1. Misure di volatilità. Metodi quantitativi per i mercati finanziari. Capitolo 7 Analisi della volatilittà
|
|
- Mariano Belloni
- 8 anni fa
- Visualizzazioni
Transcript
1 1. Misure di volatilità Varianza calcolata sul periodo campionario (varianza storica o realized volatility al quadrato): Metodi quantitativi per i mercati finanziari Capitolo 7 Analisi della volatilittà ˆσ r = 1 T 1 T (r t r) r è la ma può essere sostituita in altre misure da parametri di posizione alternativi come, ad esempio, una media mobile Dall analisi empirica del comportamento dei rendimenti si evidenziano alcuni periodi in cui la varianza dei rendimenti tende a rimanere bassa e altri in cui tende a rimanere elevata persistenza della volatilità Opportuno misurare la volatilità in modo da evidenziarne l evoluzione temporale t=1 Varianza mobile Suddividiamo il periodo T in intervalli di ampiezza τ e ogni volta, aggiungendo un osservazione più recente ed eliminandone una più vecchia, ricalcoliamo la varianza (costante il numero di osservazioni): ˆσ r,t = 1 τ t i=t τ 1 (r i r t ) il rendimento medio r t = 1 τ i r i viene ricalcolato di volta in volta togliendo l osservazione più vecchia ed aggiungendo la più recente Andamento tanto più smussato quanto più numerosi sono i termini su cui la varianza mobile è calcolata Possibile variante è data da una varianza mobile calcolata intorno ad una media mobile con diverso numero di termini Aggregazione Misura alternativa ottenibile calcolando la varianza all interno del mese e attribuendo lo stesso valore a tutte le osservazioni del mese. Per il mese di gennaio, ad esempio: ˆσ gen = N 1 gen (r i,gen r gen ), N gen 1 i=1 con N gen il numero di giorni di apertura in gennaio; Otteniamo ancora una misura della volatilità che tiene conto della variavilità nel tempo
2 Varianza Riskmetrics T M Volatilità al tempo t calcolata come combinazione convessa della stima effettuata al tempo precedente t 1, e del quadrato dello scarto fra il rendimento r t al tempo t e una media dei rendimenti r t : dove 0 λ 1 ˆσ t = λˆσ t 1 + (1 λ)(r t r t ) Per λ = 1 abbiamo volatilità costante Per λ = 0 otteniamo come stima della varianza lo scarto più recente dalla media al quadrato. Approccio statistico: stima di λ minimizzando una qualche funzione obiettivo Suggerimento di J.P. Morgan: attribuire un valore a λ basandosi sull esperienza (tipicamente λ 0.9) Volatilità implicita Forma di aspettativa circa la volatilità futura di una certa attività, connessa al meccanismo di attribuzione di prezzo a prodotti derivati (opzioni) Il valore dell opzione è determinato sulla base delle valutazioni di mercato sulla volatilità Modello di Black e Scholes per un opzione call europea: OC t = P t Φ(d 1 ) P E t+τ e r f τ Φ(d ) d 1 = ln(p t/p E t+τ ) + (r f + σ /)τ σ τ d = d 1 σ τ con e r f τ fattore di sconto al tasso di interesse risk-free per un periodo τ e Φ( ) valore della funzione cumulata di probabilità di una v.c. normale standardizzata La formula di Black e Scholes può essere risolta rispetto al parametro σ utilizzando i prezzi osservati per le opzioni: valore implicitamente utilizzato per prezzare l opzione, cioè quel valore della volatilità che, se utilizzato come input nel modello, restituisce esattamente il valore di mercato del derivato La volatilità implicita è funzione del prezzo del sottostante, del prezzo di esercizio, del tasso di rendimento privo di rischio, del tempo alla scadenza e del prezzo dell opzione ˆσ imp t = σ (P t, P E t+τ, r f, τ, OC t ) L espressione analitica non è disponibile in forma chiusa, ma può essere ottenuta per via numerica sulla base dei valori osservati delle variabili P t, P E t+τ, r f e OC t Ricerca a griglia a partire da un ipotesi ragionevole sul valore assumibile dalla volatilità Esempio: supponiamo che che la soluzione possa essere un valore compreso tra 0.01 e 1.00 e adottiamo una procedura euristica calcolando possibili soluzioni equispaziate all interno di tale intervallo, scegliendo quella per la quale la differenza tra valore teorico e prezzo effettivo dell opzione f(σ imp t ) = [ P t Φ(d 1 ) P E t+τ e r f τ Φ(d ) ] OC t che è una funzione crescente di σ imp t, si avvicina il più possibile a zero Procedura più efficiente di procedere: algoritmo di ricerca numerica di tipo Newton-Raphson
3 Procedura iterativa per il calcolo della volatilità implicita La misura ottenuta dipende strettamente dalle ipotesi sottostanti il modello adottato: 1. il prezzo del sottostante si suppone essere generato da un modello di tipo lognormale. non si prendono in considerazione i costi di transazione 3. non si tiene conto dell eventuale emissione di dividendi durante la vita delle opzioni 4. non sussistono opportunità di arbitraggio prive di rischio 5. il tasso di interesse risk-free è lo stesso sia per dare che per ricevere prestiti ed è considerato costante 6. la volatilità inserita nel modello è un parametro costante Andamento storico della volatilità implicita di opzioni su futures su Eurodollaro (calcolata su contratti con durata residua a 6 mesi). Maggio-dicembre 001 Effetti smile per opzioni call e put su futures su Eurodollaro (futures March 00 rilevazione del 30 novembre 001) Per diversi P E t+τ, anche a parità di scadenza (e dunque per stesso τ, ma anche per stesso prezzo del sottostante P t e stesso rendimento r f ), abbiamo diversi valori di σ imp che tendono a disporsi lungo una parabola con concavità verso l alto
4 . Regolarità empiriche La variabilità di un attività finanziaria è variabile nel tempo Riconsideriamo l ipotesi semplificatrice che i logaritmi dei prezzi seguano un processo random walk con incrementi i.i.d.: p t = p t 1 + ɛ t con ɛ t = r t Come conseguenza p t = p 0 + ɛ t + ɛ t ɛ 1 : il (logaritmo del) prezzo odierno è dato dall accumulazione delle innovazioni rispetto ad un prezzo iniziale V ar(p t p 0 ) = tσ, mentre, condizionatamente all informazione in t 1, la varianza è costante Sulla base dell ipotesi di random walk, il (logaritmo del) prezzo odierno risulta il migliore previsore per qualunque orizzonte futuro (con varianza crescente) Aspetti rilevati empiricamente Evidente non normalità di ɛ t : eccessiva densità di probabilità nelle code della distribuzione non condizionata (leptocurtosi) rispetto a quanto implicato da una normale Assenza di autocorrelazione per ɛ t, supportata dalla teoria dell efficienza dei mercati: se i mercati sono efficienti e il prezzo odierno contiene tutta l informazione rilevante, evidentemente l innovazione non potrà essere correlata con l innovazione del giorno precedente Alternanza di periodi persistenti di fluttuazioni più elevate a periodi in cui l ampiezza è minore nella serie dei rendimenti e andamento sinusoidale nei valori assoluti e nei quadrati si ritiene che i valori assoluti dei rendimenti o i loro quadrati siano legati temporalmente tra loro (autocorrelati) Rendimenti dell indice Dow Jones: Valori assoluti dei rendimenti dell indice Dow Jones: Il valore del 19 ottobre 1987 ( 0.563) è stato eliminato per maggiore leggibilità
5 Quadrati dei rendimenti dell indice Dow Jones: Il valore del 19 ottobre 1987 ( 0.563) è stato eliminato per maggiore leggibilità Autocorrelazione dei rendimenti, dei valori assoluti e dei quadrati dei rendimenti. Indice Dow Jones Un processo di prodotto Definiamo r t come prodotto di due variabili casuali indipendenti: r t = v t η t con le seguenti caratteristiche: { +1 con p = 1/ η t = 1 con p = 1/ { σ1 con p = 1/ v t = σ con p = 1/ La funzione di massa di probabilità di r t è uguale a +σ 1 con p = 1/4 σ r t = 1 con p = 1/4 +σ con p = 1/4 σ con p = 1/4 Caratteristiche del processo In qualunque periodo abbiamo quattro possibili realizzazioni di r t La media del processo risulta nulla E(r t ) = 0 La varianza (condizionata e non condizionata) è la seguente: V ar(r t ) = σ 1 + σ Tale processo è in grado di riprodurre le regolarità empiriche di avere media zero e oscillazioni di ampiezza variabile nel tempo, ma non quella del volatility clustering
6 Un semplice processo di prodotto (σ 1 e σ sono stati posti rispettivamente pari a 1 e ) Introduciamo un legame temporale fra le variabili casuali che descrivono il processo: possiamo ipotizzare che {v t } sia un processo stocastico del tipo catena di Markov Obiettivo: creare un effetto di persistenza: la probabilità di permanere nello stesso stato di volatilità (alta o bassa) deve risultare maggiore della probabilità di cambiare stato Definiamo a tal fine P (v t = s t v t 1 = s t 1 ) = { α se st = s t 1 1 α se s t s t 1 dove s t può assumere i valori σ 1 o σ Al passaggio dal tempo t 1 al tempo t, possono verificarsi i seguenti casi: σ 1,t 1 σ 1,t con p = α σ 1,t 1 σ,t con p = 1 α σ,t 1 σ,t con p = α σ,t 1 σ 1,t con p = 1 α Matrice di probabilità di transizione : t-1 σ 1 σ t σ 1 α 1 α σ 1 α α (non necessariamente stesso valore α per le probabilità di permanenza negli stati) Momenti condizionati e non condizionati Per i momenti non condizionati abbiamo: 4 E (r t ) = r ti P (r t = r ti ) = 0, V ar (r t ) = E (r t r t i ) = 0 i=1 4 i=1 rtip (r t = r ti ) = σ 1 + σ, Analizziamo i momenti condizionati e calcoliamo: i P (r t = σ 1 r t 1 = σ 1 ) = P (η t = 1 r t 1 = σ 1 ) P (v t = σ 1 r t 1 = σ 1 ) = P (η t = 1) P (v t = σ 1 η t 1 = 1, v t 1 = σ 1 ) = P (η t = 1) P (v t = σ 1 v t 1 = σ 1 ) = 1 α P (r t = σ 1 ) purché α 1
7 Completiamo la costruzione della distribuzione di probabilità condizionata : P (r t = σ 1 r t 1 = σ 1 ) = = P (η t = 1) P (v t = σ 1 v t 1 = σ 1 ) = 1 α P (r t = σ 1 r t 1 = σ 1 ) = = P (η t = 1) P (v t = σ 1 v t 1 = σ 1 ) = 1 α P (r t = σ r t 1 = σ 1 ) = = P (η t = 1) P (v t = σ v t 1 = σ 1 ) = 1 (1 α) P (r t = σ r t 1 = σ 1 ) = = P (η t = 1) P (v t = σ v t 1 = σ 1 ) = 1 (1 α) La distribuzione condizionata a v t 1 = σ 1 è simmetrica intorno a zero, quindi il valore atteso condizionato è uguale a quello non condizionato: E (r t r t 1 = σ 1 ) = σ 1 ( 1 α 1 α ) + σ ( 1 α Il valore della varianza condizionata è dato da: V ar (r t r t 1 ) = E ( r t r t 1 ) 1 α ) = 0 = E ( η t r t 1 ) E ( v t r t 1 ) = 1 E ( v t r t 1 ) Per la simmetria della distribuzione E ( ) ( ) vt r t 1 = E v t rt 1 Esempio di processo con α scelto pari a 0.9 r t 1 può assumere i due distinti valori σ 1 o σ Se rt 1 = σ1 E ( vt rt 1 = σ1) = σ 1 P ( ) vt = σ1 rt 1 = σ1 + σ P ( ) vt = σ rt 1 = σ1 = σ1 α + (1 α) σ = ασ1 + (1 α) σ Se r t 1 = σ E ( v t r t 1 = σ ) = ασ + (1 α) σ 1
8 La varianza condizionata sarà tanto più diversa da quella non condizionata, quanto più diversi fra loro sono σ 1 e σ, e quanto più grande è α Ricaviamo la formula generale per la varianza condizionata: E ( vt rt 1) = αr t 1 + (1 α) ( ) σ1 + σ rt 1 Se, ad esempio, r t 1 = σ 1 abbiamo ασ 1 + (1 α)(σ 1 + σ σ 1) = ασ 1 + (1 α)σ analogamente per r t 1 = σ Per α = 1 siamo in uno schema di varianza costante, mentre se α = 1 la varianza condizionata eguaglia quella non condizionata In sintesi, si può costruire un processo che genera rendimenti che riproducono alcune delle caratteristiche riscontrate empiricamente: media zero (condizionatamente e incondizionatamente), incorrelazione, assenza di indipendenza, e presenza di persistenza nella varianza condizionata Per rendere l esercizio più realistico si può ipotizzare che gli stati di volatilità σ 1 e σ siano essi stessi stocastici e quindi variabili nel tempo, ad esempio assumendo che nello stato 1 si estragga una realizzazione da una v.c. normale con media σ 1 e nello stato si estragga una realizzazione da una v.c. normale con media σ Esempio di processo con stati stocastici di volatilità 3. Cosa genera volatilità I prezzi si muovono sulla base delle reazioni degli agenti economici ai flussi di informazione e le informazioni di dominio pubblico a livello macroeconomico (dati su offerta di moneta, produzione industriale, inflazione, disoccupazione) arrivano a grappoli raggruppamento di innovazioni più importanti di altre (caratterizzate da una varianza più elevata) Le caratteristiche dell attività di negoziazione che si svolge su vari mercati nel mondo, grazie alla differenza di fuso orario, possano ingenerare un accumulo di notizie che arrivano da altri mercati aperti, che si trasmette ai mercati al momento dell apertura
9 4. Modelli ARCH Effetto psicologico a catena dovuto alla sorpresa (effetto non scontato dai mercati) di certe notizie che segnalano incertezza circa l andamento dell economia (dati sulla disoccupazione o dati preliminari sull inflazione) e che hanno bisogno di ulteriore conferma In presenza di informazione asimmetrica ci sono effetti di disclosure (simili a quelli che dalle dichiarazioni di gioco consentono di inferire sulla combinazione di carte in mano ad un giocatore) e quindi effetti di imitazione Abbiamo riscontrato empiricamente la presenza di autocorrelazione in trasformazioni positive dei rendimenti (quadrato o valore assoluto) Engle (198) suggerisce che l andamento della varianza del processo generatore dei dati sia di tipo condizionatamente autoregressivo: ɛ t = η t ht con varianza condizionata e η t tale che η t I t 1 N(0, 1) Di conseguenza ɛ t ha una distribuzione condizionata normale con media zero e varianza ɛ t I t 1 N(0, ) Al variare di si otterranno delle distribuzioni di probabilità di tipo normale diverse tra loro, più o meno disperse attorno al centro di simmetria La distribuzione non condizionata può essere vista come valore atteso (media ponderata) delle distribuzioni condizionate Risultato compatibile con l osservazione empirica di una distribuzione con code più spesse rispetto ad una normale con varianza costante Formalmente per la varianza condizionata dei rendimenti abbiamo = V ar(r t I t 1 ) E (r t E(r t I t 1 ) I t 1 ) = E(ɛ t I t 1 ) nel caso più semplice (quello di ordine 1) Test per la presenza di eteroschedasticità condizionatamente autoregressiva Esprimiamo il legame temporale tra innovazioni al quadrato ponendo ɛ t in funzione dei suoi ritardi temporali ɛ t = f(ɛ t 1, ɛ t, ɛ t 3,...) e vogliamo verificare se effettivamente esiste autocorrelazione tra queste innovazioni Si utilizzano i residui di regressione del modello specificato per la media della serie storica (ad esempio un ARMA(p, q)) ˆɛ t dati da r t (ˆµ + ˆφ 1 r t ˆφ p r t p + ˆψ 1ˆɛ t ˆψ ) qˆɛ t q = ω + α 1 ɛ t 1
10 I quadrati dei residui così ricavati sono regrediti su una costante e su p dei loro valori passati (regressione ausiliaria ) ˆɛ t = α 0 + α 1ˆɛ t α pˆɛ t p + u t Il test sottopone a verifica l ipotesi che i coefficienti α 1,α,..., α p siano tutti congiuntamente uguali a zero H 0 : α 1 = α =... = α p = 0 La statistica test derivata da Engle è ottenuta come prodotto della numerosità del campione T per R della regressione ausiliaria e converge in distribuzione ad una variabile casuale chi-quadrato con p gradi di libertà T R d χ p Possiamo basarci sull informazione fornita dal probability value (p-value): P (χ p > ˆχ p) = λ con la regola che si accetta l ipotesi nulla se λ > α e si rifiuta se λ α Alternativamente, si può utilizzare l usuale statistica test F per valutare la significatività congiunta dei p coefficienti stimati ˆF = R /p (1 R )/(T p) che si distribuisce come una v.c. F di Fisher con (p, T p) gradi di libertà Risultato EVIEWS del test per effetti ARCH sull indice Dow Jones Per eseguire il test per la presenza di ARCH non è necessario specificare in precedenza il modello ARCH vero e proprio Nella scelta del numero di numero di ritardi esiste un trade-off tra accuratezza del test e significatività dei risultati: tanto maggiore è il numero dei ritardi inseriti nella regressione, tanto più accurata sarà la regressione ausiliaria nel catturare effetti di persistenza, ma si corre il rischio di attribuire troppo peso a eventi lontani nel tempo e far diventare la statistica testnon significativa per la presenza di molti coefficienti singolarmente uguali a zero
11 Relazione tra varianza condizionata e non condizionata Specificazione del modello ARCH La varianza condizionata viene collegata direttamente agli ɛ t 1 mediante la relazione lineare: = ω + α 1 ɛ t 1 L ipotesi di normalità permette un facile utilizzo del metodo di stima di massima verosimiglianza, che consente di stimare congiuntamente i parametri della media e della varianza Limite del modello: stiamo ipotizzando che l unica informazione rilevante per spiegare la varianza sia il ritardo di ordine uno, assunzione che sarà abbandonata successivamente Per la legge dei valori attesi iterati σ = E(ɛ t) = E[V ar(ɛ t I t 1 )] = E( ) nel caso specifico di un ARCH(1) E(ɛ t) = E( ) = E(ω + α 1 ɛ t 1) = ω + α 1 E(ɛ t 1) Data la stazionarietà del processo delle innovazioni E(ɛ t) = E(ɛ t 1) = σ possiamo scrivere: σ = ω + α 1 σ σ = ω 1 α 1 Interessante interpretazione dell equazione della varianza condizionata = σ (1 α 1 ) + α 1 ɛ t 1 = σ + α 1 (ɛ t 1 σ ) che mostra alcune rilevanti proprietà del modello: 1. Il coefficiente ω deve essere strettamente positivo. Il coefficiente 0 α 1 < 1 3. La varianza condizionata è uguale alla somma della varianza non condizionata e di una frazione della differenza fra l innovazione più recente al quadrato e il suo valore atteso (non condizionato) 4. La varianza condizionata può essere > o < della varianza non condizionata 5. La distribuzione non condizionata dei rendimenti è leptocurtica L estensione ad ARCH(p) Generalizziamo al modello ARCH a p ritardi: = ω + α 1 ɛ t α p ɛ t p La varianza non condizionata è la seguente σ = E ( ) ɛ ω t = 1 p i=1 α i Le condizioni sufficienti rilevanti per il vincolo di non negatività diventano ω > 0, α i 0 (i = 1,..., p), e (α α p ) < 1
12 serie dell indice Dow Jones 5. Modelli GARCH Nel modello GARCH Generalized Autoregressive Conditional Heteroskedasticity Bollerslev (1986) introduce i valori ritardati della varianza condizionata L obiettivo è quello di risparmiare parametri da stimare rispetto alla struttura ARCH Nel GARCH(p,q) la varianza condizionata al tempo tè una combinazione lineare di p ritardi dei residui al quadrato e di q ritardi della varianza condizionata p q = ω + α i ɛ t i + β j j Nel caso GARCH(1,1) si ha: i=1 con ω > 0 e α 1 e β 1 non negativi j=1 = ω + α 1 ɛ t 1 + β 1 1 Parallelo con modelli ARMA ɛ t gioca il ruolo della variabile osservabile nell ARMA e il ruolo dell innovazione per il processo della varianza è svolto dalla differenza ɛ t : ɛ t = ω + (α 1 + β 1 )ɛ t 1 + (ɛ t ) β 1 (ɛ t 1 1 ) si evince facilmente la natura autoregressiva del coefficiente relativo a ɛ t 1, mentre il coefficiente β 1 si riferisce ad una componente a media mobile Come nel caso ARMA, il profilo delle previsioni future (condizionatamente all insieme informativo in t) è dominato dal coefficiente autoregressivo α 1 + β 1 Caratteristiche del modello GARCH Il valore precedentemente stimato della varianza condizionata si trasferisce alla stima corrente per una proporzione β 1 La varianza condizionata reagisce al valore ritardato del termine di disturbo al quadrato (innovazione per i rendimenti) in misura pari ad α 1 sarà maggiore di 1 se ω + α 1 ɛ t 1 + β 1 1 > 1 semplici manipolazioni algebriche mostrano infatti che questo accade se ω + α 1 ɛ t 1 > (1 β 1 ) 1 ɛ t 1 > (1 β 1) 1 ω α 1
13 Le informazioni passate sono sintetizzate dai ritardi della varianza, mentre le novità sono racchiuse nel termine ɛ t 1 Analogia con il modello di exponential smoothing: ˆσ t = λˆσ t 1 + (1 λ)(r t r t ) Il modello GARCH (1,1) viene a coincidere con il modello di exponential smoothing se si impone la condizione (α + β) = 1 e ω = 0 Per la varianza non condizionata abbiamo: E( ) = σ = ω + α 1 E(ɛ t 1 ) + β 1 E( 1 ) = ω + α 1 σ + β 1 σ da cui ω = σ (1 α 1 β 1 ) con α 1 + β 1 < 1 Sostituendo nell espressione della varianza condizionata: = σ (1 α 1 β 1 ) + α 1 ɛ t 1 + β 1 1 = σ + α 1 ( ɛ t 1 σ ) + β 1 ( ht 1 σ ) La stima del modello GARCH(p,q) Esempio: supponiamo che, per un dato t, 1 = σ sarà diventare maggiore di σ se ɛ t 1 > σ per β 1 vicino a 0.9 e α 1 vicino a 0.1 sarà facile che la varianza condizionata +1 continui ad essere maggiore della varianza non condizionata: persistenza della varianza condizionata Nel caso generale GARCH(p,q) le condizioni sufficienti per la non negatività della varianza condizionata diventano p i=1 α i + q j=1 β j < 1 con ω > 0, α i 0 e β j 0 come condizioni sufficienti per la non negatività della varianza condizionata Specifichiamo un modello GARCH(p,q): ɛ t I t 1 N (0, ) p = ω + α i ɛ t i + i=1 q β j j La procedura di stima sfrutta la normalità condizionata delle innovazioni ɛ t e utilizza la prediction error decomposition per la funzione di verosimiglianza Ipotizziamo che gli unici parametri da stimare siano quelli relativi alla varianza condizionata specificata come GARCH r t = ɛ t j=1 e limitiamoci al caso GARCH(1,1)
14 Nel caso GARCH(1,1) sostituendo ad la sua espressione La funzione di verosimiglianza condizionata è = L (ω, α 1, β 1 r,..., r T ; r 1 ) T L t (ω, α 1, β 1 r,..., r t ; r 1 ) t= il primo valore viene utilizzato come valore iniziale (tenuto costante) e utilizzato per inizializzare la procedura di stima Considerando unicamente la t-esima osservazione abbiamo ( 1 L t = exp 1 ) ( ɛ 1 t = exp 1 ) rt πht πht L t = per t T 1 π(ω + α 1 rt 1 + β 1 1 ) e 1 (ω+α 1 r t 1 +β 1 1 ) r t Per t = l espressione dipende da h 1, che va inizializzato (usualmente posto pari alla una stima della varianza non condizionata) Per semplificare la procedura di stima si passa alla trasformata logaritmica di L = l (ω, α 1, β 1 r,..., r T ; r 1, σ ) T l t (ω, α 1, β 1 r,..., r t ; r 1, σ ) t= = T 1 ln π 1 T ln 1 t= T t= r t Condizioni del primo ordine per la massimizzazione della funzione di verosimiglianza rispetto ai parametri ω, α 1, β 1 (sinteticamente θ): l (θ) θ = 1 = T t= T t= 1 θ 1 T rt h t θ + 1 t= [ ] r t 1 = 0 Nel caso r t = ɛ t con innovazioni la cui varianza condizionata segue un GARCH(1,1) si ha: ω = 1 = rt 1 α 1 = 1 β 1 θ Le tre condizioni che congiuntamente producono gli stimatori di massima verosimiglianza ˆω, ˆα 1 e ˆβ 1 sono: T t= T t= T t= 1 [ ] r t 1 = 0 [ ] r t 1 = 0 [ ] r t 1 = 0 r t 1 1 Non possono essere espresse in forma chiusa in termini dei parametri incogniti ma devono essere risolte per via numerica con procedura iterativa
15 Risultato EVIEWS per la stima di un modello GARCH sull indice Dow Jones 6. Diagnostica L ipotesi sulla distribuzione condizionata delle innovazioni, ɛ t = η t ht con η t N(0, 1) implica che le innovazioni standardizzate (ɛ t / ) N(0, 1) non siano autocorrelate né nei livelli né al quadrato La bontà di adattamento di un modello GARCH può essere valutata in rapporto alla capacità della varianza condizionata di rendere i residui standardizzati il più vicino possibile ad essere normalmente distribuiti Strumenti da utilizzare: test per autocorrelazione (in livelli e al quadrato), test per effetti ARCH, test di Jarque e Bera Fasi salienti della modellazione GARCH 1. stima del modello per la media dei rendimenti Istogramma dei residui standardizzati dopo una stima GARCH(1,1). test ARCH sui residui ˆɛ t 3. ricerca della appropriata specificazione GARCH 4. test sui residui standardizzati, per normalità e per effetti di tipo ARCH ed eventuale rispecificazione del modello Esempio: Stima GARCH(1,1) su indice Dow-Jones Asimmetria negativa Eccesso di curtosi Residui standardizzati anomali
16 Andamento temporale dei residui standardizzati Residui standardizzati anomali non necessariamente corrispondono a picchi nei residui della serie originale: la standardizzazione infatti può produrre tanto effetti di amplificazione dei residui (quando è piccolo) quanto di compressione quando la varianza stimata è grande se i due residui relativi alla t-esima osservazione, ˆɛ t ed ˆɛ t standardizzato sono contemporaneamente abnormi, allora quella data contiene effettivamente uno shock molto grande se il problema si verifica solo sui residui standardizzati, si tratta di una stima inadeguata della varianza in quel dato punto, che provoca l effetto descritto Diagramma di dispersione dei residui originari e standardizzati Diagramma di dispersione della varianza stimata e dei residui standardizzati
17 Verifica dell asimmetria (Engle e Ng, 1993) 7. L asimmetria nei modelli GARCH Il modello GARCH tratta in maniera simmetrica sia gli shock positivi che quelli negativi: le innovazioni al quadrato hanno lo stesso impatto sulla varianza condizionata misurato da α 1 La presenza di correlazione negativa fra volatilità e innovazioni è nota come fenomeno di leverage Notizie negative sulla profittabilità futura di una società hanno un effetto depressivo sui prezzi aumento del debt/equity ratio la rischiosità (percepita) della società cresce la volatilità tende ad aumentare Consideriamo tre diversi tipi di test di errata specificazione del modello 1. Sign Bias Test (test per la distorsione dovuta al segno). Negative Size Bias Test (test per la distorsione dell impatto di tipo negativo) 3. Positive Size Bias Test (test per la distorsione dell impatto di tipo positivo) La logica è quella di verificare se i residui standardizzati al quadrato possano essere spiegati da qualche variabile osservata nel passato e collegata all effetto di asimmetria Sign Bias Test Il test si basa sul risultato di una regressione dei residui standardizzati al quadrato su una costante e su una variabile dummy che assume il valore 1 in corrispondenza di valori negativi dei residui di stima ritardati di un periodo dove ˆɛ t = α + βs t 1 + u t S t 1 = { 1 se ˆɛt 1 < 0 0 se ˆɛ t 1 0 La logica del test è quella di verificare se la media dei residui standardizzati al quadrato sia significativamente diversa a seconda che i residui immediatamente precedenti siano positivi o negativi La statistica test (rapporto fra il ˆβ stimato e il suo standard error) si riferisce ad un ipotesi nulla di assenza di differenza nella media e si distribuisce come una t di Student con t gradi di libertà L effetto leverage si manifesta se β > 0 (ipotesi alternativa)
18 Risultato EVIEWS del Sign Bias Test Risultato EVIEWS del Sign Bias Test, esclusi i valori anomali dei residui di stima Risultato EVIEWS del Negative Size Bias Test Negative Size Bias Test Il test prevede che ɛ t 1 abbia un effetto non solo sulla media legato al segno, ma anche un effetto legato alla propria dimensione, vale a dire che ˆɛ t = α + γs t 1ˆɛ t 1 + u t se ˆɛ t 1 < 0 avremo ˆɛ t = α + γˆɛ t 1 se ɛ t 1 > 0 avremo ˆɛ t = α Si utilizza la statistica t sul singolo coefficiente γ Sotto l ipotesi di effetto leverage γ risulta negativo
19 Risultato EVIEWS del Positive Size Bias Test Positive Size Bias Test Il test si costruisce a partire dalla variabile dummy quindi S t 1 = 0 S+ t 1 = 1 S + t 1 = 1 S t 1 Il test è analogo al Negative Size Bias Test con un segno positivo anziché negativo: ˆɛ t = α + δs + t 1ˆɛ t 1 δ misura l effetto differenziale relativo alle innovazioni positive Risultato EVIEWS del Test congiunto Test congiunto È possibile sottoporre congiuntamente a test le tre ipotesi viste finora separatamente Il modello di riferimento è il seguente: ˆɛ t = α + βs t 1 + γs t 1ˆɛ t 1 + δs + t 1ˆɛ t 1 + u t L ipotesi nulla di assenza di effetto leverage corrisponde all ipotesi che non ci siano effetti differenziali di nessun tipo, né sulla media né sui coefficienti angolari: H 0 : β = γ = δ = 0
20 8. Modelli con effetti asimmetrici Risultato EVIEWS della stima di un modello TGARCH(1,1) sull indice Dow Jones Treshold GARCH (TGARCH, Glosten, Jagannathan e Runkle, 1993, Zakoïan, 1994) Diverso comportamento in corrispondenza dell attraversamento da parte dell innovazione ritardata di una soglia (di solito pari a zero) se ɛ t 1 < 0 allora se ɛ t 1 0, allora = ω + αɛ t 1 + β 1 + γs t 1 ɛ t 1 = ω + (α + γ)ɛ t 1 + β 1 con γ > 0 = ω + αɛ t 1 + β 1 γ misura l effetto differenziato per shocks negativi ed ha segno atteso positivo Esempio: TGARCH(1,1) sull indice Dow Jones Non ci sono reazioni per shocks positivi, abbiamo semplicemente un effetto di inerzia (il ritardo di ) Le innovazioni rilevanti sono quelle negative, per le quali misuriamo un effetto pari a 0.17 (ˆγ), che sommato a (ˆα, singolarmente, non significativo) dà un valore di α + γ = 0.18 In presenza di shocks negativi c è un aumento della volatilità immediato, misurato da (ˆα + ˆγ) moltiplicato per la dimensione dello shock al quadrato Al tempo successivo, se si ipotizza che ci sia uno shock positivo, abbiamo semplicemente una naturale diminuzione della volatilità in relazione alle notizie positive (da notare che ˆβ < 1, è pari a 0.86) Exponential GARCH (EGARCH, Nelson, 1991) Le caratteristiche principali di questo modello sono: 1. l impossibilità di ottenere una varianza negativa (senza bisogno di imporre alcuna condizione sui parametri). la presenza di asimmetria nelle reazioni della volatilità alle innovazioni 3. la possibilità di misurare un effetto asimmetrico proporzionale all entità delle innovazioni Nel caso EGARCH (1,1) abbiamo: ( ln( ) = ω + β ln( 1 ) + α ɛ t 1 ht 1 ) + γ ɛ t 1 π ht 1 qualsiasi sia il valore dei parametri, la trasformazione esponenziale assicura la non negatività della varianza
21 Il termine β ln( 1 ) cattura l effetto di persistenza nella volatilità e la stazionarietà è assicurata dalla condizione 0 < β < 1 Il termine ( ɛ t 1 ht 1 ) π è una variabile casuale a media zero nel caso in cui le innovazioni standardizzate siano distribuite normalmente, che consente di tenere conto della possibilità di una reazione asimmetrica proporzionale alle innovazioni L effetto asimmetrico viene evidenziato dal termine γ ɛ t 1 dove ɛ t 1 ht 1 può assumere qualunque segno e γ ha segno atteso negativo Supponiamo γ < 0 se lo shock è positivo, ɛ t 1 avrà un impatto complessivo pari a α + γ < α se lo shock è negativo, ɛ t 1 avrà un effetto pari a α γ > α Per sottoporre a verifica la presenza di asimmetria, è sufficiente valutare la significatività di γ con un test di tipo t La stima della varianza condizionata è ottenuta prendendo l antilogaritmo dei valori forniti dal modello ĥ t = ˆω ĥ ˆβ t 1 exp ( dove ω = exp ω α ) /π ˆα r t 1 + ˆγr t 1 ĥ t 1 Risultato EVIEWS della stima di un modello EGARCH(1,1) sull indice Dow Jones 9. Funzione di impatto delle notizie La News Impact Curve (NIC), suggerita da Engle e Ng (1993), consente di misurare la reazione della volatilità a realizzazioni delle innovazioni Le notizie in arrivo sui mercati provocano una reazione da parte degli operatori e si traducono in realizzazioni di ɛ t Possiamo rappresentare graficamente il modo in cui le innovazioni si traducono in volatilità: la variazione nella varianza in funzione dei valori assumibili da un generico ɛ
22 Nel modello GARCH la NIC à simmetrica: NIC G = A G + α 1 ɛ con A G = ω + β 1 σ Alternativamente si potrebbe derivare una funzione di impatto condizionata (riferita al tempo t) con A variabile nel tempo A G t = ω + β 1 1. Per il modello TGARCH abbiamo due rami di parabola diversi (dato che γ > 0): se ɛ 0, NIC T = A T + α 1 ɛ se ɛ < 0, NIC T = A T + α 1 ɛ + γɛ con A T = ω + β 1 σ Per il modello EGARCH a partire da ( ) = ω h β t 1 exp α ɛt 1 + γɛ t 1 ht 1 la NIC avrà un andamento asimmetrico: se ɛ 0, NIC E = A E exp ( γ+α σ ɛ) se ɛ < 0, NIC E = A E exp ( γ α σ ɛ) con A E = ω (σ ) β ɛ ha un impatto quadratico nel modello GARCH ed esponenziale nel modello EGARCH: per shocks di più elevata dimensione, la risposta EGARCH è maggiore della risposta GARCH in quanto la funzione esponenziale domina la parabola quadratica Le NIC per l indice Dow Jones (GARCH, TGARCH e EGARCH). Periodo di stima 01/04/ /01/1998 Nel modello EGARCH la sostanziale uguaglianza di ˆα e di ˆγ rende costante (e vicino a zero) il ramo della NIC corrispondente a innovazioni positive, mentre la reattività della funzione è maggiore per l EGARCH in corrispondenza di innovazioni negative Differenza tra NIC teorica (derivabile come proprietà del modello per la varianza condizionata) e NIC stimata sulla base dei coefficienti stimati A può essere costante (funzione della varianza non condizionata) o variabile (funzione della stima più recente della varianza condizionata) se si è interessati alla reazione della varianza condizionata per un dato giorno t sulla base dell informazione disponibile in t e a scenari per possibili valori dell innovazione in t 1
23 La previsione statica 10. La previsione della varianza I modelli della classe GARCH possono essere utilizzati per la previsione della varianza condizionata sulla base dell insieme informativo disponibile ad un dato istante, supponiamo T, vale a dire l ultimo utilizzato per la stima Nel caso GARCH(1,1) la previsione un periodo in avanti, ĥt +1 sarà uguale a E(ɛ T +1 I T ) = ˆω + ˆα 1ˆɛ T + ˆβ 1 ĥ T ĥt +1 T con ˆɛ T residuo di stima dell equazione della media e ĥt valore stimato della varianza condizionata al tempo T Distinguiamo i due casi di previsione statica e dinamica Le informazioni si arricchiscono con il passare del tempo e sono utilizzate per prevedere la varianza condizionata un periodo in avanti Per semplicità supponiamo che la stima dei parametri venga effettuata una sola volta sul campione originario e consideriamo il caso GARCH(1,1): E(ɛ T + I T +1 ) = ˆω + ˆα 1ˆɛ T +1 + ˆβ 1 ĥ T +1 T nella quale ˆɛ T +1 è derivato dall equazione della media per r T +1, ma supponendo note tutte le variabili riferite al tempo T + 1 Per periodi successivi, avremo che E(ɛ T +τ I T +τ 1 ) ĥt +τ T +τ 1 = ˆω + ˆα 1ˆɛ T +τ 1 + ˆβ 1 ĥ T +τ 1 T +τ La previsione dinamica Analogamente per il caso TGARCH(1,1) E(ɛ T +τ I T +τ 1 ) = ˆω + ˆα 1ˆɛ T +τ 1 + ˆβ 1 ĥ T +τ 1 T +τ + ˆγS T +τ 1ˆɛ T +τ 1 Per l EGARCH(1,1) possiamo scrivere E(ɛ T +τ I T +τ 1 ) = ˆω h ˆβ T +τ 1 T +τ exp ˆα ˆɛ T +τ 1 + ˆγˆɛ T +τ 1 ĥt +τ 1 T +τ Se ipotizziamo che le informazioni a disposizione si esauriscano con il periodo T, la previsione per un generico orizzonte τ dovrà essere condizionata all insieme informativo in T Per τ = possiamo scrivere Per τ = 3 E(ɛ T + I T ) = ˆω + ˆα 1 E(ɛ T +1 I T ) + ˆβ 1 ĥ T +1 T = ˆω + (ˆα 1 + ˆβ 1 )ĥt +1 T ĥt + T E(ɛ T +3 I T ) = ˆω + ˆα 1 E(ɛ T + I T ) + ˆβ 1 ĥ T + T = ˆω + (ˆα 1 + ˆβ 1 )ĥt + T = ˆω + (ˆα 1 + ˆβ ( 1 ) ˆω + (ˆα 1 + ˆβ ) 1 )ĥt +1 T ( = ˆω 1 + (ˆα 1 + ˆβ ) 1 ) + (ˆα 1 + ˆβ 1 ) ĥ T +1 T
24 Per un generico orizzonte T + τ, la previsione della varianza condizionata risulta pari a E(ɛ T +τ I T ) = ˆω (1 + (ˆα 1 + ˆβ 1 ) (ˆα 1 + ˆβ ) 1 ) τ + +(ˆα 1 + ˆβ 1 ) τ 1 ĥ T +1 T Le previsioni sono funzione dell informazione disponibile e di un coefficiente (potenze successive di ˆα 1 + ˆβ 1 ) che decade esponenzialmente all aumentare dell orizzonte di previsione Per τ, (ˆα 1 + ˆβ 1 ) τ 1 0, dato che (ˆα 1 + ˆβ 1 ) < 1 e la previsione converge a lim τ E(ɛ T +τ I T ) = = τ lim ˆω(ˆα 1 + ˆβ 1 ) i τ i=0 ˆω(ˆα 1 + ˆβ 1 ) i ˆω = 1 ˆα 1 ˆβ 1 i=0 Previsione dinamica per il modello TGARCH La presenza della componente asimmetrica modifica leggermente il profilo delle previsioni, principalmente per la previsione un periodo in avanti: se l ultima innovazione stimata risulta positiva E(ɛ T +1 I T ) = ˆω + ˆα 1ˆɛ T + β 1 ĥ T se l ultima innovazione stimata risulta negativa E(ɛ T +1 I T ) = ˆω + ˆα 1ˆɛ T + ˆγˆɛ T + β 1 ĥ T A partire da T + il segno dell innovazione non è noto e la probabilità di ottenere un segno positivo è uguale a quella di ottenere un segno negativo: E(ST +τ ) = 1/, τ, quindi E(ɛ T + I T ) = ˆω + ˆα 1 E(ɛ T +1 I T ) +ˆγE(ɛ T +1 I T )E(S T +τ I T) + ˆβ 1 ĥ T +1 T = ˆω + (ˆα 1 + ˆγ/ + ˆβ 1 )ĥt +1 T e così via per un generico orizzonte τ > Per un crescente orizzonte di previsione τ si ha convergenza ad una stima della varianza non condizionata diversa rispetto al caso GARCH ˆω 1 ˆα 1 ˆγ/ ˆβ 1 Previsione dinamica per il modello EGARCH La previsione si basa sull espressione seguente riferita al periodo T + 1 ( ) ĥ T +1 T = ˆω ĥ ˆβ T exp ˆα ɛ T + ˆγɛ T ĥt Per la previsione al tempo T + condizionatamente all informazione a T E exp ˆα ɛ T +1 + ˆγɛ T +1 I T = ˆK ĥ T +1 è una costante dato (le variabili casuali standardizzate hanno per ipotesi momenti indipendenti dal tempo), quindi per T + ĥ T + T = ˆω ˆK ĥ ˆβ T +1 T = ˆKĥ ˆβ T +1 T
25 Esempi di previsione dinamica da modelli GARCH Per T + 3, ĥ T +3 T = ˆβ ˆKĥ T + T = ˆK ( ) ˆKĥ ˆβ ˆβ T +1 T = ˆK(1+β) ĥ ˆβ T +1 T Per un generico orizzonte τ ĥ T +τ T = che, per τ, converge a dato che β < 1 ˆβ ˆKĥ T +τ 1 T = K(1+ ˆβ+...+ ˆβ τ ) ĥ K 1 1 ˆβ ˆβ τ 1 T +1 T Misure derivate di volatilità (Engle e Patton, 001) Struttura a termine della volatilità: deviazione standard prevista del rendimento di un attività con maturità T + τ. Infatti τ r T,τ = p T +τ p T = (p T + ɛ T ɛ T +τ ) p T = La radice quadrata della sua varianza condizionata rispetto all insieme informativo in T è data da ν T +τ T = E(ɛ T +1 T ) + E(ɛ T + T ) E(ɛ T +τ T ) = h T +1 T + h T + T h T +τ T j=1 ɛ T +j e può essere utilizzata per costruire un intervallo di previsione per i rendimenti futuri a diversi orizzonti (intervallo di previsione non necessariamente crescente) Misura formale di persistenza definita come derivata parziale della previsione della varianza condizionata τ periodi in avanti rispetto al valore del rendimento al quadrato al tempo T θ T +τ T = h T +τ T r T Nel caso GARCH(1,1) la persistenza un periodo in avanti è data da α, mentre per periodi successivi è data da (α + β) τ 1 Misura della velocità alla quale la previsione condizionata converge a quella non condizionata, definita come il numero di periodi necessario a dimezzare la distanza fra la previsione della varianza condizionata e il suo limite rispetto alla previsione un periodo in avanti half life τ tale che h T +τ T σ = 1 h T +1 T σ
26 La persistenza della varianza stimata per l indice Dow Jones (GARCH) 11. Altre informazioni sulla volatilità La persistenza della varianza condizionata stimata può essere valutata sulla base dei seguenti coefficienti GARCH α + β TGARCH α + β + γ/ EGARCH β (in forma esponenziale) la stima di tali coefficienti risulta essere approssimativamente uguale ad uno per tutti i modelli (in tal caso il processo delle innovazioni non ha momento non condizionato di ordine due) Engle e Bollerslev (1986) suggeriscono una specificazione alternativa (IGARCH) con α + β = 1 1. Altre informazioni sulla volatilità Insieme informativo non limitato alla sola serie storica dei rendimenti, ma allargato ad altre variabili in grado di spiegare il fenomeno del volatility clustering Inserimento di variabili predeterminate nella specificazione della varianza condizionata per verificarne gli effetti sulla stima dei parametri Lamoureux e Lastrapes (1990a): processo generatore della volatilità suggerito da Clark (1973) che fa esplicito riferimento al flusso delle notizie nel corso della giornata di contrattazioni n t n t ɛ t = δ i,t = δ 0,t + i=0 i=1 δ i,t Le innovazioni sono il risultato netto di una somma di variazioni di prezzo i.i.d. all interno del giorno (con media 0 e varianza costante σ ), il cui numero complessivo n t è una variabile casuale δ 0,t indica la differenza tra il logaritmo del prezzo di apertura e del prezzo di chiusura del giorno prima ( sorpresa di apertura) n t ɛ t δ 0,t = i=1 δ i,t ɛ t δ 0,t = ln P C t ln P A t Se le differenze di prezzo sono i.i.d. durante il giorno, le innovazioni risultano anch esse i.i.d. ma con varianza proporzionale al numero di transazioni δ i,t i.i.d. ɛ t n t i.i.d.(0, (n t + 1) σ )
27 Risultato EVIEWS della stima di un modello AR(1) GARCH(1,1) con volume per l indice Dow Jones Il numero di transazioni in un giorno è interpretabile come un fattore che genera eteroschedasticità Lamoureux e Lastrapes (1990a) assumono che il numero di transazioni sia la realizzazione di una variabile casuale autocorrelata: specificazione di un modello GARCH che consideri tra le variabili esplicative dell equazione della varianza anche il numero di transazioni Variabile non osservabile necessario utilizzare una proxy per il flusso di informazioni corrispondente, ad esempio il volume (numero di azioni scambiate): = ω + αɛ t 1 + β 1 + γv OL t Risultato: valori più bassi per i parametri stimati, la variabile volume fornisce una spiegazione della presenza di volatility clustering La persistenza della varianza stimata per l indice Dow Jones (GARCH con volume) Problema di questa formulazione: simultaneità tra volume e rendimento (Tauchen e Pitts, 1983, Lamoureaux e Lastrapes, 1990b): un più vivace volume di scambi ha un effetto simultaneo sui prezzi e quindi di nuovo sul volume la variabile volume corrente non appartiene a I t 1 e quindi non può essere considerata esogena Se utilizziamo il volume ritardato V OL t 1 nell equazione della varianza si ottiene una diminuzione della persistenza meno evidente
28 Risultato EVIEWS della stima di un modello AR(1) GARCH(1,1) con volume ritardato per l indice Dow Jones La persistenza della varianza stimata per l indice Dow Jones (GARCH con volume ritardato) Introduciamo all interno dell insieme informativo alcuni indicatori che richiamano gli strumenti propri dell analisi tecnica Distinguiamo l innovazione all apertura dei mercati (differenza fra prezzo di apertura e prezzo di chiusura del giorno precedente) dalle innovazioni relative ai movimenti di prezzo durante il giorno e definiamo Overnight Indicator la seguente variabile ( ) P At P C t 1 ONI t P C t 1 variabile predeterminata rispetto alle contrattazioni del giorno a valori più alti dell indicatore dovrebbero corrispondere valori più alti nella varianza condizionata Definiamo un ulteriore indicatore, che chiamiamo Intra-Daily Volatility IDV t P H t P L t P C t con P H t e P L t rispettivamente prezzo più elevato (high) e più basso (low) della giornata variabile proxy per la dimensione delle oscillazioni durante giorno il suo valore ritardato misura gli effetti che grandi oscillazioni il giorno precedente possono avere sulla stima della volatilità il giorno successivo
29 Indicatori tecnici per la volatilità in un modello GARCH(1,1) Equazione per la varianza condizionata: Cost ( 10 4 ) - (0.014) (0.018) (0.06) (0.04) ARCH (0.008) (0.009) (0.0) (0.018) GARCH (0.013) (0.013) (0.036) (0.044) Volume (-1) (0.135) - - ONI (0.15) - IDV (-1) (0.0006)
1) 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
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
DettagliIl 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
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
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
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:
DettagliDipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014
Dipartimento di Economia Aziendale e Studi Giusprivatistici Università degli Studi di Bari Aldo Moro Corso di Macroeconomia 2014 1. Assumete che = 10% e = 1. Usando la definizione di inflazione attesa
DettagliAspettative, consumo e investimento
Aspettative, consumo e investimento In questa lezione: Studiamo come le aspettative di reddito e ricchezza futuro determinano le decisioni di consumo e investimento degli individui. Studiamo cosa determina
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
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
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
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
Dettagli11. Analisi statistica degli eventi idrologici estremi
. Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche
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
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
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
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
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi
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
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
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
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
DettagliMacroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo.
acroeconomia, Esercitazione 2. A cura di Giuseppe Gori (giuseppe.gori@unibo.it) 1 Esercizi. 1.1 oneta/1 Sapendo che il PIL reale nel 2008 è pari a 50.000 euro e nel 2009 a 60.000 euro, che dal 2008 al
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
DettagliRegressione Logistica: un Modello per Variabili Risposta Categoriali
: un Modello per Variabili Risposta Categoriali Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 1 / 54 Introduzione Premessa I modelli di regressione
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
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
DettagliMICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza
MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti Enrico Saltari Università di Roma La Sapienza 1 Dotazioni iniziali Il consumatore dispone ora non di un dato reddito monetario ma di un ammontare
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
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
Dettagli5 Risparmio e investimento nel lungo periodo
5 Risparmio e investimento nel lungo periodo 5.1 Il ruolo del mercato finanziario Il ruolo macroeconomico del sistema finanziario è quello di far affluire i fondi risparmiati ai soggetti che li spendono.
DettagliValutazione degli investimenti aziendali
Finanza Aziendale Analisi e valutazioni per le decisioni aziendali Valutazione degli investimenti aziendali Capitolo 18 Indice degli argomenti 1. Definizione e classificazione degli investimenti 2. I profili
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
DettagliCapitolo Terzo Valore attuale e costo opportunità del capitale
Capitolo Terzo Valore attuale e costo opportunità del capitale 1. IL VALORE ATTUALE La logica di investimento aziendale è assolutamente identica a quella adottata per gli strumenti finanziari. Per poter
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:
DettagliStatistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo
DettagliDato il Mercato, è possibile individuare il valore e la duration del portafoglio:
TEORIA DELL IMMUNIZZAZIONE FINANZIARIA Con il termine immunizzazione finanziaria si intende una metodologia matematica finalizzata a neutralizzare gli effetti della variazione del tasso di valutazione
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
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
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
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
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
DettagliMD 9. La macroeconomia delle economie aperte. UD 9.1. Macroeconomia delle economie aperte
MD 9. La macroeconomia delle economie aperte In questo modulo, costituito da due Unità, ci occuperemo di analizzare il funzionamento delle economie aperte, ossia degli scambi a livello internazionale.
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
DettagliMetodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla
Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui
DettagliLeasing secondo lo IAS 17
Leasing secondo lo IAS 17 Leasing: Ias 17 Lo Ias 17 prevede modalità diverse di rappresentazione contabile a seconda si tratti di leasing finanziario o di leasing operativo. Il leasing è un contratto per
DettagliREGOLAZIONE (E TASSAZIONE OTTIMALE) DI UN MONOPOLIO CON PIÙ LINEE DI PRODUZIONE
REGOLAZIONE (E TASSAZIONE OTTIMALE) DI UN MONOPOLIO CON PIÙ LINEE DI PRODUZIONE Nella Sezione 16.5 abbiamo visto come un regolatore che voglia fissare il prezzo del monopolista in modo da minimizzare la
DettagliIl mercato di monopolio
Il monopolio Il mercato di monopolio Il monopolio è una struttura di mercato caratterizzata da 1. Un unico venditore di un prodotto non sostituibile. Non ci sono altre imprese che possano competere con
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
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
DettagliCapitolo 20: Scelta Intertemporale
Capitolo 20: Scelta Intertemporale 20.1: Introduzione Gli elementi di teoria economica trattati finora possono essere applicati a vari contesti. Tra questi, due rivestono particolare importanza: la scelta
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.
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
DettagliAnalisi dei margini: componenti e rischi
Finanza Aziendale Analisi e valutazioni per le decisioni aziendali Analisi dei margini: componenti e rischi Capitolo 7 Indice degli argomenti 1. Principali componenti del reddito operativo 2. Tipici fattori
DettagliEsercizi di Macroeconomia per il corso di Economia Politica
Esercizi di Macroeconomia per il corso di Economia Politica (Gli esercizi sono suddivisi in base ai capitoli del testo di De Vincenti) CAPITOLO 3. IL MERCATO DEI BENI NEL MODELLO REDDITO-SPESA Esercizio.
DettagliLa scelta in condizioni di incertezza
La scelta in condizioni di incertezza 1 Stati di natura e utilità attesa. L approccio delle preferenza per gli stati Il problema posto dall incertezza riformulato (state-preference approach). L individuo
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
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
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
DettagliAspettative, Produzione e Politica Economica
Aspettative, Produzione e Politica Economica In questa lezione: Studiamo gli effetti delle aspettative sui livelli di spesa e produzione. Riformuliamo il modello IS-LM in un contesto con aspettative. Determiniamo
DettagliRELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della
RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili
DettagliBANCA ALETTI & C. S.p.A.
BANCA ALETTI & C. S.p.A. in qualità di Emittente e responsabile del collocamento del Programma di offerta al pubblico e/o quotazione dei certificates BORSA PROTETTA e BORSA PROTETTA con CAP e BORSA PROTETTA
Dettaglib. Che cosa succede alla frazione di reddito nazionale che viene risparmiata?
Esercitazione 7 Domande 1. L investimento programmato è pari a 100. Le famiglie decidono di risparmiare una frazione maggiore del proprio reddito e la funzione del consumo passa da C = 0,8Y a C = 0,5Y.
DettagliControlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.
Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:
DettagliLa teoria finanziaria del valore asserisce che il valore di una iniziativa dipende essenzialmente da tre fattori:
La teoria finanziaria del valore asserisce che il valore di una iniziativa dipende essenzialmente da tre fattori: i flussi monetario che l iniziativa è in grado di generare il profilo temporale associabile
DettagliGli input sono detti anche fattori di produzione: terra, capitale, lavoro, materie prime.
LA TECNOLOGIA Studio del comportamento dell impresa, soggetto a vincoli quando si compiono scelte. La tecnologia rientra tra vincoli naturali e si traduce nel fatto che solo alcuni modi di trasformare
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)
DettagliTransitori del primo ordine
Università di Ferrara Corso di Elettrotecnica Transitori del primo ordine Si consideri il circuito in figura, composto da un generatore ideale di tensione, una resistenza ed una capacità. I tre bipoli
Dettagli~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE
STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.
DettagliIstituzioni di Economia Laurea Triennale in Ingegneria Gestionale. Lezione 26 I mercati finanziari
UNIVERSITÀ DEGLI STUDI DI BERGAMO Laurea Triennale in Ingegneria Gestionale Lezione 26 I mercati finanziari Prof. Gianmaria Martini Moneta e titoli Nei paesi industrializzati esistono varie tipologie di
DettagliIl modello generale di commercio internazionale
Capitolo 6 Il modello generale di commercio internazionale [a.a. 2013/14] adattamento italiano di Novella Bottini (ulteriore adattamento di Giovanni Anania) 6-1 Struttura della presentazione Domanda e
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
DettagliL Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni
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:
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
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
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE SISTEMI M/G/1 e M/D/1 Sistemi M/G/1 Nei sistemi M/G/1: i clienti arrivano secondo un processo di Poisson con parametro λ i tempi di servizio hanno una distribuzione generale della
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
DettagliCOMPLEMENTI SULLE LEGGI FINANZIARIE
COMPLEMENI SULLE LEGGI FINANZIARIE asso di rendimento di operazioni finanziarie in valuta estera La normativa vigente consente di effettuare operazioni finanziarie, sia di investimento che di finanziamento,
DettagliMACROECONOMIA DELLE ECONOMIE APERTE: CONCETTI E FONDAMENTI. Harcourt Brace & Company
MACROECONOMIA DELLE ECONOMIE APERTE: CONCETTI E FONDAMENTI Economie aperte o chiuse Un economia chiusa è un economia che non interagisce con altre economie nel mondo. Non ci sono esportazioni, non ci sono
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
DettagliLEZIONE 7. Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2. 2, x3 +2x +3.
7 LEZIONE 7 Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2 2 6x, x3 +2x 2 6x, 3x + x2 2, x3 +2x +3. Le derivate sono rispettivamente,
DettagliEsercitazione relativa al cap. 10 INVESTIMENTI
Esercitazione relativa al cap. 10 INVESTIMENTI GLI INVESTIMENTI FINANZIARI SONO ACQUISTI DI ATTIVITA FINANZIARIE EFFETTUATE NELL ASPETTATIVA DI RICEVERNE UN RENDIMENTO. I PIU IMPORTANTI SONO: - I DEPOSITI
DettagliMQMF Gallo Pacini. Modelli ARCH. Modelli GARCH. Diagnostica. L asimmetria nei modelli... Modelli con effetti asimmetrici. Funzione di impatto delle...
1. Varianza calcolata sul periodo campionario (varianza storica o realized volatility al quadrato): Metodi quantitativi per i mercati finanziari Capitolo 7 Analisi della volatilittà ˆσ r = 1 T 1 T (r t
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
DettagliDomande a scelta multipla 1
Domande a scelta multipla Domande a scelta multipla 1 Rispondete alle domande seguenti, scegliendo tra le alternative proposte. Cercate di consultare i suggerimenti solo in caso di difficoltà. Dopo l elenco
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
Dettagli( x) ( x) 0. Equazioni irrazionali
Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza
DettagliDOMANDE a risposta multipla (ogni risposta esatta riceve una valutazione di due; non sono previste penalizzazioni in caso di risposte non corrette)
In una ora rispondere alle dieci domande a risposta multipla e a una delle due domande a risposta aperta, e risolvere l esercizio. DOMANDE a risposta multipla (ogni risposta esatta riceve una valutazione
DettagliLezione 14. Risparmio e investimento. Leonardo Bargigli
Lezione 14. Risparmio e investimento Leonardo Bargigli Risparmio e investimento nella contabilità nazionale Ripartiamo dalla definizione di PIL in termini di spesa finale Y = C + I + G + NX Consideriamo
DettagliMercati finanziari e valore degli investimenti
7 Mercati finanziari e valore degli investimenti Problemi teorici. Nei mercati finanziari vengono vendute e acquistate attività. Attraverso tali mercati i cambiamenti nella politica del governo e le altre
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
DettagliPremesse alla statistica
Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo
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
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
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.
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
DettagliPer studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R
Studio di funzione Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R : allo scopo di determinarne le caratteristiche principali.
Dettagli