EXPECTED SHORTFALL W OCENIE RYZYKA AKCYJNYCH FUNDUSZY INWESTYCYJNYCH
|
|
- Judyta Janiszewska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Radosław Pietrzyk Uniwersytet Ekonomiczny We Wrocławiu EXPECTED SHORTFALL W OCENIE RYZYKA AKCYJNYCH FUNDUSZY INWESTYCYJNYCH 1. Wstęp Rok 2008 zapoczątkował kryzys na rynkach finansowych. Duża niestabilność na rynkach powodowała duże straty inwestorów. Z oczywistych powodów kryzys dotknął również fundusze inwestycyjne lokujące swoje aktywa głównie na rynkach akcji. W obliczu zaistniałych zdarzeń dotychczasowe metody szacowania i prognozowania ryzyka rynkowego zostały poddane krytyce. Pojawiła się potrzeba poszukiwania nowych metod oraz modyfikacji dotychczasowych. Poszukiwanie to ma na celu znalezienie modeli uwzględniających zdarzenia na rynku, które powodują występowanie stóp zwrotu znacznie różniących się od średniej. Zdarzenia takie często nazywane są zdarzeniami ekstremalnymi. Odpowiedzią na te wyzwania może być zastosowanie teorii wartości ekstremalnych (extreme value theory - EVT). EVT pozwala na budowanie modeli, które uwzględniają pojawiające się rzadko, znacznie odbiegające od pozostałych obserwacje. Teoria wartości ekstremalnych znalazła liczne zastosowania, w szczególności w ubezpieczeniach i finansach. Celem artykułu jest przedstawienie możliwości zastosowania EVT do konstrukcji miary zagrożenia Expected Shortfall, która w literaturze [por. Këllezi, Gilli, (2000)] przedstawiana jest jako miara ryzyka ekstremalnego. W pierwszej części pracy została zaprezentowana miara Expected Shortfall jako uzupełnienie koncepcji wartości zagrożonej oraz przedstawiona została jedna z metod jej estymacji oparta na uogólnionym rozkładzie Pareto. Druga część artykułu została poświęcona zaprezentowaniu wyników badań przeprowadzonych na danych pochodzących z polskiego rynku funduszy inwestycyjnych akcyjnych. 2. Expected Shortfall miara ryzyka ekstremalnego Miary ryzyka ekstremalnego są definiowane jako miary związane z ogonem rozkładu. Typowym przykładem takiej miary jest wartość zagrożona (Value at Risk VaR). Do innych miar można zaliczyć między innymi Expected Shortfall (ES). Zdefiniowanie miary Expected Shortfall wymaga wcześniejszego zdefiniowania Value at Risk, gdyż miary te są ściśle ze sobą związane. Wartość zagrożona, zwana również wartością 191
2 narażoną na ryzyko jest definiowana jako kapitał wystarczający (w większości przypadków) do pokrycia strat z portfela inwestycyjnego posiadanego przez określoną liczbę dni. Inaczej VaR jest określany jako strata wartości rynkowej portfela, taka, że prawdopodobieństwo osiągnięcia jej lub przekroczenia w zadanym przedziale czasowym jest równe zadanemu poziomowi tolerancji. Można go wyrazić za pomocą równania: P( W W0 VaR ) p, (1) gdzie: W wartość portfela na koniec okresu, W0 wartość obecna portfela, p poziom tolerancji, = 1 p. Miarę VaR można przedstawić również jako kwanty rozkładu stopy zwrotu (Rp): VaR R, (2) pw 0 Miara Expected Shortfall (ES) stanowi doskonałe uzupełnienie dla miary Value at Risk. W literaturze jest przedstawiana jako alternatywa dla VaR, gdyż wartość zagrożona posiada wiele wad. Jedną z nich jest brak subaddytywności, co powoduje, że VaR nie jest miarą koherentną. Podawane są przykłady, dla których suma VaR poszczególnych składników portfela jest niższa niż VaR dla całego portfela. Drugim zarzutem wspomnianym wcześniej, jest to, że VaR nie mówi nic o potencjalnym rozmiarze strat, jeżeli straty przekroczą poziom VaR. Z problemem tym radzi sobie miara ES, która szacuje poziom strat, po przekroczeniu poziomu VaR. ES określa oczekiwaną wielkość straty, pod warunkiem, że strata przekroczyła poziom VaR. Miara Expected Shortfall jest ściśle związana z wartością zagrożoną, a sama jej konstrukcja opiera się na szacowaniu VaR. Można ją zatem traktować jako uzupełnienie VaR, a nie jej alternatywę i wykorzystywać tylko w połączeniu z wartością zagrożoną. Expected Shortfall możemy określić następującą zależnością: ES E X X VaR. (3) Aby wskazać zależność miary ES od VaR, wzór (3) można przedstawić w postaci: ES VaR E X VaR X VaR. (4) 3. Estymacja Expected Shortfall 192
3 Konstrukcja miary zagrożenia Expected Shortfall wiąże się z warunkowym rozkładem przekroczenia (conditional excess distribution), którego dystrybuanta przyjmuje postać [McNeil, Saladin (1997), s. 3]: F u ( y) P( X u y X u) 0 y (xf u), (5) gdzie: X strata, zmienna losowa pochodząca z rozkładu o dystrybuancie F, u ustalony próg, y wartość, o którą strata przekracza próg u, xf kres górny dziedziny funkcji F. Jest to więc prawdopodobieństwo, że strata przekroczy pewien próg u o wartość nie przekraczającą y, przy założeniu, że w ogóle ten próg przekroczy. Mamy więc do czynienia z rozkładem warunkowym zależnym od wybranego progu u. Dystrybuantę Fu(.) możemy zapisać w zależności od dystrybuanty F: F u y F( u y) F( u) F( x) F( u). (6) 1 F( u) 1 F( u) Twierdzenie Pickandsa-Balkemy-de Haana Dla szerokiej klasy rozkładów danych dystrybuantą F, warunkowy rozkład przekroczenia, dla dużej wartości u, może być aproksymowany przy pomocy F u ( y) G, ( y) u, gdzie: y, 0 G, ( y) (7) y 1 e, 0, dla 0 y (xf u ), jest uogólnionym rozkładem Pareto (Generalized Pareto Distribution - GPD), gdzie: β parametr skali (β > 0), ξ parametr kształtu (indeks ogona). Parametr ξ określa trzy postaci uogólnionego rozkładu Pareto [por. McNeil, Saladin (1997), s. 3]. Dla ξ > 0 otrzymujemy rozkład Pareto, dla ξ = 0 otrzymujemy rozkład wykładniczy, a dla ξ < 0 tzw. rozkład Pareto II typu. Uogólniony rozkład Pareto dla ξ > 0 charakteryzuje się grubymi ogonami. Może mieć zatem znaczenie w analizie wartości ekstremalnych, a kwantyl tego rozkładu może być zastosowany do estymacji miar zagrożenia dla ryzyka ekstremalnego. 193
4 Jednym z podstawowych problemów, oprócz estymacji parametrów rozkładu GPD, jest właściwy wybór progu, powyżej którego obserwacje są zaliczane do ogona rozkładu. Obserwacje znajdujące się powyżej progu, a więc pochodzące z ogona rozkładu posłużą do estymacji parametrów uogólnionego rozkładu Pareto. Wyższa wartość progu oznacza, że więcej obserwacji pochodzi z ogona rozkładu, ale jednocześnie obserwacji jest mniej, co utrudnia estymację parametrów. Znalezienie właściwego poziomu progu nie jest więc zadaniem łatwym i często estymuje się parametry rozkładu dla wielu progów i dokonuje wyboru na podstawie wiedzy eksperckiej. Propozycją rozwiązania tego problemu jest zastosowanie graficznej metody wyznaczania progu u. Polega ona na stworzeniu wykresu zależności wartości oczekiwanej od u. Estymator funkcji wartości oczekiwanej progu może być zdefiniowany jako: e ( u) n ik ( x i u) n, (8) n k 1 gdzie: k = min{i xi>u}, n-k+1 liczba obserwacji przekraczających próg u. Po przekroczeniu progu u musi zachodzić liniowa zależność między funkcją wartości oczekiwanej a progiem u. Można zatem przyjąć próg u na poziomie, przy którym rozpoczyna się liniowa zależność. Korzystając ze wzoru (6) dokonując przekształcenia i za Fu podstawiamy dystrybuantę GPD, a za F(u) estymator postaci (n-nu)/n, gdzie n liczba wszystkich obserwacji zmiennej losowej, X, Nu liczba obserwacji przekraczających próg u, otrzymujemy funkcję F(x) postaci: N F( x) 1 n u 1 ( x u) 1. (9) Po przekształceniu wzoru (5) otrzymujemy dla danego prawdopodobieństwa 1 p, kwantyl rozkładu F, który jest oszacowaniem VaR, opartym na uogólnionym rozkładzie Pareto. Ostatecznie oszacowanie VaR możemy wyrazić wzorem: VaR u n N u (1 ) 1. (10) 194
5 To podejście do szacowania wartości zagrożonej na podstawie uogólnionego rozkładu Pareto różni się od podejść klasycznych tym, że do obliczenia VaR stosujemy nie rozkład straty, ale warunkowy rozkład przekroczenia. Wykorzystując wzór (4), w którym drugi składnik jest wartością średnią rozkładu przekroczenia FVaR(y), powyżej progu VaR. Korzystając z faktu, że dla <1 [por. 9, s. 7]: e( u) E X u X u u 1, β+ u>0. (11) Otrzymana funkcja pozwala na oszacowanie średniej wartości przekroczenia poziomu VaR: ES VaR ˆ ˆ( VaR 1 ˆ u ) VaR ˆ ˆ u 1 ˆ 1 ˆ. (12) Obliczenie tak zdefiniowanego przybliżonego oszacowania ES wymaga znajomości parametrów uogólnionego rozkładu Pareto. Standardową metodą estymacji parametrów rozkładu GPD jest zastosowanie estymatorów największej wiarygodności. Polega ona na maksymalizacji funkcji największej wiarygodności dla posiadanych danych. Opis tej metody można znaleźć w pracy Embrechtsa, Klüppelberg i Mikoscha (1997). Procedura ta opiera się przeważnie na bardzo małym zbiorze danych, gdyż brane pod uwagę są jedynie obserwacje przekraczające założony próg. Dlatego też warto przy estymacji parametrów uogólnionego rozkładu Pareto porównać otrzymane wyniki z wynikami otrzymanymi przy zastosowaniu innych metod. Przykładem takiej metody może być zastosowanie estymatora nieparametrycznych, na przykład estymatora Hilla. W niniejszej pracy parametry rozkładu GPD zostaną oszacowane metodą największej wiarygodności. 4. Expected Shortfall na rynku funduszy akcyjnych Badaniu zostało poddanych 7 funduszy inwestycyjnych, które lokowały swoja aktywa w akcje spółek (fundusze akcyjne). Fundusze te należą do największych oraz są rynku co najmniej od 2000 r. Dane do estymacji parametrów rozkładu Pareto pochodzą z okresu od 1 stycznia 2000 r. do 31 lipca 2008 r. (łącznie 2152 notowania wartości jednostek rozrachunkowych). Badania zostały przeprowadzone na podstawie dziennych 195
6 logarytmicznych stóp zwrotu wartości jednostek uczestnictwa. Zweryfikowano, że szeregi czasowe są stacjonarne. W tabeli 1 zostały przedstawione podstawowe statystyki dla zaobserwowanych stóp zwrotu. Jak można zaobserwować, wartość kurtozy świadczy, że należy odrzucić założenie o normalności rozkładu stóp zwrotu na polskim rynku. Empiryczne rozkłady charakteryzują się również znaczną skośnością. Tabela 1. Podstawowe statystyki dla rozkładu dziennych logarytmicznych stóp zwrotu funduszy akcyjnych Pioneer, PKO/CS, PZU, Skarbiec, Arka, DWS, ING Pioneer PKO/Credit Suisse PZU Skarbiec Akcja Arka DWS ING Średnia 0,024% 0,034% 0,031% 0,050% 0,054% 0,029% 0,037% Odchylenie standardowe 1,231% 1,164% 1,020% 1,112% 1,125% 1,080% 1,129% Skośność 0,333 0,392 0,301 0,039 0,185 0,404 0,182 Kurtoza 5,6042 6,8170 5,7856 5,2815 5,8947 6,1936 4,9111 Minimum 8,345% 7,371% 5,802% 6,010% 6,906% 7,654% 6,538% Max 5,041% 6,540% 5,179% 5,118% 5,571% 4,863% 4,862% 1 kwartyl 0,641% 0,595% 0,512% 0,565% 0,554% 0,559% 0,591% Mediana 0,050% 0,054% 0,030% 0,024% 0,045% 0,024% 0,055% 3 kwartyl 0,707% 0,654% 0,600% 0,667% 0,693% 0,619% 0,674% Potwierdzeniem tych spostrzeżeń są również wykresy kwantylowe dla indeksów i spółek. Przykładowe wykresy dla funduszy Pioneer oraz PKO/Credit Suisse przedstawia Rysunek 1. Na wykresie widać, że występuje znaczne odchylanie się empirycznego wykresu od prostej, która obrazuje rozkład normalny. 196
7 Rys. 1. Wykres kwantylowy dziennych stóp zwrotu na przykładzie funduszy Pioneer (po lewej) oraz PKO/Credit Suisse (po prawej) Estymację parametrów ξ i β uogólnionego rozkładu Pareto dokonano za pomocą metody największej wiarygodności. W tym celu wykorzystano zaimplementowane funkcje w środowisku XploRe. Korzystając ze wzoru (8) wyznaczono wartość oczekiwaną. Na tej podstawie zostały sporządzone wykresy zależności funkcji wartości oczekiwanej od u wyznaczono progi u dla indeksów wszystkich funduszy. Znalazły się one w przedziale 2,05%-2,75%, Wykresy zależności od u dla funduszy przedstawiają rysunki 2 i 3. Rys. 2. Wykres (u, e(u)) dla funduszu Pioneer
8 Rys. 3. Wykres (u, e(u)) dla pozostałych funduszy funduszu ,007 0,006 PKO/Credit Suisse PZU ,0075 0,007 0,0065 0,006 Arka Skarbiec ,007 0, ,007 0,006 DWS ING Tabela 2 prezentuje uzyskane oszacowania parametrów GPD wraz z progami, dla jakich wartości te zostały wyestymowane. Nu oznacza liczę obserwacji znajdujących się w ogonie (powyżej progu u). Tabela 2. Wyestymowane parametry uogólnionego rozkładu Pareto dla funduszy Pioneer, PKO/CS, PZU, Skarbiec, Arka, DWS, ING Fundusz u N u F(u) ξ β Pioneer PKO/CS 1,96% 108 0,9498 0,0421 0,0078 2,75% 47 0,9781 0,2387 0,0027 3,29% 22 0,9898 0,2062 0,0034 1,79% 108 0,9498 0,1604 0,0049 2,67% 44 0,9795 0,3234 0,0020 3,15% 22 0,9898 0,
9 PZU Skarbiec Arka DWS ING 1,57% 108 0, ,37% 47 0,9781 0,3758 0,0011 2,70% 22 0,9898 0,2332 0,0370 1,70% 108 0,9498 0, ,67% 34 0,9842 0,1360 0,0035 2,92% 22 0,9898 0, ,67% 21 0,9902 0,0499 0,0057 1,71% 108 0,9498 0,0483 0,0070 2,67% 38 0,9823 0,3799 0,0011 2,94% 22 0,9898 0,2216 0,0029 2,67% 27 0,9874 0,4324 0,0008 1,66% 108 0,9498 0,0806 0,0063 2,05% 71 0,9670 0,2117 0,0032 2,93% 22 0,9898 0,1414 0,0049 2,05% 35 0,9837 0,3576 0,0014 1,81% 108 0,9498 0,0419 0,0063 2,67% 35 0,9837 0,3460 0,0012 2,89% 22 0,9898 0,2688 0,0019 Korzystając ze wzoru (11) oszacowano wartości VaR dla poziomów 95%, 99%, 99,5%. Oszacowania te pozwoliły następnie na estymację miary Expected Shortfall. Miary te zostały oszacowane na tych samych poziomach tolerancji, co miary VaR. Uzyskane wyniki prezentuje Tabela 3. Tabela 3. Oszacowania VaR i ES dla funduszy Pioneer, PKO/CS, PZU, Skarbiec, Arka, DWS, ING Fundusz u N u VaR 99.5% VaR 99% VaR 95% ES 99.5% ES 99% ES 95% Pioneer PKO/CS PZU Skarbiec Arka DWS ING 1,96% 108 3,849% 3,263% 1,965% 4,75% 4,13% 2,78% 2,75% 47 3,228% 2,983% 2,549% 3,73% 3,41% 2,84% 3,29% 22 3,553% 3,301% 2,837% 4,05% 3,73% 3,14% 1,79% 108 3,157% 2,691% 1,789% 4,00% 3,45% 2,37% 2,67% 44 3,017% 2,825% 2,514% 3,48% 3,19% 2,73% 3,15% 22 4,122% 3,180% 0,975% 5,47% 4,53% 2,34% 1,57% 108 3,619% 3,012% 1,572% 4,47% 3,88% 2,46% 2,37% 47 2,584% 2,467% 2,288% 2,89% 2,70% 2,42% 2,70% 22 5,143% 2,786% 4,407% 7,68% 5,77% 0,06% 1,70% 108 3,764% 3,163% 1,700% 4,59% 4,01% 2,60% 2,67% 34 3,102% 2,831% 2,291% 3,58% 3,26% 2,64% 2,92% 22 3,712% 2,941% 1,018% 4,74% 4,01% 2,20% 2,67% 21 3,391% 2,989% 2,108% 4,03% 3,61% 2,68% 1,71% 108 3,424% 2,890% 1,717% 4,25% 3,69% 2,45% 2,67% 38 2,850% 2,743% 2,581% 3,13% 2,96% 2,70% 2,94% 22 3,157% 2,942% 2,554% 3,59% 3,31% 2,81% 2,67% 27 2,958% 2,886% 2,782% 3,32% 3,19% 3,01% 1,66% 108 3,241% 2,733% 1,658% 4,06% 3,51% 2,34% 2,05% 71 2,793% 2,486% 1,926% 3,40% 3,01% 2,30% 2,93% 22 3,297% 2,942% 2,241% 3,92% 3,51% 2,69% 2,05% 35 2,841% 2,713% 2,513% 3,49% 3,29% 2,98% 1,81% 108 3,330% 2,857% 1,810% 4,05% 3,56% 2,47% 2,67% 35 2,836% 2,728% 2,558% 3,10% 2,94% 2,68% 199
10 2,89% 22 3,041% 2,897% 2,650% 3,35% 3,16% 2,82% Uzyskane wyniki pokazują oczekiwane straty, jakie mogą ponieść inwestorzy, jeżeli dzienny spadek wartości funduszu inwestycyjnego przekroczy poziom VaR. Oszacowania zaprezentowane w tabeli wskazują, że spadek wartości może osiągnąć poziom 7,68% (PZU). Prawdopodobieństwo zajścia takiej sytuacji jest jednak niewielkie i wynosi jedynie 0,5%. Jak pokazała jednak rzeczywistość takie straty powinny zostać uwzględnione. W dniach kryzysu wartość jednostki PZU spadła w dniu r. o 7,49%. Spadki wartości jednostek uczestnictwa innych funduszy były jeszcze wyższe. W ciągu 3 kolejnych miesięcy wszystkie fundusze zanotowały swoje maksymalne spadki. Ich poziom prezentuje Tabela 4. Tabela 4. Maksymalne poziomy spadków wartości funduszy inwestycyjnych w trakcie kryzysu finansowego w 2008 r. Fundusz Pioneer PKO/CS PZU Skarbiec Arka DWS ING Maksymalny spadek wartości 8,97% 8,86% 7,49% 6,30% 8,82% 9,50% 7,33% Maksymalna wartość ES 4,75% 5,47% 7,68% 4,74% 4,25% 4,03% 4,05% Zaprezentowane wyniki wskazują na to, że miara Expected Shortfall nawet wykorzystująca teorię wartości ekstremalnych nie oszacowała ryzyka w większości przypadków. Jedynie dla funduszu PZU można mówić o zadowalającym oszacowaniu. Wykorzystanie warunkowego rozkładu przekroczenia, mimo, że uwzględnia ekstremalne stopy zwrotu na rynkach finansowych nie pozwoliło na właściwe oszacowanie maksymalnej straty większości funduszy. Świadczyć to może o ogromnej skali kryzysu na rynkach finansowych w 2008 r. Niemniej jednak wykorzystanie tej miary daje większe możliwości przewidywania strat na rynkach finansowych. 5. Podsumowanie Miara Expected Shortfall stanowi dobre uzupełnienie dla miary VaR. Szacuje poziom strat, po przekroczeniu poziomu VaR. ES jest miarą koherentną, co oznacza, że posiada również 200
11 własność subaddytywności, czego brakuje wartości zagrożonej. Zastosowanie miary Expected Shortfall i szacowanie jej w oparciu o warunkowy rozkład przekroczenia pozwala na uwzględnienie ryzyka ekstremalnego, co w jest istotne w czasach dużej niepewności na rynkach finansowych. Podstawowym problemem w zastosowaniu miary ES jest wybór metody estymacji oraz błędy estymacji, co na przykład w metodzie MLE może być spowodowane niewłaściwym wyborem progu u. Przeprowadzone badania pokazały, że miara ES może być wykorzystywana przez zarządzających funduszami inwestycyjnymi do szacowania ryzyka ekstremalnego. Pokazuje ona rozmiar strat jakie mogą wystąpić. Mimo, że miara ta, jak pokazały badania, może nie doszacowywać ryzyka, to jednak powinna być uwzględniana, gdyż przynosi więcej informacji o potencjalnych maksymalnych stratach niż klasyczne miary ryzyka. Literatura [1] Dowd K. (1998), Beyond Value At Risk, John Wiley & Sons, Chichester [2] Embrechts P. (2000), Extreme Value Theory: Potential And Limitations As An Integrated Risk Management Tool, maszynopis, ETHZ Zurich. [3] Embrechts P., Klüppelberg C., Mikosch T, (1997), Modelling Extremal Events for Insurance and Finance, Springer, Berlin. [4] Emmer S., Klüppelberg C., Trüstedt M., VaR a measure for the extreme risk [5] Jajuga K. (2000), Miary ryzyka rynkowego część trzecia, Rynek Terminowy 8, str [6] Jajuga K. (2001), Podstawy analizy wartości ekstremalnych na rynkach finansowych. Rynek Terminowy, 11, s [7] Jajuga K., Kuziak K., Papla D., Rokita P.(2001), Ryzyko wybranych instrumentów polskiego rynku finansowego część druga, Rynek Terminowy 11, str [8] Jorion P. (2001), Value at Risk: the new benchmark for managing financial risk, Chicago, 2 nd edition, McGraw-Hill. [9] Këllezi E., Gilli M. (2000), Extreme Value Theory for Tail-Related Risk Measures, maszynopis. [10] McNeil A. (1999), Extreme Value Theory for Risk Managers, maszynopis, ETHZ, Zurich. [11] McNeil A., Saladin T. (1997), The Peaks over Thresholds Method for Estimating High Quantiles of Loss Distributions, maszynopis, ETHZ, Zurich. 201
12 [12] Metody ekonometryczne t statystyczne w analizie rynku kapitałowego (2000), Red. Jajuga K., AE Wrocław. Expected Shortfall in risk evaluation of stock funds Summary In this paper a study on measuring Expected Shortfall (ES) has been carried out. Expected shortfall is a tail-related risk measure, which is defined, as the expected size of loss that exceeds Value at Risk. ES is a supplementary measure for VaR. The peaks over threshold method provides a simple tool for estimating measures of tail risk like ES. In the last part this method has been verified on Polish market in risk evaluation of stock funds during the world financial crisis. 202
Szacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego
Radosław Pietrzyk Katedra Inwestycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Szacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego 1.
Bardziej szczegółowoEKSTREMALNE RYZYKO CENOWE NA RYNKU ZBÓŻ W POLSCE
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 297 2016 Małgorzata Just Uniwersytet Przyrodniczy w Poznaniu Wydział Ekonomiczno-Społeczny Katedra Finansów
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 640 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 640 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 38 2011 JERZY GWIZDAŁA METODA SZACOWANIA VaR W ZARZĄDZANIU RYZYKIEM BANKU Wprowadzenie W roku 1994 bank inwestycyjny
Bardziej szczegółowoMetody oceny ryzyka operacyjnego
Instytut Matematyki i Informatyki Wrocław, 10 VII 2009 Bazylejski Komitet Nadzoru Bankowego Umowa Kapitałowa - 1988 Opracowanie najlepszych praktyk rynkowych w zakresie zarządzania ryzykiem Nowa Umowa
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 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 szczegółowoWykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego. Katarzyna Kuziak
Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego Katarzyna Kuziak Cel: łączenie różnych rodzajów ryzyka rynkowego za pomocą wielowymiarowej funkcji powiązań 2 Ryzyko rynkowe W pomiarze ryzyka
Bardziej szczegółowodr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Czym jest ryzyko? Rodzaje ryzyka? Co oznacza zarządzanie? Dlaczego zarządzamy ryzykiem? 2 Przedmiot ryzyka Otoczenie bliższe/dalsze (czynniki ryzyka egzogeniczne vs endogeniczne)
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
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 szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoWykład 1 Sprawy organizacyjne
Wykład 1 Sprawy organizacyjne 1 Zasady zaliczenia Prezentacja/projekt w grupach 5 osobowych. Każda osoba przygotowuje: samodzielnie analizę w excel, prezentację teoretyczną w grupie. Obecność na zajęciach
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoZ Wikipedii, wolnej encyklopedii.
Rozkład normalny Rozkład normalny jest niezwykle ważnym rozkładem prawdopodobieństwa w wielu dziedzinach. Nazywa się go także rozkładem Gaussa, w szczególności w fizyce i inżynierii. W zasadzie jest to
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 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 szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informatyki Krzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH rozprawa doktorska Promotor: prof.
Bardziej szczegółowoInne kryteria tworzenia portfela. Inne kryteria tworzenia portfela. Poziom bezpieczeństwa. Analiza i Zarządzanie Portfelem cz. 3. Dr Katarzyna Kuziak
Inne kryteria tworzenia portfela Analiza i Zarządzanie Portfelem cz. 3 Dr Katarzyna Kuziak. Minimalizacja ryzyka przy zadanym dochodzie Portfel efektywny w rozumieniu Markowitza odchylenie standardowe
Bardziej szczegółowoZarządzanie ryzykiem finansowym
Zarządzanie projektami Wrocław, 30 października 2013 Spis treści Motywacja Rachunek prawdopodobieństwa Koherentne miary ryzyka Przykłady zastosowań Podsumowanie Po co analizować ryzyko na rynkach finansowych?
Bardziej szczegółowoWykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego
Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Przykład Cena metra kwadratowego (w tys. zł) z dla 14 losowo wybranych mieszkań w
Bardziej 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 szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowodr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Miary zmienności: obrazują zmiany cen, stóp zwrotu instrumentów finansowych, opierają się na rozproszeniu ich rozkładu, tym samym uśredniają ryzyko: wariancja stopy zwrotu, odchylenie
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoStatystyki opisowe i szeregi rozdzielcze
Statystyki opisowe i szeregi rozdzielcze - ćwiczenia ĆWICZENIA Piotr Ciskowski ramka-wąsy przykład 1. krwinki czerwone Stanisz W eksperymencie farmakologicznym analizowano oddziaływanie pewnego preparatu
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 szczegółowoDetekcja rozkładów o ciężkich ogonach
Detekcja rozkładów o ciężkich ogonach J. Śmiarowska, P. Jamer Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska 24 kwietnia 2012 J. Śmiarowska, P. Jamer (Politechnika Warszawska) Detekcja
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, 20 26 IX 2009 r. WYNIKI OBSERWACJI X 1, X 2,..., X n WYNIKI
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoTEORIA WARTOŚCI EKSTREMALNYCH ZASTOSOWANIE DO SEKTORA SUROWCÓW ENERGETYCZNYCH
STUDIA OECONOMICA POSNANIENSIA 2013, vol. 1, no. 10 (259) Karolina Siemaszkiewicz Uniwersytet Ekonomiczny w Poznaniu, Wydział Informatyki i Gospodarki Elektronicznej, Katedra Matematyki Stosowanej karolina.koziorowska@ue.poznan.pl
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 szczegółowoAnaliza zdarzeń Event studies
Analiza zdarzeń Event studies Dobromił Serwa akson.sgh.waw.pl/~dserwa/ef.htm Leratura Campbell J., Lo A., MacKinlay A.C.(997) he Econometrics of Financial Markets. Princeton Universy Press, Rozdział 4.
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
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 szczegółowoR ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych
R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych Przykłady: Błąd pomiarowy Wzrost, wydajność Temperatura ciała Zawartość różnych składników we
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 szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoStatystyki pozycyjne w procedurach estymacji i ich zastosowania w badaniach ekonomicznych
Statystyki pozycyjne w procedurach estymacji i ich zastosowania w badaniach ekonomicznych Dorota Pekasiewicz Statystyki pozycyjne w procedurach estymacji i ich zastosowania w badaniach ekonomicznych Dorota
Bardziej szczegółowoKalibracja. W obu przypadkach jeśli mamy dane, to możemy znaleźć równowagę: Konwesatorium z Ekonometrii, IV rok, WNE UW 1
Kalibracja Kalibracja - nazwa pochodzi z nauk ścisłych - kalibrowanie instrumentu oznacza wyznaczanie jego skali (np. kalibrowanie termometru polega na wyznaczeniu 0C i 100C tak by oznaczały punkt zamarzania
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
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 szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoAnaliza regresji - weryfikacja założeń
Medycyna Praktyczna - portal dla lekarzy Analiza regresji - weryfikacja założeń mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie (Kierownik Zakładu: prof.
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 szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka 9.06.999 r. Zadanie. Rzucamy pięcioma kośćmi do gry. Następnie rzucamy ponownie tymi kośćmi, na których nie wypadły szóstki. W trzeciej rundzie rzucamy tymi kośćmi, na których
Bardziej szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: dr Rafał Kusy Poziom studiów (I lub II stopnia): I stopnia Tryb studiów: Niestacjonarne
Bardziej szczegółowoPróba pomiaru efektywności funduszy inwestycyjnych w Polsce w latach 1999 2005
Zeszyty Naukowe Metody analizy danych Uniwersytet Ekonomiczny w Krakowie 873 Kraków 2011 Katedra Statystyki Próba pomiaru efektywności funduszy inwestycyjnych w Polsce w latach 1999 2005 1. Wprowadzenie
Bardziej szczegółowoOBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp
tel.: +48 662 635 712 Liczba stron: 15 Data: 20.07.2010r OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA z wykorzystaniem programu obliczeniowego Q maxp DŁUGIE
Bardziej szczegółowoStatystyka opisowa- cd.
12.03.2017 Wydział Inżynierii Produkcji I Logistyki Statystyka opisowa- cd. Wykład 4 Dr inż. Adam Deptuła HISTOGRAM UNORMOWANY Pole słupka = wysokość słupka x długość przedziału Pole słupka = n i n h h,
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
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 szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowo1 n. s x x x x. Podstawowe miary rozproszenia: Wariancja z populacji: Czasem stosuje się też inny wzór na wariancję z próby, tak policzy Excel:
Wariancja z populacji: Podstawowe miary rozproszenia: 1 1 s x x x x k 2 2 k 2 2 i i n i1 n i1 Czasem stosuje się też inny wzór na wariancję z próby, tak policzy Excel: 1 k 2 s xi x n 1 i1 2 Przykład 38,
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,
Bardziej szczegółowoWynik pomiaru jako zmienna losowa
Wynik pomiaru jako zmienna losowa Wynik pomiaru jako zmienna losowa Zmienne ciągłe i dyskretne Funkcja gęstości i dystrybuanta Wartość oczekiwana Momenty rozkładów Odchylenie standardowe Estymator zmiennej
Bardziej szczegółowoInteligentna analiza danych
Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku
Bardziej szczegółowoEkonometria Finansowa II EARF. Michał Rubaszek
Ekonometria Finansowa II EARF Michał Rubaszek 1 Cele - Zapoznanie z charakterystykami szeregów finansowych - Omówienie jednowymiarowych metod liczenia VaR - Omówienie wielowymiarowych metod liczenia VaR
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 1.10.2012 r.
Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna
Bardziej szczegółowoAnaliza zależności ekstremalnych
Zeszyty Naukowe nr 726 Akademii Ekonomicznej w Krakowie 2006 Katedra Statystyki Analiza zależności ekstremalnych. Wprowadzenie W dobie globalizacji gospodarki zarządzający ryzykiem w instytucjach finansowych
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoRYZYKO INWESTYCJI W SPÓŁKI GIEŁDOWE SEKTORA ENERGETYCZNEGO
Alicja Ganczarek-Gamrot Uniwersytet Ekonomiczny w Katowicach RYZYKO INWESTYCJI W SPÓŁKI GIEŁDOWE SEKTORA ENERGETYCZNEGO Wprowadzenie Liberalizacja polskiego rynku energii elektrycznej wpłynęła na rozwój
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
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 szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoTeoria wartości ekstremalnych w ekonometrii finansowej
M a rc i n Fa ł d z i ń sk i Teoria wartości ekstremalnych w ekonometrii finansowej Toruń 2014 Recenzent prof. dr hab. Krzysztof Jajuga Opracowanie wydawnicze Elżbieta Kossarzecka Projekt okładki Monika
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 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 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 szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoZadania ze statystyki, cz.6
Zadania ze statystyki, cz.6 Zad.1 Proszę wskazać, jaką część pola pod krzywą normalną wyznaczają wartości Z rozkładu dystrybuanty rozkładu normalnego: - Z > 1,25 - Z > 2,23 - Z < -1,23 - Z > -1,16 - Z
Bardziej szczegółowoKorzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne)
Korzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne) Przygotował: Dr inż. Wojciech Artichowicz Katedra Hydrotechniki PG Zima 2014/15 1 TABLICE ROZKŁADÓW... 3 ROZKŁAD
Bardziej szczegółowoŚrodowisko R Założenie normalności metody nieparametryczne Wykład R4; 4.06.07 Weryfikacja założenia o normalności rozkładu populacji
Środowisko R Założenie normalności metody nieparametryczne Wykład R4; 4.06.07 Weryfikacja założenia o normalności rozkładu populacji Dane są obserwacje x 1, x 2,..., x n. Czy można założyć, że x 1, x 2,...,
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 szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoUogolnione modele liniowe
Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,
Bardziej szczegółowoZarządzanie ryzykiem. Wykład 1
Zarządzanie ryzykiem Wykład 1 Czym jest ryzyko? Według Słownika języka polskiego: a) możliwość, że coś się nie uda; też: przedsięwzięcie, którego wynik jest niepewny, b) odważenie się na takie niebezpieczeństwo,
Bardziej szczegółowoPomiary urodzeń według płci noworodka i województwa.podział na miasto i wieś.
Pomiary urodzeń według płci noworodka i województwa.podział na miasto i wieś. Województwo Urodzenia według płci noworodka i województwa. ; Rok 2008; POLSKA Ogółem Miasta Wieś Pozamałżeńskie- Miasta Pozamałżeńskie-
Bardziej szczegółowoWykład 5: Statystyki opisowe (część 2)
Wykład 5: Statystyki opisowe (część 2) Wprowadzenie Na poprzednim wykładzie wprowadzone zostały statystyki opisowe nazywane miarami położenia (średnia, mediana, kwartyle, minimum i maksimum, modalna oraz
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R
Bardziej szczegółowoWspó³zale noœci wystêpuj¹ce w zarz¹dzaniu ryzykiem finansowym w przedsiêbiorstwie Wspó³zale noœci wystêpuj¹ce w zarz¹dzaniu ryzykiem finansowym...
Andrzej Szopa * Andrzej Szopa Wspó³zale noœci wystêpuj¹ce w zarz¹dzaniu ryzykiem finansowym w przedsiêbiorstwie Wspó³zale noœci wystêpuj¹ce w zarz¹dzaniu ryzykiem finansowym... Wstêp Ryzyko finansowe jest
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
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 szczegółowo