Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
MotivacijaProblem
ModelValidacijaZakljucak
Velike fluktuacije na financijskim trzistima
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER
svibanj 2011.
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Investicije i investitoriVelike fluktuacijeGeometrijsko Brownovo gibanje
Zarada na dionicama = zarada bez truda? Koji je smisaosvega toga?
1 Ekonomski rast = Akumulacija kapitala + Inovacije2 Investiranje u dionice
1 donose dividendu2 zarada na razlici u cijeni
3 Dinamika cijene - dominiraju veliki skokovi4 Koji su izvori tih fluktuacija
1 fundamentalni faktori: izvjestaji, makroekonomski faktori,ostale vijesti
2 postoji li jos nesto?
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Investicije i investitoriVelike fluktuacijeGeometrijsko Brownovo gibanje
0 2000 4000 6000 8000 10000 12000 14000 16000−0.25
−0.2
−0.15
−0.1
−0.05
0
0.05
0.1
0.15
−0.2 −0.15 −0.1 −0.05 0 0.05 0.1 0.150
5
10
15
20
25
30
35
40
Prinos
PD
F
1980 1985 1990 1995 2000 2005 20100.5
1
1.5
2
2.5
3
3.5
4x 10
4
Nik
kei
Vrijeme1980 1985 1990 1995 2000 2005 2010
−0.2
−0.15
−0.1
−0.05
0
0.05
0.1
0.15
Dne
vni p
rinos
i
Vrijeme
rt =pt−pt−∆t
pt−∆t≈ ln pt
pt−∆t
1x4
e−x2
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Investicije i investitoriVelike fluktuacijeGeometrijsko Brownovo gibanje
Primjer (Black-Scholes-Mertonov model, Nobelova nagrada 1997.)
a Model cijene dionice:
dS(t) = αS(t)dt + σS(t)dW (t)
b BSM parcijalna diferencijalna jednadzba:
∂c(t,x)∂t + rx ∂c(t,x)
∂x + 12σ
2x2 ∂2c(t,x)∂x2 = rc(t, x), ∀t ∈ [0,T ) ,
c(T , x) = (x − K )+.
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Burza = Rulet ?
1860 1880 1900 1920 1940 1960 1980 2000 2020−2
−1
0
1
2
3
4
5
6
7
8
Vrijeme
Log
zara
da −
Log
cije
na
(a) Logaritam S&P 500 indeksa ilogaritam odgovarajucih zarada
1880 1900 1920 1940 1960 1980 2000 20200
5
10
15
20
25
30
35
40
45
X: 1929Y: 32.56
X: 2000Y: 44.2
X: 2009Y: 13.32
X: 1966Y: 24.06
VrijemeC
ijena
/ Z
arad
a
(b) P/E za S&P 500
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Burza = Rulet ?
Kako funkcioniraju trzista kapitala?1 Koja je uloga primarnih trzista?
1 kompanije preko njih dolaze do kapitala2 Koja je uloga sekundarnih trzista?
1 likvidnost2 diverzifikacija rizika3 kontroler
3 Sto kada bi svi investitori znali ”pravu” vrijednost kompanije,imali sve informacije?
1 ponasali bi se jednako2 nema zarade od trgovine dionicama
4 Sto kada u tom ”idealnom” slucaju, neki investitor povlacikrivi potez?
1 stvara priliku za zaradu od trgovanja ostalim, ”idealnim”investitorima
2 ostali svojim djelovanjem kompenziraju djelovanje ”loseg”investitora
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Burza = Rulet ?
Idealno ponasanje — samo u ocekivanju1 U stvarnom svijetu investitori
1 imaju razlicite strategije ulaganja2 ne ponasaju se uvijek racionalno3 ne posjeduju sve informacije
2 Unatoc tome, u prosjeku dobro procjenjuju ”realnu” vrijednostkompanija
3 Umjesto razlicitih deterministickih investitora imamo jednakestohasticke investitore
4 Ponasanje investitora u ocekivanju1 dobro procjenjuju ”realnu” vrijednost kompanije2 koriste prilike za zaradu na trzistu
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Burza = Rulet ?
Optimalna strategija Prilika za dobitKriva strategija
Ulaz: Stopa rasta kompanije
Trader Trader
Trader Trader
Trader Trader Trader
Izlaz: Promjena cijene dionice
Trader
Burza
Zbog osobnih preferencijaZbog interakcija
Interakcije
Zbog krivih ili nepotpunih informacija
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Definicija igreZadatakEnergija financijskog trzistaRavnotezna vjerojatnosna mjera igreDefinicija modela
a Trziste se sastoji od:1 jedne kompanije s M izdanih dionica2 jedne banke3 N investitora (agenata)
b Svi agenti znaju cijenu dionice u trenutku t = 0 i neka onaiznosi p0
c Svaki agent u trenutku t = 4t moze kupiti ili prodati0, . . . ,M dionica,ωi ∈ −M, . . . , 0, . . . ,M , i ∈ 1, . . . ,N
d Razlika ponude i potraznje odreduje prinos, r = 1λ
∑Ni=1 ωi
N ,prema tome p4t = p0er ≈ p0(1 + r)
Cijena p4t je slucajna varijabla i ovisi o potezima svih agenata.
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Definicija igreZadatakEnergija financijskog trzistaRavnotezna vjerojatnosna mjera igreDefinicija modela
a Skup elementarnih dogadaja je Ω = −M, . . . ,MN
b Strategija investitora i je slucajna varijabla δi s vrijednostimau skupu −M, . . . ,M
c Prinos je slucajna varijabla rN : Ω→ R, rN = 1λ
∑Ni=1 ωi
N
d Pretpostavka1: Na temelju svih raspolozivih informacijainvestitori procjenjuju ocekivanu stopu rasta kompanije uintervalnoj formi (a− ε, a + ε)
e Pretpostavka2 (STRAH): Investitori minimiziraju rizik,E (δi ) = λ(a− ε)
f Pretpostavka3 (POHLEPA): Investitori minimizirajumogucu propustenu dobit, E (δi ) = λ(a + ε)
ZADATAK: Odrediti (Ω, σ(Ω), µ) i (R,BR, µr )
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Definicija igreZadatakEnergija financijskog trzistaRavnotezna vjerojatnosna mjera igreDefinicija modela
Model (Funkcija gubitka)
Funkcija gubitka i-tog agenta je:
a L1(ωi ) = c1 (ωi − λ(a− ε))2 + c2, i ∈ 1, . . . ,N,
b L2(ω1, . . . , ωN) = c3
(1N
∑Nj=1 ωj − λ(a + ε)
)2+ c4.
Model (Energija financijskog trzista)
Energija financijskog trzista je slucajna varijabla UN : Ω→ R,
UN(ω1, . . . , ωN) =N∑i=1
ln L1(ωi ) + ln L2(ω1, . . . , ωN).
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Definicija igreZadatakEnergija financijskog trzistaRavnotezna vjerojatnosna mjera igreDefinicija modela
Teorem (Varijacijski princip [Ruelle])
Za energiju U, translacijski invarijantna vjerojatnosna mjera µ kojazadovoljava P(U) = max
µ[h(µ) + Eµ(U)] je ravnotezna
vjerojatnosna mjera.
Model (Ravnotezno stanje trzista)
Ravnotezno stanje trzista odredeno je sa
µN(ω1, . . . , ωN) =exp (−UN)
ZN,
gdje je ZN =∑ω1,...,ωN∈ΩN
exp (−UN) odgovarajuca particijskafunkcija.
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Definicija igreZadatakEnergija financijskog trzistaRavnotezna vjerojatnosna mjera igreDefinicija modela
Model (Ravnotezna mjera prinosa)
Kada broj agenata i broj dionica kompanije teze prema beskonacnotada ravnotezna mjera prinosa rN konvergira prema,
rN =1
λ
∑Ni=1 ωi
ND−→ C
1
(x − (a + ε))2 + σ2
1
(x − (a− ε))2 + σ2.
−0.15 −0.1 −0.05 0 0.05 0.1 0.15
10−3
10−2
10−1
100
101
Prinos
Fun
kcija
gus
toće
vje
roja
tnos
ti
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Definicija igreZadatakEnergija financijskog trzistaRavnotezna vjerojatnosna mjera igreDefinicija modela
a Parametri a i σ su priblizno vremenski nepromjenjivi
b Nesigurnost ε = |y − 0| prirodno je modelirati syt−yt−4t
yt−4t= −αy 2
t−4t , gdje je α konstanta koja definira brzinu
povratka u ekvilibrij.
Definicija (Predlozeni model)
Prinos dionica je slucajni proces rt , t ∈ T sa svojstvima:
a r0 = a, y0 = 0,
b yt = yt−4t − αy 3t−4t + 1
α(rt−4t − a),
c f (xt | yt) = C (yt)1
1+ (xt−a)2
y2t + σ2
2
+((xt−a)2−y2
t )2
2σ2y2t +σ4
.
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Funkcija gustoce vjerojatnostiAutokorelacijska funkcija
−0.06 −0.04 −0.02 0 0.02 0.04 0.06
10−4
10−3
10−2
10−1
100
101
Prinos
Fun
kcija
gus
toće
vje
roja
tnos
ti
(a) Funkcije gustoce vjerojatnosti
10−1
100
101
102
10−5
10−4
10−3
10−2
10−1
100
x (jedinica standardne devijacije)
Fun
kcija
dis
trib
ucije
, P(|
Rt|>
x)
(b) Rep distribucije
Proveden je dodatno Mann–Whitney–Wilcoxon (MWW) test.Vrijednost statistike za dvije vremenske serije U = 1.76, agranica za 95% sigurnost iznosi 1.96.Koristeci regresiju u log-log kordinatama P(|Rit | > x) ∼ x−ζri sζr1 ≈ 3.05± 0.06 i ζr2 ≈ 3.01± 0.03.
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Funkcija gustoce vjerojatnostiAutokorelacijska funkcija
0 2 4 6 8 10 12 14 16 18 20−0.2
0
0.2
0.4
0.6
0.8
1
1.2
Uzorci
Aut
okor
elac
ijska
funk
cija
(a) Autokorelacijska funkcijaprinosa
0 2 4 6 8 10 12 14 16 18 200
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
UzorciA
utok
orel
acijs
ka fu
nkci
ja
(b) Autokorelacijska funkcijaapsolutnih prinosa
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.
MotivacijaProblem
ModelValidacijaZakljucak
Mozda je ovako nekako:1 Velike fluktuacije nastaju iz same strukture trzista
1 generira ih sukob straha i pohlepe2 investitore ne pokrece stanje, vec kolicina zarade
2 Vijesti mogu, ali i ne moraju biti pokretaci velikih fluktuacija
3 Kod velikih nesigurnosti na trzistu — male fluktuacije postajumanje vjerojatne
Zvonko Kostanjcar, Sveuciliste u Zagrebu, FER HRVATSKO MATEMATICKO DRUSTVO, svibanj, 2011.