Ryzyko inwestycji nansowych
|
|
- Gabriela Bielecka
- 6 lat temu
- Przeglądów:
Transkrypt
1 Marcin Studniarski Ryzyko inwestycji nansowych (semestr zimowy 2012/13) 1 Koncepcje i rodzaje ryzyka 1.1 Dwie koncepcje ryzyka 1. Negatywna koncepcja ryzyka - ryzyko jako zagro zenie; mo zliwość straty, szkody, nieosiagni ecia zamierzonego celu dzia ania. 2. Neutralna koncepcja ryzyka - ryzyko jako zagro zenie, ale jednocześnie szansa; mo zliwość uzyskania efektu ró zniacego si e od zamierzonego celu (efekt ten mo ze być gorszy lub lepszy od oczekiwanego). 1.2 Rodzaje ryzyka 1. Ryzyko rynkowe - wynika ze zmian cen na rynkach nansowych i towarowych (koncepcja neutralna). 2. Ryzyko kredytowe - wynika z mo zliwości niedotrzymania warunków kontraktu przez osob e lub instytucj e, której udzielono kredytu. 3. Ryzyko operacyjne - ryzyko straty wynikajacej z nieprawid owo dzia ajacych procesów wewn etrznych, ludzi i systemów informatycznych (koncepcja negatywna). 4. Ryzyko p ynności - ryzyko nieoczekiwanego spadku p ynności nansowej podmiotu gospodarczego (p ynność oznacza zdolność podmiotu do regulowania zobowiazań w terminie) (koncepcja neutralna lub negatywna). 5. Ryzyko prawne - ryzyko uchwalenia nowych aktów prawnych maja- cych wp yw na sytuacj e danego podmiotu gospodarczego (koncepcja neutralna). 6. Ryzyko biznesu - ryzyko spowodowane zmianami warunków ekonomicznych prowadzenia dzia alności gospodarczej przez podmiot (koncepcja neutralna lub negatywna). 7. Ryzyko wydarzeń - ryzyko wystapienia wydarzeń losowych majacych wp yw na sytuacj e podmiotu gospodarczego (np. powódź, po zar, napad na bank) (koncepcja negatywna). 1
2 1.3 Podzia ryzyka rynkowego 1. Ryzyko kursu walutowego 2. Ryzyko stopy procentowej 3. Ryzyko cen akcji 4. Ryzyko cen towarów (tak ze nieruchomości) 1.4 Podzia ryzyka kredytowego 1. Ryzyko niedotrzymania warunków - ryzyko niedokonania przez druga stron e p atności wynikajacych z kontraktu (koncepcja negatywna). 2. Ryzyko wiarygodności kredytowej - mo zliwość zmiany wiarygodności kredytowej drugiej strony (koncepcja neutralna). 2 De nicja papieru wartościowego Papier wartościowy (security) jest to dokument (instrument nansowy) potwierdzajacy jedna z trzech sytuacji: nabycie prawa do wspó w asności rmy, udzielenie kredytu rzadowi, rmie lub instytucji, uzyskanie prawa do otrzymania w przysz ości pewnej wartości (najcz eściej w postaci innego papieru wartościowego). 3 Rodzaje papierów wartościowych 3.1 Akcje Akcja (stock, share) jest to dokument świadczacy o udziale jego w aściciela w kapitale spó ki akcyjnej. Posiadanie akcji zapewnia: prawo do dywidend, prawo do uczestnictwa w walnym zgromadzeniu akcjonariuszy, prawo do udzia u w majatku spó ki w przypadku jej likwidacji. Akcje dziela si e na zwyk e i uprzywilejowane. Uprzywilejowanie mo ze dotyczyć: g osu na zebraniach akcjonariuszy, pierwszeństwa w wyp acaniu dywidendy, pierwszeństwa w podziale majatku spó ki w przypadku jej likwidacji. 2
3 3.2 Obligacje Obligacja (bond) jest to papier wartościowy potwierdzajacy nabycie przez jego posiadacza prawa do otrzymania w określonym terminie sumy pieni edzy określonej w obligacji oraz ewentualnie odsetek Obligacja zamienna daje jej nabywcy prawo do wymiany na inne papiery wartościowe danego emitenta w przysz ości i na z góry określonych warunkach. Podzia obligacji ze wzgl edu na okres do wykupu: krótkoterminowe (1-5 lat), średnioterminowe (5-12 lat), d ugoterminowe (powy zej 12 lat). Podzia obligacji ze wzgl edu na oprocentowanie: o sta ym oprocentowaniu, o zmiennym oprocentowaniu (mo ze być ustalane na poczatku lub na końcu okresu oprocentowania), zerokuponowe (bezodsetkowe) brak odsetek jest rekompensowany sprzeda z a obligacji po cenie ni zszej od wartości nominalnej. 4 Stopa zysku z inwestycji Stopa zysku (stopa zwrotu) z inwestycji jest podstawowa miara określajac a efektywność inwestycji. Określamy ja wzorem K p R := K k ; (1) K p gdzie: K p > 0 kapita poczatkowy (zainwestowany na poczatku procesu inwestycji), K k kapita końcowy (posiadany na końcu inwestycji). Stop e zysku R podaje sie zwykle w procentach. Przekszta caj ac wzór (1), otrzymujemy wzór na kapita końcowy: K k = K p (1 + R): (2) Stwierdzenie 1. Dany jest skończony ciag inwestycji nansowych w przedzia ach czasowych [t i 1 ; t i ], i = 1; ::; n, gdzie t 0 < t 1 < ::: < t n. Za ó zmy, ze kapita końcowy dla poprzedniego okresu jest kapita em poczatkowym dla nast epnego okresu. Je zeli R i jest stopa zysku dla okresu [t i 1 ; t i ], to stopa zysku dla okresu [t 0 ; t n ] wynosi ny R = (1 + R i ) 1: (3) 3
4 Dowód. Oznaczmy przez K i kapita posiadany w momencie t i, i = 0; 1; :::; n. Zgodnie z (2) K i = K i 1 (1 + R i ), i = 1; :::; n: Zatem K 1 = K 0 (1 + R 1 ); K 2 = K 1 (1 + R 2 ) = K 0 (1 + R 1 )(1 + R 2 ); ::: K n = Y n K 0 (1 + R i ): (4) Poniewa z K n jest kapita em końcowym dla ca ego procesu inwestycji, wiec musi spe niać warunek (2), czyli K n = K 0 (1 + R): (5) Porównujac wzory (4) i (5), otrzymujemy (3). Przy za o zeniach Stwierdzenia 1 za ó zmy dodatkowo, ze 1 + R i > 0. Liczb e v uut Y n R := n (1 + R i ) 1 (6) nazywamy średnia geometryczna stopa zysku (zwrotu) z inwestycji n- okresowej o stopach zysku R i, i = 1; :::; n. Sens liczby R jest nastepujacy: jest ona taka, ze inwestycja n-okresowa o równych stopach zysku w poszczególnych okresach, wynoszacych R, daje stop e zysku R określona wzorem (3). Istotnie, stosujac Stwierdzenie 1 do powy zszej sytuacji, otrzymamy R = ny (1 + R) 1 = (1 + R) n 1 = ny (1 + R i ) 1: Stwierdzenie 2. Przy za o zeniach Stwierdzenia 1 i warunku 1 + R i > 0 zachodzi nierówno sć R 1 R i ; (7) n tzn. srednia geometryczna stopa zysku nie przekracza sredniej arytmetycznej stóp zysku z poszczególnych okresów. Dowód. Stosujemy znana nierówność pomi edzy średnia geometryczna i arytmetyczna liczb dodatnich a 1 ; :::; a n : v uy t n n a i 1 a i n 4
5 (równość zachodzi wtedy i tylko wtedy, gdy wszystkie liczby a i sa równe). Niech a i := 1 + R i, wówczas v uut Y R n = n (1 + R i ) 1 1 (1 + R i ) 1 n! = 1 n n n + X R i 1 = 1 R i : n 5 Zasada obliczania procentu sk adanego Szczególnym przypadkiem wzoru (4) jest zasada obliczania procentu sk adanego. Dotyczy ona np. oprocentowanych lokat bankowych, w których jest sta a stopa procentowa, a odsetki sa kapitalizowane po up ywie ka zdego roku: K n = K 0 (1 + R) n ; (8) gdzie: R stopa procentowa (b edaca jednocześnie stopa zysku dla ka zdego roku), K 0 kapita poczatkowy, K n kapita po n latach (wartość przysz a sumy K 0 po n latach). W przypadku, gdy odsetki sa dodawane do kapita u m razy w ciagu roku (przy tej samej rocznej stopie procentowej R), mamy nast epujacy wzór na wartość przysz a sumy K 0 po n latach: K n = K m R mn : (9) Wzór (9) przybiera konkretne postacie w zale zności od cz estości kapitalizacji odsetek: kwartalna: K n = K R 4n 4 miesieczna: K n = K R 12 dzienna: K n = K R 365 ciag a: 12n 365n K n = K 0 lim 1 + R mn m!1 m " = K 0 lim # m=r Rn m!1 m=r = K 0 lim x Rn = K 0 e x!1 x Rn ; (10) gdzie e 2; 7183 podstawa logarytmu naturalnego. Uwaga: wzrost czestości kapitalizacji odsetek ma niewielki wp yw na wzrost wartości przysz ej kapita u. 5
6 6 Zasada dyskonta Zasada dyskonta jest to zasada procentu sk adanego przedstawiona w odwrotnej postaci. Przekszta cajac wzór (8), otrzymujemy K 0 = K n (1 + R) n ; (11) gdzie K 0 nazywamy wartościa bie z ac a sumy pieniedzy K n uzyskiwanej w przysz ości (inaczej: wartościa zdyskontowana na okres bie z acy). Stop e procentowa R nazywamy tu stopa dyskontowa. Interpretacja: wartość bie z aca K 0 wskazuje, jaka sum e nale zy zainwestować na n lat, przy za o zeniu stopy procentowej R oraz rocznej kapitalizacji odsetek, aby otrzymać sume równa K n. 7 Efektywna stopa procentowa W celu wyrównania efektu śródrocznej kapitalizacji odsetek (m razy w ciagu roku) nale zy powi ekszyć stop e procentowa R wystepujac a w (9) do wartości zwanej efektywna stopa procentowa, oznaczanej R ef. Zatem efektywna stopa procentowa spe nia równanie K 0 (1 + R ef ) n = K m R mn : Stad wynika, ze R ef = 1 + R m m 1: (12) 8 Określanie wartości papierów wartościowych Za ó zmy najpierw, ze inwestor zatrzyma papier wartościowy przez rok. Oznaczmy: P wartość papieru wartościowego w momencie zakupu, czyli kapita (poczatkowy) zainwestowany w zakup. C wp ywy gotówkowe z tytu u posiadania papieru wartościowego (zak adamy dla uproszczenia, ze uzyskiwane sa dok adnie po up ywie roku), R stopa zysku papieru wartościowego. Ze wzoru (2) wynika, ze C = P (1 + R), czyli P = C 1 + R : (13) Interpretacja: wartość papieru wartościowego jest to zdyskontowany przychód z tytu u posiadania papieru wartościowego, przy czym stopa dyskontowa jest stopa zysku. 6
7 Uogólnienie. Rozwa zamy papier wartościowy, z tytu u którego otrzymujemy wp ywy przez n kolejnych okresów. Uogólniajac wzór (13), otrzymujemy P = C i (1 + R) i ; (14) gdzie: P wartość papieru wartościowego, C i dochód z tytu u posiadania papieru wartościowego, uzyskany w i-tym okresie, R stopa dyskontowa, b edaca jednocześnie stopa zysku osiaganego w pojedynczym okresie. De nicja. Wartość papieru wartościowego jest to suma zdyskontowanych na okres bie z acy wp ywów uzyskiwanych z tytu u posiadania tego papieru wartościowego, przy czym stopa dyskontowa jest równa jego stopie zysku. Sposoby korzystania ze wzoru (14): 1. Jeśli stopa zysku R jest znana (na podstawie stóp zysku papierów wartościowych podobnego typu), to mo zna porównać wartość P z cena rynkowa papieru wartościowego w celu podj ecia decyzji co do zakupu (zakup jest op acalny, jeśli cena nie przekracza P ). 2. Mo zna przyjać jako P cene rynkowa papieru wartościowego i rozwiazać równanie (14) wzgl edem R w celu wyznaczenia stopy zysku. Wymaga to stosowania metod przybli zonych. Znajac R, mo zna podjać decyzj e o zakupie (np. porównujac R ze stopa zysku, czyli oprocentowaniem, lokat bankowych). 9 Określanie wartości obligacji o sta ym oprocentowaniu Rozwa zmy obligacj e z n-letnim terminem wykupu, o wartości nominalnej M. Za ó zmy, ze odsetki p acone po up ywie ka zdego roku wynosza C. Zatem oprocentowanie obligacji wynosi C=M. Stosujac (14), otrzymujemy wzór na wartość obligacji: C P = (1 + R) i + M (1 + R) n ; (15) gdzie Pn C (1+R) i M (1+R) n zdyskontowany przychód z odsetek, zdyskontowany przychód z wykupu obligacji. W (15) wystepuja dwie ró zne stopy procentowe: 1. C=M stopa procentowa określajaca oprocentowanie odsetek od obligacji (jest sta a i znana w momencie zakupu). 2. R stopa dyskontowa b edaca jednocześnie stopa zysku obligacji (zwana tak ze stopa rentowności). 7
8 Wartość R jest zmienna w czasie, gdy z zale zy od ceny rynkowej. W praktyce P jest cena rynkowa i jest znana, a nieznana jest stopa zysku R. 10 Określanie wartości akcji zwyk ych Zysk z tytu u posiadania akcji pochodzi z dwóch źróde : 1. z dywidendy p aconej w danym okresie, 2. z przyrostu kapita u w danym okresie (wynikajacego z przyrostu ceny akcji). Za ó zmy najpierw, ze posiadacz akcji sprzeda ja po up ywie n lat. Wówczas z (14) otrzymujemy D i P = (1 + R) i + P n (1 + R) n ; (16) gdzie P wartość akcji w chwili obecnej, P n wartość akcji po n latach, D i dywidenda wyp acona w i-tym roku (dla uproszczenia zak adamy, ze jest wyp acana z końcem roku), R stopa zysku akcji, b ed aca stopa dyskontowa, zdyskontowany przychód z dywidend, P n P n (1+R) n D i (1+R) i zdyskontowany przychód ze sprzeda zy akcji. Za ó zmy teraz, ze nabywca akcji b edzie ja zawsze posiada. Wówczas znika ostatni sk adnik po prawej stronie (16), a zamiast skończonej sumy rozwa zamy jej wartość graniczna (o ile istnieje): P = lim n!1 1 D i (1 + R) i = X D i (1 + R) i : (17) Wzór (17) nazywamy modelem zdyskontowanych dywidend. Uwagi. 1) Zbie zność szeregu w (17) ma miejsce np. wtedy, gdy istnieje taka sta a A > 0, ze D i D 1 A i 1 A, i = 2; 3; ::: oraz 1+R < 1. Wówczas lim n!1 D i (1 + R) i lim n!1 D 1 A i 1 (1 + R) i = D 1 1X A i 1 (1 + R) i ; A 1+R 2 gdzie szereg po prawej stronie jest szeregiem geometrycznym o ilorazie (0; 1), a wiec zbie znym. 2) We wzorze (17) wyd u zenie horyzontu czasowego inwestowania do nieskończoności (co jest oczywiście jedynie przybli zeniem rzeczywistej sytuacji) powoduje, ze nie rozpatrujemy przyrostu kapita u z powodu zmian cen akcji. Nie ma on znaczenia, gdy nieplanuje si e sprzeda zy akcji. Jedynym źród em dochodu z akcji staje si e dywidenda. 8
9 11 Określanie wartości przedsi ebiorstwa Wartość przedsi ebiorstwa (np. spó ki, banku, zak adu ubezpieczeń) jest to wartość obecna (bie z aca) przysz ych przep ywów pieni e znych do przedsi ebiorstwa. Wyra za ja wzór podobny do (17): P = 1X C i (1 + R) i ; (18) gdzie P wartość przedsi ebiorstwa, C i przep yw pienie zny w okresie i, R stopa dyskontowa. Sumowanie nieskończone wynika z za o zenia, ze przedsi ebiorstwo b edzie funkcjonowa o stale (przez czas nieokreślony). 12 Zale zność stopy zysku od sposobu kapitalizacji Przedstawimy teraz trzy ró zne wzory na stop e zysku z inwestycji trwajacej n okresów jednostkowych (najcz eściej sa to lata). Ró znice wynikaja z odmiennych sposobów kapitalizacji odsetek. Uwaga: n nie musi być liczba naturalna Prosta stopa zysku Prosta stopa zysku odpowiada kapitalizacji okresowej, tzn. odsetki sa kapitalizowane jeden raz na zakończenie ca ego procesu inwestycji. Sytuacj e t e opisuje szczególny przypadek wzoru (9), gdy m = 1=n: K n = K 0 (1 + nr): (19) Wyznaczajac stad R, otrzymujemy wzór na prosta stop e zysku: R = 1 Kn 1 : (20) n K Efektywna stopa zysku Efektywna stopa zysku odpowiada kapitalizacji rocznej, która opisuje wzór (8). Stad otrzymujemy wzór na efektywna stop e zysku: R = Kn K 0 1=n 1: (21) 9
10 12.3 Logarytmiczna stopa zysku Logarytmiczna stopa zysku odpowiada kapitalizacji ciag ej. Logarytmujac stronami wzór (10), otrzymujemy ln K n = ln K 0 + Rn: Stad dostajemy wzór na logarytmiczna stop e zysku: R = 1 n (ln K n ln K 0 ) = 1 n ln K n K 0 : (22) 13 Przestrzeń probabilistyczna Niech b edzie dowolnym zbiorem zdarzeń elementarnych. Prawdopodobieństwo przypisujemy podzbiorom zbioru nale z acym do tzw. klasy zdarzeń F, gdzie F 2. Zak adamy, ze F jest -cia em podzbiorów, tzn. spe nia nastepujace warunki: S1. F 6= ;. S2. Je zeli A 2 F, to na 2 F. S3. Je zeli A i 2 F dla i = 1; 2; :::, to S 1 A i 2 F. Z powy zszych warunków wynika, ze do F nale z a zdarzenia: (zdarzenie pewne) i ; (zdarzenie niemo zliwe). Najmniejsze -cia o zawierajace wszystkie zbiory otwarte w R n nazywamy -cia em zbiorów borelowskich w R n i oznaczamy B(R n ). Prawdopodobieństwem nazywamy dowolna funkcje P : F! R spe niajac a warunki: A1. P (A) 0 dla ka zdego A 2 F, A2. P () = 1, A3. Je zeli A i 2 F dla i = 1; 2; ::: oraz A i \ A j = ; dla i 6= j, to P! 1[ 1X A i = P (A i ): (23) Przestrzenia probabilistyczna nazywamy trójke (; F; P ), gdzie jest dowolnym zbiorem, F jest -cia em podzbiorów, a P jest prawdopodobieństwem określonym na F. W asności prawdopodobieństwa. Je zeli (; F; P ) jest przestrzenia probabilistyczna i zbiory A; B; A 1 ; :::; A n nale z a do F, to spe nione sa poni zsze warunki: W1. P (;) = 0. W2. Je zeli A i \ A j = ; dla i 6= j, to P ( S n A i) = P n P (A i). W3. P (na) = 1 P (A). W4. Je zeli A B, to P (BnA) = P (B) P (A). W5. Je zeli A B, to P (A) P (B). W6. P (A) 1. W7. P (A [ B) = P (A) + P (B) P (A \ B). 10
11 Uwaga. Jeśli jest zbiorem skończonym i F = 2, to z równości = [ f!g!2!2 oraz z warunków A2 i W2 wynika, ze! X [ P (f!g) = P f!g = P () = 1: (24) 14 Zmienne losowe!2 Niech (; F; P ) b edzie przestrzenia probabilistyczna. Zmienna losowa (wek- torem losowym) o wartościach w R n nazywamy odwzorowanie X :! R n takie, ze dla dowolnego zbioru borelowskiego A w R n zbiór X 1 (A) nale zy do F. Mo zna wykazać, ze X jest zmienna losowa wtedy i tylko wtedy, gdy dla ka zdego uk adu liczb 1 ; :::; n 2 R mamy X 1 (( 1; 1 ] ::: ( 1; n ]) 2 F: Uwaga. Jeśli jest zbiorem skończonym i F = 2, to ka zda funkcja X :! R n jest zmienna losowa. Rozk adem prawdopodobieństwa zmiennej losowej X :! R n nazywamy funkcje P X : B(R n )! R dana wzorem P X (B) := P (X 1 (B)) dla B 2 B(R n ): (25) Mówimy, ze zmienna losowa X ma rozk ad dyskretny, je zeli istnieje taki zbiór przeliczalny S R n, ze P X (S) = 1. Uwaga. Jeśli jest zbiorem skończonym i F = 2, to mo zna przyjać S := X() (zbiór skończony) i wtedy P X (S) = P X (X()) = P (X 1 (X())) = P () = 1: Zatem ka zda zmienna losowa określona na skończonym zbiorze zdarzeń elementarnych ma rozk ad dyskretny Wartość oczekiwana zmiennej losowej o rozk adzie dyskretnym Wartościa oczekiwana (lub średnia) zmiennej losowej X :! R o rozk adzie dyskretnym, przyjmujacej skończenie wiele wartości, nazywamy liczb e EX := X i2i x i P (X = x i ); (26) 11
12 gdzie X() = fx i g i2i, I skończony zbiór indeksów, a P (X = x i ) jest skróconym zapisem wyra zenia P (f! 2 : X(!) = x i g). Wartościa oczekiwana wektora losowego X = (X 1 ; :::; X n ) :! R n, gdzie wszystkie zmienne losowe X i przyjmuja skończenie wiele wartości, nazywamy wektor EX := (EX 1 ; :::; EX n ): (27) 14.2 Wartość oczekiwana zmiennej losowej w przypadku ogólnym W przypadku dowolnej zmiennej losowej X :! R mówimy, ze ma ona wartość oczekiwana, je zeli jest ca kowalna, tzn. Z jxj dp < 1: Wówczas wartościa oczekiwana zmiennej losowej X nazywamy liczb e Z EX := XdP: (28) De nicja (28) jest uogólnieniem de nicji (26). W ogólnym przypadku do zde niowania wartości oczekiwanej wektora losowego u zywamy wzoru (27) przy za- o zeniu, ze wszystkie wspó rz edne maja wartość oczekiwana. Ze wzoru (27) i z podstawowych w asności ca ki wynika nastepujace twierdzenie. Twierdzenie 1. Niech X i Y b ed a zmiennymi losowymi na o warto sciach w R. Za ó zmy, ze istnieja warto sci oczekiwane EX i EY. Wówczas: (a) Je sli X 0, to EX 0. (b) jexj E jxj. (c) Dla dowolnych a, b 2 R istnieje warto sć oczekiwana ax + by i E(aX + by ) = aex + bey. (29) 15 Prognozowanie stopy zysku z inwestycji 15.1 Metoda 1 na podstawie danych z przesz ości W metodzie tej wykorzystuje si e dane z pewnej ilości okresów poprzedzajacych okres inwestowania. W przypadku akcji stopa zysku w okresie i jest określona wzorem R i = P i P i 1 + D i ; (30) P i 1 gdzie P i, P i 1 oznaczaja wartości akcji odpowiednio w okresach i, i 1, a D i dywidend e wyp acana w okresie i. Wzór (30) jest szczególnym przypadkiem ogólnego wzoru (1), gdzie kapita pocz atkowy K p przyjmujemy jako równy P i 1, a kapita końcowy K k jako 12
13 równy P i +D i. Jeśli dysponujemy danymi z n poprzednich okresów, to dla prognozowania stopy zysku w nadchodzacym okresie (o tej samej d ugości) mo zemy u zyć średniej arytmetycznej R = 1 R i (31) n albo średniej geometrycznej określonej wzorem (6) Metoda 2 wykorzystanie oczekiwanej stopy zysku Korzystajac z analiz ekspertów dotyczacych sytuacji danej rmy oraz ca ej gospodarki, mo zna próbować ocenić mo zliwe stopy zysku w ró znych sytuacjach oraz prawdopodobieństwa ich wystapienia. Wówczas do prognozowania przysz ej stopy zysku u zywamy oczekiwanej stopy zysku. Metod e t e nazywamy prognozowaniem ekspertowym. Oczekiwana stopa zysku (zwrotu) z inwestycji nazywamy liczb e ER := p i R i ; (32) gdzie R i stopa zysku wystepujaca w i-tej sytuacji, p i prawdopodobieństwo wystapienia i-tej sytuacji, n liczba mo zliwych ró znych scenariuszy rozwoju. 16 Wariancja i odchylenie standardowe zmiennej losowej Niech X :! R b edzie zmienna losowa. Jeśli E (X EX) 2 < 1, to te liczb e nazywamy wariancja zmiennej losowej X i oznaczamy Var X = D 2 X := E (X EX) 2 : (33) Wariancj e mo zna inaczej zapisać nast epujaco: Var X = E(X 2 ) (EX) 2 : (34) Dowód (34). Var X := E[(X EX) 2 ] = E[X 2 2XEX + (EX) 2 ] = E(X 2 ) (EX) 2. Ze wzorów (33) i (26) wynika, ze jeśli X przyjmuje skończona ilość wartości x i, i 2 I, to Var X = X P (X = x i )(x i i2i EX) 2 : (35) W asności wariancji. Jeśli X jest zmienna losowa, dla której E(X 2 ) < 1, to istnieje Var X i spe nia warunki (a) Var X 0. (b) Var(X) = 2 Var X ( 2 R). 13
14 (c) Var(X + ) = Var(X) ( 2 R). (d) Var X = 0 wtedy i tylko wtedy, gdy zmienna losowa X jest sta a z prawdopodobieństwem 1. Odchyleniem standardowym zmiennej losowej X nazywamy pierwiastek z wariancji: X = DX = p Var X: (36) 17 Ryzyko papieru wartościowego (koncepcja neutralna) Ryzyko inwestycji nansowej oznacza niepewność wystapienia oczekiwanej sytuacji w procesie inwestowania. Określa ono tak ze skal e zró znicowania (rozproszenia) prognozy lub danych historycznych. Miarami ryzyka zwiazanego z inwestowaniem w papiery wartościowe sa wariancja i odchylenie standardowe papieru wartościowego Prognozowanie ekspertowe W przypadku prognozowania ekspertowego wariancj e papieru wartościowego de niujemy nast epujaco: V := p i (R i ER) 2 ; (37) gdzie R i stopa zysku wystepujaca w i-tej sytuacji, p i prawdopodobieństwo wystapienia i-tej sytuacji, ER oczekiwana stopa zysku z inwestycji, dana wzorem (32). Im mniejsza wartość V, tym mniejsze ryzyko osiagni ecia oczekiwanej stopy zysku. Najmniejsza mo zliwa do osiagni ecia wartościa jest 0. Wystepuje ona wtedy, gdy wszystkie mo zliwe scenariusze rozwoju charakteryzuja sie jednakowa stopa zysku. Sytuacja ta ma miejsce np. dla obligacji o sta ym oprocentowaniu Prognozowanie ryzyka na podstawie wartości historycznych stóp zysku Zak ada si e, ze rozk ad przysz ych stóp zysku b edzie si e charakteryzowa takim samym ryzykiem, jakie wyst epowa o w dotychczasowych notowaniach. Wariancj e dotychczasowych stóp zysku oblicza si e wed ug wzoru V := 1 n (R i R) 2 ; (38) gdzie n liczba okresów, z których pochodza dane, R i stopy zysku uzyskane w kolejnych okresach, R średnia historyczna stopa zysku, dana wzorem (31). Poniewa z nie sa określone prawdopodobieństwa wystapienia poszczególnych stóp 14
15 zysku R i, przyjmuje sie, ze sa one jednakowe i wynosza 1=n. Wówczas ER = R zgodnie z wzorem (32), a zatem (38) jest szczególnym przypadkiem (37), gdzie p i = 1=n dla i = 1; :::; m. W przypadku ma ej liczby danych (n 30) do prognozowania wariancji stopy zysku stosuje si e wyra zenie ^V := 1 n 1 (R i R) 2 : (39) Sens u zycia tego wzoru wynika z faktu, ze ^V jest tzw. estymatorem nieobcia zonym wariancji, co wyjaśnimy dok adniej na wyk adzie z analizy portfelowej (w semestrze letnim). W obu przypadkach jako odchylenie standardowe stopy zysku przyjmujemy pierwiastek z odpowiedniego wyra zenia, tzn. p V lub p ^V. 18 Ryzyko papieru wartościowego (koncepcja negatywna) Jeśli ryzyko rozwa zane jest w kategoriach zagro zenia, to pod uwag e bierze si e tylko ujemne odchylenia od oczekiwanej stopy zysku. Wówczas zamiast wariancji rozwa za si e semiwariancj e stopy zysku określona nastepujaco: gdzie d i := SV := p i d 2 i ; (40) Ri ER; gdy R i ER < 0; 0; gdy R i ER 0: (41) Odpowiednikiem odchylenia standardowego jest semiodchylenie standardowe stopy zysku: s := p SV : (42) 19 Wp yw zmiany kursu walutowego na stop e zysku Ryzyko kursu walutowego wyst epuje wtedy, gdy podmiot ma aktywa lub zobowiazania wyra zone w walucie obcej. Rozwa zamy ogólna sytuacje, gdy w czasie mo ze si e zmieniać zarówno wartość kapita u (aktywów, zobowiazań) w walucie obcej, jak i kurs tej waluty. Interesuje nas wp yw obu tych zmian na wartość kapita u wyra zona w walucie krajowej. Dla uproszczenia b edziemy rozwa zać euro i z ote. B edziemy korzystać z ogólnego wzoru (2) na kapita końcowy przy inwestycji jednookresowej. Wprowadźmy nast epujace oznaczenia: K p;e kapita poczatkowy wyra zony w euro, 15
16 K p;z kapita poczatkowy wyra zony w z otych, K k;e kapita końcowy wyra zony w euro, K k;z kapita końcowy wyra zony w z otych, c p kurs euro (tj. wartość 1 euro wyra zona w z otych) w momencie poczatko- wym, c k kurs euro w momencie końcowym, R e procentowa zmiana wartości kapita u wyra zonego w euro (stopa zysku), R z procentowa zmiana wartości kapita u wyra zonego w z otych (stopa zysku), R c procentowa zmiana kursu euro. Stwierdzenie 3. Przy powy zszych za o zeniach stopa zysku w z otych wyra za si e wzorem R z = R e + R c + R e R c : (43) Z (2) i z de nicji kursu walutowego wynikaja nastepujace za- Dowód. le zności: Ponadto z de nicji R c mamy K k;z = K p;z (1 + R z ); (44) K k;e = K p;e (1 + R e ); (45) K p;z = K p;e c p ; (46) K k;z = K k;e c k : (47) c k = c p (1 + R c ): (48) Stosujac kolejno wzory (44), (47), (45), (48) i (46), otrzymujemy K p;z (1 + R z ) = K k;z = K k;e c k = K p;e (1 + R e )c p (1 + R c ) = K p;z (1 + R e )(1 + R c ): (49) Dzielac (49) stronami przez K p;z, dostajemy 1 + R z = (1 + R e )(1 + R c ) = 1 + R e + R c + R e R c ; skad wynika (43). 20 Niezale zność zmiennych losowych Zmienne losowe X 1 ; :::; X n o wartościach w R, określone na zbiorze, gdzie (; F; P ) jest przestrzenia probabilistyczna, nazywamy niezale znymi, je zeli dla dowolnych zbiorów B 1 ; :::; B n 2 B(R) zachodzi równość P (X 1 2 B 1 ; :::; X n 2 B n ) = P (X 1 2 B 1 ) ::: P (X n 2 B n ): (50) W powy zszym wzorze wyra zenie po lewej jest skróconym zapisem wyra zenia P f! 2 : X 1 (!) 2 B 1 ^ ::: ^ X n (!) 2 B n g; 16
17 podobna uwaga dotyczy wyra zeń po prawej stronie. Twierdzenie 2. Je zeli zmienne losowe X 1 ; :::; X n sa niezale zne i maja warto sć oczekiwana, to istnieje warto sć oczekiwana iloczynu Q n X i i zachodzi równo sć! ny ny E X i = EX i : (51) Dowód przeprowadzimy dla przypadku dwóch zmiennych losowych X, Y przyjmujacych skończenie wiele wartości. Za ó zmy, ze X() = fx i g i2i, Y () = fy j g j2j, gdzie I, J skończone zbiory indeksów. Poniewa z zbiory jednoelementowe fx i g i fy j g sa borelowskie, wi ec z (50) otrzymujemy P (X = x i ; Y = y j ) = P (X = x i )P (Y = y j ) (i 2 I, j 2 J). Stad na podstawie (26) E(XY ) = X X x i y j P (X = x i ; Y = y j ) i2i j2j = X X x i y j P (X = x i )P (Y = y j ) i2i j2j! 0 1 X = x i P (X = x i X y j P (Y = y j ) A = EX EY. i2i j2j Twierdzenie 3. Przy za o zeniach Twierdzenia 2 zachodzi równo sć Var! X i = Var X i : (52) Dowód (dla dwóch zmiennych losowych X, Y ). Korzystajac kolejno ze wzorów (34), (29), (51) i ponownie z (34), otrzymujemy h Var(X + Y ) = E (X + Y ) 2i [E (X + Y )] 2 = E X 2 + 2XY + Y 2 [EX + EY ] 2 = E(X 2 ) + 2E (XY ) + E(Y 2 ) (EX) 2 2EX EY (EY ) 2 = E(X 2 ) (EX) 2 + E(Y 2 ) (EY ) 2 = Var X + Var Y. 21 Kowariancja i wspó czynnik korelacji zmiennych losowych Kowariancja ca kowalnych zmiennych losowych X i Y, spe niaj acych warunek E jxy j < 1, nazywamy liczb e Cov(X; Y ) := E [(X EX) (Y EY )] : (53) 17
18 Z powy zszej de nicji i z Twierdzenia 1(c) otrzymujemy Cov(X; Y ) = E [XY (EX)Y X(EY ) + EX EY ] = E(XY ) 2EX EY + E(EX EY ) = E(XY ) EX EY; (54) gdzie ostatnia równość wynika z faktu, ze wartość oczekiwana zmiennej losowej o sta ej wartości jest równa tej sta ej. Jeśli Cov(X; Y ) = 0, to zmienne losowe X i Y nazywamy nieskorelowanymi; w przeciwnym przypadku skorelowanymi. Korzystajac z nierówności Schwarza dla ca ek, mo zna wykazać nast epujac a nierówność: jcov(x; Y )j p Var X Var Y ; (55) przy czym równość zachodzi wtedy i tylko wtedy gdy z prawdopodobieństwem 1 zmienne losowe X i Y zwiazane sa zale znościa liniowa, tzn. istnieja takie liczby a, b 2 R, ze P fy = ax + bg = 1: (56) Wspó czynnikiem korelacji zmiennych losowych X i Y o dodatnich odchyleniach standardowych nazywamy liczb e (X; Y ) := Cov(X; Y ) X Y = Cov(X; Y ) p Var X Var Y : (57) Z nierówności (55) wynika, ze j(x; Y )j 1, a równość zachodzi tylko w przypadku liniowej zale zności miedzy zmiennymi X i Y. Z Twierdzenia 2 i z równości (54) wynika, ze jeśli zmienne losowe X i Y sa niezale zne i maja wartość oczekiwana, to sa nieskorelowane. Za ó zmy teraz, ze zmienne losowe X i Y przyjmuja skończenie wiele wartości i ze dany jest rozk ad prawdopodobieństwa pary zmiennych losowych (X; Y ), tzn. dane sa skończone ciagi liczbowe x 1 ; :::; x n i y 1 ; :::; y n oraz ciag liczb dodatnich p 1 ; :::; p n takie, ze p i = 1 oraz P (X = x i ; Y = y i ) = p i, i = 1; :::; n: (58) Wówczas, korzystajac z wzoru (26) na wartość oczekiwana, mo zemy zapisać wzór (53) w postaci Cov(X; Y ) = p i (x i EX) (y i EY ) : (59) 22 Korelacja papierów wartościowych Rozwa zmy teraz przypadek, gdy zmiennymi losowymi X i Y sa odpowiednio stopy zysku R A i R B akcji A i B. Niech A i B oznaczaja odpowiednio 18
19 odchylenia standardowe stóp zysku akcji A i B. W przypadku akcji za o zenie ich dodatniości jest na ogó spe nione. W przypadku prognozowania ekspertowego, jako szczególny przypadek wzoru (59), otrzymujemy nast epujac a de nicj e: Kowariancja akcji (ogólniej: inwestycji nansowych) A i B nazywamy liczb e Cov(R A ; R B ) := p i (R A;i ER A ) (R B;i ER B ) ; (60) gdzie: R A;i stopa zysku akcji A w i-tej sytuacji (podobnie dla akcji B), p i prawdopodobieństwo wystapienia i-tej sytuacji, n ilość mo zliwych sytuacji. Wspó czynnikiem korelacji akcji (ogólniej: inwestycji nansowych) A i B nazywamy liczb e A;B : = Cov(R A; R B ) A P B n = p i (R A;i ER A ) (R B;i ER B ) pp n p i(r A;i ER A ) 2p P n p i(r B;i ER B ) ; (61) 2 gdzie: R A;i stopa zysku akcji A w i-tej sytuacji (podobnie dla akcji B), p i prawdopodobieństwo wystapienia i-tej sytuacji, n ilość mo zliwych sytuacji. Jeśli korelacj e określa si e na podstawie obserwacji statystycznych stóp zysku (R A;i ; R B;i ), i = 1; :::; n, to wzory określajace kowariancj e i wspó czynnik korelacji przyjmuja postać Cov(R A ; R B ) := 1 n R A;i ~ RA R B;i ~ RB ; (62) gdzie ~ R A, ~ RB średnie arytmetyczne odpowiednio wielkości R A;i, R B;i (i = 1; :::; n), A;B : = Cov(R A; R B ) A B P n R A;i RA ~ R B;i RB ~ = q Pn (R A;i ~R A ) 2 q Pn (R B;i ~R B ) 2 : (63) W przypadku ma ej liczby danych, wspó czynnik 1=n wyst epujacy w (62) i (niejawnie) w (63) mo ze być zastapiony przez 1=(n 1), podobnie jak przy obliczaniu wariancji akcji. Mówimy, ze akcje (inwestycje nansowe) A i B sa (a) dodatnio skorelowane, jeśli A;B > 0, 19
20 (b) ujemnie skorelowane, jeśli A;B < 0, (c) nieskorelowane, jeśli A;B = 0, (d) doskonale (dok adnie) dodatnio skorelowane, jeśli A;B = 1, (e) doskonale (dok adnie) ujemnie skorelowane, jeśli A;B = 1. Uwaga. Wspó czynnik korelacji jest miara zale zności liniowej (por. wzór (56)), tj. miara skupiania sie punktów (R A;i ; R B;i ) (w uk adzie wspó rzednych na p aszczyźnie) wokó linii prostej. 23 Wariancja sumy zmiennych losowych Dotychczas podaliśmy wzór na wariancj e sumy zmiennych losowych jedynie w przypadku zmiennych losowych niezale znych (wzór (52)). Obecnie podamy wzór dla przypadku ogólnego. Twierdzenie 4. Je zeli zmienne losowe X 1 ; :::; X n maja wariancj e, to istnieje te z wariancja sumy P n X i i zachodzi równo sć Var! X X i = Var X i + 2 Cov(X i ; X j ): (64) 1i<jn Dowód. otrzymujemy = Korzystajac kolejno z (34), (29), ponownie z (34) oraz z (54), Var! 2 X i = E 4 E(X 2 i ) (EX i ) = Var X i + 2! 3 2 X i 5 X 1i<jn X 1i<jn! 2 EX i [E(X i X j ) EX i EX j ] Cov(X i ; X j ). Wniosek. Je zeli zmienne losowe X 1 ; :::; X n maja wariancj e i sa parami nieskorelowane, to zachodzi równo sć (52). 24 Portfel wielu akcji Oznaczmy: m liczba rm, których akcje sa w portfelu (ponumerowanych od 1 do m), n j ilość j-tych akcji znajdujacych sie w portfelu. Zak adamy, ze n j (j = 1; :::; m) sa liczbami nieujemnymi. Aby portfel by niepusty, trzeba za o zyć, ze n j > 0 dla pewnego j. Liczby n j wyznaczaja sk ad ilościowy portfela. Nas interesuje sk ad procentowy (wartościowy) portfela, tzn. jaki jest stosunek wartości j-tych akcji w portfelu do acznej wartości wszystkich akcji znajdujacych sie w tym portfelu. 20
21 liczba W celu wyznaczenia sk adu procentowego oznaczmy: p j cena rynkowa j-tej akcji (p j > 0). Wówczas udzia procentowy (w sensie wartości) j-tej akcji w portfelu określa u j := Uwaga. atwo sprawdzić, ze n j p j P m n ip i, j = 1; :::; m: (65) u j 0; j = 1; :::; m; mx u j = 1 (66) j=1 (tzw. równanie bud zetowe). Zbiór 8 < P m := : u = (u 1; :::; u m ) 2 R m : u i 0, i = 1; :::; m, 9 mx = u j = 1 ; j=1 (67) nazywamy zbiorem portfeli m-sk adnikowych. Wspó rzedna u j wektora u oznacza udzia j-tych papierów wartościowych w portfelu u. Zbiór P m jest sympleksem m-wymiarowym o wierzcho kach (0; ::; 0; 1 i ; 0; :::; 0), i = 1; :::; m, gdzie 1 i oznacza jedynke na i-tym miejscu. Dla dowolnego portfela u 2 P m przyjmujemy nastepujace oznaczenia: R j stopa zysku z inwestycji w j-te papiery wartościowe, R = (R 1 ; :::; R m ) wektor (losowy) stóp zysku, = ( 1 ; :::; m ) wektor oczekiwanych stóp zysku, gdzie i := E(R i ) (i = 1; :::; m), K p kapita poczatkowy inwestora, K p;j := u j K p cześć kapita u poczatkowego zainwestowana w j-te papiery wartościowe, K k kapita końcowy inwestora, K k;j kapita końcowy w j-tych papierach wartościowych. Ze wzoru (2) otrzymujemy K k;j = K p;j (1 + R j ), j = 1; :::; m. Stop e zysku portfela u de niujemy, zgodnie z wzorem (1), jako zmienna losowa o wartościach rzeczywistych: K p R(u) := K k : (68) K p W dalszym ciagu symbolem hx; yi b edziemy oznaczać iloczyn skalarny w przestrzeni R m : mx hx; yi := x i y i dla x = (x 1 ; :::; x m ), y = (y 1 ; :::; y m ): (69) Stwierdzenie 4. Zachodzi równo sć R(u) = hu; Ri : (70) 21
22 Dowód. R(u) = K P m k K p j=1 = K P m k;j j=1 K p;j P K m p j=1 K p;j P m j=1 = K P m p;j(1 + R j ) j=1 K P m p;j j=1 P m j=1 K = K p;jr j P m p;j j=1 K p;j = K P m p j=1 u jr j mx P m K p j=1 u = u j R j = hu; Ri. j j=1 Oczekiwana stopa zysku portfela u jest dana wzorem 0 1 mx mx ER(u) = u j R j A = u j j = hu; i : (71) j=1 25 Macierz kowariancji wektora losowego Niech X :! R m b edzie wektorem losowym. Jeśli istnieja wariancje Var X j, j = 1; :::; m, to macierz j=1 C := [c ij ] m i;j=1, gdzie c ij = Cov(X i ; X j ); (72) nazywamy macierza kowariancji wektora losowego X = (X 1 ; :::; X m ). Istnienie kowariancji Cov(X i ; X j ) dla dowolnej pary (i; j) wynika z przyjetego za- o zenia i ze wzoru (55). Stwierdzenie 5. Macierz kowariancji ma nast epujace w asno sci: (a) jest symetryczna, tzn. c ij = c ji dla dowolnej pary (i; j), (b) jest nieujemnie określona, tzn. ucu T = mx u i u j c ij 0 dla ka zdego u 2 R m : (73) i;j=1 Dowód. (a) wynika ze wzoru (53). (b) Rozwa zmy zmienna losowa Y 1; :::; m), to EY = P m u i i oraz 0 Var Y = E (Y EY ) 2 = E mx = E 4 u i u j (X i i )(X j j ) 5 = i;j=1 = := P m u ix i. Jeśli EX i = i (i = 2! 3 2 mx u i (X i i ) 5 mx u i u j E (X i i )(X j j ) i;j=1 mx u i u j Cov(X i ; X j ) = ucu T. (74) i;j=1 22
23 Stosujac cz eść (b) powy zszego dowodu do zmiennej losowej R(u) określonej wzorem (70) (gdzie u 2 R m + ), otrzymujemy Wniosek. Wariancja stopy zysku portfela u 2 P m jest dana wzorem Var R(u) = ucu T ; (75) gdzie C jest macierza kowariancji wektora stóp zysku R = (R 1 ; :::; R m ). Ryzyko portfela u jest określone jako odchylenie standardowe (u) = p Var R(u): (76) Mówimy, ze macierz C jest dodatnio określona, je zeli ucu T > 0 dla ka zdego u 2 R m nf0g: (77) Uwaga. Cz esto w literaturze macierz nieujemnie określona nazywa si e macierza dodatnio okre slona. Wówczas macierz spe niajac a warunek (77) nazywa sie macierza scísle dodatnio okre slona. Stwierdzenie 6. Macierz kowariancji C wektora losowego X nie jest dodatnio okre slona wtedy i tylko wtedy, gdy istnieja takie liczby u 1 ; :::; u m nie wszystkie równe zeru, ze zmienna losowa P m u ix i jest sta a z prawdopodobieństwem jeden. Dowód. Zaprzeczenie warunku (77) oznacza, ze istnieje taki wektor u 6= 0, ze ucu T = 0. Na mocy (74) jest to równowa zne warunkowi 2! 3 mx m 2 X E 4 u i X i u i i 5 = 0: (78) Wiadomo, ze wartość oczekiwana nieujemnej zmiennej losowej jest równa zeru wtedy i tylko wtedy, gdy ta zmienna losowa jest równa zeru z prawdopodobieństwem 1. Zatem warunek (78) oznacza, ze P m u ix i jest z prawdopodobieństwem 1 równa sta ej P m u i i. Wniosek. Macierz kowariancji C nie jest dodatnio okre slona wtedy i tylko wtedy, gdy jedna ze zmiennych losowych X i zale zy (z prawdopodobieństwem jeden) w sposób liniowy od pozosta ych zmiennych losowych. Dowód. Na mocy Stwierdzenia 6 macierz C nie jest dodatnio określona, 9u 6= 0, P m u ix i = z prawdopodobieństwem 1, gdzie jest pewna sta a. Wybierajac spośród liczb u i jedna ró zna od zera (oznaczmy ja u s ), otrzymamy równowa zny warunek (tak ze z prawdopodobieństwem 1) 0 1 X s = X u i X i + A. u s i6=s Uwaga. W przypadku macierzy kowariancji wektora stóp zysku portfela u 2 P m sytuacja opisana w powy zszym wniosku oznacza, ze jeden z papierów wartościowych znajdujacych sie w portfelu mo zna usunać, zastepujac go kombinacja pozosta ych papierów wartościowych. 23
24 26 Inny wzór na wariancj e portfela Rozwa zamy portfel m papierów wartościowych. Niech i := p Var R i oznacza odchylenie standardowe i-tego papieru (i = 1; :::; m). Dotychczas wspó czynnik korelacji i-tego i j-tego papieru by określony tylko wtedy, gdy oba odchylenia standardowe by y ró zne od zera. Obecnie przyjmujemy ij := cij i j gdy i 6= 0 6= j ; 0 w przeciwnym przypadku. gdzie c ij = Cov(R i ; R j ). Stwierdzenie 7. Dla dowolnego portfela u 2 P m Var R(u) = mx mx 1 2 i u 2 i + 2 mx j=i+1 (79) ij i j u i u j : (80) Dowód. Korzystajac z wzorów (75), (73) oraz z symetrii macierzy kowariancji, otrzymujemy Var R(u) = mx mx mx 1 u i u j c ij = c ii u 2 i + 2 i;j=1 mx j=i+1 u i u j c ij : (81) Dla i 6= j mamy ma podstawie (79) i (55) c ij = ij i j, natomiast dla i = j mamy h c ii = Cov(R i ; R i ) = E (R i i ) 2i = Var R i = 2 i : Podstawiajac te równości do (81), otrzymujemy (80). 27 Ryzyko inwestowania w obligacje Ryzyko inwestowania w obligacje jest na ogó mniejsze ni z ryzyko inwestowania w akcje, ale mimo to nie nale zy go zaniedbywać. Ryzyko to pochodzi z kilku źróde i dlatego mo zemy mowić o kilku rodzajch ryzyka, które teraz kolejno omówimy Ryzyko niedotrzymania warunków Ryzyko niedotrzymania warunków (inaczej: ryzyko kredytowe) wyst epuje wtedy, gdy emitent obligacji nie dotrzymuje warunków umowy, tzn. nie wyp aca odsetek lub nie wykupuje obligacji w terminie. Przyczyna mo ze być np. upad ość rmy. Jest to szczególny przypadek ryzyka kredytowego, które b edzie omawiane w dalszej cz eści wyk adu. 24
25 27.2 Ryzyko stopy procentowej Ryzyko stopy procentowej (inaczej: ryzyko zmiany ceny, ryzyko okresu posiadania lub ryzyko rynkowe) wyst epuje wtedy, gdy posiadacz obligacji zamierza ja sprzedać przed terminem wykupu. Cena typowej obligacji zmienia si e przeciwnie do zmian stóp procentowych (rynkowych). Kiedy stopy te rosna, to cena obligacji spada i na odwrót. Jeśli inwestor jest zmuszony sprzedać obligacje przed data wykupu, wzrost stóp spowoduje strat e kapita ow a, gdy z sprzeda on obligacje po cenie ni zszej od ceny nabycia. Wra zliwość ceny obligacji na zmiany stóp rynkowych zale zy od okresu do wykupu (im d u zszy, tym wieksza wra zliwość) i oprocentowania (im wy zsze, tym mniejsza wra zliwość) Ryzyko reinwestowania Stopa zysku z obligacji R (patrz wzór (15)) obliczana jest przy za o zeniu, ze otrzymane odsetki sa reinwestowane przy stopie procentowej równej R. Dodatkowy dochód z reinwestycji odsetek zale zy zarówno od poziomu stóp procentowych, jak i obranej przez inwestora strategii. Zmienność stopy reinwestycji powodowana uktuacjami rynkowych stóp procentowych zwana jest w aśnie ryzykiem reinwestowania. Ryzyko jest tym wy zsze, im d u zszy jest okres posiadania obligacji Ryzyko przedterminowego wykupu Ten rodzaj ryzyka wyst epuje w przypadku obligacji z opcja wykupu na z adanie, które daja emitentowi prawo z adania wykupu przed ustalonym terminem. Emitent wykupuje obligacje z regu y wtedy, gdy spadna stopy procentowe (bo b edzie móg po zyczyć taniej pieniadze gdzie indziej), wi ec inwestor nara za si e na ryzyko reinwestycji, czyli b edzie musia uzyskane pieniadze zainwestować przy ni zszych stopach Ryzyko in acji W przypadku wzrostu stopy in acji wartość posiadanej obligacji mo ze znacznie spaść. Takie ryzyko istnieje przy obligacjach o sta ym oprocentowaniu eliminuje je indeksowanie (dostosowanie) obligacji do in acji badź rynkowych stóp procentowych, które rosna wraz z podwy zszaniem si e in acji Ryzyko kursu walutowego Ryzyko to wyst epuje w przypadku obligacji nominowanych w walutach obcych. Odsetki i kapita otrzymane z takich obligacji sa obarczone du z a niepewnościa, gdy z ich wartość zale zy od kursu walutowego, obowiazuj acego w momencie dokonywania p atności. 25
26 27.7 Ryzyko p ynności Ryzyko p ynności określa stopień trudności, z jaka mo zemy sprzedać posiadane obligacje bez utraty wartości w stosunku do bie z acej ceny rynkowej. Podstawowa miara tego ryzyka jest rozpi etość (spread) mi edzy oferowanymi na rynku cenami kupna i sprzeda zy papierów wartościowych. Im wi eksza rozpi etość, tym wi eksze ryzyko p ynności. Ryzyko p ynności nie wyst epuje w przypadku inwestorów, którzy trzymaja obligacje do momentu wykupu Ryzyko zmienności Ryzyko zmienności oznacza stopień, w jakim zmiana zakresu wahań stóp procentowych mo ze mieć niekorzystny wp yw na cen e obligacji. Dotyczy to g ównie obligacji z wbudowanymi opcjami dodatkowymi (im wy zsza oczekiwana zmienność stóp, tym wi eksza wartość tych opcji). W przypadku obligacji z opcja wykupu na z adanie, wzrost zmienności skutkuje spadkiem ceny obligacji, gdy z powoduje on wzrost wartości prawa do wykupu, które zosta o przekazane emitentowi przez inwestora. 28 Dystrybuanta zmiennej losowej Dystrybuanta zmiennej losowej X :! R nazywamy funkcje F : R! [0; 1] określona wzorem F (t) := P (X t): (82) Stwierdzenie 8. Dystrybuanta F zmiennej losowej X ma nast epujace w asno sci: (a) F jest niemalejaca. (b) F jest prawostronnie ciag a. (c) lim t! 1 F (t) = 0, lim t!+1 F (t) = 1. Stwierdzenie 9. Je zeli funkcja F : R! [0; 1] spe nia warunki (a) (c) Stwierdzenia 8, to jest dystrybuanta pewnej zmiennej losowej; jej rozk ad jest wyznaczony jednoznacznie. Stwierdzenie 10. Je zeli F jest dystrybuanta zmiennej losowej X, to dla ka zdego t 2 R, P (X < t) = F (t ) := lim s!t F (s): (83) Dowód. Istnienie granicy lewostronnej F (t ) wynika z monotoniczności funkcji F. Korzystajac ze znanej w asności, ze prawdopodobieństwo sumy wstepujacego ciagu zdarzeń jest równe granicy ich prawdopodobieństw, otrzymujemy P (X < t) = P 1[ n=1 = lim n!1 F X t t! 1 = lim n P X t n!1 1 n 1 = F (t ): (84) n 26
27 Niech X = (X 1 ; :::; X n ) :! R n b edzie zmienna losowa n-wymiarowa (wek- torem losowym). Rozk ad prawdopodobieństwa zmiennej losowej X jest zde niowany ogólnie wzorem (25). Rozk ad ten nazywamy rozk adem acznym wektora losowego X. Gdy znamy rozk ad aczny, to znamy tak ze rozk ad ka zdej wspó rz ednej: P (X j 2 B) = P (X 1 2 R; :::; X j 1 2 R; X j 2 B; X j+1 2 R; :::; X n 2 R): (85) Rozk ady (85) nazywamy rozk adami brzegowymi wektora losowego X. Dystrybuanta wektora losowego X nazywamy funkcje F : R n! [0; 1] określona wzorem F (t 1 ; :::; t n ) := P (X 1 t 1 ; :::; X n t n ): (86) Dystrybuantami brzegowymi F 1 ; :::; F n nazywamy dystrybuanty odpowiednio zmiennych losowych X 1 ; :::; X n. 29 Transformata dystrybuantowa i jej w asności Niech (; F; P ) b edzie przestrzenia probabilistyczna, X :! R zmienna losowa o dystrybuancie F, zaś V :! (0; 1) zmienna losowa o rozk adzie jednostajnym (V s U(0; 1)), niezale zna od X. De niujemy zmody kowana dystrybuant e ^F : R 2! R wzorem ^F (x; ) := P (X < x) + P (X = x): (87) De niujemy tak ze (uogólniona) transformat e dystrybuantowa U :! R, b ed ac a nowa zmienna losowa, nastepujaco: U := ^F (X; V ): (88) Mo zna wykazać, ze jeśli dystrybuanta F jest ciag a, to ^F (x; ) F (x) oraz U = F (X) s U(0; 1). Ta ostatnia w asność zachodzi te z w ogólnym przypadku dla zmiennej losowej U określonej wzorem (88). Stwierdzenie 11. U = F (X ) + V (F (X) F (X )): (89) Dowód. Korzystajac z (88) i (87), a nastepnie z (83), otrzymujemy dla dowolnego! 2, U(!) = ^F (X(!); V (!)) = P (X < X(!)) + V (!)P (X = X(!)) = F (X(!) ) + V (!)[P (X X(!)) P (X < X(!))] = F (X(!) ) + V (!)[F (X(!)) F (X(!) )]: Uogólniona funkcj e odwrotna do dystrybuanty F de niujemy nast epujaco: F (u) := inf fx 2 R : F (x) ug ; u 2 (0; 1): (90) 27
28 Dla 2 (0; 1) niech q (X) oznacza dolny -kwantyl zmiennej losowej X, tzn. q (X) := sup fx : P (X x) < g : (91) Stwierdzenie 12. Je zeli P (X = q (X)) = 0, to P (X q (X)) =. Dowód. Z za o zenia i z (83) mamy 0 = P (X = q (X)) = P (X q (X)) P (X < q (X)) = F (q (X)) F (q (X) ); (92) zatem dystrybuanta F jest lewostronnie ciag a w punkcie q (X). (82) i (91) wynika, ze Z wzorów q (X) = sup fx : F (x) < g : (93) Stad dla dowolnego t > q (X) mamy F (t), a zatem, na podstawie Stwierdzenia 8(b), F (q (X)) = F (q (X)+) : (94) Ponadto z de nicji kresu górnego i ze Stwierdzenia 8(a) wynika, ze F (s) < dla dowolnego s < q (X). Stad i z lewostronnej ciag ości F w punkcie q (X) wynika, ze F (q (X)), co w po aczeniu z (94) daje teze Stwierdzenia 12. Twierdzenie 5. Niech U b edzie transformata dystrybuantowa okre slona wzorem (88). Wówczas (a) U s U(0; 1), (b) X = F (U) z prawdopodobieństwem 1. Dowód (a). Wyka zemy, ze ^F (X; V ) wtedy i tylko wtedy gdy (X; V ) 2 f(x; ) : P (X < x) + P (X = x) g : (95) Istotnie, dla dowolnego! 2, nierówność ^F (X(!); V (!)) jest równowa zna na mocy (87) nierówności P (X < X(!)) + V (!)P (X = X(!)) ; (96) co oznacza, ze para (X(!); V (!)) nale zy do zbioru po prawej stronie (95). Rozwa zmy teraz dwa przypadki: (a.1) := P (X = q (X)) > 0. Oznaczmy q := P (X < q (X)). Zde niujmy nastepujace zbiory: n o A := ^F (X; V ) = f! 2 : P (X < X(!)) + V (!)P (X = X(!)) g ; (97) B 1 := X < q (X) ; (98) B 2 := X = q (X), q + V ; (99) B 3 := X > q (X), F (X) = F (q (X)) ; (100) B 4 := X > q (X), F (X) > F (q (X)) : (101) 28
29 Poni zej wyka zemy, ze P (A) = P (B 1 ) + P (B 2 ): (102) Z równości (102), z de nicji zbiorów B 1 i B 2, z niezale zności zmiennych losowych X i V oraz z jednostajności rozk adu V wynika, ze P (U ) = P (A) = q + P V q = q + q = ; (103) co dowodzi, ze zmienna losowa U ma rozk ad jednostajny na (0; 1). Równość (102) wynika z roz aczności zbiorów B i oraz z nastepujacych trzech warunków, które po kolei udowodnimy: A B 1 [ B 2 [ B 3 ; (104) P (B 3 ) = 0; (105) B 1 [ B 2 A: (106) Dowód (104). Niech! 2 A: Jeśli X(!) < q (X), to! 2 B 1. Jeśli X(!) = q (X), to z (97) otrzymujemy q + V (!), a wiec! 2 B 2. Za ó zmy teraz, ze X(!) > q (X). Poniewa z F jest niemalejaca, wiec F (X(!)) F (q (X)), zatem! 2 B 3 [ B 4. Aby zakończyć dowód (104), nale zy wykazać, ze! =2 B 4. Przypuśćmy przeciwnie, ze! 2 A \ B 4, i rozwa zmy dwa przypadki: (a.1.1) P (X = X(!)) > 0. Poniewa z X(!) > q (X), wiec fx < X(!)g fx q (X)g. Stad i z prawostronnej ciag ości F otrzymujemy P (X < X(!)) P (X q (X)) = F (q (X)) = F (q (X)+) ; (107) gdzie ostatnia nierówność wynika z (93) (bo F (t) dla ka zdego t > q (X)). Natomiast z za o zenia (a.1.1) i z warunków V (!) > 0 oraz! 2 A wynikaja nierówności P (X < X(!)) < P (X < X(!)) + V (!)P (X = X(!)) : (108) Warunki (107) i (108) sa sprzeczne. (a.1.2) P (X = X(!)) = 0. Podobnie jak w poprzednim przypadku, mamy F (q (X)). warunku! 2 A \ B 4 i z za o zenia (a.1.2) otrzymujemy sprzeczność: Stad, z F (q (X)) < F (X(!)) = P (X X(!)) = P (X < X(!)) = P (X < X(!)) + V (!)P (X = X(!)) : Dowód (105). Oznaczmy := supft : F (t) = F (q (X))g. Wówczas dla ka zdego t 2 (q (X); ) (o ile ten przedzia jest niepusty) mamy F (t) = F (q (X)), a zatem P (X 2 (q (X); t]) = F (t) F (q (X)) = 0: 29
30 Stad dla dowolnego ciagu rosnacego t n! P X 2 (q (X); )! 1[ = P X 2 (q (X); t n ] n=1 = lim n!1 P (X 2 (q (X); t n ]) = 0: (109) W przypadku, gdy F () > F (q (X)), mamy na podstawie (109) P (B 3 ) = P X > q (X), F (X) = F (q (X)) = P X 2 (q (X); ) = 0; natomiast w przypadku, gdy F () = F (q (X)), otrzymujemy z (109), (82) i (83) P (B 3 ) = P X > q (X), F (X) = F (q (X)) = P X 2 (q (X); ] = P X 2 (q (X); ) + P (X = ) = F () F ( ) = 0: Dowód (106). Niech! 2 B 1, wówczas X(!) < q (X) = sup ft : F (t) < g. Stad i z faktu, ze F jest niemalejaca, wynika, ze F (X(!)) <. Zatem P (X < X(!)) + V (!)P (X = X(!)) P (X < X(!)) + P (X = X(!)) = P (X X(!)) = F (X(!)) < ; co implikuje warunek! 2 A. Niech teraz! 2 B 2, czyli X(!) = q (X) i q + V (!). Podstawiajac do ostatniej nierówności zde niowane wcześniej wartości q i, otrzymujemy P (X < q (X)) + V (!)P (X = q (X)) : Stad, uwzgl edniajac równość X(!) = q (X), otrzymujemy P (X < X(!)) + V (!)P (X = X(!)) ; co oznacza, ze! 2 A. (a.2) = 0. Wówczas P (B 2 ) P (X = q (X)) = 0. Postepujac analogicznie jak w przypadku (a.1), mo zemy udowodnić równość P (A) = P (B 1 ), co w po aczeniu ze Stwierdzeniem 12 daje P (U ) = P (A) = P (B 1 ) = P (X < q (X)) = P (X q (X)) = : Dowód (b). Wyka zemy najpierw, ze F (X ) U F (X): (110) Istotnie, poniewa z V przyjmuje wartości z przedzia u (0; 1) oraz F (X) F (X ) 0 (bo F jest niemalejaca), wiec zachodza nierówności F (X ) F (X ) + V (F (X) F (X )) F (X ) + (F (X) F (X )) = F (X): 30
31 Uwzgl edniajac (89), otrzymujemy stad (110). Wyka zemy teraz, ze F (u) = x; 8u 2 (F (x ); F (x)]: (111) Przypuśćmy przeciwnie, ze F (u) 6= x. Jeśli F (u) < x, to z (90) wynika, ze F (s) u dla pewnego s > x. Stad, poniewa z F jest niemalejaca, otrzymujemy F (x ) u, co zaprzecza warunkowi u 2 (F (x ); F (x)]. Jeśli natomiast F (u) > x, to dla ka zdego y 2 (x; F (u)) mamy na podstawie (90) F (y) < u, zatem F (x) = F (x+) < u (z prawostronnej ciag ości i monotoniczności F ), co jest sprzeczne z warunkiem u 2 (F (x ); F (x)]. Niech D b edzie suma wszystkich przedzia ów otwartych zawartych w R, na których dystrybuanta F jest sta a. Z prawostronnej ciag ości F wynika, ze ka zdy taki przedzia ma jedna z nastepujacych postaci: ( 1; a); (a; b); (a; +1); gdzie a; b 2 R; a < b. Dla tych przedzia ów mamy odpowiednio, uwzgledniajac Stwierdzenia 8(c) i 10, a tak ze fakt, ze F jest sta a na danym przedziale, P (X 2 ( 1; a)) = P (X < a) = F (a ) = 0; P (X 2 (a; b)) = P (X < b) P (X < a) = F (b ) F (a ) = 0; P (X 2 (a; +1)) = 1 P (X a) = 1 F (a) = 1 F (a+) = 1 1 = 0: Uwzgl edniajac powy zsze i fakt, ze takich przedzia ów mo ze być tylko przeliczalna ilość, otrzymujemy P (X 2 D) = 0: (112) Wyka zemy teraz równowa zność [F (X ) = F (X)], [U = F (X)]: (113) Istotnie, jeśli F (X ) = F (X), to na mocy (89) U = F (X ) = F (X). Jeśli natomiast U = F (X), to podstawiajac te równość do (89), otrzymujemy a stad F (X) = F (X ) + V (F (X) F (X )); (V 1)(F (X) F (X )) = 0: Poniewa z V przyjmuje wartości z przedzia u (0; 1), wi ec powy zsza równość daje F (X) = F (X ). Aby udowodnić tez e punktu (b) nale zy sprawdzić, ze Zde niujmy nast epujace prawdopodobieństwa: P (X = F (U)) = 1: (114) p 1 : = P (F (X ) = F (X); X = F (U)) ; (115) p 2 : = P (F (X ) < F (X); X = F (U)) ; (116) p 3 : = P (F (X ) = F (X); X < F (U)) ; (117) p 4 : = P (F (X ) = F (X); X > F (U)) : (118) 31
Ryzyko inwestycji nansowych
Marcin Studniarski http://math.uni.lodz.pl/marstud/ marstud@math.uni.lodz.pl Ryzyko inwestycji nansowych (semestr zimowy 2010/11) 1 Koncepcje i rodzaje ryzyka 1.1 Dwie koncepcje ryzyka 1. Negatywna koncepcja
Bardziej szczegółowoOcena ryzyka kredytowego
Marcin Studniarski http://math.uni.lodz.pl/marstud/ marstud@math.uni.lodz.pl Ocena ryzyka kredytowego (semestr letni 2013/14) 1 Informacje wst epne Celem tego rozdzia u jest powtórzenie pewnych wiadomości
Bardziej szczegółowoRyzyko inwestycji nansowych
Marcin Studniarski http://math.uni.lodz.pl/marstud/ marstud@math.uni.lodz.pl Ryzyko inwestycji nansowych (semestr letni 2015/16) 1 Koncepcje i rodzaje ryzyka 1.1 Dwie koncepcje ryzyka 1. Negatywna koncepcja
Bardziej szczegółowoWyk ady z analizy portfelowej, cz¾eść I
Marcin Studniarski Wyk ady z analizy portfelowej, cześć I (semestr letni 2007/08) Wyk ady sa udost epniane na stronie: http://math.uni.lodz.pl/marstud/ Pytania prosz e kierować na adres: marstud@math.uni.lodz.pl
Bardziej szczegółowoRównania ró znicowe wg A. Ostoja - Ostaszewski "Matematyka w ekonomii. Modele i metody".
Równania ró znicowe wg A. Ostoja - Ostaszewski "Matematyka w ekonomii. Modele i metody". Przyk ad. Za ó zmy, ze w chwili t = 0 populacja liczy P 0 osób. Roczny wskaźnik urodzeń wynosi b = 00, a roczna
Bardziej szczegółowoWyk ad II. Stacjonarne szeregi czasowe.
Wyk ad II. Stacjonarne szeregi czasowe. W wi ekszości przypadków poszukiwanie modelu, który dok adnie by opisywa zachowanie sk adnika losowego " t, polega na analizie pewnej klasy losowych ciagów czasowych
Bardziej szczegółowow ramach Europejskiego Funduszu Spo ecznego Marcin Studniarski Wyk ady z analizy portfelowej, cz ¾eść I
Prezentacja wspó nansowana przez Uni ¾e Europejsk ¾a w ramach Europejskiego Funduszu Spo ecznego Marcin Studniarski Wyk ady z analizy portfelowej, cz ¾eść I 1 Co to jest analiza portfelowa? Analiza portfelowa
Bardziej szczegółowoMarcin Studniarski. Wyk ady z analizy portfelowej, cz ¾eść I. semestr letni 2018/19.
Marcin Studniarski Wyk ady z analizy portfelowej, cz ¾eść I semestr letni 2018/19 http://math.uni.lodz.pl/~marstud/dydaktyka.htm 1 Co to jest analiza portfelowa? Analiza portfelowa zajmuje si ¾e optymalnym
Bardziej szczegółowoPochodne cz ¾astkowe i ich zastosowanie.
Pochodne cz ¾astkowe i ich zastosowanie. Adam Kiersztyn Lublin 2013 Adam Kiersztyn () Pochodne cz ¾astkowe i ich zastosowanie. maj 2013 1 / 18 Zanim przejdziemy do omawiania pochodnych funkcji wielu zmiennych
Bardziej szczegółowoMarcin Studniarski. Wyk ady z analizy portfelowej, cz ¾eść I. semestr letni 2011/12.
Marcin Studniarski Wyk ady z analizy portfelowej, cz ¾eść I semestr letni 2011/12 http://math.uni.lodz.pl/~marstud/dydaktyka.htm 1 Co to jest analiza portfelowa? Analiza portfelowa zajmuje si ¾e optymalnym
Bardziej szczegółowo1 Rozk ad normalny. Szczególnym przypadkiem jest standardowy rozk ad normalny N (0; 1), wartości
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Podstawy statystyki matematycznej Adam Kiersztyn 2 godziny lekcyjne 2011-10-23 8.20-9.50 1 Rozk ad normalny Jednym z najwa
Bardziej szczegółowo1 Praktyczne metody wyznaczania podstawowych miar bez zastosowania komputerów
Kurs w zakresie zaawansowanych metod komputerowej analizy danych Podstawy statystycznej analizy danych 8.03.014 - godziny ćwiczeń autor: Adam Kiersztyn 1 Praktyczne metody wyznaczania podstawowych miar
Bardziej szczegółowoKonkurs Matematyczny, KUL, 30 marca 2012 r.
Konkurs Matematyczny, KUL, 30 marca 01 r. W pustych kratkach obok liter A) B) C) D) nale zy wpisać s owo TAK lub NIE. Zadanie zostanie uznane za rozwiazane, jeśli wszystkie cztery odpowiedzi sa poprawne.
Bardziej szczegółowoFunkcje dwóch zmiennych
Funkcje dwóch zmiennych Je zeli ka zdemu punktowi P o wspó rzednych x; y) z pewnego obszaru D na p aszczyźnie R 2 przyporzadkujemy w sposób jednoznaczny liczb e rzeczywista z, to przyporzadkowanie to nazywamy
Bardziej szczegółowoOcena ryzyka kredytowego
Marcin Studniarski http://math.uni.lodz.pl/marstud/ marstud@math.uni.lodz.pl Ocena ryzyka kredytowego (semestr zimowy 2017/18) Uwaga Niniejszy materia nie stanowi ca ości wyk adu i nie wystarcza do przygotowania
Bardziej szczegółowo1 Poj ¾ecie szeregu czasowego
Studia podyplomowe w zakresie przetwarzania, zarz¾adzania i statystycznej analizy danych Analiza szeregów czasowych 24.11.2013-2 godziny konwersatorium autor: Adam Kiersztyn 1 Poj ¾ecie szeregu czasowego
Bardziej szczegółowoEkstrema funkcji wielu zmiennych.
Ekstrema funkcji wielu zmiennych. Adam Kiersztyn Lublin 2013 Adam Kiersztyn () Ekstrema funkcji wielu zmiennych. kwiecień 2013 1 / 13 Niech dana b ¾edzie funkcja f (x, y) określona w pewnym otoczeniu punktu
Bardziej szczegółowoWyznaczniki, macierz odwrotna, równania macierzowe
Wyznaczniki, macierz odwrotna, równania macierzowe Adam Kiersztyn Katolicki Uniwersytet Lubelski Jana Paw a II Lublin 013 Adam Kiersztyn (KUL) Wyznaczniki, macierz odwrotna, równania macierzowe marzec
Bardziej szczegółowo1 Próba a populacja. Nasze rozwa zania zaczniemy od przedyskutowania podstawowych poj ¾eć statystycznych,
Kurs w zakresie zaawansowanych metod komputerowej analizy danych Podstawy statystycznej analizy danych 9.03.04 - godziny konwersatorium autor Adam Kiersztyn Próba a populacja Nasze rozwa zania zaczniemy
Bardziej szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowo1 Wieloczynnikowa analiza wariancji
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Statystyczna analiza danych Adam Kiersztyn 5 godzin lekcyjnych 2012-02-04 13.00-17.00 1 Wieloczynnikowa analiza wariancji
Bardziej szczegółowoWSTEP ¾ DO ANALIZY MATEMATYCZNEJ
st ep do analizy matematycznej STEP DO ANALIZY MATEMATYCZNEJ Rachunek zdań, funkcja zdaniowa, kwanty katory Zad. Udowodnić nastepujace prawa rachunku zdań (tautologie): a) p _ (s q) b) p, s (s p) c) (
Bardziej szczegółowoEugeniusz Gostomski. Ryzyko stopy procentowej
Eugeniusz Gostomski Ryzyko stopy procentowej 1 Stopa procentowa Stopa procentowa jest ceną pieniądza i wyznacznikiem wartości pieniądza w czasie. Wpływa ona z jednej strony na koszt pozyskiwania przez
Bardziej szczegółowo1 Miary asymetrii i koncentracji
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Podstawy statystyki opisowej Adam Kiersztyn 3 godziny lekcyjne 2011-10-22 10.10-12.30 1 Miary asymetrii i koncentracji
Bardziej szczegółowo1 Regresja liniowa cz. I
Regresja liniowa cz. I. Model statystyczny Model statystyczny to zbiór za o zeń. Wprowadzamy model, który mo zliwie najlepiej opisuje ineresujacy ¾ nas fragment rzeczywistość. B ¾edy modelu wynikaja¾ z
Bardziej szczegółowo1 Rekodowanie w podgrupach i obliczanie wartości w podgrupach
1 Rekodowanie w podgrupach i obliczanie wartości w podgrupach Czasami chcemy rekodować jedynie cz ¾eść danych zawartych w pewnym zbiorze. W takim przypadku stosujemy rekodowanie z zastosowaniem warunku
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoBardzo silnie z poj ¾eciem populacji statystycznej zwiazane ¾ jest poj ¾ecie próby statystycznej.
Próba a populacja Nasze rozwa zania zaczniemy od przedyskutowania podstawowych poj eć statystycznych, poszczególne de nicje zostana wzbogacone o obrazowe przyk ady. Jednym z najistotniejszych poj eć jest
Bardziej szczegółowoObligacje. nazywamy papier warto sciowy maj acy, po_zyczki przez instytucj e, obligacj e, u jej nabywcy.
Obligacje De nicja Obligacj nazywamy papier warto sciowy maj acy, charakter wierzycielski. Obligacj jest zaci agni, eciem, po_zyczki przez instytucj e, sprzedaj ac, obligacj e, u jej nabywcy. Sprzedaj
Bardziej szczegółowoInwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko.
Inwestycje finansowe Wycena obligacji. Stopa zwrotu z akcji. yzyko. Inwestycje finansowe Instrumenty rynku pieniężnego (np. bony skarbowe). Instrumenty rynku walutowego. Obligacje. Akcje. Instrumenty pochodne.
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowo1 Testy statystyczne. 2 Rodzaje testów
1 Testy statystyczne Podczas sprawdzania hipotez statystycznych moga¾ wystapić ¾ dwa rodzaje b ¾edów. Prawdopodobieństwo b ¾edu polegajacego ¾ na odrzuceniu hipotezy zerowej (H 0 ), gdy jest ona prawdziwa,
Bardziej szczegółowo10. / 42! 1 A$!! )$$$% 0 " + 42 + 1 +! "!" 1!" ""!1!!!!42 % "" t "1%/4( " +. 7 4'8 A. 5.62 B. 5.67 C. 5.72 D. 5.77 E. 5.82
Matematyka finansowa 09.12.2000 r. 10. / 42! 1 A$!! )$$$% 0 " + 42 + 1 +! "!" 1!" ""!1!!!!42 % "" * t "1%/4( " + i 10%. 7 4'8 A. 5.62 B. 5.67 C. 5.72 D. 5.77 E. 5.82 10 Matematyka finansowa 24.03.2001
Bardziej szczegółowoPRAWA ZACHOWANIA. Podstawowe terminy. Cia a tworz ce uk ad mechaniczny oddzia ywuj mi dzy sob i z cia ami nie nale cymi do uk adu za pomoc
PRAWA ZACHOWANIA Podstawowe terminy Cia a tworz ce uk ad mechaniczny oddzia ywuj mi dzy sob i z cia ami nie nale cymi do uk adu za pomoc a) si wewn trznych - si dzia aj cych na dane cia o ze strony innych
Bardziej szczegółowoWprowadzenie do równań ró znicowych i ró zniczkowych.
Wprowadzenie do równań ró znicowych i ró zniczkowych. Adam Kiersztyn Lublin 2013 Adam Kiersztyn () Wprowadzenie do równań ró znicowych i ró zniczkowych. maj 2013 1 / 11 Przyjmijmy nast ¾epuj ¾ace oznaczenia:
Bardziej szczegółowoOgólna charakterystyka kontraktów terminowych
Jesteś tu: Bossa.pl Kurs giełdowy - Część 10 Ogólna charakterystyka kontraktów terminowych Kontrakt terminowy jest umową pomiędzy dwiema stronami, z których jedna zobowiązuje się do nabycia a druga do
Bardziej szczegółowoStatystyka finansowa
Statystyka finansowa Rynki finansowe Rynek finansowy rynek na którym zawierane są transakcje finansowe polegające na zakupie i sprzedaży instrumentów finansowych Instrument finansowy kontrakt pomiędzy
Bardziej szczegółowo1 Analiza wariancji H 1 : 1 6= 2 _ 1 6= 3 _ 1 6= 4 _ 2 6= 3 _ 2 6= 4 _ 3 6= 4
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Statystyczna analiza danych Adam Kiersztyn 5 godzin lekcyjnych 2012-02-04 13.00-17.00 1 Analiza wariancji Na wst¾epie zapoznamy
Bardziej szczegółowoep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 5 Kalkulacja sk ladki netto I
Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 5 Kalkulacja sk ladki netto I 1 Kodeks cywilny Tytu l XXVII, Umowa ubezpieczenia Dzia l I. Przepisy ogólne Dzia l II. Ubezpieczenia majatkowe
Bardziej szczegółowoO zgodności procedur jednoczesnego testowania zastosowanych do problemu selekcji zmiennych w modelu liniowym
O zgodności procedur jednoczesnego testowania zastosowanych do problemu selekcji zmiennych w modelu liniowym Konrad Furmańczyk Katedra Zastosowań Matematyki SGGW Wis a 2010 Plan referatu 1. Modele liniowe
Bardziej szczegółowoInformacja dotycząca adekwatności kapitałowej HSBC Bank Polska S.A. na 31 grudnia 2010 r.
Informacja dotycząca adekwatności kapitałowej HSBC Bank Polska S.A. na 31 grudnia 2010 r. Spis treści: 1. Wstęp... 3 2. Fundusze własne... 4 2.1 Informacje podstawowe... 4 2.2 Struktura funduszy własnych....5
Bardziej szczegółowo1 Praktyczne metody wyznaczania podstawowych miar przy zastosowaniu programu EXCEL
Kurs w zakresie zaawansowanych metod komputerowej analizy danych Podstawy statystycznej analizy danych 9.03.2014-3 godziny ćwiczeń autor: Adam Kiersztyn 1 Praktyczne metody wyznaczania podstawowych miar
Bardziej szczegółowoPodstawowe działania w rachunku macierzowym
Podstawowe działania w rachunku macierzowym Marcin Detka Katedra Informatyki Stosowanej Kielce, Wrzesień 2004 1 MACIERZE 1 1 Macierze Macierz prostokątną A o wymiarach m n (m wierszy w n kolumnach) definiujemy:
Bardziej szczegółowoRozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast
Bardziej szczegółowoROZPORZÑDZENIE MINISTRA FINANSÓW. z dnia 7 listopada 2001 r.
Dziennik Ustaw Nr 135 10543 Poz. 1518 1518 ROZPORZÑDZENIE MINISTRA FINANSÓW z dnia 7 listopada 2001 r. w sprawie informacji, jakie powinien zawieraç wniosek o przyrzeczenie podpisania Umowy DOKE, oraz
Bardziej szczegółowoMatematyka finansowa 11.10.2004 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXIII Egzamin dla Aktuariuszy - 11 października 2004 r.
Komisja Egzaminacyjna dla Aktuariuszy XXXIII Egzamin dla Aktuariuszy - 11 października 2004 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... WERSJA TESTU Czas egzaminu: 100 minut
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoZadanie 1. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny:
Matematyka ubezpieczeń majątkowych 5.2.2008 r. Zadanie. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny: Pr ( N = k) = 0 dla k = 0,, K, 9. Liczby szkód w
Bardziej szczegółowoWycena papierów wartościowych - instrumenty pochodne
Matematyka finansowa - 8 Wycena papierów wartościowych - instrumenty pochodne W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
Bardziej szczegółowoWyk ady z algorytmów genetycznych Cz¾eść 2: Model algorytmu genetycznego przy dowolnej reprezentacji rozwi azań ¾
Wyk ady z algorytmów genetycznych Cz¾eść 2: Model algorytmu genetycznego przy dowolnej reprezentacji rozwi azań ¾ Marcin Studniarski Wydzia Matematyki i Informatyki Uniwersytetu ódzkiego Algorytm RHS i
Bardziej szczegółowoProste Procesy Stochastyczne i ich zastosowania.
Proste Procesy Stochastyczne i ich zastosowania. Pawe J. Szab owski March 27 Pawe J. Szab owski () Wyk ad 1 March 27 1 / 17 Plan wyk adu: 1-3. Wst ¾ep i preliminaria- przyk ady szeregów czasowych.. Zagadnienie
Bardziej szczegółowoWyk lad 11 1 Wektory i wartości w lasne
Wyk lad 11 Wektory i wartości w lasne 1 Wektory i wartości w lasne Niech V bedzie przestrzenia liniowa nad cia lem K Każde przekszta lcenie liniowe f : V V nazywamy endomorfizmem liniowym przestrzeni V
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoWyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera
Wyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera Określenie podpierścienia Definicja 9.. Podpierścieniem pierścienia (P, +,, 0, ) nazywamy taki podzbiór A P, który jest pierścieniem ze wzgledu
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
22 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoWyk lad 8 macierzy i twierdzenie Kroneckera-Capellego
Wyk lad 8 Rzad macierzy i twierdzenie Kroneckera-Capellego 1 Określenie rz edu macierzy Niech A bedzie m n - macierza Wówczas wiersze macierzy A możemy w naturalny sposób traktować jako wektory przestrzeni
Bardziej szczegółowoArytmetyka. Działania na liczbach, potęga, pierwiastek, logarytm
Arytmetyka Działania na liczbach, potęga, pierwiastek, logarytm Zbiory liczbowe Zbiór liczb naturalnych N = {1,2,3,4, }. Zbiór liczb całkowitych Z = {, 3, 2, 1,0,1,2,3, }. Zbiory liczbowe Zbiór liczb wymiernych
Bardziej szczegółowoOGŁOSZENIE. o zmianach statutu Allianz Fundusz Inwestycyjny Otwarty
OGŁOSZENIE z dnia 13 listopada 2015 roku o zmianach statutu Allianz Fundusz Inwestycyjny Otwarty Towarzystwo Funduszy Inwestycyjnych Allianz Polska S.A. z siedzibą w Warszawie niniejszym informuje o dokonaniu
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.2. Momenty rozkładów łącznych. Katarzyna Rybarczyk-Krzywdzińska rozkładów wielowymiarowych Przypomnienie Jeśli X jest zmienną losową o rozkładzie
Bardziej szczegółowoWyk lad 4 Macierz odwrotna i twierdzenie Cramera
Wyk lad 4 Macierz odwrotna i twierdzenie Cramera 1 Odwracanie macierzy I n jest elementem neutralnym mnożenia macierzy w zbiorze M n (R) tzn A I n I n A A dla dowolnej macierzy A M n (R) Ponadto z twierdzenia
Bardziej szczegółowo1. Klasyfikacja stóp zwrotu 2. Zmienność stóp zwrotu 3. Mierniki ryzyka 4. Mierniki wrażliwości wyceny na ryzyko rynkowe
I Ryzyko i rentowność instrumentów finansowych 1. Klasyfikacja stóp zwrotu 2. Zmienność stóp zwrotu 3. Mierniki ryzyka 4. Mierniki wrażliwości wyceny na ryzyko rynkowe 1 Stopa zwrotu z inwestycji w ujęciu
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoSzczegółowe zasady obliczania wysokości. i pobierania opłat giełdowych. (tekst jednolity)
Załącznik do Uchwały Nr 1226/2015 Zarządu Giełdy Papierów Wartościowych w Warszawie S.A. z dnia 3 grudnia 2015 r. Szczegółowe zasady obliczania wysokości i pobierania opłat giełdowych (tekst jednolity)
Bardziej szczegółowoMatematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych
Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,
Bardziej szczegółowoWyk lad 7 Metoda eliminacji Gaussa. Wzory Cramera
Wyk lad 7 Metoda eliminacji Gaussa Wzory Cramera Metoda eliminacji Gaussa Metoda eliminacji Gaussa polega na znalezieniu dla danego uk ladu a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n =
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoUSŁUGA ZARZÑDZANIA. BZ WBK Asset Management SA. Indywidualnym Portfelem Instrumentów Finansowych. oferowana przez
USŁUGA ZARZÑDZANIA Indywidualnym Portfelem Instrumentów Finansowych oferowana przez BZ WBK Asset Management SA Poznaƒ 2011 Na czym polega usługa Zarzàdzania Portfelem Usługa Zarzàdzania Portfelem (Asset
Bardziej szczegółowoINFORMACJE O INSTRUMENTACH FINANSOWYCH WCHODZĄCYCH W SKŁAD ZARZADZANYCH PRZEZ BIURO MAKLERSKIE PORTFELI Z UWZGLĘDNIENIEM ZWIĄZANYCH Z NIMI RYZYK
INFORMACJE O INSTRUMENTACH FINANSOWYCH WCHODZĄCYCH W SKŁAD ZARZADZANYCH PRZEZ BIURO MAKLERSKIE PORTFELI Z UWZGLĘDNIENIEM ZWIĄZANYCH Z NIMI RYZYK Akcje Akcje są papierem wartościowym reprezentującym odpowiedni
Bardziej szczegółowoPRÓG RENTOWNOŚCI i PRÓG
PRÓG RENTOWNOŚCI i PRÓG WYPŁACALNOŚCI (MB) Próg rentowności (BP) i margines bezpieczeństwa Przychody Przychody Koszty Koszty całkowite Koszty stałe Koszty zmienne BP Q MB Produkcja gdzie: BP próg rentowności
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoZmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe
Bardziej szczegółowoUSŁUGA ZARZĄDZANIA. Indywidualnym Portfelem Instrumentów Finansowych. oferowana przez BZ WBK Asset Management S.A.
USŁUGA ZARZĄDZANIA Indywidualnym Portfelem Instrumentów Finansowych oferowana przez BZ WBK Asset Management S.A. Poznań 2012 Na czym polega usługa Zarządzania Portfelem Usługa Zarządzania Portfelem (asset
Bardziej szczegółowo1 Wieloczynnikowa analiza wariancji ciag ¾ dalszy
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Wielowymiarowa analiza danych Adam Kiersztyn 5 godzin lekcyjnych 2012-03-18 08.20-12.30 1 Wieloczynnikowa analiza wariancji
Bardziej szczegółowoDZIENNIK USTAW RZECZYPOSPOLITEJ POLSKIEJ
DZIENNIK USTAW RZECZYPOSPOLITEJ POLSKIEJ Warszawa, dnia 6 czerwca 2016 r. Poz. 789 ROZPORZĄDZENIE MINISTRA FINANSÓW 1) z dnia 25 maja 2016 r. w sprawie rocznych i półrocznych sprawozdań ubezpieczeniowego
Bardziej szczegółowoWyniki finansowe funduszy inwestycyjnych i towarzystw funduszy inwestycyjnych w 2011 roku 1
Warszawa, 26 czerwca 2012 r. Wyniki finansowe funduszy inwestycyjnych i towarzystw funduszy inwestycyjnych w 2011 roku 1 W końcu 2011 r. na polskim rynku finansowym funkcjonowały 484 fundusze inwestycyjne
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 12.10.2002 r.
Matematya ubezpieczeń majątowych.0.00 r. Zadanie. W pewnym portfelu ryzy ubezpieczycielowi udaje się reompensować sobie jedną trzecią wartości pierwotnie wypłaconych odszodowań w formie regresów. Oczywiście
Bardziej szczegółowoSmart Beta Święty Graal indeksów giełdowych?
Smart Beta Święty Graal indeksów giełdowych? Agenda Smart Beta w Polsce Strategie heurystyczne i optymalizacyjne Strategie fundamentalne Portfel losowy 2 Agenda Smart Beta w Polsce Strategie heurystyczne
Bardziej szczegółowoSpis treści. Przedmowa. O Autorach. Wstęp. Część I. Finanse i system finansowy
Spis treści Przedmowa O Autorach Wstęp Część I. Finanse i system finansowy Rozdział 1. Co to są finanse? 1.1. Definicja pojęcia finanse 1.2. Dlaczego należy studiować finanse? 1.3. Decyzje finansowe gospodarstw
Bardziej szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Zmienna losowa i jej rozkład Mając daną przestrzeń probabilistyczną, czyli parę (&, P) stanowiącą model pewnego doświadczenia losowego (gdzie
Bardziej szczegółowoKomisja Egzaminacyjna dla Aktuariuszy. XXXII Egzamin dla Aktuariuszy z 7 czerwca 2004 r. Część I. Matematyka finansowa
Komisja Egzaminacyjna dla Aktuariuszy XXXII Egzamin dla Aktuariuszy z 7 czerwca 2004 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Trzy osoby biorą
Bardziej szczegółowoWarszawska Giełda Towarowa S.A.
KONTRAKT FUTURES Poprzez kontrakt futures rozumiemy umowę zawartą pomiędzy dwoma stronami transakcji. Jedna z nich zobowiązuje się do kupna, a przeciwna do sprzedaży, w ściśle określonym terminie w przyszłości
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoMatematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXI Egzamin dla Aktuariuszy z 1 października 2012 r.
Komisja Egzaminacyjna dla Aktuariuszy LXI Egzamin dla Aktuariuszy z 1 października 2012 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1
Bardziej szczegółowoPolecenie 2.W spółce akcyjnej akcja na okaziciela oznacza ograniczoną zbywalność. Polecenie 5. Zadaniem controllingu jest pomiar wyniku finansowego
Polecenie 1. Spółka z ograniczoną odpowiedzialnością jest podmiotem w pełni bezosobowym. Polecenie 2.W spółce akcyjnej akcja na okaziciela oznacza ograniczoną zbywalność Polecenie 3.W WZA osobą najważniejszą
Bardziej szczegółowoObowiązek wystawienia faktury zaliczkowej wynika z przepisów o VAT i z faktu udokumentowania tego podatku.
Różnice kursowe pomiędzy zapłatą zaliczki przez kontrahenta zagranicznego a fakturą dokumentującą tę Obowiązek wystawienia faktury zaliczkowej wynika z przepisów o VAT i z faktu udokumentowania tego podatku.
Bardziej szczegółowoWykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.
Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.
Bardziej szczegółowoEkonomiczny Uniwersytet Dziecięcy
Ekonomiczny Uniwersytet Dziecięcy Akcje na giełdzie dr Adam Zaremba Uniwersytet Ekonomiczny w Poznaniu 28 kwietnia 2016 r. EKONOMICZNY UNIWERSYTET DZIECIĘCY WWW.UNIWERSYTET-DZIECIECY.PL PLAN WYKŁADU I.
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoMatematyka finansowa. Ćwiczenia ZPI. Ćwiczenia do wykładu Zarządzanie portfelem inwestycyjnym 1
Matematyka finansowa Ćwiczenia ZPI 1 Zadanie 1. Procent składany W banku A oprocentowanie lokat 4% przy kapitalizacji kwartalnej. W banku B oprocentowanie lokat 4,5% przy kapitalizacji miesięcznej. W banku
Bardziej szczegółowoMatematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. XLIX Egzamin dla Aktuariuszy z 6 kwietnia 2009 r.
Komisja Egzaminacyjna dla Aktuariuszy XLIX Egzamin dla Aktuariuszy z 6 kwietnia 2009 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1.
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoTemat: Funkcje. Własności ogólne. A n n a R a j f u r a, M a t e m a t y k a s e m e s t r 1, W S Z i M w S o c h a c z e w i e 1
Temat: Funkcje. Własności ogólne A n n a R a j f u r a, M a t e m a t y k a s e m e s t r 1, W S Z i M w S o c h a c z e w i e 1 Kody kolorów: pojęcie zwraca uwagę * materiał nieobowiązkowy A n n a R a
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoWyk lad 7 Baza i wymiar przestrzeni liniowej
Wyk lad 7 Baza i wymiar przestrzeni liniowej 1 Baza przestrzeni liniowej Niech V bedzie przestrzenia liniowa. Powiemy, że podzbiór X V jest maksymalnym zbiorem liniowo niezależnym, jeśli X jest zbiorem
Bardziej szczegółowoprawozdanie jednostkowe jest za cznikiem do sprawozdania po
prawozdanie jednostkowe jest za cznikiem do sprawozdania po Nowe Miasto i Wilda w Poznaniu, Wydzia VIII dowego, KRS 0000001132, NIP 778 13 14 701 Kapita zak adowy 13.202.000,00 PLN (wp acony w ca o 1)
Bardziej szczegółowoMatematyka II. De nicje, twierdzenia 21 czerwca 2011
Matematyka II De nicje, twierdzenia 2 czerwca 20 K. Dobrowolska, W. Dyczka, H. Jakuszenkow, Matematyka dla studentów studiów technicznych, cz. 2, HELPMATH, ódź 2007 M. Gewert, Z. Skoczylas, Analiza matematyczna
Bardziej szczegółowoDziennik Ustaw Nr 229 14531 Poz. 1916 ROZPORZÑDZENIE MINISTRA FINANSÓW. z dnia 12 grudnia 2002 r.
Dziennik Ustaw Nr 229 14531 Poz. 1916 1916 ROZPORZÑDZENIE MINISTRA FINANSÓW z dnia 12 grudnia 2002 r. zmieniajàce rozporzàdzenie w sprawie wzorów deklaracji podatkowych dla podatku od towarów i us ug oraz
Bardziej szczegółowo