Tarea de Probabilidad y Simulacin o

Mauricio Enrique Ruiz Font 16 de diciembre de 2010

NOTA : Cada ejercicio tiene su carpeta, dentro de esta se encuentran las hojas que se mencionan. Ejercicio 1. Para obtener muestras de dos variables X e Y (sendas Bernoullis de parmetros p1 y p2 a con correlacin ), vamos a utilizar una cpula normal. Llamemos al parmetro de esta cpula. El o o a o objetivo del ejercicio es entender la relacin entre y (es decir, calcular qu valor de habr que usar o e a en la cpula normal para obtener la correlacin nal entre las variables Bernoulli). Probablemente o o haya un cierto rango de correlaciones alcanzable con este procedimiento, y queremos determinarlo. 1. El primer ejercicio ser hacer el anlisis por simulacin. Dados p1 y p2 , y para un jo, simulamos a a o normales con esa correlacin (conviene corregir las muestras para que la simulacion sea ms preo a cisa) y luego las transformamos a las respectivas Bernoullis, para medir nalmente la correlacin o muestral. Luego vamos moviendo y obteniendo las correspondientes estimaciones para . Una vezmontada esta hoja de clculo, la usamos para analizar las distintas posibilidades para p1 a y p2 , distinguiendo, por ejemplo, los casos en que p1 = p2 p1 = p2 (es probable que el caso o p1 = p2 = 1/2 sea tambien especial) En la hoja Ejercicio 1.xls en la pestaa Simulacion, esta montado los que se pide en este ejercicio, n se simulan en las columnas A y B variables aleatorias con distribucin N (0, 1) se aplico el procedimiento o de antitticas para asegurar media cero, aplicamos en las clumnas C y D un producto por la matriz ine versa del transpuesto de Cholesky de la matriz cov-corr para corregir la varianza. En las columnas E y F, aplicamos la correlacion dada y por ultimo mediante un diccionario en las columnas G y H generamos nuestras aleatorias. Para hacer lo que se solicito se genero una tabla que fuera modicando la dada, y vamos recogiendo la . Las guras 1 a 3 representan los valores de y de para p1 = 0.5, p2 = 0.5, p1 = 0.1, p2 = 0.9 y p1 = 0.3, p2 = 0.3. Vemos que a priori parece que no hay una relacion directa, al menos no lineal entre y . Ejercicio 2. Dos variables, X e Y , toman, cada una de ellas, los valores 3, 0 y 3 con probabilidades probabilidades 1/6, 2/3 y 1/6, respectivamente. Comprueba que ambas tienen media 0 y varianza 1. Tenemos que : 1 2 1 E(X) = 3 + 0 + 3 = 0 6 3 6 Como

(1)

E(X 2 ) = 3 Entonces

1 2 1 +0 +3 =1 6 3 6

(2)

Figura 1: Simulacin con p1 = p2 = 0.5. o

Figura 2: Simulacin con p1 = 0.1 y p2 = 0.9. o

V ar(X) = E(X 2 ) (E(X))2 = 1 0 = 1

(3)

Ahora queremos crear una estructura de dependencia, es decir, la tabla 3 3 que recoge las probabilidades conjuntas. Si X e Y fueran independientes, estas probabilidades conjuntas ser an, simplemente, los productos de las correspondientes probabilidades por separado. Digamos que M es la tabla de esas probabilidades conjuntas (los productos). Vamos a escribir la tabla M de probabilidades conjuntas de la siguiente manera: para un cierto valor > 0 como M = M + A, donde A es a b -1 b -2b b -1 b a

Figura 3: Simulacin con p1 = 0.3 y p2 = 0.3. o con a + b = 1. En las esquinas ya hemos puesto un -1 para simplicar, as que, en realidad, slo hay o un parmetro (por ejemplo, el valor de a). a Calcula la correlacin de X e Y en funcin del parmetro a; o o a Esta es la tabla de probabilidades conjuntas M : 1 1 1 36 + a 9 +b 36 4 1 M + A= 1 +b 9 9 2b 9 +b 1 1 1 +b +a 36 9 36 Primero calcularemos cov(X, Y ), para esto veamos que las marginales que se obtienen de la tabla Y M son iguales a las que ya se tenian, para calcular P (X = 3, ) = PX (X = 3) sumamos todos los elementos de la primera la y obtenemos PX (X = 3) = 1/6 , y para demas los casos PX (X = 3) = 1/6, PX (X = 0) = 2/3 y PY (Y = 3) = 1/6, PY (Y = 3) = 1/6 ,PY (Y = 0) = 2/3. Veamos que la variable aleatorio Z = XY , tiene valor esperado: E(XY ) = 3 ( 1 8 1 + 2a ) + 0 ( + 2b ) 2b + (3) ( 2 ) = 6 (1 + a) 18 9 18 (4)

Aplicando la dencin de corelacin obtenemos : o o E(XY ) E(X)E(Y ) V (X)V (Y )

Corr(X, Y ) =

= 6 (1 + a)

(5)

comprueba qu condiciones debe cumplir el parmetro para que las probabilidades conjuntas e a estn (todas) entre 0 y 1; e Nos centramos en las entradas que son diferentes de la matriz M y planteamos las siguientes desigualdades:
1 36 + a 1 0 1 +b 1 9 1 0 36 1 0 4 2b 1 9

(6) (7) (8) (9)

Notemos que la inecuacin (8) y que > 0 ya nos da unas cotas superior e inferior para : o 1 0 < < 36 . Esta debe ser ajustada para que satisfaga las demas inecuaciones en funcin del valor o de a. Procederemos a examinar cada una de las 3 inecuaciones restantes, e iremos renando la informacin que aporta cada desigualdad. o Empecemos con la desigualdad (6), debemos analizar cada lado de la inecuacin por separado y o pensando en los casos a < 0 y a > 0 : 1. Inecuacin (6) lado izquierdo, o suponiendo a > 0 0
1 36

+ a

(10) (11)

suponiendo a < 0 0

1 36a

1 36

+ a

(12) (13)

2. Inecuacin (6) lado derecho o suponiendo a > 0

1 36

1 36a

+ a1
35 36a

(14) (15)

suponiendo a < 0
1 36

+ a1
35 36a

(16) (17) tenemos que : (18) (19)

Combinando estos resultados con las cotas que ya teniamos para

35 36a 1 36a

1 36 1 36

a > 35 a < 1

Ya con esta informacin podemos hacer una primera renacin de las cotas encontradas en o o funcin de a: o
1 0 < 36a 1 0 < 36 35 0 < 36a

Si a < 1 Si 1 a 35 Si a < 1

3. Inecuacin (7) lado derecho haciendo la sustitucion b = 1 a o suponiendo a < 1

1 9

+ (1 a) 1
8 9(1a)

(20) (21)

suponiendo a > 1
1 9

+ (1 a) 1
8 9(1a)

(22) (23)

4. Inecuacin (7) lado izquierdo haciendo la sustitucion b = 1 a o suponiendo a < 1 0

1 9

+ (1 a)
1 9(1a)

(24) (25)

suponiendo a > 1 0
1 9

+ (1 a)
1 9(1a)

(26) (27)

5. Inecuacin (9) lado izquierdo haciendo la sustitucion b = 1 a o suponiendo a < 1 0

4 9

2 (1 a)
2 9(1a)

(28) (29)

suponiendo a > 1
4 9

2 (1 a) 1
2 9(1a)

(30) (31)

6. Inecuacin (9) lado derecho haciendo la sustitucion b = 1 a o suponiendo a < 1

4 9

2 (1 a) 1
5 18(1a)

(32) (33)

suponiendo a > 1 0
4 9

2 (1 a) 1
5 18(1a)

(34) (35)

Poniendo toda esta informacion junta obtenemos que si a > 1 las siquientes desigualdades son ciertas:
1 9(1a) 5 18(1a)

(36) (37)

Vemos que la (36) es mas restrictiva que la (37), lo mismo hacemos cuando vemos los casos con a < 1:

8 9(1a) 2 9(1a)

(38) (39)

Vemos que la (39) es mas restrictiva. Reunimoes esta informacin con la que se obtuvo al principio o cuando analisamos los casos separando en a > 0 y a < 0 :
1 0 < 36a 1 0 < 36 1 0 < 9(1a)

Si a < 1 Si 1 a 5 Si a > 5

 nalmente, halla el valor de a (y luego el que se deduce para b) de forma que al mover en su rango, se cubran todas las posibles correlaciones positivas (entre 0 Usando la formula para la correlacion en funcin de a, dado esta a vemos cual es el intervalo que o le toca a nuestra para saber cuales son los posibles valores que puedes tomar. Se ha hecho una hoja que hace este calculo, Corr.xls. Se graca la relacin contra corr. o Construye una matriz anloga para cuando queramos cubrir las correlaciones entre -100 % y 0 %. a Recordemos que obtuvimos que corr(X, Y ) = 6 (1+a), debemos buscar una matriz que nos permita obtener las mismas marginales . Proponemos la siguiente matriz: 1 1 1 36 9 +b 36 + a 4 1 M + A= 1 +b 9 9 2b 9 +b 1 1 1 36 + a 9 +b 36 Notamos que las marginales de esta matriz tienes la mismas funciones de distribucion que nuestras originales : 3, 0 y 3 con probabilidades probabilidades 1/6, 2/3 y 1/6. Por la misma causa las varianzas son igual que antes, y calculadon la covarianza: 8 1 1 2 ) + 0 ( + 2b ) 2b + (3) ( + 2a ) = 6 (1 + a) 18 9 18 Entonces concluimos que Corr(X, Y ) = 6 (1 + a). Cov(X, Y ) = 3 ( (40)

Ejercicio 3. El archivo supercie IBEX.xls contiene una serie de datos de volatilidades: en meses sucesivos, se registran las volatilidadades cotizadas para cinco vencimientos distintos y siete strikes ( le dos como proporcin frente al subyacente). Son 35 datos por mes. Obsrvese que cada 35 de estos o e datos forman la tabla (supercie) de volatilidades de ese mes. Se pide: calcular las componentes principales de esta serie de datos (uy, pero si es una tabla, no un vector, qu hacemos?); e El archivo de este ejercicio es Ejercicio 3.xls . Primero colocalremos todos los elementos de nuestra supercie en un solo vector, acomodaremos primero los elementos que corresponden a periodo de 6 meses (6M) a diferentes spots de una misma fecha, luego los de un ao (1Y) y asi n sucesivamente con el resto de elementos de una misma supercie. Haciendo esto tenemos 45 las de 35 elementos cada una. Cada una de estas las son nuestros datos. En la pestaa Datos Alineados se encuentra la matriz con nuestras supercies de volatilidad, n abajo se encuentra el vector de medias por columna y abajo de este la matriz pero restando la media por columna, llamemos X a esta matriz.
1 Con esta matriz hacemos nuestra matriz de Covarianzas: = N X T X, esta se encuentra en la pestaa Covarianza Esta la obtuvimos usando las funcionesMMultS, MMulT y tt MT. Esta matriz n tiene dimension 35 35.

Una vez que tenemos la matriz de covarianzas, le aplicamos una descompocisin en eigenvectores o y eigenvectores, esto usando las instrucciones MEigenvecJacobi y MEigenvalJacobi respectivamente. Despus debemos ordenar los eigenvalores de mayor a menor y formamos otra matriz e diagonal con estos valores en orden, sea esta matriz , y sobre la matriz de eigenvectores aplicamos el mtodo MEigenSortJacobi para obtener una matriz con los eigenvectores ordenados como e los eigenvalores, esta ser S. Entonces ya obtenemos nuestra matriz de componentes principales a (U = S). Estos calculos se encuentran en este orden en la pestaa S A S. n Cada la de U es un componente principal. 6

 interpretarlas; Antes notemos que hay una gran correlacin entre las suprecies de volatilidad que sirvieron de o entrada, si checamos la variabilidad total que explica la primera compnente princiapl tenemos : 1 = 90.96 % 1 + . . . + 35 Y para el segundo : 1 + 2 = 99.14 % 1 + . . . + 35 Estos calculos estan en la pestaa Variabilidad. n La siguiente es la primera componente principal, volvemos a colocarla como un mallado de 7, esto lo hacemos en la pestaa S A S. Esta componente es la que representa los movimientos paralelos n a nuestro escenario medio. (41)

(42)

Figura 4: Primera componente principal. La segunda componente principal esta relacionada con las primera derivada, se graca primero con la escala automatic generada por Excel y despus con una escala apropiada para compararla a e con la primera componente. Vemos que hay un cambio de signo en esta supericie. La primera grca es una versin cuyo eje trata vertical trata de tener la misma escala que con el primer a o componente para darnos una idea de su ubicacin. La segunda esta con una escala automtica y o a de lado para darnos una idea del punto donde se hace el cambio de signo en la derivada. La tercera componente principal tiene dos cambios de signo y nos dice algo sobre las desviaciones en curvatura: En la gura 7 vemos el siguiente componente principal, este ya casi es plano. y, usando unicamente la primera componente, sortear posibles tablas de volatilidades. Generamos nuevas supercies de volatiliadd generendo un vector F = (F1 , . . . , F35 ) donde cada Fi es generado metiendo un valor aleatorio uniforme en la funcin inversa de la distribucion o normal estandar, hacemos un producto punto con este vector y la primera componente principal , le sumamos el vector de medias y ya tenemos una supercie generada. En la pestaa Superficies n Simuladas se encuentran cuatro supercies simuladas, pongo en la gura 8 dos de ellas. 7

Figura 5: Segundo componente principal.

Figura 6: Tercera componente principal. Ejercicio 4. Nuestra cartera consta de 20 nombres. Las probabilidades de default de cada uno de ellos son p1, . . . , p20 . Los defaults se producen independientemente. Sea X la variable que registra el nmero u de defaults que se producen. Supongamos adems que las probabilidades pj son pequeas. Digamos a n que son (vase el archivo adjunto probs de default de los 20 nombres.xls): e 0.040 % 0.456 % 0.100 % 0.010 % 0.125 % 0.900 % 0.070 % 0.300 % 0.040 % 0.300 % 0.100 % 0.120 %
20

0.870 % 0.040 % 0.033 % 0.500 %

0.100 % 0.700 % 0.330 % 0.780 %

n o Observa que E(X) = j=1 pj = 5.914 %. Disea un procedimiento de simulacin (con muestreo por importancia/cambio de probabilidad) para obtener el valor de E(X) con cierta precisin (sin necesidad o de hacer un nmero enorme de simulaciones, claro). u Lo que haremos para calcular E(X) ser cambiar probabilidad de cada Xi , lo que haremos sera cama biar las probabilidades de fallo 95 % en todas las probabilidades y haremos la simulacin correspondiente o cambiando las salidas de manera adecuada. En el archivo Ejercicio 4.xls en la pestaa Originales se encuentra una tabla de 200 renglnes y n 8

Figura 7: Cuarta componente principal.

Figura 8: Supercies simuladas. 20 columnas, se simula un volado con la probabilidad original , 1 en caso de default y 0 en caso contrario. Esto es cada columna representa la simulacin de una de las variables Xi . Despus hacemos el o e promedio por columna y sumamos para obtener el valor de E(X). En la pestaa Cambio de Pesos hacemos una tabla igual pero en otra de la misma dimension hacemos n la correcion de peso, dividiendo la salida por el cociente pi /95 %. De esta matriz con salidas corregidas sacamos el promedio por columna y los sumamos. Para poder hacer un mejor comparacin har lo siguiente: haremos una tabla de 200 corridas de estos o e procedimientos para cada una de las pestaas y sacaremos la media y la varianza de las diferencias de n estas 200 corridas con el resultado teoric 5.914 %. A las 200 diferencias les sacaremos la media y la o varianza. Obetenemos los siguientes resultados: Pesos Originales 0.000278228 1.2583 107 Pesos cambiados 9.7374 108 2.08987 1014

Con esto podemos concluir que con el mismo nmero de simulaciones, estamos obteniendo en promedio u un resultado mucho mas exacto y no solo eso, si no que ademas la variacion de este resultado es mucho 9

menor. De manera mas formal lo que hicimos en este ejercicio fue cambiar de medidas, partimos de las probabilidades dP y las cambiamos por las probabilidades dQ, haciendo la correcin necesaria: o E(X) = 20 EP (Xi ) = 20 EPi (Xi ) = 20 EQi (Xi i=1 i=1 i=1 dPi ) dQi (43)

10