Математика управления капиталом. Методы анализа риска для трейдеров и портфельных менеджеров - РАЛЬФ РАЛЬФ ВИНС

где Y=1/(1+2316419*ABS(Z))

и ABSQ = функция абсолютного значения;

ЕХР() = экспоненциальная функция.

При расчете вероятности мы всегда будем преобразовывать данные в стандарт­ные единицы. То есть вместо функции N(X) мы будем использовать функцию

N(Z), где:

(3.16) Z=(X-U)/S,

где U = среднее значение данных;

S = стандартное отклонение данных;

Х = наблюдаемая точка данных.

Теперь обратимся к уравнению (3.21). Допустим, нам надо знать, какова вероят­ность события, не превышающего +2 стандартных единицы (Z = +2).

Y= 1/(1 +2316419*ABS(+2)) =1/1,4632838 =0,68339443311

(3.15a) N'(Z) = 0,398942 * ЕХР(-(+2^2/2))

= 0,398942 *ЕХР (-2)=0,398942*0,1353353=0,05399093525

Заметьте, мы можем найти высоту кривой при +2 стандартных единицах. Подставляя полученные значения вместо Y и N'(Z) в уравнение (3.21), мы можем получить вероятность события, не превышающего +2 стандартных единицы:

N(Z) = 1 - N'(Z) * ((1,330274429 * Y^ 5) -

- (1,821255978 * Y^4) + (1,781477937 * Y^ 3) -

- (0,356563782 * Y ^ 2) + (0,31938153 * Y))

= 1-0,05399093525* ((1,330274429* 0,68339443311^5)-

- (1,821255978 * 0,68339443311 ^ 4 + 1,781477937 * 0,68339443311^ 3) - - (0,356563782 * 0,68339443311 ^2) + 0,31938153 * 0,68339443311))

= 1 - 0,05399093525 * (1,330274429 * 0,1490587) -

- (1,821255978 * 0,2181151 + (1,781477937 * 0,3191643)-

- (0,356563782 * 0,467028 + 0,31938153 - 0,68339443311))

1- 0,05399093525 * (0,198288977 - 0,3972434298 + 0,5685841587 -

-0,16652527+0,2182635596)

= 1 - 0,05399093525 * 0,4213679955 = 1 - 0,02275005216= 0,9772499478

Таким образом, можно ожидать, что 97,72% результатов в нормально распреде­ленном случайном процессе не попадают за +2 стандартные единицы. Это изоб­ражено на рисунке 3-8.

Чтобы узнать, какова вероятность события, равного или превышающего за­данное число стандартных единиц (в нашем случае +2), надо просто изменить уравнение (3.21) и не использовать условие «Если Z < 0, то N(Z) = 1 - N(Z)». Поэтому вторая с конца строка в последнем расчете изменится с

= 1 - 0,02275005216 на 0,02275005216

Таким образом, с вероятностью 2,275% событие в нормально распределенном случайном процессе будет равно или превышать +2 стандартные единицы. Это показано на рисунке 3-9.

Рисунок 3-8 Уравнение (3.21) для вероятности Z=+2

Рисунок 3-9 Устранение оговорки «Если Z < 0, то N(Z) = 1 - N(Z)» в уравнении (3.21)

До сих пор мы рассматривали площади под кривой 1-хвостых распределений вероятности. То есть до настоящего момента мы отвечали на вопрос: «Какова вероятность события, которое меньше (больше) заданного количества стан­дартных единиц от среднего?» Предположим, теперь нам надо ответить на та­кой вопрос: «Какова вероятность события, которое находится в интервале между определенным количеством стандартных единиц от среднего?» Други­ми словами, мы хотим знать, как подсчитать 2-хвостые вероятности. Посмот­рим на рисунок 3-10. Он представляет вероятности события в интервале двух стандартных единиц от среднего. В отличие от рисунка 3-8 этот расчет вероят­ности не включает крайнюю область левого хвоста, область меньше -2 стан­дартных единиц. Для расчета вероятности нахождения в диапазоне Z стандар­тных единиц от среднего вы должны сначала рассчитать 1-хвостую вероят­ность абсолютного значения Z с помощью уравнения (3.21), а затем получен­ное значение подставить в уравнение (3.22), которое дает 2-хвостые вероятно­сти (то есть вероятности нахождения в диапазоне ABS(Z) стандартных единиц от среднего):

(3.22) 2-хвостая вероятность =1-((1- N(ABS(Z))) * 2)

Если мы рассматриваем вероятности наступления события в диапазоне 2 стандар­тных отклонений (Z = 2), то из уравнения (3.21) найдем, что N(2) = 0,9772499478 и можно использовать полученное значение для уравнения (3.22):

2-хвостая вероятность =1-((1- 0,9772499478) * 2) =1-(0,02275005216*2) = 1 - 0,04550010432 = 0,9544998957

Таким образом, из этого уравнения следует, что при нормально распределенном случайном процессе вероятность события, попадающего в интервал 2 стандарт­ных единиц от среднего, составляет примерно 95,45%.

Как и в случае с уравнением (3.21), можно убрать первую единицу в уравне­нии (3.22), чтобы получить (1 - N(ABS(Z))) * 2, что представляет вероятности события вне ABS(Z) стандартных единиц от среднего. Это отображено на рисун­ке 3-11. Для нашего примера, где Z = 2, вероятность события при нормально рас­пределенном случайном процессе вне 2 стандартных единиц составляет:

2-хвостая вероятность (вне) = (1 - 0,9772499478) * 2 =0,02275005216*2 =0,04550010432

Наконец, мы рассмотрим случай, когда надо найти вероятности (площадь под кривой N'(Z)) для двух различных значений Z.

Рисунок 3-10 2-хвостая вероятность события между +2 и -2 сигма

Рисунок 3-11 2-хвостая вероятность события, находящегося вне 2 сигма

Допустим, нам надо найти площадь под кривой N'(Z) между -1 стандартной еди­ницей и +2 стандартными единицами. Есть два способа расчета. Мы можем рассчитать вероятность, не превыша­ющую +2 стандартные единицы, при помощи уравнения (3.21) и вычесть ве­роятность, не превышающую -1 стандартную единицу (см. рисунок 3-12). Это даст нам:

0,9772499478 - 0,1586552595 = 0,8185946883

Рисунок 3-12 Площадь между -1 и +2 стандартными единицами

Другой способ: из единицы, представляющей всю площадь под кривой, надо вы­честь вероятность, не превышающую -1 стандартную единицу, и вероятность, превышающую 2 стандартные единицы:

= 1 - (0,022750052 + 0,1586552595) = 1 -0,1814053117 =0,8185946883

С помощью рассмотренных в этой главе математических подходов вы сможете рассчитывать любые вероятности событий для случайных процессов, имею­щих нормальное распределение.

Последующие производные нормального распределения

Иногда требуется знать вторую производную функции N(Z). Так как функция N(Z) дает нам значение площади под кривой при Z, а функция N'(Z) дает нам высоту самой кривой при значении Z, тогда функция N"(Z) дает нам мгновенный наклон (instantaneous slope) кривой при данном значении Z:

где ЕХР() = экспоненциальная функция.

Найдем наклон кривой N'(Z) при +2 стандартных отклонениях:

N"(Z) = -2 I 2,506628274 * ЕХР(-(+2^ 2) / 2) = -2 / 2,506628274 * ЕХР(-2) = -2 / 2,506628274 * 0,1353353 =-0,1079968336

Теперь мы знаем, что мгновенная скорость изменения функции N'(Z) при Z = +2 равна-0,1079968336. Это означает повышение/понижение за период, поэтому, когда Z = +2, кривая N'(Z) повышается на -0,1079968336. Эта ситуация показана на рисунке 3-13.

Последующие производные даются далее для справки. Они не будут использо­ваться в оставшейся части книги и представлены для полноты освещения темы:

В качестве последнего дополнения к сказанному о нормальном распределении стоит заметить, что на самом деле это распределение не такое остроконечное, как на графиках, представленных в данной главе. Реальная форма нормального рас­пределения показана на рисунке 3-14. Отметьте, что здесь масштабы двух осей одинаковы, в то время как в других графических примерах они отличаются для придания более вытянутой формы.

Логарифмически нормальное распределение

Для торговли многие приложения требуют небольшой, но важной модификации нормального распределения.

Рисунок 3-13 N"(Z) дает наклон касательной к N'(Z) при Z = +2

Рисунок 3-14 Реальная форма нормального распределения

С помощью этой модификации нормальное распределение преобразуется в лога­рифмически нормальное распределение. Цена любого свободно котируемого инст­румента имеет нулевое значение в качестве нижнего предела[13]. Поэтому когда цена этого инструмента падает и приближается к нулю, то, теоретически, цене инстру­мента должно быть все труднее понизиться. Рассмотрим некую акцию стоимостью 10 долларов. Если бы акция упала на 5 долларов до 5 долларов за акцию (50% пони­жение), то в соответствии с нормальным распределением она может также легко упасть с 5 долларов до 0 долларов. Однако при логарифмически нормальном рас­пределении подобное падение на 50% с цены в 5 долларов за акцию до цены 2,50 долларов за акцию будет примерно таким же вероятным, как и падение с 10 долла­ров до 5 долларов за акцию.

Рисунок 3-15 Нормальное и логарифмически нормальное распределения

Логарифмически нормальное распределение, рисунок 3-15, работает точно так же, как и нормальное распределение, за тем исключением, что при логарифми­чески нормальном распределении мы имеем дело с процентными изменениями, а не абсолютными. Теперь рассмотрим движение вверх. В соответствии с логарифмически нормальным распределением движение с 10 долларов за акцию до 20 долларов за акцию анало­гично движению с 5 долларов до 10 долларов за акцию, так как оба эти движения представляют повышение на 100%. Это не означает, что мы не будем использовать нормальное распределение. Мы просто познакомимся с логарифмически нормаль­ным распределением, покажем его отличие от нормального (логарифмически нор­мальное распределение использует процентные, а не абсолютные изменения цены) и увидим, что обычно именно оно используется при обсуждении ценовых движений или в том случае, когда нормальное распределение ограничено снизу нулем. Для ис­пользования логарифмически нормального распределения необходимо преобразо­вывать данные, с которыми вы работаете, в натуральные логарифмы[14].