1. Perkenalan
Risiko tingkat bunga (IRR) adalah salah satu bentuk kunci dari risiko keuangan
yang dihadapi oleh bank.Risiko ini berasal dari peran mereka sebagai perantara
keuangan dan telah dikaitkan dengan dua alasan utama.Pertama, dalam neraca
mereka, bank-bank memegang aset dan kewajiban finansial utama dalam bentuk
nominal.Kedua, bank secara tradisional melakukan fungsi transformasi matu-rity
menggunakan deposito jangka pendek untuk membiayai pinjaman jangka
panjang.Ketidaksesuaian maturitas yang dihasilkan memperkenalkan volatilitas ke
dalam pendapatan dan kekayaan bersih bank sebagai perubahan suku bunga, dan
ini sering dilihat sebagai sumber utama IRR bank.Dalam beberapa tahun terakhir,
manajemen IRR telah menjadi terkenal di sektor perbankan karena fakta bahwa
suku bunga telah menjadi jauh lebih tidak stabil dan meningkatnya kekhawatiran
tentang topik ini di bawah Basel Capital Accord (Basel II) yang baru.Pendekatan
yang paling umum untuk mengukur eksposur tingkat bunga bank telah terdiri dari
memperkirakan sensitivitas pengembalian saham bank terhadap fluktuasi suku
bunga.Pengetahuan tentang pengaruh variabilitas suku bunga pada saham bank
adalah penting bagi manajer bank untuk mengelola IRR, investor untuk tujuan
lindung nilai dan alokasi aset, dan pengawas perbankan untuk menjamin stabilitas
2
sistem perbankan. Tujuan utama dari makalah ini adalah untuk menyelidiki
eksposur tingkat bunga dari industri perbankan Spanyol pada tingkat portofolio
dengan menggunakan metodologi GARCH (generalized autoregressive condi-
tional heteroskedastisitas). Kontribusi utamanya adalah untuk memeriksa untuk
pertama kalinya dalam kasus Spanyol dampak gabungan dari perubahan suku
bunga dan suku bunga
volatilitas pada distribusi pengembalian saham bank. Sisa kertas diatur sebagai
berikut.Bagian 2 berisi tinjauan literatur yang relevan.Metodologi yang digunakan
dan data yang digunakan dijelaskan dalam Bagian 3 dan 4, masing-masing.Bagian
5 melaporkan hasil empiris.Akhirnya, Bagian 6 menyimpulkan.
2 Tinjauan pustaka
Pengaruh IRR pada saham bank adalah masalah yang ditangani oleh sejumlah
besar literatur.Sebagian besar penelitian telah difokuskan pada model dua-indeks
yang didalilkan oleh [18] dan beberapa temuan umum dapat dinyatakan.Pertama,
sebagian besar makalah mendokumentasikan hubungan negatif yang signifikan
antara pergerakan suku bunga dan pengembalian saham bank.Hasil ini terutama
disebabkan oleh ketidaksesuaian jatuh tempo yang khas antara aset dan kewajiban
bank.Bank biasanya terkena kesenjangan durasi positif karena durasi rata-rata aset
mereka melebihi durasi rata-rata kewajiban mereka.Dengan demikian, pendapatan
bunga bersih dan nilai bank dipengaruhi secara negatif oleh kenaikan suku bunga
dan sebaliknya.Kedua, saham bank cenderung lebih sensitif terhadap perubahan
suku bunga jangka panjang daripada suku bunga jangka pendek.Ketiga, eksposur
tingkat bunga bank telah menurun selama beberapa tahun terakhir, mungkin
karena pengembangan sistem yang lebih baik untuk mengelola IRR.
Studi awal pada IRR bank didasarkan pada teknik regresi standar di bawah
asumsi pembatasan linearitas, kemandirian dan variasi kondisional konstan dari
pengembalian saham (lihat, misalnya, [1, 10]).Kemudian, beberapa penelitian
(lihat, misalnya, [14, 15]) memberikan bukti terhadap varians kondisional
3
konstan.Untai sastra yang lebih baru mencoba untuk menangkap sifat sensitivitas
tingkat suku bunga bank yang bervariasi berdasarkan waktu dengan menggunakan
metodologi tipe GARCH. Secara khusus, [17] memimpin jalan dalam penerapan
metodologi ARCH di perbankan, menunjukkan kesesuaiannya untuk analisis stok
bank. Studi selanjutnya telah menggunakan berbagai jenis proses GARCH untuk
memeriksa eksposur tingkat bunga bank. Sebagai contoh, [5] dan [16] telah
menggunakan model GARCH-M (GARCH in mean) univariat untuk memeriksa
baik efek dari perubahan tingkat suku bunga dan volatilitas mereka terhadap
pengembalian saham bank, sedangkan [6] dan [9] telah menggunakan model
GARCH-M multivariat.
3 Metodologi
Model yang diusulkan dapat model GARCH (1,1) -M serupa dilihat sebagai versi
tambahan dari suatu univariat ke formulasi oleh [5] dan [16]. Itu adalah sebagai
berikut:
error term dengan mean nol dan conditional variance hi t, yang bergantung pada
informasi yang disetel t −1, dan V C It −1 volatilitas suku bunga pada periode t
−1. Selain itu, ωi, λi, θi, γi, α0, α1, β dan δi adalah parameter yang akan
diestimasi. Secara khusus, λi mendeskripsikan sensitivitas pengembalian pada
simpanan bank ke fluktuasi pasar umum dan dapat dilihat sebagai ukuran risiko
pasar. Pada gilirannya, θi mencerminkan kepekaan pengembalian pada saham
4
bank itu terhadap pergerakan suku bunga yang mengendalikan perubahan dalam
pengembalian pasar. Oleh karena itu, itu adalah ukuran IRR bank IR. Seperti
biasa, untuk menjaga persyaratan non-negatif untuk varian kondisional α0, α 1, β
≥ 0, sedangkan α1 + β <1 untuk stabilitas untuk dipertahankan.
Masalah kedua menyangkut pilihan proxy suku bunga yang akan digunakan.
Dalam pengertian ini, suku bunga jangka panjang adalah proxy yang paling
banyak digunakan dalam literatur, karena mereka diasumsikan memiliki pengaruh
besar pada keputusan perusahaan dan kegiatan ekonomi secara
keseluruhan.Namun demikian, untuk meningkatkan kekuatan hasil, suku bunga
jangka pendek dan penyebaran antara suku bunga jangka panjang dan jangka
pendek juga telah digunakan.Berkenaan dengan suku bunga jangka pendek,
tingkat interbank telah dipilih sejak pasar uang telah menjadi referensi utama bagi
bank-bank Spanyol selama beberapa tahun terakhir. Pada gilirannya, spread suku
bunga dianggap sebagai proksi yang baik untuk kemiringan kurva imbal hasil.
4 Data
Sampel terdiri dari semua bank komersial yang terdaftar di Bursa Efek Spanyol
selama setidaknya satu tahun selama periode Januari 1993 - Desember 2005 (23
bank secara total). Pengembalian saham bulanan telah diperoleh dari database
Bolsa de Madrid. Portofolio pasar yang digunakan adalah versi modifikasi dari
Indice General de la Bolsa de Madrid (IGBM), indeks pasar saham Spanyol
terluas. Karena relevansi utama saham bank di IGBM, indeks alternatif di mana
bank dikecualikan telah dibangun untuk memperoleh serangkaian pengembalian
pasar sebagai eksogen mungkin. Mar-ket suku bunga telah diproksi dengan hasil
rata-rata bulanan pada obligasi pemerintah Spanyol 10-tahun dan tingkat rata-rata
3 bulan dari pasar antar bank Spanyol, sedangkan spread suku bunga telah
dihitung sebagai perbedaan di antara mereka. Mengikuti [5] dan [16], volatilitas
suku bunga telah diukur oleh varians bersyarat dari suku bunga, yang dihasilkan
menggunakan proses GARCH.
Untuk memeriksa apakah ada hubungan antara ukuran bank dan IRR, saham
bank telah diurutkan berdasarkan ukuran menjadi tiga portofolio - bank besar (L),
menengah (M) dan kecil (S).Klasifikasi ini (lihat Tabel 1) didasarkan pada tiga
kategori bank komersial yang biasanya dibedakan dalam industri perbankan
6
Portfolio L
Portfolio
M
B. 26,686,670 56
Sabadell
Portfolio S
7
Tabel ini menampilkan daftar bank komersial Spanyol yang dipertimbangkan dan
distribusinya dalam portofolio sesuai dengan kriteria ukuran (portofolio L, M dan
S).
5 Hasil empiris
1
Komposisi portofolio bank ditetapkan untuk seluruh periode sampel. Sebagai
alternatif, kami juga mempertimbangkan restrukturisasi tahunan portofolio
berdasarkan volume total aset mereka, dan hasil yang diperoleh dalam kasus itu
sangat mirip dengan yang dilaporkan dalam makalah ini.
2
Model terakhir yang akan diestimasi untuk portofolio S tidak termasuk variansi
kondisional dari suku bunga sejak inklusi akan menghasilkan masalah serius
dalam estimasi model karena variabilitas kecil dari pengembalian pada portofolio
tersebut.
ωi λi θi γi α0 α1 β δi
Portfol
io L
Portfol
io M
Portfol
io S
− − −
α α
ωi λi θi γi 0 1 β δi
Portfol
io L
Portfol
io M
Portfol
io S
Interest rate
spread
ωi λi θi γi α0 α1 β δi
Portfol
io L
Portfol
io M
Portfol
io S
Ri t = ωi + λi Rm t + θi Ini + i t (4)
Karena kedua variabel penjelas secara linear independen oleh konstruksi, varians
dari pengembalian masing-masing portofolio saham bank, V ar (Ri t), dapat
ditulis sebagai:
V ar (R λ2 V ar (R m t) θ 2 V ar (I) + V ar () (5)
14
i t) = ˆ i + ˆi t i t
Untuk membandingkan kedua faktor risiko, persamaan (5) telah dibagi oleh V ar
(Ri t). Dengan demikian, kontribusi masing-masing faktor dapat dihitung sebagai
rasio variansnya atas total varians dari pengembalian portofolio bank. Seperti
yang ditunjukkan pada Tabel 4, risiko pasar tidak diragukan lagi merupakan
penentu pengembalian bank yang paling penting.IRR relatif kurang relevan,
tingkat jangka panjang menjadi yang menunjukkan insiden yang lebih besar.
Interest rate
changes
3 months 10 Sprea
years d
R2(% It R
mt Total It R
mt Total It R
m t Tot
) al
Portfolio 0.8 53.84 54.69 2.8 51.77 54.58 1.2 53.47 54.6
L 5 1 2 9
Portfolio R2(% 1.3 34.21 35.52 2.7 32.78 35.52 1.1 34.83 36.0
M ) 0 4 9 2
Portfolio R2(% 1.2 15.19 16.42 5.5 12.40 17.99 1.0 15.35 16.4
S ) 4 9 8 3
Tabel ini menunjukkan kontribusi tingkat bunga dan risiko pasar, diukur melalui
faktor R2 yang diperoleh dari persamaan (5) dalam menjelaskan total varians
pengembalian portofolio bank.
15
Parameter δi, yang mengukur efek dari volatilitas suku bunga pada volatilitas
return portofolio bank, negatif dan signifikan untuk portofolio L dan M.4 Sebuah
penjelasan pos-sible yang disarankan oleh [5] adalah bahwa, dalam menanggapi
peningkatan suku bunga volatilitas, bank L dan M mencari perlindungan dari IRR
dan mampu mengurangi eksposur mereka dalam satu bulan, misalnya, dengan
menahan derivatif dan / atau mengurangi kesenjangan durasi aset dan
liabilitasnya. Oleh karena itu, ini menghasilkan volatilitas saham bank yang lebih
rendah pada periode berikutnya.Selain itu, hubungan langsung tampaknya ada
antara nilai absolut δi, ukuran bank dan jangka waktu hingga tingkat bunga jatuh
16
Selain itu, model GARCH yang diusulkan telah ditambah dengan tujuan untuk
memeriksa apakah pengenalan euro sebagai mata uang tunggal dalam Moneter
Uni Eropa sejak 1 Januari 1999 telah secara signifikan mengubah de-gree IRR
bank Spanyol. , model yang diperluas berikut telah menjadi
3
[13] menunjukkan beberapa alasan untuk hubungan antara risiko dan kembali
menjadi negatif.Dalam kerangka sektor keuangan, [5] juga menyarankan
penjelasan untuk mendapatkan koefisien tradeoff negatif antara risiko dan
pengembalian.
4
Ingat bahwa parameter ini tidak muncul dalam model untuk portofolio S.
5
Karena estimasi model GARCH membutuhkan banyak pengamatan, prosedur
variabel dummy telah digunakan daripada memperkirakan model untuk setiap
subperiode.
mated:
h
i t =α0+α1i2t−1+βhi t −1+δi V C It −1 (7)
it | t−1∼N(0,hi t) (8)
17
di mana Dt = 1 jika t ≤ Januari 1999 dan Dt = 0 jika t> Januari 1999. Koefisien
yang terkait, ηi, mencerminkan dampak diferensial dalam hal paparan IRR selama
periode pra-euro.Hasilnya dilaporkan pada Tabel 5.
θ
i 1.94 −3.44 −1.88∗∗ 2.42 2.59 −0.73∗∗ −1.69 −0.67 −0.1
∗ ∗ 7
Tabel ini menunjukkan parameter estimasi IRR dalam model GARCH-M berikut
(6) - (8).
∗∗∗, ∗∗ dan ∗ menunjukkan signifikansi statistik pada tingkat 1%, 5% dan 10%,
masing-masing.
Koefisien ηi negatif dan signifikan pada tingkat biasa dalam banyak kasus
dengan perubahan suku bunga jangka panjang dan pendek, sedangkan hasilnya
tidak sepenuhnya konklusif dengan seri spread. Temuan ini menunjukkan bahwa
IRR secara substansial lebih tinggi selama periode pra-euro, sejalan dengan bukti
sebelumnya (lihat [15]) dan menunjukkan bahwa sensitivitas tingkat bunga
pengembalian saham bank telah menurun secara signifikan sejak
diperkenalkannya euro.Penurunan IRR bank selama dekade terakhir pada
18
dasarnya dapat dikaitkan dengan penerapan peran yang lebih aktif dalam
manajemen aset-kewajiban oleh bank dalam menanggapi peningkatan volatilitas
di pasar keuangan, yang telah menyebabkan manajemen IRR yang lebih efektif.
6 Kesimpulan
Makalah ini mengkaji eksposur tingkat bunga dari sektor perbankan Spanyol
dalam kerangka GARCH-M. Secara khusus, analisis telah dilakukan pada
portofolio saham bank yang dibangun sesuai dengan kriteria ukuran. Mengikuti
rangkaian penelitian terbaru, penelitian ini menginvestigasi dampak perubahan
suku bunga dan volatilitas suku bunga terhadap distribusi pengembalian saham
bank.
Hasil mengkonfirmasi persepsi umum bahwa risiko suku bunga adalah faktor
yang signifikan untuk menjelaskan variabilitas pengembalian saham bank tetapi,
seperti yang diharapkan, ia memainkan peran sekunder dibandingkan dengan
risiko pasar. Konsisten dengan pekerjaan sebelumnya, pengembalian portofolio
saham bank berkorelasi negatif dengan perubahan suku bunga,
Hasil utama lainnya mengacu pada hubungan langsung yang ditemukan antara
ukuran bank dan sensitivitas tingkat bunga.Perbedaan berdasarkan ukuran ini bisa
menjadi hasil dari perbedaan antara bank-bank besar dan kecil dalam hal
19
Referensi
1. Bae, S.C .: Perubahan suku bunga dan pengembalian saham umum lembaga
keuangan: direvisi kembali. J. Finan. Res. 13, 71–79 (1990)
2. Baillie, R.T., DeGennaro, R.P .: Return saham dan volatilitas. J. Finan.
Bergalah. Anal. 25, 203-214 (1990)
3. Bartram, S.M .: Eksposur tingkat bunga korporasi non finansial. Eur. Finan.
Wahyu 6, 101–125 (2002)
4. Campbell, J.Y., Hentschel, L .: Tidak ada berita adalah berita baik: Sebuah
model asimetris perubahan volatilitas dalam pengembalian saham. J. Finan.
Econ. 31, 281–318 (1992)
5. Elyasiani, E., Mansur, I .: Sensitivitas dari saham bank mengembalikan
distribusi ke perubahan
6. dalam tingkat dan volatilitas tingkat bunga: Model GARCH-M. J. Perbankan
Finan. 22, 535–563 (1998)
7. Elyasiani, E., Mansur, I .: Kepekaan pengembalian saham bank untuk jangka
panjang dan jangka pendek
8. Suku bunga: Pendekatan GARCH multivariat. Manajerial Finan. 30, 32–45
(2004)
20
23. Stone, B.K .: Risiko suku bunga sistematis dalam model pengembalian dua
indeks. J. Finan. Bergalah. Anal. 9, 709–721 (1974)
1. Perkenalan
Kehadiran secara simultan dari suatu patokan dan minimum pengembalian yang
dijamin mempengaruhi banyak produk keuangan terstruktur.Tujuannya adalah
22
Dalam literatur ada kontribusi yang membahas dua komponen secara terpisah,
dan ada kontribusi yang membahas masalah kesalahan pelacakan ketika Value at
Risk (VaR), Conditional Value at Risk (CVaR) atau Maximum Drawdown (MD)
kendala diperkenalkan terutama dalam kerangka statis, tetapi sangat sedikit
kontribusi
M. Corazza dkk. (eds.), Metode Matematika dan Statistik untuk Ilmu Pengetahuan
Aktuaria dan Keuangan
Batasan jaminan dapat dipilih berkenaan dengan nilai kekayaan terminal atau
sebagai urutan pengembalian yang dijamin (kemungkinan meningkat). Pilihan ini
dapat dipimpin oleh kondisi produk keuangan yang terkait dengan dana tersebut.
Desain jaminan adalah masalah yang krusial dan memiliki dampak yang konsisten
terhadap pilihan strategi manajemen.
Tidak semua nilai jaminan minimum dapat dicapai; argumen arbitrase tidak
dapat diterapkan. Desain optimal jaminan minimum telah dipertimbangkan dan
dibahas dalam konteks manajemen dana pensiun di [14]. Muermann dkk. [26]
menganalisis kesediaan peserta dalam dana pensiun iuran pasti untuk membayar
jaminan dari sudut pandang analisis penyesalan.
Masalah lain yang harus ditangani dalam perumusan adalah kenyataan bahwa
kebijakan yang memberikan jaminan pengembalian minimum biasanya
memberikan kepada pemegang polis juga sejumlah tertentu pengembalian bagian
berisiko dari portofolio yang diinvestasikan di pasar ekuitas. Hal ini mengurangi
kemungkinan penerapan alokasi portofolio berdasarkan obligasi Treasury karena
tidak ada potensi kenaikan yang akan ditangkap. Tujuan utamanya adalah
kombinasi yang tepat dari dua tujuan yang saling bertentangan, yaitu
pengembalian terjamin, yaitu profil risiko rendah, dan setidaknya bagian dari
pengembalian yang lebih tinggi yang dapat diberikan oleh pasar ekuitas dengan
biaya eksposur tinggi untuk risiko tidak memenuhi persyaratan pengembalian
minimum.
Pengenalan tolok ukur dan produk yang diindeks telah sangat meningkat sejak
Modal Asset Pricing Model (lihat [23,25,28]) mempromosikan basis teoritis untuk
dana indeks. Pernyataan patokan sangat relevan dalam definisi profil risiko dana
dan dalam evaluasi kinerja manajer dana. Analisis keberhasilan dalam mereplikasi
benchmark dilakukan melalui pelacakan kesalahan pengukuran.
4 Rumusan masalah
pada pilihan tolok ukur, yang tidak dapat melebihi pengembalian pada keamanan
bebas risiko tanpa persyaratan arbitrase.
Biarkan xkt menjadi nilai tolok ukur berisiko pada waktu t di node kt; zt
adalah nilai dari tolok ukur yang lebih rendah, jaminan minimum, yang dapat
diasumsikan konstan atau memiliki dinamika deterministik, sehingga tidak
bergantung pada node kt. Kami menunjukkan dengan ykt nilai portofolio yang
dikelola pada waktu t di node kt. Selain itu, biarkan φkt (ykt, xkt) menjadi ukuran
28
kesalahan pelacakan yang tepat yang menyumbang jarak antara portofolio yang
dikelola dan tolok ukur yang berisiko, dan ψkt (ykt, zt) ukuran jarak antara
portofolio berisiko dan patokan jaminan minimum. Fungsi obyektif dapat ditulis
sebagai
T Kt Kt
ma =+ =+
x
αt φkt (ykt , xkt ) − ψkt (ykt , zt ) (1)
y
βt k K
kt t t t
=0 k K
−1
t t 1
−11
di mana αt dan βt mewakili urutan bobot positif yang dapat menjelaskan baik
untuk kepentingan relatif dari dua tujuan dalam fungsi obyektif dan untuk
preferensi waktu dari manajer. Sebagai contoh, jika kita mempertimbangkan
masalah manajemen portofolio dana pensiun kita dapat mengasumsikan bahwa
tujuan penangkapan terbalik lebih disukai pada tahap awal dari cakrawala
investasi sementara strategi yang lebih konservatif dapat diadopsi pada akhir
periode investasi. Pilihan yang tepat untuk andt dan allowst memungkinkan kita
untuk menentukan masalah kesalahan pelacakan yang berbeda.
T Kt KT
29
ma =+ =+
x
αt φkt (ykt , xkt ) − βT ψkT (ykT , zT ).
y K
(2)
kt t t
=0 −11
k
t k K
T −11
T
Dalam model kami, kami mempertimbangkan dua tolok ukur yang berbeda
dan masalah pelacakan dinamis.Model dapat digeneralisasikan untuk
memperhitungkan pemantauan kekurangan lebih sering daripada tanggal
perdagangan, lihat Dempster et al. [14].
Kami melambangkan dengan rkt = (r1 kt,..., rn kt) vektor pengembalian aset
berisiko untuk periode [t - 1, t] dalam simpul kt dan dengan rc kt pengembalian
komponen likuiditas di node kt. Untuk memperhitungkan biaya transaksi dan
komponen likuiditas dalam portofolio kami memperkenalkan dua vektor variabel
akt = (a1kt,..., An kt) dan vkt =
(v1kt,..., vn kt) yang menunjukkan nilai setiap aset yang dibeli dan dijual pada
waktu t di node kt, sementara kami menunjukkan dengan κ + dan κ− biaya
transaksi proporsional untuk pembelian dan penjualan.
φ k (y , k ) = [ y − x k ]+ = θ + (3)
t x t t
k kt kt;
t
t t t kt
where [ ykt−xkt ]+= max[ − xkt,0] and [ykt − zt]− = − min[ykt − zt,0].
ykt The
di mana [ykt - xkt] + = maks [ykt - xkt, 0] dan [ykt - zt] - = - min [ykt - zt, 0]. Itu
jaminan minimum dapat diasumsikan konstan selama seluruh horizon
perencanaan atau dapat mengikuti dinamika deterministik, yaitu, tidak tergantung
pada skenario. Setelah [14] kita mengasumsikan bahwa ada tingkat pengembalian
tahunan yang dijamin dinotasikan dengan ρ. Kalau yang awalKekayaan adalah W
31
T Kt Kt +
=+ + = −
max α θ −β γ (5)
q ,b ,c
kt t t kt K
t −11 kt t 1 kt
kt kt =1
k K
t t
−1
θ + − θ −= y − x kt (6)
k k
t kt
32
−
kt≤ t − zt (7)
γ− yk
n n
1 2
= ckt +
y
kt i= qi + b
j kt (8)
1 kt
j =1
= = =
≥ 0 vi ≥ 0i = 1, . . . ,n1 (12)
kt
33
≥ 0 v j ≥ 0j = 1, . . . ,n2 (13)
kt
≥ 0 i =1, . . . , n1 (14)
≥ 0 j =1, . . . , n2 (15)
=0 θ− (16)
≥0 0 (17)
kt≥
≥0 (18)
≥0 (19)
= i =1, . . . , n1 (20)
q¯i
= (22)
c¯
dimana persamaan (8) mewakili komposisi portofolio di node kt; persamaan (9) -
menggambarkan dinamika jumlah saham, obligasi dan uang tunai dalam
portofolio yang bergerak dari node leluhur f (kt), pada waktu t - 1, ke node
descendent kt, pada waktu t, dengan K0 = 0. Dalam persamaan (11 ), dengan gkt
kami menunjukkan arus masuk dari obligasi dalam portofolio. Persamaan (16)
mewakili kondisi komplementaritas yang mencegah penyimpangan positif dan
negatif menjadi berbeda dari nol pada saat yang sama. Persamaan (20) - (22)
memberikan dana awal untuk saham, obligasi dan uang tunai.
Kita perlu menentukan nilai patokan dan nilai jaminan minimum pada setiap
waktu dan untuk setiap node. Stochastic benchmark ykt dan harga aset berisiko
34
mengikuti
5. Kesimpulan
Referensi
Abstrak.Studi ini menyelidiki hubungan antara harga minyak mentah, gas alam
dan listrik.Mungkin integrasi mungkin ada dan dapat diukur dengan menggunakan
pendekatan kointegrasi.Hubungan antara komoditas energi mungkin memiliki
beberapa implikasi untuk penetapan harga produk derivatif dan untuk tujuan
manajemen risiko.Dengan menggunakan data harga harian untuk minyak mentah
38
Brent, gas alam NBP Inggris dan listrik EEX, kami menganalisis hubungan
jangka pendek dan jangka panjang di antara pasar-pasar ini.Analisis korelasi tanpa
syarat dilakukan untuk mempelajari hubungan jangka pendek, yang tampaknya
sangat tidak stabil dan didominasi oleh kebisingan.Hubungan jangka panjang
dianalisis menggunakan kerangka kerja kointegrasi Engle-Granger.Hasil kami
menunjukkan bahwa pasar gas, minyak dan listrik terintegrasi.Kerangka kerja
yang digunakan memungkinkan kami untuk mengidentifikasi hubungan jangka
pendek.
1. Perkenalan
Komoditas energi telah menjadi aktor utama di bidang ekonomi dan keuangan
dalam dekade terakhir.Deregulasi pasar listrik dan gas di negara-negara barat
menyebabkan perubahan serius dalam dinamika harga listrik dan gas dan
mengharuskan penerapan strategi manajemen risiko yang memadai.Pasar minyak
mentah juga telah mengalami perubahan serius selama dekade terakhir yang
disebabkan oleh faktor ekonomi dan politik.Deregulasi pasar gas dan listrik harus
menyebabkan, antara lain, pembentukan harga yang lebih efisien dari komoditas
ini.Namun ketergantungan mereka pada harga minyak masih sangat penting.
Analisis tentang bagaimana komoditas ini terkait satu sama lain merupakan
tonggak penting dalam definisi pengukuran risiko dan alat manajemen.
Selama bertahun-tahun gas alam dan produk minyak murni telah digunakan
sebagai pengganti yang dekat dalam pembangkit tenaga listrik dan
industri.Sebagai akibatnya, pergerakan harga gas alam secara umum telah
melacak minyak mentah.Ini membawa akademisi dan praktisi menggunakan
aturan praktis sederhana untuk menghubungkan harga gas alam dengan harga
minyak mentah yang menurutnya fungsi deterministik sederhana mungkin dapat
39
M. Corazza dkk. (eds.), Metode Matematika dan Statistik untuk Ilmu Pengetahuan
Aktuaria dan Keuangan
Beralih antara gas alam dan sisa bahan bakar minyak telah menurun, sehingga
harga gas tampaknya bergerak lebih independen dari harga minyak. Namun,
sampai batas tertentu, harga minyak diperkirakan akan tetap menjadi pendorong
utama harga energi melalui persaingan antar-bahan bakar dan klausul indeksasi
harga dalam beberapa kontrak gas jangka panjang.
Tujuan dari makalah ini ada dua.Pertama, untuk menyelidiki hubungan jangka
pendek antara minyak, gas alam dan listrik di pasar energi Eropa.Kedua, untuk
mengidentifikasi kemungkinan hubungan keseimbangan jangka panjang antara
komoditas ini.Secara khusus kami menguji tren harga bersama, atau
kecenderungan umum, untuk mendeteksi apakah gas alam dan listrik didorong
oleh sumber unik keacakan, minyak mentah. Dalam konteks keuangan,
keberadaan hubungan kointegrasi tidak menyiratkan peluang arbitrasi antara
pasar-pasar ini serta tidak ada pasar terkemuka dalam proses penemuan harga. Ini
akan menjadi fitur kunci untuk definisi strategi hedging juga untuk pasar energi,
mengingat proses deregulasi baru-baru ini dari gas dan pasar listrik di Eropa.
40
Teori ekonomi menunjukkan adanya hubungan antara harga gas alam dan
minyak.Minyak dan gas alam adalah substitusi yang kompetitif dan melengkapi
dalam pembangkitan listrik dan dalam produksi industri.Karena hubungan
asimetris dalam ukuran relatif dari masing-masing pasar, perubahan harga minyak
yang lalu menyebabkan perubahan di pasar gas alam, tetapi sebaliknya tidak
berlaku [17].
Hubungan antara gas alam dan minyak mentah telah banyak diselidiki. .
Dalam [14] harga minyak dan gas UK Inggris selama periode 1996–2003 telah
dianalisis. Dalam [3] tingkat integrasi pasar baik di antara dan antara minyak
mentah, batubara, dan pasar gas alam di AS telah diselidiki. Jangka waktu yang
lebih lama 1989–2005, digunakan di [17] di mana hubungan kointegrasi antara
minyak dan gasalam
1
Penyebaran adalah perbedaan harga antara dua komoditas dan sebagian besar
digunakan untuk menggambarkan kilang pembangkit listrik, fasilitas
penyimpanan, dan jalur transmisi.Untuk deskripsi luas tentang opsi penyebaran
energi, lihat [6].
(WTI)minyak mentah dan Henry Hub (HH) gas alam telah dikaji dalam [4] dan
[9].
Analisis hubungan listrik dan harga bahan bakar fosil telah hanyatelah
dilakukan di tingkat daerah dan terkait set data yang diberikan pengenalan
barupasar spot listrik. Serletis dan Herbert [15] digunakan dinamikaAmerika
Utara gas alam, minyak bahan bakar dan listrik harga dari tahun 1996 sampai
1997 untuk menemukanbahwa harga gas alam HH dan 6 zona Transco dan harga
bahan bakar minyak yang cointegrated,Sedangkan kekuatan harga seri tampaknya
stasioner. [8] keberadaanjangka menengah dan jangka panjang korelasi antara
listrik dan bahan bakar minyak di Eropaditeliti. [2] menyelidiki dinamika gas,
minyak dan listrik selama interimperiode 1995-1998: deregulasi pasar gas Inggris
(1995) dan pembukaanInterconnector (1998). Cointegration antara gas alam,
minyak mentah dan listrikHarga ditemukan dan peran utama minyak mentah juga
dikenali. Baru-baru ini,menggunakan kerangka waktu multivarian seri, [13] antar-
hubungan antara listrikHarga dari dua pasar yang berbeda, Pennsylvania, New
Jersey, Maryland interkoneksi(PJM) dan pertengahan Columbia (pertengahan-C),
dan empat besar sumber harga BBM, alamgas, minyak mentah, batubara dan
uranium, pada periode 2001-2008, diperiksa.
Untuk yang terbaik dari pengetahuan kita tingkat integrasi antara gas,
minyak danpasar listrik di pasar Eropa tidak diselidiki. Tujuanstudi ini adalah
terutama untuk melakukan analisis seperti memverifikasi jika tenaga yang terpadu
3. Data Set
Deret waktu untuk harga harian ICE Brent minyak mentah, gas alam 2 Nasional
Menyeimbangkan titik (NBP) UK3 dan Eropa energi asing (EEX) adalah
electricity4digunakan untuk periode September 2001 – Desember 2007.
42
Harga minyak yang dinyatakan dalam US$ / barrel per hari (bd), gas di
UK p/therm dan listrikharga di jam e Megawatt (MWh).Kita mengubah seluruh
harga ke e MWh menggunakanfaktor konversi untuk kandungan energi disediakan
oleh administrasi informasi energi (EIA).5 dinamika harga energi diwakili dalam
gambar 1.
2. Brent campuran minyak mentah referensi untuk Laut Utara dan merupakan
salah satu dari tiga besar benchmark di pasar minyak internasional [7].
3. NBP adalah gas yang paling likuid trading point di Eropa. Harga NBP adalah
referensiuntuk banyak maju transaksi dan untuk masa depan pertukaran
internasional Perminyakan (IPE)kontrak [7].
4. EEX adalah salah satu Bursa energi terkemuka di Eropa Tengah [7]. Untuk
kamiAnalisis puncak beban harga telah digunakan.
5. menurut EIA faktor konversi, 1 barel minyak mentah sama dengan 1.58
MWh.
43
𝑖𝑁 2
1 𝑆𝑡 𝑆𝑡
𝜎𝑖, 𝑁 = √ ∑ (𝐼𝑛 − 𝐸 (𝐼𝑛 ))
𝑁−1 𝑆𝑡−1 𝑆𝑡−1
𝑡=(𝑖−1)𝑁+1
antara 65% dan 330%. Harga listrik, seperti yang diharapkan, itu jauh lebih
mudah menguap daripadaharga minyak dan gas, 6 dengan serangkaian kuartalan
volatilitas yang berayun antara di sekitar277% dan 868%.
Seri tγ τ0 τ1 Τd Keputusan
−18.4
(1)
Tingkat kepentingan 5% adalah −1.94 untuk ADF tanpa eksogen variabel, −2.86
untuk ADF dengan konstan dan −3.41 untuk ADF dengan konstan dan tren. (∗)
menunjukkan penerimaan null pada 1%, (∗∗) menunjukkan penolakan null pada
ukuran konvensional tes. SIC berbasis optimal lag panjang berada dalam tanda
kurung.
45
Kami menjalankan tes tanpa setiap variabel eksogen, dengan konstan dan
konstan ditambahlinear waktu tren sebagai eksogen variabel dalam persamaan
(1).Melaporkan t-Statistiktγ, τ0 dan τ1, masing-masing.Τd adalah t-statistik untuk
tes ADF data pertama-differenced.tγ lebih besar dari nilai-nilai kritis namun kami
menolak hipotesis dalam pertama-perbedaan,oleh karena itu kami menyimpulkan
bahwa variabel pertama-perbedaan stasioner (yaitu, semua seriyang I(1)).
secara signifikan bias atau omong kosong jika variabel yang mendasari polinomial
waktuatau ketika dua variabel non-stasioner [18].
1 𝑠+𝑡𝑗
∑ (𝑥𝑖 −𝑥̂)(𝑦𝑖 −𝑦̂)
𝑡𝑗−1 𝑖=𝑠
𝜌𝑠 [𝑥, 𝑦] = ̂𝜎
, 𝑠 = 1, … . . , 𝑇 − 𝑡𝑗,
𝜎𝑥̂
𝑦
(2)
mana T = 1580 (seluruh periode 2001-2007), dan 𝜎̂𝑥 dan 𝜎̂𝑦 standarpenyimpangan
dari x dan y, diperkirakan pada jendela waktu yang sesuai.
7. periode jendela ini disarankan di [6]. Kami juga melakukan analisis dengan
jendela yang lebih besar(Τ j = 100, 150, 200 hari), mendapatkan hasil yang
sama.
Tabel 2. Korelasi tanpa syarat dan bergulir korelasi antara harga log
Hasil ini tidak memberikan wawasan nyata sifat hubungan yang berguna
cointegrated jika kombinasi linear dari mereka stasioner. Vektor yang menyadari
dengan t sebagai kebisingan putih n-dimensi sesuai, dan n n × Ai, saya = 1,..., p
𝐶𝑂𝐷(𝑥,𝑦)
1. korelasi tanpa syarat untuk tempoh yang diberikan oleh 𝜌𝑇 = ̂𝜎
𝜎𝑥̂
𝑦
mana y1, t dan y2, t adalah dua seri harga, keduanya diintegrasikan dari memesan
satu, dan zt menunjukkan OLS regresi residu. Kita melakukan tes dua kali untuk
setiap pasangan menggunakan seri waktu sebagai variabel dependen kedua dari
49
seri.Untuk setiap pasangan seri waktu, menggunakan kedua dari seri sebagai
variabel dependen.Hasilnya dilaporkan dalam tabel 4. Hipotesis null cointegration
tidak ditolak di tingkat significance 8% regresi minyak vs listrik, di tingkat 1% di
semua kasus lain. Β coefficients inequation(5), yang mewakili faktor
proporsionalitas untuk tren umum, diperkirakan oleh OLS.
Menurut teorema representasi Granger, jika dua seri cointegrate, dinamika
jangka pendek dapat digambarkan oleh ECM. ECM dasar yang diusulkan di [5]
dapat ditulis sebagai berikut:
mana (y1, t−1−α−βy2, t−1) mewakili termzt−1 koreksi kesalahan dari equation(5),
φ mengukur respon sezaman harga, θ mewakili kecepatan penyesuaian terhadap
hubungan cointegrating, dan t ∼ i.i.d. (0,).
3. Kira-kira 10 φ parameter coefficient korelasi antara pertama perbedaan
harga (yi, t dan yj, t) dan itu akan menjadi dekat to1 ketika dua komoditas
di pasar yang sama. Oleh karena itu, nilai yang lebih tinggi dari φ adalah
tanda integrasi pasar [3].
pembentukan harga listrik dan gas. Misalignment antara minyak dan gas dalam
jangka pendek tergantung pada kekuatan yang berbeda (yaitu, pasokan gas dari
Aljazair atau Rusia) yang mungkin memberikan beberapa sumber independen
keacakan harga gas alam.Ini mungkin menjelaskan mengapa, terutama dalam
periode bergolak, minyak dan gas cenderung memiliki dinamika yang berbeda,
sedangkan harga gas alam mengikuti minyak mentah dalam jangka panjang.
6. Kesimpulan
Makalah ini menganalisis dinamika harga minyak, listrik dan gas alam di pasar
Eropa untuk memperkirakan sifat hubungan yang ada antara mereka.Analisis
sederhana korelasi antara berbagai time series tidak berkesan diberikan bebas-
stationarity data.Pendekatan cointegration dipilih untuk mengukur integrasi yang
mungkin antara pasar.
Cointegration hubungan antara setiap pasangan komoditas ditemukan
menggunakan pendekatan Engle-Granger. Johansen cointegration laporan yang
menguji minyak, harga gas dan listrik semua cointegrated. Persamaan lebih lanjut
mengintegrasikan dua ditemukan, menyiratkan bahwa salah satu tren yang umum
terdapat di pasar energi. Dari ekonomi pandangan ini dapat ditafsirkan sebagai
sumber sederhana risiko (pasar minyak), yang mempengaruhi dinamika dua
komoditas lain (listrik dan gas).
Referensi
1. Alexander, C.: Korelasi dan cointegration di pasar energi. Dalam: Kaminski,
V. (ed.) mengelola risiko harga energi, ms. 291–304.RISK publikasi (1999)
2. Asche, F., Osmundsen, P., Sandsmark, M.: The UK pasar untuk gas alam,
minyak dan listrik: harga yang dipisahkan? Energ. J. 27, 27–40(2006)
3. Bachmeier,L.J., Griffin, J.M.: Pengujian untuk integrasi pasar: minyak
mentah, batu bara, dan gas alam. Jurnal energi 27, 55–72(2006)
52
17. Villar, Ja Joutz,F.L.: Hubungan antara harga minyak mentah dan gas alam.
Administrasi informasi energi, Office dari minyak dan Gas alam.
Washington, DC (2006)
18. Yule, U.: Mengapa kita kadang-kadang mendapatkan omong kosong-korelasi
antara seri waktu? Sebuah studi di sampel dan sifat dari deret waktu. J. R.
Manzanar Soc. 89, 1–63(1926)
54
1. Perkenalan
Sejak Mandelbrot memperkenalkan distribusi α-stabil dalam pemodelan
pengembalian aset keuangan, banyak studi empiris telah dilakukan baik dalam
ilmu alam dan ekonomi. Karya-karya Rachev dan Mittnik [19] dan Rachev et al.
[18] (lihat juga referensi di dalamnya), telah memusatkan perhatian pada kerangka
kerja umum untuk pasar dan manajemen risiko kredit, penentuan harga, dan
portofolio berdasarkan distribusi α-stabil. Meskipun secara umum terbukti tidak
mendukung distribusi normal, hal ini sangat konsisten dengan hipotesa a-
stabledistributional. Seiring waktu yang berubah-ubah yang menunjukkan bahwa
tanda-tanda saat ini terkait dengan distribusi normal dan kemudian menyebabkan
distribusinya. Lebih dari itu, sifat-sifat yang menarik dapat menyebabkan masalah
dalam mengkalibrasi model ke data nyata. Lagi pula, ada konsensus yang luas
55
model penetapan harga opsi stabil. Definisi formal dari proses stabil yang temper
telah diusulkan dalam karya seminal Rosi´nski [21]. KoBol (Koponen,
Boyarchenko, Levendorski˘ı) [4], CGMY (Carr, Geman, Madan, Yor) [5], Inverse
Gaussian (IG) dan stabilnya Tweedie [22] hanyalah beberapa contoh parametrik
di kelas ini yang memiliki parametrisasi tak terbatas-dimensi oleh sebuah keluarga
pengukuran [24]. Ekstensi lebih lanjut atau kasus-kasus pembatas juga diberikan
oleh kerangka stabil fraksional marah [10], gamma bilateral [15] dan distribusi
stabil tempered umum [7 ] dan [16]. Formulasi umum sulit digunakan dalam
aplikasi praktis, tetapi memungkinkan seseorang untuk membuktikan beberapa
hasil yang menarik mengenai kalkulus fungsi karakteristik dan generasi bilangan
acak. Keterbatasan distribusi terbatas dari distribusi ini memungkinkan sone untuk
membangun L´evyprocess dan untuk menganalisis perubahan masalah ukuran dan
perilaku proses juga.
Tujuan dari kertas ini adalah untuk menunjukkan beberapa masalah
numerik yang timbul dari penggunaan kelas ini dalam aplikasi untuk mencari
dengan melihat pendekatan densitas dan pembangkitan bilangan acak untuk
beberapa kasus tertentu, seperti kasus CGMY dan Kim Rachev (KR). Makalah ini
56
2. Definisidasar
Kelas distribusi yang sangat terbatas, memiliki spektrum aplikasi yang besar dan
dalam beberapa tahun terakhir, khususnya dalam keuangan matematika dan
ekonometrik, distribusi non-normal yang tidak dapat dibagi secara luas telah
dipelajari secara luas. Berikut ini, kita akan mengacu pada kebencian L’evy-
Khinchinrep withL´evy triplet (ah, σ, ν) seperti pada [16]. Sekarang mari kita
definisikan ukuran L´evy dari distribusi TSa.
Definisi1 Areal bernilai acakvariabel X isTSα ifisin dengan pasti divisiblupa
bagian Gaussian dan memiliki pengukuran L´evy ν yang dapat ditulis dalam
polar terkoordinasi
foreach w ∈ Sd − 1.
57
Selanjutnya, dengan teorema 2.3 dalam [21], theL'evymeasure ν dapat juga ditulis
ulang dalam bentuk
Dan ukurannya
kitamendapatkan
Dan
di mana δλ adalah ukuran Dirac pada λ (lihat [21] untuk definisi pengukuran Q).
Kemudian eksponen yang khas memiliki bentuk
di mana f (x) adalah fungsi kepadatan. Jika fungsi densitas harus dihitung untuk
jumlah besar nilai, algoritme FastFourierTransform (FFT) dapat digunakan
60
Untuk menghasilkan variasi acak dari proses TSα, kita akan mempertimbangkan
representasi noise tembakan umum dari hukum TSα yang tepat yang diberikan
dalam [21]. Ada metode yang berbeda untuk mensimulasikan proses L´evy, tetapi
sebagian besar metode ini tidak cocok untuk thesimulation proses stabil tempering
karena struktur rumit dari ukuran L´evy mereka. Seperti ditekankan pada [21],
metode umum kebalikan dari ukuran L´evy [20] sulit untuk diterapkan, bahkan
jika ukuran spektral R memiliki bentuk yang sederhana. Kami akan menerapkan
teorema 5.1 dari [21] ke contoh parametrik yang sebelumnya dianggap.
konstan positif 0 <Y <2 (dengan Y? = 1), dan σ = σ (Sd − 1) = 2C. Selanjutnya,
{Uj}, {Ej}, {E? j} dan {Vj} saling bergantung satu sama lain. Kemudian
63
Dimana
dan γ adalah konstanta Euler [1, 6.1.3], konvergen a.s. dan seragam dalam t ∈
[0, T] ke CGMYprocess dengan parameter (C, G, M, Y, 0).
Dimana
64
Selanjutnya, {Uj}, {Ej}, {E? j} dan {Vj} saling bergantung satu sama lain. Jika α
∈ (0,1), orif α ∈ (1,2) withk + = k−, r + = r− dan p + = p−, maka seri
40 M.L. Bianchiet al
Dimana
65
5. Kesimpulan
Dalam karya ini, kami telah memfokuskan perhatian kami pada implementasi
praktis dari metode numerik yang melibatkan penggunaan distribusi dan proses
TSα di bidang keuangan. Definisi dasar adalah mungkin untuk mengetahui fungsi
densitas diusulkan.Selain itu, metode Monte Carlo umum dikembangkan dengan
optionatioing lookat.
Referensi
67
15. K¨chler, U., Tappe, S .: distribusi gamma bilateral dan proses dalam
matematika keuangan. Proc stokastik. Appl. 118,261–283 (2008) 16.
PoirotJ., Tankov, P.: Proses MonteCarloOptionPricingforTemperedStable
(CGMY). Asia Pac. Finan. Pasar 13 (4), 327–344 (2006) 17. Tekan, W.H.,
Teukolsky, S.A., Vetterling, W.T., Flannery, B.P .: Numerical Recipes in C:
Th
69
1. Perkenalan
Tingkat keparahan klaim diukur dalam satuan moneter dan biasanya disebut
sebagai asuransi kerugian atau klaim jumlah uang.Ketidaktanggapan fungsi-fungsi
dari jumlah klaim biasanya benar, menunjukkan sebagian besar klaim kecil dan
beberapa klaim besar yang relatif jarang terjadi.Untuk perusahaan asuransi,
kepadatan ekor karena itu minat khusus karena besarnya ekonomi mereka dan
pengaruh mereka pada perjanjian re-asuransi.Telah diketahui secara luas bahwa
klaim besar sangat tidak dapat diprediksi ketika mereka bertanggung jawab atas
ketidakstabilan keuangan dan karena itu, solvabilitas merupakan perhatian utama
bagi manajer asuransi dan regulator asuransi, ada kebutuhan untuk
memperkirakan kepadatan jumlah biaya klaim dan untuk menyertakan ekstrem
semua analisis.Makalah ini adalah tentang memperkirakan fungsi kerapatan
nonparametrik ketika data berekor berat. Pendekatan lain didasarkan pada
ekstrem, subjek yang telah menerima banyak perhatian dalam literatur ekonomi.
Embrechts dkk., Coles, dan Reiss and Thomas [8, 11, 15] telah mendiskusikan
teori nilai ekstrim (EVT) secara umum. Chavez-Demoulin dan Embrechts [6],
berdasarkan Chavez-Demoulin dan Davison [5], telah membahas model-model
ekstrem yang halus dalam asuransi.Mereka berfokus pada menyoroti tren
70
dengan distribusi g-dan-h, seperti Dutta dan Perry [10] untuk analisis risiko
operasi. Distribusi g-dan-h [12] dapat dibentuk oleh dua transformasi nonlinier
dari distribusi normal standar dan memiliki dua parameter, skewness dan
kurtosis.Inpreviouspapers, wehaveanalysedclaimamountsinaone-dimensi
pengaturan dan kami telah membuktikan bahwa pendekatan nonparametrik yang
menyumbang sifat asimetris kepadatan lebih disukai untuk distribusi kerugian
asuransi [2, 4]. Selain itu, kami telah menerapkan metode ini ke set data
perusahaan dan membandingkan nonparametrik
kerneldensityestimationproceduretoclassicalmethods [4]. Beberapa penulis [7]
telah mengabdikansaya tertariktotransformationkernstensityestimation, yang
awalnya diusulkan oleh Wand et al. [21] untuk variabel asimetris dan berdasarkan
pada keluarga transformasi kekuatan yang bergeser.Metode asli memberikan
pendekatan yang baik untuk distribusi berat-ekor.Sifat-sifat statistik dari penduga
kerapatan juga valid ketika memperkirakan fungsi kepadatan kumulatif
(cdf).Transformasi estimasi kernel berubah menjadi pendekatan yang cocok untuk
mengestimasi quantiles menjadi 1 dan oleh karena itu dapat digunakan untuk
memperkirakan Value-at-Risk (VaR) dalam aplikasi keuangan dan
insurancerelated.Buch-Larsen dkk. [4] mengusulkan transformasi alternatif
berdasarkan generalisasi dari distribusi Champernowne, studi simulasi telah
menunjukkan bahwa itu adalah
preferabletoothertransformationdensityestimationapproachesfordistribution yang
71
seperti Pareto di ekor. Dalam kontribusi yang ada, pilihan parameter bandwidth
dalam transformasi densitas kernel masih menjadi masalah. Salah satu cara untuk
menjalankan pita lebar suara adalah untuk menerapkan pendekatan transformasi
sehingga mengarah ke distribusi kata, kemudian menggunakan teori untuk
mengoptimalkan pemilihan parameter media pada distribusi beta dan kembali
mengubah bentuk ke skala semula. Kelemahan utama bahwa distribusi teori
mungkin merupakan domain awal yang sangat sulit, yang menyebabkan
ketidakmampuan numerik ketika fungsi distribusi yang diperlukan adalah
transformasi balik ke belakang.Dalam pekerjaan ini, kita perlu menghapus
distribusi etiket dan menghapus konversi data dari intensitas moderator.Hasil pada
pilihan optimal bandwidth untuk estimasi kepadatan kernel dari kerapatan beta
digunakan dalam versi yang dipotong secara langsung.Dalam studi simulasi kami
melihat bahwa pendekatan kami menghasilkan hasil yang sangat baik untuk data
berekor berat.Hasil kami sangat relevan untuk asuransi aplikasi, di mana jumlah
klaim dianalisis dan biasanya klaim kecil (biaya rendah) hidup berdampingan
dengan hanya beberapa klaim besar (highcost). Biarkan fx
beadensityfunction.TerrellandScott [19] danTerrell [18] analysedseveral
kepadatan keluarga yang meminimalkan fungsionalf ??f (p) x (x)? 2 dx, di mana
superscript (p) mengacu pada turunan pth dari fungsi kepadatan. Kami akan
menggunakan keluarga-keluarga ini dalam konteks estimasi kepadatan kernel
yang berubah. Hasil untuk keluarga-keluarga kepadatan tersebut sangat berguna
untuk meningkatkan sifat dari penduga gravitasi transduser.
Telah ditunjukkan (lihat, misalnya, Silverman [16], bab 3) bahwa MISE secara
asimtotik tidak setara dengan A − MISE:
di mana k2 =? t2K (t) dt. Jika turunan kedua dari fx ada (dan kami
melambangkannya dengan f ?? X), maka ??f ??x (x) 2 dx adalah ukuran derajat
kelancaran karena kelancaran persendian, hal ini adalah salah satu dari dua
dimensi ini. Dari ekspresi untuk A − MISE itu mengikuti yang lebih halus,
semakin kecil nilai A− MISE.
Mari kita definisikan pengukur kernel dari fungsi kepadatan untuk variabel
yang diubah:
yang harus sedekat mungkin dengan Beta (3,3). Kita dapat memperoleh nilai yang
tepat untuk parameter bandwidth yang meminimalkan A - MISE dari ˆ g. IfK (t) =
(3/4)! 1 − t2 "1 (| t | ≤1) adalah kernel Epanechnikov, di mana 1 (·) sama dengan
satu ketika kondisi benar dan nol sebaliknya, kemudian kami menunjukkan bahwa
optimal parameter smoothing untuk ˆ g jika y followsa Beta (3,3) adalah:
2 Prosedur Estimasi
Biarkan z = T (x) menjadi Seragam (0,1); kita mendefinisikan variabel acak baru
dalam interval [1 − l, l], di mana 1/2 <l <1.Nilai-nilai harus harus dekat dengan 1.
Variabel newrandom adalah z ∗ = T ∗ (x) = (1 − l) + (2l −1) T (x). Kami akan
membahas nilai l nanti.
3 estimasi VaR
Dalam keuangan dan asuransi, VaR mewakili besarnya kejadian ekstrem dan oleh
karena itu digunakan sebagai ukuran risiko, tetapi VaR adalah kuantil. Misalkan x
menjadi variabel acak rugi dengan fungsi distribusi Fx; diberikan tingkat
probabilitas p, VaR ofx adalah VaR (x, p) = inf {x, Fx (x) ≥ p}. Karena Fx adalah
fungsi yang berkelanjutan dan nondecreasing, thenVaR (x, p) = F − 1 x (p),
wherep isaprobabilitynear1 (0.95,0.99, ...). OnewayofapproximatingVaR (x, p)
adalahberbedakanfungsi distribusi logistik, tetapi ini sering dikritik karena
estimasi empiris hanya didasarkan pada sejumlah pengamatan terbatas, dan
bahkan np mungkin bukan bilangan bulat. Sebagai alternatif untuk pendekatan
76
distribusi empiris, estimasi kernel klasik dari fungsi distribusi dapat berguna,
tetapi metode ini akan sangat tidak tepat untuk asimetris atau eko-tailedvariable.
4 Simulasi studi
Hasil simulasi dapat ditemukan di Tabel 2. Untuk setiap kepadatan simulasi dan
untuk ukuran sampel N = 100 dan N = 1000, hasil yang disajikan di sini sesuai
dengan
Tabel 2. Taksiran ukuran kesalahan (L1, L2 dan W ISE) untuk KMCE dan
KIBMCE l = 0,99
dan l = 0,98 untuk ukuran sampel 100 dan 1000 berdasarkan pada 2000 ulangan
ukuran kesalahan berikut: L1, L2, dan W ISE untuk nilai pemangkasan yang
berbedparameter l = 0,99, 0,98. Hasil patokan diberi label KMCE dan
merekasesuai dengan yang disajikan dalam Buch-Larsen et al. [4].
Secara umum, kita dapat menyimpulkan bahwa setelah transformasi kedua
berdasarkan pada inversedari cdf distribusi beta yang dimodifikasi, ukuran
kesalahan berkurang sehubungan denganKMCEmethod. Dalam beberapa situasi,
kesalahan berkurang secara substansialke pendekatan yang ada.Kita dapat melihat
bahwa ukuran kesalahan yang menunjukkan peningkatan saat
79
5 Studi data
Pada bagian ini, kami menerapkan metode estimasi kami ke kumpulan data yang
berisi mobilklaim biaya dari perusahaan asuransi Spanyol untuk kecelakaan yang
terjadi pada tahun 1997.Set data ini dianalisis secara rinci oleh Bolanc´e et al. [2].
Ini adalah asuransi tipikaljumlah klaim kumpulan data, yaitu, sampel besar yang
terlihat berat-ekor. Datanya adalahdibagi menjadi dua kelompok umur: klaim dari
pemegang polis yang berusia kurang dari 30 tahundan klaim dari pemegang polis
yang berusia 30 tahun atau lebih. Kelompok pertama terdiridari 1.061 pengamatan
dalam interval [1, 126.000] dengan nilai rata-rata 402.70. Keduakelompok berisi
4061 observasi dalam interval [1; 17,000] dengan nilai rata-rata 243.09.Estimasi
parameter dalam fungsi distribusi Champernowne yang dimodifikasiuntuk dua
80
Referensi
1. Azzalini, A .: Catatan tentang estimasi fungsi distribusi dan kuantil oleh kernel
metode. Biometrika 68, 326–328 (1981)
2. Bolanc´e, C., Guill'en, M., Nielsen, J.P.:Dimensi densitas kernel dari fungsi
kerugian aktuaria.
Ins. Matematika. Econ. 32, 19–36 (2003)
3. Bolanc´e, C., Guill'en, M., Nielsen, J.P .: Inverse Beta transformasi dalam
densitas kernel
perkiraan. Stat. Masalah. Lett. 78, 1757–1764 (2008)
4. Buch-Larsen, T., Guillen, M., Nielsen, J.P., Bolanc´e, C: estimasi kepadatan
kernel untuk
distribusi heavy-tailed menggunakan transformasi Champernowne. Statistik 39,
503–
518 (2005)
5. Chavez-Demoulin, V., Davison, P: Generalized aditif pemodelan ekstrem
sampel.
Appl. Stat. 54, 207–222 (2005)
6. Chavez-Demoulin, V., Embrechts, P: Menghaluskan model-model ekstrem di
bidang keuangan dan asuransi.
J. Risiko Ins. 71, 183–199 ((2004)
7. Clements, A.E., Hurn, A.S., Lindsay, K.A: M¨obius-seperti pemetaan dan
penggunaannya di kernel
estimasi kepadatan. Selai. Stat. Assoc. 98, 993-1000 (2003)
8. Coles, S .: Pengantar Pemodelan Statistik Nilai Ekstrim. Springer, London
(2001)
9. Cooray, K., Ananda, M.M.A .: Pemodelan data aktuaria dengan komposit
lognormal-Pareto
model. Skandal. Bertindak. J. 5, 321–334 (2005)
82
10. Dutta, K., Perry, J.: Sebuah kisah tentang ekor: analisis empiris model
distribusi kerugian untuk memperkirakan
modal risiko operasional. FRB dari BostonWorking PaperNo. 06-13 (2006)
Tersedia
di SSRN: http://ssrn.com/abstract=918880
11. Embrechts, P., Kl¨uppelberg, C., Mikosch, T .: Memodelkan Acara Ekstremal.
Springer, London
(1999)
12. Hoaglin, D.C .: distribusi g-and-h. Di: Kotz, S., Johnson, N.L. (eds.)
Ensiklopedia dari
Ilmu Statistik, hlm 298–301, vol. 3. Wiley, New York (1983)
13. Reiss, R.D .: Nomparametric estimasi fungsi distribusi yang lancar. Skandal.
J. Stat.
8, 116–119 (1981)
14. Reiss, R.D., Thomas, M .: Analisis Statistik Nilai Ekstrim: dengan Aplikasi
untuk
Asuransi, Keuangan, Hidrologi, dan Bidang lainnya, Edisi ke-2. Birkh¨auser
(2001)
15. Silverman, B.W .: Estimasi Densitas untuk Statistik dan Analisis Data.
Chapman & Hall,
London (1986)
16. Swanepoel, J.W.H., Van Graan F.C .: Pengukur fungsi distribusi kernel baru
berdasarkan
pada transformasi non-parametrik dari data. Skandal. J. Stat. 32, 551-562 (2005)
17. Terrell, G.R .: Prinsip pemulusan maksimal dalam estimasi kepadatan. Selai.
Stat. Assoc.
85, 270–277 (1990)
18. Terrell, G.R., Scott, D.W .: Oversmoothed perkiraan kepadatan
nonparametrik. Selai. Stat.
Assoc. 80, 209–214 (1985)
83
19. Wand, M.P., Jones, M.C .: Kernel Smoothing. Chapman & Hall, London
(1995)
20. Wand, P., Marron, J.S., Ruppert, D .: Transformasi dalam estimasi kepadatan.
Selai. Stat.
Assoc. 86, 343-361 (1991)
Abstrak. Dalam makalah ini kami memfokuskan perhatian kami pada studi
tentang kelebihan reasuransi kerugiandengan pemulihan, masalah yang
sebelumnya dipelajari oleh Sundt dan, baru-baru ini, oleh Mata danH¨urlimann.
Telah diketahui bahwa evaluasi premi murni membutuhkan pengetahuan
tentangdistribusi ukuran klaim dari risiko asuransi: untuk menghadapi pertanyaan
ini, pendekatan yang berbedatelah diikuti dalam literatur aktuaria. Dalam situasi
informasi yang tidak lengkap di manahanya beberapa karakteristik dari elemen
yang terlibat yang diketahui, tampaknya khususnyamenarik untuk mengatur
masalah ini dalam rangka premi yang disesuaikan risiko. Itu ditunjukkan bahwa
jikapremi yang disesuaikan risiko memenuhi persamaan nilai harapan umum,
kemudian premi awalmenunjukkan beberapa sifat keteraturan sebagai fungsi dari
persentase pemulihan.Kata kunci: kelebihan reasuransi kerugian, pemulihan,
langkah-langkah risiko distorsi
1. Perkenalan
Dalam beberapa tahun terakhir studi tentang kelebihan reasuransi kerugian dengan
pemulihan telah menjaditopik amajor, khususnya dengan mengacu pada evaluasi
klasik dari premi murni,yang didasarkan pada model kolektif teori
84
risiko.Masalahnya, sebelumnya dipelajari oleh Sundt [5] dan, baru-baru ini, oleh
Mata [4]dan H¨urlimann [3], membutuhkan evaluasi premi murni yang diberikan
pengetahuandistribusi ukuran klaim dari risiko asuransi: untuk menghadapi
pertanyaan ini,pendekatan yang berbeda telah diikuti dalam literatur aktuaria.
Sundt [5] berdasarkan
perhitungan pada metode numerik rekursif Panjer dan H¨urlimann [3]
disediakanprakiraan bebas distribusi untuk premi murni.Dalam situasi informasi
yang tidak lengkap di mana hanya beberapa karakteristikUnsur-unsur yang terlibat
diketahui, tampaknya sangat menarik untuk mengatur inimasalah dalam rangka
premi yang disesuaikan risiko.Kami mulai dari themetologi yang dikembangkan
oleh Sundt [5] untuk harga kelebihan kerugian reinsurancewithpemulihan kembali
untuk premium murni dan, dengan tujuan untuk melemaskan
dasarhypothesismade olehWalhin dan Paris [6], yang menghitung P premium
awal di bawahprinsip transformpremium proporsionalHazard, kami membahas
analisis kami untukstudi tentang peran yang dimainkan oleh prinsip-prinsip
premium yang disesuaikan dengan risiko. Pilihan khusus
karakteristik dari kelompok agregasiklaim dapat dihitung. Dalam situasi ini, minat
karakterisasi sifat umumpremi yang terlibat terus berkembang.Menetapkan
masalah ini dalam kerangka premi yang disesuaikan risiko, hal ini
ditunjukkanbahwa jika premi yang disesuaikan risiko memenuhi persamaan nilai
harapan umum, makapremium awal menunjukkan beberapa keteraturan properti
sebagai fungsi dari persentasepemulihan kembali. Dengan cara ini adalah
mungkin untuk bersantai dengan pilihan khusus yang dibuat olehWalhin dan Paris
[6] dari ukuran risiko PH-transform dan untuk memperluas analisis
kelebihan reasuransi kerugian dengan pemulihan kembali untuk menutupi kasus
belum tentupemulihan yang sama.Hasil yang diperoleh menunjukkan bahwa
penelitian lebih lanjut dapat ditujukan untuk analisisrencana premium yang
optimal.Pengakuan. Kami berterima kasih kepada beberapa peserta konferensi
MAF2008 untuk komentar yang berhargadan saran pada versi awal makalah.
Referensi
1. Campana, A .: Premi Pembaruan untuk Kontrak Reasuransi Kelebihan Hilang.
Giornale Istituto Italiano degli Attuari LXIX, Roma (2006)
2. Dhaene, J., Vanduffel, S., Tang, Q.H., Goovaerts, M.J., Kaas, R., Vyncke, D:
Solvabilitas
modal, ukuran risiko dan comonotonicity: tinjauan. Laporan Penelitian ATAU
0416, Departemen
Ekonomi Terapan, K.U. Leuven (2004)
3. H¨urlimann, W .: Kelebihan kerugian reinsurancewith reinstatements
revisited.ASTIN Bull. 35,
211–238 (2005)
4. Mata, A.J: Penentuan harga kelebihan reasuransi kerugian dengan pemulihan
kembali. ASTIN Bull. 30, 349–
368 (2000)
5. Sundt, B.: Lebih dari kerugian reasuransi dengan pemulihan.
Bull.SwissAssoc.Actuaries,
86
terdistorsidan kami mengusulkan suatu cara baru dari vektor riskmeasure. Selain
itu, kami memperkenalkan produktransformasi stoploss dari vektor acak untuk
mendapatkan perintah stop-loss produk amultivariate.
2 Casing multivariasi
Kami hanya mempertimbangkan vektor acak non-negatif. Membiarkan menjadi
ruang negaraalam, F menjadi bidang-σ dan P menjadi ukuran probabilitas pada F.
Acak kamivektor adalah fungsi X: → Rn+ sehingga X (ω) mewakili hasil yang
diperolehjika keadaan ω terjadi. Kami juga menentukan beberapa notasi: FX (x):
Rn → [0, 1] adalahfungsi distribusi X, SX (x): Rn → [0, 1] adalah kelangsungan
atau fungsi ekor, dan(X (ω) - a) + = max (X (ω) - a, 0) componentwise.
Ukuran risiko, atau prinsip premium, adalah fungsional R: X → ˜R, di mana
Xadalah seperangkat vektor acak non-negatif dan ˜R adalah garis nyata
diperpanjang.Dalam apa yang berikut ini kami menyajikan beberapa sifat yang
diinginkan P untuk tindakan risiko, yangproposal kami untuk menyamaratakan
properti terkenal untuk kasus skalar:
1. Keterbatasan harapan: R [X] ≥ E [X1. . . Xn] ∀X.
2. Pembebanan tidak berlebihan: R [X] ≤ supω∈
{| X1 (ω) | ,. . . , | Xn (ω) |}.
3. Penerjemahan invarian: R [X + a] = R [X] + ¯a ∀X, ∀a ∈ Rn, di mana a adalah
vektor dari jumlah awal yang pasti dan ¯a adalah produk componentwise dari
elemen
dari a.
4. Positif homogenitas order n: R [cX] = cn R [X] ∀X, ∀c ≥ 0.
5. Monotonicity: R [X] ≤ R [Y] ∀X, Y seperti ituX Y dalam beberapa pengertian
stokastik.
6. Constancy: R [b] = ¯b ∀b ∈ Rn. Kasus khusus adalah R [0] = 0, yang disebut
properti normalisasi.
7. Subadditivity: R [X + Y] ≤ R [X] + R [Y] ∀X, Y, yang mencerminkan gagasan
bahwa
risiko dapat dikurangi dengan diversifikasi.
8. Convexity: R [λX + (1 - λ) Y] ≤ λR [X] + (1 - λ) R [Y], ∀X, Y dan λ ∈
88
[0, 1]; properti ini menyiratkan efek diversifikasi sebagai subaddivitas tidak.
Kami ingat di sini juga beberapa notasi tentang urutan stokastik acak
formultivariatevariabel: X SD Yindicates dominasi stokastik biasa, X UO
YindicatesUrutan orthant atas, X LO Y menunjukkan tatanan orthant rendah, XC
Y menunjukkann urutan konkordansi dan X SM Y menunjukkan urutan
supermodular. Untukdefinisi, lihat mereka, misalnya, [5].Sekarang mari kita
cirikan formulasi lain untuk transformasi stop-loss dalam multivariatpengaturan.
Definisi 1. Transformasi henti-rugi produk dari vektor acak X ∈ X didefinisikan
oleh πX (t) = E
∀t ∈ Rn.
Seperti dalam kasus univariat, kita dapat menggunakan instrumen ini untuk
memperoleh stochastic multivariat
memesan:
Definisi 2. Biarkan X, Y ∈ X menjadi dua vektor acak. Kami mengatakan bahwa
X mendahului Y di
urutan stop-loss produk multivariat
!
X SLn Y
"
jika memegang:
πX (t) ≤ πY (t) ∀t ∈ Rn.
Mungkin menarik untuk memberikan beberapa ekstensi pada teori risiko dalam
multivariatkasus, tetapi terkadang itu tidak mungkin dan kami akan puas jika
generalisasi bekerja setidaknya dalam dua dimensi. Seperti diketahui, gagasan
yang berbeda adalah setaradalam kasus bivariat untuk risiko dengan distribusi
89
marjinal univariat yang sama [11], tetapiini tidak lagi berlaku untuk risiko n-
variate dengan n ≥ 3 [8].Kami sekarang memperkenalkan konsep ruang Fr´echet:
R menandakan ruang Fr´echetdiberikan margin, yaitu R (F1, F2) adalah kelas dari
semua distribusi bivariat dengandiberikan margin F1, F2. Semakin rendah
Fr´echet X terikat X ditentukan oleh FX (t): =maks {F1 (t1) + F2 (t2) - 1, 0} dan
batas Fr´echet atas X, X,ditentukan olehFX (t): = mini {Fi (ti)}, di mana t = (t1,
t2) ∈ R2 dan i = 1, 2. Teorema berikutmengumpulkan beberapa hasil yang
diketahui tentang pesanan stokastik. Untuk pembaca yang lebih tertarik,kami
mengutip [5].
Teorema 1. LetX, Ybe variabel acak bivariat, di mana X, Y ∈ R (F1, F2).
Kemudian:
X UOY ⇔ Y LOX ⇔ X SMY ⇔ X CY.
Hasil ini tidak lagi benar ketika variabel acak multivariat dipertimbangkan dengan
n ≥ 3.
Teorema 2. Misalkan X, Y menjadi variabel acak bivariat dalam R (F1, F2).
Pengikut
kondisinya setara:
i) X SMY;
ii) E [f (X)] ≤ E [f (Y)] untuk setiap peningkatan fungsi supermodular f;
iii) E [f1 (X1) f2 (X2)] ≤ E [f1 (Y1) f2 (Y2)] untuk semua fungsi yang bertambah
f1, f2;
iv) πX (t) ≤ πY (t) ∀t ∈ R2.
4 Ukuran konkordansi
Konkordansi antara dua variabel acak muncul jika nilai besar cenderung
terjadinilai-nilai besar dari nilai-nilai kecil dan lainnya terjadi dengan nilai-nilai
kecil yang lain. Begitukonkordansi menganggap asosiasi nonlinear antara variabel
acak korelasi itumungkin ketinggalan. Sekarang, kami ingin mempertimbangkan
karakteristik utama suatu ukurannkonkordansi seharusnya. Kami membatasi
perhatian kami pada kasus bivariat.Pada tahun 1984 Scarsini ([10])
mendefinisikan seperangkat aksioma yang memesan keteraturan bivariatdistribusi
harus memiliki agar pemesanan lebih tinggi berarti lebih positifkonkordansi.
91
Dengan ukuran konkordansi wemean suatu fungsi yang melekat pada setiap
kontinyuvektor acak bivariat bilangan real α (X1, X2) memenuhi sifat berikut:
1. −1 ≤ α (X1, X2) ≤ 1;
2. α (X1, X1) = 1;
3. α (X1, −X1) = −1;
4. α (−X1, X2) = α (X1, −X2) = −α (X1, X2);
5. α (X1, X2) = α (X2, X1);
6. jika X1 dan X2 independen, maka α (X1, X2) = 0;
7. jika (X1, X2) C (Y1, Y2) maka α (X1, X2) ≤ α (Y1, Y2)
8. jika {X} n adalah urutan vektor acak bivariat yang menyatu dalam distribusi ke
X,
kemudian limn → ∞ α (Xn) = α (X).
Sekarang kami mempertimbangkan grup D4 dihedral dari simetri pada kuadrat [0,
1] 2. Kitamemiliki D4 = {e, r, r2, r3, h, hr, hr2, hr3} di mana e adalah identitas, h
adalah pantulansekitar x = 12dan r adalah rotasi 90 derajat berlawanan arah jarum
jam.Ukuran μ pada [0, 1] 2 dikatakanD4-invariant jika nilainya untuk setiap set
BorelA [0, 1] 2 tidak berubah sehubungan dengan kesimetrisan satuan persegi
yang adaμ (A) = μ (d (A)).
Proposisi 2. Jika ukuran D4-invariant terbatas pada [0, 1] 2, ada α, β ∈
Rsedemikian rupa sehingga fungsi didefinisikan oleh
ρ ((X1, X2)) = α
[0,1] 2
F (X1, X2) (x1, x2) dμ (FX1 (x1), FX2 (x2)) – β adalah ukuran konkordansi.
Bukti. Ameasure konkordansi terkait dengan vektor acak bivariat kontinyuhanya
bergantung pada copula yang terkait dengan vektor sejak ukuran
konkordansiinvarian di bawah invariant meningkatkan transformasi dari variabel
acak. Sehinggahasil berikut dari Teorema 3.1 dari [6].
5 Suatu nilai vektor-nilai
92
VaRX2
+∞
VaRX1
SX (t) dt ≤
+∞
VaRY2
+∞
VaRY1
SY (t) dt
dengan VaRX2
= VaRY2 dan VaRX1
= VaRY1. Ini mengikuti bahwa SX (t) ≤ SY (t), yangmengarah ke XC Y. Dari
Teorema 1 mengikuti X SM Y.Tentunya PSP juga konsisten dengan urutan
konkordansi.Properti lain yang dibahas untuk tindakan risiko adalah subadditivity;
langkah-langkah risiko itusubadditive untuk semua struktur ketergantungan vektor
mungkin tidak mencerminkanketergantungan antara (X1 - α1) + dan (X2 - α2)
+.Kami dapat mencatat bahwa PSP kami tidak selalu subadditive; sebenarnya, jika
kita mengambil yang tidak negatifvektor X, Y ∈ X, hubungan berikut tidak selalu
puas:
Setelah memverifikasi semua kemungkinan kombinasi di antara skenario
X1> VaRX1, X1 <VaRX1, X2> VaRX2, X2 <VaRX2,
Y1> VaRY1, Y1 <VaRY1, Y2> VaRY2, Y2 <VaRY2,
kita dapat menyimpulkan bahwa ukurannya tidak subadditif ketika:
• jumlah komponen sesuai dan sedemikian rupa sehingga:
Xi + Yi> VaRXi
+ VaRYi
∀i = 1, 2,
dengan komponen sumbang paling banyak satu vektor;
• jumlah komponen sesuai dan sedemikian rupa sehingga:
Xi + Yi> VaRXi
+ VaRYi
95
∀i = 1, 2,
dengan kedua vektor yang memiliki komponen yang sesuai, tetapi dengan tanda
yang berbeda: yaitu,
Xi> (<) V aRXi dan Yi <(>) VaRYi
∀i;
• Xi> VaRXi dan Yi> VaRYi
∀i secara bersamaan.
Oleh karena itu, dalam kasus ini, ukuran mencerminkan struktur ketergantungan
vektor
terlibat.
6 Kesimpulan
Dalam makalah ini kami telah mengusulkan kerangka matematika untuk
pengenalanmultivariatemungkinan risiko. Setelah mempertimbangkan sifat-sifat
utama ukuran vektorSeharusnya, dan mengingat beberapa pesanan stokastik, kami
telah menggariskan hasil kamilangkah-langkah risiko multivariat. Pertama-tama,
kami telah menyamaratakan teori tentang terdistorsilangkah-langkah risiko untuk
kasus multivariat, memberikan hasil representasi bagi merekalangkah-langkah
yang subadditive dan mendefinisikan vektor VaR dan CVaR. Kemudian, kami
punyamemperkenalkan newriskmeasure, yang disebut Product Stop-Loss
Premium, melalui definisinya,sifat-sifat utamanya dan hubungannya dengan
kerangka kerja dan konkordansi KV.Ukuran ini memungkinkan kami juga
mengusulkan pesanan stokastik baru. Kita dapat mengamati bahwa,
dalamliteratur, ada upaya lain untuk mempelajari langkah-langkah risiko
multivariat, kami mengutip untukcontoh [1–3, 7] dan [9], tetapi mereka semua
mendekati argumen dari berbagai titikmelihat. Memang, [9] adalah karya pertama
yang berurusan dengan langkah-langkah risiko terdistorsi multivariat,tetapi hanya
mewakili garis besar untuk pengembangan lebih lanjut, seperti yang telah kami
lakukan dikerja sekarang.Baru-baru ini, studi tentang langkah-langkah risiko telah
berfokus pada mengecilkan definisi tersebutproperti yang mudah digunakan untuk
pengukuran risiko, untuk mewakili lebih banyak lagisetia, atau pada generalisasi
ruang yang mengumpulkan vektor acak
96
data tentang persepsi risiko, ketika mereka diungkapkan dengan cara skor yang
dipesan
(peringkat). Model, yang merupakan hasil dari perasaan pribadi (persepsi risiko)
terhadap
objek dan ketidakpastian yang melekat dalam pilihan nilai ordinal tanggapan,
mengurangi
Setelah pengantar singkat untuk manajemen risiko, penyajian model CUB dan
terkait
pabrik percetakan.
1. Perkenalan
Selama seperempat abad terakhir, para peneliti telah secara intensif mempelajari
risiko dari
banyak perspektif. Bidang analisis risiko telah berkembang pesat, dengan fokus
pada isu-isu
97
dan karakterisasi ancaman yang dihadapi di berbagai bidang mulai dari kesehatan
manusia
memiliki konotasi negatif dan melibatkan aspek yang tidak disengaja dan acak.
Bahkan,
analisis konseptual dari konsep risiko menghilang dari definisi statistik murni
merasakan bahwa perilaku yang berbeda tergantung pada evaluasi persepsi risiko
yang berbeda. Kedua
dianggap sebagai berisiko [23, 24]. Risiko secara subjektif ditentukan oleh
individu dan dipengaruhi
[22]. Namun, tidak ada konsensus mengenai hubungan antara kepribadian dan
risiko
persepsi [5].
Dimensi fundamental lain yang terkait dengan konsep risiko berkaitan dengan
dikotomi antara persepsi para ahli dan persepsi orang-orang biasa. Peran dari
ahli adalah pusat di beberapa bidang, terutama ketika data kuantitatif tidak cukup
untuk fase penilaian risiko (yaitu, dalam risiko operasional). Biasanya, pendapat
para ahli
Kontribusi kami mengikuti jalur penelitian ini, mengusulkan kelas model statistik
mampu mengukur persepsi yang diekspresikan baik oleh para ahli atau orang
biasa. Di
khususnya kami fokus pada masalah persepsi risiko terkait dengan tempat kerja
faktor dan perilaku risiko di tempat kerja [21] menunjukkan bahwa kemungkinan
dan eksposur.
yang menjaga informasi penting tanpa terlalu banyak distorsi. Tujuan utama dari
pemodelan statistik adalah untuk meringkas sejumlah besar data dalam struktur
sederhana
dan dengan beberapa parameter. Dengan demikian, penting untuk diingat trade-off
antara
akurasi dan kekikiran. Dalam konteks ini kami menyajikan reduksi data yang
inovatif
teknik dengan cara model statistik (CUB) mampu memetakan hasil yang berbeda
ke dalam
ruang parametrik dan untuk memodelkan pilihan / persepsi yang berbeda dan
berbobot masing-masing
pengambil keputusan.
opini, persepsi, kesadaran, penghargaan, perasaan, rasa, dll.). Semua saat ini
100
dan kemungkinan hasil yang mungkin dari alternatif pilihan dan mengintegrasikan
informasi ini
tidak cocok atau tidak efektif. Dengan demikian, data kualitatif dan ordinal
membutuhkan
hasil dan cocok. Ini decode variabel acak diskrit (MUB, diperkenalkan olehD'Elia
dan Piccolo [8]) dan kami menggunakan model CUB ketika kami mengaitkan
tanggapan ke subjek '
dari nilai ordinal tanggapan ketika orang dihadapkan dengan pilihan yang
berbeda.
Hasil untuk menafsirkan tanggapan penilai adalah model campuran untuk dipesan
data di mana kita berasumsi bahwa peringkat r adalah realisasi dari variabel acak
R itu
adalah campuran dari variabel acak Seragam dan bergeser Binomial (keduanya
didefinisikan pada
Pr (R = r) = π (m − 1 r − 1) (1 - ξ) r − 1
ξ m − r + (1 - π)
m, r = 1, 2, ..., m. (1)
Parameter π ∈ (0, 1] dan ξ ∈ [0, 1], dan model didefinisikan dengan baik untuk
diberikan m> 3.
pengaruh, termasuk perasaan seperti khawatir, takut, takut, atau cemas. Jadi, itu
dimotivasi oleh kemampuan distribusi diskrit ini untuk mengatasi beberapa yang
berbeda
bentuk (kemiringan, kerataan, simetri, mode menengah, dll.). Apalagi sejak itu
risiko adalah variabel laten kontinu diringkas dengan baik oleh distribusi
Gaussian, yang
bergeser Binomial adalah variabel acak diskrit unimodal nyaman pada dukungan
Pada saat yang sama, keadaan perasaan didalilkan untuk menanggapi faktor,
seperti
kesegeraan risiko, yang tidak masuk ke evaluasi kognitif risiko dan juga
menanggapi probabilitas dan nilai hasil dengan cara yang berbeda dari jalan
Tentu saja, campuran (1) memungkinkan persepsi dari setiap orang untuk
dibebani dengan hormat
Karakterisasi penting dari pendekatan ini adalah bahwa kita dapat memetakan satu
set yang diekspresikan
situasi kompleks preferensi / pilihan mungkin hanya terkait dengan satu titik
ruang parametrik.
Dalam konteks ini, masuk akal untuk menganggap bahwa komponen utama
pilihan
Bahkan, solusi yang lebih baik diperoleh ketika kami memperkenalkan kovariat
untuk berhubungan
untuk membuat prediksi yang lebih akurat. Selain itu, keadaan ini harus
meningkatkan
104
kovariat subyek melalui fungsi logistik. Pemetaan yang dipilih adalah yang paling
sederhana
salah satu di antara banyak transformasi variabel nyata ke dalam interval unit dan
a
posteriori itu memberikan bukti kemudahan penafsiran untuk masalah yang akan
kita hadapi
berdiskusi.
struktur sebagai CUB (p, q) model yang dicirikan oleh vektor parameter umum θ
=
(π | y
saya
)=1
1+e
−yi
β; (ξ | wi) = 1
1 + e − wi γ; i = 1, 2, ..., n. (2)
(p = q = 0); Selain itu, rangkaian kovariat yang signifikan mungkin atau tidak
dapat hadir
(ML) metode, mengeksploitasi algoritma E-M [16, 17]. Inferensi asimtotik terkait
dalam kaitannya dengan evaluasi barang dan jasa [6] dan bidang analisis lainnya
seperti analisis sosial [10, 11], obat [7], studi sensometri [19] dan linguistik
[1].
Dengan demikian, analisis yang akan dikejar dalam makalah ini harus ditafsirkan
sebagai marginal
jika kita mempelajari distribusi peringkat dari satu item tanpa referensi ke jajaran
setelah itu kami mengusulkan peta kompleks yang merangkum informasi penting
yang memproduksi katalog, buku, dan reproduksi karya seni. Staf dari
pabrik terdiri dari 700 karyawan (300 pekerja kantor dan 400 pekerja kerah biru).
Studi ini berfokus pada populasi kerah biru dari enam departemen yang berbeda,
masing-masing
di antara enam unit berikut, yang kegiatan utamanya juga dijelaskan. Di Piring
departemen, pekerja harus mengatur pelat dan silinder yang digunakan selama
operasi pencetakan
tanaman.
hadir di tempat kerja mereka. Skala Likert 7 poin digunakan untuk memancing
jawaban para pekerja
risiko". Selain itu, kami memberi perhatian khusus pada karakteristik sosio-
demografi
seperti 'jenis kelamin' (variabel dikotomi '0' = pria dan '1 ’= wanita),‘ jumlah kerja
tahun dalam perusahaan (variabel kontinyu mulai dari 1 hingga 30) dan 'jenis
injury ’(variabel dikotomi '0’ = bukan cedera parah dan ’1’ = cedera parah).
Akhirnya,
Seperti yang telah dibahas, kami membangun kelas model untuk mengevaluasi,
mengontrol, dan mengukur
arah kebijakan baru. Dalam hal ini kami menampilkan peta sintesis yang
mengandung
108
Pada Gambar 1 kita merencanakan setiap item reaksi perasaan dan ketidakpastian
yang diekspresikan
kisaran yang menunjukkan tingkat ketidaktegasan yang tinggi. Ciri khas dari
perasaan, bagaimanapun, adalah
kasus orang sepertinya tidak meminta kontrol lebih banyak), dan lebih banyak
untuk cedera lain di mana
variabel penting dari survei. Kurang bukti muncul untuk barang-barang lainnya
dibagi di antara
109
Pada Tabel 1 kami daftar estimasi parameter CUB (0,3) dengan jenis kelamin
(Gen),
tahun kerja (Tahun) dan cedera serius (Serinj) sebagai kovariat yang masuk akal.
Fungsi log-likelihood dari CUB (0,0) dan CUB (0,3) model perkiraan adalah? 00
=
0,05 = 7,815
cara:
ξi = 1
kovariat terpilih. Lebih khusus lagi, persepsi ini meningkat untuk pria dan bagi
mereka
sampel yang tidak menderita kecelakaan serius. Untuk penafsiran yang benar, itu
harus diingat bahwa jika item diberi skor (sebagai suara, meningkat dari 1 hingga
m sebagai
[10]. Meskipun nilai responsnya bukan metrik (karena berasal dari kualitatif
R, karena ini terkait dengan proxy kontinyu yang menghasilkan persepsi risiko.
tahun-tahun kerja dan untuk semua profil gender dan cedera serius.
4. Kesimpulan
111
kesadaran dan ketidakpastian parameter melalui model CUB dengan dan tanpa
satu atau lebih kovariat kategorikal dan / atau berkelanjutan, dan mereka
memberikan wawasan yang lebih mendalam
ke dalam jenis dataset ini. Mereka juga mengizinkan ringkasan banyak informasi
dan beberapa evaluasi yang menarik dari poin-poin spesifik yang diselidiki ketika
kovariat berada
Selain itu, kami menekankan bahwa model yang diusulkan adalah pendekatan
target berlipat ganda: pada kenyataannya,
itu dapat diterapkan secara menguntungkan ke berbagai bidang, mulai dari kredit
dan operasional
risiko [3] terhadap risiko reputasi dan churn. Akhirnya, ini merupakan alat yang
meyakinkan untuk dieksploitasi
Referensi
Palermo (2008)
9. Godo, L., Torra, V .: Pada operator agregasi untuk informasi kualitatif ordinal.
Kabur
11. Iannario, M .: Kelas model untuk variabel ordinal dengan efek kovariat. Quad.
Stat.
13. Iannario, M., Piccolo, D: Model statistik baru untuk analisis kepuasan
pelanggan.
14. King, G., Tomz, M., Wittenberg, J .: Membuat analisis statistik: meningkatkan
114
15. Loewenstein, F., Hsee, C.K., Weber, U., Welch, N., Risiko sebagai perasaan.
Psikol. Banteng. 127,
267–286 (2001)
16. McLachlan, G., Krishnan, G.J .: Algoritma EM dan Ekstensi. Wiley, New
York
(1997)
17. McLachlan, G., Peel, G.J .: Model Campuran Terbatas. Wiley, New York
(2000)
18. Piccolo, D: Mengamati matriks informasi untuk model MUB. Quad. Stat. 8,
33-78 (2006)
20. Rundmo T .: Persepsi risiko dan keamanan pada platform minyak lepas pantai
Bagian 1: persepsi
21. Rundmo, T .: Hubungan antara persepsi risiko dan keamanan. Saf. Sci. 24,
197–209 (1996)
22. Slimak, M.W., Dietz, T: Nilai-nilai pribadi, keyakinan, dan persepsi risiko
ekologis. Risiko
23. Weber, E.U .: Kepribadian dan pengambilan risiko. Dalam: Smelser, N.J.,
Baltes, P.B. (eds.): Internasional
115
11274-11276 (2001)
25. Yu D., Park, W.S .: Kombinasi dan evaluasi pendapat ahli yang dicirikan
dengan istilah
Abstrak. Makalah ini menyelidiki dinamika keuangan evolusi surplus dalam kasus
ini
116
dari surplus asuransi didefinisikan sebagai perbedaan antara aset yang masih harus
dibayar dan nilai sekarang dari
untuk memberikan penilaian dari tahun ke tahun. Analisis ini diterapkan pada
skema kehidupan yang ditangguhkan
contoh, mengingat bahwa kontrak yang dipilih merupakan dasar bagi banyak
asuransi jiwa
konteks, di mana hubungan antara laba dan risiko dibandingkan secara berurutan
1. Perkenalan
Makalah ini menyelidiki dinamika keuangan dari analisis surplus dengan tujuan
akhir
perhitungan hasil dari portofolio, bahwa aktuaris akan memenuhi syarat sebagai
surplus,
keputusan dan yang dapat dengan mudah diperbarui dari tahun ke tahun seiring
dengan perubahan kondisi pasar.
Kemudian model formal diterapkan pada kelompok anuitas hidup dalam konteks
stokastik diuntuk memberi contoh potensi model. Dalam skripsi ini skema yang
ditangguhkan adalah
dipilih mengingat bahwa mereka dapat dianggap sebagai dasar bagi banyak
asuransi jiwa
2 Modelnya
nilai sekarang dari hasil bersih masa depan perusahaan asuransi dan arus (modal)
yang dibayarkan
oleh tertanggung. Kerusakan ini dievaluasi dari tahun ke tahun dengan maksud
untuk mengkompilasi
akun prospektif penuh dari dinamika surplus. Dalam kasus portofolio biasa
analisis, surplus awal diberikan oleh pembebanan yang diterapkan pada premi
murni; dalam
kasus analisis garis bisnis, surplus awal, ditetapkan seperti yang dinyatakan,
didorong oleh
Nilai surplus awal, dalam kedua kasus, dapat dianggap sebagai modal awal yang
tepat
dan penghasilan yang tidak dapat dibagikan. Lebih khusus, mengingat itu di awal
dari urusan surplus awal ditetapkan sebagai S0, calon t-outcome masa depan,
ditentukan
119
sebagai St, dapat dievaluasi dengan menggunakan hasil simulasi untuk menilai
kasus terburuk yang diberikan a
Membangun hasil ini, dengan menggunakan model yang dipilih dan Monte Carlo
simulasi (lihat Bagian 3), memberikan kita hasil lengkap di masa depan
akhir setiap periode t. Nilai-nilai ini tidak tergantung pada jumlah sebelumnya
nilai ambang (terkait dengan interval keyakinan yang dipilih) memainkan peran
terburuk
skenario kasus dan rata-rata mereka dapat dianggap sebagai kejadian terburuk
yang diharapkan
Value-at-Risk (CVaR). Pada akhirnya, untuk setiap periode waktu, kita berakhir
dengan lengkap
Kesimpulan analog dapat disimpulkan ketika analisis tersebut mengacu pada lini
bisnis
120
serupa dan bahkan lebih jelas, karena rasio terakhir adalah laba atas investasi yang
diharapkan terburuk.
dan, oleh karena itu, prosedur simulasi dapat dilakukan dengan referensi untuk
semua
baik aset di mana premi diinvestasikan dan nilai kewajiban untuk yang mana
faktor penting adalah sifat dari aset: jika ini adalah keuangan, risiko yang dihadapi
akan
terutama keuangan, mereka akan bergantung langsung pada jenis aset dan tidak
akan memilikinya
tingkat pengembalian total aset dan tingkat bunga yang awalnya diterapkan dalam
premium
sifat komposit dari driver risiko yang relevan. Pada saat yang sama, faktor-faktor
lain bisa
121
Karena fokus kami adalah pada aspek keuangan dari analisis, kami berkonsentrasi
pada
berikut makalah hanya pada pertanyaan tentang tingkat investasi, tidak termasuk
apa pun
komponen demografi dan evaluasi risiko dari analisis kami. Ingat ini
proses harus konsisten dengan fitur portofolio aset backing. Karena itu,
dan perkiraan varians dari pengembalian aset yang tepat sebagaimana ditentukan
oleh portofolio investasi.
Dengan kata lain, jika kita mengadopsi, misalnya, strategi ikatan parameter yang
relevan
akan ditaksir dari pasar obligasi, sedangkan jika kita mengadopsi investasi
ekuitas, maka
122
nilai yang relevan akan berasal dari pasar ekuitas, dan seterusnya, setelah kami
definisikan
3 Analisis surplus
Kami menunjukkan dengan Xs arus kas stochastic yang dirujuk ke setiap kontrak
pada waktu s dan oleh
Ns jumlah klaim pada waktu s, {Ns} menjadi i.i.d. dan multinomial (c, E [1s]), di
mana
waktu itu, itulah perbedaan stochastic dari nilai aset dan kewajiban
St =
Ns Xse
?t
123
s δu du, (1)
St = E [St | Ft] =
cXs E [1s] E [e
?t
s δudu]. (2)
Formula (2) dapat dengan mudah terspesialisasi dalam kasus portofolio kehidupan
yang ditunda
anuitas, dengan premi tingkat tahunan P dibayarkan setiap awal tahun untuk a
tahun, dibayarkan jika tertanggung masih hidup pada tanggal pembayaran yang
sesuai. Ini memegang:
St = E [St] =
cXs s px E [e
?t
124
s δu du] (3)
dan
Xs =
⎪⎨
⎪⎩
P jika s <n
−R if s> m
(4)
untuk penilaian ekuilibrium, yang dapat disintesis oleh kasar berikut tetapi
Untuk pemahaman yang lebih dalam tentang pilihan ε, lihat [1]. Dari yang lebih
umum
itu adalah:
Sα = F − 1
(1 - α), (7)
Berikut ini kami akan mengambil keuntungan dari prosedur simulatif untuk
menghitung
kuantil surplus yang terlibat dalam (6), mendasarkan analisis kami pada portofolio
berarti surplus pada
waktu t.
Kami fokus menangkap dampak pada posisi keuangan pada saat t - numerik
diwakili oleh surplus pada tanggal itu - dari ketidakpastian keuangan, yang
merupakan
sumber risiko sistematis, dan dengan demikian tidak bergantung pada ukuran
portofolio. Bahkan dalam hal ini
Kasus efek penyatuan tidak memiliki konsekuensi apa pun, berbeda dengan efek
adalah mungkin untuk membangun proxy dari fungsi distribusi kumulatif dari St
sejak
(lih. [4])
126
ke variabel acak
?t=
XsE [1s] e
?t
s δudu. (8)
dimana Kxi menandakan masa masa depan masa depan dari jaminan umur x yang
dipermasalahkan dan T
tahun ke-19 anuitas seumur hidup dengan periode penundaan 10 tahun yang
dikeluarkan untuk sekelompok
bahwa pemegang polis memiliki karakteristik risiko yang sama dan masa hidup di
masa depan
127
kami membangun pemetaan arus kas mengingat premi dibayar secara berkala
IPS55 Italia.
Karena analisis kami berfokus pada aspek keuangan, sumber lokal tunggal dari
ketidakpastian adalah kurs spot, yang merupakan proses difusi yang dijelaskan
oleh model Vasicek
Misalnya, dalam menghitung arus yang terakumulasi hingga waktu t, nilai awal r0
untuk
lintasan simulasi adalah nilai yang dikenal pada waktu 0. Secara analog, dalam
mendiskon
ditetapkan pada 11/04/2007 (lih. [2]), karena kami membuat hipotesis bahwa
strategi investasi
didasarkan pada investasi roll-over dalam obligasi jangka pendek, karena kita
menghadapi istilah naik
Untuk mengevaluasi Surplus yang Diharapkan dan CVaR dalam kerangka kerja
simulasi,
laba atas investasi yang diterima oleh portofolio aset. Α-kuantil, qα, dari surplus
?1
qpd p, (12)
4 Hasil
surplus untuk setiap periode, nilai pertama pada saat 0 menjadi perbedaan
portofolio
antara premi murni dan premium pasar. Oleh karena itu, gulir ke bawah
tabel kita dapat dengan mudah melihat evolusi kelebihan dari waktu ke waktu
bersama-sama dengan
yang konsisten dengan efek positif dari leverage keuangan, karena kami
berinvestasiuntuk seluruh periode waktu pada tingkat yang lebih tinggi secara
sistematis (μ = 4,10% dan
orang dapat mengharapkan seperti yang telah ditunjukkan di tempat lain [3],
dinamika risiko keuangan
dapat menyatakan bahwa baik DS dan ROE yang diharapkan terburuk terbukti
sepenuhnya konsisten dengan
ide tradisional dan pragmatis bahwa semakin rendah cadangan semakin tinggi
risikonya
bisnis. Oleh karena itu, laba yang dapat didistribusikan dapat dikuantifikasi dan
dikelola, melalui
strategi investasi dan kondisi pasar khusus yang tersedia pada saat masalah.
Model sketsa terbukti menjadi cara untuk mengukur jumlah pendapatan yang
didistribusikan
Referensi
3. Cocozza, R., Di Lorenzo, E., Sibillo, S .: Nilai saat ini dari ketentuan
matematika:
digit harga / pengembalian aset yang tercantum di sini mengikuti hukum Benford,
tetapi tidak
harus mengikuti distribusi ini jika terjadi kejadian yang tidak biasa. Dalam
makalah ini kami menyelidiki
distribusi probabilitas empiris dari digit signifikan pertama dari kutipan saham S
& P 500.
yaitu, bahwa pasar telah biasanya bekerja. Kedua, kami mempelajari distribusi
probabilitas dari hari ke hari.
Kata kunci: Hukum Benford, pasar saham S & P 500, analisis keseluruhan,
analisis harian,
1. Perkenalan
Ini adalah fakta yang mapan bahwa beberapa peristiwa, tidak harus bersifat
ekonomi,
133
memiliki pengaruh yang kuat di pasar keuangan dalam arti bahwa peristiwa
semacam itu bisa terjadi
menginduksi perilaku anomali dalam kutipan sebagian besar aset yang terdaftar.
Misalnya, ini adalah kasus serangan Menara Kembar pada 11 September 2001.
Tentu saja, tidak semua peristiwa semacam itu begitu (tragis) terbukti. Bahkan,
beberapa kali
secara individual tidak jelas dan penyebabnya umumnya tidak dapat diamati.
Dalam makalah ini kami menyelidiki fenomena ini "gerakan anomali dalam
keuangan
pasar ”di pasar saham riil, yaitu S & P 500, dengan menggunakan apa yang
disebut
distribusi probabilitas yang terkait dengan digit1 digit pertama yang signifikan
dari angka-angka yang dimiliki
untuk tipologi tertentu dari set. Sebagaimana akan dijelaskan dalam bagian 2, itu
masuk akal untuktebak bahwa angka pertama yang signifikan dari harga /
pengembalian keuangan mengikuti hukum Benford
dalam hal pekerjaan biasa dari pasar keuangan yang dipertimbangkan, dan itu
dilakukan
Sisa dari makalah ini disusun sebagai berikut. Di bagian selanjutnya kami berikan
134
pengantar singkat tentang hukum Benford dan intuisi yang mendasari pendekatan
kami. Di
4 kami merinci metodologi penyelidikan kami dan memberikan hasil yang berasal
dari itu
dengan d = 1, 2, ..., 9, bukan 1/9 seperti yang diharapkan, tetapi sangat menurun
seperti d
meningkat; itu sekitar 0,301 jika d = 1, sekitar 0,176 jika d = 2, ..., sekitar 0,051
jika d = 8
dan sekitar 0,046 jika d = 9. Sebagai akibatnya, frekuensi data numerik dengan
dari fenomena ini menelusuri kembali ke Newcomb pada tahun 1881 (lihat [9]),
tetapi lebih tepat
135
deskripsi itu diberikan oleh Benford pada tahun 1938 (lihat [2]). Setelah
penyelidikan
sejumlah besar data numerik yang heterogen, 2 Benford menebak yang berikut
rumus umum untuk probabilitas bahwa digit signifikan pertama sama dengan d:
1+
, d = 1, ..., 9.
Hanya dalam waktu yang lebih baru, hukum Benford memperoleh teori yang baik
distribusi yang mengikuti hukum Benford terkait dengan skala invarian dan
yang menarik untuk pendekatan kami - dan tanpa masuk ke rincian teknis, Hill
dari masing-masing distribusi ini, digit signifikan dari sampel gabungan akan
136
pasar sebagai distribusi probabilitas yang dipilih secara acak, dan harga /
pengembalian
masing-masing aset yang berbeda ini sebagai sampel acak yang dihasilkan. Yang
signifikan pertamadigit harga / pengembalian tersebut harus mengikuti distribusi
Benford. Tapi, jika ada yang luar biasa
distribusi probabilitas dari digit signifikan pertama mereka harus berangkat dari
Benford
satu. Dalam pengertian ini pas, atau tidak, hukum Benford memberikan indikasi
tentang
Investigasi yang serupa dengan kami telah dibuat sketsa dalam makalah singkat
oleh Ley (lihat [8]),
1900 hingga 1993 dan Indeks Standard & Poor's (S & P) dari tahun 1926 hingga
1993. The
137
mengikuti hukum Benford. Hasil serupa telah diperoleh untuk harga saham pada
single
Sebuah ide analog dengan yang ditelusuri pada bagian sebelumnya, yaitu bahwa
deteksi shunt dari hukum Benford mungkin merupakan gejala manipulasi data,
telah digunakan dalam deteksi pajak-penipuan oleh Nigrini (lihat [10]), dan dalam
ekonomi curang
dan data ilmiah oleh Gunnel et al. dan oleh Diekmann, masing-masing (lihat [5]
dan [4]). ¨
De Ceuster dkk. (lihat [3]) menyatakan bahwa perbedaan distribusi digit dari
Semua aplikasi keuangan yang berbeda ini mendukung gagasan bahwa di pasar
keuangan
Set data yang kami pertimbangkan terdiri dari 3067 harga penutupan harian dan
3067 penutupan harian
138
pengembalian logaritmik untuk 361 saham milik S & P 500, 4 dari Agustus
14, 1995 hingga 17 Oktober 2007. Analisis yang kami lakukan berlanjut dengan
tiga langkah:
digit keduanya di seluruh kumpulan data harga dan seluruh kumpulan data
kembali;
pengembalian;
Hukum Benford.
139
kedua perbandingan nol ditolak. Pada Tabel 1 kami melaporkan nilai-nilai dari
terkait tes goodness-of-fit chi-square dengan 8 derajat kebebasan (kita ingat itu
χ2
8,0,95 = 15,51).
Dari sudut pandang kualitatif, hasil kami analog dengan yang diperoleh
oleh Ley (lihat [8]). Secara khusus, penulis itu mengamati bahwa, terlepas dari
fakta bahwa
lebih kuat dan lebih kuat dari penolakan sehubungan dengan hukum Benford.
Dengan kata lain,
distribusi pro- pertanggung jawab secara empiris terkait dengan asset total secara
signifikan menjadi tanggung jawab yang berhubungan dengan tugas andal.
Khususnya, thelatteris19.77 kali lebih jauh dari hukum Benford daripada yang
pertama. Bukti ini secara teoritis koheren dengan yang dinyatakan dalam makalah
Pietronero et al. (lihat [11]), karena pengembalian logaritmik diperoleh dari harga
oleh proses multiplikatif.
bahwa 42,89% dari semua hari yang ditolak jatuh sebelum hari ini dan 57,11%
dari mereka setelahnya. Selain itu, jika kita membatasi perhatian kita pada 45 hari
yang paling ditolak, perbedaan antara persentase tersebut secara signifikan
meningkat menjadi 11,11% sebelum dan 88,89% setelah masing-masing. Hal ini
menunjukkan bahwa S & P500 pasar saham menjadi kegiatan yang sulit setelah
11 September 2001 daripada sebelumnya.
5. Kesimpulan
Sepengetahuan kami, beberapa aspek mengenai penggunaan analisis
hukum Benford di dalam tolok ukur keuangan yang belum diketahui, diselidiki.
Di antara berbagai pertanyaan yang ada, kami mempertimbangkan hal-hal berikut:
- Mengingat beberapa studi yang bersifat thistopic, kemampuan sebenarnya dari
pendekatan untuk mendeteksi perilaku anomali di pasar keuangan harus diperiksa
dan diukur secara hati-hati. Untuk tujuan ini, aplikasi sistematis dari pendekatan
ini ke sejumlah besar pasar keuangan yang berbeda diperlukan; - Dari sudut
pandang metodologis, kami menduga bahwa membatasi analisis yang kami
lakukan di pasar yang berbeda-beda, yang memperumit pasar keuangan dapat
berguna untuk mendeteksi, dalam kasus perilaku anomali pasar secara
keseluruhan, sektor mana yang paling dapat diandalkan; - Kami tebak juga bahwa,
untuk membuat analisis ini lebih hati-hati, kita setidaknya harus
memperhitungkan kemungkinan distribusi dari digit kedua yang signifikan (lihat
[6]), yaitu,
Pr (digit penting kedua = d) =
146
Akhirnya, hasil yang kami sampaikan dalam makalah ini adalah ex post.Saat ini,
kami mulai mengembangkan dan menerapkan pendekatan baru berbasis hukum
Benford untuk memeriksa beberapa kemampuan prediktif.Hasil awal yang sangat
awal tampaknya memberi harapan.
1. Perkenalan
Model penentuan harga aset menyediakan metode untuk menilai
keberisikoan arus kas dari sebuah proyek. Model ini menyediakan perkiraan
hubungan antara yang lain dan risiko yang paling penting. Menurut "model
penilaian aset modal" (CAPM), satu-satunya hal yang relevan dari model
perangkat yang dapat digunakan dalam tabel model, dikenal sebagai proyek yang
ada. Dalam CAPM, biaya modal, yaitu, kerugian , isalinearfungsi dari beta proyek
yang sedang dievaluasi. Seorang manajer yang memiliki perkiraan dari proyek
potensial dapat menggunakan CAPM untuk memperkirakan modal untuk proyek
tersebut.Jika Investor CAPMmenangkap investor adalah cukup, maka data historis
harus mengungkapkan hubungan linier positif antara laba atas aset keuangan dan
asetbetasnya.Juga, pengukuran-pengukuran lain dari bagian-bagian tersebut harus
dapat menjelaskan perbedaan-perbedaan dalam rata-rata dari laporan keuangan di
atas yang dijelaskan oleh CAPMbetas.Fakta bahwa teori CAPM memprediksi
keberadaan hubungan linear penampang antara pengembalian dan beta dapat diuji
147
adalah parameter yang mengukur risiko sistematis setiap aset, yaitu, pangsa dari
variabel portofolio pasar yang ditentukan oleh masing-masing aset.
Istilah βj dalam persamaan CAPM (1) adalah kunci dari implikasi wholemodel.βj
representstheriskasset j berkontribusi pada portofolio pasar kedua, diukur dengan
variabel variabel pasar:
di mana {ξ A j, p} j = 1,2, ..., S adalah i.i.d. urutan variabel acak yang memiliki
mean nol dan varians finite. Perhatikan bahwa kita mundur Rj, p + 1 pada ˆ β j, p;
hal ini karena diasumsikan para investor akan mendapatkan keputusan investasi
152
yang mana yang lebih jauh akan mengalami kemunduran yang menyebabkan
sistem sistematis berubah. Alternatif kedua:
dimana beta masuk dalam regresi kuadrat. Dalam (5) dan (6) kita mengasumsikan
bahwa
kesalahan {ξ B} j = 1,2, ..., S dan {ξ C} j = 1,2, ..., S adalah dua i.i.d. urutan
variabel acak
dengan mean nol dan terbatas varians. Adapun (4), (5) dan (6) juga diperkirakan
untuk setiap periode p 1, 2, ..., T w 1. Model A, B dan C diwakili oleh persamaan
(4), (5) dan (6) diperkirakan dan diuji dalam makalah terkenal oleh Fama dan
MacBeth [7].
3 Sifat nonparametrik-of-fit
Di bagian ini kami menerapkan metode yang diusulkanolehH¨ardleetal. [8]
untuk menguji linierspesifikasi model CAPM, yaitu, model A, B dan C yang
didefinisikan pada tahap kedua dari langkah sebelumnya. Tes goodness-of-test ini
didasarkan pada kombinasi dua alat nonparametrik: penduga kernel Nadaraya-
Watson dan Likelihood of Owen [13]. Di sini kami secara singkat menjelaskan
pendekatan pengujian, kemudian, di bagian berikutnya, kami akan mengaitkannya
153
dengan CAMPModel CAMP diperkirakan pada S& P500pasar saham. Mari kita
perhatikan model berikut ini yang nonparametrik
bobot nonnegatif yang ditetapkan untuk pasangan (X j, p, Rj, p +1), untuk j 1, ...,
S. Kemungkinan empiris untuk versi m of yang terhaluskan (x )
didefinisikan
Sebagaimana jelas dari persamaan (11), perbandingan didasarkan pada versi yang
diperhalus dari fungsi parametrik yang diperkirakan mγˆ (x) (lihat [8] untuk
diskusi), yang diberikan oleh
yang dibangun di atas satu set S ∗<S poin xr, p, dipilih sama spasi dalam
dukungan dari para penyerang. Statistik dalam (16) dibandingkan dengan persentil
dari distribusi χ2 dengan S ∗ derajat kebebasan.
Pada Tabel 1 kami merangkum hasil dari dua prosedur pengujian (parametrik dan
nonparametrik) yang dijelaskan pada bagian sebelumnya.
linear dalam langkah parametrik sama dengan nol pada level α = 5%, dan kami
menolak hipotesis H0 dalam tahap nonparametrik pada tingkat yang sama.
Artinya, tidak ada hubungan linier yang dapat dideteksi tetapi ada bukti adanya
struktur busur. Seperti Kasus 3, kami melaporkan persentase periode pengujian di
mana perkiraan koefisien lineardeparametrikepanjangsebagian perbedaan dari 0
levelα = 5%, dan kami tidak menolak hipotesis H0pada tahap nonparametrik pada
tingkat yang sama. Kasus ini mendukung teori CAPM karena di sini kita
mengatakan bahwa koefisien linear yang diperkirakan dalam langkah parametrik
secara bersama berbeda dari nol pada level α = 5%, dan kita tidak menolak
linearityhypothesis (H0) dalam tahap nonparametrik pada saat yang sama. tingkat.
Ini berarti bahwa ketika situasi ini terjadi, kami memvalidasi ide di balik CAPM,
yaitu: informasi historis yang mungkin dapat digunakan untuk menjelaskan
variasi bagian-bagian dari pengembalian aset. Untuk kasus ini yang terbaik terjadi
untuk model B, yang mana orang yang menggunakan para pendahulu (β, σ).
Kesimpulan statistik yang kami berikan dari 3isthatwhenw = 22for26.6% dari
periode pengujian yang kami tetapkan pada hubungan linear antara pengembalian
aset, β dan risiko non-sistematik (σ). Selain itu hasil ini tidak bergantung pada
rolling window (meskipun w = 66 menghasilkan hasil yang sedikit lebih baik).
Akhirnya, seperti Kasus 4 kami melabeli persentase periode pengujian di mana
perkiraan linearkepediappelajaranpelajaran secara
bersamadifferentfromzeroattingkat α = 5%, dan kami menolak hipotesis H0 dalam
tahap nonparametrik pada tingkat yang sama. Artinya, sebuah
hubunganispresentasikan tetapi kemudianberpisahbatasuntukmendukung bukti
untuk efek nonlinier.Patutlah untuk mengamati bahwa untuk semua kasus yang
dipertimbangkan, kesimpulan tampaknya tidak terkait dengan pilihan tertentu dari
jendela yang bergulir.Mereka tetap secara tradisional cenderung untuk beralih ke
arah yang berbeda-beda. Terlepas dari keterbatasan analisis ini, pertanyaan
terbuka tetap apakah beta adalah penentu dari lintas- variasi bagian dari
pengembalian aset sama sekali. Dari studi ini kita tidak dapat menyimpulkan
bahwa model B divalidasi.Namun yang pasti, ini terjadi pada sekitar seperempat
periode pengujian. Hal ini mendorong kita untuk menyelidiki kemungkinan lain
159
yang dapat menghasilkan jalur yang lebih kuat dari yang pernah ada sebelumnya.
Mengetahui nilai-nilai yang akan lebih berharga untuk diteliti lebih lanjut: struktur
ketergantungan, struktur kelompok dalam perilaku sehari-hari dari parameter,
kekokohan, dan ketidakparametrikspesifikasi tahap pertama.
1. Perkenalan
Latar belakang penelitian ini didasarkan pada metode peramalan mortalitas
bilinear.Metode-metode ini diperhitungkan untuk menggambarkan perbaikan
dalam tren kematian dan untuk memproyeksikan tabel kelangsungan hidup.Kami
fokus pada metode Lee-Carter (selanjutnya LC) untuk memodelkan dan
meramalkan kematian, dijelaskan dalam Bagian 2. Secara khusus, kami fokus
pada isu sensitivitas model ini dan untuk menghadapinya, di Bagian 3, kami
mengilustrasikan penerapan strategi eksperimental untuk menilai ketahanan model
LC. Di Bagian 4, kami menjalankan eksperimen dan menerapkannya pada matriks
160
mendeskripsikan log dari deret waktu dari angka kematian spesifik usia mx, t
sebagai penjumlahan dari parameter spesifik usia yang independen dari waktu αx
dan komponen yang diberikan oleh produk dari parameter yang berubah-waktu,
dengan mencerminkan tingkat umum mortalitas dan parameter βx, mewakili
seberapa cepat atau lambatnya mortalitas pada setiap usia bervariasi ketika tingkat
kematian umum berubah. Istilah terakhir Ex, t adalah istilah kesalahan,
diasumsikan sebagai homoschedastic (withmean 0 dan variance σ2?). Atas dasar
persamaan (1), if6 Mx, t adalah matriks yang memegang mean log-mortalityrates
berpusat, model LC dapat dinyatakan sebagai:
3 Percobaan
Strategi eksperimental yang diperkenalkan di atas, dengan tujuan menginduksi
kesalahan untuk memuaskan hipotesis homoskedastisitas, terdiri dari kalimat-
kalimat berikut [11]. Istilah kesalahan dapat dinyatakan sebagai berikut:
yaitu, sebagai perbedaan antara matriks 6 Mx, t, mengacu pada logmortalitas yang
dipusatkan rata-rata danprodukberbeda antara βx dan κt berasal dari perkiraan
model LC. Langkah berurutanmendapatimenggunakansebuahsebuahsumber daya
dariindikator statistikseperti: rentang, interquartilerange, meanabsolutedeviation
(MAD) dari sampel data, standarddeviation , kotak-plot, dll. Setelah itu, kami
melanjutkan mencari kelompok usia yang menunjukkan variabilitas lebih tinggi
dalam kesalahan. Setelah kita menjelajahi residu? Misalnya, kita dapat
menemukan beberapa kelompok usia yang tidak sesuai. Kami memberi peringkat
sesuai dengan menurunnya ketidaksesuaian, yaitu, dari yang lebih luas ke yang
lebih homogen.Satu kelompok terpilih yang dipilih, itu mungkin bisa mengurangi
keragaman dengan membagi seluruh rentang menjadi beberapa quantiles,
mengesampingkan setiap kali α% yang tetap dari nilai ekstrim. Kami mereplikasi
masing-masing berjalan dalam kondisi yang sama beberapa kali (yaitu, 1000).
Untuk masing-masing kelompok usia dan untuk setiap persentil, kami
mendefinisikanferewerrormatrix.Umumnyaberhasilmenghasilkan lebih banyak
istilah kesalahan yang lebih heterogen. Melalui eksperimen ini, kami menyelidiki
residu heterosupastisitas yang berasal dari berbagai fungsi: risiko kelompok dan
jumlah nilai yang berubah-ubah
di setiap kelompok umur. Secara khusus, kami ingin menentukan pola hipotetis t
dengan meningkatkan homogenitas dalam residu.Dengan demikian, di bawah
asumsi ini, kami menganalisis perubahan pada κt yang dapat diturunkan dari
setiap matriks kesalahan simulasi. Secara khusus, pada setiap menjalankan kami
162
4 Menjalankan eksperimen
Percobaan diterapkan pada matriks data yang memegang logmortalitas
yang berpusat pada Italia yang berpusat pada populasi wanita dari tahun 1950
hingga 2000 [6]. Secara khusus, deretan matriks mewakili 21 kelompok usia [0],
[1-4], [5-9],..., [95–99] dan kolom mengacu pada tahun 1950-2000. Prosedur kami
terdiri dari analisis kemampuan residual yang dapat diubah menjadi bentuk
persendian yang membantu untuk menentukan kelompok usia di mana hipotesis
model tidak berlaku (lihat Tabel 1). Kita dapat melihat bahwa residual dalam
kelompok usia 1–4, 5–9, 15–19 dan 25–29 (ditulis dengan huruf tebal) jauh dari
homogen. Dengan demikian kelompok usia 1–4, 15–19, 5–9, 25–29 akan
berurutan, dan menurut urutan ini, masuk dalam eksperimen. Bersama-sama
dengan penterjemahan, kami menyediakan analisis grafis dengan menampilkan
plak sebelum wagegroup (Gbr.1), di mana -heks-axistheagegroups dilaporkan dan
pada sumbu y variabilitas residual. Jika kita melihat pada kelompok usia 1–4 dan
15–19wiknotis, hal ini menunjukkan bahwa yang paling banyak dibandingkan
dengan yang lain. Khususnya, kami mempersepsikan bahwa untuk kelompok usia
163
percobaan di empat baris pasir kenaikan ive sukses dalam nilai geofouter persena
yang telah ditransformasikan dalam 6 kolom. Kita dapat membedakan perilaku
yang berbeda dalam empat baris karena lebih banyak kelompok usia dan persentil
dipertimbangkan. Untuk interpretasi yang lebih baik dari hasil ini, kami memiliki
165
pandangan sintetik plotteda dari rata-rata yang dihasilkan dari 1000 kt di bawah
24 kondisi (lihat Gambar. 3) dan membandingkannya dengan seri yang diturunkan
oleh estimasi tradisionalLC
5 Ilustrasi numerik
Pada bagian ini, kami menyediakan aplikasi dari prosedur sebelumnya
untuk menghasilkan kelangsungan
hidupprosesibilitasmenghalangipembelianpembelianpusatnentitas di mana- mana
para ahli waris memasuki masa pensiun pada saat yang bersamaan. Khususnya,
setelah menilai pemutusan hipotesis hipotoksik dalam model Lee-Carter, kami
bermaksud untuk mengukur bahwa hal ini adalah salah satu faktor yang penting
dari pendugaan permukaan optik. Analisis ini menyangkut perilaku dinamis dari
dana keuangan yang diperiksa dari tahun ke tahun yang timbul dari dua aliran
masuk dan keluar dari portofolio, yang pertama terdiri dari meningkatnya efek
duetot yang menarik dari dana yang terkumpul dan yang kedua di dalam arus yang
disajikan oleh pembayaran yang lebih tinggi daripada yang diperlukan oleh orang-
orang yang masih hidup. Mari kita perbaiki salah satu dari tanggal penilaian masa
depan, katakanlah sesuai dengan waktu κ, dan pertimbangkan apa dana portofolio
pada tanggal penilaian ini. Karena menyangkut portfolio fundconsistency pada
waktu κ, kita dapat menulis [2]:
di mana N0 mewakili jumlah orang pada usia yang sama x pada masalah kontrak t
= 0 mencapai keadaan pensiun pada saat yang sama n, yaitu pada agex + n, andi ∗
κ adalah kepentingan finansial acak yang terlambat (k −1, k) .Analognya secara
rujukan mengacu pada fase akumulasi dan annuitisationphase.
menghasilkan suku bunga fiksional yang ditetapkan pada tingkat 3%. Mengenai
yang terakhir, kami mengadopsi model Vasicek [12]. Lingkungan tingkat bunga
stokastik ini tampaknya sangat cocok untuk menggambarkan tingkat
pengembalian global seketika pada aset terkait dengan portofolio yang
dipertimbangkan, karena nilai-nilai negatif yang potensial.Seperti diketahui,
keadaan ini tidak bertolak belakang dengan gagasan untuk mempertimbangkan
tingkat pendek yang mencerminkan strategi investasi global yang terkait dengan
portofolio [9].
5.2 Mortalityhypotheses
Karena menyangkut model kematian, kami mempertimbangkan
probabilitas kelangsungan hidup yang dihasilkan oleh prosedur simulasi yang
dijelaskan di atas (selanjutnya metode simulasi) dan oleh estimasi klasik model
Lee-Carter (metode tradisional). Dalam metodologi sebelumnya, kami
mempertimbangkan seri κt yang muncul dari percobaan. Mengikuti prosedur Box-
Jenkins, kami menemukan bahwa model ARIMA (0,1,0) lebih layak untuk seri
waktu kami. Setelah mendapatkan seri κt yang diproyeksikan, kita membangun
tabel kehidupan yang diproyeksikan dan kemudian kita mengekstrapolasikan
probabilitas yang mengacu pada diasuransikan berusia x 45. Pada Gambar 4 kami
melaporkan distribusi probabilitas kelangsungan hidup sebagai fungsi dari metode
estimasi LC yang berbeda: metode tradisional dan simulasi .Kita dapat melihat
bahwa pola probabilitas simulasi di bawah probabilitas tradisional.Selain itu
perbedaan ini meningkat seiring dengan meningkatnya waktu proyeksi.
Dengan demikian, mengacu pada lingkungan keuangan stochastic dan
demografi yang dijelaskan di atas, kami mengevaluasi dana portofolio periodik.
Mengenai hipotesis perhitungan premium, kami menggunakan dua asumsi yang
berbeda (LC simulasi, LC klasik) dan suku bunga tetap sebesar 4%. Kami
menggunakan asumsi mortalitas yang sama yang dibuat dalam penghitungan
premium bahkan untuk dinamika dana portofolio sejak usia pensiun pada, yaitu,
168
deskripsi, dalam terang hasil utama [2]. Dalam grafik berikut (lihat Gambar 5 dan
6) kami mewakili dana portofolio bersama dengan seluruh kehidupan kontrak
potensial, yaitu, baik ke fase akumulasi dan ke fase annuitisasi. Tren dana
portofolio dihitung berdasarkan portofolio pensiun anuitas mengacu pada
kelompok c 1000 penerima manfaat berusia x 45 pada saat t 0 dan masuk dalam
169
masa pensiun 20 tahun kemudian, yaitu pada usia 65. Arus kas diwakili oleh
konstanta premi P, dibayar pada awal setiap tahun hingga t 20 jika penerima
manfaat masih hidup pada saat itu (akumulasi fasa) dan dengan manfaat konstan
R 100 dibayarkan pada awal setiap tahun setelah t 20 (fase annuitisasi) dalam
kasus penerima manfaat masih hidup pada saat itu. Gambar 5 menunjukkan
bagaimana dana portofolio meningkat dengan
1. Perkenalan
penilaian obligasi dari alternatif ini model tanpa menganalisa dampak dari metode
estimasi struktur jangka pada detik atau lebih tinggi dari tarif nol kupon. Namun
demikian, dalam tulisan ini kami fokus pada momen kedua suku bunga yang
berasal dari struktur istilah alternatif metode. Jadi, tujuan dari makalah ini adalah
untuk menganalisis apakah ada perbedaan yang signifikan antara perkiraan VTS
tergantung pada model yang digunakan untuk memperkirakan struktur jangka
suku bunga (TSIR). Dalam studi ini kita membandingkan Nelson dan Siegel [14],
NSO, Vasicek dan Fong [17], V FO, dan bothmodels menggunakan dua hipotesis
alternatif tentang varians kesalahan. Pertama kami menganggap homoskedastisitas
dalam kesalahan harga obligasi dan begitu juga dengan struktur istilah seperti
yang diperkirakan oleh OLS. Atau, struktur kesalahan heteroskedastis digunakan
memperkirakan dengan kesalahan penentuan harga bobot GLS dengan kebalikan
dari durasinya, NSG dan V FG.
Kami menerapkan metodologi kami ke VTS dari perkiraan TSIR Spanyol. Itu
Data yang digunakan dalam analisis empiris ini adalah tagihan Treasury Spanyol
173
dan harga obligasi transaksi sebenarnya dari Januari 1994 hingga Desember 2006.
Kami menunjukkan perbedaan yang signifikan secara statistik antara perkiraan
struktur istilah volatilitas suku bunga tergantung pada model yang digunakan
untuk memperkirakan istilah struktur dan struktur heteroskedastisitas kesalahan
(NSO, NSG, V FO dan V FG), terutama dalam jangka pendek (kurang dari satu
tahun) dan dalam jangka panjang (lebih dari sepuluh tahun) keriangan. Inspeksi
ini dapat memiliki konsekuensi signifikan untuk banyak masalah terkait untuk
manajemen risiko di pasar pendapatan tetap. Di sisi lain, kami menemukan tiga
komponen utama (PC) yang dapat diartikan sebagai tingkat, kemiringan dan
kelengkungan dan mereka tidak berbeda secara signifikan di antara delapan model
yang kami usulkan. Bagian selebihnya dari makalah kami diatur sebagai berikut.
Bagian selanjutnya menjelaskan tentang data yang digunakan dalam makalah ini
dan metodologi yang digunakan untuk memperkirakan TSIR: the
Nelson dan Siegel [14], NS, dan Vasicek dan Fong [17], VF, model. Bagian
ketiga menggambarkan model yang digunakan untuk memperkirakan struktur
jangka volatilitas. Yang keempat Bagian menganalisis perbedaan dalam VTS dari
delapan model kami yang berbeda. Akhirnya, dua bagian terakhir termasuk
analisis komponen utama VTS dan, akhirnya,
ringkasan dan kesimpulan. Data Database yang kami gunakan dalam penelitian ini
berisi rata-rata volume-tertimbang harian dari semua harga transaksi spot dan
hasil dari semua obligasi dan obligasi Treasury Spanyol yang diperdagangkan dan
terdaftar di pasar dealer atau sistem entri buku Bank of Spain. Mereka diperoleh
dari file tahunan yang tersedia di situs web "Banco de Espa˜na". Kami fokus pada
27 jatuh tempo yang berbeda antara 1 hari dan 15 tahun. Sampel kami berjalan
dari Januari 1994 hingga Desember 2006. Pertama-tama, untuk menyempurnakan
data kami, kami telah menghilangkannya dari sampel tersebut aset dengan volume
perdagangan kurang dari 3 juta euro (500 juta peseta) dalam satu hari dan obligasi
dengan jangka waktu kurang dari 15 hari atau lebih dari 15 tahun. Selain, untuk
mendapatkan penyesuaian yang baik dalam akhir singkat kurva imbal hasil, kami
selalu termasuk dalam sampel suku bunga satu minggu dari pasar repo. Dari harga
174
(yang harus bertepatan dengan hasil bagi antara volume efektif dan volume
nominal transaksi) yang disediakan oleh pasar, kami mendapatkan imbal hasilnya
jatuh tempo pada hari pemukiman. Kadang-kadang hasil ini menyimpang dari
hasil yang dilaporkan oleh themarket. Mengontrol konvensi ini, kami menghitung
ulang hasil menggunakan senyawa bunga dan basis tahun ACT / ACT untuk
kedua pasar.3 Kami memperkirakan kurva yield obligasi tanpa kupon
menggunakan dua metode alternatif. Itu yang pertama kita gunakan cocok dengan
model eksponensial Nelson dan Siegel [14] untuk estimasi kurva hasil.4
Metodologi kedua dikembangkan dalam Contreras et al. [7] di mana metode
estimasi struktur jangka Vasicek dan Fong [17] (V FO) diadaptasi ke pasar
Treasury Spanyol. V FO menggunakan metodologi non-parametrik berdasarkan
splines eksponensial untuk memperkirakan fungsi diskon. Simpul variabel unik,
yang terletak di samping jumlah residu kuadrat, digunakan untuk menyesuaikan
splines eksponensial. Sehubungan dengan metodologi estimasi kami menerapkan
OLS dan GLS. Dalam kasus kedua kita menyesuaikan kesalahan harga obligasi
dengan kebalikan dari obligasi Macaulay durasi untuk menghindari hukuman
lebih dari kesalahan tingkat bunga dalam jangka pendek struktur istilah. Pada
Gambar 1 kami mengilustrasikan estimasi hasil dari struktur istilah dalam satu
hari tergantung pada skema theweighting diterapkan ke istilah kesalahan. Itu bisa
dilihat bagaimana caranya asumsi OLS atau GLS mempengaruhi terutama
perkiraan di ujung pendek dan panjang dari TSIR meskipun dalam kedua kasus
kami menggunakan model Nelson dan Siegel Singkatnya, kami menggunakan
empat model estimasi yang berbeda: Nelson dan Siegel [14], NSG, dan Vasicek
dan Fong [17], V FG, yang memperhitungkan penimbangan residu oleh timbal
balik ofmaturity, dan NSO andV FO, yaitu, dengan residu non-weighted. Prosedur
estimasi alternatif ini memberikan masukan fungsional berikutnya analisis
komponen utama. 3 model GARCH VTS merupakan masalah penting dalam
keuangan, jadi penting untuk memiliki prakiraan volatilitas yang baik, yang
didasarkan pada fakta bahwa volatilitas adalah waktu yang bervariasi dalam data
frekuensi tinggi. Di umum, kita dapat mengasumsikan bahwa ada beberapa alasan
untuk memodelkan dan meramalkan volatilitas. Pertama-tama, penting untuk
175
menganalisis risiko memegang aset6 dan nilai opsi yang sangat tergantung pada
volatilitas aset yang mendasarinya. Akhirnya, estimator yang lebih efisien dapat
diperoleh jika heteroskedastisitas dalam kesalahan ditangani tepat. Untuk
mencapai perkiraan ini, literatur sebelumnya yang ekstensif telah menggunakan
autoregressive model conditional heteroscedasticity (ARCH), seperti yang
diperkenalkan oleh Engle [11] dan diperluas ke ARCH umum (GARCH) di
Bollerslev [5]. Model-model ini biasanya meningkatkan perkiraan volatilitas,
untuk sebagian besar, dibandingkan dengan konstanta model varians dan mereka
memberikan perkiraan volatilitas yang baik, sehingga mereka banyak digunakan
dalam berbagai cabang ekonometrik, terutama dalam analisis deret waktu
keuangan. Di Bahkan, biasanya diasumsikan bahwa volatilitas suku bunga dapat
secara akurat dijelaskan oleh model GARCH. Mempertimbangkan berbagai
macam model (GARCH, ARCH-M, TGARCH, EGARCH ...), kami
mengidentifikasi yang terbaik untuk setiap perkiraan TSIR: Nelson dan Siegel
(NSO), Vasicek dan Fong (V FO) dan kedua model tertimbang oleh durasi (NSG
dan V FG), menggunakan Akaike Information Criterion (AIC). Kami memilih
pendekatan HTML untuk memperkirakanGARCHparameters.7 Secara khusus,
GARCHmodels sangat pas saat kami menggunakan NSO dan V FG. Namun
demikian, T-GARCH dan E-GARCH sepertinya yang terbaik model untuk
estimasi V FO dan NSG, masing-masing. 4 Perbedaan dalam volatilitas dari
model yang berbeda Pada bagian ini kami mempelajari perbedaan antara struktur
volatilitas dari yang berbeda model estimasi dari TSIR (NSO, V FO, NSG dan V
FG) dan bersyarat volatilitymodels (model GARCH dalam setiap kasus
sebelumnya). Pada model tipe pertama, kami mendapatkan volatilitas historis
menggunakan jendela bergerak 30-, 60- dan 90-hari dan ukuran standar deviasi.
Kami menunjukkan hasilnya dengan jendela bergerak 30 hari. Secara keseluruhan
kita dapat melihat pola berulang dalam bentuk VTS: awalnya menurun, kemudian
meningkat sampai satu sampai dua tahun dan akhirnya kita bisa mengamati a
volatilitas suku bunga konstan atau sedikit menurun saat kita mendekati jangka
panjang dari kurva. Ini konsisten dengan Campbell et al. [6], yang berpendapat
bahwa punuk VTS dalam jangka menengah dapat dijelaskan dengan mengurangi
176
dan dua PC terakhir berbeda di antara delapan model kami (volatilitas historis dan
kondisional). Mempertimbangkan hasil dari Tabel 3, kita dapat menyatakan
bahwa statistik terkait dengan perbedaan dalam homogenitas bukti yang berarti
dalam delapan model kami karena kami tidak dapat menolak hipotesis nol. Dalam
kasus perbedaan median, kami menemukan bukti yang menentang hipotesis nol
median yang sama untuk PC kelima. Namun demikian, PC lainnya menawarkan
bukti yang mendukung hipotesis nol. Di sisi lain, statistik untuk menguji apakah
varians PC yang dihasilkan oleh delapan kami modelnya sama atau tidak juga
muncul pada Tabel 3. Untuk semua PC, statistik ini menawarkan bukti kuat
terhadap hipotesis nol. Meringkas, di bagian ini kami telah menyimpulkan bahwa
tiga PC pertama dapat
terkait dengan level, kemiringan dan kelengkungan VTS dan, selain itu, PC ini
tidak secara signifikan berbeda dalam mean dan median di antara delapan model
kami. Namun, PC4 dan PC5 secara signifikan berbeda antara model kami. 6
Kesimpulan Tulisan ini bertujuan untuk memberikan wawasan baru ke dalam
perilaku VTS suku bunga dengan menggunakan perkiraan volatilitas historis dari
empat model yang berbeda dari struktur dasar suku bunga (TSIR) dan menerapkan
spesifikasi volatilitas bersyarat alternatif (menggunakan model GARCH) dari
1994 hingga 2006. Kami telah menggunakan model yang disebutkan, dan kami
telah menyusun rangkaian waktu volatilitas menggunakan gerakan 30-, 60- dan
90-hari jendela untuk membangun VTS. Pertama-tama, hasil analisis kami
menunjukkan bahwa ada signifikan secara statistik perbedaan antara perkiraan
struktur jangka volatilitas suku bunga tergantung pada model yang digunakan
untuk memperkirakan struktur istilah dan struktur heteroskedastisitas kesalahan
(NSO, NSG, V FO dan V FG), terutama dalam jangka pendek (kurang dari satu
tahun) dan dalam jangka panjang (lebih dari sepuluh tahun), tetapi perbedaan-
perbedaan ini tidak tergantung pada prosedur untuk memperkirakan VTS. Kedua,
bukti sebelumnya menunjukkan bahwa dinamika struktur jangka volatilitas dapat
dijelaskan dengan baik secara relatif beberapa komponen umum. Interpretasi yang
mungkin dari komponen-komponen utama ini dalam hal tingkat, kemiringan dan
179
1. Perkenalan
Dalam beberapa tahun terakhir, banyak penulis telah mencoba mengatasi
pengaturan Heston [11]. Ini adalah karena fakta bahwa kemampuan model
volatilitas stokastik untuk harga waktu singkat pilihan terbatas [1,14]. Dalam
[2], penulis menambahkan (proporsional) log-normal melompat ke dinamika
180
6 Hasil numerik
Pada bagian ini, kami menerapkan model kami ke pasar DJ Euro Stoxx 50
(data disediakan oleh Banca IMI, Milan), menggunakan set parameter yang
dilaporkan pada Tabel 1. Parameter-parameter ini telah dipilih untuk menguji
efisiensi algoritma kami dan memperoleh yang baik perkiraan volatilitas
pasar. Kalibrasi model berada di luar ruang lingkup ini kertas dan dibiarkan
untuk penelitian lebih lanjut. Tabel 1. Nilai parameter model (1) dan (2)
Indeks "blue-chip" DowJones Euro Stoxx 50 (DJ50) mencakup lima puluh
EuroZone pemimpin sektor terbesar yang sahamnya dimiliki oleh
theDowJones Euro Stoxx Index. DJ50 optionmarket sangat likuid dan
berkisar luas di kedua jatuh tempo (dari satu bulan hingga sepuluh tahun) dan
harga strike (uang dari 90% hingga 115%). Perlu dicatat itu indeks membawa
dividen yang dibayarkan oleh perusahaan sehingga hasil dividen d harus
benar dipertimbangkan dengan mengurangkannya dari istilah pergeseran
dalam dinamika S. Volatilitas di Tabel 2 (kolom 2) mewakili istilah tersebut
+ ξ 2v (0) (varians instan dari tempat kembali pada t = 0, dan bukan hanya σS
seperti dalam model B & S), di mana v (0) adalah awal nilai dinamika
volatilitas stokastik. Oleh karena itu kita dapat memperoleh v (0) dari v (0) =
/ ξ 2, di mana σMKT adalah volatilitas pasar. Harga yang tepat versus
perkiraan Kami menyajikan beberapa perbandingan numerik ESA yang
dijelaskan dalam Bagian 4 dan lainnya metode simulasi. Untuk tujuan ini,
kami menggunakan opsi panggilan Eropa pada 23 November, 2006; data
yang relevan ditunjukkan pada Tabel 2. Kami membandingkan harga yang
diturunkan dengan berbeda metode: rumus tertutup (3) (kolom 4), ESA
dimodifikasi dengan penolakan sampling (kolom 5), ESA diusulkan dalam [5,
6] (kolom 6), dan Monte Carlo estimator (lihat (5) dalam [6]) (kolom 7).
Untuk ESA, kami mensimulasikan 100.000 varians jalur dan jalur harga 1000
tergantung pada setiap jalur varians dan lompatan. Harga di Kolom 5 sangat
mirip dengan yang diperoleh dengan rumus tertutup (3) dan ditingkatkan
pendekatan yang diperoleh menggunakan ESA asli. Hasil kami juga
mengkonfirmasi bahwa ESA lebih efisien daripada pendekatan Monte Carlo
187
pilihan, atau karena opsi ini, pada kedaluwarsa, kehabisan uang. Fitur ini juga
hadir ketika level barrier perubahan, seperti pada Tabel 3. Tabel 3. Harga opsi
penghalang dengan dua hambatan yang berbeda, harga spot S (0) = 4116.40,
waktu hingga jatuh tempo 1 tahun, tingkat tanpa risiko r = 3,78% dan hasil
dividen d = 3,37% pada 23 November 2006
Moneyness% Strike K mkt vol σMKT H = 5000 H = 5500
90.0 3704.76 0.1780 415.0204 519.1443
95.0 3910.58 0.1660 298.2722 374.2468
97,5 4013,49 0,1600 239,5962 308,4141
100.0 4116.40 0,1550 189,5186 249,8215
102.5 4219.31 0.1500 142.6677 196.8798
105.0 4322.22 0.1450 103.9032 149.7763
110.0 4528.04 0.1380 45.5808 79.8648
115.0 4733.86 0.1320 12.1330 35.8308
Akhirnya, Tabel 4 melaporkan delta dan gamma untuk opsi penghalang Eropa
dan pemogokan yang berbeda. Waktu keseluruhan yang diperlukan untuk
mendapatkan setiap opsi harga penghalang (Tabel 3) bersama dengan orang
Yunani (Tabel 4) adalah sekitar 1.600 detik. Tabel 4. Simulasi perkiraan
orang Yunani untuk Eropa dan opsi penghalang dengan yang berikut
parameter pilihan: penghalang H = 5000, harga spot S (0) = 4116.40, waktu
hingga jatuh tempo T - t = 1 (tahun), tingkat tanpa risiko r = 3,78% dan hasil
dividen d = 3,37% pada 23 November 2006 Moneyness Strike Delta Delta
Gamma Gamma % K (Eropa) (penghalang) (Eropa) (penghalang)
97.50 4013.49 0.61919 0.263209 0.00054727 0.0006277
100,00 4116.40 0,56006 0,241053 0,00060312 0,0005138
102.50 4219.31 0.49546 0.210052 0.00065031 0.0003766
105.00 4322.22 0.42850 0.182986 0.00068271 0,0002149
7 Kesimpulan
Model volatilitas lonjakan stokastik stokastik alternatif untuk penentuan
harga opsi diusulkan. Untuk menangkap semua fitur empiris pengembalian
dan volatilitas spot, kami memperkenalkan a komponen lompatan di kedua
189
dinamika dan wesuppose yang melompat terjadi secara bersamaan. Ini model
penetapan harga diakui, dalam semangat Heston, solusi bentuk tertutup untuk
Gaya Eropa pilihan. Untuk mengevaluasi opsi yang bergantung pada jalur,
kami mengusulkan versi modifikasi dari Algoritma numerik dikembangkan di
[5, 6] yang keunggulan utamanya adalah kekurangan bias diskritisasi. Secara
khusus, kami mengganti teknik inversi yang diusulkan oleh penulis dengan
prosedur pengambilan sampel penolakan untuk meningkatkan efisiensi
algoritma. Kita pertama menerapkan metodologi kami untuk opsi harga yang
ditulis pada indeks DJ Euro Stoxx 50, lalu kami membandingkan harga ini
dengan nilai yang diperoleh dengan menerapkan ekspresi bentuk tertutup,
algoritma Broadie andKaya dan simulasi standardMonteCarlo (lihat Meja 2).
Eksperimen numerik mengonfirmasi bahwa harga diturunkan dengan ESA
yang dimodifikasi oleh penolakan sampling memberikan pendekatan yang
paling akurat dengan hormat ke nilai rumus yang tertutup. Atas dasar hasil
ini, kami melakukan penilaian opsi penghalang dan Yunani yang nilainya
tidak dapat diekspresikan oleh ekspresi eksplisit. Model GARCH-type miring
untuk multivarian deret waktu keuangan Cinzia Franceschini dan Nicola
Loperfido Abstrak. Skewness dari vektor acak dapat dievaluasi melalui
cumulant ketiganya, yaitu matriks elemen-elemennya adalah momen sentral
dari pesanan tiga. Dalam kasus umum, pemodelan ketiga kumulans mungkin
memerlukan sejumlah besar parameter, yang dapat secara substansial
dikurangi jika kemiringan-normalitas dari distribusi yang mendasari
diasumsikan. Kami mengusulkan GARCH multivariat model dengan korelasi
kondisional konstan dan goncangan acak multivariate condong-normal.
Aplikasi ini berhubungan dengan deret waktu keuangan multivariat yang
skewnessnya signifikan negatif, menurut tes tanda untuk simetri.
Kata kunci: pengembalian keuangan, distribusi condong-normal, kumulatif
ketiga
1. Perkenalan
Pengembalian keuangan yang diamati sering kali condong negatif, yaitu,
momen sentral ketiga adalah negatif. Temuan empiris ini dibahas dalam [3].
190
[7] mengira itu negatif skewness berasal dari perilaku asimetris pasar
keuangan dengan hormat ke berita yang relevan. [6] menyimpulkan bahwa \
Skewness harus diperhitungkan dalam estimasi pengembalian saham ".
Skewness pengembalian keuangan telah dimodelkan dalam beberapa cara.
[12] ulasan literatur sebelumnya tentang topik ini. [5] model kemiringan
sebagai konsekuensi langsung dari efek umpan balik. [4] memodifikas model
ke kasus multivariat. Semua penulis di atas berurusan dengan ukuran skalar
skalar, bahkan ketika mereka memodelkan pengembalian multivariasi. Dalam
tulisan ini, kita mengukur kemiringan dari vektor acak menggunakan matriks
yang berisi semua momen sentral dari pesanan tiga. Lebih tepatnya, kami
mengukur dan memodelkan kemiringan dari vektor acak menggunakan
kumulant ketiganya dan multivariate condong-distribusi normal [2], masing-
masing. Ini disusun sebagai berikut.
Bagian 2 dan 3 mengingat definisi dan beberapa sifat dasar multivariat
momen ketiga dan distribusi condong-normal multivariat. Bagian 4
memperkenalkan a multivariate GARCH-type model dengan kesalahan
condong-normal. Bagian 5 memperkenalkan a
dataset keuangan yang condong negatif. Bagian 6 menerapkan tes tanda untuk
simetri ke kumpulan data yang sama. Bagian 7 berisi beberapa pernyataan
penutup.
Oleh karena itu E Zi Z j Zk berada di baris ke-i dan di kolom ke-j dari
matriks kk Mk. Ada hubungan sederhana antara momen pusat ketiga dan
momen pertama, kedua dan ketiga dari vektor acak [9, halaman 187]:
Proposisi 5.
Biarkan μ = μ1 (z), μ2 (z), μ3 (z) saat pertama, kedua dan ketigadari
vektor acak z. Maka momen tengah ketiga dari z dapat diwakili oleh μ3 (z) - μ2
(z) ⊗ μT - μT ⊗ μ2 (z) - μ μ2V (z) T + 2μ ⊗ μT ⊗ μT, di mana
AVmenunjukkan vektor yang diperoleh dengan menumpuk kolom dari matriks
A di atas satu sama lain.
191
Oleh karena itu nilai positif (negatif) dari δi mengarah pada kemiringan
positif (negatif). Lebih banyak lagi, nilai positif dari δi mengarah ke Fi (0)> 1
- Fi (0) ketika x> 0, dengan Fi menunjukkan cdf dari zi.
5 .Analisis data
A1 A2 A3
di mana xi adalah transpose dari baris ke-i dari matriks data n × p X dan m
adalah vektor rata-rata. Sampel kumulant ketiga dari data di atas adalah
0,394 0,201 0,396 0,201 0,092 0,242 0,396 0,242 0,414- 0,201 0,092 0,242
0,092 0,088 0,146 0,242 0,146 0,216. (20) 0,396 0,242 0,414 0,242 0,146
0,216 0,414 0,216 0,446
Fitur yang paling menarik dari matriks di atas adalah tanda negatif dari
semua elemennya. Momen ketiga memiliki struktur yang serupa, karena
semua entri tetapi yang negatif:
0,422 0,173 0,340 0,173 0,025 0,199 0,340 0,199 0,3940,173 0,025 0,190
0,025 -0,053 0,035 0,199 0,035 0,109. (21)- 0,340 0,190 0,390 0,199 0,035
0,109 0,394 0,109 0,365
196
i = 1 j = q + 1di mana asumsi stasioneritas biasa berlaku dan {εt} adalah urutan
vektor acak yang saling independen. Kami akan menguji hipotesis
Dalam semua empat kasus, ada sedikit bukti yang mendukung hipotesis
nol dari symme-try terhadap hipotesis alternatif asimetri negatif. Hasilnya
konsisten dengan analisis eksplorasi pada bagian sebelumnya dan memotivasi
model yang menggambarkan kemiringan negatif multivariat.
7. Kesimpulan
198
Referensi
Cutler, D.M., Poterba, J.M., Summers, L.H .: Apa yang menggerakkan harga
saham? J. Portfolio Man. 15, 4–12 (1989)
Genton, M.G., He, L., Liu, X .: Momen vektor acak-acak-normal dan bentuk
kuadratnya. Stat. Masalah. Lett. 51, 319-235 (2001)
Kollo, T., von Rosen, D.: Statistik Multivariasi Tingkat Lanjut dengan Matriks.
Springer, Dor-drecht, Belanda (2005)
Lehmann, E.L., Romano, J.P: Pengujian Hipotesis Statistik. Springer, New York
(2005)
McDonald, J.B. Distribusi probabilitas untuk model keuangan. Di: Maddala, G.S.,
Rao,
Rydberg, T.H: Pemodelan statistik yang realistis dari data keuangan. Int. Stat.
Pny. 68, 233–258 (2000)
200
Serfling, R.J. Simetri dan asimetri multivariat. Dalam: Kotz, S., Baca, C.B.,
Balakrish-nan, N., Vidakovic, B. (eds.) Ensiklopedia Ilmu Statistik, edisi ke-2.
Wiley, New York (2006)
Seri waktu keuangan dan jaringan syaraf dalam konteks permainan minoritas
Abstrak.
Dalam makalah ini kami mempertimbangkan deret waktu keuangan dari Pasar
Pendapatan Tetap AS, S & P500, DJ Eurostoxx 50, Dow Jones, Mibtel dan Nikkei
225. Telah diketahui bahwa deret waktu keuangan mengungkapkan beberapa
anomali mengenai Hipotesis Pasar Efisien dan beberapa perilaku penskalaan,
seperti sebagai ekor gemuk dan volatilitas bergerombol, jelas. Ini menunjukkan
bahwa deret waktu keuangan dapat dianggap sebagai "pseudo" -random. Untuk
jenis seri waktu ini kekuatan prediksi jaringan saraf telah terbukti cukup [10].
Pada awalnya, kami mempertimbangkan seri waktu keuangan dari sudut pandang
Permainan Minoritas dan kemudian kami menerapkan jaringan saraf dengan
algoritma pembelajaran untuk menganalisis kekuatan prediksinya. Kami
membuktikan bahwa Pasar Pendapatan Tetap menunjukkan banyak perbedaan
dari pasar lain dalam hal prediktabilitas sebagai ukuran efisiensi pasar.
dua kemungkinan tindakan: tinggal di rumah atau pergi ke bar. Para pemain yang
berada di minoritas memenangkan pertandingan.
Sejak diperkenalkannya model MG, ada, hingga saat ini, 200 makalah mengenai
hal ini (ada tinjauan literatur tentang MG di situs web Econophysics).
waktu adalah membeli atau menjual; sebagai akibatnya pemain saya pada waktu t
memilih σit ∈ {+1, −1} (beli / jual).Di setiap kali langkah t, biarkan pt menjadi
harga aset pada waktu t; minoritas (strategi pemenang) ditentukan olehSt = −log
tanda tangan pt.Akibatnya, rentang waktu fluktuasi harga digantikan oleh deret
waktu yang terdiri dari dua kemungkinan nilai: +1 dan −1 (keputusan
minoritas).Dalam [4] ditunjukkan bahwa sering hasil yang serupa dapat diperoleh
dengan mengganti sejarah nyata dengan yang artifisial.
Dalam makalah ini kami mengira bahwa setiap pemain, untuk membuat
keputusannya, diberikan jaringan saraf. Kami mempertimbangkan rangkaian
waktu dari Pasar Pendapatan Tetap AS, S & P500, DJ Eurostoxx 50, Dow
Jones, Mibtel dan Nikkei 225 (semua seri waktu dari Jan 2003 hingga Jan
2008, harga harian, data dari Bursa Efek Italia).
Mengikuti motivasi yang disajikan dalam [10], dalam makalah ini kami
mempertimbangkan jaringan saraf yang menggunakan algoritma Hebbian
Learning untuk memperbarui vektor bobot. Jaringan saraf mampu
menyesuaikan parameternya, di setiap putaran permainan, dan sehingga
perceptron mencoba mempelajari keputusan minoritas. Jika S menunjukkan
minoritas keputusan dan superskrip + menunjukkan nilai parameter yang
205
tanda σi = (x • ωi)
ωi + = ωi - tanda (x • ω j) = ωi +x tanda x S,
j = 1di mana ω adalah vektor bobot M-dimensi dari mana keputusan dibuat.
Jadi setiap pemain menggunakan jendela M -bit dari keputusan minoritas
sebelumnya sebagai masukan untuk menyesuaikan bobot dan mencoba
menangkap "keteraturan" dalam rangkaian waktu. Seperti yang bisa kita lihat
nanti, pilihan M sering kali penting untuk menentukan kekuatan prediksi
terbaik. Adalah mungkin untuk menghitung jumlah prediksi sebagai fungsi M
untuk mendapatkan nilai M yang maksimum.
Gambar. 2. Jumlah prediksi yang dikoreksi sebagai fungsi M dalam kasus S &
P500. Maksimum tercapai untuk M = 3dalam obligasi jangka panjang,
sehingga harapan tentang evolusi pasar sangat mirip sehingga perilaku harga
obligasi jangka panjang tidak mencerminkan perbedaan apa pun dalam nilai
yang dirasakan dari aset tersebut [3].
Hasil ini tidak mengherankan karena semua pasar yang dipertimbangkan dalam
makalah ini menyajikan sejumlah besar transaksi dan volume besar, dan
informasi yang diberikan kepada agen segera dan mudah tersedia. Jaringan
saraf dapat memprediksi, untuk rangkaian waktu ini, sedikit lebih dari 50%,
yang merupakan nilai prediksi terkoreksi yang diharapkan dalam kasus di mana
pilihan dibuat secara acak, yang merupakan sinyal ke arah bahwa pasar-pasar
ini memenuhi EMH dan hasil di lain arah dapat dianggap "anomali". Analisis
komparatif mengungkapkan bahwa Pasar Pendapatan Tetap tampaknya paling
tidak efisien karena jumlah prediksi adalah maksimal.
3 .Kesimpulan
Gambar. 3. Jumlah prediksi yang dikoreksi sebagai fungsi dari η dalam kasus S
& P500. Jumlah prediksi cukup konstan
210
Gbr. 7. Jumlah prediksi yang dikoreksi sebagai fungsi M dalam kasus Nikkei
225. Maksimum tercapai untuk M = 3pasar ini berbeda. Di sisi lain kasus S &
P500, DJ Eurostoxx 50, Dow Jones, Mibtel dan Nikkei 225 benar-benar
berbeda, karena para investor pasar ini hanya mempertimbangkan masa lalu
yang sangat baru sejak M = 2 - 4 dan jaringan saraf dapat memprediksi sedikit
lebih dari 50% dari entri. Hal ini dapat membawa kita untuk
mempertimbangkan rangkaian waktu ini secara acak sehingga
mempertimbangkan pasar ini lebih efisien. Dalam kedua kasus jaringan syaraf
menunjukkan adanya nilai M yang jumlah prediksinya maksimum dan ini
211
Referensi
Arthur, W.B .: Induktif penalaran dan rasionalitas dibatasi. Saya. Econ. Pny.
84, 406–411 (1994)
Bernaschi, M., Grilli, L., Vergni, D: Analisis statistik dari pasar pendapatan
tetap. Phys. Stat. Mech. Appl. 308, 381–390 (2002)
Challet, D., Chessa, A., Marsili, M., Zhang, Y.-C .: Dari Permainan Minoritas
hingga pasar nyata. cond-mat / 0011042 (2000)
Hart, M., Jefferies, P., Johnson, N.F., Hui, P.M .: Model Crowd-anticrowd
dari Permainan Minoritas. cond-mat / 00034860 (2000)
Grilli, L .: Struktur pasar pendapatan jangka panjang tetap. Phys. Stat. Mech.
Appl. 332, 441– 447 (2004)
Metzler, R., Kinzel, W., Kanter, I. Berinteraksi jaringan saraf. Phys. Pdt. E.
62, 2555 (2000)
Abstrak.
Analisis gaya, seperti yang awalnya diusulkan oleh Sharpe, adalah model faktor
aset kelas yang bertujuan memperoleh informasi tentang alokasi internal
portofolio keuangan dan membandingkan portofolio dengan strategi investasi
serupa. Pendekatan klasik didasarkan pada model regresi linier terbatas dan
koefisien biasanya diperkirakan mengeksploitasi prosedur kuadrat terkecil.
Solusi ini jelas menderita dari keberadaan pengamatan yang terluar. Tujuan
makalah ini adalah untuk menyelidiki penggunaan estimator yang kuat untuk
koefisien gaya berdasarkan regresi kuantil dibatasi. Kinerja prosedur baru
dievaluasi dengan menggunakan studi Monte Carlo di mana berbagai set outlier
(baik dalam pengembalian konstituen dan dalam pengembalian portofolio) telah
dipertimbangkan.
1. Perkenalan
Analisis gaya, sebagaimana dijelaskan secara luas oleh Horst et al. [12],
adalah alat yang populer dan penting dalam manajemen portofolio. Pertama,
itu dapat digunakan untuk memperkirakan eksposur faktor yang relevan dari
portofolio keuangan. Kedua, ini bisa menjadi alat yang berharga dalam
pengukuran kinerja karena portofolio gaya dapat digunakan sebagai patokan
dalam mengevaluasi kinerja portofolio. Akhirnya, ini dapat digunakan untuk
213
mendapatkan prediksi laba masa depan yang sangat akurat karena telah
diketahui dengan baik dari studi empiris [12] bahwa eksposur faktor
tampaknya lebih relevan daripada kepemilikan portofolio yang sebenarnya.
Mengikuti Horst et al. [12], kami membedakan tiga jenis model gaya:
tersedia untuk model regresi linier normal [11]; pendekatan yang berbeda
berdasarkanInferensi Bayesian dirumuskan dalam [10].
Skema simulasi dan hasil utama dibahas dalam Bagian 4. Akhirnya, beberapa
pernyataan penutup dan kemungkinan pengembangan lebih lanjut diberikan
dalam Bagian 5.2 model regresi Sharpe-styleModel analisis Sharpe-gaya
regresi pengembalian portofolio pada pengembalian berbagai pengembalian
kelas investasi. Metode demikian mengidentifikasi gaya portofolio dalam
rangkaian waktu pengembalian dan pengembalian konstituen [12].
Penggunaan pengembalian di masa lalu adalah pilihan Hobson karena
biasanya tidak ada informasi lain yang tersedia untuk investor eksternal.
Berikut ini kami membatasi perhatian kami pada model analisis gaya
yang kuat, yaitu, model di mana kedua kendala di atas dipertimbangkan
untuk memperkirakan koefisien gaya. Bahkan jika kendala tersebut
menyebabkan beberapa masalah untuk penyimpulan, model gaya kuat tetap
tersebar luas untuk masalah interpretasi yang disebutkan di atas.
θ (r por t | Rconst) = Rconst wconst (θ) s.t .: wconst (θ) ≥ 0, 1T wconst (θ) = 1,
∀θ,
4. Hasil simulasi
218
dapat memiliki kekurangan praktis yang serius karena koefisien gaya bervariasi
dalam interval unit: variabilitas besar dari perkiraan menginduksi hasil dengan
utilitas praktis yang terbatas. Jelas, ketika tidak ada observasi yang terluar
dalam data, perkiraan LS lebih efisien daripada estimasi kuantil. Namun,
perbedaan antara dua distribusi tidak begitu jelas. Meskipun diketahui bahwa
estimator regresi kuantil hanya kuat dalam Y [16], studi simulasi menunjukkan
lebih banyak bukti kekokohan dalam kasus outlier dalam pengembalian
konstituen (kolom ketiga panel pada Gambar 1). Penjelasan yang mungkin
dapat diberikan dengan mempertimbangkan adanya kendala ganda, yang
memaksa setiap koefisien yang diperkirakan berada di dalam interval unit.
Namun, studi formal yang didasarkan pada fungsi pengaruh dari estimator yang
dibatasi tidak tersedia saat ini. Masalah ini masih dalam penyelidikan.
= 500 dan T = 1000. Subpanel yang berbeda dari dua plot mengacu pada
konstituen portofolio (baris) dan untuk kasus yang berbeda dari kehadiran
pencilan (kolom). Khususnya, kolom pertama menggambarkan situasi tanpa
pengamatan yang terluar, kolom kedua dan ketiga masing-masing mengacu pada
kehadiran outlier dalam pengembalian portofolio dan outlier dalam pengembalian
konstituen, sementara kolom terakhir menggambarkan kasus ketika outlier
dianggap baik dalam portofolio. Kembali dan kembali konstituen. Kotak kotak
menggambarkan distribusi sampling dari estimator QR untuk T = 250 (bilah kotak
kiri), T = 500 (kotak tengah) dan T = 1000 (bilah kotak kanan)
Dian regresi, menunjukkan beberapa hasil empiris untuk efisiensi dan konsistensi
estimator yang kuat. Hasil dari studi simulasi mendorong kami untuk menyelidiki
lebih lanjut pendekatan ini. Sebuah topik yang layak mendapat perhatian lebih
lanjut adalah studi formal dari kekokohan pengukur regresi median terbatas di
hadapan outlier dalam seri X berdasarkan fungsi pengaruh dari estimator kuat
yang dibatasi.Hal ini berguna untuk menunjukkan bahwa perolehan lebih lanjut
dalam efisiensi estimator dapat diperoleh sebagai regresi median telah
diperkirakan melaluiregresi kuantil. Misalny
Teknik memungkinkan perpanjangan sederhana menuju L-estimators
(didefinisikan sebagai kombinasi linear tertimbang dari kuantil yang berbeda)
untuk mendapatkan peningkatan efisiensi [15, 19]. Selain itu, banyak penduga
kuat lainnya telah diusulkan dan dipelajari untuk model regresi linier. Namun
perbandingan dari manfaat relatif mereka dalam kerangka kerja yang
dipertimbangkan di sini berada di luar cakupan makalah ini.
(1999)
Attardi, L., Vistocco, D.: Pada memperkirakan portofolio distribusi pengembalian bersyarat melalui
Model analisis gaya. Dalam: Perna, C., Sibillo, M. (eds) Metode Kuantitatif untuk Keuangan dan
Asuransi, hal. 11–17. Springer-Verlag, Milan (2007)
Attardi, L., Vistocco, D: Indeks untuk peringkat portofolio keuangan menurut internal
Pergantian. Dalam: Greenacre, M., Lauro, N.C., Palumbo, F. (eds.) Studi di Klasifikasi, Analisis Data,
dan Organisasi Pengetahuan. Springer, Berlin-Heidelberg (dalam pers)
Basset, G.W., Chen, H.L .: Gaya portofolio: pengaitan berbasis-kembali menggunakan regresi
kuantitatif
Sion. Dalam: Fitzenberger, B., Koenker, R., Machado, J.A.F. (eds.) Aplikasi Ekonomi Kuantitatif
Regresi (Studi di Empirical Economics), hlm 293-305. Physica-Verlag, Heidelberg (2001)
Christodoulakis, G.A .: Sharpe style analysis dalam portofolio sektor msci: pendekatan integrasi
Monte Carlo. Oper. Res. Int. J. 2, 123–137 (2003)
Christodoulakis, G.A .: Sharpe style analysis dalam portofolio sektor msci: Monte Carlo
Pendekatan integrasi. Dalam: Knight, J., Satchell, S. (eds.) Linear Factor Models in Finance, hal. 83–
94. Elsevier (2005)
Conversano, C., Vistocco, D .: Visualisasi model berbasis analisis gaya portofolio. Dalam: Antock, J.
(eds.) Prosiding Konferensi Internasional "COMPSTAT 2004", pp. 815–822. Physica-Verlag (2004)
Conversano, C., Vistocco, D .: Analisis gaya manajemen reksa dana: pemodelan, peringkat dan
pendekatan visualisasi. J. Appl. Stat. (diterima)
Davis, W.W .: Bayesian analisis model linear tunduk pada kendala ketidaksetaraan linier. Selai. Stat.
Assoc. 78, 573–579 (1978)
225
Geweke, J .: Inferensi yang tepat dalam ketidaksetaraan dibatasi model regresi linier normal. J. Appl.
Ekonometrika 1, 127-141 (1986)
Horst, J.R., Nijman, T.E., de Roon, F.A .: Mengevaluasi analisis gaya. J. Finan Empiris. 11, 29-51
(2004)
Hakim, G.G., Takayama, T: Ketimpangan ketimpangan dalam analisis regresi. Selai. Stat. Assoc. 61,
166–181 (1966)
Kim, T.H., White, H., Stone, D: Asymptotic dan bayesian confidence intervals untuk bobot sharpe-
style. J. Finan. Ekonometrika 3, 315–343 (2005)
Koenker R: Catatan tentang L-estimator untuk model linier. Stat. Masalah. Lett. 2, 323–325 (1984)
Koenker R., Basset, G.W .: Kuoril regresi. Econometrica 46, 33–50 (1978)
Koenker R., Basset, G.W .: L-estimasi untuk model linier. Selai. Stat. Assoc. 82, 851-857 (1987) 20
Koenker R., Ng, P: Ketidakmerataan terkendala regresi kuantitatif. Sankhya Ind. J. Stat. 67, 418–440
(2005) 21
Lobosco, A., Di Bartolomeo, D. Mendekati interval kepercayaan untuk bobot gaya sharpe. Finan.
Anal. J. 80–85 (1997)
Politis, D.N., Romano, J.P: Daerah kepercayaan sampel besar berdasarkan subsamples di bawah
asumsi minimal. Ann. Stat. 22, 2031–2050 (1994)
Politis, D.N., Romano, J.P., Wolf, M .: Subsampling. Springer-Verlag, New York (1999)
226
R Development Core Team .: R: Bahasa dan Lingkungan untuk Komputasi Statistik. Yayasan R untuk
Komputasi Statistik, Wina. Http://www.R-project.org.
Sharpe, W .: Alokasi aset: gaya manajemen dan pengukuran kinerja. J. Port-folio Man. 7-19 (1992)
Sharpe, W .: Menentukan bauran aset yang efektif dana. Menginvestasikan. Pria. Wahyu 2, 59–69
(1998)
Wood, S.N .: Generalized Additive Models: An Introduction with R. Chapman and Hall, CRC (2006)
Wuertz, D., Chalabi, Y., Miklovic, M. Et al. Fgarch: Rmetrics - Autoregressive Conditional
Heteroschedastic Modeling. Versi paket R 260,72 (2007) http://www.rmetrics.or
227
1. Perkenalan
The "Pensiun Peningkatan" (EP) adalah asuransi jangka panjang (LTC) asuransi
untuk pensiunan. Ini menawarkan anuitas hidup segera yang meningkat setelah
tertanggung menjadi LTC dinonaktifkan dan membutuhkan premi tunggal. EP
dipengaruhi oleh risiko demografi (umur panjang dan risiko cacat) yang timbul
dari ketidakpastian dalam tren mortalitas dan disabilitas di masa depan yang
menyebabkan risiko penyimpangan sistematis dari nilai yang diharapkan.
Beberapa analisis argumen ini telah dilakukan oleh Ferri dan Olivieri [1] dan
Olivieri dan Pitacco [6]. Untuk mengevaluasi risiko seperti itu kami melakukan
analisis dengan mempertimbangkan pendekatan beberapa skenario. Untuk
menentukan serangkaian skenario yang diproyeksikan, kami mempertimbangkan
statistik populasi umum kematian dan kecacatan.
228
M. Corazza dkk. (eds.), Metode Matematika dan Statistik untuk Ilmu Pengetahuan
Aktuaria dan Keuangan
Tingkat. Bagian 5 membahas analisis laba portofolio sesuai dengan profil laba.
Hasil simulasi dianalisis dalam Bagian 6, sementara beberapa pernyataan penutup
disajikan dalam Bagian 7.
dan 0 waktu masuk. Kemungkinan realisasi S (t) adalah: 1 = "aktif" (atau sehat), 2
= "LTC dinonaktifkan" atau 3 = "mati". Kami mengabaikan kemungkinan
pemulihan dari negara LTC karena sifat kecacatan yang biasanya kronis dan kami
berasumsi S (0) = 1. Mari kita definisikan probabilitas transisi dan intensitas:
T = (0, ω) (4)
1 - α - β - γ [a11 (0, ω) + a21 (0, ω)],
3 Skenario Demografis
Sampul jangka panjang, seperti EP, dipengaruhi oleh tren demografi (mortalitas
dan kecacatan). Sumber risiko dalam evaluasi aktuaria adalah ketidakpastian
230
Kami memulai dari skenario dasar, HB, yang ditentukan berdasarkan data statistik
terbaru tentang orang yang melaporkan ketidakmampuan (lihat ISTAT [3]) dan,
konsisten dengan data ini,
Life-Table SIM-1999 Italia. Angka kematian aktif μ13 (t) diperkirakan oleh
hukum Weibull, sementara intensitas transisi μ12 (t) diperkirakan oleh hukum
Gompertz (untuk rincian tentang perkiraan intensitas transisi, lihat Levantesi dan
Menzietti [5]). Intensitas kematian cacat μ23 (t) dinyatakan dalam μ13 (t) sesuai
dengan koefisien tergantung waktu K (t), μ23 (t) = K (t) μ13 (t). Nilai K (t), yang
berasal dari data pengalaman dari perusahaan reasuransi yang penting,
diperkirakan dengan baik oleh fungsi exp (c0 + c1 t + c2t 2).
waktu yang wajar untuk menangkap perubahan demografis. Misalkan H (t) adalah
skenario yang terjadi pada waktu t (t = 0, k, 2k,...).
Ini dimodelkan sebagai proses stokastik waktu-diskrit. Biarkan P ¯ (t) menjadi
vektor skenario
Probabilitas pada waktu t dan M (t) matriks probabilitas transisi skenario antara
+ ¯ (+) = ¯ () • ()
T dan t k. Persamaan berikut berlaku: P t k P t M t.
Kami berasumsi bahwa pada saat awal skenario yang terjadi adalah yang utama.
Kami berasumsi bahwa proses stokastik H (t) adalah waktu homogen (M (t) = M,
∀t) dan skenario
P t, stasioner setelah periode pertama, sehingga P t P,
Distribusi probabilitas, ¯ () ¯ () = ¯
T P adalah vektor eigen kiri dari matriks transisi M yang sesuai
∀ ≥ k. Perhatikan bahwa ¯
Ke nilai eigen 1. Nilai-nilai P¯ ditetapkan dengan asumsi probabilitas terbesar
Kejadian untuk skenario pusat dan koefisien korelasi antara kematian dan
kecacatan sebesar 75%:
¯ = (......).
P 0 01 0 03 0 16 0 03 0 54 0 03 0 16 0 03 0 01
Lebih lanjut, kami mengasumsikan bahwa transisi antara skenario yang sangat
berbeda tidak mungkin dalam satu periode dan konsisten dengan korelasi yang
seharusnya antara kematian dan cacat, beberapa transisi lebih mungkin daripada
yang lain.
• J (t) adalah hasil investasi pada aset, A t, di mana aset didefinisikan sebagai
T ()
A (t) = A (t - 1) + P (t) - E (t) - B (t) + J (t) - K (t);
• E (t) adalah biaya: E (t) = i = 1,2 Ni (t - 1) i (t);
• B (t) adalah hasil untuk manfaat: B t Ni (t - 1) bi;
() = i = 1,2
• V (t) adalah kenaikan tahunan dalam ketentuan teknis, V t i 1,2 Ni (t) Vi (t),
() =
Dan Vi (t) adalah ketentuan teknis untuk tertanggung dalam negara i; =
K (t) adalah arus modal; jika K (t)> 0 perusahaan asuransi mendistribusikan divi-
dends dan jika K (t) <0 pemegang saham menginvestasikan modal.
Kami berasumsi bahwa premi, manfaat, pengeluaran dan arus modal dibayarkan
setiap awal setiap tahun. Untuk membandingkan output dari berbagai skenario dan
portofolio, kami menggunakan rasio antara cadangan risiko dan total pendapatan
premi tunggal
U (t)
U (t) = (0, ω) N1 (0).
Analisis risiko dilakukan sesuai dengan beberapa skenario pendekatan yang
mempertimbangkan setiap skenario sebagai keadaan mungkin dari proses
stokastik H (t), menurut
¯
Vektor probabilitas P, memungkinkan evaluasi risiko deviasi sistematis dalam
fungsi biometrik (lihat Olivieri dan Pitacco [6] dan Levantesi dan Menzietti [5]).
U (t )≥0 U (0)=
!U (0, T ) =1−Pr+ T u 8. (6)
T
=1
R BC1−(0, T )= in
f
Risk-based capital (RBC) adalah metode untuk menilai solvabilitas perusahaan asuransi; itu terdiri d
komputasi yang mencerminkan ukuran eksposur risiko keseluruhan dari perusahaan asuransi. Mari k
235
Distribusi. Kami menghitung persyaratan RBC dengan cakrawala waktu dan tingkat konfidensi yang
Mari kita definisikan probabilitas kehancuran waktu terbatas sebagai probabilitas berada dalam kead
setidaknya satu titik waktu 1, 2.. . , T, untuk U yang diberikan (0) = u:
! U (0, T) = 1 - Pr +: 8. (6)
T U (t) ≥ 0 U (0) = u
T=1
Persyaratan RBC untuk horizon waktu (0, T) dengan tingkat kepercayaan (1 -) adalah
Didefinisikan sebagai berikut: U (0) ≥ 0! 0 (0, T) <. (7)
R BC1− (0, T) = dalam f
5 Analisis Laba
Pada bagian ini kami menganalisis laba tahunan, Y (t), yang muncul dari
manajemen portofolio. Untuk menangkap sumber-sumber keuntungan, Y (t) dapat
dipecah menjadi laba asuransi, Y I (t), dan laba yang berasal dari pendapatan
investasi pada dana pemegang saham (yang kita sebut "patrimonial profit"), Y P
(t).
Mari kita pertimbangkan kohor 1000 pemegang polis, laki-laki, dengan usia yang
sama dalam masalah kebijakan, x = 65, tahun masuk yang sama (waktu 0), durasi
kebijakan maksimum ω = 49, beban pemuatan α = 5%, β = 2 %, γ = 0,7% dan
suku bunga konstan i (0, t) = = 3% ∀t. Jumlah manfaat tahunan didistribusikan
seperti pada Tabel 1
B1 B2 F r (%)
6,000 12,000 40
9,000 18,000 30
12,00
0 24,000 15
15,00
0 27,000 10
18,00
0 30,000 5
Hasil dari 100.000 simulasi dilaporkan dalam tabel berikut, dengan asumsi
pemuatan keamanan pada dasar penentuan demografis yang diberikan oleh
pengurangan 10% dari probabilitas kematian sehat dan cacat dan modal awal K
(0) = R BC99.5% (0, 1) . Nilai-nilai simulasi dari u (t) ditunjukkan pada Gambar
237
1. Gambar ini menyoroti variabilitas yang kuat dari distribusi cadangan risiko,
terutama ketika t> 5, sebagai konsekuensi dari perubahan skenario demografi.
Meskipun cadangan risiko memiliki tren positif karena pemuatan keamanan,
persentil lebih rendah negatif. Konsekuensi ekonomi dari aspek semacam itu
adalah
0.581
Coeff Var 0.4673 0.8372 1.6614 0.7974 7
−0.00
Skew 0.4495 0.2867 0.0010 −0.0194 02
!U (0, T
)(%) 0.50 15.06 28.98 40.67 40.84
T
R bc1−(0, T ) T =1 T =5 T =10 T =20 =30
6.57
= 0.5% 0.67% 1.78% 6.52% 6.57% %
6.24
= 1.0% 0.62% 1.62% 6.20% 6.24% %
239
5.94
= 2.0% 0.55% 1.43% 5.91% 5.94% %
R bc1v−a R(0, T T
) T =1 T =5 T =10 T =20 =30
2.63
= 0.5% 0.67% 1.77% 6.03% 4.07% %
2.12
= 1.0% 0.62% 1.60% 5.75% 3.61% %
1.48
= 2.0% 0.55% 1.39% 5.30% 3.01% %
−0.00
Skew 0.4495 0.2867 0.0010 −0.0194 02
!U (0, T )
(%) 42.06 58.42 62.37 67.72 67.79
Untuk mengevaluasi efek dari ketentuan modal awal yang berbeda, kami
memperbaiki K (0) = 0. Lebih lanjut, menurut ISVAP (penulis pengawas asuransi
Italia), yang berbagi batas solvabilitas minimum dalam asuransi jiwa untuk
menghadapi demo-grafik dan risiko keuangan dalam 1% dan 3% dari ketentuan
241
Tabel 5. Saat-saat u (t) dan probabilitas kehancuran waktu hingga dengan modal
awal K (0) = 1% V (0+), pemuatan keselamatan = 10% pengurangan probabilitas
kematian
−0.00
Skew 0.4495 0.2867 0.0010 −0.0194 02
!U (0, T )
(%) 0.00 7.02 24.18 36.69 36.82
Tabel 6. Momen rasio modal dan probabilitas kehancuran waktu hingga dengan
modal awal K (0) = R B C99.5% (0, 1), pemuatan keselamatan = 20%
pengurangan probabilitas kematian
−0.00
Skew 0.4544 0.2892 0.0120 −0.0197 38
243
!U (0, T )
(%) 0.50 7.07 22.21 30.56 30.56
R bc1v−a R(0, T
) T =1 T =5 T =10 T =20 T =30
−1.52
= 0.5% 0.57% 1.18% 4.52% 0.97% %
−2.02
= 1.0% 0.52% 1.02% 4.24% 0.49% %
−2.65
= 2.0% 0.46% 0.81% 3.78% −0.12% %
dampak pemuatan keselamatan pada Y (0, T) didiskon dengan tarif = 5%> saya
(lihat (11)). Seperti yang diharapkan, Y (0, T) meningkat dengan peningkatan
pemuatan keselamatan: nilai-nilai - dinyatakan sebagai rasio terhadap total
pendapatan premi tunggal - bergerak dari 6,21% menjadi 11,85% ketika pemuatan
keselamatan meningkat. Perlu dicatat bahwa melihat keuntungan
Y (0, T
)/( (0, ω) N1(0)) with initial capitalK (0) =R B C99.5%(0, 1)
SL = 10% SL = 20% %
Insuranc
e 3.03% 6.17% 104%
Patrimon
ial 3.18% 5.69% 79%
7 Kesimpulan
Makalah ini berfokus pada kecacatan dan risiko umur panjang yang timbul dari
masalah dalam perkiraan harapan hidup sisa orang sehat dan orang cacat.Analisis
245
Referensi Ferri, S., Olivieri, A.: Basis teknis untuk penutup LTC termasuk
kematian dan cacat proyeksi Dalam: Prosiding ASTIN 31 Kolokium, Porto Cervo,
Italia (2000) Haberman, S., Pitacco, E.: Model Aktuaria untuk Asuransi Cacat.
Chapman and Hall, London (1999) ISTAT: Kondisi kesehatan dan kebugaran
untuk layanan kesehatan.ISTAT, Roma (2000) ISTAT: Perkiraan populasi
penduduk berdasarkan jenis kelamin dan wilayah 1.1.2001 hingga 1.1.2051.
ISTAT, Roma (2002) Levantesi, S., Menzietti, M.: Longevity and disability risk
analysis dalam peningkatan usia ities. Dalam: Prosiding 1 LIFE Colloquium,
Stockholm (2007) Olivieri, A., Pitacco, E.: Menghadapi risiko LTC. Dalam:
Prosiding ASTIN Colloquium ke-32, Washington (2001)
Abstrak. Klasifikasi dana reksa, sering dibuat oleh lembaga pemeringkat, sangat
umum dan kadang-kadang dikritik. Dalam pekerjaan ini, prosedur statistik tiga
langkah untuk klasifikasi reksa dana diusulkan. Pada tahap pertama, rangkaian
waktu dana dicirikan dalam hal pengembalian. Pada langkah kedua, analisis
pengelompokan dilakukan untuk mendapatkan kelas dana homogen sehubungan
dengan tingkat risiko. Secara khusus, risiko ditentukan mulai dari model
Asymmetric Threshold-GARCH yang bertujuan untuk menggambarkan risiko
minimum, normal dan gejolak. Langkah ketiga menggabungkan dua sebelumnya.
Aplikasi untuk 75 dana Eropa milik 5 kategori yang berbeda disajikan.
1. Perkenalan
Jumlah reksa dana telah tumbuh secara dramatis selama beberapa tahun terakhir.
Ini telah menyebabkan sejumlah skema klasifikasi yang seharusnya memberikan
informasi yang dapat dipercaya kepada investor tentang fitur dan kinerja dana.
Sebagian besar klasifikasi ini diproduksi oleh lembaga pemeringkat nasional atau
internasional. Misalnya, Morningstar mengelompokkan dana ke dalam kategori
sesuai dengan gaya investasi aktual mereka, komposisi portofolio, kapitulasi,
prospek pertumbuhan, dll. Informasi ini kemudian digunakan, bersama dengan
yang terkait dengan pengembalian, risiko dan biaya, untuk mengatur lebih ringkas
klasifikasi sering disebut sebagai Peringkat Bintang (lihat [11] untuk detailnya).
Sebenarnya, setiap lembaga pemeringkat memiliki metode evaluasi pemilik
247
tertentu dan juga asosiasi nasional manajer reksa dana menyimpan dan
mempublikasikan klasifikasi mereka sendiri.
Masalah muncul karena, secara umum, kelas dari klasifikasi yang berbeda tidak
sesuai. Juga, semua prosedur klasifikasi memiliki beberapa kelemahan; misalnya,
mereka sering didasarkan pada informasi subjektif dan membutuhkan waktu
elaborasi yang panjang (lihat, misalnya, [15]).
Dalam literatur statistik, klasifikasi seri waktu keuangan telah menerima perhatian
yang relatif sedikit. Selain itu, sepengetahuan kami, tidak ada perbandingan antara
berbagai klasifikasi yang diusulkan dan yang dari lembaga pemeringkat. Beberapa
penulis hanya menggunakan pengembalian untuk pengelompokan deret waktu
keuangan. Misalnya, [15] mengusulkan
M. Corazza dkk. (eds.), Metode Matematika dan Statistik untuk Ilmu Pengetahuan
Aktuaria dan Keuangan
2 Pemodelan Risiko
Pada bagian ini kerangka acuan untuk pemodelan risiko risiko dijelaskan. Biarkan
yt menjadi time series dari NAV dana dan rt waktu log-return yang sesuai
Menggabungkan reksadana dengan tingkat pengembalian dan risiko 185 seri.
Kami menganggap bahwa dinamika pengembalian dapat dijelaskan oleh model
berikut:
(1)
Εt|It−1∼N (0, ht ),
3 Aplikasi
Sebagai aplikasi dari prosedur yang dijelaskan sebelumnya, seri waktu harian
NAV dari 75 dana kawasan Euro dan milik lima kategori yang berbeda telah
dipertimbangkan. Kelima tipologi tersebut adalah investasi obligasi seimbang,
prudential seimbang, obligasi korporasi, saham kapitalisasi dan dana moneter
yang besar. Data, disediakan oleh Bloomberg, berkisar dari 1/1/2002 hingga
18/2/2008, dengan total 1601 observasi untuk setiap seri. Eksperimen kami terdiri
dalam memberikan klasifikasi dana-dana ini, mencirikan masing-masing
kelompok dalam hal pengembalian dan keberisikoan (mengikuti definisi
minimum konstan, variasi waktu standar dan risiko gejolak yang berubah-ubah)
dan membandingkan klasifikasi kami dengan yang diproduksi oleh bintang
Morningstar.Rating. Untuk setiap dana, seri waktu pengembalian
dipertimbangkan dan untuk setiap tahun kalender, persentase pengembalian bersih
dihitung; akhirnya rata-rata pengembalian satu tahun, r, digunakan untuk
mewakili keuntungan. Untuk menggambarkan keberisikoan, model pertama (1) -
(2) diperkirakan untuk setiap dana. Ketika parameter tidak signifikan pada tingkat
5%, mereka ditetapkan sama dengan nol dan model dibatasi yang sesuai
diperkirakan. Tentu saja, sebelum menerima model tidak adanya efek residu
ARCH dalam residu standar diperiksa. Estimasi parameter memungkinkan kami
untuk menghitung risiko yang didefinisikan sebagai dalam (7), (8) dan (9) dan
untuk mengkarakterisasi dana oleh elemen r, vm, v s, vt atau dengan beberapa
fungsi dari mereka. Dengan vektor-vektor ini, analisis pengelompokan
dilakukan.Dalam pengelompokan, sebuah algoritma hierarki klas-sical dengan
jarak Euclidean digunakan, sedangkan jarak antar klaster dihitung mengikuti
kriteria rata-rata-linkage (lihat, misalnya, [7]). 1 Secara khusus, prosedur
klasifikasi diikuti tiga langkah:
251
1
The clustering was performed also using the Manhattan distance and the single-
linkage and complete-linkage criteria. Results are very similar.
arsfor (m,l), (h,m) (medium gain and low risk, high gain and medium risk);
As in [13], the quality of the clustering was measured using the C-index [6].
This index assumes values in the interval [0, 1], assuming small values when the
quality of the clustering is good. In our experiments, we always obtained C≤ 0.1.
Table 1 lists the step-by-step results of the classification procedure for the
group of monetary funds. The left part of the table shows the classification based
on the risk evaluation and the global rating provided by Morningstar. The central
part lists the elements characterising the funds (one-year average return, constant
minimum, time-varying standard and time-varying turmoil risks). Note that vm
assumes very small values (due to the small values of γˆ) and that only the last
fund presents a turmoil risk.2 The right part of the table shows the results of the
three-step classification procedure. The Gain column contains the classification in
high, medium and low gain obtained by the clustering of step 1; the Risk column
contains the classification in high, medium and low risk obtained by the grouping
of step 2; lastly, the Stars column shows the five-group classification described in
step 3.
The differences with respect to the Morningstar rating are not large: the
classifi-cation is the same in 8 cases over 15, in 6 cases it does not differ for more
than one star and only in one case (the 14th fund) the two classifications differ for
2 stars.
Bintang untuk (m, l), (h, m) (keuntungan sedang dan risiko rendah, keuntungan
253
tinggi dan risiko sedang); 5 bintang untuk (h, l) (keuntungan tinggi dan risiko
rendah).Tentu saja, ini adalah definisi subjektif dari bintang, namun itu tampaknya
masuk akal bagi kita.Seperti pada [13], kualitas pengelompokan diukur
menggunakan C-index [6].Indeks ini mengasumsikan nilai dalam interval [0, 1],
dengan asumsi nilai-nilai kecil ketika kualitas pengelompokan baik.Dalam
percobaan kami, kami selalu memperoleh C ≤ 0.1. Tabel 1 daftar hasil langkah-
demi-langkah dari prosedur klasifikasi untuk kelompok dana moneter. Bagian kiri
tabel menunjukkan klasifikasi berdasarkan evaluasi risiko dan peringkat global
yang disediakan oleh Morningstar. Bagian pusat mencantumkan unsur-unsur yang
mencirikan dana (pengembalian rata-rata satu tahun, minimum konstan, waktu
standar bervariasi dan risiko gejolak yang berubah-ubah waktu). Perhatikan
bahwa vm mengasumsikan nilai yang sangat kecil (karena nilai-nilai kecil γˆ) dan
bahwa hanya dana terakhir yang menyajikan risiko gejolak. 2 Bagian kanan dari
tabel menunjukkan hasil dari prosedur klasifikasi tiga langkah. Kolom Gain berisi
klasifikasi dalam keuntungan tinggi, sedang dan rendah yang diperoleh dengan
pengelompokan langkah 1; Kolom Risiko berisi klasifikasi dalam risiko tinggi,
sedang dan rendah yang diperoleh oleh pengelompokan langkah 2; terakhir,
kolom Bintang menunjukkan klasifikasi lima kelompok yang dijelaskan pada
langkah 3. Perbedaan sehubungan dengan peringkat Morningstar tidak besar:
klasifikasi sama dalam 8 kasus di atas 15, dalam 6 kasus tidak berbeda untuk lebih
dari satu bintang dan hanya dalam satu kasus (dana ke-14) dua klasifikasi berbeda
untuk 2 bintang.
Prosedur yang sama diterapkan pada empat kategori lainnya dan hasilnya
dirangkum dan dibandingkan dengan klasifikasi Morningstar pada Tabel 2. Jelas,
klasifikasi berbeda karena mereka didasarkan pada kriteria dan definisi
keuntungan dan risiko yang berbeda. Namun, dalam 82,7% kasus, dua klasifikasi
tidak berbeda untuk lebih dari satu bintang. Ini jelas terlihat pada Tabel 3, di mana
fungsi probabilitas empiris dari perbedaan bintang dan fungsi disosiasi kumulatif
yang sesuai ditampilkan. Selain itu, tidak termasuk Investasi Obligasi Korporasi,
yang menyajikan perbedaan terbesar antara dua klasifikasi, persentase perbedaan
254
sama dengan atau kurang dari 1 meningkatkan hingga 90% sementara 10%
sisanya difavorasi oleh dua bintang. Khususnya, klasifikasi relatif terhadap Dana
Perimbangan Agresif dan Dana Moneter tampak sangat mirip antara kedua
metodologi tersebut
Definisi risiko terkait dengan estimasi model Threshold GARCH tertentu, yang
mencirikan kondisi pasar keuangan yang tenang dan goyah. Risiko dievaluasi
hanya dengan mempertimbangkan rata-rata tertimbang yang sama dari tiga jenis
risiko yang berbeda (risiko minimum konstan, risiko standar beragam waktu dan
risiko gejolak yang berubah-ubah). Bobot yang berbeda juga bisa
dipertimbangkan tetapi dengan biaya memperkenalkan elemen
subjektivitas.Anehnya, dalam aplikasi kami, metode sederhana ini memberikan
klasifikasi yang tidak menunjukkan perbedaan besar sehubungan dengan
klasifikasi Morningstar. Tentu saja, latihan ini dapat diperluas untuk
membandingkan metode pengelompokan kami dengan klasifikasi alternatif lain
dan mempertimbangkan sistem pembobotan yang berbeda. Misalnya, akan
menarik untuk menghubungkan bobot ke beberapa variabel keuangan. Mengenai
aplikasi, sebaliknya, perhatian utama berfokus pada penggunaan pendekatan ini
dalam alokasi aset atau masalah pemilihan portofolio.Pengakuan.Kami berterima
kasih kepada peserta konferensi MAF 2008, khususnya untuk Alessandra
Amendola, Giuseppe Storti dan Umberto Triacca. Karya ini didukung oleh MIUR
255
Italia di bawah Grant 2006137221 001 dan oleh Universitas Padua oleh Grant
CPDA073598.
Referensi
empiris dan Gaussian copula sebagai ukuran evolusi terkait ketergantungan non-
linear. Makalah ini disusun sebagai berikut: Bagian 2 mengulas model VG dan
ketergantungannya; ini menggambarkan bagaimana kita merekonstruksi
persetubuhan empiris. Bagian 3 membandingkan perkiraan (analitis) dan aktual
(numerik) copula, sementara Bagian4menyimpulkan.
Secara formal, mari kita ingat bahwa VG adalah proses tiga parameter Levy (μ, σ,
α) dengan fungsi karakteristik
T
Σ2
ΨxV G(t)(u) =[ψxV G(1)(u)]t= 1 −iuμα+2 αu2 − . (1)
1 Α
259
Respectively 1 1
1 Pendahuluan
260
Langkah-langkah risiko dan evolusi pasar keuangan saat ini telah memacu minat
komunitas keuangan terhadap model-model harga aset yang menyajikan perilaku
non-Gaussian marginal dan non-Gaussian, atau non-linear, ketergantungan.
Ketika memilih dari menu yang tersedia dari proses-proses ini, seseorang mencari
parameter parameter yang parsimoni, kecocokan data pasar yang baik dan,
mungkin, kemampuan untuk menangkap ketergantungan mereka dan evolusi
yang terakhir dari waktu ke waktu. Sulit untuk mengenkapsulasi semua fitur ini -
ketergantungan dinamis, khususnya - dalam model tunggal. Makalah ini
mempelajari perluasan dari model Variance Gamma (VG) populer, bernama α-
VG, yang memiliki fitur non-Gaussian baik pada tingkat marjinal dan sendi,
sementara berhasil menjadi baik pelit dan akurat dalam penyesuaian data. Kami
menunjukkan bahwa ketergantungan "konvergen" menuju ketergantungan linear
dari waktu ke waktu. Ini merupakan berita baik untuk aplikasi empiris, karena
selama jangka waktu yang panjang seseorang dapat mengandalkan pengukuran
ketergantungan standar, seperti koefisien korelasi linier, serta pada fungsi analitis
kopula atau ketergantungan, yaitu Gaussian, bahkan mulai dari data yang
melakukan tidak menyajikan fitur standar Gaussian dari Black Scholes atau
model log-normal. Mari kita menempatkan model dalam konteks yang sesuai
pertama dan kemudian menguraikan kesulitan dalam persetubuhan menuju
deskripsi ketergantungan dinamis kemudian.
∗ c 2008 by Elisa Luciano and Patrizia Semeraro. Any opinions expressed here
are those of the authors and not those of Collegio Carlo Alberto.
2 VG models
itu dapat ditulis sebagai proses Wiener yang berubah waktu: distribusinya pada
waktu t dapat diperoleh dengan pengkondisian;
ini adalah salah satu proses Levy paling sederhana yang menyajikan fitur non-
Gaussian pada tingkat marjinal, seperti asimetri dan kurtosis;
Secara formal, mari kita ingat bahwa VG adalah proses tiga parameter Levy
(μ, σ, α) dengan fungsi karakteristik
Karena distribusi marjinal dan sambungan dalam (5) dan (6) tidak dapat ditulis
dalam bentuk tertutup, kopula proses α-VG dan pengukuran ketergantungan non-
linear berikutnya, seperti rho Spearman dan Kendall's tau, tidak dapat diperoleh
secara analitis. .
ρX(t ) = 1 . (10)
Koefisien ini tidak bergantung pada waktu, tetapi bergantung pada parameter
marginal dan common a. Untuk parameter marjinal yang diberikan, korelasi
meningkat dalam parameter a jika μ1μ2> 0, seperti halnya dalam sebagian besar
aplikasi keuangan. Sejak
temukan aproksimasi numerik untuk ekspresi integral (6), biarlah ˆt (xi, yi);
temukan nilai perkiraan dari Ct (ui, vi):
ˆ = ˆ ˜t ˜t =
ˆ α
Kami menamai copula Ct numerik, empiris atau aktual copula dari disribusi -
VG pada waktu t.
dt (Ct , Ct )
= 01 |Ct (u, v ) − Ct (u, v )|d ud v . (11)
copulas adalah dalam hal konkordansi, semakin dekat mereka dalam hal dt.
Perhatikan bahwa jarak maksimal antara dua copulas adalah 16, yaitu jarak antara
batas Frechet atas dan bawah.
19
8 E. Luciano and P. Semeraro
hitung jarak antara numerik dan Gaussian copula.1 Harap dicatat bahwa, karena
korelasi linear ρX (t) pada (10) tidak bergantung pada waktu, Gaussian copula
tetap sama juga: (Ct = Ct in (11)).
3 Investigasi Empiris
3.1 Data
Prosedur yang diuraikan di atas telah diterapkan pada sampel tujuh indeks saham
utama: S & P 500, Nasdaq, CAC 40, FTSE 100, Nikkei 225, Dax, dan Hang Seng.
Untuk setiap indeks kami memperkirakan parameter VG marginal di bawah
ukuran netral risiko, menggunakan pengetahuan kami tentang fungsi karakteristik
(marjinal), yaitu (4). Dari fungsi karakteristik, harga teoritis opsi panggilan
diperoleh menggunakan Frac-tional Fast Fourier Transform (FRFT) di Chourdakis
[2], yang lebih efisien daripada Fast Fourier Transform (FFT) standar. Data untuk
harga yang diamati terkait adalah kutipan Bloomberg dari opsi terkait dengan tiga
bulan untuk mantan-piry. Untuk setiap indeks, enam pemogokan (paling dekat
dengan harga awal) dipilih, dan harga opsi terkait dimonitor selama satu hari
seratus hari, dari 7/14/06 hingga 11/30/06.
α α
1 2
Karena kita memiliki kopula empiris hanya pada grid kita menggunakan versi
diskrit dari jarak sebelumnya.
270
Table 1. Parameter yang dikalibrasi untuk proses harga α-VG untuk indeks saham
dalam sampel
Asset i μi σi αi
0.03
FTSE −0.59 0.045 1
Kami melaporkan pada Tabel 3 jarak dt yang sesuai dengan setiap pasang
saham dan setiap kali t.
271
Untuk memberikan ide kualitatif dari jarak yang diperoleh, kami juga
menyediakan representasi grafis dari kurva tingkat copula untuk pasangan Nasdaq
dan S & P pada saat t = 1.
Kami mengamati bahwa jarak pada Tabel 3 sangat rendah dan menurun dalam
waktu. Plot (dan yang serupa, yang tidak dilaporkan, untuk pasangan dan tenor
lain) memperkuat kesimpulan. Oleh karena itu, copula Gaussian tampaknya
merupakan pendekatan yang baik dari kopula sejati, setidaknya untuk cakrawala
yang panjang.
Untuk t = 0,1, 1, 10, 100 kita menghitung nilai simulasi dari rho Spearman, ρ˜S
(t), dan tau Kendall, τ˜ (t), diperoleh dari kopulasi empiris. Metodologi dijelaskan
dalam Lampiran A.
6 ρ 2
arcsi
ρS = π n 2; τ = π arcsin ρ . (12)
272
Hasil yang diperoleh konsisten sehubungan dengan jarak copula, seperti yang
diharapkan. Mereka mengkonfirmasi "kecenderungan" menuju ketergantungan
Gaussian karena t meningkat. Kami melaporkan di bawah hasil untuk pasangan
indeks pertama, yaitu S & P-Nasdaq. Yang lain berperilaku dengan cara yang
sama.
273
Fig. 1. Kurva Tingkat Gaussian (Gaus) dan empiris (emp) copula dari proses
harga kalibrasi α-VG, S & P - Nasdaq, setelah satu tahun
Lampiran
Versi simulasi dari Spearman rho pada waktu t, ρ˜S (t), dapat diperoleh dari
sampel N realisasi proses pada waktu t (x1i (t ), x2i(t )), i = 1, . . . , N
dimana Ri = Rank (x1i (t)) dan Si = Rank (x2i (t)). Demikian pula untuk tau
Kendall, τ˜C (t):
276
dimana c adalah jumlah pasangan konkordansi dari sampel dan d jumlah dari discor-
dant. Sepasang (x1i (t), x2i (t)) dikatakan tidak selaras [konkordan] jika x1i (t) x2i (t)
≤ 0 [x1i (t) x2i (t) ≥ 0]. The N realisasi proses diperoleh sebagai berikut:
Pengundian untuk M2 berasal dari distribusi normal dengan mean nol dan varians
g2n, yaitu
1
n
= μ1 g1n + σ1 M1(n)
2
n
= μ2 g2n + σ2 M2(n).
References
Cherubini, U., Luciano, E., Vecchiato W .: Metode Copula dalam Keuangan, John
Wiley, Chich-ester (2004) Chourdakis, K. Harga opsi menggunakan FFT
pecahan. J. Comput. Finan. 8, 1–18 (2005) Cont, R., Tankov, P .: Pemodelan
keuangan dengan proses lompatan. Chapman and Hall-CRC financial
mathematics series (2004) Embrechts, P., McNeil, A.J., Straumann, D:
Korelasi dan ketergantungan pada manusia berisiko- agement: properti dan
jebakan. Dalam: Dempster, M.A.H. (ed.) Nilai Berisiko dan Lebih Jauh.
Cambridge University Press (2002) Fiorani, F., Luciano, E., Semeraro, P .:
Tunggal dan gabungan default dalam model struktural dengan harga aset
terputus secara permanen. Bergalah. Finan. (2009) Luciano, E., Schoutens, W
.: Model Aset Keuangan Langsung Berbasis Banyak. Bergalah. Finan. 6, 385–
402 (2005) Luciano, E., Semeraro, P: Memperluas Model Aset Berubah Waktu
278
1 pendahuluan
∗ Makalah ini telah ditulis oleh dan metode yang diusulkan adalah karena M.
Marozzi. L. Santa-maria memberikan komentar yang bermanfaat untuk
menyajikan hasil aplikasi.
281
mungkin mengubah data asli menjadi data yang sebanding melalui fungsi T (•)
yang tepat dan memperoleh indikator parsial;
Fayers and Hand [3] melaporkan literatur ekstensif tentang aplikasi praktis dari
indikator com-posite (penulis menyebutnya skala pengukuran multi-item). Dalam
praktiknya, penjumlahan sederhana berbobot atau tidak berbobot umumnya
digunakan sebagai penggabungan fungsi. Lihat Aiello dan Attanasio [1] untuk
ulasan tentang transformasi data yang paling umum digunakan untuk membuat
indikator sederhana.
Tujuan makalah ini adalah untuk mengurangi dimensi indikator gabungan untuk
mempermudah praktik analis keuangan. Di bagian kedua, kita membahas cara
menyusun indikator gabungan. Metode sederhana untuk menyederhanakan
indikator komposit disajikan dalam Bagian 3. Aplikasi praktis untuk masalah
likuiditas perusahaan yang terdaftar dibahas dalam Bagian 4. Bagian 5 ditutup
dengan beberapa pernyataan.
282
L T (X i k) = a + b X i k, a ∈] - ∞, + ∞ [, b> 0. (2)
Empat transformasi linier yang paling banyak digunakan dalam praktik secara
singkat disajikan [4]. Dua transformasi linear pertama didefinisikan sebagai
X
ik
L T1 (X i k ) maxi (X i k
= ) (3)
and
L T (X ) X i k − mini (X i k ) , (4)
i maxi (X i k ) − mini (X i
2 k = k)
283
unit pengukuran dan memaksakan hasil ke dalam rentang yang pendek dan
terdefinisi dengan baik:m i ni (X ik )
≤ L T1(X i k ) ≤ 1 and 0 ≤ L T2 (X i k )≤1
respectively. L T1 and L T2 are
mean E (Xk) dalam hal standar deviasi S D (Xk). L T4 mirip dengan L T3 dan
menggunakan median M E D (Xk) bukan mean sebagai ukuran lokasi dan deviasi
absolut median M AD (Xk) bukan standar deviasi sebagai ukuran skala.
Mh,i =L Th (X i k ), h = 1, 2, 3, 4. (7)
k=1
X ik − M E
D(X k )
M , (8)
4,i
= M AD(X k )
k=
1
6 N ( RK [i] h R K 1[i])2
s R
( K ,h R K −1) = 1 N (N
− i=1 2
− 1) −, (9)
di mana R K [i] dan h R K −1 [i] adalah elemen ke-i dari vektor yang sesuai.
Semakin dekat s ke 1, X h yang kurang penting adalah. Idenya adalah untuk
meninggalkan indikator parsial Xh yang membawa nilai terbesar (RK, hRK −1).
Prosedur ini dapat diulangi untuk- 2 peringkat diperoleh dengan meninggalkan
satu lagi indikator parsial. Biarkan Xl menjadi indikator berikutnya yang
dikeluarkan dari proses peringkat. Kami menghitung l,h R K −2(X k , k ∈ {1, . . . , K
} − {l, h}) =l,h R K −2 and s(h R K −1,l,h R K −2) for l = 1, . . . , K , l =h.
Indikator parsial yang membawa yang terbesar harus dikecualikan, dan
seterusnya.
Bahkan jika seluruh prosedur secara alami berlangsung sampai hanya satu
indikator parsial yang tersisa untuk digunakan oleh analis keuangan, pertanyaan
alam muncul: kapan prosedur pemisahan indiator parsial dihentikan? Artinya,
286
4 Aplikasi praktis
total current
X 1 = liabilities , (10)
Rasio cepat
perusahaan tersebut: rasio cepat 2 berarti bahwa untuk setiap euro dari kewajiban
lancar ada dua euro dari aset yang mudah dikonversi.
Semakin rendah rasio cakupan bunga, semakin besar beban utang pada
perusahaan. Ini adalah ukuran kemampuan perusahaan untuk memenuhi
pembayaran bunga utang luar biasa. Perusahaan yang menopang pendapatan jauh
di atas persyaratan bunganya berada dalam posisi yang baik untuk menghadapi
badai keuangan yang mungkin.
cash flow
X 4 interest
= expenses . (13)
Artinya jelas: rasio arus kas terhadap beban bunga 2 berarti bahwa perusahaan
memiliki arus kas yang cukup untuk menutup biaya bunga dua kali lipat dalam
setahun. Rasio ini penting dalam mengukur kemampuan perusahaan untuk
memenuhi kewajiban jangka pendek dan jangka panjangnya. Untuk mengatasi
likuiditas perusahaan, seseorang dapat secara berurutan memeriksa setiap rasio
yang membahas masalah dari sudut pandang (parsial) tertentu. Misalnya, rasio
289
lancar serta rasio cepat dianggap sebagai uji likuiditas untuk perusahaan, tetapi
sementara yang pertama menyatakan hubungan modal kerja dari aset lancar yang
tersedia untuk memenuhi kewajiban perusahaan saat ini, yang kedua menyatakan
yang benar. hubungan modal kerja dari aset lancar tersedia untuk memenuhi
kewajiban saat ini karena menghilangkan persediaan dari aktiva lancar. Ini sangat
penting ketika sebuah perusahaan membawa persediaan berat sebagai bagian dari
asetnya saat ini, yang mungkin sudah usang. Namun, perlu dicatat bahwa dalam
literatur urutan kepentingannya tidak jelas. Untuk lebih jelasnya lihat misalnya
[9]. Dataset sekitar 338 perusahaan yang terdaftar di pasar ekuitas utama Eropa
telah dianalisis. Kami mempertimbangkan perusahaan yang terdaftar karena
mereka harus secara berkala mengirimkan informasi keuangan mengikuti aturan
standar. Pertama
290
X ik − M E
D(X k )
M , i 1, . . . , 338 (14)
i
= M AD(X k ) =
k=
1
dihitung. Ini adalah indikator gabungan dari likuiditas untuk perusahaan i yang
memperhitungkan secara simultan indikator likuiditas parsial X1, X2, X3, X4.
Kemudian, vektor peringkat yang sesuai R4 (X1, X2, X3, X4 ) = R4 dihitung.
Vektor ini telah dibandingkan dengan vektor yang sesuai dengan pertimbangan
tiga parsial
R R R R
s s 3) =
( 4,4 3 ) = 0.9664, ( 4,3 0.9107,
R R R R
s s 3) =
, ,
( 42 3) = 0.9667, ( 4 1 0.9600.
291
s(2 R3,4,2 R2) = 0.956, s(2 R3 ,3,2 R2) = 0.909, s(2 R3,1,2 R2) = 0.905.
Pada langkah terakhir, rasio X1 saat ini meninggalkan analisis sejak itu s(4,2
R2,3,4,2 R1) =0.672 dan s(4,2 R2 ,1,4,2 R1 ) = 0.822.
R R R R R R R R
s 3) = 0.954, 4, 3) = 0.903, 3) = s 4, 3) =
( 4,4 s( 3 s( 4,2 0.969, ( 1 0.953;
R R R R R R
3,4, 2) = 0.944, s 3,3, 2) = s 3,1, 2) =
s (2 2 (2 2 0.909, (2 2 0.907;
R R R R
s 2,3,2 1) = 0.689, s 2,1, 1) =
(2,4 ,4 (2,4 2,4 0.817;
oleh karena itu rasio likuiditas pertama yang dikecualikan adalah rasio cepat X2,
yang kedua adalah arus kas untuk rasio biaya bunga X4 dan akhirnya rasio lancar
X 1. Prosedur menyarankan untuk fokus pada interest coverage ratio X3 ketika
memeringkat perusahaan topi.
293
R R R R R R R R
3) = 0.977, 4, 3) = 0.931, 3) = 3) =
s( 4,4 s ( 3 s ( 4,2 0.974, s ( 4,1 0.967;
R R R R R R
3,3, 2) = 0.781, s 3,2, 2) = s 3,1, 2) =
s (4 4 (4 4 0.967, (4 4 0.959;
Hasil ini lagi-lagi serupa dengan yang diperoleh sebelumnya, baik untuk semua
perusahaan dan untuk topi kecil. Kesimpulannya adalah bahwa prosedur
pengurangan dimensi tidak banyak dipengaruhi oleh fakta bahwa perusahaan
adalah topi besar atau topi kecil. Harus diperhatikan bahwa hasil ini (serta yang
lain) hanya berlaku untuk kumpulan data yang telah dipertimbangkan dalam
makalah, tetapi analisis tersebut dapat dengan mudah diterapkan pada kumpulan
data lain atau rasio keuangan lainnya (efisiensi, profitabilitas, ...). Selain itu,
perhatian harus diberikan kepada sektor industri milik perusahaan. Sebagai
contoh, seperti yang telah kita catat, peran inventaris mungkin berbeda antara
industri manufaktur dan industri keuangan. Oleh karena itu kami menyarankan
analis keuangan untuk mengelompokkan perusahaan berdasarkan sektor industri
sebelum menerapkan prosedur pengurangan. Pertanyaan ini tidak dibahas di sini
dan membutuhkan penelitian lebih lanjut. Data telah dianalisis ulang melalui
analisis komponen utama, yang merupakan metode pengurangan dimensi yang
paling banyak digunakan. Analisis komponen utama menunjukkan bahwa ada dua
komponen utama, yang pertama menjelaskan 62,9% dan yang kedua 30,2% dari
varians. Komponen pertama adalah rata-rata tertimbang rasio likuiditas dengan
bobot yang serupa sehingga dapat dilihat sebagai semacam indikator umum untuk
likuiditas perusahaan. Pembebanan pada komponen pertama adalah 0,476 untuk X
294
Dari sudut pandang praktis, metode kami lebih alami karena meniru apa yang
secara implisit dilakukan oleh banyak analis dengan berfokus pada aspek yang
paling penting, membuang yang tersisa. Itu selalu mudah dipahami, sementara
komponen utama sering cukup sulit untuk benar-benar ditafsirkan. Dari sudut
pandang teoritis, asumsi yang unik dan sangat ringan harus dipenuhi untuk
menggunakan metode kami: bahwa rasio keuangan mengikuti aturan yang lebih
besar dan lebih baik. Kita tidak perlu mengasumsikan hipotesis lain, bahwa
sebaliknya harus secara umum diasumsikan dengan metode reduksi dimensi lain
seperti komponen utama (pikirkan misalnya tentang hipotesis linearitas) atau
analisis faktor. Selain itu, penting untuk menekankan bahwa, bila kita
menganggap metode transformasi linear pertama atau kedua, indikator komposit
prosedur menyederhanakan dapat diterapkan juga untuk variabel kategori
memerintahkan, atau yang campuran, sebagian kuantitatif dan sebagian
memerintahkan kategoris, dengan keprihatinan yang unik cara menilai kategori
yang diurutkan.
5 Kesimpulan
295
Ketika seorang analis keuangan menilai suatu perusahaan, banyak rasio keuangan
dari buku-buku akuntansinya dipertimbangkan. Dengan menghitung indikator
gabungan, analis dapat menganalisis kombinasi rasio yang berbeda secara
bersama-sama daripada secara berurutan mempertimbangkan setiap rasio secara
independen dari yang lain. Ini sangat penting karena rasio umumnya berkorelasi.
Prosedur cepat dan ringkas untuk mengurangi jumlah rasio berdasarkan indikator
keuangan gabungan telah diusulkan. Aplikasi praktis untuk masalah likuiditas
telah dibahas. Kami peringkat satu set perusahaan yang terdaftar dengan cara
indikator komposit yang mempertimbangkan rasio likuiditas berikut: rasio lancar,
rasio cepat, rasio cakupan bunga dan arus kas untuk rasio biaya bunga. Hasilnya
menunjukkan bahwa analis harus fokus pada interest coverage ratio dalam
menangani masalah likuiditas perusahaan. Dengan menerapkan juga analisis
komponen utama pada data di tangan kami menunjukkan bahwa metode
pengurangan dimensi kami harus lebih disukai karena selalu mudah dipahami dan
lebih sederhana. Selain itu diperlukan asumsi yang unik dan sangat ringan: bahwa
rasio keuangan mengikuti aturan yang lebih besar dan lebih baik. Namun, analis
keuangan harus memperhatikan sektor industri milik perusahaan. Kami
menyarankan bahwa analis keuangan harus mengelompokkan perusahaan
berdasarkan sektor industri sebelum menerapkan prosedur pengurangan kami.
References
Hubungan antara volatilitas tersirat dan yang terwujud dalam pasar opsi
indeks DAX
Silvia Muzzioli
1 Pendahuluan
Volatilitas adalah variabel kunci dalam model penentuan harga opsi dan teknik
manajemen risiko dan telah menarik perhatian banyak studi teoretis dan empiris
yang bertujuan menilai cara terbaik untuk meramalkannya. Di antara berbagai
model yang diusulkan dalam literatur untuk memprediksi volatilitas, kami
299
pasar opsi indeks, Christensen dan Prabhala [5] menguji hubungan antara IV dan
volatilitas yang terealisasi menggunakan opsi S & P100, selama periode waktu
1983–1995. Mereka menemukan bahwa IV adalah prediktor yang baik dari
volatilitas realisasi masa depan. Christensen dkk. [4] menggunakan opsi pada S &
P100 dan sampel yang tidak tumpang tindih dan menemukan bukti untuk efisiensi
IV sebagai prediktor volatilitas terealisasi di masa depan. Di pasar opsi berjangka
Ederington dan Guan [8] menganalisis pasar opsi berjangka S & P500 dan
300
Opsi IV berbeda tergantung pada harga strike opsi (efek smile yang disebut),
waktu hingga jatuh tempo opsi (struktur jangka volatilitas) dan jenis opsi
(panggilan versus put). Sebagai akibatnya, dalam literatur ada perdebatan terbuka
tentang kelas opsi mana yang paling mewakili ekspektasi volatilitas pasar.
Adapun dimensi uang, sebagian besar studi menggunakan opsi uang (atau dekat
dengan opsi uang) karena mereka yang paling banyak diperdagangkan dan dengan
demikian yang paling likuid. Sedangkan untuk dimensi waktu hingga jatuh tempo,
mayoritas penelitian menggunakan opsi dengan waktu hingga jatuh tempo satu
bulan untuk membuatnya sama dengan frekuensi sampling dan estimasi horizon
volatilitas yang terealisasi. Sedangkan untuk jenis opsi, opsi panggilan lebih
banyak digunakan daripada opsi put. Sejauh yang kami tahu, hanya ada sedikit
bukti tentang kandungan informasi yang berbeda dari panggilan atau harga yang
dimasukkan. Bahkan jika, secara teoritis, panggilan dan put dihubungkan melalui
hubungan put-call parity, secara empiris, mengingat bahwa harga opsi diamati
dengan kesalahan pengukuran (berasal dari presisi penawaran terbatas, bid-ask
spread, observasi non-sinkron dan kesalahan pengukuran lainnya) , kesalahan
kecil di salah satu input dapat menghasilkan kesalahan besar dalam output (lihat
misalnya, [12]) dan dengan demikian memanggil IV dan menempatkan IV
mungkin berbeda. Selain itu, mengingat bahwa put options sering dibeli untuk
asuransi portofolio, ada permintaan substansial untuk menempatkan yang tidak
301
tersedia untuk opsi panggilan yang sama. Juga, dalam [15] kami telah
membuktikan bahwa penggunaan opsi panggilan dan put meningkatkan kinerja
penetapan harga dari pohon tersirat pilihan, menyarankan bahwa panggilan dan
put dapat memberikan informasi yang berbeda. Fleming [9] menginvestigasi
hubungan volatilitas yang diimplikasikan-realisasi dalam pasar opsi S & P100 dan
menemukan bahwa panggilan IV memiliki kekuatan prediktif yang lebih sedikit
daripada menempatkan IV. Di pasar yang sama, Christensen dan Hansen [3]
menemukan bahwa keduanya memanggil dan menempatkan IV adalah informatif
tentang volatilitas yang terealisasi di masa depan, meskipun panggilan IV
memiliki kinerja yang sedikit lebih baik daripada IV. Kedua studi menggunakan
opsi Amerika dan membutuhkan estimasi hasil dividen. Kedua aspek ini
memengaruhi opsi panggilan dan put dengan cara yang berbeda dan dapat
mengubah perbandingan jika tidak ditangani dengan benar. Tujuan dari makalah
ini adalah untuk mengeksplorasi hubungan antara panggilan IV, menempatkan IV,
volatilitas historis dan realisasi volatilitas di pasar opsi indeks DAX. Pasar dipilih
karena dua alasan utama: (i) pilihannya adalah Eropa, oleh karena itu estimasi
premi awal latihan tidak diperlukan dan tidak dapat mempengaruhi hasil; (ii)
indeks DAX adalah indeks kinerja tertimbang modal yang terdiri dari 30
saham utama Jerman
302
303
r
t - 6 . 224e-05 0 0 . 2342 - 0 . 5801 16 .6101
304
p d Stat
( p- nilai)
Hasil dari uji LR menunjukkan bahwa struktur linear tampaknya tidak menjadi
capabel dari penangkapan struktur proses pembangkit (ini menjelaskan kinerja
buruk dari perkiraan autoregresif di [10]).Ambang batas model autoregresif yang
cocok untuk data jelas didasarkan pada struktur parametrik yang ketat dari mana
ramalan dihasilkan.
Di sini, kami alternatif mengusulkan prediktor nonparametrik (3), yang lebih
fleksibel daripada yang dihasilkan dari model SETAR, dan yang Markov order
dipilih mengikuti Prosedur 1.
Untuk kedua pendekatan tersebut, kami telah membuat perkiraan satu langkah ke
depan, di luar perkiraan setelah algoritme jendela yang berkembang di atas
305
perkiraan cakrawala L = 26, yang sesuai dengan enam bulan terakhir dari interval
waktu di bawah analisis.
Lebih lanjut, nilai ambang nol telah diperbaiki untuk model SETAR (dengan
penundaan threshold yang diberikan pada Tabel 4) dan pada setiap iterasi model
telah diperkirakan mengikuti
Perkiraan kuadran SETAR dan nonparametrik telah dievaluasi menggunakan
2 1L = i=1ˆ + -
T +i ) dan M |ˆ T +i
-
AE( L ) = L i=1- T+ i|
prediksi ditampilkan.
Tabel 5. UMK (dan MAE) dari perkiraan nonparametrik atas MSE (dan MAE)
dari Perkiraan SETAR
rt 0,839081 0,944058
306
Akurasi perkiraan yang lebih baik, dalam hal MSE dan MAE, prediktor (3) dapat
dihargai. Lebih lanjut menegaskan kinerja yang baik dari prosedur yang diusulkan
di hadapan satu langkah prediksi depan.Selain itu, akurasi perkiraan tampaknya
tidak terpengaruh ketika nilai yang berbeda, ukuran sedang, ditetapkan ke m di
Prosedur 2.
5. Kesimpulan
Kami telah mengusulkan prosedur untuk memilih urutan p di hadapan proses
Markov yang ketat stasioner (1). Hal ini didasarkan pada penggunaan satu
langkah prediksi yang dihasilkan dari non-parametrik kernel Nadaraya-Watson
smoothers.
Pemilihan p diperoleh dari minimisasi fungsi kerugian kuadrat yang
memanfaatkan estimasi subsampling dari perkiraan satu langkah di depan seperti
yang ditunjukkan pada Prosedur 1.
Hasil simulasi dan empiris menunjukkan kinerja yang baik dari prosedur yang
diusulkan yang dapat dipertimbangkan, dalam konteks pemilihan model, alternatif
untuk pendekatan yang lebih terkonsolidasi yang diberikan dalam literatur.
Masih banyak yang harus dilakukan: untuk menyelidiki sifat-sifat p; untuk
menggeneralisasi prosedur ke kasus dengan lead time > 1; untuk
mempertimbangkan proses pembuatan data yang lebih kompleks yang termasuk
kelas Markov. Selanjutnya, prosedur dapat diperluas ke parametrik dan / atau
prediktor semiparametrik yang dapat dipertimbangkan dengan benar
ˆ
memperkecil T,b .
Semua tugas ini memerlukan evaluasi yang tepat dari upaya komputasi yang
diminta ketika metode intensif komputer dipilih.
Pengakuan. Para penulis ingin mengucapkan terima kasih kepada dua wasit
anonim yang berguna bagi mereka komentar.
Referensi
307
Barkoulas, JT, Baum CF, Onochie, J .: Investigasi nonparametrik dari tarif T-bill
90 hari. Pdt. Finan. Econ. 6, 187–198 (1997)
Brockwell, PJ, Davies, RA: Rangkaian waktu: teori dan metode. Springer-Verlag,
New York (1991)
Chan, KS: Pengujian untuk autoregresi ambang batas. Ann. Stat. 18, 1886–1894
(1990)
Chan, KS, Tong H: Pada tes rasio kemungkinan untuk autoregresi ambang batas,
Statistik JR. Soc.(B) 52, 595–599 (1990)
Franses PH, van Dijk, D .: Model Seri Waktu Non-Linear dalam Keuangan
Empiris. Cam-bridge University Press, Cambridge (2000)
Hall, P., Jing B .: Pada metode penggunaan kembali sampel untuk data
dependen. Statistik JR. Soc. (B) 58, 727-737 (1996)
Robinson, PM: Nonparametric estimator untuk seri waktu. J. Time Ser. Anal. 4,
185–207 (1983)
1. Pendahuluan
Dalam model Markowitz asli [12] risiko diukur dengan varians, tetapi berbagai
ukuran risiko polyhedral telah diperkenalkan yang mengarah ke Linear
Programming (LP) computable portfolio optimization models dalam kasus
discrete random vari-ables yang diwakili oleh realisasi mereka di bawah skenario
tertentu. Ukuran risiko terkomputasi LP yang paling sederhana adalah ukuran
dispersi yang mirip dengan varians. Konno dan Yamazaki [6] mempresentasikan
model pemilihan portofolio dengan mean absolute deviation (MAD). Yitzhaki
[25] memperkenalkan model risiko-rerata dengan menggunakan perbedaan rata-
rata Gini (absolut) sebagai ukuran risiko. Perbedaan rata-rata Gini berubah
311
xj = 1,xj ≥ 0
P={x : untuk j = 1 ,. . . ,n } . (1)
j=1
memasukkan penjualan pendek, batas atas pada saham tunggal atau pembatasan
struktur portofolio yang mungkin dihadapi oleh investor kehidupan.
Setiap portofolio x mendefinisikan sesuai variabeln
acak R x = j =1 R j x j bahwa
mewakili tingkat pengembalian portofolio sementara nilai yang diharapkan dapat
dihitung sebagai
n
μ (x)=j=1 μ j x j . Kami
=
mempertimbangkan T skenario dengan probabilitas p t (di mana t
1 ,. . . , T ). Kami berasumsi bahwa untuk setiap variabel acak R j realisasinya r jt
di bawah skenario t diketahui. Biasanya, realisasi yang berasal dari data historis
mengobati periode sejarah T sebagai skenario kemungkinan
sama (p t = 1 / T ). Realisasi dariportofolio return Rx diberikan
n
sebagai yt = = rjtxj .j 1
Mari kita pertimbangkan masalah optimisasi portofolio berdasarkan pada
pengukuran CVaR mengukur op-timisasi. Dengan pengembalian keamanan yang
diberikan oleh variabel acak diskrit dengan realisasi berikut [1, 9, 10], model
optimasi portofolio CVaR dapat diformulasikan sebagai masalah LP berikut:
maksimalkan η - β p t d t
t=1
xj = 1,xj ≥ 0
st untuk j = 1 ,. . ., n (2)
j=1 n
dt-η+ r jt x j ≥ 0 , d t ≥ 0 untuk t = 1 ,. . . , T ,
314
_x0010__x0010_ =1
di mana η adalah variabel tak terbatas. Kecuali untuk kendala portofolio inti (1),
model
Model LP ganda berisi variabel T u t, tapi kendala T sesuai dengan variabel d t dari
(2) berupa batas atas sederhana (SUB) dari u t sehingga tidak mempengaruhi
kompleksitas masalah (cf, [13]). Sebenarnya, jumlah kendala dalamsebanding
dengan total ukuran portofolio n , sehingga independen dari jumlah
skenario. Tepat, ada T + 1 variabel dan n + 1 batasan. Ini menjamin efisiensi
komputasi yang tinggi dari model ganda bahkan untuk sejumlah besar
skenario. Perhatikan bahwa memperkenalkan batas bawah pada pengembalian
yang diharapkan yang diperlukan dalam model optimasi portofolio primal (2)
hanya menghasilkan satu variabel tambahan dalam model ganda (3). Demikian
pula, persyaratan struktur portofolio lainnya dimodelkan dengan sejumlah kecil
315
Jumlah
sekuritas β = 0. 05 β = 0 . 1 β = 0 . 2 β = 0. 3 β = 0 . 4 β = 0 . 5
Model konsisten [14] dan koheren [2] MAD SSD dengan ukuran risiko pelengkap
( μ δ ( x ) = E { min { μ ( x ), R x }} ) mengarah ke masalah LP berikut [18]:
n T
316
memaksimalkanμ j x j -p t d t
j=1 t=1
st x j = 1 , x j ≥ 0 untuk j = 1 ,. . . ,n (4)
j=1 n
dt- (μ j - r jt ) x j ≥ 0 , d t ≥ 0 untuk t = 1 ,. . . , T .
_x0010__x0010_ =1
t=1
0 ≤ kamu
t ≤pt untuk t = 1 ,. . . , T ,
dengan 50.000 skenario kami mampu memecahkan model ganda (5) dalam 25,3
detik rata-rata untuk 50 sekuritas dan dalam 77,4 detik untuk 100 instrumen.
Untuk variabel acak diskrit diwakili oleh realisasi y t, berarti Gini ini
T
perbedaan yt ,
ukuran ( x ) t 1 t t 1maksy t 0 p t p t adalah LP computable
= = =- { - }
[25]:
maks - t 1t t p t p td tt
= =
n untuk j = 1,. . . , n
st x j = 1 , x j ≥ 0 (6)
j=1 n n
r jt x j , D tt ≥
d tt ≥ r
jt x j - 0 untuk t , t = 1 ,. . . , T ; t = t ,
j =1j = 1
historis di mana jumlah skenario adalah 100 atau 200. Sebenarnya, seperti yang
ditunjukkan dengan percobaan sebelumnya [7], waktu CPU 7 detik rata-rata
untuk T = 52 telah meningkat hingga di atas 30 detik dengan T = 104 dan bahkan
lebih dari 180 detik untuk T = 156. Namun, mirip dengan model CVaR,
variabel d tt berhubungan dengan kolom koefisien tunggal. Oleh karena itu,
sementara memecahkan ganda bukan primal asli, yang sesuai kendala berupa
batas atas sederhana (SUB) yang ditangani secara implisit di luar matriks
LP. Untuk bentuk paling sederhana dari set layak (1) model GMD ganda
mengambil bentuk berikut:
min v
st v - (r jt - r jt ) u tt ≥ 0 untuk j = 1 ,. . . , n (7)
= =
t 1t t
0 ≤ u tt ≤ p t p t untuk t , t = 1 ,. . . , T ; t = t ,
u ¯ tt = u tt -
u tt untuk t , t = 1 ,. . . , T; t < t , (8)
- - ¯ ≥ =
t 1t > t
=
≤ u ¯ tt ≤ p t p
-pt ptt untuk t , t = 1 ,. . . , T ; t < t .
Referensi
Andersson, F., Mausser, H., Rosen, D., Uryasev, S .: Pengoptimalan risiko kredit
dengan kriteria nilai-risiko yang kondusional. Matematika. Program. 89,
273–291 (2001)
Artzner, P., Delbaen, F., Eber, J.-M., Heath, D .: Ukuran risiko yang
koheren. Matematika. Keuangan 9, 203–228 (1999)
321
Mansini, R., Ogryczak, W., Speranza, MG: Pada model terpecahkan LP untuk
pemilihan portofolio. Informatica 14, 37-62 (2003)
Mansini, R., Ogryczak, W., Speranza, MG: Model solvable LP untuk optimasi
portofolio: Klasifikasi dan perbandingan komputasi. IMA J.
Manag. Matematika. 14, 187–220 (2003)
Mansini, R., Ogryczak, W., Speranza, MG: Nilai kondisional berisiko dan model
linear programming terkait untuk optimasi portofolio. Ann. Oper. Res. 152,
227–256 (2007)
Dalam: WG Wanka (ed.) Teori Keputusan dan Optimasi dalam Teori dan Praktik
- Proc. Workshop ke-9 GOR WG Chemnitz 1999, hlm. 33–51, Shaker
Verlag, Aachen (2000)
Scheuer, EM, Stoller, DS: Pada generasi vektor acak normal. Technometrics 4,
278–281 (1962)
Danilo Pelusi
Abstrak. Masalah utama dalam analisis teknis adalah mendapatkan laba yang
baik dan mungkin stabil. Berbagai aturan perdagangan untuk pasar keuangan
memang ada untuk tugas ini. Makalah ini menjelaskan algoritma pengenalan pola
untuk secara optimal mencocokkan pelatihan dan periode perdagangan untuk
aturan analisis teknis. Di antara teknik filter, kami menggunakan aturan Dual
Moving Average Crossover (DMAC). Teknik ini diterapkan untuk pengamatan
per jam dari nilai tukar Euro-Dollar. Metode pencocokan dilakukan menggunakan
sepuluh pola grafik yang sangat populer dalam analisis teknis. Selain itu, agar
hasilnya memiliki pengertian statistik, kami menggunakan teknik
bootstrap. Hasilnya menunjukkan bahwa algoritma yang diusulkan merupakan
titik awal yang baik untuk memperoleh laba yang positif dan stabil.
Kata kunci: set pelatihan, set perdagangan, analisis teknis, algoritma pengenalan
1. Perkenalan
324
Pilihan aturan perdagangan terbaik untuk keuntungan optimal adalah salah satu
masalah utama dalam penggunaan analisis teknis untuk membeli instrumen
keuangan. Park dan Irwin [31] menjelaskan berbagai jenis aturan filter, misalnya
keluarga Dual Moving Average Crossover, kelompok Momentum aturan dan
Osilator. Untuk masing-masing aturan filter ini kita perlu menemukan aturan yang
menjamin keuntungan tertinggi. Beberapa protokol teknis yang baik, untuk
mendapatkan keuntungan optimal di pasar valuta asing, telah ditemukan oleh
Pelusi et al. [32].
Pedagang atribut untuk beberapa pola grafik properti menilai kondisi pasar (di
pasar keuangan) dan mengantisipasi titik balik. Jenis analisis ini dimulai dengan
yang terkenal [23], yang menghasilkan aliran sastra yang penting. Namun,
popularitas analisis semacam ini telah sering ditantang oleh ekonom keuangan
arus utama [7, 9, 22, 28-30, 35].
Umumnya, keberhasilan aturan dalam perdagangan yang sebenarnya tidak
tergantung pada jenis filter yang digunakan. Ini tergantung pada pilihan apa yang
disebut "set pelatihan", di mana parameter profit maksimum aturan ditemukan,
dan "set perdagangan" independen di mana Anda menerapkan filter yang
dioptimalkan yang ditemukan dalam fase pelatihan. Dengan kata lain, aturan yang
memberikan keuntungan baik dalam satu periode dapat menyebabkan kerugian
dalam periode yang berbeda. Ini karena perbedaan substansial dalam bentuk harga
aset di keduanya. Sehinggamasalah utama untuk keberhasilan penerapan aturan
perdagangan teknis adalah untuk menemukan asosiasi terbaik dari "set pelatihan"
(TN-S) dan "set perdagangan" (TD-S), untuk aliran laba tertinggi dan mungkin
paling stabil.
Dalam makalah ini, kami mengusulkan sintesis dari dua pendekatan tradisional
dalam analisis teknis, diuraikan di atas, dan menggunakan teknik pengenalan pola
grafik untuk asosiasi terbaik dari pelatihan dan fase perdagangan. Beberapa karya
[7,9,22,23,29] berisi studi tentang isi informasi pola grafik.
Target kami adalah untuk menyelidiki keberadaan konfigurasi non-linear dalam
pengamatan per jam dari Euro-Dollar (EUR-USD), Dolar-Yen (USD-JPY) dan
Pound-Dollar (GBP-USD) nilai tukar.Algoritma pengenalan pola kami
325
akan menghasilkan serangkaian pola grafik yang berbeda. Untuk setiap nilai
cutoff, algoritma mencari pola grafik HS, IHS, BTOP, BBOT, TTOP, RTOP,
RBOT, DTOP, DBOT berdasarkan definisi mereka [23].Mempertimbangkan pola
tunggal pada suatu waktu, algoritma menghitung jumlah pola dari jenis itu, untuk
setiap nilai cutoff.
Untuk membentuk parameter kesamaan, kita mendefinisikan, untuk setiap j th
pola teknis (j = 1 , 2 , d ot s , 10), koefisien yang mewakili tingkat kesamaan
antaradua periode yang berbeda. Oleh karena itu, algoritma kami mengambil
nomor pola untuk setiap nilai cutoff i dan menghitungnya
1j , -
di, j = ni n 2j , i , saya = 1 , 2 ,. . . ,18 , (1)
dimana d saya , j adalah nilai absolut dari perbedaan antara jumlah pola grafik j-
jenis periode 1 dan periode 2, untuk setiap nilai cutoff. Jadi, kita dapat
mendefinisikan koefisien kesamaan S j as
n
cj 1
d
i=1 2 i,
j
,nc
Sj n
cj j ≥1 (2)
n
0, cj =0.
yang disebutkan di atas. Langkah selanjutnya terdiri dari menghitung satu nilai
yang memberi informasi konten pada kesamaan antara periode. Kami menyebut
nilai ini sebagai Kesamaan Global (GS) dan kami mendefinisikannya sebagai rata-
rata tertimbang
10
GS = w j S j . (3)
j=1
Bobot w j didefinisikan sebagai rasio antara jumlah perbandingan dari pola dan
jumlah jumlah perbandingan n t dari semua pola (lihat rumus 4).
w j = nc j , n t = n c 1 + n c 2 + . . . + n c 10
n
t
th
(4)
10
w j = 1. (5)
_x0010__x0010_ =1
328
Selain itu, jumlah bobot w j , dengan j dari 0 hingga 10, sama dengan 1 (lihat
rumus 5). Menghitung kesamaan global GS melalui (3), kami menetapkan bobot
lebih pada koefisien kesamaan dengan jumlah pembandingan yang lebih besar.
Langkah selanjutnya terkait dengan pilihan amplitudo periode waktu untuk
pelatihan dan fase perdagangan. Untuk set perdagangan, kami mempertimbangkan
seri waktu dari tahun tertentu. Oleh karena itu, kami mempertimbangkan nilai
tukar yang dimulai dari akhir seri waktu hingga enam bulan sebelumnya. Dengan
cara ini, kita memperoleh satu semester di tahun yang
dipertimbangkan. Selanjutnya, kami membuat semester kedua, mulai dari akhir
tahun minus sebulan, hingga enam bulan sebelumnya. Dengan demikian, kami
memperoleh sejumlah semester. Oleh karena itu, kami membandingkan semester
perdagangan ini dengan berbagai semester di tahun-tahun
sebelumnya. Selanjutnya, pilihan pelatihan dan pasangan semester perdagangan
tercapai, membagi pasangan dengan lereng positif dan mereka dengan lereng
negatif. Jadi, kami menghitung keuntungan 1 dari semester perdagangan dengan
mempertimbangkan yang dioptimalkan
Untuk menghitung laba, kami menggunakan aturan filter DMAC [32].parameter
(lihat [32]) dari semester pelatihan yang sesuai. Untuk setiap pasangan semester,
kami menghitung koefisien GS melalui rumus 3 dan menentukan kuantitas
berikut:
n
G
S
f GS
= np , (6)
dimana n p adalah jumlah pasangan semester dengan laba positif dan n GS adalah
jumlah semester yang menguntungkan dengan indeks kesamaan GS yang terletak
di antara dua ekstrem. Secara khusus, kami mempertimbangkan rentang GS: 0,0-
0,1, 0,1-0,2, ..., hingga 0,9-1,0. Jadi, kuantitas f GS merupakan ukuran dari
329
Kami menerapkan algoritma kami untuk nilai tukar Euro-Dollar per jam dan
mempertimbangkan tahun 2006 sebagai tahun untuk perdagangan. Untuk
membuat sampel dengan tren yang mirip dengan kurs Euro-Dollar 2006, kami
menggunakan metode bootstrap parametrik [3].
Dalam pengaturan bootstrap parametrik, kami mempertimbangkan distribusi F
yang tidak diketahui untuk menjadi anggota dari beberapa keluarga parametrik
yang ditentukan dan memperoleh distribusi empiris diskrit F n ∗ dengan
memperkirakan parameter keluarga dari data. Dengan menghasilkan urutan acak
iid dari distribusi F n *, kita dapat tiba di perkiraan baru dari berbagai parameter
dari F distribusi asli.
Metode parametrik yang digunakan didasarkan pada asumsi model khusus untuk
data. Setelah memperkirakan model dengan metode yang konsisten, residu adalah
bootstrapped. Dengan cara ini, kami memperoleh set sampel dengan panjang nilai
tukar yang sama seperti tahun 2006.
Tabel 1 menunjukkan hasil dengan 10, 100, 200, 300, 400 dan 500 sampel. Pada
baris, kami memiliki nomor sampel dan pada kolom kami memiliki frekuensi
kesamaan global yang ditentukan dalam rumus (6). Kita dapat mencatat bahwa
330
tidak ada hasil untuk rentang 0,5–0,6, 0,6-0,7, hingga 0,9-1,0 karena mereka
memberikan kontribusi nol, yaitu tidak ada nilai kesamaan global yang termasuk
ke kisaran yang disebutkan di atas. Selain itu, kita dapat mengamati bahwa untuk
10 sampel, rentang dengan frekuensi tertinggi adalah 0,0-0.1, yaitu, kemungkinan
besar bahwa dengan koefisien kesamaan antara 0 dan 0,1 kita memiliki
keuntungan positif daripada rentang lainnya.
Hasil statistik untuk 100 sampel menunjukkan bahwa rentang dengan fre-quency
terbesar adalah 0,1-0,2. Untuk 200, 300, 400, dan 500 sampel yang kami peroleh
kira-kira bernilai sama.
Kami menggunakan model GARCH (lihat [4]).
Tabel 1. Hasil algoritma pengenalan pola
Sampel f GS 1 f
GS 2 f
GS 3 f
GS 4 f
GS 5
Oleh karena itu, kita dapat menyimpulkan bahwa dari 100 hingga 500 sampel
hasilnya tetap stabil. 3 Kemungkinan besar bahwa dengan sejumlah sampel lebih
besar dari 500, distribusi akan lebih luas.
Kami juga melaporkan hasil yang terkait dengan aplikasi algoritme ke kata yang
sebenarnya. Untuk melakukan ini, kami mempertimbangkan nilai tukar Euro-
Dolar tahun 2007. Secara khusus, kami memilih tiga pasangan semester yang
dapat didefinisikan sebagai "serupa" oleh mata manusia. Kami
mempertimbangkan semester kedua tahun 2003 semester pelatihan dan semester
331
kedua tahun 2007 semester perdagangan untuk nilai tukar Euro-Dollar, semester-
semester ini ditunjukkan pada Gambar 1.
Semua gambar mengandung dua grafik: yang pertama menunjukkan tren
setengah-tahun nilai tukar Euro-Dollar, sedangkan yang kedua memiliki grafik
skala ganda. Penggunaan skala ganda diperlukan untuk mempelajari hubungan
antara nilai tukar dan keuntungan dengan penerapan filter teknis. Aturan
perdagangan yang dijelaskan dalam contoh praktis ini adalah strategi jangka
panjang. Selain itu, filter teknis yang digunakan adalah aturan DMAC, yang
didasarkan pada definisi rata-rata bergerak dan parameter Take Profit (TP) dan
Stop Loss (SL).
Grafik skala ganda memiliki waktu pada x- sumbu, bentuk nilai tukar Euro-Dolar
pada y- sumbu kiri dan laba pada y- kanan kanan . Kami menggarisbawahi bahwa
nilai y -axis adalah angka murni, yaitu tanpa unit pengukuran.
Hasil Tabel 2 menunjukkan bahwa ada kerugian sekitar 13% dengan koefisien GS
0,61844. Dari Gambar 1 kita dapat mencatat bahwa ada perbedaan bentuk
substansial di awal dan di akhir semester dan bahwa laba memiliki kecenderungan
menurun selama lebih dari setengah semester.
Gambar 2 menunjukkan semester kedua tahun 2004 (semester pelatihan) dan
semester kedua tahun 2007 (semester perdagangan). Seperti dapat dilihat pada
Tabel 2, kami memperoleh laba sekitar 26% dengan indeks kesamaan global
0,66299. Mengamati Gambar 2, kita dapat melihat bahwa laba pada dasarnya
tumbuh, kecuali pada awal dan di akhir semester perdagangan.
Kami memilih sebagai pasangan ketiga semester pertama tahun 2006 dan
semester kedua tahun 2007 (Gambar 3). Dalam hal ini, kami memiliki kerugian
sebesar 14% dan GS sebesar 0.61634. Kami menyimpulkan bahwa kerugian
mungkin karena perbedaan bentuk substansial dalam berbagai sub-periode
semester (lihat Gambar 3), seperti yang terjadi dalam kasus Gambar 1. Dari
Gambar 3 kami
Untuk melakukan perhitungan, algoritma kami membutuhkan sekitar tiga jam
waktu komputer untuk setiap sampel. Namun, di masa depan kami akan
mempertimbangkan jumlah sampel lebih dari 500.
332
perhatikan bahwa ada kerugian besar di awal dan di akhir semester perdagangan.
Dalam literatur analisis teknis, beberapa penulis atribut untuk memetakan pola
properti menilai kondisi pasar dan mengantisipasi titik balik. Beberapa karya
mengembangkan dan menganalisis isi informasi dari pola grafik. Makalah lain
telah menunjukkan pentingnya memilih aturan perdagangan terbaik untuk
keuntungan maksimum dan stabil. Sana-
Tabel 2. Profitabilitas dan kemiripan hasil dari pasangan semester
333
Semester Semester
pelatihan perdagangan Keuntungan GS
kedepan, ada beberapa filter teknis yang menjamin keuntungan tertinggi. Dengan
cara ini, masalah yang penting adalah pilihan pelatihan dan set perdagangan.
Dalam makalah ini, kami mendeskripsikan algoritme pengenalan pola untuk
secara optimal menyesuaikan periode pelatihan dan periode perdagangan dalam
aturan filter DMAC. Aturan perdagangan yang dijelaskan adalah strategi investasi
jangka pendek dalam nilai tukar mata uang asing. Kami menggambarkan contoh
praktis memilih semester sebagai periode pengujian dan mendapatkan hasil yang
stabil.Stabilitas ini diverifikasi juga untuk periode yang berbeda, seperti periode
bulanan, tahunan, dan dua tahunan. Selain itu, untuk rentang temporal ini, kami
menyadari statistik pada operasi pendek dan panjang secara terpisah. Secara
khusus, kami menghitung rata-rata dan kesalahan standar nomor operasi,
memperoleh beberapa informasi menarik. Mungkin akan lebih mudah juga
335
melaporkan indikator standar seperti rasio kinerja, volatilitas dan Sharpe, tipikal
industri keuangan.
Tujuan dari pekerjaan ini adalah untuk mendapatkan keuntungan positif sesuai
dengan derajat kemiripan antara periode pelatihan dan perdagangan. Metode kami
memberikan indeks kesamaan yang dapat berguna untuk menetapkan bagaimana
satu set pelatihan memiliki informasi berharga untuk satu set perdagangan di masa
depan. Hasilnya menunjukkan bahwa indeks kesamaan adalah titik awal yang baik
untuk jenis penelitian ini. Oleh karena itu, kita perlu menganalisis bagaimana
perbedaan dalam bentuk berdampak pada laba untuk indeks kesamaan global
dengan besaran yang sebanding.
Referensi
Levy, R: Signifikansi prediktif dari lima pola titik. J. Bus. 41, 316–323 (1971)
Lo, AW, Mamaysky, H., Wang, J .: Yayasan analisis teknis: algoritma komputasi,
inferensi statistik, dan implementasi empiris. J. Finan. 55, 1705–1765
(2000)
Murphy, J .: Analisis Teknis Pasar Masa Depan: Panduan Komprehensif untuk
Metode Perdagangan dan Aplikasi. Prentice Hall, New York (1986)
Murphy, J .: Analisis Teknis Pasar Keuangan. Institute of Finance, New York
(1999)
Nadaraya, EA: Pada memperkirakan regresi. Teori Prob. Appl. 9, 141–142 (1964)
Neely, CJ, Weller, PA, Ditmar, R: Apakah analisis teknis dari pasar valuta asing
menguntungkan? Pendekatan pemrograman genetika. J.
Finan. Bergalah. Anal. 405–426 (1997)
Omrane, WB, Van Oppens, H .: Keberhasilan dan profitabilitas prediksi pola
grafik di pasar valuta asing Euro / Dollar. IGA Working Paper bi, 95–
03 (2003)
Osler, C .: Mengidentifikasi pedagang kebisingan: pola kepala dan bahu dalam
ekuitas AS. Federal Reserve Bank of New York (1998)
Osler, C., Chang, K .: Kepala dan bahu: bukan hanya pola keripik. Laporan Staf
Federal Reserve Bank of New York 4 (1995)
Park, C.-H., Irwin, SH: Keuntungan analisis teknis: ulasan. Laporan Penelitian
Proyek AgMAS No. 2004-04 (2004)
Pelusi, D., Scacciavillani, F., Tivegna, M .: Aturan perdagangan yang optimal
pada frekuensi per jam di pasar valuta asing. Kertas kerja (2007)
Pring, M .: Analisis Teknis Dijelaskan: Panduan Investor Sukses untuk
Mencarikan Tren Investasi dan Titik Balik, edisi ketiga. McGraw-Hill,
New York (1985)
Ruiz, E., Pascual, L: Bootstrapping deret waktu keuangan. J. Econ. Surv. 16,
(2002)
Savin, G., Weller, P., Zvingelis, J .: Kekuatan prediksi pola harga head-and-
shoulders di pasar saham AS. J. Finan. Econ. 5, 243-265 (2007)
338
Claudio Pizzi
Abstrak. Dalam tulisan ini, konsep kointegrasi linier seperti yang diperkenalkan
oleh Engle dan Granger [5] digabung menjadi paradigma lokal. Mengadopsi
pendekatan lokal memungkinkan tercapainya model koreksi kesalahan lokal yang
dicirikan oleh parameter dinamis. Hasil penting lainnya yang diperoleh dengan
menggunakan paradigma lokal adalah bahwa mekanisme yang mengarahkan
339
sistem dinamis kembali ke kondisi tunak tidak lagi konstan: itu adalah fungsi yang
tidak didefinisikan a priori tetapi diperkirakan poin demi poin.
Kata kunci: nonlinier, kointegrasi, model polinomial lokal
1. Perkenalan
Salah satu tujuan dari analisis statistik dari serangkaian waktu adalah untuk
memungkinkan peneliti untuk membangun representasi yang disederhanakan dari
proses penghasil data (DGP) dan / atau hubungan antara fenomena yang berbeda
yang diteliti. Metode untuk mengidentifikasi dan memperkirakan model-model ini
didasarkan pada asumsi stasioneritas DGP. Namun demikian, asumsi ini sering
dilanggar ketika mempertimbangkan fenomena keuangan, misalnya harga saham,
suku bunga, nilai tukar, dan sebagainya. Rangkaian waktu keuangan biasanya
menyajikan non-stasioneritas dari orde pertama jika tidak lebih tinggi.
Dalam kasus konstruksi model regresif, kehadiran akar unit dalam deret waktu
berarti perhatian harus diberikan pada kointegrasi yang mungkin di antara
variabel-variabel tersebut.
Ide kointegrasi, yang mencirikan hubungan jangka panjang antara dua (atau
beberapa) rangkaian waktu, dapat diwakili dengan memperkirakan vektor
parameter dan dapat digunakan untuk membangun model dinamis yang
memungkinkan hubungan jangka panjang dan juga beberapa transisi pendek
informasi -run untuk disorot. Hal ini memungkinkan representasi model koreksi
kesalahan yang dapat dianggap sebagai sistem dinamis yang dicirikan oleh fakta
bahwa setiap keberangkatan dari kondisi mantap menghasilkan dinamika jangka
pendek.
Konsep kointegrasi linier yang diperkenalkan oleh Engle dan Granger [5] telah
banyak diperdebatkan dalam literatur dan banyak yang telah dipublikasikan pada
topik ini. Itu Minat peneliti terutama telah disetel untuk masalah memperkirakan
hubungan cointe-gration (perlu disebutkan, antara lain, Johansen [8], Saikko-nen
[18], Stock dan Watson [21] Johansen [9] dan Strachan dan Inder [22]) dan
membangun uji statistik untuk memverifikasi keberadaan hubungan semacam itu.
340
Tes pertama yang disarankan oleh Engle dan Granger [5] diikuti oleh tes yang
diajukan oleh Stock dan Watson [20] untuk mengidentifikasi tren umum dalam
rangkaian waktu yang dinilai. Setelah mereka, Phillips dan Ouliaris [15]
mengembangkan tes berdasarkan pada prinsip utama metode, diikuti oleh tes pada
residual model regresi [14]. Johansen [8] malah mengusulkan tes berdasarkan
rasio kemungkinan.
Ide dari kointegrasi linier kemudian telah diperluas untuk mempertimbangkan
beberapa jenis nonlinier. Beberapa strain penelitian dapat diidentifikasi dengan
latar belakang ini. Satu menunjukkan bahwa mekanisme respon terhadap
keberangkatan dari kondisi mantap mengikuti proses autoregresif ambang (lihat
misalnya pekerjaan oleh Balke dan Fomby [1]). Berkenaan dengan tes statistik
untuk menilai kehadiran kointegrasi ambang, lihat misalnya Hansen dan
Byeongseon [7].
Strain kedua menganggap kointegrasi fraksional: di antara banyak kontribusi,
kami ingin mengingat Cheung dan Lai [3], Robinson dan Marin-ucci [16],
Robinson dan Hualde [17] dan Caporale dan Gil-Alana [2].
Akhirnya, Granger dan Yoon [6] memperkenalkan konsep kointegrasi
tersembunyi yang membayangkan jawaban sistem asimetris, yaitu mekanisme
yang memandu sistem ke kondisi mantap hanya aktif di hadapan guncangan
positif atau negatif, tetapi tidak dari keduanya. . Pekerjaan Schorderet [19]
menindaklanjuti ide ini dan menyarankan prosedur untuk memverifikasi
keberadaan kointegrasi tersembunyi.
Dari sudut pandang yang lebih umum, Park dan Phillips [12] menganggap regresi
non-linear dengan proses yang terintegrasi, sementara Lee et al. [11] menyoroti
keberadaan hubungan nonlinear palsu.Sementara itu perkembangan lebih lanjut
merenungkan mekanisme penyesuaian keseimbangan dipandu oleh kekuatan
lemah yang tidak dapat diamati, di mana bacaan lebih lanjut tersedia, oleh
Pellizzari et al. [13].
Pekerjaan ini adalah bagian dari strain penelitian terakhir dan menyarankan jalan
untuk model linier lokal (LLM) untuk membangun tes untuk kointegrasi
nonlinier. Memang, penggunaan model lokal memiliki keuntungan karena tidak
341
1. Kesimpulan
Dalam tulisan ini kami mempertimbangkan masalah Alokasi Aset Dinamis
Optimal. Diberikan
serangkaian target menetapkan bahwa investor menginginkan portofolionya tetap
berada di dalam, the
strategi optimal disintesis untuk memaksimalkan probabilitas gabungan
pemenuhan
persyaratan investasi. Pendekatan ini tidak mengasumsikan distribusi spesifik apa
pun
untuk dinamika stokastik kelas aset, sehingga sangat menarik untuk diobati
kelas aset non-Gaussian. Masalah kontrol optimal yang diusulkan telah
dipecahkan oleh
memanfaatkan hasil pada invarian stochastic. Solusi optimal menunjukkan
seorang kontrarian
sikap, sehingga berkinerja sangat baik di pasar berosilasi.
342
C B E
corr to C 1 0.0633 0.0207
corr to B 0.0633 1 −0.0236
corr to E 0.0207 −0.0236 1
Probabilitas transisi adalah seragam dan probabilitas tanpa syarat Negara 1 adalah
98%. Model MMGM di atas benar mewakili statistik univariat dari
kelas aset hingga urutan keempat (seperti yang dijelaskan pada Tabel 1) dan
hingga urutan kedua
mengenai pola korelasi.
Referensi
343
ditambah posisi panjang pada put option yang ditulis pada akun yang
diasuransikan. Ada dua kata sambutan pesanan: pertama, pemegang polis
memiliki jumlah yang sama seolah-olah dia berinvestasi dalam keuangan pasar
(disisihkan biaya), tetapi memiliki asuransi untuk mendapatkan lebih banyak,
karena opsi put.Kedua, karena T adalah r.v., pilihannya bukan vanilla melainkan
opsi yang tanggal latihan itu sendiri acak (kematian pemegang polis). Yang lain
berbeda dengan analogi pilihan terletak pada kenyataan bahwa dalam hal ini ada
.tidak ada pembayaran di muka. Dalam kontrak ini, investor membayar jaminan
dengan angsuran.Biaya yang dibayarkan merupakan apa yang disebut biaya risiko
M & E. Kami menganggap mereka terus menerus dikurangkan dari akun
pemegang polis pada tingkat proporsional kontraktual Lebih tepatnya, kami
menganggap bahwa dalam interval waktu (t, t + dt), asuransi jiwa perusahaan
menerima? St dt sebagai penghasilan instan. Kami menunjukkan dengan F
kumulatif potongan harga. Fτ adalah biaya akumulasi yang didiskon hingga waktu
τ, yang bisa menjadi a menghentikan waktu untuk proses harga subaccount S.
Kontrak juga dapat dirancang
untuk membatasi tingkat g yang dijamin; dalam literatur VA, ini dikenal sebagai
pembatasan lantai naik.
Persamaan Utama Di bawah pilihan ukuran netral risiko Q, harga wajar opsi
GMDB adalah demikian
G (?) = EQ
δT (S0egT - ST)
dan pada kondisi kehidupan masa depan yang diasuransikan,
G (?) = EQ
EQ
δT (S0egT - ST)
+ | T = t
$
, (4)
yang - dengan mempertimbangkan tanggal kadaluwarsa kontrak - memberi:
G (?) = fx (t) EQ
347
δT (S0egT - ST)
+ | T = tdt. (5)
Jika FT menunjukkan nilai diskon dari semua biaya yang dikumpulkan hingga
waktu T, nilai wajar biaya M & E dapat ditulis
ME (?) = EQ [FT],
yang setelah pengkondisian juga memberi:
ME (?) = EQ
?
EQ [FT | T = t]. (6)
Karena perlindungan hanya dipicu oleh kematian pemegang polis, endogen
harga ekuilibrium dari biaya adalah solusi dalam?, jika ada, dari persamaan
berikut
G (?) = ME (?). (7)
Ini adalah persamaan kunci dari artikel ini. Untuk mengatasinya kita harus
mendefinisikan investor
dinamika akun, membuat asumsi pada proses S, dan, tentu saja, pada kematian.
Hasil yang ditampilkan pada Tabel 3 menunjukkan bahwa tingkat suku bunga
stochastic memiliki yang luar biasa
berdampak pada nilai wajar biaya risiko asuransi tahunan di seluruh usia
pembelian.
Tabel 3 menunjukkan bahwa pembeli pria 60 tahun dapat diminta untuk
membayar biaya risiko
349
Tabel 3. Stochastic interest rates impact, pemegang polis laki-laki; g = 5%, batas
200%
Tabel 5. Dampak mortalitas pada biaya risiko asuransi tahunan (bp), AS; g = 5%,
batas 200%
suku bunga stochastic tetapi mengubah model kematian menjadi Makeham.
Gambar 1
menampilkan biaya asuransi risiko tahunan sehubungan dengan usia pembelian di
AS.
Dari usia 30 tahun hingga sekitar 60 tahun, biaya risiko terus meningkat di semua
model. Ini menurun tajam setelah kontrak berakhir.
351
Dua kurva yang lebih rendah ini sangat mirip dengan struktur jangka waktu
tertentu dari bunga tersebutpengaturan tingkat. Efek lompatan kurang diucapkan
daripada efek tingkat bunga stokastikseperti yang diwakili oleh dua kurva atas.
Pita tipis di mana kurva atas inikebohongan menunjukkan bahwa perubahan
model kematian juga memiliki dampak yang jauh lebih kecil daripadasifat
stochastic suku bunga.
Seperti yang dilaporkan pada Tabel 5, dan ditampilkan pada Gambar 1, perilaku
asuransibiaya risiko sehubungan dengan usia adalah jenis yang sama, apa pun
model yang dipertimbangkan.Namun, dalam tipe ini, perbedaan bisa dilihat.
Pertama, efek thejump saja tidakmengubah biaya sangat banyak tetapi ada lebih
banyak perbedaan ketika suku bunga stochastic
Dampak mortalitas −− AS
diperkenalkan. Dalam hal ini, bayarannya lebih tinggi. Kedua, pilihan kematian
model tidak memiliki dampak yang signifikan.
352
5. Kesimpulan
Untuk menganalisis efek dari risiko lonjakan, tingkat bunga dan kematian
stochastic pada GMDB,makalah ini mengasumsikan proses difusi lompatan
tertentu, yaitu proses Kou, untukkembalinya subaccount pemegang polis dan
struktur suku bunga Vasicek,
sedangkan mortalitasnya adalah tipe Gompertz atau Makeham. Nilai wajar
kontrak adalahdiperoleh dengan menggunakan metodologi berdasarkan analisis
Fourier umum. Itu ditunjukkan itudampak terbesar di antara ketiga faktor risiko
pada biaya GMDB adalah karena stokastiksuku bunga. Melompat dan kematian
memiliki pengaruh yang lebih kecil. Risiko asuransi yang adilbiaya ditemukan
secara signifikan lebih tinggi daripada Milevsky dan Posner [8] melaporkan,tetapi
masih di bawah biaya yang dibutuhkan oleh perusahaan asuransi.
Referensi
1. Ballotta, L., Haberman, S: Masalah penilaian wajar dari opsi anuitas terjamin:
kasus lingkungan mortalitas stokastik. Insur. Matematika. Econ. 38, 195–214
(2006)
2. Bauer, D., Kling, A., Russ, J .: Kerangka harga universal untuk jaminan
minimum
manfaat dalam anuitas variabel. ASTIN Bull. 38, 621–651 (2008)
3. Boyarchenko, S., Levendorkiˇı, S .: Teori Non-Gaussian Merton-Black-
Scholes, vol. 9 dariAdvanced Series tentang Ilmu Statistik dan Probabilitas
Terapan. Dunia Ilmiah, London(2002)
4. Hardy, M .: Jaminan Investasi: Pemodelan dan Manajemen Risiko untuk
Hubungan EkuitasAsuransi jiwa. John Wiley, New Jersey (2003)
5. Kou, S.G .: Model jump-diffusion untuk penentuan harga opsi. Manag. Sci. 48,
1086-1101 (2002)
6. Le Courtois, O., Quittard-Pinon, F: Nilai wajar dari kontrak asuransi jiwa yang
berpartisipasidengan risiko lompat. Geneva Risk Insur. Pny. 33, 106–136 (2008)
7. Melnikov, A., Romaniuk, Y .: Mengevaluasi kinerja Gompertz, Makeham dan
Model kematian Lee-Carter untuk manajemen risiko dengan kontrak unit-linked.
Insur. Matematika.Econ. 39, 310–329 (2006)
353
Korporasi oleh McIntyre [3]. Secara keseluruhan, survei literatur ini menunjukkan
bahwa
pendekatan dominan untuk memperkirakan solvabilitas perusahaan asuransi
deposito adalah penggunaan kredit
model simulasi risiko dan tampaknya wajar untuk mengikuti praktik ini. Namun,
sebelumnya
melanjutkan, tampaknya tepat untuk mengidentifikasi opsi metodologis
Untuk memperkirakan distribusi permintaan untuk subsidi oleh serikat kredit, dua
teknik muncul mungkin. Jika data agregat digunakan, itu mungkin untuk
menyesuaikan
distribusi statistik teoritis ke distribusi historis. Namun jika terpilah
data digunakan, model simulasi Monte Carlo akan lebih tepat untuk
memperkirakan distribusi permintaan untuk subsidi.
Jika data agregat digunakan, 25 tahun data akan tersedia. Di sisi lain
tangan, jika data terpilah digunakan, hanya tujuh tahun data akan tersedia.
Jika distribusi statistik teoritis digunakan, model akan statis dan
horison satu tahun secara logis akan mengikuti dari periode pengamatan tahunan
data historis. Jika model simulasi digunakan, dinamika keuangan kredit
serikat pekerja dan dana penjaminan itu sendiri dapat dimodelkan dan lintasan
dari waktu ke waktu
bisa dibangun. Dalam hal ini, cakrawala 15 tahun dianggap relevan
dua pilihan kutub, yaitu pendekatan yang sangat teragregasi dan sangat terpilah-
pilah
pendekatan. Tabel 1 merangkum karakteristik masing-masing dari dua pendekatan
ini.
Itu dianggap menarik untuk menerapkan dua pendekatan yang sangat berbeda dan
untuk mengamati
apakah mereka akan menyatu atau tidak dengan hasil yang serupa. Jika kesamaan
diperoleh,
maka efek lintas-validasi akan meningkatkan kepercayaan pada hasil. Jika
ketidaksamaan
J. Roy
Tabel 1. Karakterisasi dari dua pendekatan yang dipilih untuk implementasi
4 Pendekatan agregat
Di bawah pendekatan ini, permintaan agregat untuk subsidi oleh serikat kredit
akan
359
ke data historis. Dengan distribusi ini di tangan, satu sekarang perlu mengevaluasi
probabilitas bahwa permintaan untuk subsidi lebih rendah daripada tingkat modal
saat ini.
Harus diingat bahwa nilai-nilai historis telah terjadi dalam rentang interval
dari 0 hingga 20,8 basis poin. Di sisi lain, tingkat modal saat ini adalah 66,2
bp. Dengan demikian seseorang harus mengekstrapolasikan distribusi ke titik
yang lebih dari tiga
kali lebih besar dari nilai terbesar yang pernah diamati. Dengan kesadaran akan
fakta ini, kami
melanjutkan untuk mengevaluasi tiga distribusi diperkirakan pada titik yang
sesuai dengan
tingkat modal saat ini. Tabel 3 menyajikan hasil yang diperoleh bersama
dengan peringkat tersirat menurut skala S & P dan Moody's.
361
Seperti dapat diamati, distribusi Weibull dan Gamma memberi sangat mirip hasil,
sedangkan distribusi log-normal menunjukkan probabilitas default yang lebih
tinggi dan karenanya peringkat risiko kredit yang lebih rendah. Di bawah dua
distribusi pertama, garansi dana mencapai peringkat triple A yang tersirat dengan
sangat mudah karena probabilitas default kurang dari 1 basis point sudah cukup
untuk mendapatkan rating ini. Dengan demikian, pendekatan agregat telah
memungkinkan estimasi solvabilitas dari dana. Menerima asumsi yang diakui
kuat, dua dari tiga teoritis distribusi menyebabkan evaluasi yang sangat kuat
terhadap solvabilitas dana, yang ketiga distribusi yang menunjukkan posisi dana
yang agak lemah.
5 Pendekatan terpilah
Di bawah pendekatan terpilah, laporan pendapatan dari masing-masing serikat
kredit disimulasikan
menggunakan enam variabel stokastik: yaitu, pendapatan bunga bersih, kerugian
pinjaman, lainnya
362
kebijakan untuk premidimodelkan sebagai dasar atau santai. Tabel 4 di bawah ini
menunjukkan hasil untuk masing-masingempat kasus. Probabilitas diperkirakan
selama 15 tahun horison dikonversike cakrawala satu tahun seperti cakrawala
yang terakhir ini yang digunakan untuk referensi berdasarkan penilaian
lembaga seperti S & P dan Moody’s.Sangat mengejutkan bahwa di bawah dua
skenario kasus dasar, tingkat kepailitan adalahjauh lebih rendah dari satu basis
poin, sehingga memungkinkan peringkat kredit tersirat dari AAA kediberikan
kepada dana. Di bawah dua kasus yang ditekankan, tingkat solvabilitas
dekatambang batas diperlukan untuk mendapatkan peringkat triple A. Secara
keseluruhan, model simulasi mengarah kekeyakinan bahwa solvabilitas dana
memang sangat bagus.
distribusi, semua hasil lainnya pada dasarnya berada dalam kisaran yang sama.
Satu keuntungan yang jelas
model simulasi adalah memungkinkan analisis kasus hipotetis, seperti yang
dilakukan
dalam tiga skenario terakhir dipertimbangkan. Jadi, untuk membuat perbandingan
yang adil antara
pendekatan distribusi statistik dan pendekatan simulasi harus menggunakan yang
pertama
diperoleh.
7 Dampak keuangan dari penelitian
Studi ini memimpin pengelolaan dana untuk mengambil beberapa tindakan
signifikan. Pertama,
rasio modal target, yang sebelumnya ditetapkan menjadi 1% dari aset agregat dari
credit unions, diturunkan ke interval antara 0,55% dan 0,65%, pada dasarnya
sesuai dengan tingkat modal saat ini 0,62%. Kedua, manajemen memutuskan
untuk menurunkan premi yang dibebankan ke serikat kredit. Akhirnya, setoran
dilakukan pada salah satu
serikat kredit dari Desjardins Asuransi juga dijamin oleh setoran publik
perusahaan asuransi yang dikelola oleh Otoritas Pasar Keuangan Quebec (FMA)
dimana
Mouvement Desjardins harus membayar premi tahunan. Studi solvabilitas yang
kami
telah dijelaskan di atas disajikan kepada FMA untuk meminta pengurangan premi
dan setelah pemeriksaan yang cermat, FMA memberikan pengurangan yang
sangat signifikan. Demikian,
orang dapat membantah bahwa penelitian tersebut mencapai tujuannya. Pertama,
ia menyediakan manajemen
guaranteey fund dengan informasi yang diminta, yang merupakan perkiraan yang
beralasan
solvabilitas dana. Kedua, penilaian solvabilitas yang sangat menguntungkan
manajemen diizinkan untuk mengambil beberapa tindakan untuk menuai manfaat
dari negara yang sangat baik
solvabilitas dana.
G. Villani
dua gerakan Brownian di bawah ukuran probabilitas risiko-netral ∼
Q dan Z adalah
gerakan Brownian di bawah ∼
Q independen dari Zˆ d. Dengan gerakan Brownian didefinisikan
dalam Persamaan (11) dan (12), kita dapat menulis ulang Persamaan (7) untuk P
aset di bawah
probabilitas risiko-netral ∼
T. Jadi hasilnya:
370
G. Villani
Tabel 2. Harga simulasi Opsi Bursa Eropa Majemuk (CEEO)
G. Villani [0,90, 1] dan ukuran sampelnya adalah sekitar 440.000. Kita dapat
mengamati bahwa ini bertingkat sampel dapat menjelaskan peningkatan efisiensi
sekitar 23. 6 Kesimpulan Dalam makalah ini kami telah menunjukkan generalisasi
dari metode antithetic dan asampling prosedur untuk menilai opsi pertukaran
meningkat pada simulasi Monte Carlo. Menggunakan aset pengiriman D sebagai
numeraire, kami telah mengurangi bi-dimensi evaluasi untuk satu variabel
Stochastic P yaitu rasio antara aset V dan D. Tetapi evolusi tertentu dari aset P
membutuhkan prosedur sampling baru untuk berkonsentrasi simulasi dalam
rentang di mana P lebih sensitif untuk mengurangi perbedaan. Kertas dapat
ditingkatkan memilih ∗ untuk meminimalkan varians simulasi melalui proses
endogenik. Untuk mewujudkan tujuan ini, simulasi singkat, untuk memperkirakan
beberapa a yang optimal, dan kemudian ∗ -stratifikasi, dapat digunakan.