Lataa esitys
Esittely latautuu. Ole hyvä ja odota
1
Simulointimenetelmät
Toni Tamminen
2
Sisältö Johdanto Stokastisia malleja
Yhden ja useampien riskitekijöiden mallien Monte Carlo-simulointi Deterministinen simulointi Yhteenveto
3
Johdanto Simulointi on joustavin tapa arvioida VaR:ia
Mahdollistaa eri riskilähteiden huomioinnin, eksoottiset rahoitusinstrumentit ja pitkän aikavälin tarkastelun Vaatii sekä mallintamiskykyä (ihmiset) että laskentatehoa (tietokoneet) Pohja optiomatematiikassa
4
Stokastisia malleja 1 Perusmalli - geometrinen Brownin liike
Diskreettinä Erityisesti osakkeille ja valuuttakursseille
5
Stokastisia malleja 2 Korkoinstrumenteille parempi esim.
Usealle tekijälle (lyhyt ja pitkä korko) Virheenkorjausmalli
6
Historiallinen otanta
Vaihtoehto stokastiselle hintaprosessille: satunnaisotanta takaisinpanolla historiallisesta datasta Ei vaadi mallioletuksia, mutta niitäkin voidaan halutessa sisällyttää Aikariippuvuudet häviävät, ja tarkasteluvälin valinta voi olla vaikeaa
7
Yhden tekijän mallin simulointi 1
Tuota tarvittavat satunnaisluvut (käänteisfunktiomenetelmä, hylkäysotanta) ja simuloi niillä arvopaperin/salkun arvo tarkasteluajan lopussa Toista N kertaa ja laske VaR suoraan histogrammista
8
Yhden tekijän mallin simulointi 2
9
Yhden tekijän mallin simulointi 3
Johdannaisille asetetaan riskitön korko prosessin keskiarvoksi ja diskontataan lopuksi (ei toimi amerikkalaisille optioille) Eksoottisetkin johdannaiset helppo simuloida, tosin laskentatehovaatimukset kasvavat Myös volatiliteetin muutokset (vega) simuloitavissa
10
Yhden tekijän mallin simulointi 4
Estimaatin keskivirhe Kirjassa 100 näytteellä 0.99 VaR keskivirhe 0.42 näytettä jo varsin riittävä määrä Nopeutusmenetelmiä: antiteettiset muuttujat, tärkeysotanta
11
Useampien tekijöiden mallit 1
Mikäli riskitekijät ovat riippumattomia, simulointi on yksinkertaista Korreloivia normaalijakautuneita satunnaislukuja saadaan riippumattomista ~N(0,I)-muuttujista Choleski-hajotelman avulla
12
Useampien tekijöiden mallit 2
Muuntamalla =T saadaan kovarianssimatriisiksi Kahden muuttujan tapauksessa
13
Useampien tekijöiden mallit 3
Mikäli kovarianssimatriisin rangi < N, faktorisaatio ei toimi SVD, PCA Muista kuin normaalijakaumista vetäminen voi olla vaikeaa Hylkäysotanta, Markov-ketju Monte Carlo (MCMC)-menetelmät
14
Deterministinen simulointi 1
Satunnaislukujen tuottamisessa päämääränä ”täyttää” N-ulotteinen avaruus Voidaan tuottaa myös deterministisesti (esim. Sobol-jono) Saadaan yleensä tasaisempi peitto, mutta käyttökelpoisuus riippuu voimakkaasti mallista!
15
Deterministinen simulointi 2
Skenaariosimulointi: riskitekijöille asetetaan joukko diskreettejä arvoja ja niille todennäköisyydet (esim. binomijakaumasta) Tarvittaessa käytetään PCA:ta Approksimoidaan tiheysfunktio ja lasketaan VaR Jälleen käyttökelpoisuus riippuu tilanteesta
16
Yhteenveto Simulointi on tehokas tapa laskea VaR
Olennaisinta prosessin mallintaminen, tai historiallisen datan oikea käyttö Laskentatehon kasvaessa simulointi-menetelmien käyttö yleistynee entisestään, ja saadut tulokset paranevat
17
Kotitehtävä Pohdi perusteluja riskitekijöiden normaalijakautuneisuusoletuksen puolesta ja vastaan sekä simuloinnissa että yleensä.
Samankaltaiset esitykset
© 2024 SlidePlayer.fi Inc.
All rights reserved.