Il Value at risk. Misurazione del rischio di mercato. Da quale esigenza e nato il VaR? Anno accademico 2005/06. m=7.6m$ Prof.ssa Rosella Giacometti
|
|
- Maddalena Foti
- 7 anni fa
- Visualizzazioni
Transcript
1 Il Value at risk Modelli Matematici per i Mercati Finanziari Anno accademico 005/06 Nuove metriche di rischio: il VaR -Cosa è il VaR -Come si calcola:la stima dei parametri di un modello VaR multinormale -Misure di VaR marginale -Il VaR dei portafogli gestiti a benchmark Prof.ssa Rosella Giacometti Da quale esigenza e nato il VaR? 3 Misurazione del rischio di mercato. 4 Cattura, in un solo numero, un importante aspetto del rischio. Risponde alla semplice domanda: Quanto male possono andare le cose? Introduce il concetto di distribuzione di probabilità Permette di misurare strumenti diversi con lo stesso metro È facile da comprendere Numero di giorni Istogramma profitti/perdite giornalieri, JP Morgan Profitti perdite giornaliere ($m) m=7.6m$
2 Value at risk. Analisi dell istogramma 5 Cos è il Valore a Rischio (VaR)? 6 Consideriamo l istogramma di Profit & Loss (P&L) giornaliere della JP Morgan. Siamo concentrati sulle perdite estreme possibili e una stima monetaria di quanto è possibile perdere il giorno successivo (o alcuni giorni successivi) con una data probabilità. Fissiamo un livello di confidenza α che ci permette di individuare un punto di cut-off. Con α=95%, individuiamo la massima perdita W* giornaliera realizzabile il 95% delle volte (9 giorni su 0). Livello di confidenza 95% W* =-,4 m$ Livello di confidenza 99% W* =-6,5m$ Il calcolo del VaR mira a consentire un affermazione del seguente tipo: Siamo certi all α per cento che non perderemo più di W Euro nei prossimi N giorni. La variabile W* è il VaR del portafoglio. Il VaR è funzione di due parametri: N, l orizzonte temporale, e α, il livello di confidenza. La scelta di N dipende dal grado di liquidità dei mercati in cui gli operatori lavorano dalla frequenza con cui viene ricalibrato il portafoglio gestito Cos è il Valore a Rischio (VaR)? 7 Graficamente 8 Elementi fondamentali nel calcolo del VAR sono livello di confidenza α orizzonte temporale N (dipende dalla liquidità delle posizioni) In genere si lavora con rendimenti R* (perdite percentuali) e si deduce la perdita monetaria associata W*. 99% Indichiamo con R(N) il rendimento aleatorio del portafoglio in [0,N]. Il valore critico R* è quel valore del rendimento per il quale vale Pr[R(N)<R*]=-α R* R
3 Cos è il Valore a Rischio (VaR)? 9 Graficamente 0 Siano W 0 valore dell investimento iniziale E(W N ) valore dell investimento dopo N giorni W * dell investimento valutato al livello critico 99% VaR= W* = E(W N )-W * =W 0 (+ µ)-w 0 (+R * )= +µw 0 -R*W 0 Poiché l orizzonte N è breve si pone µ =0 e W* =-R*W 0 Nella definizione di perdita e implicito un segno meno Var= R*W 0 R* R Data una distribuzione di probabilità P&L, il Var corrispondente ad un α=99% ad N giorni e determinato dal punto di cut off R*, VAR= R*W 0 Come si calcola il VAR? Metodo parametrico La metodologia VAR differisce principalmente nel modo in cui viene costruita la funzione di densità di probabilità. Le classiche tecniche per approssimare la distribuzione di probabilità sono:.metodi parametrici o varianza covarianza.simulazioni storiche 3.Simulazioni Montecarlo VAR ad un giorno di una posizione unica con ipotesi di normalità * R µ R µ Pr( R < R*) = α Pr( < ) = α σ σ R* = Z α σ + µ Dove σ è la volatilità giornaliera. Ipotizzando µ=0 e considerando α=99% questo si traduce nel dire che e quindi R * % = Z σ =, 33σ VAR=,33σW 0 Il VaR a N giorni si ottiene ipotizzando VAR=,33σW 0 N
4 Graficamente α=99% 3 bibliografia 4 Hull Opzioni futures e e altri derivati terza edizione il sole 4 ore Cap 6 (VaR) Cap 6 (rischio di credito) 99% W*=.33 σw 0 N Previsione della volatilità 5 Previsione della volatilità 6 Come si calcola la volatilità? Per semplicità possiamo usare la volatilità storica. RiskMetrics usa l exponentially weighted moving average model (EWMA) con utilizza λ = 0,94. σ n = rn + λ( σ n rn ) A seguito di uno shock (un rendimento grande in valore assoluto), la volatilità reagisce velocemente allo shock, in base al peso dato all informazione piu recente. Inoltre la volatilità decresce esponenzialmente nel tempo, rimanendo come patrimonio storico.
5 Volatilità Giornaliere 7 VAR per attività che dipendono da un solo fattore 8 Nel calcolo del VaR si usa una misura di volatilità giornaliera Se ci sono 5 giorni lavorativi in un anno, la relazione tra la volatilità giornaliera, σ g e quella annuale, σ a, è σ = g σ a 5 Ricordiamo che se X N((µ,σ ) e Y N((µ,σ ) sono normali indipendenti allora X+Y N((µ + µ,σ +σ ) Questa formula è esatta quando le variazioni di valore del portafoglio in giorni successivi sono normali indipendenti, a media nulla e il rendimento è logaritmico. Esempio Valute e Azioni. Ipotizziamo che il rendimento sia distribuito normalmente Esempio con Azioni IBM Abbiamo una posizione lunga su azioni IBM del valore di Euro. La volatilità giornaliera dell IBM è del % (circa il 3% su base annua) Usiamo N = 0 e α = 99% VaR=,33σW 0 N=.473,6Euro Esempio con Azioni AT&T 9 Il VaR di un portafoglio 0 Valore della posizione: 5 mila Euro Volatilità giornaliera dell AT&T: % Consideriamo un portafoglio con azioni VaR decadale con un livello di confidenza del 99%: VaR=,33σW 0 N= 368,405 Euro σ p = x σ + x σ + x x ρσ σ dove σ i è la volatilità dell i-esima variabile x i è il valore della posizione i-esima ρ è il coefficiente di correlazione Il Var del portafoglio di valore W è VAR p = VAR + VAR + ρvar VAR
6 Il VAR di un portafoglio Il VAR di un portafoglio: esempio Considerando due titoli rischiosi VAR p = se ρ= se ρ=0 VAR + VAR + ρvar VAR VAR p = VAR + VAR VAR p = VAR + VAR < VAR + VAR Consideriamo ora un portafoglio composto dalle azioni IBM e dalle azioni AT&T Supponiamo che la correlazione tra i tassi di rendimento delle due azioni sia pari a 0,7 se ρ=- VAR p = VAR VAR E facile estendere ad un portafoglio ad n titoli Il VAR di un portafoglio: esempio 3 VaR di un Portafoglio: esempio 4 Dalla formula della varianza Il VaR delle azioni IBM e AT&T è pari, rispettivamente, a.473,6 e a 368,405 VAR p = VAR + VAR + ρvar VAR I benefici della diversificazione sono pari a (.473, ,4).75,4 = 90, 6 Il VaR delle azioni IBM e AT&T è pari, rispettivamente, a.473,6 e a 368,4, il coefficiente di correlazione ρ = 0,7 quindi 473, ,4 + 0,7 473,6 368,4 = 75,4 Qual è l effetto marginale delle azioni AT&T sul VaR?.75, ,6 = 77,8
7 VaR marginale di un titolo 5 VaR di un Portafoglio: esempio 6 Se voglio studiare il contributo marginale di un titolo A al VaR del portafoglio, devo: ) Calcolare il VaR del portafoglio completo ) Calcolare il VaR del portafoglio completo - A 3) calcolare la differenza tra i due VaR Il VaR marginale può essere positivo => contributo positivo al rischio negativo => il nuovo titolo costituisce un hedge nullo il calcolo del VaR in forma matriciale è ' ' VaRp = Z αw0 N x V x = ( VaR) C( VaR) Dove C è la matrice delle correlazioni Il VaR dell esempio precedente puo essere calcolato come ,6 VaR p = [.473,6 368,4] = 75, ,4 Il Modello Lineare 7 Come risolviamo le non linearita 8 Abbiamo lavorato fino ad ora con un modello lineare in cui la variazione di valore del portafoglio dipende in modo lineare dalle variazioni di alcune variabili di mercato le variazioni di valore delle variabili di mercato si distribuiscono in modo normale Se nel portafoglio sono presenti titoli il cui valore non varia in modo lineare rispetto al sottostante? Esempio: Rendimenti su opzioni e obbligazioni non sono funzioni lineari delle variazioni nei fattori di rischio Max(0,S-K) P S i
8 Il VAR per opzioni su azioni 9 Opzioni su IBM 30 Consideriamo un opzione call C che dipende dal prezzo, S, di un azione Sia δ = C S C δ S C Co + δ S S ) = k + Sδ ( 0 Consideriamo un opzione su azioni IBM (il prezzo unitario del titolo è di Euro 0) Il delta delle opzioni rispetto al prezzo del titolo è 0,6 il VAR della singola opzione su IBM con δ=0,6 VAR=,33 0 0,0 δ 0=0,6 Euro con k trascurabile perché costante C s VAR = δvar = δ( Z α σs N ) Obbligazioni e tassi d interesse 3 Obbligazioni e tassi d interesse 3 Come vengono trattate le obbligazioni? due approcci ) linearizzazione ) clumping P i tassi Il VaR viene calcolato come al solito VAR = Z α σ P p N Sia P il valore di una obbligazione, allora vale P i ΜD i p i La volatilità di tassi influenza la volatilità dell obbligazione, secondo la relazione σ P MD i σ i σ P MD i σi Questo mi permette di calcolare il VAR in funzione della volatilità dei tassi invece che della volatilità del rendimento del titolo, VAR = Z α MD i σi P N
9 Cash Flow Mapping (clumping) 33 Cash Flow Mapping (clumping) 34 Abbiamo visto un metodo per calcolare il VaR di un obbligazione basato sulla approssimazione lineare. Un approccio alternativo consiste nello scegliere come variabili di mercato tassi di rendimento spot di titoli senza cedola con scadenze standard (m, 3m, 6m, a, a, 5a, 7a, 0a, 30a) il problema diventa distribuire i flussi c t relativi a scadenze τ-<t< τ diverse dalle scadenze scelte come riferimento, in flussi c τ- e c τ criteri uguale segno dei flussi uguale valore attuale (valore di mercato) uguale rischio di mercato ( Riskmetrics suggerisce che i flussi abbiano la stessa volatilità) Occupiamoci di un flusso alla volta. Supponiamo di avere un flusso di 0000 Euro all anno 6,5 e che le scadenze di riferimento siano 5 e 7 anni Per tali scadenze sono stati stimati i seguenti valori: I tassi a 5 e a 7 anni sono pari al 6% e al 7% Le volatilità giornaliere dei due tassi sono pari, rispettivamente, allo 0,5 e allo 0,58% La correlazione tra i tassi a 5 e a 7 anni e pari a 0,6 Graficamente 35 Cash Flow Mapping (clumping) 36 Un metodo per procedere e l interpolazione lineare delle curve dei tassi e delle volatilità i 7 =7% i 5 =6% σ 5 =0,5% σ 7 =0,58% Il tasso a 6,5 anni, ottenuto mediante interpolazione dei tassi a 5 e 7 anni, è del 6,75% La volatilità giornaliera del titolo a 6,5 anni, ottenuta mediante interpolazione delle volatilità dei titoli a 5 e 7 anni, è dello 0,56% 5 6,5 7 scadenze
10 Graficamente 37 Cash Flow Mapping (clumping) 38 i 7 =7% σ 6,5 =0,56% i 6,5 =6,75% σ 7 =0,58% Criterio : stessi segni Criterio : stesso valore di mercato Il valore attuale del pagamento di tra 6,5 anni è pari a = ,5,0675 i 5 =6% σ 5 =0,5% Allochiamo ai titoli a 5 e a 7 anni una quota del valore attuale dei pari, rispettivamente, ad α e - α 5 6,5 7 scadenze Cash Flow Mapping (clumping) 39 Cash Flow Mapping (clumping) 40 Criterio 3 : stessa volatilita Supponiamo che la correlazione tra le variazioni dei prezzi dei titoli a 5 e a 7 anni sia pari a 0,6 Affinché la varianza del portafoglio sia uguale alla varianza del titolo a 6,5 anni occorre che 0,5 α + 0,58 (-α) + 0,6 0,5 0,58 α(-α)=0,56 Il pagamento di Euro tra 6,5 anni viene sostituito da due pagamenti: - Euro 648=6.540,06 5 0,074 tra 5 anni - Euro 9.75 =6.540,07 7 0,96 tra 7 anni Il valore e la varianza del portafoglio così costruito sono uguali al valore e alla varianza del titolo a 6,5 anni. Risolvendo si ottiene α = 0,074
11 Graficamente 4 Se ho un BTP? i 7 =7% i 5 =6% Euro0.000 Euro 975 Euro ,5 7 scadenze 0,3 0,8 Ipotizziamo che le scadenze di riferimento siano 3 mesi, 6 mesi e anno. Il valore attuale della posizione sia W 0. - Scompongo il primo flusso in flussi a 3 e 6 mesi. - Scompongo il secondo flusso in flussi a 6 mesi e anno. - Sommo i flussi relativi alle scadenze 3 mesi, 6 mesi e anno. - Le volatilità e le correlazioni dei tassi a 3 mesi, 6 mesi e anno sono note. - Calcolo la volatilità del portafoglio. - Calcolo il VaR come,33 σ 0 W 0. - Oppure calcolo il VaR delle singole posizioni e aggrego i VaR.. Esempio 43 Riassumendo 44 flusso in 0,3 flusso in 0,8 totale volatilita' mesi mesi anno Noti ρ 3mesi,6mesi =0,9 ρ 3mesi,anno =0,6 ρ 6mesi,anno =0,7 σ=0.003 ho due nodi e un flusso c t da ripartire α e - α. dati i tassi nei due nodi, calcolo il tasso y t in t. dati i due nodi, calcolo la volatilità σ t in t 3. calcolo il valore attuale W 0 =W(+y t ) -t 4. determino le percentuali di ripartizione α e - α in modo che la volatilità pesata dei flussi sia uguale alla volatilità del flusso originale 5. determino i valori dei due flussi scomposti W = α W 0 (+y τ- ) τ- W = (-α) W 0 (+y τ ) τ VaR=, W 0
12 Procedura per il calcolo del VAR 45 Esempio 46. Valuto le posizioni a rischio e dei diversi fattori posizioni in valuta posizioni in azioni e indici azionari posizioni in obbligazioni prodotti derivati con pay-off non lineari. calcolo delle volatilità e correlazioni tra i fattori di rischio 3. Valuto l orizzonte in base al tempo di liquidazione 4. Scelgo il livello di confidenza 5. calcolo del VaR per ogni classe 6. aggrego i singoli VaR utilizzando le correlazioni Supponiamo di essere un investitore italiano e di possedere un portafoglio in titoli azionari ($00) e obbligazionari statunitensi ($00). In nostro portafoglio e soggetto a 3 fonti di rischio. Scomponiamo operazioni finanziari complesse in operazioni semplici Rischio di cambio USA 300$ cambio /$ Rischio di interesse USA 00$ cambio /$ Rischio azionario USA 00$ cambio /$ cambio $/ =/. Esempio 47 Esempio 48 Stimiamo la volatilità del tasso di cambio, delle obbligazioni e delle azioni Calcoliamo il Var di ogni posizione Supponiamo, per semplicità, che la correlazione tra i diversi comparti sia nulla allora VAR p = VAR + VAR + VAR < VAR + VAR + VAR 3 3 Supponiamo che le volatilità delle singole posizioni siano pari a Volatilità del tasso di cambio 0% - Volatilità della posizione in obbligazioni 7% ( σ ) P MD r σ r - Volatilità delle azioni 5% Calcoliamo, usando un foglio excel il Var del portafoglio VAR p = VAR + VAR + VAR < VAR + VAR + VAR 3 3 Inserire le correlazioni corrette
13 Esempio 49 Esempio 50 Il contributo di un titolo al VaR complessivo di un portafoglio dipende dalla composizione pregressa. Supponiamo che Esempio Due investitori A e B inseriscono in portafoglio titoli IBM con VAR=0 L investitore A ha un portafoglio prevalentemente azionario USA con VaR=00 L investitore B ha un portafoglio prevalentemente obbligazionario con VAR= 00 la correlazione delle azioni IBM con il portafoglio esistente USA sia 0.8 la correlazione delle azioni IBM con il portafoglio esistente obbligazionario sia 0. Cosa mi aspetto? VAR p = VAR + VAR + ρvar VAR Esempio 5 Osservazioni finali 5 Il Var del portafoglio A diventa = VAR A = 6.6 Con un VaR marginale di 6.6 Il Var del portafoglio B diventa Il rischio marginale di un nuovo titolo in portafoglio dipende dalla composizione pregressa. Il VaR di portafoglio può subire delle variazioni a causa di un aumento della volatilità del mercato, anche a parità di composizione. Ricordiamoci la scomposizione del rischio in = VAR B = Rischio totale= Rischio specifico+ rischio sistematico Con un VaR marginale di 5.83 Anche in questo caso la diversificazione agisce solo sul rischio specifico
14 Vantaggi e Svantaggi 53 Simulazioni Storiche 54 Questo approccio è molto facile e trattabile tuttavia: il calcolo della matrice di varianza covarianza non è banale per grandi portafogli, le ipotesi di normalità sono molto limitative, è possibile ipotizzare altre distribuzioni (esempio gamma) ma non tutte hanno la stessa versatilità della normale, le non linearità degli assets rimangono un problema se il portafoglio non è quasi lineare in partenza (con poche opzioni) Idea alla base del metodo Questo metodo si basa sull ipotesi che l andamento dei prezzi segue un moto che si ripete nel tempo Seguendo questo approccio, la costruzione della variazione nel valore del portafoglio viene effettuata in base ai dati storici e non in base a delle ipotesi sulla distribuzione dei rendimenti (per questo motivo viene spesso chiamato metodo non parametrico) Simulazioni Storiche 55 Simulazioni Storiche 56 Passi Passi.. ( continua). Individuati i fattori di rischio e data la loro serie storica, viene costruito il database e delle variazioni percentuali giornaliere dei fattori di rischio su un orizzonte τ.. Partendo dal valore attuale del fattore di rischio, si costruisce una serie di fattori di rischio futuri, moltiplicando tra loro il valore attuale e le variazioni passate. 4.Si valuta la variazione percentuale nel valore del portafoglio o rendimento 5. Si costruisce la distribuzione empirica del portafoglio. 6. Infine si calcoli il VAR a τ 3. Per ogni variazione cosi ottenuta, si valuta il valore finale del portafoglio considerando la composizione odierna.
15 Simulazioni Storiche -Vantaggi 57 Simulazioni Monte Carlo 58 estremamente semplice (basta uno spread-sheet), non richiede il calcolo della matrice di varianza e covarianza, non richiede l ipotesi di distribuzione normale, non ha problemi con non linearità richiede la disponibilità di molti dati, l ipotesi che il passato è una accurata immagine del futuro è molto forte, i dati passati hanno tutti lo stesso peso nel determinare il futuro. la scelta della lunghezza del database influenza i risultati L idea alla base del metodo L idea di base di questo metodo è la simulazione di un grande numero di scenari di evoluzione dei prezzi. Consideriamo una sola azione S = µ S t + σsε t Si consideri un azione che non paga dividendi con tasso di rendimento atteso µ e volatilità annua ρ Possiamo simulare un «sentiero» scegliendo un intervallo di lunghezza t e usando la versione discreta del processo: S = µ t + σε t S dove ε è un estrazione casuale da N(0, ) Metodo Monte Carlo - Un Sentiero 59 Metodo Monte Carlo - Un Sentiero 60 σ=0% µ=4% t =0.0 anni Prezzo Shock effetto Shock Variazione S ε η = ( µ t + σε t ) S = Sη 0,000 0,5 0,08 0,36 0,36,44 0,030 0,6 0,847 0,86 0,058 0,39 0,58,46 0,0306 0,68,46 0,69 0,40 0,6 0,883 0,74 0,034 0,80 0,603 0, 0,0056 0,5 0,79,0 0,006 0,47 0,9 0,73 0,060 0,35 0,67,6 0,046 0,507,4,56 0,056, S = S(0.4 t+ 0, ε t) t = 0.0 ) Questo è solo uno dei possibili scenari Prezzo azione Scenario tempo
16 Estrazioni da una Normale Bivariata 6 Simulazioni Monte Carlo 6 Per ottenere un estrazione casuale da una normale bivariata si devono generare, da N(0, ), due estrazioni indipendenti, x ed x Quindi si pone ε = x = x + x e ε ρ ρ dove ρ è il coefficiente di correlazione tra le variabili della distribuzione bivariata (SI VEDA FOGLIO EXCEL) Una procedura nota come scomposizione di Cholesky può essere utilizzata per estrarre campioni da distribuzioni normali multivariate Passi. Specifica il meccanismo casuale che governa i fattori di rischio.. Stima i parametri dai dati storici 3. Simula diversi scenari di evoluzione dei fattori di rischio 4. Considera le correlazioni 5. Calcola i prezzi dei singoli asset che costituiscono il portafoglio 6. Calcola e memorizza il rendimento del portafoglio 7. Ripeti i punti 3,4,5,6 molte volte(nsim) 8. Calcola il VAR della distribuzione empirica Metodo Monte Carlo: Vantaggi e Svantaggi 63 Riassumendo 64 L approccio è simile alle simulazioni storiche ma qui gli scenari sono ottenuti grazie ad un processo stocastico E un approccio molto potente tuttavia e molto oneroso perché una buona stima del VAR richiede molte simulazioni (N_SIM), un portafoglio di 00 titoli richiede 00*N_SIM simulazioni, il rischio di modello ha un peso notevole. Paramet Simul. Montecarlo Storiche Asset non no si si lineari Distribuzioni normale qualsiasi qualsiasi Calcolo Σ si no si Correlazioni si si si Valuation partial Full Full Model risk si no si Facile implement. si si no
17 Back-Testing e Stress Tests 65 VaR e C-VaR 66 Le procedure di back-testing verificano, in via retrospettiva, l accuratezza delle misure di VaR Rispondono alla domanda: Quanto spesso si sono verificate perdite superiori al VaR decadale con un livello di confidenza del 99 per cento? Gli stress tests consistono nella stima della performance del portafoglio in presenza di alcuni tra i più estremi movimenti di mercato verificatisi negli ultimi 0 o 0 anni Il VaR è il livello delle perdite che, ad un certo livello di probabilità, non verrà superato Var α =(R* Prob(R<R*)=-α) Il C-VaR ( o expected shortfall) è la perdita attesa, condizionata dal fatto che la perdita sia superiore al VaR Il C-VaR non è molto usato, anche se è teoricamente più attraente del VaR C-Var α =E(R R<Var α ) VaR e Requisiti Patrimoniali 67 Le autorità di vigilanza chiedono alle banche di avere un capitale minimo pari al prodotto tra la media dei VaR stimati negli ultimi 60 giorni lavorativi (con N = 0 e X = 99) e un coefficiente moltiplicativo Di solito, il coefficiente moltiplicativo è pari a 3
La valutazione dei rischi. Corso di risk management Prof. Giuseppe D Onza
La valutazione dei rischi Corso di risk management Prof. Giuseppe D Onza LA VALUTAZIONE DEI RISCHI E un attività che caratterizza la gestione dei rischi finalizzata ad apprezzare la gravità dei fenomeni
DettagliIl VaR: i modelli di simulazione. Prof. Ugo Pomante Università di Roma Tor Vergata
Il VaR: i modelli di simulazione Prof. Ugo Pomante Università di Roma Tor Vergata Agenda I modelli di simulazione: caratteristiche generali Le simulazioni storiche L approccio ibrido Le simulazioni Monte
DettagliECONOMIA DEI MERCATI FINANZIARI
ECONOMIA DEI MERCATI FINANZIARI 6 febbraio 2012 PROVA SCRITTA Inserire i propri dati: Numero di Matricola Nome Cognome CORSO DI LAUREA: Sezione 1. Indicare se le seguenti affermazioni sono vere o false,
DettagliLaboratorio: Metodi quantitativi avanzati per la valutazione del rischio di mercato. Aldo Nassigh Financial Risk Management A.A.
Laboratorio: Metodi quantitativi avanzati per la valutazione del rischio di mercato Aldo Nassigh Financial Risk Management A.A. 2011/12 Lezione 6 FAT TAILS La distribuzione empirica di numerosi fattori
DettagliMATEMATICA FINANZIARIA RISCHI: RAPPRESENTAZIONE E GESTIONE (CENNI)
Matematica Finanziaria, a.a. 2011/2012 p. 1/315 UNIVERSITA DEGLI STUDI DI PARMA FACOLTA DI ECONOMIA MATEMATICA FINANZIARIA RISCHI: RAPPRESENTAZIONE E GESTIONE (CENNI) ANNAMARIA OLIVIERI a.a. 2011/2012
DettagliIndice Prefazione XIII Capitolo 1 Introduzione al Visual Basic per Excel
Indice Prefazione XIII Capitolo 1 Introduzione al Visual Basic per Excel 1 1.1 Premessa 1 1.2 Lavorare in Ambiente Excel 2 1.3 Le Macro di Excel 4 Dal Linguaggio Macro al Visual Basic for Application 4
DettagliMatematica e Risk Management
Matematica e Risk Management MatFinTN2012 Claudio Kofler 24 Gennaio 2012, Facoltà di Scienze, Povo (TN) PensPlan Invest SGR S.p.A. 2012 Performance Attribution Performance Attribution La performance attribution
DettagliStatistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza
DettagliManage your risk! La volatilità nei mercati azionari: rischi e opportunità
Manage your risk! La volatilità nei mercati azionari: rischi e opportunità Volatilità: definizione La volatilità è una misura della dispersione delle variazioni dei prezzi delle attività finanziarie e
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE 1. Distribuzione congiunta Ci sono situazioni in cui un esperimento casuale non si può modellare con una sola variabile casuale,
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliUNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
DettagliRischi di mercato. Francesco Menoncin
Rischi di mercato Francesco Menoncin 6-0-0 Sommario Le risposte devono essere C.C.C (Chiare, Concise e Corrette). Il tempo a disposizione è di (due) ore. Esercizi. Su un mercato completo con tre stati
DettagliMisura e Valutazione del
- Finanza Aziendale Prof. Arturo Capasso 8 Misura e Valutazione del A. Rischio - Argomenti Il rischio Il rischio negli investimenti finanziari La misurazione del rischio Varianza e scarto quadratico medio
DettagliMetodi matematici II 9 dicembre 2003
Metodi matematici II 9 dicembre 2003 TEST - PREAPPELLO Cognome Nome Matricola Crocettare la casella che si ritiene corretta nel caso di risposta multipla (una sola risposta è corretta). Si indichi la risposta,
DettagliStatistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliUniversità di Bari Facoltà di Economia ESAME DEL CORSO DI ECONOMIA DELLE SCELTE FINANZIARIE E DI PORTAFOGLIO 17/07/2010 COGNOME NOME MATRICOLA FIRMA
Università di Bari Facoltà di Economia ESAME DEL CORSO DI ECONOMIA DELLE SCELTE FINANZIARIE E DI PORTAFOGLIO 17/07/2010 COGNOME NOME MATRICOLA FIRMA Parte A: 15 domande a scelta multipla (punteggio max:
DettagliStatistica. Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2011/2012 Statistica Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate.
DettagliEsercizi di Matematica Finanziaria
Università degli Studi di Siena Facoltà di Economia Esercizi di Matematica Finanziaria relativi ai capitoli V-X del testo Claudio Pacati a.a. 1998 99 c Claudio Pacati tutti i diritti riservati. Il presente
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
DettagliIl calcolo del VAR operativo mediante la metodologia stocastica parametrica. Simona Cosma
Il calcolo del VAR operativo mediante la metodologia stocastica parametrica Simona Cosma Contenuti Il VAR operativo: inquadramento concettuale La metodologia attuariale EVT (Extreme Value Theory) Il VAR
DettagliAsset class: Fondi Cedola Speaker: Giovanni Radicella- Responsabile Investimenti Obbligazionari Moderatore: Marco Parmiggiani Responsabile Sviluppo
Asset class: Fondi Cedola Speaker: Giovanni Radicella- Responsabile Investimenti Obbligazionari Moderatore: Marco Parmiggiani Responsabile Sviluppo Rete Arca Fund Manager Webinar Fondi Cedola 18 NOVEMBRE
DettagliTest per la correlazione lineare
10 Test per la correlazione lineare Istituzioni di Matematica e Statistica 2015/16 E. Priola 1 Introduzione alla correlazione lineare Problema: In base ai dati che abbiamo possiamo dire che c è una qualche
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliEsercizi Svolti. 2. Costruire la distribuzione delle frequenze cumulate del tempo di attesa
Esercizi Svolti Esercizio 1 Per una certa linea urbana di autobus sono state effettuate una serie di rilevazioni sui tempi di attesa ad una determinata fermata; la corrispondente distribuzione di frequenza
DettagliCAPITOLO 1 LA FUNZIONE DI PRODUZIONE E LA CRESCITA ECONOMICA
CAPITOLO 1 LA FUZIOE DI PRODUZIOE E LA CRESCITA ECOOMICA 11 La funzione di produzione Data una funzione di produzione in cui la quantità prodotta () dipende dalla quantità di capitale () e di lavoro ()
Dettagli1 Alcuni risultati sulle variabili Gaussiane multivariate
Il modello lineare-gaussiano e il filtro di Kalman Prof. P.Dai Pra 1 Alcuni risultati sulle variabili Gaussiane multivariate In questo paragrafo verranno enunciate e dimostrate alcune proprietà del valor
DettagliCasa dello Studente. Casa dello Studente
Esercitazione - 14 aprile 2016 ESERCIZIO 1 Di seguito si riporta il giudizio (punteggio da 0 a 5) espresso da un gruppo di studenti rispetto alle diverse residenze studentesche di un Ateneo: a) Si calcolino
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliAsset class: Fondi Cedola & Reddito Multivalore Speaker: Giovanni Radicella - Responsabile Investimenti Obbligazionari Riccardo Ceretti -
Asset class: Fondi Cedola & Reddito Multivalore Speaker: Giovanni Radicella - Responsabile Investimenti Obbligazionari Riccardo Ceretti - Responsabile Investimenti Azionari Moderatore: Marco Parmiggiani
DettagliADDENDUM: VALUTARE IL RISCHIO. Simulazioni e Business Plan - CLASEP
ADDEDUM: VALUTARE IL RISCHIO Il rischio - misurazione Il rischio è definito come la possibilità che il rendimento effettivo (ex post) diverga da quello atteso (ex ante). L entità del rischio dipende dallo
DettagliMATEMATICA FINANZIARIA Appello del 15 luglio 2009
MATEMATICA FINANZIARIA Appello del 15 luglio 2009 Cognome e Nome................................................................... C.d.L....................... Matricola n................................................
DettagliEsame di Statistica (10 o 12 CFU) CLEF 11 febbraio 2016
Esame di Statistica 0 o CFU) CLEF febbraio 06 Esercizio Si considerino i seguenti dati, relativi a 00 clienti di una banca a cui è stato concesso un prestito, classificati per età e per esito dell operazione
DettagliMODELLI PARAMETRICI DI STIMA DEL RISCHIO DI MERCATO
MODELLI PARAMETRICI DI STIMA DEL RISCHIO DI MERCATO Annalisa Di Clemente. INTRODUZIONE Con il termine rischio di mercato s intende la perdita di valore delle posizioni creditorie (long) e debitorie (short)
DettagliAnalisi economico-finanziaria degli investimenti
Analisi economico-finanziaria degli investimenti Lezione 2 I flussi di cassa e I principali criteri decisionali per l analisi finanziaria Economia Applicata all ingegneria a.a. 2015-16 Prof.ssa Carmela
DettagliMATEMATICA FINANZIARIA Appello del 27 settembre 2000
MATEMATICA FINANZIARIA Appello del 27 settembre 2000 Cognome e Nome................................................................... C.d.L....................... Matricola n................................................
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliLa statistica. Elaborazione e rappresentazione dei dati Gli indicatori statistici. Prof. Giuseppe Carucci
La statistica Elaborazione e rappresentazione dei dati Gli indicatori statistici Introduzione La statistica raccoglie ed analizza gruppi di dati (su cose o persone) per trarne conclusioni e fare previsioni
DettagliÈ il valore di un capitale in data anteriore a quella della sua fruibilità (godibilità)
LETTERA V VALORE ATTUALE È il valore di un capitale in data anteriore a quella della sua fruibilità (godibilità) VALORE CORRENTE Indica il valore sul mercato di un bene o di un servizio VALORE D INVENTARIO
Dettagliλ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
DettagliProprietà della varianza
Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Intermezzo: ma perché dovremmo darci la pena di studiare come calcolare la varianza nel caso di somme,
DettagliGESTIONE PATRIMONIALE. Banca Centropadana
GESTIONE PATRIMONIALE Banca Centropadana I sassi sono le nostre radici, la nostra identità, la nostra storia e i nostri valori. Sono utili a segnare il cammino e a costruire le strade. In molti anni di
Dettagli1.4.3 Tassi su altre basi temporali... 16
VII Indice 1 Regimi finanziari 1 1.1 Contratti, titoli e operazioni finanziarie.............. 1 1.1.1 Il sistema finanziario..................... 1 1.1.2 Investimenti e finanziamenti................ 2
DettagliSerie storiche Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Serie storiche Introduzione Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si
DettagliInformazioni sull andamento della gestione (Informazioni aggiornate al 31 dicembre 2013)
Sicurezza Informazioni sull andamento della gestione (Informazioni aggiornate al 31 dicembre 2013) Data di avvio dell operatività del comparto: 02/08/2005 Patrimonio netto al 31.12.2013 (in euro): 149.893.039,460
DettagliHedge Funds Strategies: un investimento alternativo o una alternativa di investimento?
Hedge Funds Strategies: un investimento alternativo o una alternativa di investimento? Salvatore Cordaro, CFA Alpha Strategies - Head of Institutional Mandates Credit Suisse Santander 2008 Contents Il
DettagliCapitolo 1 PREZZI E RENDIMENTI
INTRODUZIONE L obiettivo di ciascun investitore è quello di massimizzare il rendimento atteso dato un certo li vello di rischio o alternativamente cercare di minimizzare il rischio per ottenere un prefissato
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
DettagliLa diversificazione dei portafogli nel nuovo scenario
La diversificazione dei portafogli nel nuovo scenario Lea Zicchino Specialist Prometeia spa Correlazioni e diversificazione di portafoglio indici total return (31/7/07=100) andamento del portafoglio (31/7/07-31/5/10
DettagliDerivazione Numerica
Derivazione Numerica I metodi alle differenze finite sono basati sull approssimazione numerica di derivate parziali. Per questo consideriamo come problema iniziale quello di approssimare le derivate di
DettagliFunzioni vettoriali di variabile scalare
Capitolo 11 Funzioni vettoriali di variabile scalare 11.1 Curve in R n Abbiamo visto (capitolo 2) come la posizione di un punto in uno spazio R n sia individuata mediante le n coordinate di quel punto.
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliUniversità degli Studi di Parma. Prof.ssa Paola Schwizer Anno accademico 2010-2011. Definizione
Università degli Studi di Parma Corso di Asset and liability management Prof.ssa Paola Schwizer Anno accademico 2010-2011 Definizione Rischio derivante da esposizioni verso controparti, gruppi di controparti
DettagliESERCITAZIONE DI ECONOMIA DEGLI INTERMEDIARI FINANZIARI ANNO ACCADEMICO
ESERCITAZIONE DI ECONOMIA DEGLI INTERMEDIARI FINANZIARI ANNO ACCADEMICO 2016-2017 A cura Dott.ssa Federica Miglietta ESERCITAZIONE Ad uso degli studenti frequentanti LE OBBLIGAZIONI - Il prezzo Esercizio
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Misura dell associazione tra due caratteri Uno store manager è interessato a studiare la relazione
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliStatistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra A. Di Ciaccio - McGraw Hill s. 9. Soluzione degli esercizi del capitolo 9 In base agli arrotondamenti effettuati nei calcoli si
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. La distribuzione t - student
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z,
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
Dettagliẋ 1 = 2x 1 + (sen 2 (x 1 ) + 1)x 2 + 2u (1) y = x 1
Alcuni esercizi risolti su: - calcolo dell equilibrio di un sistema lineare e valutazione delle proprietà di stabilità dell equilibrio attraverso linearizzazione - calcolo del movimento dello stato e dell
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliLE OPZIONI: GLI ELEMENTI DI. Gino Gandolfi SDA BOCCONI
LE OPZIONI: GLI ELEMENTI DI VALUTAZIONE Gino Gandolfi SDA BOCCONI I LIMITI DI PREZZO DELLE OPZIONI Sostanzialmente, una call americana od europea dà al possessore ad acquistare l attività sottostante ad
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Variabili casuali Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio Determinare se le funzioni seguenti: 0.0 se x < 0. se x = g(x) = 0.5 se x = 0.7 se x = 3 se x =
DettagliCorporate finance 2e. Capitolo 6 VALORE ATTUALE NETTO E CRITERI ALTERNATIVI DI SCELTA DEGLI INVESTIMENTI
Corporate finance 2e Capitolo 6 VALORE ATTUALE NETTO E CRITERI ALTERNATIVI DI SCELTA DEGLI INVESTIMENTI Panoramica del capitolo 1. Il valore attuale netto 2. Il tempo di recupero 3. Il tempo di recupero
DettagliMATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013
MATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013 Soluzioni 1. Due sperimentatori hanno rilevato rispettivamente 25 e 5 misure di una certa grandezza lineare e calcolato le medie che sono risultate
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliMETODOLOGIE DI CALCOLO DELLA RISERVA AGGIUNTIVA PER RISCHIO DI TASSO DI INTERESSE GARANTITO
Allegato 1 METODOLOGIE DI CALCOLO DELLA RISERVA AGGIUNTIVA PER RISCHIO DI TASSO DI INTERESSE GARANTITO Ai fini dell illustrazione delle metodologie di calcolo e della verifica delle riserve aggiuntive
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliI criteri di valutazione:
I criteri di valutazione: il VAN e il TIR 06.04.2016 La fattibilità economica del progetto La valutazione di fattibilità consiste nella verifica della convenienza economica del developer a promuovere l
DettagliDerivazione numerica. Introduzione al calcolo numerico. Derivazione numerica (II) Derivazione numerica (III)
Derivazione numerica Introduzione al calcolo numerico Il calcolo della derivata di una funzione in un punto implica un processo al limite che può solo essere approssimato da un calcolatore. Supponiamo
DettagliMarkov Chains and Markov Chain Monte Carlo (MCMC)
Markov Chains and Markov Chain Monte Carlo (MCMC) Alberto Garfagnini Università degli studi di Padova December 11, 2013 Catene di Markov Discrete dato un valore x t del sistema ad un istante di tempo fissato,
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 27 Numeri indici e rapporti statistici
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliMatematica II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # 2 1 Distribuzione normale Esercizio 1 Sia X una variabile aleatoria Normale N (5, ). Facendo
DettagliLe curve di indifferenza sulla frontiera di Markowitz
UNIVERSIT DEGLI STUDI DI PRM FCOLT DI ECONOMI Corso di Pianificazione Finanziaria Evoluzione della teoria del rischio finanziario da Markowitz al teorema della separazione e al CPM 1 Le curve di indifferenza
DettagliDistribuzione di Probabilità
Distribuzione di Probabilità Sia X variabile con valori discreti X 1, X 2,..., X N aventi probabilità p 1, p 2,..., p N ( i p i = 1) (X variabile discreta aleatoria, o stocastica, o casuale, random) Funzione
DettagliITCS Erasmo da Rotterdam. Anno Scolastico 2014/2015. CLASSE 4^ M Costruzioni, ambiente e territorio
ITCS Erasmo da Rotterdam Anno Scolastico 014/015 CLASSE 4^ M Costruzioni, ambiente e territorio INDICAZIONI PER IL LAVORO ESTIVO DI MATEMATICA e COMPLEMENTI di MATEMATICA GLI STUDENTI CON IL DEBITO FORMATIVO
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
DettagliSTATISTICA 1 ESERCITAZIONE 2
Frequenze STATISTICA 1 ESERCITAZIONE 2 Dott. Giuseppe Pandolfo 7 Ottobre 2013 RAPPRESENTAZIONE GRAFICA DEI DATI Le rappresentazioni grafiche dei dati consentono di cogliere la struttura e gli aspetti caratterizzanti
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliEsercizi di Matematica Finanziaria
Esercizi di Matematica Finanziaria Selezione del portafoglio Claudio Pacati Università degli Studi di Siena claudio.pacati@unisi.it Roberto Renò Università degli Studi di Verona roberto.reno@univr.it Versione
Dettagli0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
DettagliFacoltà di Scienze Politiche Corso di laurea in Servizio sociale. Compito di Statistica del 7/1/2003
Compito di Statistica del 7/1/2003 I giovani addetti all agricoltura in due diverse regioni sono stati classificati per età; la distribuzione di frequenze congiunta è data dalla tabella seguente Età in
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 16/06/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Cinque lettere
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
DettagliTest di ipotesi su due campioni
2/0/20 Test di ipotesi su due campioni Confronto tra due popolazioni Popolazioni effettive: unità statistiche realmente esistenti. Esempio: Confronto tra forze lavoro di due regioni. Popolazioni ipotetiche:
DettagliSTATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE
STATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 2 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1.1
DettagliPER INVESTIRE SULLA GIUSTA ROTTA.
PRODOTTI CON CEDOLA UBI PRAMERICA OBIETTIVO STABILITÀ UBI PRAMERICA OBIETTIVO CONTROLLO PER INVESTIRE SULLA GIUSTA ROTTA. UBI PRAMERICA OBIETTIVO STABILITÀ E UBI PRAMERICA OBIETTIVO CONTROLLO UBI Pramerica
DettagliIl metodo delle osservazioni indirette
Il metodo delle osservazioni indirette Teoria della stima ai minimi quadrati Il criterio di massima verosimiglianza Sia data una grandezza η e si abbiano n osservazioni indipendenti l i (i=1,...,n) di
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
Dettagli1.4. Siano X B(1, 1/2) e Y B(1, 1/2) variabili aleatorie indipendenti. Quale delle seguenti affermazioni é falsa? E(X + Y ) = 1 V ar(x + Y ) = 1/2
Statistica N. Crediti: Cognome: Laurea Triennale in Biologia Nome: 4 settembre 2012 Matricola: 1. Parte A 1.1. Siano x 1, x 2,..., x 10 i dati relativi al peso di 10 neonati espressi in chilogrammi e y
Dettagli