Brak arbitrażu na rynkach z proporcjonalnymi kosztami transakcji *

Wielkość: px
Rozpocząć pokaz od strony:

Download "Brak arbitrażu na rynkach z proporcjonalnymi kosztami transakcji *"

Transkrypt

1 Zeszyy Unwersye Ekonomczny w Krakowe Naukowe (937) ISSN Zesz. Nauk. UEK, 205; (937): DOI: /ZNUEK Agneszka Rygel Kaedra Maemayk Unwersye Ekonomczny w Krakowe Brak arbrażu na rynkach z proporconalnym koszam ransakc * Sreszczene Celem pracy es przedsawene w uednolcony przerzysy sposób różnych wynków doyczących aspeku braku arbrażu wysępuącego przy modelowanu rynków fnansowych z proporconalnym koszam ransakc. Podane zosały kryera charakeryzuące brak możlwośc słabego oraz slnego arbrażu w modelu rynku z czasem dyskrenym skończonym horyzonem czasowym. W przypadku modelu rynku z czasem cągłym sformułowane zosały warunk wysarczaące dla braku prosego arbrażu (zn. arbrażu w klase prosych sraeg nwesycynych). Szczególna uwaga zosała pośwęcona ransakcom bez możlwośc króke sprzedaży. Słowa kluczowe: modele rynków fnansowych, arbraż, koszy ransakc, prose sraege nwesycyne.. Wprowadzene Przedmoem pracy są pewne aspeky zwązane z modelowanem rynków fnansowych. Rozparywane es zagadnene braku arbrażu zn. braku możlwośc uzyskana zysku bez konecznośc ponoszena ryzyka sray. Kwesa * Praca zosała wykonana w ramach badań fnansowanych ze środków przyznanych Wydzałow Fnansów Unwersyeu Ekonomcznego w Krakowe w ramach doac na urzymane poencału badawczego.

2 28 Agneszka Rygel probablsyczne charakeryzac braku arbrażu należy do podsawowych zagadneń maemayk fnansowe. Zagadnena e były badane zarówno w przypadku czasu dyskrenego, ak cągłego. Model z czasem cągłym skończonym horyzonem czasowym es uważany za podsawowe narzędze analzy rzeczywsych rynków fnansowych. Rozważa sę sraege cągłe, zn. sraege nwesycyne, w ramach kórych możlwa es neskończona lczba zman porfela nwesycynego na skończonym przedzale czasu. Z prakycznego punku wdzena ake sraege ne są realzowalne. Rozsądne wydae sę badane uczcwośc rynku w modelu dopuszczaącym edyne prose sraege nwesycyne, czyl ake, kóre odpowadaą wykonanu ylko skończone lczby ransakc. Celem pracy es zaprezenowane modelu rynku z proporconalnym koszam ransakc. Należy podkreślć, że rynk z koszam ransakc z czasem cągłym są przedmoem nensywnych badań maemaycznych (m.n.: [Guason, Rásony Schachermayer 2008, 200]). W pracy przedsawone są różne defnce braku arbrażu oraz rudnośc dobrego zdefnowana uczcwośc rynku. Przyoczone są wynk sanowące uogólnene perwszego fundamenalnego werdzena wyceny do modelu z proporconalnym koszam ransakc. Podane są warunk dosaeczne na słaby brak arbrażu w klase prosych sraeg nwesycynych zarówno z możlwoścą pożyczana paperów waroścowych, ak bez e możlwośc. Warunk e są sformułowane dla modelu ednowymarowego, a nasępne rozszerzone do przypadku welowymarowego. Na zakończene przedsawono wynk charakeryzuące brak możlwośc arbrażu w klase prosych sraeg nwesycynych poprzez wykorzysane rezulaów Y. Kabanova, M. Rásony ego Ch. Srckera [2002] oraz P.G. Grgoreva [2005] dla modelu z czasem dyskrenym. Szczególną uwagę skupono na sraegach wykluczaących możlwość pożyczana paperów waroścowych. ransakce, w ramach kórych nwesor dokonue sprzedaży paperu waroścowego w chwl zawarca umowy sprzedaży nebędącego ego własnoścą, są przez usawodawcę ogranczane lub zakazywane (w ramach GPW w Warszawe ne każdy nwesor ma możlwość dokonywana ego ypu ransakc, ak równeż ne na wszyskch paperach waroścowych może być realzowana). Oprócz wprowadzena koszów ransakc oraz ewenualnego ogranczena składu porfela (zn. brak możlwośc zw. króke sprzedaży) ne rezygnue sę z pozosałych założeń rynku doskonałego. Zakładamy, że rynek es płynny, dosęp do nformac es ednakowy dla wszyskch nwesorów, a ch samodzelne dzałana ne wpływaą na cenę nsrumenów.

3 Brak arbrażu na rynkach Model rynku fnansowego z proporconalnym koszam ransakc (przypadek dyskreny) Zakładamy, że (W, F, P) es przesrzeną probablsyczną z flracą F 0 F F. Rozważamy model rynku fnansowego z czasem dyskrenym (zn. zarówno poencalne zmany cen nsrumenów, ak ransakce odbywaą sę w chwlach 0,, 2,, ) skończonym horyzonem czasowym: <. Na rynku wysępue d paperów waroścowych (akc), kórych ceny w chwl są opsywane przez neuemny F -merzalny wekor losowy X : W R d oraz rachunek bankowy ze sopą procenową r = 0. Rozparuemy rynek z proporconalnym koszam ransakc reprezenowanym przez współczynnk l, m (l > 0, m (0,)). Warość X ( + λ ) rozume sę ako cenę, po kóre można dokonać zakupu -ego nsrumenu w chwl, zaś X ( µ ) ako cenę, po kóre można sprzedać -y nsrumen w chwl. Sraegą nwesycyną nazywamy dowolny proces prognozowalny ( ) {0,,, } o waroścach w R d. Zmenną losową ϕ nerpreuemy ako lczbę ednosek -ego nsrumenu rzymanych w porfelu od chwl do chwl. Jeśl dodakowo zażądamy, by ϕ 0 dla każdego =, 2,, d oraz =, 2,,, o sraegę będzemy nazywać sraegą nwesycyną bez możlwośc króke sprzedaży. Pommo że sraega formalne opsue proces nwesowana edyne w nsrumeny ryzykowne (wekor losowy es d-wymarowy), o sandardowe założene, by sraega była samofnansuąca sę (zn. bez dopływu środków spoza nwesyc oraz konsumpc) deermnue pozycę na rachunku bankowym. Nech ϕ = ϕ ϕ + oraz ( ϕ ), ( ϕ ) oznaczaą odpowedno część dodaną część uemną przyrosu ϕ. Wówczas skład porfela nwesycynego po dokonanu ransakc w chwl (przy założenu, że saruemy z pozyc zerowe) opsuą równana: d 0 + ϕ = [( µ ) ( ϕ s ) X s ( + λ ) ( ϕ s ) X s ] = s= s= ϕ = ϕs s= d d ϕ = ϕs s= 0 gdze ϕ oznacza lość penędzy ulokowanych (pożyczonych) na rachunku bankowym. Ineresuące są ake pozyce nwesycyne, kórych warość po dokonanu spłay ewenualnego zadłużena na rachunku bankowym bądź gełdowym będze neuemna. Defnuemy zaem sożek losowy:

4 30 Agneszka Rygel d 0 d d G = ( ϕ, ϕ,, ϕ ) R : ϕ + ( µ ) ( ϕ ) X ( + λ ) ( ϕ ) X 0. = Można powedzeć, że G es zborem pozyc neuemnych, naomas ( G ) zborem pozyc osągalnych w chwl z pozyc zerowe. W przypadku gdy mamy do czynena z ednym rodzaem nsrumenu ryzykownego (dla d = ), sożk e ławo zlusrować (zob. rys. ). W modelu rynku fnansowego z koszam ransakc poęce uczcwośc rynku rozumane ako brak arbrażu, czyl możlwośc uzyskana zysku z nwesyc o zerowe warośc począkowe bez ryzyka sray penędzy, ma klka nauralnych uogólneń. Perwszym z nch es syuaca, w kóre saruąc w chwl 0 z pozyc zerowe osągamy w chwl pozycę, kóra z dodanm prawdopodobeńswem ne es pozycą zerową, a e warość es neuemna z prawdopodobeńswem równym. Mówmy wedy o słabym arbrażu w chwl. Jeśl zażądamy dodakowo, by warość pozyc końcowe była dodana z prawdopodobeńswem nezerowym, o powemy o slnym arbrażu w chwl. Oznaczmy przez A zbór pozyc możlwych do uzyskana w chwl, przy zasosowanu sraeg samofnansuących sę saruących w chwl począkowe z pozyc zerowe. Wówczas brak możlwośc słabego arbrażu (czyl zw. slny brak arbrażu) można opsać przez warunek: A L 0 (G ) = {0}. Naomas słaby brak arbrażu,. brak możlwośc slnego arbrażu, es ożsamy z warunkem: A L 0 (G ) L 0 ( G ), gdze G oznacza brzeg zboru G. Waro odnoować, że soną rolę w dowodach werdzeń charakeryzuących brak arbrażu odgrywa fak, że zbór pozyc osągal- 0 nych w chwl końcowe można wyrazć w posac sumy: A = L ( G, F ), = gdze L 0 ( G, F ) es rodzną F -merzalnych wekorów losowych o waroścach w ( G ). Podsawowy rezula w maemayce fnansowe, nazywany perwszym fundamenalnym werdzenem wyceny, oznacza, że brak arbrażu na rynku doskonałym es ożsamy z snenem równoważne mary maryngałowe. Zanm zosaną podane uogólnena ego wynku dla modelu z proporconalnym koszam ransakc, należy wprowadzć nasępuące oznaczena: * * d + d + G oznacza sożek dualny do G, czyl G = v R w G : v w 0 ; = M (G * \{0}) oznacza zbór ych maryngałów (Z ) {0,,, } (czyl procesów akch, że E(Z ) < dla = 0,,, oraz E(Z + F ) = Z dla = 0,,, ), dla kórych Z L 0 * (G \ {0}, F ) dla dowolnego.

5 Brak arbrażu na rynkach 3 y x y = ( µ ) X G G x y = ( + λ ) X x Rys.. Zbór pozyc neuemnych zbór pozyc osągalnych w chwl (przypadek ednowymarowy) Źródło: opracowane własne. y G * x y = ( µ ) X G x y = ( + λ) X x Rys. 2. Sożek pozyc neuemnych w chwl oraz sożek dualny (przypadek ednowymarowy) Źródło: opracowane własne.

6 32 Agneszka Rygel Rozparuemy przypadek, w kórym Ω es zborem skończonym. werdzene 2. (zob. [Kabanov Safaran 2009]). Nasępuące warunk są równoważne: ) A L 0 (G ) L 0 ( G ), 2) M (G * \{0}) Ø. Ławo pokazać, że warunek 2) oznacza snene mary P równoważne merze P oraz d-wymarowego procesu X będącego maryngałem względem mary P akego, że ( µ ) X X ( + λ) X. Zauważmy, że przy braku koszów ransakc werdzene 2. pokrywa sę z perwszym fundamenalnym werdzenem wyceny. Nech rg * oznacza relaywne wnęrze sożka G *. Podamy eraz warunek równoważny na slny brak arbrażu. werdzene 2.2 (zob. [Kabanov Safaran 2009]). Nasępuące warunk są równoważne: ) A L 0 (G ) = {0}, 2) snee Z M (G * \{0}) ak, że Z L 0 (rg * ). Wprowadzene poęca slnego słabego braku arbrażu w klase sraeg bez możlwośc pożyczana paperów waroścowych wymaga ogranczena zboru pozyc neuemnych oraz zboru pozyc osągalnych w chwl końcowe. Nech zaem 0 d G + = ( ϕ, ϕ,, ϕ ) G : ϕ 0, =,, d { } będze zborem pozyc neuemnych, zaś przez A + oznaczmy zbór pozyc osągalnych w chwl końcowe przy omawanym ogranczenu. Wówczas powemy, że w modelu zachodz słaby brak arbrażu bez możlwośc króke sprzedaży, eśl A L ( G, F ) L ( G, F ) oraz odpowedno: slny brak arbrażu bez + możlwośc króke sprzedaży, eżel 0 + A L ( G, F ) = {0}. 0 + Zauważmy, że zbór L ( Q, F ), gdze Q + oznacza zbór pozyc osągalnych = z pozyc zerowe w chwl przy zasosowanu sraeg bez możlwośc pożyczana paperów waroścowych, zn. 0 d { } Q + = ( ϕ, ϕ,, ϕ ) ( G ) : ϕ 0, =,, d, ne wyczerpue wszyskch możlwych pozyc w chwl. Powyższa suma sanow edyne zbór końcowych pozyc generowanych przez sraege o nemaleące lczbe akc (zbór L ( Q, F ) es właścwym podzborem A + ). 0 + Zaem =

7 Brak arbrażu na rynkach 33 zasosowane analog do przypadku ogólnego, gdze zbór A można zapsać w posac sumy algebraczne sożków losowych ne es możlwe. W badanu model z koszam ransakc poawa sę równeż nny problem: brak równoważnośc mędzy snenem sraeg arbrażowe w modelu welookresowym a snenem możlwośc arbrażu w co namne ednym z podmodel ednookresowych. Własność a, prawdzwa w przypadku rynku bez koszów ransakcynych, zosała wykorzysana w wększośc dowodów perwszego fundamenalnego werdzena wyceny arbrażowe. Ponższy przykład (zob. [Rygel Sener 202]) lusrue brak możlwośc redukc problemu uczcwośc rynku do modelu ednookresowego w syuac, gdy rozważamy proporconalne koszy ransakc. Przykład. Rozparuemy model dwuokresowy, ednowymarowy ( = 2, d = ) z dynamką cen nsrumenu ryzykownego zadaną przez zmenne losowe: X 0 =, X = X 0 ( + x ), X 2 = X ( + x 2 ), gdze P(x >, x 2 > ) =. Zakładamy, że + λ ) + ξ < z dodanm prawdopodobeńswem dla =, 2; µ 2) P + λ ( ) 2 µ δ + ξ = dla d > 0 akego, że ( δ ) >. µ + λ Przymuąc zaem sraegę polegaącą na zakupe w chwl począkowe edne akc po cene + l ze środków pochodzących z pożyczk w banku oraz braku modyfkac składu porfela nwesycynego w kolenych chwlach, orzymamy po lkwdac porfela w chwl końcowe kwoę: ( + λ ) + ( + ξ )( + ξ2)( µ ). Zauważmy, że na mocy warunku 2) orzymuemy P ( + λ ) + ( + ξ )( + ξ ) > 0 =, ( ) 2 węc opsana sraega es slnym arbrażem bez króke sprzedaży. Jednocześne każdy z podmodel ednookresowych es wolny od slnego arbrażu w klase sraeg wykluczaących króką sprzedaż. Z uwag na brak możlwośc zadłużena na rachunku gełdowym edyną możlwą sraegą es kupno akc w chwl począkowe sprzedaż w chwl końcowe. Warość ake sraeg w podmodelu: 0 opsue zmenna losowa: ( + l) + ( + x )( m), zaś w podmodelu 2: ( + l)( + x ) + ( + x )( + x 2 )( m). Warunek ) gwaranue, że obe zmenne losowe przymuą warośc uemne z dodanm prawdopodobeńswem.

8 34 Agneszka Rygel 3. Arbraż w klase prosych sraeg nwesycynych Zacznemy od przedsawena maemaycznego modelu rynku fnansowego z czasem cągłym. W ym celu rozważamy przesrzeń probablsyczną (W, F, P) z flracą (F ) [0, ] spełnaącą zw. warunk zwykłe (zn. zupełną prawosronne cągłą). Nech (X ) [0, ] będze d-wymarowym adapowanym procesem sochasycznym o ścśle dodanch raekorach. Proces en opsue ewolucę cen d nsrumenów ryzykownych. Rozważamy równeż proces deermnsyczny, sale równy, kóry reprezenue rachunek bankowy (z zerową sopą procenową). Ineresować nas będą zw. prose sraege nwesycyne, czyl ake, w ramach kórych dokonuemy skończoną lczbę ransakc na skończonym przedzale czasu. Klasę ego ypu sraeg można rakować ako swego rodzau pomos mędzy modelam dyskrenym cągłym. Zaleą akego podeśca, wobec model z czasem dyskrenym, es możlwość rozważana sraeg w ramach, kórych lczba ransakc w ogranczonym czase ne es ogranczona z góry. Ponado ransakce mogą być dokonywane w dowolnym momence, rynek es bowem obserwowany w sposób cągły. Sens rozważana prosych sraeg es ścśle zwązany z modelam rynku z koszam ransakc. Wprowadzene w klasycznym modelu Blacka-Scholesa koszów ransakc prowadz do syuac, w kóre edynym sraegam, kóre ne generuą neskończonych koszów ransakc, są sraege ypu buy-and-hold. Ponado prose sraege nwesycyne wydaą sę lepe oddawać rzeczywse zachowana nwesorów na rynku. Prosą sraegę nwesycyną defnuemy zaem ako d-wymarowy proces n 2 Q = (Q ) [0, ] posac Θ = θχ (, ]( ) (, ) ( ) { }( ), + θ n n n n + χ + θ χ gdze n 2, = zmenne losowe dla {,, n} są czasam zarzymana względem flrac (F ) [0, ] akm, że 0 2 n n = oraz q są F -merzalnym d-wymarowym wekoram losowym dla {,, n}. Klasę akch sraeg oznaczamy przez B. Ponado przymuemy nasępuącą konwencę: (, + ] = { }, eśl = + dla =,, n 2 oraz ( k, k+ ] = { k }, eśl k = k+ =. Cąg ( ) {,, n} nerpreuemy ako cąg losowych momenów modyfkac porfela, zaś fak, że są o czasy zarzymana względem flrac (F ) [0, ], odzwercedla prawdłowość, że decyze nwesorów są symulowane poprzez sygnały pochodzące z gromadzonych sukcesywne nformac o rynku. Sraega ma charaker mpulsowy; zmenna losowa θ oznacza lczbę ednosek -ego nsrumenu, kóra znadue sę w porfelu nwesycynym mędzy chwlam +. Zmenna losowa θ może przymować zarówno dodane, ak uemne warośc. Będzemy równeż rozważać syuacę, w kóre mamy do czynena z ogranczenem składu porfela nwesycynego polegaącym na wykluczenu możlwośc

9 Brak arbrażu na rynkach 35 króke sprzedaży. Sraegę Q B nazwemy prosą sraegą nwesycyną bez możlwośc króke sprzedaży, eśl θ 0 dla dowolnego {,, n} oraz {,, d}. Klasę akch sraeg oznaczamy przez B +. Zdefnumy proces dobrobyu zwązany z realzacą sraeg Q B ako: W X X X d n n Θ + = θ ( ) ( ) + λ θ θ = = = n + µ X ( ) ( max{ : }) ( max{ : }). θ θ λ X θ µ X θ = Warość ego procesu es sumą zysków pochodzących z nwesowana w poszczególne papery waroścowe. Zysk generowany przez nwesycę w -y nsrumen fnansowy składa sę z częśc zwązane ze zmanam cen nsrumenu w kolenych chwlach dokonywana ransakc: n θ ( X X ), = + z częśc odpowadaące koszom ewenualnego zakupu: koszom poencalne sprzedaży: λ n + X ( ) θ θ = n X = µ ( θ θ ) w kolenych losowych momenach do chwl oraz ze składnka opsuącego kosz lkwdac porfela w chwl : eśl θ max{ : } < 0 oraz eżel θ max{ : } > 0. λ X, θmax{ : } µ θ X, max{ : } Można obecne sformułować defncę slnego arbrażu poprzez określene warunków doyczących warośc dobrobyu w chwl końcowe. Defnca 3.. Mówmy, że w modelu wysępue możlwość slnego arbrażu w klase prosych sraeg nwesycynych, eśl snee sraega Q B aka, że P( W Θ 0) = oraz P( W Θ > 0) > 0. Jeżel snee sraega należąca do klasy B +, dla kóre warość dobrobyu w chwl końcowe spełna powyższe własnośc,

10 36 Agneszka Rygel o powemy, że w modelu wysępue slny arbraż w klase prosych sraeg bez możlwośc króke sprzedaży. Przedźmy do określena warunków, kóre wykluczaą snene slnego arbrażu w modelu z proporconalnym koszam ransakc w przypadku ogólnym oraz w syuac ogranczena pożyczana paperów waroścowych. Dla uproszczena noac rozpocznemy od przypadku ednowymarowego, zn. od modelu rynku, na kórym wysępue eden rodza nsrumenu ryzykownego. Defnca 3.2. Nech (X ) [0, ] będze adapowanym procesem sochasycznym o ścśle dodanch raekorach. X spełna warunek (S) względem flrac (F ) [0, ], eśl dla dowolnego czasu zarzymana oraz dowolnego e > 0: X P sup ln < ε F > 0, P p. n. X Z ponższego werdzena oparego na wynku H. Saya F. Vensa [20] wynka, że warunek (S) wyklucza snene slnego arbrażu. werdzene 3. (zob. [Rygel Sener 202]). Jeśl proces (X ) [0, ] spełna warunek (S), o model rynku fnansowego es pozbawony możlwośc slnego arbrażu w klase prosych sraeg nwesycynych. Mówąc nucyne: eśl raekora procesu cen akc ne przekroczy pewnego pozomu powyże ponże beżące ceny, o zysk wynkaący z ewenualnych zman cen akc ne zrekompensue ponesonych koszów ransakc. Zaem eżel ake zdarzene zachodz z dodanm prawdopodobeńswem, o ne ma szans na znalezene sraeg arbrażowe. Warunek (S) oczywśce gwaranue równeż słaby brak arbrażu bez króke sprzedaży (eśl bowem ne snee sraega arbrażowa w klase B, o ym bardze ne znadzemy e w B + ). Defnca 3.3. Powemy, że proces (X ) [0, ] spełna warunek (D) względem flrac (F ) [0, ], eśl dla dowolnego cągu czasów zarzymana 0 2 n n = zachodz: P { ( + λ ) X > ( µ ) X } 0. k > < k werdzene 3.2 (zob. [Rygel Sener 202]). Jeśl proces (X ) [0, ] spełna warunek (D), o w modelu wysępue słaby brak arbrażu w klase prosych sraeg nwesycynych bez króke sprzedaży. Zauważmy, że zdarzene {( + λ ) X > ( µ ) X } opsue syuacę, w kóre k cena, po kóre możemy dokonać zakupu w chwl przewyższa cenę sprzedaży w chwl k. Oznacza o, że ne można skonsruować sraeg arbrażowe, dokonuąc ransakc dopuszczalnych (zn. bez pożyczana na rachunku gełdowym)

11 Brak arbrażu na rynkach 37 w chwlach k. Zaem warunek (D) oznacza, że żadna ze sraeg posac θχ, (, k ] gdze k oraz q 0, ne prowadz do arbrażu. Warunk (S) (D) można uogólnć do przypadku welowymarowego, zn. modelu rynku, na kórym wysępue d rodzaów paperów waroścowych. Defnca 3.4. Nech (X ) [0, ] będze d-wymarowym adapowanym procesem sochasycznym o ścśle dodanch raekorach. Mówmy, że X spełna warunek (S d ) względem flrac (F ) [0, ], eśl dla dowolnego czasu zarzymana oraz dowolnego e > 0: d X P sup ln < ε F 0, P p. n. > = X werdzene 3.3 (zob. [Rygel Sener 202]). Jeśl proces (X ) [0, ] spełna warunek (S d ), o welowymarowy model rynku fnansowego es pozbawony możlwośc slnego arbrażu w klase prosych sraeg nwesycynych. Defnca 3.5. Powemy, że proces (X ) [0, ] spełna warunek (D d ) względem flrac (F ) [0, ], eśl dla dowolnego cągu czasów zarzymana 0 2 n n = zachodz: d P { ( + λ ) X > ( µ ) X } 0. > k = < k werdzene 3.4 (zob. [Rygel Sener 202]). Jeśl proces (X ) [0, ] spełna warunek (D d ), o w modelu welowymarowym wysępue słaby brak arbrażu w klase prosych sraeg nwesycynych bez możlwośc króke sprzedaży. W dowodach powyższych werdzeń korzysa sę z poęca slnego arbrażu w klase prosych sraeg według defnc 3.. Można rozważać równoważną defncę arbrażu wyrażoną w ęzyku sożków losowych. Wysarczy określć, pełnący kluczową rolę w ym podeścu, zbór pozyc osągalnych w chwl końcowe przy zasosowanu prosych sraeg nwesycynych. Nech A = A (,, ), B n n N2 0 n n n = 0 gdze: A (,, ) = L ( G, F ). Wówczas oba rodzae arbrażu defnuemy analogczne do przypadku dyskrenego: w modelu wysępue możlwość B słabego arbrażu, eżel A 0 L ( G, F ) {0} oraz slnego arbrażu, eżel B 0 d + B 0 0 A L ( R+, F ) {0} (można pokazać, że warunek A L ( G, F ) L ( G, F ) B 0 d + es równoważny warunkow: A L ( R, F ) = {0}). +

12 38 Agneszka Rygel Na zakończene przedsawono charakerysykę slnego słabego braku arbrażu w klase prosych sraeg nwesycynych, będącą uogólnenem wynków z przypadku z czasem dyskrenym. Rezulay doyczą rynku skończonego (. przypadku, gdy zbór Ω es skończony), na kórym wysępue d paperów * waroścowych. Oznaczmy przez M ( \{0}) {,, n } G rodznę ych maryngałów Z = ( Z ) {,, }, dla kórych 0 * n Z L ( G \{0}, F ) dla każdego =,, n. werdzene 3.5. Nasępuące warunk są równoważne: B ) A 0 L ( G, F ) = {0}, 2) dla dowolnego n 2 dowolnego cągu czasów zarzymana 0 2 n n = snee maryngał ( * \{0}) 0 * Z M{,..., n } G ak, że Z L ( rg, F ). werdzene 3.6. Nasępuące warunk są równoważne: B 0 d + ) A L ( R, F ) = {0}, 0 * 2) snee maryngał ( Z ) {,, n} ak, że Z L ( G \{0}, F ) dla każdego =,, n. W modelu rynku, w kórym rozważamy -wymarowy proces cen, werdzene 3.6 można uogólnć do przypadku dowolne przesrzen sanów Ω. Dowód opera sę na wynku z pracy Grgoreva [2005] podaącego warunek równoważny dla braku slnego arbrażu w modelu z czasem dyskrenym. Problem charakeryzac braku arbrażu w modelu dowolnym welowymarowym pozosae owary. Brak możlwośc arbrażu es podsawowym warunkem, kóry pownen być spełnony w modelowanu rynku fnansowego. W pracy przedsawono przegląd wynków doyczących warunków konecznych dosaecznych dla braku arbrażu w modelach rynków fnansowych z proporconalnym koszam ransakc. Rezulay mogą posłużyć do dalszych badań. Leraura Grgorev P. G. [2005], On Low Dmensonal Case n he Fundamenal Asse Prcng heorem wh ransacon Coss, Sascs and Decsons, vol. 23, hp://dx.do. org/0.524/snd Guason P., Rásony M., Schachermayer W. [2008], Conssen Prce Sysems and Face- -Lfng Prcng under ransacon Coss, he Annals of Appled Probably, vol. 8, hp://dx.do.org/0.24/07-aap46. Guason P., Rásony M., Schachermayer W. [200], he Fundamenal heorem of Asse Prcng for Connuous Processes under Small ransacon Coss, Annals of Fnance, vol. 6.

13 Brak arbrażu na rynkach 39 Kabanov Y., Rásony M., Srcker Ch. [2002], No-arbrage Crera for Fnancal Markes wh Effcen Frcon, Fnance and Sochascs, vol. 6, hp://dx.do. org/0.007/s Kabanov Y., Safaran M. [2009], Markes wh ransacon Coss. Mahemacal heory, Sprnger-Verlag, Berln Hedelberg. Rygel A., Sener Ł. [202], Arbrage for Smple Sraeges, Applcaones Mahemacae, vol. 39, hp://dx.do.org/0.4064/am Say H., Vens F. [20], Arbrage-free Models n Markes wh ransacon Coss, Elecronc Communcaons n Probably, vol. 6, hp://dx.do.org/0.24/ecp. v6-67. Absence of Arbrage n Markes wh Proporonal ransacon Coss he am of he paper was o presen n a clear and unfed way varous resuls concernng he absence of arbrage n he modellng of fnancal markes wh proporonal ransacon coss. he absence of weak and src arbrage opporunes crera n a fne me horzon dscree me marke model are gven. Suffcen condons for he absence of smple arbrage (.e. arbrage over smple nvesmen sraeges) n a connuous me marke model are presened. Specal aenon s devoed o ransacons whou shor sellng. Keywords: fnancal markes models, arbrage, ransacon coss, smple radng sraeges.

PROBLEM ODWROTNY DLA RÓWNANIA PARABOLICZNEGO W PRZESTRZENI NIESKOŃCZENIE WYMIAROWEJ THE INVERSE PARABOLIC PROBLEM IN THE INFINITE DIMENSIONAL SPACE

PROBLEM ODWROTNY DLA RÓWNANIA PARABOLICZNEGO W PRZESTRZENI NIESKOŃCZENIE WYMIAROWEJ THE INVERSE PARABOLIC PROBLEM IN THE INFINITE DIMENSIONAL SPACE JAN KOOŃSKI POBLEM ODWOTNY DLA ÓWNANIA PAABOLICZNEGO W PZESTZENI NIESKOŃCZENIE WYMIAOWEJ THE INVESE PAABOLIC POBLEM IN THE INFINITE DIMENSIONAL SPACE S r e s z c z e n e A b s r a c W arykule skonsruowano

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny

Bardziej szczegółowo

Podstawowe algorytmy indeksów giełdowych

Podstawowe algorytmy indeksów giełdowych Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 25-11-13 Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 2013-11-25 Sps reśc I. Algorymy oblczana warośc ndeksów gełdowych...3 1. Warość beżąca

Bardziej szczegółowo

WYBRANE ASPEKTY HARMONOGRAMOWANIA PROCESU MAGAZYNOWEGO

WYBRANE ASPEKTY HARMONOGRAMOWANIA PROCESU MAGAZYNOWEGO PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 64 Transpor 28 Tomasz AMBROZIAK, Konrad LEWCZUK Wydzał Transporu Polechnk Warszawske Zakład Logsyk Sysemów Transporowych ul. Koszykowa 75, -662 Warszawa am@.pw.edu.pl;

Bardziej szczegółowo

Wykład z Podstaw matematyki dla studentów Inżynierii Środowiska. Wykład 8. CAŁKI NIEOZNACZONE. ( x) 2 cos2x

Wykład z Podstaw matematyki dla studentów Inżynierii Środowiska. Wykład 8. CAŁKI NIEOZNACZONE. ( x) 2 cos2x Wykład z Podsaw maemayk dla sudenów Inżyner Środowska Wykład 8. CŁKI NIEOZNCZONE Defnca (funkca perwona) Nech F es funkcą perwoną funkc f na przedzale I, eżel F '( ) f ( ) dla każdego I. Udowodnć, że funkce

Bardziej szczegółowo

O problemie modelowania stopy procentowej

O problemie modelowania stopy procentowej Krzyszof Paseck Akadema Ekonomczna w Poznanu O probleme modelowana sopy procenowe Na dowolnym rynku fnansowym znaduemy nsrumeny fnansowe obarczone ryzykem warośc począkowe lub ez ryzykem warośc końcowe.

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( ) Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa

Bardziej szczegółowo

Anna Sulima. Wydział Zarządzania, Informatyki i Finansów Uniwersytet Ekonomiczny we Wrocławiu

Anna Sulima. Wydział Zarządzania, Informatyki i Finansów Uniwersytet Ekonomiczny we Wrocławiu 171/2019 s. 19 36 ZESZY AUKOWY 171 Szkoła Główna Handlowa w Warszawe Ofcyna Wydawncza SGH kolega.sgh.waw.pl Wydzał Zarządzana Informayk Fnansów Unwersye Ekonomczny we Wrocławu Opymalna sraega nwesycyjna

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni. Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :

Bardziej szczegółowo

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych

Bardziej szczegółowo

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU

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

Bardziej szczegółowo

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk

Bardziej szczegółowo

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe

Bardziej szczegółowo

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego

Bardziej szczegółowo

65120/ / / /200

65120/ / / /200 . W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę

Bardziej szczegółowo

Proces narodzin i śmierci

Proces narodzin i śmierci Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaa Kopernka w Torunu Unwersye Mkołaa Kopernka w Torunu Ops kurozy rozkładów

Bardziej szczegółowo

Funkcje i charakterystyki zmiennych losowych

Funkcje i charakterystyki zmiennych losowych Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych

Bardziej szczegółowo

Kier. MTR Programowanie w MATLABie Laboratorium

Kier. MTR Programowanie w MATLABie Laboratorium Ker. MTR Programowane w MATLABe Laboraorum Ćw. Zasosowane bbloecznych funkcj MATLABa do numerycznego rozwązywana równań różnczkowych. Wprowadzene Układy równań różnczkowych zwyczajnych perwszego rzędu

Bardziej szczegółowo

XXXV Konferencja Statystyka Matematyczna

XXXV Konferencja Statystyka Matematyczna XXXV Konferencja Saysyka Maeayczna MODEL OTOWOŚCI SYSTEMU TECHNICZNEO Karol J. ANDRZEJCZAK karol.andrzejczak@pu.poznan.pl Polechnka Poznańska hp://www.pu.poznan.pl/ PRORAM REERATU 1. WPROWADZENIE 2. ORMALIZACJA

Bardziej szczegółowo

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej. /22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:

Bardziej szczegółowo

Modelowanie równowagi cenowej na Giełdzie Papierów Wartościowych w Warszawie w okresach przed i po wejściu Polski do Unii Europejskiej

Modelowanie równowagi cenowej na Giełdzie Papierów Wartościowych w Warszawie w okresach przed i po wejściu Polski do Unii Europejskiej Sansław Urbańsk * Modelowane równowag cenowej na Gełdze Paperów Waroścowych w Warszawe w okresach przed po wejścu Polsk do Un Europejskej Wsęp Praca nnejsza sanow konynuację badań doyczących wyceny akcj

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy

Bardziej szczegółowo

MODEL DWUCZYNNIKOWY w ARYTMETYCE FINANSOWEJ PROBLEM BADAWCZY 1.MODEL APRECJACJI KAPITAŁU

MODEL DWUCZYNNIKOWY w ARYTMETYCE FINANSOWEJ PROBLEM BADAWCZY 1.MODEL APRECJACJI KAPITAŁU Krzyszof Paseck Akadema Ekonomczna w Poznanu MODEL DWUCZYNNIKOWY w ARYTMETYCE FINANSOWEJ PROBLEM BADAWCZY W [7] przedsawono aksjomayczno-dedukcyjną eorę arymeyk fnansowej oparą na pojęcu warośc przyszłej

Bardziej szczegółowo

Problem plecakowy (KNAPSACK PROBLEM).

Problem plecakowy (KNAPSACK PROBLEM). Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne

Bardziej szczegółowo

Inne kanały transmisji

Inne kanały transmisji Wykład 4 Inne kanały ransmsj Plan wykładu. Ceny akywów 3. Ceny akywów Wzros sopy procenowej powoduje spadek cen domów akcj. gdze C warość kuponu, F warość nomnalna gdze dywdenda, g empo wzrosu dywdendy

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Stanisław Cichocki Natalia Nehrebecka. Wykład 2 Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg

Bardziej szczegółowo

HSC Research Report. Principal Components Analysis in implied volatility modeling (Analiza składowych głównych w modelowaniu implikowanej zmienności)

HSC Research Report. Principal Components Analysis in implied volatility modeling (Analiza składowych głównych w modelowaniu implikowanej zmienności) HSC Research Repor HSC/04/03 Prncpal Componens Analyss n mpled volaly modelng (Analza składowych głównych w modelowanu mplkowanej zmennośc) Rafał Weron* Sławomr Wójck** * Hugo Senhaus Cener, Wrocław Unversy

Bardziej szczegółowo

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów

Bardziej szczegółowo

Weryfikacja hipotez dla wielu populacji

Weryfikacja hipotez dla wielu populacji Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w

Bardziej szczegółowo

TRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE

TRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE POLITHNIKA RZSZOWSKA Katedra Podstaw lektronk Instrkcja Nr4 F 00/003 sem. letn TRANZYSTOR IPOLARNY HARAKTRYSTYKI STATYZN elem ćwczena jest pomar charakterystyk statycznych tranzystora bpolarnego npn lb

Bardziej szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

Statystyka. Zmienne losowe

Statystyka. Zmienne losowe Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. Elementy analizy matematycznej WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem

Bardziej szczegółowo

Ekonometryczne modele nieliniowe

Ekonometryczne modele nieliniowe Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Bardziej szczegółowo

OPTYMALIZACJA PROCESÓW LOGISTYCZNYCH W GOSPODARCE LEŚNEJ

OPTYMALIZACJA PROCESÓW LOGISTYCZNYCH W GOSPODARCE LEŚNEJ Anon KORCYL *, Kaml CZAJKA * OPTYMALIZACJA PROCESÓW LOGISTYCZNYCH W GOSPODARCE LEŚNEJ Sreszczene W arykule przedsawono model maemayczny problemu opymalzacj pozyskwana drewna oraz jego ransporu. Kryerum

Bardziej szczegółowo

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4. Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można

Bardziej szczegółowo

7. Wykład VII: Warunki Kuhna-Tuckera

7. Wykład VII: Warunki Kuhna-Tuckera Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n

Bardziej szczegółowo

FINANSOWE SZEREGI CZASOWE WYKŁAD 3

FINANSOWE SZEREGI CZASOWE WYKŁAD 3 FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).

Bardziej szczegółowo

Podstawy teorii falek (Wavelets)

Podstawy teorii falek (Wavelets) Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. OPTYMALIZACJA GRAFOWO-SIECIOWA . OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,

Bardziej szczegółowo

WYBRANE SYMULACJE WYCENY AKTYWÓW NA PRZYKŁADZIE SPÓŁEK NOTOWANYCH NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE 1

WYBRANE SYMULACJE WYCENY AKTYWÓW NA PRZYKŁADZIE SPÓŁEK NOTOWANYCH NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE 1 Suda Ekonomczne. Zeszyy Naukowe Unwersyeu Ekonomcznego w Kaowcach ISSN 2083-86 Nr 325 207 Sansław Urbańsk Akadema Górnczo-Huncza w Krakowe Wydzał Zarządzana Kaedra Ekonom, Fnansów Zarządzana Środowskem

Bardziej szczegółowo

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4 Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =

Bardziej szczegółowo

METODY KOMPUTEROWE 10

METODY KOMPUTEROWE 10 MEODY KOMPUEROWE RÓWNANIA RÓŻNICZKOWE CZĄSKOWE Poechnka Poznańska Mchał Płokowak Adam Łodgowsk Mchał PŁOKOWIAK Adam ŁODYGOWSKI Konsace nakowe dr nż. Wod Kąko Poznań 00/00 MEODY KOMPUEROWE 0 RÓWNANIA RÓŻNICZKOWE

Bardziej szczegółowo

Zaawansowane metody numeryczne

Zaawansowane metody numeryczne Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne

Bardziej szczegółowo

PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK

PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK Założena Nech oznacza ozom (warość) badanego zjawska (zmennej) w kolejnch momenach czasu T0, gdze T 0 0,1,..., n 1 oznacza worz szereg czasow. zbór numerów czasu. Cąg

Bardziej szczegółowo

WYCENA KONTRAKTÓW FUTURES, FORWARD I SWAP

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

Bardziej szczegółowo

Zmiana bazy i macierz przejścia

Zmiana bazy i macierz przejścia Auomaya Roboya Algebra -Wyład - dr Adam Ćmel cmel@agh.edu.pl Zmaa bazy macerz prześca Nech V będze wymarową przesrzeą lową ad całem K. Nech Be e będze bazą przesrze V. Rozważmy ową bazę B e... e. Oczywśce

Bardziej szczegółowo

Kurtoza w procesach generowanych przez model RCA GARCH

Kurtoza w procesach generowanych przez model RCA GARCH Joanna Górka * Kuroza w procesach generowanych przez model RCA GARCH Wsęp Na przesrzen osanej dekady odnoowuje sę szybk rozwój model nelnowych. Wdoczna jes zwłaszcza różnorodność nelnowych specyfkacj modelowych,

Bardziej szczegółowo

MIKROEKONOMIA Prof. nadzw. dr hab. Jacek Prokop jproko@sgh.waw.pl

MIKROEKONOMIA Prof. nadzw. dr hab. Jacek Prokop jproko@sgh.waw.pl MIKROEKONOMIA Prof. nadzw. dr hab. Jacek Proko roko@sgh.waw.l Statyka dynamka olgoolstyczne struktury rynku. Modele krótkookresowe konkurenc cenowe w olgoolu.. Model ogranczonych mocy rodukcynych ako wyaśnene

Bardziej szczegółowo

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych dr nż Andrze Chylńsk Katedra Bankowośc Fnansów Wyższa Szkoła Menedżerska w Warszawe Zarządzane ryzykem w rzedsęborstwe ego wływ na analzę ołacalnośc rzedsęwzęć nwestycynych w w w e - f n a n s e c o m

Bardziej szczegółowo

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych) Statystyka - nauka zajmująca sę metodam badana przedmotów zjawsk w ch masowych przejawach ch loścową lub jakoścową analzą z punktu wdzena nauk, do której zakresu należą.

Bardziej szczegółowo

13. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,1998)

13. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,1998) 3. Dwa modele pooku ruchu (eorokolejkowe) 3. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,998) 3.. Model Hagha Isneje wele prac z la powojennych, w kórych wysępują próby modelowana kolejek ruchowych

Bardziej szczegółowo

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

Wykład 2: Uczenie nadzorowane sieci neuronowych - I Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za

Bardziej szczegółowo

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim 5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa

Bardziej szczegółowo

RYNEK AKCJI A KOSZTY WAHAŃ KONIUNKTURALNYCH W POLSCE

RYNEK AKCJI A KOSZTY WAHAŃ KONIUNKTURALNYCH W POLSCE Jan Acedańsk RYNEK AKCJI A KOSZTY WAHAŃ KONIUNKTURALNYCH W POLSCE Wprowadzene W pracy z 1987 r. R. Lucas zdefnował kosz wahań konunkuralnych ako procenowe zwększene konsumpc, kóre es koneczne, aby użyeczność

Bardziej szczegółowo

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

Wykład 2: Uczenie nadzorowane sieci neuronowych - I Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za

Bardziej szczegółowo

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,

Bardziej szczegółowo

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r.

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r. Komsa Egzamnacyna dla Aktuaruszy LXVIII Egzamn dla Aktuaruszy z 29 wrześna 14 r. Część I Matematyka fnansowa WERSJA TESTU A Imę nazwsko osoby egzamnowane:... Czas egzamnu: 0 mnut 1 1. W chwl T 0 frma ABC

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Stanisław Cichocki Natalia Nehrebecka. Wykład 2 Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego

Bardziej szczegółowo

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1) Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 3

Natalia Nehrebecka. Zajęcia 3 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 4 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAICZNE ODELE EKONOETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 7 w Torunu Kaedra Ekonomer Saysyk, Unwersye kołaja Kopernka w Torunu Jacek Kwakowsk Unwersye kołaja Kopernka w Torunu odele RCA

Bardziej szczegółowo

DYNAMIKA KONSTRUKCJI

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

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj

Bardziej szczegółowo

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest

Bardziej szczegółowo

MAKSYMALNY OCZEKIWANY CZAS PRZEBYWANIA PORTFELA INWESTYCYJNEGO W ZADANYM OBSZARZE BADANIA EMPIRYCZNE

MAKSYMALNY OCZEKIWANY CZAS PRZEBYWANIA PORTFELA INWESTYCYJNEGO W ZADANYM OBSZARZE BADANIA EMPIRYCZNE Danel Iskra Unwersye Ekonomczny w Kaowcach MAKSYMALNY OCZEKIWANY CZAS PRZEBYWANIA PORTFELA INWESTYCYJNEGO W ZADANYM OBSZARZE BADANIA EMPIRYCZNE Wprowadzene Wraz z rozwojem eor nwesycj fnansowych, nwesorzy

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =

Bardziej szczegółowo

Regulamin. udzielania pomocy materialnej o charakterze socjalnym dla uczniów zamieszkaùych na terenie Gminy Wolbórz

Regulamin. udzielania pomocy materialnej o charakterze socjalnym dla uczniów zamieszkaùych na terenie Gminy Wolbórz Zaù¹cznk Nr 1 uchwaùy Nr XXVIII/167/2005 Rady Gmny Wolbórz z dna 30 marca 2005 r. Regulamn udzelana pomocy maeralnej o charakerze socjalnym dla ucznów zameszkaùych na erene Gmny Wolbórz I. Sposób usalana

Bardziej szczegółowo

Finansowe szeregi czasowe wykład 7

Finansowe szeregi czasowe wykład 7 Fnansowe szereg czasowe wykład 7 dr Tomasz Wójowcz Wydzał Zarządzana AGH 38 33 28 23 18 13 8 1 11 21 31 41 51 61 71 Kraków 213 Noowana ndeksu WIG w okrese: 3 marca 29 31 syczna 211 55 5 45 4 35 3 25 2

Bardziej szczegółowo

UBEZPIECZENIE Z FUNDUSZEM KAPITAŁOWYM

UBEZPIECZENIE Z FUNDUSZEM KAPITAŁOWYM MEODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH om XV/3, 214, sr. 86 98 PROPOZYCJA MODYFIKACJI KŁADKI NEO W UBEZPIECZENIACH NA ŻYCIE Z FUNDUZEM KAPIAŁOWYM UWZLĘDNIAJĄCA DODAKOWE RYZYKO FINANOWE Magdalena Homa

Bardziej szczegółowo

ψ przedstawia zależność

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

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4 Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja

Bardziej szczegółowo

ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO

ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max

Bardziej szczegółowo

O PEWNYCH KRYTERIACH INWESTOWANIA W OPCJE NA AKCJE

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

Bardziej szczegółowo

1. Komfort cieplny pomieszczeń

1. Komfort cieplny pomieszczeń 1. Komfort ceplny pomeszczeń Przy określanu warunków panuących w pomeszczenu używa sę zwykle dwóch poęć: mkroklmat komfort ceplny. Przez poęce mkroklmatu wnętrz rozume sę zespół wszystkch parametrów fzycznych

Bardziej szczegółowo

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi. 3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy

Bardziej szczegółowo

Inwestowanie w jakość na rynkach akcji w Europie Środkowo-Wschodniej

Inwestowanie w jakość na rynkach akcji w Europie Środkowo-Wschodniej Bank Kredy 46(2 205 65-90 Inwesowane w jakość na rynkach akcj w Europe Środkowo-Wschodnej Adam Zarema* Nadesłany: 2 wrześna 204 r. Zaakcepowany: 3 marca 205 r. Sreszczene Opracowane ma na celu przedsawene

Bardziej szczegółowo

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1 Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa

Bardziej szczegółowo

MODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE

MODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE MODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE Marcn Zawada Kaedra Ekonomer Saysyk, Wydzał Zarządzana, Polechnka Częsochowska, Częsochowa 1 WSTĘP Proces ransformacj

Bardziej szczegółowo

Piotr Fiszeder Uniwersytet Mikołaja Kopernika w Toruniu Juliusz Preś Politechnika Szczecińska

Piotr Fiszeder Uniwersytet Mikołaja Kopernika w Toruniu Juliusz Preś Politechnika Szczecińska DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 2007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaa Kopernka w Torunu Por Fszeder Unwersye Mkołaa Kopernka w Torunu Julusz

Bardziej szczegółowo

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy

Bardziej szczegółowo

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca

Bardziej szczegółowo

Model CAPM z ryzykiem płynności na polskim rynku kapitałowym

Model CAPM z ryzykiem płynności na polskim rynku kapitałowym UNIWERSYTET SZCZECIŃSKI Zeszyy Naukowe nr 858 Wspó łczesne Problemy Ekonomczne n r 11 ( 2 0 1 5 DOI: 10.18276/wpe.2015.11-18 Sebasan Porowsk* Model CAPM z ryzykem płynnośc na polskm rynku kapałowym Słowa

Bardziej szczegółowo

Reprezentacja martyngałowa względem addytywnych procesów Markowa-Itô

Reprezentacja martyngałowa względem addytywnych procesów Markowa-Itô Reprezentacja martyngałowa względem addytywnych procesów Markowa-Itô Instytut Matematyk Unwersytetu Jagellońskego Instytut Nauk Ekonomcznych PAN Wynk wspólne z prof. Ł. Stettnerem (IM PAN) prof. Z. Palmowskm

Bardziej szczegółowo

Proste modele ze złożonym zachowaniem czyli o chaosie

Proste modele ze złożonym zachowaniem czyli o chaosie Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok

Bardziej szczegółowo

Dyskretny proces Markowa

Dyskretny proces Markowa Procesy sochasyczne WYKŁAD 4 Dyskreny roces Markowa Rozarujemy roces sochasyczny X, w kórym aramer jes ciągły zwykle. Będziemy zakładać, że zbiór sanów jes co najwyżej rzeliczalny. Proces X, jes rocesem

Bardziej szczegółowo

Laboratorium ochrony danych

Laboratorium ochrony danych Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz

Bardziej szczegółowo