- •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
Моделирование с помощью
Определение порядка модели достаточно просто. Оно основано на следующем свойстве автокорреляционной функции модели скользящего среднего, которое мы рассматривали ранее:
Следовательно, достаточно найти такое значение , для которого выборочная автокорреляция отлична от нуля, а выборочные автокорреляции большего порядка близки к нулю.
Для оценки параметров модели обычно используют метод максимального правдоподобия.
Адекватность построенной модели проверяется тем же способом, что мы рассматривали выше для модели . Однако, в случае модели с параметрами, статистика будет ассимптотически иметь распределение с степенями свободы.
7.Моделирование с помощью arma(p,q)
Моделирование с помощью аналогично вышеизложенному.
При определении порядка модели используют выборочную частную автокорреляционную и выборочную автокорреляционную функции. Оценку параметров производят с помощью метода максимального правдоподобия. Статистика Льюнга-Бокса:
,
используемая для приверки адекватности построенной модели, имеет ассимптотически распределение с степенями свободы.
Остановимся подробнее на особенностях прогнозирования с помощью модели , поскольку нам понадобится этот аспект при расчете величины (Value at Risk). Обозначим через текущий момент времени. Прогноз для момента времени , построенный на основе всей доступной к текущему моменту времени информации обозначим через , т.е.
.
Прогноз на один шаг вперед:
с остатками (ошибками прогнозирования)
,
имеющими вариацию
.
Прогноз на шагов вперед:
,
где и могут быть получены последовательно.
Из -представления для модели получаем:
,
откуда для ошибки прогнозирования имеем:
8.Сезонные модели
Некоторые финансовые временные ряды, такие, например, как квартальные данные о прибыли на акцию, данные об объемах продаж, демонстрируют некоторую периодичность в своем поведении. Для того, чтобы провести объективное сравнение таких данных между собой необходимо прежде всего удалить эту сезонную компоненту. В то же время при прогнозировании поведения таких финансовых временных рядов сезонность является важной компонентой прогноза.
Обычно подразумевается, что финансовый ряд демонстрирует периодичность в своем поведении с периодом , если наблюдается сходство в поведении финансового ряда через каждые временных интервалов. Так, для квартальных данных о прибыли на акцию (квартала), для данных об объемах продаж (месяцев).
Рассмотрим финансовый временной ряд , отражающий, например, квартальные данные о прибыли на акцию. Выборочная автокорреляционная функция, изображенная на рисунке (3.5.1), демонстрирует высокий уровень корреляции временного ряда.
Рис. 3.5.1. Выборочная автокорреляционная функция для
В случае наличия сильной корреляции необходимо рассмотреть ряд разностей первого порядка:
.
На рисунке 3.5.2 изображена выборочная автокорреляционная функция ряда . Как видно из рисунка, автокорреляция очень сильная при значении лага, кратном четырем. Это и есть эмпирическое подтверждение наличия сезонности с периодом .
Рис. 3.5.2. Выборочная автокорреляционная функция для