Diverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet
|
|
- Alajos Szőke
- 5 évvel ezelőtt
- Látták:
Átírás
1 Operációkutatás I. 2017/ Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás
2 Portfólió probléma
3 Portfólió probléma
4 Portfólió probléma Adott részvények (kötvények,tevékenységek, stb.) egy halmaza
5 Portfólió probléma Adott részvények (kötvények,tevékenységek, stb.) egy halmaza Kérdés: Hogyan álĺıtsunk össze belőlük portfóliót?
6 Portfólió probléma Adott részvények (kötvények,tevékenységek, stb.) egy halmaza Kérdés: Hogyan álĺıtsunk össze belőlük portfóliót? Egy r részvénybe való befektetés várható hozama legyen: E(r) (A befektetés hozamának múltbéli megfigyeléseiből számított várható érték)
7 Portfólió probléma Adott részvények (kötvények,tevékenységek, stb.) egy halmaza Kérdés: Hogyan álĺıtsunk össze belőlük portfóliót? Egy r részvénybe való befektetés várható hozama legyen: E(r) (A befektetés hozamának múltbéli megfigyeléseiből számított várható érték) Cél: Maximális hozamú portfólió összeálĺıtására n darab befektetés esetén
8 Portfólió probléma Adott részvények (kötvények,tevékenységek, stb.) egy halmaza Kérdés: Hogyan álĺıtsunk össze belőlük portfóliót? Egy r részvénybe való befektetés várható hozama legyen: E(r) (A befektetés hozamának múltbéli megfigyeléseiből számított várható érték) Cél: Maximális hozamú portfólió összeálĺıtására n darab befektetés esetén Feĺırható egy LP feladat:
9 Portfólió probléma Adott részvények (kötvények,tevékenységek, stb.) egy halmaza Kérdés: Hogyan álĺıtsunk össze belőlük portfóliót? Egy r részvénybe való befektetés várható hozama legyen: E(r) (A befektetés hozamának múltbéli megfigyeléseiből számított várható érték) Cél: Maximális hozamú portfólió összeálĺıtására n darab befektetés esetén Feĺırható egy LP feladat: n x i = 1 i=1 x i 0 n max E(r i )x i i=1 [tőke] [r i -be fektetett rész] [várható nyereség]
10 Portfólió probléma Ha E(r 1 ) E(r 2 )... E(r n ) (ez feltehető), akkor az optimális megoldás x 1 = 1, x 2 = = x n = 0, a nyereség pedig E(r 1 ).
11 Portfólió probléma Ha E(r 1 ) E(r 2 )... E(r n ) (ez feltehető), akkor az optimális megoldás x 1 = 1, x 2 = = x n = 0, a nyereség pedig E(r 1 ). Általában igaz, ha ezt a stratégiát ismételjük, akkor 1 valószínűséggel csődbe megyünk.
12 Portfólió probléma Ha E(r 1 ) E(r 2 )... E(r n ) (ez feltehető), akkor az optimális megoldás x 1 = 1, x 2 = = x n = 0, a nyereség pedig E(r 1 ). Általában igaz, ha ezt a stratégiát ismételjük, akkor 1 valószínűséggel csődbe megyünk. többféle próbálkozás született (sőt, a terület most is nagyon aktív) a megoldásra. Ebből kettőt vizsgálunk:
13 Portfólió probléma Ha E(r 1 ) E(r 2 )... E(r n ) (ez feltehető), akkor az optimális megoldás x 1 = 1, x 2 = = x n = 0, a nyereség pedig E(r 1 ). Általában igaz, ha ezt a stratégiát ismételjük, akkor 1 valószínűséggel csődbe megyünk. többféle próbálkozás született (sőt, a terület most is nagyon aktív) a megoldásra. Ebből kettőt vizsgálunk: 1 Markowitz-modell, 1952; Nobel-díj 1990
14 Portfólió probléma Ha E(r 1 ) E(r 2 )... E(r n ) (ez feltehető), akkor az optimális megoldás x 1 = 1, x 2 = = x n = 0, a nyereség pedig E(r 1 ). Általában igaz, ha ezt a stratégiát ismételjük, akkor 1 valószínűséggel csődbe megyünk. többféle próbálkozás született (sőt, a terület most is nagyon aktív) a megoldásra. Ebből kettőt vizsgálunk: 1 Markowitz-modell, 1952; Nobel-díj MAD modell (Konno-Yamazaki, 1990)
15 Portfólió probléma példa Legyen egy r részvénybe való befektetés kockázata D(r) (A befektetés hozamának múltbéli megfigyeléseiből számított szórás).
16 Portfólió probléma példa Legyen egy r részvénybe való befektetés kockázata D(r) (A befektetés hozamának múltbéli megfigyeléseiből számított szórás). Tekintsük a következő befektetések hozamait az utóbbi 3 évben: 1. év 2. év 3. év Ingatlan Értékpapír
17 Portfólió probléma példa Legyen egy r részvénybe való befektetés kockázata D(r) (A befektetés hozamának múltbéli megfigyeléseiből számított szórás). Tekintsük a következő befektetések hozamait az utóbbi 3 évben: 1. év 2. év 3. év Ingatlan Értékpapír A várható hozamok: E(r i ) = = 0.02 és E(r e ) = = 0.02
18 Portfólió probléma példa Legyen egy r részvénybe való befektetés kockázata D(r) (A befektetés hozamának múltbéli megfigyeléseiből számított szórás). Tekintsük a következő befektetések hozamait az utóbbi 3 évben: 1. év 2. év 3. év Ingatlan Értékpapír A várható hozamok: E(r i ) = = 0.02 és E(r e ) = = 0.02 A kockázatok: D(r i ) = D(r e ) = ( ) 2 +( ) 2 +( ) és ( ) 2 +( ) 2 +( )
19 Portfólió probléma példa Ha a tőkénk 75%át ingatlanba, 25%-át kötvénybe fektetjük, akkor a portfólió hozama:
20 Portfólió probléma példa Ha a tőkénk 75%át ingatlanba, 25%-át kötvénybe fektetjük, akkor a portfólió hozama: E(r p ) = ( ) = ( )/3 = 0.02 az egyes években való hozamokat átlagolva. 3 + ( ) 3 + ( ) 3 =
21 Portfólió probléma példa Ha a tőkénk 75%át ingatlanba, 25%-át kötvénybe fektetjük, akkor a portfólió hozama: E(r p ) = ( ) = ( )/3 = 0.02 az egyes években való hozamokat átlagolva. 3 + ( ) 3 + ( ) 3 = A portfólió kockázata: ( ) D(r p ) = 2 +( ) 2 +( )
22 Portfólió probléma példa Ha a tőkénk 75%át ingatlanba, 25%-át kötvénybe fektetjük, akkor a portfólió hozama: E(r p ) = ( ) = ( )/3 = 0.02 az egyes években való hozamokat átlagolva. 3 + ( ) 3 + ( ) 3 = A portfólió kockázata: ( ) D(r p ) = 2 +( ) 2 +( ) A befektetések átlagos kockázata: = 0.068
23 Portfólió probléma példa Ha a tőkénk 75%át ingatlanba, 25%-át kötvénybe fektetjük, akkor a portfólió hozama: E(r p ) = ( ) = ( )/3 = 0.02 az egyes években való hozamokat átlagolva. 3 + ( ) 3 + ( ) 3 = A portfólió kockázata: ( ) D(r p ) = 2 +( ) 2 +( ) A befektetések átlagos kockázata: = a diverzifikáció csökkenti a kockázatot
24 Portfólió probléma példa 1. év 2. év 3. év Ingatlan Értékpapír
25 Portfólió probléma példa 1. év 2. év 3. év Ingatlan Értékpapír Kovariancia: két független (véletlen) változó (lineáris) együttmozgásának mértéke: C i,e = ( ) ( ) 3 + ( ) ( ) ( ) ( ) 3 = 0.005
26 Portfólió probléma példa 1. év 2. év 3. év Ingatlan Értékpapír Kovariancia: két független (véletlen) változó (lineáris) együttmozgásának mértéke: C i,e = ( ) ( ) 3 + ( ) ( ) ( ) ( ) 3 = Korreláció: normalizált kovariancia ρ i,e = = 0.84
27 Portfólió probléma példa 1. év 2. év 3. év Ingatlan Értékpapír Kovariancia: két független (véletlen) változó (lineáris) együttmozgásának mértéke: C i,e = ( ) ( ) 3 + ( ) ( ) ( ) ( ) 3 = Korreláció: normalizált kovariancia ρ i,e = = ρ 1 ρ > 0 azonos irányú együttmozgás ρ = 0 nincs együttmozgás ( függetlenség, de függetlenség) ρ < 0 ellentétes irányú együttmozgás
28 Portfólió probléma példa 1. ábra. Coca-Cola és Procter&Gamble részvények árfolyama árfolyama 1990-ben
29 Portfólió probléma Markowitz-modell Mindez általánosan:
30 Portfólió probléma Markowitz-modell Mindez általánosan: (r 1, r 2,..., r n ) a portfólióban lévő részvények
31 Portfólió probléma Markowitz-modell Mindez általánosan: (r 1, r 2,..., r n ) a portfólióban lévő részvények x = (x 1, x 2,..., x n ) az egyes befektetések aránya a portfólióban
32 Portfólió probléma Markowitz-modell Mindez általánosan: (r 1, r 2,..., r n ) a portfólióban lévő részvények x = (x 1, x 2,..., x n ) az egyes befektetések aránya a portfólióban n i=1 x i = 1 és x i 0( i)
33 Portfólió probléma Markowitz-modell Mindez általánosan: (r 1, r 2,..., r n ) a portfólióban lévő részvények x = (x 1, x 2,..., x n ) az egyes befektetések aránya a portfólióban n i=1 x i = 1 és x i 0( i) Kockázat: variancia (szórásnégyzet a szórás helyett)
34 Portfólió probléma Markowitz-modell Mindez általánosan: (r 1, r 2,..., r n ) a portfólióban lévő részvények x = (x 1, x 2,..., x n ) az egyes befektetések aránya a portfólióban n i=1 x i = 1 és x i 0( i) Kockázat: variancia (szórásnégyzet a szórás helyett) Kovariancia mátrix: a részvények hozamainak páronkénti kovarianciáit tartalmazó mátrix C 11 C 12 C 1n C 21 C 22 C 1n C = C n1 C n2 C nn C ii = D 2 (r i ) = Var(r i )
35 Portfólió probléma Markowitz-modell A portfólió kockázata: ( n ) Var E(r i )x i = i=1 n ( n ) C ij x i x j = x T Cx i=1 j=1
36 Portfólió probléma Markowitz-modell A portfólió kockázata: ( n ) Var E(r i )x i = i=1 n ( n ) C ij x i x j = x T Cx i=1 j=1 Hatékony portfólió: hozama nem növelhető a kockázatának növekedése nélkül, illetve kockázata nem csökkenthető a várható hozamának csökkenése nélkül
37 Portfólió probléma Markowitz-modell A portfólió kockázata: ( n ) Var E(r i )x i = i=1 n ( n ) C ij x i x j = x T Cx i=1 j=1 Hatékony portfólió: hozama nem növelhető a kockázatának növekedése nélkül, illetve kockázata nem csökkenthető a várható hozamának csökkenése nélkül A hatékony portfólió egyfajta optimum: adott hozam mellett minimális kockázat adott kockázat mellett maximális hozam
38 Portfólió probléma Markowitz-modell Legyen R egy elvárt minimális hozamszint. Feĺırható egy kvadratikus programozási feladat:
39 Portfólió probléma Markowitz-modell Legyen R egy elvárt minimális hozamszint. Feĺırható egy kvadratikus programozási feladat: n E(r i )x i R i=1 n x i = 1 i=1 x i 0 i = 1,2,..., n min x T Cx
40 Portfólió probléma Markowitz-modell Legyen R egy elvárt minimális hozamszint. Feĺırható egy kvadratikus programozási feladat: n E(r i )x i R i=1 n x i = 1 i=1 x i 0 i = 1,2,..., n min x T Cx Azaz minimalizáljuk a kockázatot egy elvárt hozam elérése mellett. A feladat egy megoldását optimális portfóliónak nevezzük.
41 Portfólió probléma Markowitz-modell Néhány megjegyzés: 1 ha r = (r 1,..., r n) többváltozós normális eloszlást követ, akkor a két módszer ekvivalens
42 Portfólió probléma Markowitz-modell Néhány megjegyzés: kvadratikus célfüggvényű optimalizálási feladattal nem foglalkoztunk külön 1 ha r = (r 1,..., r n) többváltozós normális eloszlást követ, akkor a két módszer ekvivalens
43 Portfólió probléma Markowitz-modell Néhány megjegyzés: kvadratikus célfüggvényű optimalizálási feladattal nem foglalkoztunk külön vannak hatékony algoritmusok a megoldására 1 ha r = (r 1,..., r n) többváltozós normális eloszlást követ, akkor a két módszer ekvivalens
44 Portfólió probléma Markowitz-modell Néhány megjegyzés: kvadratikus célfüggvényű optimalizálási feladattal nem foglalkoztunk külön vannak hatékony algoritmusok a megoldására másik nehézség: C mátrix elemeinek számítása (becslése a múlt alapján) 1 ha r = (r 1,..., r n) többváltozós normális eloszlást követ, akkor a két módszer ekvivalens
45 Portfólió probléma Markowitz-modell Néhány megjegyzés: kvadratikus célfüggvényű optimalizálási feladattal nem foglalkoztunk külön vannak hatékony algoritmusok a megoldására másik nehézség: C mátrix elemeinek számítása (becslése a múlt alapján) helyette használhatjuk pl. az átlagos abszolút eltérés E( i (r i E(r i ))x i ) maximalizálását 1 1 ha r = (r 1,..., r n) többváltozós normális eloszlást követ, akkor a két módszer ekvivalens
46 MAD modell
47 MAD modell Mean Absolute Deviation
48 MAD modell Mean Absolute Deviation Konno és Yamazaki által kidolgozott modell a megfigyelt adatokat közvetlenül használja fel és elkerüli E(r i ) és C kiszámítását
49 MAD modell Mean Absolute Deviation Konno és Yamazaki által kidolgozott modell a megfigyelt adatokat közvetlenül használja fel és elkerüli E(r i ) és C kiszámítását Legyen T megfigyelésünk az n befektetésre és jelölje r it az i. befektetés hozamának t-edik megfigyelését
50 MAD modell Mean Absolute Deviation Konno és Yamazaki által kidolgozott modell a megfigyelt adatokat közvetlenül használja fel és elkerüli E(r i ) és C kiszámítását Legyen T megfigyelésünk az n befektetésre és jelölje r it az i. befektetés hozamának t-edik megfigyelését Vezessük be az alábbi jelöléseket r i = 1 T T r it és a it = r it r i t=1 azaz az átlagos megfigyelt hozam, és az egyes megfigyelések eltérése az átlagtól.
51 Portfólió probléma MAD modell A következő optimalizálási feladat írható fel: n r i x i R i=1 n x i = 1 i=1 x i 0 i = 1,2,..., n min 1 T T n a it x i t=1 i=1
52 Portfólió probléma MAD modell A következő optimalizálási feladat írható fel: n r i x i R i=1 n x i = 1 i=1 x i 0 i = 1,2,..., n min 1 T T n a it x i t=1 i=1 A feladat nem LP, de azzá alakítható!
53 Portfólió probléma MAD modell MAD modell LP-re átírva: n a it x i y t i=1 n a it x i y t i=1 n r i x i R i=1 n x i = 1 i=1 x i 0 y t 0 t = 1,2,..., T t = 1,2,..., T i = 1,2,..., n t = 1,2,..., T min 1 T T t=1 y t
54 Portfólió probléma szemi-mad modell
55 Portfólió probléma szemi-mad modell A MAD modell javítható
56 Portfólió probléma szemi-mad modell A MAD modell javítható A t. időpontban a portfólió becsült előjeles eltérése a várható hozamtól n n a it x i = (r it r i )x i i=1 A pozitív eltérés kedvező A negatív eltérés a problémás i=1
57 Portfólió probléma szemi-mad modell A MAD modell javítható A t. időpontban a portfólió becsült előjeles eltérése a várható hozamtól n n a it x i = (r it r i )x i i=1 A pozitív eltérés kedvező A negatív eltérés a problémás i=1 Vezessük be a következő jelölést { x x, x 0 = 0, x > 0 azaz a szám negatív része
58 Portfólió probléma szemi-mad modell A portfólió optimalizálás feĺırható a következő alakban n r i x i R i=1 n x i = 1 i=1 x i 0 i = 1,2,..., n min 1 T T n a it x i t=1 i=1
59 Portfólió probléma szemi-mad modell A portfólió optimalizálás feĺırható a következő alakban n r i x i R i=1 n x i = 1 i=1 x i 0 i = 1,2,..., n min 1 T T n a it x i t=1 i=1 Az LP-vé alakítás még egyszerűbb, mint a MAD esetében!
60 Portfólió probléma szemi-mad modell A semi-mad modell LP-re átírva: n a it x i y t i=1 n r i x i R i=1 n x i = 1 i=1 y t 0 x i 0 t = 1,2,..., T t = 1,2,..., T i = 1,2,..., n min 1 T T t=1 y t
61 Portfólió probléma MAD vs. szemi-mad Néhány megjegyzés:
62 Portfólió probléma MAD vs. szemi-mad Néhány megjegyzés: A két módszer nagyjából ekvivalens, ha az optimális portfóliók hozamainak eloszlása közel szimmetrikus
63 Portfólió probléma MAD vs. szemi-mad Néhány megjegyzés: A két módszer nagyjából ekvivalens, ha az optimális portfóliók hozamainak eloszlása közel szimmetrikus...ez nem szükségszerűen van így...
64 Portfólió probléma MAD vs. szemi-mad Néhány megjegyzés: A két módszer nagyjából ekvivalens, ha az optimális portfóliók hozamainak eloszlása közel szimmetrikus...ez nem szükségszerűen van így......ezért a szemi-mad hasznosabbnak tűnik, mert a várható számítási idő rövidebb
65 CAPM modell Capital Asset Pricing Model 2 = Tőkepiaci eszközök árazásának modellje 2 Treynor, Sharpe (Nobel díj), Lintner, Mossin
66 CAPM modell Capital Asset Pricing Model 2 = Tőkepiaci eszközök árazásának modellje A modell alapfeltételezései: 2 Treynor, Sharpe (Nobel díj), Lintner, Mossin
67 CAPM modell Capital Asset Pricing Model 2 = Tőkepiaci eszközök árazásának modellje A modell alapfeltételezései: 1 Tökéletes verseny ( nincsenek startégiai lépések az árfolyamok megváltoztatására) 2 Treynor, Sharpe (Nobel díj), Lintner, Mossin
68 CAPM modell Capital Asset Pricing Model 2 = Tőkepiaci eszközök árazásának modellje A modell alapfeltételezései: 1 Tökéletes verseny ( nincsenek startégiai lépések az árfolyamok megváltoztatására) 2 Költségmentes és azonnali információáramlás 2 Treynor, Sharpe (Nobel díj), Lintner, Mossin
69 CAPM modell Capital Asset Pricing Model 2 = Tőkepiaci eszközök árazásának modellje A modell alapfeltételezései: 1 Tökéletes verseny ( nincsenek startégiai lépések az árfolyamok megváltoztatására) 2 Költségmentes és azonnali információáramlás 3 Nincsenek adók és tranzakciós költségek 2 Treynor, Sharpe (Nobel díj), Lintner, Mossin
70 CAPM modell Capital Asset Pricing Model 2 = Tőkepiaci eszközök árazásának modellje A modell alapfeltételezései: 1 Tökéletes verseny ( nincsenek startégiai lépések az árfolyamok megváltoztatására) 2 Költségmentes és azonnali információáramlás 3 Nincsenek adók és tranzakciós költségek 4 Egyperiódusos modell 2 Treynor, Sharpe (Nobel díj), Lintner, Mossin
71 CAPM modell Capital Asset Pricing Model 2 = Tőkepiaci eszközök árazásának modellje A modell alapfeltételezései: 1 Tökéletes verseny ( nincsenek startégiai lépések az árfolyamok megváltoztatására) 2 Költségmentes és azonnali információáramlás 3 Nincsenek adók és tranzakciós költségek 4 Egyperiódusos modell 5 A befektetők kockázatkerülők, azonos az információhalmazuk 2 Treynor, Sharpe (Nobel díj), Lintner, Mossin
72 CAPM modell Capital Asset Pricing Model 2 = Tőkepiaci eszközök árazásának modellje A modell alapfeltételezései: 1 Tökéletes verseny ( nincsenek startégiai lépések az árfolyamok megváltoztatására) 2 Költségmentes és azonnali információáramlás 3 Nincsenek adók és tranzakciós költségek 4 Egyperiódusos modell 5 A befektetők kockázatkerülők, azonos az információhalmazuk 6 Csak (korlátlanul osztható) pénzügyi eszközök ( részvény, kötvény) 2 Treynor, Sharpe (Nobel díj), Lintner, Mossin
73 CAPM modell Capital Asset Pricing Model 2 = Tőkepiaci eszközök árazásának modellje A modell alapfeltételezései: 1 Tökéletes verseny ( nincsenek startégiai lépések az árfolyamok megváltoztatására) 2 Költségmentes és azonnali információáramlás 3 Nincsenek adók és tranzakciós költségek 4 Egyperiódusos modell 5 A befektetők kockázatkerülők, azonos az információhalmazuk 6 Csak (korlátlanul osztható) pénzügyi eszközök ( részvény, kötvény) 7 Mindenki számára azosan elérhető kockázatmentes kamatláb ( alapkamat) 2 Treynor, Sharpe (Nobel díj), Lintner, Mossin
74 CAPM modell Legyen a kockázatmentes kamatláb r f
75 CAPM modell Legyen a kockázatmentes kamatláb r f egy globális piaci (kockázatos) kamatláb r m
76 CAPM modell Legyen a kockázatmentes kamatláb r f egy globális piaci (kockázatos) kamatláb r m egy r i részvény (kockázatos) várható hozama E(r i )
77 CAPM modell Legyen a kockázatmentes kamatláb r f egy globális piaci (kockázatos) kamatláb r m egy r i részvény (kockázatos) várható hozama E(r i ) Sharpe: létezik egy β mennyiség úgy, hogy E(r i ) r f = β(e(r m ) r f ) ahol
78 CAPM modell Legyen a kockázatmentes kamatláb r f egy globális piaci (kockázatos) kamatláb r m egy r i részvény (kockázatos) várható hozama E(r i ) Sharpe: létezik egy β mennyiség úgy, hogy E(r i ) r f = β(e(r m ) r f ) ahol β = C r i,r f Var(r f ) = E(r ir f ) E(r i )E(r f ) E(r 2 f ) (E(r f ) 2
79 CAPM modell Legyen a kockázatmentes kamatláb r f egy globális piaci (kockázatos) kamatláb r m egy r i részvény (kockázatos) várható hozama E(r i ) Sharpe: létezik egy β mennyiség úgy, hogy E(r i ) r f = β(e(r m ) r f ) ahol β = C r i,r f Var(r f ) = E(r ir f ) E(r i )E(r f ) E(r 2 f ) (E(r f ) 2 E(r i ) r f : kockázati prémium E(r m ) r f : piaci prémium
80 CAPM modell Ha β = 0, akkor E(r i ) = r f Ha β = 1, akkor E(r i ) = E(r m ) E(r i ) a β lineáris függvénye: E(r i ) = r f + β(e(r m ) r f )
81 CAPM modell Ha β = 0, akkor E(r i ) = r f Ha β = 1, akkor E(r i ) = E(r m ) E(r i ) a β lineáris függvénye: E(r i ) = r f + β(e(r m ) r f ) Mi a kockázat? Számoljuk ki Var(r i )-t. Legyen r i = r f + β(e(r m ) r f ) + ε azaz
82 CAPM modell Ha β = 0, akkor E(r i ) = r f Ha β = 1, akkor E(r i ) = E(r m ) E(r i ) a β lineáris függvénye: E(r i ) = r f + β(e(r m ) r f ) Mi a kockázat? Számoljuk ki Var(r i )-t. Legyen r i = r f + β(e(r m ) r f ) + ε azaz ε = r i r f β(e(r m ) r f ) a tényleges és várható hozam közti eltérés.
83 CAPM modell Ha β = 0, akkor E(r i ) = r f Ha β = 1, akkor E(r i ) = E(r m ) E(r i ) a β lineáris függvénye: E(r i ) = r f + β(e(r m ) r f ) Mi a kockázat? Számoljuk ki Var(r i )-t. Legyen azaz r i = r f + β(e(r m ) r f ) + ε ε = r i r f β(e(r m ) r f ) a tényleges és várható hozam közti eltérés. Kiszámolható, hogy E(ε) = 0, tovább az is, hogy C rm,ε = 0 (hf.), azaz a hibatag és piaci (portfolió) hozam korrelálatlan.
84 CAPM modell A korrelálatlanság miatt Var(r i ) = β 2 Var(r m ) + Var(ε).
85 CAPM modell A korrelálatlanság miatt Var(r i ) = β 2 Var(r m ) + Var(ε). Itt β 2 Var(r m ) a szisztematikus (elkerülhetetlen) kockázat Var(ε) alkalmi (diverzifikálható) kockázat
86 CAPM modell A korrelálatlanság miatt Var(r i ) = β 2 Var(r m ) + Var(ε). Itt β 2 Var(r m ) a szisztematikus (elkerülhetetlen) kockázat Var(ε) alkalmi (diverzifikálható) kockázat Azaz β tulajdonképpen a rendszerszintű, vagy piaci kockázatát méri az adott részvénynek.
87 CAPM modell A korrelálatlanság miatt Var(r i ) = β 2 Var(r m ) + Var(ε). Itt β 2 Var(r m ) a szisztematikus (elkerülhetetlen) kockázat Var(ε) alkalmi (diverzifikálható) kockázat Azaz β tulajdonképpen a rendszerszintű, vagy piaci kockázatát méri az adott részvénynek. β a múltbeli adatokból, az átlag, a variancia és a kovariancia szokásos statisztikai becsléseivel számolható
88 CAPM modell E(r i ) = r f + β(e(r m ) r f ) egy egyenest ad meg 2. ábra. A β és az ún. security market line :
A portfólió elmélet általánosításai és következményei
A portfólió elmélet általánosításai és következményei Általánosan: n kockázatos eszköz allokációja HOZAM: KOCKÁZAT: variancia-kovariancia mátrix segítségével! ) ( ) ( ) / ( ) ( 1 1 1 n s s s p t t t s
RészletesebbenKockázatos pénzügyi eszközök
Kockázatos pénzügyi eszközök Tulassay Zsolt zsolt.tulassay@uni-corvinus.hu Tőkepiaci és vállalati pénzügyek 2006. tavasz Budapesti Corvinus Egyetem 2006. március 1. Motiváció Mi a fő különbség (pénzügyi
RészletesebbenA Markowitz modell: kvadratikus programozás
A Markowitz modell: kvadratikus programozás Losonczi László Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar Debrecen, 2011/12 tanév, II. félév Losonczi László (DE) A Markowitz modell 2011/12 tanév,
RészletesebbenA Markowitz modell: kvadratikus programozás
A Markowitz modell: kvadratikus programozás Harry Markowitz 1990-ben kapott Közgazdasági Nobel díjat a portfolió optimalizálási modelljéért. Ld. http://en.wikipedia.org/wiki/harry_markowitz Ennek a legegyszer
RészletesebbenTőkepiaci árfolyamok modellje és a hatékony piacok elmélete. Molnár Márk 2006. március 8.
Tőkepiaci árfolyamok modellje és a hatékony piacok elmélete Molnár Márk 2006. március 8. Tartalom A tőkepiaci árfolyamok modellje (CAPM) Hatékony piacok elmélete (EMH) 2 Miért tart minden befektető piaci
RészletesebbenA tıke alternatívaköltsége. Ingatlanfinanszírozás és befektetés. up módszer. Hatékony portfóliók. Portfólió. Becslés a piaci tapasztalatok alapján
A tıke alternatívaköltsége Ingatlanfinanszírozás és befektetés efektetési portfóliók r, R A várható hozam kifejezi a várható kockázat mértékét ecslése: uild-up up módszerrel, Piaci tapasztalatok alapján,
RészletesebbenVállalkozási finanszírozás kollokvium
Harsányi János Főiskola Gazdaságtudományok tanszék Vállalkozási finanszírozás kollokvium E Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 43 50 pont jeles 35 42 pont jó 27 34 pont közepes 19 26
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat
RészletesebbenTársaságok pénzügyei kollokvium
udapesti Gazdasági Főiskola Pénzügyi és Számviteli Főiskolai Kar udapesti Intézet Továbbképzési Osztály Társaságok pénzügyei kollokvium F Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 55 60 pont
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/
Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenVállalkozási finanszírozás kollokvium
Harsányi János Főiskola Gazdaságtudományok tanszék Vállalkozási finanszírozás kollokvium Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 47 55 pont jeles 38 46 pont jó 29 37 pont közepes 20 28
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenVállalkozási finanszírozás kollokvium
Harsányi János Főiskola Gazdaságtudományok tanszék Vállalkozási finanszírozás kollokvium Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 47 55 pont jeles 38 46 pont jó 29 37 pont közepes 20 28
RészletesebbenA vállalati pénzügyi döntések fajtái
A vállalati pénzügyi döntések fajtái Hosszú távú finanszírozási döntések Befektetett eszközök Forgóeszközök Törzsrészvények Elsőbbségi részvények Hosszú lejáratú kötelezettségek Rövid lejáratú kötelezettségek
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
Részletesebben14 A Black-Scholes-Merton modell. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull
14 A Black-choles-Merton modell Copyright John C. Hull 01 1 Részvényárak viselkedése (feltevés!) Részvényár: μ: elvárt hozam : volatilitás Egy rövid Δt idő alatt a hozam normális eloszlású véletlen változó:
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenVállalkozási finanszírozás kollokvium
Harsányi János Főiskola Gazdálkodási és Menedzsment Intézet Vállalkozási finanszírozás kollokvium G Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 43 50 pont jeles 35 42 pont jó 27 34 pont közepes
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenTársaságok pénzügyei kollokvium
udapesti Gazdasági Főiskola Pénzügyi és Számviteli Főiskolai Kar udapesti Intézet Továbbképzési Osztály Társaságok pénzügyei kollokvium Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 55 60 pont
RészletesebbenCAPM ÁTTEKINTÉS
Ismétlés I. Sharpe-modell peremfeltételei Tökéletes tőkepiac: sok, az egész piachoz képest kis vagyonnal rendelkező befektető van, akik árelfogadók, az értékpapírok árfolyamát saját ügyleteik nem befolyásolják;
RészletesebbenBeruházási és finanszírozási döntések
Beruházási és finanszírozási döntések Dr. Farkas Szilveszter PhD, egyetemi docens BGF, PSZK, Pénzügy Intézeti Tanszék farkas.szilveszter@pszfb.bgf.hu, http://dr.farkasszilveszter.hu Tematika és tananyag
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
RészletesebbenTőkeköltség (Cost of Capital)
Vállalati pénzügyek 1 9. előadás A tőkeköltség szerepe Tőkeköltség (Cost of Capital) Tőkeköltség 1 2 A tőkeköltség értelmezése TŐKEKÖLTSÉG A finanszírozási források ára (költsége), A befektetők által elvárt
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenMérnökgazdasági számítások. Dr. Mályusz Levente Építéskivitelezési Tanszék
Mérnökgazdasági számítások Dr. Mályusz Levente Építéskivitelezési Tanszék Tartalom Beruházási döntések Pénzfolyamok meghatározása Tõke alternatíva költsége Mérnökgazdasági számítások Pénzügyi mutatók Finanszírozási
RészletesebbenForintban Denominált Modell Portfoliók Átmeneti portfolió 45% 10% Átmeneti portfolió 45% Pénzpiaci Kötvény Abszolút hozamú A befektetési stratégia célja: A tőke reálértékének megőrzése és egy stabil kamatjövedelem
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenKötelező irodalom: Bodie, Z. Kane, A. Marcus, A.J Ajánlott irodalom: Markowitz, H. Mossin, J. Sharpe, W. F. Lintner, J. Roll, R. Ross, S. A.
Haladó pénzügyek Tőkepiaci árazási modellek Kötelező és ajánlott irodalom Kötelező irodalom: Bodie, Z. Kane, A. Marcus, A.J.: Befektetések, Aula, Budapest, 2005., 185-400. o. Ajánlott irodalom: Markowitz,
RészletesebbenSzent István Egyetem Gazdasági és Társadalomtudományi Kar Pénzügyi és Számviteli Intézet. Beadandó feladat. Modern vállalati pénzügyek tárgyból
Szent István Egyetem Gazdasági és Társadalomtudományi Kar Pénzügyi és Számviteli Intézet Beadandó feladat Modern vállalati pénzügyek tárgyból az alap levelező képzés Gazdasági agrármérnök V. évf. Pénzügy-számvitel
RészletesebbenVállalkozási finanszírozás kollokvium
Harsányi János Főiskola Gazdaságtudományok tanszék Vállalkozási finanszírozás kollokvium F Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 43 50 pont jeles 35 42 pont jó 27 34 pont közepes 19 26
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
RészletesebbenVállalati pénzügyi döntések Finanszírozási döntések
BME Pénzügyek Tanszék Vállalati pénzügyi döntések Finanszírozási döntések Előadó: Deliné Pálinkó Éva Beruházásgazdaságossági számítások alkalmazásának elemei Tőkeköltségvetés - a pénzáramok meghatározása
RészletesebbenVÁLLALKOZÁSOK PÉNZÜGYI ALAPJAI
VÁLLALKOZÁSOK PÉNZÜGYI ALAPJAI Budapest, 2007 Szerző: Illés Ivánné Belső lektor: Dr. Szebellédi István BGF-PSZFK Intézeti Tanszékvezető Főiskolai Docens ISBN 978 963 638 221 6 Kiadja a SALDO Pénzügyi Tanácsadó
RészletesebbenA pénzügyi kockázat mérése és kezelése
A pénzügyi kockázat mérése és kezelése Varga-Haszonits István Gazdasági Fizika Téli Iskola, 2009. január 31. Áttekintés 1 Bevezetés 2 A portfólióválasztási probléma 3 Kockázati mértékek 4 A hatékony portfóliók
RészletesebbenPénzügyi számítások. oldal Pénzügyi számítási segédlet 1.16. 1.7. 1.8. 1.17. 1.9. 1.18. 1.10. 1.19. 1.11. 1.12. 1.20. 1.13. 1.21. 1.14. 1.22. 1.15.
Pénzügyi számítási segédlet 1.7. A negyedéves névleges kamatláb évi 12%. Ekkor az effektív kamatláb (hozam) a) r = (1+0.12/4) 4 b) r = (1+0.12) (1/4) 1 c) r = (1+0.12) 4 1 d) r = (1+0.12/4) 4 1 1.8. Mekkora
RészletesebbenDE! Hol van az optimális tőkeszerkezet???
DE! Hol van az optimális tőkeszerkezet??? Adósság és/vagy saját tőke A tulajdonosi érték maximalizálása miatt elemezni kell: 1. A pénzügyi tőkeáttétel hatását a részvények hozamára és kockázatára; 2. A
Részletesebben11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
RészletesebbenBiostatisztika VIII. Mátyus László. 19 October
Biostatisztika VIII Mátyus László 19 October 2010 1 Ha σ nem ismert A gyakorlatban ritkán ismerjük σ-t. Ha kiszámítjuk s-t a minta alapján, akkor becsülhetjük σ-t. Ez további bizonytalanságot okoz a becslésben.
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség
Részletesebbenoptimal investment for balanced performance balance abszolút hozam portfólió
2015 optimal investment for balanced performance balance abszolút hozam portfólió GFX Balance Abszolút Hozamú Portfólió Intelligens vagyonkezelés A Balance Abszolút Hozamú Portfólió célja, hogy aktív befektetési
RészletesebbenA befektetési eszközalap portfolió teljesítményét bemutató grafikonok
PÉNZPIACI befektetési eszközalap portfólió Benchmark: RMAX Típus: Rövid lejáratú állampapír Árfolyam 1,638 HUF/egység Valuta HUF Portfolió nagysága 8 180 498 608 HUF Kockázati besorolás: alacsony A bemutatott
RészletesebbenIntelligent investment for Individual investors. TREND Optimum. Abszolút Hozamú Portfólió
2015 Intelligent investment for Individual investors TREND Optimum Abszolút Hozamú Portfólió GFX T TREND Optimum Abszolút Hozamú Portfólió Intelligens vagyonkezelés A TREND Optimum Abszolút Hozamú Portfólió
RészletesebbenANNUITÁSOK PVAN C PVIFA
Ön egy biztosítóval 12 éves járadékszerződést akar kötni. A biztosító ajánlata úgy szól, hogy 12 éven keresztül minden év végén egy meghatározott fix összeget kap, ha most befektet 2 millió forintot. A
RészletesebbenANNUITÁSOK RÉSZVÉNYEK PVAN C PVIFA. DIV 1 = 100; P 0 = 850; b = 30%; ROE = 12%
Ön egy biztosítóval 12 éves járadékszerződést akar kötni. A biztosító ajánlata úgy szól, hogy 12 éven keresztül minden év végén egy meghatározott fix összeget kap, ha most befektet 2 millió forintot. A
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenVállalkozási finanszírozás kollokvium
Harsányi János Főiskola Gazdálkodási és Menedzsment Intézet Vállalkozási finanszírozás kollokvium H Név: soport: Tagozat: Elért pont: Érdemjegy: Javította: 43 50 pont jeles 35 42 pont jó 27 34 pont közepes
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
RészletesebbenOptimax Céldátum Vegyes eszközalap Befektetési politika Befektetési eszközalapokhoz kapcsolódó élet- és nyugdíjbiztosításhoz
2/a sz. melléklet Eszközalapok összetétele és befektetési politika Optimax Céldátum Vegyes eszközalap politika eszközalapokhoz kapcsolódó élet- és nyugdíjbiztosításhoz Az Optimax Céldátum Vegyes eszközalap
RészletesebbenVállalati pénzügyek alapjai. 2.DCF alapú döntések
Vállalati pénzügyek alapjai 2.DCF alapú döntések Deliné Palinkó Éva Pénzügyek Tanszék (palinko@finance.bme.hu) A vállalati pénzügyi döntések alapjai 1) Bevezetés. Vállalati pénzügyi döntések köre.. 2)
RészletesebbenHatékony piacok feltételei
Hatékony piacok feltételei Piacok töredékmentesek tranzakciós hatékonyság Tökéletes verseny van termékpiacon mindenki a minimális átlagköltségen termel, értékpapírpiacon mindenki árelfogadó Piacok informálisan
RészletesebbenDöntési rendszerek I.
Döntési rendszerek I. SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Készítette: London András 3. Gyakorlat Egy újságárus 20 centért szerez be egy adott napilapot a kiadótól és 25-ért adja
RészletesebbenIII. Kvantitatív változók kapcsolata (korreláció, regresszió)
III. Kvantitatív változók kapcsolata (korreláció, regresszió) Tartalom Változók kapcsolata Kétdimenziós minta (pontdiagram) Regressziós előrejelzés (predikció) Korreláció Tanuló Kétdimenziós minta Tanulással
RészletesebbenVállalati pénzügyek alapjai. 2.DCF alapú döntések
Vállalati pénzügyek alapjai 2.DCF alapú döntések Deliné Palinkó Éva Pénzügyek Tanszék (palinko@finance.bme.hu) 2)A DCF alapú döntsek Pénzügyi alapszámítások- Visszatekintés 1) Bevezetés. Vállalati pénzügyi
RészletesebbenDöntési rendszerek I.
Döntési rendszerek I. SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Készítette: London András 8 Gyakorlat Alapfogalmak A terület alapfogalmai megtalálhatók Pluhár András Döntési rendszerek
RészletesebbenBevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenTANTÁRGYI ÚTMUTATÓ. Vállalkozások pénzügyi alapjai
PÉNZÜGYI ÉS SZÁMVITELI FŐISKOLAI KAR PÉNZÜGYI TANSZÉK TANTÁRGYI ÚTMUTATÓ Vállalkozások pénzügyi alapjai Akkreditált Iskolarendszerű Felsőfokú Szakképzés Minden szakügyintéző szakirány számára 2011/2012.
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenNEMZETGAZDASÁGI MINISZTÉRIUM
(vizsgázó olvasható neve) NEMZETGAZDASÁGI MINISZTÉRIUM Az alábbi minta feladatsor az Értékpapírpiaci szakügyintéző szakképzésben érdekeltek tájékoztatására szolgál, s egy lehetséges példasort ad a szakmai
RészletesebbenPénzügytan szigorlat
GF KVIFK Gazdaságtudományi Intézet Pénzügy szakcsoport Pénzügytan szigorlat 5 32 36 pont jeles 27,5 31,5 pont jó 23 27 pont közepes 18,5 22,5 pont elégséges 18 pont elégtelen Név: Elért pont: soport: Érdemjegy:
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenKiemelt Befektetői Információk. Trend Lekötött Betét
Kiemelt Befektetői Információk Ez a dokumentum ellátja Önt a Trend Kombinált befektetési termékre vonatkozó kiemelt befektetői információkkal, melyek segítségével Ön jobban megértheti az ebbe a termékbe
Részletesebben1 3Diverzifik ci Markowitz-modell MAD modell CAPM modell. Oper ci kutat s I. 2015/2016-2.
Oper ci kutat s I. 2015/2016-2. Szegedi Tudom nyegyetem Informatikai Int іzet Sz m t g іpes Optimaliz l s Tansz іk 10. El 0 2ad s Portf li probl іma Portf li probl іma Adott r іszv іnyek (k 0 2tv іnyek,tev
RészletesebbenA befektetési eszközalap portfolió teljesítményét bemutató grafikonok
PÉNZPIACI befektetési eszközalap portfólió Benchmark: RMAX Típus: Rövid lejáratú állampapír Árfolyam 1,657HUF/egység Valuta HUF Portfolió nagysága 7 625 768 268 HUF Kockázati besorolás: alacsony A bemutatott
Részletesebben1/ gyakorlat. Hiperbolikus programozási feladat megoldása. Pécsi Tudományegyetem PTI
1/12 Operációkutatás 5. gyakorlat Hiperbolikus programozási feladat megoldása Pécsi Tudományegyetem PTI 2/12 Ha az Hiperbolikus programozási feladat feltételek teljesülése mellett a A x b x 0 z(x) = c
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
RészletesebbenKorrelációs kapcsolatok elemzése
Korrelációs kapcsolatok elemzése 1. előadás Kvantitatív statisztikai módszerek Két változó közötti kapcsolat Független: Az X ismérv szerinti hovatartozás ismerete nem ad semmilyen többletinformációt az
Részletesebben5. elıadás március 22. Portfólió-optimalizálás
5. elıadás 203. március 22. Portfólió-optimalizálás Alapfeladat Cél: minél nagyobb várható hozam elérése De: közben a kockázat legyen minél kisebb Kompromisszum: elvárt hozamot érje el a várható érték
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenÁttekintés LP és geometria Többcélú LP LP és egy dinamikus modell 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 6. Előadás Áttekintés Kezdjük újra a klasszikus erőforrás allokációs problémával (katonák,
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenKorreláció számítás az SPSSben
Korreláció számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi
RészletesebbenKonjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
RészletesebbenOperációkutatás. Vaik Zsuzsanna. Budapest október 10. First Prev Next Last Go Back Full Screen Close Quit
Operációkutatás Vaik Zsuzsanna Vaik.Zsuzsanna@ymmfk.szie.hu Budapest 200. október 10. Mit tanulunk ma? Szállítási feladat Megoldása Adott: Egy árucikk, T 1, T 2, T,..., T m termelőhely, melyekben rendre
RészletesebbenKiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.
Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak
RészletesebbenA hosszú távú finanszírozási döntések főbb jellemzői
A hosszú távú finanszírozási döntések főbb jellemzői s Mikor, milyen eszközökbe, mennyi tőkét fektessenek be, és ezt honnan, milyen formában biztosítsák. s A döntések célja a tőkeszerkezet, a saját tőke
RészletesebbenELŐZETES KÖLTSÉGKALKULÁCIÓ
ELŐZETES KÖLTSÉGKALKULÁCIÓ (FELTÉTELEZETT BEFEKTETÉSI ÖSSZEGRE, UNICREDIT PRIVATE BANKING ÜGYFELEK RÉSZÉRE) Amundi befektetési alapok Az előzetes költségkalkuláció (továbbiakban: költségkalkuláció ) bemutatja
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
RészletesebbenKozma Krisztina vezérigazgató
GIPS ALKALMAZÁSÁNAK HAZAI TAPASZTALATAI ESETTANULMÁNY Kozma Krisztina vezérigazgató Budapest 2005. június 7. MI SZÜKSÉGES EGY CÉG GIPS MEGFELELÉSÉHEZ? NO. 1. A CÉGVEZETÉS ELKÖTELEZETTSÉGE MIND AZ EGYSZERI
Részletesebben5 Forward és Futures Árazás. Options, Futures, and Other Derivatives, 8th Edition, Copyright John C. Hull 2012 1
5 Forward és Futures Árazás 1 Fogyasztási vs beruházási javak Beruházási célú javak (pl. arany, ezüst, ingatlan, műkincsek, stb.) Fogyasztási javak (pl. ércek, nyersfémek, olaj, kőszén, fél sertés, stb.)
Részletesebben4_1_Döntési fa_aqua_k1 A B C D E F G H I J K L M
_1_Döntési fa_aqua_k1 1 1 1 1 1 1 1 1 1 A B C D E F G H I J K L M Az Swimm Bt. egy új vizipark megnyitását tervezi, melynek beruházási költsége millió EUR lenne. Mivel a projekt nagyon kockázatos, ezért
RészletesebbenStatisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
RészletesebbenAz eszközalap tervezett befektetési korlátai: Eszközcsoport Minimális arány Maximális arány Megcélzott arány. Mögöttes befektetési alap 90% 100% 100%
AEGON TEMPÓ ALLEGRO 10 Az eszközalap kizárólag az Aegon Magyarország Befektetési Alapkezelő Zrt. által kezelt, forintban denominált Aegon Tempó Allegro 10 Alapokba Aegon Tempó Allegro 10 Alapok Alapja
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenHírlevél ERGO Befektetési egységekhez kötött életbiztosítás eszközalapjainak teljesítményéről
Hírlevél ERGO Befektetési egységekhez kötött életbiztosítás eszközalapjainak teljesítményéről 2016.07.29 Smart Child Befektetési egységekhez kötött életbiztosítás Smart Senior Befektetési egységekhez kötött
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
Részletesebben6_1_részvényértékelés A B C D E F G H
részvényértékelés C D E F G H 0 0 0 0 vállalatunk a Kóceráj Rt. vállalat nettó eszközértéke (mérlegfőösszeg-rövid lejáratú kötelezettség) 00 millió forint. vállalat hosszú lejáratú kötelezettsége 00 millió
Részletesebben