- •Вопросы для зачета по математической экономики (2 часть)
- •Дюрация и показатель выпуклости портфеля. Средняя продолжительность платежей – дюрация
- •Вероятностная модель финансового рынка
- •Модель Шарпа – Линтнера
- •1.Линейные временные ряды
- •2.Авторегрессионная модель
- •Авторегрессионная модель
- •Авторегрессионная модель
- •Авторегрессионная модель
- •3.Модель скользящего среднего
- •4.Авторегрессионная модель скользящего среднего
- •5.Моделирование с помощью линейных временных рядов.
- •6.Моделирование с помощью ar(p) и ма(q) Моделирование с помощью
- •Моделирование с помощью
- •7.Моделирование с помощью arma(p,q)
- •8.Сезонные модели
- •Далее рассмотрим следующий ряд разностей, теперь уже четвертого порядка:
- •1.Основные понятия
- •2.Определение стоимости опциона на момент исполнения
- •3.Создание безрисковых портфелей с помощью call-опционов
- •4.Создание безрисковых портфелей с помощью put-опционов
- •5.Создание безрисковых портфелей с помощью put-опционов
1.Линейные временные ряды
Многие финансовые данные рассматриваются в форме временных рядов, т.е. последовательности наблюдений одной и той же случайной переменной: стоимости акций, курса валюты, объема торгов на бирже и т.д. Будем обозначать такую последовательность как . Реализации этой последовательности, т.е. имеющиеся к моменту времени наблюдения будем обозначать следующим образом:
или
Последовательность называется строго стационарной, если совместное распределение аналогично совместному распределению , или
для любых положительных целых чисел и . Строгую стационарность довольно сложно проверить эмпирически, поэтому на практике чаще подразумевают слабую стационарность.
Последовательность называется слабо стационарной, если ее первый и второй моменты конечны и не зависят от времени, т.е.
для любого целого .
Если последовательность является строго стационарной с конечными первым и вторым моментами, то она по определению слабо стационарна. Обратное утверждение, вообще говоря, не верно. Однако, если последовательность нормально распределена, то в этом случае слабая стационарность эквивалентна сильной.
Далее, говоря, что последовательность является стационарной, будем подразумевать слабую стационарность.
Ковариация стационарной последовательности называется автоковариацией с лагом . Она обладает следующими свойствами:
Корреляция между и называется автокорреляцией с лагом . Для стационарной последовательности автокорреляция, как и автоковариация, зависит только от :
.
Имеем следующие свойства автокорреляции:
Важную роль при моделировании временных рядов играет так называемый белый шум последовательность независимых одинаково распределенных гауссовских случайных величин .
Временной ряд является линейным, если он представим в виде следующей линейной комбинации:
,
где среднее стационарного временного ряда , белый шум,
. Коэффициенты называют -весами временного ряда .
Поскольку стационарный временной ряд, то мы имеем:
2.Авторегрессионная модель
Авторегрессионная модель порядка отражает линейную зависимость от предыдущих значений искомой случайной величины: . Имеем следующие примеры авторегрессионной модели различного порядка:
(3.5.1)
Будем считать авторегрессионные модели (3.5.1) стационарными (т.е. временной ряд , описываемый этими моделями является стационарным).
Авторегрессионная модель
Модель авторегрессии первого порядка отражает линейную зависимость только от одного прошлого значения .
Имеем:
,
откуда, с учетом того, что , получаем:
, где
Далее, используя равенство и уравнения для , получаем:
(3.5.2)
Отсюда следует, что
Тогда из (3.5.2) получаем:
Из последнего выражения следует,что . Это неравенство является необходимым и достаточным условием стационарности модели .
Легко заметить, что
Тогда
и получаем следующие формулы для автоковариации модели :
Из последних равенств легко считаются автокорреляции :
при этом . Эта формула показывает, что автокорреляционная функция модели экспоненциально убывает, поскольку .