Il controllo numerico dell errore nelle tecniche di pricing Monte Carlo alternative al BS framework
|
|
- Linda Testa
- 6 anni fa
- Visualizzazioni
Transcript
1 Università degli Studi di Genova Dipartimento di Matematica Il controllo numerico dell errore nelle tecniche di pricing Monte Carlo alternative al BS framework Pier Giuseppe Giribone, PhD Financial Administration Banca Carige
2 La metodologia Monte Carlo in finanza
3 La stima dei parametri
4 Risoluzione numerica della SDE
5 Risoluzione analitica della SDE
6 Risoluzione analitica della SDE
7 Implementazione della forma chiusa
8 Pricing di un opzione Call
9 Codice per il Monte Carlo standard
10 Pricing di una Call scritta sul FTSEMIB S K T sigma r q
11 Distribuzione del Prezzo - Runs=10^5
12 Le tecniche di controllo dell errore Nella metodologia Monte Carlo, l errore commesso sul prezzo si quantifica calcolando una misura di divergenza dei valori in uscita dalla simulazione rispetto alla loro media. Nella letteratura tecnico - scientifica sono riportate tre tecniche statistiche atte a quantificare il livello di convergenza raggiunta dal simulatore finanziario. Di seguito riportate in ordine di robustezza crescente, ma di velocità di elaborazione numerica decrescente: 1. Legge dei Grandi Numeri 2. MSE (Mean Square Error) 3. MSPE (Mean Square Pure Error)
13 La Legge dei Grandi Numeri La prima metodologia propone di quantificare il numero di lanci ottimale a partire dalla formula: Dove: ε = σ/ N ε è l errore che si desidera commettere sul Prezzo σ è lo scarto quadratico medio degli outputs N è il numero di simulazioni. Per la sua semplicità è la misura di quantificazione dell errore maggiormente implementata nei software di pricing in commercio.
14 Mean Square Error (MSE) Il secondo approccio deriva dalla stima della Mean Square Error (MSE), quantità nota nella fisica matematica con il termine di convergenza ai minimi quadrati: Dove: lim n E X n X 2 = 0 X valore teorico della popolazione a cui la simulazione deve convergere X n rappresenta il campionamento sulla popolazione N è il numero di inferenze.
15 Mean Square Pure Error (MSPE) Il terzo approccio si basa sul concetto di costruzione di curve MSPE, elemento cardine e rigoroso di una ormai consolidata branca della statistica sperimentale afferente al Design of Experiments (DOE). Recentemente l applicazione di tale tecnica, già affermata ed impiegata in ambito industriale, è stata estesa al campo della finanza quantitativa. A differenza delle due precedenti metodologie, è stato dimostrato sperimentalmente su un vasto range di opzioni vanilla ed esotiche la maggiore robustezza nella implementazione di un controllo software automatico basato sull algoritmo MSPE.
16 La costruzione delle curve MSPE 1) Fissare un numero K > 2 di lanci simulati, portati avanti in parallelo, nei quali le variabili indipendenti del modello sono mantenute sempre allo stesso livello, modificando solo i semi di generazione dei numeri casuali. 2) Stabilire per ciascun lancio simulato un numero di simulazioni N 1 di y(i, j) con i = 1,, N e j = 1,, K. 3) Calcolare per ciascuno dei K lanci, N medie, y (i, j) con: y n, j = i=1 n y(i,j) n con i = 1,, n,, N 4) Calcolare le N medie di medie, Y i = j=1 5) Calcolare N valori di: MSPE i = K y i,j Y(i) 2 j=1 K 1 K y(n,j) K con i = 1,, j,, K e 1 i N
17 Codice di generazione delle Curve function MSPE = generacurvamspe(valori,k) N=length(Valori)/K; for i=1:k if i==1 array_dati=valori(1:n); else array_dati=valori((i-1)*n+1:(i)*n); end array_valori(i)={array_dati}; end for j=1:k for i=1:n ymedio(i,j)=sum(array_valori{j}(1:i))/i; Ymedio(i,j)=sum(ymedio(1:i,j))/i; end end Y=mean(Ymedio ) ; SSe=(Ymedio-repmat(Y,1,K)).^2; MSPE=sum(SSe )./(K-1); end
18 L analisi delle curve di stazionarietà I valori MSPE trasferiti su un piano cartesiano i, MSPE(i) permettono di evidenziare l andamento della curva Mean Square Pure Error nei lanci replicati e quindi di conoscere, passo dopo passo, l entità della varianza dell errore caratteristica del simulatore. Inoltre, in accordo con il Teorema di Cochran, la MSPE rappresenta il miglior stimatore sperimentale della varianza e conseguentemente permette di misurare l errore che affligge il valore medio della distribuzione delle medie. Quindi le curve MSPE consentono sempre di individuare la regione di stabilità del simulatore, ovvero il numero di lanci ottimale.
19 Le bande di confidenza Inoltre nel caso in cui l output possa essere ricondotto ad una normale si è in grado di stimare le bande di confidenza del prezzo. y t MSPE( end) K Price y t / 2, K 1 / 2, K 1 MSPE( end) K Dove t( α, K 1) è la distribuzione t di Student e α è il livello 2 di confidenza. Nell esempio di valutazione della Call sull indice FTSEMIB (α=0.05): Price <Price<
20 La curva MSPE per la Call sul FTSEMIB
21 Il controllo dell errore Come evidenziato dall istogramma precedente, più del 95% dei Prezzi cade all interno della banda di confidenza stimata. Nella prassi operativa è richiesta una migliore stima del valore dell opzione esaminata, ovvero un numero di simulazioni pari a non sono sufficienti per garantire che una singola valorizzazione fornisca un prezzo accurato del derivato. Si pensi che al fine di comunicare il risultato di un opzione con precisione del centesimo è necessario eseguire tante simulazioni sintanto che 10 6 < MSPE < Infatti per tale valore le bande di confidenza intorno al prezzo sono talmente strette da garantire una valorizzazione precisissima.
22 Le alternative al Monte Carlo di BS Il moto geometrico browniano rappresenta la dinamica stocastica proposta da Black-Scholes-Merton al fine di simulare il comportamento futuro del sottostante su cui un opzione è scritta. Tale equazione differenziale stocastica è ancora alla base del pricing di numerosi strumenti finanziari e, come dimostrato, è impiegata nei moduli di calcolo per opzioni nelle principali piattaforme di valutazione dei benchmark di mercato. Come ogni modello, il BS-framework è basato su delle semplificazioni rispetto alla realtà dei mercati: tra le critiche principali che vengono mosse si ricorda - L assunzione di normalità dei ritorni dell asset sottostante. - L assunzione di una volatilità fissa nel tempo.
23 Le alternative al Monte Carlo di BS Dal 1973 sono stati proposti differenti approcci dalla letteratura col fine di rilassare questi vincoli. Tra questi verranno discussi: - Il Merton-Bates jump-diffusion model (JD model) - SABR (Stochastic Alpha-Beta-Rho) model Il primo introduce dei salti casuali all interno della classica dinamica diffusiva con il fine di rispecchiare maggiormente il comportamento dell asset. Il modello a due fattori SABR definisce una formula analitica in grado di interpretare meglio la dinamica della volatilità nel tempo.
24 Merton-Bates jump-diffusion model Il JD model ipotizza che la dinamica dell asset sottostante segua S t + h = S t exp exp m μ J σ J 2 μ δ λk σ σ J m i=0 G i h + σ hz μ J e σ J sono la media e la deviazione standard del salto Z e G i sono variabili casuali gaussiane μ rappresenta il ritorno atteso istantaneo dell asset δ è il dividendo continuo σ è la volatilità λ è la media annua del numero di salti effettuati dall asset m è una variabile casuale di Poisson con media λ h è il passo temporale e k exp μ J 1
25 Valorizzare una Put con il JD model Si consideri la valorizzazione di una opzione put out-of-themoney aventi i parametri: S 0 = 100, μ = 0.05, δ = 0, λ = 3, σ = 0.3, μ J = 0.02, σ J = 0.1, T = 1, K = 70, h = 250 Pay-off Opzione Europea: max[k S T, 0] In accordo col modello JD, il suo prezzo è pari a centesimi Ponendo nel simulatore m = 0, μ J = 0, σ J = 0 e λ = 0 si ricade nel modello standard. In accordo col modello BS, il suo prezzo è pari a cent.
26 BS model versus JD model function [ValueBS, ValueJD]=Jump(S,mu,delta,K, Lambda,sigma,T,muJ,sigmaJ,h,NSim) RandStream.setDefaultStream(RandStream('mt19937ar','seed',sum(100*clock))); DeltaT=1/h; NbDays=T*h; k=exp(-muj)-1; for irun=1:nsim PoissonG=poissrnd(Lambda/h,1,NbDays); DeltaZ=randn(1,NbDays); PoissonJumps=zeros(1,NbDays); for i=1:nbdays PoissonJumpss(1,i)=sum(randn(PoissonG(1,i),1)); end IncrementsJumps=(mu-delta-Lambda*k-0.5*sigma^2)*DeltaT*... ones(1,nbdays)+sigma*sqrt(deltat)*deltaz+... (muj-0.5*sigmaj^2)*poissong+sigmaj*... PoissonJumps; Increments = (mu-delta-0.5*sigma^2)*deltat*ones(1,nbdays)+... sigma*sqrt(deltat)*deltaz; SolJumps=exp(cumsum([log(S),IncrementsJumps],2)); Sol=exp(cumsum([log(S),Increments],2)); BSPayOff(irun)=max([K-Sol(end),0]); JDPayOff(irun)=max([K-SolJumps(end),0]); end ValueBS=mean(BSPayOff).*exp(-mu*T); ValueJD=mean(JDPayOff).*exp(-mu*T); plot(0:1:nbdays,soljumps,0:1:nbdays,sol); legend('jump Diffusion Motion','Standard Diffusion model') end
27 BS model versus JD model Paths
28 SABR model Il modello SABR (Stochastic, alpha, beta, rho) è un modello a due fattori che rappresenta la dinamica della volatilità in accordo alla SDE: df = αf β dz dα = ξαdw Dove: F è il prezzo future/forward del sottostante β è una costante legata alla distribuzione di probabilità del prezzo dell asset sottostante all opzione α è la volatilità del prezzo forward ξ è la volatilità della volatilità dz e dw sono due processi di Wiener correlati (ρ)
29 SABR model Nel 2002 Hagan, Kumar, Lesniewski e Woodward riuscirono a derivare una soluzione analitica per il modello SABR. La volatilità così calcolata può essere direttamente impiegata all interno della tradizionale dinamica, ottenendo una maggiore consistenza con i dati di mercato. σ B = ν z T + ν z χ (z) 1 β 2 χ (z) 24 α 2 T + (F K) (1 β) ν z χ (z) ρβξα T + ν z 4(F K) (1 β)/2 2 3ρ 2 χ (z) 24 ξ 2 T
30 SABR model Dove: ν = (F K) (1 β)/2 1 + (1 β)2 24 α ln F K 2 + (1 β) ln F K 4 z = ξ α (F K) (1 β)/2 ln F K χ(z) = ln 1 2ρz + z 2 + z ρ 1 ρ
31 L errore nei motori MC alternativi Il controllo sull errore di simulazione può essere approcciato in modo simile a quanto effettuato con la valorizzazione della Call sul FTSEMIB: - Per il JD model è sufficiente memorizzare nell ambiente di lavoro i payoff derivati dalla simulazione (JDPayOff) e lanciare la funzione generacurvamspe(jdpayoff,4). Si conduce pertanto un analisi duale a quanto fatto in precedenza. - Per il modello SABR, la metodologia MSPE è ancora più immediata, poiché una volta che si è stimato il parametro di volatilità σ B secondo la procedura analitica presentata, si seguono i medesimi step procedurali del BS framework.
32 MSPE Curve MSPE per la Put (JD model) 10 6 < MSPE < 10 5 Errore < 1 cent Numero di Simulazioni
33 Bibliografia essenziale H. T. Huynh, V. S. Lai, I. Soumaré Stochastic simulation and applications in finance with Matlab programs Wiley Finance (2008) J. Hull Futures and other derivatives Prentice-Hall, Englewood Cliffs, N.J. 1(2012) Glasserman P. - Monte Carlo method in financial engineering Springer (2003) P. Jäckel Monte Carlo methods in finance Wiley & Sons (2001) E. G. Haug The Complete Guide to Option Pricing Formulas Mc Graw Hill (2007) P. G. Giribone Studio ed Implementazione della tecnica MSPE per un controllo affidabile della convergenza nei modelli stocastici per il pricing di opzioni Ph.D Thesis Relatore: Prof. Ing. R. Mosca (2012) P. E. Kloeden, E. Platen - Numerical Solution of Stochastic Differential Equations Springer (1992) F. Black, M. Scholes The pricing of options and corporate liabilities Journal of Political Economy (1973) R. Mosca, L. Cassettari, P. G. Giribone Reliable Control of Convergence in Monte Carlo Pricing Methods for Options based on MSPE Technique WSEAS International Conference on Mathematics and Computers in Business and Economics - MCBE'12 Conference Proceedings (2012) Taleb N. N. Il Cigno Nero: Come l improbabile governa la nostra vita - Il Saggiatore (2007) Fouque J., Papanicolaou G., Sircar K. R. Derivatives in Financial Markets with Stochastic Volatility - Cambridge University Press (2000) Hagan P. S., Kumar D., Lesniewski A. S., Woodward D.E. Managing Smile Risk Willmot Magazine (2002) Middle Office CARIGE - Manuale di installazione ed utilizzo delle librerie di MATFIN 1.1, Procedure per la valorizzazione degli strumenti finanziari (2012) Rousseau J. J. Il Contratto Sociale Sansoni (1968) Mancando le qualità morali di misura precisa, se anche ci fosse l accordo sul segno, come ci potrebbe essere sulla valutazione? J.J. Rousseau Il Contratto Sociale Libro III, paragrafo IX
MSPE e Monte Carlo Pricing Method: tecniche di controllo della convergenza nei modelli finanziari
MSPE e Monte Carlo Pricing Method: tecniche di controllo della convergenza nei modelli finanziari Roberto Mosca 1, Lucia Cassettari 1, Pier Giuseppe Giribone 1 DIPTEM: Dipartimento di Ingegneria della
DettagliCorso di Laurea in Banca, borsa e assicurazione. Tesi di Laurea in Metodi e modelli per i mercati finanziari
Corso di Laurea in Banca, borsa e assicurazione Tesi di Laurea in Metodi e modelli per i mercati finanziari TECNICHE DI PORTFOLIO INSURANCE: UN APPLICAZIONE AL MERCATO ITALIANO Relatore: Marina Marena
DettagliLa Ricerca e lo Sviluppo nell Amministrazione Finanza del Gruppo di Banca Carige
La Ricerca e lo Sviluppo nell Amministrazione Finanza del Gruppo di Banca Carige Pier Giuseppe Giribone Ufficio: Ingegneria Finanziaria Mail: piergiuseppe.giribone@carige.it Presentazione del Team e del
DettagliMATLAB in CARIGE: Determinazione del Credit and DebtValuationAdjustment. Paolo Raviola Pier Giuseppe Giribone Simone Ligato
MATLAB in CARIGE: Determinazione del Credit and DebtValuationAdjustment Paolo Raviola Pier Giuseppe Giribone Simone Ligato Milano 4 novembre 2014 Il Team Paolo Raviola Project manager e sviluppatore software
DettagliModello Black-Scholes
Modello Black-Scholes R. Marfé Indice 1 Il modello Black Scholes 1.1 Formule di valutazione per le opzioni standard......... 3 1. Implementazione in VBA..................... 6 1 1 Il modello Black Scholes
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
DettagliTRADING DI OPZIONI SUI MERCATI POWER E GAS
TRADING DI OPZIONI SUI MERCATI POWER E GAS Trading di Opzioni sui mercati Gas e Power dalle basi agli approcci avanzati per il pricing e la gestione di portafogli di opzioni Milano, 9 e 10 Novembre Nel
DettagliIndice. Prefazione. 4 Sintesi della distribuzione di un carattere La variabilità Introduzione La variabilità di una distribuzione 75
00PrPag:I-XIV_prefazione_IAS 8-05-2008 17:56 Pagina V Prefazione XI 1 La rilevazione dei fenomeni statistici 1 1.1 Introduzione 1 1.2 Caratteri, unità statistiche e collettivo 1 1.3 Classificazione dei
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliMetodi Stocastici per la Finanza
Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2013-2014 Lezione 4 Indice 1 Convergenza in legge di processi stocastici 2
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)
DettagliModellazione di sistemi ingegneristici (parte 2 di 2)
Corso di Teoria dei Sistemi Modellazione di sistemi ingegneristici (parte 2 di 2) Prof. Ing. Daniele Testi DESTeC, Dipartimento di Ingegneria dell Energia, dei Sistemi, del Territorio e delle Costruzioni
DettagliStudi ed approfondimenti di finanza quantitativa. Pier Giuseppe Giribone Financial Engineering
Studi ed approfondimenti di finanza quantitativa Pier Giuseppe Giribone Financial Engineering piergiuseppe.giribone@carige.it Presentazione del Relatore Short CV dello Speaker 2006 Laurea Triennale in
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliOgni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza.
Ogni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza. Misure ripetute forniscono dati numerici distribuiti attorno ad un valore centrale indicabile con un indice (indice
DettagliLa finanza quantitativa e i sistemi complessi
La finanza quantitativa e i sistemi complessi Fulvio Baldovin Dip. Fisica, Sezione INFN e CNISM, Università di Padova Attilio Stella, Enzo Orlandini, Francesco Camana Dip. Fisica, Sezione INFN e CNISM,
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
DettagliIndice Richiami di Matematica Finanziaria Fattore di Rischio e Principio di Arbitraggio
Indice 1 Richiami di Matematica Finanziaria 17 1.1 Introduzione............................ 18 1.2 Il valore del denaro nel tempo.................. 18 1.2.1 Obbligazioni........................ 20 1.3
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
DettagliANOVA: ANALISI DELLA VARIANZA Prof. Antonio Lanzotti
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 007/008 ANOVA: ANALISI DELLA VARIANZA Prof. Antonio Lanzotti A cura di: Ing.
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
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliSommario. Capitolo 1 I dati e la statistica 1. Capitolo 2 Statistica descrittiva: tabelle e rappresentazioni grafiche 25
Sommario Presentazione dell edizione italiana Prefazione xv xiii Capitolo 1 I dati e la statistica 1 Statistica in pratica: BusinessWeek 1 1.1 Le applicazioni in ambito aziendale ed economico 3 Contabilità
DettagliIntervallo di confidenza
Intervallo di confidenza Prof. Giuseppe Verlato, Prof. Roberto de Marco Sezione di Epidemiologia e Statistica Medica, Università di Verona campione inferenza popolazione Media Riportare sempre anche Stima
DettagliVALUTAZIONE DEGLI STRUMENTI DERIVATI
CONFINDUSTRIA- Genova VALUTAZIONE DEGLI STRUMENTI DERIVATI Simone Ligato Genova, 15 Febbraio 2017 1 COSA SONO I DERIVATI Strumenti finanziari il cui valore dipende interamente dall asset sottostante; IFRS
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
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
DettagliElementi di statistica per l econometria
Indice Prefazione i 1 Teoria della probabilità 1 1.1 Definizioni di base............................. 2 1.2 Probabilità................................. 7 1.2.1 Teoria classica...........................
DettagliTest d ipotesi: confronto fra medie
Test d ipotesi: confronto fra medie Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona CONFRONTO FRA MEDIE 1) confronto fra una media campionaria e una media di popolazione
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliSub-Optimal Measurement-Based CAC Algorithm
Tecniche per la garanzia di qualità in reti di Telecomunicazioni multiservizi Sottotema Controllo Courmayeur, 12-14 Gennaio 2000 Sub-Optimal Measurement-Based CAC Algorithm Gregorio Procissi procissi@iet.unipi.it
DettagliContenuti: Capitolo 14 del libro di testo
Test d Ipotesi / TIPICI PROBLEMI DI VERIFICA DI IPOTESI SONO Test per la media Test per una proporzione Test per la varianza Test per due campioni indipendenti Test di indipendenza Contenuti Capitolo 4
DettagliModelli Evolutivi per la Struttura a Termine dei Tassi di Interesse
Modelli Evolutivi per la Struttura a Termine dei Tassi di Interesse Sintesi della tesi di laurea di Alexia Gerace Professore Relatore: Massimo Bernaschi Professore Co-relatore: Fabio Martinelli In questi
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliSimulazione Stocastica
Simulazione Stocastica Si considerano qui alcuni metodi di simulazione di fenomeni stocastici. Il metodo Monte Carlo in particolare èutilizzato per stimare l incertezza di un sistema complesso, quando
Dettagli4. Si supponga che il tempo impiegato da una lettera spedita dall Italia per arrivare a destinazione segua una distribuzione normale con media
Esercizi sulle distribuzioni, il teorema limite centrale e la stima puntuale Corso di Probabilità e Inferenza Statistica, anno 007-008, Prof. Mortera 1. Sia X la durata in mesi di una valvola per radio.
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliSommario. 2 I grafici Il sistema di coordinate cartesiane Gli istogrammi I diagrammi a torta...51
Sommario 1 I dati...15 1.1 Classificazione delle rilevazioni...17 1.1.1 Esperimenti ripetibili (controllabili)...17 1.1.2 Rilevazioni su fenomeni non ripetibili...18 1.1.3 Censimenti...19 1.1.4 Campioni...19
DettagliLezione 18. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 18. A. Iodice
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 45 Outline 1 2 3 4 5 () Statistica 2 / 45 Modello di In molte applicazioni il ruolo delle variabili
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
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
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
DettagliFondamenti statistici : Test d Ipotesi (1)
Fondamenti statistici : Test d Ipotesi (1) Ipotesi statistica: È una assunzione formulata su un particolare aspetto della popolazione considerazioni teoriche Informazioni relative a popolazioni analoghe
Dettaglicall europea viene esercitata, consentendo un guadagno pari a
INTRODUZIONE Un opzione è un contratto derivato che conferisce al proprio detentore il diritto di disporre del titolo sottostante ad esso. Più precisamente, l acquisto di un opzione call (put) conferisce
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
DettagliStudio ed implementazione della tecnica MSPE per un controllo affidabile della convergenza nei modelli stocastici per il pricing di opzioni
Studio ed implementazione della tecnica MSPE per un controllo affidabile della convergenza nei modelli stocastici per il pricing di opzioni Candidato: Ing. Pier Giuseppe Giribone Dipartimento di Ingegneria
DettagliVariabili aleatorie. continue. Discreto continuo
Variabili aleatorie continue Discreto continuo.18 Uniforme discreta, n=11 n=21 n=11 n=6 n=51 n=51 Uniforme.16.14.12.1.8.6?.4.2 1 1 2 2 3 3 4 4 5 5 6 6 7 7 Per passare dal modello discreto al modello continuo
DettagliCampionamento La statistica media campionaria e la sua distribuzione. Paola Giacomello Dip. Scienze Sociali ed Economiche Uniroma1
Campionamento La statistica media campionaria e la sua distribuzione 1 Definisco il problema da studiare: es. tempo di percorrenza tra abitazione e università Carattere: tempo ossia v.s. continua Popolazione:
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La v.c. Uniforme Continua Secondo alcuni sondaggi sul sito della Apple (technical support site,
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliSTATISTICA AZIENDALE Modulo Controllo di Qualità
STATISTICA AZIENDALE Modulo Controllo di Qualità A.A. 009/10 - Sottoperiodo PROA DEL 14 MAGGIO 010 Cognome:.. Nome: Matricola:.. AERTENZE: Negli esercizi in cui sono richiesti calcoli riportare tutte la
DettagliCOMPONENTI MATEMATICHE ALLA BASE DEL VALORE DEI DERIVATI
Gli strumenti derivati per la gestione dei rischi finanziari in azienda: profili gestionali quantitativi - giuridici - contabili COMPONENTI MATEMATICHE ALLA BASE DEL VALORE DEI DERIVATI Marina RESTA Timeline
DettagliDI IDROLOGIA TECNICA PARTE III
FACOLTA DI INGEGNERIA Laurea Specialistica in Ingegneria Civile N.O. Giuseppe T. Aronica CORSO DI IDROLOGIA TECNICA PARTE III Idrologia delle piene Lezione XIX: I metodi indiretti per la valutazione delle
DettagliMetodi statistici per la ricerca sociale Capitolo 7. Confronto tra Due Gruppi Esercitazione
Metodi statistici per la ricerca sociale Capitolo 7. Confronto tra Due Gruppi Esercitazione Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) Università degli Studi di Firenze
DettagliEsercitazione 8 del corso di Statistica 2
Esercitazione 8 del corso di Statistica Prof. Domenico Vistocco Dott.ssa Paola Costantini 6 Giugno 8 Decisione vera falsa è respinta Errore di I tipo Decisione corretta non è respinta Probabilità α Decisione
DettagliConfronto tra due popolazioni Lezione 6
Last updated May 9, 06 Confronto tra due popolazioni Lezione 6 G. Bacaro Statistica CdL in Scienze e Tecnologie per l'ambiente e la Natura I anno, II semestre Concetti visti nell ultima lezione Le media
DettagliARGOMENTI TRATTATI NEL CORSO DI ANALISI II
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
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
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliOgni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza.
Ogni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza. Corso di laurea in Tossicologia Misure ripetute forniscono dati numerici distribuiti attorno ad un valore centrale
DettagliCenni di statistica statistica
Cenni di statistica La statistica è una disciplina che ha come fine lo studio quantitativo e qualitativo di un particolare fenomeno in condizioni di incertezza o non determinismo, ovvero di non completa
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliLa 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
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
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
DettagliUNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE. a.a.
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 CDF empirica
DettagliQuanti soggetti devono essere selezionati?
Quanti soggetti devono essere selezionati? Determinare una appropriata numerosità campionaria già in fase di disegno dello studio molto importante è molto Studi basati su campioni troppo piccoli non hanno
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali LABORATORIO R - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2014 Argomenti La distribuzione normale e applicazioni La distribuzione binomiale
DettagliLezione VI: Distribuzione normale. La distribuzione normale (curva di Gauss). Prof. Enzo Ballone. Lezione 6a- Ia distribuzione normale
Lezione VI: Distribuzione normale Cattedra di Biostatistica Dipartimento di Scienze Biomediche, Università degli Studi G. d Annunzio di Chieti Pescara Prof. Enzo Ballone Lezione 6a- Ia distribuzione normale
DettagliSTATISTICA 1 ESERCITAZIONE 6
STATISTICA 1 ESERCITAZIONE 6 Dott. Giuseppe Pandolfo 5 Novembre 013 CONCENTRAZIONE Osservando l ammontare di un carattere quantitativo trasferibile su un collettivo statistico può essere interessante sapere
DettagliDISTRIBUZIONI DI CAMPIONAMENTO
DISTRIBUZIONI DI CAMPIONAMENTO 12 DISTRIBUZIONE DI CAMPIONAMENTO DELLA MEDIA Situazione reale Della popolazione di tutti i laureati in odontoiatria negli ultimi 10 anni, in tutte le Università d Italia,
DettagliFondamenti di statistica per il miglioramento genetico delle piante. Antonio Di Matteo Università Federico II
Fondamenti di statistica per il miglioramento genetico delle piante Antonio Di Matteo Università Federico II Modulo 2 Variabili continue e Metodi parametrici Distribuzione Un insieme di misure è detto
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
DettagliTeoria della stima dei parametri:
INFERENZA STATISTICA Teoria della verifica dell ipotesi : si verifica, in termini probabilistici, se una certa affermazione relativa alla popolazione è da ritenersi vera sulla base dei dati campionari
DettagliESAME. 9 Gennaio 2017 COMPITO B
ESAME 9 Gennaio 2017 COMPITO B Cognome Nome Numero di matricola 1) Approssimare tutti i calcoli alla quarta cifra decimale. 2) Ai fini della valutazione si terrà conto solo ed esclusivamente di quanto
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
DettagliDOCENTE:Pasqualina Porretta TITOLO DELL INSEGNAMENTO: STRUMENTI DERIVATI SSD: SECSP/11
DOCENTE:Pasqualina Porretta TITOLO DELL INSEGNAMENTO: STRUMENTI DERIVATI SSD: SECSP/11 CORSO DI LAUREA: INTERMEDIARI FINANZA INTERNAZIONALE E RISK MANAGEMENT CFU: 6 cfu ANNO ACCADEMICO: 2016-2017 SEMESTRE:
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
DettagliElementi di Probabilità e Statistica
Elementi di Probabilità e Statistica Statistica Descrittiva Rappresentazione dei dati mediante tabelle e grafici Estrapolazione di indici sintetici in grado di fornire informazioni riguardo alla distribuzione
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliCorso di Statistica Industriale
Corso di Statistica Industriale Corsi di Laurea Specialistica in Ingegneria Gestionale e Ingegneria Meccanica Docente: Ilia Negri Orario del corso: Martedì: dalle 14.00 alle 16.00 Venerdì: dalle 10.30
DettagliTEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
DettagliModellazione di sistemi ingegneristici (parte 1 di 2)
Corso di Teoria dei Sistemi Modellazione di sistemi ingegneristici (parte 1 di 2) Prof. Ing. Daniele Testi DESTeC, Dipartimento di Ingegneria dell Energia, dei Sistemi, del Territorio e delle Costruzioni
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
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
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
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
DettagliIndice. Capitolo 1 Richiami di calcolo numerico 1. Capitolo 2 Rappresentazioni di dati 13
Autori Prefazione Nota dell Editore e istruzioni per l uso Guida alla lettura XI XIII XV XVII Richiami di calcolo numerico 1 1.1 Unità di misura e fattori di conversione; potenze del 10; notazioni scientifiche
DettagliLa Distribuzione Normale (Curva di Gauss)
1 DISTRIBUZIONE DI GAUSS o DISTRIBUZIONE NORMALE 1. E la più importante distribuzione statistica continua e trova numerose applicazioni nello studio dei fenomeni biologici. 2. Fu proposta da Gauss (1809)
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliL analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta
L analisi dei dati Primi elementi Metodo dei minimi quadrati Negli esperimenti spesso si misurano parecchie volte due diverse variabili fisiche per investigare la relazione matematica tra le due variabili.
DettagliCorso di Statistica Industriale
Corso di Statistica Industriale Corsi di Laurea Specialistica in Ingegneria Gestionale e Ingegneria Meccanica Docente: Ilia Negri Orario del corso: Mercoledì: dalle 10.30 alle 12.30 Venerdì: dalle 8.30
Dettagli