EKONOMSKI FAKULTET UNIVERZITETA U SARAJEVU

Seminarski rad iz Kvantitativnih modela u finansijama

Tema: Komparacija determinističkih i stohastičkih modela u finansijama

Profesor:
Asistent:

Student: Dženita Ramić

Sarajevo, novembar 2019.

Sadržaj:
1. Uvod
Tema ovog seminarskog rada će biti modeli, stohastički i deterministički modeli u finansijama,
tačnije njihova komparacija.
Modeli su pojednostavljena verzija stvarnog svijeta.
Kada je riječ o modelima, možemo ih definisati kao oponašanje sistema ili procesa realnog
svijeta. Modeli su širok pojam, te se mogu razviti modeli raznih aktivnosti kao naprimjer rad
ekonomija zemlje, rad disajnih organa čovjeka, te naprimjer model životnog osiguranja.
Ukoliko želimo pretpostaviti kakve bi to posljedice ovi modeli imali na stvaran život, u nekim
slučajevima troškovi bi bili previsoki da bi se to ispitalo, ili previše sporo, ili previše rizično, što
bi moglo izazvati negativne posljedice.
Model nam daje mogućnost ispitivanja mogućih ishoda, odnosno ispitivanja posljedica
određenog događaja. Potrebno je razviti određene pretpostavke da bi se formirao model, te
prikupiti određene podatke kako bi taj model mogao poslužiti za donošenje poslovnih odluka.
Podaci koje prikupljamo za formiranje modela moraju biti tačni i relevantni za buduće pojave, te
kada se smatra da su prikupljeni podaci prikladni za formiranje parametara za odabrani model,
mogu se upotrebljavati razne statističke metode kako bi se podaci prilagodili.
Prilikom izgradnje modela, potrebno je razviti skup matematičkih i logičkih pretpostavki o tome
kako određeni sistem radi. Ukoliko uzmemo primjer model životnog osiguranja, moramo voditi
računa o raznim parametrima, zakonskim pravilima, obaveza za porez te razne uvjetima.
Bitno je spomenuti, da prije izbora modela i parametara je važno razmotriti cilj formiranja i
korištenja odnosno upotrebe određenog modela.
Ukoliko nam je cilj predstaviti realni svijet i stvarnost, model treba oponašati slučajnu prirodu
varijabli. S tim u vezi, modeli se mogu podijeliti na stohastičke i determinističke.
Stohastičkim modelom smatramo onu vrstu modela koja prepoznaje slučajnu prirodu ulaznih
komponenti. Model koji ne sadrži prirodnu komponentu nazivamo deterministički model.
Izlaz u determinističkim modelima je formiran čim su definirani ulazi i odnosi među njima, dok
je izlaz kod stohastičkog modela, kao i ulaz – slučajna varijabla. Deterministički model je
pojednostavljeni slučaj stohastičkog modela.

U nastavku ćemo obraditi njihov odnos, komparaciju, te prednosti i nedostatke koji svaki od ova
dva modela posjeduje.
 2. Modeliranje i njihova upotreba
Postupak modeliranja u realnom svijetu ne prati krutu šemu striktno određenih koraka, u praksi
se aktuari koji grade modele kreću dinamično, naprijed – natrag kako bi poboljšavali kvalitet
modela.
Koraci koji se koriste pri modeliranju su sljedeći:
1. Odrediti jasno definisane ciljeve koje treba ispuniti procesom modeliranja
2. Unaprijed planirati cjelokupan proces modeliranja
3. Planiranje da li će i kako model biti potvrđen
4. Definisati model na osnovu stvarnog svijeta
5. Unajmiti stručnjake za sistem realnog/stvarnog svijeta koji nastojimo oponašati, kako
bismo dobili povratnu informaciju o stvarnoj vrijednosti modela
6. Odabrati generator slučajnih brojeva koji će biti adekvatan u kompleksnosti modela
7. Obratiti pažnju da se otklanjaju greške u programima
8. Provjera da li se vrše zadane i zamišljene operacije
9. Provjera razumnosti modela
10. Analizirati rezultate modela
11. Dokumentovati rezultate modela
Kada je u pitanju proces modeliranja, on ima svoje prednosti i nedostatke, tačnije ograničenja.
Najvažnija prednost modeliranja je njen dugi vremenski okvir, te se modeli mogu proučavati u
prikladnog vremenskom periodu.
Sljedeća prednost jeste da se modeli mogu opisati i predstaviti matematičkim ili logičkim
modelom, te je taj model u mogućnosti da izvede rezultate koji se mogu lako prezentirati.
Zatim, mogu se uporediti strategije u budućnosti, ili moguće radnje, akcije tako da se najbolje
vidi šta zapravo najbolje pristaje potrebama korisnika. U modelu kompleksnog sistema, bolje se
kontrolišu eksperimentalni uvjeti te na taj način se mogu smanjiti amplituda izlaznih rezultata
bez ugrožavanja njihove aritmetičke vrijednosti.
Nažalost, modeli imaju i svoja ograničenja, odnosno nedostatke koji su vidiljivi prilikom izlaza
iz modela i prezentovanja rezultata klijentima.Da bi se model razvio, potrebno je veliko ulaganje
novca, vremena, te stručnosti kako bi se taj model pravilno izučio. Razvoj modela iziskuje velike
finansijske troškove prilikom provjere ispravnosti i valjanosti podataka, razumljivosti podataka,
te kontrole.
Kod stohastičkog modela, za skup ulaza svaka obrada daje samo procjenu izlaznih rezultata
modela, te je zbog toga potrebno nekoliko nezavisnih obrada za procjenu izlaza za dani ulaz.
Konstatovano je da su modeli značajniji i korisniji za upoređivanje rezultata ulaznih varijacija
nego za poboljšanje izlaza.
Prilikom obrade modela na računaru, oni mogu izgledati impresivno, te se može desiti da se
polaže velika nada i povjerenje u model, tako da ukoliko model nije kontroliran, odnosno nije
prošao razne testove vjerodostojnosti, valjanosti i razumnosti, njegovi izlazi postaju slaba
zamjena za sposobnost oponašanja stvarnog svijeta.
Kao što smo već spomenuli, modeli se jako mnogo oslanjaju na ulaz i ulazne podatke, što
također predstavlja veliki nedostatak, te nemogućnost uključenja svih budućih događaja u model.
Naposlijetku, jedan od najvećih nedostataka modela je ustvari njihovo interpretiranje. Nakon
proučavanja i izrade modela, njegova najveća prednost treba biti da je lako razuman i da ga je
lako prezentirati i interpretirati. Teško interpretiranje modela, a posebno izlaznih rezultata je
ustvari veliki nedostatak.

3. Stohastički i deterministički modeli

Kao što smo spomenuli, ukoliko se želi predstaviti stvarnost što je više moguće, model treba
oponašati slučajnu prirodu varijabli. U tom slučaju, stohastički model je model koji prepoznaje
slučajnu prirodu ulaznih determinanti.
Ovisno o tome da li želimo koristiti deterministički ili stohastički model, postoji mogućnost da
nas zanima jedan događaj, ili distribucija rezultata mogućih događaja.
S tim u vezi, deterministički model daje rezultate relevantnih informacija i proračuna za jedan
događaj odnosno scenarij, a stohastički model daje rezultate za isporuku relevantnih rezultata za
više mogućih događaja.
Ukoliko koristimo metodu Monte Carlo, ona nam daje zapravo zbir svih determinističkih
modela, gdje se svaki od njih smatra podjednako vjerovatnim. Metoda Monte Carlo kod
stohastičkih procesa je naziv za skup stohastičkih algoritama koji nam omogućuju ocjenu
veličina koje možemo posmatrati i prezentovati kao očekivanja.
Rezultati za determinističke modele se mogu dobiti neposrednim računom, međutim potrebno je
u nekim situacijama koristiti numeričke jednadžbe kako bi se funkcije integrirale, ili da bi se te
jednadžbe riješile. Kada je u pitanju stohastički model, željeni rezultati su mogući i ostvarivi ako
je model dovoljno prilagodljiv i elastičan, a to se može postići analitičkim metodama.
Stohastičkim procesima i modelima se brže dobiju željeni rezultati, a što je najvažnije, ti podaci
su precizni i lako se mogu analizirati posljedice promjena u pretpostavkama.
Monte Carlo metoda je pogodna za komplikovane i teške slučajeve. Korištenje determinističkog
modela prilikom rješavanja komplikovanih i teških problema je moguće za izračunavanje
očekivane vrijednosti ili medijane, gdje je distribucija oko srednje vrijednosti procijenjena
simulacijom.
Ono što je jako bitno spomenuti je da kod ovih metoda, odgovori na pitanja odnosno rezultati su
dati uz dane pretpostavke. One daju pitanja na odgovor „what if?“, te je simulaciju mnogo teže
koristiti za dobivanje željenih i dugoročnih pozitivnih rezultata. Jako je teško utvrditi koji skup
minimizira ili maksimizira neki dugo željeni rezultat.

4. Stohastički procesi
Varijable koje se odvijaju kontinuirano u vremenu u zavisnosti od slučaja, ili bar djelimično u
zavisnosti od slučaja, slijede stohastičke procese. Modeli, kao i tehnike stohastičkih procesa se
široko primjenjuju u tehničkim naukama, ali sve više u oblasti ekonomije, finansija te pri
rješavanju brojnih investicionih problema.
Dakle, kod stohastičkih modela imamo seriju pokušaja gdje je rezultat svakog pokušaja slučajan,
tada takva serija pokušaja predstavlja stohastički proces.
Prva stvar sa kojom se suočavamo u stohastičkom procesu koji modelira realni život je priroda
vremenskog skupa J i prostor stanja S.
Specifičan slučaj je Markovljev lanac gdje slučajna varijabla uzima samo diskretne vrijednosti, pri čemu
stanje X[tn+1] zavisi samo od stanja X[tn] u neposrednom prethodnom trenutku.

Činjenica da se stohastički procesi dešavaju u neprekidnom vremenu, ne znači da se vrijednost

ne može izmijeniti u diskretnim trenucima koji su unaprijed određeni. Takve procese nazivamo
procese mješovitog tipa. Kao primjer ćemo uzeti šemu mirovine, gdje članovi imaju opciju
umirovljenja na svaki rođendan između 65 i 70 godina. Broj osoba koji će uzeti tu opciju je
skoro pa nemoguće znati, kao niti vrijeme i broj smrti postojećih ili novih članova. U vezi s tim,
broj prinosnika mirovinskoj šemi može modelirati kao stohastički proces mješovitog tipa sa
prostorom stanja S ( 1,2,3...) i vremenskog intervala.
U pravilu, može se reći da su stohastički procesi s neprekidnim vremenom i neprekidnim
prostorom stanja, iako konceptualno teži nego diskretni procesi, u krajnjoj mjeri fleksibilniji (na
isti način kao što je jednostavnije izračunati integral nego sumirati beskonačni red).

4.1 Definiranje stohastičkog procesa

- Putovi
Kada smo odabrali skup stanja i vremenski skup, ostaje nam da zapravo definiramo i sam proces.
To znači specificirati zajedničku distribuciju od Xt1 , Xt2 , . . . , Xtn za sve t1, t2, . . . , tn u J i sve
prirodne brojeve n, što se radi direktno.
Realizacija slučajnih varijabli Xt za sve t u J se zove put ( sample proces ) procesa. Svojstva ovih
procesa moraju odgovarati procesima koji su definisani u stvarnom životu. Model se u tom
slučaju može koristiti za predviđanje, i smatra se uspješnim modelom.
- Stacionarnost
Stohastički proces je stacionaran ako Xt1 , Xt2 , . . . , Xtn i Xt+t1 , Xt+t2 , . . . , Xt+tn imaju jednake
distribucije za sve t, t1, t2, . . . , tn u J i za sve prirodne brojeve n. To znači da statistička svojstva procesa
ostaju nepromijenjena kako vrijeme prolazi.

- Prirasti
Prirasti procesa, definirani kao Xt+u − Xt (u > 0), često imaju jednostavnija svojstva nego sam
proces.
- Markovljevo svojstvo
Veliko je pojednostavljanje ako se budući razvoj procesa može predvidjeti samo pomoću
trenutnog stanja, bez pozivanja na prošlost. To se zove Markovljevo svojstvo i precizno znači
sljedeće:

Markovljev proces sa diskretnim prostorom stanja i diskretnim vremenom se naziva

Markovljevim lancem.