σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
مسار Probability›الوحدة 2 · المتغيرات العشوائية والتوزيعات›الموضوع 2.2·~45 دمبتدئ

التوقع والتغاير

الموضع في المسارالوحدة 2 من 5 · الموضوع 2 من 3
2.2 التوقع والتغاير
—درجة المختبر— / 100إجمالي XP—التتابع—

المتوسط والتشتت والتحرك المشترك

توقّع المتغير العشوائي هو متوسطه الموزون بالاحتمالات E[X]=∑ixi piE[X]=\sum_i x_i\,p_iE[X]=∑i​xi​pi​. وهو خطي: E[aX+bY+c]=aE[X]+bE[Y]+cE[aX+bY+c]=aE[X]+bE[Y]+cE[aX+bY+c]=aE[X]+bE[Y]+c دائمًا سواء كان XXX وYYY مستقلين أم لا. ويقيس التباين التشتت حول المتوسط Var⁡(X)=E[(X−E[X])2]=E[X2]−E[X]2\operatorname{Var}(X)=E\big[(X-E[X])^2\big]=E[X^2]-E[X]^2Var(X)=E[(X−E[X])2]=E[X2]−E[X]2، وللانحراف المعياري σ=Var⁡(X)\sigma=\sqrt{\operatorname{Var}(X)}σ=Var(X)​ وحدات XXX نفسها.

Cov⁡(X,Y)=E[XY]−E[X]E[Y],ρ=Cov⁡(X,Y)σXσY\operatorname{Cov}(X,Y)=E[XY]-E[X]E[Y],\qquad \rho=\frac{\operatorname{Cov}(X,Y)}{\sigma_X\sigma_Y}Cov(X,Y)=E[XY]−E[X]E[Y],ρ=σX​σY​Cov(X,Y)​(1)

يقيس التغاير التحرك المشترك: موجب حين يميل XXX وYYY إلى أن يكونا فوق متوسطيهما معًا. ويعيد الارتباط ρ\rhoρ قياسه ليقع بين −1-1−1 و111. ولا تُجمع التباينات إلا حين يكون التغاير صفرًا: عمومًا Var⁡(X+Y)=Var⁡(X)+Var⁡(Y)+2Cov⁡(X,Y)\operatorname{Var}(X+Y)=\operatorname{Var}(X)+\operatorname{Var}(Y)+2\operatorname{Cov}(X,Y)Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y). ولمحفظة أوزانها wiw_iwi​ هذه هي الصيغة التربيعية Var⁡=∑i,jwiwjCov⁡(Ri,Rj)=wTΣw\operatorname{Var}=\sum_{i,j}w_iw_j\operatorname{Cov}(R_i,R_j)=\mathbf{w}^{T}\Sigma\mathbf{w}Var=∑i,j​wi​wj​Cov(Ri​,Rj​)=wTΣw.

عائد منفصل ومحفظة من أصلينعائد (بالنسبة المئوية) يساوي −2-2−2 أو 111 أو 444 باحتمالات 0.20.20.2 و0.50.50.5 و0.30.30.3. إذن E[X]=−0.4+0.5+1.2=1.3E[X]=-0.4+0.5+1.2=1.3E[X]=−0.4+0.5+1.2=1.3 وE[X2]=0.8+0.5+4.8=6.1E[X^2]=0.8+0.5+4.8=6.1E[X2]=0.8+0.5+4.8=6.1 وVar⁡(X)=6.1−1.32=4.41\operatorname{Var}(X)=6.1-1.3^2=4.41Var(X)=6.1−1.32=4.41 فيكون σ=2.1\sigma=2.1σ=2.1. وزّع الآن المال 50/50 بين أصلين لهما σ1=0.2\sigma_1=0.2σ1​=0.2 وσ2=0.3\sigma_2=0.3σ2​=0.3 وρ=0.5\rho=0.5ρ=0.5: Var⁡=0.25(0.04)+0.25(0.09)+2(0.25)(0.5)(0.2)(0.3)=0.0475\operatorname{Var}=0.25(0.04)+0.25(0.09)+2(0.25)(0.5)(0.2)(0.3)=0.0475Var=0.25(0.04)+0.25(0.09)+2(0.25)(0.5)(0.2)(0.3)=0.0475 فيكون σp≈0.218\sigma_p\approx0.218σp​≈0.218 أي دون المتوسط 0.25.
  • التوقع خطي بوجود الاستقلال أو بدونه.
  • التباين: E[X2]−E[X]2E[X^2]-E[X]^2E[X2]−E[X]2؛ وVar⁡(aX+b)=a2Var⁡(X)\operatorname{Var}(aX+b)=a^2\operatorname{Var}(X)Var(aX+b)=a2Var(X).
  • التغاير والارتباط يقيسان التحرك المشترك؛ وCov⁡(X,X)=Var⁡(X)\operatorname{Cov}(X,X)=\operatorname{Var}(X)Cov(X,X)=Var(X).
الارتباط الصفري لا يعني الاستقلالللمتغيرات المستقلة تغاير صفري، لكن العكس غير صحيح. إذا كان XXX متماثلًا حول 0 وY=X2Y=X^2Y=X2 فإن Cov⁡(X,Y)=0\operatorname{Cov}(X,Y)=0Cov(X,Y)=0 مع أن YYY محددة تمامًا بـ XXX. والارتباط لا يرى إلا التحرك الخطي المشترك؛ وسوق هادئ حتى ينهار قد يكون ارتباطه منخفضًا واعتماده قويًا في الذيول.

المختبر: ما الذي يُقيَّم

  • العائد المتوقع15 نقطة
  • التباين15 نقطة
  • تغاير10 نقطة
  • تباين محفظة20 نقطة
  • أيّ القواعد صحيحة15 نقطة
  • ارتباط10 نقطة
  • لماذا ينجح التنويع15 نقطة
0/ 7 تمت الإجابة
المهام
1إجابة رقمية15 نقطةبلا إجابة

عائد (بالنسبة المئوية) يساوي -2 أو 1 أو 4 باحتمالات 0.2 و0.5 و0.3. احسب التوقع E[X]E[X]E[X].

E[X]=E[X] =E[X]=المقبول: ± 0.001
2إجابة رقمية15 نقطةبلا إجابة

عائد (بالنسبة المئوية) يساوي -2 أو 1 أو 4 باحتمالات 0.2 و0.5 و0.3. احسب Var⁡(X)=E[X2]−E[X]2\operatorname{Var}(X)=E[X^2]-E[X]^2Var(X)=E[X2]−E[X]2.

Var⁡(X)=\operatorname{Var}(X) =Var(X)=المقبول: ± 0.005
3إجابة رقمية10 نقطةبلا إجابة

لعائدين E[X]=1E[X]=1E[X]=1 وE[Y]=2E[Y]=2E[Y]=2 وE[XY]=3E[XY]=3E[XY]=3. أوجد Cov⁡(X,Y)\operatorname{Cov}(X,Y)Cov(X,Y).

Cov⁡=\operatorname{Cov} =Cov=المقبول: ± 0.001
4إجابة رقمية20 نقطةبلا إجابة

لأصلين σ1=0.2\sigma_1=0.2σ1​=0.2 وσ2=0.3\sigma_2=0.3σ2​=0.3 وارتباط ρ=0.5\rho=0.5ρ=0.5. احسب تباين محفظة 50/50. أعطه بأربع منازل عشرية.

σp2=\sigma_p^{2} =σp2​=المقبول: ± 0.0002
5اختيار15 نقطةبلا إجابة

اختر كل القواعد التي تصح دائمًا.

6إجابة رقمية10 نقطةبلا إجابة

Cov⁡(X,Y)=0.9\operatorname{Cov}(X,Y)=0.9Cov(X,Y)=0.9 وσX=1.5\sigma_X=1.5σX​=1.5 وσY=1.0\sigma_Y=1.0σY​=1.0. أوجد الارتباط ρ\rhoρ.

ρ=\rho =ρ=المقبول: ± 0.001
7اشرح بكلماتك15 نقطةبلا إجابة

في جملتين اشرح لماذا تكون مخاطر محفظة من أصلين غير مترابطين ترابطًا تامًا أقل من متوسط مخاطرهما.

وضع الرياضياتإدخال بلوحة المفاتيح أو LaTeXالمهمة 1 من 7 · Ctrl ⏎ للتحقق

سجّل الدخول لتشغيل الكود الخاص بك.

قراءة كل المحاضرات مجانية. أنشئ حسابًا أو سجّل الدخول لتشغيل الكود وتنفيذ الاختبارات وتسليم هذا المختبر.

  • بيئة تطوير داخل المتصفح مع طرفية bash — لا حاجة لتثبيت أي شيء
  • تصحيح فوري ونقاط خبرة ومكانك في المسار
إنشاء حسابتسجيل الدخول
أو
المتابعة عبر GitHub