Multivariat modell

Vad är den multivariata modellen?

Den multivariata modellen är ett populärt statistiskt verktyg som använder flera variabler för att förutsäga möjliga utfall. Forskningsanalytiker använder multivariata modeller för att prognostisera investeringsutfall i olika scenarier för att förstå vilken exponering en portfölj har för särskilda risker. Detta gör det möjligt för portföljförvaltare att bättre mildra de risker som identifierats genom den multivariata modelleringsanalysen.

Förstå den multivariata modellen

Multivariata modeller hjälper till med beslutsfattande genom att låta användaren testa de olika scenarierna och deras sannolika inverkan. Monte Carlo-simuleringen är en flitigt använd multivariat modell som skapar en sannolikhetsfördelning som hjälper till att definiera en rad möjliga investeringsresultat. Multivariata modeller används inom många finansområden.

Till exempel kan en viss investering köras genom scenarioanalys i en multivariat modell för att se hur den kommer att påverka hela portföljens avkastning i olika marknadssituationer, såsom en period med hög inflation eller låga räntor. Samma tillvägagångssätt kan användas för att utvärdera ett företags sannolika resultat, värdera aktieoptioner och till och med utvärdera nya produktidéer. När fasta datapunkter läggs till i modellen, till exempel försäljningsdata från samma butik som släpps innan intäkterna, ökar förtroendet för modellen och dess förväntade intervall.

Särskilda överväganden

Försäkringsbolag är användare av multivariata modeller. Prissättningen av en försäkring baseras på sannolikheten att behöva betala ut en skada. Med tanke på endast ett fåtal datapunkter, såsom sökandens ålder och hemadress, kan försäkringsgivare lägga till det i en multivariat modell som hämtar från ytterligare databaser som kan begränsa den lämpliga prissättningsstrategin. Själva modellen kommer att fyllas med bekräftade datapunkter (ålder, kön, nuvarande hälsostatus, andra försäkringar som ägs, etc.) och förfinade variabler (genomsnittlig regional inkomst, genomsnittlig regional livslängd, etc.) för att tilldela förutspådda utfall som kommer att användas för att prissätta politiken.

Fördelar och nackdelar med multivariat modellering

Fördelen med multivariat modellering är att den ger mer detaljerade "tänk om"-scenarier för beslutsfattare att överväga. Till exempel kommer investering A sannolikt att ha ett framtida pris inom detta intervall, givet dessa variabler. När mer solid data läggs in i modellen blir det prediktiva intervallet snävare, och förtroendet för förutsägelserna växer. Men som med alla modeller är data som kommer ut bara lika bra som data som kommer in.

Det finns också en risk för att svarta svanhändelser gör modellen meningslös även om de datamängder och variabler som används är bra. Det är naturligtvis därför modellerna själva inte är ansvariga för handeln. Förutsägelserna av multivariata modeller är helt enkelt ytterligare en informationskälla för de slutliga beslutsfattarna att tänka på.

Höjdpunkter

• Black Swan-händelser som gör modellen meningslös även om datamängderna och variablerna som används är bra.

– En multivariatmodell är ett statistiskt verktyg som använder flera variabler för att prognostisera utfall.

– Försäkringsbolag använder ofta multivariata modeller för att fastställa sannolikheten att behöva betala ut skador.

– Ett exempel är en Monte Carlo-simulering som presenterar en rad möjliga utfall med hjälp av en sannolikhetsfördelning.