6 votos

Monte Carlo - Simulación multivariante de rendimientos

Estoy implementando una simulación de Monte Carlo en R para generar rendimientos correlacionados multivariados. Para ello he utilizado la descomposición de Cholesky, aplicada a la matriz de covarianza. Sin embargo, he visto que la descomposición de Cholesky puede aplicarse también a la matriz de correlación. ¿Cuál es el enfoque adecuado?

5voto

RealityGone Puntos 163

Debes aplicarlo a la matriz de covarianza y a partir de ella calcular la matriz de correlación. Aquí hay un ejemplo que correlaciona 3 variables normales aleatorias.

Déjalo:

$$ \bf Y \sim \mathcal N(0, \Sigma) $$

donde $\textbf{Y} = (Y_1,\dots,Y_n)$ es el vector de variables aleatorias normales, y $\Sigma$ la matriz de covarianza dada.

El proceso es:

  1. Simular un vector de variables aleatorias gaussianas no correlacionadas, $\bf Z $
  2. Entonces encuentra root cuadrada de $\Sigma$ , es decir, una matriz $\bf C$ tal que $\bf C \bf C^\intercal = \Sigma$ .

Entonces el vector objetivo viene dado por $$ \bf Y = \bf C \bf Z. $$

Aquí hay un código matlab ficticio:

N = 500000
u_1 = normrnd(zeros(N,1),1);
u_2 = normrnd(zeros(N,1),1);
u_3 = normrnd(zeros(N,1),1);
u_4 = normrnd(zeros(N,1),1);

rv = [u_1 '; u_2'; u_3'; u_4'];

VarCov = [Some positive semi-definite matrix here 4x4];

ch = chol(VarCov);
result = ch * rv;

A continuación, basta con dividir cada entrada de la matriz de resultados por el producto de las desviaciones estándar para obtener una matriz de correlación.

0 votos

Muchas gracias por tu respuesta. Así es exactamente como lo he hecho. Así que, para estar seguro, las series temporales generadas podrían considerarse como valores previstos (simulados) en los que se tiene en cuenta la correlación histórica de las series temporales. Por favor, corrígeme si me equivoco. Gracias.

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X