Modello di pricing per opzioni
|
|
- Rosina Marchi
- 8 anni fa
- Visualizzazioni
Transcript
1 SCUOLA ENRICO MATTEI Master MEDEA - Anno Accademico PROJECT ENIFIN Modello di pricing per opzioni Allievi: Loreto Avendaño Chiara Lo Prete Pedro Nobre Manuel Pianazzi Massimo Stolzuoli
2 Abstract Poichè il pricing di opzioni di tipo asiatico a media aritmetica pone il problema di non poter utilizzare formule chiuse tipo Black & Scholes, si rende necessario a tale scopo l utilizzo del metodo Montecarlo. Dopo aver effettuato l analisi della serie storica del Brent Dated in euro, si propongono tre modelli di pricing dell opzione, che differiscono nelle ipotesi sottostanti la volatilità. I risultati ottenuti dimostrano che, nel caso in esame, la simulazione del prezzo realizzata con il metodo Montecarlo risulta estremamente sensibile al rendimento medio e poco sensibile alla volatilità. Indice 1. Introduzione 2. Approccio al problema 2.1 Analisi della serie storica 2.2 Strumenti utilizzati 2.3 Modelli di simulazione 3. Conclusioni 4. Bibliografia 5. Allegati 1. Introduzione Il tema del lavoro svolto è: sviluppo di un modello Montecarlo di pricing per opzioni di tipo asiatico a media aritmetica, sul Brent Dated denominato in euro, al tasso di cambio giornaliero corrispondente, calcolate su dati in parte storici e in parte previsionali. Il gruppo è composto da 5 studenti: Loreto Avendaño, Chiara Lo Prete, Pedro Nobre, Manuel Pianazzi e Massimo Stolzuoli. La proposta di ricerca è stata offerta dall Area Controllo della Gestione della società EniFin S.p.A Il lavoro è stato supportato dai Dott. Petralia e Fanucci, facenti capo al Dott. Dal Piaz. Il punto di partenza è stato il contratto per una strip di opzioni su commodities (greggio) siglato da ENI con una banca internazionale. Il progetto è stato svolto in più fasi. In un primo momento si sono approfondite le conoscenze teoriche circa gli strumenti ed i modelli da utilizzare, in particolare il Metodo Montecarlo, il metodo GARCH ed il software Eviews. Quindi, sono state analizzate le serie storiche di Brent Dated e cambio EUR/USD al fine di ricavarne l andamento ed alcune caratteristiche necessarie per simularne gli andamenti futuri. Contemporaneamente sono stati implementati tre diversi modelli di simulazione, ognuno dei quali schematizza il parametro volatilità secondo un differente approccio. I tre modelli sono stati utilizzati per simulare l andamento del prezzo del Brent durante il periodo di validità di una opzione call in modo da ricavare il prezzo teorico. Infine i risultati sono stati verificati con le serie dei prezzi del Brent aggiornati a 22/03/04. ENI Corporate University 2003/04-1 -
3 2. Approccio al problema Le opzioni da valutare sono di tipo asiatico, cioè il loro payoff alla scadenza dipende dal valore medio dei prezzi del bene sottostante durante un determinato periodo di tempo (nel nostro caso, 9 mesi prima della data di scadenza). La presenza di un valore medio quale parametro fondamentale per il calcolo del profitto dell opzione non ci permette di utilizzare la tradizionale formula di Black & Scholes per calcolare il suo valore teorico. Infatti, qualora la media da considerare sia di tipo aritmetico, il prezzo di riferimento del bene sottostante (prezzo medio) non seguirà mai una distribuzione di tipo lognormale, con media e varianza costante, poiché la somma di variabili casuali distribuite secondo una legge lognormale non è lognormale. Inoltre, c è un altro motivo fondamentale per cui la formula Black & Scholes non può essere utilizzata: in base al campione analizzato, la varianza del tasso di rendimento istantaneo giornaliero del Brent in euro non è costante nel tempo. Occorre quindi considerare la volatilità una variabile stocastica e modellizzarla adeguatamente. Infine, il mercato delle commodities è caratterizzato da frizioni quali, ad esempio, i costi di transazione, l impossibilità di operare allo scoperto, il fatto che le contrattazioni non avvengono con continuità, etc. La violazione di una, o più, delle ipotesi alla base del modello di Black & Scholes porta inevitabilmente quest ultimo a commettere errori sistematici. Occorre per tanto, trovare un modello più complesso che riesca a catturare meglio le caratteristiche del tipo di opzione che dobbiamo valutare. In questo lavoro, si presentano 3 modelli alternativi alla formula di Black & Scholes per determinare il prezzo teorico delle opzioni, il cui motore è costituito dalla metodologia Montecarlo. Questi tre modelli si contraddistinguono nella diversa specificazione della volatilità del bene sottostante: Modello 1: Simulazione del prezzo del sottostante applicando il metodo Montecarlo nell ipotesi di volatilità costante. Modello 2: Simulazione del prezzo applicando il metodo Montecarlo con volatilità descritta da un modello econometrico tipo GARCH. Modello 3: Metodo Montecarlo per simulare congiuntamente i processi del prezzo del sottostante e della volatilità. La stima della volatilità e la simulazione dei prezzi vengono effettuati con l ausilio di Eviews. ENI Corporate University 2003/04-2 -
4 Modello 1: Ipotesi: - Il prezzo del bene sottostante (S), cioè il prezzo spot del Brent Dated in euro valutato al tasso di cambio giornaliero corrispondente, si evolve in modo continuo secondo un Moto Geometrico Browniano (GBM): ds = µ Sdt + σsdz S indica il prezzo spot del Brent Dated in euro al tempo corrente. µ indica il rendimento istantaneo atteso del Brent. σ indica lo scarto quadratico medio del rendimento istantaneo del Brent (misura della volatilità). dz indica un particolare processo di Markov, noto come processo di Wiener. L ipotesi sulla dinamica del prezzo dell attività sottostante si evolva secondo un GBM è particolarmente importante, in quanto implica che i rendimenti istantanei del Brent si distribuiscono normalmente con varianza costante nel tempo. - La volatilità (σ) è costante e uguale alla deviazione standard campionaria dei rendimenti nel periodo 2/01/01-22/03/04. Modello 2: Ipotesi: - Si mantiene l ipotesi sull andamento del prezzo del Brent ma si considera un modello econometrico tipo GARCH (1,1) per spiegare il comportamento della volatilità: σ p q = t ω α i Rt i i= 1 j= 1 β σ j t j ω, α i, β j sono parametri costanti. R rendimenti logaritmici del Brent in euro. Modello 3: Ipotesi: - Si suppone che il prezzo del bene sottostante e la volatilità seguano i seguenti processi: ds = µ Sdt + σsdz 1 dσ = ησdt + ξσdz 2 η è il tasso istantaneo di variazione della volatilità. ζ è la deviazione standard della volatilità. dz 1, dz 2 sono due processi di Wiener con coefficiente di correlazione ρ. ENI Corporate University 2003/04-3 -
5 2.1 Analisi della serie storica Analisi dei prezzi: A partire dalla serie storica dei prezzi del Brent Dated, espressa in USD/bbl e relativa al periodo 02/01/ /03/2004, abbiamo proceduto alla sua conversione in euro moltiplicandola per il tasso di cambio EUR/USD giornaliero, tenendo conto che l opzione da valutare è espressa in tale valuta. La serie storica dei prezzi mostra l andamento tipico di un random walk non stazionario (si veda Allegato 1, grafico dei prezzi). La non stazionarietà sembra confermata dalla presenza di radice unitaria, accertata tramite il test di Dickey Fuller ad un livello di significatività del 5% (si veda Allegato 2, risultato del test DF sulla serie in livelli) Analisi dei rendimenti: I rendimenti sono stati invece ricavati dalla serie di partenza come ln (S t /S t-1 ), dove S t indica il prezzo del Brent Dated in EUR/bbl al momento t. Essi mostrano il tipico andamento di una serie stazionaria in senso debole white-noise, vale a dire un processo stocastico a media nulla, varianza costante e autocorrelazione nulla. Risulta evidente dal grafico la presenza di alcuni outliers o valori anomali, dovuti ad eventi eccezionali che potrebbero distorcere le conclusioni circa il processo generatore dei dati. La letteratura econometrica consiglia in questi casi di depurare la serie di partenza; i rendimenti sono stati considerati anomali quando il loro valore eccede 3 volte la deviazione standard (Allegato 3). Abbiamo dunque sostituito al posto degli 8 outliers la media del valore precedente e di quello successivo contenuti nella serie originaria. La serie Rendimenti_depurati mostra un andamento stazionario, segnalato anche dal correlogramma in livelli e dal rifiuto della presenza di radice unitaria ad un livello di significatività dell 1% (si veda Allegato 4, risultato del test ADF sulla serie dei rendimenti depurati). Utili informazioni sulla distribuzione dei rendimenti depurati possono essere ricavate dall istogramma (Allegato 5). Il rendimento giornaliero depurato medio che compare nell istogramma (Mean = ) corrisponde al Mu, uno dei parametri utilizzato nelle simulazioni. Quest ultimo, equivalente ad un 25,25% annuale, è calcolato come media aritmetica semplice dei valori della serie e costituisce una stima del valore atteso dei rendimenti. Un indicazione della dispersione della distribuzione dei rendimenti attorno al valore medio è fornita dalla standard deviation non condizionale, che non corrisponde tuttavia alla SD condizionale successivamente ottenuta dalla stima del modello GARCH (1,1). La natura della distribuzione può essere ulteriormente compresa mediante il calcolo di altri indici sintetici che ne descrivono la forma. I valori di asimmetria e curtosi risultano assai prossimi a quelli di una normale. I risultati del test di normalità Jarque-Bera, con un valore critico di 2,92 e una probabilità del 23%, non ci permettono di rifiutare l ipotesi nulla secondo la quale la serie considerata si distribuisce come una normale. È importante notare che non era possibile parlare di normalità nella serie originaria dei rendimenti, in quanto i valori anomali distorcevano l autocorrelazione. L ipotesi di normalità dei rendimenti è molto importante in quanto ci permette di utilizzare i modelli proposti nella metodologia Montecarlo. ENI Corporate University 2003/04-4 -
6 Analisi della volatilità: Modello 1 Ipotizziamo che la volatilità del prezzo del Brent in euro è costante nel tempo e pari alla deviazione standard condizionale campionaria dei rendimenti depurati giornalieri al 31/12/03 ottenuta con un modello GARCH. σ = Tale valore equivale ad una volatilità annuale del 32.63%. Modello 2 Dall analisi del grafico dei rendimenti depurati, sembra esistere volatility clustering, vale a dire l alternanza di periodi di elevata variabilità a periodi di bassa volatilità. In altri termini, la varianza della serie non è costante nel tempo, dunque occorre modellarne l eteroschedasticità, condizionata ad un determinato set di informazioni. La volatility clustering è un fenomeno riscontrato nella maggior parte delle serie finanziarie ed è segnalata dalla presenza di autocorrelazione in trasformazioni positive dei rendimenti, come il quadrato o il valore assoluto. Nella serie in esame, il grafico del quadrato dei rendimenti depurati ( rend_dep_quadr ) mostra effettivamente un andamento autocorrelato (Allegato 6), che misuriamo anche con il correlogramma della serie e il test Q Ljung-Box. Allo scopo di modellare la volatilità della serie dei rendimenti depurati, abbiamo deciso di utilizzare un GARCH (Generalized Autoregressive Conditional Heteroskedasticity), il quale rispetto al modello ARCH introduce i valori ritardati della varianza condizionata. σ + 2 t = c + αε t 1 + βσ t 1 υt Il modello GARCH (1,1) è una combinazione lineare che contiene 1 valore ritardato dei residui al quadrato e 1 valore ritardato della varianza condizionata. La varianza condizionata stimata è espressa dalla seguente regressione: h_stimato = *rend_dep_quadr(-1) *garch01(-1) in cui: 1. la serie rend_dep_quadr corrisponde alla serie di partenza ( rendimenti_depurati ) elevata al quadrato e ritardata di un periodo. Essa rappresenta gli shock al quadrato del periodo precedente. Poiché la serie dei rendimenti depurati è un white noise, i residui corrispondono ai valori della serie stessa; 2. la serie garch01 contiene i valori della varianza condizionale, ritardata di un periodo; 3. i coefficienti sono tratti dalla stima del modello GARCH effettuata da Eviews (eq01). Dall analisi dei risultati della regressione, si ricava che tutti i regressori sono significativi; sono rispettati i vincoli sui coefficienti, vale a dire: 1. c > 0; 2. α 0; 3. β 0; 4. α+β <1 ENI Corporate University 2003/04-5 -
7 La bontà di adattamento di un modello GARCH può essere valutata in rapporto alla capacità della varianza condizionata di rendere i residui standardizzati della regressione prossimi ad una distribuzione normale. Abbiamo effettuato una serie di test sui residui per accertarci della loro normalità: 1) l istogramma della serie dei residui standardizzati (si veda Allegato 7) ha parametri di asimmetria e curtosi prossimi a quelli di una normale e la probabilità associata al test Jarque-Bera non permette di rifiutare l ipotesi nulla di normalità. 2) Sia il correlogramma della serie dei residui standardizzati sia quello dei residui standardizzati al quadrato mostrano l andamento tipico di una serie white noise stazionaria. 3) Non è possibile rifiutare l ipotesi nulla di assenza di eteroschedasticità condizionata autorregresiva segnalata dal test ARCH-LM ad un livello di significatività del 5% (si veda Allegato 8). La positività di questi risultati indica che il modello stimato è stato in grado di ripulire i termini di errore degli effetti attribuibili alla varianza condizionata. Il modello GARCH (1,1) tratta in maniera simmetrica gli shock positivi e quelli negativi, dato che i residui (che in questo caso coincidono con la serie dei rendimenti depurati, un white noise) sono elevati al quadrato ed hanno dunque il medesimo impatto sulla varianza condizionata, misurato dal coefficiente ad essi associato (nel nostro caso pari a ). Di conseguenza, non si riescono a cogliere possibili effetti differenziali tra residui positivi e negativi. Peraltro, una correlazione negativa fra volatilità e shocks dei rendimenti è documentata da Black (1976) ed è nota come fenomeno di leverage che in questo contesto implica un impatto asimmetrico degli shocks negativi e di quelli positivi sulla volatilità. Con riferimento alla problematica sollevata, Engle e Ng (1993, Measuring and testing the impact of news on volatility, Journal of Finance, 48 pag ) hanno proposto tre tipi di test per la verifica della presenza di effetti asimmetrici. Il primo test, detto sign bias test, si basa sul risultato di una regressione dei residui standardizzati al quadrato su una costante e su una variabile dummy che assume valore pari a 1 in corrispondenza di valori negativi dei residui ritardati di un periodo. La dummy in questione prende il nome di sneg, ed è stata definita in questo modo: genr sneg(-1) = (rendimenti_depurati(-1)<0) I residui standardizzati sono calcolati dividendo i rendimenti_depurati elevati al quadrato per la serie della varianza condizionata (garch01). Infine, la regressione che abbiamo eseguito è la seguente (test01): ls resstd2 c sneg(-1) Il coefficiente associato alla variabile dummy misura in questo caso una differenza nella media dei residui standardizzati a seconda che i residui del periodo precedente siano positivi o negativi. L ipotesi nulla del test è che non esistano differenze nelle medie dei residui. Se è verificata l ipotesi alternativa di presenza di asimmetria (coefficiente associato alla dummy>0), la media dei rendimenti al quadrato per le osservazioni corrispondenti a shock negativi nel periodo precedente dovrebbe ENI Corporate University 2003/04-6 -
8 essere maggiore di quella relativa al gruppo degli shock ritardati positivi. Dai risultati, si ricava che pur essendo il coefficiente stimato di segno positivo, esso non risulta significativo. Il secondo test prende il nome di negative size bias test. Esso ipotizza che i residui ritardati di un periodo hanno un effetto legato non solo al segno, ma anche alla dimensione. La regressione è: genr snegres(-1) = rendimenti_depurati(-1)*sneg(-1) La variabile dummy sneg stimata in precedenza viene pesata per i residui del periodo (-1); rispetto al sign bias test, non ci si limita a verificare il fatto che i residui negativi siano collegati ad un aumento della volatilità, ma anche che il residuo negativo determini un aumento della volatilità proporzionale al suo valore. ls resstd2 c snegres(-1) Nell ipotesi di un effetto asimmetrico, ci si aspetterebbe un segno negativo del coefficiente associato a snegres in modo da aumentare la varianza condizionata; il segno che compare nella regressione (test02) è quello atteso, ma il coefficiente non risulta statisticamente significativo. Il terzo test è il positive size bias test. In questo caso, la variabile dummy spos è costruita come complemento ad 1 della variabile sneg calcolata precedentemente. ls resstd2 c sposres(-1) La regressione precedente (test03), analoga a quella del secondo test ma di segno contrario, misura l effetto differenziale relativo ai rendimenti depurati di segno positivo. Il coefficiente associato alla variabile sposres ha il segno atteso ma non mostra alcuna significatività dell effetto di riduzione della varianza condizionata a seguito del verificarsi di rendimenti di segno positivo. Infine, l ultimo test che abbiamo effettuato per valutare l eventuale presenza di effetti asimmetrici è un test che valuta congiuntamente le tre ipotesi prima valutate separatamente. Questo test (test_congiunto) assume particolare rilevanza perché ipotizza l assenza contemporanea di effetti sulla varianza condizionata. L ipotesi nulla è dunque un ipotesi congiunta di non significatività dei coefficienti scelti. ls resstd2 c sneg(-1) snegres(-1) sposres(-1) Tutti i coefficienti risultano non significativi se presi singolarmente, e anche il test F per zero slopes calcolato nella regressione indica la non significatività dei regressori. I risultati dei test sono contenuti negli Allegati 9 e 10. Modello 3: Abbiamo simulato l andamento della volatilità secondo un processo diffusivo GBM con η pari alla volatilità condizionale media (chiamata nella simulazione sd_bar = ) e ξ pari alla deviazione standard della volatilità nel periodo in esame (chiamata nella simulazione vol = ). ENI Corporate University 2003/04-7 -
9 2.2 Strumenti utilizzati E stato utilizzato il software E-Views per il calcolo del prezzo stimato per le varie opzioni comprese nello strip. Il programma permette di simulare attraverso la metodologia Montecarlo un numero determinato di percorsi casuali del prezzo del Brent attraverso una generazione numerica random che sottintende una distribuzione normale dei risultati ottenuti. Attraverso l opportuna programmazione, i distinti listati permettono di calcolare le medie aritmetiche dei prezzi relativi al periodo considerato; il confronto tra medie prezzi e strike genera i payoffs possibili la cui media determina il pricing dell opzione asiatica. Il programma provvede all elaborazione delle diverse matrici di dati generate dai diversi passaggi algebrici previsti dai differenti listati, oltre che alla generazione di un percorso medio di evoluzione dei prezzi che permette di confrontare i risultati ottenibili dai tre modelli e di confrontarli con la serie storica. L utilizzo di tecniche di simulazioni quali quella da noi adottata può comportare una mole di operazioni di calcolo che, seppur sostenibili dagli attuali hardware a disposizioni, non rispetta i vincoli di tempo coerenti con l orizzonte dei mercati finanziari. A tal riguardo, l utilizzo della metodologia Montecarlo e l assunzione di normalità che la contraddistingue permettono di utilizzare una variante che consente di duplicare il numero di osservazioni senza aumentare il carico di calcoli del processore ottenendo, a parità di tempo di elaborazione impiegato, maggiore precisione; si sfrutta, infatti, il principio della variabile antitetica ovvero, cambiando di segno i numeri ottenuti da generazione random, dai quali mediante modello si ottengono i prezzi previsti, si ottiene una distribuzione sempre normale di uguale media e minore deviazione standard Modelli di simulazione Come caso base è stato valutato il prezzo dell opzione call relativa al periodo Agosto Aprile L orizzonte temporale relativo a tale opzione, coerentemente con la serie storica a disposizione, necessita di 196 dati giornalieri. Ai fini del calcolo abbiamo ipotizzato di effettuare il pricing al , utilizzando quindi 108 dati storici e generando 88 dati previsionali. Questa scelta permette di testare la bontà del trend individuato dal modello attraverso il confronto con i prezzi del Brent Dated in euro effettivamente rilevati sul mercato. Sono stati implementati tre diversi modelli, ognuno dei quali schematizza in modo differente il parametro di volatilità della serie del Brent. I tre modelli hanno in comune i seguenti input: a) Serie storica del Brent Dated convertita in Euro da Agosto 2003 a Dicembre 2003; b) Media dei rendimenti depurati dagli outliers (parametro µ); c) Deviazione standard (parametro sd) della serie storica valutata con metodologia GARCH; d) Tasso risk-free (parametro rf); e) Strike price dell opzione (parametro skp). Il prezzo è stato valutato mediante la formula proposta da Hull (1) : S t = S t 1 * e 1 ( µ sd 2 2 )* passo + sd * random _ number * passo ENI Corporate University 2003/04-8 -
10 Analizziamo di seguito le particolarità dei tre modelli. Modello 1 (Allegato A): Il modello calcola il prezzo considerando costante il parametro sd. I percorsi generati sono quindi funzione dei soli numeri random generati. Testando il modello con simulazioni: Parametri Mu Sd (31/12/03) Nr. Passi 284 Nr. Simulazioni Ampiezza Passo 1 Tasso RF Durata Opzione (T-t) Prezzo Spot Strike Price Premio Premio a Termine Call Media calcolata su numero giorni lavorativi = 196 Modello 2 (Allegato B): Il modello calcola il prezzo utilizzando un valore di volatilità del sottostante ricavata dal modello GARCH (1,1) seguente: sd t 2 S t 2 = c0 + c1 * ln + c2 * sd t 1 St 1 Dove c 0, c 1, c 2 sono tre coefficienti ottenuti stimando con una regressione lineare attraverso l analisi GARCH della serie della volatilità. Testando il modello con simulazioni si ottengono i seguenti risultati: Parametri Mu Sd C C C Nr. Passi 284 Nr. Simulazioni Ampiezza Passo 1 Tasso RF Durata Opzione (T-t) Prezzo Spot Strike Price Premio Premio a Termine Call Media calcolata su numero giorni lavorativi = 196 Modello 3 (Allegato C): ENI Corporate University 2003/04-9 -
11 Il modello calcola il prezzo utilizzando una funzione di volatilità del sottostante ricavata dalla formula di Clewlow e Strickland (2) : ( sd sd ) sd = sd + α * * passo + vol * passo* t t 1 t 1 2 ( ρ * random_ number+ 1 ρ * random_ number) Dove: α : valore del parametro di mean reversion della volatilità; sd_bar : valore della volatilità media; vol : valore del parametro di volatilità della volatilità; ρ : valore del parametro di correlazione istantaneo. Testando il modello con simulazioni si ottengono i seguenti risultati: Parametri Mu Sd Α sd_bar Vol Ρ Nr. Passi 284 Nr. Simulazioni Ampiezza Passo 1 Tasso RF Durata Opzione (T-t) Prezzo Spot Strike Price Premio Premio a Termine Call Media calcolata su numero giorni lavorativi = 196 ENI Corporate University 2003/
12 3. Conclusioni 1. In primo luogo abbiamo osservato che la simulazione del prezzo del sottostante effettuata tramite il metodo Montecarlo risulta estremamente sensibile al rendimento medio, Mu. Ciò è evidente a partire dai risultati dei tre modelli, che non differiscono in misura rilevante (si veda Allegato 11). Inserendo nella simulazione un rendimento medio di segno negativo, si osserva un inversione nella pendenza della curva dei valori previsti: si ottiene così un valore della call completamente differente (Allegato 12). Occorre considerare che il rendimento medio inserito è un parametro costante calcolato a partire da dati storici. Poiché in partenza abbiamo verificato che i rendimenti seguono un processo stazionario di tipo white noise (dunque il mercato è efficiente e i rendimenti passati non possono aiutarci nella stima di quelli futuri), ci sembrerebbe più corretto: a) considerare il rendimento medio non come variabile deterministica, ma come ulteriore fattore di aleatorietà da modellizzare in aggiunta al prezzo del sottostante, come suggerito dalla letteratura in materia. b) utilizzare una stima ricavata dal mercato forward per incorporare nel modello le aspettative degli operatori. 2. La metodologia utilizzata è poco sensibile alla volatilità, in quanto il metodo Montecarlo prevede una traiettoria dei prezzi costruita a partire da valori medi simulati. Ciò comporta che il risultato finale della simulazione si stabilizzi attorno ad un trend definito dal rendimento medio Mu. Inserendo nella simulazione una volatilità elevatissima, pari a circa il 100% annuale, i risultati non cambiano in misura rilevante (Allegato 13). 3. I risultati ottenuti ci inducono a suggerire l inserimento di alcune modifiche nel metodo adottato. In particolare, la tecnica della variabile di controllo potrebbe rivelarsi particolarmente interessante. Si potrebbero poi considerare alcuni metodi di stima alternativi, quali ad esempio formule chiuse specifiche per le opzioni asiatiche o altri metodi numerici (es: albero binomiale, trinomiale). ENI Corporate University 2003/
13 4. Bibliografia Pianca, Paolo, (1986), Elementi di Teoria delle opzioni finanziarie, Torino: G. Giappichelli Editore. Strickland, Clewlow, (2000), Energy derivatives, price and risk management, Lacima Group. AA.VV., (1998), Monte Carlo: Methodologies and Applications for Pricing and Risk Management, Risk Books, Bruno Dupire. Fusaro, Peter C., Energy Risk Management: Hedging Strategies and Instruments for the International Energy Markets, McGraw-Hill. Gallo, Giampiero M.; Pacini, Barbara; (2002), Metodi Quantitativi per I Mercati Finanziari, Carocci Editore S.p.A, Roma. Hull, John C., Opzioni, futures e altri derivati, Il Sole 24 ore, Milano F. Caparrelli, (2001), I Derivati, McGraw-Hill. Strickland, Clewlow, Implementino Derivatives Model, Lacima Group Ross, Westerfield, Jaffe, (1997), Finanza Aziendale, Il Mulino. Galitz, Lawrence, (2003), Financial Engineering: Tools and Techniques to Manage Financial Risk, Revised Edition. EViews 4 user s guide, (2002), Quantitative Microsoftware. ENI Corporate University 2003/
14 5. Allegati 45 Brent Dated in EUR/bbl (valutato al tasso di cambio giornaliero corrispondente) gen-01 2-lug-01 2-gen-02 2-lug-02 2-gen-03 2-lug-03 2-gen-04 Allegato 1: Serie originaria del Brent Dated in EUR/bbl ENI Corporate University 2003/
15 Null Hypothesis: PREZZI has a unit root Exogenous: Constant Lag Length: 0 (Fixed) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(PREZZI) Method: Least Squares Date: 06/10/04 Time: 18:08 Sample(adjusted): Included observations: 830 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. PREZZI(-1) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Allegato 2: Risultati del test Dickey Fuller sulla serie dei prezzi del Brent in euro (serie in livelli) ENI Corporate University 2003/
16 15% 10% 1/19/01 2/1/01 1/8/02 5% 0% -5% -10% 11/14/01 11/15/01 3/14/03 3/21/03-15% 24/09/ % 2-gen-01 2-lug-01 2-gen-02 2-lug-02 2-gen-03 2-lug-03 2-gen-04 Allegato 3: Serie originaria dei rendimenti giornalieri Brent in euro ENI Corporate University 2003/
17 Null Hypothesis: RENDIMENTI_DEPURATI has a unit root Exogenous: Constant Lag Length: 4 (Fixed) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(RENDIMENTI_DEPURATI) Method: Least Squares Date: 06/10/04 Time: 18:27 Sample(adjusted): Included observations: 826 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. RENDIMENTI_DEPURATI(-1) D(RENDIMENTI_DEPURATI(-1)) D(RENDIMENTI_DEPURATI(-2)) D(RENDIMENTI_DEPURATI(-3)) D(RENDIMENTI_DEPURATI(-4)) C R-squared Mean dependent var -3.56E-05 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Allegato 4: Risultati del test Augmented Dickey Fuller eseguito sulla serie dei rendimenti depurati ENI Corporate University 2003/
18 Series: RENDIMENTI_DEPURATI Sample Observations 831 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability Allegato 5: Istogramma della serie dei rendimenti depurati ENI Corporate University 2003/
19 Rendimenti depurati del Brent in euro al quadrato 0.70% 0.60% 0.50% 0.40% 0.30% 0.20% 0.10% 0.00% 2-gen-01 2-lug-01 2-gen-02 2-lug-02 2-gen-03 2-lug-03 2-gen-04 Allegato 6: Serie dei rendimenti depurati del Brent in euro al quadrato ENI Corporate University 2003/
20 Series: Standardized Residuals Sample Observations Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability Allegato 7: Istogramma dei residui standardizzati del modello GARCH ENI Corporate University 2003/
21 ARCH Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: STD_RESID^2 Method: Least Squares Date: 06/22/04 Time: 12:02 Sample(adjusted): Included observations: 830 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. C STD_RESID^2(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Allegato 8: Test ARCH-LM sui residui del modello GARCH ENI Corporate University 2003/
22 Dependent Variable: RESSTD2 Method: Least Squares Date: 05/24/04 Time: 15:40 Sample(adjusted): Included observations: 830 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. C SNEG(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Dependent Variable: RESSTD2 Method: Least Squares Date: 05/24/04 Time: 15:39 Sample(adjusted): Included observations: 830 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. C SNEGRES(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Allegato 9: Risultati del Sign Bias Test e del Negative Size Bias Test ENI Corporate University 2003/
23 Dependent Variable: RESSTD2 Method: Least Squares Date: 05/24/04 Time: 15:41 Sample(adjusted): Included observations: 830 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. C SPOSRES(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Dependent Variable: RESSTD2 Method: Least Squares Date: 05/24/04 Time: 15:42 Sample(adjusted): Included observations: 830 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. C SNEG(-1) SNEGRES(-1) SPOSRES(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Allegato 10: Risultati del Positive Size Bias Test e del Test Congiunto ENI Corporate University 2003/
24 Allegato A: Programma del Modello 1 *************************************************************************************************************************** 'valutazione call agosto 2003-aprile 2004 'metodo della volatilità costante nel parametro sd 'generazione dei numeri casuali con distr. normale 'raddoppio del numero di simulazioni con la variabile antitetica 'valori storici della serie 197 'valori previsionali 22*4 'utilizzo della formula con media semplice '*************************************************************************************************************************** workfile MC u 'creo un worfile di dimensione media semplice!r=50000 'numero di righe della matrice pari al numero di simulazioni che si vuole realizzare!c= 'numero di colonne della matrice pari al numero di passi scalar mu= 'valore parametro mu scalar SD= 'valore parametro sd stimato al 22/3/04 con GARCH scalar passo=1 'valore parametro passo scalar tassorf= 'valore parametro tasso RF scalar skp=27.44 'valore parametro strike price opzione scalar tempo= 'valore parametro tempo tra T-t in anni read(o580, s=foglio1) "u:\pricing\seriedef.xls" 1'leggo dal foglio excel la serie conevrtita del brent vector (197) sb ' creo il vettore per la serie brent stom(ser01,sb) matrix matrix(!r+!r,197) p2 'creo matrice dei prezzi iniziali for!i=1 to!r+!r rowplace(p2,sbt,!i) ' ciclo for per creare la matrice dei prezzi iniziale 'genero i numeri casuali con la funzione nrnd che me li estrae da una distribuzione normale standardizzata ossia con media 0 varianza 1 matrix (!R,!C) nc for!i = 1 to!r for!j = 1to!C nc(!i,!j) =@RNORM 'genero i numeri casuali matrix (!R,!C) nc_neg=-nc matrix (!R+!R,!C) nc_grande matplace(nc_grande,nc,1,1) matplace(nc_grande,nc_neg,!r+1,1) matplace(nc_grande,p2,1,1) 'introduco la matrice p2 nella matrice nc in posizione 1 colonna 1 riga matrix(@rows(nc_grande),@columns (nc_grande)) pz=nc_grande for!i = 1 to!r+!r for!j = 198 to!c pz(!i,!j) =pz(!i,!j-1)*@exp((mu-((sd^2)*0.5))*passo+sd*nc_grande(!i,!j)*sqr(passo)) 'formula per la creazione del prezzo matrix (1,@columns(pz)) mediaprezzi for!i = 1 mediaprezzi (1,!i) matrix mediaprezzit=@transpose(mediaprezzi) ENI Corporate University 2003/
25 matrix ' faccio la matrice trasposta della matrice prezzi al fine di vedere graficamente la struttura generata dalla metodologia Montecarlo matrix 'creo una matrice intermedia al fine di definire l'ampiezza della media matrix media for!i = 1 media (1,!I) matrix(@columns(pzt0)) pyof=(media-skp) 'calcolo tutti i payoff relativi a tutte le simulazioni matrix pyoft=@transpose(pyof) sample SS 1 40 'definisco il numero massimo di dati che deve essere inserita nella seire PAYOFFS al fine di poter convertire la matrice PAYOFT in serie per poter applicare la funzione RECODE series PAYOFFS 'creo la serie PAYOFFS mtos(pyoft,payoffs) 'converto la matrice PYOFFSSTRASPOSTI in serie PY payoffs=@recode(payoffs>0,payoffs,0) ' modifico la seire PAYOFFS in modo che i payoffss negativi siano posti uguali a 0 vector(1) premio_termine=@mean(payoffs) 'calcolo il premio a termine vector(1) premio=premio_termine*@exp(-tempo*tassorf) ' attualizzo al tasso RF il premio a termine sopra calcolata 'Definiscio la tabella nella quale riportarte i dati table (21,5) Tabella 'dimensione della tabella righe colonne Tabella (2,3) = "Parametri" 'Introduco i nomi dei parameteri setcell (Tabella,4,1, "Mu","l",20) setcell (Tabella,5,1,"sd","l",20) setcell (Tabella,6,1,"Nr. Passi","l") setcell (Tabella,7,1,"Nr. Simulazioni","l") setcell (Tabella,8,1,"Ampiezza Passo","l",20) setcell (Tabella,9,1,"Tasso RF","l",20) setcell (Tabella,10,1,"Durata Opzione (T-t)","l",20) setcell (Tabella,11,1,"Prezzo Spot","l",20) setcell (Tabella,12,1,"Strike Price","l",20) 'Introduco i valori dei parametri setcell (Tabella,4,3, Mu,"l",7) setcell (Tabella,5,3,sd,"l",7) setcell (Tabella,6,3,!C-1,"l",0) setcell (Tabella,7,3,!R+!R,"l",0) setcell (Tabella,8,3,Passo,"l",0) setcell (Tabella,9,3,TassoRF,"l",5) setcell (Tabella,10,3,tempo,"l",5) setcell (Tabella,12,3,skp,"l",4) setline (Tabella,16) setline (Tabella, 18) Tabella (17,1) = "Call" Tabella (15,3) = "Premio" Tabella (15,4) = "Premio a Termine" Tabella (20,1) = "Media calcolata su numero giorni lavorativi = " for!i=1 to 1 setcell(tabella,17,3,premio(!i),"c",4) setcell(tabella,17,4,premio_termine(!i),"c",4) setcell (Tabella,11,3,p2(1,197),"l",4) ENI Corporate University 2003/
26 Allegato B: Programma del Modello 2 ************************************************************************************************************************** 'valutazione call agosto 2003-aprile 2004 'metodo della volatilità valutata puntualmente con GARCH 'generazione dei numeri casuali con distr. normale 'raddoppio del numero di simulazioni con la variabile antitetica 'valori storici della serie 197 'valori previsionali 22*4 'utilizzo della formula con media semplice '*************************************************************************************************************************** workfile MC u 'creo un worfile di dimensione media semplice!r=10000 'numero di righe della matrice pari al numero di simulazioni che si vuole realizzare!c= 'numero di colonne della matrice pari al numero di passi scalar mu= 'valore parametro mu scalar SD= 'valore parametro sd stimato al 22/3/04 con GARCH scalar passo=1 'valore parametro passo scalar tassorf= 'valore parametro tasso RF scalar skp=27.44 'valore parametro strike price opzione scalar tempo= 'valore parametro tempo tra T-t in anni scalar c0= scalar c1= scalar c2= read(o580, s=foglio1) "u:\pricing delle opzioni\serie def.xls" 1'leggo dal foglio excel la serie conevrtita del brent vector (197) sb ' creo il vettore per la serie brent stom(ser01,sb) matrix matrix(!r+!r,197) p2 'creo matrice dei prezzi iniziali for!i=1 to!r+!r rowplace(p2,sbt,!i) ' ciclo for per creare la matrice dei prezzi iniziale 'genero i numeri casuali con la funzione nrnd che me li estrae da una distribuzione normale standardizzata ossia con media 0 varianza 1 matrix (!R,!C) nc for!i = 1 to!r for!j = 1to!C nc(!i,!j) =@RNORM 'genero i numeri casuali matrix (!R,!C) nc_neg=-nc matrix (!R+!R,!C) nc_grande matplace(nc_grande,nc,1,1) matplace(nc_grande,nc_neg,!r+1,1) matplace(nc_grande,p2,1,1) 'introduco la matrice p2 nella matrice nc in posizione 1 colonna 1 riga matrix(@rows(nc_grande),@columns (nc_grande)) pz=nc_grande vector(!c) sdv 'creo un vettore per i valori della dev standard for!i=1 to 196 sdv(!i)=0 'volatilità dei vari valori storici sdv(197)=sd 'volatilità dell'ultimo valore storico for!i = 1 to!r+!r for!j = 198 to!c pz(!i,!j) =pz(!i,!j-1)*@exp((mu-((sdv(!j-1)^2)*0.5))*passo+sdv(!j-1)*nc_grande(!i,!j)*sqr(passo)) 'formula per la creazione del prezzo ENI Corporate University 2003/
27 'formula per la volatilità matrix mediaprezzi for!i = 1 mediaprezzi (1,!i) matrix matrix ' faccio la matrice trasposta della matrice prezzi al fine di vedere graficamente la struttura generata dalla metodologia Montecarlo matrix pzt0=@subextract(pzt,!c-196,1,!c,!r+!r) 'creo una matrice intermedia al fine di definire l'ampiezza della media matrix (1,@columns(pzt0)) media for!i = 1 media (1,!I) matrix(@columns(pzt0)) pyof=(media-skp) 'calcolo tutti i payoff relativi a tutte le simulazioni matrix pyoft=@transpose(pyof) sample SS 1 40 'definisco il numero massimo di dati che deve essere inserita nella seire PAYOFFS al fine di poter convertire la matrice PAYOFT in serie per poter applicare la funzione RECODE series PAYOFFS 'creo la serie PAYOFFS mtos(pyoft,payoffs) 'converto la matrice PYOFFSSTRASPOSTI in serie PY payoffs=@recode(payoffs>0,payoffs,0) ' modifico la serie PAYOFFS in modo che i payoffs negativi siano posti uguali a 0 vector(1) premio_termine=@mean(payoffs) 'calcolo il premio a termine vector(1) premio=premio_termine*@exp(-tempo*tassorf) ' attualizzo al tasso RF il premio a termine sopra calcolata 'Definiscio la tabella nella quale riportarte i dati table (21,5) Tabella 'dimensione della tabella righe colonne Tabella (2,3) = "Parametri" 'Introduco i nomi dei parameteri setcell (Tabella,4,1, "Mu","l",20) setcell (Tabella,5,1,"sd","l",20) setcell (Tabella,6,1,"Nr. Passi","l") setcell (Tabella,7,1,"Nr. Simulazioni","l") setcell (Tabella,8,1,"Ampiezza Passo","l",20) setcell (Tabella,9,1,"Tasso RF","l",20) setcell (Tabella,10,1,"Durata Opzione (T-t)","l",20) setcell (Tabella,11,1,"Prezzo Spot","l",20) setcell (Tabella,12,1,"Strike Price","l",20) 'Introduco i valori dei parametri setcell (Tabella,4,3, Mu,"l",7) setcell (Tabella,5,3,sd,"l",7) setcell (Tabella,6,3,!C-1,"l",0) setcell (Tabella,7,3,!R+!R,"l",0) setcell (Tabella,8,3,Passo,"l",0) setcell (Tabella,9,3,TassoRF,"l",5) setcell (Tabella,10,3,tempo,"l",5) setcell (Tabella,12,3,skp,"l",4) setline (Tabella,16) setline (Tabella, 18) Tabella (17,1) = "Call" Tabella (15,3) = "Premio" Tabella (15,4) = "Premio a Termine" Tabella (20,1) = "Media calcolata su numero giorni lavorativi = " for!i=1 to 1 setcell(tabella,17,3,premio(!i),"c",4) setcell(tabella,17,4,premio_termine(!i),"c",4) setcell (Tabella,11,3,p2(1,197),"l",4) ENI Corporate University 2003/
28 Allegato C: Programma del Modello 3 '********************************************************************************************************************************** Programma per il calcolo del prezzo dell'opzione con volatilità secondo la formula del Clewlow Strickland pag 118 '********************************************************************************************************************************** workfile MC u 'creo un worfile di dimensione media semplice!r=10000 'numero di righe della matrice pari al numero di simulazioni che si vuole realizzare!c= 'numero di colonne della matrice pari al numero di passi scalar mu= 'valore parametro mu scalar SD= 'valore parametro sd scalar passo=1 'valore parametro passo scalar tassorf= 'valore parametro tasso RF scalar skp=27.44 'valore parametro strike price opzione scalar tempo= 'valore parametro tempo tra T-t in anni scalar alfa= 'valore del parametro di mean reversion della volatilità scalar sd_bar= 'valore della volatilità media scalar vol= 'valore del parametro di volatilità della volatilità scalar ro= 'valore del parametro di correlazione istantaneo read(o580, s=foglio1) "u:\pricing delle opzioni\serie def.xls" 1'leggo dal foglio excel la serie conevrtita del brent vector (575) sb ' creo il vettore per la serie brent stom(ser01,sb) matrix matrix(!r+!r,197) p2 'creo matrice dei prezzi iniziali for!i=1 to!r+!r rowplace(p2,sbt,!i) ' ciclo for per creare la matrice dei prezzi iniziale 'genero i numeri casuali con la funzione nrnd che me li estrae da una distribuzione normale standardizzata ossia con media 0 varianza 1 matrix (!R,!C) nc for!i = 1 to!r for!j = 1to!C nc(!i,!j) =@RNORM 'genero i numeri casuali matrix (!R,!C) nc_neg=-nc matrix (!R+!R,!C) nc_grande matplace(nc_grande,nc,1,1) matplace(nc_grande,nc_neg,!r+1,1) matplace(nc_grande,p2,1,1) 'introduco la matrice p2 nella matrice nc in posizione 1 colonna 1 riga matrix(@rows(nc_grande),@columns (nc_grande)) pz=nc_grande vector(!c) sdv 'creo un vettore per i valori della dev standard for!i=1 to 196 sdv(!i)=0 'volatilità dei vari valori storici sdv(197)=sd 'volatilità dell'ultimo valore storico for!i=1 to!r for!j=198 to!c sdv(!j)=sdv(!j-1)+alfa*(sd_bar-sdv(!j-1))*passo+vol*(ro*nc(!i,!j)+sqr(1-ro^2)*nc(!r+1-!i,!c+1-!j))*sqr(passo) 'formula per la valutazione della volatilità ENI Corporate University 2003/
29 for!i = 1 to!r+!r for!j = 198 to!c pz(!i,!j) =pz(!i,!j-1)*@exp((mu-((sdv(!j-1)^2)*0.5))*passo+sdv(!j-1)*nc_grande(!i,!j)*sqr(passo)) 'formula per la creazione del prezzo matrix (1,@columns(pz)) mediaprezzi for!i = 1 mediaprezzi (1,!i) matrix mediaprezzit=@transpose(mediaprezzi) matrix ' faccio la matrice trasposta della matrice prezzi al fine di vedere graficamente la struttura generata dalla metodologia Montecarlo matrix pzt0=@subextract(pzt,!c-196,1,!c,!r+!r) 'creo una matrice intermedia al fine di definire l'ampiezza della media matrix (1,@columns(pzt0)) media for!i = 1 media (1,!I) matrix(@columns(pzt0)) pyof=(media-skp) 'calcolo tutti i payoff relativi a tutte le simulazioni matrix pyoft=@transpose(pyof) sample SS 'definisco il numero massimo di dati che deve essere inserita nella seire PAYOFFS al fine di poter convertire la matrice PAYOFT in serie per poter applicare la funzione RECODE series PAYOFFS 'creo la serie PAYOFFS mtos(pyoft,payoffs) 'converto la matrice PYOFFSSTRASPOSTI in serie PY payoffs=@recode(payoffs>0,payoffs,0) ' modifico la seire PAYOFFS in modo che i payoffss negativi siano posti uguali a 0 vector(1) premio_termine=@mean(payoffs) 'calcolo il premio a termine vector(1) premio=premio_termine*@exp(-tempo*tassorf) ' attualizzo al tasso RF il premio a termine sopra calcolata 'Definiscio la tabella nella quale riportarte i dati table (21,5) Tabella 'dimensione della tabella righe colonne Tabella (2,3) = "Parametri" 'Introduco i nomi dei parameteri setcell (Tabella,4,1, "Mu","l",20) setcell (Tabella,5,1,"sd","l",20) setcell (Tabella,6,1,"Nr. Passi","l") setcell (Tabella,7,1,"Nr. Simulazioni","l") setcell (Tabella,8,1,"Ampiezza Passo","l",20) setcell (Tabella,9,1,"Tasso RF","l",20) setcell (Tabella,10,1,"Durata Opzione (T-t)","l",20) setcell (Tabella,11,1,"Prezzo Spot","l",20) setcell (Tabella,12,1,"Strike Price","l",20) 'Introduco i valori dei parametri setcell (Tabella,4,3, Mu,"l",7) setcell (Tabella,5,3,sd,"l",7) setcell (Tabella,6,3,!C-1,"l",0) setcell (Tabella,7,3,!R+!R,"l",0) setcell (Tabella,8,3,Passo,"l",0) setcell (Tabella,9,3,TassoRF,"l",5) setcell (Tabella,10,3,tempo,"l",5) setcell (Tabella,12,3,skp,"l",4) setline (Tabella,16) setline (Tabella, 18) Tabella (17,1) = "Call" Tabella (15,3) = "Premio" Tabella (15,4) = "Premio a Termine" Tabella (20,1) = "Media calcolata su numero giorni lavoartivi = " ENI Corporate University 2003/
30 for!i=1 to 1 setcell(tabella,17,3,premio(!i),"c",4) setcell(tabella,17,4,premio_termine(!i),"c",4) setcell (Tabella,11,3,p2(1,197),"l",4) ENI Corporate University 2003/
31 42 Simulazione MonteCarlo Prezo Brent in euro 38 Metodologia 1 Metodologia 2 34 Metodologia Allegato 11: Simulazione Montecarlo Prezzo Brent in euro ENI Corporate University 2003/
32 42 Simulazione MonteCarlo Prezo Brent in euro Mu= (-0,001009) Allegato 12: Simulazione Montecarlo Prezzo Brent in euro con Mu negativo ENI Corporate University 2003/
33 42 Simulazione MonteCarlo Prezzo Brent in euro (Volatilità giornaliera: 0,07) Allegato 13: Simulazione Montecarlo Prezzo Brent in euro con σ = 0,07 ENI Corporate University 2003/
Il concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
Dettagli1 BREVE RIPASSO DEI TEST STATISTICI 2 I TEST STATISTICI NEI SOFTWARE ECONOMETRICI E IL P-VALUE 3 ESERCIZI DI ALLENAMENTO
I TEST STATISTICI E IL P-VALUE Obiettivo di questo Learning Object è ripassare la teoria ma soprattutto la pratica dei test statistici, con un attenzione particolare ai test che si usano in Econometria.
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliIL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE.
IL RISCHIO D IMPRESA ED IL RISCHIO FINANZIARIO. LA RELAZIONE RISCHIO-RENDIMENTO ED IL COSTO DEL CAPITALE. Lezione 5 Castellanza, 17 Ottobre 2007 2 Summary Il costo del capitale La relazione rischio/rendimento
Dettagli2. Leggi finanziarie di capitalizzazione
2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M
DettagliIl modello binomiale ad un periodo
Opzioni Un opzione dà al suo possessore il diritto (ma non l obbligo) di fare qualcosa. Un opzione call (put) europea su un azione che non paga dividendi dà al possessore il diritto di comprare (vendere)
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliAnalisi di scenario File Nr. 10
1 Analisi di scenario File Nr. 10 Giorgio Calcagnini Università di Urbino Dip. Economia, Società, Politica giorgio.calcagnini@uniurb.it http://www.econ.uniurb.it/calcagnini/ http://www.econ.uniurb.it/calcagnini/forecasting.html
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliAND NON CAP WEIGHTED PORTFOLIO
SOCIALLY RESPONSIBLE INVESTMENT AND NON CAP WEIGHTED PORTFOLIO Forum per la Finanza Sostenibile Milano 30 giugno 2009 Giulio Casuccio Head of Quantitatives Strategies and Research Principi ed obiettivi:
DettagliProva di autovalutazione Prof. Roberta Siciliano
Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
DettagliT I P S T R A P S. La prezzatura di Opzioni Call e Put Europea con il metodo Montecarlo
La prezzatura di Opzioni Call e Put Europea con il metodo Montecarlo In un mercato finanziario le opzioni a comprare (Call) o a vendere (Put) un titolo costituiscono il diritto, in un determinato periodo
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
DettagliESERCITAZIONE MATEMATICA FINANZIARIA OPZIONI. Matematica finanziaria Dott. Andrea Erdas Anno Accademico 2011/2012
ESERCITAZIONE MATEMATICA FINANZIARIA 1 OPZIONI 2 LE OPZIONI Le opzioni sono contratti che forniscono al detentore il diritto di acquistare o vendere una certa quantità del bene sottostante a una certa
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliManuale delle Corporate action
Manuale delle Corporate action Data di efficacia: 20 maggio 2013 Versione: 3 1 Indice 1. Introduzione 3 2. Definizioni 3 3. Principi generali e convenzioni 3.1 Principio di equivalenza finanziaria 3.2
DettagliVALORE DELLE MERCI SEQUESTRATE
La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliAnalisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda
Analisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda Premessa Con l analisi di sensitività il perito valutatore elabora un range di valori invece di un dato
DettagliGUIDA AL CALCOLO DEI COSTI DELLE ATTIVITA DI RICERCA DOCUMENTALE
GUIDA AL CALCOLO DEI COSTI DELLE ATTIVITA DI RICERCA DOCUMENTALE L applicazione elaborata da Nordest Informatica e disponibile all interno del sito è finalizzata a fornirvi un ipotesi dell impatto economico
DettagliALLEGATO 1 Analisi delle serie storiche pluviometriche delle stazioni di Torre del Lago e di Viareggio.
ALLEGATO 1 Analisi delle serie storiche pluviometriche delle stazioni di Torre del Lago e di Viareggio. Per una migliore caratterizzazione del bacino idrologico dell area di studio, sono state acquisite
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
Dettagli23 Giugno 2003 Teoria Matematica del Portafoglio Finanziario e Modelli Matematici per i Mercati Finanziari ESERCIZIO 1
23 Giugno 2003 Teoria Matematica del Portafoglio Finanziario e Modelli Matematici per i Mercati Finanziari In uno schema uniperiodale e in un contesto di analisi media-varianza, si consideri un mercato
DettagliMisure finanziarie del rendimento: il Van
Misure finanziarie del rendimento: il Van 6.XI.2013 Il valore attuale netto Il valore attuale netto di un progetto si calcola per mezzo di un modello finanziario basato su stime circa i ricavi i costi
DettagliAbbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).
ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliFondamenti e didattica di Matematica Finanziaria
Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 silvana.stefani@unimib.it 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio
DettagliMisure finanziarie del rendimento: il Van
Misure finanziarie del rendimento: il Van 12.XI.2014 Il valore attuale netto Il valore attuale netto di un progetto si calcola l per mezzo di un modello finanziario basato su stime circa i ricavi i costi
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliGrafici delle distribuzioni di frequenza
Grafici delle distribuzioni di frequenza L osservazione del grafico può far notare irregolarità o comportamenti anomali non direttamente osservabili sui dati; ad esempio errori di misurazione 1) Diagramma
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliNella prima parte del corso l attenzione è venuta appuntandosi sui problemi inerenti la valutazione di investimenti aziendali e di strumenti
Nella prima parte del corso l attenzione è venuta appuntandosi sui problemi inerenti la valutazione di investimenti aziendali e di strumenti finanziari in un contesto di flussi finanziari certi, tuttavia
DettagliMisure della dispersione o della variabilità
QUARTA UNITA Misure della dispersione o della variabilità Abbiamo visto che un punteggio di per sé non ha alcun significato e lo acquista solo quando è posto a confronto con altri punteggi o con una statistica.
DettagliModello di regressione lineare
Modello di regressione lineare a cura di Giordano dott. Enrico enrico.giordano@meliorbanca.com Nel presente lavoro viene descritto in modo dettagliato (attraverso anche un impatto visivo), l analisi di
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliDocumento di accompagnamento: mediane dei settori bibliometrici
Documento di accompagnamento: mediane dei settori bibliometrici 1. Introduzione Vengono oggi pubblicate sul sito dell ANVUR e del MIUR 3 tabelle, deliberate nel CD dell ANVUR del 13 agosto 2012, relative
DettagliAi fini economici i costi di un impresa sono distinti principalmente in due gruppi: costi fissi e costi variabili. Vale ovviamente la relazione:
1 Lastoriadiun impresa Il Signor Isacco, che ormai conosciamo per il suo consumo di caviale, decide di intraprendere l attività di produttore di caviale! (Vuole essere sicuro della qualità del caviale
DettagliCorso di Risk Management S
Corso di Risk Management S Marco Bee marco.bee@economia.unitn.it Dipartimento di Economia Università di Trento Anno Accademico 2007-2008 Struttura del corso Il corso può essere suddiviso come segue: 1.
DettagliIdentificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale
Identificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete euronale Descrizione Il presente lavoro, facente segiuto a quanto descritto precedentemente, ha il fine di: 1) introdurre
DettagliLe obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie
Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie Economia degli Intermediari Finanziari 29 aprile 2009 A.A. 2008-2009 Agenda 1. Il calcolo
Dettaglilezione 18 AA 2015-2016 Paolo Brunori
AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
DettagliL analisi dei dati. Capitolo 4. 4.1 Il foglio elettronico
Capitolo 4 4.1 Il foglio elettronico Le più importanti operazioni richieste dall analisi matematica dei dati sperimentali possono essere agevolmente portate a termine da un comune foglio elettronico. Prenderemo
DettagliServizi di consulenza specialistica per IGRUE 2009 2012
Allegato 9A Metodo della stima delle differenze Descrizione della procedura Il metodo della stima delle differenze è indicato qualora il controllore ritenga che la popolazione sia affetta da un tasso di
DettagliESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE
ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114
DettagliCAPITOLO 10 I SINDACATI
CAPITOLO 10 I SINDACATI 10-1. Fate l ipotesi che la curva di domanda di lavoro di una impresa sia data da: 20 0,01 E, dove è il salario orario e E il livello di occupazione. Ipotizzate inoltre che la funzione
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliVolatilità implicita. P(t) = S(t)Φ(d 1 ) e r(t t) K Φ(d 2 ) con. d 1 = d 2 + σ T t. d 2 =
Volatilità implicita Abbiamo visto come sia possibile calcolare la volatilità di un titolo attraverso la serie dei log-return. In teoria però la volatilità di un sottostante può essere determinata dal
DettagliParimenti una gestione delle scorte in maniera non oculata può portare a serie ripercussioni sul rendimento sia dei mezzi propri che di terzi.
Metodo per la stima del ROE e del ROI in un azienda operante nel settore tessile abbigliamento in funzione delle propria struttura di incasso e pagamento e della gestione delle rimanenze di magazzino.
Dettagli4. Operazioni elementari per righe e colonne
4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:
DettagliLA VALUTAZIONE DI PORTAFOGLIO. Giuseppe G. Santorsola 1
LA VALUTAZIONE DI PORTAFOGLIO Giuseppe G. Santorsola 1 Rendimento e rischio Rendimento e rischio di un singolo titolo Rendimento e rischio di un portafoglio Rendimento ex post Media aritmetica dei rendimenti
DettagliApplicazione reale dell AMP Forecast del Mercato IT
Variabili considerate (PIL a prezzi costanti) Applicazione reale dell AMP Forecast del Mercato IT TotMerCon (Totale Mercato Consumatori) TotDevCon (Totale Device Consumatori). Analisi delle variabili La
DettagliESERCIZI DI STATISTICA DESCRITTIVA
ESERCIZI DI STATISTICA DESCRITTIVA ES1 Data la seguente serie di dati su Sesso e Altezza di 8 pazienti, riempire opportunamente due tabelle per rappresentare le distribuzioni di frequenze dei due caratteri,
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliLA CORRELAZIONE LINEARE
LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
DettagliUtilizzo delle formule in Excel
Utilizzo delle formule in Excel Excel è dotato di un potente motore di calcolo che può essere utilizzato per elaborare i dati immessi dagli utenti. I calcoli sono definiti mediante formule. Ogni formula
DettagliLa teoria dell offerta
La teoria dell offerta Tecnologia e costi di produzione In questa lezione approfondiamo l analisi del comportamento delle imprese e quindi delle determinanti dell offerta. In particolare: è possibile individuare
DettagliL analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt
L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se
DettagliBANCA ALETTI & C. S.p.A. PER DUE CERTIFICATE e PER DUE CERTIFICATES DI TIPO QUANTO CONDIZIONI DEFINITIVE D OFFERTA
BANCA ALETTI & C. S.p.A. in qualità di emittente e responsabile del collocamento del Programma di offerta al pubblico e/o di quotazione di investment certificates denominati PER DUE CERTIFICATE e PER DUE
DettagliUn gioco con tre dadi
Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.
Dettaglii criteri di valutazione
La fattibilità economica dei progetti: i criteri di valutazione 14.XII.2011 I criteri di fattibilità del progetto La convenienza di un investimento t immobiliare per il promotore può avvenire attraverso
DettagliExcel. A cura di Luigi Labonia. e-mail: luigi.lab@libero.it
Excel A cura di Luigi Labonia e-mail: luigi.lab@libero.it Introduzione Un foglio elettronico è un applicazione comunemente usata per bilanci, previsioni ed altri compiti tipici del campo amministrativo
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014
Dettagli[ Analisi della. concentrazione] di Luca Vanzulli. Pag. 1 di 1
[ Analisi della concentrazione] di Luca Vanzulli Pag. 1 di 1 LA CONCENTRAZIONE NELL ANALISI DELLE VENDITE L analisi periodica delle vendite rappresenta un preziosissimo indicatore per il monitoraggio del
DettagliREGOLAMENTO (UE) N. 1235/2011 DELLA COMMISSIONE
30.11.2011 Gazzetta ufficiale dell Unione europea L 317/17 REGOLAMENTO (UE) N. 1235/2011 DELLA COMMISSIONE del 29 novembre 2011 recante modifica del regolamento (CE) n. 1222/2009 del Parlamento europeo
DettagliI punteggi zeta e la distribuzione normale
QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliCorso di FINANZA AZIENDALE AVANZATA
Corso di FINANZA AZIENDALE AVANZATA Teoria delle opzioni e opzioni reali Formula di Black/Sholes Nell approccio binomiale, per ipotesi, alla fine del periodo vi sono solo 2 possibili prezzi. Nella realtà,
DettagliL eredità finanziaria della crisi
L eredità finanziaria della crisi Presentazione del XX rapporto annuale sul Mercato del Lavoro tv Guido Massimiliano Mantovani H.E.R.M.E.S. Universities Network, Strasbourg Università Ca Foscari, Campus
DettagliDisegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Indici di Affidabilità
Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica Indici di Affidabilità L Attendibilità È il livello in cui una misura è libera da errore di misura È la proporzione di variabilità della misurazione
Dettagli2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1
1 PORTAFOGLIO Portafoglio Markowitz (2 titoli) (rischiosi) due titoli rendimento/varianza ( μ 1, σ 1 ), ( μ 2, σ 2 ) Si suppone μ 1 > μ 2, σ 1 > σ 2 portafoglio con pesi w 1, w 2 w 1 = w, w 2 = 1- w 1
DettagliAppendice III. Criteri per l utilizzo dei metodi di valutazione diversi dalle misurazioni in siti fissi
Appendice III (articolo 5, comma 1 e art. 22 commi 5 e 7) Criteri per l utilizzo dei metodi di valutazione diversi dalle misurazioni in siti fissi 1. Tecniche di modellizzazione 1.1 Introduzione. In generale,
DettagliAnalisi statistica delle funzioni di produzione
Analisi statistica delle funzioni di produzione Matteo Pelagatti marzo 28 Indice La funzione di produzione di Cobb-Douglas 2 2 Analisi empirica della funzione di produzione aggregata 3 Sommario Con la
DettagliStatistica. Alfonso Iodice D Enza iodicede@unina.it
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 16 Outline 1 () Statistica 2 / 16 Outline 1 2 () Statistica 2 / 16 Outline 1 2 () Statistica 2 / 16
DettagliMetodi Matematici e Informatici per la Biologia----31 Maggio 2010
Metodi Matematici e Informatici per la Biologia----31 Maggio 2010 COMPITO 4 (3 CREDITI) Nome: Cognome: Matricola: ISTRUZIONI Gli esercizi che seguono sono di tre tipi: Domande Vero/Falso: cerchiate V o
DettagliRISCHIO E CAPITAL BUDGETING
RISCHIO E CAPITAL BUDGETING Costo opportunità del capitale Molte aziende, una volta stimato il loro costo opportunità del capitale, lo utilizzano per scontare i flussi di cassa attesi dei nuovi progetti
DettagliCapitolo 2 Distribuzioni di frequenza
Edizioni Simone - Vol. 43/1 Compendio di statistica Capitolo 2 Distribuzioni di frequenza Sommario 1. Distribuzioni semplici. - 2. Distribuzioni doppie. - 3. Distribuzioni parziali: condizionate e marginali.
DettagliProf.ssa Paola Vicard
Questa nota consiste perlopiù nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo i dati nel file esercizio10_dati.xls.
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
DettagliConsideriamo due polinomi
Capitolo 3 Il luogo delle radici Consideriamo due polinomi N(z) = (z z 1 )(z z 2 )... (z z m ) D(z) = (z p 1 )(z p 2 )... (z p n ) della variabile complessa z con m < n. Nelle problematiche connesse al
DettagliLA DISTRIBUZIONE DI PROBABILITÀ DEI RITORNI AZIONARI FUTURI SARÀ LA MEDESIMA DEL PASSATO?
LA DISTRIBUZIONE DI PROBABILITÀ DEI RITORNI AZIONARI FUTURI SARÀ LA MEDESIMA DEL PASSATO? Versione preliminare: 25 Settembre 2008 Nicola Zanella E-Mail: n.zanella@yahoo.it ABSTRACT In questa ricerca ho
DettagliValore equo di un derivato. Contingent claim
Contingent claim Ci occuperemo ora di determinare il prezzo equo di un prodotto derivato, come le opzioni, e di come coprire il rischio associato a questi contratti. Assumeremo come dinamica dei prezzi
DettagliREALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007
REALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007 INTRODUZIONE Uno degli elementi più importanti che compongono un Business Plan è sicuramente la previsione dei risultati economico-finanziari. Tale
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
DettagliEffetto reddito ed effetto sostituzione.
. Indice.. 1 1. Effetto sostituzione di Slutsky. 3 2. Effetto reddito. 6 3. Effetto complessivo. 7 II . Si consideri un consumatore che può scegliere panieri (x 1 ; ) composti da due soli beni (il bene
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.
Dettagli