WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 || 5 |

«РАЛЬФ ВИНС Математика управления капиталом Методы анализа риска для трейдеров и портфельных менеджеров Оглавление Посвящение Введение Обзор книги Некоторые распространенные ложные концепции Сценарии и ...»

-- [ Страница 4 ] --

Мы знаем, что можно найти оптимальное f, используя эмпирический подход, а также используя некоторые параметрические методы как для ячеистых, так и для неячеистых данных. Мы также знаем, что можно привести данные к текущей цене.

Какое оптимальное f действительно оптимально — полученное по приведенным или неприведенным данным?

Неприведенное эмпирическое оптимальное f рассчитывается на прошлых данных. Эмпирический метод для нахождения оптимального f, описанный в главе 1, даст оптимальное f, которое реализовало бы наивысший геометрический рост по прошлому потоку результатов. Однако нам надо определить, какое значение оптимального f использовать в будущем (особенно в следующей сделке), учи тывая, что у нас нет достоверной информации об исходе следующей сделки. Мы точно не знаем, будет это прибыль (тогда оптимальное f будет 1) или убыток (тог да оптимальное f будет 0). Мы можем выразить результат следующей сделки толь ко распределением вероятности. Лучшим подходом для трейдеров, применяющих механическую систему, будет расчет f путем использования параметрического ме тода с помощью регулируемой функции распределения, описанной в этой главе, с приведенными или неприведенными данными. Если есть значительное различие в использовании приведенных данных по сравнению с неприведенными, тогда, вероятно, расчеты сделаны по слишком большой истории сделок, или же данных на уровне текущих цен недостаточно. Для несистемных трейдеров лучшим может оказаться подход планирования сценария.

Теперь вы имеете представление как об эмпирических, так и параметрических методах, а также о некоторых гибридных методах поиска оптимального f. В следующей главе мы рассмотрим проблему поиска оптимального f (па раметрическим способом) для случая, когда одновременно открыто несколько позиций.

Глава Введение в методы управления капиталом с использованием параметрического подхода при одновременной торговле по нескольким позициям В этой книге уже упоминалось об использовании опционов отдельно или совместно с позицией по базовому инструменту для улучшения торговых результатов. Покупка пут-опциона вместе с длинной позицией по базовому инструменту (или просто покупка колл-оп-циона), а иногда даже продажа (короткая продажа) колл-опциона совместно с длинной позицией по базовому инструменту могут ускорить асимптотический геометрический рост. Это происходит потому, что очень часто (но не всегда) использование опционов уменьшает дисперсию в большей степени, чем уменьшает арифметический средний доход. В результате, исходя из фундаментального уравнения торговли, мы получаем большее оценочное TWR. Опционы можно использовать как самостоятельные инструменты, так и вместе с позициями по базовому инструменту для управления риском. В будущем, так как трейдеры все больше концентрируются на управлении риском, опционы, вероятно, будут играть еще большую роль. В книге «Формулы управления портфелем» была рассмотрена взаи мосвязь оптимального/и опционов. * В этой главе мы продолжим начатую дискуссию и обсудим торговлю по нескольким позициям, а также поговорим об опционах. Настоящая глава посвящена еще одному методу поиска оптималь ного/для немеханических торговых систем. Параметрические методы, рассмотренные до этого момента, могут использовать те, кто не применяет механические системы. Допустим, вы не используете механическую систему и применяете метод, описанный в главе 4. Если вы захотите рассчитать эксцесс, то сделать это будет не очень легко (по крайней мере, точное значение эксцесса быстро получить, скорее всего, не удастся). Данная глава предназначена прежде всего для тех, кто использует немеханические методы принятия решений об открытии и закрытии позиций. Трейдерам, использующим эти методы, надо будет рассчитывать не параметры распределения сделок, а значения для волатильности базового инструмента и прогнозируемой цены базового инструмента. Трейдеру, не использующему механическую, объективную систему, будет намного легче получить именно эти величины, чем рассчитать параметры для распределения сделок, которые еще не произошли.

Обсуждение оптимального/и его побочных продуктов для тех трейдеров, которые не используют механическую, объективную систему, мы начнем с рассмотрения ситуации, когда одновременно открыто несколько позиций.

Означает ли это, что тот, кто использует механические методы для открытия и закрытия позиций, не может использовать описанные подходы? Нет. В Главе предложен метод поиска оптимальных, одновременно открытых позиций независимо от того, использует трейдер механическую систему или нет. В этой главе рассмотрена ситуация, когда одновременно открыто несколько позиций (с использованием опционов или без), и применяется немеханический подход.

Расчет волатильности Один из важных параметров, который трейдер, желающий использовать опи сываемые в этой главе концепции, должен ввести, — это волатильность. Су ществует два способа определения волатильности. Первый — использование оценки на основе рыночных данных — дает подразумеваемую волатильность.

Модели ценообразования опционов, представленные в этой главе, используют волатильность в качестве одного из своих входных параметров для получения справедливой теоретической цены опциона. Подразумеваемая волатильность основывается на предположении, что рыночная цена опциона эквивалентна его справедливой теоретической цене. Волатильность, которая дает справедливую теоретическую цену, равную рыночной цене, и есть подразумеваемая волатильность. Второй метод расчета волатильности основывается на использовании исторических данных. Полученная таким образом историческая волатильность определяется фактической ценой базового инструмента. Хотя волатильность в качестве входного данного в модели ценообразования опционов выражается в годовых процентах, при ее определении используется более короткий временной отрезок, обычно 10-20 дней, а получившийся в результате ответ переводится в годовое значение.

Ниже показан расчет 20-дневной годовой исторической волатильности.

Шаг 1. Разделите сегодняшнее закрытие на предыдущее закрытие рыночного дня.

Шаг 2. Возьмите натуральный логарифм частного, полученного в шаге 1. Для примера рассчитаем годовую историческую волатильность японской йены на март 1991 года. При написании даты будем использовать формат (год/месяц/день). Закрытие 910225, равное 74,52, разделим на закрытие 910222, равное 75,52.

74,82 / 75,52 = 0,9907309322 Натуральный логарифм 0,9907309322 равен 0,009312258.

Шаг 3. По истечении 21 дня у вас будет 20 значений для шага 2. Теперь рас считайте 20-дневную скользящую среднюю значений из шага 2.

Шаг 4. Найдите 20-дневную дисперсию выборки данных из шага 2. Для этого необходима 20-дневная скользящая средняя (см. шаг 3). Далее, для каждого из 20 последних дней вычтем скользящую среднюю из значений шага 2.

Теперь возведем в квадрат полученные значения, чтобы преобразовать все отрицательные ответы в положительные. После этого сложим все значения за последние 20 дней. Наконец, разделим найденную сумму на 19 и получим дисперсию по выборке данных за последние 20 дней. 20-дневная дисперсия для 901226 составляет 0,00009. Подобным образом вы можете рассчитать 20 дневную дисперсию для любого дня.

Шаг 5. После того как вы определили 20-дневную дисперсию для конкретного дня, необходимо преобразовать ее в 20-дневное стандартное отклонение. Это легко сделать путем извлечения квадратного корня из дисперсии. Таким образом, для 901226 квадратный корень дисперсии (которая, как было показано, равна 0,00009) даст нам 20-дневное стандартное отклонение 0,009486832981.

Шаг 6. Теперь преобразуем полученные данные в «годовые». Так как мы используем дневные данные и исходим из того, что по йене в году торговых дня (примерно), умножим ответы из шага 5 на квадратный корень 252, то есть на 15,87450787. Для 901226 20-дневное стандартное отклонение по выборке составляет 0,009486832981. Умножив его на 15,87450787, получаем 0,1505988048. Это значение является исторической волатильностью, в нашем случае — 15,06%, и оно может быть использовано в качестве входного значения волатильности в модели ценообразования опционов Блэка-Шоулса.

Следующая таблица показывает шаги, необходимые для нахождения 20-дневной «годовой» исторической волатильности. Заметьте, что промежуточные шаги для определения дисперсии, которые были показаны в предыдущей таблице, сюда не включены.

А В С D 20-дневная Е 20-дневная F G средняя дисперсия Дата Закрытие LN 20-дневное Годовое изменений стандартное значение F * отклонение 15, 901127 77, 901128 76,91 -0, 901129 74,93 -0, 901130 75,37 0, 901203 74,18 -0, 901204 74,72 0, 901205 74,57 -0, 901206 75,42 0, 901207 76,44 0, торгуете без опционов и рассматриваете торговлю как не ограниченную во вре мени, ваш реальный риск банкротства равен 1. При таких условиях вы неминуемо разоритесь, что вполне согласуется с уравнениями риска банкротства, поскольку в них в качестве входных переменных используются эмпирические данные, то есть входные данные в уравнениях риска банкротства основываются на ограниченных наборах сделок. Утверждение о гарантированном банкротстве при бесконечно долгой игре с неограниченной ответственностью делается с позиций параметрического подхода. Параметрический подход учитывает большие проигрышные сделки, которые расположены в левом хвосте распределения, но еще не произошли, поэтому они не являются частью ограниченного набора, используемого в качестве входных данных в уравнениях риска банкротства. Для примера представьте себе торговую систему, в которой применяется постоянное количество контрактов. В каждой сделке используется 1 контракт. Чтобы узнать, каким может стать баланс через Х сделок, мы просто умножим Х на среднюю сделку. Таким образом, если система имеет среднюю сделку 250 долларов и мы хотим знать, каким может стать баланс через 7 сделок, мы $250 умножим на 7 и получим $1750. Отметьте, что кривая арифметического математического ожидания задается линейной функцией. Любая сделка может принести убыток, который отбросит нас назад (временно) от ожидаемой линии. В такой ситуации есть предел проигрыша по сделке. Так как наша линия всегда выше, чем самая большая сумма, которую можно проиграть за сделку, мы не можем обанкротиться сразу. Однако длинная проигрышная полоса может отбросить нас достаточно далеко от этой линии, и мы не сможем продолжить торговлю, то есть обанкротимся. Вероятность подобного развития событий уменьшается с течением времени, когда линия ожидания становится выше. Уравнение риска банкротства позволяет рассчитать вероятность банкротства еще до того, как мы начнем торговать по выбранной системе. Если бы мы торговали в такой системе на основе фиксированной доли счета, линия загибалась бы вверх, становясь после каждой сделки все круче. Однако проигрыш всегда сопоставим с тем, насколько высоко мы находимся на линии. Таким образом, вероятность банкротства не уменьшается с течением времени. В теории, однако, риск банкротства при торговле фиксированной долей счета можно сделать равным нулю, если торговать бесконечно делимыми единицами. К реальной торговле это не применимо. Риск банкротства при торговле фиксированной долей счета всегда немного выше, чем в этой же системе при торговле на основе постоянного количества контрактов. В действительности, нет верхнего предела суммы, которую вы можете проиграть за одну сделку;

кривые состояния счета могут снизиться до нуля за одну сделку независимо от того, насколько высоко они расположены. Таким образом, если мы торгуем бесконечно долгий период времени инструментом с неограниченной ответственностью, постоянным количеством контрактов или фиксированной долей счета, риск банкротства составляет 1. Банкротство гарантировано. Единственный способ избежать такого развития событий — поставить ограничение на максимальный проигрыш. Этого можно достичь, используя опционы, когда позиция относится в дебет (если трейдер платит за премию больше, чем получает, то разница между уплаченной и полученной суммами называется «дебет»)1.

Модели ценообразования опционов Представьте себе базовый инструмент (акция, облигация, валюта, товар и т.д.), цена которого движется вверх или вниз на 1 тик каждую последующую сделку Если мы будем измерять возможную стоимость акции через 100 тиков и рассмот рим большое количество вариантов, то обнаружим, что полученное распределение результатов — нормальное. Поведение цены в данном случае будет напоминать падение шарика через доску Галтона. Если рассчитать цену опциона, исходя из того принципа, что прибыль при покупке или продаже опционов должна быть равна нулю, мы получим биномиальную модель ценообразования опционов (или, коротко, биномиальную модель). Ее иногда также называют моделью Кокса Росса-Рубинштейна в честь ее разработчиков. Такая цена опциона основывается на его ожидаемой стоимости (его арифметическом математическом ожидании), с тем расчетом, что вы не получаете прибыль, покупая или продавая опцион и удерживая его до истечения срока. В этом случае говорят, что опцион справедливо оценен.

Мы не будем углубляться в математику биномиальной модели, а рассмотрим модель фондовых опционов Блэка-Шоулса и модель опционов на фьючерсы Блэ ка. Вам следует знать, что кроме вышеперечисленных трех моделей есть другие действующие модели ценообразования опционов, которые мы не будут рассмат ривать, хотя концепции, описанные в этой главе, применимы ко всем моделям ценообразования опционов. Для более подробного изучения математической ос новы моделей я могу порекомендовать книгу Шелдона Нейтенберга (Volatility and Pricing Strategies by Sheldon Natenberg). Математика модели фондовых опционов Блэка-Шоулса и модели опционов на фьючерсы Блэка, которые мы будем рас сматривать, взята из книги Нейтенберга. Тем читателям, которые желают больше узнать о концепции оптимального f и опционах, я советую прочитать фундамен тальный труд Нейтенберга.

Давайте обсудим модель ценообразования фондовых опционов Блэка-Шоулса (далее Блэк-Шоулс). Модель названа в честь ее создателей: Фишера Блэка из Чикагского университета и Мирона Шоулса из M.I.T;

впервые она была описана в 1973 году (May — June 1973 Journal of Political Economy). Блэк-Шоулс считается предельной формой биномиальной модели. В биномиальной модели нужно задать число тиков, определяющее движение вверх или вниз, прежде чем будет за фиксировано возможное значение цены. Далее следует небольшая диаграмма, которая поясняет эту мысль.

Позднее в этой главе мы увидим, что базовые инструменты идентичны колл-опционам с неограниченным сроком истечения. Поэтому, если у нас открыта длинная позиция по базовому инструменту, мы можем сказать, что проигрыш наихудшего случая является полной стоимостью инструмента. В большинстве случаев проигрыш такой величины и является катастрофическим проигрышем. Короткая позиция по базовому инструменту аналогична короткой позиции по колл-опциону с неограниченным сроком истечения, и в такой ситуации ответственность действительно не ограничена.

Текущая цена на первом шаге может пойти в 2-х направлениях. На втором шаге в 4-х направлениях. В биномиальной модели для расчета справедливой цены опци она вы должны заранее определить, сколько всего периодов использовать. Блэк Шоулс считается предельной формой биномиальной модели, так как допускает бесконечное число периодов (в теории), то есть Блэк-Шоулс подразумевает, что эта небольшая диаграмма будет расширяться до бесконечности. Если вы определите справедливую цену опциона по Блэку-Шоулсу, то получите тот же ответ, что и в случае с биномиальной моделью, если число периодов, используе мых в биномиальной модели, будет стремиться к бесконечности. (Тот факт, что Блэк-Шоулс является предельной формой биномиальной модели, подразумевает, что биномиальная модель появилась первой, но на самом деле сначала появилась именно модель Блэка-Шоулса). Справедливая стоимость фондового колл-опциона по Блэку-Шоулсу рассчитывается следующим образом:

а пут-опциона:

где С = справедливая стоимость колл-опциона;

Р = справедливая стоимость пут-опциона;

U = цена базового инструмента;

Е = цена исполнения опциона;

Т = доля года, оставшаяся до истечения срока исполнения выраженная десятичной дробью1;

V= годовая волатильность в процентах;

R = безрисковая ставка;

1п() = функция натурального логарифма;

N() = кумулятивная нормальная функция распределения вероятностей, задаваемая уравнением (3.21).

Для акций, по которым выплачиваются дивиденды, необходимо скорректировать переменную U и отразить текущую цену базового инструмента с учетом стоимос ти ожидаемых дивидендов:

где Ц = ожидаемая выплата дивиденда 1;

W. = время (доля года, выраженная десятичной дробью) до выплаты L Модель Блэка-Шоулса позволяет точно рассчитать дельту, то есть первую про изводную цены опциона. Это мгновенная скорость изменения опциона по отно шению к изменению U (цены базового инструмента):

Чаще всего только рыночные дни используются при расчете этой переменной. Число рабочих дней в году (григорианское) можно определить следующим образом: 365,2424 / 7*5= 260,8875. Из-за выходных реальное число торговых дней в году обычно составляет от 250 до 252. Поэтому, если мы используем 252-дневный год и осталось 50 торговых дней до истечения срока, то доля года, выраженная десятичной дробью, т.е. Т, будет 50 / /252=0, (5.05) Дельта колл-опциона = N(H) (5.06) Дельта пут-опциона = -N(-H) Эти коэффициенты будут очень важны в Главе 7, когда мы будем рассматривать страхование портфеля.

.

Блэк сделал модель применимой к опционам на фьючерсы, механизм операций с которыми аналогичен операциям с акциями1. Модель ценообразования опционов на фьючерсы Блэка аналогична модели фондовых опционов Блэка-Шоулса за исключением переменной Н:

При использовании модели для фьючерсов коэффициент дельта рассчитывается следующим образом:

(5.08) Дельта колл-опциона = EXP(-R * Т) * N(H) (5.09) Дельта пут-опциона = -EXP(-R * Т) * N(-H) Для примера рассмотрим опцион, который имеет цену исполнения 600. Текущая рыночная цена базового инструмента равна 575, а годовая волатильность составляет 25%. Мы будем использовать модель опционов на фьючерсы, 252 дневный год и безрисковую ставку 0%. Далее мы допустим, что дата истечения опциона — 15 сентября 1991 года (910915), а текущая дата — 1 августа 1991 года (910801).

Сначала рассчитаем переменную Т, а затем преобразуем 910801 и 910915 в их юлианские эквиваленты. Для этого мы должны использовать следующий алгоритм.

1. Задайте переменные 1, 2 и 3, которые будут определять год, месяц и день, соответственно. Для нашего примера — это 1991, 8 и 1.

2. Если переменная 2 меньше 3 (январь или февраль), тогда переменная 1 будет равна значению года минус 1, а переменная 2 будет равна значению месяца плюс 13.

3. Если значение переменной 2 больше, чем 2 (март или дальше), тогда переменная 2 будет равна значению месяца плюс 1.

4. Задайте переменную 4, которая будет рассчитываться следующим образом:

5. Задайте переменную 5, которая будет равна целой части произведения числа 0,01 и переменной 1:

Математически:

V5=INT(0,01*V1) 6. Рассчитаем юлианскую дату:

При торговле фьючерсами не требуется немедленной уплаты денежных средств за базовый актив, хотя необходимо уплатить залог. Кроме того, все прибыли и убытки реализуются немедленно, даже когда позиция не ликвидирована. Эти пункты находятся в прямом противоречии с механизмом сделок по акциям.

При торговле акциями покупка требует полной и немедленной оплаты, а прибыли (или убытки) не реализуются, пока позиция не ликвидирована.

Юлианская дата = V4 + 2 - V5 + INT(0,25 * V5) Преобразуем дату 910901 в юлианскую:

Шаг 1. VI = 1991, V2 = 8, V3 = 1.

Шаг 2. Так как наш месяц в этом примере идет за январем и февралем, то этот шаг не применяется.

Шаг 3. Так как этот месяц идет за январем и февралем, то получим:

V2 = 8 + 1 = 9. Шаг 4. Теперь найдем V4:

V4 = V3 + 1 720 995 + INT(365,25 * VI) + INT(30,6001 * V2) = 1 + 1 720 995 + INT(365,25 * 1991) + INT(30,6001 * 9) = 1 + 1 720 995 + INT(727 212,75) + INT(275,4009) =1+1720 995 + 727 212 + 275 = 2 448 483 Шаг 5. Далее найдем V5:

V5=INT(0,01*V1) =INT(0,01*1991) = INT(19,91) = 19 Шаг 6. Теперь получим юлианскую дату:

Юлианская дата = V4 + 2 - V5 + INT(0,25 * V5) = 2 448 483 + 2 - 19 + INT(0,25 * 19) = 2 448 483 + 2 - 19 + INT(4,75) = 2 448 483 + - 19 + 4 = 2 448 Таким образом, юлианская дата 1 августа 1991 года равна 2448470. Если мы преобразуем дату истечения опциона 15 сентября 1991 года в юлианскую, то получим 2448515. Если использовать 365-дневный год (или точнее 365,2425 дневный по григорианскому календарю), то, чтобы найти время, оставшееся до истечения срока, необходимо рассчитать разность между двумя юлианскими датами, затем вычесть единицу и полученное значение разделить на 365 (или 365,2425). Однако мы будем использовать не 365-дневный год, а 252-дневный, чтобы учесть только те дни, когда открыта биржа (будние дни минус праздники).

Просмотрим каждый день между двумя юлианскими датами, чтобы понять, является он рабочим днем или нет. Мы можем определить, каким днем недели является юлианская дата, прибавив к ее значению единицу, разделив на 7 и взяв остаток. Остаток будет значением от 0 до 6, соответствуя дню недели от воскресенья до субботы. Таким образом, для 1 августа 1991 года, когда юлианская дата равна 2448470:

День недели = ((2 448 470 + 1) / 7) % 7 =2448471/% 7 = ((2 448 471/7) - INT(2 471 / 7)) * 7 =(349 781,5714-349 781)* 7 =0,5714*7 = Так как 4 соответствует четвергу, мы можем утверждать, что 1 августа 1991 года является четвергом.

Теперь просмотрим все дни до даты истечения срока опциона. Если мы учтем все рабочие дни между этими двумя датами, то придем к выводу, что между (и вклю чая) 1 августа 1991 года и 15 сентября 1991 года 32 рабочих дня. Из полученного значения следует вычесть единицу, так как мы считаем первым днем 2 августа 1991 года. Таким образом, между 910801 и 910915 31 рабочий день. Теперь мы должны вычесть праздники, когда биржа закрыта. В США 2 сентября 1991 года является Днем Труда. Даже если вы живете в другой стране, биржа, где идет торговля по этому опциону, может находиться в США, и 2 сентября она будет закрыта, поэтому мы вычтем 1 из последнего результата. Таким образом, мы полу чим 30 торговых дней до истечения срока опциона. Разделим количество торговых дней до истечения срока на число дней в году. Так как мы используем 252 дневный год, то 30/252=0,119047619. Это и есть доля года, выраженная десятичной дробью, т.е. переменная Т.

Определим переменную Н, необходимую для модели ценообразования. Так как мы используем модель для фьючерсов, то должны рассчитать Н по формуле (5.07):

Уравнение (3.21) для расчета N используется два раза. Первый раз, когда мы нахо дим N(H), второй, когда находим N(H - V * Т^(1/2)). Мы знаем, что V * Т ^ (1/2) = 0,0862581949, поэтому Н - V* Т ^ (1/2) = -0,4502688281 - 0,0862581949 = -0,536527023. Таким образом, мы должны использовать урав нение (3.21) со следующими вводными значениями переменной Z:

-0,4502688281 и-0,536527023. Из уравнения (3.21) получим 0,3262583 и 0, соответственно (уравнение (3.21) описано в главе 3, поэтому мы не будем повторять его здесь). Отметьте, что сейчас мы получили коэффициент дельта, мгновенную скорость изменения цены опциона по отношению к изменению цены базового инструмента. Таким образом, дельта для этого опциона составляет 0,3262583. Теперь у нас есть все входные данные, необходимые для определения теоретической цены опциона. Подставив полученные значения в уравнение (5.01), получим:

Таким образом, в соответствии с моделью Блэка для фьючерсов справедливая сто имость колл-опциона с ценой исполнения 600, сроком исполнения 15 сентября 1991 года, при цене базового инструмента на 1 августа 1991 года 575, при вола тильности 25%, с учетом 252-дневного года и R = 0 составляет 10,1202625.

Интересно отметить связь между опционами и базовыми инструментами, ис пользуя вышеперечисленные модели ценообразования. Мы знаем, что 0 является наименьшей ценой опциона, но верхняя цена — это цена самого базового инстру мента. Модели демонстрируют, что теоретическая справедливая цена опциона приближается к верхнему значению (стоимости базового инструмента U) при рос те любой или всех трех переменных Т, R или V Это означает, что если мы, напри мер, увеличим Т (время до срока истечения опциона) до бесконечно большого зна чения, тогда цена опциона будет равна цене базового инструмента. В этой связи мы можем сказать, что все базовые инструменты в действительности эквивалентны опционам с бесконечным Т. Таким образом, все сказанное верно не только для опционов, но и для базовых инструментов, как будто они являются опционами с бесконечным Т. Модель фондовых опционов Блэка-Шоулса и модель опционов на фьючерсы Блэка построены на определенных допущениях.

Разработчики этих моделей исходили из трех утверждений. Несмотря на недостатки этих утверждений, предложенные модели все-таки довольно точны, и цены опционов будут стремиться к значениям, полученным из моделей. Первое из этих утверждений состоит в том, что опцион не может быть исполнен до истечения срока. Это приводит к недооценке опционов американского типа, которые могут исполняться до истечения срока. Второе утверждение предполагает, что мы знаем будущую волатильность базового инструмента, и она будет оставаться постоянной в течение срока действия опциона. На самом деле это не так (т.е. волатильность изменится). Кроме того, распределение изменений волатильности логарифмически нормально, и эту проблему модели не учитывают1.

Еще одно допущение модели состоит в том, что безрисковая процентная ставка остается постоянной в течение времени действия опциона. Это также не обязательно. Более того, краткосрочные ставки логарифмически нормально распределены. То обстоятельство, что, чем выше краткосрочные ставки, тем выше будут цены опционов, и утверждение относительно неизменности краткосрочных ставок может привести к еще большей недооценке опциона по отношению к ожидаемой цене (его правильному арифметическому математическому ожиданию). Еще одно утверждение (возможно наиболее важное), которое может привести к недооценке стоимости опциона, рассчитанной с помощью модели, по отношению к действительно ожидаемой стоимости, состоит в том, что логарифмы изменений цены распределяются нормально. Если бы опционы характеризовались не числом дней до даты истечения срока, а числом тиков вверх или вниз до истече ния, а цена за один раз могла бы изменяться только на 1 тик и он был бы статисти чески независим от предыдущего тика, то мы могли бы допустить существование нормального распределения. В нашем случае логарифмы изменений цены не имеют таких характеристик. Тем не менее теоретические справедливые цены, полученные с помощью моделей, используются профессионалами на рынке. Даже если некоторые трейдеры применяют модели, которые отличаются от показанных здесь, большинство из них дадут похожие теоретические справедливые цены. Ког да реальные цены расходятся с теоретическими до такой степени, что спекулянты могут получить прибыль, цены начинают снова сходиться к так называемой «теоретической справедливой цене». Тот факт, что мы можем спрог-нозировать с Тот факт, что распределение изменений волатильности логарифмически нормально, не так часто принимается во внимание. Чрезвычайная чувствительность цен опционов к волатильности базового инструмента делает покупку опциона (пут-опциона или колл-опциона) еще более привлекательной в смысле математического ожидания.

достаточной степенью точности, какой будет цена опциона при наличии различных входных данных (время истечения, цена базового инструмента и т.д.), позволяет нам произвести расчеты оптимального f и его побочных продуктов по опционам и смешанным позициям. Читатель должен помнить, что все эти методы основаны на утверждениях, которые только что были изложены.

Модель ценообразования европейских опционов для всех распределений Мы можем создать собственную модель ценообразования, лишенную каких-либо предположений относительно распределения изменений цены.

Сначала необходимо определить термин «теоретически справедливый», отно сящийся к цене опционов. Мы будем говорить, что опцион справедливо оценен, если арифметическое математическое ожидание цены опциона к моменту истечения, выраженное на основе его текущей стоимости, не принимает во внимание возможного направленного движения цены базового инструмента.

Смысл определения таков: «Какова стоимость данного опциона для меня сегодня как для покупателя опционов»?

Математическое ожидание (арифметическое) определяется из уравнения (1.03):

где рi = вероятность выигрыша или проигрыша попытки i;

ai= выигранная или проигранная сумма попытки i;

N =количество возможных исходов (попыток).

Математическое ожидание представляет собой сумму произведений каждого воз можного выигрыша или проигрыша и вероятности этого выигрыша или проигры ша. Когда сумма вероятностей рi больше 1, уравнение 1.03 необходимо разделить на сумму вероятностей рi.

Рассмотрим все дискретные изменения цены, которые имеют вероятность осуществления, большую или равную 0,001 в течение срока действия контракта, и по ним определим арифметическое математическое ожидание.

где С = справедливая с теоретической точки зрения стоимость опциона, или арифметическое математическое ожидание;

рi = вероятность цены i по истечении срока опциона;

аi = внутренняя стоимость опциона (для кол-опциона: рыночная цена инструмента минус цена исполнения опциона;

для пут-опциона: цена исполнения минус рыночная цена инструмента), соответствующая базовому инструменту при цене i.

Использование этой модели подразумевает, что, начиная с текущей цены, мы будем двигаться вверх по 1 тику, суммируя значения как в числителе, так и в зна менателе до тех пор, пока вероятность i-ой цены (т.е. р.) не будет меньше 0,001 (вы можете использовать меньшее число, но я считаю, что 0,001 вполне достаточно).

Затем, начиная со значения, которое на 1 тик ниже текущей цены, мы будем двигаться вниз по 1 тику, суммируя значения как в числителе, так и в знаменателе, пока вероятность i-ой цены (т.е. рi) не будет меньше 0,001. Отметьте, что вероятности, которые мы используем, являются 1-хвостыми, т.е., если вероятность больше чем 0,5, мы вычитаем это значение из 1. Интересно отметить, что значения вероятности рi можно менять в зависимости от того, какое распределение применяется, и оно не обязательно должно быть нормальным, то есть пользователь может получить теоретическую справедливую цену опциона для любой формы распределения! Таким образом, эта модель дает возможность использовать устойчивое распределение Парето, t-распределение, распределение Пуассона, собственное регулируемое распределение или любое другое распределение, с которым, по нашему мнению, согласовывается цена при определении справедливой стоимости опционов.

Необходимо изменить модель таким образом, чтобы она выражала арифмети ческое математическое ожидание на дату истечения срока опциона как следую щую величину:

где С = справедливая с теоретической точки зрения стоимость опциона, или текущее значение арифметического математического ожидания при данном значении Т;

pi = вероятность цены i по истечении срока опциона;

аi =внутренняя стоимость опциона, соответствующая базовому инструменту при цене i;

R = текущая безрисковая ставка;

Т = доля года, оставшаяся до истечения срока исполнения, выраженная десятичной дробью.

Уравнение (5.11) является моделью ценообразования опционов для всех распре делений и дает текущее значение арифметического математического ожидания опциона на дату истечения1. Отметьте, что модель можно использовать и для пут опционов, имея в виду, что значения а. при каждом приросте цены i будут другими. Когда необходимо учесть дивиденды, используйте уравнение (5.04) для корректировки текущей цены базового инструмента. При определении вероятности цены i на дату истечения используйте именно эту измененную теку щую цену. Далее следует пример использования уравнения (5.11). Допустим, мы обнаружили, что приемлемой моделью, описывающей распределение логарифмов изменений цены товара, опционы на который мы хотим купить, является распределение Стьюдента2. Для определения оптимального числа степеней свободы распределения Стьюдента мы использовали тест К-С и пришли к выводу, что наилучшее значение равно 5. Допустим, мы хотим определить справедливую цену колл-опциона на 911104 (дата истечения срока опциона — 911220). Цена Уравнение (5.11) не учитывает разницу между фондовыми опционами и товарными опционами. Согласно общепринятому подходу, в цену фондового опциона включается доход по простой бескупонной облигации, которая будет погашена в момент истечения срока опциона и номинал которой равен цене исполнения. Опционы на товарные фьючерсы, как считается, имеют процентную ставку 0. Мы же не учитываем это обстоятельство. Если ценная бумага и товар имеют абсолютно одинаковое распределение ожидаемых результатов, т.е. их арифметические математические ожидания равны, то разумный инвестор выберет более дешевый инструмент. Эту ситуацию хорошо иллюстрирует пример, когда вы рассматриваете покупку одного из двух одинаковых домов, и один из них оценен выше только потому, что продавец платил более высокую процентную ставку по ипотечному кредиту Распределение Стьюдента далеко не лучшая модель, описывающая распределение изменений цены. Однако, так как единственным параметром, кроме волатильности (годового стандартного отклонения), который необходимо рассматривать при использовании распределения Стьюдента, является число степеней свободы, а ассоциированные вероятности легко находятся (см. приложение В), мы будем использовать распределение Стьюдента для наглядности.

базового инструмента равна 100, цена исполнения опциона также равна 100.

Предположим, годовая волатильность составляет 20%, безрисковая ставка 5% и год равен 260,8875 дням (мы не учитываем праздники, которые выпадают на рабочий день, например День Благодарения в США). Далее допустим, что минимальный тик по этому предполагаемому товару равен 0,10. Используя уравнения (5.01), (5.02) и (5.07) для переменной Н, мы найдем, что справедливая цена равна 2,861 как для колл-опциона, так и для пут-опциона с ценой исполнения 100. Таким образом, эти цены опционов являются справедливыми ценами в соответствии с моделью товарных опционов Блэка, которая допускает логарифмически нормальное распределение цен. Если мы будем использовать уравнение (5.11), то должны сначала рассчитать значения pg. Их можно получить из фрагмента программы, написанной на языке Бейсик и представленной в приложении В. Отметьте, что необходимо знать стандартное значение, т.е. пере менную Z, и число степеней свободы, т.е. переменную DEGFDM. Прежде чем мы обратимся к этой программе, преобразуем цену i в стандартное значение по сле дующей формуле:

где i = цена, соответствующая текущему состоянию процесса суммирования;

V = годовая волатильность, выраженная стандартным отклонением;

Т = доля года, оставшаяся до истечения срока исполнения, выраженная десятичной дробью;

1п() = функция натурального логарифма.

Уравнение (5.12), написанное на БЕЙСИКе, будет выглядеть следующим образом:

Переменная U представляет собой текущую цену базового инструмента (с учетом дивидендов, если это необходимо). Вероятность для распределения Стьюдента, найденная с помощью программы из приложения В, является 2-хвостой. Нам надо сделать ее 1-хвостой и выразить как вероятность отклонения от текущей цены (то есть ограничить ее 0 и 0,5). Это можно сделать с помощью двух строк на БЕЙСИКе:

Таким образом, для 5 степеней свободы справедливая цена колл-опциона равна 3,842, а справедливая цена пут-опциона равна 2,562. Эти величины отличаются от значений, полученных с помощью более традиционных моделей. Причин здесь несколько.

Во-первых, более толстые хвосты распределения Стьюдента с 5 степенями свободы дадут более высокую справедливую стоимость колл-опциона. Вообще, чем толще хвосты распределения, тем больше получается цена колл-опциона. Если бы мы использовали 4 степени свободы, то получили бы еще большую цену колл опциона.

Стоимость пут-опциона и стоимость колл-опциона значительно отличаются, в то время как в традиционных моделях стоимость пут-опциона и колл-опциона эквивалентна. Этот момент требует некоторого пояснения.

Справедливую стоимость пут-опциона можно найти из цены колл-опциона с той же ценой исполнения и датой истечения (или наоборот) по формуле пут-колл паритета:

где Р = справедливая цена пут-опциона;

С = справедливая цена колл-опциона;

Е = цена исполнения;

U = текущая цена базового инструмента;

R = безрисковая ставка;

Т = доля года, оставшаяся до истечения срока исполнения, выраженная десятичной дробью.

Когда равенство (5.13) не выполняется, появляется возможность арбитража. Из (5.13) мы видим, что цены, полученные из традиционных моделей, эквивалентны, когда Е - U = 0.

Давайте заменим переменную U в уравнении (5.13) ожидаемой ценой базового инструмента на дату истечения срока опциона. Ожидаемая стоимость базового инструмента может быть определена с помощью уравнения (5.10) с учетом того, что в этом случае а. просто равно i. В нашем примере с DEGFDM = 5 ожидаемая стоимость базового инструмента равна 101,288467. Это происходит потому, что минимальная цена инструмента равна 0, в то время как ограничения цены сверху не существует. Движение цены со 100 до 50 так же вероятно, как и движение со 100 до 200. Следовательно, стоимость колл-опционов будет выше, чем стоимость пут-опционов. Неудивительно, что ожидаемая стоимость базового инструмента на дату истечения должна быть больше, чем его текущая цена, — это вполне согласуется с предположением об инфляции. Когда в уравнении (5.13) мы заменим значение U (текущую цену базового инструмента) на значение ожидаемой стоимости на дату истечения, мы сможем рассчитать справедливую стоимость пут-опциона:

Р = 3,842 + (100 - 101,288467) * ЕХР(-0,05 * 33/260,8875) = 3,842+-1,288467 *ЕХР( 0,006324565186) = 3,842 + -1,288467 * 0,9936954 = 3,842 + 1, =2, Это значение согласуется со стоимостью пут-опциона, полученной из уравнения (5.11).

Остается одна проблема: если пут-опционы и колл-опционы с одной ценой исполнения и сроком истечения оценены согласно уравнению (5.11), тогда суще ствует возможность арбитража. На самом деле LJ в (5.13) является текущей ценой базового инструмента, а не ожидаемым значением базового инструмента на дату истечения. Другими словами, если текущая цена равна 100 и декабрьский колл опцион с ценой исполнения, равной 100, стоит 3,842, а пут-опцион с ценой ис полнения, равной 100, стоит 2,561656269, то существует возможность арбитража, исходя из (5.13).

Отсутствие паритета «пут-колл» при наличии наших заново полученных цен опционов предполагает, что вместо покупки колл-опциона за 3,842 нам следует открыть эквивалентную позицию, купив пут-опцион за 2,562 и базовый инструмент.

Проблема решится, если мы сначала рассчитаем ожидаемую стоимость базо вого инструмента по уравнению (5.10) с учетом того, что аi просто равно i (в нашем примере с DEGFDM = 5 ожидаемая стоимость базового инструмента равна 101,288467), и вычтем текущую цену базового инструмента из полученного значения: 101,288467 - 100= 1,288467. Теперь, если мы вычтем это значение из каждого значения а., т.е. внутренней стоимости из (5.11), и примем любые по лучившиеся значения менее 0 равными 0, тогда уравнение (5.11) даст нам теоре тические значения, которые согласуются с (5.13). Таким образом, арифметическое математическое ожидание по базовому инструменту заменит текущую цену базового инструмента. В нашем примере (распределение Стьюдента с 5 степенями свободы) мы получим стоимость пут-опциона и колл-опциона с ценой исполнения 100, равную 3,218. Таким образом, наш ответ согласуется с уравнением (5.13), и возможность арбитража между этими двумя опционами и их базовыми инструментами отсутствует.

Когда мы используем распределение, которое основано на значениях ариф метического математического ожидания базового инструмента на дату истечения и значение этого ожидания отличается от текущей стоимости базового ин струмента, мы должны вычесть разность (ожидание - текущая стоимость) из внутренней стоимости опциона и приравнять нулю значения меньше нуля. Таким образом, для любой формы распределения уравнение (5.11) дает нам ариф метическое математическое ожидание опциона на дату истечения, при условии, что арифметическое математическое ожидание по базовому инструменту равно его текущей цене (то есть направленное движение цены базового инструмента не предполагается).

Одиночная длинная позиция по опциону и оптимальное f Рассмотрим обычную покупку колл-опциона. Вместо того чтобы для нахождения оптимального f использовать полную историю сделок по опционам данной ры ночной системы, мы рассмотрим все возможные изменения цены данного опциона за время его существования и взвесим каждый результат вероятностью его осуществления. Этот взвешенный по вероятностям результат является HPR, со ответствующим цене покупки опциона. Мы рассмотрим весь спектр результатов (т.е. среднее геометрическое) для каждого значения f и таким образом найдем оп тимальное значение. Почти во всех моделях ценообразования опционов вводными переменными, имеющими наибольшее влияние на теоретическую цену опциона, являются: (а) время, оставшееся до истечения срока, (б) цена исполнения, (в) цена базового инструмента и (г) волатильность. Некоторые модели могут иметь и другие вводные данные, но именно эти четыре переменные больше всего влияют на теоретическое значение. Из этих переменных две — время, оставшееся до истечения срока, и цена базового инструмента — переменные величины.

Волатильность тоже может изменяться, однако редко в той же степени, что цена базового инструмента или время до истечения срока. Цена исполнения не изменяется.

С помощью нашей модели можно найти теоретическую цену для всех значений цен базового инструмента и времени, оставшегося до истечения срока. Таким образом, HPR для опциона является функцией не только цены базового инструмента, но и функцией времени, оставшегося до даты истечения опциона:

где f = тестируемое значение f;

S = текущая цена опциона;

Z(T, U - Y) = теоретическая цена опциона, когда цена базового инструмента равна U - Y, а время, оставшееся до срока истечения, равно Т. Эту цену можно определить с помощью любой модели ценообразования, которую пользователь посчитает подходящей;

Р(Т, U) = 1-хвостая вероятность того, что цена базового инструмента равна U, когда время, оставшееся до истечения срока исполнения, равно Т. Это значение можно определить из любой формы распределения, которую пользователь посчитает подходящей;

Y = разность между арифметическим математическим ожиданием базового инструмента (согласно уравнению (5.10)) и текущей ценой.

С помощью этой формулы можно рассчитать HPR (взвешенное по вероятности результата) по сделке с опционом, при условии, что через время Т цена базового инструмента будет равна U. В данном уравнении переменная Т представляет собой долю года (выраженную десятичной дробью), оставшуюся до истечения срока опциона. Поэтому на дату истечения Т = 0. Если до истечения срока остается один год, то Т = 1. Переменная Z(T, U - Y) зависит от модели ценообразования, которую вы используете. Единственная переменная, которую вам надо рассчитать, — это Р(Т, U), т.е. вероятность того, что базовый инструмент будет равен U при заданном Т (т.е. времени, оставшемся до конца действия опциона). Если использовать модель Блэка-Шоулса или модель товарных опционов Блэка, то можно рассчитать Р(Т, U) следующим образом:

если U < или = О:

если U > Q:

где U = рассматриваемая цена;

Q = текущая цена базового инструмента;

V= годовая волатильность базового инструмента;

Е=доля года, выраженная десятичной дробью, прошедшая с тех пор, когда опцион был приобретен;

N() = функция нормального распределения (уравнение (3.21));

ln() = функция натурального логарифма.

В итоге мы получим взвешенное по вероятности HPR для каждого исхода.

Возможен широкий диапазон результатов, но, к сожалению, эти результаты не непрерывны. Например, время до истечения срока не задается непрерывной функцией. До истечения срока всегда остается целое число;

то же верно и для цены базового инструмента. Если цена акции равна, например, 35, а минимальное изменение цены равно 1/8, то между 30 и 40 находится 81 возможное значение.

Зная время, через которое мы собираемся продать опцион, можно рассчитать взвешенные по вероятности HPR для всех возможных цен на этот рыночный день.

В нормальном распределении вероятности 99,73% всех результатов попадают в интервал трех стандартных отклонений от среднего, которое в нашем случае является текущей ценой базового инструмента. Поэтому нам необходимо рассчи тать HPR для определенного рыночного дня и каждой дискретной цены между - и + 3 стандартными отклонениями. Можно использовать 4, 5, 6 или больше стан дартных отклонений, но ответ от этого не станет значительно точнее. Не следует также сокращать ценовое окно до 2 или 1 стандартного отклонения. Выбор стандартньк отклонений, конечно, не является твердым правилом, но в боль шинстве случаев оно приемлемо. Если мы используем модель Блэка-Шоулса или модель опционов на фьючерсы Блэка, то можно узнать, какому изменению цены базового инструмента U соответствует 1 стандартное отклонение:

где U = текущая цена базового инструмента;

V = годовая волатильность базового инструмента;

Т = доля года, выраженная десятичной дробью, прошедшая с тех пор. когда опцион был приобретен;

ЕХР() = экспоненциальная функция.

Отметьте, что стандартное отклонение является функцией времени, прошедшего с момента открытия позиции.

Для точки, которая на Х стандартных отклонений выше текущей цены базового инструмента, получаем:

Для точки, которая на Х стандартных отклонений ниже текущей цены базового инструмента, получаем:

где U =текущая цена базового инструмента;

V =годовая волатильность базового инструмента;

Т =доля года, выраженная десятичной дробью, прошедшая с тех пор, когда опцион был приобретен;

EXPQ = экспоненциальная функция;

Х =число стандартных отклонений от среднего, для которых вы хо тите определить вероятности.

Далее следует описание процедуры поиска оптимального f для данного опциона.

Шаг 1. Решите, закроете ли вы позицию по опциону в какой-то конкретный день.

Если нет, тогда в дальнейших расчетах используйте дату истечения срока опциона.

Шаг 2. Определите, сколько дней вы будете удерживать позицию. Затем преобразуйте это число дней в долю года, выраженную десятичной дробью.

Шаг 3. Для дня из шага 1 рассчитайте точки, которые находятся между +3 и - стандартными отклонениями.

Шаг 4. Преобразуйте диапазоны цен из шага 3 в дискретные значения. Другими словами, используя приращения по 1 тику, определите все возможные цены диапазона, включая крайние значения.

Шаг 5. Для каждого из полученных результатов рассчитайте Z(T, U - Y) и Р(Т, U), то есть рассчитайте теоретическую цену опциона, а также вероятность того, что базовый инструмент к рассматриваемым датам будет равен определенной цене.

Шаг 6. После того, как вы выполните шаг 5, у вас будут все входные данные, необходимые для расчета взвешенного по вероятности HPR.

где f = тестируемое значение f;

S = текущая цена опциона;

Z(T, U - Y) = теоретическая цена опциона, когда цена базового инструмента равна U - Y, а время, оставшееся до срока истечения, равно Т. Эту цену можно определить с помощью любой модели ценообразования, которую пользователь посчитает подходящей;

Р(Т, U) = 1-хвостая вероятность того, что цена базового инструмента равна U, когда время, оставшееся до истечения срока исполнения, равно Т. Это значение можно определить из любой формы распределения, которую пользователь посчитает подходящей;

Y = разность между арифметическим математическим ожиданием базового инструмента (согласно уравнению (5.10)) и текущей ценой.

Необходимо отметить, что форма распределения, используемого для Р(Т, U), не обязательно должна быть такой же, как и в модели ценообразования, применяемой для определения значений Z(T, U - Y). Например, вы используете модель фондовых опционов Блэка-Шоулса для определения значений Z(T, U - Y). Эта модель предполагает логарифмически нормальное распределение изменений цены, однако для определения соответствующего Р(Т, U) вы можете использовать другую форму распределения.

Шаг 7. Теперь мы можем начать поиск оптимального f с помощью метода итераций, перебирая все возможные значения f между 0 и 1, или с помощью метода параболической интерполяции, или любого другого одномерного алгоритма поиска. Подставляя тестируемые значения f в HPR (у вас уже есть HPR для каждого из возможных приращений цены между + 3 и - стандартными отклонениями на дату истечения срока или указанную дату выхода), вы можете найти среднее геометрическое для данного тестируемого значения f. Для этого надо перемножить все HPR, и полученное произведение возвести в степень единицы, деленной на сумма вероятностей:

поэтому где G(f, T) = среднее геометрическое HPR для данного тестируемого значения f;

f = тестируемое значение f;

S = текущая цена опциона;

Z(T, U - Y) = теоретическая цена опциона, когда цена базового инструмента равна U - Y, а время, оставшееся до срока истечения, равно Т. Эту цену можно определить с помощью любой модели ценообразования, которую пользователь посчитает подходящей;

Р(Т, U) = вероятность того, что базовый инструмент равен U, когда время, оставшееся до истечения срока исполнения, равно Т. Это значение можно определить из любой формы распределения, которую пользователь посчитает подходящей;

Y = разность между арифметическим математическим ожиданием базового инструмента (согласно уравнению (5.10)) и текущей ценой.

Значение f, которое в результате даст наибольшее среднее геометрическое, явля ется оптимальным.

Мы можем оптимизировать f, определив оптимальную дату выхода. Другими словами, мы можем найти значение оптимального f для данного опциона на каж дый день между текущим днем и днем истечения. Запишем оптимальные f и сред ние геометрические для каждой указанной даты выхода. Когда мы завершим эту процедуру, мы сможем найти ту дату выхода, которая даст наивысшее среднее геометрическое. Таким образом, мы получим день, когда должны выйти из позиции по опциону для того, чтобы математическое ожидание было наивысшим (т.е. среднее геометрическое было наивысшим). Мы также узнаем, какое оптимальное количество контрактов следует купить.

Теперь у нас есть математический метод, с помощью которого можно выходить из позиции по опциону и покупать опцион при положительном математическом ожидании. Если мы выйдем из позиции в день, когда среднее геометрическое максимально и оно больше 1,0, то следует покупать число контрактов, исходя из оптимального f, которое соответствует наивысшему среднему геометрическому.

Математическое ожидание, о котором мы говорим, — это геометрическое ожидание. Другими словами, среднее геометрическое (минус 1,0) является математическим ожиданием, когда вы реинвестируете прибыли (арифметическое положительное математическое ожидание будет, конечно же, выше, чем геометрическое).

После того как вы найдете оптимальное f для данного опциона, можно преобра зовать полученное значение в число контрактов, которое следует покупать:

(5.19) K=INT(E/(S/f)), где К = оптимальное число опционных контрактов для покупки;

f= значение оптимального Г(от 0 до 1);

S = текущая цена опциона;

Е = общий баланс счета;

1NT() = функция целой части.

Для расчета TWR следует знать, сколько раз мы хотели бы воспроизвести эту же сделку в будущем. Другими словами, если наше среднее геометрическое составля ет 1,001 и необходимо найти TWR, которое соответствует этой же игре 100 раз подряд, то TWR будет 1,001^100 = 1,105115698. Поэтому можно ожидать за работка в 10,5115698%, если провести эту сделку 100 раз. Формула для преобразо вания среднего геометрического в TWR задается уравнением (4.18):

(4.18) TWR = Среднее геометрическое ^ X, где TWR = относительный конечный капитал;

Х = число раз, которое мы «повторяем» эту игру.

Мы можем определить и другие побочные продукты, например, геометрическое математическое ожидание (среднее геометрическое минус 1). Если мы возьмем наибольший возможный проигрыш (стоимость самого опциона), разделим его на оптимальное f и умножим на геометрическое математическое ожидание, то полу чим среднюю геометрическую сделку. Как вы уже заметили, при использовании метода оптимального f в торговле опционами появляется еще один побочный продукт — оптимальная дата выхода. Мы рассматривали позиции по опционам при отсутствии направленного движения цены базового инструмента. Для указанной даты выхода точки, смещенные на 3 стандартных отклонения выше и ниже, рассчитываются из текущей цены, таким образом, мы ничего не знаем о будущем направлении цены базового инструмента. В соответствии с математическими моделями ценообразования мы не получим положительное арифметическое математическое ожидание, если будем удерживать позицию по опциону до срока истечения. Однако, как мы уже видели, можно достичь положительного геометрического математического ожидания, если закрыть позицию в определенный день до срока истечения.

Если вы предполагаете определенное изменение цены базового инструмента, его можно учесть. Допустим, мы рассматриваем опционы на базовый инструмент, который в настоящее время стоит 100. Далее предположим, что на основе анализа рынка выявлен тренд, который предполагает цену 105 к дате истечения, и эта дата отстоит на 40 рыночных дней от сегодняшней даты. Мы ожидаем, что цена повысится на 5 пунктов за 40 дней. Если исходить из линейного изменения цены, то цена должна расти в среднем на 0,125 пунктов в день. Поэтому для завтрашнего дня (как дня выхода) мы возьмем значение U, равное 100,125. Для следующей даты выхода возьмем U, равное 100,25. К тому времени, когда указанная дата выхода станет датой истечения срока опциона, U будет равно 105. Если базовым инструментом является акция, то вы должны вычесть дивиденды из U, воспользовавшись уравнением (5.04). Тренд можно учитывать, если изменять каждый день значение U, исходя из сделанного прогноза. Так как уравнения (5.17а) и (5.176) изменятся, значения U повлияют на оптимальные f и побочные продукты. Отметьте, что в уравнениях (5.17а) и (5.176) используются новые значения U, т.е. происходит автоматическое приведение данных, следовательно, полученные оптимальные f будут основаны на данных, приведенных к текущей цене.

Когда вы будете использовать вышеописанную технику работы с оптимальным f, то заметите, что его значение каждый день меняется. Предположим, сегодня вы купили опцион и рассчитали оптимальную дату выхода. Послезавтра цена опциона может измениться, и если вы опять проведете процедуру расчета оптимального f, то также можете получить положительное математическое ожидание, но уже.

другую дату выхода. Что это означает?

Ситуация аналогична лошадиным бегам, где можно делать ставки после начала скачки и до их завершения. Шансы постоянно меняются, и вы в любой момент можете обменять купленный билет на деньги. Скажем, до начала скачек вы стави те 2 доллара на определенную лошадь, основываясь на положительном математи ческом ожидании, и лошадь после первого крута прибегает предпоследней. Пред положим, ваш билет, купленный за 2 доллара, стоит теперь только 1,50 доллара.

Вы по-прежнему считаете, что математическое ожидание в пользу вашей лошади, исходя из результатов прошлых скачек и нынешних шансов. Вы решаете, что те кущая цена билета в 1,50 доллара на 10% занижена. Можно получить деньги по билету, купленному до начала скачек за 2 доллара (сейчас он стоит 1,50 доллара), и можно также купить билет за 1,50 доллара, чтобы сделать еще одну ставку.

Таким образом, вы получаете положительное математическое ожидание, но на основе билета за 1,50 доллара, а не за 2 доллара. Та же аналогия применима и к опционам, позиция по которым в настоящий момент немного убыточна, но имеет положительное математическое ожидание на основе новой цены. Вы должны использовать другое оптимальное f для новой цены, регулируя текущую позицию (если это необходимо), и закрывать ее, исходя из новой оптимальной даты выхода.

Таким образом, вы используете последнюю ценовую информацию о базовом инструменте, что иногда может заставить вас удерживать позицию до истечения срока опциона. Возможность получения положительного математического ожидания при работе с опционами, которые теоретически справедливо оценены, сначала может показаться парадоксом или просто шарлатанством. Мы знаем, что теоретические цены опционов, найденные с помощью моделей, не позволяют получить положительное математическое ожидание (арифметическое) ни покупателю, ни продавцу. Модели теоретически справедливы с поправкой «если удерживаются до истечения срока». Именно эта отсутствующая поправка по зволяет опциону быть справедливо оцененным согласно моделям и все-таки иметь положительное ожидание. Помните, что цена опциона уменьшается со скоростью квадратного корня времени, оставшегося до истечения срока. Таким образом, после первого дня покупки опциона его премия должна упасть в меньшей степени, чем в последующие дни. Рассмотрим уравнения (5.17а) и (5.176) для цен, соответствующих смещению на 4- Х и - Х стандартных величин по истечении времени Т. Окно цен каждый день расширяется, но все медленнее и медленнее, в первый день скорость расширения максимальна. Таким образом, в первый день падение премии по опциону будет минимальным, а окно Х стандартных отклонений будет расширяться быстрее всего. Чем меньше времени пройдет, тем с большей вероятностью мы будем иметь положительное ожидание по длинной позиции опциона, и чем шире окно Х стандартных отклонений, тем вероятнее, что мы будем иметь положительное ожидание, так как убыток ограничен ценой опциона, а возможная прибыль не ограничена. Между окном Х стандартных отклонений, которое с каждым днем становится все шире и шире (хотя со все более медленной скоростью), и премией опциона (падение которой с каждым днем происходит все быстрее и быстрее) происходит «перетягивание каната».

В первый день математическое ожидание максимально, хотя оно может и не быть положительным. Другими словами, математическое ожидание (арифметическое и геометрическое) самое большое после того, как вы продержали опцион 1 день (оно в действительности самое большое в тот момент, когда вы приобретаете опцион, и далее постепенно понижается, но мы рассматриваем дискретные величины).

Каждый последующий день ожидание понижается, но все медленнее и медленнее.

Следующая таблица иллюстрирует понижение ожидания по длинной позиции опциона. Этот пример уже упоминался в данной главе. Колл-опцион имеет цену исполнения 100, базовый инструмент стоит также 100;

дата истечения — 911220.

Волатильность составляет 20%, а сегодняшняя дата 911104. Мы используем фор мулу товарных опционов Блэка (Н определяется из уравнения (5.07), R = 5%) и 260,8875-дневный год. Возьмем 8 стандартных отклонений для расчета оптималь ного f, а минимальный шаг тика примем равным 0,1.

Значения столбца «AHPR» являются средними арифметическими HPR (расчет будет рассмотрен позднее в этой главе), a GHPR является средним геометрическим HPR. Столбец «f» представляет оптимальные f, из которых находятся значения столбцов AHPR и GHPR. Арифметическое математическое ожидание равно AHPR - 1, а геометрическое математическое ожидание равно GHPR - 1. Отметьте, что наибольшие математические ожидания (необязательно положительные ожидания, как в этом примере) возникают в день после приобретения опциона. Каждый последующий день ожидания уменьшаются, причем скорость уменьшения с течением времени замедляется. После 911106 математические ожидания (HPR - 1) становятся отрицательными. ' Если бы нам пришлось торговать по этой информации, мы могли бы войти сегодня (911104) и выйти при закрытии завтра (911105). Справедливая цена опциона равна 2,861. Если мы допустим, что он котируется по цене 100 долларов за полный пункт, цена опциона составит 2,861 * $100 ^ $286,10. Разделив эту цену на оптимальное f= 0,0806, мы найдем, что следует торговать одним опционом на каждые 3549,63 доллара на балансе счета.

Если бы мы держали опцион до закрытия 911106 (последний день), когда он все еще имеет положительное математическое ожидание, то открыв позицию сегодня, используя для дня выхода (911106) соответствующее оптимальное f= 0,0016, торговали бы 1 контрактом на каждые 178 812,50 доллара на балансе счета ($286,10 / 0,0016). Отметьте, что при этом ожидание намного ниже, чем в случае торговли 1 контрактом на каждые 3549,63 доллара на балансе счета и выхода по цене закрытия завтра (911105).

Скорость изменения между двумя функциями: уменьшением премии с течением времени и расширением окна Х стандартных отклонений, может создать положительное математическое ожидание для длинной позиции по опциону. Это ожидание имеет наибольшее значение в момент открытия позиции и после этого понижается с уменьшающейся скоростью. Таким образом, справедливо оцененный опцион (на основе вышеизложенных моделей) может иметь положительное математическое ожидание, если позицию по нему закрыть в начале периода падения премии. В следующей таблице рассматривается тот же колл-опцион с ценой исполнения 100, но на этот раз используются окна различного размера (различные значения стандартных отклонений):

Число стандартных отклонений 23 5 8 AHPR 1,000102 1,000379 1,000409 1,000409 1, GHPR 1,000047 1,00018 1,000195 1,000195 1, f 0,043989 0,0781 0,0806 0,0806 0, Дата выхода 911105 911105 911106 911106 AHPR и GHPR — это арифметические и геометрические HPR при оптимальном f для дня закрытия 911105 (самая благоприятная дата выхода, так как она имеет наивысшие AHPR и GHPR). f соответствует оптимальному f для 911105. Значения строки «Дата выхода» — это последние даты, когда еще существует положитель ное ожидание (т.е. когда AHPR и GHPR больше 1). Интересно отметить, что AHPR, GHPR, f и Дата выхода сходятся к определенным значениям, когда мы увеличиваем число стандартных отклонений. За пределами 5 стандартных отклонений эти значения едва заметно изменяются, за пределами 8 стандартных отклонений они практически вообще не изменяются. Недостатком использования большого числа стандартных отклонений является необходимость в значительном компьютерном времени. В нашем примере это не так важно, но когда мы будем рассматривать одновременную торговлю по нескольким позициям, вы увидите, что каждая дополнительная позиция экспоненциально увеличивает необходимое компьютерное время. Для одной позиции 8 стандартных отклонений более чем достаточно, однако для нескольких позиций, открытых одновременно, необходимо уменьшить число стандартных отклонений. Следует отметить, что правило стандартных отклонений применимо только тогда, когда логарифмы изменений цены распределены нормально.

Одиночная короткая позиция по опциону Все сказанное по поводу одиночной длинной опционной позиции остается верным и для одиночной короткой опционной позиции. Единственное отличие зак лючается в ином написании уравнения (5.14):

где HPR(T, U) = НРR для данного тестируемого значения Т и U;

f = тестируемое значение f;

S = текущая цена опциона;

Z(T, U - Y) = теоретическая цена опциона, когда цена базового инструмента равна U - Y, а время, оставшееся до срока истечения, равно Т, Р(Т, U) = вероятность того, что базовый инструмент равен U, когда время, оставшееся до истечения срока исполнения, равно Т;

Y = разность между арифметическим математическим ожиданием базового инструмента (согласно уравнению (5.10)) и текущей ценой.

Для одиночной короткой опционной позиции это уравнение преобразуется в:

где HPR(T, U) == HPR для данного тестируемого значения Т и U;

f= тестируемое значение f;

S = текущая цена опциона;

Z(T, U - Y)= теоретическая цена опциона, когда цена базового инструмента равна U - Y, а время, оставшееся до срока истечения, равно Т;

Р(Т, U) = вероятность того, что базовый инструмент равен U, когда время, оставшееся до истечения срока исполнения, равно Т, Y = разность между арифметическим математическим ожиданием базового инструмента (согласно уравнению (5.10)) и текущей ценой.

Обратите внимание, что единственным отличием уравнения (5.14) для одиночной длинной опционной позиции от уравнения (5.20) для одиночной короткой позиции является выражение (Z(T, U-Y)/S-1), которое заменяется на (1-Z(T, U - Y) / S). Все остальное в отношении одиночной длинной опционной позиции верно и для одиночной опционной короткой позиции.

Одиночная позиция по базовому инструменту В главе 3 мы подробно рассмотрели математику поиска оптимального f пара метрическим способом. Теперь мы можем использовать тот же метод и для одиночной длинной опционной позиции с учетом нового HPR, которое рассчи тывается по уравнению (3.30):

где HPR(U) = HPR для данного U;

L= ассоциированное P&L;

W = ассоциированное P&L худшего случая (это всегда отрицательное значение);

f == тестируемое значение f;

Р = ассоциированная вероятность.

Для длинной позиции переменная L, т.е. ассоциированное P&L, определяется как разность между ценой базового инструмента U и ценой S.

(5.21 а) L для длинной позиции = U - S Для короткой позиции ассоциированное P&L рассчитывается наоборот:

(5.216) L для короткой позиции = S - U, где S = текущая цена базового инструмента;

U = цена базового инструмента для данного HPR.

Мы можем также рассчитать оптимальное f для одиночной позиции по базовому инструменту, используя уравнение (5.14). При этом надо иметь в виду, что опти мальное f может получиться больше 1.

Пусть цена базового инструмента равна 100, и мы ожидаем пять результатов:

Результат Вероятность P&L 110 0,15 105 0,30 100 0,50 95 0,25 - 90 0,10 - Отметьте, что исходя из уравнения (5.10) наше арифметическое математическое ожидание по базовому инструменту составляет 100,576923077. Это означает, что переменная Y для (5.14) равна 0,576923077, так как 100,576923077-100= = 0,576923077. Если рассчитать оптимальное f, используя столбец P&L и уравнение (3.30), мы получим f= 1,9, что соответствует 1 единице на каждые 52,63 доллара на счете. Если в уравнении (5.14) использовать данные из столбца «Результат», тогда переменная S равна 100. В этом случае мы не вычитаем значение Y (арифметическое математическое ожидание базового инструмента минус его текущая цена) из U при определении переменной Z(T, U - Y), и получаем оптимальное f около 1,9, что соответствует 1 единице на каждые 52,63 доллара на счете, так как 100 /1,9=52,63.

Если вычесть значение Y в выражении Z(T, U - Y), являющемся элементом уравнения (5.14), мы получим математическое ожидание по базовому инструменту, равное его текущему значению, и поэтому f не будет оптимальным.

Тем не менее нам следует вычесть значение Y в Z(T, U - Y) для того, чтобы соответствовать расчетам цен опционов, а также формуле «пут-колл» паритета.

Если мы будем использовать уравнение (3.30) вместо уравнения (5.14), тогда из каждого значения U в (5.21а) и (5.216) следует вычесть значение Y, то есть надо вычесть Y из каждого P&L, что опять же создает ситуацию, когда нет положительного математического ожидания, и поэтому нет оптимального значения f. Все вышесказанное означает, что если мы откроем позицию по базовому инструменту, не имея никаких представлений о направлении движения его цены, то не получим положительного математического ожидания (как происходит с некоторыми опционами) и поэтому не найдем оптимального f. Мы можем получить оптимальное f только в том случае, когда математическое ожидание положительное. Это произойдет, если базовый инструмент «в тренде».

Теперь у нас есть методология, позволяющая определить оптимальное f (и его побочные продукты) для опционов и базового инструмента (разными способами).

Отметьте, что используемые в этой главе методы определения оптимальных f и побочных продуктов для опционов или базового инструмента не требуют обязательного применения механической системы. Вспомним, что эмпирический метод поиска оптимального f основан на эмпирическом потоке P&L, созданном механической системой. Из главы 3 мы узнали о параметрическом методе поиска оптимального f на основе данных, которые имеют нормальное распределение. Тот же метод можно использовать для поиска оптимального f при любом распределении данных, если существует функция распределения. Из главы 4 мы познакомились с параметрическим методом поиска оптимального f для распределений торговых P&L, которые не имеют функций распределения (для механической или немеханической системы) и с методом планирования сценария.

В этой главе мы изучили метод поиска оптимального f для немеханических систем. Обратите внимание, все расчеты допускают, что вы в некоторый момент времени «слепо» открываете позицию, причем направленного движения цены базового инструмента не ожидается. Таким образом, предложенный метод лишен какого-либо прогноза относительно цены базового инструмента. Мы увидели, что можно учесть ценовой прогноз, изменяя каждый день значение базового инструмента в уравнениях 5.17а и 5.176. Даже слабый тренд значительно меняет функцию ожидания. Оптимальная дата выхода может не быть теперь рыночным днем сразу после дня входа, более того, оптимальная дата выхода может стать датой истечения срока. В таком случае опцион будет иметь положительное математическое ожидание, даже если его держать до даты истечения. При небольшом тренде цены базового инструмента значительно изменится не только функция ожидания, но и оптимальные f, AHPR и GHPR.

Проиллюстрируем вышесказанное на следующем примере. Пусть цена ис полнения колл-опциона равна 100 и он истекает 911120, цена базового инстру мента равна также 100. Волатильность составляет 20%, а сегодняшняя дата 911104. Мы будем использовать формулу товарных опционов Блэка (Н находим из уравнения (5.07), R = 5%) и 260,8875-дневный год. Для 8 стандартных отклонений рассчитаем оптимальные f (чтобы соответствовать прошлым таблицам, которые не учитывают тренд по базовому инструменту), и используем минимальное приращение тика 0,1. В данном случае мы будем учитывать тренд, при котором цена базового инструмента растет на 0,01 пункта (одну десятую тика) в день:

Дата выхода AHPR GHPR f Вторник 911105 1,000744 1,000357 0, Среда 911106 1,000149 1,000077 0, Четверг 911107 1,000003 1,000003 0, Пятница 911108 <1 <1 Отметьте, как небольшой тренд (0,01 пункта в день) меняет результаты. Наша оптимальная дата выхода остается 911105, но оптимальное f= 0,1081663, что соответствует 1 контракту на каждые 2645 долларов на балансе счета (2,861* * / 0,1081663). Кроме того, для этого опциона ожидание положительно все время до 911107. Если тренд будет сильнее, результаты изменятся еще больше. Последнее, что необходимо учесть, — это размер комиссионных. Цена опциона из уравнения (5.14) (значение переменной Z(T, U - Y)) должна быть уменьшена на размер комиссионных (если с вас берут комиссионные и при открытии позиции, то вы должны увеличить значение переменной S из уравнения (5.14) на размер комиссионных).

Мы рассмотрели поиск оптимального f и его побочных продуктов, когда меха ническая система не используется. Теперь перейдем к изучению одновременной торговли по нескольким позициям.

Торговля по нескольким позициям при наличии причинной связи Прежде чем начать обсуждение одновременной торговли по нескольким позициям, необходимо пояснить разницу между причинными связями и корреляционными связями. В случае с причинной связью существует фактическое, связующее объяснение корреляции между двумя или более событиями, т. е. причинная связь — это такое отношение, где есть корреляция, и ее можно объяснить логически.

Обычная корреляционная связь подразумевает, что есть зависимость, но этому нет причинного объяснения. В качестве примера причинной связи давайте рассмотрим пут-опционы и колл-опционы на акции IBM. Очевидно, что корреляция между пут и колл-опционами IBM составляет -1 (или находится очень близко к этому значению), но эта связь означает больше, чем просто корреляция. Мы знаем, что, когда по колл-опционам IBM возникает давление вверх, появляется давление и вниз по пут-опционам (все остальное считается постоянным, включая волатильность). Описанное логическое связующее отношение означает, что между пут и колл-опционами IBM существует причинная связь.

Когда существует корреляция, но нет причины, мы просто говорим, что есть корреляционная связь (в противоположность причинной связи). Обычно при корреляционной связи коэффициент корреляции (по абсолютной величине) меньше 1, как правило, абсолютное значение коэффициента корреляции ближе к 0.

Например, цены на кукурузу и соевые бобы в большинстве случаев движутся параллельно. Хотя их коэффициенты корреляции не равны точно 1, существует причинная связь, так как оба рынка реагируют на события, которые затрагивают зерновые. Если мы рассматриваем колл-опционы IBM и пут-опционы компании Digital Equipment (или колл-опционы), мы не можем сказать, что между ними существует четкая причинная связь. Что-то от причинной связи в этом случае безусловно есть, так как оба вида базового инструмента (акции) входят в компьютерную группу, но только потому, что цена IBM растет (или падает), акции Digital Equipment не обязательно должны расти или падать. Как видите, нет четкой грани, которая разделяет причинные и корреляционные связи.

Невозможность четкого определения вида связи создает некоторые проблемы в работе. Сначала мы рассмотрим только причинные связи, или те, которые, как мы полагаем, являются причинными. В следующей главе мы обсудим корреляционные связи, которые включают также и причинные связи. Вы должны понимать, что методы, упомянутые в следующей главе в отношении корреляци онных связей, применимы и для причинных связей. Обратное не всегда верно.

Применение методов, используемых для причинных связей, в случае, когда связи просто корреляционны, является ошибкой. Причинная связь подразумевает, что коэффициенты корреляции между ценами двух объектов составляют 1 или -1. Для упрощения будем считать, что причинная связь затрагивает два инструмента (акция, товар, опцион и т.д.), имеющих один базовый инструмент. Это могут быть спрэды, стредлы, «покрытая продажа» или любая другая позиция, когда вы используете базовый инструмент совместно с одним или более опционами или один или несколько опционов по одному базовому инструменту, даже если у вас нет позиции по этому базовому инструменту.

Простейшим примером одновременных позиций является комбинация оп ционов (т.е. позиция по базовому инструменту отсутствует), когда совокупная позиция заносится в дебет и можно использовать уравнение (5.14). Таким образом, вы можете определить оптимальное f для всей позиции, а также побочные продукты (включая оптимальную дату выхода). В этом случае переменная S вы ражает общие затраты на сделку, а переменная Z(T, U - Y) выражает «общую» цену всех одновременных позиций при цене базового инструмента U, когда время, оставшееся до истечения срока исполнения, равно Т. Когда совокупная позиция заносится в кредит, можно определить оптимальное f с помощью уравнения (5.20).

Как и в предыдущем случае, мы должны изменить переменные S и Z(T, U - Y) для отражения «чистой» цены всех позиций. Например, мы рассматриваем возможность открытия длинного стредла (покупка пут-опциона и колл-опциона по одному базовому инструменту с одинаковой ценой исполнения и датой истечения). Допустим, что полученное с помощью этого метода оптимальное f соответствует 1 контракту на каждые 2000 долларов. Таким образом, на каждые 2000 долларов на счете мы должны покупать 1 стредл (1 пут-опцион и 1 колл опцион). Оптимальное f, полученное с помощью данного метода, относится к финансированию 1 единицы для всей позиции. Этот факт касается всех методов, рассмотренных в данной главе. Ниже представлено уравнение для одновременных позиций, причем не имеет значения, используется позиция по базовому инструменту или нет. Мы будем применять эту обобщенную форму для одновременных позиций с причинной связью:

где N = число «ног» (число составляющих сложной позиции);

HPR(T, U) = HPR для тестируемых значений Т и U;

C(T, U) = коэффициент i-ой «ноги» при данном значении U, когда время, оставшееся до истечения срока, равно Т.

Для опционных «ног», занесенных в дебет, или длинной позиции по базовому инструменту:

Для опционных «ног», занесенных в кредит, или короткой позиции по базовому инструменту:

где f = тестируемое значение f;

S = текущая цена опциона или базового инструмента;

Z(T, U - Y) = теоретическая цена опциона, когда цена базового инструмента равна U - Y, а время, оставшееся до срoка истечения, равно Т;

Р(Т, U) = вероятность того, что базовый инструмент равен U, когда время, оставшееся до истечения срока исполнения, равно Т;

Y = разность между арифметическим математическим ожиданием базового инструмента (согласно уравнению (5.10)) и текущей ценой.

Уравнение (5.22) следует использовать, когда речь идет об одновременно исполь зуемых «ногах», и вам необходимо найти оптимальное f и оптимальную дату вы хода по всей позиции (т.е. когда речь идет об одновременной торговле по несколь ким позициям).

Для каждого значения U вы можете найти HPR с помощью уравнения (5.22), а для каждого значения f вы можете найти среднее геометрическое, составленное из всех HPR, с помощью уравнения (5.18а):

где G(f, Т) = среднее геометрическое HPR для данного тестируемого значения f и для данного времени, остающегося до истечения срока от указанной даты выхода. Значения f и Т, которые дают наивысшее среднее геометрическое, являются значениями, которые следует использовать для всего набора одновременных позиций.

Подведем итог. Нам надо найти оптимальное f для каждого дня (между текущим днем и днем истечения) как дня выхода. Для каждой даты выхода необходимо определить цены между плюс и минус Х стандартных отклонений (обычно Х будет равно 8) от базовой цены базового инструмента. Базовая цена может быть текущей ценой базового инструмента, или же она может быть скорректирована для учета ценового тренда. Теперь вам надо найти значение для f между 0 и 1, которое даст наибольшее среднее геометрическое HPR, используя HPR для цен между плюс и минус Х стандартных отклонений от базовой цены для указанной даты выхода. Таким образом, для каждой даты выхода у вас будет оптимальное f и соответствующее среднее геометрическое. Дата выхода, которая дает наибольшее среднее геометрическое, является оптимальной датой выхода из позиции, и f, соответствующее этому среднему геометрическому, является оптимальным f.

Структура этой процедуры следующая:

Для каждой даты выхода между текущей датой и датой истечения Для каждого значения f (пока не будет найдено оптимальное) Для каждой рыночной системы Для каждого тика между +8 и -8 стандартными отклонениями Определите HPR Следует отметить, что мы можем определить оптимальную дату выхода, т.е. дату, когда следует закрыть всю позицию. Можно применить эту же процедуру для на хождения оптимальной даты выхода для каждой «ноги» (отдельной позиции), что, правда, геометрически увеличит число расчетов. Тогда процедура несколько изменится и будет выглядеть следующим образом:

Для каждой рыночной системы Для каждой даты выхода между текущей датой и датой истечения Для каждого значения f (пока не будет найдено оптимальное) Для каждой рыночной системы Для каждого тика между +8 и -8 стандартными отклонениями Определите HPR Итак, мы рассмотрели одновременную торговлю по нескольким позициям при наличии причинной связи. Теперь рассмотрим ситуацию, когда связь случайна.

Торговля по нескольким позициям при наличии случайной связи Вы должны знать, что, как и в случае с причинной связью, методы, упомянутые в следующей главе, посвященной корреляционным связям, применимы и для слу чайных связей. Но не наоборот. Неправильно применять методы для случайных связей к корреляционным связям (когда коэффициенты корреляции не равны 0).

При случайной связи коэффициент корреляции между ценами двух инструментов всегда равен 0.

Случайная связь между двумя торгуемыми инструментами (акции, фьючерсы, опционы и т.д.) имеет место в том случае, если их цены не зависят друг от друга, т.е. коэффициент корреляции цен равен нулю, или ожидается, что он будет равен нулю в асимптотическом смысле.

Когда коэффициент корреляции двух составляющих равен О, HPR для совокуп ной позиции рассчитывается следующим образом:

где N = число «ног» позиции;

HPR(T, U) = HPR для данного тестируемого значения Т и U;

С. (Т, U) = коэффициент i-ой «ноги» при данном значении U, когда время, оставшееся до истечения срока, равно Т.

Для опционных «ног», занесенных в дебет, или длинной позиции по базовому инструменту:

Для опционных «ног», занесенных в кредит, или короткой позиции по базовому инструменту:

где f = тестируемое значение f;

S = текущая цена опциона;

Z(T, U - Y) = теоретическая цена опциона, когда цена базового инструмента равна U - Y, а время, оставшееся до срока истечения, равно Т;

Pj(T, U) = вероятность того, что базовый инструмент равен U, когда время, оставшееся до истечения срока исполнения, равно Т;

Y = разность между арифметическим математическим ожиданием базового инструмента (согласно уравнению (5.10)) и текущей ценой.

Теперь мы можем рассчитать среднее геометрическое HPR для случайной связи:

где G(f, Т) = среднее геометрическое HPR для данного тестируемого значения f и данного времени Т, остающегося до истечения срока от указанной даты выхода.

Значения f и Т, которые дают наибольшее среднее геометрическое, оптимальны.

Структура этой процедуры такая же, как и в случае с причинной связью:

Для каждой даты выхода между текущей датой и датой истечения Для каждого значения f (пока не будет найдено оптимальное) Для каждой рыночной системы Для каждого тика между +8 и -8 стандартными отклонениями Определите HPR Единственное различие между процедурой нахождения среднего геометрического для случайных связей и процедурой для причинных связей состоит в том, что показатель степени для каждого HPR при случайной связи рассчитывается путем умножения вероятностей того, что «ноги» будут находиться на данной цене определенного HPR. Все эти суммы вероятностей, используемые в качестве показателей степени для каждого HPR, сами по себе также суммируются, так что, когда все HPR перемножены для получения промежуточного TWR, его можно возвести в степень единицы, деленной на сумму показателей степени, используемых в HPR. И снова процедуру можно изменить, чтобы найти оптимальные даты выхода для каждой составляющей позиции.

Несмотря на всю сложность, уравнение (5.25) все-таки не решает проблему ненулевого коэффициента линейной корреляции между ценами двух компонентов.

Как видите, определение оптимальных весов компонентов является довольно сложной задачей! В следующих нескольких главах вы увидите, как найти правильные веса для каждой составляющей позиции, будь то акция, товар, опцион или любой другой инструмент, независимо от связи (причинная, случайная или корреляционная). Входные данные, которые нам потребуются, следующие: (1) коэффициенты корреляции средних дневных HPR позиций в портфеле на основе контракта, (2) арифметические среднее HPR и стандартные отклонения HPR.

Уравнения (5.14) и (5.20) показывают, как находить HPR для длинных и коротких позиций по опционам. Уравнение (5.18) показывает, как находить среднее геометрическое. Мы можем также определить среднее арифметическое:

Для длинных опционных позиций, т.е. отнесенных в дебет:

Для коротких опционных позиций, т.е. отнесенных в кредит:

где AHPR = среднее арифметическое HPR;

f= оптимальное f (от 0 до 1);

S= текущая цена опциона;

Z(T, U - Y)= теоретическая цена опциона, когда цена базового инструмента равна U - Y, а время, оставшееся до срока истечения, равно Т;

Р(Т, U) = вероятность, что базовый инструмент равен U, когда время, оставшееся до истечения срока исполнения, равно Т;

Y= разность между арифметическим математическим ожиданием базового инструмента (согласно уравнению (5.10)) и текущей ценой.

Зная среднее геометрическое HPR и среднее арифметическое HPR, можно опре делить стандартное отклонение значений HPR:

где А = арифметическое среднее HPR;

G = геометрическое среднее HPR;

SD = стандартное отклонение значений HPR.

В этой главе мы познакомились еще с одним способом расчета оптимального f.

Предложенный метод подходит для несистемных трейдеров. В виде входного па раметра здесь используется распределение результатов по базовому инструменту к определенной дате в будущем. Данный подход позволяет найти оптимальное f как для отдельных опционных позиций, так и для сложных позиций. Существенным недостатком метода является то, что связи между всеми позициями должны быть случайными или причинными.

Означает ли вышесказанное, что мы не можем использовать методы поиска оптимального f, рассмотренные в предыдущих главах, для нескольких одновре менно открытых позиций или опционов? Нет, вы всегда можете выбрать наиболее эффективный с вашей точки зрения подход. Методы, детально описанные в этой главе, имеют как определенные недостатки, так и достоинства (например воз можность расчета оптимального времени выхода). В следующей главе мы будем изучать темы, касающиеся построения оптимального портфеля, что позднее по может нам в управлении капиталом при одновременной торговле по нескольким позициям.

Цель этой книги — изучить портфели рыночных систем, использующих раз личные инструменты с различных рынков. В данной главе мы достаточно подроб но рассмотрели теоретические цены опционов и теперь перейдем к созданию оп тимального портфеля.

Глава Корреляционные связи и выведение эффективной границы Мы узнали несколько способов поиска оптимального количества при торговле фьючерсами, акциями и опционами (по отдельности или совместно с другими инструментами), когда существует либо случайная, либо причинная связь между ценами инструментов. Можно определить оптимальный набор, когда коэффици ент линейной корреляции двух любых элементов портфеля равен 1, - 1 или 0.

Однако связи между двумя элементами портфеля, рассматриваем ли мы корреляцию цен (в немеханической торговой системе) или изменений баланса (в механической системе), редко дают такие удобные значения коэффициентов линейной корреляции. В этой главе описан способ определения эффективной границы портфелей рыночных систем, когда коэффициенты линейной корреляции любых двух компонентов рассматриваемого портфеля принимают произвольные значения между -1 и 1 включительно. Далее описан метод, применяемый профессионалами для расчета оптимальных портфелей акций. В следующей главе мы адаптируем его для использования любых инструментов. Данная глава основана на важном предположении, которое заключается в том, что распределения, генерирующие последовательность сделок (распределения прибылей), имеют конечную дисперсию. Предложенные методы эффективны только тогда, когда используемые входные данные имеют конечную дисперсию1.

Определение проблемы На некоторое время оставим саму идею оптимального f (мы вернемся к нему поз же). Легче всего понять параметрическое выведение эффективной границы, если рассмотреть портфель акций. Будем исходить из того, что эти акции находятся на денежном счете и полностью оплачены, т.е. они куплены не за счет кредита, полу ченного от брокерской фирмы (не на маржинальном счете). С учетом этого ограничения мы выведем эффективную границу портфелей, т.е. из предложенных акций создадим комбинацию, которая будет иметь наименьший уровень ожидаемого риска для данного уровня ожидаемого выигрыша. Эти уровни задаются степенью неприятия риска инвестором. Теория Марковица (или Совре менная теория портфеля) часто называется теорией Е— V (Expected return (ожида емая прибыль) —Variance of return (дисперсия прибыли)). Отметьте, что входные параметры основаны на данных по прибыли, таким образом, входные данные для выведения эффективной границы — это прибыли, которые мы ожидаем по данной акции, и дисперсия, которая ожидается от этих прибылей. Прибыли по акциям оп ределяются как дивиденды, ожидаемые за определенный период времени, плюс повышение рыночной стоимости акций (или минус уменьшение) за этот же пери од, выраженные в процентах. Рассмотрим четыре потенциальные инвестиции, три из которых — в акции, а одна — в сберегательный счет с процентной ставкой 1/2% в год. Отметьте, что в этом примере продолжительность периода инвестирования (когда мы измеряем прибыли и их дисперсии) — 1 год:

Инвестиция Ожидаемая прибыль Ожидаемая дисперсия прибыли Toxico 9,5% 10% Incubeast Corp. 13% 25% LA Garb 21% 40% Для получения дополнительной информации прочитайте Fama, Eugene E, «Portfolio Analysis in a Stable Paretian Market», Management Science 11, pp. 404 — 419, 1965. Фама продемонстрировал параметрические методы поиска эффективной границы для стабильно распределенных ценных бумаг (распределения которых обладают одинаковым характеристическим показателем А), когда прибыли компонентов зависят от одного индекса основного рынка. Существует и другая работа, посвященная выведению эффективной границы в условиях бесконечной дисперсии прибылей компонентов портфеля. Эти методы не рассматриваются в данной книге, но для заинтересованных читателей есть ссылки на соответствующие статьи. О распределении Парето вы сможете узнать из приложения В. Несколько слов о бесконечной дисперсии сказано в разделе «Распределение Стьюдента» в приложении В.

Сберегательный счет 8,5% 0% Если прибавить к значению ожидаемой прибыли единицу, мы получим HPR. Так же мы можем извлечь квадратный корень из значения ожидаемой дисперсии при были и получить ожидаемое стандартное отклонение прибыли.

Используемый временной горизонт не имеет значения при условии, что он одинаковый для всех рассматриваемых компонентов. Если речь идет о прибыли, неважно, что мы используем: год, квартал, 5 лет или день, — пока ожидаемые прибыли и стандартные отклонения для всех рассматриваемых компонентов име ют одни и те же временные рамки.

Инвестиция Ожидаемая прибыль (HPR) Ожидаемое стандартное отклонение прибыли Toxico 1,095 0, Incubeast Corp. 1,13 0, LA Garb 1,21 0, Сберегательный счет 1,085 Ожидаемая прибыль — это то же самое, что и потенциальная прибыль, а дисперсия (или стандартное отклонение) ожидаемых прибылей ~ то же самое, что и потенциальный риск. Отметьте, что данная модель двумерная. Мы можем сказать, что модель представлена правым верхним квадрантом декартовой системы координат (см. рисунок 6-1), где по вертикали (ось Y) откладывается ожидаемая прибыль, а по горизонтали (ось X) откладывается ожидаемая дисперсия, или стандартное отклонение прибылей.

Рисунок 6-1 Правый верхний квадрант декартовой системы координат Есть и другие аспекты потенциального риска, такие как потенциальный риск (ве роятность) катастрофического убытка, который теория Е — V не рассматривает отдельно от дисперсии прибылей. Мы не будем изучать эту концепцию в данной главе, а будем обсуждать теорию Е — V в классическом варианте. Марковиц также утверждал, что портфель, полученный из теории Е — V, оптимален только в том случае, если полезность, т.е. «удовлетворение» инвестора, является лишь функци ей ожидаемой прибыли и дисперсии ожидаемой прибыли. Марковиц указал, что инвестор может использовать и более высокие моменты распределения, а не только первые два (на которых основана теория Е — V), например асимметрию и эксцесс ожидаемых прибылей.

Потенциальный риск — очень емкое понятие, он является функцией гораздо большего числа переменных и включает более высокие моменты распределений.

Тем не менее мы будем определять потенциальный риск как дисперсию ожидаемых прибылей. Не следует, однако, полагать, что этим риск полностью определен. Риск намного шире, и его реальная природа плохо поддается коли чественной оценке.

Первое, что должен сделать инвестор, желающий использовать теорию Е — V, это придать количественный смысл своим предположениям относительно ожидаемых прибылей и дисперсий прибылей рассматриваемых ценных бумаг на определенном временном горизонте (периоде удержания). Эти параметры можно получить эмпирически. Инвестор может рассмотреть прошлую историю ценных бумаг и рассчитать прибыли и их дисперсии за определенные периоды. Как уже было отмечено, термин «прибыли» означает не только дивиденды по ценной бумаге, но и любые повышения стоимости ценной бумаги (в процентах).

Дисперсия является статистической дисперсией процентных прибылей. Для определения ожидаемой прибыли в период удержания можно использовать линейную регрессию по прошлым прибылям. Дисперсия как входной параметр определяется путем расчета дисперсии каждой прошлой точки данных на основе ее спрогнозированного значения (а не на основе линии регрессии, рассчитанной для прогнозирования следующей ожидаемой прибыли). Вместо того чтобы определять эти значения эмпирическим способом, инвестор может оценить значения будущих прибылей и дисперсий1. Возможно, наилучшим способом нахождения параметров является комбинация обоих подходов. Инвестору следует использовать эмпирический подход (т.е. использовать исторические данные), затем, если это необходимо, можно учесть прогноз относительно будущих значений ожидаемых прибылей и дисперсий. Следующими параметрами, которые должен знать инвестор для использования данного метода, являются коэффициенты линейной корреляции прибылей. Эти параметры можно получить эмпирически, путем оценки или с помощью комбинации обоих подходов.

При определении коэффициентов корреляции важно использовать точки данных того же временного периода, который был использован для определения ожидаемых прибылей и дисперсий. Другими словами, если вы используете годо вые данные для определения ожидаемых прибылей и дисперсии прибылей (т.е.

ведете расчеты на годовой основе), следует использовать годовые данные и при определении коэффициентов корреляции. Если вы используете дневные данные для определения ожидаемых прибьыей и дисперсии прибылей (т.е. ведете расчеты на дневной основе), тогда вам следует использовать дневные данные для опре деления коэффициентов корреляции. Вернемся к нашим четырем инвестициям — Toxico, Incubeast Corp., LA Garb и сберегательному счету. Присвоим им символы Т, 1, L и S соответственно. Ниже приведена таблица их коэффициентов линейной корреляции:

IL S Расчет дисперсии может оказаться довольно сложным. Более легким способом является расчет среднего абсолютного отклонения, которое следует умножить на 1,25 для получения стандартного отклонения. Если возвести это значение в квадрат, мы получим оценку дисперсии.

Т -0,15 0,05 о I0,25 о L о На основе полученных параметров мы можем рассчитать ковариацию между двумя ценными бумагами:

Стандартные отклонения Sa и Sб можно найти, взяв квадратный корень дисперсии ожидаемых прибылей для ценных бумаг а и б. Вернемся к нашему примеру. Мы можем определить ковариацию между Toxico (Т) и Incubeast (I) следующим образом:

Зная ковариацию и стандартные отклонения, мы можем рассчитать коэффициент линейной корреляции:

Отметьте, что ковариация ценной бумаги самой к себе является дисперсией, так как коэффициент линейной корреляции ценной бумаги самой к себе равен 1:

Теперь можно создать таблицу ковариаций для нашего примера с четырьмя инве стиционными альтернативами:

Т IL S 0,1 - 0,0237 0,01 Т - 0,0237 0,25 0,079 I 0,01 0,079 0,4 L 00 0 S Мы собрали необходимую параметрическую информацию и теперь попытаемся сформулировать основную проблему. Во-первых, сумма весов ценных бумаг, со ставляющих портфель, должна быть равна 1, так как операции ведутся на денеж ном счете, и каждая ценная бумага полностью оплачена:

где N == число ценных бумаг, составляющих портфель;

Х = процентный вес ценной бумаги L Важно отметить, что в уравнении (6.04) каждое значение Х должно быть неотрица тельным числом.

Следующее равенство относится к ожидаемой прибыли всего портфеля — это Е в теории Е — V. Ожидаемая прибыль портфеля является суммой прибылей его компонентов, умноженных на соответствующие веса:

где Е = ожидаемая прибыль портфеля;

N = число ценных бумаг, составляющих портфель;

Xi = процентный вес ценной бумаги i;

Ui= ожидаемая прибыль ценной бумаги i. И наконец, мы подошли к параметру V, т. е дисперсии ожидаемых прибылей:

Нашей целью является поиск значений Х (причем их сумма равна единице), ко торые дают наименьшее значение V для определенного значения Е. Максимизи ровать (или минимизировать) функцию Н(Х, Y) при наличии условия или огра ничения G(X, Y) можно с помощью метода Лагранжа. Для этого зададим функцию Лагранжа F(X, Y, L):

(6.07) F(X,Y,L) = H(X,Y) + L * G(X,Y) Обратите внимание на форму уравнения (6.07). Новая функция F(X,Y,L) равна множителю Лагранжа L (его значение мы пока не знаем), умноженному на огра ничительную функцию G(X,Y), плюс первоначальная функция H(X,Y), экстремум которой мы и хотим найти.

Решение этой системы из трех уравнений даст точки (X1Y1) относительного экстремума:

FxX,Y,L) = О Fy(X,Y,L) = О FL(X,Y,L) = О Допустим, мы хотим максимизировать произведение двух чисел при условии, что их сумма равна 20. Пусть Х и Y два числа. Таким образом, H(X,Y) = Х * Y является функцией, которая должна быть максимизирована при наличии ограничительной функции G(X,Y) = Х + Y - 20 = 0. Зададим функцию Лагранжа:

F(X,Y,L) = Х * Y + L * (X + Y- 20) Fx(X,Y,L)=Y+L Fy(X,Y,L)=X+L FL(X,Y,L)= X +Y- Теперь приравняем F^(X,Y,L) и Fy(X,Y,L) нулю и решим каждое из них для полу чения L:

Y+L=0 Y=-L и X+L=0 X=-L Теперь, приняв FL(X,Y,L) = 0, мы получим Х + Y - 20 = 0. Наконец, заменим Х и Y эквивалентными выражениями, содержащими L:

(-L) + (-L) - 20 = О 2 * -L - 20 L=- Так как Y = -L, то Y = 10 и Х = 10. Максимальное произведение: 10*10= 100.

Метод множителей Лагранжа был продемонстрирован для двух переменных и одной 01раничительной функции. Метод можно также применять, когда есть бо лее чем две переменные и более чем одна ограничительная функция. Далее для примера следует форма для поиска экстремума, когда есть три переменные и две ограничительные функции:

В этом случае, чтобы определить точки относительных экстремумов, вам надо ре шить систему из пяти уравнений с пятью неизвестными. Позже мы покажем, как это сделать.

Сформулируем проблему несколько иначе: необходимо минимизировать V, т.е.

дисперсию всего портфеля, с учетом двух следующих ограничений:

где N= число ценных бумаг, составляющих портфель;

Е = ожидаемая прибыль портфеля;

Х = процентный вес ценной бумаги i;

U. = ожидаемая прибыль ценной бумаги i.

Минимизация ограниченной функции многих переменных может быть проведена путем введения множителей Лагранжа и частного дифференцирования по каждой переменной. Поэтому мы сформулируем поставленную задачу в терминах функции Лагранжа, которую назовем Т:

где V= дисперсия ожидаемых прибылей портфеля из уравнения (6.06);

N = число ценных бумаг, составляющих портфель;

Е = ожидаемая прибыль портфеля;

X. = процентный вес ценной бумаги i;

U. = ожидаемая прибыль ценной бумаги i;

L, = первый множитель Лагранжа;

L = второй множитель Лагранжа.

Мы получим портфель с минимальной дисперсией (т.е. минимальным риском), приравняв к нулю частные производные функции Т по всем переменньм.

Давайте снова вернемся к нашим четырем инвестициям: Toxico, Incubeast Corp., LA Garb и сберегательному счету. Если мы возьмем первую частную производную Т по Х1, то получим:

Приравняв это выражение нулю и разделив обе части уравнения на 2, получим:

Таким же образом:

Таким образом, проблему минимизации V при данном Е для портфеля с N компонентами можно решить с помощью системы N + 2 уравнений с N + 2 неиз вестными. Для случая с четырьмя компонентами обобщенная форма будет иметь следующий вид:

где Е = ожидаемая прибыль портфеля;

Хi = процентный вес ценной бумаги i;

Ui = ожидаемая прибыль по ценной бумаге i;

COV А, Б = ковариация между ценными бумагами А и Б;

L1 = первый множитель Лагранжа;

12 = второй множитель Лагранжа.

Обобщенную форму можно использовать для любого числа компонентов. Напри мер, если речь идет о трех компонентах (т.е. N = 3), система уравнений будет выг лядеть следующим образом:

Прежде чем решать систему уравнений, необходимо задать уровень ожидаемой прибыли Е. Решением будет комбинация весов, которая даст искомое Е при наименьшей дисперсии. После того как вы определитесь с выбором Е, у вас будут все входные переменные, необходимые для построения матрицы коэффициентов.

Переменная Е в правой части первого уравнения — это значение прибыли. для которой вы хотите определить комбинацию ценных бумаг в портфеле. Первое уравнение говорит о том, что сумма всех ожидаемых прибылей, умноженных на соответствующие веса, должна равняться заданному Е. Второе уравнение отражает тот факт, что сумма весов должна быть равна 1. Была показана матрица для случая с тремя ценными бумагами, но вы можете использовать обобщенную форму для N ценных бумаг.

Возьмем ожидаемые прибыли и ковариации из уже известной таблицы ковариаций и подставим коэффициенты в обобщенную форму. Таким образом из коэффициентов обобщенной формы можно создать матрицу. В случае четырех компонентов (N = 4) мы получим 6 рядов (N + 2):

X1 X2 X3 X4 L1 L2 Ответ 0,095 0,13 0,21 0,085 Е 11 1 0,1 - 0,0237 0,01 0 0,095 1 - 0,0237 0,25 0,079 0 0,13 1 0,01 0,079 0,4 0 0,21 1 0 0 0 0 0,085 1 Отметьте, что мы получили 6 столбцов коэффициентов. Если добавить столбец свободных членов к матрице коэффициентов, мы получим расширенную матрицу.

Заметьте, что коэффициенты в матрице соответствуют нашей обобщенной форме:

Матрица является удобным представлением этих уравнений. Чтобы решить сис тему уравнений, необходимо задать Е. Ответы, полученные при решении этой системы уравнений, дадут оптимальные веса, минимизирующие дисперсию при были всего портфеля для выбранного уровня Е.

Допустим, мы хотим найти решение для Е = 0,14, что соответствует прибыли в 14%. Подставив в матрицу 0,14 для Е и нули для переменных L1 и L2 в первых двух строках, мы получим следующую матрицу:

X1 X2 Х3 X4 L1 L2 Ответ 0,095 0,13 0,21 0,085 0 0 0, 11 1 1 0 0 0,1 - 0,0237 0,01 0 0,095 1 - 0,0237 0,25 0,079 0 0,13 1 0,01 0,079 0,4 0 0,21 1 0 0 0 0 0,085 1 Необходимо найти N + 2 неизвестных с помощью N + 2 уравнений.

Решение систем линейных уравнений с использованием матриц строк.

Многочлен — это алгебраическое выражение, которое является суммой опреде ленного количества элементов. Многочлен с одним элементом называется одно членом, с двумя элементами — двучленом, с тремя — трехчленом и т.д. Выраже ние 4 * А ^ 3 + А ^ 2 +А+2 является многочленом, имеющим четыре члена. Члены отделены знаком (+).

Многочлены имеют различные степени. Степень многочлена определяется зна чением наибольшей степени любого из элементов. Степенью элемента является сумма показателей переменных, содержащихся в элементе. Показанное выше вы ражение является многочленом третьей степени, так как элемент 4 * А^ 3 имеет третью степень, и это наивысшая степень среди всех элементов многочлена. Если бы элемент был равен 4*A^З*B^62*C, мы бы получили многочлен шестой степени, так как сумма показателей переменных (3+2+1) равна 6.

Многочлен первой степени называется также линейным уравнением и графически задается прямой линией. Многочлен второй степени называется квадратным уравнением и на графике представляет собой параболу. Многочлены третьей, четвертой и пятой степени называются соответственно кубическим уравнением, уравнением четвертой степени, уравнением пятой степени и т.д. Графики много членов третьей степени и выше довольно сложны. Многочлены могут иметь любое число элементов и любую степень, мы будем работать только с линейными уравнениями, т.е. многочленами первой степени. Решить систему линейных уравнений можно с помощью процедуры Гаусса-Жордана, или, что то же самое, метода гауссовского исключения. Чтобы использовать этот метод, мы должны сначала создать расширенную матрицу, объединив матрицу коэффициентов и столбец свободных членов. Затем следует произвести элементарные преобразования для получения единичной матрицы. С помощью элементарных преобразований мы получаем более простую, но эквивалентную первоначальной, матрицу. Элементарные преобразования производятся посредством построчных операций (мы опишем их ниже). Единичная матрица является квадратной матрицей коэффициентов, где все элементы равны нулю, кроме диагональной линии элементов, которая начинается в верхнем левом углу. Для матрицы коэффициентов «шесть на шесть» единичная матрица будет выглядеть следующим образом:

1 0 0 0 0 о 0 1 0 0 0 о 0 0 1 0 0 о 0 0 0 1 0 о 0 0 0 0 1 о 0 0 0 0 о Матрица, где число строк равно числу столбцов, называется квадратной матри цей. Благодаря обобщенной форме задачи минимизации V для данного Е, мы все гда будем иметь дело с квадратными матрицами коэффициентов. Единичная матрица, полученная с помощью построчных операций, эквивалентна первоначальной матрице коэффициентов. Ответы для нашей системы уравнений можно получить из крайнего правого вектора-столбца. Единица в первой строке единичной матрицы соответствует переменной X,, поэтому значение на пересечении крайнего правого столбца и первой строки будет ответом для X Таким же образом на пересечении крайнего правого столбца и второй строки со держится ответ для Х2 так как единица во второй строке соответствует Х2 Ис пользуя построчные операции, мы можем совершать элементарные преобразова ния в первоначальной матрице, пока не получим единичную матрицу. Из единич ной матрицы можно получить ответы для весов X1... ХN—компонентов портфеля.

Найденные веса дадут портфель с минимальной дисперсией V для данного уровня ожидаемой прибыли Е1.

.

Можно проводить три типа построчных операций:

1. Поменять местами любые две строки.

2. Умножить любую строку на ненулевую постоянную.

3. Любую строку умножить на ненулевую постоянную и прибавить к любой другой строке.

С помощью этих трех операций мы попытаемся преобразовать исходную матрицу коэффициентов в единичную матрицу В расширенной матрице проведем элементарное преобразование номер 1, ис пользуя правило номер 2 построчных операций. Мы возьмем значение на пересечении первой строки и первого столбца (оно равно 0,095) и преобразуем его в единицу. Для этого умножим первую строку на 1/0,095. В результате, значение на пересечении первой строки и первого столбца станет равно единице. Остальные значения в первой сроке изменятся соответствующим образом.

Проведем элементарное преобразование номер 2. Для этого задействуем прави ло номер 3 построчных операций (для всех строк, кроме первой). Предварительно для всех строк проведем элементарное преобразование номер 1, преобразовав чис ло, стоящее в первом столбце каждой строки, в единицу. Затем все числа матрицы, кроме чисел первой строки, умножим на -1. После этого можно перейти к непос редственному применению правила номер 3. Для этого прибавим первую строку к каждой строке матрицы: первое число первой строки прибавим к первому числу второй строки, второе число первой строки ко второму числу второй строки и так далее. После этого преобразования мы получим нули в первом столбце (во всех строках, кроме первой).

Теперь первый столбец уже является столбцом единичной матрицы. С помо щью элементарного преобразования номер 3, используя правило номер 2 пост рочных операций, преобразуем значения на пересечении второй строки и второго столбца в единицу. Посредством элементарного преобразования 4, используя правило номер 3 построчных операций, преобразуем в нули значения второго столбца (для всех строк, кроме второй).

Таким образом, с помощью правила номер 2 и правила номер 3 построчных операций мы преобразуем значения по диагонали в единицы и получим единич ную матрицу. Столбец с правой стороны будет содержать решение.

Веса, при которых мы получаем портфель с минимальным V для данного Е, будут точны настолько, насколько точны значения входных данных Е и V компонентов и коэффициенты линейной корреляции каждой возможной пары компонентов Интерпретация результатов После того как найдена единичная матрица, следует интерпретировать полученные результаты. В данном случае при наличии входных данных об ожидаемых прибылях и дисперсии прибылей по всем рассматриваемым компонентам, при наличии коэффициентов линейной корреляции каждой пары компонентов и ожидаемой отдаче 14% наше решение является оптимальным. Слово «оптималь ный» означает, что полученное решение дает самую низкую дисперсию при ожи даемой прибыли 14%. Мы можем определить это значение дисперсии, но сначала интерпретируем результаты.

Первые четыре значения, от X1 до Х4 дают нам веса, т.е. доли инвестируемых средств, для получения оптимального портфеля с 14%-ой ожидаемой прибылью.

Нам следует инвестировать 12,391% в Toxico, 12,787% в Incubeast, 38,407% в LA Garb и 36,424% в сберегательный счет. Если мы хотим инвестировать 50 000 дол ларов, то получим:

Акция Процент (* 50000 =) сумма инвестиций Toxico 0,12391 $6195, Incubeast 0,12787 $6393, LA Garb 0,38407 $19 203, Сберегательный счет 0,36424 $18212, Таким образом, в Incubeast мы бы инвестировали 6393,50 доллара. Теперь допус тим, что Incubeast котируется по цене 20 долларов за акцию, т.е. следует купить 319,675 акции (6393,5 / 20). На самом деле мы не можем купить дробное число акций, поэтому купим либо 319, либо 320 акций. Следует также отметить, что не большой лот из 19 или 20 акций, остающийся после покупки первых 300 акций, будет стоить дороже. Нестандартные, малые лоты обычно стоят несколько дороже, поэтому мы переплатим за 19 или 20 акций, а это коснется ожидаемой прибыли по нашей позиции в Incubeast и в свою очередь затронет оптимальную комбинацию портфеля. В некоторых случаях следует ограничиться только стандартным лотом (в нашем случае — это 300 акций). Как видите, необходимо учитывать некоторый коэффициент ухудшения. Мы можем определить оптимальный портфель с точ ностью до дробной части акции, но реальная торговля все равно внесет свои коррективы. Естественно, чем больше ваш счет, тем ближе будет реальный портфель к теоретическому. Допустим, вместо 50 000 долларов вы оперируете пятью миллионами долларов. Вы хотите инвестировать 12,787% в Incubeast (если речь идет только об этих четырех инвестиционных альтернативах) и поэтому будете инвестировать 5 000 000*0,12787 =$639 350. При цене 20 долларов за акцию вы бы купили 639350/20=31967,5 акций. Учитывая круглый лот, вы купите 31900 акций, отклоняясь от оптимального значения примерно на 0,2%. Когда для инвестирования у вас есть только 50 000 долларов, вы купите 300 акций вместо оптимального количества 319,675 и таким образом отклонитесь от оптимального значения примерно на 6,5%.

Подставим значения в уравнение (6.06a) (стр. 281):

Таким образом, при Е = 0,14 самое низкое значение V = 0,0725872809.

Если мы захотим протестировать значение Е = 0,18, то снова начнем с рас ширенной матрицы, только на этот раз правая верхняя ячейка будет равна 0.18.

Xi Xj COVi, j 0,12391 * 0,12391 * 0,1 0, 0,12391 * 0,12787 * -0,0237 -0, 0,12391 * 0,38407 * 0,01 0, 0,12391 * 0,36424 * 0 0,12787 * 0,12391 * -0,0237 -0, 0,12787 * 0,12787 * 0,25 0, 0,12787 * 0,38407 * 0,079 0, 0,12787 * 0,36424 * 0 0,38407 * 0,12391 * 0,01 0, 0,38407 * 0,12787 * 0,079 0, 0,38407 * 0,38407 * 0,4 0, 0,38407 * 0,36424 * 0 0,36424 * 0,12391 * 0 0,36424 * 0,12787 * 0 0,36424 * 0,38407 * 0 0,36424 * 0,36424 * 0 0, С помощью построчных операций получим единичную матрицу:

На этот раз в четвертой ячейке столбца ответов мы получили отрицательный ре зультат. Это означает, что нам следует инвестировать отрицательную сумму в размере 9,81% капитала в сберегательный счет. Чтобы решить проблему отрица тельного Xi (т.е. когда значение на пересечении строки i и крайнего правого столбца меньшее или равно нулю), мы должны удалить из первоначальной рас ширенной матрицы строку i + 2 и столбец i и решить задачу для новой расши ренной матрицы. Если значения последних двух строк крайнего правого столбца меньше или равны нулю, нам не о чем беспокоиться, поскольку они соответствуют множителям Лагранжа и могут принимать отрицательные значения. Так как отрицательное значение переменной соответствует отрицательному весу четвертого компонента, мы удалим из первоначальной расширенной матрицы четвертый столбец и шестую строку. Затем используем построчные операции для проведения элементарных преобразований, чтобы получить единичную матрицу:

С помощью построчных операций получим единичную матрицу:

Когда вы удаляете строки и столбцы, важно помнить, какие строки каким пере менным соответствуют, особенно когда таких строк и столбцов несколько. Допу стим, нам надо найти веса в портфеле при Е = 0,1965. Единичная матрица, кото рую мы сначала получим, будет содержать отрицательные значения для весов Toxico (X1) и сберегательного счета (Х4). Поэтому вернемся к нашей первоначаль ной расширенной матрице:

Теперь удалим строку 3 и столбец 1 (они относятся к Toxico), а также удалим стро ку 6 и столбец 4 (они относятся к сберегательному счету):

Итак, мы будем работать со следующей матрицей:

С помощью построчных операций получим единичную матрицу:

Решить матрицу можно также с помощью обратной матрицы коэффициентов.

Обратная матрица при умножении на первоначальную матрицу дает единичную матрицу. В матричной алгебре матрица часто обозначается выделенной заглавной буквой. Например, мы можем обозначить матрицу коэффициентов буквой С.

Обратная матрица помечается верхним индексом -1. Обратная матрица к С обозначается как С-1.Чтобы использовать этот метод, необходимо определить обратную матрицу для матрицы коэффициентов. Для этого добавим к матрице коэффициентов единичную матрицу. В примере с 4 акциями:

Используя построчные операции, преобразуем матрицу коэффициентов в еди ничную матрицу. Так как каждая построчная операция, проведенная слева, будет проведена и справа, мы преобразуем единичную матрицу справа в обратную мат рицу С-1.

Теперь мы можем умножить обратную матрицу С-1 на первоначальный крайний правый столбец, который в нашем случае выглядит следующим образом:

При умножении матрицы на вектор-столбец мы умножаем все элементы первого столбца матрицы на первый элемент вектора, все элементы второго столбца матрицы на второй элемент вектора, и так далее. Если бы вектор был вектор строка, мы бы умножили все элементы первой строки матрицы на первый элемент вектора, все элементы второй строки матрицы на второй элемент вектора, и так далее. Так как речь идет о векторе-столбце и последние четыре элемента нули, нам надо умножить первый столбец обратной матрицы на Е (ожидаемая прибыль портфеля) и второй столбец обратной матрицы на S (сумма весов). Мы получим следующий набор уравнений, в которые можно подставить значения Е и S и получить оптимальные веса.

Матричная алгебра включает в себя гораздо больше тем и приложений, чем было рассмотрено в этой главе. Существуют и другие методы матричной алгебры для решения систем линейных уравнений. Часто вы встретите ссылки на правило Крамера, симплекс-метод или симплексную таблицу. Эти методы сложнее, чем методы, описанные в этой главе. Существует множество применений матричной алгебры в бизнесе и науке, мы же затронули ее настолько, насколько необходимо для наших целей. Для более подробного изучения матричной алгебры и ее применений в бизнесе и науке рекомендую прочитать книгу «Множества, матрицы и линейное программирование» Роберта Л. Чилдресса (Sets, Matrices, and Linear Programming, by Robert L. Childress). Следующая глава посвящена методам, уже рассмотренным в этой главе, применительно к любому торгуемому инструменту с использованием оптимального f и механических систем.

Глава Геометрия портфелей Мы уже познакомились с несколькими способами расчета оптимального f для рыночных систем. Также мы знаем, как найти эффективную границу. В этой главе мы покажем, как объединить идею оптимального f и идею эффективной границы для получения действительно эффективного портфеля, геометрический рост которого максимален. Мы также коснемся геометрии портфеля.

Линии рынка капитала (Capital Market Lines — CMLs) Из предыдущей главы мы узнали, как параметрически вывести эффективную гра ницу. Мы можем улучшить любой портфель путем инвестирования определенной его доли в наличные (или, что то же самое, в беспроцентный вклад). Рисунок 7- демонстрирует эту ситуацию графически.

На рисунке 7-1 точка А отражает прибыль по безрисковым активам. Мы будем считать, что это прибыль по 91-дневным казначейским обязательствам. Так как риск в данном случае (стандартное отклонение прибылей) отсутствует, точка А находится на нуле по горизонтальной оси.

Рисунок 7-1 Увеличение прибылей с помощью безрисковых активов Точка В соответствует касательному портфелю. Это единственный портфель, ле жащий на эффективной границе, которого коснется линия, проведенная из точки с координатой: безрисковая ставка прибыли на вертикальной оси и ноль на гори зонтальной оси. Любая точка на отрезке АВ соответствует портфелю из точки В в комбинации с безрисковыми активами. В точке В все средства вложены только в портфель, а в точке А только в безрисковые активы. Любая точка между А и В со ответствует определенной комбинации, когда часть активов находится в портфеле, а часть в безрисковых активах. Отметьте, что портфель на отрезке АВ более выгоден, чем любой портфель на эффективной границе при том же уровне риска, так как, находясь на отрезке АВ, он имеет более высокую прибыль при том же уровне риска. Таким образом, инвестору, который хочет получить менее риско ванный портфель, чем портфель В, следует инвестировать средства в портфель В и в безрисковые активы, а не смещаться по эффективной границе в точку с меньшим риском. Линия, выходящая из точки А безрискового уровня на вертикальной оси и нуля на горизонтальной оси и касающаяся в одной точке эффективной границы, называется линией рынка капитала (CML). Справа от точки В линия CML пред ставляет портфели, где инвестор занимает средства для инвестирования в порт фель В. Отметьте, что инвестору, который хочет получить большую прибыль, чем дает портфель В, следует поступить именно таким образом, поскольку портфели на линии CML справа от точки В дают более высокую прибыль, чем портфели на эффективной границе при том же уровне риска. Как правило, В — очень хорошо диверсифицированный портфель. Большинство портфелей, расположенных справа сверху и слева снизу на эффективной границе, имеют очень мало компонентов, портфели в середине эффективной границы, где проходит касательная, достаточно хорошо диверсифицированы. Традиционно считается, что все разумные инвесторы хотят получить максимальную прибыль при данном риске и принять наименьший риск при заданной прибыли. Таким образом, все инвесторы хотят быть где-то на линии CML. Другими словами, все инвесторы хотят держать один и тот же портфель, но с различной долей заемных средств. Данное различие между инвестиционным решением и инвестированием с использованием заемных средств известно как теорема разделения. Мы будем исходить из того, что вертикальная шкала (Е в теории Е — V) выражает арифметическое среднее HPR (AHPR) для портфелей, а горизонтальная шкала (V) отражает стандартное отклонение HPR.

Для заданной безрисковой ставки мы можем определить, где находится касательный портфель на нашей эффективной границе, так как его координаты (AHPR, V) максимизируют следующую функцию:

(7.0 la) Касательный портфель = MAX{(AHPR - (1 + RFR)) / SD}, где МАХ{} = максимальное значение;

AHPR =арифметическое среднее HPR, т. е. координата Е данного портфеля на эффективной границе;

SD = стандартное отклонение HPR, т. е. координата V данного портфеля на эффективной границе;

RFR== безрисковая ставка (risk-free rate).

В уравнении (7.0la) формула внутри скобок ({}) представляет собой отношение Шарпа. Отношение Шарпа для портфеля — это отношение ожидаемых избыточ ных значений прибыли к стандартному отклонению. Портфель с наибольшим отношением Шарпа является портфелем, где линия CML касается эффективной границы при данном значении RFR.

Следующая таблица показывает, как использовать уравнение (7.01а). В первых двух столбцах указаны координаты различных портфелей на эффективной грани це. Координаты даны в формате (AHPR, SD), что соответствует осям Y и Х рисун ка 7-1. В третьем столбце представлены данные, полученные из уравнения (7.01а), при безрисковой ставке 1,5% (AHPR= 1,015). Мы исходим из того, что HPR имеют квартальные значения, таким образом, квартальная безрисковая ставка 1,5% примерно равна годовой безрисковой ставке 6%. Например, для третьего набора координат (1,002;

0,00013) получим:

Проведем данный расчет для каждой точки на эффективной границе. Макси мальное значение уравнения (7.01а) 0,502265 соответствует координатам (1,03;

0,02986), они задают точку, которая соответствует точке В на рисунке 7-1, где ли ния CML касается эффективной границы. Точка касания соответствует опреде ленному портфелю на эффективной границе. Отношение Шарпа определяет на клон CML, причем самым крутым наклоном обладает касательная к эффективной границе.

Продолжение AHPR Эффективная граница SD Уравнение (7.01а) Линия CML Процент AHPR 1,00500 0,00083 -12,0543 2,78% 1, 1,00600 0,00119 -7,53397 4,00% 1, 1,00700 0,00163 -4,92014 5,45% 1, 1,00800 0,00212 -3,29611 7,11% 1, 1,00900 0,00269 -2,23228 9,00% 1, 1,01000 0,00332 -1,50679 11,11% 1, 1,01100 0,00402 -0,99622 13,45% 1, 1,01200 0,00478 -0,62783 16,00% 1, 1,01300 0,00561 -0,35663 18,78% 1, 1,01400 0,00650 -0,15375 21,78% 1, 1,01500 0,00747 0 25,00% 1, 1,01600 0,00849 0,117718 28,45% 1, 1,01700 0,00959 0,208552 32,12% 1, 1,01800 0,01075 0,279036 36,01% 1, 1,01900 0,01198 0,333916 40,12% 1, 1,02000 0,01327 0,376698 44,45% 1, 1,02100 0,01463 0,410012 49,01% 1, 1,02200 0,01606 0,435850 53,79% 1, 1,02300 0,01755 0,455741 58,79% 1, 1,02400 0,01911 0,470873 64,01% 1, 1,02500 0,02074 0,482174 69,46% 1, 1,02600 0,02243 0,490377 75,12% 1, 1,02700 0,02419 0,496064 81,01% 1, 1,02800 0,02602 0,499702 87,12% 1, 1,02900 0,02791 0,501667 93,46% 1, 1,03000 0,02986 0,502265 (пик) 100,02% 1, 1,03100 0,03189 0,501742 106,79% 1, Продолжение AHPR Эффективная граница SD Уравнение (7.01а) Линия CML Процент AHPR 1,03200 0,03398 0,500303 113,80% 1, 1,03300 0,03614 0,498114 121,02% 1, 1,03400 0,03836 0,495313 128,46% 1, 1,03500 0,04065 0,492014 136,13% 1, 1,03600 0,04301 0,488313 144,02% 1, 1,03700 0,04543 0,484287 152,13% 1, 1,03800 0,04792 0,480004 160,47% 1, 1,03900 0,05047 0,475517 169,03% 1, 1,04000 0,05309 0,470873 177,81% 1, 1,04100 0,05578 0,466111 186,81% 1, 1,04200 0,05853 0,461264 196,03% 1, 1,04300 0,06136 0,456357 205,48% 1, 1,04400 0,06424 0,451416 215,14% 1, 1,04500 0,06720 0,446458 225,04% 1, 1,04600 0,07022 0,441499 235,15% 1, 1,04700 0,07330 0,436554 245,48% 1, 1,04800 0,07645 0,431634 256,04% 1, 1,04900 0,07967 0,426747 266,82% 1, 1,05000 0,08296 0,421902 277,82% 1, Следующий столбец «Процент» отражает процент активов, которые необходимо инвестировать в касательный портфель, если вы находитесь на линии CML при определенном значении стандартного отклонения. Другими словами, последняя строка в таблице (при стандартном отклонении 0,08296) соответствует наличию 277,82% ваших активов в касательном портфеле (основная сумма инвестиций и заем еще 1,7782 доллара на каждый инвестированный доллар для дальнейшего инвестирования). Процентное значение можно рассчитать, если знать стандартное отклонение касательного портфеля:

(7.02) P=SX/ST, где SX = координата стандартного отклонения определенной точки на линии CML;

ST = координата стандартного отклонения касательного портфеля;

Р= процент активов, которые необходимо инвестировать в касательный портфель, чтобы быть на линии CML для данного значения SX.

Таким образом, если значение стандартного отклонения точки на линии CML (0,08296) из последней строки таблицы разделить на значение стандартного от клонения касательного портфеля (0,02986), мы получим 2,7782, что соответствует 277,82%.

В последнем столбце таблицы показано AHPR линии CML при данной коорди нате стандартного отклонения. Оно рассчитывается следующим образом:

где ACML = AHPR линии CML при данной координате риска, или соот ветствующем проценте, рассчитанном из (7.02);

AT =значение AHPR касательной точки, полученное из (7.01а);

Р= процент в касательном портфеле, рассчитанный из (7.02);

RFR= безрисковая ставка.

Стандартное отклонение определенной точки на линии CML для данного AHPR рассчитывается следующим образом:

(7.04) SD=P*ST, где SD = стандартное отклонение в данной точке на линии CML при определенном проценте Р, соответствующем данному AHPR;

Р = процент в касательном портфеле, рассчитанный из (7.02);

ST = значение стандартного отклонения касательного портфеля.

Геометрическая эффективная граница Особенность рисунка 7-1 состоит в том, что он отображает арифметическое сред нее HPR. Если прибыли реинвестируются, то для координаты эффективной гра ницы по оси Y правильнее рассматривать геометрическое среднее HPR. Такой подход многое меняет. Формула для преобразования точки на эффективной гра нице из арифметического HPR в геометрическое такова:

где GHPR = геометрическое среднее HPR;

AHPR = арифметическое среднее HPR;

V= координата дисперсии (она равна координате стандартного отклонения в квадрате).

Рисунок 7-2 Эффективная граница с реинвестированием и без реинвестирования На рисунке 7-2 показана эффективная граница, соответствующая арифметическим средним HPR, и граница, соответствующая геометрическим средним HPR.

Посмотрите, что происходит с эффективной границей при реинвестировании.

Построив линию GHPR, можно определить, какой портфель является геометрически оптимальным (наивысшая точка на линии GHPR). Вы можете найти этот портфель, преобразовав AHPR и V каждого портфеля на эффективной границе AHPR в GHPR с помощью уравнения (7.05) и выбрав максимальное значение GHPR. Однако, зная AHPR и V портфелей, лежащих на эффективной границе AHPR, можно еще проще определить геометрический оптимальный портфель, он должен удовлетворять следующему уравнению:

(7.06a)AHPR-1-V=0, где АН PR = арифметическое среднее HPR, т.е. координата Е данного портфеля на эффективной границе;

V= дисперсия HPR, т.е. координата V данного портфеля на эффективной границе.

Она равна стандартному отклонению в квадрате.

Уравнение (7.06a) также можно представить следующим образом:

(7.06б) AHPR - 1 = V (7.06в) AHPR-V= (7.06г) AHPR=V+ Необходимо сделать небольшое замечание по геометрическому оптимальному портфелю. Дисперсия в портфеле в общем случае имеет положительную корреляцию с наихудшим проигрышем. Более высокая дисперсия обычно со ответствует портфелю с более высоким возможным проигрышем. Так как гео метрический оптимальный портфель является портфелем, для которого Е и V равны (при E=AHPR- 1), мы можем допустить, что геометрический оптимальный портфель будет иметь высокие проигрыши. Фактически, чем больше GHPR геометрического оптимального портфеля (т.е. чем больше зарабатывает портфель), тем больше может быть его текущий проигрыш (откат по балансу счета), так как GHPR положительно коррелирован с AHPR. Здесь мы видим некий парадокс. С одной стороны нам следует использовать геометрический оптимальный портфель, с другой — чем выше среднее геометрическое портфеля, тем большими будут откаты по балансу счета в процентном выражении. Мы знаем также, что при диверсификации следует выбирать портфель с наивысшим средним геометрическим, а не с минимальным проигрышем, но эти величины стремятся в противоположных направлениях! Геометрический оптимальный портфель — это портфель, который расположен в точке, где линия, прочерченная из (0, 0) с наклоном 1, пересекает эффективную границу AHPR.

Рисунок 7-2 показывает эффективные границы на основе одной сделки. Мы можем преобразовать геометрическое среднее HPR в TWR с помощью уравнения:

(7.07) GTWR = GHPR^ N, где GTWR = значение вертикальной оси, соответствующее данному GHPR после N сделок;

N - число сделок, которые мы хотим использовать.

Pages:     | 1 |   ...   | 2 | 3 || 5 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.