Inhaltsverzeichnis
- Zeichnungswahrscheinlichkeitsverteilung
- Diskret gegen Kontinuierlich
- PDF vs. kumulative Verteilung
- Gleichmäßige Verteilung
- Binomialverteilung
- Lognormalverteilung
- Poisson
- Student's T
- Beta-Distribution
- Die Quintessenz
Zeichnungswahrscheinlichkeitsverteilung
Fast unabhängig von Ihrer Einschätzung der Vorhersehbarkeit oder Effizienz der Märkte werden Sie wahrscheinlich zustimmen, dass die garantierten Renditen für die meisten Vermögenswerte unsicher oder riskant sind. Wenn wir die Mathematik, die Wahrscheinlichkeitsverteilungen zugrunde liegt, ignorieren, können wir sehen, dass es sich um Bilder handelt, die eine bestimmte Sichtweise der Unsicherheit beschreiben. Die Wahrscheinlichkeitsverteilung ist eine statistische Berechnung, die die Wahrscheinlichkeit beschreibt, dass eine bestimmte Variable in einem Diagramm zwischen oder innerhalb eines bestimmten Bereichs liegt.
Unsicherheit bezieht sich auf Zufälligkeit. Es unterscheidet sich von einem Mangel an Vorhersehbarkeit oder Marktineffizienz. Eine aufstrebende Marktforschung geht davon aus, dass die Finanzmärkte sowohl unsicher als auch vorhersehbar sind. Auch Märkte können effizient, aber auch unsicher sein.
In der Finanzbranche verwenden wir Wahrscheinlichkeitsverteilungen, um Bilder zu zeichnen, die unsere Ansicht über die Sensitivität einer Vermögensrendite veranschaulichen, wenn wir der Meinung sind, dass die Vermögensrendite als Zufallsvariable betrachtet werden kann. Sehen Sie sich einige der beliebtesten Wahrscheinlichkeitsverteilungen an und erfahren Sie, wie Sie sie berechnen.
Verteilungen können entweder als diskret oder kontinuierlich kategorisiert werden und danach, ob es sich um eine Wahrscheinlichkeitsdichtefunktion (PDF) oder um eine kumulative Verteilung handelt.
Diskrete vs. kontinuierliche Verteilungen
Diskret bezieht sich auf eine Zufallsvariable, die aus einem endlichen Satz möglicher Ergebnisse gezogen wird. Ein sechsseitiger Würfel hat zum Beispiel sechs diskrete Ergebnisse. Eine stetige Verteilung bezieht sich auf eine Zufallsvariable aus einer unendlichen Menge. Beispiele für kontinuierliche Zufallsvariablen sind Geschwindigkeit, Entfernung und einige Anlagenrenditen. Eine diskrete Zufallsvariable wird normalerweise mit Punkten oder Strichen dargestellt, während eine kontinuierliche Variable mit einer durchgezogenen Linie dargestellt wird. Die folgende Abbildung zeigt diskrete und kontinuierliche Verteilungen für eine Normalverteilung mit einem Mittelwert (Erwartungswert) von 50 und einer Standardabweichung von 10:
Bild von Julie Bang © Investopedia 2020
Die Verteilung ist ein Versuch, die Unsicherheit aufzuzeichnen. In diesem Fall ist ein Ergebnis von 50 am wahrscheinlichsten, wird jedoch in etwa 4% der Fälle eintreten. Ein Ergebnis von 40 ist eine Standardabweichung unter dem Mittelwert und tritt in knapp 2, 5% der Fälle auf.
Wahrscheinlichkeitsdichte vs. kumulative Verteilung
Der andere Unterschied besteht in der Wahrscheinlichkeitsdichtefunktion (PDF) und der kumulativen Verteilungsfunktion. Das PDF ist die Wahrscheinlichkeit, dass unsere Zufallsvariable einen bestimmten Wert erreicht (oder bei einer kontinuierlichen Variablen zwischen einem Intervall liegt). Wir zeigen dies durch Angabe der Wahrscheinlichkeit, dass eine Zufallsvariable X einem tatsächlichen Wert x entspricht:
Um die Umstellung zu erleichtern, müssen Sie P
Die kumulative Verteilung ist die Wahrscheinlichkeit, dass die Zufallsvariable X kleiner oder gleich dem tatsächlichen Wert x ist:
Wenn es sich bei Ihrer Größe beispielsweise um eine Zufallsvariable mit einem erwarteten Wert von 5'10 "Zoll (durchschnittliche Größe Ihrer Eltern) handelt, lautet die PDF-Frage:" Wie hoch ist die Wahrscheinlichkeit, dass Sie eine Größe von 5'4 "erreichen? " Die entsprechende Frage zur kumulativen Verteilungsfunktion lautet: "Mit welcher Wahrscheinlichkeit sind Sie kürzer als 5'4"?"
Die obige Abbildung zeigt zwei Normalverteilungen. Sie können jetzt sehen, dass es sich um PDF-Diagramme handelt. Wenn wir dieselbe Verteilung wie eine kumulative Verteilung neu zeichnen, erhalten wir Folgendes:
Bild von Julie Bang © Investopedia 2020
Die kumulative Verteilung muss schließlich 1, 0 oder 100% auf der y-Achse erreichen. Wenn wir die Messlatte hoch genug legen, fallen irgendwann praktisch alle Ergebnisse unter diese Messlatte (wir könnten sagen, die Verteilung ist in der Regel asymptotisch bis 1, 0).
Die Finanzwissenschaft, eine Sozialwissenschaft, ist nicht so sauber wie die Naturwissenschaften. Die Schwerkraft zum Beispiel hat eine elegante Formel, auf die wir uns immer wieder verlassen können. Renditen von Finanzanlagen können hingegen nicht so konsistent repliziert werden. Eine erstaunliche Menge Geld ist im Laufe der Jahre von klugen Leuten verloren worden, die die genauen Verteilungen (dh als ob sie aus den physikalischen Wissenschaften abgeleitet wären) mit den chaotischen, unzuverlässigen Annäherungen verwechselten, die versuchen, finanzielle Renditen abzubilden. In der Finanzwelt sind Wahrscheinlichkeitsverteilungen kaum mehr als grobe Bilddarstellungen.
Gleichmäßige Verteilung
Die einfachste und beliebteste Verteilung ist die Gleichverteilung, bei der alle Ergebnisse die gleiche Chance haben, aufzutreten. Ein sechsseitiger Würfel hat eine gleichmäßige Verteilung. Jedes Ergebnis hat eine Wahrscheinlichkeit von ungefähr 16, 67% (1/6). Unser Diagramm unten zeigt die durchgezogene Linie (damit Sie sie besser sehen können), aber denken Sie daran, dass dies eine diskrete Verteilung ist - Sie können weder 2.5 noch 2.11 würfeln:
Bild von Julie Bang © Investopedia 2020
Würfeln Sie nun zwei Würfel zusammen, wie in der folgenden Abbildung gezeigt, und die Verteilung ist nicht mehr gleichmäßig. Der Höchststand liegt bei sieben, was einer Wahrscheinlichkeit von 16, 67% entspricht. In diesem Fall sind alle anderen Ergebnisse weniger wahrscheinlich:
Bild von Julie Bang © Investopedia 2020
Wirf nun drei Würfel zusammen, wie in der folgenden Abbildung gezeigt. Wir beginnen die Auswirkungen eines erstaunlichen Satzes zu sehen: des zentralen Grenzwertsatzes. Der zentrale Grenzwertsatz verspricht mutig, dass die Summe oder der Durchschnitt einer Reihe unabhängiger Variablen unabhängig von ihrer eigenen Verteilung zur Normalverteilung neigt. Unsere Würfel sind individuell einheitlich, aber kombinieren sie und - wenn wir mehr Würfel hinzufügen - tendieren sie fast auf magische Weise zur bekannten Normalverteilung.
Bild von Julie Bang © Investopedia 2020
Binomialverteilung
Die Binomialverteilung spiegelt eine Reihe von "entweder / oder" -Versuchen wider, beispielsweise eine Reihe von Münzwürfen. Diese Versuche werden Bernoulli-Versuche genannt - sie beziehen sich auf Ereignisse mit nur zwei Ergebnissen -, aber Sie benötigen keine geraden Quoten (50/50). Die Binomialverteilung unten zeigt eine Reihe von 10 Münzwürfen, wobei die Wahrscheinlichkeit von Köpfen 50% (p-0, 5) beträgt. Sie können in der Abbildung unten sehen, dass die Chance, genau fünf Köpfe und fünf Schwänze zu spiegeln (Reihenfolge spielt keine Rolle), nur knapp 25% beträgt:
Bild von Julie Bang © Investopedia 2020
Wenn die Binomialverteilung für Sie normal aussieht, haben Sie Recht. Wenn die Anzahl der Versuche zunimmt, tendiert das Binomial zur Normalverteilung.
Lognormalverteilung
Die logarithmische Verteilung ist im Finanzbereich von großer Bedeutung, da viele der beliebtesten Modelle davon ausgehen, dass die Aktienkurse logarithmisch verteilt sind. Es ist leicht, Anlagenrenditen mit dem Preisniveau zu verwechseln.
Anlagenrenditen werden oft als normal behandelt - eine Aktie kann um 10% steigen oder um 10% fallen. Preisniveaus werden oft als logarithmisch behandelt - eine 10-Dollar-Aktie kann bis zu 30 US-Dollar steigen, aber nicht bis zu -10 US-Dollar. Die logarithmische Normalverteilung ist ungleich Null und nach rechts geneigt (wieder kann eine Aktie nicht unter Null fallen, hat aber kein theoretisches Aufwärtslimit):
Bild von Julie Bang © Investopedia 2020
Poisson
Die Poisson-Verteilung wird verwendet, um die Wahrscheinlichkeit eines bestimmten Ereignisses (z. B. eines täglichen Portfolioverlusts unter 5%) zu beschreiben, das über ein Zeitintervall auftritt. Im folgenden Beispiel wird daher davon ausgegangen, dass ein Betriebsprozess eine Fehlerrate von 3% aufweist. Wir gehen weiterhin von 100 Zufallsversuchen aus; Die Poisson-Verteilung beschreibt die Wahrscheinlichkeit, über einen bestimmten Zeitraum hinweg eine bestimmte Anzahl von Fehlern zu erhalten, z. B. einen einzelnen Tag.
Bild von Julie Bang © Investopedia 2020
Student's T
Die T-Verteilung des Schülers ist ebenfalls sehr beliebt, da sie einen etwas "dickeren Schwanz" als die Normalverteilung hat. Das T des Schülers wird normalerweise verwendet, wenn unsere Stichprobe klein ist (dh weniger als 30). Im Finanzbereich repräsentiert der linke Schwanz die Verluste. Daher wagen wir, wenn die Stichprobengröße klein ist, die Wahrscheinlichkeit eines großen Verlusts zu unterschätzen. Der dickere Schwanz am T des Schülers wird uns hier raushelfen. Trotzdem kommt es vor, dass der fette Schwanz dieser Distribution oft nicht fett genug ist. Finanzielle Renditen weisen in seltenen Fällen katastrophale Verluste auf (dicker als von den Ausschüttungen prognostiziert). In diesem Sinne sind große Geldsummen verloren gegangen.
Beta-Distribution
Schließlich ist die Betaverteilung (nicht zu verwechseln mit dem Betaparameter im Preismodell für Kapitalanlagen) bei Modellen beliebt, die die Erholungsraten für Anleihenportfolios schätzen. Die Beta-Distribution ist der Utility-Player von Distributionen. Wie im Normalfall werden nur zwei Parameter benötigt (Alpha und Beta), die jedoch für eine bemerkenswerte Flexibilität kombiniert werden können. Im Folgenden sind vier mögliche Betaverteilungen dargestellt:
Die Quintessenz
Wie so viele Schuhe in unserem statistischen Schuhschrank versuchen wir, die beste Passform für den Anlass zu finden, aber wir wissen nicht genau, was das Wetter für uns bedeutet. Wir können eine Normalverteilung wählen und dann herausfinden, dass sie die Verluste am linken Ende unterschätzt. Daher wechseln wir zu einer verzerrten Verteilung, nur um festzustellen, dass die Daten in der nächsten Periode "normaler" aussehen. Die elegante Mathematik könnte Sie dazu verführen, zu denken, dass diese Verteilungen eine tiefere Wahrheit enthüllen, aber es ist wahrscheinlicher, dass es sich nur um menschliche Artefakte handelt. Zum Beispiel sind alle von uns überprüften Ausschüttungen recht reibungslos, aber einige Anlagenrenditen steigen unstetig an.
Die Normalverteilung ist allgegenwärtig und elegant und erfordert nur zwei Parameter (Mittelwert und Verteilung). Viele andere Verteilungen konvergieren gegen das Normale (z. B. Binomial und Poisson). Viele Situationen, wie beispielsweise die Rendite von Hedgefonds, Kreditportfolios und schwerwiegende Verluste, verdienen jedoch nicht die normale Ausschüttung.
