Náhodné procesy, modelovanie cien akcií
:: Stochastický vývoj finančných veličín ::
-
Z priebehov cien akcií (ako aj iných finančných veličín - úrokových
mier, výmenných kurzov, ...) vidíme, že ich priebeh sa nedá popísať
deterministickou funkciou. Preto sa na ich modelovanie používajú náhodné
procesy.
-
Vľavo: trend (vývoj ceny akcie počas piatich rokov), vpravo: fluktuácie (vývoj ceny akcie počas niekoľkých hodín):
:: Wienerov proces a Brownov pohyb ::
|
Stiahnite si [cv2procesy.sci] - súbor pre Scilab
s doluuvedenými príkazmi, do ktorého budeme dopisovať ďalšie.
|
-
Základným náhodným procesom, z ktorého sú ostatné odvodené, je Wienerov proces. Pripomeňme si jeho definíciu:
Ďalej bude w všade označovať Wienerov proces.
-
Ako získame realizáciu Wienerovho procesu?
- Budeme generovať aproximáciu - hodnoty v diskrétnych bodoch typu (čas, hodnota), ktoré pospájame.
- Hodnoty budú v bodoch 0,
,2
, . . ., kde
je dostatočne malý časový krok.
- Hodnota v čase 0 je 0.
- Prírastok na intervale [k
, (k + 1)
] je náhodná premenná s nulovou strednou hodnotou
a varianciou
.
V Scilabe si najskôr definujeme pomocné funcie:
A teraz už môžeme nakresliť trajktóriu:
Nakreslite do jedného obrázku niekoľko trajektórií Wienerovho procesu. Ukážka výstupu:
-
Ak k násobku Wienerovho procesu pridáme lineárny trend:
dostávame proces, ktorý sa nazýva Brownov pohyb.
Ak je parameter
nulový, grafom je priamka. Pre nenulovú hodnotu
sa k tomuto lineárnemu trendu pridávajú náhodné fluktuácie.
V Scilabe napríklad:
Nakreslite do jedného obrázku niekoľko trajektórií Brownovho pohybu, spolu s jeho strednou hodnotou. Ukážka výstupu:
:: Cvičenia (1) ::
- Meňte parametre Brownovho pohynu a všímjte si, ako ovplyvňujú priebeh procesu. Potom priraďte procesy
- x1(t)=w(t)
- x2(t)=3*w(t)
- x3(t)=5+2*t+w(t)
- x4(t)=5+2*t+0.5*w(t)
- x5(t)=5-3*t+w(t)
k ich realizáciám na grafe:
:: Geometrický Brownov pohyb ::
-
Geometrický Brownov pohyb je proces definovaný vzťahom
pričom x0 predstavuje hodnotu procesu v čase 0.
- Pricíp generovania v Scilabe:
-
Ukážka trajektórií geometrického Brownovho pohybu:
Vytvorte podobný graf - s priebehmi realizácií a strednou hodnotou procesu.
:: Modelovanie cien akcií pomocou geometrického Brownovho pohybu ::
-
Cenu akcie S modelujeme geometrickým Brownovym pohybom:
-
Na výpočet výnosov sa používa veličina
pričom posledná aproximácia vyplýva z toho, že
-
Ak sa cena akcie S riadi geometrickým Brownovym pohybom, tak pre výnosy dostávame
teda výnosy sú nezávislé náhodné premenné s normálnym rozdelením a uvedenými parametrami.
:: Cvičenia (2) ::
Pripomeňme si z prenášok z pravdepodobnosti definíciu a základné vlastnosti
lognormálneho rozdelenia:
- Náhodná premenná X má lognormálne rozdelenie, ak jej logaritmus ln(X) má normálne rozdelenie
.
- Hustota náhodnej premennej X s lognormálnym rozdelením je
- Stredná hodnota a disperzia náhodnej premennej X s lognormálnym rozdelením je
|
Stiahnite si [cv2akcie.sci] - súbor pre Scilab
s postupom riešenia nasledujúcich úloh a niektorými užitočnými funkciami.
|
Predpokladajme, že cena akcie sa riadi geometrickým Brownovym pohybom s parametrami

= 0.30,

= 0.25
a že dnešná cena akcie je 150 USD.
- Nakreslite hustotu rozdelenia ceny akcie o mesiac. Ako kontrolu
porovnajte s histogramom vygenerovaných hodnôt ceny akcie v tomto čase.
- Aká je pravdepodobnosť, že o mesiac bude cena akcie menšia ako 140 USD?
- Aká je stredná hodnota štvrťročného výnosu? Aká je pravdepodobnosť, že bude záporný?
:: Odhadovanie parametrov GBP z cien akcií ::
|
Stiahnite si [cv2data.sci] - súbor pre Scilab
s doluuvedenými príkazmi a postupom.
|
Ako získať parametre geometrického Brownovho pohybu z dát - odhadom parametrov normálneho rozdelenia z výnosov:
- Zo súboru goog.txt načítame dáta do Matlabu.
Ide o denné dáta cien akcie firmy Google v rokoch 2009 a 2010, na začiatku súboru sú najstaršie dáta.
- Definujeme výnosy - vytvoríme vektor výnosov v podľa horeuvedeného vzťhu.
- Vieme, že tieto výnosy majú normálne rozdelenie. Ďalej vieme,
že strednú hodnotu normálneho rozdelenia odhadujeme aritmetickým
priemerom a disperziu výberovou disperziou. Vypočítame teda priemer a
výberovú disperziu vektora v - budú to odhady veličín
a
- Nakoniec vypočítame odhady samotných parametrov
a
:
:: Ďalšie príklady na precvičenie ::
- Uvažujme geometrický Brownov pohyb s parametrami, ktoré sme odhadli z dát. Vygenerujte niekoľko realizácií vývoja akcie počas nasledujúcich dvoch rokov a pravdepodobnostné rozdelenie ceny za začiatku roka 2012. Ako sa zmenia výsledky, ak použijete len druhú polovicu dát? Prečo?
-
Je 1. január 2013 a chceme odhadnúť cenu akcie GOOG o mesiac, t.j. na začiatku februára. Vyberte si obdobie, z ktorého budete kalibrovať parametre geometrického Brownovho pohybu a zobrazte hustotu rozdelenia tejto ceny. Vygenerujte niekoľko priebehov GBP štartujúcich z aktuálnej hodnoty ceny akcie a zakreslite ich do grafu spolu so strednou hodnotou. Porovnajte so skutočným vývojom ceny.
- Čo si myslíte, čo je na obrázku na obale tejto knihy?
Vytvorte podobný obrázok.