# Профессор MIT о математике рынков: от анализа главных компонент до модели CAPM

Источник: https://www.youtube.com/watch?v=wMGEKMHsOKE
Канал: MIT OpenCourseWare
Опубликовано: 03.12.2025

---

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
[[JUMP: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 [0:53]. Основная суть PCA заключается в трансформации исходного вектора данных в вектор главных компонент путем сдвига начала координат и вращения осей [1:35].

Ключевые особенности трансформации:

*   **Центрирование:** Из исходного вектора вычитается вектор средних значений.
*   **Вращение:** Оси координат поворачиваются с помощью матрицы собственных векторов ковариационной матрицы [1:52].
*   **Ортогональность:** Новые переменные (главные компоненты) становятся некоррелированными друг с другом, а их ковариационная матрица становится диагональной [8:03].

Профессор иллюстрирует это на примере двумерного нормального распределения. Если доходности двух акций положительно коррелированы, плотность их совместного распределения образует эллипс, наклоненный вверх [4:42]. PCA ориентирует первую главную компоненту вдоль главной оси этого эллипса — в направлении максимальной изменчивости данных [5:36]. Вторая компонента будет ортогональна первой и опишет оставшуюся, меньшую часть вариации [5:53].

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 [16:04].
*   **Рынок облигаций:** Анализ кривой доходности для разных сроков погашения (от месяца до 30 лет) показывает наличие очень четкой структуры, которую PCA эффективно выявляет [16:52].

## 📉 Законы сходимости и предельные теоремы
[[JUMP: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 [28:12]. 

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 [32:12]. 

Профессор отмечает важные нюансы ЦПТ:

1.  **Доказательство:** Оно строится с использованием производящих функций моментов (MGF) и разложения в ряд Тейлора [34:11].
2.  **Практика:** Несмотря на то, что в финансах данные редко бывают строго независимыми и одинаково распределенными, ЦПТ все равно остается полезной аппроксимацией [38:30].
3.  **Регрессия:** ЦПТ обосновывает использование гауссовских моделей для векторов ошибок в регрессионном анализе [40:23].

## 💰 Модель ценообразования активов (CAPM) и полезность
[[JUMP: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) [42:39].

Для принятия решения используется теория рационального выбора в условиях неопределенности, где агент максимизирует ожидаемую полезность своего богатства в конце периода [46:58]. Профессор делает стандартные предположения о функции полезности $u(w)$:

*   **Первая производная положительна:** Большее богатство всегда предпочтительнее меньшего [48:09].
*   **Вторая производная отрицательна:** Существует убывающая предельная полезность богатства, что эквивалентно неприятию риска [48:23].

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 [51:33]. В результате выводится формула «справедливой цены» актива, которая складывается из дисконтированного ожидаемого денежного потока и поправки на риск [1:00:47].

Итогом этих рассуждений становится Линия рынка ценных бумаг (Security Market Line):

*   Ожидаемая доходность актива равна безрисковой ставке плюс премия за риск [1:08:33].
*   Премия за риск определяется коэффициентом «бета» ($\beta$), который отражает чувствительность актива к движениям рыночного портфеля [1:09:14].
*   Чем выше $\beta$, тем выше ожидаемая доходность, которую требует инвестор за принятие рыночного риска [1:10:13].

## 🐎 Введение в стохастические процессы: Мартингалы
[[JUMP: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 [1:14:00].

Примеры мартингалов:

1.  **Случайное блуждание:** Сумма независимых шагов с нулевым средним значением [1:14:30].
2.  **Квадратичный мартингал:** Если $S_n$ — случайное блуждание, то процесс $S_n^2 - n\sigma^2$ также является мартингалом [1:18:23].

Профессор делится любопытным фактом об этимологии термина. Слово «мартингал» пришло из конного спорта (equestrianism) [1:19:19]. Так называется часть упряжи (подперсье), которая удерживает голову лошади, не давая ей задираться слишком высоко или опускаться слишком низко — она заставляет лошадь «смотреть прямо» [1:19:31]. Аналогично, математический мартингал «смотрит прямо» в том смысле, что его среднее значение в будущем остается константой, равной последнему зафиксированному уровню [1:19:44]. 

Визуализация случайных блужданий при увеличении числа шагов (от 100 до 10 000) демонстрирует их «зубчатую» траекторию, которая в пределе ведет к модели броуновского движения [1:16:33].