Rozdział 4 Modele wędrówki cen

4.1 Model siatki dwumianowej

Początek siatki dwumianowej -- cena rośnie o mnożnik u>1 z prawdopodobieństwem p lub spada (mnożnik 0<d<1) z prawdopodobieństwem 1-p

Rysunek 4.1: Początek siatki dwumianowej – cena rośnie o mnożnik u>1 z prawdopodobieństwem p lub spada (mnożnik 0<d<1) z prawdopodobieństwem 1-p

Model siatki dwumianowej

Rysunek 4.2: Model siatki dwumianowej

Jeżeli:

  • ν to oczekiwana roczna stopa wzrostu:

ν=E[ln(ST/S0)],

gdzie ST to cena akcji po roku, a S0 to bieżąca cena;

  • σ to roczne odchylenie standardowe stopy wzrostu (jako miara jej niepewności):

σ=V[ln(ST/S0)]

  • okres Δt jest znikomo mały w porównaniu z 1 rokiem,

to parametry modelu siatki dwumianowej można wyznaczyć w następujący sposób:

p=12+12νσΔt

u=eσΔt

d=eσΔt

Model siatki dwumianowej w arkuszu kalkulacyjnym.

4.2 Model addytywny

Model addytywny to model z czasem dyskretnym, to znaczy model pokazujący cenę dla równo oddalonych od siebie punktów w czasie (momentów).

Załóżmy, że mamy N+1 momentów, oznaczamy je przez k (k=0,1,2,...,N). Cena aktywów w momencie k+1 zależy od Sk (ceny w poprzednim momencie) i wynosi, zgodnie z tym modelem:

Sk+1=aSk+uk,

gdzie a to pewna stała, a uk to zakłócenia losowe.

Załóżmy, że zakłócenia uk mają taki sam rozkład rozkład normalny, wartość oczekiwaną równą zero, wariancję σ2 i są niezależne. Można pokazać, że przy takich założeniach wartość oczekiwana ceny po k okresach wynosi:

E(Sk)=akS0,

Wariancja zaś wynosi:

V(Sk)=σ2ki=0a2i.

Parametry rozkładu prostych k-okresowych stóp zwrotu netto są następujące. Wartość oczekiwana:

E[R(k)]=E[SkS01]=ak1

Wariancja:

V[R(k)]=V[SkS0]=σ2ki=0a2iS20

Model addytywny jest prosty w założeniach, jednak nie przystaje do rzeczywistości w dwóch podstawowych aspektach:

  1. Według modelu ceny mogą spaść poniżej zera (w rzeczywistości zwykle nie mogą).

  2. Odchylenie standardowe jest stałe niezależnie od rzędu wielkości ceny (jeżeli cena wzrośnie 100-krotnie, odchylenie standardowe względem ceny będzie 100 razy mniejsze).

4.3 Model multiplikatywny

Model multiplikatywny ma postać:

Sk+1=Skuk,

gdzie uk to zmienna zakłócająca inna niż w przypadku modelu addytywnego.

W postaci logarytmicznej:

lnSk+1=lnSk+lnuk.

Zakładamy, że zmienne losowe wk

wk=lnuk

mają rozkład normalny, są wzajemnie niezależne, a wartość oczekiwana każdej z nich wynosi E(wk)=ν przy wariancji równej σ2.

Czynnik zakłócający uk można zapisać jako

uk=ewk

Ma on rozkład logarytmiczno-normalny.

Model multiplikatywny pozwala pozbyć się dwóch poprzednio wspomnianych problemów modelu addytywnego: ceny nie mogą spaść poniżej zera i zmienna uk powoduje, że rozproszenie stóp zwrotu rośnie z ceną.

Cena instrumentu po k okresach, Sk, ma rozkład log-normalny. Oznacza to, że logarytm ceny ma rozkład normalny z następującą wartością oczekiwaną:

E(lnSk)=lnS0+νk

i wariancją:

V(lnSk)=kσ2

Logarytmiczna k-okresowa stopa zwrotu r(k) ma również rozkład normalny o wartości oczekiwanej:

E[r(k)]=E[lnSkS0]=kν

i wariancji:

V[r(k)]=V[lnSkS0]=V[lnSkS0]=kσ2

Warto zauważyć, że wartość oczekiwana i wariancja k-okresowej logarytmicznej stopy zwrotu rosną proporcjonalnie do k, zaś odchylenie standardowe rośnie jak k.

Jeżeli chcemy wyliczyć wartość oczekiwaną i odchylenie standardowe dla okresu ułamkowego oznaczonego przez p (np. chcielibyśmy przejść z rozkładu rocznych stóp o parametrach ν i σ do rozkładu stóp miesięcznych p=1/12), postępujemy analogicznie:

E(rp)=νp=pν

V(rp)=σ2p=pσ2

σp=pσ

4.4 Geometryczne ruchy Browna

W powyższych modelach ceny były dyskretne lub ciągłe, ale czas pozostawał dyskretny (zbiór oddzielonych od siebie momentów). Model przedstawiony w tym podrozdziale to model, w którym czas jest również ciągły.

Jeżeli będziemy skracać okres podstawowy tak, aby dążył do zera, model multiplikatywny przechodzi w tzw. proces Ito nazwany geometrycznymi ruchami Browna (S(t) albo St to cena w momencie t, gdzie t przyjmuje dowolną wartość z określonego przedziału, zt to znormalizowany proces Wienera):

dlnSt=νdt+σdzt

Alternatywna równoważna postać modelu (w którym μ=ν+σ2/2):

dSt=μStdt+σStdzt

Alternatywna postać modelu może być zapisana również w ten sposób:

dStSt=μdt+σdzt

W przypadku geometrycznych ruchów Browna opisanych równaniem (4.24) oczekiwana logarytmiczna stopa za cały czas t wynosi:

E(r(t))=E(lnStS0)=νt,

zaś jej odchylenie standardowe wynosi

SD(r(t))=SD(lnStS0)=σt,

Oczekiwana prosta stopa netto za cały czas t wynosi

E(R(t))=E(StS01)=eμt1,

zaś jej odchylenie standardowe wynosi

SD(R(t))=SD(StS01)=eμt(eσ2t1)1/2,

Symulując ten proces, który w teorii jest w czasie ciągłym, musimy się jednak siłą rzeczy odwołać do obliczeń w czasie dyskretnym. Symulacje będą więc oparte na krótkich okresach Δt (w poniższym wzorze ϵ(tk) to realizacje niezależnych zmiennych losowowych o standaryzowanym rozkładzie normalnym):

S(tk+1)=S(tk)eνΔt+σϵ(tk)Δt

4.5 Szacowanie parametrów modeli multiplikatywnych

Jednookresową stopę zwrotu brutto w okresie k+1 (od momentu k do momentu k+1) oznaczamy przez Rk+1=Sk+1Sk. W modelu multiplikatywnym jednookresowa stopa zwrotu brutto z inwestycji równa jest zmiennej uk. Wartość wk=ln(uk) to logarytm stopy brutto, czyli logarytmiczna stopa zwrotu rk. Wartość oczekiwana zmiennej wk to ν, a wariancja to σ2.

Jak oszacować te parametry na podstawie danych z n okresów z przeszłości? Można obliczyć średnią logarytmiczną stopę zwrotu – to będzie estymator parametru ν:

ˉν=1nni=1ri=1nni=1lnSiSi1=1nlnSnS0

Błąd oszacowania V(ˉν) wynosi

V(ˉν)=σ2n.

Standardowy błąd oszacowania, czyli pierwiastek z wariancji estymatora wyniesie:

SE(ˉν)=σn

Możemy również oszacować parametr σ2. Estymator będzie wyglądał następująco:

ˆσ2=1n1ni=1[riˉν]2=1n1ni=1[lnSiSi1ˉν]2

Jego wariancja natomiast będzie wynosić:

V(ˆσ2)=2σ4n1

Błąd standardowy, czyli pierwiastek z wariancji estymatora wyniesie:

SE(ˆσ2)=2σ2n1

Estymatorem parametru σ jest, jak się można domyślić pierwiastek z ˆσ2:

ˆσ=ˆσ2

Jego błąd standardowy to w przybliżeniu, które można uznać za wystarczająco dobre dla n>10 (Ahn and Fessler 2003):

SE(ˆσ)=σ2(n1)

4.6 Ćwiczenia

Zadanie 4.1 (Luenberger 2003) Akcja, której cena bieżąca wynosi S0=100, ma oczekiwaną logarytmiczną stopę zwrotu ν równą = 12%. Zmienność tej stopy wynosi σ = 20%. Wyznacz odpowiednie wartości parametrów niezbędnych do zbudowania siatki dwumianowej pokazującej zmiany cen tej akcji, jeżeli okresem podstawowym miałyby być 3 miesiące. Narysuj tę siatkę dla pierwszego roku, uzupełniając wartości w poszczególnych węzłach. Jakie jest prawdopodobieństwo osiągnięcia poszczególnych węzłów końcowych?

Zadanie 4.2 Na podstawie Ruppert and Matteson (2015). Dzienne logarytmiczne zwroty z akcji ZZZ są niezależne i mają rozkład normalny ze średnią 0,001 i odchyleniem standardowym 0,015. Załóżmy, że kupujemy te akcje za 1000 USD. Jakie jest prawdopodobieństwo, że po pięciu dniach handlowych inwestycja będzie warta mniej niż 980 USD?

Zadanie 4.3 Przygotuj symulację procesu zmieny cen według modelu addytywnego i multiplikatywnego w arkuszu kalkulacyjnym.

Zadanie 4.4 (Na podstawie Luenberger 2003) Załóżmy, że proces kształtowania się cen jest zgodny z modelem multiplikatywnym z parametrami ν=0,1 i σ=0,18. Do celów oszacowania parametrów zbieramy dane z 10 lat.

  1. Ile wynosi błąd standardowy oszacowania parametru ν?

  2. Ile wynosi przybliżony błąd standardowy oszacowania parametru σ, jeżeli weźmiemy dane za 10 lat?

  3. Ile wynosi błąd standardowy oszacowania parametru σ, jeżeli skorzystamy ze 120 stóp miesięcznych: SE(ˆσ)=12SE(ˆσm)?

  4. Ile wynosi błąd standardowy oszacowania parametru σ2, jeżeli skorzystamy ze 5210=520 stóp tygodniowych: SE(ˆσ)=52SE(ˆσw)?

  5. Ile wynosi błąd standardowy oszacowania parametru σ2, jeżeli skorzystamy z 25210=2520 stóp dziennych: SE(ˆσ)=252SE(ˆσd)?

Zadanie 4.5 (Luenberger 2003) Symulacja komputerowa geometrycznych ruchów Browna Rozważ akcję, której cena S podlega geometrycznym ruchom Browna: dSS(t)=0,10dt+0,30dz a. Podstawiając Δt=1/12 i S(0)=1 przeprowadź symulację kilku (a raczej wielu) lat przebiegu procesu. Zbadaj funkcję 1tlnS(t) w zależności od t. Zauważ, że funkcja ta dąży do p. Jaka jest teoretyczna wartość tej granicy?

  1. Jak duże musi być t, aby możliwe było uzyskanie wyniku z dokładnością do dwóch miejsc po przecinku?

  2. Zbadaj funkcję zmiennej t: 1t[lnS(t)pt]2 Czy funkcja ta ma granicę skończoną? Jeśli tak, to jaka jest jej wartość?

Literatura

Ahn, Sangtae, and Jeffrey A Fessler. 2003. “Standard Errors of Mean, Variance, and Standard Deviation Estimators.” EECS Department, The University of Michigan 1 (2).
Luenberger, David G. 2003. Teoria Inwestycji Finansowych. Przedsiębiorczość / Fundacja Edukacyjna Przedsiębiorczości. Warszawa: Wydaw. Naukowe PWN.
Ruppert, David, and David S. Matteson. 2015. Statistics and Data Analysis for Financial Engineering: With r Examples. 2nd ed. 2015 edition. New York Heidelberg Dordrecht London: Springer.