Bootstrapping – Սահմանում, գործընթաց և օրինակներ

Bootstrapping (անգլերենից): bootstrapping) ստարտափի կամ բիզնեսի ինքնաֆինանսավորման մեթոդ է՝ առանց արտաքին ներդրումներ ներգրավելու, երբ հիմնադիրներն օգտագործում են իրենց սեփական միջոցները, ընթացիկ գործառնություններից ստացված եկամուտը կամ նվազագույն ռեսուրսները ընկերության գործարկման և զարգացման համար։ Այս մոտեցումը թույլ է տալիս ձեռնարկատերերին լիարժեք վերահսկողություն պահպանել բիզնեսի նկատմամբ և խուսափել ընկերության բաժնետոմսերը ներդրողներին հանձնելուց:

Bootstrapping մոդելը ձեռնարկատիրոջը կամ սեփականատիրոջը տալիս է ամբողջական վերահսկողություն բիզնեսի վրա՝ բոլոր որոշումները կայացնելու համար, բայց դա կարող է նաև մեծացնել ֆինանսական բեռը:

Նաև վիճակագրության և տվյալների գիտության մեջ bootstrapping մեթոդին հղում կատարելիս այն վերաբերում է բնակչության համար արդյունքների եզրակացության մեթոդին՝ օգտագործելով նույն պոպուլյացիայի ավելի փոքր պատահական նմուշների մի շարք արդյունքները: Սա կատարվում է bootstrap-ի նմուշառման գործընթացում փոխարինման միջոցով:

Այս bootstrap տեխնիկան վիճակագրության, տվյալների կետերի և հիպոթեզների թեստավորման մեջ նույնպես կապված են վերը նշված bootstrap հասկացությունների հետ, քանի որ անհատական ​​bootstrap նմուշը հիմնվում է իր փոքր նմուշների վրա՝ ավելի մեծ բնակչության մասին եզրակացություններ անելու համար:

Bootstrapping մեթոդի պատմությունը.

Bootstrapping մեթոդի պատմությունը սերտորեն կապված է սեփական հաջողության և անկախության փիլիսոփայության հետ, որն արտացոլված է հենց տերմինում: Այս հայեցակարգն առաջացել է 19-րդ դարում և զարգացել ձեռներեցության և տնտեսագիտության զարգացմանը զուգընթաց՝ դառնալով նախաձեռնության և ինքնաֆինանսավորման խորհրդանիշ։

Տերմինի ծագումը

Ժամկետ «bootstrapping» գալիս է անգլերեն «արտահայտությունիցpull oneself up by one's bootstraps» (բառացի՝ «բարձրացրո՛ւ քո կոշիկի ժանյակներով»): Այս արտահայտությունն առաջին անգամ հայտնվեց 19-րդ դարում Անգլիայում՝ որպես անհնարին կամ պարադոքսալ գործողություն նկարագրելու փոխաբերություն։ Արտահայտությունն օգտագործվել է պատկերացնելու այն գաղափարը, որ մարդը կարող է հաջողության հասնել ինքնուրույն, առանց արտաքին օգնության, չնայած դժվարություններին: Ժամանակի ընթացքում այն ​​նոր իմաստ է ստացել՝ խորհրդանշելով ինքնաբավ լինելու և անձնական նախաձեռնություն ցուցաբերելու կարողությունը, հատկապես բիզնեսի համատեքստում:

Bootstrapping գաղափարի զարգացում բիզնեսում

Պատմականորեն ձեռներեցությունը կապված է նվազագույն ռեսուրսներով բիզնես սկսելու գաղափարի հետ: 19-րդ և 20-րդ դարերի սկզբին, երբ կապիտալի հասանելիությունը սահմանափակ էր, հատկապես փոքր ձեռներեցների համար, բոտսթրեյփը դարձավ սովորական պրակտիկա: Շատ վաղ ամերիկացի գործարարներ, ինչպիսիք են Էնդրյու Կարնեգի и Հենրի Ֆորդ, սկսել են փոքրից՝ օգտագործելով իրենց անձնական խնայողությունները և վերաներդրելով շահույթը՝ իրենց ընկերությունները մեծացնելու համար:

Bootstrapping-ը հատկապես ակտիվորեն զարգացել է ԱՄՆ-ը ինդուստրացման դարաշրջանում (XIX դարի վերջ - XX դարի սկիզբ): Այն ժամանակվա ձեռներեցներից շատերը չէին կարող հույս դնել բանկային վարկերի կամ ներդրումների վրա և իրենց բիզնեսը սկսեցին նվազագույն ռեսուրսներով։ Սա խթանեց ինքնազբաղվածության մշակույթը, որը դարձավ Ամերիկյան երազանքի կարևոր մասը:

Bootstrapping-ը 20-րդ դարում

20-րդ դարում վենչուրային կապիտալի աճող հասանելիությամբ մայրաքաղաքը և բանկային վարկերը, bootstrapping-ը որոշ չափով կորցրեց իր արդիականությունը խոշոր ձեռնարկությունների համար, բայց մնաց հանրաճանաչ փոքր բիզնես и նորաստեղծներ. Շատ ձեռնարկատերեր շարունակել են օգտագործել այս մեթոդը ֆինանսավորման համար, հատկապես երբ նրանք չեն կարողացել կամ չեն ցանկանում ներգրավել արտաքին ներդրողներին:

Այս ժամանակահատվածում bootstrapping-ը հատկապես հայտնի դարձավ ՏՏ ընկերությունների շրջանում։ Օրինակ, արդյունաբերության զարգացման վաղ փուլերում շատ ընկերություններ, ինչպիսիք են Apple и Microsoft, սկսվեց սահմանափակ ռեսուրսներով և առանց արտաքին ներդրումների: Այս մոտեցումն օգնեց նրանց վերահսկողություն պահպանել իրենց արտադրանքի և զարգացման ռազմավարության նկատմամբ:

Ստարտափների բումը և բոտսթրեյփը 20-րդ դարի վերջին - 21-րդ դարի սկզբին

ի սկզբանե տեխնոլոգիական հեղափոխություն և ինտերնետի բումը 1990-ական և 2000-ական թվականներին, bootstrapping-ը կրկին արդիական դարձավ նորաստեղծներ բարձր տեխնոլոգիաների ոլորտում։ Ինտերնետային շատ ընկերություններ և տեխնոլոգիական ստարտափներ սկզբնական աճի համար օգտագործել են ինքնաֆինանսավորման մոդել, այնուհետև ստացված միջոցները վերաներդրել են հետագա զարգացման համար: Այս ընթացքում ի հայտ եկան bootstrapping-ով սկսված հաջողակ ընկերությունների հայտնի օրինակներ.

• MailchimpԷլփոստի մարքեթինգային ծառայություն, որը հիմնադրվել է 2001 թվականին, որը տարիների ընթացքում աճել է առանց արտաքին ներդրումների:
• GoProԲացօթյա տեսախցիկներ, որոնք Նիք Վուդմանը մշակել է՝ օգտագործելով իր սեփական միջոցները և նախկինում ստեղծված ապրանքների վաճառքը:

Վենչուրային կապիտալի զարգացմամբ 2000-ական թթ նորաստեղծներ սկսեց ավելի ու ավելի կենտրոնանալ արտաքին ներդրումների ներգրավման վրա, բայց bootstrapping-ը մնում էր կարևոր գործիք նրանց համար, ովքեր ցանկանում էին պահպանել անկախությունը և խուսափել ներդրողների ճնշումից:

Bootstrapping ժամանակակից տնտեսագիտության մեջ

21-րդ դարում, չնայած վենչուրային կապիտալի և ներդրողների առատությանը, bootstrapping-ը շարունակում է մնալ ֆինանսավորման հանրաճանաչ մեթոդ, հատկապես այն ձեռնարկատերերի շրջանում, ովքեր ցանկանում են վերահսկել իրենց բիզնեսը և նվազագույնի հասցնել իրենց պարտքի բեռը:

Այսօր այս մեթոդը կիրառվում է ոչ միայն փոքր բիզնեսում, այլեւ տեխնոլոգիական ստարտափների շրջանում, որտեղ ընկերությունները նախընտրում են զարգանալ ավելի դանդաղ, բայց պահպանելով անկախությունը։ Թվային տեխնոլոգիաների և հասանելի առցանց հարթակների զարգացում, ինչպիսիք են քրաուդֆանդինգ կամ շուկաներ, շատ ավելի հեշտացրել է բիզնես սկսելն ու վարել նվազագույն ծախսերով:

Bootstrapping-ը երկար ճանապարհ է անցել հին անգլերեն արտահայտությունից մինչև բիզնեսի ֆինանսավորման հիմնական մեթոդներից մեկը: Այն արտացոլում է ձեռնարկատերերի անկախության, ռեսուրսների ստեղծագործ օգտագործման և ինքնաբավության ցանկությունը: Bootstrapping մեթոդի պատմությունը սերտորեն կապված է ձեռներեցության զարգացման հետ և մնում է արդիական ռազմավարություն շատերի համար հաջողակ ընկերություններ ամբողջ աշխարհում:

Bootstrapping վիճակագրության և տվյալների գիտության մեջ:

Bootstrapping-ը նաև հասկացվում է որպես վիճակագրական ընթացակարգ, որը վերընտրում է տվյալների մեկ հավաքածու՝ բազմաթիվ մոդելավորված նմուշներ ստեղծելու համար: Այն թույլ է տալիս հաշվարկել ստանդարտ սխալները, ինչպես նաև օգնում է ստեղծել վստահության միջակայքեր և կատարել հիպոթեզի թեստեր տարբեր տեսակի նմուշների վիճակագրության համար:

Bootstrap մեթոդները հասկացվում են որպես ավանդական հիպոթեզների փորձարկման այլընտրանքային մեթոդներ: Դրանք կարևոր են այլ միջավայրերում ավելի հեշտ հասկանալի և վավերական լինելու ունակության պատճառով: Վիճակագրության և տվյալների գիտության ոլորտում bootstrap-ը նշանակում է մի բան, որն ավելի հավանական և տարբերվող է թվում:

Դա մի մեթոդ է, որով պոպուլյացիայի համար արդյունքը ենթադրվում է արդյունքներից, որոնք կարող են կառուցվել այդ պոպուլյացիայից պատահական ավելի փոքր նմուշների մի շարքից:

Այս գործընթացի ընթացքում կիրառվում է փոխարինում կամ փոխարինում: Օրինակ, ամբողջ աշխարհում մարդկանց միջին հասակը գնահատելու համար փոքր չափաբաժինը չափվում է բեռնախցիկի նմուշառման բաշխման միջոցով, քանի որ երբեք հնարավոր չէ յուրաքանչյուր մարդու հասակը առանձին չափել:

Նմուշառման բաշխումն այստեղ վերաբերում է ցանկացած փորձարկման կամ չափման, որն օգտագործում է պատահական նմուշառում կամ նմուշառման տվյալներ՝ փոխարինմամբ և պատկանում է վերանմուշառման մեթոդների ավելի լայն դասին: Bootstrap-ը գնահատում է գրեթե ցանկացած վիճակագրության ընտրանքային բաշխումը` օգտագործելով պատահական ընտրանքի մեթոդներ:

Վստահության ինտերվալների բացման մեթոդներ:

Վստահության ինտերվալների բացման մեթոդներ վիճակագրական տեխնիկա են, որոնք թույլ են տալիս գնահատել վստահության միջակայքերը բաշխման պարամետրերի համար (օրինակ՝ միջին, միջին, շեղում)՝ առանց բաշխման նորմալությունը կամ այլ խիստ ենթադրությունների ենթադրելու անհրաժեշտության: Այս մեթոդները լայնորեն կիրառվում են, հատկապես, երբ ընտրանքը փոքր է կամ տվյալների բաշխումն անհայտ է։

Ահա վստահության միջակայքերը գնահատելու հիմնական bootstrapping մեթոդները.

1. Հիմնական (պարամետրիկ) bootstrapping

Մեթոդը հիմնված է նախնական տվյալներից վերընտրման և վերադարձի վրա՝ շահագրգիռ պարամետրի գնահատումների էմպիրիկ բաշխում կառուցելու համար (օրինակ՝ միջինը): Վստահության միջակայքերը կարող են կառուցվել այս բաշխումից:

Ալգորիթմ:

1. Նախնական նմուշԵնթադրենք, դուք ունեք ծավալային տվյալների նմուշ $n$: X={x1,x2,…,xn}X = \{x_1, x_2,…, x_n\}X={x1â € <,x2â € <,...,xnâ € <}.
2. Վերադարձով նմուշառումԲնօրինակ նմուշից նույն չափի ենթանմուշները պատահականորեն ընտրվում են բազմիցս (սովորաբար 1000-ից մինչև 10 անգամ) $n$, և տարրերն ընտրվում են վերադարձով։
3. Վիճակագրության հաշվարկՎիճակագրություն (օրինակ, միջին, միջին և այլն) հաշվարկվում են յուրաքանչյուր ենթանմուշի համար:
4. Բաշխման նախահաշիվՎիճակագրության կառուցված արժեքները կազմում են պարամետրի էմպիրիկ բաշխումը:
5. Վստահության միջակայքի կառուցումՍտացված բաշխումից դուք կարող եք հաշվարկել վստահության միջակայքը տվյալ վստահության մակարդակում (օրինակ՝ 95%). սա 2,5-րդ և 97,5-րդ տոկոսների միջև ընկած միջակայքն է:

Օրինակ՝ Bootstrapping միջինի համար

• Ենթանմուշները բազմիցս ընտրվում են սկզբնական նմուշից, և միջինը հաշվարկվում է դրանցից յուրաքանչյուրի համար:
• Այս արժեքները ստեղծում են bootstrapping միջոցների բաշխում, որից կարելի է որոշել վստահության սահմանները (օրինակ՝ 95%):

2. Տոկոսային բեռնաթափում

Պրոցենտիլային մեթոդը bootstrapping վստահության միջակայքերը կառուցելու ամենապարզ եղանակներից մեկն է: Այս մեթոդում վստահության ինտերվալը կառուցվում է՝ հիմնվելով bootstrapping պարամետրի գնահատումների տոկոսների վրա:

Ալգորիթմ:

1. Կրկնեք 1-4 քայլերը հիմնական bootstrapping-ից:
2. Գտեք $\alpha /2$- նրան և $1-\alpha /2$Bootstrapping պարամետրի գնահատումների բաշխման րդ տոկոսը (օրինակ՝ 2,5-րդ և 97,5-րդ ցենտիլը՝ 95% վստահության միջակայքի համար):
3. Այս տոկոսային արժեքները կլինեն վստահության միջակայքի սահմանները:

Օրինակ՝ միջինի գնահատում

• Կատարեք bootstrapping միջինի համար:
• Գտեք bootstrapping մեդիանայի բաշխման 2,5-րդ և 97,5-րդ տոկոսները:
• Այս տոկոսները կլինեն միջինի վստահության միջակայքի սահմանները:

3. Արագացված և կողմնակալ բեռնաթափման մեթոդ (BCa - կողմնակալության ուղղում և արագացում)

BCa (կողմնակալ և արագացված) մեթոդը կարգավորում է տոկոսային միջակայքերը՝ հաշվի առնելով ընտրանքների բաշխման հնարավոր կողմնակալությունները և առանձնահատկությունները: Այս մեթոդը ավելի ճշգրիտ է, քան ստանդարտ տոկոսային բեռնաթափումը, հատկապես, եթե bootstrapping-ի գնահատումների բաշխումը շեղված կամ շեղված է:

Ալգորիթմ:

1. Կատարեք ստանդարտ bootstrapping (ստացեք պարամետրերի գնահատումների բաշխումը):
2. Գնահատել տեղահանում (կողմնակալություն) - որքանով է bootstrapping-ի գնահատումների միջին արժեքը տարբերվում սկզբնական նմուշի գնահատականից:
3. Վիչիսլիտ արագացման գործակից (արագացում) - չափում, թե որքանով է փոփոխվում պարամետրի փոփոխության արագությունը՝ կախված տվյալներից:
4. Օգտագործեք այս ճշգրտումները՝ հաշվարկելու վստահության միջակայքերը, որոնք հաշվի են առնում տեղաշարժը և արագացումը:

4. Փոխակերպման տոկոսային մեթոդ

Այս մեթոդը համատեղում է bootstrapping-ի և permutation թեստերի գաղափարները: Այն օգտագործում է տվյալների պատահականացում՝ վիճակագրությունը գնահատելու համար, այնուհետև հաշվարկում է վստահության միջակայքերը՝ հիմնված գնահատումների բաշխման արդյունքում:

Ալգորիթմ:

1. Ստեղծեք տվյալների բազմաթիվ փոխարկումներ:
2. Յուրաքանչյուր փոխակերպման համար հաշվարկեք հետաքրքրության վիճակագրությունը:
3. Վստահության միջակայքը գնահատելու համար օգտագործեք փոխակերպման բաշխման տոկոսները:

5. Սեղմման մեթոդ (Jackknife-After-Bootstrap)

Այս մեթոդը bootstrapping-ի և jackdnife-ի սեղմման հիբրիդ է: Այն օգտագործվում է վստահության միջակայքերը հաշվարկելու համար, որոնք հաշվի են առնում պարամետրերի գնահատումների հնարավոր կողմնակալությունը:

Ալգորիթմ:

1. Կատարեք ստանդարտ bootstrapping՝ պարամետրերի գնահատումների բաշխում ստանալու համար:
2. Կիրառեք սեղմման մեթոդ յուրաքանչյուր bootstrapping արդյունքի համար՝ ավելի ճշգրիտ գնահատականներ ստանալու համար:
3. Կառուցեք վստահության միջակայքեր՝ հիմնվելով այս ճշգրտված գնահատումների վրա:

Bootstrapping-ի օգտագործման օրինակ

Ենթադրենք, դուք ունեք 100 դիտարկումների նմուշ և ցանկանում եք գնահատել միջինի վստահության միջակայքը: Դուք անում եք հետևյալը.

1. Կատարեք 10 bootstrapping նմուշ այս 000 դիտարկումներից և հետընթացից:
2. 10 նմուշներից յուրաքանչյուրի համար հաշվարկեք միջինը:
3. Դուք ստանում եք bootstrapping միջինների էմպիրիկ բաշխումը:
4. 95% վստահության միջակայքի համար գտե՛ք այս բաշխման 2,5-րդ և 97,5-րդ տոկոսները:

Bootstrapping մեթոդների առավելությունները

• ՃկունությունՉի պահանջում տվյալների բաշխման նորմալության կամ այլ պարամետրերի վերաբերյալ ենթադրություններ:
• Իրականացման հեշտությունըՄեթոդները հեշտությամբ իրականացվում են ժամանակակից ծրագրային փաթեթների միջոցով (օրինակ՝ Python, R):
• Լայն կիրառելիությունԱշխատեք նույնիսկ բարդ բաշխումների, փոքր նմուշների կամ անհայտ պարամետրերի հետ:

Bootstrapping մեթոդների թերությունները

• Հաշվարկային ռեսուրսների պահանջՔանի որ bootstrapping-ը պահանջում է նմուշը բազմիցս կրկնել, այն կարող է հաշվողականորեն թանկ լինել, հատկապես մեծ նմուշների համար:
• Նմուշի կախվածությունԳնահատումների որակը մեծապես կախված է սկզբնական տվյալների ընտրանքից, հատկապես, եթե այն ներկայացուցչական չէ:

Այսպիսով, bootstrapping մեթոդները հզոր գործիք են վստահության միջակայքերը գնահատելու համար, հատկապես այն իրավիճակներում, երբ դասական մոտեցումները չեն կարող օգտագործվել տվյալների բացակայության կամ բաշխումների անորոշության պատճառով:

Bootstrapping ֆինանսների ոլորտում.

գերազանցում է ֆինանսների ոլորտում Ռիսկի գնահատման, մոդելավորման և ֆինանսական կատարողականի կանխատեսման համար վիճակագրական bootstrapping մեթոդի կիրառումն է: Ֆինանսների ոլորտում այս մեթոդը օգտագործվում է պարամետրերի հուսալի գնահատականներ և բաշխումներ ստանալու համար, երբ տվյալների նմուշները փոքր են կամ երբ ավանդական վիճակագրական մեթոդներն անհամապատասխան են բաշխման նորմալության վերաբերյալ ոչ համարժեք ենթադրությունների պատճառով:

Bootstrapping-ը ֆինանսական վերլուծաբաններին հնարավորություն է տալիս գնահատականներ ստանալ առկա տվյալների վերընտրման միջոցով՝ առանց հենվելու եկամտաբերության բաշխման ձևի, ակտիվների գների կամ այլ ֆինանսական ցուցանիշների մասին ենթադրությունների վրա:

Bootstrapping-ի կիրառումը ֆինանսներում.

1. Ակտիվների վերադարձի վստահության միջակայքերի գնահատում:

Bootstrapping-ը հաճախ օգտագործվում է վստահության միջակայքերը գնահատելու համար բաժնետոմսերի վերադարձը, պարտատոմսեր կամ այլ ֆինանսական գործիքներ։ Սա հատկապես օգտակար է, երբ վերադարձի տվյալները շեղված են կամ պարունակում են արտանետումներ Պատմական վերադարձի տվյալների կրկնվող նմուշառումը թույլ է տալիս ստեղծել վերադարձի էմպիրիկ բաշխում, որից կարող են հաշվարկվել վստահության միջակայքերը կամ ծայրահեղ կորուստների հավանականությունը:

ՕրինակԳնահատված 95% վստահության միջակայքը տարվա միջին բաժնետոմսերի եկամտաբերության համար:

2. Արժեքի ռիսկի (VaR) գնահատում:

Bootstrapping-ն օգտագործվում է ռիսկի արժեքի (VaR) գնահատման համար, որը չափում է ակտիվի կամ պորտֆելի առավելագույն հնարավոր կորուստը որոշակի ժամանակահատվածում վստահության տվյալ մակարդակում (օրինակ՝ 95%) փոփոխությունների սցենարներ ակտիվների արժեքը հիմնված պատմական տվյալների վրա։ Սա թույլ է տալիս գնահատել մեծ կորուստների ռիսկը, հատկապես, երբ եկամտաբերության բաշխումը նորմալ չէ:

ՕրինակԵթե ​​95% VaR-ը ցույց է տալիս $10,000 կորուստ, դա նշանակում է, որ ժամանակի 95% կորուստը չի գերազանցի $10,000-ը:

3. Bootstrapping. Պորտֆելի ռիսկի գնահատում.

Bootstrapping-ը կարող է օգտագործվել պորտֆելի ակտիվների անկայունությունը և հարաբերակցությունը գնահատելու համար: Սա օգնում է ներդրողներին հասկանալ, թե ինչպես են ռիսկերը փոխվում ակտիվների տարբեր կոնֆիգուրացիաների և շուկայի անկայուն պայմաններում: Պորտֆելի ակտիվների վերադարձի բազմաթիվ սցենարների մոդելավորումը թույլ է տալիս ստեղծել հնարավոր արդյունքների բաշխում և գնահատել ապագա ռիսկերը:

ՕրինակԲաժնետոմսերի և պարտատոմսերի պորտֆելի անկայունության գնահատում ճգնաժամային ժամանակահատվածում:

4. Ռիսկի հավելավճարների գնահատում (Risk Premium)

Ֆինանսական տեսության մեջ ռիսկի հավելավճարը լրացուցիչ եկամտաբերությունն է, որը ներդրողները պահանջում են ավելի շատ ռիսկի վրա վերցնելու համար: Bootstrapping-ն օգտագործվում է այս հավելավճարը ավելի ճշգրիտ գնահատելու համար, հատկապես խիստ անկայուն ակտիվների համար, օգտագործելով պատմական տվյալներ բարձր ռիսկային ակտիվների (օրինակ՝ բաժնետոմսերի) և ռիսկերից զերծ ակտիվների (օրինակ՝ պետական ​​պարտատոմսերի) վերաբերյալ: կառուցել ռիսկի հավելավճարների բաշխում:

ՕրինակՌիսկի պրեմիումի գնահատում զարգացող շուկաներում սեփական կապիտալում ներդրումների համար:

5. Ֆինանսական մոդելների պարամետրերի գնահատում.

Bootstrapping-ը կարող է օգտագործվել ֆինանսական մոդելների պարամետրերը գնահատելու համար, ինչպիսիք են կապիտալ ակտիվների գնագոյացման մոդելը (CAPM), գնագոյացում ընտրանքներ (Black-Scholes) կամ այլ մոդելներ, որոնք օգտագործում են պատմական տվյալներ, գործակիցների կետային գնահատականների վրա հիմնվելու փոխարեն (օրինակ՝ բետա CAPM մոդելում), bootstrapping-ը օգնում է կառուցել այդ պարամետրերի հնարավոր արժեքների բաշխումը:

ՕրինակԸնկերության համար բետա արժեքների միջակայքի գնահատում, որն արտացոլում է նրա զգայունությունը շուկայական պայմանների փոփոխությունների նկատմամբ:

Bootstrapping. Ֆինանսական ակտիվների բաշխման պարամետրերի գնահատում.

Ֆինանսներում, հատկապես ակտիվների վերադարձի մոդելավորման մեջ, հաճախ ենթադրվում է նորմալ բաշխում: Այնուամենայնիվ, այս ենթադրությունը հաճախ չի արդարացվում իրական տվյալների մեջ (բաշխումները կարող են լինել ասիմետրիկ կամ ունենալ ծանր պոչեր): Bootstrapping-ը թույլ է տալիս խուսափել այս ենթադրություններից և ստեղծել վստահության միջակայքներ բաշխման պարամետրերի համար (միջին, շեղում, մեդիա):

ՕրինակԲարձր անկայունություն ունեցող ակտիվի միջին եկամտաբերության գնահատում:

Ակտիվների գների կանխատեսում

Bootstrapping-ը կարող է օգտակար լինել բաժնետոմսերի գների, արժույթների և այլ ֆինանսական գործիքների կարճաժամկետ կանխատեսման համար: Այն օգնում է մոդելավորել գների հնարավոր սցենարները՝ օգտագործելով պատմական տվյալներ.

ՕրինակԸնկերության բաժնետոմսերի գների տիրույթի կանխատեսում մեկ ամսվա ընթացքում՝ հիմնվելով անցյալ գների շարժի վրա:

Bootstrapping. Վարկային ռիսկի գնահատում. 

Վարկային ռիսկը գնահատելու համար bootstrapping-ն օգտագործվում է վարկառուների չկատարման հավանականությունը մոդելավորելու համար: Սա հատկապես օգտակար է, երբ վարկառուների վարկունակության վերաբերյալ պատմական տվյալների կրկնօրինակումը օգնում է դեֆոլտի հավանականության բաշխումը:

ՕրինակՍպառողական վարկերի պորտֆելում վարկառուների դեֆոլտի հավանականության գնահատում:

Ֆինանսների մեջ bootstrapping-ի առավելությունները.

• ՃկունությունBootstrapping-ը չի պահանջում տվյալների բաշխման ձևի վերաբերյալ ենթադրություններ, ինչը այն հատկապես օգտակար է դարձնում ֆինանսների մեջ, որտեղ ոչ ստանդարտ և շեղված վերադարձի բաշխումները սովորական են:
• Կիրառելիությունը փոքր նմուշների համարՄեթոդը թույլ է տալիս արդյունավետորեն աշխատել փոքր տվյալների նմուշների հետ, ինչը հաճախ տեղի է ունենում ֆինանսական հետազոտություններում:
• Անկայուն և ոչ ստանդարտ շուկաների վերլուծությունBootstrapping-ը կարող է կիրառվել բարձր անկայունությամբ և անորոշությամբ շուկաներում, որտեղ ավանդական մեթոդները կարող են հանգեցնել սխալ արդյունքների:

Ֆինանսների մեջ bootstrapping-ի թերությունները.

• Հաշվարկային ռեսուրսների պահանջՏվյալների կրկնվող նմուշառումը և բաշխումների կառուցումը կարող են պահանջել զգալի հաշվողական հզորություն, հատկապես մեծ ծավալի տվյալների դեպքում:
• Կախվածությունը աղբյուրի տվյալների որակիցՔանի որ bootstrapping-ը հիմնված է պատմական տվյալների վրա, ընտրանքի վատ ներկայացուցչականությունը կարող է հանգեցնել ոչ ճշգրիտ կանխատեսումների կամ գնահատումների:
• Բարդ գնահատումների համար մեծ նմուշի անհրաժեշտությունԹեև bootstrapping-ը հարմար է փոքր նմուշների համար, ավելի բարդ և ճշգրիտ գնահատումների համար ավելի լավ է օգտագործել ավելի մեծ տվյալներ:

Ամփոփում

Bootstrapping-ը ֆինանսների ոլորտում հզոր և ճկուն գործիք է ռիսկերի գնահատման, բաշխման պարամետրերի կանխատեսման և վերլուծության համար, հատկապես անորոշության պայմաններում: Այն արտադրում է ավելի ճշգրիտ և իրատեսական արդյունքներ՝ առանց տվյալների նորմալության վերաբերյալ խիստ ենթադրությունների՝ դարձնելով այն իդեալական բարդ և անկայուն ֆինանսական շուկաներում օգտագործելու համար:

АЗБУКА