Mathematische Grundlagen - Institut für Finanzwirtschaft

Mathematische Grundlagen
Mathematische Grundlagen
• Erwartungswert
• Varianz
• Kovarianz
• Korrelation
• lineare Regression
• Logarithmen
• Normalverteilung
• Starkes Gesetz der großen Zahlen
• Tschebyscheffsche Ungleichung
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
0
Mathematische Grundlagen
Erwartungswert
Beispiel: 2 Wertpapierrenditen in 3 verschiedenen Zuständen
s(1)
s(2)
s(3)
p(j)
20 %
30 %
50 %
r 1( j )
−6 %
13 %
10 %
r (2 j )
8%
−12 %
7%
Der Erwartungswert einer diskreten Zufallsvariable (ZV) berechnet sich als:
J
E(X) = ∑ p ⋅ X
( j)
j =1
( j)
3
Hier: E(r) = ∑ p( j) ⋅ r ( j)
j =1
Also:
E(r1 ) = 0,2 ⋅ ( −6%) + 0,3 ⋅ 13% + 0,5 ⋅ 10%
= 7,7%
Institut für Finanzwirtschaft
E(r2 ) = 0,2 ⋅ (8%) + 0,3 ⋅ −12% + 0,5 ⋅ 7%
= 1,5%
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
1
Mathematische Grundlagen
Graphische Interpretation:
Der Erwartungswert „hält alles in der Waage“.
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
2
Mathematische Grundlagen
Es gilt: E(X + Y)
= E(X) + E(Y)
E(a + b ⋅ X) = a + b ⋅ E(X)
E(X ⋅ Y)
2
= E(X) ⋅ E(Y) + Cov(X,Y)
E(X )
= E(X ⋅ X)
E2 (X)
= E(X) ⋅ E(X)
Bei n linear unabhängigen und identisch verteilten Beobachtungen, nimmt man als
empirische Schätzung für den Erwartungswert das arithmetische Mittel der Beobachtungen.
Voraussetzung: R1 ,R2 ,...,RT seien unabhängig und identisch verteilte Zufallsvariablen
Die Schätzfunktion M für den Erwartungswert der Zufallsvariablen lautet:
1 T
M = ∑ Rt
T t =1
Institut für Finanzwirtschaft
(ebenfalls eine Zufallsvariable!)
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
3
Mathematische Grundlagen
Die Schätzfunktion ist erwartungstreu, da ihr Erwartungswert mit dem wahren
Parameter übereinstimmt:
1
⎛1 T
⎞ 1 T
E(M) = E ⎜ ⋅ ∑ R t ⎟ = ⋅ ∑ E(R t ) = ⋅ T ⋅ μ = μ
T
⎝ T t =1 ⎠ T t =1
Für eine konkrete Stichprobe rˆ1,rˆ2, ...,rˆT liefert die Schätzfunktion M einen
Punktschätzwert μ̂ :
1 T
μˆ = ⋅ ∑ rˆt
T t =1
Beispiel:
μˆ =
t
1
2
3
4
5
r1,t
-3,6%
8,9%
13,4%
-7,1%
12,5%
1
⋅ ( −3,6 + 8,9 + 13,4 − 7,1 + 12,5) = 4,82%
5
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
4
Mathematische Grundlagen
Varianz
(Streuungskomponente)
Die Varianz einer Zufallsvariablen X ist der Erwartungswert der quadrierten
Abweichung (X − E(X))2 vom Erwartungswert:
Es gilt:
Var(X) = E[(X − E(X))2 ]
N
= ∑ p(i) ⋅ (X − E(X))2
(i)
i =1
2
Var(X)
= E(X ) − E2 (X)
Var(X + Y)
= Var(X) + Var(Y) + 2 ⋅ Cov(X,Y)
Var(X − Y)
= Var(X) + Var(Y) − 2 ⋅ Cov(X,Y)
Var(a + b ⋅ X)
= b2 ⋅ Var(X)
Var(a ⋅ X + b ⋅ Y) = a2 ⋅ Var(X) + b2 ⋅ Var(Y) + 2 ⋅ a ⋅ b ⋅ Cov(X,Y)
Var( − X)
Institut für Finanzwirtschaft
= Var(X)
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
5
Mathematische Grundlagen
Beispiel:
p(j)
s(1)
s(2)
s(3)
20 %
30 %
50 %
r 1( j )
−6 %
13 %
10 %
r (2 j )
8%
−12 %
7%
Var(r1 ) = 0,2 ⋅ ( −0,06 − 0,077)2 + 0,3 ⋅ (0,13 − 0,077)2 + 0,5 ⋅ (0,10 − 0,077)2
= 0,004861
Var(r2 ) = 0,2 ⋅ (8% − 1,5%)2 + 0,3 ⋅ ( −12% − 1,5%)2 + 0,5 ⋅ (7% − 1,5%)2
= 0,007825
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
6
Mathematische Grundlagen
Die positive Quadratwurzel aus der Varianz wird als Standardabweichung σ
oder auch als Volatilität bezeichnet: σ(X) := Var(X).
Bei T linear unabhängigen und identisch verteilten Beobachtungen, nimmt man als
2
empirische Schätzung für die Varianz die Schätzfunktion V :
T
1
V =
⋅ ∑ (R t − M)2
T − 1 t =1
2
Die Schätzfunktion ist erwartungstreu:
T
1
E(V ) =
⋅ E( ∑ (R t − M)2 )
T −1
t =1
2
T
1
=
⋅ E( ∑ ((R t − μ) − (M − μ ))2 )
T −1
t =1
T
1
=
⋅ E( ∑ ((R t − μ)2 − 2 ⋅ (R t − μ) ⋅ (M − μ) + (M − μ)2 ))
T −1
t =1
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
7
Mathematische Grundlagen
1
⎛ T
⎞
=
⋅ E ⎜ ∑ (R t − μ )2 − 2 ⋅ T ⋅ (M − μ )2 + T ⋅ (M − μ )2 ⎟
T − 1 ⎝ t =1
⎠
⎞
1 ⎛ ⎛ T
⎞
=
⋅ ⎜ E ⎜ ∑ (R t − μ )2 ⎟ − E(T ⋅ (M − μ )2 ) ⎟
T − 1 ⎝ ⎝ t =1
⎠
⎠
⎞
1 ⎛ ⎛ T
⎞
=
⋅ ⎜ E ⎜ ∑ (R t − μ )2 ⎟ − (T ⋅ Var(M)) ⎟
T − 1 ⎝ ⎝ t =1
⎠
⎠
T
1 ⎛ ⎛ T
1
⎛
⎞⎞
2⎞
=
⋅ ⎜ E ⎜ ∑ (R t − μ ) ⎟ − ⎜ T ⋅ 2 Var( ∑ R t ) ⎟ ⎟
T − 1 ⎝ ⎝ t =1
t =1
⎠ ⎝ T
⎠⎠
1 ⎛ ⎛ T
⎛1 T
⎞⎞
2⎞
=
⋅ ⎜ E ⎜ ∑ (R t − μ ) ⎟ − ⎜ ⋅ ∑ Var(R t ) ⎟ ⎟
(*) T − 1
⎠ ⎝ T t =1
⎠⎠
⎝ ⎝ t =1
1 ⎛
Var(R) ⎞
⋅ ⎜ T ⋅ Var(R) − T ⋅
⎟
(*) T − 1
T ⎠
⎝
=
= Var(R) = σ2
(*): Die Rt sind identisch und unabhängig verteilt.
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
8
Mathematische Grundlagen
Für eine konkrete Stichprobe rˆ1,rˆ2 ,...,rˆT liefert die Schätzfunktion einen
T
1
σˆ =
⋅ ∑ (rˆt − μˆ )2
T − 1 t =1
Punktschätzer:
Beispiel:
2
t
r1,t
1
2
3
4
5
-3,60% 8,90% 13,40% -7,10% 12,50%
μˆ = 4,82%
1
⋅ (( −0,036 − 0,0482)2 + (0,089 − 0,0482)2 + (0,134 − 0,0482)2
4
+ ( −0,071 − 0,0482)2 + (0,125 − 0,0482)2 )
= 0,0090557
σˆ 2 =
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
9
Mathematische Grundlagen
Kovarianz
Die Kovarianz zweier Zufallsvariablen X und Y ist definiert als:
Cov(X,Y) = E[(X − E(X)) ⋅ (Y − E(Y)]
N
= ∑ p(i) ⋅ (X(i) − E(X)) ⋅ (Y (i) − E(Y))
i =1
Cov(X,Y) = E(X ⋅ Y) − E(X) ⋅ E(Y)
Es gilt:
Cov(a, X)
=0
Cov(a + b ⋅ X,c + d ⋅ Y) = b ⋅ d ⋅ Cov(X,Y)
Cov(X + Y,Z)
= Cov(X,Z) + Cov(Y,Z)
Cov(X − Y,Z)
= Cov(X,Z) − Cov(Y,Z)
Cov(X, X)
= Var(X)
Cov(X,Y)
= Cov(Y, X)
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
10
Mathematische Grundlagen
X und Y heißenunkorreliert ⇔ Cov(X, Y) = 0
X und Y sind stochastisch unabhängig ⇒ X und Y sind unkorreliert
Beispiel:
p(j)
s(1)
s(2)
s(3)
20 %
30 %
50 %
r 1( j )
−6 %
13 %
10 %
r (2 j )
8%
−12 %
7%
Cov(r1 ,r 2 ) = 0,2 ⋅ ( −0,06 − 0,077) ⋅ (0,08 − 0,015)
+ 0,3 ⋅ (0,13 − 0,077) ⋅ ( −0,12 − 0,015)
+ 0,5 ⋅ (0,10 − 0,077) ⋅ (0,07 − 0,015)
= −0,003295
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
11
Mathematische Grundlagen
Bei T linear unabhängigen und identisch verteilten Beobachtungen, nimmt man als
2
empirische Schätzung für die Kovarianz die Schätzfunktion C :
T
1
C =
⋅ ∑ (X t − M(X)) ⋅ (Y t − M(Y)) mit X t , Y t i.i.d.
T − 1 t =1
2
i.i.d. − identical independent distributed unabhängig und identisch verteilt
Für konkrete Stichproben rˆ1,1,rˆ1,2 ,...,rˆ1,T rˆ2,1,rˆ2,2 ,...,rˆ2,T
2
liefert die Schätzfunktion C einen Punktschätzwert
σˆ r ,r
1
2
T
1
=
⋅ ∑ (rˆ1,t − μˆ(rˆ1,t )) ⋅ (rˆ2,t −μˆ(rˆ2,t ))
T − 1 t =1
Beispiel:
Institut für Finanzwirtschaft
t
1
2
3
4
5
r1,t
r2,t
-3,6%
8,9%
13,4%
-7,1%
12,5%
10,2%
16,7%
-5,9%
8,2%
1,5%
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
μˆ 1 = 4,82%
μˆ 2 = 6,14%
12
Mathematische Grundlagen
σˆ 1,2 =
1
⋅ (( −0,036 − 0,0482) ⋅ (0,102 − 0,0614)
4
+ (0,089 − 0,0482) ⋅ (0,167 − 0,0614)
+ (0,134 − 0,0482) ⋅ ( −0,059 − 0,0614)
+ ( −0,071 − 0,0482) ⋅ (0,082 − 0,0614)
+ (0,125 − 0,0482) ⋅ (0,015 − 0,0614))
= −0,00386485
Korrelation
Der Korrelationskoeffizient ρ gibt die Stärke der linearen Abhängigkeit zwischen zwei
Zufallsvariablen an. Er berechnet sich als:
ρ(X,Y) =
Cov(X,Y)
Var(X) ⋅ Var(Y)
Institut für Finanzwirtschaft
=
σ X,Y
σ X ⋅ σY
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
13
Mathematische Grundlagen
Es gilt:
− 1 ≤ ρ(X,Y) ≤ 1
Ist ρ(X,Y) = 1,sobesteht einperfekter positiver linearer Zusammenhang zwischen Xund Y,
etwa :Y = m ⋅ X + n mit m > 0.
Ist ρ(X,Y) = −1,sobesteht einperfekter negativer linearer Zusammenhang zwischen Xund Y,
etwa :Y = m ⋅ X + n mit m < 0.
Ist ρ(X,Y) = 0,sobesteht keinlinearer Zusammenhang zwischen Xund Y,
eskannaber beispielsweise durchaus einperfekter quadratischer Zusammenhang
2
zwischen Xund Y bestehen,etwa :Y = X .
| ρ(X,Y) |= 1⇔ X = a ⋅ Y + b fast sicher (mit Wahrscheinlichkeit1)
a > 0 ⇔ ρ(X,Y) > 0
a < 0 ⇔ ρ(X,Y) < 0
a = 0 ⇔ ρ(X,Y) = 0
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
14
Mathematische Grundlagen
Beispiel:
t
1
2
3
4
5
r1,t
r2,t
-3,6%
8,9%
13,4%
-7,1%
12,5%
10,2%
16,7%
-5,9%
8,2%
1,5%
σˆ 1 = 0,0090557 = 0,095161441
σˆ 2 = 0,0074683 = 0,086419326
σˆ 1,2 = −0,00386485
⇒
ρ1,2 =
−0,00386485
≈ −0,47
0,095161441⋅ 0,086419326
Die lineare Regressionsanalyse
Modell: Y = α + β ⋅ X + ε
Y - abhängige ZV
mit ε ∼ N(0, σ2 ) − "Störterm"
X - unabhängige ZV
α, β - zu schätzende Parameter
Schätzung der Regressionsfunktion: Ermittlung der Parameter α und β über die Methode
der kleinsten Quadrate (Least-Squares-Schätzung)
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
15
Mathematische Grundlagen
Also: Suche nach α und β , sodass mit der Regressionsfunktion der Zusammenhang
zwischen X und Y möglichst „gut“ beschrieben wird.
⇒
T
∑ (ε )
2
t =1
t
→ min!
α,β
Anschaulich kann man sich vorstellen, dass man X und Y als Koordinaten von
Punkten auffassen und in ein Koordinatensystem einzeichnen kann. Dann sucht man
die Gerade, die diese Punktwolke am besten annähert (Regressionsgerade).
Y
Regressionsgerade
β
1 Einheit
α
X
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
16
Mathematische Grundlagen
Es ergibt sich nach Durchführung der linearen Regression:
1 T
1 T
α = ∑ Yt − β ⋅ ⋅ ∑ Xt = μ Y − β ⋅ μ X
T t =1
T t =1
β=
Cov(X,Y)
Var(X)
Regressionskoeffizient
Natürlicher Logarithmus
ln(x) ist Umkehrfunktion von e
y
x
Es gilt: ln(a) = b ⇔ a = eb
ln(x ⋅ y) = ln(x) + ln(y)
ln(x : y) = ln(x) − ln(y)
ex
ln(x)
1
1
x
ln(a ) = b ⋅ ln(a)
b
f(x) = ln(x)
Institut für Finanzwirtschaft
⇒
f '(x) =
1
für alle x ≠ 0
x
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
17
Mathematische Grundlagen
Normalverteilung
Dichte der Normalverteilung:
f(x) =
1
2πσ
Erwartungswert
2
e
− ( x −μ )2
2 σ2
Varianz
X ∼ N(μ, σ2 )
Standardnormalverteilung:
σ
Y ∼ N(0,1)
μ
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
18
Mathematische Grundlagen
Mit der Standardisierungsformel: Y =
normalverteilte ZV
X ∼ N(μ X , σ2X )
X − μX
transformiert man eine
σX
in eine Standardnormalverteilung Y ∼ N(0,1).
Transformation
σX
1
μX
Ist X eine beliebige ZV, heißt F(x) := prob(X < x)
0
die Verteilungsfunktion von X.
Es gilt:
- F(x) ist monoton steigend: x1 ≤ x 2 ⇒ F(x1 ) ≤ F(x 2 )
- F( −∞ ) = 0
F( +∞ ) = 1.
Die Verteilungsfunktion der Standardnormalverteilung wird in der Literatur häufig mit Φ(x)
bezeichnet. In der Vorlesung mit N(x).
Es gilt :N( − x) = 1 − N(x).
Institut für Finanzwirtschaft
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
19
Mathematische Grundlagen
Starkes Gesetz der großen Zahlen
Sei X1 , X2 ,... eine Folge von reellwertigen, unabhängigen Zufallsvariablen mit
1 n
2
E(Xi ) = μ und Var(Xi ) = σ < ∞ , dann konvergiert ∑ (Xi − E(Xi ))
n i=1
fast sicher gegen 0.
Fast sicher heißt dabei mit einer Wahrscheinlichkeit von Eins.
Notation: fs − lim
Eine Folge (Xi )i=1,2,... von ZV konvergiert mit Wahrscheinlichkeit Eins gegen X0 , wenn gilt:
prob(lim Xi = X0 ) = 1.
i→∞
(
)
Das heißt: prob lim Xn = μ = 1.
Institut für Finanzwirtschaft
n →∞
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
20
Mathematische Grundlagen
Tschebyscheffsche Ungleichung
Diese Ungleichung braucht keine spezielle Verteilung als Voraussetzung. Die
Zufallsvariable X muss lediglich eine endliche Varianz besitzen.
Dann gilt für jedes ε > 0 :
prob(| X − E(X) |≥ ε) ≤
Institut für Finanzwirtschaft
Var(X)
.
ε2
Prof. Dr. Marc Gürtler/Dipl.-Math. Oec. Christine Winkelvos
21