Ryzyko inwestycji finansowych
Transkrypt
Ryzyko inwestycji finansowych
Marcin Studniarski http://math.uni.lodz.pl/ marstud/ [email protected] Ryzyko inwestycji …nansowych (semestr zimowy 2010/11) 1 Koncepcje i rodzaje ryzyka 1.1 Dwie koncepcje ryzyka 1. Negatywna koncepcja ryzyka - ryzyko jako zagroz·enie; moz·liwość straty, szkody, nieosiagni ¾ ecia ¾ zamierzonego celu dzia÷ ania. 2. Neutralna koncepcja ryzyka - ryzyko jako zagroz·enie, ale jednocześnie szansa; moz·liwość uzyskania efektu róz·niacego ¾ sie¾ od zamierzonego celu (efekt ten moz·e być gorszy lub lepszy od oczekiwanego). 1.2 Rodzaje ryzyka 1. Ryzyko rynkowe - wynika ze zmian cen na rynkach …nansowych i towarowych (koncepcja neutralna). 2. Ryzyko kredytowe - wynika z moz·liwości niedotrzymania warunków kontraktu przez osobe¾ lub instytucje, ¾ której udzielono kredytu. 3. Ryzyko operacyjne - ryzyko straty wynikajacej ¾ z nieprawid÷ owo dzia÷ ajacych ¾ procesów wewnetrznych, ¾ ludzi i systemów informatycznych (koncepcja negatywna). 4. Ryzyko p÷ ynności - ryzyko nieoczekiwanego spadku p÷ ynności …nansowej podmiotu gospodarczego (p÷ ynność oznacza zdolność podmiotu do regulowania zobowiazań ¾ w terminie) (koncepcja neutralna lub negatywna). 5. Ryzyko prawne - ryzyko uchwalenia nowych aktów prawnych maja¾ cych wp÷yw na sytuacje¾ danego podmiotu gospodarczego (koncepcja neutralna). 6. Ryzyko biznesu - ryzyko spowodowane zmianami warunków ekonomicznych prowadzenia dzia÷alności gospodarczej przez podmiot (koncepcja neutralna lub negatywna). 7. Ryzyko wydarzeń - ryzyko wystapienia ¾ wydarzeń losowych majacych ¾ wp÷ yw na sytuacje¾ podmiotu gospodarczego (np. powódź, poz·ar, napad na bank) (koncepcja negatywna). 1 1.3 Podzia÷ryzyka rynkowego 1. Ryzyko kursu walutowego 2. Ryzyko stopy procentowej 3. Ryzyko cen akcji 4. Ryzyko cen towarów (tak· ze nieruchomości) 1.4 Podzia÷ryzyka kredytowego 1. Ryzyko niedotrzymania warunków - ryzyko niedokonania przez druga¾ strone¾ p÷atności wynikajacych ¾ z kontraktu (koncepcja negatywna). 2. Ryzyko wiarygodności kredytowej - moz·liwość zmiany wiarygodności kredytowej drugiej strony (koncepcja neutralna). 2 De…nicja papieru wartościowego Papier wartościowy (security) jest to dokument (instrument …nansowy) potwierdzajacy ¾ jedna¾ z trzech sytuacji: nabycie prawa do wspó÷ w÷asności …rmy, udzielenie kredytu rzadowi, ¾ …rmie lub instytucji, uzyskanie prawa do otrzymania w przysz÷ ości pewnej wartości (najcześciej ¾ w postaci innego papieru wartościowego). 3 3.1 Rodzaje papierów wartościowych Akcje Akcja (stock, share) jest to dokument świadczacy ¾ o udziale jego w÷aściciela w kapitale spó÷ki akcyjnej. Posiadanie akcji zapewnia: prawo do dywidend, prawo do uczestnictwa w walnym zgromadzeniu akcjonariuszy, prawo do udzia÷ u w majatku ¾ spó÷ki w przypadku jej likwidacji. Akcje dziela¾ sie¾ na zwyk÷ e i uprzywilejowane. Uprzywilejowanie moz·e dotyczyć: g÷osu na zebraniach akcjonariuszy, pierwszeństwa w wyp÷acaniu dywidendy, pierwszeństwa w podziale majatku ¾ spó÷ki w przypadku jej likwidacji. 2 3.2 Obligacje Obligacja (bond ) jest to papier wartościowy potwierdzajacy ¾ nabycie przez jego posiadacza prawa do otrzymania w określonym terminie sumy pieniedzy ¾ określonej w obligacji oraz ewentualnie odsetek Obligacja zamienna daje jej nabywcy prawo do wymiany na inne papiery wartościowe danego emitenta w przysz÷ ości i na z góry określonych warunkach. Podzia÷obligacji ze wzgledu ¾ na okres do wykupu: krótkoterminowe (1-5 lat), średnioterminowe (5-12 lat), d÷ ugoterminowe (powyz·ej 12 lat). Podzia÷obligacji ze wzgledu ¾ na oprocentowanie: o sta÷ ym oprocentowaniu, o zmiennym oprocentowaniu (moz·e być ustalane na poczatku ¾ lub na końcu okresu oprocentowania), zerokuponowe (bezodsetkowe) –brak odsetek jest rekompensowany sprzedaz·a¾ obligacji po cenie niz·szej od wartości nominalnej. 4 Stopa zysku z inwestycji Stopa zysku (stopa zwrotu) z inwestycji jest podstawowa¾ miara¾ określajac ¾ a¾ efektywność inwestycji. Określamy ja¾ wzorem R := Kk Kp Kp ; (1) gdzie: Kp > 0 – kapita÷poczatkowy ¾ (zainwestowany na poczatku ¾ procesu inwestycji), Kk –kapita÷końcowy (posiadany na końcu inwestycji). Stope¾ zysku R podaje sie¾ zwykle w procentach. Przekszta÷ cajac ¾ wzór (1), otrzymujemy wzór na kapita÷końcowy: Kk = Kp (1 + R): (2) Stwierdzenie 1. Dany jest sko´nczony ciag ¾ inwestycji …nansowych w przedzia÷ach czasowych [ti 1 ; ti ], i = 1; ::; n, gdzie t0 < t1 < ::: < tn . Za÷ó·zmy, ·ze kapita÷ko´ncowy dla poprzedniego okresu jest kapita÷em poczatkowym ¾ dla nastepnego ¾ okresu. Je·zeli Ri jest stopa¾zysku dla okresu [ti 1 ; ti ], to stopa zysku dla okresu [t0 ; tn ] wynosi n Y R= (1 + Ri ) 1: (3) i=1 3 Dowód. Oznaczmy przez Ki kapita÷posiadany w momencie ti , i = 0; 1; :::; n. Zgodnie z (2) Ki = Ki 1 (1 + Ri ), i = 1; :::; n: Zatem K1 K2 Kn = K0 (1 + R1 ); = K1 (1 + R2 ) = K0 (1 + R1 )(1 + R2 ); ::: n Y = K0 (1 + Ri ): (4) i=1 Poniewaz· Kn jest kapita÷ em końcowym dla ca÷ego procesu inwestycji, wiec ¾ musi spe÷ niać warunek (2), czyli Kn = K0 (1 + R): (5) Porównujac ¾ wzory (4) i (5), otrzymujemy (3). Przy za÷oz·eniach Stwierdzenia 1 za÷ óz·my dodatkowo, z·e 1 + Ri > 0. Liczbe¾ v u n uY n R := t (1 + Ri ) 1 (6) i=1 nazywamy średnia¾ geometryczna¾ stopa¾ zysku (zwrotu) z inwestycji nokresowej o stopach zysku Ri , i = 1; :::; n. Sens liczby R jest nastepuj ¾ acy: ¾ jest ona taka, z·e inwestycja n-okresowa o równych stopach zysku w poszczególnych okresach, wynoszacych ¾ R, daje stope¾ zysku R określona¾ wzorem (3). Istotnie, stosujac ¾ Stwierdzenie 1 do powyz·szej sytuacji, otrzymamy R= n Y (1 + R) 1 = (1 + R)n i=1 1= n Y (1 + Ri ) 1: i=1 Stwierdzenie 2. Przy za÷o·zeniach Stwierdzenia 1 i warunku 1 + Ri > 0 zachodzi nierówno´s´c n 1X R Ri ; (7) n i=1 tzn. ´srednia geometryczna stopa zysku nie przekracza ´sredniej arytmetycznej stóp zysku z poszczególnych okresów. Dowód. Stosujemy znana¾ nierówność pomiedzy ¾ średnia¾ geometryczna¾ i arytmetyczna¾ liczb dodatnich a1 ; :::; an : v u n n uY 1X n t ai ai n i=1 i=1 4 (równość zachodzi wtedy i tylko wtedy, gdy wszystkie liczby ai sa¾ równe). Niech ai := 1 + Ri , wówczas v u n n uY 1X n (1 + Ri ) 1 (1 + Ri ) 1 R= t n i=1 i=1 ! n n X 1 1X n+ Ri 1= Ri : = n n i=1 i=1 5 Zasada obliczania procentu sk÷ adanego Szczególnym przypadkiem wzoru (4) jest zasada obliczania procentu sk÷ adanego. Dotyczy ona np. oprocentowanych lokat bankowych, w których jest sta÷ a stopa procentowa, a odsetki sa¾ kapitalizowane po up÷ ywie kaz·dego roku: Kn = K0 (1 + R)n ; (8) gdzie: R –stopa procentowa (bed ¾ aca ¾ jednocześnie stopa¾ zysku dla kaz·dego roku), K0 –kapita÷poczatkowy, ¾ Kn –kapita÷po n latach (wartość przysz÷ a sumy K0 po n latach). W przypadku, gdy odsetki sa¾ dodawane do kapita÷u m razy w ciagu ¾ roku (przy tej samej rocznej stopie procentowej R), mamy nastepuj ¾ acy ¾ wzór na wartość przysz÷ a¾ sumy K0 po n latach: K n = K0 1 + R m mn : (9) Wzór (9) przybiera konkretne postacie w zalez·ności od czestości ¾ kapitalizacji odsetek: 4n kwartalna: Kn = K0 1 + R4 R 12n 12 R 365n 365 miesieczna: ¾ Kn = K0 1 + dzienna: Kn = K0 1 + ciag÷ ¾ a: Kn = K0 lim 1+ m!1 = K0 lim m!1 = K0 lim x!1 " R m mn 1 1+ m=R 1+ 1 x # m=R Rn x Rn = K0 eRn ; (10) gdzie e 2; 7183 –podstawa logarytmu naturalnego. Uwaga: wzrost czestości ¾ kapitalizacji odsetek ma niewielki wp÷ yw na wzrost wartości przysz÷ ej kapita÷ u. 5 6 Zasada dyskonta Zasada dyskonta jest to zasada procentu sk÷adanego przedstawiona w odwrotnej postaci. Przekszta÷cajac ¾ wzór (8), otrzymujemy K0 = Kn ; (1 + R)n (11) gdzie K0 nazywamy wartościa¾ bie· zac ¾ a¾ sumy pieniedzy ¾ Kn uzyskiwanej w przysz÷ ości (inaczej: wartościa¾ zdyskontowana¾ na okres bie· zacy). ¾ Stope¾ procentowa¾ R nazywamy tu stopa¾ dyskontowa. ¾ Interpretacja: wartość bie· zaca ¾ K0 wskazuje, jaka¾ sume¾ nalez·y zainwestować na n lat, przy za÷ oz·eniu stopy procentowej R oraz rocznej kapitalizacji odsetek, aby otrzymać sume¾ równa¾ Kn . 7 Efektywna stopa procentowa W celu wyrównania efektu śródrocznej kapitalizacji odsetek (m razy w ciagu ¾ roku) nalez·y powiekszyć ¾ stope¾ procentowa¾ R wystepuj ¾ ac ¾ a¾ w (9) do wartości zwanej efektywna¾ stopa¾ procentowa, ¾ oznaczanej Ref . Zatem efektywna stopa procentowa spe÷ nia równanie K0 (1 + Ref )n = K0 1 + Stad ¾ wynika, z·e Ref = 8 1+ R m R m mn : m 1: (12) Określanie wartości papierów wartościowych Za÷ óz·my najpierw, z·e inwestor zatrzyma papier wartościowy przez rok. Oznaczmy: P –wartość papieru wartościowego w momencie zakupu, czyli kapita÷(poczatkowy) ¾ zainwestowany w zakup. Oznaczmy te¾ wartość . C – wp÷ ywy gotówkowe z tytu÷u posiadania papieru wartościowego (zak÷ adamy dla uproszczenia, z·e uzyskiwane sa¾ dok÷ adnie po up÷ywie roku), R –stopa zysku papieru wartościowego. Ze wzoru (2) wynika, z·e C = P (1 + R), czyli P = C : 1+R (13) Interpretacja: wartość papieru wartościowego jest to zdyskontowany przychód z tytu÷u posiadania papieru wartościowego, przy czym stopa¾ dyskontowa¾ jest stopa zysku. 6 Uogólnienie. Rozwaz·amy papier wartościowy, z tytu÷ u którego otrzymujemy wp÷ ywy przez n kolejnych okresów. Uogólniajac ¾ wzór (13), otrzymujemy P = n X i=1 Ci ; (1 + R)i (14) gdzie: P –wartość papieru wartościowego, Ci –dochód z tytu÷u posiadania papieru wartościowego, uzyskany w i-tym okresie, R – stopa dyskontowa, bed ¾ aca ¾ jednocześnie stopa¾ zysku osiaganego ¾ w pojedynczym okresie. De…nicja. Wartość papieru wartościowego jest to suma zdyskontowanych na okres biez·acy ¾ wp÷ ywów uzyskiwanych z tytu÷ u posiadania tego papieru wartościowego, przy czym stopa dyskontowa jest równa jego stopie zysku. Sposoby korzystania ze wzoru (14): 1. Jeśli stopa zysku R jest znana (na podstawie stóp zysku papierów wartościowych podobnego typu), to moz·na porównać wartość P z cena¾ rynkowa¾ papieru wartościowego w celu podjecia ¾ decyzji co do zakupu (zakup jest op÷ acalny, jeśli cena nie przekracza P ). 2. Moz·na przyjać ¾ jako P cene¾ rynkowa¾ papieru wartościowego i rozwiazać ¾ równanie (14) wzgledem ¾ R w celu wyznaczenia stopy zysku. Wymaga to stosowania metod przybliz·onych. Znajac ¾ R, moz·na podjać ¾ decyzje¾ o zakupie (np. porównujac ¾ R ze stopa¾ zysku, czyli oprocentowaniem, lokat bankowych). 9 Określanie wartości obligacji o sta÷ ym oprocentowaniu Rozwaz·my obligacje¾ z n-letnim terminem wykupu, o wartości nominalnej M . Za÷ óz·my, z·e odsetki p÷ acone po up÷ywie kaz·dego roku wynosza¾ C. Zatem oprocentowanie obligacji wynosi C=M . Stosujac ¾ (14), otrzymujemy wzór na wartość obligacji: n X M C + ; (15) P = i (1 + R) (1 + R)n i=1 gdzie Pn C i=1 (1+R)i –zdyskontowany przychód z odsetek, M (1+R)n –zdyskontowany przychód z wykupu obligacji. W (15) wystepuj ¾ a¾ dwie róz·ne stopy procentowe: 1. C=M –stopa procentowa określajaca ¾ oprocentowanie odsetek od obligacji (jest sta÷ a i znana w momencie zakupu). 2. R –stopa dyskontowa bed ¾ aca ¾ jednocześnie stopa¾ zysku obligacji (zwana takz·e stopa¾ rentowności). 7 Wartość R jest zmienna w czasie, gdyz· zalez·y od ceny rynkowej. W praktyce P jest cena¾ rynkowa¾ i jest znana, a nieznana jest stopa zysku R. 10 Określanie wartości akcji zwyk÷ ych Zysk z tytu÷ u posiadania akcji pochodzi z dwóch źróde÷ : 1. z dywidendy p÷ aconej w danym okresie, 2. z przyrostu kapita÷ u w danym okresie (wynikajacego ¾ z przyrostu ceny akcji). Za÷óz·my najpierw, z·e posiadacz akcji sprzeda ja¾ po up÷ywie n lat. Wówczas z (14) otrzymujemy n X Di Pn P = + ; (16) i (1 + R) (1 + R)n i=1 gdzie P –wartość akcji w chwili obecnej, Pn –wartość akcji po n latach, Di – dywidenda wyp÷ acona w i-tym roku (dla uproszczenia zak÷adamy, z·e jest wyp÷ acana z końcem roku), R zysku akcji, bed ¾ aca ¾ stopa¾ dyskontowa, ¾ Pn–stopa Di i=1 (1+R)i –zdyskontowany przychód z dywidend, Pn (1+R)n –zdyskontowany przychód ze sprzedaz·y akcji. Za÷ óz·my teraz, z·e nabywca akcji bedzie ¾ ja¾ zawsze posiada÷. Wówczas znika ostatni sk÷ adnik po prawej stronie (16), a zamiast skończonej sumy rozwaz·amy jej wartość graniczna¾ (o ile istnieje): P = lim n!1 n X i=1 1 X Di Di = : (1 + R)i (1 + R)i i=1 (17) Wzór (17) nazywamy modelem zdyskontowanych dywidend. Uwagi. 1) Zbiez·ność szeregu w (17) ma miejsce np. wtedy, gdy istnieje A < 1. Wówczas taka sta÷ a A > 0, z·e Di D1 Ai 1 , i = 2; 3; ::: oraz 1+R lim n!1 n X i=1 Di (1 + R)i lim D1 n!1 n X i=1 1 X Ai 1 Ai 1 = D ; 1 (1 + R)i (1 + R)i i=1 A gdzie szereg po prawej stronie jest szeregiem geometrycznym o ilorazie 1+R 2 (0; 1), a wiec ¾ zbiez·nym. 2) We wzorze (17) wyd÷ uz·enie horyzontu czasowego inwestowania do nieskończoności (co jest oczywiście jedynie przybliz·eniem rzeczywistej sytuacji) powoduje, z·e nie rozpatrujemy przyrostu kapita÷ u z powodu zmian cen akcji. Nie ma on znaczenia, gdy nieplanuje sie¾ sprzedaz·y akcji. Jedynym źród÷em dochodu z akcji staje sie¾ dywidenda. 8 11 Określanie wartości przedsiebiorstwa ¾ Wartość przedsiebiorstwa ¾ (np. spó÷ ki, banku, zak÷ adu ubezpieczeń) jest to wartość obecna (biez·aca) ¾ przysz÷ ych przep÷ ywów pienie¾z·nych do przedsiebiorstwa. ¾ Wyraz·a ja¾ wzór podobny do (17): P = 1 X i=1 Ci ; (1 + R)i (18) gdzie P –wartość przedsiebiorstwa, ¾ Ci –przep÷yw pienie¾z·ny w okresie i, R –stopa dyskontowa. Sumowanie nieskończone wynika z za÷oz·enia, z·e przedsiebiorstwo ¾ bedzie ¾ funkcjonowa÷ o stale (przez czas nieokreślony). 12 Zalez·ność stopy zysku od sposobu kapitalizacji Przedstawimy teraz trzy róz·ne wzory na stope¾ zysku z inwestycji trwajacej ¾ n okresów jednostkowych (najcześciej ¾ sa¾ to lata). Róz·nice wynikaja¾ z odmiennych sposobów kapitalizacji odsetek. Uwaga: n nie musi być liczba¾ naturalna. ¾ 12.1 Prosta stopa zysku Prosta stopa zysku odpowiada kapitalizacji okresowej, tzn. odsetki sa¾ kapitalizowane jeden raz na zakończenie ca÷ ego procesu inwestycji. Sytuacje¾ te¾ opisuje szczególny przypadek wzoru (9), gdy m = 1=n: Kn = K0 (1 + nR): (19) Wyznaczajac ¾ stad ¾ R, otrzymujemy wzór na prosta¾ stope¾ zysku: R= 12.2 1 n Kn K0 1 : (20) Efektywna stopa zysku Efektywna stopa zysku odpowiada kapitalizacji rocznej, która¾ opisuje wzór (8). Stad ¾ otrzymujemy wzór na efektywna¾ stope¾ zysku: R= Kn K0 9 1=n 1: (21) 12.3 Logarytmiczna stopa zysku Logarytmiczna stopa zysku odpowiada kapitalizacji ciag÷ ¾ ej. Logarytmujac ¾ stronami wzór (10), otrzymujemy ln Kn = ln K0 + Rn: Stad ¾ dostajemy wzór na logarytmiczna¾ stope¾ zysku: R= 13 1 (ln Kn n ln K0 ) = 1 Kn ln : n K0 (22) Przestrzeń probabilistyczna Niech bedzie ¾ dowolnym zbiorem zdarzeń elementarnych. Prawdopodobieństwo przypisujemy podzbiorom zbioru nalez·acym ¾ do tzw. klasy zdarzeń F, gdzie F 2 . Zak÷ adamy, z·e F jest -cia÷ em podzbiorów , tzn. spe÷nia nastepuj ¾ ace ¾ warunki: S1. F = 6 ;. S2. Jez·eli A 2 F, to nA 2 F. S1 S3. Jez·eli Ai 2 F dla i = 1; 2; :::, to i=1 Ai 2 F. Z powyz·szych warunków wynika, z·e do F nalez·a¾ zdarzenia: (zdarzenie pewne) i ; (zdarzenie niemoz·liwe). Najmniejsze -cia÷ o zawierajace ¾ wszystkie zbiory otwarte w Rn nazywamy -cia÷ em zbiorów borelowskich w Rn i oznaczamy B(Rn ). Prawdopodobieństwem nazywamy dowolna¾ funkcje¾ P : F ! R spe÷niajac ¾ a¾ warunki: A1. P (A) 0 dla kaz·dego A 2 F, A2. P ( ) = 1, A3. Jez·eli Ai 2 F dla i = 1; 2; ::: oraz Ai \ Aj = ; dla i 6= j, to ! 1 1 [ X P Ai = P (Ai ): (23) i=1 i=1 Przestrzenia¾ probabilistyczna¾ nazywamy trójk¾ e ( ; F; P ), gdzie jest dowolnym zbiorem, F jest -cia÷ em podzbiorów , a P jest prawdopodobieństwem określonym na F. W÷ asności prawdopodobieństwa. Jez·eli ( ; F; P ) jest przestrzenia¾probabilistyczna¾ i zbiory A; B; A1 ; :::; An nalez·a¾ do F, to spe÷nione sa¾ poniz·sze warunki: W1. P (;) = 0. Sn Pn W2. Jez·eli Ai \ Aj = ; dla i 6= j, to P ( i=1 Ai ) = i=1 P (Ai ). W3. P ( nA) = 1 P (A). W4. Jez·eli A B, to P (BnA) = P (B) P (A). W5. Jez·eli A B, to P (A) P (B). W6. P (A) 1. W7. P (A [ B) = P (A) + P (B) P (A \ B). 10 Uwaga. Jeśli jest zbiorem skończonym i F = 2 , to z równości [ = f!g !2 oraz z warunków A2 i W2 wynika, z·e X [ P (f!g) = P !2 14 !2 ! f!g = P ( ) = 1: (24) Zmienne losowe Niech ( ; F; P ) bedzie ¾ przestrzenia¾ probabilistyczna. ¾ Zmienna¾ losowa¾ (wektorem losowym) o wartościach w Rn nazywamy odwzorowanie X : ! Rn takie, z·e dla dowolnego zbioru borelowskiego A w Rn zbiór X 1 (A) nalez·y do F. Moz·na wykazać, z·e X jest zmienna¾ losowa¾ wtedy i tylko wtedy, gdy dla kaz·dego uk÷ adu liczb 1 ; :::; n 2 R mamy X 1 (( 1; 1] ::: ( 1; n ]) 2 F: Uwaga. Jeśli jest zbiorem skończonym i F = 2 , to kaz·da funkcja ! Rn jest zmienna¾ losowa. ¾ Rozk÷ adem prawdopodobieństwa zmiennej losowej X : ! Rn nazywamy funkcje¾ PX : B(Rn ) ! R dana¾ wzorem X: PX (B) := P (X 1 (B)) dla B 2 B(Rn ): (25) Mówimy, z·e zmienna losowa X ma rozk÷ ad dyskretny, jez·eli istnieje taki zbiór przeliczalny S Rn , z·e PX (S) = 1. Uwaga. Jeśli jest zbiorem skończonym i F = 2 , to moz·na przyjać ¾ S := X( ) (zbiór skończony) i wtedy PX (S) = PX (X( )) = P (X 1 (X( ))) = P ( ) = 1: Zatem kaz·da zmienna losowa określona na skończonym zbiorze zdarzeń elementarnych ma rozk÷ad dyskretny. 14.1 Wartość oczekiwana zmiennej losowej o rozk÷ adzie dyskretnym Wartościa¾oczekiwana¾(lubśrednia) ¾ zmiennej losowej X : ! R o rozk÷adzie dyskretnym, przyjmujacej ¾ skończenie wiele wartości, nazywamy liczbe¾ X EX := xi P (X = xi ); (26) i2I 11 gdzie X( ) = fxi gi2I , I – skończony zbiór indeksów, a P (X = xi ) jest skróconym zapisem wyraz·enia P (f! 2 : X(!) = xi g). Wartościa¾ oczekiwana¾ wektora losowego X = (X1 ; :::; Xn ) : ! Rn , gdzie wszystkie zmienne losowe Xi przyjmuja¾ skończenie wiele wartości, nazywamy wektor EX := (EX1 ; :::; EXn ): (27) 14.2 Wartość oczekiwana zmiennej losowej w przypadku ogólnym W przypadku dowolnej zmiennej losowej X : ! R mówimy, z·e ma ona wartość oczekiwana, ¾ jez·eli jest ca÷ kowalna, tzn. Z jXj dP < 1: Wówczas wartościa¾ oczekiwana¾ zmiennej losowej X nazywamy liczbe¾ Z EX := XdP: (28) De…nicja (28) jest uogólnieniem de…nicji (26). W ogólnym przypadku do zde…niowania wartości oczekiwanej wektora losowego uz·ywamy wzoru (27) przy za÷ oz·eniu, z·e wszystkie wspó÷ rzedne ¾ maja¾ wartość oczekiwana. ¾ Ze wzoru (27) i z podstawowych w÷asności ca÷ ki wynika nastepuj ¾ ace ¾ twierdzenie. Twierdzenie 1. Niech X i Y bed ¾ a¾zmiennymi losowymi na o warto´sciach w R. Za÷ó·zmy, ·ze istnieja¾ warto´sci oczekiwane EX i EY . Wówczas: (a) Je´sli X 0, to EX 0. (b) jEXj E jXj. (c) Dla dowolnych a, b 2 R istnieje warto´s´c oczekiwana aX + bY i E(aX + bY ) = aEX + bEY . 15 15.1 (29) Prognozowanie stopy zysku z inwestycji Metoda 1 –na podstawie danych z przesz÷ ości W metodzie tej wykorzystuje sie¾ dane z pewnej ilości okresów poprzedzajacych ¾ okres inwestowania. W przypadku akcji stopa zysku w okresie i jest określona wzorem Pi Pi 1 + Di Ri = ; (30) Pi 1 gdzie Pi , Pi 1 oznaczaja¾ wartości akcji odpowiednio w okresach i, i 1, a Di – dywidende¾ wyp÷acana¾ w okresie i. Wzór (30) jest szczególnym przypadkiem ogólnego wzoru (1), gdzie kapita÷poczatkowy ¾ Kp przyjmujemy jako równy Pi 1 , a kapita÷końcowy Kk –jako 12 równy Pi +Di . Jeśli dysponujemy danymi z n poprzednich okresów, to dla prognozowania stopy zysku w nadchodzacym ¾ okresie (o tej samej d÷ugości) moz·emy uz·yć średniej arytmetycznej n 1X Ri (31) R= n i=1 albo średniej geometrycznej określonej wzorem (6). 15.2 Metoda 2 –wykorzystanie oczekiwanej stopy zysku Korzystajac ¾ z analiz ekspertów dotyczacych ¾ sytuacji danej …rmy oraz ca÷ ej gospodarki, moz·na próbować ocenić moz·liwe stopy zysku w róz·nych sytuacjach oraz prawdopodobieństwa ich wystapienia. ¾ Wówczas do prognozowania przysz÷ ej stopy zysku uz·ywamy oczekiwanej stopy zysku. Metode¾ te¾ nazywamy prognozowaniem ekspertowym. Oczekiwana¾ stopa¾ zysku (zwrotu) z inwestycji nazywamy liczbe¾ ER := n X pi R i ; (32) i=1 gdzie Ri – stopa zysku wystepuj ¾ aca ¾ w i-tej sytuacji, pi – prawdopodobieństwo wystapienia ¾ i-tej sytuacji, n –liczba moz·liwych róz·nych scenariuszy rozwoju. 16 Wariancja i odchylenie standardowe zmiennej losowej Niech X : ! R bedzie ¾ zmienna¾ losowa. ¾ Jeśli E (X EX)2 < 1, to te¾ liczbe¾ nazywamy wariancja¾ zmiennej losowej X i oznaczamy Var X = D2 X := E (X EX)2 : (33) Wariancje¾ moz·na inaczej zapisać nastepuj ¾ aco: ¾ Var X = E(X 2 ) (EX)2 : (34) Dowód (34). Var X := E[(X EX)2 ] = E[X 2 2XEX + (EX)2 ] = E(X 2 ) (EX)2 . Ze wzorów (33) i (26) wynika, z·e jeśli X przyjmuje skończona¾ ilość wartości xi , i 2 I, to X Var X = P (X = xi )(xi EX)2 : (35) i2I W÷ asności wariancji. Jeśli X jest zmienna¾ losowa, ¾ dla której E(X 2 ) < 1, to istnieje Var X i spe÷ nia warunki (a) Var X 0. (b) Var( X) = 2 Var X ( 2 R). 13 (c) Var(X + ) = Var(X) ( 2 R). (d) Var X = 0 wtedy i tylko wtedy, gdy zmienna losowa X jest sta÷ a z prawdopodobieństwem 1. Odchyleniem standardowym zmiennej losowej X nazywamy pierwiastek z wariancji: p Var X: (36) X = DX = 17 Ryzyko papieru wartościowego (koncepcja neutralna) Ryzyko inwestycji …nansowej oznacza niepewność wystapienia ¾ oczekiwanej sytuacji w procesie inwestowania. Określa ono takz·e skale¾ zróz·nicowania (rozproszenia) prognozy lub danych historycznych. Miarami ryzyka zwiazanego ¾ z inwestowaniem w papiery wartościowe sa¾ wariancja i odchylenie standardowe papieru wartościowego. 17.1 Prognozowanie ekspertowe W przypadku prognozowania ekspertowego wariancje¾ papieru wartościowego de…niujemy nastepuj ¾ aco: ¾ V := n X pi (Ri i=1 ER)2 ; (37) gdzie Ri – stopa zysku wystepuj ¾ aca ¾ w i-tej sytuacji, pi – prawdopodobieństwo wystapienia ¾ i-tej sytuacji, ER – oczekiwana stopa zysku z inwestycji, dana wzorem (32). Im mniejsza wartość V , tym mniejsze ryzyko osiagni ¾ ecia ¾ oczekiwanej stopy zysku. Najmniejsza¾ moz·liwa¾ do osiagni ¾ ecia ¾ wartościa¾ jest 0. Wystepuje ¾ ona wtedy, gdy wszystkie moz·liwe scenariusze rozwoju charakteryzuja¾sie¾ jednakowa¾ stopa¾ zysku. Sytuacja ta ma miejsce np. dla obligacji o sta÷ym oprocentowaniu. 17.2 Prognozowanie ryzyka na podstawie wartości historycznych stóp zysku Zak÷ ada sie, ¾ z·e rozk÷ad przysz÷ ych stóp zysku bedzie ¾ sie¾ charakteryzowa÷takim samym ryzykiem, jakie wystepowa÷ ¾ o w dotychczasowych notowaniach. Wariancje¾ dotychczasowych stóp zysku oblicza sie¾ wed÷ug wzoru n V := 1X (Ri n i=1 R)2 ; (38) gdzie n –liczba okresów, z których pochodza¾ dane, Ri –stopy zysku uzyskane w kolejnych okresach, R –średnia historyczna stopa zysku, dana wzorem (31). Poniewaz· nie sa¾określone prawdopodobieństwa wystapienia ¾ poszczególnych stóp 14 zysku Ri , przyjmuje sie, ¾ z·e sa¾ one jednakowe i wynosza¾ 1=n. Wówczas ER = R zgodnie z wzorem (32), a zatem (38) jest szczególnym przypadkiem (37), gdzie pi = 1=n dla i = 1; :::; m. W przypadku ma÷ ej liczby danych (n 30) do prognozowania wariancji stopy zysku stosuje sie¾ wyraz·enie V^ := 1 n 1 n X (Ri R)2 : (39) i=1 Sens uz·ycia tego wzoru wynika z faktu, z·e V^ jest tzw. estymatorem nieobcia¾·zonym wariancji, co wyjaśnimy dok÷ adniej na wyk÷adzie z analizy portfelowej (w semestrze letnim). W obu przypadkach jako odchylenie standardowe stopy p zysku przyjmujemy p pierwiastek z odpowiedniego wyraz·enia, tzn. V lub V^ . 18 Ryzyko papieru wartościowego (koncepcja negatywna) Jeśli ryzyko rozwaz·ane jest w kategoriach zagroz·enia, to pod uwage¾ bierze sie¾ tylko ujemne odchylenia od oczekiwanej stopy zysku. Wówczas zamiast wariancji rozwaz·a sie¾ semiwariancje¾ stopy zysku określona¾ nastepuj ¾ aco: ¾ SV := n X pi d2i ; (40) i=1 gdzie di := Ri 0; ER; gdy Ri gdy Ri ER < 0; ER 0: (41) Odpowiednikiem odchylenia standardowego jest semiodchylenie standardowe stopy zysku: p s := SV : (42) 19 Wp÷ yw zmiany kursu walutowego na stope¾ zysku Ryzyko kursu walutowego wystepuje ¾ wtedy, gdy podmiot ma aktywa lub zobowiazania ¾ wyraz·one w walucie obcej. Rozwaz·amy ogólna¾ sytuacje, ¾ gdy w czasie moz·e sie¾ zmieniać zarówno wartość kapita÷ u (aktywów, zobowiazań) ¾ w walucie obcej, jak i kurs tej waluty. Interesuje nas wp÷yw obu tych zmian na wartość kapita÷ u wyraz·ona¾ w walucie krajowej. Dla uproszczenia bedziemy ¾ rozwaz·ać euro i z÷ote. Bedziemy ¾ korzystać z ogólnego wzoru (2) na kapita÷ końcowy przy inwestycji jednookresowej. Wprowadźmy nastepuj ¾ ace ¾ oznaczenia: Kp;e –kapita÷poczatkowy ¾ wyraz·ony w euro, 15 Kp;z –kapita÷poczatkowy ¾ wyraz·ony w z÷otych, Kk;e –kapita÷końcowy wyraz·ony w euro, Kk;z –kapita÷końcowy wyraz·ony w z÷ otych, cp –kurs euro (tj. wartość 1 euro wyraz·ona w z÷ otych) w momencie poczatko¾ wym, ck –kurs euro w momencie końcowym, Re –procentowa zmiana wartości kapita÷ u wyraz·onego w euro (stopa zysku), Rz – procentowa zmiana wartości kapita÷ u wyraz·onego w z÷ otych (stopa zysku), Rc –procentowa zmiana kursu euro. Stwierdzenie 3. Przy powy·zszych za÷o·zeniach stopa zysku w z÷otych wyra·za sie¾ wzorem Rz = R e + R c + Re R c : (43) Dowód. lez·ności: Z (2) i z de…nicji kursu walutowego wynikaja¾ nastepuj ¾ ace ¾ zaKk;z Kk;e Kp;z Kk;z = = = = Kp;z (1 + Rz ); Kp;e (1 + Re ); Kp;e cp ; Kk;e ck : (44) (45) (46) (47) Ponadto z de…nicji Rc mamy ck = cp (1 + Rc ): (48) Stosujac ¾ kolejno wzory (44), (47), (45), (48) i (46), otrzymujemy Kp;z (1 + Rz ) = Kk;z = Kk;e ck = Kp;e (1 + Re )cp (1 + Rc ) = Kp;z (1 + Re )(1 + Rc ): (49) Dzielac ¾ (49) stronami przez Kp;z , dostajemy 1 + Rz = (1 + Re )(1 + Rc ) = 1 + Re + Rc + Re Rc ; skad ¾ wynika (43). 20 Niezalez·ność zmiennych losowych Zmienne losowe X1 ; :::; Xn o wartościach w R, określone na zbiorze , gdzie ( ; F; P ) jest przestrzenia¾ probabilistyczna, ¾ nazywamy niezale· znymi, jez·eli dla dowolnych zbiorów B1 ; :::; Bn 2 B(R) zachodzi równość P (X1 2 B1 ; :::; Xn 2 Bn ) = P (X1 2 B1 ) ::: P (Xn 2 Bn ): (50) W powyz·szym wzorze wyraz·enie po lewej jest skróconym zapisem wyraz·enia P f! 2 : X1 (!) 2 B1 ^ ::: ^ Xn (!) 2 Bn g; 16 podobna uwaga dotyczy wyraz·eń po prawej stronie. Twierdzenie 2. Je·zeli zmienne losowe X1 ; :::; Xn sa¾Q niezale·zne i maja¾ n warto´s´c oczekiwana,¾ to istnieje warto´s´c oczekiwana iloczynu i=1 Xi i zachodzi równo´s´c ! n n Y Y E Xi = EXi : (51) i=1 i=1 Dowód przeprowadzimy dla przypadku dwóch zmiennych losowych X, Y przyjmujacych ¾ skończenie wiele wartości. Za÷ óz·my, z·e X( ) = fxi gi2I , Y ( ) = fyj gj2J , gdzie I, J –skończone zbiory indeksów. Poniewaz· zbiory jednoelementowe fxi g i fyj g sa¾ borelowskie, wiec ¾ z (50) otrzymujemy P (X = xi ; Y = yj ) = P (X = xi )P (Y = yj ) (i 2 I, j 2 J). Stad ¾ na podstawie (26) XX E(XY ) = xi yj P (X = xi ; Y = yj ) i2I j2J = XX xi yj P (X = xi )P (Y = yj ) i2I j2J = X i2I 1 !0 X xi P (X = xi ) @ yj P (Y = yj )A = EX EY . j2J Twierdzenie 3. Przy za÷o·zeniach Twierdzenia 2 zachodzi równo´s´c ! n n X X Var Xi = Var Xi : i=1 (52) i=1 Dowód (dla dwóch zmiennych losowych X, Y ). Korzystajac ¾ kolejno ze wzorów (34), (29), (51) i ponownie z (34), otrzymujemy h i 2 2 Var(X + Y ) = E (X + Y ) [E (X + Y )] = E X 2 + 2XY + Y 2 = E(X 2 ) + 2E (XY ) + E(Y 2 ) = E(X 2 ) 21 (EX)2 + E(Y 2 ) 2 [EX + EY ] (EX)2 2EX EY (EY )2 (EY )2 = Var X + Var Y . Kowariancja i wspó÷ czynnik korelacji zmiennych losowych Kowariancja¾ ca÷ kowalnych zmiennych losowych X i Y , spe÷niajacych ¾ warunek E jXY j < 1, nazywamy liczbe¾ Cov(X; Y ) := E [(X 17 EX) (Y EY )] : (53) Z powyz·szej de…nicji i z Twierdzenia 1(c) otrzymujemy Cov(X; Y ) = E [XY (EX)Y X(EY ) + EX EY ] = E(XY ) 2EX EY + E(EX EY ) = E(XY ) EX EY; (54) gdzie ostatnia równość wynika z faktu, z·e wartość oczekiwana zmiennej losowej o sta÷ej wartości jest równa tej sta÷ ej. Jeśli Cov(X; Y ) = 0, to zmienne losowe X i Y nazywamy nieskorelowanymi; w przeciwnym przypadku –skorelowanymi. Korzystajac ¾ z nierówności Schwarza dla ca÷ ek, moz·na wykazać nastepuj ¾ ac ¾ a¾ nierówność: p Var X Var Y ; (55) jCov(X; Y )j przy czym równość zachodzi wtedy i tylko wtedy gdy z prawdopodobieństwem 1 zmienne losowe X i Y zwiazane ¾ sa¾ zalez·nościa¾ liniowa, ¾ tzn. istnieja¾ takie liczby a, b 2 R, z·e P fY = aX + bg = 1: (56) Wspó÷ czynnikiem korelacji zmiennych losowych X i Y o dodatnich odchyleniach standardowych nazywamy liczbe¾ (X; Y ) := Cov(X; Y ) X Y =p Cov(X; Y ) : Var X Var Y (57) Z nierówności (55) wynika, z·e j (X; Y )j 1, a równość zachodzi tylko w przypadku liniowej zalez·ności miedzy ¾ zmiennymi X i Y . Z Twierdzenia 2 i z równości (54) wynika, z·e jeśli zmienne losowe X i Y sa¾ niezalez·ne i maja¾ wartość oczekiwana, ¾ to sa¾ nieskorelowane. Za÷ óz·my teraz, z·e zmienne losowe X i Y przyjmuja¾skończenie wiele wartości i z·e dany jest rozk÷ ad prawdopodobieństwa pary zmiennych losowych (X; Y ), tzn. dane sa¾skończone ciagi ¾ liczbowe x1 ; :::; xn i y1 ; :::; yn oraz ciag ¾ liczb dodatnich p1 ; :::; pn takie, z·e n X pi = 1 oraz P (X = xi ; Y = yi ) = pi , i = 1; :::; n: (58) i=1 Wówczas, korzystajac ¾ z wzoru (26) na wartość oczekiwana, ¾ moz·emy zapisać wzór (53) w postaci Cov(X; Y ) = n X pi (xi i=1 22 EX) (yi EY ) : (59) Korelacja papierów wartościowych Rozwaz·my teraz przypadek, gdy zmiennymi losowymi X i Y sa¾ odpowiednio stopy zysku RA i RB akcji A i B. Niech A i B oznaczaja¾ odpowiednio 18 odchylenia standardowe stóp zysku akcji A i B. W przypadku akcji za÷ oz·enie ich dodatniości jest na ogó÷spe÷ nione. W przypadku prognozowania ekspertowego, jako szczególny przypadek wzoru (59), otrzymujemy nastepuj ¾ ac ¾ a¾ de…nicje: ¾ Kowariancja¾ akcji (ogólniej: inwestycji …nansowych) A i B nazywamy liczbe¾ n X Cov(RA ; RB ) := pi (RA;i ERA ) (RB;i ERB ) ; (60) i=1 gdzie: RA;i –stopa zysku akcji A w i-tej sytuacji (podobnie dla akcji B), pi –prawdopodobieństwo wystapienia ¾ i-tej sytuacji, n –ilość moz·liwych sytuacji. Wspó÷ czynnikiem korelacji akcji (ogólniej: inwestycji …nansowych) A i B nazywamy liczbe¾ A;B : = = Cov(RA ; RB ) pPn A B P n i=1 i=1 pi (RA;i ERA ) (RB;i ERB ) pPn ; ERA )2 ERB )2 i=1 pi (RB;i pi (RA;i (61) gdzie: RA;i –stopa zysku akcji A w i-tej sytuacji (podobnie dla akcji B), pi –prawdopodobieństwo wystapienia ¾ i-tej sytuacji, n –ilość moz·liwych sytuacji. Jeśli korelacje¾ określa sie¾ na podstawie obserwacji statystycznych stóp zysku (RA;i ; RB;i ), i = 1; :::; n, to wzory określajace ¾ kowariancje¾ i wspó÷czynnik korelacji przyjmuja¾ postać n Cov(RA ; RB ) := 1X RA;i n i=1 ~A R RB;i ~B ; R (62) ~A, R ~ B –średnie arytmetyczne odpowiednio wielkości RA;i , RB;i (i = gdzie R 1; :::; n), A;B : = Cov(RA ; RB ) A B = qP Pn i=1 ~ A RB;i R ~B R qP : n ~ A )2 ~ B )2 R (R R B;i i=1 RA;i n i=1 (RA;i (63) W przypadku ma÷ ej liczby danych, wspó÷ czynnik 1=n wystepuj ¾ acy ¾ w (62) i (niejawnie) w (63) moz·e być zastapiony ¾ przez 1=(n 1), podobnie jak przy obliczaniu wariancji akcji. Mówimy, z·e akcje (inwestycje …nansowe) A i B sa¾ (a) dodatnio skorelowane, jeśli A;B > 0, 19 (b) ujemnie skorelowane, jeśli A;B < 0, (c) nieskorelowane, jeśli A;B = 0, (d) doskonale (dok÷ adnie) dodatnio skorelowane, jeśli A;B = 1, (e) doskonale (dok÷ adnie) ujemnie skorelowane, jeśli A;B = 1. Uwaga. Wspó÷czynnik korelacji jest miara¾ zalez·ności liniowej (por. wzór (56)), tj. miara¾ skupiania sie¾ punktów (RA;i ; RB;i ) (w uk÷ adzie wspó÷rzednych ¾ na p÷ aszczyźnie) wokó÷linii prostej. 23 Wariancja sumy zmiennych losowych Dotychczas podaliśmy wzór na wariancje¾ sumy zmiennych losowych jedynie w przypadku zmiennych losowych niezalez·nych (wzór (52)). Obecnie podamy wzór dla przypadku ogólnego. Twierdzenie 4. Je·zeli ¾ to istPnzmienne losowe X1 ; :::; Xn maja¾ wariancje, nieje te·z wariancja sumy X i zachodzi równo ´s´c i i=1 ! n n X X X Var Xi = Var Xi + 2 Cov(Xi ; Xj ): (64) i=1 i=1 1 i<j n Dowód. Korzystajac ¾ kolejno z (34), (29), ponownie z (34) oraz z (54), otrzymujemy 2 ! !2 3 !2 n n n X X X Var Xi = E 4 Xi 5 EXi i=1 = n X i=1 E(Xi2 ) = n X i=1 i=1 (EXi )2 + 2 X i=1 [E(Xi Xj ) 1 i<j n Var Xi + 2 X EXi EXj ] Cov(Xi ; Xj ). 1 i<j n Wniosek. Je·zeli zmienne losowe X1 ; :::; Xn maja¾ wariancje¾ i sa¾ parami nieskorelowane, to zachodzi równo´s´c (52). 24 Portfel wielu akcji Oznaczmy: m –liczba …rm, których akcje sa¾ w portfelu (ponumerowanych od 1 do m), nj –ilość j-tych akcji znajdujacych ¾ sie¾ w portfelu. Zak÷adamy, z·e nj (j = 1; :::; m) sa¾ liczbami nieujemnymi. Aby portfel by÷ niepusty, trzeba za÷ oz·yć, z·e nj > 0 dla pewnego j. Liczby nj wyznaczaja¾ sk÷ ad ilościowy portfela. Nas interesuje sk÷ ad procentowy (wartościowy) portfela, tzn. jaki jest stosunek wartości j-tych akcji w portfelu do ÷acznej ¾ wartości wszystkich akcji znajdujacych ¾ sie¾ w tym portfelu. 20 W celu wyznaczenia sk÷adu procentowego oznaczmy: pj –cena rynkowa j-tej akcji (pj > 0). Wówczas udzia÷procentowy (w sensie wartości) j-tej akcji w portfelu określa liczba n j pj uj := Pm , j = 1; :::; m: (65) i=1 ni pi Uwaga. ×atwo sprawdzić, z·e uj 0; j = 1; :::; m; m X uj = 1 (66) j=1 (tzw. równanie bud· zetowe). Zbiór 8 < Pm := u = (u1 ; :::; um ) 2 Rm : ui : 0, i = 1; :::; m, m X j=1 9 = uj = 1 ; (67) nazywamy zbiorem portfeli m-sk÷ adnikowych. Wspó÷ rzedna ¾ uj wektora u oznacza udzia÷j-tych papierów wartościowych w portfelu u. Zbiór Pm jest sympleksem m-wymiarowym o wierzcho÷ kach (0; ::; 0; 1i ; 0; :::; 0), i = 1; :::; m, gdzie 1i oznacza jedynk¾ e na i-tym miejscu. Dla dowolnego portfela u 2 Pm przyjmujemy nastepuj ¾ ace ¾ oznaczenia: Rj –stopa zysku z inwestycji w j-te papiery wartościowe, R = (R1 ; :::; Rm ) –wektor (losowy) stóp zysku, = ( 1 ; :::; m ) – wektor oczekiwanych stóp zysku, gdzie i := E(Ri ) (i = 1; :::; m), Kp –kapita÷poczatkowy ¾ inwestora, Kp;j := uj Kp –cześć ¾ kapita÷u poczatkowego ¾ zainwestowana w j-te papiery wartościowe, Kk –kapita÷końcowy inwestora, Kk;j –kapita÷końcowy w j-tych papierach wartościowych. Ze wzoru (2) otrzymujemy Kk;j = Kp;j (1 + Rj ), j = 1; :::; m. Stop e¾ zysku portfela u de…niujemy, zgodnie z wzorem (1), jako zmienna¾ losowa¾ o wartościach rzeczywistych: R(u) := Kk Kp Kp : (68) W dalszym ciagu ¾ symbolem hx; yi bedziemy ¾ oznaczać iloczyn skalarny w przestrzeni Rm : m X hx; yi := xi yi dla x = (x1 ; :::; xm ), y = (y1 ; :::; ym ): (69) i=1 Stwierdzenie 4. Zachodzi równo´s´c R(u) = hu; Ri : 21 (70) Dowód. R(u) = = = Kk Kp Kp Pm j=1 Kp j=1 Kk;j Pm Kp;j (1 + Rj ) Pm j=1 Kp;j Pm Kp = Pm j=1 P m u j Rj j=1 uj = m X j=1 Pm j=1 Kp;j j=1 Kp;j Pm j=1 Kp;j Pm j=1 = Pm Kp;j Rj j=1 Kp;j uj Rj = hu; Ri . Oczekiwana stopa zysku portfela u jest dana wzorem 0 1 m m X X ER(u) = E @ u j Rj A = uj j = hu; i : j=1 25 (71) j=1 Macierz kowariancji wektora losowego Niech X : ! Rm bedzie ¾ wektorem losowym. Jeśli istnieja¾ wariancje Var Xj , j = 1; :::; m, to macierz C := [cij ]m i;j=1 , gdzie cij = Cov(Xi ; Xj ); (72) nazywamy macierza¾ kowariancji wektora losowego X = (X1 ; :::; Xm ). Istnienie kowariancji Cov(Xi ; Xj ) dla dowolnej pary (i; j) wynika z przyjetego ¾ za÷ oz·enia i ze wzoru (55). Stwierdzenie 5. Macierz kowariancji ma nastepuj ¾ ace ¾ w÷asno´sci: (a) jest symetryczna, tzn. cij = cji dla dowolnej pary (i; j), (b) jest nieujemnie określona, tzn. uCuT = m X 0 dla ka·zdego u 2 Rm : ui uj cij i;j=1 Dowód. (a) wynika ze wzoru (53). Pm (b) Rozwaz·myPzmienna¾ losowa¾ Y := i=1 ui Xi . Jeśli EXi = m 1; :::; m), to EY = i=1 ui i oraz 2 !2 3 m X 5 ui (Xi 0 Var Y = E (Y EY )2 = E 4 i) (73) i (i = i=1 2 =E4 m X ui uj (Xi i )(Xj i;j=1 = m X 3 5 j) = m X i;j=1 ui uj E (Xi ui uj Cov(Xi ; Xj ) = uCuT . i;j=1 22 i )(Xj j) (74) Stosujac ¾ cześć ¾ (b) powyz·szego dowodu do zmiennej losowej R(u) określonej wzorem (70) (gdzie u 2 Rm + ), otrzymujemy Wniosek. Wariancja stopy zysku portfela u 2 Pm jest dana wzorem Var R(u) = uCuT ; gdzie C jest macierza¾ kowariancji wektora stóp zysku R = (R1 ; :::; Rm ). Ryzyko portfela u jest określone jako odchylenie standardowe p (u) = Var R(u): (75) (76) Mówimy, z·e macierz C jest dodatnio określona, jez·eli uCuT > 0 dla kaz·dego u 2 Rm nf0g: (77) Uwaga. Czesto ¾ w literaturze macierz nieujemnie określona¾ nazywa sie¾ macierza¾dodatnio okre´slona.¾ Wówczas macierz spe÷ niajac ¾ a¾warunek (77) nazywa sie¾ macierza¾´sci´sle dodatnio okre´slona.¾ Stwierdzenie 6. Macierz kowariancji C wektora losowego X nie jest dodatnio okre´slona wtedy i tylko wtedy, gdy Pmistnieja¾ takie liczby u1 ; :::; um nie wszystkie równe zeru, ·ze zmienna losowa i=1 ui Xi jest sta÷a z prawdopodobie´nstwem jeden. Dowód. Zaprzeczenie warunku (77) oznacza, z·e istnieje taki wektor u 6= 0, z·e uCuT = 0. Na mocy (74) jest to równowaz·ne warunkowi 2 !2 3 m m X X E4 ui Xi ui i 5 = 0: (78) i=1 i=1 Wiadomo, z·e wartość oczekiwana nieujemnej zmiennej losowej jest równa zeru wtedy i tylko wtedy, gdy ta zmienna losowa Pmjest równa zeru z prawdopodobieństwem 1. Zatem warunek (78) oznacza, z e · i=1 ui Xi jest z prawdopodobieństwem Pm 1 równa sta÷ ej i=1 ui i . Wniosek. Macierz kowariancji C nie jest dodatnio okre´slona wtedy i tylko wtedy, gdy jedna ze zmiennych losowych Xi zale·zy (z prawdopodobie´nstwem jeden) w sposób liniowy od pozosta÷ych zmiennych losowych. Dowód.PNa mocy Stwierdzenia 6 macierz C nie jest ściśle dodatnio określona m , 9u 6= 0, i=1 ui Xi = z prawdopodobieństwem 1, gdzie jest pewna¾ sta÷a. ¾ Wybierajac ¾ spośród liczb ui jedna¾ róz·na¾ od zera (oznaczmy ja¾ us ), otrzymamy równowaz·ny warunek (takz·e z prawdopodobieństwem 1) 0 1 1 @ X Xs = ui Xi + A . us i6=s Uwaga. W przypadku macierzy kowariancji wektora stóp zysku portfela u 2 Pm sytuacja opisana w powyz·szym wniosku oznacza, z·e jeden z papierów wartościowych znajdujacych ¾ sie¾ w portfelu moz·na usunać, ¾ zastepuj ¾ ac ¾ go kombinacja¾ pozosta÷ych papierów wartościowych. 23 26 Inny wzór na wariancje¾ portfela p Rozwaz·amy portfel m papierów wartościowych. Niech i := Var Ri oznacza odchylenie standardowe i-tego papieru (i = 1; :::; m). Dotychczas wspó÷czynnik korelacji i-tego i j-tego papieru by÷określony tylko wtedy, gdy oba odchylenia standardowe by÷ y róz·ne od zera. Obecnie przyjmujemy cij ij := i j 0 gdy i 6= 0 6= j ; w przeciwnym przypadku. (79) gdzie cij = Cov(Ri ; Rj ). Stwierdzenie 7. Dla dowolnego portfela u 2 Pm Var R(u) = m X 2 2 i ui +2 i=1 m X1 m X ij i j ui uj : (80) i=1 j=i+1 Dowód. Korzystajac ¾ z wzorów (75), (73) oraz z symetrii macierzy kowariancji, otrzymujemy Var R(u) = m X i;j=1 ui uj cij = m X cii u2i + 2 i=1 m X1 m X ui uj cij : (81) i=1 j=i+1 Dla i 6= j mamy ma podstawie (79) i (55) cij = ij i j , natomiast dla i = j mamy i h 2 cii = Cov(Ri ; Ri ) = E (Ri ) = Var Ri = 2i : i Podstawiajac ¾ te równości do (81), otrzymujemy (80). 27 Dystrybuanta zmiennej losowej Dystrybuanta¾ zmiennej losowej X : ! R nazywamy funkcje¾ F : R ! [0; 1] określona¾ wzorem F (t) := P (X t): (82) Stwierdzenie 8. Dystrybuanta F zmiennej losowej X ma nastepuj ¾ ace ¾ w÷asno´sci: (a) F jest niemalejaca. ¾ (b) F jest prawostronnie ciag÷ ¾ a. (c) limt! 1 F (t) = 0, limt!+1 F (t) = 1. Stwierdzenie 9. Je·zeli funkcja F : R ! [0; 1] spe÷nia warunki (a)–(c) Stwierdzenia 8, to jest dystrybuanta¾ pewnej zmiennej losowej; jej rozk÷ad jest wyznaczony jednoznacznie. Stwierdzenie 10. Je·zeli F jest dystrybuanta¾ zmiennej losowej X, to dla ka·zdego t 2 R, P (X < t) = F (t ) := lim F (s): (83) s!t 24 Dowód. Istnienie granicy lewostronnej F (t ) wynika z monotoniczności funkcji F . Korzystajac ¾ ze znanej w÷asności, z·e prawdopodobieństwo sumy wstepuj ¾ acego ¾ ciagu ¾ zdarzeń jest równe granicy ich prawdopodobieństw, otrzymujemy ! 1 [ 1 1 X t = lim P X t P (X < t) = P n!1 n n n=1 = lim F n!1 1 n t = F (t ): (84) Niech X = (X1 ; :::; Xn ) : ! Rn bedzie ¾ zmienna¾losowa¾n-wymiarowa¾(wektorem losowym). Rozk÷ ad prawdopodobieństwa zmiennej losowej X jest zde…niowany ogólnie wzorem (25). Rozk÷ad ten nazywamy rozk÷ adem ÷ acznym ¾ wektora losowego X. Gdy znamy rozk÷ ad ÷ aczny, ¾ to znamy takz·e rozk÷ ad kaz·dej wspó÷ rzednej: ¾ P (Xj 2 B) = P (X1 2 R; :::; Xj 1 2 R; Xj 2 B; Xj+1 2 R; :::; Xn 2 R): (85) Rozk÷ ady (85) nazywamy rozk÷ adami brzegowymi wektora losowego X. Dystrybuanta¾ wektora losowego X nazywamy funkcje¾ F : Rn ! [0; 1] określona¾ wzorem F (t1 ; :::; tn ) := P (X1 t1 ; :::; Xn tn ): (86) Dystrybuantami brzegowymi F1 ; :::; Fn nazywamy dystrybuanty odpowiednio zmiennych losowych X1 ; :::; Xn . 28 Transformata dystrybuantowa i jej w÷ asności Niech ( ; F; P ) bedzie ¾ przestrzenia¾ probabilistyczna, ¾ X : ! R – zmienna¾ losowa¾ o dystrybuancie F , zaś V : ! (0; 1) – zmienna¾ losowa¾ o rozk÷ adzie jednostajnym (V s U (0; 1)), niezalez·na¾ od X. De…niujemy zmody…kowana¾ dystrybuante¾ F^ : R2 ! R wzorem F^ (x; ) := P (X < x) + P (X = x): De…niujemy takz·e (uogólniona) ¾ transformate¾dystrybuantowa¾U : nowa¾ zmienna¾ losowa, ¾ nastepuj ¾ aco: ¾ U := F^ (X; V ): (87) ! R, bed ¾ ac ¾ a¾ (88) Moz·na wykazać, z·e jeśli dystrybuanta F jest ciag÷ ¾ a, to F^ (x; ) F (x) oraz U = F (X) s U (0; 1). Ta ostatnia w÷ asność zachodzi tez· w ogólnym przypadku dla zmiennej losowej U określonej wzorem (88). Stwierdzenie 11. U = F (X ) + V (F (X) 25 F (X )): (89) Dowód. Korzystajac ¾ z (88) i (87), a nastepnie ¾ z (83), otrzymujemy dla dowolnego ! 2 , U (!) = F^ (X(!); V (!)) = P (X < X(!)) + V (!)P (X = X(!)) = F (X(!) ) + V (!)[P (X X(!)) P (X < X(!))] = F (X(!) ) + V (!)[F (X(!)) F (X(!) )]: Funkcje¾ odwrotna¾ do dystrybuanty F de…niujemy nastepuj ¾ aco: ¾ F 1 (u) := inf fx 2 R : F (x) ug , u 2 (0; 1). (90) Dla 2 (0; 1) niech q (X) oznacza dolny -kwantyl rozk÷adu zmiennej losowej X, tzn. q (X) := sup fx : P (X x) < g : (91) Stwierdzenie 12. Jez·eli P (X = q (X)) = 0, to P (X Dowód. Z za÷ oz·enia i z (83) mamy 0 = P (X = q (X)) = P (X q (X)) = F (q (X)) F (q (X) ); q (X)) = . P (X < q (X)) (92) zatem dystrybuanta F jest lewostronnie ciag÷ ¾ a w punkcie q (X). Z wzorów (82) i (91) wynika, z·e q (X) = sup fx : F (x) < g : (93) Stad ¾ dla dowolnego t > q (X) mamy F (t) , a zatem, na podstawie Stwierdzenia 8(b), F (q (X)) = F (q (X)+) : (94) Ponadto z de…nicji kresu górnego i ze Stwierdzenia 8(a) wynika, z·e F (s) < dla dowolnego s < q (X). Stad ¾ i z lewostronnej ciag÷ ¾ ości F w punkcie q (X) wynika, z·e F (q (X)) , co w po÷aczeniu ¾ z (94) daje teze¾ Stwierdzenia 12. Twierdzenie 5. Niech U bedzie ¾ transformata¾ dystrybuantowa¾ okre´slona¾ wzorem (88). Wówczas (a) U s U (0; 1), (b) X = F 1 (U ) z prawdopodobie´nstwem 1. Dowód (a). Wykaz·emy, z·e F^ (X; V ) wtedy i tylko wtedy gdy (X; V ) 2 f(x; ) : P (X < x) + P (X = x) g: Istotnie, dla dowolnego ! 2 , nierówność F^ (X(!); V (!)) na mocy (87) nierówności P (X < X(!)) + V (!)P (X = X(!)) (95) jest równowaz·na ; (96) co oznacza, z·e para (X(!); V (!)) nalez·y do zbioru po prawej stronie (95). Rozwaz·my teraz dwa przypadki: (a.1) := P (X = q (X)) > 0. 26 Oznaczmy q := P (X < q (X)). Zde…niujmy nastepuj ¾ ace ¾ zbiory: n o A := F^ (X; V ) = f! 2 : P (X < X(!)) + V (!)P (X = X(!)) g; B1 := X < q (X) ; B2 := X = q (X), q + V (97) (98) ; (99) B3 := X > q (X), F (X) = F (q (X)) ; (100) B4 := X > q (X), F (X) > F (q (X)) : (101) Poniz·ej wykaz·emy, z·e P (A) = P (B1 ) + P (B2 ): (102) Z równości (102), z de…nicji zbiorów B1 i B2 , z niezalez·ności zmiennych losowych X i V oraz z jednostajności rozk÷adu V wynika, z·e P (U ) = P (A) = q + P q V =q+ q = ; (103) co dowodzi, z·e zmienna losowa U ma rozk÷ ad jednostajny na (0; 1). Równość (102) wynika z roz÷aczności ¾ zbiorów Bi oraz z nastepuj ¾ acych ¾ trzech warunków, które po kolei udowodnimy: A B1 [ B2 [ B3 ; P (B3 ) = 0; B1 [ B2 A: (104) (105) (106) Dowód (104). Niech ! 2 A: Jeśli X(!) < q (X), to ! 2 B1 . Jeśli X(!) = q (X), to z (97) otrzymujemy q + V (!) , a wiec ¾ ! 2 B2 . Za÷ óz·my teraz, z·e X(!) > q (X). Poniewaz· F jest niemalejaca, ¾ wiec ¾ F (X(!)) F (q (X)), zatem ! 2 B3 [ B4 . Aby zakończyć dowód (104), nalez·y wykazać, z·e ! 2 = B4 . Przypuśćmy przeciwnie, z·e ! 2 A \ B4 , i rozwaz·my dwa przypadki: (a.1.1) P (X = X(!)) > 0. Poniewaz· X(!) > q (X), wiec ¾ fX < X(!)g fX q (X)g. Stad ¾ i z prawostronnej ciag÷ ¾ ości F otrzymujemy P (X < X(!)) P (X q (X)) = F (q (X)) = F (q (X)+) ; (107) gdzie ostatnia nierówność wynika z (93) (bo F (t) dla kaz·dego t > q (X)). Natomiast z za÷ oz·enia (a.1.1) i z warunków V (!) > 0 oraz ! 2 A wynikaja¾ nierówności P (X < X(!)) < P (X < X(!)) + V (!)P (X = X(!)) Warunki (107) i (108) sa¾ sprzeczne. (a.1.2) P (X = X(!)) = 0. 27 : (108) Podobnie jak w poprzednim przypadku, mamy F (q (X)) . Stad, ¾ z warunku ! 2 A \ B4 i z za÷ oz·enia (a.1.2) otrzymujemy sprzeczność: F (q (X)) < F (X(!)) = P (X X(!)) = P (X < X(!)) = P (X < X(!)) + V (!)P (X = X(!)) : Dowód (105). Oznaczmy := supft : F (t) = F (q (X))g. Wówczas dla kaz·dego t 2 (q (X); ) (o ile ten przedzia÷jest niepusty) mamy F (t) = F (q (X)), a zatem P (X 2 (q (X); t]) = F (t) F (q (X)) = 0: Stad ¾ dla dowolnego ciagu ¾ rosnacego ¾ tn ! P X 2 (q (X); ) = P 1 [ n=1 ! X 2 (q (X); tn ] = lim P (X 2 (q (X); tn ]) = 0: n!1 (109) W przypadku, gdy F ( ) > F (q (X)), mamy na podstawie (109) P (B3 ) = P X > q (X), F (X) = F (q (X)) = P X 2 (q (X); ) = 0; natomiast w przypadku, gdy F ( ) = F (q (X)), otrzymujemy z (109), (82) i (83) P (B3 ) = P X > q (X), F (X) = F (q (X)) = P X 2 (q (X); ] = P X 2 (q (X); ) + P (X = ) = F ( ) F( ) = 0: Dowód (106). Niech ! 2 B1 , wówczas X(!) < q (X) = sup ft : F (t) < g. Stad ¾ i z faktu, z·e F jest niemalejaca, ¾ wynika, z·e F (X(!)) < . Zatem P (X < X(!)) + V (!)P (X = X(!)) P (X < X(!)) + P (X = X(!)) = P (X X(!)) = F (X(!)) < ; co implikuje warunek ! 2 A. Niech teraz ! 2 B2 , czyli X(!) = q (X) i q + V (!) . Podstawiajac ¾ do ostatniej nierówności zde…niowane wcześniej wartości q i , otrzymujemy P (X < q (X)) + V (!)P (X = q (X)) : Stad, ¾ uwzgledniaj ¾ ac ¾ równość X(!) = q (X), otrzymujemy P (X < X(!)) + V (!)P (X = X(!)) ; co oznacza, z·e ! 2 A. (a.2) = 0. Wówczas P (B2 ) P (X = q (X)) = 0. Postepuj ¾ ac ¾ analogicznie jak w przypadku (a.1), moz·emy udowodnić równość P (A) = P (B1 ), co w po÷ aczeniu ¾ ze Stwierdzeniem 12 daje P (U ) = P (A) = P (B1 ) = P (X < q (X)) = P (X 28 q (X)) = : Dowód (b). Wykaz·emy najpierw, z·e F (X ) U F (X): (110) Istotnie, poniewaz· V przyjmuje wartości z przedzia÷ u (0; 1) oraz F (X) F (X ) 0 (bo F jest niemalejaca), ¾ wiec ¾ zachodza¾ nierówności F (X ) F (X ) + V (F (X) F (X )) F (X ) + (F (X) F (X )) = F (X): Uwzgledniaj ¾ ac ¾ (89), otrzymujemy stad ¾ (110). Wykaz·emy teraz, z·e F 1 (u) = x; 8u 2 (F (x ); F (x)]: (111) Przypuśćmy przeciwnie, z·e F 1 (u) 6= x. Jeśli F 1 (u) < x, to z (90) wynika, z·e F (s) u dla pewnego s > x. Stad, ¾ poniewaz· F jest niemalejaca, ¾ otrzymujemy F (x ) u, co zaprzecza warunkowi u 2 (F (x ); F (x)]. Jeśli natomiast F 1 (u) > x, to dla kaz·dego y 2 (x; F 1 (u)) mamy na podstawie (90) F (y) < u, zatem F (x) = F (x+) < u (z prawostronnej ciag÷ ¾ ości i monotoniczności F ), co jest sprzeczne z warunkiem u 2 (F (x ); F (x)]. Niech D bedzie ¾ suma¾ wszystkich przedzia÷ ów otwartych zawartych w R, na których dystrybuanta F jest sta÷ a. Z prawostronnej ciag÷ ¾ ości F wynika, z·e kaz·dy taki przedzia÷ma jedna¾ z nastepuj ¾ acych ¾ postaci: ( 1; a); (a; b); (a; +1); gdzie a; b 2 R; a < b. Dla tych przedzia÷ ów mamy odpowiednio, uwzgledniaj ¾ ac ¾ Stwierdzenia 8(c) i 10, a takz·e fakt, z·e F jest sta÷a na danym przedziale, P (X 2 ( 1; a)) = P (X < a) = F (a ) = 0; P (X 2 (a; b)) = P (X < b) P (X < a) = F (b ) F (a ) = 0; P (X 2 (a; +1)) = 1 P (X a) = 1 F (a) = 1 F (a+) = 1 1 = 0: Uwzgledniaj ¾ ac ¾ powyz·sze i fakt, z·e takich przedzia÷ ów moz·e być tylko przeliczalna ilość, otrzymujemy P (X 2 D) = 0: (112) Wykaz·emy teraz równowaz·ność [F (X ) = F (X)] , [U = F (X)]: (113) Istotnie, jeśli F (X ) = F (X), to na mocy (89) U = F (X ) = F (X). Jeśli natomiast U = F (X), to podstawiajac ¾ te¾ równość do (89), otrzymujemy F (X) = F (X ) + V (F (X) F (X )); a stad ¾ (V 1)(F (X) 29 F (X )) = 0: Poniewaz· V przyjmuje wartości z przedzia÷u (0; 1), wiec ¾ powyz·sza równość daje F (X) = F (X ). Aby udowodnić teze¾ punktu (b) nalez·y sprawdzić, z·e 1 P (X = F (U )) = 1: (114) Zde…niujmy nastepuj ¾ ace ¾ prawdopodobieństwa: p1 : p2 : p3 : p4 : = P F (X ) = F (X); X = F 1 (U ) ; (115) = P F (X ) < F (X); X = F 1 (U ) ; (116) = P F (X ) = F (X); X < F 1 (U ) ; (117) = P F (X ) = F (X); X > F 1 (U ) : (118) Z warunku (113) wynika, z·e 1 p3 = P U = F (X); X < F (U ) P (X < F 1 (F (X))) = 0; (119) gdzie nierówność wynika z zawierania sie¾ odpowiednich zdarzeń, a ostatnia równość – stad, ¾ z·e zdarzenie fX < F 1 (F (X))g jest niemoz·liwe: przypuśćmy, z·e X(!) < F 1 (F (X(!))) dla pewnego ! 2 , wówczas X(!) < inf ft 2 R : F (t) F (X(!))g ; czyli X(!) nie nalez·y do zbioru, którego kres dolny jest rozwaz·any, zatem X(!) < X(!) –sprzeczność. Podobnie jak w przypadku (119) dowodzimy, z·e p4 = P U = F (X); X > F 1 (U ) P (X > F 1 (F (X))): (120) Wykaz·emy teraz, z·e fX > F 1 (F (X))g fX 2 Dg: (121) Istotnie, przypuśćmy, z·e X(!) > F 1 (F (X(!))) = l := inf ft 2 R : F (t) F (X(!))g : (122) Rozwaz·my najpierw przypadek, gdy l = 1. Poniewaz· limt! 1 F (t) = 0, wiec ¾ ten przypadek moz·e mieć miejsce tylko wtedy, gdy F (X(!)) = 0. Zatem X(!) nalez·y do przedzia÷u sta÷ ości F postaci ( 1; a), który zawiera sie¾ w D. Przypuśćmy teraz, z·e l 2 R. Wówczas z de…nicji l i z prawostronnej ciag÷ ¾ ości dystrybuanty wynika, z·e F (l) F (X(!)). Natomiast z pierwszej nierówności w (122) i z monotoniczności F wynika, z·e F (l) F (X(!)). Wykazaliśmy zatem równość F (l) = F (X(!)), która oznacza, z·e X(!) nalez·y do przedzia÷u sta÷ości F postaci (a; b) lub (a; +1), który zawiera sie¾ w D. To kończy dowód inkluzji (121). Z warunków (120), (121) i (112) wynika, z·e p4 P (X 2 D) = 0: 30 (123) Zauwaz·my teraz, z·e jeśli F (X ) < F (X), to na mocy (89) U 2 (F (X ); F (X)), a stad ¾ na mocy (111) X = F 1 (U ). Zatem z zawierania sie¾ odpowiednich zdarzeń wynika nierówność p2 P (F (X ) < F (X)) : (124) Uwzgledniaj ¾ ac ¾ warunki (115), (116), (119), (123) P X=F 1 (U ) = p1 + p2 P (F (X ) = F (X)) p3 p4 + P (F (X ) < F (X)) = P (F (X ) = F (X)) + P (F (X ) < F (X)) = 1; co kończy dowód warunku (114). 29 Kopu÷ y i twierdzenie Sklara Funkcje¾ C : [0; 1]n ! [0; 1] nazywamy kopu÷ a¾ (lub funkcja¾ po÷ aczenia), ¾ jez·eli jest ona dystrybuanta¾ pewnego wektora losowego U = (U1 ; :::; Un ) : ! [0; 1]n takiego, ze zmienne losowe Ui (i = 1; :::; n) maja¾ rozk÷ ad jednostajny. Kopu÷a spe÷ nia zatem warunek C(u1 ; :::; un ) = P (U1 u1 ; :::; Un un ): (125) Moz·na wykazać, z·e funkcja C : [0; 1]n ! [0; 1] jest kopu÷a¾ wtedy i tylko wtedy, gdy posiada nastepuj ¾ ace ¾ w÷ asności: 1) C(u1 ; :::; un ) jest niemalejaca ¾ wzgledem ¾ kaz·dej zmiennej ui ; 2) C(1; :::; 1; ui ; 1; :::; 1) = ui dla wszystkich i 2 f1; :::; ng, ui 2 [0; 1]; 3) Dla wszystkich (a1 ; :::; an ); (b1 ; :::; bn ) 2 [0; 1]n takich, z·e ai bi (i = 1; :::; n), zachodzi nierówność 2 X i1 =1 2 X ( 1)i1 +:::+in C(u1;i1 ; :::; un;in ) 0; (126) in =1 gdzie uj;1 = aj , uj;2 = bj dla j 2 f1; :::; ng. Warunek (126) dla n = 2 moz·na zapisać w postaci C(b1 ; b2 ) C(b1 ; a2 ) C(a1 ; b2 ) + C(a1 ; a2 ) 0: (127) Warunek ten oznacza, z·e prawdopodobieństwo P (Ui 2 [ai ; bi ], i = 1; 2) jest zawsze nieujemne, tzn. kopu÷a nie moz·e przypisywać ujemnej wartości prawdopodobieństwa zdarzeniu, z·e wartości wektora losowego U lez·a¾ w danym prostokacie ¾ o bokach równoleg÷ ych do osi wspó÷ rzednych. ¾ Istotnie, mamy P (a1 U1 b1 ; a2 U2 b2 ) = P (U1 b1 ; U2 b2 ) P (U1 b1 ; U2 a2 ) P (U1 a1 ; U2 b2 ) + P (U1 a1 ; U2 a2 ) = C(b1 ; b2 ) C(b1 ; a2 ) C(a1 ; b2 ) + C(a1 ; a2 ); 31 przy czym z ciag÷ ¾ ości dystrybuanty rozk÷ adu jednostajnego wynika, z·e moz·emy wszedzie ¾ pisać nierówności “ ”. Twierdzenie 6 (Sklara). Niech F : Rn ! [0; 1] bedzie ¾ dystrybuanta¾ nwymiarowa¾ o dystrybuantach brzegowych F1 ; :::; Fn . Wówczas istnieje kopu÷a C : [0; 1]n ! [0; 1] taka, ·ze 8x = (x1 ; :::; xn ) 2 Rn : F (x) = C(F1 (x1 ); :::; Fn (xn )); (128) Dowód. Niech X = (X1 ; :::; Xn ) : ! Rn bedzie ¾ wektorem losowym o dystrybuancie F , zaś V : ! (0; 1) – zmienna¾ losowa¾ o rozk÷adzie jednostajnym (V s U (0; 1)), niezalez·na¾ od X. Oznaczmy przez Ui := F^i (Xi ; V ), i = 1; :::; n, transformaty dystrybuantowe określone dla poszczególnych wspó÷ rzednych ¾ wektora X (por. wzory (87) i (88)). Na mocy Twierdzenia 5 mamy Ui s U (0; 1) oraz Xi = Fi 1 (Ui ) z prawdopodobieństwem 1, dla kaz·dego i 2 f1; :::; ng. Stad ¾ F (x) = P (X x) = P (Fi 1 (Ui ) xi ; i = 1; :::; n): (129) Fi (xi ); i = 1; :::; n): (130) Wykaz·emy teraz, z·e P (Fi 1 (Ui ) xi ; i = 1; :::; n) = P (Ui Istotnie, dla ustalonych i 2 f1; :::; ng oraz ! 2 Stad ¾ i z de…nicji Fi 1 (por. wzór (90)) inf ft 2 R : Fi (t) za÷óz·my, z·e Fi 1 (Ui (!)) Ui (!)g xi : xi . (131) Z warunku (131) wynika, z·e dla kaz·dego y > xi istnieje takie z 2 [xi ; y), z·e Fi (z) Ui (!). Stad ¾ i z prawostronnej ciag÷ ¾ ości dystrybuanty otrzymujemy Fi (xi ) = Fi (xi +) Ui (!): Z drugiej strony, jeśli Ui (!) Fi (xi ), to xi jest elementem zbioru, którego kres dolny jest rozwaz·any w (131). Zatem zachodzi nierówność (131), czyli Fi 1 (Ui (!)) xi , co kończy dowód równości (130). Oznaczmy przez C dystrybuante¾ wektora losowego U = (U1 ; :::; Un ). Podstawiajac ¾ ui = Fi (xi ) do (125), otrzymujemy C(F1 (x1 ); :::; Fn (xn )) = P (Ui Fi (xi ); i = 1; :::; n): (132) Z równości (129), (130) i (132) wynika (128). 30 Ryzyko kredytowe Ryzyko kredytowe bedziemy ¾ rozpatrywać w ramach koncepcji negatywnej, tzn. jako ryzyko niedotrzymania warunków umowy przez kredytobiorce¾ (osobe¾ lub instytucje). ¾ Dla banku udzielajacego ¾ wielu kredytów istotna jest takz·e ocena ryzyka jednoczesnego wystapienia ¾ wielu przypadków niewyp÷acalności klientów oraz badanie zalez·ności miedzy ¾ tymi zdarzeniami losowymi. 32 30.1 Przypadek pojedynczego kredytobiorcy Podstawowa¾ zmienna¾ losowa, ¾ która¾ tutaj rozwaz·amy, jest strata, oznaczana przez L (od ang. loss). Jest ona dana wzorem L := EAD SEV Y; (133) gdzie EAD (exposure at default) –maksymalna wartość, jaka moz·e być utracona w przypadku niedotrzymania warunków umowy przez kredytobiorce. ¾ Jest to wartość ustalona, a wiec ¾ nie jest zmienna¾ losowa. ¾ SEV (severity) – zmienna losowa o wartościach w przedziale [0; 1]; podaje ona, jaki procent wartości EAD jest faktycznie tracony przy zajściu zdarzenia niedotrzymania warunków; Y –zmienna losowa o wartościach w zbiorze f0; 1g; przyjmuje wartość 0, gdy kredytobiorca dotrzyma warunków, a 1 w przeciwnym przypadku. Zmienna¾ Y nazywamy wskaźnikiem niedotrzymania warunków. Ponadto de…niujemy: LGD (loss given default) –strata (jako procent wartości EAD) w przypadku niedotrzymania warunków. Jest to parametr modelu, który zwykle wyznacza sie¾ z wzoru LGD = E(SEV ): (134) P D (probability of default) –prawdopodobieństwo niedotrzymania warunków. Wówczas wartość oczekiwana wskaźnika niedotrzymania warunków wyraz·a sie¾ wzorem EY = 1 P D + 0 (1 P D) = P D: (135) Za÷ óz·my, z·e bank udzieli÷kredytu w wysokości K jednostek pieniedzy ¾ na okres 1 roku, a stopa oprocentowania tego kredytu wynosi R. W przypadku dotrzymania warunków umowy bank otrzyma po roku kwote¾ EAD = K(1 + R): (136) Jest to jednocześnie maksymalna kwota, jaka¾ bank moz·e stracić w przypadku niedotrzymania warunków. W praktyce w wiekszości ¾ przypadków bankowi udaje sie¾ odzyskać cześć ¾ tej kwoty. Wysokość tej odzyskanej kwoty przyjmujemy jako EAD(1 LGD). Wartość oczekiwana kwoty uzyskanej przez bank po roku wynosi zatem K(1 + R)(1 P D) + K(1 + R)(1 LGD)P D = K(1 + R)[(1 P D) + (1 LGD)P D]: (137) Przyjmuje sie, ¾ z·e wartość ta powinna być równa kwocie kredytu wolnej od ryzyka, tj. obliczonej dla tzw. stopy procentowej wolnej od ryzyka (risk-free rate), oznaczanej Rf : K(1 + R)[(1 P D) + (1 LGD)P D] = K(1 + Rf ): 33 (138) Z równości (138) moz·na otrzymać dwa inne wzory: 1) Wzór na implikowane prawdopodobieństwo niedotrzymania (implied default probability) –jest to prawdopodobieństwo niedotrzymania warunków umowy wynikajace ¾ z przyjetego ¾ modelu: PD = 1+Rf 1+R 1 LGD : (139) 2) Wzór na spread kredytowy (credit spread ), czyli róz·nice¾ miedzy ¾ stopa¾ procentowa¾ uwzgledniaj ¾ ac ¾ a¾ ryzyko a stopa¾ wolna¾ od ryzyka: R Rf = (1 + Rf ) LGD P D : 1 LGD P D (140) Oczekiwana¾ strata¾ (expected loss) nazywamy wartość oczekiwana¾ straty (133). Zak÷ adajac ¾ niezalez·ność zmiennych losowych SEV i Y , otrzymujemy na mocy Twierdzenia 2 oraz (134) i (135) EL = E(EAD SEV Y ) = EAD E(SEV ) E(Y ) = EAD LGD P D: (141) Nieoczekiwana¾ strata¾ (unexpected loss) nazywamy odchylenie standardowe straty (133) p p p Var L = Var(EAD SEV Y ) = EAD Var(SEV Y ): (142) L = Dla uzyskania bardziej przydatnego w praktyce wzoru na L skorzystamy z poniz·szego stwierdzenia. Stwierdzenie 13. Niech X i Y bed ¾ a¾ zmiennymi losowymi o warto´sciach rzeczywistych, o dystrybuantach odpowiednio FX i FY . Wówczas: (a) X i Y sa¾ niezale·zne wtedy i tylko wtedy, gdy F(X;Y ) (s; t) = FX (s)FY (t); 8s; t 2 R; (143) gdzie F(X;Y ) oznacza dystrybuante¾ wektora losowego (X; Y ). (b) Je·zeli X i Y sa¾ niezale·zne, to X 2 i Y 2 sa¾ te·z niezale·zne. Dowód (b). Sprawdzimy, z·e X 2 i Y 2 spe÷ niaja¾ warunek (143). Dla dowolnych s; t 0 mamy h p pi p p F(X 2 ;Y 2 ) (s; t) = P X 2 s; Y 2 t = P X 2 s; s ; Y 2 t; t : (144) p p p p Poniewaz· przedzia÷ y [ s; s] i t; t sa¾ zbiorami borelowskimi, wiec ¾ z niezalez·ności X i Y (por. wzór (50)) otrzymujemy h p pi p p P X2 s; s ; Y 2 t; t h p pi p p = P X2 s; s P Y 2 t; t = P X2 s P Y2 34 t = FX (s)FY (t): (145) Z (144) i (145) wynika (143) dla nieujemnych s; t. Jeśli przynajmniej jedna z liczb s; t jest ujemna, to po obu stronach równości (143) mamy zera. Stwierdzenie 14. Je·zeli zmienne losowe SEV i Y sa¾ niezale·zne, to p 2 P D): (146) L = EAD Var(SEV )P D + LGD P D(1 Dowód. Obliczymy najpierw wariancje¾ iloczynu SEV kolejno ze wzorów (34) i (51), otrzymujemy 2 Var (SEV Y ) Y . Korzystajac ¾ 2 = E (SEV Y ) (E(SEV Y )) = E SEV 2 Y 2 (E(SEV ) EY ) : 2 (147) Teraz do pierwszego sk÷ adnika zastosujemy wzór (51) (moz·e on być uz·yty, bo na mocy Stwierdzenia 13(b) SEV 2 i Y 2 sa¾ niezalez·ne), a do drugiego sk÷adnika –wzory (134) i (135): 2 E SEV 2 Y 2 (E(SEV ) EY ) = E SEV 2 E Y2 LGD2 P D2 : (148) ¾ E Y 2 = EY = P D. Zatem prawa¾strone¾ (148) moz·emy Poniewaz· Y 2 Y , wiec przekszta÷ cić nastepuj ¾ aco: ¾ E SEV 2 E Y2 = E SEV 2 P D = E SEV 2 = E SEV 2 LGD2 P D2 = E SEV 2 P D LGD2 P D + LGD2 P D LGD2 P D2 LGD2 P D + LGD2 P D(1 2 (E(SEV )) 2 P D + LGD P D(1 2 = Var(SEV )P D + LGD P D(1 LGD2 P D2 P D) P D) P D): (149) Z równości (142) i (147)–(149) wynika (146). 30.2 Portfel wielu kredytów Bedziemy ¾ teraz rozwaz·ać ryzyko portfela P z÷oz·onego z m kredytów. Podstawowa¾ zmienna¾ ryzyka w tym przypadku jest strata z portfela LP określona wzorem m m X X LP := Li = EADi SEVi Yi ; (150) i=1 i=1 gdzie wszystkie zmienne z dolnym indeksem i dotycza¾ i-tego kredytu. Oczekiwana strata z portfela P jest równa, zgodnie z (141), E(LP ) = m X i=1 E(Li ) = m X EADi LGDi P Di ; (151) i=1 przy za÷ oz·eniu, z·e dla kaz·dego i zmienne losowe SEVi i Yi sa¾niezalez·ne. Nieoczekiwana¾ strata¾ z portfela P nazywamy odchylenie standardowe (LP ) straty z portfela. 35 Stwierdzenie 15. v uX u m (LP ) = t EADi EADj Cov (SEVi Yi ; SEVj Yj ): (152) i;j=1 Dowód. Wykonujac ¾ analogiczne przekszta÷cenia jak w (74), otrzymamy ! m X Var(LP ) = Var EADi SEVi Yi i=1 = m X EADi EADj Cov (SEVi Yi ; SEVj Yj ) : (153) i;j=1 Stad ¾ i z (36) wynika (152). Stwierdzenie 16. Za÷ó·zmy, ·ze poziom straty w przypadku niedotrzymania warunków jest sta÷y i jest taki sam dla wszystkich sk÷adników portfela: SEVi LGDi = LGD; 8i 2 f1; :::; mg: (154) Wówczas v uX u m EADi EADj LGD2 (LP ) = t ij i;j=1 q P Di (1 P Di )P Dj (1 P Dj ); (155) gdzie ij := (SEVi Yi ; SEVj Yj ) = (Yi ; Yj ): (156) Dowód. Dla kaz·dego i mamy na mocy po÷aczonych ¾ równości (147) i (148) oraz za÷ oz·enia (154) Var (SEVi Yi ) = E SEVi2 2 E Yi2 LGD2 P Di2 = (E (LGD) )P Di LGD2 P Di2 = LGD2 P Di LGD2 P Di2 = LGD2 P Di (1 P Di ): (157) Z równości (57) i (157) wynika, z·e q Var (SEVi Yi ) Var (SEVj Yj ) ij q = LGD2 ij P Di (1 P Di )P Dj (1 P Dj ): Cov (SEVi Yi ; SEVj Yj ) = Stad ¾ i z (152) wynika (155). 31 31.1 Modele portfeli kredytowych Modele ukrytej zmiennej (do uzupe÷ nienia) 36 31.2 Modele wymienne (do uzupe÷nienia) 32 Miary ryzyka Niech ( ; F; P ) bedzie ¾ przestrzenia¾probabilistyczna¾i niech X oznacza przestrzeń liniowa¾ wszsytkich zmiennych losowych X : ! R. W zastosowaniach moz·e być ustalonym zbiorem scenariuszy rozwoju, a X –wartościa¾ portfela inwestycyjnego w zalez·ności od zrealizowanego scenariusza (rozwaz·amy wartości zdyskontowane na okres biez·acy). ¾ Celem jest określenie liczby (X) bed ¾ acej ¾ miara¾ ryzyka w sensie zabezpieczenia kapita÷ owego, tzn. (X) jest minimalna¾ wielkościa¾ kapita÷ u, która, jeśli ja¾ dodamy do wartości portfela i zainwestujemy w sposób pozbawiony ryzyka, czyni inwestycje¾ akceptowalna. ¾ Rozwaz·amy róz·ne miary ryzyka w zalez·ności od spe÷ nienia niz·ej wymienionych warunków. Odwzorowanie : X !R [ f+1g nazywamy pienie· ¾zna¾ miara¾ ryzyka (monetary risk measure), jez·eli (0) 2 R oraz spe÷nia nastepuj ¾ ace ¾ dwa warunki dla dowolnych X; Y 2 X . (a) monotoniczność: jez·eli X Y , to (X) (Y ): (158) (b) niezmienniczość wzgledem ¾ gotówki (cash invariance): jez·eli m 2 R, to (X + m) = (X) m: (159) Znaczenie …nansowe monotoniczności jest nastepujace: ¾ jeśli portfel Y ma wieksz ¾ a¾ wartość od portfela X dla wszsytkich moz·liwych scenariuszy, to ryzyko portfela X jest wieksze ¾ niz· ryzyko portfela Y . Niezmienniczość wzgledem gotówki ma nastepuj ¾ ac ¾ a¾ interpretacje, ¾ jeśli (X) jest kapita÷ em ekonomicznym wymaganym w banku dla zabezpieczenia nieoczekiwanych strat w przypadku ryzyka kredytowego: jeśli pozbawiona ryzyka suma pieniedzy ¾ m zostanie dodana do inwestycji X lub do kapita÷ u ekonomicznego, to wymagany kapita÷ (X) moz·na pomniejszyć o m. W szczególności, z wzoru (159) wynika, z·e (X + (X)) = (X) (X) = 0: (160) Pienie¾z·na¾ miare¾ ryzyka nazywamy wypuk÷ a¾ miara¾ ryzyka (convex risk measure), jeśli spe÷ nia warunek ( X + (1 )Y ) (X) + (1 ) (Y ), 8X; Y 2 X , 2 [0; 1]: (161) Znaczenie praktyczne warunku wypuk÷ ości jest takie, z·e dywersy…kacja inwestycji …nansowej nie powoduje wzrostu ryzyka. Jeśli np. X i Y sa¾wartościami dwóch pojedynczych akcji, to X + (1 )Y jest wartościa¾ portfela z÷oz·onego z tych akcji o udzia÷ach odpowiednio i (1 ). Wówczas ryzyko portfela 37 ( X + (1 )Y ) nie moz·e być wieksze ¾ niz· odopwiednia kombinacja ryzyk (X) i (Y ). Warunkiem s÷ abszym od wypuk÷ości jest quasi-wypuk÷ ość (quasi-convexity): ( X + (1 )Y ) maxf (X); (Y )g, 8X; Y 2 X , 2 [0; 1]; (162) która zapewnia jedynie, z·e ryzyko portfela z÷ oz·onego np. z dwóch akcji nie przekroczy wiekszego ¾ spośród ryzyk tych akcji. Wypuk÷ a¾ miare¾ ryzyka nazywamy spójna¾ miara¾ ryzyka (coherent risk measure), jez·eli spe÷nia warunek dodatniej jednorodności: jez·eli 0, to ( X) = (X): (163) Przy za÷oz·eniu dodatniej jednorodności wypuk÷ość pienie¾z·nej miary ryzyka jest równowaz·na subaddytywności: (X + Y ) (X) + (Y ): (164) Subaddytywność jest w÷ asnościa, ¾ która umoz·liwia decentralizacje¾ zarzadzania ¾ ryzykiem: np. jeśli poszczególne sk÷ adniki portfela inwestycyjnego sa¾zarzadzane ¾ przez róz·ne oddzia÷ y tego samego banku, to mamy gwarancje, ¾ z·e ryzyko ca÷ego portfela nie przekroczy sumy ryzyk poszczególnych sk÷ adników. 33 Wartość zagroz·ona Dla zmiennej losowej X : ! R na przestrzeni probabilistycznej ( ; F; P ) de…niujemy wartość zagro· zona¾(value at risk ) na poziomie 2 (0; 1) nastepu¾ jaco: ¾ VaR (X) := inffm 2 R : P (X + m < 0) g: (165) Interpretacja tego wzoru jest nastepuj ¾ aca: ¾ jez·eli X jest wartościa¾ portfela inwestycyjnego, a ma÷ a¾ liczba, ¾ to VaR (X) jest najmniejsza¾ wielkościa¾ dodatkowego kapita÷ u, jaki musimy przyjać ¾ jako zabezpieczenie tego portfela, aby mieć zagwarantowane z prawdopodobieństwem 1 , z·e pozostaniemy z nieujemnym kapita÷ em (tzn. strata z portfela, równa X, nie przekroczy m). Liczbe¾ nazywamy poziomem tolerancji, a liczbe¾ 1 poziomem ufności. Inaczej mówiac, ¾ VaR jest to najmniejsza strata wartości taka, z·e prawdopodobieństwo jej przekroczenia w danym okresie jest nie wieksze ¾ niz· zadany poziom tolerancji . Przyk÷ ad 1. (przybliz·one wyznaczanie VaR na podstawie danych historycznych). Za÷ óz·my, z·e inwestor posiada 20 000 $ zainwestowane w fundusz indeksu S&P 500, zatem jego zyski bed ¾ a¾ zyskami tego funduszu. Potrzebne jest oszacowanie VaR dla okresu 24 godzin i poziomu ufności 95% (tzn. dla = 0; 05). Do oszacowania VaR uz·yto 1000 codziennych notowań stopy zysku indeksu S&P 500 dla okresu kończacego ¾ sie¾ 4.03.2003 r. Poniewaz· 5% z liczby 1000 wynosi 50, wiec ¾ do przybliz·enia liczby VaR0;05 moz·e pos÷ uz·yć 50-ta od do÷ u dzienna stopa zysku, która wynosi 0; 0227. Inaczej mówiac, ¾ dzienna 38 stopa zysku 0; 0227 lub mniejsza wystapi÷ ¾ a w 5% przypadków w danych historycznych, zatem moz·emy oszacować, z·e jest szansa 5% na zysk tej wielkości lub mniejszy w ciagu ¾ nastepnej ¾ doby. Zysk o stopie 0; 0227 z kapita÷ u 20 000 $ daje ujemny dochód 454 $, zatem oszacowana wartość zagroz·ona wynosi VaR0;05 = 454 $. Ogólnie, VaR przybliz·a sie¾ poprzez dolny -kwantyl z próby danych historycznych. Za÷óz·my, z·e próba ta sk÷ ada sie¾ z n notowań stóp zysku R1 ; :::; Rn . Niech K bedzie ¾ liczba¾n zaokraglon ¾ a¾do najbliz·szej liczby naturalnej. Uporzad¾ kujmy liczby R1 ; :::; Rn w kolejności rosnacej: ¾ R i1 R i2 ::: R in : (166) Wówczas dolnym -kwantylem z próby (R1 ; :::; Rn ) nazywamy k-ty najmniejszy zysk, czyli RiK . Liczbe¾ te¾ nazywamy takz·e statystyka¾ porzadkow ¾ a¾ k-tego rzedu ¾ z próby (R1 ; :::; Rn ) i oznaczamy R(K) . Wówczas, jeśli S jest zainwestowanym kapita÷ em poczatkowym, ¾ to VaR = S R(K) : (167) Stwierdzenie 19. VaR jest pienie¾z·na¾ miara¾ ryzyka na X , która jest dodatnio jednorodna. Dowód. Warunki (158), (159) i (163) wynikaja¾ bezpośrednio z de…nicji (165). Uwaga. VaR nie jest jednak subaddytywna, a zatem nie jest spójna¾ miara¾ ryzyka, co pokazuje poniz·szy przyk÷ ad. Przyk÷ ad 2. Dwie korporacje C1 i C2 sprzedaja¾ obligacje. Dla kaz·dej z tych korporacji prawdopodobieństwo jej bankructwa w rozpatrywanym okresie wynosi 0; 04. Bankructwo jednej korporacji jest niezalez·ne od bankructwa drugiej. Stopa zysku z inwestycji w obligacje korporacji Ci wynosi Ri = 0; gdy Ci nie zbankrutuje, 1; gdy Ci zbankrutuje. W drugim przypadku tracimy ca÷a¾ zainwestowana¾ kwote¾ (jest to model uproszczony, nie uwzgledniaj ¾ acy ¾ dochodu z odsetek z obligacji). Niech Y bedzie ¾ zmienna¾ losowa, ¾ której wartościa¾ jest ilość korporacji, które zbankrutowa÷ y w rozwaz·anym okresie. Dla wyznaczenia rozk÷ adu tej zmiennej pos÷uz·ymy sie¾ schematem Bernoulliego przy n = 2 (liczba prób) z prawdopodobieństwami „sukcesu” (bankructwo) p = 0; 04 i „poraz·ki” (brak bankructwa) q = 0; 96: P (Y = 0) = P (Y = 1) = P (Y = 2) = 2 (0; 04)0 (0; 96)2 = 0; 9216; 0 2 (0; 04)1 (0; 96)1 = 0; 0768; 1 2 (0; 04)2 (0; 96)0 = 0; 0016: 2 39 Niech Pi bedzie ¾ portfelem obligacji korporacji Ci o wartości poczatkowej ¾ 1000 $ (i = 1; 2). Za÷ óz·my, z·e wymagany poziom tolerancji wynosi = 0; 05. Wówczas VaR (P1 + P2 ) = 1000; (168) poniewaz· prawdopodobieństwo bankructwa obu korporacji jest mniejsze od ale prawdopodobieństwo bankructwa przsynajmniej jednej z nich wynosi , P (Y = 1) + P (Y = 2) = 0; 0768 + 0; 0016 = 0:0784 i jest wieksze ¾ od . Natomiast VaR (Pi ) = 0, i = 1; 2; (169) poniewaz· prawdopodobieństwo bankructwa pojedynczej korporacji jest mniejsze od . Z równości (168) i (169) otrzymujemy VaR (P1 + P2 ) > VaR (P1 ) + VaR (P2 ); co dowodzi, ze funkcja VaR nie jest subaddytywna. 40