1.22.6. Распределение Стьюдента

Распределение вероятностей случайной величины

называется распределением Стьюдента (Student’s t-distribution) с n степенями свободы, если случайные величины ξ и η независимы, ξ имеет стандартное нормальное распределение, а η – распределение х² с n степенями свободы.

Свойства распределения Стьюдента

1. Если случайная величина t имеет распределение Стьюдента с n степенями свободы, то

Асимметрия распределения Стьюдента равна 0.

2. При возрастании числа степеней свободы распределение Стьюдента стремится к стандартному нормальному распределению. При этом распределение Стьюдента имеет более тяжелые ветви, чем стандартное нормальное распределение. На рис. 1.26 изображены графики плотности стандартного нормального распределения и распределения Стьюдента с тремя степенями свободы.

3. Критическим значением распределения Стьюдента с и степенями свободы называют число t_a(n), удовлетворяющее условию:

где α – заданная вероятность.

Критические значения распределения Стьюдента указаны в табл. 1.3.

4. Если случайные величины ξ₁, ξ₂…., ξ_n взаимно независимы и распределены нормально с параметрами (а, σ), то случайная величина

Пример. 1.59. В условиях примера 1.58 найдем доверительный интервал для ожидаемой доходности с надежностью 95 %.

Так как

Согласно табл. 1.3, критическое значение распределения Стьюдента t_0,025(9) = 2, 262.

Следовательно,

Таким образом, с надежностью 95 % ожидаемая доходность казначейских облигаций находится между 6,57 и 6,67 %.

1.22.7. Гамма-распределение

Плотность гамма-распределения Г(α, γ) имеет следующий вид:

1.22.8. Бета-распределение

Плотность бета-распределения В(α, β) записывается в виде:

Если случайная величина ξ имеет бета-распределение В(α, β), то

1.22.9. Двумерное нормальное распределение

Плотность двумерного нормального распределения имеет следующий вид:

Свойства двумерного нормального распределения

1.23. Расчет волатильности финансовых показателей на основе исторических данных

Волатильность, или изменчивость (volatility), финансовых показателей играет очень важную роль в управлении финансовыми рисками.

Пусть Y_t – некоторый финансовый показатель (например, цена или доходность некоторого финансового инструмента), наблюдаемый в день t, t = 0, 1, 2, …, T. Положим

Случайная величина X_t представляет собой натуральный логарифм относительного изменения этого показателя за один день, выраженный в процентах. Тогда дневную волатильность данного показателя можно оценить следующим образом:

Иными словами, дневная волатильность принимается равной стандартному отклонению логарифма относительного изменения финансового показателя за один день.

Пример 1.60. В течение 11 последовательных рабочих дней биржи определялась доходность 30-летних казначейских облигаций с нулевыми купонами. Расчет дневной волатильности доходности на основе этой информации приведен ниже.

Таким образом, дневная волатильность доходности 30-летних облигаций с нулевыми купонами оценивается в 0,70 %.

Если случайные величины X_t не коррелируют между собой, то, зная дневную волатильность доходности финансового инструмента, можно оценить волатильность доходности этого инструмента за данный период времени:

В частности, для того чтобы определить годовую волатильность, необходимо для каждого конкретного случая правильно определить число рабочих дней в году. Число рабочих дней в году может быть равным 250, 260 или 365.

Пример 1.61. В примере 1.60 была найдена дневная волатильность доходности 30-летних казначейских облигаций с нулевыми купонами: σдн = 0,70147.

Ниже указана годовая волатильность доходности при разных оценках числа дней в году:

Предположим, что в данный момент времени доходность финансового инструмента равна r. Можно считать, что доходности за один день распределены логнормально с параметрами 0 и σдн. Если логарифмы относительных изменений доходности не коррелируют между собой, то отношение доходности через год к доходности г будет распределено также логнормально, но с параметрами (0, σгод). Следовательно, сама доходность финансового инструмента через год должна иметь логнормальное распределение с параметрами (ln r, σгод).

Если годовая волатильность доходности достаточно мала, то можно считать, что доходность финансового инструмента через год распределена приблизительно нормально с параметрами r и rσгод.

Пример 1.62. Текущая доходность 10-летних казначейских облигаций с нулевым купоном равна 8 %, а годовая волатильность этой доходности равна 15 %.

Можно предположить, что доходность 10-летних облигаций с нулевыми купонами через год будет приблизительно распределена нормально с ожидаемым значением 0,08 и стандартным отклонением 0,08-0,15 = 0,012. Отсюда, в частности, следует, что с вероятностью 95,5 % доходность через год окажется между 0,08-2 • 0,012 = 0,056 и 0,08 + 2 • 0,012 = 0,104, т. е. будет принимать значение между 5,60 и 10,40 %.

1.24. Элементы регрессионного анализа

Во многих случаях требуется установить зависимость между двумя случайными величинами. Чаще всего предполагается линейная зависимость. Например, при обмене облигаций использовалась линейная зависимость между изменениями доходностей двух облигаций.

Рассмотрим две случайные величины ξ и η и предположим, что когда случайная величина ξ принимает значения X₁, X₂…., X_n, то случайная величина η принимает соответственно значения Y₁, Y₂…., Y_n.

Линейной регрессионной моделью называют уравнение следующего вида:

При построении линейной регрессионной модели коэффициенты а и b необходимо подобрать так, чтобы влияние случайной погрешности ξ на случайную величину η было как можно меньше.

Из уравнения (1.64) следует, в частности, что

Коэффициенты регрессии а и b чаще всего подбираются методом наименьших квадратов (least squares), который сводится к отысканию значений а и b так, чтобы достигалось наименьшее значение функции

Нетрудно проверить, что наименьшее значение функции (1.65) достигается при

При выборе коэффициентов регрессии указанным выше способом будут выполняться следующие соотношения:

Пример 1.63. Построение линейной регрессионной зависимости доходности среднесрочных корпоративных облигаций одного и того же кредитного рейтинга (η) от доходности 10-летних казначейских облигаций (ξ). Исходная информация и предварительные расчеты приведены в таблице ниже.

Коэффициенты регрессии находят следующим образом:

Уравнение регрессии в данном случае имеет вид:

Из соотношения (1.66) следует, что

Отношение суммы квадратов, объясняемой регрессией, к полной сумме квадратов называют коэффициентом детерминации и обозначают R². Таким образом,

Коэффициент детерминации всегда находится между 0 и 1, причем чем ближе коэффициент детерминации к единице, тем выше качество регрессионной модели.

Пример 1.64. Оценим качество регрессионной модели, построенной в примере 1.63.

В данном случае коэффициент детерминации может быть найден следующим образом:

Так как коэффициент детерминации очень близок к единице, то качество регрессионной модели достаточно высокое.

Оценка коэффициентов регрессии получена нами в зависимости от выборки значений X₁, X₂…., X_n независимой случайной величины ξ и соответствующих им значений зависимой случайной величины η. Для другой выборки значений случайной величины ξ будут получены, вообще говоря, другие оценки коэффициентов регрессии и другая случайная погрешность. В связи с этим возникает задача построения доверительных интервалов для коэффициентов регрессии.

Если предположить, что случайные погрешности не коррелируют между собой (т. е. отсутствует автокорреляция), то доверительные интервалы для коэффициентов регрессии с надежностью 95 % строятся следующим образом:

Если случайная величина ξ принимает значение Х, то согласно линейной регрессионной модели:

а ожидаемое значение случайной величины η равно

При отсутствии автокорреляции^[17] и гетероскедастичности^[18] доверительный интервал для значения случайной величины η при заданном уровне надежности может быть найден в виде:

Пример 1.65. Инвестор считает, что через месяц доходность 10-летних казначейских облигаций окажется равной 8 %. Тогда согласно регрессионной модели, построенной в примере 1.63, ожидаемое значение доходности корпоративных облигаций будет равно

Для определения доверительного интервала для доходности корпоративных облигаций с надежностью 95 % найдем:

Следовательно, искомый доверительный интервал: (8,87 %; 8,95 %).

1.25. Метод Монте-Карло

Случайная величина γ, принимающая 10 значений: 0, 1, 2, 3, …, 9 с одинаковой вероятностью, называется случайной цифрой.

Предположим, что мы произвели N независимых опытов, в результате которых получили N случайных цифр. Записав эти цифры (в порядке их появления) в таблицу, получим то, что называется таблицей случайных цифр. Например, таблица из 150 случайных цифр может иметь следующий вид (цифры разбиты на группы для удобства чтения таблицы):

Случайным числом (random number) называется случайная величина

Иными словами, случайное число – это случайная величина, равномерно распределенная на промежутке [0, 1).

Если задана таблица случайных цифр, то можно строить различные случайные числа, как, например:

В настоящее время существуют специальные компьютерные программы для построения случайных чисел в любом количестве. Такие программы называют генераторами случайных чисел.

Рассмотрим теперь дискретную случайную величину ξ, распределение которой имеет вид:

Равенство (1.68) позволяет каждому случайному числу приписать определенное значение случайной величине ξ. Такой процесс приписывания значений случайной величине ξ часто называют разыгрыванием этой случайной величины.

Пример 1.66. Случайная величина ξ принимает значения 1 и 2 с вероятностью 0,6 и 0,4 соответственно. В данном случае

Значения этой случайной величины, приписываемые случайным числом из последовательности (1.67), приведены ниже:

Частоты появления 1 и 2 соответственно равны и близки к их вероятностям. Чтобы получить лучшую модель, необходимо рассмотреть большее количество случайных чисел.

Предположим, что даны две случайные величины ξ и η, совместное распределение которых имеет вид:

Равенство (1.69) позволяет каждому случайному числу приписать определенную пару значений случайных величин ξ и η. Такой процесс приписывания значений паре случайных величин (ξ, η) называют разыгрыванием этой пары.

Если случайные величины ξ и η независимы, то для разыгрывания пары (ξ, η) достаточно разыграть каждую случайную величину в отдельности. Для разыгрывания непрерывной случайной величины можно вначале найти дискретную случайную величину, близкую к данной случайной величине, а затем разыграть эту дискретную случайную величину.

Метод Монте-Карло позволяет численно находить различные вероятностные характеристики случайной величины η, зависящей от большого числа других случайных величин ξ₁, ξ₂…., ξ_n. Этот метод сводится к следующему: разыгрывается последовательность случайных величин (ξ₁, ξ₂…., ξ_n), для каждого розыгрыша определяется соответствующее значение случайной величины η, а по найденным значениям строится эмпирическое распределение вероятностей этой случайной величины.

Пример 1.67 [5]. Инвестор владеет портфелем, состоящим из одной казначейской облигации и двух корпоративных облигаций одного и того же кредитного рейтинга. Основные параметры портфеля указаны в таблице: