В четвертой лекции курса MIT, посвященного математическим методам в финансах, профессор Питер Кемпторн (Peter Kempthorne) завершает обзор ключевых концепций линейной алгебры и переходит к фундаментальным основам теории вероятностей. Основное внимание уделяется практическому применению абстрактных математических структур — от разложения матриц до моделирования доходности портфелей и оценки опционов.
📐 Линейная алгебра: от собственных векторов до SVD 0:12
Профессор Кемпторн начал занятие с обсуждения собственных значений (eigenvalues) и собственных векторов (eigenvectors), которые играют критическую роль в упрощении матричных вычислений . Когда матрица $A$ умножается на свой собственный вектор $v$, результатом является просто масштабирование этого же вектора на величину $\lambda$ ($Av = \lambda v$). Это свойство позволяет решать сложные системы уравнений через поиск корней детерминанта матрицы $(A - I\lambda)$ .
Ключевые выводы по теме:
- Диагонализация: Если у матрицы $A$ есть линейно независимые собственные векторы, ее можно представить в виде $A = S\Lambda S^{-1}$, где $\Lambda$ — диагональная матрица собственных значений .
- Динамика систем: В фильтрах Калмана (Kalman filters) состояние системы в момент времени $t$ часто определяется $t$-й степенью матрицы перехода $A$. Если все собственные значения по модулю меньше единицы, система стремится к нулевому состоянию; если одно из них равно единице — к стабильному предельному значению .
- Сингулярное разложение (SVD): Кемпторн называет SVD одним из важнейших результатов линейной алгебры . Любая матрица $A$ (даже не квадратная) может быть разложена на $U\Sigma V^T$. В контексте анализа данных это позволяет:
В завершение блока линейной алгебры была упомянута теорема Перрона — Фробениуса . Она утверждает, что для квадратной матрицы с положительными элементами существует единственное максимальное по модулю вещественное собственное значение, которому соответствует вектор с положительными компонентами. Это свойство широко используется в финансовых моделях и анализе сетей .
📈 Практика в R: портфели и проблема ребалансировки 20:23
Переходя к практике, лектор продемонстрировал возможности среды RStudio Cloud для анализа рыночных данных . Студентам предлагается использовать готовые скрипты для загрузки цен акций через Yahoo Finance и анализа портфелей из индекса S&P 500 .
В качестве примера был рассмотрен равновесный портфель (equal-weighted portfolio), в который в начале 2019 года было инвестировано $1000 . Кемпторн сравнил общую динамику S&P 500 с портфелем из четырех «горячих» акций того времени: Apple, Amazon, Netflix и Google .
Анализ выявил важные аспекты управления активами:
- Концентрация рисков: Со временем Apple росла значительно быстрее остальных, что привело к увеличению ее доли в портфеле и снижению диверсификации .
- Частота ребалансировки: По мнению профессора, слишком частая (ежедневная) ребалансировка может быть контрпродуктивной. Она заставляет инвестора забирать средства у «победителей» и отдавать их «проигравшим», что мешает извлекать выгоду из краткосрочных трендов . (Контраргумент: отсутствие ребалансировки ведет к неконтролируемому росту риска портфеля.)
🎲 Теория вероятностей: от дискретных событий к непрерывным моделям 28:26
Вторая часть лекции была посвящена обзору вероятностных концепций. Кемпторн разделил случайные величины на дискретные (например, дефолт контрагента или решение ФРС по ставке) и непрерывные (цена актива, время ожидания ордера) .
Важные теоретические моменты:
- Кумулятивная функция распределения (CDF): Уникально определяет распределение и всегда находится в диапазоне от 0 до 1 .
- Вероятностное интегральное преобразование: Профессор привел любопытный факт: если применить CDF к самой случайной величине ($y = F(x)$), то результат всегда будет иметь равномерное распределение на отрезке [0, 1] . Это свойство незаменимо для проверки адекватности моделей данным.
- Моменты распределения:
- Математическое ожидание и дисперсия: Стандартные меры центральной тенденции и разброса.
- Асимметрия (Skewness): Показывает смещение распределения. Для нормального распределения она равна 0 .
- Куртозис (Kurtosis): Мера «тяжести хвостов». У нормального распределения куртозис равен 3 . В финансах часто встречаются распределения с «тяжелыми хвостами», что означает более высокую вероятность экстремальных событий.
📉 Нормальное и логнормальное распределения в финансах 39:01
Гауссовская (нормальная) кривая — база для многих моделей. Кемпторн напомнил правило «трех сигм»: 68% значений лежат в пределах одного стандартного отклонения, 95% — в пределах двух, и 99,7% — в пределах трех .
Однако для цен активов нормальное распределение не всегда подходит, так как цена не может быть отрицательной. Поэтому в финансах чаще используют логнормальное распределение . Если логарифм цены распределен нормально, то сама цена — логнормально. Это распределение асимметрично и ограничено снизу нулем . Профессор отметил, что логнормальность тесно связана с броуновским движением — процессом, который будет подробно изучен в следующих лекциях .
🏒 Математика опционов: «хоккейная клюшка» 49:48
Одним из наиболее наглядных применений теории вероятностей является оценка колл-опционов. Выплата по такому опциону в момент экспирации описывается функцией $max(X - K, 0)$, где $X$ — цена актива, а $K$ — цена страйк . Эту форму графика часто называют «хоккейной клюшкой» (hockey stick payoff) .
Математическое ожидание такой выплаты можно вычислить как интеграл от функции $1 - F(x)$ (где $F$ — CDF цены актива) в пределах от цены страйк до бесконечности . Кемпторн подчеркнул: выбор модели распределения (нормальное или логнормальное) радикально меняет расчетную цену опциона .
🧬 Производящие функции и PCA 53:36
Для глубокого анализа распределений используются производящие функции моментов (MGF), определяемые как $E[e^{tx}]$ . Несмотря на техническую сложность, они крайне полезны: если MGF двух величин совпадают, то и их распределения идентичны .
В случаях, когда MGF не существует (например, для распределения Коши с его бесконечными моментами), математики используют характеристические функции с комплексными числами ($e^{itx}$), которые существуют всегда .
В финале лекции был заложен фундамент для метода главных компонент (PCA) :
- Ковариационная матрица доходностей является симметричной и положительно полуопределенной .
- Ее собственные значения всегда неотрицательны.
- PCA позволяет трансформировать исходный набор коррелированных активов в новые, некоррелированные переменные (главные компоненты) .
- В финансах это основа многофакторных моделей, позволяющая описать сложное движение рынка всего несколькими ключевыми факторами .
