В пятой лекции курса Массачусетского технологического института (MIT OpenCourseWare), посвященной теории вероятностей и стохастическим процессам, рассматривается переход от абстрактных математических моделей к их практическому применению в финансовой инженерии. Профессор подробно разбирает метод главных компонент (PCA), классическую модель ценообразования активов (CAPM) и вводит понятие мартингалов — фундаментального инструмента для анализа случайных процессов.
📊 Метод главных компонент (PCA) в финансах 0:12
Метод главных компонент (Principal Component Analysis, PCA) представляет собой мощный инструмент для работы с многомерными случайными векторами. В контексте финансовых рынков это позволяет моделировать доходность сотен акций или активов, имеющих определенное среднее значение и матрицу ковариации . Основная суть PCA заключается в трансформации исходного вектора данных в вектор главных компонент путем сдвига начала координат и вращения осей .
Ключевые особенности трансформации:
- Центрирование: Из исходного вектора вычитается вектор средних значений.
- Вращение: Оси координат поворачиваются с помощью матрицы собственных векторов ковариационной матрицы .
- Ортогональность: Новые переменные (главные компоненты) становятся некоррелированными друг с другом, а их ковариационная матрица становится диагональной .
Профессор иллюстрирует это на примере двумерного нормального распределения. Если доходности двух акций положительно коррелированы, плотность их совместного распределения образует эллипс, наклоненный вверх . PCA ориентирует первую главную компоненту вдоль главной оси этого эллипса — в направлении максимальной изменчивости данных . Вторая компонента будет ортогональна первой и опишет оставшуюся, меньшую часть вариации .
Применение PCA в анализе рынков:
- Идентификация факторов: Позволяет выделить скрытые факторы, влияющие на рынок акций.
- Географические кластеры: В европейских индексах PCA помогает выявить группы стран (например, Северная против Южной Европы), доходности которых сильно коррелируют внутри группы .
- Рынок облигаций: Анализ кривой доходности для разных сроков погашения (от месяца до 30 лет) показывает наличие очень четкой структуры, которую PCA эффективно выявляет .
📉 Законы сходимости и предельные теоремы 27:21
Для понимания того, как выборки данных соотносятся с теоретическими параметрами, лектор вводит понятия Слабого закона больших чисел и Центральной предельной теоремы (ЦПТ). Слабый закон больших чисел утверждает, что при увеличении размера выборки выборочное среднее сходится по вероятности к истинному среднему значению генеральной совокупности .
Центральная предельная теорема объясняет, почему нормальное (гауссовское) распределение так часто встречается в природе и финансах. Она гласит, что сумма большого числа независимых и одинаково распределенных случайных величин (IID) стремится к нормальному распределению, независимо от того, какое распределение было у исходных величин .
Профессор отмечает важные нюансы ЦПТ:
- Доказательство: Оно строится с использованием производящих функций моментов (MGF) и разложения в ряд Тейлора .
- Практика: Несмотря на то, что в финансах данные редко бывают строго независимыми и одинаково распределенными, ЦПТ все равно остается полезной аппроксимацией .
- Регрессия: ЦПТ обосновывает использование гауссовских моделей для векторов ошибок в регрессионном анализе .
💰 Модель ценообразования активов (CAPM) и полезность 40:48
Одной из центральных тем лекции является математический вывод модели CAPM. Профессор предлагает рассмотреть агента, который выбирает между безрисковым активом (например, банковским вкладом) и рискованным активом (акцией) .
Для принятия решения используется теория рационального выбора в условиях неопределенности, где агент максимизирует ожидаемую полезность своего богатства в конце периода . Профессор делает стандартные предположения о функции полезности $u(w)$:
- Первая производная положительна: Большее богатство всегда предпочтительнее меньшего .
- Вторая производная отрицательна: Существует убывающая предельная полезность богатства, что эквивалентно неприятию риска .
Для решения задачи оптимизации лектор применяет «лемму Стейна» (Stein's Lemma), которая позволяет упростить ковариацию между функцией от случайной величины и самой величиной, если они распределены нормально . В результате выводится формула «справедливой цены» актива, которая складывается из дисконтированного ожидаемого денежного потока и поправки на риск .
Итогом этих рассуждений становится Линия рынка ценных бумаг (Security Market Line):
- Ожидаемая доходность актива равна безрисковой ставке плюс премия за риск .
- Премия за риск определяется коэффициентом «бета» ($\beta$), который отражает чувствительность актива к движениям рыночного портфеля .
- Чем выше $\beta$, тем выше ожидаемая доходность, которую требует инвестор за принятие рыночного риска .
🐎 Введение в стохастические процессы: Мартингалы 1:12:42
В завершение лекции вводится понятие мартингала — ключевой концепции стохастических процессов. Процесс $M_n$ называется мартингалом, если его ожидаемое значение в будущем, при условии знания всей истории до текущего момента, равно его текущему значению .
Примеры мартингалов:
- Случайное блуждание: Сумма независимых шагов с нулевым средним значением .
- Квадратичный мартингал: Если $S_n$ — случайное блуждание, то процесс $S_n^2 - n\sigma^2$ также является мартингалом .
Профессор делится любопытным фактом об этимологии термина. Слово «мартингал» пришло из конного спорта (equestrianism) . Так называется часть упряжи (подперсье), которая удерживает голову лошади, не давая ей задираться слишком высоко или опускаться слишком низко — она заставляет лошадь «смотреть прямо» . Аналогично, математический мартингал «смотрит прямо» в том смысле, что его среднее значение в будущем остается константой, равной последнему зафиксированному уровню .
Визуализация случайных блужданий при увеличении числа шагов (от 100 до 10 000) демонстрирует их «зубчатую» траекторию, которая в пределе ведет к модели броуновского движения .
