Ngwa nke Ọnụọgụgụ na Ego
Ọnụọgụgụ bụ ngalaba mgbakọ na mwepụ a na-ahụkarị dị ka ihe siri ike na nke echiche, mana n'eziokwu, o nwere ọtụtụ ojiji n'ọtụtụ ngalaba, gụnyere ego. Ọnụọgụgụ na-arụ ọrụ dị oke mkpa na nyocha data, ime mkpebi, amụma, na njikwa ihe egwu n'ụwa ego. Isiokwu a ga-enyocha ụfọdụ n'ime ngwa dị mkpa nke ọnụọgụgụ na ego na otu data na usoro ọnụọgụgụ si enyere ndị ọkachamara ego aka idozi ihe ịma aka na ohere.
1. Nyocha Data na Amụma
Otu n'ime ihe ndị bụ isi e ji akọwa ọnụọgụgụ na ego bụ nyocha data na amụma. Nhazi data akụkọ ihe mere eme iji buru amụma banyere ọnọdụ ọdịnihu bụ ihe a na-emekarị n'ụlọ ọrụ ego. Dịka ọmụmaatụ, ndị nyocha ego na-eji data ọnụahịa ngwaahịa akụkọ ihe mere eme ebu amụma maka mmegharị ọnụahịa n'ọdịnihu. A na-ejikarị usoro ọnụọgụgụ dịka nlọghachi linear na nyocha usoro oge eme ihe maka ebumnuche a.
Nlaghachi Ahịrị
A na-eji mgbanwe ahịrị eme ihe nlereanya mmekọrịta dị n'etiti mgbanwe ndị nọọrọ onwe ha na ndị dabere na ya. Dịka ọmụmaatụ, n'ọnọdụ ego, enwere ike iji ya buo amụma ọnụahịa ngwaahịa (mgbanwe dabere na ya) dabere na ihe dị iche iche dịka ọnụego ọmụrụ nwa, mmụba ọnụ ahịa, ma ọ bụ ihe ngosi akụ na ụba ndị ọzọ (mgbanwe ndị nọọrọ onwe ha). Usoro mgbanwe ahịrị dị mfe bụ:
\[ Y = \alpha + \beta X + \epsilon \]
Ebe:
– \( Y \) bụ mgbanwe dabere (dịka ọmụmaatụ, ọnụahịa ngwaahịa),
– \( X \) bụ mgbanwe nọọrọ onwe ya (dịka ọmụmaatụ, ọnụego ọmụrụ nwa),
– \( \alpha \) na \( \beta \) bụ paramita nlereanya,
– \( \epsilon \) bụ ihe fọdụrụ ma ọ bụ njehie.
Nyocha Usoro Oge
Nyocha usoro oge na-enyocha data ka oge na-aga iji chọpụta ụkpụrụ ma ọ bụ usoro dị iche iche. Na ego, a na-eji nyocha usoro oge amụ ihe iji tụọ ọnụ ahịa akụ, olu azụmaahịa, na ihe ngosi akụ na ụba. A na-eji usoro dịka Auto-Regressive Integrated Moving Average (ARIMA) na Generalized Autoregressive Conditional Heteroskedasticity (GARCH) na ụdị ndị a.
2. Njikwa Ihe Ize Ndụ
Ọnụọgụgụ na-arụkwa ọrụ dị mkpa n'ịchịkwa ihe egwu, usoro nke ịchọpụta, ịtụ, na ijikwa ihe egwu ego nke ụlọ ọrụ ma ọ bụ onye na-etinye ego nwere ike iche ihu. Ụfọdụ ngwaọrụ ọnụọgụgụ a na-ejikarị eme ihe na njikwa ihe egwu gụnyere Uru na Ihe Ize Ndụ (VaR), nnwale nrụgide, na nyocha Monte Carlo.
Uru nọ n'ihe ize ndụ (VaR)
VaR bụ ihe atụ ọnụọgụgụ nke na-eme atụmatụ oke mfu nke pọtụfoliyo ma ọ bụ akụ kpọmkwem n'ime oge enyere nke nwere ọkwa ntụkwasị obi a maara. Dịka ọmụmaatụ, VaR nke ụbọchị 1 nke $1 nde pụtara na enwere obi ike 95% na mfu pọtụfoliyo agaghị agafe $1 nde n'otu ụbọchị. Enwere ike ịgbakọ VaR site na iji usoro akụkọ ihe mere eme, usoro nyocha, ma ọ bụ ihe atụ Monte Carlo.
Ule Uche
Nnwale nrụgide gụnyere ịme ihe dị iche iche dị oke njọ n'ahịa iji tụọ otu ọnọdụ ndị a nwere ike isi metụta uru nke pọtụfoliyo. Dịka ọmụmaatụ, kedu ka nsogbu ego zuru ụwa ọnụ ga-esi metụta pọtụfoliyo itinye ego? Site n'ịme ihe ndị a dị oke njọ, ụlọ ọrụ ego nwere ike ịkwadebe maka ohere nke nnukwu mfu.
3. Pọtụfoliyo Diversification
Nhazi dị iche iche bụ atụmatụ itinye ego nke na-achọ ibelata ihe egwu site n'ikenye itinye ego n'ọtụtụ akụ na-enweghị njikọ. Ọnụọgụgụ na-enyere aka na nhazi nkewa site na ịgbakọ njikọ na mgbanwe dị n'etiti akụ dị iche iche.
Mmekọrịta na Ngbanwe
Mmekọrịta na-atụ ike na ntụziaka nke mmekọrịta kwụ ọtọ n'etiti ihe abụọ dị iche iche. Dịka ọmụmaatụ, ọ bụrụ na otu akụ na-ebilite n'otu oge na nke ọzọ, a na-ekwu na akụ ndị ahụ nwere njikọ dị mma. N'aka nke ọzọ, ọ bụrụ na otu akụ ebilie ebe nke ọzọ na-ada, enwere njikọ na-adịghị mma. Njikọta ahụ sitere na -1 (njikọ na-adịghị mma zuru oke) ruo +1 (njikọ na-adịghị mma zuru oke). Ibelata ihe egwu site na nhazi dị iche iche gụnyere ịhọrọ akụ nwere njikọ dị ala ma ọ bụ nke na-adịghị mma.
Pọtụfoliyo Kachasị Mma
Ụkpụrụ ọrụ Markowitz, ma ọ bụ Nhazi Mgbanwe nke Mean-Variance, na-eji ọnụọgụgụ iji chọpụta pọtụfoliyo kacha mma site n'ịbawanye nloghachi na ibelata ihe egwu. Ụzọ a gụnyere ịgbakọ nkezi (nlaghachi nkezi) na mgbanwe (ihe egwu) nke pọtụfoliyo, yana njikọ dị n'etiti akụ dị iche iche dị na pọtụfoliyo ahụ.
4. Akara kredit
Ọnụọgụgụ na-arụ ọrụ dị mkpa n'ụlọ akụ, ọkachasị n'inye ego. A na-eji ụdị ọnụọgụgụ eme ihe iji chọpụta uru nke ndị mmadụ ma ọ bụ ụlọ ọrụ, nke e mepụtara dabere na data akụkọ ihe mere eme na njirimara onye gbaziri ego.
Nlaghachi Ngụkọta Ngwaahịa
Otu ụzọ a na-ejikarị eme nnyocha kredit bụ nlọghachi azụ nke logistic. Ụdị a na-eme atụmatụ ohere na onye gbaziri ego ga-adaba na ndabara dabere na ụfọdụ mgbanwe dịka akụkọ kredit, ego, na ụdị ọrụ.
\[ \text{Logit}(P) = \alpha + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_n X_n \]
Ebe \(P \) bụ ohere nke ndabara, \( \alpha \) bụ intercept, na \( \beta \) bụ regression coefficient.
5. Ihe ndị e si na ya nweta na nhọrọ ndị ọzọ
Ọnụọgụgụ dị oke mkpa n'ọnụọgụgụ ihe ndị e ji mee ihe na ọnụahịa nhọrọ. Ụdị Black-Scholes bụ otu n'ime ụdị ndị a ma ama maka ọnụahịa nhọrọ.
Ụdị Black-Scholes
Ụdị a na-eji ọtụtụ ntinye ọnụọgụgụ, gụnyere mgbanwe nke ọnụahịa ihe onwunwe dị n'okpuru, iji gbakọọ ọnụahịa echiche nke nhọrọ. Usoro Black-Scholes bụ:
\[ C = S_0 N(d_1) – X e^{-rt} N(d_2) \]
Ebe:
– \(C \) bụ ọnụahịa nhọrọ oku,
– \(S_0 \) bụ ọnụahịa ihe onwunwe ugbu a,
– \( X \) bụ ọnụahịa mbepụ,
– \(r \) bụ ọnụego ọmụrụ nwa na-enweghị ihe egwu,
– \( t \) bụ oge ntozu okè,
– \( N(d) \) bụ ọrụ nkesa mkpokọta nke nkesa nkịtị,
– \(d_1 \) na \(d_2 \) bụ mgbanwe sitere na ntinye ihe nlereanya.
Mmechi
Site na nyocha data ruo na njikwa ihe egwu na nhazi akwụkwọ ego, ọnụ ọgụgụ na-arụ ọrụ dị mkpa na ego. Ojiji nke usoro ọnụọgụgụ na-enyere ndị ọkachamara ego aka n'inyocha, amụma, na ime mkpebi ka mma, na-eme ka mmepụta ihe ọhụrụ na nkwụsi ike dịkwuo mma na ụlọ ọrụ ego. Agbanyeghị, ọ dị mkpa ịmara mgbe niile echiche na oke nke ụdị ọnụọgụgụ ọ bụla ejiri.
Site na ọganihu teknụzụ na mmụba nke data, ojiji ọnụọgụgụ na ego ga-anọgide na-agbanwe agbanwe ma na-aghọwanye ihe mgbagwoju anya. Nọgide na-amụta ma na-eji ọnụọgụgụ eme mkpebi ndị ka mma na nke nwere amamihe n'ụwa ego na-agbanwe agbanwe mgbe niile.
