Kiekybinė analizė
Kiekybinė analizė – tai sprendimų priėmimo metodų visuma, kai finansiniai reiškiniai vertinami skaičiais, modeliais ir statistiniais ryšiais. Ji siekia apibūdinti riziką, grąžą ir jų tarpusavio priklausomybes, remiantis duomenų matavimu.
Ši analizė veikia nuo duomenų rinkimo iki rezultatų interpretavimo. Taikomi tikimybiniai skaičiavimai, tikrinamos hipotezės, atliekamas prognozavimo modelių validavimas ir klaidų įvertinimas. Svarbi taisyklė – atskirti aprašomąjį vertinimą nuo priežastinio aiškinimo.
Finansuose, investavime ir taupyme ji naudojama vertinant portfelius, nustatant portfelio sudėties parametrus ir stebint rodiklių stabilumą. Akcijų rinkoje tai pasireiškia faktorių ar kainų procesų modeliavimu, o asmeniniuose finansuose – biudžeto bei taupymo trajektorijų rizikos matavimu.
Ką turite žinoti?
Duomenų parinkimas ir kokybė
Analizė prasideda nuo istorinių ir aktualių duomenų rinkinio sudarymo. Duomenų spragos, koregavimų nuoseklumas ir klaidų šaltiniai lemia modelio patikimumą.
Statistiniai ryšiai
Skaičiais nustatomi ryšiai tarp kintamųjų, pavyzdžiui, grąžos ir rizikos. Dažnai vertinamas sklaidos laipsnis, koreliacijos struktūra ir galimi nenuoseklumai.
Modeliavimas ir prognozės
Sukuriami skaitiniai modeliai, kurie aprašo kainų ar rezultatų dinamiką. Prognozės tikrinamos ne tik pagal vidutinę paklaidą, bet ir pagal ekstremų elgseną.
Validavimas ir testavimas
Modeliai tikrinami atskirais laikotarpiais arba imtimis. Taip vertinama, ar rezultatai nėra vien tik praeities duomenų pritaikymo pasekmė.
Rizikos matavimas
Rizika įvertinama per skirstinių savybes, nuostolių tikimybę ir jautrumą prielaidoms. Tai leidžia palyginti alternatyvias strategijas vienodais kriterijais.
Klaidos, kurios siejamos su šiuo terminu
Vien tik praeities pasikartojimas
Dažna klaida laikyti, kad istoriniai ryšiai automatiškai kartosis ateityje. Duomenų režimai gali keistis, todėl tie patys parametrai gali prarasti informacinę vertę.
Modelio tikslumas be klaidų įvertinimo
Kai neįvertinamas paklaidos dydis ir jo pasiskirstymas, rezultatai tampa neaiškūs. Skirtumas tarp „gerai atrodančio“ ir statistiškai pagrįsto modelio gali būti esminis.
Priežasties painiojimas su koreliacija
Skaičiais nustatytas ryšys nereiškia, kad vienas veiksnys būtinai sukelia kitą. Be papildomų prielaidų ir testų priežastinis aiškinimas gali būti nepagrįstas.
Ignoruojamas perpritaikymas
Per daug detalių parametrų modelis gali prisitaikyti prie triukšmo. Tuomet prognozės blogėja naujuose duomenyse, nors treniravimo rezultatai lieka geri.
Vieno rodiklio naudojimas kaip „tiesos“
Vienas rodiklis neaprėpia visų rizikos ir grąžos aspektų. Praktikoje reikia kelių perspektyvų ir nuoseklaus vertinimo pagal skirtingus kriterijus.