 2 X 0 (tylo ten rozład ma zerową wariancję!!!)
Bardziej szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 9. TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd.
WYKŁAD 9 TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd. Było: Przykład 1. Badano krąŝek o wymiarach zbliŝonych do monety jednozłotowej ze stronami oznaczonymi: A, B. NaleŜy ustalić, czy krąŝek jest symetryczny?
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoVII WYKŁAD STATYSTYKA. 30/04/2014 B8 sala 0.10B Godz. 15:15
VII WYKŁAD STATYSTYKA 30/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 7 (c.d) WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności,
Bardziej szczegółowoWykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
Bardziej szczegółowoZASTOSOWANIE EKONOMETRYCZNYCH MODELI PROGNOSTYCZNYCH W TRANSAKCJACH PROPRIETARY TRADING
Mariusz KOZAKIEWICZ 1), Mare KWAS 1), Karolina MUCHA-KUŚ 2), Maciej SOŁTYSIK 2) 1) Szoła Główna Handlowa, 2) TAURON Polsa Energia SA ZASTOSOWANIE EKONOMETRYCZNYCH MODELI PROGNOSTYCZNYCH W TRANSAKCJACH
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW
Było: Testowanie hipotez (ogólnie): stawiamy hipotezę, wybieramy funkcję testową f (test statystyczny), przyjmujemy poziom istotności α; tym samym wyznaczamy obszar krytyczny testu (wartość krytyczną funkcji
Bardziej szczegółowoZawartość. Zawartość
Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami
Bardziej szczegółowoEkonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006
Modele dynamiczne Paweł Cibis pcibis@o2.pl 27 kwietnia 2006 1 Wyodrębnianie tendencji rozwojowej 2 Etap I Wyodrębnienie tendencji rozwojowej Etap II Uwolnienie wyrazów szeregu empirycznego od trendu Etap
Bardziej szczegółowoAnaliza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady
Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM
Bardziej szczegółowoKilka uwag o testowaniu istotności współczynnika korelacji
341 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Piotr Peternek Uniwersytet Ekonomiczny we Wrocławiu Marek Kośny Uniwersytet Ekonomiczny we Wrocławiu Kilka uwag o testowaniu istotności
Bardziej szczegółowoWeryfikacja 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... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoA4: Filtry aktywne rzędu II i IV
A4: Filtry atywne rzędu II i IV Jace Grela, Radosław Strzała 3 maja 29 1 Wstęp 1.1 Wzory Poniżej zamieszczamy podstawowe wzory i definicje, tórych używaliśmy w obliczeniach: 1. Związe między stałą czasową
Bardziej szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoAnaliza metod prognozowania kursów akcji
Analiza metod prognozowania kursów akcji Izabela Łabuś Wydział InŜynierii Mechanicznej i Informatyki Kierunek informatyka, Rok V Specjalność informatyka ekonomiczna Politechnika Częstochowska izulka184@o2.pl
Bardziej szczegółowoGuy Meredith (2003) Medium-Term Exchange Rate Forecasting: What We Can Expect IMF Working Paper WP 03/021.
Guy Meredith (2003) Medium-Term Exchange Rate Forecasting: What We Can Expect IMF Working Paper WP 03/021. Celem artykułu jest porównanie różnych modeli używanych w prognozowaniu kursów walutowych. Modelowanie
Bardziej szczegółowoSterowanie 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 szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 Anna Skowrońska-Szmer lato 2016/2017 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją jako prawdziwą
Bardziej szczegółowoPodstawy rachunku prawdopodobieństwa (przypomnienie)
. Zdarzenia odstawy rachunu prawdopodobieństwa (przypomnienie). rawdopodobieństwo 3. Zmienne losowe 4. rzyład rozładu zmiennej losowej. Zdarzenia (events( events) Zdarzenia elementarne Ω - zbiór zdarzeń
Bardziej szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoMetody probabilistyczne Rozwiązania zadań
Metody robabilistyczne Rozwiązania zadań 6. Momenty zmiennych losowych 8.11.2018 Zadanie 1. Poaż, że jeśli X Bn, to EX n. Odowiedź: X rzyjmuje wartości w zbiorze {0, 1,..., n} z rawdoodobieństwami zadanymi
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowoZmienna bazowa. 100(1 α)% przedział ufności dla µ: 100(α)% test hipotezy dla µ = µ 0; odrzucić, jeżeli Ȳ nie jest w przedziale
Wprowadzenie Wprowadzenie Wnioskowanie podsumowanie Zdefiniuj populację, która będzie przedmiotem badań Zbierz parametry, które będą przedmiotem wnioskowania Wybierz losową próbę z populacji Przeprowadź
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowo1 Estymacja przedziałowa
1 Estymacja przedziałowa 1. PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ (a) MODEL I Badana cecha ma rozkład normalny N(µ, σ) o nieznanym parametrze µ i znanym σ. Przedział ufności: [ ( µ x u 1 α ) ( σn ; x + u 1 α
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej szczegółowoZarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński
Zarządzanie ryzykiem Opracował: Dr inŝ. Tomasz Zieliński I. OGÓLNE INFORMACJE O PRZEDMIOCIE Cel przedmiotu: Celem przedmiotu jest zaprezentowanie studentom podstawowych pojęć z zakresu ryzyka w działalności
Bardziej szczegółowokoszt kapitału D/S L dźwignia finansowa σ EBIT zysku operacyjnego EBIT firmy. Firmy Modele struktury kapitału Rys. 8.3. Krzywa kosztów kapitału.
Modele strutury apitału oszt apitału Optymalna strutura apitału dźwignia finansowa / Rys. 8.3. Krzywa osztów apitału. Założenia wspólne modeli MM Modigliani i Miller w swoich rozważaniach ograniczyli się
Bardziej szczegółowoHipotezy statystyczne
Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej próbki losowej. Hipotezy
Bardziej szczegółowoKOMPUTEROWA SYMULACJA PROCESÓW ZWIĄZANYCH Z RYZYKIEM PRZY WYKORZYSTANIU ŚRODOWISKA ADONIS
KOMPUTEROWA SYMULACJA PROCESÓW ZWIĄZANYCH Z RYZYKIEM PRZY WYKORZYSTANIU ŚRODOWISKA ADONIS Bogdan RUSZCZAK Streszczenie: Artykuł przedstawia metodę komputerowej symulacji czynników ryzyka dla projektu inwestycyjnego
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoWłaściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa.
Właściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa. Paweł Strawiński Uniwersytet Warszawski Wydział Nauk Ekonomicznych 16 stycznia 2006 Streszczenie W artykule analizowane są właściwości
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoEkonometria. Weryfikacja modelu. Paweł Cibis 12 maja 2007
Weryfikacja modelu Paweł Cibis pawel@cibis.pl 12 maja 2007 1 Badanie normalności rozkładu elementu losowego Test Hellwiga dla małej próby Test Kołmogorowa dla dużej próby 2 Testy Pakiet Analiza Danych
Bardziej szczegółowoTESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoTesty dla dwóch prób w rodzinie rozkładów normalnych
Testy dla dwóch prób w rodzinie rozkładów normalnych dr Mariusz Grządziel Wykład 12; 18 maja 2009 Przykład Rozważamy dane wygenerowane losowo; ( podobne do danych z przykładu 7.2 z książki A. Łomnickiego)
Bardziej szczegółowoWykład 12 ( ): Testy dla dwóch prób w rodzinie rozkładów normalnych
Wykład 12 (21.05.07): Testy dla dwóch prób w rodzinie rozkładów normalnych Przykład Rozważamy dane wygenerowane losowo; ( podobne do danych z przykładu 7.2 z książki A. Łomnickiego) n 1 = 9 poletek w dąbrowie,
Bardziej szczegółowo