Trading sul mercato infragiornaliero EPEX SPOT con l utilizzo di un processo Gaussiano additivo
|
|
- Miranda Righi
- 7 anni fa
- Visualizzazioni
Transcript
1 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Trading sul mercato infragiornaliero EPEX SPOT con l utilizzo di un processo Gaussiano additivo Marco Gallana marcogallana@phinergybiz (in collaborazione con Tiziano Vargiolu e Enrico Edoli) Mercati energetici e metodi quantitativi: un ponte tra Universitá e Aziende Padova, 13 Ottobre, 2016
2 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Contenuti 1 ID power market: fatti stilizzati
3 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Contenuti 1 ID power market: fatti stilizzati 2 Ottimizzazione di portafoglio
4 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Contenuti 1 ID power market: fatti stilizzati 2 Ottimizzazione di portafoglio 3 Stima dei parametri
5 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Contenuti 1 ID power market: fatti stilizzati 2 Ottimizzazione di portafoglio 3 Stima dei parametri 4 Test numerici
6 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Contenuti 1 ID power market: fatti stilizzati 2 Ottimizzazione di portafoglio 3 Stima dei parametri 4 Test numerici 5 Conclusioni
7 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Struttura del mercato EPEX SPOT mercato day-ahead (DA): asta implicita a prezzo marginale giornaliera (365 giorni l anno) apertura 45 giorni prima del giorno di consegna D, chiusura 12 pm del giorno D-1 prodotti orari o blocchi di ore range di prezzo da -500 e/mwh a 3000 e/mwh;
8 Struttura del mercato EPEX SPOT mercato day-ahead (DA): asta implicita a prezzo marginale giornaliera (365 giorni l anno) apertura 45 giorni prima del giorno di consegna D, chiusura 12 pm del giorno D-1 prodotti orari o blocchi di ore range di prezzo da -500 e/mwh a 3000 e/mwh; mercato intra-day (ID): mercato a contrattazione continua, aperto 365 giorni l anno apertura 15 pm del giorno D-1, chiusura 30 minuti prima della consegna fisica dell energia prodotti orari, blocchi di ore, prodotti quartorari range di prezzo e/mwh a e/mwh;
9 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Trading nel mercato ID Il mercato ID nasce con lo scopo di permettere agli operatori di aggiustare la propria posizione d acquisto o di vendita alla chiusura del mercato DA La chiusura del mercato a ridosso della data di consegna dell energia permette di migliorare il forecast dei profili di produzione/consumo
10 Trading nel mercato ID Il mercato ID nasce con lo scopo di permettere agli operatori di aggiustare la propria posizione d acquisto o di vendita alla chiusura del mercato DA La chiusura del mercato a ridosso della data di consegna dell energia permette di migliorare il forecast dei profili di produzione/consumo Obbiettivo del lavoro Grazie all aumento di liquiditá sul mercato ID (EPEX SPOT Germania) degli ultimi anni, é possibile sfruttare la dinamica del prezzo dell energia per implementare una strategia di (puro) trading profittevole su tale mercato?
11 EPEX ID dataset Dataset: dati giornalieri high frequency, Gennaio, 1 Luglio, 31, transazioni per ogni singola ora (i blocchi orari e prodotti quartorari non sono considerati); 150 transazioni in media per ogni ora; 1458 MWh volume medio scambiato per ogni ora Tipicamente le ore di picco sono le ore piú liquide (in media l ora piú liquida é l ora 14, con 242 transazioni giornaliere e 1605 MWh scambiati)
12 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Traiettorie tipiche del prezzo ID Figura: Esempi di traiettorie del prezzo dell energia nel mercato ID
13 Un modello per il prezzo dell energia nel mercato ID Possiamo modellare il prezzo ID dell energia (S t ) t di ogni ora della giornata con un processo di Ornstein-Uhlenbeck (OU): ds t = (µ λs t )dt + σdw t, t (0, T ] (1) Figura: processo di Ornstein-Uhlenbeck - traiettorie tipiche {W t } t moto browniano 1-dimensionale; se λ = 0, allora S un moto browniano aritmetico, con un trend lineare; se anche µ = 0, allora S un moto browniano senza drift
14 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Perchè non un modello multidimensionale? Un modello multidimensionale che permetta di descrivere la dinamica delle 24 ore sarebbe difficile da calibrare non esiste un orizzonte temporale T naturale (diversi istanti di chiusura del mercato per ogni ora scambiata); impossibile stimare la correlazione fra i prezzi delle varie ore (i prezzi delle diverse ore non si muovono contemporaneamente - Epps effect)
15 Perchè non un modello multidimensionale? Un modello multidimensionale che permetta di descrivere la dinamica delle 24 ore sarebbe difficile da calibrare Nota non esiste un orizzonte temporale T naturale (diversi istanti di chiusura del mercato per ogni ora scambiata); impossibile stimare la correlazione fra i prezzi delle varie ore (i prezzi delle diverse ore non si muovono contemporaneamente - Epps effect) È piú semplice considerare una strategia di tipo divide et impera : il capitale di rischio iniziale viene suddiviso sulle 24 ore e vengono risolti 24 problemi 1-dimensionali di ottimizzazione di portafoglio
16 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Dinamica del portafoglio Assumendo assenza di costi di transazione, modelliamo la dinamica del portafoglio X per ogni ora h scambiata come X t = t 0 π u ds u t (0, T ] (2) X 0 =x 0 t = 0 dove T é l istante di chiusura di mercato per l ora h e π t é la posizione all istante t sul titolo rischioso S
17 Dinamica del portafoglio Assumendo assenza di costi di transazione, modelliamo la dinamica del portafoglio X per ogni ora h scambiata come t X t = π u ds u t (0, T ] (2) 0 X 0 =x 0 t = 0 dove T é l istante di chiusura di mercato per l ora h e π t é la posizione all istante t sul titolo rischioso S Pure Trading Imponiamo la condizione finale π T =0 t = T Non vogliamo comprare o vendere energia alla chiusura del mercato ID
18 Il problema di ottimizzazione Lo scopo di ogni trader é quello di massimizzare la propria utilitá finale attesa Problema di ottimizzazione dove sup E [U(XT π ) X 0 = x 0, S 0 = s 0 ] (3) π A U é una funzione d utilitá data; S e X hanno dinamiche descritte in 1-2; A = A([0, T ]) é l insieme dei controlli ammissibili, ie l insieme dei processi predicibili su [0, T ] tale che l Equazione 2 ha un unica soluzione forte per ogni punto iniziale (x 0, s 0 ) e tale che π T = 0
19 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Programmazione Dinamica - Definizioni Funzione Obbiettivo Definiamo Funzione Obbiettivo J la funzione J(t, x, s, π) = E [ U(X t,x,s;π T ) ] (4) dove (X t,x,s;π, S t,x,s;π ) é un processo di Markov controllato 2-dimensionale, che all istante iniziale t assume valori (x, s) e π A([t, T ]), con A([t, T ]) l insieme dei controlli ammissibili sull intervallo temporale [t, T ]
20 Programmazione Dinamica - Definizioni Funzione Obbiettivo Definiamo Funzione Obbiettivo J la funzione J(t, x, s, π) = E [ U(X t,x,s;π T ) ] (4) dove (X t,x,s;π, S t,x,s;π ) é un processo di Markov controllato 2-dimensionale, che all istante iniziale t assume valori (x, s) e π A([t, T ]), con A([t, T ]) l insieme dei controlli ammissibili sull intervallo temporale [t, T ] Funzione Valore Definiamo Funzione Valore V la funzione V (t, x, s) = sup J(t, x, s, π) (5) π A([t,T ])
21 Programmazione Dinamica - Equazione HJB L Equazione di Hamilton-Jacobi-Bellman associata al problema 3 é V t + sup A π V =0 (t, s, x) [0, T ) R 2 π V (T, x, s) =U(x) (s, x) R 2 dove A π V = (V x π + V s )(µ λs) π2 σ 2 V xx + πσ 2 V sx σ2 V ss Un possibile controllo ottimo é dato da ˆπ = arg max π Aπ V = V x(µ λs) + σ 2 V sx σ 2 V xx
22 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Programmazione Dinamica - Controllo ottimo Sostituzione possibile controllo ottimo ˆπ nell Equazione HJB
23 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Programmazione Dinamica - Controllo ottimo Sostituzione possibile controllo ottimo ˆπ nell Equazione HJB Risoluzione dell Equazione HJB: forma funzionale per V
24 Programmazione Dinamica - Controllo ottimo Sostituzione possibile controllo ottimo ˆπ nell Equazione HJB Risoluzione dell Equazione HJB: forma funzionale per V Verifica ipotesi regolaritá della soluzione V e calcolo controllo ottimo ˆπ (Teorema di Verifica)
25 Programmazione Dinamica - Controllo ottimo Sostituzione possibile controllo ottimo ˆπ nell Equazione HJB Risoluzione dell Equazione HJB: forma funzionale per V Verifica ipotesi regolaritá della soluzione V e calcolo controllo ottimo ˆπ (Teorema di Verifica) Funzione d utilitá CRRA Utilizziamo una funzione d utilitá CRRA { x γ γ se γ (0, 1) U(x) = log x se γ = 0 La funzione di avversione al rischio associata è R(x) = U (x) U (x) = 1 γ x
26 Strategia ottima di investimento Scegliendo una funzione d utilitá U CRRA é possibile ottenere una formula esplicita per la strategia ottima di investimento all istante t: ˆπ t = g p (T t) (µ λs t) (1 γ)σ 2 X t g p é un fattore d aggiustamento che cresce per t T Assumiamo posizioni piú rischiose quando: X t é alto; S t é distante dalla media di lungo periodo µ λ del processo OU Assumiamo posizioni meno rischiose quando: la volatilitá di S é alta; il parametro 1 γ é vicino a 1
27 Calibrazione del processo di Ornstein-Uhlenbeck Stima dei parametri λ, µ e σ del processo S massimizzazione della funzione di log-verosimiglianza L(λ, µ, σ 2 ; s 0,, s n ) dati ad alta frequenza non equispaziati nel tempo Nessuna formula chiusa per gli stimatori ML di λ, µ, σ: massimizzazione numerica di L(λ, µ, σ 2 ) massimizzazione in 3 variabili temporalmente inefficiente Massimizzazione numerica nella sola variabile λ µ = µ(λ), σ = σ(λ) (ˆλ, ˆµ, ˆσ) = arg max L(λ, µ(λ), σ 2 (λ)) Distorsione b(ˆθ, θ) = E[ˆθ] θ degli stimatori ML ˆθ dei parametri del drift di un processo di diffusione dx t = µ(x t, θ)dt + σ(x t, θ)dw t Procedura di correzione bootstrap della distorsione dello stimatore ML: ottenere una stima b(ˆθ, θ) di b(ˆθ, θ) con tecniche di tipo Monte Carlo θ = ˆθ b(ˆθ, θ) Facilmente implementabile, iterabile, riduce la distorsione di ˆθ di oltre l 80%
28 Backtest della strategia ottima d investimento Caso 1 Ogni giorno abbiamo a disposizione un capitale di rischio totale di x 0 = 1000 eequamente distribuito sulle 24 ore (4166 eper ogni ora) Caso 2 Ogni giorno abbiamo a disposizione un capitale di rischio totale massimo di x 0 = 1000 eequamente distribuito sulle 24 ore (4166 eper ogni ora) Se alla fine del giorno d di trading viene perso un capitale x e, nella giornata successiva il capitale di rischio totale sará x d+1 = max(x d x, x 0 ) per ogni giorno d D, dove D é l ultimo giorno di trading Il periodo di backtest é di 5 mesi, da Gennaio 2014 a Maggio 2014
29 Backtest della strategia ottima d investimento Caso 1 Ogni giorno abbiamo a disposizione un capitale di rischio totale di x 0 = 1000 eequamente distribuito sulle 24 ore (4166 eper ogni ora) Caso 2 Ogni giorno abbiamo a disposizione un capitale di rischio totale massimo di x 0 = 1000 eequamente distribuito sulle 24 ore (4166 eper ogni ora) Se alla fine del giorno d di trading viene perso un capitale x e, nella giornata successiva il capitale di rischio totale sará x d+1 = max(x d x, x 0 ) per ogni giorno d D, dove D é l ultimo giorno di trading Il periodo di backtest é di 5 mesi, da Gennaio 2014 a Maggio 2014 Ipotesi é sempre possibile implementare la strategia ottima (liquiditá di mercato);
30 Backtest della strategia ottima d investimento Caso 1 Ogni giorno abbiamo a disposizione un capitale di rischio totale di x 0 = 1000 eequamente distribuito sulle 24 ore (4166 eper ogni ora) Caso 2 Ogni giorno abbiamo a disposizione un capitale di rischio totale massimo di x 0 = 1000 eequamente distribuito sulle 24 ore (4166 eper ogni ora) Se alla fine del giorno d di trading viene perso un capitale x e, nella giornata successiva il capitale di rischio totale sará x d+1 = max(x d x, x 0 ) per ogni giorno d D, dove D é l ultimo giorno di trading Il periodo di backtest é di 5 mesi, da Gennaio 2014 a Maggio 2014 Ipotesi é sempre possibile implementare la strategia ottima (liquiditá di mercato); non siamo market maker, ie, quando osserviamo un prezzo s k al tempo t k possiamo comprare o vendere ˆπ k allo stesso prezzo osservato s k
31 Algoritmo di trading nel mercato ID 1 Aspettiamo d osservare 40 transazioni Se non osserviamo 40 transazioni non prendiamo alcuna posizione sul mercato altrimenti procediamo al punto 2 2 Stimiamo i parametri del processo S utilizzando le procedure descritte precedentemente 3 Calcoliamo la strategia ottima ˆπ se ˆπ é statisticamente diverso da zero implementiamo la strategia Ogni strategia viene limitata in valore assoluto a 50 MWh; se ˆπ non é statisticamente diverso da zero, non prendiamo alcuna posizione 4 Una volta osservata una nuova transazione, ripetiamo l algoritmo a partire dal punto 1, utilizzando le ultime 40 osservazioni per la fase di stima
32 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Risultati del backtest - Caso 1
33 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Risultati del backtest - Caso 2 Figura: γ = 0 - alta avversione al rischio Figura: γ = 08 - bassa avversione al rischio
34 Livello d attivitá 65% 60% Activity Level Hourly Activity Level Daily Avg Activity Level 55% Activity 50% 45% 40% 35% 30% Hours Figura: Livello d attivitá dell algoritmo di trading
35 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Conclusioni L analisi qualitativa dei dati sembra suggerire la possibilitá di implementare un strategia di trading sul mercato ID EPEX SPOT La strategia implementata produce performance positive sul periodo testato Sembra sia possibile sfruttare la dinamica del prezzo dell energia nel mercato ID EPEX SPOT per costruire strategie di puro trading profittevoli
36 Conclusioni L analisi qualitativa dei dati sembra suggerire la possibilitá di implementare un strategia di trading sul mercato ID EPEX SPOT La strategia implementata produce performance positive sul periodo testato Sembra sia possibile sfruttare la dinamica del prezzo dell energia nel mercato ID EPEX SPOT per costruire strategie di puro trading profittevoli Possibili miglioramenti Includere i costi di transazione nel problema di ottimizzazione di portafoglio Studiare una metodologia per la scelta ottima del parametro di rischio γ
37 ID power market: fatti stilizzati Ottimizzazione di portafoglio Stima dei parametri Test numerici Conclusioni Grazie per l attenzione
Metodi 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 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
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliMETODI QUANTITATIVI PER LA PREVISIONE SUI MERCATI DELL ENERGIA ELETTRICA E DEL GAS. Padova, 5 e 6 Aprile
METODI QUANTITATIVI PER LA PREVISIONE SUI MERCATI DELL ENERGIA ELETTRICA E DEL GAS Padova, 5 e 6 Aprile In ogni settore economico la capacità di prevedere le tendenze del mercato rappresenta una chiave
DettagliFin qui si sono considerate le variabili casuali ciascuna per proprio conto. Ora consideriamo la possibilità di relazioni tra variabili.
Sistemi di variabili casuali Fin qui si sono considerate le variabili casuali ciascuna per proprio conto. Ora consideriamo la possibilità di relazioni tra variabili. Esempi: - il massimo annuale della
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
DettagliQueste note (attualmente, e probabilmente per un bel po ) sono altamente provvisorie e (molto probabilmente) non prive di errori.
ËÁËÌ ÅÁ ÈÁ ÆÁ ½ Queste note attualmente e probabilmente per un bel po ) sono altamente provvisorie e molto probabilmente) non prive di errori 41 Sistemi 2D Come abbiamo già detto tipicamente è impossibile
DettagliCenni di ottimizzazione dinamica
Cenni di ottimizzazione dinamica Testi di riferimento: K. Dixit Optimization in Economic Theory. Second Edition, 1990, Oxford: Oxford University Press. A. C. Chiang Elements of Dynamic Optimization, 1992,
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
DettagliDisuguaglianza di Cramér-Rao
Disuguaglianza di Cramér-Rao (Appunti per gli studenti Silvano Holzer Dipartimento di Scienze Economiche, Aziendali, Matematiche e Statistiche Bruno de Finetti Università degli studi di Trieste Un esperimento
DettagliI modelli dei rendimenti di equilibrio. Corso di Economia delle Scelte Finanziarie e di Portafoglio (prof. G. Ferri): Lezione 3
I modelli dei rendimenti di equilibrio Corso di Economia delle Scelte Finanziarie e di Portafoglio (prof. G. Ferri): Lezione 3 1 In questa lezione Rimuoviamo alcune ipotesi restrittive fatte nella derivazione
Dettagli( t) NR( t) NR( t) ( t)
prof Valerio CURCIO Simulazione del prezzo del petrolio 1 1. Processi stocastici stazionari e non stazionari dall analisi del prezzo del petrolio Quello che vogliamo fare in questo articolo è un analisi
DettagliAnalisi della correlazione canonica
Analisi della correlazione canonica Su un collettivo di unità statistiche si osservano due gruppi di k ed m variabili L analisi della correlazione canonica ha per obiettivo lo studio delle relazioni 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
DettagliUniversita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni
Universita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni ANALISI NUMERICA - Primo Parziale - TEMA A (Prof. A.M.Perdon)
DettagliIl nuovo MI: tra regolamento CACM e riforma del dispacciamento
Coordinamento tra Mercato Infragiornaliero e MSD: verso una gate closure prossima al tempo reale Il nuovo MI: tra regolamento CACM e riforma del dispacciamento Cristian Lanfranconi Unità Affari Regolatori
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliConsiderare il moto di un punto materiale di massa m = 1 soggetto ad un potenziale V (x):
sercizio Considerare il moto di un punto materiale di massa m = soggetto ad un potenziale V (x): ẍ = V (x), dove V (x) = x x.. Scrivere esplicitamente l equazione del moto e verificare esplicitamente la
DettagliWHITEPAPER ALGORITMO CONTRIBUTO MENSILE AUTOMATICO FORMALIZZAZIONE DEL PROBLEMA NELLA FORMA DI UN ALGORITMO DI OTTIMIZZAZIONE
WHITEPAPER ALGORITMO CONTRIBUTO MENSILE AUTOMATICO L obiettivo dell algoritmo alla base della funzionalità del Contributo Mensile automatico è quello di fornire al cliente, che investe un determinato importo
DettagliSoluzioni dello scritto di Analisi Matematica II - 10/07/09. C.L. in Matematica e Matematica per le Applicazioni
Soluzioni dello scritto di Analisi Matematica II - /7/9 C.L. in Matematica e Matematica per le Applicazioni Proff. K. Payne, C. Tarsi, M. Calanchi Esercizio. a La funzione f è limitata e essendo lim fx
DettagliIl Capital Asset Pricing Model e lo Arbitrage Pricing Theory
Il Capital Asset Pricing Model e lo Arbitrage Pricing Theory Pierpaolo Montana Università di Roma I Il Capital Asset Pricing Model può essere visto come una evoluzione del modello media-varianza di scelta
Dettaglilezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1
lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,
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
DettagliSoluzioni dei problemi della maturità scientifica A.S. 2012/2013
Soluzioni dei problemi della maturità scientifica A.S. / Nicola Gigli Sun-Ra Mosconi June, Problema. Il teorema fondamentale del calcolo integrale garantisce che Quindi f (x) = cos x +. f (π) = cos π +
DettagliLEZIONE N. 6 - PARTE 1 - Introduzione
LEZIONE N. 6 PROGRAMMAZIONE LINEARE IN MARKAL, SOLUZIONE DEI PROBLEMI DI PROGRAMMAZIONE LINEARE CON: IL METODO GRAFICO ED IL METODO DEL SIMPLESSO. PROPRIETÀ DELLA DUALITÀ ED ESEMPI DI SOLUZIONE DEL PROBLEMA
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 006/007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliEquazioni, funzioni e algoritmi: il metodo delle secanti
Equazioni, funzioni e algoritmi: il metodo delle secanti Christian Ferrari 1 Introduzione La risoluzione di equazioni in R ci ha mostrato che solo per le equazioni polinomiali di primo e secondo grado,
DettagliIstituzioni di Matematiche, Integrali fratti. corso di laurea in Scienze geologiche. Mauro Costantini
Istituzioni di Matematiche, Integrali fratti corso di laurea in Scienze geologiche. Mauro Costantini tipo: Il nostro obiettivo è studiare gli integrali (indefiniti e definiti delle funzioni razionali,
DettagliStima dei sistemi di equazioni simultanee
Università di Pavia Stima dei sistemi di equazioni simultanee Eduardo Rossi University of Pavia Stima dei SES Limited Information OLS 2STLS K CLASS H CLASS Full Information FIMLE 3STLS FIIV Eduardo Rossi
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliRETTE E PIANI. ove h R. Determinare i valori di h per cui (1) r h e α sono incidenti ed, in tal caso, determinare l angolo ϑ h da essi formato;
RETTE E PIANI Esercizi Esercizio 1. Nello spazio con riferimento cartesiano ortogonale Oxyz si considerino la retta r h ed il piano α rispettivamente di equazioni x = 1 + t r h : y = 1 t α : x + y + z
DettagliEsercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 23/5/2017
Esercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 3/5/017 Contents 1 Intervalli di confidenza 1 Intervalli su un campione 1.1 Intervallo di confidenza per la media................................
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
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliANALISI MATEMATICA 3. esercizi assegnati per la prova scritta del 31 gennaio 2011
esercizi assegnati per la prova scritta del 31 gennaio 2011 Esercizio 1. Per x > 0 e n N si ponga f n (x) = ln ( n 5 x ) a) Provare l integrabilità delle funzioni f n in (0, + ). 3 + n 4 x 2. b) Studiare
DettagliAppendice A: un esempio di scelta del mix ottimo di produzione in presenza di vincoli 19
14 18-12-07 19:04 Pagina 411 Le decisioni di breve termine fra alternative diverse 411 i minori costi differenziali, almeno nella misura in cui la dimensione di costo è la più importante. Sebbene i costi
DettagliCOME CALCOLARE LA COMBINAZIONE DI MINIMO COSTO DEI FATTORI
COME CALCOLARE LA COMBINAZIONE DI MINIMO COSTO DEI FATTORI In questa Appendice, mostreremo come un impresa possa individuare la sua combinazione di minimo costo dei fattori produttivi attraverso il calcolo
DettagliL elasticità e le sue applicazioni in economia Introduzione
L elasticità e le sue applicazioni in economia Introduzione Fino ad ora l analisi su domanda, offerta ed equilibrio di mercato è stata di tipo qualitativo. Se vogliamo avere una misura quantitativa degli
DettagliProgrammazione Lineare
Programmazione Lineare Andrea Scozzari a.a. 2012-2013 March 14, 2013 Andrea Scozzari (a.a. 2012-2013) Programmazione Lineare March 14, 2013 1 / 18 Metodo del Simplesso Dato un problema di PL in forma standard
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
DettagliMarkov Chains and Markov Chain Monte Carlo (MCMC)
Markov Chains and Markov Chain Monte Carlo (MCMC) Alberto Garfagnini Università degli studi di Padova December 11, 2013 Catene di Markov Discrete dato un valore x t del sistema ad un istante di tempo fissato,
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 10 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 REGRESSIONE LINEARE Date due variabili quantitative, X e Y, si è
DettagliIndice della lezione. Incertezza e rischio: sinonimi? Le Ipotesi della Capital Market Theory UNIVERSITA DEGLI STUDI DI PARMA FACOLTA DI ECONOMIA
UNIVERSIT DEGLI STUDI DI PRM FCOLT DI ECONOMI Indice della lezione Corso di Pianificazione Finanziaria Introduzione al rischio Rischio e rendimento per titoli singoli La Teoria di Portafoglio di Markowitz
DettagliStima di parametri e intervalli di confidenza
Capitolo 3 Stima di parametri e intervalli di confidenza 3.1 Stima di parametri La statistica parametrica consiste nell ipotizzare che i dati osservati provengano da un modello probabilistico ben definito
DettagliProgetto di Geometria Computazionale: simulazione del movimento ondoso di un fluido utilizzando Kass e Miller
Progetto di Geometria Computazionale: simulazione del movimento ondoso di un fluido utilizzando Kass e Miller Stefano Ceroni, Sara Toia Luglio 2011 1 Introduzione Il metodo di Kass e Miller [1] per la
DettagliPrecorso di Matematica
Precorso di Matematica Lezione 3 Andrea Susa OPERATORE DI PRODOTTO Π 2 1 Operatore di prodotto Π Consideriamo un insieme numerico ={ =1, }. Definiamo prodotto degli elementi in, = Esempio: ={ =1, =2, =3,
DettagliMetodi Matematici Probabilità e Statistica. Correzione Compitino del
Metodi Matematici Probabilità e Statistica Correzione Compitino del.4.04 nota: Una sola risposta è esatta. 4 punti per una risposta esatta, -2 per una sbagliata, 0 per una non data. Gli esercizi sono divisi
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
DettagliTECNICHE DI REGOLARIZZAZIONE IN ELABORAZIONE
TECNICHE DI REGOLARIZZAZIONE IN ELABORAZIONE DI IMMAGINI Ivan Gerace, Francesca Martinelli e Patrizia Pucci Università degli Studi di Perugia Giornate di Algebra Lineare e Applicazioni 2009 Martinelli
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliAnalisi Matematica II Corso di Ingegneria Gestionale Compito del f(x, y) = e (x3 +x) y
Analisi Matematica II Corso di Ingegneria Gestionale Compito del 8--7 - È obbligatorio consegnare tutti i fogli, anche la brutta e il testo. - Le risposte senza giustificazione sono considerate nulle.
DettagliUNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
Dettagli2.6 Calcolo degli equilibri di Nash
92 2 Giochi non Cooperativi Per queste estensioni di giochi non finiti si possono provare risultati analoghi a quelli visti per i giochi finiti. Rimandiamo alla bibliografia per uno studio più approfondito
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5:
esercitazione 5 p. 1/14 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5: 22-04-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
Dettagli1 Processi stocastici e campi random
Corso di Termodinamica e Meccanica Statistica Anno Accademico 211/212 1 Processi stocastici e campi random Vogliamo estendere le metodologie del calcolo delle probabilità e della statistica, in modo da
DettagliOscillazioni. Si produce un oscillazione quando un sistema viene perturbato rispetto a una posizione di equilibrio stabile
Oscillazioni Si produce un oscillazione quando un sistema viene perturbato rispetto a una posizione di equilibrio stabile Caratteristica più evidente del moto oscillatorio è di essere un moto periodico,
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
DettagliLA STRUTTURA DEI PROBLEMI DI OTTIMIZZAZIONE. L'ipotesi di razionalità implica che un decisore cerchi di
LA STRUTTURA DEI PROBLEMI DI OTTIMIZZAZIONE L'ipotesi di razionalità implica che un decisore cerchi di individuare la migliore tra tutte le alternative a sua disposizione. Problemi di ottimizzazione =
DettagliCORSO DI ANALISI MATEMATICA 2 SOLUZIONI ESERCIZI PROPOSTI 15/04/2013
CORSO DI ANALISI MATEMATICA SOLUZIONI ESERCIZI PROPOSTI 5/04/03 D.BARTOLUCCI, D.GUIDO. Integrali Impropri Esercizio. (CRITERIO DEL CONFRONTO). Dimostrare che se f : (a, b] R e g(x) : (a, b] R sono integrabili
DettagliIntroduzione alla programmazione lineare
Introduzione alla programmazione lineare struttura del problema di PL forme equivalenti rappresentazione e soluzione grafica rif. Fi 1.2; BT 1.1, 1.4 Problema di programmazione lineare Dati: un vettore
DettagliMODELLIZZAZIONE DEI TASSI DI INTERESSE
MODELLIZZAZIONE DEI TASSI DI INTERESSE Derivati su obbligazioni e simili (1) Per determinare un prezzo ai derivati che hanno come sottostante una obbligazione o simili vi è bisogno di avere un modello
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
DettagliVariabilità e Concentrazione Esercitazione n 02
Variabilità e Concentrazione Esercitazione n 02 ESERCIZIO 1 Nella tabella di seguito sono riportati i dati relativi al tempo necessario a 8 studenti per svolgere un test di valutazione (in ore): Tempo
DettagliLa variabilità. Antonello Maruotti
La variabilità Antonello Maruotti Outline 1 Omogeneità ed eterogeneità 2 Variabilità per caratteri quantitativi 3 Varianza 4 Intervalli di variabilità 5 Teorema di Chebyshev Definizione Variabilità Attitudine
DettagliConvergenza del Simplesso e regole anti-ciclaggio
Convergenza del Simplesso e regole anti-ciclaggio degenerazione e ciclaggio un esempio di ciclaggio regole anti-ciclaggio rif. Fi 3.2.6, BT 3.4 (Esempio 3.6), BT 3.7; Sulla convergenza del metodo del simplesso
DettagliCorso di Laurea in Ingegneria Biomedica ANALISI MATEMATICA 1. Prova scritta del 14 gennaio 2017 Fila 1.
Corso di Laurea in Ingegneria Biomedica ANALISI MATEMATICA Prova scritta del gennaio 207 Fila. Esporre il procedimento di risoluzione degli esercizi in maniera completa e leggibile.. (Punti 6) Determinare
DettagliSoluzione dei problemi di Programmazione Lineare Intera
Fondamenti di Ricerca Operativa T-A a.a. 2014-2015 Soluzione dei problemi di Programmazione Lineare Intera Andrea Lodi, Enrico Malaguti, Daniele Vigo rev. 1.1.a ottobre 2014 Fondamenti di Ricerca Operativa
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 giugno 26 Statistica Esercizio Sia {X n } n una famiglia di v.a. di media µ e varianza σ 2. Verificare che X = n n X i σ 2 = n (X i µ) 2 S 2 = n
DettagliIndici di variabilità ed eterogeneità
Indici di variabilità ed eterogeneità Corso di STATISTICA Prof. Roberta Siciliano Ordinario di Statistica, Università di apoli Federico II Professore supplente, Università della Basilicata a.a. 011/01
DettagliZeri di funzioni e teorema di Sturm
Zeri di funzioni e teorema di Sturm Enrico Bertolazzi Dipartimento di Ingegneria Meccanica e Strutturale Università degli Studi di Trento via Mesiano 77, I 38050 Trento, Italia EnricoBertolazzi@ingunitnit
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliIl χ 2 (Pearson, 1900)
Il χ 2 (Pearson, 1900) Relazioni tra variabili: le tabelle di contingenza "The Physicians' Health Study" è uno studio clinico randomizzato condotto allo scopo di valutare il possibile eetto di riduzione
DettagliMetodo degli elementi finiti per le equazioni di Navier-Stokes
Metodo degli elementi finiti per le equazioni di Navier-Stokes Francesco Visentin Dottorato di Ricerca in Informatica - XXVIII Ciclo Università degli Studi di Verona Fluidodinamica Le equazioni di Navier-Stokes
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
DettagliEsercizi di Fisica Matematica 3, anno , parte di meccanica hamiltoniana e quantistica
Esercizi di Fisica Matematica 3, anno 014-015, parte di meccanica hamiltoniana e quantistica Dario Bambusi 09.06.015 Abstract Gli esercizi dei compiti saranno varianti dei seguenti esercizi. Nei compiti
DettagliCammini minimi fra tutte le coppie
Capitolo 12 Cammini minimi fra tutte le coppie Consideriamo il problema dei cammini minimi fra tutte le coppie in un grafo G = (V, E, w) orientato, pesato, dove possono essere presenti archi (ma non cicli)
Dettagli6 + 2Q = 30 4Q. da cui: Q = 4 Sostituendo Q nella funzione di domanda (o nella funzione di offerta), si ottiene: p = 14
Esercizio 4.1 L esercizio propone funzioni di domanda e offerta (in forma inversa) e richiede di calcolare il surplus sociale. Occorre innanzitutto calcolare prezzo e quantità di equilibrio, date dall
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Pivoting e stabilità Se la matrice A non appartiene a nessuna delle categorie precedenti può accadere che al k esimo passo risulti a (k) k,k = 0, e quindi il
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
DettagliI teoremi della funzione inversa e della funzione implicita
I teoremi della funzione inversa e della funzione implicita Appunti per il corso di Analisi Matematica 4 G. Mauceri Indice 1 Il teorema della funzione inversa 1 Il teorema della funzione implicita 3 1
DettagliUniversità degli Studi della Calabria Facoltà di Ingegneria. 17 luglio 2012
Università degli Studi della Calabria Facoltà di Ingegneria Correzione della Seconda Prova Scritta di nalisi Matematica 7 luglio cura dei Prof. B. Sciunzi e L. Montoro. Seconda Prova Scritta di nalisi
DettagliCorso di Calcolo Numerico
Prof. L. Brandolini Corso di Calcolo Numerico Dott.ssa N. Franchina Laboratorio 5 Equazioni differenziali ordinarie: metodi espliciti 25 Novembre 215 Esercizi di implementazione Un equazione differenziale
DettagliVariabili aleatorie gaussiane
Variabili aleatorie gaussiane La distribuzione normale (riconoscibile dalla curva a forma di campana) è la più usata tra tutte le distribuzioni, perché molte distribuzioni che ricorrono naturalmente sono
DettagliTEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica
TEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica http://www.dii.unimore.it/~lbiagiotti/teoriasistemicontrollo.html Stima dello stato in presenza di disturbi: il
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliProva di ammissione al Dottorato di Ricerca in Matematica XXVIII ciclo. Universitá del Salento, 9 Aprile 2013
Prova di ammissione al Dottorato di Ricerca in Matematica XXVIII ciclo Universitá del Salento, 9 Aprile 2013 1 1 TEMA I Il candidato svolga una ed una sola delle dissertazioni proposte, illustrando sinteticamente
DettagliScegliere il migliore Expert Advisor
Scegliere il migliore Expert Advisor Analizziamo le principali Linee Guida per identificare i migliori Expert Advisors (Automatic Trading Systems) Gli Expert Advisors (EA) devono innanzitutto essere automatici
DettagliScheda n.3: densità gaussiana e Beta
Scheda n.3: densità gaussiana e Beta October 10, 2008 1 Definizioni generali Chiamiamo densità di probabilità (pdf ) ogni funzione integrabile f (x) definita per x R tale che i) f (x) 0 per ogni x R ii)
DettagliEquazioni differenziali
4 Equazioni differenziali Determinare le primitive di una funzione f(x) significa risolvere y (x) = f(x) dove l incognita è la funzione y(x). Questa equazione è un semplice esempio di equazione differenziale.
Dettagli1 Esercizi sulla teoria del portafoglio
1 Esercizi sulla teoria del portafoglio 1. Sia dato un mercato uniperiodale in cui siano disponibili soltanto due titoli rischiosi A e B caratterizzati da scarto quadratico medio e coefficiente di correlazione
DettagliEsercitazioni di Matematica
Università degli Studi di Udine Anno Accademico 009/00 Facoltà di Agraria Corsi di Laurea in VIT e STAL Esercitazioni di Matematica novembre 009 Trovare le soluzioni della seguente disequazione: x + +
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliStudiamo adesso il comportamento di f(x) alla frontiera del dominio. Si. x 0 lim f(x) = lim. x 2 +
Esercizi del 2//09. Data la funzione f(x) = ln(x 2 2x) (a) trovare il dominio, gli eventuali asintoti e gli intervalli in cui la funzione cresce o decresce. Disegnare il grafico della funzione. (b) Scrivere
DettagliUN ANALISI COMPARATA DEL SETTORE DEI TABACCHI LAVORATI IN ITALIA
UN ANALISI COMPARATA DEL SETTORE DEI TABACCHI LAVORATI IN ITALIA Luiss Guido Carli Audizione presso il Senato della Repubblica 23 Settembre 2014 PREMESSA Situazione corrente Le entrate del Governo nel
DettagliOttimizzazione nella Gestione dei Progetti - Esercitazione 1: calcolo degli schedule ottimi
Università degli Studi di Roma La Sapienza Ottimizzazione nella Gestione dei Progetti - Esercitazione : calcolo degli schedule ottimi di FABIO D ANDREAGIOVANNI Dipartimento di Informatica e Sistemistica
DettagliAnalisi Numerica. Debora Botturi ALTAIR. Debora Botturi. Laboratorio di Sistemi e Segnali
Analisi Numerica ALTAIR http://metropolis.sci.univr.it Argomenti Argomenti Argomenti Rappresentazione di sistemi con variabili di stato; Tecniche di integrazione numerica Obiettivo: risolvere sistemi di
DettagliCAPITOLO 1 LA FUNZIONE DI PRODUZIONE E LA CRESCITA ECONOMICA
CAPITOLO 1 LA FUZIOE DI PRODUZIOE E LA CRESCITA ECOOMICA 11 La funzione di produzione Data una funzione di produzione in cui la quantità prodotta () dipende dalla quantità di capitale () e di lavoro ()
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 52 Adattamento di una distribuzione
DettagliProva Scritta di di Meccanica Analitica. 12 Gennaio 2017
Prova Scritta di di Meccanica Analitica 1 Gennaio 017 Problema 1 Si studi il sistema meccanico costituito da un punto materiale di massa unitaria soggetto al potenziale V x) = a lnx) x > 0 x a) Scrivere
DettagliTest per l omogeneità delle varianze
Test per l omogeneità delle varianze Le carte di controllo hanno lo scopo di verificare se i campioni estratti provengono da un processo produttivo caratterizzato da un unico valore dello s.q.m. σ. Una
Dettagli