Multivariat model

Hvad er den multivariate model?

Den multivariate model er et populært statistisk værktøj, der bruger flere variabler til at forudsige mulige resultater. Forskningsanalytikere bruger multivariate modeller til at forudsige investeringsresultater i forskellige scenarier for at forstå den eksponering, en portefølje har for særlige risici. Dette giver porteføljeforvaltere mulighed for bedre at afbøde de risici, der er identificeret gennem den multivariate modelleringsanalyse.

Forstå den multivariate model

Multivariate modeller hjælper med beslutningstagning ved at give brugeren mulighed for at teste de forskellige scenarier og deres sandsynlige indvirkning. Monte Carlo - simuleringen er en meget brugt multivariat model, der skaber en sandsynlighedsfordeling , der hjælper med at definere en række mulige investeringsresultater. Multivariate modeller bruges inden for mange finansområder.

For eksempel kan en bestemt investering køres gennem scenarieanalyse i en multivariat model for at se, hvordan den vil påvirke hele porteføljens afkast i forskellige markedssituationer, såsom en periode med høj inflation eller lave renter. Den samme tilgang kan bruges til at evaluere en virksomheds sandsynlige præstation, værdisætte aktieoptioner og endda evaluere nye produktideer. Efterhånden som faste datapunkter føjes til modellen, såsom salgsdata i samme butik,. der frigives før indtjening, øges tilliden til modellen og dens forudsagte intervaller.

Særlige overvejelser

Forsikringsselskaber er brugere af multivariate modeller. Prisfastsættelsen af en forsikring er baseret på sandsynligheden for at skulle udbetale en skade. På baggrund af kun nogle få datapunkter, såsom ansøgerens alder og hjemmeadressen, kan forsikringsselskaberne tilføje det til en multivariat model, der trækker fra yderligere databaser, der kan indsnævre den passende politikprisstrategi. Selve modellen vil blive udfyldt med bekræftede datapunkter (alder, køn, nuværende helbredsstatus, andre forsikringer, der ejes osv.) og raffinerede variabler (gennemsnitlig regional indkomst, gennemsnitlig regional levetid osv.) for at tildele forudsagte resultater, der vil blive brugt til at prissætte politikken.

Fordele og ulemper ved multivariat modellering

Fordelen ved multivariat modellering er, at den giver mere detaljerede "hvad nu hvis"-scenarier for beslutningstagere at overveje. For eksempel vil investering A sandsynligvis have en fremtidig pris inden for dette interval, givet disse variabler. Efterhånden som mere solide data lægges ind i modellen, bliver den forudsigelige rækkevidde strammere, og tilliden til forudsigelserne vokser. Men som med enhver model er de data, der kommer ud, kun så gode som de data, der kommer ind.

Der er også en risiko for, at sorte svanehændelser gør modellen meningsløs, selvom de anvendte datasæt og variabler er gode. Det er selvfølgelig derfor, at modellerne ikke selv er ansvarlige for handel. Forudsigelserne af multivariate modeller er simpelthen en anden kilde til information for de ultimative beslutningstagere at tænke på.

Højdepunkter

• Sorte svanehændelser, der gør modellen meningsløs, selvom de anvendte datasæt og variabler er gode.

• En multivariat model er et statistisk værktøj, der bruger flere variabler til at forudsige resultater.

• Forsikringsselskaber bruger ofte multivariate modeller til at bestemme sandsynligheden for at skulle udbetale erstatninger.

• Et eksempel er en Monte Carlo-simulering, der præsenterer en række mulige udfald ved hjælp af en sandsynlighedsfordeling.