Excel i VBA w analizach i modelowaniu finansowym Pomiar ryzyka. Pomiar ryzyka

Podobne dokumenty
dr hab. Renata Karkowska 1

Porównanie metod szacowania Value at Risk

dr hab. Renata Karkowska 1

Inwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko.

1. Klasyfikacja stóp zwrotu 2. Zmienność stóp zwrotu 3. Mierniki ryzyka 4. Mierniki wrażliwości wyceny na ryzyko rynkowe

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

Wykład 1 Sprawy organizacyjne

Spis treści 3 SPIS TREŚCI

Zarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR

Estymacja punktowa i przedziałowa

KOMPUTEROWA SYMULACJA PROCESÓW ZWIĄZANYCH Z RYZYKIEM PRZY WYKORZYSTANIU ŚRODOWISKA ADONIS

ANALIZA I ZARZADZANIE PORTFELEM. Specjalista ds. Analiz Giełdowych Łukasz Porębski

Inne kryteria tworzenia portfela. Inne kryteria tworzenia portfela. Poziom bezpieczeństwa. Analiza i Zarządzanie Portfelem cz. 3. Dr Katarzyna Kuziak

STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE

Parametry statystyczne

KORELACJE I REGRESJA LINIOWA

3. Optymalizacja portfela inwestycyjnego Model Markowitza Model jednowskaźnikowy Sharpe a Model wyceny aktywów kapitałowych CAPM

Identyfikacja i pomiar ryzyka pierwszy krok w zarządzaniu ryzykiem.

Modelowanie rynków finansowych

Statystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33

VaR Value atrisk(var) co to jest? Inne nazwy: Wartość zagrożona Wartość narażona na ryzyko

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Inwestycje i ryzyko na rynku nieruchomości KONCEPCJE RYZYKA. Dr Ewa Kusideł

β i oznaczmy współczynnik Beta i-tego waloru, natomiast przez β w - Betę całego portfela. Wykaż, że prawdziwa jest następująca równość

Główne okno programu Cash Flow Simula zakładka: rozkład prawdopodobieostwa NPV.

Wycena opcji. Dr inż. Bożena Mielczarek

OGŁOSZENIE O ZMIANIE STATUTU UNIOBLIGACJE HIGH YIELD FUNDUSZU INWESTYCYJNEGO ZAMKNIĘTEGO Z DNIA 23 CZERWCA 2016 R.

Estymacja parametrów rozkładu cechy

Estymacja przedziałowa. Przedział ufności

Statystyka opisowa. Literatura STATYSTYKA OPISOWA. Wprowadzenie. Wprowadzenie. Wprowadzenie. Plan. Tomasz Łukaszewski

Modelowanie rynków finansowych

1 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:

5. WNIOSKOWANIE PSYCHOMETRYCZNE

Rozwiązania zadań (próbka) Doradca Inwestycyjny 2 etap

Ważne rozkłady i twierdzenia c.d.

MIARY KLASYCZNE Miary opisujące rozkład badanej cechy w zbiorowości, które obliczamy na podstawie wszystkich zaobserwowanych wartości cechy

Statystyka w pracy badawczej nauczyciela Wykład 3: Analiza struktury zbiorowości statystycznej. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

STATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY)

Komisja Egzaminacyjna dla Aktuariuszy. XLIV Egzamin dla Aktuariuszy z 3 grudnia 2007 r. Część I. Matematyka finansowa

STATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY)

Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej)

Statystyka. Opisowa analiza zjawisk masowych

Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Porównanie dwóch rozkładów normalnych

W kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7

Statystyka. Wykład 4. Magdalena Alama-Bućko. 13 marca Magdalena Alama-Bućko Statystyka 13 marca / 41

Ryzyko i efektywność. Ćwiczenia ZPI. Katarzyna Niewińska, ćwiczenia do wykładu Zarządzanie portfelem inwestycyjnym 1

Postawy wobec ryzyka

Sterowanie wielkością zamówienia w Excelu - cz. 3

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY

7.4 Automatyczne stawianie prognoz

Statystyka matematyczna dla leśników

Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego. Katarzyna Kuziak

Sposoby opisu i modelowania zakłóceń kanałowych

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1

TESTY NIEPARAMETRYCZNE. 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa.

Krzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH

Kolokwium ze statystyki matematycznej

Wnioskowanie statystyczne. Statystyka w 5

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych

LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.

Badanie normalności rozkładu

Wycena papierów wartościowych - instrumenty pochodne

Komputerowa Analiza Danych Doświadczalnych

Krzywa dochodowości. termin. SGH Rynki Finansowe

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1

1 Podstawy rachunku prawdopodobieństwa

Biostatystyka, # 3 /Weterynaria I/

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Zadanie 1. Zadanie 2. Zadanie 3

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Statystyka. Wykład 3. Magdalena Alama-Bućko. 6 marca Magdalena Alama-Bućko Statystyka 6 marca / 28

Statystyka w przykładach

Analiza współzależności zjawisk

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

PDF created with FinePrint pdffactory Pro trial version

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Inteligentna analiza danych

Matematyka finansowa. Ćwiczenia ZPI. Ćwiczenia do wykładu Zarządzanie portfelem inwestycyjnym 1

Struktura terminowa rynku obligacji

Rozdział 8. Regresja. Definiowanie modelu

Ćwiczenia 1-2 Analiza rozkładu empirycznego

Prace magisterskie 1. Założenia pracy 2. Budowa portfela

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki

Weryfikacja hipotez statystycznych

Ćwiczenia ZPI. Katarzyna Niewińska, ćwiczenia do wykładu Zarządzanie portfelem inwestycyjnym 1

Analiza inwestycji i zarządzanie portfelem SPIS TREŚCI

Wskaźniki efektywności Sharpe a, Treynora, Jensena, Information Ratio, Sortino

Statystyka i Analiza Danych

Prawdopodobieństwo i rozkład normalny cd.

Statystyka opisowa PROWADZĄCY: DR LUDMIŁA ZA JĄC -LAMPARSKA

Bankowość Zajęcia nr 5 i 6

STATYSTYKA MATEMATYCZNA WYKŁAD grudnia 2009

Transkrypt:

Pomiar ryzyka Miary obiektywne stosowane w kwantyfikacji ryzyka rynkowego towarzyszącego zaangażowaniu środków w inwestycjach finansowych obejmują: Miary zmienności, Miary zagrożenia, Miary wrażliwości. Miary zmienności odwołują się do kategorii oczekiwanej stopy zwrotu, wyznaczanej na podstawie szeregów czasowych stóp zwrotu jako wartośd najbardziej prawdopodobna. Okresowe (dzienne, tygodniowe, miesięczne) stopy zwrotu z inwestycji finansowych przyjmują z reguły rozkłady bliskie normalnemu, umożliwiając tym samym stosowanie średniej wartości stopy zwrotu jako wartości oczekiwanej. W szacowaniu oczekiwanej stopy zwrotu stosuje się średnią wyznaczaną w sposób arytmetyczny, geometryczny i logarytmiczny. Inwestycje finansowe obejmują zarówno bezpośrednie zaangażowanie środków w instrumenty finansowe rynku finansowego jak i pośrednie z wykorzystaniem oferty instytucji zbiorowego inwestowania. Rozkład normalny pozwala opisad poziom i zmiennośd cen poszczególnych akcji jak i całych portfeli akcji. Z powodzeniem można stosowad rozkład normalny także dla zmian wartości tytułów uczestnictwa w funduszach zarządzanych przez instytucje zbiorowego inwestowania. Slajd 1

Miary zmienności pozwalają ocenid w jakim stopniu faktyczna stopa zwrotu może różnid się od wartości oczekiwanej. Najczęściej stosowane w pomiarze ryzyka rynkowego miary zmienności to: Wariancja stopy zwrotu, Odchylenie stopy zwrotu, Współczynnik zmienności, Semiwariancja stopy zwrotu, Semiodchylenie stopy zwrotu. Wariancja i odchylenie standardowe stopy zwrotu mierzą przeciętne rozproszenie stóp zwrotu względem wartości oczekiwanej. Interpretacja wyników otrzymanych za pośrednictwem wariancji może nastręczad pewnych trudności. Wynik wariancji obliczonej dla stóp zwrotu z inwestycji finansowej podawany jest w procentach kwadratowych. Dlatego znacznie częściej wykorzystuje się odchylenie standardowe stopy zwrotu będące pierwiastkiem kwadratowym wariancji stopy zwrotu. Z punktu widzenia inwestora ważne jest prawidłowe postrzeganie odchylenia standardowego. W sytuacji gdy konieczne jest porównanie inwestycji o różnych wartościach oczekiwanych, można skorzystad z współczynnika zmienności będącego miarą względną. Współczynnik zmienności informuje jaka częśd ryzyka mierzonego odchyleniem standardowym przypada na jednostkę stopy zwrotu. Slajd 2

W ocenie zmienności można przyjąd zgodnie z negatywną koncepcją ryzyka, że istotne znaczenie, dla inwestora, mają wyłącznie ujemne stopy zwrotu. Wariancję i odchylenie standardowe wyznaczone w oparciu o ujemne stopy zwrotu określa się odpowiednio semiwariancją i semiodchyleniem standardowym. Użyteczne wzory: Wariancja Odchylenie standardowe Współczynnik zmienności Gdzie: r i i-ta stopa zwrotu, n liczba stóp zwrotu, E(r) oczekiwana stopa zwrotu, Funkcje wbudowane: =średnia() i =odch.standardowe() Slajd 3

Porównanie rozkładów normalnych o różnych parametrach (oczekiwanej stopie zwrotu i odch. std.) Funkcję gęstości dla rozkładu normalnego można uzyskad dzięki funkcji: =rozkład.normalny(x;μ;σ;0) Funkcję prawdopodobieostwa dla rozkładu normalnego można uzyskad dzięki funkcji: =rozkład.normalny(x;μ;σ;1) Slajd 4

Cechą charakterystyczną stóp zwrotu z inwestycji finansowych przyjmujących rozkład normalny jest występowanie w przybliżeniu (niezależnie od wartości przyjętych parametrów E(r) i σ): 68,27% stóp zwrotu w przedziale (E(r) - 1σ, E(r) + 1σ>, 95,45% stóp zwrotu w przedziale (E(r) - 2σ, E(r) + 2σ>, 99,73% stóp zwrotu w przedziale (E(r) - 3σ, E(r) + 3σ>. Przedstawiona reguła określana jest często regułą trzech sigm. Powyższe prawdopodobieostwa można wyznaczyd w arkuszu kalkulacyjnym jako różnicę dystrybuant wyznaczonych dla E(r) + nσ i E(r) - nσ. Miary zagrożenia podobnie jak miary zmienności należą do grupy miar ryzyka opartych na rozkładzie stopy zwrotu. Istotą miar zagrożenia w kontekście inwestycji finansowych jest określenie prawdopodobieostwa z jakim wystąpi określona stopa zwrotu. Miary zagrożenia określane są często w literaturze także jako kwantyle rozkładu stopy zwrotu. W grupie miar zagrożenia najczęściej wymienia się poziom bezpieczeostwa i wartośd zagrożoną. Slajd 5

Poziom bezpieczeostwa definiowany jest jako minimalna możliwa do osiągnięcia, z zadanym prawdopodobieostwem (poziomem istotności) bliskim zeru, stopa zwrotu z inwestycji finansowej. Poziom bezpieczeostwa zadany jest wzorem: P( r r ) Poziom istotności oznacza prawdopodobieostwo wystąpienia określonego zdarzenia. W przypadku inwestycji finansowej, zdarzeniem tym będzie wystąpienie określonej wartości stopy zwrotu. Porównując dwie lub więcej inwestycji finansowych z wykorzystaniem poziomu bezpieczeostwa, należy stwierdzid, że inwestycja, która przy zadanym poziomie istotności np. α = 0,05 ma najwyższy poziom bezpieczeostwa, oferuje jednocześnie najmniejsze ryzyko. Interpretacja poziomu bezpieczeostwa obliczonego dla poziomu istotności α = 0,05, sprowadza się do stwierdzenia, że istnieje 5% prawdopodobieostwa, że stopa zwrotu z danej inwestycji finansowej będzie niższa niż stopa zwrotu równa poziomowi bezpieczeostwa lub do stwierdzenia, że istnieje 95% prawdopodobieostwa, że stopa zwrotu z inwestycji finansowej przekroczy stopę zwrotu równą poziomowi bezpieczeostwa. Slajd 6

Wartośd zagrożona (VaR Value at Risk), bierze w sensie statystycznym rodowód z poziomu bezpieczeostwa. Cechą charakterystyczną wartości zagrożonej jest bezpośrednie odwołanie do rozkładu wartości portfela (jedno- lub wieloskładnikowego) a nie do rozkładu stopy zwrotu. Wartośd zagrożona bywa także określana jako wartośd narażona na ryzyko lub wartośd ryzykowana. W sensie ogólnym wartośd zagrożona jest definiowana jako maksymalna kwota, jaką można stracid w wyniku inwestycji w portfel o określonym horyzoncie czasowym i przy założonym poziomie ufności. Horyzont czasowy stosowany w wyznaczania wartości zagrożonej pozostaje, w zasadzie, dowolny i jest zdeterminowany częstotliwością dostępnego szeregu czasowego obejmującego wartości pozycji lub portfela. Rozpatrując określoną pozycję lub portfel należy stwierdzid, że wartośd zagrożona w ujęciu tygodniowym będzie większa niż wartośd zagrożona w ujęciu dziennym. Innymi słowy maksymalna potencjalna strata z inwestycji w portfel będzie większa w ujęciu tygodniowym niż w ujęciu dziennym. Wartośd zagrożona jest także określana jako strata wartości (instytucji, instrumentu, inwestycji itp.), jaka może byd zrealizowana, przy czym prawdopodobieostwo przekroczenia tej straty jest niewielkie. Slajd 7

Wartośd zagrożoną możemy rozpatrywad w ujęciu bezwzględnym przez pryzmat wartości bieżącej kapitału zaangażowanego w inwestycji finansowej: P W ( 0 A W VaR ) P( W W VaR 1 0 A ) VaR A W W VaR A 0 W ) 0 W 0 (1 r VaR W r A 0 Slajd 8

Wartośd zagrożoną możemy rozpatrywad w ujęciu względnym przez pryzmat wartości oczekiwanej kapitału zaangażowanego w inwestycji finansowej: P W ( R P W E( W) VaR ) ( R VaR R VaR R VaR A W 0 E( W) VaR ) 1 E( W) W W ( 1 ( ( )) (1 ) 0 E r W 0 r W E( r) 0 ( E( r) r ) W r 0 W 0 ( r E( r)) Slajd 9

Metoda wariancji-kowariancji opiera się na założeniu, że stopy zwrotu przyjmują rozkład statystyczny o ściśle określonych parametrach. W przypadku inwestycji finansowych wartośd zagrożona wyznaczana jest przy założeniu, że rozkład stóp zwrotu z inwestycji finansowej ma charakter normalny. Empiryczny rozkład stóp zwrotu zawsze będzie tylko pewnym przybliżeniem rozkładu normalnego, zatem przyjęcie założenia o występowaniu rozkładu normalnego będzie zawsze pewnym tylko uproszczeniem. 140 120 100 80 60 Rozkład Empiryczny Rozkład Teoretyczny 40 20 0-30,00% -25,00% -20,00% -15,00% -10,00% -5,00% 0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00% Slajd 10

Prawdopodobieostwo Rozkład normalny stopy zwrotu (r) zadany jest wartością oczekiwaną stopy zwrotu (E(r)) oraz odchyleniem standardowym stopy zwrotu (σ). Przy zastosowaniu odpowiedniego algorytmu matematycznego możliwe jest wyznaczenie poziomu istotności (α) dla zadanej stopy zwrotu (r α ): Wykorzystując technikę iteracyjną, można zastosowad wzór do oszacowania stopy zwrotu (r α ) jaka wystąpi z zadanym poziomem istotności (α) przy założeniu, że stopy zwrotu przyjmują rozkład ciągły o ściśle określonych parametrach. 100,0% α 0,0% r -2,00% -1,00% 0,00% α 1,00% 2,00% 3,00% 4,00% 5,00% 6,00% Stopa zwrotu Slajd 11

Kalkulacja miar zagrożenia wariancji-kowariancji W arkuszu kalkulacyjnym, wyznaczenie poziomu istotności dla zadanej stopy zwrotu przy założeniu rozkładu normalnego stóp zwrotu o określonych parametrach umożliwia wspomniana wcześniej funkcja ROZKŁAD.NORMALNY. Proces iteracyjnego szacowania stopy zwrotu dla zadanego poziomu istotności automatyzuje funkcja ROZKŁAD.NORMALNY.ODW. Metoda wariancji-kowariancji w sytuacji gdy znamy kluczowe parametry statystyczne rozkładów opisujących stopy zwrotu z poszczególnych składników portfela lub całego portfela stanowi efektywne narzędzie w szacowaniu wartości zagrożonej Slajd 12

Metoda symulacji historycznej w wyznaczaniu wartości zagrożonej koncentruje się na analizie statystycznej empirycznego rozkładu stóp zwrotu z inwestycji finansowej. Cechą charakterystyczną metody symulacji historycznej jest brak konieczności czynienia założeo odnośnie określenia typu rozkładu opisującego stopy zwrotu. Ponadto dla określenia wartości zagrożonej metodą symulacji historycznej nie jest konieczne określenie parametrów opisujących zmiennośd. Uwzględnienie empirycznego rozkładu stóp zwrotu pozwala na lepsze odwzorowanie zachowania rynku. W sytuacji gdy rozkład stóp zwrotu z inwestycji finansowej ma grube ogony, możliwe jest uzyskanie wartości zagrożonej na wyższym poziomie, niż w metodzie wariancji-kowariancji. Metoda symulacji historycznej dla portfela jednoskładnikowego wymaga szeregu czasowego stóp zwrotu wyznaczonego dla konkretnej inwestycji finansowej (akcji, obligacji, tytułu uczestnictwa w instytucji zbiorowego inwestowania). Częstotliwośd szeregu czasowego determinuje, najkrótszy, możliwy do uzyskania w obliczeniach, horyzont czasowy wartości zagrożonej. Slajd 13

Kalkulacja miar zagrożenia metodą symulacji historycznej Stopa zwrotu (r α ) przy zadanym poziomie istotności (α) wyznaczana jest jako percentyl rozkładu historycznych stóp zwrotu odpowiadający zadanemu poziomowi istotności. Wyznaczenie percentyla rozkładu stóp zwrotu wymaga: określenia liczebności analizowanego szeregu czasowego stóp zwrotu, posortowania szeregu czasowego stóp zwrotu w kolejności rosnącej, określeniu jaka liczba stóp zwrotu odpowiada wymaganemu poziomowi istotności (dla szeregu 500 tygodniowych stóp zwrotu i poziomu istotności α = 0,05 25 stóp zwrotu), określenia stopy zwrotu dla zadanego poziomu istotności (określeniu wartości 25. stopy zwrotu w posortowanym szeregu czasowym). W arkuszu kalkulacyjnym wystarczy zastosowad funkcję PERCENTYL podając wymagany poziom istotności. Slajd 14

Metoda symulacji Monte Carlo polega na losowym generowaniu stóp zwrotu posiadających określone parametry statystyczne. Cechą charakterystyczną symulacji Monte Carlo jest generowanie populacji stóp zwrotu o liczebności znacznie przewyższającej maksymalną liczebnośd dostępnych danych historycznych. Przyczyną jest założenie, że zestaw dostępnych danych historycznych może nie obejmowad wszystkich potencjalnych zdarzeo w postaci zmiany procentowej wartości inwestycji finansowej w przyszłości. Ogromną zaletą metody Monte Carlo jest możliwośd zastosowania złożonego modelu zmiany ceny inwestycji finansowej zależnego od wielu parametrów generowanych losowo. Zastosowanie złożonego modelu zmiany ceny inwestycji finansowej powstaje przykładowo przy konstruowaniu portfela nieliniowego zawierającego instrumenty pochodne. Powstaje wtedy koniecznośd losowego generowania zmian ceny instrumentu podstawowego oraz innych parametrów w postaci zmian stopy wolnej od ryzyka czy zmian branego pod uwagę w wycenie upływu czasu. Slajd 15

Miary wrażliwości, badają charakter zależności pomiędzy czynnikami ryzyka a zmienną ryzyka. W najprostszym przypadku badany jest liniowy związek pomiędzy zmienną ryzyka a jednym z jego czynników. Przykładem miary wrażliwości, powszechnie stosowanej w analizie inwestycji na rynkach akcji, jest współczynnik modelu Sharp a. Określa on zależnośd pomiędzy przeciętną stopą zwrotu akcji a przeciętną stopą zwrotu obserwowaną na rynku (np. stopą zwrotu indeksu giełdowego). Współczynnik ten wskazuje, o ile zmieni się stopa zwrotu akcji, w przypadku zmiany stopy zwrotu portfela rynkowego (indeksu rynku) o 1 punkt procentowy. i n t1 R ER R ER it n R Mt E RM t1 i Mt 2 M Slajd 16

Kalkulacja wrażliwości Współczynnik Beta jest de facto ilorazem kowariancji i wariancji. i cov im i M 2 2 M M im i M im Slajd 17