Àwọn Ohun Èlò fún Àwọn Àkójọ Ìṣirò ní Ìnáwó
Àkójọ ìṣirò jẹ́ ẹ̀ka ìṣirò tí a sábà máa ń rí gẹ́gẹ́ bí èyí tí ó le koko àti èyí tí ó ní èrò, ṣùgbọ́n ní òtítọ́, ó ní àwọn ìlò tó gbòòrò ní onírúurú ẹ̀ka, títí kan ìṣirò owó. Àkójọ ìṣirò kó ipa pàtàkì nínú ìṣàyẹ̀wò dátà, ṣíṣe ìpinnu, àsọtẹ́lẹ̀, àti ìṣàkóso ewu ní ayé ìṣirò owó. Àpilẹ̀kọ yìí yóò ṣe àtúnyẹ̀wò díẹ̀ lára àwọn ìlò pàtàkì ti àwọn ìṣirò nínú ìṣirò owó àti bí àwọn ìṣirò àti ọ̀nà ìṣirò ṣe ń ran àwọn ògbógi ìṣirò owó lọ́wọ́ láti kojú àwọn ìpèníjà àti àǹfààní.
1. Ìṣàyẹ̀wò Dátà àti Àsọtẹ́lẹ̀
Ọ̀kan lára àwọn ohun tí a lè lò fún ìṣirò ìṣúná owó ni ìṣàyẹ̀wò àti àsọtẹ́lẹ̀ dátà. Ṣíṣe ìwádìí dátà ìtàn láti sọ àsọtẹ́lẹ̀ àwọn ìṣẹ̀lẹ̀ ọjọ́ iwájú jẹ́ àṣà tí ó wọ́pọ̀ ní ilé iṣẹ́ ìṣúná owó. Fún àpẹẹrẹ, àwọn onímọ̀ nípa ìṣúná owó máa ń lo dátà iye owó ọjà láti sọ àsọtẹ́lẹ̀ àwọn ìṣípò owó ọjọ́ iwájú. Àwọn ọ̀nà ìṣirò bíi ìfàsẹ́yìn ìlà àti ìṣàyẹ̀wò àkókò ni a sábà máa ń lò fún ète yìí.
Ìfàsẹ́yìn Línírónì
A lo atunṣe laini lati ṣe apẹẹrẹ ibatan laarin awọn oniyipada ominira ati awọn ti o gbẹkẹle. Fun apẹẹrẹ, ninu eto inawo, a le lo lati ṣe asọtẹlẹ awọn idiyele iṣura (oniyipada ti o gbẹkẹle) da lori awọn ifosiwewe oriṣiriṣi bii awọn oṣuwọn iwulo, afikun owo, tabi awọn itọkasi eto-ọrọ aje miiran (awọn oniyipada ominira). Idogba atunṣe laini ti o rọrun ni:
\[ Y = \alpha + \beta X + \epsilon \]
Mo ṣe é:
– \( Y \) ni oniyipada ti o gbẹkẹle (fun apẹẹrẹ, idiyele ọja iṣura),
– \( X \) ni oniyipada ominira (fun apẹẹrẹ, oṣuwọn iwulo),
– \( \alpha \) àti \( \beta \) jẹ́ àwọn pàrámítà àwòṣe,
– \( \epsilon \) ni ìyókù tàbí àṣìṣe náà.
Ìṣàyẹ̀wò Àkókò-Ìtẹ̀síwájú
Àgbéyẹ̀wò àkókò-ìtẹ̀léra máa ń ṣàyẹ̀wò dátà ní àkókò láti mọ àwọn ìlànà tàbí àṣà pàtó. Nínú ìṣúná owó, a máa ń lo àgbéyẹ̀wò àkókò-ìtẹ̀léra láti sọ àsọtẹ́lẹ̀ iye owó dúkìá, iye ìṣòwò, àti àwọn àmì ìṣúná owó. Àwọn ọ̀nà bíi Auto-Regressive Integrated Moving Average (ARIMA) àti Generalized Autoregressive Conditional Heteroskedasticity (GARCH) ni a lò nínú àwọn àwòṣe wọ̀nyí.
2. Ìṣàkóso Ewu
Àwọn ìṣirò tún ń kó ipa pàtàkì nínú ìṣàkóso ewu, ìlànà mímọ, wíwọ̀n, àti ìṣàkóso ewu ìnáwó tí ilé-iṣẹ́ tàbí olùdókòwò lè dojúkọ. Àwọn irinṣẹ́ ìṣirò kan tí a sábà máa ń lò nínú ìṣàkóso ewu ni Value at Risk (VaR), ìdánwò wahala, àti ìṣàyẹ̀wò Monte Carlo.
Iye Ni Ewu (VaR)
VaR jẹ́ ìwọ̀n ìṣirò tí ó ń ṣírò pípadánù tó pọ̀ jùlọ ti portfolio tàbí dúkìá pàtó kan láàárín àkókò kan tí a fúnni pẹ̀lú ìgbẹ́kẹ̀lé tí a mọ̀. Fún àpẹẹrẹ, VaR ọjọ́ kan tí ó jẹ́ 95% ti $1 mílíọ̀nù túmọ̀ sí pé ìgbẹ́kẹ̀lé 95% wà pé pípadánù portfolio kò ní ju $1 mílíọ̀nù lọ ní ọjọ́ kan. A lè ṣírò VaR nípa lílo àwọn ọ̀nà ìtàn, àwọn ọ̀nà ìṣàyẹ̀wò, tàbí àwọn àfarawé Monte Carlo.
Idanwo wahala
Ìdánwò ìdààmú níí ṣe pẹ̀lú ṣíṣe àfarawé onírúurú ipò ọjà tó le koko láti wọn bí àwọn ipò wọ̀nyí ṣe lè ní ipa lórí ìníyelórí portfolio kan. Fún àpẹẹrẹ, báwo ni ìṣòro owó àgbáyé yóò ṣe ní ipa lórí portfolio ìdókòwò kan? Nípa ṣíṣe àfarawé àwọn ipò tó le koko wọ̀nyí, àwọn ilé iṣẹ́ ìnáwó lè múra sílẹ̀ fún ìṣeéṣe ìpàdánù ńlá.
3. Portfolio Diversification
Ìpínkiri jẹ́ ètò ìdókòwò tí ó ń gbìyànjú láti dín ewu kù nípa pípín àwọn ìdókòwò káàkiri oríṣiríṣi dúkìá tí kò ní ìbáramu. Àwọn ìṣirò ń ran lọ́wọ́ nínú ìṣírò ìṣọ̀kan àwọn dúkìá nípa ṣíṣírò ìbáramu àti ìṣọ̀kan láàárín àwọn dúkìá ọ̀tọ̀ọ̀tọ̀.
Ìbáṣepọ̀ àti Ìyípadà
Ìbáramu n wọn agbara ati itọsọna ti ibatan laini laarin awọn oniyipada meji. Fun apẹẹrẹ, ti ohun-ini kan ba n dide ni ibamu pẹlu omiran, a sọ pe awọn ohun-ini naa ni ibatan rere. Ni idakeji, ti ohun-ini kan ba dide nigba ti omiran ba ṣubu, ibaamu odi wa. Ibaramu ibamu naa wa lati -1 (ibaramu odi pipe) si +1 (ibaramu rere pipe). Idinku eewu nipasẹ iyatọ jẹ yiyan awọn ohun-ini pẹlu ibaamu kekere tabi odi.
Àkójọpọ̀ Tó Dáa Jùlọ
Ìlànà àkójọpọ̀ Markowitz, tàbí Ìṣàtúnṣe Àròpọ̀-Ìyàtọ̀, lo àwọn statistiki láti pinnu àkójọpọ̀ tó dára jùlọ nípa mímú kí èrè pọ̀ sí i àti dín ewu kù. Ọ̀nà yìí ní í ṣe pẹ̀lú ṣíṣírò àròpọ̀ (ìpadàbọ̀ àpapọ̀) àti ìyàtọ̀ (eewu) ti àkójọpọ̀ kan, àti ìbáṣepọ̀ láàárín onírúurú dúkìá nínú àkójọpọ̀ náà.
4. Ìforúkọsílẹ̀ Kírédíìtì
Àwọn ìṣirò ṣe ipa pàtàkì nínú iṣẹ́ ilé ìfowópamọ́, pàápàá jùlọ nínú yíyá owó. Àwọn àpẹẹrẹ ìṣirò ni a lò láti ṣe àyẹ̀wò iye owó tí àwọn ènìyàn tàbí ilé-iṣẹ́ lè san, tí a ṣe àgbékalẹ̀ rẹ̀ ní ìbámu pẹ̀lú àwọn ìwádìí ìtàn àti àwọn ànímọ́ àwọn olùyáwó.
Ìfàsẹ́yìn Ìṣètò
Ọ̀nà kan tí a sábà máa ń lò nínú ìṣàyẹ̀wò gbèsè ni ìfàsẹ́yìn logistic. Àwòṣe yìí ṣírò ìṣeeṣe pé ẹni tí ó yá owó yóò ṣàìṣeéṣe ní ìbámu pẹ̀lú àwọn ohun kan bíi ìtàn gbèsè, owó tí ó ń wọlé, àti irú iṣẹ́.
\[ \text{Logit}(P) = \alpha + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_n X_n \]
Níbi tí \(P \) ti jẹ́ ìṣeéṣe àìyípadà, \( \alpha \) ni intercept, àti \( \beta \) ni regression coefficient.
5. Àwọn àtúnṣe àti àwọn àṣàyàn
Àwọn ìṣirò tún ṣe pàtàkì gan-an nínú ìdíyelé àti ìdíyelé àwọn àṣàyàn. Àwòrán Black-Scholes jẹ́ ọ̀kan lára àwọn àwòṣe tí a mọ̀ jùlọ fún ìdíyelé àwọn àṣàyàn.
Black-Scholes awoṣe
Àwòṣe yìí lo ọ̀pọ̀lọpọ̀ àwọn ohun èlò ìṣirò, títí kan ìyípadà iye owó tí ó wà lábẹ́ ohun ìní, láti ṣírò iye owó èrò ti àṣàyàn kan. Fọ́múlá Black-Scholes ni:
\[ C = S_0 N(d_1) – X e^{-rt} N(d_2) \]
Mo ṣe é:
– \(C \) ni iye owo aṣayan ipe naa,
– \( S_0 \) ni iye owo dukia lọwọlọwọ,
– \( X \) ni iye owo idasesile naa,
– \( r \) ni oṣuwọn iwulo ti ko ni ewu,
– \( t \) ni akoko lati dagba,
– \( N(d) \) ni iṣẹ́ ìpínkiri àpapọ̀ ti ìpínkiri deedee,
– \(d_1 \) àti \(d_2 \) jẹ́ àwọn oníyípadà tí a rí láti inú àtẹ̀wọlé àwòṣe.
Ipari
Láti ìṣàyẹ̀wò dátà sí ìṣàkóso ewu àti ìkọ́lé àkójọpọ̀, àwọn ìṣirò ń kó ipa pàtàkì nínú ìṣúná owó. Lílo àwọn ọ̀nà ìṣirò ń ran àwọn ògbóǹkangí nínú ìṣúná owó lọ́wọ́ láti ṣe àyẹ̀wò, àsọtẹ́lẹ̀, àti ṣíṣe ìpinnu tó dára jù, èyí tó ń mú kí ìṣẹ̀dá tuntun àti ìdúróṣinṣin pọ̀ sí i nínú iṣẹ́ ìṣúná owó. Síbẹ̀síbẹ̀, ó ṣe pàtàkì láti máa mọ̀ nípa àwọn àbá àti ààlà tí a lè rí nínú àwòṣe ìṣirò èyíkéyìí tí a bá lò.
Pẹ̀lú ìlọsíwájú ìmọ̀ ẹ̀rọ àti wíwà tí a ń rí dátà, àwọn ohun èlò ìṣirò nínú ìṣúná owó yóò máa tẹ̀síwájú láti yípadà síi, wọn yóò sì túbọ̀ díjú síi. Máa kọ́ ẹ̀kọ́ àti lílo àwọn ìṣirò láti ṣe àwọn ìpinnu tó ní ìmọ̀ àti ìmọ̀ nínú ayé ìṣúná owó tó ń yípadà nígbà gbogbo.
