Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 1
UNIVERSITÀ DEGLI STUDI DI BERGAMO
Facoltà di Ingegneria
Corso di Risk Management
Prof. Filippo Stefanini
Concetti basilari
A.A. 2009/2010
Corso 60012 – Corso di Laurea Specialistica in Ingegneria Edile
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 2
Performance nette mensili di un portafoglio
111
1
t
t
t
ttt NAV
NAVNAV
NAVNAVR
Sia NAVt il patrimonio netto di un portafoglio di strumenti finanziari al tempo t. Il rendimento mensile del portafoglio è:
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 3
CAGR = Compounded Annual Growth Rate, tasso di crescita medio composto. Se Vf è il valore finale e Vi è il valore iniziale ed n è il numero di anni che intercorrono tra i due valori, il tasso di crescita medio composto è dato dalla seguente formula:
1 n
i
f
VV
CAGR
CAGR
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 4
Performance cumulate
1)1(1
t
iit RCP
La performance cumulata è data dalla seguente formula:
Su un orizzonte di 12 mesi la performance cumulata è definita YTD (Year To Date)
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 5
Variabile casuale
Possiamo pensare al rendimento di un portafoglio come ad una variabile casuale.
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 6
Distribuzione empirica
-2% -1% 0% 1% 2% 3% 4%0
2
4
6
8
10
12
14
-3%
Rendimenti mensili
Num
ero
di o
sser
vazi
oni
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 7
Moda
La moda è il valore di una distribuzione caratterizzato dalla massima frequenza.
MODA
-2% -1% 0% 1% 2% 3% 4%0
2
4
6
8
10
12
14
-3%Rendimenti mensili
Num
ero
di o
sser
vazi
oni
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 8
Mediana
La mediana è il valore che occupa la posizione centrale nella distribuzione (il 50% dei dati sono a destra ed il 50% dei dati a sinistra della mediana).
-2% -1% 0% 1% 2% 3% 4%0
2
4
6
8
10
12
14
-3%
20 osservazioni 20 osservazioni
MEDIANA
Rendimenti mensili
Num
ero
di o
sser
vazi
oni
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 9
Funzione densità di probabilità
La funzione di densità di probabilità è la distribuzione di probabilità di una variabile casuale
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 10
Funzione ripartizione dei rendimenti
xdttfxF )()(
Si dice funzione di ripartizione o funzione cumulativa delle frequenze dei rendimenti
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 11
Percentile
Il percentile è quel valore x per il quale la funzione di ripartizione è uguale al valore p.
pxF )(
La mediana è il valore di x per il quale p=0.5Il primo quartile è il valore di x per il quale p=0.25Il primo decile è il valore di x per il quale p=0.1
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 12
x
Significato grafico del percentile
F(x)=p
x
f(x)
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 13
1. Media2. Varianza3. Asimmetria4. Curtosi
Momenti di un campione di dati
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 14
Data una serie storica di n performance Rt, la performance media è data dalla seguente formula:
Media
Analogia con il baricentro di una distribuzione di masse.
n
ttR
nR
1
1
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 15
Varianza = è una misura della dispersione dei rendimenti attorno alla loro media.
Varianza
1
ˆ 1
2
2
n
RRn
tt
Analogia con il momento di inerzia di una distribuzione di masse.
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 16
Varianza
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
-4 -2 0 2 4
Varianza = 0,25
Varianza = 1
Varianza = 4
x
f(x)
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 17
Asimmetria = è il terzo momento standardizzato della distribuzione e misural’asimmetria della distribuzione di probabilità di una variabile casuale
Asimmetria (Skewness)
Se l’asimmetria è:>0 la coda destra è più lunga della sinistra<0 la coda sinistra è più lunga della destra=0 la distribuzione è simmetrica
Asimmetria negativa
Asimmetria positiva
x
f(x)
x
f(x)
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 18
Curtosi = è il rapporto tra il momento standardizzato di ordine 4 e il quadrato dellavarianza
Curtosi
Se la curtosi è:
>3 la distribuzione si definisce leptocurtica, cioè più "appuntita" di una normale
<3 la distribuzione si definisce platicurtica, cioè più "piatta" di una normale
=3 la distribuzione si definisce normocurtica, cioè "piatta" come una normale
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 19
Curtosi
Curtosi di 7 distribuzioni conosciute
Nell’esempio seguente confrontiamo alcune distribuzioni conosciute che hanno i primi tre momenti uguali:
Media = 0Varianza = 1Asimmetria = 0
La figura mostra la funzione di densità di probabilità di 7 distribuzioni:• D: Laplace distribution, a/k/a double exponential distribution, red curve, kurtosis 6
(leptokurtic) • S: hyperbolic secant distribution, orange curve, kurtosis 5 (leptokurtic) • L: logistic distribution, green curve, kurtosis 4.2 (leptokurtic) • N: normal distribution, black curve, kurtosis 3 (mesokurtic) • C: raised cosine distribution, cyan curve, kurtosis 2.4 (platykurtic) • W: Wigner semicircle distribution, blue curve, kurtosis 2 (platykurtic) • U: uniform distribution, magenta curve, kurtosis 1.8 (platykurtic)
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 20
Curtosi
654.232.421.8
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 21
La distribuzione normale standardizzata
x
t dtex 2/2
21)(
La funzione di densità di probabilità di una variabile casuale normale standardizzata:
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 22
Una distribuzione normale ha:
Media = 0Varianza = 1Asimmetria = 0Curtosi = 3
La funzione di densità normale standardizzata
0,0
0,1
0,1
0,2
0,2
0,3
0,3
0,4
0,4
0,5
-4 -3 -2 -1 0 1 2 3 4 x
f(x)
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 23
Se una distribuzione ha
Media = 0Varianza = 1Asimmetria = 0Curtosi = 3
posso concludere che è una distribuzione normale standardizzata ?
No! Devo prima fare un test di normalità e calcolare la significatività osservata.
La funzione di densità normale standardizzata
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 24
La funzione di ripartizione normale standardizzata
0,0
0,2
0,4
0,6
0,8
1,0
1,2
-4 -3 -2 -1 0 1 2 3 4 x
F(x)
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 25
Distribuzione normale
In una distribuzione normale circa il 68% delle osservazioni sono compresetra ± 1 standard deviation (σ) dalla media (µ); circa il 95% dei valori sonocompresi tra ± 2 σ e circa il 99.7% tra ± 3 σ.
68%
+ σ - σ x
f(x)
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 26
Rendimento e volatilità
Possiamo misurare un rendimento in relazione alla volatilità e dire che uncerto rendimento è pari ad n volte la volatilità di quello strumento finanziario.Per cui potremo dire che un certo rendimento è stato pari a -2σ o a - 3σ.
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 27
1
)(1
2
n
RRn
tt
Standard deviation = radice quadrata della varianza:
con n > 1
La deviazione standard è una misura della volatilità di uno strumento finanziario.
Standard deviation
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 28
Fonte: Bloomberg, dati al 09/03/2010
s dei membri dell’indice DAX
Name s30gg s60gg s90ggAdidas AG 26.4% 24.0% 26.4%Allianz SE 18.4% 19.1% 23.4%BASF SE 25.0% 24.6% 26.1%Bayer AG 24.8% 25.9% 25.7%Bayerische Motoren Werke AG 28.9% 24.8% 28.3%Beiersdorf AG 17.7% 20.2% 21.5%Commerzbank AG 37.4% 38.9% 41.5%Daimler AG 34.9% 29.3% 32.8%Deutsche Bank AG 33.0% 34.8% 37.3%Deutsche Boerse AG 25.0% 24.7% 26.6%Deutsche Lufthansa AG 26.9% 27.9% 27.6%Deutsche Post AG 30.6% 27.8% 28.7%Deutsche Telekom AG 16.4% 18.4% 20.6%E.ON AG 19.1% 19.5% 20.7%Fresenius Medical Care AG & Co KGaA 21.9% 20.1% 20.0%Fresenius SE 24.9% 21.9% 24.8%Henkel AG & Co KGaA 21.0% 20.0% 22.7%Infineon Technologies AG 37.4% 38.8% 45.0%K+S AG 28.2% 31.9% 34.2%Linde AG 20.5% 22.3% 24.0%MAN SE 26.1% 22.5% 27.0%Merck KGaA 37.0% 28.3% 26.8%Metro AG 21.2% 20.4% 23.1%Muenchener Rueckversicherungs AG 13.2% 14.3% 16.4%RWE AG 18.9% 17.0% 17.3%Salzgitter AG 26.5% 26.6% 29.0%SAP AG 22.6% 22.5% 21.7%Siemens AG 26.8% 24.8% 29.0%ThyssenKrupp AG 31.2% 30.2% 30.6%Volkswagen AG 33.0% 31.7% 47.8%
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 29
Esempio di titoli con volatilità molto diverse
0
2
4
6
8
10
12
14
16
18
20
01/01/2006 11/04/2006 20/07/2006 28/10/2006 05/02/2007 16/05/2007 24/08/2007 02/12/2007 11/03/2008 19/06/2008
Tenaris S.A. Terna - Rete Elettrica Nationale SpA
La volatilità a 260 giorni di Tenaris è 33.0% mentre quella a 260 giorni di Terna è 19.1%. Il grafico della storia dei prezzi mostra visivamente la differenza.
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 30
Indice di Sharpe = Rappresenta una misura di rendimento corretto per il rischiobasato sul confronto del “maggior rendimento” (excess return) di un portafoglio distrumenti finanziari rispetto al rendimento di un’attività senza rischio (ad es. Euribor3m, Libor 3m), con la misura del rischio (deviazione standard) del maggiorrendimento.Ad esempio, date le serie storiche dell’andamento del valore del portafoglio edell’andamento del Libor 3m si calcola il rendimento del portafoglio, il rendimentodell’attività risk free e la deviazione standard della serie ottenuta dalla differenza delledue serie storiche.In formule:
er
rfhf
Sharpe di Indice
dove:rhf è il rendimento medio del portafoglio,rrf è il rendimento medio dell’attività risk freeser è la deviazione standard dell’excess return.
Indice di Sharpe
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 31
Fairfield Sentry Ltd
Lo Sharpe Ratio del fondo Fairfield Sentry Ltd era di 2.4.Ma il giorno 11 dicembre 2008 Bernard Madoff, 70 anni, è stato arrestatocon l’accusa di frode. Lui era insolvente ed lo era stato per anni ed avevaideato un “Ponzi scheme”. Le perdite causate dalla sua frode si aggiranointorno ai $50 miliardi di dollari. È stato poi riconosciuto colpevole econdannato a 150 anni di prigione.
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 32
Portafoglio APortafoglio B
Distribuzioni di rendimenti per due portafogli A e B
Pro
babi
lità
Rendimento %
Omega
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 33
Portafoglio A Portafoglio BMedia 14,0 14,0
Varianza 25,0 25,0
Sharpe Ratio = 0,36*
I due portafogli hanno lo stesso indice di Sharpe ma siamo veramente indifferenti tra i due portafogli ?
* Assumendo Risk Free Rate = 5%
I due portafogli hanno la stessa media e la stessa varianza. Si noti che il portafoglio B ha la coda destra più alta di quella sinistra.
Omega
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 34
La maggior parte degli investitori non è indifferente tra i due portafogli !!!
Analizziamo meglio i momenti delle due distribuzioni:Portafoglio A Portafoglio B
Media 14,0 14,0Varianza 25,0 25,0
Asimmetria 0,0 1,0Curtosi 3,0 4,9
Apparentemente il portafoglio A ha rendimenti distribuiti normalmente, mentre il portafoglio B ha asimmetria positiva, ossia una probabilità maggiore di produrre rendimenti a destra del picco della distribuzione rispetto alla sinistra. Il portafoglio B ha una Curtosi maggiore del portafoglio A, ossia una maggior probabilità di generare rendimenti estremi. La scelta tra i due portafogli dipende dalla funzione di utilità dell’investitore.
Omega
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 35
Pro
babi
lità
Rendimento %Omega è il rapporto tra l’area bianca e l’area colorata
(usando una soglia di perdita uguale a zero)
Se definiamo “perdite inaccettabili” tutti i rendimenti negativi, possiamoporre uguale a zero la “soglia di perdita”. Il grafico seguente mostra lafunzione di densità di probabilità del portafoglio B.
Omega
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 36
Fonte: A Universal Performance Measure, Con Keating and William F. Shadwick
Se usiamo una “soglia di perdita” parametrica r otteniamo la funzioneOmega:
Dove (a,b) è l’intervallo dei rendimenti e F(x) è la funzione di ripartizionedei rendimenti.Per ogni livello di rendimento r, Ω(r) è il rapporto tra la probabilità dei guadagni e la probabilità delle perdite, relativi alla soglia r.
Omega
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 37
Om
ega
Le funzioni Omega rivelano che il portafoglio B è superiore al portafoglio A per quasi tutte le “soglie di perdita” che un
investitore può realisticamente considerare.
Portafoglio APortafoglio B
Infatti A è superiore a B solo per soglie di perdita inferiori a -40% o comprese tra +14% e +19%.
Soglia di perdita %
Omega
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 38
• È calcolata direttamente dalle distribuzioni dei rendimenti e nonrichiede stime
• Permette agli investitori di calcolare distribuzioni di rendimentiradicalmente diverse in un modo oggettivo
• È semplice da visualizzare• Omega tiene conto di tutti i momenti di una distribuzione perché
è una trasformazione della distribuzione stessa• Evita di prendere decisioni introducendo la funzione di utilità• Omega vale 1 in corrispondenza del rendimento medio.
Caratteristiche della funzione Omega
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 39
Indice di Sortino = è un indicatore di rischio molto simile all’indice diSharpe, anche se al denominatore usa la deviazione standard degliexcess return negativi
Indice di Sortino
L’indice di Sortino nasce dall’esigenza di distinguere tra volatilità buona (quella dei rendimenti positivi) e volatilità cattiva (quella dei rendimenti negativi).
dove:Rhf è il rendimento medio del portafoglioRrf è il rendimento medio dell’attività risk freeser neg è la deviazione standard degli excess return negativi
neger
rfhf RR
Sortino di Indice
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 40
Consideriamo adesso un portafoglio di strumenti finanziari. Costruiamola retta di regressione a partire dai rendimenti del portafoglio disegnati infunzione dei rendimenti del mercato di riferimento.
Alpha = extrarendimento di portafoglio. Statisticamente è rappresentatodall’intercetta sull’asse delle ordinate della retta di regressione nel pianorendimento del portafoglio (in ordinate) rendimento di mercato (in ascissa)
Beta = esposizione del portafoglio al rischio sistematico. Statisticamente è la pendenza della retta di regressione nel piano rendimento del portafoglio (in ordinate) rendimento di mercato (in ascissa). Il beta misura la sensibilità della variazione del rendimento di un portafoglio alla variazione del rendimento di mercato:
• se b>1 la sensibilità del rendimento del portafoglio è maggiore di quella di mercato
• se b=1 la sensibilità del rendimento del portafoglio è uguale a quella di mercato
• se b<1 la sensibilità del rendimento del portafoglio è inferiore a quella di mercato
Alpha e Beta
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 41
Rendimento del portafoglio
di titoli
Rendimento dell’indice del
mercato di riferimento
AlphaBeta
Retta di regressione
lineare
Significato grafico di Alpha e Beta
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 42
Beta dei membri dell’indice DAX
Name bAdidas AG 0.90 Allianz SE 1.15 BASF SE 1.10 Bayer AG 0.80 Bayerische Motoren Werke AG 1.04 Beiersdorf AG 0.63 Commerzbank AG 1.40 Daimler AG 1.28 Deutsche Bank AG 1.44 Deutsche Boerse AG 1.05 Deutsche Lufthansa AG 1.00 Deutsche Post AG 1.01 Deutsche Telekom AG 0.72 E.ON AG 0.96 Fresenius Medical Care AG & Co KGaA 0.54 Fresenius SE 0.77 Henkel AG & Co KGaA 0.78 Infineon Technologies AG 1.45 K+S AG 1.02 Linde AG 0.81 MAN SE 1.12 Merck KGaA 0.74 Metro AG 1.05 Muenchener Rueckversicherungs AG 0.78 RWE AG 0.85 Salzgitter AG 1.28 SAP AG 0.86 Siemens AG 1.08 ThyssenKrupp AG 1.20 Volkswagen AG 0.91
Fonte: Bloomberg, dati al 09/03/2010
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 43
EsempioAlfa e beta del fondo Arca Azioni Italia rispetto all’indice Italy Stock Market BCI Comit
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 44
Indice di Treynor
Indice di Treynor = è una misura del extra-rendimento di un portafogliorispetto ad un’attività priva di rischio diviso per il rischio sistematico delportafoglio
hf
rfhf RR
Treynor di Indice
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 45
Alpha di Jensen
Alpha di Jensen = misura l’extra-rendimento di un portafoglio rispetto alrendimento spiegato dal modello Capital Asset Pricing Model.
rfmrfhf RRRRJensen diAlpha
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 46
Maximum uninterrupted loss = Il ribasso generato dalla peggior serie storica di rendimenti negativi consecutivi.
Maximum uninterrupted gain = Il rialzo generato dalla miglior serie storica di rendimenti positivi consecutivi.
Maximum uninterrupted loss, Maximum uninterrupted gain
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 47
Esempio
Calcoliamo il ribasso generato dalla peggior serie storica di rendimentinegativi consecutivi.
Maximum uninterrupted loss = -4.45%
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 48
Drawdown = Il ribasso da un picco ad una valle. Il minimo seguente non è determinato finché il portafoglio non raggiunge un nuovo massimo.
Maximum Drawdown = Massimo valore del declino da qualsiasi picco a valle in un determinato periodo.
Drawdown e Maximum Drawdown
11
i
ii NAVMax
NAVDrawdown
nDrawdownnMaxDrawdow 1min
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 49
La formula per il calcolo del drawdown
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 50
80
84
88
92
96
100
gen-
02
lug-
02
gen-
03
lug-
03
gen-
04
lug-
04
gen-
05
lug-
05
gen-
06
lug-
06
gen-
07
lug-
07
Drawdown
Maximum drawdown = -7.32%
31/12/2002
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 51
Massimo Run-Up = Massimo valore del rialzo da qualsiasi valle a picco in un determinato periodo. Il massimo seguente non è determinato finché il portafoglio non raggiunge un nuovo minimo.
Maximum Run-Up = Massimo valore del rialzo da qualsiasi valle a picco in un determinato periodo.
Run-up e Maximum Run-up
11
i
ii NAVMin
NAVRunUp
nRunUpMaxRunUp 1max
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 52
• La funzione di autocorrelazione descrive la correlazione di unprocesso causale con se stesso in momenti temporali diversi.L’autocorrelazione è molto utilizzata nell’analisi dei segnali.
• Ad esempio può essere utilizzata per valutare un’inerziatemporale nelle performance o un effetto trascinamento
• Nell’analisi di regressione di una serie storica l’autocorrelazionedei residui mostra l’inapplicabilità del modello.
Autocorrelazione
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 53
• Nel confronto tra due portafogli, qualunque affermazione vatestata statisticamente per capire se è un’evidenza casuale oanche una significatività statistica.
• Per stabilire se due serie storiche di performance hanno la stessamedia non basta calcolarle e confrontarle: bisogna chiedersi se ladifferenza tra le medie è statisticamente significativa !!!
I test statistici
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 54
I test statistici
• Test F a due campioni• Il “Test F a due campioni” analizza due campioni per verificare
se hanno la stessa varianza oppure no.
• Test T a due campioni• Il “Test T a due campioni” analizza due campioni per verificare
se hanno la stessa media oppure no in due diversi casi:• le varianze dei campioni sono uguali o • le varianze dei campioni sono diverse.
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 55
Il quartetto di Anscombe
• Nel 1973 lo statistico Francis J. Anscombe costruì il “quartetto” per dimostrarel’importanza di disegnare i dati prima di analizzarli e per dimostrare l’effettodi outliers sulle proprietà statistiche
• Il quartetto di Anscombe comprende 4 insiemi di dati che hanno proprietàstatistiche identiche ma che appaiono molto diversi se sono disegnati. Ecco ivalori x e y per il quartetto di Anscombe:
I II III IVx y x y x y x y
10 8.04 10 9.14 10 7.46 8 6.588 6.95 8 8.14 8 6.77 8 5.76
13 7.58 13 8.74 13 12.74 8 7.719 8.81 9 8.77 9 7.11 8 8.84
11 8.33 11 9.26 11 7.81 8 8.4714 9.96 14 8.1 14 8.84 8 7.046 7.24 6 6.13 6 6.08 8 5.254 4.26 4 3.1 4 5.39 19 12.5
12 10.84 12 9.13 12 8.15 8 5.567 4.82 7 7.26 7 6.42 8 7.915 5.68 5 4.74 5 5.73 8 6.89
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 56
Il quartetto di Anscombe
• Il quartetto di Anscombe ha le seguenti proprietà, identiche per tutte e quattrole serie di dati:
Proprietà Valore
Media di x in tutti e 4 i casi 9.000
Varianza di x in tutti e 4 i casi 11.000
Media di y in tutti e 4 i casi 7.500
Varianza di y in tutti e 4 i casi 4.120
Correlazione tra x e y in tutti e 4 i casi 0.816
Retta di regressione lineare in tutti e 4 i casi y = 3 + 0.5x
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 57
Il quartetto di Anscombe
• Il quartetto di Anscombe comprende 4 insiemi di dati che hanno proprietàstatistiche identiche ma che appaiono molto diversi se sono disegnati
Università degli Studi di BergamoFacoltà di Ingegneria
Risk Management2009/2010
Concetti basilaripag 58
Il quartetto di Anscombe
• La prima serie di dati sembra essere distribuita normalmente.• La seconda serie di dati non è distribuita normalmente ma c’è una relazione
lineare tra le due variabili.• La terza serie di dati la distribuzione è lineare ma con una linea di regressione
diversa che è spostata da un outlier che esercita sufficiente influenza peralterare la retta di regressione lineare.
• La quarta serie di dati mostra come un outlier è sufficiente per produrre unelevato coefficiente di correlazione anche se la relazione tra le due variabili èsecondo una diversa retta di regressione lineare.