FfgfY] W\dS`afQXW fi\O\`]dfQV
Transkrypt
FfgfY] W\dS`afQXW fi\O\`]dfQV
Marcin Studniarski http://math.uni.lodz.pl/ marstud/ [email protected] Ryzyko inwestycji …nansowych (semestr letni 2014/15) 1 1.1 Koncepcje i rodzaje ryzyka 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 majacych ¾ 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). 1.3 Podzia÷ryzyka rynkowego 1. Ryzyko kursu walutowego 2. Ryzyko stopy procentowej 3. Ryzyko cen akcji 4. Ryzyko cen towarów (takz·e 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 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 . S3. Jez·eli Ai 2 F dla i = 1; 2; :::, to S1 i=1 Ai 2 F . Z powyz·szych warunków wynika, z·e do F nalez·a¾ zdarzenia: pewne) i ; (zdarzenie niemoz·liwe). (zdarzenie 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 0 P@ 1 [ i=1 1 AiA = 1 X i=1 P (Ai): (1) Przestrzenia¾ probabilistyczna¾ nazywamy trójke¾ ( ; 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 przestrzenia¾ probabilistyczna¾ i zbiory A; B; A1; :::; An nalez·a¾ do F , to spe÷ nione sa¾ poniz·sze warunki: W1. P (;) = 0. W2. Jez·eli Ai \ Aj = ; dla i 6= j , to P W3. P ( nA) = 1 W4. Jez·eli A Sn Pn A = i=1 i i=1 P (Ai). P (A). B , to P (BnA) = P (B ) P (A). W5. Jez·eli A W6. P (A) B , to P (A) P (B ). 1. W7. P (A [ B ) = P (A) + P (B ) W8. Jeśli P (A \ B ). jest zbiorem skończonym i F = 2 , to X !2 P (f!g) = 1: (2) Zadanie 1. Eksperci wskazali na 5 moz·liwych stanów gospodarki w ciagu ¾ najbliz·szego roku oraz na prawdopodobieństwa ich wystapienia: ¾ stan gospodarki duz·y rozwój niewielki rozwój stagnacja niewielka recesja duz·a recesja skrót DRO NRO STA NRE DRE prawdopodobieństwo 0; 1 0; 25 0; 2 0; 35 0; 1 Zde…niować przestrzeń probabilistyczna¾ tak, aby zdarzeniami elementarnymi by÷ y stany gospodarki, a ich prawdopodobieństwami liczby wymienione w powyz·szej tabeli. Wykazać, z·e przestrzeń ta spe÷ nia warunki (A1)–(A3). Zde…niować zdarzenia: “rozwój” i “brak rozwoju” oraz obliczyć ich prawdopodobieństwa. 3 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. Zadanie 2. 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 X : ! Rn jest zmienna¾ losowa. ¾ Rozk÷ adem prawdopodobieństwa zmiennej losowej X : wamy funkcje¾ PX : B(Rn) ! R dana¾ wzorem PX (B ) := P (X 1(B )) ! Rn nazy- dla B 2 B(Rn): (3) 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. 3.1 Wartość oczekiwana zmiennej losowej o rozk÷ adzie dyskretnym Wartościa¾ oczekiwana¾ (lubśrednia) ¾ zmiennej losowej X : ! R o rozk÷ adzie dyskretnym, przyjmujacej ¾ skończenie wiele wartości, nazywamy liczbe¾ EX := X xi P ( X = xi ) ; (4) i2I gdzie X ( ) = fxigi2I , I – skończony zbiór indeksów, a P (X = xi) jest skróconym zapisem wyraz·enia P (f! 2 : X (! ) = xig). Wartościa¾ oczekiwana¾ wektora losowego X = (X1; :::; Xn) : ! Rn, gdzie wszystkie zmienne losowe Xi przyjmuja¾ skończenie wiele wartości, nazywamy wektor EX := (EX1; :::; EXn): (5) 3.2 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 EX := Z XdP: (6) De…nicja (6) jest uogólnieniem de…nicji (4). W ogólnym przypadku do zde…niowania wartości oczekiwanej wektora losowego uz·ywamy wzoru (5) przy za÷ oz·eniu, z·e wszystkie wspó÷ rzedne ¾ maja¾ wartość oczekiwana. ¾ Ze wzoru (5) i z podstawowych w÷ asności ca÷ ki wynika nastepuj ¾ ace ¾ twierdzenie. Twierdzenie 1. Niech X i Y bed ¾ a¾ zmiennymi losowymi na o warto´sciach w R. Za÷ ó· zmy, · ze istnieja¾ warto´sci oczekiwane EX i EY . Wówczas: (a) Je´sli X (b) jEXj 0, to EX 0. E jXj. (c) Dla dowolnych a, b 2 R istnieje warto´s´c oczekiwana aX + bY i E (aX + bY ) = aEX + bEY . (7) 4 Prognozowanie stopy zysku z inwestycji Stopa zysku (stopa zwrotu) z inwestycji jest podstawowa¾ miara¾ określajac ¾ a¾ efektywność inwestycji. Określamy ja¾ wzorem R := Kk Kp ; Kp (8) 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 (8), otrzymujemy wzór na kapita÷końcowy: Kk = Kp(1 + R): 4.1 (9) 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 = ; (10) Pi 1 gdzie Pi, Pi 1 oznaczaja¾ wartości akcji odpowiednio w okresach i, i – dywidende¾ wyp÷ acana¾ w okresie i. 1, a Di Wzór (10) jest szczególnym przypadkiem ogólnego wzoru (8), gdzie kapita÷ poczatkowy ¾ Kp przyjmujemy jako równy Pi 1, a kapita÷końcowy Kk – jako 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 R= Ri : n i=1 (11) 4.2 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 piRi; (12) 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. 5 Wariancja i odchylenie standardowe zmiennej losowej h i 2 EX ) < 1, Niech X : ! R bedzie ¾ zmienna¾ losowa. ¾ Jeśli E (X liczbe¾ nazywamy wariancja¾ zmiennej losowej X i oznaczamy Var X = D2X h := E (X Wariancje¾ moz·na inaczej zapisać nastepuj ¾ aco: ¾ Var X = E (X 2) Dowód (14). Var X := E [(X E (X 2) (EX )2. i 2 EX ) : (EX )2: EX )2] = E [X 2 to te¾ (13) (14) 2XEX + (EX )2] = Ze wzorów (13) i (4) wynika, z·e jeśli X przyjmuje skończona¾ ilość wartości xi, i 2 I , to Var X = X P (X = xi)(xi i2I EX )2: (15) Twierdzenie 2. Je´sli 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). (c) Var(X + ) = Var(X ) ( 2 R). (d) Var X = 0 wtedy i tylko wtedy, gdy zmienna losowa X jest sta÷ a z prawdopodobie´nstwem 1. Odchyleniem standardowym zmiennej losowej X nazywamy pierwiastek z wariancji: p (16) X = DX = Var X: 6 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. 6.1 Prognozowanie ekspertowe W przypadku prognozowania ekspertowego wariancje¾ papieru wartościowego de…niujemy nastepuj ¾ aco: ¾ V := n X i=1 pi(Ri ER)2; (17) 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 (12). 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 charakteryzuja¾ sie¾ jednakowa¾ stopa¾ zysku. Sytuacja ta ma miejsce np. dla obligacji o sta÷ ym oprocentowaniu. 6.2 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 1X V := (Ri n i=1 R )2 ; (18) gdzie n – liczba okresów, z których pochodza¾ dane, Ri – stopy zysku uzyskane w kolejnych okresach, R –średnia historyczna stopa zysku, dana wzorem (11). Poniewaz· nie sa¾ określone prawdopodobieństwa wystapienia ¾ poszczególnych stóp zysku Ri, przyjmuje sie, ¾ z·e sa¾ one jednakowe i wynosza¾ 1=n. Wówczas ER = R zgodnie z wzorem (12), a zatem (18) jest szczególnym przypadkiem (17), gdzie pi = 1=n dla i = 1; :::; m. W przypadku ma÷ ej liczby danych (n zysku stosuje sie¾ wyraz·enie V^ := 1 n 30) do prognozowania wariancji stopy n X 1 i=1 (Ri R )2 : (19) Sens uz·ycia tego wzoru wynika z faktu, z·e V^ jest tzw. estymatorem nieobcia¾· zonym wariancji, co jest wyjaśnione dok÷ adniej w moich materia÷ ach z analizy portfelowej (dostepnych ¾ na stronie internetowej). W obu przypadkach jako odchylenie standardowe stopy p zysku przyjmujemy pierp wiastek z odpowiedniego wyraz·enia, tzn. V lub V^ . 7 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 pid2i ; (20) i=1 gdzie di := ( Ri 0; ER; gdy Ri gdy Ri ER < 0; ER 0: (21) Odpowiednikiem odchylenia standardowego jest semiodchylenie standardowe stopy zysku: p s := SV : (22) 8 Niezalez·ność zmiennych losowych Zmienne losowe X1; :::; Xn o wartościach w R, określone na zbiorze , gdzie ( ; F ; P ) jest przestrzenia¾ probabilistyczna, ¾ nazywamy niezalez·nymi, 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): (23) W powyz·szym wzorze wyraz·enie po lewej jest skróconym zapisem wyraz·enia P f! 2 : X1(! ) 2 B1 ^ ::: ^ Xn(! ) 2 Bng; podobna uwaga dotyczy wyraz·eń po prawej stronie. Twierdzenie 3. Je· zeli zmienne losowe X1; :::; Xn sa¾niezale· zne i maja¾warto´s´c Q oczekiwana,¾ to istnieje warto´s´c oczekiwana iloczynu n i=1 Xi i zachodzi równo´s´c 0 E@ n Y i=1 1 XiA = n Y i=1 EXi: (24) Twierdzenie 4. Przy za÷ o· zeniach Twierdzenia 3 zachodzi równo´s´c 0 Var @ n X i=1 1 XiA = n X i=1 Var Xi: (25) 9 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 EX ) (Y EY )] : (26) Z powyz·szej de…nicji i z Twierdzenia 1(c) otrzymujemy Cov(X; Y ) = E [XY = E (XY ) = E (XY ) (EX )Y X (EY ) + EX EY ] 2EX EY + E (EX EY ) EX EY; (27) 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 jCov(X; Y )j Var X Var Y ; (28) 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 (29) P fY = aX + bg = 1: 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 : (30) Z nierówności (28) wynika, z·e j (X; Y )j 1, a równość zachodzi tylko w przypadku liniowej zalez·ności miedzy ¾ zmiennymi X i Y . Uwaga. Z Twierdzenia 3 i z równości (27) wynika, z·e jeśli zmienne losowe X i Y sa¾ niezalez·ne i maja¾ wartość oczekiwana, ¾ to sa¾ nieskorelowane. Zadanie 3. Podać przyk÷ ad zmiennych losowych X , Y zalez·nych i nieskorelowanych. Za÷ óz·my teraz, z·e zmienne losowe X i Y przyjmuja¾ skończenie wiele wartości i z·e dany jest rozk÷ ad prawdopodobieństwa pary zmiennych losowych (X; Y ), tzn. dane sa¾ skończone ciagi ¾ liczbowe x1; :::; xn i y1; :::; yn oraz ciag ¾ liczb dodatnich p1; :::; pn takie, z·e n X i=1 pi = 1 oraz P (X = xi; Y = yi) = pi, i = 1; :::; n: (31) Wówczas, korzystajac ¾ z wzoru (4) na wartość oczekiwana, ¾ moz·emy zapisać wzór (26) w postaci Cov(X; Y ) = n X i=1 10 pi (xi EX ) (yi EY ) : (32) 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 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 (32), otrzymujemy nastepuj ¾ ac ¾ a¾ de…nicje: ¾ Kowariancja¾ akcji (ogólniej: inwestycji …nansowych) A i B nazywamy liczbe¾ Cov(RA; RB ) := n X i=1 pi RA;i ERA RB;i ERB ; 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. (33) Wspó÷ czynnikiem korelacji akcji (ogólniej: inwestycji …nansowych) A i B nazywamy liczbe¾ A;B : = Cov(RA; RB ) = qP n A B Pn i=1 pi RA;i i=1 pi(RA;i gdzie: ERA RB;i ERB qP n p (R ERA)2 i=1 i B;i ERB )2 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. ; (34) 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 1X Cov(RA; RB ) := RA;i n i=1 ~A R RB;i ~B ; R (35) ~ A, R ~ B –średnie arytmetyczne odpowiednio wielkości RA;i, RB;i (i = gdzie R 1; :::; n), A;B : = Cov(RA; RB ) A B Pn ~ A RB;i R ~B R i=1 RA;i qP = qP : n (R n ~ A )2 ~ B )2 R R i=1 A;i i=1 (RB;i (36) W przypadku ma÷ ej liczby danych, wspó÷ czynnik 1=n wystepuj ¾ acy ¾ w (35) i (niejawnie) w (36) 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, (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 (29)), tj. miara¾ skupiania sie¾ punktów (RA;i; RB;i) (w uk÷ adzie wspó÷ rzednych ¾ na p÷ aszczyźnie) wokó÷linii prostej. Zadanie 4. Dane sa¾ dwie akcje A i B o oczekiwanych stopach zysku odpowiednio ERA = 10% i ERB = 18% oraz odchyleniach standardowych odpowiednio czynnik korelacji akcji A i B wynosi 0,1. A = 15% i B = 30%. Wspó÷ Wyznaczyć udzia÷ y u dla A oraz 1 u dla B , które de…niuja¾ portfel z÷ oz·ony z A i B o najmniejszym moz·liwym odchyleniu standardowym. Ile wynosi wartość tego odchylenia standardowego? Jaka jest oczekiwana stopa zysku z tego portfela? 11 Wariancja sumy zmiennych losowych Dotychczas podaliśmy wzór na wariancje¾ sumy zmiennych losowych jedynie w przypadku zmiennych losowych niezalez·nych (wzór (25)). Obecnie podamy wzór dla przypadku ogólnego. Twierdzenie 5. Je· zeli zmienne losowe X1; :::; Xn maja¾ wariancje,¾ to istnieje P te· z wariancja sumy n i=1 Xi i zachodzi równo´s´c 0 Var @ n X i=1 1 XiA = n X i=1 Var Xi + 2 X Cov(Xi; Xj ): (37) 1 i<j n Wniosek. Je· zeli zmienne losowe X1; :::; Xn maja¾wariancje¾i sa¾parami nieskorelowane, to zachodzi równo´s´c (25). 12 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. 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 nj pj , j = 1; :::; m: (38) uj := Pm n p i=1 i i Uwaga. ×atwo sprawdzić, z·e uj 0; j = 1; :::; m; m X j=1 (tzw. równanie budz·etowe). uj = 1 (39) Zbiór Pm := 8 < u= : (u1; :::; um) 2 Rm : ui 0, i = 1; :::; m, m X uj = 1 j=1 9 = ; (40) 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 jedynke¾ na i-tym miejscu. Zadanie 5. Wykazać, z·e zbiór Pm jest wypuk÷ y, tzn. wraz z dowolnymi dwoma punktami zawiera odcinek je ÷ acz ¾ acy. ¾ 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 = 1; :::; m), i := E (Ri) 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 (9) otrzymujemy Kk;j = Kp;j (1 + Rj ), j = 1; :::; m. Stope¾ zysku portfela u de…niujemy, zgodnie z wzorem (8), jako zmienna¾ losowa¾ o wartościach rzeczywistych: R(u) := Kk Kp : Kp (41) W dalszym ciagu ¾ symbolem hx; yi bedziemy ¾ oznaczać iloczyn skalarny w przestrzeni Rm : hx; yi := m X xiyi dla x = (x1; :::; xm), y = (y1; :::; ym): (42) i=1 Twierdzenie 6. Zachodzi równo´s´c R(u) = hu; Ri : (43) Dowód. Pm Pm K Kk Kp j=1 k;j j=1 Kp;j R ( u) = = Pm Kp j=1 Kp;j Pm Pm Pm j=1 Kp;j (1 + Rj ) j=1 Kp;j j=1 Kp;j Rj = = Pm Pm j=1 Kp;j j=1 Kp;j P m Kp m X j=1 uj Rj uj Rj = hu; Ri . = = Pm Kp j=1 uj j=1 Oczekiwana stopa zysku portfela u jest dana wzorem 0 ER(u) = E @ m X j=1 1 uj Rj A = m X j=1 uj j = hu; i : (44) Zadanie 6. Odwzorowaniem Markowitza nazywamy odwzorowanie M : Pm ! R+ R określone wzorem M (u) := ( (u); ER(u)): (45) Zbiorem moz·liwości nazywamy zbiór wartości odwzorowania M : M (Pm) = f( (u); ER(u)) : u 2 Pmg: (46) Pokazać na przyk÷ adzie, z·e zbiór moz·liwości moz·e nie być zbiorem wypuk÷ ym w R2 . 13 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 ); (47) 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 (28). Twierdzenie 7. Macierz kowariancji ma nastepuj ¾ ace ¾ w÷ asno´sci: (a) jest symetryczna, tzn. cij = cji dla dowolnej pary (i; j ), (b) jest dodatnio określona, tzn. uCuT = m X uiuj cij i;j=1 0 dla ka· zdego u 2 Rm: (48) Dowód. (a) wynika ze wzoru (26). Pm (b) Rozwaz·my zmienna¾ losowa¾ Y := i=1 uiXi. Jeśli EXi = P 1; :::; m), to EY = m i=1 ui i oraz 20 12 3 m h i X 6 A 7 ui(Xi ) 0 Var Y = E (Y EY )2 = E 4@ 5 i i=1 i (i = 2 =E4 m X uiuj (Xi i)(Xj i;j=1 = m X j) 3 5= m X i;j=1 h uiuj E (Xi i)(Xj uiuj Cov(Xi; Xj ) = uCuT . j) i (49) i;j=1 Stosujac ¾ cześć ¾ (b) powyz·szego dowodu do zmiennej losowej R(u) określonej wzorem (43) (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). (50) Zadanie 7. Dane sa¾ trzy akcje, których stopy zysku sa¾ równe odpowiednio R1, R2 i R3. Macierz kowariancji wektora stóp zysku R jest nastepuj ¾ aca: ¾ 2 2 1 0 3 6 7 4 1 2 1 5 0 1 2 Znaleźć portfel o minimalnej wariancji stopy zysku (czyli o minimalnym ryzyku). Ryzyko portfela u jest określone jako odchylenie standardowe (u) = q Var R(u): (51) Mówimy, z·e macierz C jest ściśle dodatnio określona, jez·eli uCuT > 0 dla kaz·dego u 2 Rmnf0g: (52) Twierdzenie 8. Macierz dodatnio okre´slona wtedy nie wszystkie równe zeru, dopodobie´nstwem jeden. kowariancji C wektora losowego X nie jest ´sci´sle i tylko wtedy, gdy istnieja¾ takie liczby u1; :::; um P z·e zmienna losowa m a z prawi=1 uiXi jest sta÷ Dowód. Zaprzeczenie warunku (52) oznacza, z·e istnieje taki wektor u 6= 0, z·e uCuT = 0. Na mocy (49) jest to równowaz·ne warunkowi 20 m 6@ X E4 uiXi i=1 12 3 m X 7 ui i A 5 = 0 : i=1 (53) Wiadomo, z·e wartość oczekiwana nieujemnej zmiennej losowej jest równa zeru wtedy i tylko wtedy, gdy ta zmienna losowa jest równa zeru z prawdopodobieństPm wem 1. Zatem warunek (53) oznacza, z·e i=1 uiXi jest z prawdopodobieństPm wem 1 równa sta÷ ej i=1 ui i. Wniosek. Macierz kowariancji C nie jest´sci´sle 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. Na mocy Twierdzenia 8 macierz C nie jest ściśle dodatnio określona P , 9u 6= 0, m z prawdopodobieństwem 1, gdzie jest pewna¾ i=1 uiXi = 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 @ Xs = us X i6=s 1 uiXi + A . 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. 14 Dystrybuanta zmiennej losowej Dystrybuanta¾ zmiennej losowej X : [0; 1] określona¾ wzorem ! R nazywamy funkcje¾ F : R ! F (t) := P (X t): (54) Twierdzenie 9. 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. Zadanie 8. Udowodnić Twierdzenie 9. Twierdzenie 10. Je· zeli funkcja F : R ! [0; 1] spe÷ nia warunki (a)–(c) Twierdzenia 9, to jest dystrybuanta¾ pewnej zmiennej losowej; jej rozk÷ ad jest wyznaczony jednoznacznie. Zadanie 9. Udowodnić Twierdzenie 10. Twierdzenie 11. ka· zdego t 2 R, Je· zeli F jest dystrybuanta¾ zmiennej losowej X , to dla P (X < t) = F (t ) := lim F (s): s!t (55) Dowód. Istnienie granicy lewostronnej F (t ) wynika z monotoniczności funkcji F . Korzystajac ¾ ze znanej w÷ asności, z·e prawdopodobieństwo sumy wstepu¾ jacego ¾ ciagu ¾ zdarzeń jest równe granicy ich prawdopodobieństw, otrzymujemy 0 1 [ X P (X < t) = P @ n=1 = lim F t n!1 t 1 1 A = lim P X n!1 n 1 = F (t ): n t 1 n (56) Niech X = (X1; :::; Xn) : ! Rn bedzie ¾ zmienna¾ losowa¾ n-wymiarowa¾ (wektorem losowym). Rozk÷ ad prawdopodobieństwa zmiennej losowej X jest zde…niowany ogólnie wzorem (3). 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): (57) Rozk÷ ady (57) 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): (58) Dystrybuantami brzegowymi F1; :::; Fn nazywamy dystrybuanty odpowiednio zmiennych losowych X1; :::; Xn. 15 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 transformate¾ dystrybuantowa¾ U : bed ¾ ac ¾ a¾ nowa¾ zmienna¾ losowa, ¾ nastepuj ¾ aco: ¾ U := F^ (X; V ): Zadanie 10. Wykazać, z·e jeśli dystrybuanta F jest ciag÷ ¾ a, to F^ (x; ) oraz U = F (X ) s U (0; 1). (59) ! R, (60) F ( x) Uwaga. Ta ostatnia w÷ asność zachodzi tez· w ogólnym przypadku dla zmiennej losowej U określonej wzorem (60). Twierdzenie 12. U = F (X ) + V (F (X ) F (X )): (61) Dowód. Korzystajac ¾ z (60) i (59), a nastepnie ¾ z (55), otrzymujemy dla dowolnego ! 2 , U (! ) = F^ (X (! ); V (! )) = P (X < X (! )) + V (! )P (X = X (! )) = F (X (! ) ) + V (! )[P (X X (! )) = F (X (! ) ) + V (! )[F (X (! )) P (X < X (! ))] F (X (! ) )]: Uogólniona¾ funkcje¾ odwrotna¾ do dystrybuanty F de…niujemy nastepuj ¾ aco: ¾ F Dla tzn. (u) := inf fx 2 R : F (x) 2 (0; 1) niech q (X ) oznacza dolny q (X ) := sup fx : P (X ug ; u 2 (0; 1): (62) -kwantyl zmiennej losowej X , (63) x) < g : Twierdzenie 13. Je· zeli P (X = q (X )) = 0, to P (X q (X )) = . Dowód. Z za÷ oz·enia i z (55) mamy 0 = P (X = q (X )) = P (X = F (q (X )) F (q (X ) ); q (X )) P (X < q (X )) (64) zatem dystrybuanta F jest lewostronnie ciag÷ ¾ a w punkcie q (X ). Z wzorów (54) i (63) wynika, z·e q (X ) = sup fx : F (x) < g : Stad ¾ dla dowolnego t > q (X ) mamy F (t) Stwierdzenia 8(b), F (q (X )) = F (q (X )+) (65) , a zatem, na podstawie : (66) 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 ) , co w po÷ aczeniu ¾ z (66) daje teze¾ Twierdzenia 13. wynika, z·e F (q (X )) Twierdzenie 14. Niech U bedzie ¾ transformata¾ dystrybuantowa¾ okre´slona¾ wzorem (60). Wówczas (a) U s U (0; 1), (b) X = F (U ) z prawdopodobie´nstwem 1. 16 Kopu÷ y i twierdzenie Sklara De…nicja. Funkcje¾ C : [0; 1]n ! [0; 1] nazywamy kopu÷ a, 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 ): (67) Twierdzenie 15. Funkcja C : [0; 1]n ! [0; 1] jest kopu÷ a¾wtedy i tylko wtedy, gdy posiada nastepuj ¾ ace ¾ w÷ asno´sci: 1) C (u1; :::; un) jest niemalejaca ¾ wzgledem ¾ ka· zdej 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, · ze ai 1; :::; n), zachodzi nierówno´s´c 2 X i1 =1 2 X ( 1)i1+:::+in C (u1;i1 ; :::; un;in ) in=1 gdzie uj;1 = aj , uj;2 = bj dla j 2 f1; :::; ng. 0; bi (i = (68) Warunek (68) dla n = 2 moz·na zapisać w postaci C (b1; b2) C (b1; a2) C (a1; b2) + C (a1; a2) 0: (69) 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); przy czym z ciag÷ ¾ ości dystrybuanty rozk÷ adu jednostajnego wynika, z·e moz·emy wszedzie ¾ pisać nierówności “ ”. Przyk÷ ad 1. Funkcja C (u1; u2) := u1u2 jest kopu÷ a. ¾ Zadanie 11. Wykazać, z·e funkcja C (u1; u2) := minfu1; u2g jest kopu÷ a. ¾ Zadanie 12. Wykazać, z·e funkcja C (u1; u2) := maxfu1 + u2 kopu÷ a. ¾ 1; 0g jest Zadanie 13. Wykazać, z·e dla kaz·dej kopu÷ y C (u1; :::; ud) spe÷ nione sa¾ nierówności max 8 d <X ui + 1 : i=1 d; 0 9 = ; C (u1; :::; ud) minfu1; :::; udg: Twierdzenie 16 (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 F (x) = C (F1(x1); :::; Fn(xn)); 8x = (x1; :::; xn) 2 Rn: (70) 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÷ rzed¾ nych wektora X (por. wzory (59) i (60)). Na mocy Twierdzenia 14 mamy Ui s U (0; 1) oraz Xi = Fi (Ui) z prawdopodobieństwem 1, dla kaz·dego i 2 f1; :::; ng. Stad ¾ F ( x) = P ( X x) = P (Fi (Ui) xi; i = 1; :::; n): (71) Fi(xi); i = 1; :::; n): (72) Wykaz·emy teraz, z·e P (Fi (Ui) xi; i = 1; :::; n) = P (Ui Istotnie, dla ustalonego i 2 f1; :::; ng oraz ! 2 xi. Stad ¾ i z de…nicji Fi (por. wzór (62)) inf ft 2 R : Fi(t) Ui(! )g za÷ óz·my, z·e Fi (Ui(! )) xi : (73) Z warunku (73) 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 (73). Zatem zachodzi nierówność (73), czyli Fi (Ui(! )) xi, co kończy dowód równości (72). Oznaczmy przez C dystrybuante¾ wektora losowego U = (U1; :::; Un). Podstawiajac ¾ ui = Fi(xi) do (67), otrzymujemy C (F1(x1); :::; Fn(xn)) = P (Ui Fi(xi); i = 1; :::; n): (74) Z równości (71), (72) i (74) wynika (70). Uwaga. Waz·na¾ w÷ asnościa¾ kopu÷ y jest jej niezmienniczość wzgledem ¾ dowolnej funkcji T : R ! R, która jest ściśle rosnaca, ¾ tzn. spe÷ nia warunek (x < y ) ) (T (x) < T (y )): (75) Niezmienniczość oznacza, z·e kopu÷ a jest ta sama niezalez·nie od tego, czy rozpatrujemy zmienne losowe X1; :::; Xn, czy tez· T (X1); :::; T (Xn). W szczególności kopu÷ a nie zmieni sie, ¾ jez·eli zamiast zmiennych losowych Xi bedziemy ¾ rozpatrywać ich standaryzowane wersje Xi E (Xi) Zi = : (76) Var Xi Ilustracja¾ tego faktu bedzie ¾ przyk÷ ad kopu÷ y Gaussa przedstawiony poniz·ej. W÷ asność niezmienniczości kopu÷ y zachodzi nawet przy ogólniejszych za÷ oz·eniach, co pokazuje Twierdzenie 17 poniz·ej. Do jego dowodu potrzebne bed ¾ a¾ pewne w÷ asności, które podamy najpierw w zadaniach. Zadanie 14. Udowodnić nastepuj ¾ ace ¾ w÷ asności: (i) Jez·eli X jest zmienna¾ losowa, ¾ a T : R ! R jest funkcja¾ rosnac ¾ a, ¾ tzn. spe÷ nia warunek ( x < y ) ) ( T ( x) T (y )); to fX xg P (T (X ) fT (X ) T (x)g oraz T (x)) = P (X x) + P (T (X ) = T (x), X > x): (ii) Jez·eli F jest dystrybuanta¾ zmiennej losowej X , to P (F (X ) P (X x). Zadanie 15. Wykazać, z·e jeśli funkcja T : R ! R jest rosnaca, ¾ to (i) T jest funkcja¾ rosnac ¾ a¾ i lewostronnie ciag÷ ¾ a. ¾ (ii) T jest ciag÷ ¾ a wtedy i tylko wtedy, gdy T jest ściśle rosnaca. ¾ (iii) T jest ściśle rosnaca ¾ wtedy i tylko wtedy, gdy T jest ciag÷ ¾ a. (77) F (x)) = Zadanie 16. Przy za÷ oz·eniach Zadania 15, za÷ óz·my dodatkowo, z·e T 1. Wykazać, z·e (i) Jeśli T jest prawostronnie ciag÷ ¾ a, to T (x) T ( y ) x. (ii) T (T (x)) (iii) T (T (y )) y wtedy i tylko wtedy, gdy x. y. (iv) Jeśli T jest ściśle rosnaca, ¾ to T (v) Jeśli T jest ciag÷ ¾ a, to T (T (y )) (T (x)) = x. y. (y ) < De…nicja. Jez·eli wektor losowy X = (X1; :::; Xn) posiada ÷ aczn ¾ a¾ dystrybuante¾ F i ciag÷ ¾ e dystrybuanty brzegowe F1; :::; Fn, wówczas kopu÷ a¾ X (lub kopu÷ a¾ F ) nazywamy dystrybuante¾ C wektora losowego (F1(X1); :::; Fn(Xn)). Twierdzenie 17. Niech X = (X1; :::; Xn) bedzie ¾ wektorem losowym o ciag÷ ¾ ych dystrybuantach brzegowych F1; :::; Fn i kopule C . Niech T1; :::; Tn bed ¾ a¾funkcjami´sci´sle rosnacymi. ¾ Wówczas C jest tak· ze kopu÷ a¾wektora losowego (T1(X1); :::; Tn(Xn)). Dowód. Wykaz·emy najpierw, z·e zmienna losowa Ti(Xi) ma ciag÷ ¾ a¾ dystrybuante¾ F~i(y ) := Fi(Ti (y )). W tym celu zauwaz·my, z·e z de…nicji F~i i z Zadania 16(iv) wynikaja¾ równości F~i(y ) = P (Xi Ti (y )) = P (Ti (Ti(Xi)) Ti (y )): (78) Na podstawie Zadania 15(i) Ti jest funkcja¾ rosnac ¾ a¾ (ale niekoniecznie ściśle rosnac ¾ a). ¾ Zatem moz·emy wykorzystać Zadanie 14(i), dokonujac ¾ w nim nastepu¾ jacych ¾ podstawień: T Ti , X Ti(Xi), x y: Wówczas z wzorów (77) i (78) (uwzgledniaj ¾ ac ¾ takz·e równość Ti (Ti(Xi)) = Xi), otrzymamy F~i(y ) = P (Ti(Xi) y ) + P (Xi = Ti (y ), Ti(Xi) > y ): (79) Zadanie 17. Wykazać, korzystajac ¾ z ciag÷ ¾ ości Fi, z·e drugi sk÷ adnik po prawej stronie wzoru (79) jest równy zeru. Dowód - c.d. Z powyz·szego zadania i z (79) wynika, z·e F~i jest dystrybuanta¾ ¾ e zmiennej losowej Ti(Xi). Funkcja F~i jest ciag÷ ¾ a, poniewaz· Fi i Ti sa¾ ciag÷ (ta druga na podstawie Zadania 15(iii). Poniewaz· C jest kopu÷ a¾ X , wiec ¾ moz·emy napisać C (u1; :::; un) = P (F1(X1) u1; :::; Fn(Xn) un) = P (F~1(T1(X1)) u1; :::; F~n(Tn(Xn)) un); (80) gdzie druga równość wynika stad, ¾ z·e F~i(Ti(x)) = Fi(Ti (Ti(x))) = Fi(x) na podstawie Zadania 16(iv). Z (80) i z de…nicji kopu÷ y wektora losowego wynika, z·e C jest kopu÷ a¾ wektora losowego (T1(X1); :::; Tn(Xn)). 16.1 Kopu÷ a Gaussa W zastosowaniach …nansowych czesto ¾ zak÷ ada sie, ¾ z·e zmienne losowe tworzace ¾ pewien wektor losowy posiadaja¾ rozk÷ ady normalne. Wówczas ÷ aczny ¾ rozk÷ ad prawdopodobieństwa wektora losowego nazywamy wielowymiarowym rozk÷ adem normalnym. Ścis÷ a de…nicja jest nastepuj ¾ aca: ¾ rozk÷ ad prawdopodobieństwa wektora losowego Y = (Y1; :::; Yn) nazywa sie¾ wielowymiarowym rozk÷ adem normalnym, jez·eli dla dowolnych liczb rzeczywistych a1; :::; an kombinacja liniowa a1Y1 + ::: + anYn jest zmienna¾ losowa¾ o rozk÷ adzie normalnym. Za÷ óz·my, z·e macierz kowariancji wektora losowego Y jest nieosobliwa. Wówczas funkcja gestości ¾ wielowymiarowego rozk÷ adu normalnego wektora Y jest dana wzorem 1 (x 1 (x T 1 ) ) fY (x1; :::; xn) = q e 2 ; (81) j j (2 )n gdzie j j jest wyznacznikiem macierzy , a = ( 1; :::; n) jest wektorem wartości oczekiwanych wektora losowego Y . Fakt, z·e Y ma wielowymiarowy rozk÷ ad normalny o parametrach i , zapisujemy nastepuj ¾ aco: ¾ Y N ( ; ): (82) Niech Y spe÷ nia warunek (82) i niech X = (X1; :::; Xn) bedzie ¾ takz·e wektorem losowym takim, z·e kaz·da wspó÷ rzedna ¾ wektora X jest standaryzowana¾ transformacja¾ odpowiedniej wspó÷ rzednej ¾ wektora Y , tzn. Xi = Ti(Yi) := Yi E (Yi) ; Var Yi (83) gdzie Ti(t) := t E (Yi) Var Yi (84) jest funkcja¾ liniowa¾ ścisle rosnac ¾ a. ¾ Zatem na mocy Twierdzenia 17 kopu÷ y wektorów losowych X i Y pokrywaja¾ sie. ¾ Kopu÷ e¾ Gaussa de…niujemy jako kopu÷ e¾ wektora X , to znaczy C N (u1; :::; un) : = P ( (X1) u1; :::; (Xn) 1 (u ); :::; X = P (X1 n 1 = ( 1 (u 1 ); :::; 1 (u un ) 1 (u n)) (85) n)); gdzie oznacza kaz·da¾ z jednakowych dystrybuant (standaryzowanego rozk÷ adu normalnego) zmiennych losowych Xi, a oznacza ÷ aczn ¾ a¾ dystrybuante¾ wektora losowego X . Poniewaz· C N jest takz·e kopu÷ a¾ Y , wiec ¾ C N (u1; :::; un) = F (F1 1(u1); :::; Fn 1(un)) = P (F1(Y1) u1; :::; Fn(Yn) un ) ; (86) gdzie Fi oznacza dystrybuante¾ (rozk÷ adu normalnego) zmiennej losowej Yi, a F –÷ aczn ¾ a¾ dystrybuante¾ wektora losowego Y . 17 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. 17.1 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; (87) 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 ): (88) 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: (89) 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): (90) 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]: (91) 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 ): (92) Z równości (92) moz·na otrzymać dwa inne wzory, podane w poniz·szych zadaniach Zadanie 18. Udowodnić wzór na implikowane prawdopodobieństwo niedotrzymania (implied default probability ) – jest to prawdopodobieństwo niedotrzymania warunków umowy wynikajace ¾ z przyjetego ¾ modelu: PD = 1 1+Rf 1+R LGD : (93) Zadanie 19. Udowodnić wzór na spread kredytowy (credit spread), czyli róz·nice¾ miedzy ¾ stopa¾ procentowa¾ uwzgledniaj ¾ ac ¾ a¾ ryzyko a stopa¾ wolna¾ od ryzyka: LGD P D R Rf = (1 + Rf ) : (94) 1 LGD P D Oczekiwana¾ strata¾ (expected loss) nazywamy wartość oczekiwana¾ straty (87). Zak÷ adajac ¾ niezalez·ność zmiennych losowych SEV i Y , otrzymujemy na mocy Twierdzenia 3 oraz (88) i (89) EL = E (EAD SEV Y ) = EAD E (SEV ) E (Y ) = EAD LGD P D: (95) Nieoczekiwana¾ strata¾ (unexpected loss) nazywamy odchylenie standardowe straty (87) q q p L = Var L = Var(EAD SEV Y ) = EAD Var(SEV Y ): (96) Dla uzyskania bardziej przydatnego w praktyce wzoru na poniz·szego twierdzenia. L skorzystamy z Twierdzenie 18. Niech X i Y bed ¾ a¾zmiennymi 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; (97) 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 (97). Dla dowolnych s; t 0 mamy h p p i h p p i 2 2 F(X 2;Y 2)(s; t) = P X s; Y t =P X2 s; s ; Y 2 t; t : (98) h p p i p p Poniewaz· przedzia÷ y[ s; s] i t; t sa¾ zbiorami borelowskimi, wiec ¾ z niezalez·ności X i Y (por. wzór (23)) otrzymujemy h p p i h p p i P X2 s; s ; Y 2 t; t h p p i h p p i = P X2 s; s P Y 2 t; t = P X2 s P Y2 t = FX 2 (s)FY 2 (t): (99) Z (98) i (99) wynika (97) dla nieujemnych s; t. Jeśli przynajmniej jedna z liczb s; t jest ujemna, to po obu stronach równości (97) mamy zera. Twierdzenie 19. Je· zeli zmienne losowe SEV i Y sa¾ niezale· zne, to L q = EAD Var(SEV )P D + LGD2P D(1 P D ): (100) Dowód. Obliczymy najpierw wariancje¾ iloczynu SEV Y . Korzystajac ¾ kolejno ze wzorów (14) i (24), otrzymujemy Var (SEV Y ) = E (SEV Y )2 = E SEV 2 Y 2 (E (SEV Y ))2 (E (SEV ) EY )2 : (101) Teraz do pierwszego sk÷ adnika zastosujemy wzór (24) (moz·e on być uz·yty, bo na mocy Stwierdzenia 15(b) SEV 2 i Y 2 sa¾ niezalez·ne), a do drugiego sk÷ adnika – wzory (88) i (89): E SEV 2 Y 2 Poniewaz· Y 2 (E (SEV ) EY )2 = E SEV 2 E Y2 LGD2P D2: (102) Y , wiec ¾ E Y 2 = EY = P D. Zatem prawa¾ strone¾ (102) moz·emy przekszta÷ cić nastepuj ¾ aco: ¾ E SEV 2 E Y2 = E SEV 2 P D = h h E SEV 2 = E SEV 2 LGD2P D2 = E SEV 2 P D LGD2P D + LGD2P D LGD2P D2 LGD2P D2 i 2 LGD P D + LGD2P D(1 P D) i 2 (E (SEV )) P D + LGD2P D(1 P D) = Var(SEV )P D + LGD2P D(1 Z równości (96) i (101)–(103) wynika (100). P D ): (103) 17.2 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 LP := m X i=1 Li = m X EADi SEVi Yi; (104) i=1 gdzie wszystkie zmienne z dolnym indeksem i dotycza¾ i-tego kredytu. Oczekiwana strata z portfela P jest równa, zgodnie z (95), E (LP ) = m X i=1 E (Li) = m X EADi LGDi P Di; (105) i=1 przy za÷ oz·eniu, z·e dla kaz·dego i zmienne losowe SEVi i Yi sa¾ niezalez·ne. Nieoczekiwana¾ strata¾ z portfela P nazywamy odchylenie standardowe (LP ) straty z portfela. Twierdzenie 20. v u m u X (LP ) = u EADi EADj Cov SEVi Yi; SEVj Yj : t i;j=1 (106) Dowód. Wykonujac ¾ analogiczne przekszta÷ cenia jak w (49), otrzymamy 0 Var(LP ) = Var @ = m X m X i=1 1 EADi SEVi YiA EADi EADj Cov SEVi Yi; SEVj Yj :(107) i;j=1 Stad ¾ i z (16) wynika (106). Twierdzenie 21. 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: (108) Wówczas v u m q u X u (LP ) = t EADi EADj LGD2 ij P Di(1 i;j=1 P Di)P Dj (1 P Dj ); (109) gdzie ij := SEVi Yi; SEVj Yj = (Yi; Yj ): (110) Dowód. Dla kaz·dego i mamy na mocy po÷ aczonych ¾ równości (101) i (102) oraz za÷ oz·enia (108) Var (SEVi Yi) = E SEVi2 E Yi2 = E LGD2 P Di = LGD2P Di LGD2P Di2 LGD2P Di2 LGD2P Di2 = LGD2P Di(1 (111) P Di): Z równości (30) i (111) wynika, z·e Cov SEVi Yi; SEVj Yj = = Stad ¾ i z (106) wynika (109). ij r Var (SEVi Yi) Var SEVj Yj LGD2 ij q P Di(1 P Di)P Dj (1 P Dj ): 18 Modele portfeli kredytowych Rozwaz·my portfel z÷ oz·ony z m kredytów dla ustalonego horyzontu czasowego T . Niech S = (S1; :::; Sm) bedzie ¾ wektorem losowym takim, z·e wspó÷ rzedna ¾ Si przyjmuje wartości ze zbioru f0; 1; :::; N g. Wartości te reprezentuja¾ stany zwiazane ¾ z ocena¾ danego kredytobiorcy przez bank, przy czym 0 oznacza niewyp÷ acalność (niedotrzymanie warunków umowy), a liczby dodatnie sa¾ rosna¾ cymi klasami wiarygodności kredytowej. Zak÷ ada sie, ¾ z·e w momencie poczatkowym ¾ t = 0 kaz·dy d÷ uz·nik jest w jakimś stanie róz·nym od zera. W przypadku, gdy interesuje nas tylko dotrzymanie lub niedotrzymanie warunków, rozwaz·amy wektor losowy Y = (Y1; :::; Ym), gdzie Yi jest wskaźnikiem niedotrzymania warunków dla i-tego d÷ uz·nika. Zwiazek ¾ pomiedzy ¾ zmiennymi losowymi Yi i Si jest nastepuj ¾ acy: ¾ Yi = ( 1; jeśli Si = 0; 0; jeśli Si > 0: (112) Ilość niewyp÷ acalnych d÷ uz·ników w momencie t = T jest dana jako zmienna losowa M := m X i=1 Yi: (113) 18.1 Modele ukrytej zmiennej Niech X = (X1; :::; Xm) bedzie ¾ wektorem losowym o ciag÷ ¾ ych dystrybuantach brzegowych Fi(x) = P (Xi x). Dla i 2 f1; :::; mg niech i =1 1 = Di 1 < D0i < ::: < Dn bedzie ¾ ciagiem ¾ tzw. poziomów odciecia. ¾ Przyjmijmy, z·e Si = j , Xi 2 (Dji 1; Dji ]; Wówczas model Xi; Dji (114) j 2 f0; :::; ng; i 2 f1; :::; mg: (115) 1 j n 1 i m nazywamy modelem ukrytej zmi- ennej dla wektora stanów S . Xi i D0i moz·na interpretować jako wartości odpowiednio aktywów i zobowiazań ¾ d÷ uz·nika i w czasie T . Niewyp÷ acalność nastepuje, ¾ gdy pierwsza z tych wartości spada poniz·ej drugiej. Okazuje sie, ¾ z·e róz·ne modele ukrytej zmiennej moga¾ prowadzić do tego samego rozk÷ adu wektora losowego S . To sugeruje nastepuj ¾ ac ¾ a¾ de…nicje¾ równowaz·ności modeli: Niech Xi; Dji 1 j n 1 i m i ~i ~ i; D X j 1 j n 1 i m (116) bed ¾ a¾ modelami ukrytej zmiennej dla wektorów stanów odpowiednio S i S~. Modele te nazywamy równowaz·nymi, jez·eli S S~ (tzn. S i S~ maja¾ te same rozk÷ ady prawdopodobieństwa). Twierdzenie 22. Niech (116) bedzie ¾ para¾ modeli ukrytej zmiennej, dla wektorów stanów odpowiednio S i S~, spe÷ niajacych ¾ warunki: (a) Dystrybuanty brzegowe wektorów losowych S i S~ pokrywaja¾ sie,¾ tzn. P Xi ~i Dji = P X ~i ; D j j 2 f0; :::; ng; i 2 f1; :::; mg: ~ maja¾ te¾ sama¾ kopu÷ (b) Wektory losowe X i X e¾ C . Wówczas modele (116) sa¾ równowa· zne. (Dowód podany na wyk÷ adzie.) (117) 18.2 Modele wymienne Wektor losowy S : ! Rm nazywamy wymiennym, jez·eli (S (1); :::; S (m)) (118) dla dowolnej permutacji ( (1); :::; (m)) liczb (1; :::; m). Model portfela kredytów nazywamy wymiennym, jez·eli jego wektor stanów S jest wymienny. (S1; :::; Sm) Dla modelu wymiennego, dla dowolnego k 2 f1; :::; m 1g, wszystkie moz·liwe k-wymiarowe dystrybuanty brzegowe, których jest m k , sa¾ identyczne. Moz·na wiec ¾ wprowadzić nastepuj ¾ ace ¾ uproszczone oznaczenia dla prawdopodobieństw niedotrzymania i ÷ acznych ¾ prawdopodobieństw niedotrzymania: k := P (Yi1 = 1; ::; Yik = 1); f1; :::; mg; k 2 f1; :::; mg; (119) i 2 f1; :::; mg: (120) fi1; :::; ik g := 1 = P (Yi = 1); Twierdzenie 23. Dla modelu wymiennego portfela kredytów zachodza¾nastepu¾ jace ¾ równo´sci: (a) E (Yi) = E (Yi2) = P (Yi = 1) = dla dowolnego i. (b) E (YiYj ) = P (Yi = 1; Yj = 1) = 2 dla i 6= j . (c) Cov(Yi; Yj ) = 2 (d) (Yi; Yj ) = 2 2 2 2 dla i 6= j . dla i 6= j . (e) Dla dowolnego k 2 f1; :::; mg, m P (M = k ) = P (Y1 = 1; :::; Yk = 1; Yk+1 = 0; :::; Ym = 0) k m Xk m! = ( 1)i (121) k+i: i!k!(m k i)! i=0 Zadanie 20. Udowodnić Twierdzenie 23(a)–(d). 19 Miary ryzyka Dana jest przestrzeń probabilistyczna ( ; F ; P ) oraz horyzont czasowy T > 0. Oznaczmy przez L0( ; F ; P ) przestrzeń liniowa¾ wszystkich zmiennych losowych X : ! R (dok÷ adniej, elementami tej przestrzeni sa¾ klasy równowaz·ności funkcji mierzalnych, tzn. utoz·samia sie¾ funkcje, które róz·nia¾ sie¾ z prawdopodobieństwem zero). Rozwaz·amy pewien podzbiór M L0( ; F ; P ). Zak÷ ada sie, ¾ z·e zbiór M jest stoz·kiem wypuk÷ ym, tzn. spe÷ nia warunki: (X; Y 2 M) ) (X + Y 2 M); (122) (X 2 M; (123) > 0) ) ( X 2 M): Jako miary ryzyka rozwaz·a sie¾ funkcje : M ! R spe÷ niajace ¾ pewne dodatkowe warunki. W zastosowaniach moz·e być ustalonym zbiorem scenariuszy rozwoju, a X – wartościa¾ portfela inwestycyjnego w momencie T w zalez·ności od zrealizowanego scenariusza (rozwaz·amy wartości zdyskontowane na okres biez·acy). ¾ Wówczas liczbe¾ (X ) moz·na interpretować jako zabezpieczenie kapita÷ owe inwestycji, tzn. (X ) jest minimalna¾ wielkościa¾ kapita÷ u, która, jeśli ja¾ dodamy do wartości portfela i zainwestujemy w sposób pozbawiony ryzyka, czyni inwestycje¾ akceptowalna. ¾ Odwzorowanie : M !R nazywamy miara¾ ryzyka (risk measure), jez·eli spe÷ nia nastepuj ¾ ace ¾ dwa warunki dla dowolnych X; Y 2 M: (a) monotoniczność (monotonicity ) jez·eli X Y , to (X ) (124) (Y ); (b) niezmienniczość wzgledem ¾ translacji (translation invariance): jez·eli m 2 R, to (X + m) = (X ) m: (125) Znaczenie …nansowe monotoniczności jest nastepuj ¾ ace: ¾ jeśli portfel Y ma wiek¾ sza¾ wartość od portfela X dla wszystkich moz·liwych scenariuszy, to ryzyko portfela X jest wieksze ¾ niz· ryzyko portfela Y . Niezmienniczość wzgledem ¾ translacji ma nastepuj ¾ ac ¾ a¾ interpretacje. ¾ Za÷ óz·my, z·e (X ) jest kapita÷ em ekonomicznym wymaganym w banku dla zabezpieczenia nieo-czekiwanych strat w przypadku ryzyka kredytowego. Wówczas, jeśli pozbawiona ryzyka suma pieniedzy ¾ m zostanie dodana do inwestycji X , to wymagany kapita÷ (X ) moz·na pomniejszyć o m. W szczególności, z wzoru (125) wynika, z·e (X + (X )) = (X ) ( X ) = 0: (126) 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]: (127) Znaczenie praktyczne warunku wypuk÷ ości jest takie, z·e dywersy…kacja inwestycji …nansowej nie powoduje wzrostu ryzyka. Jeśli np. X i Y sa¾ wartościami 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 ( X + (1 )Y ) nie moz·e być wieksze ¾ niz· odpowiednia 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]; (128) 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 ): (129) Zadanie 21. Wykazać, z·e przy za÷ oz·eniu dodatniej jednorodności wypuk÷ ość miary ryzyka jest równowaz·na subaddytywności, tj. warunkowi: (X + Y ) (X ) + (Y ): (130) Subaddytywność jest w÷ asnościa, ¾ która umoz·liwia decentralizacje¾ zarzadzania ¾ ryzykiem: np. jeśli poszczególne sk÷ adniki portfela inwestycyjnego sa¾ zarzadzane 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. 20 Kwantyle Niech X : ! R bedzie ¾ zmienna¾ losowa¾ i niech nazywamy -kwantylem zmiennej losowej X jez·eli P (X < q ) P (X 2 (0; 1). Liczbe¾ q 2 R q ): (131) Przy pomocy dystrybuanty F zmiennej losowej X warunek (131) moz·na zapisać nastepuj ¾ aco: ¾ F (q ) F (q ): (132) Dolnym i górnym -kwantylem zmiennej losowej X nazywamy odpowiednio liczby q (X ) i q +(X ) określone wzorami: q (X ) := inf fx 2 R : P (X x) g = sup fx 2 R : P (X q +(X ) := inf fx 2 R : P (X x) > g = sup fx 2 R : P (X x) < g ; (133) x) g: (134) W dalszym ciagu ¾ bedziemy ¾ pomijać (X ) przy symbolach kwantyli, jeśli nie bedzie ¾ watpliwości, ¾ o jaka¾ zmienna¾ losowa¾ chodzi. Uwaga. Drugie równości we wzorach (133) i (134) wynikaja¾ z faktu, z·e oba rozwaz·ane zbiory sa¾ niepuste i w sumie daja¾ zbiór R. Zadanie 22. Wykaza´c, · ze dla ustalonej liczby 2 (0; 1), zbiór wszystkich kwantyli zmiennej losowej X jest przedzia÷ em domknietym ¾ [q ; q +]. Przedzia÷ ten sk÷ ada sie¾z jednego punktu dla wszystkich liczb poza zbiorem co najwy· zej przeliczalnym. Zadanie 23. Wykaza´c, · ze równo´s´c q = q + zachodzi wtedy i tylko wtedy, gdy P (X x) = dla co najwy· zej jednej warto´sci x. W przypadku, gdy q < q +, mamy fx : P (X x) = g = ( [q ; q +); gdy P (X = q +) > 0; [q ; q +]; gdy P (X = q +) = 0: (135) 21 Wartość zagroz·ona Dla zmiennej losowej X : ! R na przestrzeni probabilistycznej ( ; F ; P ) de…niujemy wartość zagroz·ona¾ (value at risk) na poziomie 2 (0; 1) nastepu¾ jaco: ¾ VaR (X ) := inf fm 2 R : P (X + m < 0) g: (136) 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 . Twierdzenie 24. Dla dowolnej zmiennej losowej X i liczby chodzi równo´s´c VaR (X ) = q1 2 (0; 1) za- (137) ( X ): Dowód. Z de…nicji VaR (wzór (136)) otrzymujemy VaR (X ) = inf fm 2 R : P (X + m < 0) = inf fm 2 R : 1 P (X + m < 0) = inf fm 2 R : P (X + m = inf fm 2 R : P ( X 0) m) 1 1 g 1 g g g = q1 ( X ): 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 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 liczba¾ n zaokraglon ¾ a¾ do najbliz·szej liczby naturalnej. Uporzad¾ kujmy liczby R1; :::; Rn w kolejności rosnacej: ¾ R1:n R2:n ::: Rn:n: (138) Wówczas dolnym -kwantylem z próby (R1; :::; Rn) nazywamy k-ty najmniejszy zysk, czyli Rk:n. 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): (139) Zadanie 24. Wykaza´c, · ze VaR jest dodatnio jednorodna¾miara¾ryzyka na M. 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 liczba korporacji, które zbankrutowa÷ yw 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: 2 P (Y = 0) = (0; 04)0(0; 96)2 = 0; 9216; 0 2 P (Y = 1) = (0; 04)1(0; 96)1 = 0; 0768; 1 2 P (Y = 2) = (0; 04)2(0; 96)0 = 0; 0016: 2 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; (140) poniewaz· prawdopodobieństwo bankructwa obu korporacji jest mniejsze od a prawdopodobieństwo przetrwania przynajmniej jednej z nich wynosi , P (Y = 0) + P (Y = 1) = 0; 9216 + 0; 0768 = 0; 9984 i jest wieksze ¾ od 1 . W drugim przypadku wystarczy oczywiście zabezpieczenie w wysokości 1000 $. Natomiast VaR (Pi) = 0, i = 1; 2; (141) poniewaz· prawdopodobieństwo bankructwa pojedynczej korporacji jest mniejsze od . Z równości (140) i (141) otrzymujemy VaR (P1 + P2) > VaR (P1) + VaR (P2); co dowodzi, ze funkcja VaR nie jest subaddytywna. Brak subaddytywności jest istotna¾ wada¾ wartości zagroz·onej jako miary ryzyka. Wed÷ ug tej miary dywersy…kacja portfela powieksza ¾ ryzyko, co jest niezgodne ze wskazaniami innych miar ryzyka (wariancja, odchylenie standardowe) oraz z danymi empirycznymi. Pomimo tej wady wartość zagroz·ona jest nadal stosowana w wielu sytuacjach. 22 Warunkowa wartość oczekiwana Niech ( ; F ; P ) bedzie ¾ przestrzenia¾ probabilistyczna. ¾ Dla dowolnego A 2 F takiego, z·e P (A) > 0, zde…niujmy funkcje¾ PA : F ! R wzorem P (B \ A) : PA(B ) := P (Bj A) = P (A) (142) Zadanie 25. Wykaza´c, · ze PA jest rozk÷ adem prawdopodobie´nstwa na spe÷ nia aksjomaty (A1)–(A3) de…nicji prawdopodobie´nstwa. , tzn. Dla dowolnej zmiennej losowej X : ! R posiadajacej ¾ wartość oczekiwana¾ de…niujemy jej warunkowa¾ wartość oczekiwana¾ pod warunkiem zajścia zdarzenia A nastepuj ¾ aco: ¾ E (Xj A) := Z XdPA: (143) Wzór podany w poniz·szym twierdzeniu oznacza, z·e E (Xj A) jest średnia¾ wartościa¾ zmiennej losowej X na zbiorze A. Twierdzenie 25. Je· zeli P (A) > 0 i X jest zmienna¾ losowa¾ o sko´nczonej warto´sci oczekiwanej, to Z 1 XdP: E (Xj A) = P (A) A (144) Zde…niujemy teraz warunkowa¾ wartość oczekiwana¾ wzgledem ¾ -cia÷ a generowanego przez co najwyz·ej przeliczalna¾ liczbe¾ zdarzeń. Do tego potrzebne nam bedzie ¾ nastepuj ¾ ace ¾ oznaczenie: dla dowolnego zdarzenia A 2 F , symbol 1A oznacza zmienna¾ losowa¾ określona¾ nastepuj ¾ aco: ¾ 1A(! ) := ( 1 dla ! 2 A; 0 dla ! 2 nA: (145) S Niech = i2I Ai, gdzie I jest zbiorem skończonym lub przeliczalnym, zaś zdarzenia Ai o dodatnim prawdopodobieństwie stanowia¾ rozbicie przestrzeni . Niech G = (Ai; i 2 I ) bedzie ¾ najmniejszym -cia÷ em zawierajacym ¾ zbiory Ai. Dla dowolnej zmiennej losowej X : ! R posiadajacej ¾ wartość oczekiwana¾ de…niujemy jej warunkowa¾ wartość oczekiwana¾ pod warunkiem -cia÷ aG jako zmienna¾ losowa¾ E (Xj G ) : ! R zde…niowana¾ wzorem E (Xj G ) (! ) := X i2I E (Xj Ai) 1Ai (! ); !2 : (146) Twierdzenie 26. Warunkowa warto´s´c oczekiwana E (Xj G ) posiada nastepu¾ jace ¾ w÷ asno´sci: (a) E (Xj G ) jest mierzalna wzgledem ¾ -cia÷ a G. (b) Je· zeli B 2 G , to Z B XdP = Z B E (Xj G ) dP: (147) Powyz·sze twierdzenie umoz·liwia uogólnienie de…nicji warunkowej wartości oczekiwanej na przypadek dowolnego -cia÷ a G . Warunkowa¾ wartościa¾ oczekiwana¾ zmiennej losowej X pod warunkiem -cia÷ a G nazywamy dowolna¾ zmienna¾ losowa¾ E (Xj G ) spe÷ niajac ¾ a¾ warunki (a) i (b) Twierdzenia 26. Twierdzenie 27. Niech G bedzie ¾ dowolnym -cia÷ em zawartym w F i niech X : ! R bedzie ¾ zmienna¾losowa¾posiadajac ¾ a¾warto´s´c oczekiwana.¾ Wówczas: (a) Istnieje warunkowa warto´s´c oczekiwana dla X pod warunkiem G i jest ona wyznaczona jednoznacznie z dok÷ adno´scia¾ do zdarze´n o prawdopodobie´nstwie zero: je· zeli Y1 i Y2 sa¾ takimi warto´sciami oczekiwanymi dla X , to P (Y1 6= Y2) = 0. (b) Zachodzi równo´s´c EX = E (E (Xj G )): (148) Jez·eli X : ! R jest zmienna¾ losowa¾ posiadajac ¾ a¾ wartość oczekiwana, ¾ aY : ! Rn –dowolnym wektorem losowym, to moz·emy zde…niować warunkowa¾ wartość oczekiwana¾ zmiennej losowej X przy warunku zmiennej losowej Y: E (Xj Y ) := E (Xj (Y )) ; (149) gdzie (Y ) oznacza najmniejsze -cia÷ o, przy którym zmienna losowa Y jest mierzalna. Wówczas z wzoru (148) otrzymujemy EX = E (E (Xj Y )): (150) Dla dowolnego zdarzenia B 2 F i dowolnego -cia÷ aG F , prawdopodobieństwem warunkowym B wzgledem ¾ G nazywamy zmienna¾ losowa¾ P (Bj G ) określona¾ wzorem P (Bj G ) := E (1B j G ) : (151) Analogicznie do (149), określamy prawdopodobieństwo warunkowe zdarzenia B wzgledem ¾ zmiennej losowej Y : P (Bj Y ) := P (Bj (Y )) = E (1B j (Y )) : (152) Funkcje¾ h : Rn ! Rm nazywamy borelowska, ¾ jez·eli h 1(B ) 2 B(Rn) dla kaz·dego B 2 B(Rm). Twierdzenie 28. Je· zeli X : ! R jest zmienna¾ losowa¾ posiadajac ¾ a¾ warto´s´c oczekiwana,¾ a Y : ! Rn –dowolnym wektorem losowym, to istnieje funkcja borelowska h : Rn ! R taka, · ze E (Xj Y ) = h(Y ): (153) 23 Konstrukcja spójnej miary ryzyka Dla dowolnej zmiennej losowej X : ! R o skończonej wartości oczekiwanej i dowolnej liczby 2 (0; 1), de…niujemy dolna¾ i górna¾ ogonowa¾ wartość oczekiwana¾ (lower and upper tail conditional expectation) na poziomie odpowiednio wzorami TCE (X ) : = TCE+(X ) : = E (Xj X E (Xj X ; (154) q+ : (155) q Uwagi. (a) Znak minus wystepuj ¾ acy ¾ w powyz·szych wzorach wynika z faktu, z·e w zastosowaniach ogonowa wartość oczekiwana jest miara¾ straty, która przyjmuje wartość dodatnia, ¾ gdy wartość portfela X jest ujemna. (b) Moz·na wykazać, z·e z·adna z wielkości q , q +, TCE , TCE+ nie de…niuje w ogólnym przypadku subaddytywnej miary ryzyka. Zajmiemy sie¾ teraz konstrukcja¾ spójnej miary ryzyka, spe÷ niajacej ¾ w szczególności warunek subaddytywności. Zauwaz·my, z·e jez·eli = A% 2 (0; 1), to miara VaR odpowiada na pytanie, jaka jest minimalna strata ponoszona w A% najgorszych przypadków. Bardziej sensowne by÷ oby zadanie pytania, jaka jest oczekiwana strata ponoszona w tych A% przypadków. Dla uzyskania przybliz·onej odpowiedzi rozwaz·my, dla dostatecznie duz·ej liczby n, wektor (X1; ::; Xn) z÷ oz·ony z n realizacji zmiennej losowej X . Podobnie jak w przyk÷ adzie 1, sortujemy wartości Xi w kolejności rosnacej ¾ X1:n X2:n ::: Xn:n; (156) po czym przybliz·amy ilość najgorszych wartości (stanowiac ¾ a¾ A% wszystkich wartości) za pomoca¾ liczby k := maxfl : l n , l 2 Ng: (157) Moz·na tez· uz·yć innego sposobu zaokraglenia ¾ n do liczby naturalnej. Naturalnym estymatorem oczekiwanej straty w A% najgorszych przypadków jest średnia arytmetyczna strat ponoszonych w tych przypadkach: ESn (X ) := k 1X Xi:n: k i=1 (158) Liczbe¾ (158) nazywamy oczekiwanym niedoborem (expected shortfall) z próby (X1; ::; Xn). Poniz·sze stwierdzenie pokazuje, z·e funkcja ESn jest subaddytywna. Twierdzenie 29. Dla dowolnych liczb n 2 N i losowych X; Y zachodzi nierówno´s´c ESn (X + Y ) (Dowód pomijamy.) 2 (0; 1) oraz zmiennych ESn (X ) + ESn (Y ): (159) Dla dowolnego wyraz·enia logicznego p wprowadźmy oznaczenie [p] := ( 1; jeśli p jest prawdziwe, 0; jeśli p jest fa÷ szywe. (160) Wówczas wzór (158) moz·emy przekszta÷ cić nastepuj ¾ aco: ¾ ESn (X ) = 0 = n X 1@ Xi:n [Xi:n k i=1 k 1X Xi:n = k i=1 Xk:n] n X n 1X Xi:n [i k i=1 Xi:n ([Xi:n k] Xk:n] [i i=1 Zadanie 26. Wykaza´c, · ze [Xi:n Xk:n] [i k] = ( 1; je´sli i > k i Xi:n = Xk:n; 0; w przeciwnym przypadku. 1 k])A : (161) Stad ¾ i z (161) otrzymujemy ESn (X ) = = 0 0 n X 1@ Xi [Xi k i=1 n n @1 X Xi [Xi k n i=1 Xk:n] Xk:n] Xk:n 0 Xk:n @ n X ([Xi:n i=1 n X 1 [Xi n i=1 Xk:n] Xk:n] 1 [i 11 k])A k AA : n (162) Ostatnie przedstawienie ESn sugeruje nastepuj ¾ ac ¾ a¾ de…nicje. ¾ Oczekiwanym niedoborem na poziomie 2 (0; 1) nazywamy liczbe¾ ES (X ) := 1 h E X X q+ i q+ P X q+ : (163) Twierdzenie 30. Je· zeli zmienna losowa X ma ciag÷ ¾ a¾ dystrybuante,¾ to ES (X ) = TCE+(X ): (164) Dowód. Jeśli dystrybuanta F zmiennej losowej X jest ciag÷ ¾ a, to na mocy warunku (132) mamy P (X q ) = F (q ) = dla kaz·dego -kwantyla q . W szczególności q + jest -kwantylem na mocy Zadania 22, zatem P X q + = . Uwzgledniaj ¾ ac ¾ te¾ równość, a nastepnie ¾ Twierdzenie 25, otrzymujemy ES (X ) = = 1 P X q+ Z 1 h E X X fX q + g XdP = Twierdzenie 31. Niech X : warto´s´c oczekiwana.¾ Wówczas ES (X ) = 1 ( E ( X [X q+ i = E (Xj X 1 Z + fX q g XdP q + = TCE+(X ): ! R bedzie ¾ zmienna¾ losowa¾ posiadajac ¾ a¾ q ]) + q ( P (X q ))) ; 8q 2 [q ; q +]: (165) Twierdzenie 32. Dla dowolnych zmiennych losowych X i Y takich, · ze E (X ) < 1 i E (Y ) < 1, zachodzi nierówno´s´c ES (X + Y ) dla ka· zdego ES (X ) + ES (Y ); (166) 2 (0; 1]. Oznaczmy Z := X + Y . W dowodzie Tw. 32 skorzystamy z poniz·szych zadań. Potrzebne bedzie ¾ takz·e nastepuj ¾ ace ¾ oznaczenie dla dowolnej zmiennej losowej X : ! R i dowolnego x 2 R: X ( ) ( x) := 8 < [X : [X x ]; jez·eli P (X = x) = 0; P (X x) x] + P (X=x) [X = x]; jez·eli P (X = x) > 0: Zadanie 27. Wykaza´c, · ze E X ( ) q (X ) = : Zadanie 28. Wykaza´c, · ze X ( ) q (X ) 2 [0; 1]: Zadanie 29. Wykaza´c, · ze (a) Je· zeli X > q (X ), to Z ( ) q (Z ) X ( ) q (X ) . (b) Je· zeli X < q (X ), to Z ( ) q (Z ) X ( ) q (X ) . Zadanie 30. Wykaza´c, · ze ES (X ) = 1 E X X ( ) q (X ) : Dowód Twierdzenia 32. Z Zadania 30 otrzymujemy (ES (X ) + ES (Y ) ES (Z )) = E (Z Z ( ) q (Z ) X X ( ) q (X ) = E (X (Z ( ) q (Z ) + E (Y (Z ( ) q (Z ) Y Y ( ) q (Y ) ) X ( ) q (X ) )) Y ( ) q (Y ) )): (167) Teraz, rozwaz·ajac ¾ kolejno przypadki: (a) X > q (X ), (b) X < q (X ), (c) X = q (X ), i korzystajac ¾ z Zadania 29, sprawdzamy, z·e E (X (Z ( ) q (Z ) X ( ) q (X ) ) (168) Podobna nierówność zachodzi, jeśli w (168) zastapimy ¾ X przez Y . Stad, ¾ z (167) oraz z Zadania 27 zastosowanego do zmiennych losowych X , Y i Z , otrzymujemy (ES (X ) + ES (Y ) X ( ) q (X ) )) ES (Z )) q (X )E (Z ( ) q (Z ) q (X )( ) + q (Y )( ) = 0; skad ¾ wynika nierówność (166). Zadanie 31. Udowodnić, z·e ES jest dodatnio jednorodna¾ miara¾ ryzyka. Uwaga. Z Twierdzenia 32 oraz z Zadań 21 i 31 wynika, z·e ES jest spójna¾ miara¾ ryzyka. 24 Modele mieszaniny dla portfeli kredytów Zmienna¾ losowa¾ Bernoulliego z parametrem p 2 [0; 1] nazywamy zmienna¾ losowa¾ X : ! f0; 1g o rozk÷ adzie P (X = x) = px(1 p)1 x; x 2 f0; 1g: (169) Rozwaz·amy portfel m kredytów dla ustalonego horyzontu czasowego T . Modelem mieszaniny nazywamy model, w którym zak÷ ada sie, ¾ z·e prawdopodobieństwo niedotrzymania warunków przez pojedynczego d÷ uz·nika zalez·y od pewnego skończonego zbioru (zwykle ma÷ o licznego) czynników ekonomicznych. Przy ustalonych wartościach tych czynników wskaźniki niedotrzymania dla róz·nych d÷ uz·ników sa¾ niezalez·nymi zmiennymi losowymi. Za÷ óz·my, z·e dana jest liczba naturalna r < m oraz wektory losowe: = ( 1; :::; r) – wektor czynników ekonomicznych, Y = (Y1; :::; Ym) – wektor wskaźników niedotrzymania dla poszczególnych d÷ uz·ników. Powyz·szy model nazywamy modelem mieszaniny Bernoulliego, jez·eli istnieja¾ takie funkcje borelowskie Qi : Rr ! [0; 1], i = 1; :::; m, z·e przy warunku wektor losowy Y jest wektorem niezalez·nych zmiennych losowych Bernoulliego z parametrami P (Yi = 1j (170) ) = Qi ( ) : Z warunków (169) i (170) wynika, z·e P (Yi = yij ) = Qi ( )yi (1 Qi ( ))1 yi ; yi 2 f0; 1g; i = 1; :::; m: (171) Dla dowolnego wektora y = (y1; :::; ym) 2 f0; 1gm, wyraz·enie P (Y = yj obliczamy zgodnie z (152) i (149): P (Y = yj ) = E ([Y = y ]j ( )) = E ([Y = y ]j ): ) (172) Na mocy Twierdzenia 28 istnieje funkcja borelowska h : Rr ! R taka, z·e E ([Y = y ]j ) = h( ). Funkcje¾ h moz·na wyznaczyć efektywnie, korzystajac ¾ z równości (171). Istotnie, poniewaz· zmienne losowe Yi sa¾ niezalez·ne przy warunku , wiec ¾ h( ) = P (Y = yj )= m Y i=1 P (Yi = yij )= m Y Qi ( )yi (1 Qi ( ))1 yi : i=1 (173) 24.1 Wymienne modele mieszaniny Model mieszaniny Bernoulliego nazywamy wymiennym, jez·eli wszystkie funkcje Qi sa¾ identyczne. Wówczas wektor losowy Y jest wymienny. Dla analizy takiego modelu wygodnie jest wprowadzić zmienna¾ losowa¾ Z := Q1( ). Wzór (173) moz·na wtedy uprościć do postaci P (Y = yj )=Z Pm i=1 yi (1 Z )m gdzie funkcja g : R ! R spe÷ nia warunek h = g Pm i=1 yi Q1. =: g (Z ); (174) Z punktu widzenia zastosowań waz·ne jest wyznaczenie rozk÷ adu prawdopodobieństwa zmiennej losowej M określajacej ¾ liczbe¾ d÷ uz·ników, którzy nie dotrzymali warunków. Do tego celu potrzebny nam bedzie ¾ wzór na prawdopodobieństwo bezwarunkowe P (Y = y ). Korzystajac ¾ z wzorów (150), (172) i (174), otrzymujemy P (Y = y ) = E ([Y = y ]) = E (E ([Y = y ]j = E (P (Y = yj )) = E (g (Z )) : Dalej skorzystamy z nastepuj ¾ acego ¾ twierdzenia: )) (175) Twierdzenie 33. Niech X : ! Rn bedzie ¾ zmienna¾ losowa,¾ a ' : Rn ! R – funkcja¾ borelowska.¾ Wówczas E ('(X )) = Z Rn (176) '(x)PX (dx); gdzie PX : B(Rn) ! R jest rozk÷ adem prawdopodobie´nstwa zmiennej losowej X okre´slonym wzorem (3). Równo´s´c (176) nale· zy rozumie´c tak, · ze je· zeli ca÷ ka po jednej stronie istnieje, to istnieje tak· ze ca÷ ka po drugiej stronie i sa¾ one równe. Z powyz·szego twierdzenia i z wzorów (175) i (174) otrzymujemy P (Y = y ) = E (g (Z )) = = Z 1 Pm 0 u Z 1 0 i=1 yi (1 g (u)PZ (du) u) m Pm i=1 yi P Z (du): (177) Twierdzenie 34. Rozk÷ ad prawdopodobie´nstwa liczby niewyp÷ acalnych d÷ u· zników w wymiennym modelu mieszaniny Bernoulliego wyra· za sie¾ wzorem m P (M = k ) = k Z 1 0 uk (1 u)m k PZ (du): (178) Dowód. Skorzystamy najpierw z pierwszej cześci ¾ wzoru (121): m P (M = k ) = P (Y1 = 1; :::; Yk = 1; Yk+1 = 0; :::; Ym = 0): (179) k Nastepnie, ¾ podstawiajac ¾ y = (11; :::; 1k ; 0k+1; :::; 0m) (gdzie dolny indeks oznacza pozycje¾ cyfry) do wzoru (177), otrzymujemy P (Y1 = 1; :::; Yk = 1; Yk+1 = 0; :::; Ym = 0) = Z równości (179) i (180) wynika (178). Z 1 0 uk (1 u)m k PZ (du): (180) Za÷ óz·my teraz, z·e dana jest liczba naturalna r < m oraz wektory losowe: = ( 1; :::; r) – wektor czynników ekonomicznych, Y~ = (Y~1; :::; Y~m) –wektor wskaźników stanu dla poszczególnych d÷ uz·ników. Wskaźnik stanu Y~i 2 f0; 1; 2; :::g podaje liczbe¾ zdarzeń niedotrzymania umowy dla i-tego d÷ uz·nika. Dopuszczamy tutaj moz·liwość wystapienia ¾ takiego zdarzenia wiecej ¾ niz· raz, chociaz· jest to na ogó÷ma÷ o prawdopodobne. Powyz·szy model nazywamy modelem mieszaniny Poissona, jez·eli istnieja¾ takie funkcje i : Rr ! (0; 1), i = 1; :::; m, z·e przy warunku wektor losowy Y~ jest wektorem niezalez·nych zmiennych losowych o rozk÷ adzie Poissona z parametrami i( ), tzn. k ( ( )) i e P (Y~i = kj ) = k! i( ), i = 1; :::; m: (181) 25 Model CreditRisk+ – informacje ogólne Model CreditRisk+ jest szczególnym przypadkiem modelu mieszaniny Poissona, w którym zak÷ ada sie, ¾ z·e ( 1; :::; r ) jest wektorem losowym niezalez·nych czynników ryzyka (czynników ekonomicznych lub sektorów, w których dzia÷ aja¾ d÷ uz·nicy) o rozk÷ adzie gamma, zaś (wi;1; :::; wi;r ) jest wektorem nieujemnych wag poszczególnych czynników dla i-tego d÷ uz·nika, spe÷ niajacych ¾ warunki 0 wi;k 1, r X wi;j 1: (182) j=1 Pr j=1 wi;j oznacza Dodatkowo oznaczmy 0 := 1 i przyjmijmy, z·e wi;0 := 1 udzia÷ryzyka specy…cznego dla i-tego d÷ uz·nika (niezalez·nego od pozosta÷ ych czynników ryzyka). Jako wektor w modelu mieszaniny Poissona przyjmujemy = ( 0; 1 ; :::; r ): (183) Oznaczmy przez wi rozszerzony wektor wag wi = (wi;0; wi;1; :::; wi;r ); (184) spe÷ niajacy ¾ warunek r X wi;j = 1: (185) j=0 Zak÷ adamy dalej, z·e funkcje i maja¾ postać i( gdzie ki > 0 sa¾ sta÷ ymi. ) = kiwi T ; i = 1; :::; m; (186) Dla wyskalowania modelu dzieli sie¾ d÷ uz·ników na klasy ratingowe, dla których zak÷ ada sie, ¾ z·e wartość oczekiwana parametru i( ) jest sta÷ a: (187) E ( i( )) = cg(i); gdzie cg(i) jest sta÷ a¾ liczba¾ dla ca÷ ej grupy g (i), do której nalez·y d÷ uz·nik i. Rozk÷ adem gamma z parametrami ; := ( ) x , 1 exp( gdzie ( ) := Z 1 0 nazywamy rozk÷ ad o gestości ¾ x)1(0;1)(x), t 1 exp( t)dt: ; > 0; (188) (189) Zadanie 32. Wykazać, z·e jeśli zmienna losowa X ma rozk÷ ad gamma z parametrami , , to EX = = , V arX = = 2. W modelu CreditRisk+ zak÷ ada sie, ¾ z·e czynniki ryzyka j , sa¾ zmiennymi losowymi o rozk÷ adzie gamma z parametrami j , j , gdzie j = j = j 2 dla pewnego j > 0 (j = 1; :::; r). Z przyjetych ¾ wartości parametrów oraz z Zadania 32 wynika, z·e E j = 1 oraz Var j = 2j . Równość E j = 1 jest oczywista. Stad ¾ i z (186) otrzymujemy E ( i( )) = kiE (wi T ) = ki, i = 1; :::; m: (190) P (Yi = 1) = P (Y~i > 0) = E (P (Y~i > 0j )); (191) W modelu tym prawdopodobieństwo niedotrzymania umowy przez i-tego d÷ uz·nika jest dane wzorem gdzie druga¾ równość dowodzi sie¾ analogicznie do wzoru (175). Poniewaz· i ma przy warunku wynika, z·e rozk÷ ad Poissona, wiec ¾ z wzorów (181) i (186) E (P (Y~i > 0j )) = E (1 P (Y~i = 0j )) = E (1 ki E (w i T ) = ki : exp( kiwi T )) (192) Powyz·sza aproksymacja jest sensowna, gdyz· ki jest zwykle ma÷ a¾ liczba. ¾ Zatem ki jest w przybliz·eniu równe prawdopodobieństwu niewyp÷ acalności i-tego d÷ uz·nika. 26 Funkcje tworzace ¾ Funkcja¾ tworzac ¾ a¾ ciagu ¾ liczbowego (pj )1 j=0 nazywamy funkcje¾ G(s) = 1 X j=0 pj sj , s 2 ( a; a); (193) jeśli tylko powyz·szy szereg potegowy ¾ jest zbiez·ny w przedziale ( a; a) dla pewnego a > 0. Za÷ óz·my teraz, z·e X : ! R jest zmienna¾ losowa¾ o wartościach ca÷ kowitych nieujemnych i o rozk÷ adzie prawdopodobieństwa P (X = j ) = pj , j = 0; 1; ::: (194) Wówczas funkcje¾ (193) nazywamy funkcja¾ tworzaca ¾ zmiennej losowej X i oznaczamy GX . Zadanie 33. Wykazać, z·e jez·eli szereg (193) jest bezwzglednie ¾ zbiez·ny w punkcie s, to GX (s) = E (sX ): Zadanie 34. Wykazać, z·e wartość GX (s) jest dobrze określona dla jsj (195) 1. Twierdzenie 35. Rozk÷ ad prawdopodobie´nstwa zmiennej losowej o warto´sciach ca÷ kowitych nieujemnych jest jednoznacznie wyznaczony przez funkcje¾tworzac ¾ a¾ za pomoca¾ wzoru (n) GX (0) pn = : n! Dowód. Dla jsj G0X (s) (196) 1 obliczmy dwie pierwsze pochodne funkcji tworzacej: ¾ = 1 X jpj sj 1, G00X (s) = 1 X j (j 1)pj sj 2: j=2 j=1 Stad ¾ moz·na zaobserwować ogólna¾ prawid÷ owość (n) GX (s) 1 X j! = pj sj n: n)! j=n (j Podstawiajac ¾ w powyz·szym wzorze s = 0, otrzymujemy (196). Twierdzenie 36. Niech X i Y bed ¾ a¾niezale· znymi zmiennymi losowymi. Wówczas GX+Y = GX GY . (197) Szkic dowodu. Poniewaz· X i Y sa¾ niezalez·ne, wiec ¾ takz·e sX i sY sa¾ niezalez·ne. Stad, ¾ z (195) i z Twierdzenia 3 otrzymujemy GX+Y (s) = E (sX+Y ) = E (sX ) E (sY ) = GX (s) GY (s). 27 Model CreditRisk+ dla sta÷ ych prawdopodobieństw niewyp÷ acalności d÷ uz·ników Poniz·ej wyznaczymy funkcje¾ tworzac ¾ a¾ oraz rozk÷ ad prawdopodobieństwa liczby niewyp÷ acalnych d÷ uz·ników w modelu CreditRisk+ w przypadku, gdy prawdopodobieństwa niewyp÷ acalności poszczególnych d÷ uz·ników sa¾ sta÷ e. Rozwaz·amy portfel z÷ oz·ony z m kredytów. Oznaczajac ¾ pojedynczego d÷ uz·nika przez A, bedziemy ¾ oznaczać przez pA prawdopodobieństwo niewyp÷ acalności d÷ uz·nika A w momencie T (tzn. pA = P DA). Liczba niewyp÷ acalnych d÷ uz·ników w momencie T jest dana jako zmienna losowa M := m X A=1 YA: (198) Funkcja tworzaca ¾ zmiennej losowej M ma postać GM (z ) = 1 X P (M = n)z n: (199) n=0 Dla pojedynczego d÷ uz·nika A zmienna losowa YA przyjmuje tylko dwie wartości: 0 (wyp÷ acalność) i 1 (niewyp÷ acalność). Dlatego funkcja tworzaca ¾ tej zmiennej losowej jest dana wzorem GYA (z ) = P (YA = 0)z 0 + P (YA = 1)z 1 = 1 1): (200) Zak÷ adamy, z·e zdarzenia niewyp÷ acalności róz·nych d÷ uz·ników sa¾ niezalez·ne. Wtedy na mocy Twierdzenia 36 funkcja tworzaca ¾ dla ca÷ ego portfela jest iloczynem funkcji tworzacych ¾ dla poszczególnych d÷ uz·ników: GM (z ) = m Y A=1 GYA (z ) = m Y A=1 pA + pAz = 1 + pA(z (1 + pA(z 1)) : (201) Logarytmujac ¾ równanie (201), otrzymujemy ln GM (z ) = m X ln (1 + pA(z (202) 1)) : A=1 Za÷ oz·my nastepnie, ¾ z·e prawdopodobieństwa niewyp÷ acalności indywidualnych d÷ uz·ników sa¾ jednostajnie ma÷ e, tzn. istnieje taka ma÷ a liczba > 0, z·e pA dla kaz·dego A. Wówczas sensowna jest aproksymacja ln (1 + pA(z 1)) pA(z (203) 1): Stad, ¾ biorac ¾ wartości funkcji wyk÷ adniczej od obu stron (202), otrzymujemy GM (z ) 0 exp @ m X pA(z A=1 gdzie := m X A=1 1 1)A = exp ( (z pA: 1)) ; (204) (205) Wykaz·emy, z·e jest wartościa¾ oczekiwana¾ liczby przypadków niewyp÷ acalności w ca÷ ym portfelu. Istotnie, wartość oczekiwana wskaźnika niedotrzymania warunków wyraz·a sie¾ wzorem E (YA) = 1 pA + 0 (1 (206) pA) = pA: Stad ¾ i z (198) mamy E (M ) = m X A=1 E (YA) = m X (207) pA = : A=1 Aby wyznaczyć rozk÷ ad prawdopodobieństwa liczby niewyp÷ acalnych d÷ uz·ników, skorzystamy z rozwiniecia ¾ funkcji wyk÷ adniczej w szereg: GM (z ) exp ( (z 1)) = exp( ) exp( z ) = 1 X exp( n=0 n! ) n n z : (208) Porównujac ¾ (208) z ogólna¾ posatcia¾ funkcji tworzacej ¾ (199), dostajemy nastepu¾ jace ¾ przybliz·enie szukanego rozk÷ adu prawdopodobieństwa: P (M = n) 27.1 ) n exp( n! : (209) Normalizacja straty i grupy ekspozycji Ekspozycja¾ d÷ uz·nika A nazywamy iloczyn EA := EADA LGDA (jest to wartość sta÷ a). (210) W modelu CreditRisk+ zak÷ ada sie, ¾ z·e zmienna losowa SEVA dla kaz·dego d÷ uz·nika A jest sta÷ a i równa LGDA. Zatem zamiast (87) mamy wzór LA := EADA LGDA YA = EA YA; (211) a zamiast (104) mamy L= m X A=1 LA = m X EADA LGDA YA = m X EA YA: (212) A=1 A=1 W celu uproszczenia obliczeń da¾z·y sie¾ do ograniczenia liczby moz·liwych wartości straty L. W tym celu wprowadza sie¾ jednostke¾ ekspozycji, oznaczana¾ E , i wyraz·a sie¾ ekspozycje¾ kaz·dego d÷ uz·nika jako wielokrotność jednostki E : EA = A E; (213) gdzie A jest znormalizowana¾ ekspozycja¾ d÷ uz·nika A. Dla uproszczenia modelu zak÷ adamy, z·e A moz·e przyjmować tylko wartości ca÷ kowite nieujemne. W konsekwencji, strata L wyraz·ona wzorem (212) moz·e przyjmować jako wartości tylko ca÷ kowite nieujemne wielokrotności liczby E . Znormalizowana¾ oczekiwana¾ strate¾ z powodu d÷ uz·nika A określamy jako A := A pA; (214) a znormalizowana¾ oczekiwana¾ strate¾ z portfela jako := m X A: (215) A=1 Przez analogie¾ do wzoru (212), de…niujemy strate¾ z portfela wyraz·ona¾ w jednostkach ekspozycji: ~ := L m X A=1 A YA: (216) ~ przyjmuje tylko wartości ca÷ Funkcja L kowite nieujemne. Z wzorów (212), (213) i (216) wynika zalez·ność: ~ E: L=L (217) Nastepnym ¾ krokiem jest podzia÷wszystkich d÷ uz·ników na grupy ekspozycji, indeksowane litera¾ j , 1 j k (gdzie k m). W ramach kaz·dej grupy wszyscy d÷ uz·nicy maja¾ te¾ sama¾ znormalizowana¾ ekspozycje¾ j (wyraz·ona¾ w jednostkach E ). 27.2 Rozk÷ ad prawdopodobieństwa straty z portfela kredytów ~ , danej wzorem W celu wyznaczenia rozk÷ adu prawdopodobieństwa straty L (216), wyprowadzimy przybliz·ony wzór na funkcje¾ tworzac ¾ a¾ tej straty, która jest zde…niowana nastepuj ¾ aco: ¾ GL~ (z ) := 1 X ~ = n)z n: P (L (218) n=0 Zak÷ adamy, z·e straty z powodu róz·nych d÷ uz·ników sa¾ niezalez·ne. Wówczas takz·e ÷ aczne ¾ straty w poszczególnych grupach ekspozycji sa¾ niezalez·ne i funkcja GL moz·e być wyraz·ona jako iloczyn funkcji tworzacych ¾ strat dla poszczególnych grup ekspozycji: GL~ (z ) = k Y j=1 Gj (z ): (219) Traktujac ¾ kaz·da¾ grupe¾ ekspozycji jako oddzielny portfel, otrzymujemy Gj (z ) = 1 X ~ j = n j )z n P (L j = n=0 exp 1 X P ~j L j 1) ; = n (z j )n j n=0 j (z ! (220) j = 1; :::; k; ~ j oznacza strate¾ (liczbe¾ traconych jednostek) w j -tej grupie ekspozycji gdzie L acalności w j -tej grupie j jest wartościa¾ oczekiwana¾ liczby przypadków niewyp÷ ekspozycji, a ostatnia¾ przybliz·ona¾ równość dowodzi sie¾ analogicznie do wzoru (204). Z (219) i (220) wynika nastepuj ¾ acy ¾ przybliz·ony wzór na funkcje¾ tworzac ¾ a¾ straty z portfela: GL~ (z ) k Y j=1 exp j + jz j 0 = exp @ k X j=1 j + k X j=1 jz 1 jA : (221) Wady modelu CreditRisk+. W modelu CreditRisk+ wystepuj ¾ a¾ istotne b÷ edy ¾ aproksymacji (z powodu przybliz·onych równości takich jak (221)), a takz·e b÷ edy ¾ zaokragleń. ¾ Ponadto w tym modelu w ogóle nie analizuje sie¾ przyczyn niewyp÷ acalności poszczególnych d÷ uz·ników. 28 Skończone ÷ ańcuchy Markowa Ciag ¾ zmiennych losowych fXtgt2N0 (gdzie N0 := N [ f0g) określonych na tej samej przestrzeni probabilistycznej ( ; F ; P ), o wartościach w skończonym zbiorze S (przestrzeni stanów) nazywamy (skończonym) ÷ ańcuchem Markowa, jez·eli dla kaz·dego t 2 N i kaz·dego ciagu ¾ s0; s1; :::; st 2 S spe÷ niony jest warunek P (Xt = stj Xt 1 = st 1; :::; X1 = s1; X0 = s0) = P (Xt = stj Xt 1 = st 1) ; o ile P (Xt 1 = st 1; :::; X1 = s1; X0 = s0) > 0. (222) Macierz P = [pij ]i;j2S nazywamy macierza¾ (wierszowo) stochastyczna, ¾ jez·eli wszystkie jej wyrazy sa¾ nieujemne oraz suma kaz·dego wiersza wynosi 1: pij 0 (8i; j 2 S ), X j2S pij = 1 (8i 2 S ): (223) Macierz stochastyczna¾ (t) = [ ij (t)]i;j2S nazywamy macierza¾ przejścia ÷ ańcucha Markowa fXtgt2N0 w t-tym kroku, t 1, jez·eli ij (t) (224) = P (Xt = jj Xt 1 = i) dla wszystkich j takich, z·e P (Xt 1 = j ) > 0. ańcuchem Markowa, to rozk÷ ad zmiennej losowej X0 Jez·eli fXtgt2N0 jest ÷ nazywamy rozk÷ adem poczatkowym. ¾ ×ańcuch Markowa nazywamy jednorodnym (w czasie), gdy istnieje macierz = [ ij ]i;j2S bed ¾ aca ¾ dla kaz·dego t jego macierza¾ przejścia w t-tym kroku. Wektor wierszowy w(t) = (wj (t))j2S ; gdzie wj (t) := P (Xt = j ); określa rozk÷ ad prawdopodobieństwa ÷ ańcucha Markowa w kroku t (225) 0. Twierdzenie 37. Dla jednorodnego ÷ a´ncucha Markowa, przy t równo´sci w(t) = w(t 1) = w(0) t: Dowód. Oznaczajac ¾ j -ta¾ wspó÷ rzedn ¾ a¾ wektora w(t oraz uwzgledniaj ¾ ac ¾ (224) i (225), otrzymujemy (w (t 1) )j = = = X i2S X i2S X i2S w i (t 1 zachodza¾ 1) (226) przez (w(t 1) )j 1) ij P (Xt 1 = i)P (Xt = jj Xt 1 = i) P (Xt = j ^ Xt 1 = i) = P (Xt = j ) = wj (t); co dowodzi pierwszej równości w (226). Druga¾ równość otrzymujemy z pierwszej przez indukcje. ¾ Wniosek. Z (226) wynika, · ze jednorodny ÷ a´ncuch Markowa jest ca÷ kowicie wyznaczony przez swój rozk÷ ad poczatkowy ¾ i macierz przej´scia. 29 Model CreditMetrics W systemie CreditMetrics wyróz·nia sie¾ dwa g÷ ówne modu÷ y: A szacowanie wartości zagroz·onej pojedynczej transakcji kredytowej, B szacowanie wartości zagroz·onej portfela kredytowego oraz dwa modu÷ y pomocnicze, które zasilaja¾ modu÷B: C szacowanie korelacji miedzy ¾ migracjami kategorii ratingowych, D szacowanie rozk÷ adów poszczególnych ekspozycji kredytowych. Sposób dzia÷ ania systemu jest nastepuj ¾ acy: ¾ 1. Pomiar ekspozycji instrumentu …nansowego. Portfel moz·e zawierać nastepuj ¾ ace ¾ aktywa: obligacje, kredyty, nalez·ności, gwarancje, akredytywy, instrumenty pochodne. Portfel aktywów jest dzielony na cześci ¾ wed÷ ug wielkości ekspozycji, po czym dokonuje sie¾ analizy wraz·liwości poszczególnych instrumentów na czynniki rynkowe. 2. Rozk÷ ad indywidualnego ryzyka niedotrzymania umowy. Kaz·dy instrument (np. kredyt) zostaje przypisany do odpowiedniej kategorii ratingowej, przy czym określa sie¾ zbiór zdarzeń polegajacych ¾ na moz·liwych zmianach ratingu, z niedotrzymaniem umowy w÷ acznie. ¾ Oszacowane prawdopodobieństwa takich zmian tworza¾ tzw. macierze zmian ratingu, które sa¾ szczególnymi przypadkami macierzy przejścia w ÷ ańcuchach Markowa, o czym poniz·ej. Po kaz·dym zdarzeniu wypadniecia ¾ z danej kategorii instrument podlega ponownej wycenie. W przypadku niedotrzymania umowy do wyceny stosowane sa¾ historyczne stopy odzysku strat kredytowych. 3. Wyznaczanie korelacji zdarzeń niedotrzymania umowy. O korelacji miedzy ¾ zdarzeniami niedotrzymania umowy wnioskuje sie na podstawie cen aktywów. Kaz·dy d÷ uz·nik zostaje przypisany do odpowiedniego sektora geogra…cznego (kraj) i gospodarczego (ga÷ a¾ź przemys÷ u lub sektor dzia÷ alności …nansowej), przy czym niektórzy d÷ uz·nicy moga¾ być aktywni w wielu sektorach. 4. Proces symulacji. Nastepnie ¾ stosuje sie¾ symulacje¾ w celu wyznaczenia ÷ acznych ¾ zmian wartości aktywów, przy za÷ oz·eniu wielowymiarowego rozk÷ adu normalnego i wynikajacych ¾ stad ¾ punktów krytycznych, w których nastepuje ¾ zmiana kategorii ratingowej. W ten sposób moz·na obliczyć ÷ aczn ¾ a¾ wartość portfela i wyznaczyć rozk÷ ad strat kredytowych w okresie rocznym. Symulacje¾ stosuje sie¾ takz·e w celu wyznaczenia korelacji miedzy ¾ zdarzeniami niedotrzymania umowy. Uwaga: Tabele i wykresy, do których odwo÷ ujemy sie¾ w kolejnych dwóch podrozdzia÷ ach, sa¾ rozdawane studentom na wyk÷ adzie. 29.1 Macierze zmian ratingu - zwiazek ¾ z teoria¾ ÷ ańcuchów Markowa Macierz zmian ratingu (patrz Tabela 8.2) ma postać [pi;j ]i;j2K , gdzie K jest zbiorem kategorii ratingowych, np. K = fAAA; AA; A; BBB; BB; B; CCC; Def aultg; (227) przy czym kategoria AAA jest najwyz·sza, CCC najniz·sza, a Def ault oznacza niedotrzymanie umowy. Liczba pi;j jest prawdopodobieństwem przejścia z kategorii i do kategorii j w ciagu ¾ najbliz·szego roku. Aby macierz zmian ratingu by÷ a macierza¾ przejścia ÷ ańcucha Markowa, jej ostatni wiersz musi mieć postać [0; 0; :::; 0; 1], poniewaz· w przypadku niedotrzymania umowy przejście do wyz·szej kategorii nie jest moz·liwe (faktycznie wiersz ten jako oczywisty jest pomijany). Z regu÷ y najwyz·sze sa¾ prawdopodobieństwa pozostania w tej samej kategorii, tj. elementy macierzy lez·ace ¾ na g÷ ównej przekatnej. ¾ Macierze zmian ratingu wyznaczane sa¾ na podstawie danych historycznych dotyczacych ¾ kategorii ratingowych oraz przypadków niewyp÷ acalności. Ponadto tworzone sa¾ macierze skumulowanych wskaźników niewyp÷ acalności (patrz Tabela 8.3), majace ¾ postać [ci;j ]i2K;j2T , gdzie T jest zbiorem rzozwaz·anych terminów wieloletnich, np. T = f1; 2; 3; 4; 5; 7; 10; 15g: (228) I tak np. cBBB;4 jest prawdopodobieństwem, z·e d÷ uz·nik posiadajacy ¾ aktualnie kategorie¾ BBB nie dotrzyma warunków umowy w okresie najbliz·szych 4 lat. Elementy tej macierzy moz·na wyznaczać na dwa sposoby: 1) na podstawie bezpośredniego oszacowania - czyli podobnie jak elementy macierzy [pi;j ], 2) z wykorzystaniem teorii ÷ ańcuchów Markowa, a konkretnie faktu, z·e n-letnia macierz przejścia jest n-krotnym iloczynem jednorocznych macierzy przejścia (Twierdzenie 37). Wady modelu CreditMetrics. Hipoteza o zachowaniu sie¾ procseu migracji wed÷ ug zasad ÷ ańcucha Markowa by÷ a mocno krytykowana na podstawie danych empirycznych. W zwiazku ¾ z tym stosowanie drugiej metody wyznaczania macierzy [ci;j ] wia¾z·e sie¾ z istotnymi b÷ edami. ¾ Takz·e bezpośrednie określanie tych prawdopodobieństw na podstawie danych historycznych dla d÷ uz·szych okresów moz·e dawać niedok÷ adne prognozy. 29.2 Badanie korelacji zmian kategorii ratingowych Omówimy teraz modu÷C modelu CreditMetrics, s÷ uz·acy ¾ do wyznaczania ÷ acznych ¾ prawdopodobieństw zmian kategorii ratingowych (w tym wystapienia ¾ zdarzeń niewyp÷ acalności) dla wielu d÷ uz·ników. Proces modelowania przebiega tu w dwóch etapach: 1. Zak÷ ada sie, ¾ z·e ÷ aczna ¾ wartość aktywów …rmy (bed ¾ acej ¾ d÷ uz·nikiem) determinuje zmiany ocen jej wiarygodności kredytowej. W ten sposób zostaje ustanowiony zwiazek ¾ pomiedzy ¾ zdarzeniami, które chcemy opisać, ale które nie sa¾ natychmiast obserwowalne (zmiany kategorii ratingowych) a procesem, który rozumiemy i moz·emy obserwować (zmiany wartości aktywów …rmy). 2. Nastepnie ¾ szacuje sie¾ parametry dla modelu skonstruowanego w pkt. 1. To powinno być ÷ atwiejsze niz· bezpośrednie szacowanie ÷ acznych ¾ prawdopodobieństw zmian kategorii ratingowych wielu d÷ uz·ników. Jest oczywiste, z·e wartość aktywów …rmy determinuje jej zdolność do p÷ acenia zobowiazań ¾ kredytowych. Moz·emy za÷ oz·yć, z·e istnieje pewien szczególny poziom tej wartości taki, z·e jez·eli aktywa …rmy spadna¾ poniz·ej tego poziomu, to …rma nie bedzie ¾ w stanie dotrzymać umowy kredytowej. Analogiczne poziomy moz·na zde…niować dla poszczególnych kategorii ratingowych. Rozwaz·my przyk÷ adowa¾ …rme¾ F1 posiadajac ¾ a¾ kategorie¾ BB , której aktywa sa¾ aktualnie warte 100 mln dolarów. Z przyjetego ¾ w pkt. 1 za÷ oz·enia wynika, z·e moz·na skonstruować funkcje¾ odwzorowujac ¾ a¾ zbiór moz·liwych wartości aktywów w zbiór kategorii ratingowych. Funkcja ta przypisuje wartości aktywów …rmy za rok od chwili obecnej kategorie, ¾ w której znajdzie sie¾ ta …rma za rok. Przyk÷ ad takiej funkcji (przedzia÷ ami sta÷ ej) znajduje sie¾ na Wykresie 8.1. Wartości aktywów na wykresie, którym odpowiadaja¾ zmiany kategorii ratingowych, nazywamy progami wartości. Nie wiemy z góry, jakie sa¾ konkretne wartości tych progów, wiemy tylko, z·e takie istnieja. ¾ Jeśli natomiast znamy progi wartości, to musimy jedynie modelować zmiany wartości aktywów …rmy po to, zeby opisać zmiany jej ocen kredytowych. W tym celu za÷ óz·my, z·e zmiany procentowe wartości aktywów (które moz·na traktować jako „stopy zwrotu” tych aktywów - oznaczmy je przez R) maja¾ rozk÷ ad normalny o wartości oczekiwanej i odchyleniu standardowym . Dla uproszczenia prezentacji zak÷ adamy, z·e = 0. Moz·emy teraz ustanowić zwiazek ¾ pomiedzy ¾ progami wartości z Wykresu 8.1 i prawdopodobieństwami migracji (z macierzy zmian ratingu) dla …rmy F1. Zak÷ adamy, z·e Tabela 8.2 moz·e być zastosowana do tej …rmy. Poniewaz· …rma ma kategorie¾ BB, wiec ¾ istotne sa¾ dane z piatego ¾ wiersza tej tabeli. Dane te umieszczamy w drugiej kolumnie Tabeli 8.4. Z drugiej strony wiemy, z·e istnieja¾ progi wartości ZDef , ZCCC , ZBBB , itd, takie, z·e jez·eli R < ZDef , to …rma F1 staje sie¾ niewyp÷ acalna, jez·eli ZDef R < ZCCC , to …rma F1 spada do kategorii CCC , itd. Progi te zalez·a¾ oczywiście od konkretnej …rmy, poniewaz· róz·ne …rmy maja¾ róz·ne poczatkowe ¾ wartości aktywów. Poniewaz· za÷ oz·yliśmy, z·e zmienna losowa R ma rozk÷ ad normalny, wiec ¾ moz·emy obliczyć prawdopodobieństwa wyz·ej wymienionych zdarzeń nastepuj ¾ aco: ¾ P (fDef aultg) = P (R < ZDef ) = P (fCCCg) = P (ZDef = itd., gdzie (ZDef = ); R < ZCCC ) (ZCCC = ) (ZDef = ); (229) oznacza dystrybuante¾ standaryzowanego rozk÷ adu normalnego. Uwaga. Jez·eli X jest zmienna¾ losowa¾ o wartości oczekiwanej i odchyleniu standardowym , to standaryzowana¾ zmienna¾ losowa¾ X nazywamy zmienna¾ losowa¾ Y := (X )= . Standaryzowany rozk÷ ad zmiennej losowej X de…niujemy jako rozk÷ ad zmiennej losowej Y . Zmienna Y spe÷ nia warunki EY = 0 i VarY = 1. Dystrybuanta zmiennej losowej X o rozk÷ adzie normalnym jest dana wzorem: P (X x) = Z x 1 p exp 1 2 (u 2 2 )2 ! du: (230) Powyz·szej ca÷ ki nie da sie¾ obliczyć dok÷ adnie metoda¾ analityczna. ¾ W konkretnych zagadnieniach do obliczenia wartości dystrybuanty stosuje sie¾ zatem tablice statystyczne (bad ¾ ź tez· odpowiednie kalkulatory czy oprogramowanie komputerów). Tablice zawieraja¾ dane dla dystrybuanty standardowego rozk÷ adu normalnego, tradycyjnie oznaczanej jako i zde…niowanej jako rozk÷ ad o parametrach = 0 i = 1: ( x) = Zwiazek ¾ dystrybuanty zadanych parametrach Z x 1 p exp 1 2 u2 2 ! du: (231) i dystrybuanty rozk÷ adu normalnego X o dowolnie i otrzymuje sie¾ za pomoca¾ standaryzowania rozk÷ adu: P (X x) = x : (232) Na Wykresie 8.2 zaznaczono schematycznie powiazanie ¾ miedzy ¾ ocenami kredytowymi a stopa¾ zwrotu aktywów …rmy. Progi wartości zosta÷ y tam na÷ oz·one na rozk÷ ad stopy zwrotu aktywów. Ca÷ ka po przedziale, którego końcami sa¾ sasiednie ¾ progi wartości, odpowiada prawdopodobieństwu zdarzenia, z·e d÷ uz·nik znajdzie sie¾ w kategorii odpowiadajacej ¾ temu przedzia÷ owi. Aby model by÷poprawny, prawdopodobieństwa w drugiej i trzeciej kolumnie Tabeli 8.4 musza¾ być równe. Zatem prawdopodobieństwo niewyp÷ acalności d÷ uz·nika, czyli (ZDef = ), jest równe 1:06%. Stad ¾ wyznaczamy próg ZDef : ZDef = 1 (1:06%) = 2:30 : (233) Nastepnie, ¾ pos÷ ugujac ¾ sie¾ danymi z dwóch ostatnich kolumn Tabeli 8.4, moz·emy rozwiazać ¾ równanie (ZCCC = ) (ZDef = ) = (ZCCC = ) 1:06% = 1:00% (234) wzgledem ¾ ZCCC i w ten sposób wyznaczyć próg ZCCC , itd. W ten sposób otrzymujemy wartości z Tabeli 8.5. Rozwaz·my teraz drugiego d÷ uz·nika – …rme¾ F2 posiadajac ¾ a¾ kategorie¾ A. Oznaczmy stope¾ zwrotu aktywów …rmy F2 przez R0, odchylenie standardowe tej 0 0 stopy zwrotu przez 0, a progi wartości dla tej …rmy przez ZDef , ZCCC , itd. W Tabeli 8.6 podano prawdopodobieństwa migracji oraz wartości progów dla …rmy F2. Prawdopodobieństwa sa¾ przepisane z wiersza Tabeli 8.2 odpowiadajacego kategorii A. Do tej pory opisywaliśmy zmiany ocen kredytowych kaz·dej …rmy oddzielnie. Aby wyznaczyć prawdopodobieństwa ÷ acznych ¾ zmian ocen kredytowych obu …rm za÷ óz·my, z·e wektor losowy stóp zwrotu aktywów tych …rm ma dwuwymiarowy rozk÷ ad normalny oraz, z·e zmienne losowe R i R0 sa¾ skorelowane. Oznaczmy przez wspó÷ czynnik korelacji tych dwóch stóp zwrotu. Wówczas macierz kowariancji stóp zwrotu ma postać = " 2 0 02 0 # : (235) Znajac ¾ te¾ macierz, moz·emy obliczać prawdopodobieństwa przypisania obu …rmom odpowiednich kategorii. Przypuśćmy np., z·e chcemy obliczyć prawdopodobieństwo zdarzenia, z·e obie …rmy pozostana¾ w swoich obecnych kategoriach. Jez·eli stopy zwrotu aktywów tych …rm sa¾ niezalez·ne (tzn. = 0), to P (ZB 0 R < ZBB , ZBBB = P (ZB 0 ) R0 < ZA 0 R < ZBB ) P (ZBBB 0 ) R0 < ZA (236) = 80:53% 91:05%: Jez·eli natomiast 6= 0, to 0 R < ZBB , ZBBB P (ZB = Z Z0 Z Z BB A ZB 0 ZBBB 0 ) R 0 < ZA f (r; r 0; )dr0dr; (237) gdzie f ( ; ; ) jest funkcja¾ gestości ¾ dwuwymiarowego rozk÷ adu normalnego o macierzy kowariancji (por. wzór (81)). Moz·emy zastosować podobna¾ procedure¾ do obliczenia prawdopodobieństw kaz·dej z 64 ÷ acznych ¾ zmian kategorii ratingowych dla pary d÷ uz·ników (F1; F2). Dla przyk÷ adu, dla = 20% otrzymamy dane z Tabeli 8.7. 29.3 Model CreditMetrics jako model mieszaniny Bernoulliego W modelu CreditMetrics rozwaz·amy wektor losowy X = (X1; :::; Xm), gdzie Xi jest wartościa¾ ukrytej zmiennej dla …rmy (d÷ uz·nika) i w momencie T . Zak÷ adamy, z·e wektor X zalez·y od czynników makroekonomicznych zgodnie z klasycznym modelem czynnika liniowego. Aby go opisać, za÷ óz·my (bez zmniejszenia ogólności), z·e EX = 0. Wówczas wspó÷ rzedne ¾ Xi wektora X spe÷ niaja¾ równania Xi = ai T + i"i, i = 1; :::; m; (238) gdzie = ( 1; :::; p) jest wektorem losowym czynników ekonomicznych. Zak÷ adamy, z·e jest wektorem losowym Gaussa o wartości oczekiwanej zero, tzn. ma postać = AZ; (239) gdzie A jest macierza¾ o wymiarach p k, a Z = (Z1; :::; Zk ) jest wektorem, którego wspólrzedne ¾ sa¾ niezalez·nymi standaryzowanymi zmiennymi losowymi o rozkladzie normalnym. Ponadto "1; :::; "m sa¾ takz·e niezalez·nymi standaryzowanymi zmiennymi losowymi o rozkladzie normalnym, które sa¾ takz·e niezalezne od ("i odpowiada za zmiany ukrytej zmiennej specy…czne dla d÷ uz·nika i). Wektory ai = (ai;1; :::; ai;p) oraz liczby i > 0 sa¾ sta÷ e. Dla kaz·dego d÷ uz·nika i rozwaz·amy ciag poziomów odciecia ¾ (114): i = 1; 1 = Di 1 < D0i < ::: < Dn przy czym niewyp÷ acalność d÷ uz·nika i nastepuje, jeśli wartość zmiennej Xi spadnie poniz·ej poziomu D0i : Yi = 1 , Xi D0i : (240) Ponadto mamy P (Yi = 1j ) = P (Xi = P ("i gdzie (D0i D0i j ) a i T )= i j ) = ((D0i ai T )= i); (241) jest dystrybuabta¾ standaryzowanego rozk÷ adu normalnego. 30 Relacje cześciowo ¾ porzadkuj ¾ ace ¾ Niech F bedzie ¾ dowolnym zbiorem. Relacje¾ określona¾ dla par elementów zbioru F nazywamy relacja¾ cześciowo ¾ porzadkuj ¾ ac ¾ a¾ (zbiór F ), jeśli jest ona (a) zwrotna: 8x 2 F : x x, (b) antysymetryczna: 8x; y 2 F : (x (c) przechodnia: 8x; y; z 2 F : (x Wówczas pare¾ (F; y^y y^y x) ) (x = y ), z ) ) (x z ). ) nazywamy zbiorem cześciowo ¾ uporzadkowanym. ¾ Relacje¾ określona¾ dla par elementów zbioru F nazywamy relacja¾ ściśle cześciowo ¾ porzadkuj ¾ ac ¾ a¾ (zbiór F ), jeśli jest ona (a) przeciwzwrotna: 8x 2 F : x x, (b) przeciwsymetryczna: 8x; y 2 F : (x (c) przechodnia: 8x; y; z 2 F : (x y^y y ) ) (y z ) ) (x x), z ). Zadanie 35. Wykazać, z·e jeśli relacja jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna (zatem warunek (b) w de…nicji relacji ściśle cześciowo ¾ porzadkuj ¾ acej ¾ moz·na pominać). ¾ Twierdzenie 38. Je· zeli okre´slona wzorem (x jest relacja¾ cze¾´sciowo porzadkuj ¾ ac ¾ a,¾ to relacja y ) : , (x y ^ x 6= y ) (242) jest relacja¾´sci´sle cze¾´sciowo porzadkuj ¾ ac ¾ a.¾ Zadanie 36. Udowodnić twierdzenie 38. Jez·eli x; y 2 F i x y , to mówimy, z·e x dominuje nad y . Dwa róz·ne punkty x; y 2 F nazywamy porównywalnymi, jez·eli x y albo y x. W przeciwnym przypadku punkty te nazywamy nieporównywalnymi, co oznaczamy x k y. Jez·eli kaz·da para róz·nych punktów zbioru cześciowo ¾ uporzadkowanego ¾ (F; ) jest porównywalna, to (F; ) nazywamy zbiorem liniowo uporzadkowanym ¾ lub ÷ ańcuchem. Jez·eli kaz·da para róz·nych punktów zbioru cześciowo ¾ uporzad¾ kowanego (F; ) jest nieporównywalna, to (F; ) nazywamy anty÷ ańcuchem. Element x 2 F nazywamy elementem minimalnym zbioru cześciowo ¾ uporzad¾ kowanego (F; ), jez·eli nie istnieje takie x 2 F , z·e x x . Zbiór wszystkich elementów minimalnych oznaczamy Min(F; ). Zbiór Min(F; ) nazywamy zupe÷ nym, jez·eli dla kaz·dego x 2 F istnieje takie x 2 Min(F; ), z·e x x. Zadanie 37. Wykazać, z·e Min(F; ) jest anty÷ ańcuchem. Zadanie 38. Wykazać, z·e jez·eli F jest skończony, to Min(F; ) jest zupe÷ ny. 31 Zadanie optymalizacji wielokryterialnej Niech S bedzie ¾ niepustym podzbiorem Rn i niech f : S ! Rp bedzie ¾ dana¾ funkcja¾ wektorowa. ¾ Zak÷ adamy, z·e przestrzeń Rp jest cześciowo ¾ uporzad¾ kowana w naturalny sposób, tzn. określona jest relacja (dla w; v 2 Rp) (w v ) , (w i vi; i = 1; :::; p) ; (243) która jest zwrotna, antysymetryczna i przechodnia. Rozwaz·amy zadanie optymalizacji wielokryterialnej w ogólnej postaci: ( f (x) ! min; x 2 S: (244) W praktyce zbiór S jest zwykle zde…niowany za pomoca¾ pewnego uk÷ adu równań i/lub nierówności. Mówimy, z·e punkt x 2 S jest punktem optymalnym w sensie Pareto (lub punktem efektywnym, lub punktem niezdominowanym) dla zadania (244), jez·eli nie istnieje x 2 S taki, z·e f i ( x) fi(x); i = 1; :::; p (245) oraz f (x) 6= f (x): (246) Uwaga. Jez·eli spe÷ nione sa¾ nierówności (245), to warunek (246) oznacza, z·e przynajmniej jedna z tych nierówności jest ostra. Sformu÷ ujemy teraz warunek równowaz·ny optymalności w sensie Pareto. Niech T Rp bedzie ¾ dowolnym niepustym zbiorem. Zadanie 39. Wykazać, z·e punkt y 2 T jest elementem minimalnym zbioru T wtedy i tylko wtedy, gdy 8y 2 T : y y)y y: (247) Twierdzenie 39. Punkt x 2 S jest optymalny w sensie Pareto dla zadania (244) wtedy i tylko wtedy, gdy f (x) jest elementem minimalnym zbioru f (S ). Zadanie 40. Udowodnić Twierdzenie 39. 32 Wprowadzenie do algorytmów genetycznych Algorytmy genetyczne naśladuja¾ procesy ewolucyjne obserwowane w przyrodzie. Konstrukcja tych algorytmów opiera sie¾ na sa¾ dwóch za÷ oz·eniach przyjetych ¾ w teorii ewolucji: 1. W procesie rozmnaz·ania sie¾ z·ywych organizmów nastepuje ¾ wymiana informacji genetycznych. 2. Od czasu do czasu, w wyniku zachodzacych ¾ mutacji, pojawiaja¾ sie¾ w przyrodzie z·ywe organizmy o cechach genetycznych istotnie róz·nych od cech pozosta÷ ych (z·yjacych ¾ wcześniej) organizmów. W klasycznym algorytmie genetycznym (zwanym takz·e prostym algorytmem genetycznym) osobniki (chromosomy) zakodowane sa¾ w postaci ÷ ańcuchów binarnych (tj. skończonych ciagów ¾ o ustalonej d÷ ugości z÷ oz·onych z zer i jedynek). Wiadomo, z·e w komputerze moz·na reprezentować tylko skończony podzbiór zbioru liczb rzeczywistych. Zatem algorytm genetyczny zawsze dzia÷ a na pewnym skończonym zbiorze osobników, zwanym przestrzenia¾ poszukiwa´n, który oznaczamy symbolem . Zak÷ adamy, z·e na jest określona funkcja przystosowania f : ! R spe÷ niajaca ¾ warunek f (x) > 0 dla kaz·dego x 2 : (248) Jeśli warunek (248) nie jest spe÷ niony, a funkcja f jest ograniczona z do÷ u, to spe÷ nienie tego za÷ oz·enia moz·na osiagn ¾ ać ¾ dodajac ¾ do f pewna¾ sta÷ a. ¾ W przypadku zadania minimalizacji moz·na jako funkcje¾ przystosowania wziać ¾ f (z dodana¾ ewentualnie pewna¾ sta÷ a). ¾ Parametrami algorytmu sa¾ prawdopodobieństwo krzyz·owania pc oraz prawdopodobieństwo mutacji pm, bed ¾ ace ¾ liczbami z przedzia÷ u [0; 1]. Poczatkow ¾ a¾ populacje¾ r osobników tworzymy w sposób losowy, tzn. losujemy kolejne bity kolejnych osobników. Osobniki (chromosomy) znajdujace ¾ sie¾ w aktualnej populacji oznaczamy v1; v2; :::; vr . Kolejne kroki klasycznego algorytmu genetycznego przedstawiaja¾ sie¾ nastepu¾ jaco ¾ (por. Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag, Berlin, 1992, str. 32–33). 1. (ocena populacji) Wyznaczyć wartości funkcji przystosowania dla wszystkich chromosomów: eval(vj ) := f (vj ); j = 1; :::; r: (249) 2. Obliczyć ca÷ kowite przystosowanie populacji, wyraz·ajace ¾ sie¾ wzorem: F := r X eval(vj ): (250) j=1 3. Obliczyć prawdopodobieństwo wyboru pj dla kaz·dego chromosomu vj (j = 1; :::; r) ze wzoru: pj := eval(vj ) : F (251) 4. Obliczyć prawdopodobieństwo skumulowane qj dla kaz·dego chromosomu vj (j = 1; :::; r) ze wzoru: qj := j X l=1 pl : (252) 5. (proces selekcji polegajacy ¾ na r-krotnym uruchomieniu „ko÷ a ruletki”) Wykonać r razy nastepuj ¾ ace ¾ czynności: (a) Wygenerować losowa¾ liczbe¾ zmiennopozycyjna¾ z 2 [0; 1]. (b). Jeśli z q1, to wybrać pierwszy chromosom v1. W przeciwnym razie, jeśli qj 1 < z qj , przy czym 2 j r, to wybrać chromosom vj . [Uwaga. Prawdopodobieństwo wyboru osobnika jest proporcjonalne do jego przystosowania. Te same osobniki moga¾ być wybierane wielokrotnie. Otrzymana¾ w ten sposób populacje¾ nazywamy populacja¾ po´srednia.] ¾ 6. (wybór chromosomów do krzyz·owania) Dla kaz·dego chromosomu z populacji pośredniej wykonać nastepuj ¾ ace ¾ czynności: (a) Wygenerować losowa¾ liczbe¾ zmiennopozycyjna¾ z 2 [0; 1]. (b) Jeśli z pc, to wybrać dany chromosom do krzyz·owania. [Uwaga. Oczekiwana ilość chromosomów wybranych w ten sposób wynosi rpc.] 7. Jeśli ilość chromosomów wybranych w kroku 6 jest parzysta, to po÷ aczyć ¾ je losowo w pary. W przeciwnym razie do÷ aczyć ¾ losowo jeden chromosom do grupy wybranych lub usunać ¾ losowo jeden chromosom. 8. (krzyz·owanie) Dla kaz·dej pary chromosomów otrzymanej w kroku 7 wygenerować losowa¾ liczbe¾ ca÷ kowita¾ s 2 f1; :::; m 1g. Liczba ta wskazuje pozycje¾ punktu krzyz·owania. Nastepnie ¾ wykonać krzyz·owanie zgodnie z regu÷ a: ¾ (a1:::asas+1:::am) (a1:::asbs+1:::bm) ! (b1:::bsbs+1:::bm) (b1:::bsas+1:::am) (253) 9. (mutacja) Dla kaz·dego chromosomu w aktualnej populacji po krzyz·owaniu i dla kaz·dego bitu w chromosomie wykonać nastepuj ¾ ace ¾ czynności: (a) Wygenerować losowa¾ liczbe¾ zmiennopozycyjna¾ z 2 [0; 1]. (b) jeśli z pm, to zmutować dany bit (tzn. zmienić 0 na 1 lub odwrotnie). [Uwaga. Oczekiwana ilość zmutowanych bitów w pojedynczym chromosomie wynosi rmpm.] 10. Jeśli nie jest spe÷ nione kryterium zatrzymania, to przejść do kroku 1. [Uwaga. Kryterium zatrzymania moz·e mieć róz·ne formy, np. moz·e być to ustalona z góry ilość iteracji albo pewne kryterium probabilistyczne.] 33 Problem wielokryterialny zwiazany ¾ z ryzykiem banku Informacje zawarte w tym rozdziale pochodza¾ z pracy: F. Schlottmann, A. Mitschele, D. Seese, A multi-objective approach to integrated risk management, EMO 2005, LNCS 3410 (2005), 692–706. Rodzaje ryzyka, z którym ma do czynienia bank: 1. Ryzyko rynkowe, wynikajace ¾ z ruchu cen instrumentów …nansowych, np. zmian stopy procentowej, cen akcji lub kursów walut. Charakteryzuje sie¾ krótkim horyzontem czasowym (np. 1 dzień). 2. Ryzyko kredytowe –ryzyko utraty dochodów przez bank z powodu niewyp÷ acalności d÷ uz·ników (…rm lub osób prywatnych zaciagaj ¾ acych ¾ kredyty). Charakteryzuje sie¾ d÷ ugim horyzontem czasowym (np. 1 rok). 3. Ryzyko operacyjne – ryzyko strat wywo÷ anych niew÷ aściwymi procedurami stosowanymi przez bank, b÷ edami ¾ ludzi i systemów informatycznych oraz zewnetrznymi ¾ przypadkami losowymi. Powszechnie stosowana¾ miara¾ dwóch pierwszych rodzajów ryzyka jest wartość zagroz·ona. Dla ryzyka operacyjnego nie znaleziono jakiejś szczególnej miary, dlatego jest ono przybliz·ane jako pewna sta÷ a wartość odpowiednia dla danego rodzaju inwestycji. Sformu÷ owanie problemu. Rozwaz·amy przestrzeń poszukiwań (tzw. uniwersum) z÷ oz·ona¾ z n 2 N moz·liwości inwestowania (sa¾ to instrumenty …nansowe lub ich klasy). Kaz·dy portfel sk÷ adajacy ¾ sie¾ z podzbioru tych moz·liwości jest reprezentowany przez wektor n-wymiarowy (254) x = (x1; x2; :::; xn) spe÷ niajacy ¾ warunki xi 2 [0; 1] (8i 2 f1; :::; ng); n X xi = 1 : (255) i=1 Kaz·da zmienna decyzyjna xi reprezentuje udzia÷procentowy aktualnego kapita÷ u banku, który jest inwestowany w instrument …nansowy i. W rozwaz·anym problemie wielokryterialnym wystepuj ¾ a¾ 4 kryteria optymalności (funkcje celu): 1. Oczekiwana stopa zysku portfela, dana wzorem ret(x) := n X xi r i ; (256) i=1 gdzie ri jest oczekiwana¾ stopa¾ zysku z inwestycji w instrument i. 2. Ryzyko rynkowe portfela (Market Value at Risk): mr(x) := MVaR(x): (257) 3. Ryzyko kredytowe portfela (Credit Value at Risk): cr(x) := CVaR(x): (258) 4. Ryzyko operacyjne or(x) := n X xi i ; (259) i=1 gdzie i jest wartościa¾ specy…czna¾ dla danego rodzaju inwestycji. Kryterium 1 jest maksymalizowane, podczas gdy kryteria 2–4 sa¾ minimalizowane. Do rozwiazania ¾ tego problemu zastosowano algorytm opisany w nastepnym ¾ podrozdziale. 33.1 Algorytm genetyczny NSGA-II Pe÷ na nazwa tego algorytmu to Nondominated Sorting Genetic Algorithm II. Autorami sa¾ K. Deb, A. Pratap, S. Agarwal i T. Meyarivan (2000 r.) Celem algorytmu jest rozwiazanie ¾ zadania optymalizacji wielokryterialnej (244). Algorytm moz·na podzielić na kilka procedur, które opiszemy oddzielnie. Procedura szybkiego niezdominowanego sortowania populacji Procedura FNDS(P ) (skrót pochodzi od Fast NonDominated Sorting) sortuje skończony (cześciowo ¾ uporzadkowany ¾ przez relacje¾ ) zbiór elementów, przydzielajac ¾ elementy do kolejnych niezdominowanych frontów Fi, i = 1; 2; ::: Do pierwszego frontu F1 zalicza sie¾ niezdominowane elementy zbioru P –otrzymuja¾ one range¾ (ang. rank) równa¾ 1. Do drugiego frontu F2 zalicza sie¾ niezdominowane elementy zbioru P nF1 – otrzymuja¾ one range¾ 2, itd. Dla kaz·dego elementu p 2 P procedura oblicza: 1) licznik niezdominowania np – ilość elementów zbioru P , które dominuja¾ nad p; 2) zbiór Sp z÷ oz·ony z elementów zbioru P zdominowanych przez p. Opis procedury FNDS(P ): F1 := ; dla kaz·dego p 2 P Sp := ;, np := 0 dla kaz·dego q 2 P jez·eli p q to Sp := Sp [ fqg w przeciwnym przypadku jez·eli q p to np := np + 1 jez·eli np = 0 to prank := 1, F1 := F1 [ fpg i := 1 jez·eli Fi 6= ; to Q := ; dla kaz·dego p 2 Fi dla kaz·dego q 2 Sp nq := nq 1 jez·eli nq = 0 to qrank := i + 1, Q := Q [ fqg i := i + 1, Fi := Q Procedura przypisywania odleg÷ ości st÷ oczenia Aby otrzymać oszacowanie gestości ¾ rozwiazań ¾ nalez·acych ¾ do danego niezdominowanego frontu (w pobliz·u ustalonego rozwiazania), ¾ oblicza sie¾ tzw. odleg÷ ość st÷ oczenia (crowding distance) dla danego rozwiazania. ¾ Jest to odleg÷ ość punktów sasiednich, ¾ po÷ oz·onych najbliz·ej danego rozwiazania. ¾ Odleg÷ ość ta jest wyraz·ona jako suma odleg÷ ości liczonych wzd÷ uz· poszczególnych osi wspó÷ rzed¾ nych w przestrzeni obrazów. Odleg÷ ość wzd÷ uz· m-tej osi jest proporcjonalna do róz·nicy wartości m-tego kryterium optymalności. Procedura CDA(F ) (Crowding Distance Assignment) oblicza wspomniane odleg÷ ości dla wszystkich elementów danego frontu F . Celem jest eliminacja niektórych rozwiazań ¾ nalez·a¾ cych do F , po÷ oz·onych tam, gdzie sa¾ one bardziej zageszczone. ¾ W zwiazku ¾ z tym rozwiazania ¾ o wyz·szej wartości odleg÷ ości st÷ oczenia maja¾ wieksze ¾ prawdopodobieństwo przejścia do nastepnej ¾ populacji. Rozwiazania ¾ krańcowe (tj. pierwsze i ostatnie w sensie ustalonego kryterium) otrzymuja¾ odleg÷ ość +1 po to, aby by÷ y zawsze wybierane. Opis procedury CDA(F ): l := jF j (ilość elementów zbioru F ) dla kaz·dego i 2 f1; :::; lg F [i]dist := 0 (inicjalizacja odleg÷ ości) dla kaz·dego kryterium m 2 f1; :::; pg F := Sort(F; m) (sortowanie w kolejności rosnacych ¾ wartości fm) F [1]dist = F [l]dist := +1 dla kaz·dego i 2 f2; :::; l 1g fm(F [i + 1]) F [i]dist := F [i]dist + fm(F [l]) fm(F [i 1]) fm(F [1]) Procedura tworzenia nowej populacji Procedura MNP(P ) (Make New Population) tworzy nowa¾ populacje¾ Q (o tym samym rozmiarze N ) z populacji P , uz·ywajac ¾ operacji selekcji turniejowej, krzyz·owania i mutacji. Krzyz·owanie i mutacja dzia÷ aja¾ tak samo jak w klasycznym algorytmie genetycznym (pe÷ ny opis znajduje sie¾ w § 41.1). Selekcja turniejowa dzia÷ a nastepuj ¾ aco. ¾ Za÷ óz·my, z·e kaz·dy element i populacji P posiada dwa atrybuty: 1) range¾ niezdominowania irank 2) odleg÷ ość st÷ oczenia idist Wówczas de…niujemy relacje¾ nastepuj ¾ aco: ¾ j , (irank < jrank) _ [(irank = jrank) ^ (idist > jdist)] Selekcja turniejowa polega na wylosowaniu dwóch elementów i; j 2 P i porównaniu ich za pomoca¾ relacji . Jeśli i j , to element i wygrywa turniej i przechodzi do populacji pośredniej, która nastepnie ¾ poddawana jest krzyz·owaniu i mutacji. Jeśli relacja zachodzi w druga¾ strone, ¾ to turniej wygrywa element j . Jeśli relacja nie zachodzi w z·adna¾ strone¾ (tzn. elementy sa¾ nieporównywalne), to zwyciezca ¾ turnieju jest losowany. Proces selekcji powtarzamy tak d÷ ugo, az· wype÷ ni sie¾ populacja pośrednia. i Opis algorytmu NSGA-II 1. t := 1 2. Rt := Pt [ Qt 3. F := FNDS(Rt) (F = (F1; F2; :::)) 4. Pt+1 := ;, i := 1 5. jez·eli jPt+1j + jFij < N to CDA(Fi) Pt+1 := Pt+1 [ Fi, i := i + 1 6. Fi := Sort(Fi; ) (sortowanie w kolejności malejacej ¾ wed÷ ug 7. Pt+1 := Pt+1 [ Fi[1 : (N jPt+1j) elementów Fi) jPt+1j)] ) (do÷ aczenie ¾ pierwszych (N 8. Qt+1 :=MNP(Pt+1), t := t + 1 9. Jeśli nie jest spe÷ nione kryterium zatrzymania, to przejść do kroku 2. 34 Wielokryterialna optymalizacja portfeli kredytów Informacje zawarte w tym rozdziale pochodza¾ z pracy: F. Schlottmann, D. Seese, A hybrid heuristic approach to discrete multi-objective optimization of credit portfolios (2004). W rozwaz·anym tutaj zadaniu wielokryterialnym bank optymalizuje strukture¾ portfela udzielanych kredytów pod wzgledem ¾ zysku i ryzyka. Portfel obejmuje m > 1 d÷ uz·ników (kredytobiorców). W momencie t = 0 bank podejmuje decyzje¾ o inwestowaniu w m kredytów. Horyzontem czasowym inwestycji jest T > 0. Z kaz·dym d÷ uz·nikiem i 2 V := f1; :::; mg jest zwiazane ¾ ryzyko niedotrzymania przez niego warunków umowy (niewyp÷ acalności). Zak÷ ada sie, ¾ z·e nastepuj ¾ ace ¾ wielkości sa¾ sta÷ e w przedziale [0; T ]: ei := LGDi > 0 – strata banku w przypadku niewyp÷ acalności i-tego d÷ uz·nika (loss given default), moz·e być ona równa np. wielkości udzielonej poz·yczki, ri 2 R – oczekiwana stopa zysku z inwestycji w i-ty kredyt (bez uwzglednienia ¾ ryzyka niedotrzymania warunków), pi 2 [0; 1] –prawdopodobieństwo wystapienia ¾ niewyp÷ acalności i-tego d÷ uz·nika w okresie [0; T ], wi 2 R – wymagana cześć ¾ kapita÷ u nadzorczego (supervisory capital) przypadajaca ¾ na i-ty kredyt. Wielkości ri i wi sa¾ zalez·ne od ei. Bedziemy ¾ uz·ywać nastepuj ¾ acych ¾ oznaczeń wektorowych: e := (e1; :::; em), r := (r1; :::; rm), p := (p1; :::; pm), w := (w1; :::; wm). Niech K > 0 oznacza budz·et kapita÷ owy banku przeznaczony na zabezpieczenie wszystkich inwestycji (maksymalny kapita÷nadzorczy). Struktura zalez·ności pomiedzy ¾ zdarzeniami niewyp÷ acalności d÷ uz·ników i; j 2 V jest określona za pomoca¾ grafu nieskierowanego G := (V; E ) i funkcji h : E ! R, gdzie E := V V jest pe÷ nym zbiorem krawedzi ¾ potencjalnych zalez·ności niewyp÷ acalności pomiedzy ¾ d÷ uz·nikami i; j , a h jest funkcja¾ wyraz·ajac ¾ a¾ stopień (si÷ e) ¾ zalez·ności dla kaz·dej pary d÷ uz·ników (i; j ). Struktura portfela jest dana za pomoca¾ wektora x = (x1; x2; :::; xm), xi 2 f0; eig: (260) Poniewaz· kaz·da zmienna xi moz·e przyjmować jedynie wartości 0 lub ei, bank musi dla kaz·dego d÷ uz·nika i zadecydować, czy zatrzymać ca÷ a¾ wartość LGDi w swoim portfelu, czy nie. W tym zadaniu optymalizacji wielokryterialnej rozwaz·ane sa¾ dwie bed ¾ ace ¾ w kon‡ikcie funkcje celu (kryteria optymalności): oczekiwana stopa zysku z portfela i ryzyko portfela. Nowościa¾ w stosunku do poprzedniego zadania jest wykorzystanie zalez·ności miedzy ¾ d÷ uz·nikami. Oczekiwana stopa zysku z portfela x jest dana wzorem ret(x; p; r ) := m X i=1 r i xi m X i=1 pixi: (261) Ryzyko z portfela x jest dane wzorem risk(x; p; h) := Var (x; p; h) m X pixi (262) i=1 dla ustalonego 2 (0; 1), gdzie wartość zagroz·ona¾ oblicza sie¾ z uwzglednieniem ¾ struktury zalez·ności określonej przez h. Wymagana wielkość kapita÷ u nadzorczego dla danej struktury portfela x jest dana wzorem cap(x; w) := m X xi w i : (263) i=1 Dana struktura portfela x jest dopuszczalna, jez·eli cap(x; w) K: (264) Niech bed ¾ a¾ dane dwie róz·ne dopuszczalne struktury portfela x i y . Mówimy, z·e x dominuje nad y , jez·eli spe÷ niony jest jeden z nastepuj ¾ acych ¾ dwóch warunków: (i) ret(x; p; r ) > ret(y; p; r ) ^ risk(x; p; h) (ii) ret(x; p; r ) risk(y; p; h); (265) ret(y; p; r ) ^ risk(x; p; h) < risk(y; p; h): (266) d Jez·eli x dominuje nad y , to oznaczamy te¾ relacje¾ x > y . Oznaczmy przez S zbiór wszystkich moz·liwych struktur portfela zde…niowanych wzorem (260), a przez S 0 zbiór struktur dopuszczalnych ( S 0 S ). Element x 2 S 0 nazywamy dopuszczalna¾ globalna¾ niezdominowana¾ struktura¾ portfela, jez·eli spe÷ nia warunek 8y 2 S 0 : d y>x : (267) Niech P E oznacza zbiór wszystkich x 2 S 0 spe÷ niajacych ¾ (267). Celem algorytmu, który omówimy poniz·ej, jest aproksymacja zbioru P E . 34.1 Algorytm HMOEA HMOEA jest skrótem nazwy Hybrid Multi-Objective Evolutionary Algorithm (hybrydowy wielokryterialny algorytm ewolucyjny). Algorytm 1 (pseudokod algorytmu HMOEA) 1. Inicjalizować e; p; r; h; w; K (zde…niowane powyz·ej) oraz t = 0 2. Generować populacje¾ poczatkow ¾ a¾ P (t) 3. Inicjalizować populacje¾ elity Q(t) = ; 4. Ocenić P (t) 5. repeat 6. Wybrać osobniki z P (t) (operator selekcji) 7. Rekombinować wybrane osobniki (operator krzyz·owania) 8. Mutować wybrane osobniki (operator mutacji) 9. Zastosować poszukiwanie lokalne do zmutowanych osobników 10. Utworzyć populacje¾ potomków P 0(t) 11. Ocenić ÷ aczn ¾ a¾ populacje¾ J (t) = P (t) [ P 0(t) 12. Zaktualizować populacje¾ elity Q(t) na podstawie J (t) 13. Generować P (t + 1) z J (t) 14. t=t+1 15. until (Q(t) = Q(maxf0; t tdi¤g)) _ (t > tmax) Uwaga. W powyz·szym algorytmie ocena P (t) i J (t) jest przeprowadzana w oparciu o nastepuj ¾ ace ¾ kryterium dominacji przy ograniczeniach (constraintdomination). Dla danych dwóch róz·nych struktur portfela x i y (niekoniecznie dopuszczalnych) mówimy, z·e x dominuje nad y przy ograniczeniach, jez·eli zachodzi jeden z nastepuj ¾ acych ¾ 4 przypadków: (i) cap(x; w) K ^ cap(y; w) K ^ K ^ cap(y; w) K ^ ret(x; p; r ) > ret(y; p; r ) ^ risk(x; p; h) (ii) cap(x; w) ret(x; p; r ) risk(y; p; h); (268) ret(y; p; r ) ^ risk(x; p; h) < risk(y; p; h); (269) (iii) cap(x; w) K ^ cap(y; w) > K; (270) (iv) cap(x; w) > K ^ cap(y; w) > K ^ cap(x; w) < cap(y; w): (271) c Jez·eli x dominuje nad y przy ograniczeniach, to relacje¾ te¾ oznaczamy x > y . 34.2 Implementacja operatorów genetycznych Reprezentacja potencjalnych rozwiazań. ¾ Osobnik jest ÷ ańcuchem genów o wartościach rzeczywistych 0 lub ei. Operator selekcji. Selekcja turniejowa w oparciu o kryterium dominacji przy ograniczeniach. Operator krzyz·owania. Standardowe krzyz·owanie jednopunktowe. Operator mutacji. Standardowa mutacja zmieniajaca ¾ losowo poszczególne geny (0 na ei lub odwrotnie). 34.3 Implementacja operatora poszukiwania lokalnego Celem poszukiwania lokalnego jest przesuniecie ¾ danego potencjalnego rozwiaza¾ nia (portfela x) w kierunku rozwiazania ¾ o korzystniejszej strukturze. W odróz·nieniu od operatorów genetycznych poszukiwanie lokalne ma charakter deterministyczny. Przed omówieniem procedury poszukiwania lokalnego wprowadzimy pewne oznaczenia. Zak÷ ada sie, ¾ z·e istnieje r niezalez·nych sektorów (indeksowanych przez j = 1; :::; r) i odpowiadajacych ¾ im czynników ryzyka j w modelu CreditRisk+. Kaz·dy d÷ uz·nik moz·e być aktywny w wiecej ¾ niz· jednym sektorze. Pierwszy sektor (dla j = 1) jest specy…czny dla d÷ uz·nika, tj. w tym sektorze nie ma korelacji pomiedzy ¾ przypadkami niewyp÷ acalności róz·nych d÷ uz·ników. D÷ uz·nicy sa¾ przypisywani do sektorów (np. przemys÷ , rolnictwo, handel, us÷ ugi) na podstawie wag ij (waga aktywności i-tego d÷ uz·nika w j -tym sektorze) spe÷ niajacych ¾ warunki ij 2 [0; 1]; 8i : r X (272) = 1: j=1 Uz·ywamy nastepuj ¾ acej ¾ funkcji celu przy poszukiwaniu lokalnym: ret(x; p; r ) : (273) f (x; p; r; h) := risk(x; p; h) Funkcja celu jest maksymalizowana, co odpowiada w pewnym sensie jednoczesnej maksymalizacji zysku i minimalizacji ryzyka. Przy wykorzystaniu danych z modelu CreditRisk+ funkcja ta przyjmuje postać f (x; p; ; ; r ) := Pm i=1 xi(ri Var (x; p; ; ) pi) : Pm i=1 pixi (274) Tutaj zamiast abstrakcyjnej struktury zalez·ności h wystepuj ¾ acej ¾ w (273) mamy macierz wag = [ ij ]i2V;j2f1;:::;rg oraz wektor = ( 1; :::; r ) wspó÷ czynników j bed ¾ acych ¾ odchyleniami standardowymi odpowiednich czynników j . Algorytm 2 (pseudokod operatora poszukiwania lokalnego) 1. for all x 2 P (t) do 2. Wybrać losowo liczbe¾ z 2 (0; 1) (wed÷ ug rozk÷ adu jednostajnego) 3. if z 4. 5. plocal then if cap(x; w) > K then D= 1 6. 7. else Wybrać D 2 f 1; 1g z jednakowym prawdopodobieństwem 1=2 8. end if 9. for all i 2 f1; :::; mg do 10. x ^ i = xi 11. end for 12. Step = 0 13. repeat 14. 15. for all i 2 f1; :::; mg do x ^ i = xi 16. end for 17. retold = 18. riskold = Var (x; p; ; 19. for all j 2 f1; :::; mg do 20. 21. Pm i=1 xi(ri pi) ) Pm i=1 xipi @ f (x; p; ; Obliczyć dj = @x j end for ; r) 22. if D = 1 then 23. Wybrać i = argminj fdj jxj > 0g 24. Usunać ¾ tego d÷ uz·nika z portfela: x ^i = 0 25. else 26. Wybrać i = argmaxj fdj jxj = 0g 27. Dodać tego d÷ uz·nika do portfela: x ^i = ei 28. end if 29. retnew = Pm ^ i (r i i=1 x pi) 30. risknew = Var (^ x; p; ; 31. Step = Step + 1 32. ) until (Step = Stepmax) _ (8i : x ^i = 0) _ (8j : x ^j > 0)_ (^ x 2 P (t)) _ (^ x 2 Q(t)) _ (D = (D = 1^ cap(^ x; w) > K ) _ (retnew 33. Pm ^ipi i=1 x 1^ cap(^ x; w) retold^risknew K )_ riskold) Zastapić ¾ element x w P (t) przez jego zoptymalizowana¾ wersje¾ 34. end if 35.end for 35 Ryzyko inwestowania w obligacje Ryzyko inwestowania w obligacje jest na ogó÷mniejsze niz· ryzyko inwestowania w akcje, ale mimo to nie nalez·y go zaniedbywać. Ryzyko to pochodzi z kilku źróde÷i dlatego moz·emy mowić o kilku rodzajch ryzyka, które teraz kolejno omówimy. 35.1 Ryzyko niedotrzymania warunków Ryzyko niedotrzymania warunków (inaczej: ryzyko kredytowe) wystepuje ¾ wtedy, gdy emitent obligacji nie dotrzymuje warunków umowy, tzn. nie wyp÷ aca odsetek lub nie wykupuje obligacji w terminie. Przyczyna¾ moz·e być np. upad÷ ość …rmy. Jest to szczególny przypadek ryzyka kredytowego, które bedzie ¾ omawiane w dalszej cześci ¾ wyk÷ adu. 35.2 Ryzyko stopy procentowej Ryzyko stopy procentowej (inaczej: ryzyko zmiany ceny, ryzyko okresu posiadania lub ryzyko rynkowe) wystepuje ¾ wtedy, gdy posiadacz obligacji zamierza ja¾ sprzedać przed terminem wykupu. Cena typowej obligacji zmienia sie¾ przeciwnie do zmian stóp procentowych (rynkowych). Kiedy stopy te rosna, ¾ to cena obligacji spada i na odwrót. Jeśli inwestor jest zmuszony sprzedać obligacje¾ przed data¾ wykupu, wzrost stóp spowoduje strate¾ kapita÷ owa, ¾ gdyz· sprzeda on obligacje po cenie niz·szej od ceny nabycia. Wraz·liwość ceny obligacji na zmiany stóp rynkowych zalez·y od okresu do wykupu (im d÷ uz·szy, tym wieksza ¾ wraz·liwość) i oprocentowania (im wyz·sze, tym mniejsza wraz·liwość). 35.3 Ryzyko reinwestowania Stopa zysku z obligacji R (patrz wzór (??)) obliczana jest przy za÷ oz·eniu, z·e otrzymane odsetki sa¾ reinwestowane przy stopie procentowej równej R. Dodatkowy dochód z reinwestycji odsetek zalez·y zarówno od poziomu stóp procentowych, jak i obranej przez inwestora strategii. Zmienność stopy reinwestycji powodowana ‡uktuacjami rynkowych stóp procentowych zwana jest w÷ aśnie ryzykiem reinwestowania. Ryzyko jest tym wyz·sze, im d÷ uz·szy jest okres posiadania obligacji. 35.4 Ryzyko przedterminowego wykupu Ten rodzaj ryzyka wystepuje ¾ w przypadku obligacji z opcja¾ wykupu na z·a¾ danie, które daja¾ emitentowi prawo z·adania ¾ wykupu przed ustalonym terminem. Emitent wykupuje obligacje z regu÷ y wtedy, gdy spadna¾ stopy procentowe (bo bedzie ¾ móg÷poz·yczyć taniej pieniadze ¾ gdzie indziej), wiec ¾ inwestor naraz·a sie¾ na ryzyko reinwestycji, czyli bedzie ¾ musia÷uzyskane pieniadze ¾ zainwestować przy niz·szych stopach. 35.5 Ryzyko in‡acji W przypadku wzrostu stopy in‡acji wartość posiadanej obligacji moz·e znacznie spaść. Takie ryzyko istnieje przy obligacjach o sta÷ ym oprocentowaniu –eliminuje je indeksowanie (dostosowanie) obligacji do in‡acji bad ¾ ź rynkowych stóp procentowych, które rosna¾ wraz z podwyz·szaniem sie¾ in‡acji. 35.6 Ryzyko kursu walutowego Ryzyko to wystepuje ¾ w przypadku obligacji nominowanych w walutach obcych. Odsetki i kapita÷otrzymane z takich obligacji sa¾ obarczone duz·a¾ niepewnościa, ¾ gdyz· ich wartość zalez·y od kursu walutowego, obowiazuj ¾ acego ¾ w momencie dokonywania p÷ atności. 35.7 Ryzyko p÷ ynności Ryzyko p÷ ynności określa stopień trudności, z jaka¾ moz·emy sprzedać posiadane obligacje bez utraty wartości w stosunku do biez·acej ¾ ceny rynkowej. Podstawowa¾ miara¾ tego ryzyka jest rozpietość ¾ (spread) miedzy ¾ oferowanymi na rynku cenami kupna i sprzedaz·y papierów wartościowych. Im wieksza ¾ rozpietość, ¾ tym wieksze ¾ ryzyko p÷ ynności. Ryzyko p÷ ynności nie wystepuje ¾ w przypadku inwestorów, którzy trzymaja¾ obligacje do momentu wykupu. 35.8 Ryzyko zmienności Ryzyko zmienności oznacza stopień, w jakim zmiana zakresu wahań stóp procentowych moz·e mieć niekorzystny wp÷ yw na cene¾ obligacji. Dotyczy to g÷ ównie obligacji z wbudowanymi opcjami dodatkowymi (im wyz·sza oczekiwana zmienność stóp, tym wieksza ¾ wartość tych opcji). W przypadku obligacji z opcja¾ wykupu na z·adanie, ¾ wzrost zmienności skutkuje spadkiem ceny obligacji, gdyz· powoduje on wzrost wartości prawa do wykupu, które zosta÷ o przekazane emitentowi przez inwestora.