Szacowanie ryzyka zmian cen akcji metodČ podziaďu pola
Transkrypt
Szacowanie ryzyka zmian cen akcji metodČ podziaďu pola
Problemy ZarzÈdzania, vol. 10, nr 4 (39), t. 1: 178 – 187 ISSN 1644-9584, © Wydziaï ZarzÈdzania UW DOI 10.7172.1644-9584.39.11 Szacowanie ryzyka zmian cen akcji metodÈ podziaïu pola Grzegorz Przekota W pracy podjÚto problem szacowania ryzyka zmian cen akcji. Najbardziej popularne sÈ miary klasyczne: wariancja, odchylenie standardowe oraz wspóïczynnik zmiennoĂci. WĂród miar nieklasycznych najbardziej popularny jest wymiar fraktalny, w tym wykïadnik Hursta. W pracy zaproponowano alternatywny sposób liczenia wymiaru fraktalnego szeregów czasowych. OkreĂla on, jak silnie szereg czasowy wypeïnia swojÈ przestrzeñ, i sïuĝy miÚdzy innymi do charakteryzowania szeregów danych gieïdowych ze wzglÚdu na stopieñ „postrzÚpienia”. Wymiar fraktalny obliczano dla szeregów czasowych notowañ indeksów gieïdowych WIG i WIG20 w latach 2008–2011. Otrzymane wyniki ïatwo moĝna interpretowaÊ oraz odnieĂÊ je do prezentacji graficznej szeregu, co jest waĝne w praktycznych zastosowaniach. 1. WstÚp W klasycznej teorii analizy ryzyka cen akcji stosuje siÚ popularne narzÚdzia statystyczne: wariancjÚ, odchylenie standardowe, wspóïczynnik zmiennoĂci czy semiodchylenie standardowe (Jajuga i Jajuga 2006: 182–187). Praktyczna skutecznoĂÊ tych miar jest bezdyskusyjna, chociaĝ warto zwróciÊ uwagÚ na fakt, iĝ dla cen akcji najwïaĂciwszÈ z wymienianych miar bÚdzie wspóïczynnik zmiennoĂci, gdyĝ wartoĂÊ odchylenia standardowego zaleĝy od poziomu cen, natomiast dla szeregów stóp zwrotu najwïaĂciwszÈ miarÈ bÚdzie odchylenie standardowe. Warto jednak poszukiwaÊ takĝe innych rozwiÈzañ. Mniej popularne sÈ narzÚdzia teorii chaosu. NarzÚdzia pochodzÈce z teorii chaosu nie sÈ jeszcze powszechnie stosowane wĂród badaczy, gïównie ze wzglÚdu na trudnoĂci powstajÈce przy obliczaniach oraz czÚste niejasnoĂci interpretacyjne. Niniejsza praca ma na celu przedstawienie jednego z narzÚdzi teorii chaosu – wymiaru fraktalnego. JednÈ z najpopularniejszych metod szacowania wymiaru fraktalnego jest metoda wariacyjna VM (Dubuc i in. 1989: 1506). Jej rozwiniÚciem jest metoda segmentowe-wariacyjna SVM zaproponowana przez ZwolankowskÈ (2001: 63). W pracy zaprezentowano autorskÈ metodÚ szacowania wymiaru fraktalnego metodÈ podziaïu pola. 178 Problemy ZarzÈdzania Szacowanie ryzyka zmian cen akcji metodÈ podziaïu pola 2. Wymiar fraktalny szeregów czasowych Geometria euklidesowa podaje wymiar przestrzeni, w której umieszczony jest szereg czasowy. PrzestrzeniÈ tÈ jest pïaszczyzna o wymiarze euklidesowym – 2. RozpatrujÈc natomiast trajektoriÚ szeregu czasowego jako ïamanÈ, otrzymujemy wymiar euklidesowy – 1. OdchodzÈc od wymiaru euklidesowego, moĝna zauwaĝyÊ, ĝe wykres szeregu czasowego nie wypeïnia caïej pïaszczyzny, na której zostaï umieszczony, zatem jego wymiar bÚdzie mniejszy od 2 i róĝny od l, gdyĝ jest to wymiar euklidesowy prostej, a szeregi czasowe nie majÈ na ogóï ksztaïtu linii prostej. RozwiÈzaniem tej niedogodnoĂci jest wymiar fraktalny, scharakteryzowany przez Petersa: „Wymiar fraktalny, który opisuje, w jaki sposób obiekt (lub szereg czasowy) wypeïnia swojÈ przestrzeñ, jest wynikiem wszystkich czynników wpïywajÈcych na system, którego wytworem jest dany obiekt (szereg czasowy)” (Peters 1997: 58). Wymiar fraktalny oznacza siÚ przez D i nie musi on byÊ liczbÈ caïkowitÈ. Dla wykresów szeregów czasowych przyjmuje wartoĂci z przedziaïu <1; 2>. WartoĂÊ l wymiar szeregu czasowego przyjmowaÊ bÚdzie wówczas, gdy wykres bÚdzie miaï ksztaït linii prostej, a wartoĂÊ 2, gdy bÚdzie wypeïniaÊ pewien obszar dwuwymiarowy na pïaszczyěnie. W praktyce wartoĂci skrajne nie sÈ osiÈgane. Skoro wymiar fraktalny ma opisywaÊ, jak szereg czasowy wypeïnia obszar, innymi sïowy, jak zagÚszcza siÚ na pïaszczyěnie, to wiÚksze zagÚszczenie powodowaÊ bÚdzie zwiÚkszony wymiar fraktalny, a mniejsze zagÚszczenie spowoduje mniejszy wymiar fraktalny. Dla szeregów czasowych oznacza to, ĝe czÚste zmiany w róĝnych kierunkach bÚdÈ powodowaÊ zwiÚkszenie wymiaru i szereg bÚdzie bardziej wypeïniaï pïaszczyznÚ, a szeregi jednokierunkowe, z maïÈ liczbÈ zmian, bÚdÈ miaïy mniejsze wymiary fraktalne, ich ksztaïty zaĂ bÚdÈ bardziej zbliĝone do ksztaïtu prostej. Szeregi, w których wystÚpujÈ czÚste zmiany w róĝnych kierunkach, charakteryzuje zjawisko powrotu do Ăredniej, a szeregi o maïej liczbie zmian – zjawisko podtrzymania trendu. Odpowiednie wnioski moĝna jednak wysnuÊ dopiero po obserwacji danych empirycznych. Przykïad zastosowania wymiaru fraktalnego do zjawisk naturalnych podaje Mandelbrot (1983). Problem dotyczy pomiaru dïugoĂci linii brzegowej. Wynik zaleĝy od dïugoĂci miarki: im miarka jest krótsza, tym wynik dokïadniejszy, gdyĝ pozwala uchwyciÊ wiÚcej krzywizn. Wymiar fraktalny umoĝliwia odpowiedě na pytanie, jak postrzÚpione sÈ linie brzegowe. Im linie brzegowe sÈ bardziej postrzÚpione, tym ich wymiar fraktalny jest wiÚkszy. E. Peters podaje np. wymiar fraktalny linii brzegowej Norwegii – 1,52 i linii brzegowej Wielkiej Brytanii – 1,26 (Peters 1997: 60). Wynik ten jest zgodny z obserwacjÈ mapy – linia brzegowa Norwegii jest bardziej postrzÚpiona od linii brzegowej Wielkiej Brytanii, a wiÚc jej wymiar fraktalny jest wiÚkszy i bardziej zbliĝony do 2. vol. 10, nr 4 (39), t. 1, 2012 179 Grzegorz Przekota 3. Geometryczny sposób wyznaczenia wymiaru fraktalnego Jeden ze sposobów znalezienia wymiaru fraktalnego szeregów czasowych podaje E. Peters (1997). Wymiar fraktalny ustala siÚ, mierzÈc stopieñ postrzÚpienia linii. Naleĝy policzyÊ liczbÚ kóï o okreĂlonej Ărednicy, które potrzebne sÈ do pokrycia caïej linii. NastÚpnie trzeba zmniejszyÊ ustalonÈ ĂrednicÚ kóï i powtórzyÊ obliczenia. Po przeprowadzeniu odpowiedniej liczby takich operacji moĝna zauwaĝyÊ, ĝe liczba kóï jest zwiÈzana wykïadniczo zb dïugoĂciÈ promienia kóï nastÚpujÈcÈ relacjÈ: Nr = (2r)D, (1) gdzie: Nr – najmniejsza liczba kóï przy ustalonym r, r – promieñ, D – wymiar fraktalny. StÈd wymiar fraktalny D jest wspóïczynnikiem kierunkowym prostej regresji: (2) log Nr = Dlog(2r). Jest to jednak maïo efektywny sposób wyliczenia wymiaru fraktalnego, gdyĝ wymaga wielu geometrycznych konstrukcji. Podobnie liczy siÚ wymiar fraktalny metodÈ pudeïkowÈ BCM, z tym ĝe zamiast kóï zlicza siÚ kwadraty ob okreĂlonej dïugoĂci boku potrzebne do pokrycia wykresu szeregu czasowego. 4. Szacowanie ryzyka metodÈ podziaïu pola Autorska metoda szacowania wymiaru fraktalnego przedstawiona wb niniejszym opracowaniu ïÈczy elementy metod segmentowo-wariacyjnej oraz tradycyjnych metod geometrycznych. Podobnie jak w metodzie segmentowo-wariacyjnej wykres szeregu czasowego pokrywany bÚdzie przez prostokÈty, samo szacowanie wymiaru fraktalnego bÚdzie natomiast odbywaÊ siÚ poprzez szacowanie wspóïczynnika regresji, podobnie jak w metodach geometrycznych. Naleĝy zaïoĝyÊ, ĝe ma siÚ do dyspozycji kawaïek pïaszczyzny w ksztaïcie prostokÈta o podstawie a i wysokoĂci b. Pole tego prostokÈta bÚdzie wynosiÊ P = ab (rysunek 1). ProstokÈt ten zostanie podzielony na poïowy, dlatego teĝ pole P nazwiemy pierwotnym (przed podziaïem). NastÚpnie dzieli siÚ pierwotny prostokÈt na dwie równe czÚĂci pionowÈ prostÈ (rysunek 2). Èczne pole powstaïych dwóch prostokÈtów bÚdzie wynosiÊ p i p = P, poniewaĝ: a a 2ab 2 $ b + 2 $ b = 2 = ab = P . 180 (3) Problemy ZarzÈdzania Szacowanie ryzyka zmian cen akcji metodÈ podziaïu pola b a P=ab Rys. 1. ProstokÈt o polu P. ½ródïo: opracowanie wïasne. b a/2 a/2 P=ab Rys. 2. ProstokÈt o polu P po podziale. ½ródïo: opracowanie wïasne. Kolejne przepoïawianie prostokÈtów nie zmieni faktu, ĝe suma pól zawsze bÚdzie wynosiÊ P. Oznacza to, ĝe suma pól P po podziale prostokÈta na dowolnÈ liczbÚ równych prostokÈtów pionowymi liniami bÚdzie taka sama, jak suma pól p po podziale dwukrotnie gÚstszym od danego (pierwotnym moĝe byÊ podziaï np. na trzy prostokÈty, a nastÚpny na szeĂÊ). Zatem dla dowolnego podziaïu zachodzi tutaj zwiÈzek: P p = 2$ 2. (4) W prostokÈcie naleĝy umieĂciÊ wykres szeregu czasowego. Rys. 3. Szereg czasowy na pïaszczyěnie. ½ródïo: opracowanie wïasne. Niech szereg czasowy ma dïugoĂÊ N, wtedy pole obszaru zajmowanego przez szereg moĝna wyliczyÊ nastÚpujÈco: P = N $ ^ x max - x minh , (5) gdzie: xmax i xmin sÈ odpowiednio najwiÚkszÈ i najmniejszÈ wartoĂciÈ wbszeregu. vol. 10, nr 4 (39), t. 1, 2012 181 Grzegorz Przekota Naleĝy podzieliÊ prostokÈt, zajmowany przez szereg czasowy, pionowÈ prostÈ na poïowy i znaleěÊ sumÚ pól p powstaïych poïówek, stosujÈc wzór (5) do kaĝdej poïówki: N N p = 2 $ ^ x max - x min h + 2 $ ^ x max - x min h . 1 1 2 2 (6) PomiÚdzy p a P zachodzi nierównoĂÊ: p m P. (7) PowtarzajÈc czynnoĂÊ przepoïawiania skoñczonÈ iloĂÊ razy, za kaĝdym razem okaĝe siÚ, ĝe suma pól poïówek w stosunku do sumy pól pierwotnych jest od nich niewiÚksza. Oznacza to, ĝe przy dowolnym podziale pierwotnym na k czÚĂci pole zajmowane przez wykres szeregu bÚdzie wynosiÊ: k N Pk = k / ^ x max - x min h , i i i 1 = (8) a przy podziale na 2k czÚĂci: 2k N p 2k = 2k / ^ x max - x min h . i i i=1 (9) PomiÚdzy Pk i p2k zachodzi nierównoĂÊ: P p 2k # 2 $ 2k . (10) RównoĂÊ we wzorze (10) zachodzi jedynie dla wykresów szeregów czasowych caïkowicie wypeïniajÈcych swojÈ pïaszczyznÚ. Jeĝeli szereg bÚdzie miaï ksztaït linii prostej, to pomiÚdzy p a P zachodziÊ bÚdzie równoĂÊ: P p 2k = 1 $ 2k . (11) RównoĂÊ ta zachodzi takĝe dla ïamanej poczÈwszy od pewnego podziaïu. Dla dowolnego szeregu: P p 2k = D $ 2k , (12) gdzie: D zawieraÊ siÚ bÚdzie w przedziale <1;b2> i bÚdzie tym wiÚksze, im ksztaït trajektorii szeregu czasowego bÚdzie bardziej postrzÚpiony, czyli im czÚĂciej w szeregu wystÚpowaÊ bÚdzie zmiana trendów na przeciwne. WartoĂÊ D natomiast bÚdzie tym bliĝsza 1, im ksztaït szeregu bliĝszy bÚdzie prostej, czyli im mniej bÚdzie w szeregu zmian trendów na przeciwne. JeĂli wbukïadzie wspóïrzÚdnym na osi x bÚdzie siÚ odkïadaÊ wartoĂci P/2, a na osi y wartoĂci p, to wartoĂÊ D bÚdzie wspóïczynnikiem regresji prostej oszacowanej 182 Problemy ZarzÈdzania Szacowanie ryzyka zmian cen akcji metodÈ podziaïu pola dla punktów (P/2; p). Tak zdefiniowania wartoĂÊ D moĝe byÊ traktowana jako miara postrzÚpienia szeregów, czyli jako wymiar fraktalny szeregów. W praktycznym zastosowaniu dla danych gieïdowych na podstawie wartoĂci wymiaru fraktalnego moĝna wnioskowaÊ o ryzyku inwestycyjnym. Przykïad 1. Zakïada siÚ, ĝe szereg o N=100 ma nastÚpujÈcÈ postaÊ: 1, 2, 1, 2, 1, 2 itd. Dla caïego szeregu N=100, xmax=2, xmin=1, stÈd P=100. Po przepoïowieniu szeregu otrzymuje siÚ dwa szeregi dïugoĂcib 50, w których xmax=2, xmin=1. Pole kaĝdego jest równe 50, a suma p=100. Szeregi dïugoĂci 50 sÈ z kolei pierwotnymi dla szeregów dïugoĂcib 25, wb których xmax=2, xmin=1, a stÈd pole kaĝdego prostokÈta jest równe 25, absuma 100. Jest to jeden z moĝliwych podziaïów szeregu dïugoĂci 100 na poïowy. Drugi podziaï to podziaï najpierw na szeregi dïugoĂci 20, potem 10, a nastÚpnie 5. W kaĝdym z tych przypadków suma pól równa jest 100. PrzeprowadzajÈc oszacowanie wymiaru fraktalnego D, dostajemy wartoĂÊ 2, co jest równoznaczne z tym, ĝe powyĝszy szereg zajmuje caïÈ swojÈ pïaszczyznÚ, a to oznacza takĝe, ĝe mamy do czynienia ze zjawiskiem powrotu do Ăredniej. N N/2 P p 100 50 100 100 50 25 100 100 20 10 100 100 10 5 100 100 Tab. 1. Pola zajmowane przez szereg w kolejnych podziaïach szeregu z przykïadu 1. ½ródïo: opracowanie wïasne. Przykïad 2. Zakïada siÚ, ĝe szereg o N=100 ma nastÚpujÈcÈ postaÊ: 1, 2, 3, 4 itd. Dla caïego szeregu N=100, xmax=100, xmin=1, stÈd P=9900. Po przepoïowieniu szeregu otrzymujemy dwa szeregi dïugoĂci 50, w pierwszym xmax=50, xmin=1, w drugim xmax=100, xmin=51, a stÈd pole kaĝdego jest równe 2450, a suma p=4900. Szeregi dïugoĂci 50 sÈ zbkolei pierwotnymi dla szeregów dïugoĂci 25, w których kaĝde pole równe 600, a suma p=2400 (przy polu pierwotnym P=4900, dla N=50). Jest to jeden z moĝliwych podziaïów szeregu dïugoĂci 100 na poïowy. Drugi podziaï to podziaï najpierw na szeregi dïugoĂci 20, potem 10, a nastÚpnie 5. Wyniki tych podziaïów umieszczono w tabeli 2. PrzeprowadzajÈc oszacowanie wymiaru fraktalnegobD, otrzymuje siÚ dla takich danych wartoĂÊ 0,9861, co jest równoznaczne zbtym, ĝe wykres szeregu stanowi liniÚ prostÈ. Oznacza to równieĝ zjawisko jednokierunkowego trendu. Gdyby dopuĂciÊ wszystkie wartoĂci rzeczywiste leĝÈce na linii prostej, wartoĂÊ D byïaby równab1. WartoĂÊ 1 oznacza liniÚ prostÈ i nie jest osiÈgana dla szeregów innego typu. vol. 10, nr 4 (39), t. 1, 2012 183 Grzegorz Przekota N N/2 P p 100 50 9 900 4 900 50 25 4 900 2 400 20 10 1 900 900 10 5 900 400 Tab. 2. Pola zajmowane przez szereg w kolejnych podziaïach szeregu z przykïadu 2. ½ródïo: opracowanie wïasne. 5. Wymiar fraktalny dla szeregu cen i stóp zwrotu WIG i WIG20 Praktyczne zastosowanie wymiaru fraktalnego pokazano na przykïadzie wartoĂci indeksów gieïdowych WIG i WIG20 oraz stóp zwrotu tych indeksów w latach 2008–2011. Na rysunku 4 przedstawiono ksztaïtowanie siÚ wartoĂci indeksu WIG oraz stopy zwrotu tego indeksu w badanym okresie, a na rysunku 5 ksztaïtowanie siÚ wartoĂci indeksu WIG20 oraz stopy zwrotu tego indeksu w tym samym okresie. pkt 55 000 50 000 45 000 40 000 35 000 30 000 25 000 20 000 2008 2009 2010 2011 rok % 10 8 6 4 2 0 –2 –4 –6 –8 –10 2008 2009 2010 2011 rok Rys. 4. WartoĂci i stopy zwrotu indeksu WIG w latach 2008–2011. ½ródïo: opracowanie wïasne na podstawie danych GPW. 184 Problemy ZarzÈdzania Szacowanie ryzyka zmian cen akcji metodÈ podziaïu pola pkt 3 500 3 000 2 500 2 000 1 500 1 000 2008 % 10 8 6 4 2 0 –2 –4 –6 –8 –10 2008 2009 2009 2010 2010 2011 2011 rok rok Rys. 5. WartoĂci i stopy zwrotu indeksu WIG20 w latach 2008–2011. ½ródïo: opracowanie wïasne na podstawie danych GPW. Obserwacja ksztaïtu szeregu wartoĂci indeksów WIG i WIG20 wskazuje na wyraěne podobieñstwa, tj. punkty zwrotne wystÚpujÈ w podobnym czasie, trendy majÈ podobnÈ siïÚ i dïugoĂÊ. Gdyby scharakteryzowaÊ te szeregi odchyleniem standardowym (tabela 3), to dla indeksu WIG otrzymano 7361,77, a dla WIG20b409,08. Tak duĝa róĝnica jest wynikiem innego poziomu wartoĂci tych indeksów. Pomiar wspóïczynnikiem zmiennoĂci wskazuje na wyĝszÈ wzglÚdnÈ zmiennoĂÊ wartoĂci indeksu WIG niĝ WIG20 – jest to odpowiednio 18,4% i 17,1%. Ryzyko zatem lepiej tutaj przedstawiÊ za pomocÈ wspóïczynnika zmiennoĂci. Dla tych danych wyznaczono takĝe wymiar fraktalny D szacowany metodÈ podziaïu pola; wyniósï on odpowiednio 1,4218 oraz 1,4119. Takie wyniki z jednej strony potwierdzajÈ podobieñstwo w ksztaïtowaniu siÚ wartoĂci indeksów WIG i WIG20, ale dodatkowo, znajÈc zakres wymiaru fraktalnego <1;b 2>, moĝna powiedzieÊ, iĝ mamy tutaj do czynienia z przeciÚtnie silnym zjawiskiem podtrzymania trendu. W tabeli 4 zaprezentowano charakterystyki dla szeregu czasowego stóp zwrotu indeksów WIG i WIG20. Dla indeksu WIG otrzymano odchylenie standardowe na poziomie 1,5991%, dla indeksu WIG20 1,9082%. Wynika stÈd, iĝ ryzyko zmiany wartoĂci stopy zwrotu indeksu WIG20 jest znaczÈco vol. 10, nr 4 (39), t. 1, 2012 185 Grzegorz Przekota wyĝsze niĝ dla indeksu WIG, tymczasem obserwacja ksztaïtu szeregów stóp zwrotu wskazuje na doĂÊ duĝe podobieñstwo. Wynik z wymiaru fraktalnego to odpowiednio 1,6998 oraz 1,7088 i tutaj mamy informacjÚ o wyraěnym podobieñstwie tych szeregów. JednoczeĂnie wartoĂci wymiaru fraktalnego wskazujÈ, iĝ w szeregach stóp zwrotu wystÚpuje silne zjawisko oscylacji wokóï poziomu Ăredniego. Statystyka ¥rednia Odchylenie standardowe Wspóïczynnik zmiennoĂci Wymiar fraktalny WIG WIG20 39 913,83 2 389,02 7 361,77 409,08 18,4% 1,4218 17,1% 1,4119 Tab. 3. Charakterystyki dla szeregu wartoĂci indeksów WIG i WIG20. ½ródïo: obliczenia wïasne. Statystyka ¥rednia WIG WIG20 –0,0165% –0,0221% Odchylenie standardowe 1,5991% 1,9082% Wspóïczynnik zmiennoĂci – – Wymiar fraktalny 1,6998 1,7088 Tab. 4. Charakterystyki dla szeregu stóp zwrotu indeksów WIG i WIG20. ½ródïo: obliczenia wïasne. 6. Podsumowanie Analiza zaprezentowanych przykïadów dostarcza bardzo ciekawych informacji. Moĝna zauwaĝyÊ kilka prawidïowoĂci. Szeregi bardziej postrzÚpione majÈ wyĝsze wymiary fraktalne od szeregów mniej postrzÚpionych. Szeregi obprzewaĝajÈcym trendzie bocznym majÈ wyĝsze wymiary fraktalne od szeregów o wyraěnym trendzie wzrostowym lub spadkowym. OczywiĂcie te dwie informacje przenikajÈ siÚ wzajemnie, gdyĝ na odcinku o tej samej dïugoĂci szereg o trendzie bocznym najczÚĂciej jest bardziej postrzÚpiony od szeregu o wyraěnym trendzie, a to ze wzglÚdu na czÚstszÈ liczbÚ zmian w róĝnych kierunkach. Szereg taki bardziej upodabnia siÚ do szeregu rozpatrywanego w przykïadzie l, a wiÚc szeregu wypeïniajÈcego bardziej zajmowany obszar, a co z tym idzie do szeregu, w którym wystÚpuje zjawisko powrotu do Ăredniej. Szeregi o wyraěnym trendzie wzrostowym lub spadkowym upodabniajÈ siÚ natomiast bardziej do prostej analizowanej w przykïadzie 2, dlatego ich wymiary fraktalne sÈ mniejsze. OczywiĂcie siïa takiego trendu moĝe byÊ róĝna. W praktyce wymiar fraktalny moĝe byÊ traktowany jako miara ryzyka inwestycyjnego. JeĂli ryzyko zdefiniujemy jako zmiennoĂÊ i przyjmiemy, ĝe 186 Problemy ZarzÈdzania Szacowanie ryzyka zmian cen akcji metodÈ podziaïu pola wiÚksza zmiennoĂÊ oznacza wiÚksze ryzyko, to niĝsze wartoĂci wymiaru fraktalnego bÚdÈ oznaczaÊ niĝsze ryzyko, a wyĝsze wartoĂci wymiaru fraktalnego wyĝsze ryzyko. Warto takĝe zwróciÊ uwagÚ na fakt, iĝ miara ta moĝe byÊ z powodzeniem stosowana zarówno dla szeregów cen, jak i stóp zwrotu. OczywiĂcie nie ma sensu porównywanie wymiaru fraktalnego szeregu cen ibszeregu stóp zwrotu, bo wiadomo, ĝe ten drugi w praktyce zawsze bÚdzie miaï wiÚkszy wymiar. PorównywaÊ naleĝy ten sam typ szeregu (albo cen albo stóp zwrotu) dla róĝnych papierów wartoĂciowych. JednÈ z najwaĝniejszych zalet wymiaru fraktalnego jest jego prosta interpretacja graficzna, co moĝe byÊ z powodzeniem wykorzystane nawet przez mniej doĂwiadczonych inwestorów. Informacje o autorze Dr Grzegorz Przekota – Instytut Ekonomii i ZarzÈdzania, Politechnika Koszaliñska. E-mail: [email protected]. Bibliografia Dubuc, B., RoÈues-Carmes, J.F., Tricot, C. i S.W. Zucker 1989. Evolving the Fractal Dimension of Profiles. Physical Review, nr 39. Jajuga, K. i T. Jajuga 2006. Inwestycje, Warszawa: Wydawnictwo Naukowe PWN. Mandelbrot, B. 1983. The Fractal Geometry of Nature. American Journal of Physics, nrb 3 (51), DOI: 10.1119/1.13295. Peters, E.E. 1997. Teoria chaosu a rynki kapitaïowe, Warszawa: WIG-Press. Zwolankowska, M. 2001. Fraktalna geometria polskiego rynku akcji. Rozprawy i Studia, t. 382, Uniwersytet Szczeciñski. vol. 10, nr 4 (39), t. 1, 2012 187