Sztochasztikus folyamatok a gazdaságban (előadás vázlat) Sinkovicz Péter PhD hallgató S t 0 0 50 00 50 00 50 t 0 0 04
Sinkovicz Peter
BEVEZETÉS Statisztikai alapfogalmak Események valószínűségének értelmezése..................................... Adattípusok....................................................... Kísérlettervezés, buktatók.............................................. Sztochasztikus folyamatok áttekintése Sztochasztikus folyamatok.............................................. Stacionárius folyamatok............................................... Markov folyamatok.................................................. Chapman-Kolmogorov-egyenlet........................................... 3 Homogén Markov folyamatok............................................ 3 3 Az állapotok osztályozása 5 Definíciók........................................................ 5 4 Bolyongás során felmerülő alapkérdések 6 DISZKRÉT IDEJŰ MARKOV FOLYAMATOK Diszkrét idejű Markov folyamatok dinamikája 7 Dinamika megadása.................................................. 7 Chapman-Kolmogorov egyenlet ezen a nyelven.................................. 8 P (n) mátrix analitikus meghatározása....................................... 8 Egyensúlyi eloszlás 0 Egyensúlyi eloszlás meghatározása......................................... 0 Átlagos visszatérési idő................................................ Google PageRank.................................................... 3 Elérési valószínűség, átlagos elérési idő Bevezető példa..................................................... Definíció......................................................... Elérési valószínűség meghatározásának módja.................................. Átlagos elérési idő meghatározásának módja................................... 3 RÉSZVÉNYPIAC EGYSZERŰ MODELLJE Alapfogalmak 5 Értékpapír jellemzése................................................. 5 Portfólió választás a Markowitz-féle modellben 6 A Markowitz-féle modell feltevései......................................... 6 Portfólió választás................................................... 6 i
3 Egy adott portfólió szimmetrikus mozgása a tőzsdén 8 Első lépés analízis................................................... 8 Bolyongás várható ideje................................................ 9 4 Egy adott portfólió aszimmetrikus mozgása a tőzsdén 0 Bolyongás várható ideje................................................ 5 Konklúzió 3 DIFFÚZIÓS FOLYAMATOK Diffúziós folyamatok leírása 5 Fokker-Planck egyenlet................................................ 5 Speciális diffúziós folyamatok 7 Wiener folyamat.................................................... 7 Ornstein-Uhlenbeck folyamat............................................ 8 3 Langevin egyenlet 3 Langevin egyenlet és a Fokker-Planck egyenlet.................................. 3 Langevin egyenlet általánosítása több változós esetre.............................. 3 4 Diffúziós folyamat konstrukciója adott stacionárius eloszláshoz 33 Egyváltozós eset.................................................... 33 Többváltozós eset.................................................... 33 DISZKRÉT IDEJŰ MASTER EGYENLET EGÉSZ VÁLTOZÓKRA Master egyenlet származtatása 35 Infinitezimális idő alatti átmeneti valószínűség................................. 35 Master egyenlet származtatása........................................... 35 Részletes egyensúly 36 3 Bolyongás végtelen láncon 37 A bolyongás diffúzitása................................................ 37 p i meghatározása................................................... 38 Végtelen határeset................................................... 38 Kontinuum limesz................................................... 39 APPENDIX A. Appendix: Indikátorfüggvény formalizmus 4 Tulajdonságai...................................................... 4 ii
Sinkovicz Péter
Sinkovicz
Előszó Az előadás alap valószínűségi fogalmakra épül melyekről egy jó áttekintés ad a [] könyv. Témáját négy nagyobb szerkezeti egység képzi; Az első részben a diszkrét idejű Markov folyamatok átmeneti mátrixos és első lépés analízises formalizmusaival ismerkedünk meg, melyek pontosabb elméleti háttere a [-6] irodalombakban részletesebben kibontakozik. A második gondolati egységben betekintést kaphatunk a tőzsdepiac elemi folyamataiba, ehhez a témakörhöz jó áttekintést adnak a [7-9] könyvek. A harmadik részben néhány speciális diffúz folyamatot tekint át, melyek megtalálhatóak a [0] könyvben. Majd az előadás utolsó témája a Master egyenlet konstrukciója egy adott gazdasági folyamathoz. A jegyzet a Markov Monte Carlo módszerek rövid ismertetésével válna teljessé, azonban az idő rövidsége miatt ez a téma kimaradt, viszont egy jó áttekintést ad ebben a témakörben a következő két hivatkozás [-]. Továbbá szeretném kiemelni Szám Anita hallgatómat, aki lelkesen és megbízhatóan segített a jegyzet bedigitalizálásában. Irodalomjegyzék [] Prékopa András: Valószínűségelmélet [] J. R. Norris: Markov Chains [3] J. R. Norris: Markov Chains lecture note [4] Aldous, D. and J. Fill: Markov Chains lecture note [5] B. Rozovskii, M. Yor: Stochastic Modelling and Applied Probability [6] Fazekas István: Markov-láncok és alkalmazásaik [7] R. E. Shreve: Stochastic Calculus for Finance I-II [8] M. J. Steele: Stochastic Calculus and Financial Applications [9] P. Jorion: Financial Risk Manager Handbook [0] W. Gardiner: Handbook of Stochastic Methods for Physics, Chemistry and the Natural Sciences [] Charles J. Geyer: Introduction to Markov Chain Monte Carlo [] W. R. Gilks, S. Richardson: Markov Chain Monte Carlo in Practice iii
Sinkovicz Péter
Bevezetés Statisztikai alapfogalmak Események valószínűségének értelmezése Véletlen folyamatok esetén a (megismételhető) kísérletek kimeneteinek a valószínűségeit azonosíthatjuk a mérések során tapasztalt relatív gyakoriságaikkal: kedvező elemi események száma lehetséges elemi esetek száma p(a Ω) := k A n = Az így definiált valószínűség kielégíti a valószínűségi axiómákat: 0 p(a Ω) p(ω) = (egymást páronként kizáró események valószínűsége összeadódik) Adattípusok Az adatok nem mások, mint a kísérletek lehetséges kimenetei. Csoportosíthatjuk lehetséges kimenetei: Kvalitatív adatok (lehetséges értékei számok) a) Diszkrét adatok (megszámlálhatóan végtelen számosságú) b) Folytonos adatok (megszámlálhatatlanul végtelen számosságú /intervallum adatok/) Kvantatív adatok (melyek értékei nem számok) és szintjük szerint is:. Normális szintű: Az ilyen típusú adatokat nem lehet sorba rendezni (pl.: igen/nem/talán). Ordinális szintű: Sorba lehet rendezni, de a különbségnek nincs értelme (pl.: egyetemek sorrendje) 3. Intervallum szintű: Van értelme a különbségnek, de nincs nulla pont, ami valaminek a hiányára utal 4. Arányszintű: Van nulla pont is (pl.: vízállás) Kísérlettervezés, buktatók Ügyelnünk kell arra, hogy a kísérletezés során ne torzuljanak az adatok, azaz valóban a mért populációt jellemezzék. A típushibák elkerülése érdekében a következőket kell szem előtt tartanunk: Statisztikai hamisítás: Tilos rossz, hamis adatot a többi közé keverni, hogy igazoljuk a feltevésünket Túl kis elemszámú minta nem ad reális képet a teljes populációról Az ábrák torzíthatnak, a számokat nézzük Elemi eseményekből építkezzünk Ismernünk kell a teljes eseményteret
Sztochasztikus folyamatok áttekintése Sztochasztikus folyamatok Legyen x(t) egy valószínűségi változó (Ω halmazon értelmezett tetszőleges függvény), melyet időnként megmérünk. A mérés során az x(t n ),..., x(t ) adatsort kapjuk, ahol t n < t n <... < t. Több kísérlet elvégzése után, vagy elméleti jóslatból definiálhatunk egy valószínűségi sűrűséget: p n (x, t ;...; x n, t n ) mely megadja, hogy mekkora annak a valószínűsége, hogy t i -ben (x i, x i +dx i ) intervallumon belül lesz a mérési eredmény, azaz P(x (x, x + dx ),..., x n (x n, x n + dx n )) p n (x, t ;...; x n, t n )dx,..., dx n Ezen valószínűségi leírásban x(t)-t sztochasztikus valószínűségi változónak tekintjük, ha rendelkezik a következő két tulajdonsággal: Normáltság pn (x, t ;...; x n, t n )dx ;...; dx n Komplementaritás pn (x, t ;...; x i, t i ;...; x n, t n )dx i = p n (x, t ;...; x i, t i ;...; x n, t n ) Az x(t) valószínűségi változóink jellemzésére bevezethetjük a következő mennyiségeket: momentumok várhatóérték: < x(t) > E[x(t)] := dx xp (x, t) n. momentum: < x n (t) > E[x n (t)] := dx x n p (x, t) korrelációs függvények n. korrelációs függvény: E[x (t )...x n (t n )] = dx... dx n x ;...; x n p n (x, t ;...; x n, t n ) Stacionárius folyamatok A stacionárius folyamatok invariánsak az időeltolásra, azaz nem fejlődnek az időben, így egyensúlyi állapotként értelmezhetőek: p stac (x, t) p stac (x, t ) t, t p stac = p (x) Markov folyamatok Definiáljuk a p stac (x, t; x, t ) p stac (x t + t; x, t + t) t p stac (x, t; x, t ) = p stac (x, x, t t ) P(x, t x, t ;...; x n, t n ) = p n(x t ;...;x n t n ) p n (x t ;...;x n t n ) feltételes valószínűséget, mely megadja, hogy mekkora valószínűséggel mérünk x -et t -ben, ha előtte t, x ;...; t n, x n n db esemény bekövetkezett. Ezen feltételes valószínűség segítségével definiálhatjuk a Markov folyamatokat. Egy sztochasztikus folyamatot Markovinak tekintünk, ha P(x, t x, t ;...; x n, t n ) P(x t x t ) összefüggés fennáll, azaz a rendszernek nincs hosszútávú memóriája, csak a közvetlenül őt megelőző eseménytől függ.
Chapman-Kolmogrov-egyenlet A p n valószínűség felépíthető a feltételes valószínűségek segítségével: p n (x, t ;...; x n, t n ) = P(x t x t ;...; x n t n )p n (x t ;...; x n t n ) = P(x t x t )p n (x, t ;...; x n t n ) = = P(x t x t )P(x t x 3, t 3 ;...; x n, t n )p n (x 3 t 3 ; x n, t n ) =... = = P(x t x t )P(x t x 3 t 3 )... P(x n t n x n t n )p (x n, t n ) mely n=3 esetén a Chapman-Kolmogorov egyenletre vezet: p 3 (x t ; x t ; x 3 t 3 ) = P(x t x t )P(x t x 3 t 3 )p (x 3 t 3 ) p (x, t ; x 3 t 3 ) = dx P(x t x t )P(x t x 3 t 3 )p (x 3 t 3 ) P(x t x 3 t 3 )p (x 3 t 3 ) = p (x 3 t 3 ) dx P(x t x t )P(x t x 3 t 3 ) P(x t x 3 t 3 ) = dx P(x t x t )P(x t x 3 t 3 ) azaz az x 3 t 3 pont úgy függ az x t ponttól, hogy valószínűségi értelemben kiátlagolunk az összes benső x t pontra: x x x3 t t3 t t x 3 t 3 x t átmenet valószínűségét úgy kapjuk meg, hogy statisztikusan kiátlagolunk az összes útra. Homogén Markov folyamatok Egy Markov folyamat homogén, ha: P(x t x t ) = P(x t t x ) (időeltolásra invariáns), ebből még nem következik, hogy ez egy stacionárius folyamat, hiszen akkor stacionárius, ha p (x, t) = p stac (x), azaz nincs időfüggés. Ergodikus Markov folyamatnak nevezzük az olyan Markov-folyamatokat, ahol lim P(x, t t x ) = p stac (x) 3
melyből és a Chapman-Kolmogrov egyenlet alapján: lim p (x, t) = lim t t = p stac (x) dx P(xt x )p (x,0) = azaz tetszőleges eloszlás a stacionárius állapotba tart, ha t -be. A diffúz folyamatok olyan homogén Markov folyamatok, ahol ( ) dx lim P(xt x ) p (x,0) = p stac (x) t v(x )t + ϑ(t) n = (x x ) n P(x, t x )dx = σ(x )t + ϑ(t) n = Ø n > mely integrál-egyenletrendszer megoldását azonnal leolvashatjuk dx p (x,0) = P(x, t x ) e (x x +v(x )t) σ (x )t Gauss-eloszlást követ A megoldásokat v(x ) és σ(x ) szerint tovább csoportosíthatóak (lsd. később). 4
3 Az állapotok osztályozása Ettől a ponttól kezdve diszkrét idejű bolyongásokkal foglalkozunk úgy, hogy a mérést stroboszkópikusan és egyenközűen végezzük. Definíciók A kísérlet lehetséges kimenetelét rendezzük gráfba. Például: kockadobás 3 6 5 4 Minden él /6 valószínűséggel következik be annak a valószínűsége, hogy i dobása után j-t dobjak = /6 i, j {,...,6} A j állapotot az i állapotból elérhetőnek nevezzük (i j), ha valamely n > 0 időlépésre: P( j, n t i) 0 továbbá az i és j állapotok kölcsönösen elérhetőek (i j), ha i j és j i. Egy i állapotot lényegesnek nevezünk, ha az i-ből elérhető állapotokból vissza lehet térni i-be, ellenkező esetben i lényegtelen állapot. Az állapotok egy A halmazát zártnak nevezzük, ha i A állapot esetén: P i ( j, t i) = egy időlépés után A-ban maradunk. j A Egy zárt halmazt lényegesnek nevezünk, ha nincs valódi zárt részhalmaza. Egy Markov lánc irreducibilis, ha a teljes állapottér minimális zárt halmaz. Továbbá egy Markov-lánc akkor és csakis akkor irreducibilis, ha az egész állapottere egyetlen lényeges osztályt alkot (azaz minden állapot minden állapotból elérhető i j i, j) Láttuk, hogy az ergodikus Markov-folyamatok a p stac (i)-be tartanak, azonban ez a határérték nem biztos, hogy létezik. pl.: P(i t j) = δ i, j i, j {,} azaz az () és a () állapot közt oszcillál a rendszer. Ergodikus Markov-lánc, ha aperiodikus (létezik p stac (i)), irreducibilis és véges valószínűséggel visszatalál a kiindulási pontba. 5
4 Bolyongás során felmerülő alapkérdések Első átlagos visszatérési idő Például: A sakktáblán véletlenszerűen bolyong egy huszár. Átlagosan hány lépés után tér vissza a kezdőpontba? Átlagos fedési idő Például: Kisgyerek zsírkrétázik az aszfalton. Átlagosan hány órát kell kint hagyni, hogy az egész utcát lefedje? Relaxációs idő Például: Átlagosan mennyit kell keverni a paklit, hogy elveszítse a memóriáját? Monte-Carlos módszerek 6
Diszkrét idejű Markov folyamatok Diszkrét idejű Markov folyamatok dinamikája Dinamika megadása Egy időlépés valószínűségét jelöljük a következőképpen: P i (x t+ t ) P(x t+ t x t = i) ahol x t+ t a t + t időben a "részecske" helyzete a G(V, E) gráfon (azaz a rendszer állapota), ha ez a j-edik rácspont akkor tömören: a p ji átmeneti mátrix tulajdonságai: p ji 0 i, j V p ji = (sztochasztikus mátrix) j V p ji = P i (x t+ t = j) i, j V λ = (λ i : i V ) valószínűségi eloszlás, ha λ i = és λ i 0, i V -re i Ezen elemek segítségével a következőképpen definiálhatjuk a dinamikát egy λ 0 kezdeti eloszlásból: P λ (x t= t = j) P λ (x = j) = i V λ i p ji... P λ (x n = j) = λ i p (n) ji i V Például: időjóslás: Megfigyelések alapján ha ma esett akkor holnap p = 0.7 valószínűséggel nem esik és q 0 = 0.3 valószínűséggel esik. Hasonlóan, ha ma nem esett, akkor p = 0.6 valószínűséggel nem esik és q = 0.4 valószínűséggel esik. p p,, p, p, ahol nem esik és esik, így a rendszer átmeneti mátrixa [ ] [ ] p, p, 0.3 0.4 P = = p, p, 0.7 0.6 és a kezdeti valószínűségi eloszlásunk (mai nap időjárása) a következő: ( λ ) ( ) λ 0 = 0 esik λ = 0 0 nem esik Melyen a két nap múlvai állapot meghatározásához az átmeneti mártixot kétszer kell hatatnunk: [ ][ ]( ) [ ]( ) ( ) 0.3 0.4 0.3 0.4 0.3 0.4 0.3 0.37 P λ 0 = = = 0.7 0.6 0.7 0.6 0 0.7 0.6 0.7 0.63 tehát 0.37 valószínűséggel esni fog két nap múlva. 7
Chapman-Kolmogorov egyenlet ezen a nyelven Az előző példa rámutatott arra, hogy az n lépéses folyamat átmeneti mátrixa: P (n) = p (n) ji hatványa. Így a Chapman-Kolmogorov egyenlet: p (n+m) = P (n) ji ki p(m) jk k V ami igazából a mátrix szorzás kiírása. P (n) mátrix analitikus meghatározása Például: Két pontú markov lánc a P mátrix n-edik p p,, p, p, mely átmeneti mátrixát parametrizálhatjuk a következő képpen: határozzuk meg P sajátértékeit: [ ] α λ β det α β λ [ ] [ ] p, p, α β P = = p, p, α β = ( α λ)( β λ) αβ = α λ β + αβ + λβ + λ λ + λα αβ = = λ λ + (α + β)λ + ( α β) = 0 melynek megoldásai: λ = és λ = α β. Így az átmeneti mátrix a következő alakra hozható (bázistranszformációval): ( ) ( ) λ 0 P = U U UU = 0 ===== P u = U 0 λ 0 ( α β) n U melyből (P (n) ) = U U +U ( α β) n U legyen A = U U és B = U U. Mivel P0 =,így p (0) A + B másrészt P = P, így p () = α = A + B( α β) melyből A és B meghatározható: A = hasonlóképpen a többi mátrixelem is meghatározható β P n α+β + α β ( α β)n α+β = α α ( α β)n α α+β α+β β α+β és B = α α+β α+β β α+β α+β + β α+β ( α β)n ( α β)n n β α+β α α+β β α+β α α+β = 8
Például: Három pontú Markov lánc: p 3, 3 3 p, 3 p, p, p 3, mely a következő átmeneti mátrixot definiálja: melynek sajátértékei: λ i =,± i, a 0 0 P = 0 ( ) i n ( ) n ± = e ±in π = ( 0 azonossággal átalakítható az átmeneti mátrix elemei, például: felhasználva, hogy p (0) =, p() Recept: N pontú markov lánc ( i = A + B ( = A + p (n) ) ε...ε N sajátértékek meghatározása (ε = lesz) ) Ha a sajátértékek különböznek: ) n [ cos( n π ) ( ± i sin n π )] ) n + C ( i ) n = ) n [ B cos( n π ) ( + C sin n π )] = 0 és p() = 0 A,B,C meghatározható: p (n) = 5 + ( ) n [ 4 5 cos( n π ) 5 sin( n π )] n 5 p (n) i j = a + a ε n +... + a nε n N ha az l-edik sajátérték k-szor ismétlődik, akkor azokat a tagokat helyettesíthetjük a következővel: (b 0 + b n +... + b k n k )ε n l 3) A komplex sajátértékek párban jönnek (így kevesebb konstanst kell illesztenünk). 9
Egyensúlyi eloszlás Π = (Π i : i V ) valószínűségi eloszlás egyensúlyi eloszlás, ha: PΠ = Π hiszen ekkor a dinamikában nem fejlődik Például: két rácspontú példa p, p, p, p, mely átmeneti mátrixa: [ ] α β P = α β amit hatványozva határértékben eljutunk az egyensúlyi eloszlásokhoz P n lim n β α+β α α+β β α+β α α+β [ ] Π Π = Π Π tehát például α = β határesetben: Π = ( Π Π ) Π = p = α + β ( ) p = p ( ) β α ( ) Egyensúlyi eloszlás meghatározása Például: három rácspontú példa p 3, 3 3 p, 3 p, p, p 3, Mely átmeneti mátrixa 0 0 P = 0 0 ( ) 5 lim n ( ) 5 ( ) 5 0
Ezek azonban a következőképpen is meghatározhatók: Π = Π 3 Π = Π + Π megoldása Π 3 = Π + Π 3 Átlagos visszatérési idő Π = /5 Π = /5 Π 3 = /5 (Π + Π + Π 3 = ) Az m i átlagos visszatérési idő megadja, hogy átlagosan hány időlépés után érünk vissza a kiindulási i pontba. Az egyensúlyi eloszlásból meghatározható az egyes rácspontok visszatérési értékét: m i = π i ahol m i = E i (T i ) és E i ( ) olyan várhatóérték amihez a t = 0-ból i-be indított bolyongáshoz tartozik Például: két rácspontú gráf: Legyen α = β = p, ekkor E (az az idő ami alatt visszatér) = np(n időpontban tért vissza) = ( p) + p ( p) n n Google PageRank n=0 = = p + n= (m + ) p ( p) m = p + p (n + ) ( p) n = m= = p + p ( p) n + p n( p) n = p + p ( p) n = n= = p + p ( p) m m=0 } {{ } mértani sor Három szempont szerint kell optimalizálni a kereső motort: kereső megtalálja ami szeretne megfelelő reklámok legyenek reklámból származó bevétel maximalizálása n= } {{ } p "mértani sor" = p + p p = Toy modell erre az esetre: Legyen a web egy G = (V, E) gráf, ahol V a vertexek (itt: a weboldalak) és E a linkek halmaza (kapcsolatok). Az átmeneti valószínűség meghatározható egy lapról a kapcsolódóakra: p i j = { L(i) N az L(i) hivatkozásai közül egyenletesen választ egyet n= ha L(i)=0, akkor random választ egy lapot az összes közül Tovább finomíthatjuk ezt a modellt, hiszen lehet hogy nem a honlapról ágazik el, hanem bezárja, és nyit egy másikat: p i j = α p i j + ( α) N így valószínűséggel lép tovább. Az egyensúlyi eloszlása a rendszernek (Π) arányos azzal, hogy mennyi időt töltenek ott az emberek, azaz ha π i > π j akkor i weboldal "fontosabb" mint a j. PΠ = Π meghatározása nehéz lim n P n = (Π,Π...) ami gyorsan konvergál (gyorsabb mint a s.é. egyenlet megoldása). n=
3 Elérési valószínűség, átlagos elérési idő Bevezető példa Kétpontú gráf: p, p, p, mely átmeneti mátrixa: P = ( ) p 0 p Az egyes rácspontból indulva a kettesben való elnyelődés valószínűsége: P (-be jutás) = P ( elérése az n-edik lépésben) = ( p) n p = p ( p) n = n= = p [( p) ] ( p) = p p = Az egyes rácspontból a kettesen való elnyelődés várható ideje: E (-esbe jutás ideje) = np( elérése az n. lépésben) = n= n= n= n( p) n p = p d d p Mely első lépés analízissel meghatározható: legyen f = P (-be jutás) ekkor n= ( p) n = p( ) = p p f = ( p)p (-be jutás x = = először az -ben marad) + pp (-be jutás x = átment) = ( p)f + p n=0 amiből f = adódik és g = E (-esbe jutás ideje) = + ( p)g + p 0 amiből g = p Definíció Elérési ideje egy A V halmaznak: H A = inf{n 0 : x n A} Elérési valószínűség: f A i = P i (H A < ) Átlagos elérési idő: q A i = E i (H A ) = n< np i (H A = n) + " P(H A = )" Elérési valószínűség meghatározásának módja A f A = (f A i : i V ) elérési valószínűség az a; nem negatív, minimális megoldása a f A f A i = ha i A i = p ji f A ha i A j j egyenletrendszernek. A minimális megoldás azt jelenti, hogy ha x és f megoldások akkor x i f i x -re
Bizonyítás: a) f A i megoldja az említett egyenletet Ha x 0 = i A, akkor H A = 0 (nulla lépés alatt ott van) f A i = Ha x 0 A, akkor H A f A = P i i (H A < ) = P i (H A <, x = j) P i (H A < x = j) P j V j V } {{ } i (x = j) f A j } {{ } j-t érintve i-ből A-ba megy b) minimális megoldás Legyen x egy tetszőleges megoldás, ahol f A = x i i = i A-ra, így = } {{ } p ji p ji f A j j x i = p ji x j = p ji x j + p ji x j = p ji + p ji x j = p ji + ( p ji p k j x k + ) p k j x k = j j A j A j A j A j A j A k A k A = P i (x A) + P i (x A, x A) + p ji p k j x k =... = P i (x A) +P } {{ } i (x A, x A) + j,k A elsőre odament +... + P i (x A,..., x n A, x n A) + p } {{ } j i p j j... p jn j n x jn { j} n.-re ment oda x i P i (H A n) x i lim n P i (H A n) = P i (H A < ) = f i Átlagos elérési idő meghatározásának módja A g A = (g A i : i V ) átlagos elérési idő az a; nem negatív, minimális megoldása a g A i = 0 i A g A i = + j p ji g A j i A egyenletrendszernek. (Bizonyítása hasonló, mint az elérési valószínűségnél látott). 3
Sinkovicz Peter
Részvénypiac egyszerű modellje Alapfogalmak Értékpapír: vételár ellenében szabadon átruházható Értékpiac: értékpapírok adásvételének színtere Árfolyam: az az ár, amennyiért az értékpapír egy egységét megvásárolhatjuk Időhorizont: Ha a piac diszkrét, egyenközű t időlépésekre osztható, akkor t a befektetések időhorizontja. Értékpapír jellemzése Az értékpapírok jövőbeli értékét, árfolyamát véletlenszerűnek tekinthetjük. Jelölje S(t) sztochasztikus változó egy adott értékpapír t időpontban vett árfolyama, melyhez a p n (s t ;...; s n t n ) valószínűségi sűrűség tartozik, így az egységnyi időlépés alatt szerzett egységnyi nyereség: X(t, t) = S(t + t) S(t) mely relatív megváltozása a hozam vagy lineáris hozam: r(t, t) = S(t+ t) S(t) S(t) exponenciális trend pl. kamatos kamat r(t, t) log = log S(t+ t) S(t) log r ahol r(t, t) log az úgynevezett logaritmikus hozam. 5
Portfólió választás a Markowitz-féle modellben A Markowitz-féle modell feltevései A Markowitz-féle modell az üzleti világra a következő egyszerűsítő feltevéseket teszi: A befektetők árelfogadóak: A piac szereplői nem befolyásolják a piacot az üzleteikkel (a forgalomban lévő részvényekhez képest kis tételben való kereskedés esetén jó közelítés, azonban a portfólió nyereségének realizációja tömeges eladáshoz vezet) Értékpapírok tetszőlegesen oszthatóak: nagy portfólióra jó közelítés Nincsenek tranzakciós költségek: sem időben sem pénzben Az árfolyamok stacionárius és normális eloszlásúak: azaz elegendő az átlagukat és szórásukat megadnunk, a centrális határeloszlás tétele miatt kb. jó közelítés A befektetések kockázatát a hozamuk szórásával mérjük: azaz a kockázat a befektetési periódus végén realizált hozam bizonytalansága. Azonban a kockázatát definiálása közel sem egyértelmű, ezt példázóan néhány fontos szempont amit figyelembe kell vennünk a kockázat definiálása során: Diverzifikációs elv: olyan kockázati mérték kell, mely több részvényre való szétosztott befektetésre kisebb Robosztusság: Kis zavarral szembeni ellenállás Összehasonlíthatósag: Valahogy össze kell tudnunk hasonlítani a különböző formájú befektetéseket Szokás megkülönböztetni a kockázatokat forrásaik szerint: (a) piaci kockázat (árfolyam ingadozás) (b) hitelkockázat (fizetésképtelenné válás) (c) működési kockázat (emberi hiba, csalás) A befektetők racionálisak: a vizsgált időtávon belül a legkisebb kockázat mellett a legnagyobb hozamot szeretnek (azonban hosszú távú befektetés során nem zavaró, ha az elején rosszul teljesít a befektetés) Portfólió választás Legyen N darab különböző fajta értékpapír a piacon, melyek árfolyamai S i (t) : i {,..., N}. Ekkor portfóliónak nevezzük a befektető egyes értékpapírjaiból meglévő w i (adott részvény-kombináció) mennyiségek összességét. Tehát a portfólió értéke: Y (t) = N w i S i (t) W S(t) melyből a portfólió megváltozásának értéke (nem váltunk csomagot), azaz a nyereségünk: i= X(t) = Y (t + t) Y (t) = N w i X i (t) ahol X i (t) = S i (t + t) S i (t). A Markowitz-modell feltevése miatt elegendő pusztán a portfólió átlagával és szórásával foglalkoznunk: i= µp := σ p := N w i µ i i= N σ i j w i w j i, j= ahol µ i = E[x i ] részvény várhatóértéke és σ i j = E[x i x j ] E[x i ]E[x j ] kovariancia mátrix. 6
A befektetőnk racionális, ha: azonos (µ p = µ p ) várható hozamok közül azt részesíti előnyben, melynek kisebb a szórása azaz a p, p portfóliók közül p -et válassza, ha σ p < σ p azonos szórás esetén a nagyobb várhatóértékűt választja Tehát a kedvező portfólió megtalálásához a következő optimalizációs feladatot kell megoldanunk:. min w R N. 3. N i j= σ i j w i w j N w i µ i = µ rögzített hozam mellett keressük a minimális portfóliót i= N w i = nem fektetünk be vagy vonunk ki részvényt a játék során i= mely Lagrange multiplikátoros formalizmussal megoldható: ahol a ( ) megoldásra utal és w i (µ) = N j= λ (µ) = C B µ AC B σ i j [λ (µ) + η (µ)µ i ] η (µ) = A µ B AC B A = N i j= σ i j a µ hozam melletti portfólió kockázata pedig: σ (µ) := Optimalizációs feladat vizualizációja: Μ N i, j= B = N i j= σ i j µ j σ i j w i (µ)w j (µ) C = N i j= σ i j µ iµ j A AC B (µ B A ) + A B A A Σ besatírozott terület: lehetséges portfóliók (a. és 3. egyenletet kielégítik, de nincsen minimalizálva a kockázat) határportfóliók: optimalizációs feladat szélsőértékei (kékkel és lilával jelölt portfóliók) hatékony portfóliók: optimalizációs feladat megoldásai (kékkel jelölt portfóliók) 7
3 Egy adott portfólió szimmetrikus mozgása a tőzsdén Vegyük a következő gazdasági modellt: legyen x = {x i : i < } véletlen változók halmaza, mely a következő eloszlást mutatja: P(x i = ) = P(x i = ) = / (pl. pénzérme dobás) jelölje S 0 a játékos kezdeti tőkéje, mely az n. lépésben S n = S 0 + x + x +... + x n, tehát M n = S n S 0 a játékos nyeresége (egyetlen portfólióval foglalkozunk,hiszen kiválasztottuk a legjobbat) Feltehetjük azt a kérdést, hogy mekkora annak a valószínűsége, hogy nyer A egységet, mielőtt B-t vesztene? A kérdés megválaszolásához vezessük be a τ := min{n 0 : M n = A vagy M n = B} időt, lépésszámot mely egészen addig fut, míg vagy S n = A nyereség vagy M n = B bukás bekövetkezik, így arra hajtunk tehát, hogy meghatározzuk a következőt P(S τ = A S 0 = 0) ahol az S 0 = 0 kezdeti feltétel arra utal, hogy a kezdő árfolyamhoz képest viszonyítjuk a mozgást. Első lépés analízis Elemi körökből, időlépésekből építjük fel a játékos pénzmozgását, úgy, hogy egy lépést ismételünk a játék végéig, addig amíg B < S n < A feltétel még nem teljesül. Legyen f (k) := P(S τ = A S 0 = k) B k A annak a feltételes valószínűsége, hogy ha k tőkénk van, akkor τ-ban nyerünk A-t. A már tanultak alapján f (k) kifejezhető a gráf szomszédos elemein vett értékével: f (k) = f (k ) + f (k + ) B k A mely egyenletetrendszert kell megoldanunk az f (A) = és f ( B) = 0 kezdeti feltételekkel. Ehhez a kapott egyenletet vezessük vissza rekurzió segítségével, majd oldjuk meg: legyen f ( B + ) α ekkor ) α = f ( B + ) = f ( B + ) + } {{ } f ( B + + ) α = f ( b + ) ) α = f ( B + ) = f ( B + ) + } {{ } f ( B + + ) α 3α = f ( B + 3)... j) jα = f ( B + j) ahol az α értékét az f (A) = kezdeti feltételből illeszthetjük: = f (A) = (A + B)α Tehát a keresett feltételes valószínűség: α = A + B f (0) = P(τ idő alatt elérüjük A-t, de még mielőtt elérnénk B-t S 0 = 0) f ( B + B) = B A + B 8
Bolyongás várható ideje A várható idő pontosabb meghatározása előtt meg kell bizonyosodnunk arról hogy a folyamatunk valóban véges ideig tart. Ezt indikátor függvény (A. Appendix) segítségével beláthatjuk. Induljunk ki a következő triviális algebrai állításból τ d ((k )(A + B) < τ k(a + B)) k d (A + B) d ((k )(A + B) < τ) mivel ez az összefüggés minden k-ra teljesül, így a -ra is teljesül: k τ d ((k )(A + B) < τ k(a + B)) k= } {{ } ((k )(A + B) < τ k(a + B)) τ d k= } {{ } a szumma olyan k-ra megy ahol (k )N<τ kn, és N=A+B azaz k < τ N k így k csak egy értéket vehet fel (többre nem teljesül az egyenlőtlenség), tehát ez k d (A + B) d ((k )(A + B) < τ) k= τ d k d (A + B) d ((k )(A + B) < τ) k= mindkét oldal várhatóértékét véve: τ d k d (A + B) d P((k )(A + B) < τ) k= } {{ } annak a valószínűsége, hogy (k-)(a+b) lépésből egyszer sem nyert, azaz ezt úgy becsülhetjük, hogy (A+B) lépésből egyszer sem nyertünk (k-)-szer:-p ahol p= (A+B) annak a valószínűsége, hogy pont A-t nyerünk egyféleképpen mivel a jobb oldal korlátos, így a bal oldal is. Első lépés analízis Jelölje g(k) = τ S 0 = k annak a bolyongásnak a várható idejét amit az S 0 = k-ból indítunk. Ez is kifejezhető a szomszédos gráfpontokbeli értékeivel g(k) = g(k ) + g(k + ) + ez esetben a két kezdeti feltétel g( B) = 0 = g(a) (mindkét esetben nulla a bolyongási idő, hisz vagy a nyerés vagy a vesztés miatt kiszálltunk). Vegyük észre, hogy az előző egyenlet átírható egy Laplace egyenletté: ahol melynek megoldása: így g(k ) = B < k < A g(k ) = g(k) g(k ) g(k ) = g(k + ) g(k) + g(k ) g(k) = (k A)(k + B) τ S 0 = g(k = 0) = A B 9
4 Egy adott portfólió aszimmetrikus mozgása a tőzsdén Legyen P(x i = ) = p és P(x i = ) = p = q ahol (p + q = ). Ekkor egy lépés után: melyet a következő differenciálegyenletbe írhatunk át: melyből: ) f (k + ) = ( q p ) f (k) ) f (k + ) = ( q p ) f (k + ) = ( q p ) f (k)... j) f (k + j) = ( q p ) j f (k) f (k) = p f (k + ) + q f (k ) 0 = p{f (k + ) f (k)} q{f (k) f (k )} f (k) = ( q ) f (k ) p ezt az előző egyenlettel analóg módon rekurzívan megoldatjuk, legyen megint és használjuk fel az α = f ( B) = f ( B + ) f ( B) = f ( B + ) } {{ } f (k) = k+b f ( j B) = j=0 f (k) kioltják egymást azonosságot így: f (k) = k+b j=0 f ( j B) = k+b melyben szereplő α-t az f (A) = kezdeti feltétel rögzíti f (k = 0) adja megint a kereset valószínűséget: j=0 f (0) = P(S n = A S 0 = 0) = ( ) q j k+b p f ( B) = α = α ( ) q A+B p q p j=0 q p ( q ( q p )A+B p )B q p = ( q p ) j = α ( q p ) k+b ( q p )B ( q p )A+B q p 0
Bolyongás várható ideje Megint be kéne látnunk, hogy τ véges, de ezt most nem tesszük meg, hanem rögtön megoldjuk az első lépés analízis egyenleteit g(k) = pg(k + ) + qg(k ) + mely a következő inhomogén lineáris differenciálegyenletre vezet ( ) q g(k) = g(k ) p p a probléma g( B) = 0 = g(a) kezdeti feltételekkel rendelkezik. homogén rész megoldása g(k) = ( q p ) g(k ) = ( q )[g(k) g(k )] p a megoldás alakja: ( q g(k) = α + β p melyet vissza írva azt kapjuk: ( ) [ q k+ ( ) ] [ q k ( ) q k+ ( ) ] q k g(k + ) g(k) = α + β α + β = β = p p p p ( ) [ ( ) q q k ( ) ] q k = β p p p inhomogén egyenlet megoldása, az állandók variálása helyett c k alakban keressük a megoldást: c (k + ) c k = q p (ck c(k )) p c = q p a kettő összegéből (lineáris kombinációjából) előáll a megoldás: g(k) = a kezdeti feltételek rögzítik az α, β konstansok értékét: ) k k q p + α + β( q p )k g(k = B) = B q p + α + β( q p ) B = 0 α = B q p β( q p ) B g(k = A) = A q p + α + β( q p )A = 0 α = A q p β( q p ) A+B q p = β(( q p ) B ( q p )A ) ebből a bolyongás várhatóértéke: g(k = 0) = + α + β = B q p A+B q p ( ( q p ) B ( q )(( q p )A p ) B ) = B q p A+B q p ( q p )B ( q p )A+B