UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY ODHAD VÝŠKY DÔCHODKOV V DVOJPILIEROVOM Bc.
|
|
- ÍΕρρίκος Μιχαλολιάκος
- 8 χρόνια πριν
- Προβολές:
Transcript
1 UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY ODHAD VÝŠKY DÔCHODKOV V DVOJPILIEROVOM SYSTÉME DIPLOMOVÁ PRÁCA 2016 Bc. Matej Ječmen
2 UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY ODHAD VÝŠKY DÔCHODKOV V DVOJPILIEROVOM SYSTÉME DIPLOMOVÁ PRÁCA Študijný program: Študijný odbor: Školiace pracovisko: Vedúci práce: Ekonomická a finančná matematika 1114 Aplikovaná matematika Katedra aplikovanej matematiky a štatistiky doc. Mgr. Igor Melicherčík, PhD. Bratislava 2016 Bc. Matej JEČMEN
3 Univerzita Komenského v Bratislave Fakulta matematiky, fyziky a informatiky ZADANIE ZÁVEREČNEJ PRÁCE Meno a priezvisko študenta: Študijný program: Študijný odbor: Typ záverečnej práce: Jazyk záverečnej práce: Sekundárny jazyk: Bc. Matej Ječmen ekonomická a finančná matematika (Jednoodborové štúdium, magisterský II. st., denná forma) aplikovaná matematika diplomová slovenský anglický Názov: Cieľ: Odhad výšky dôchodkov v dvojpilierovom systéme. Estimation of pensions in the two-pillar system. Práca nadviaže na výsledky dynamického modelu sporenia v druhom pilieri slovenského dôchodkového systéme. Výška dôchodku sa bude posudzovať komplexne spolu s dôchodkom z prvého piliera. Vedúci: Katedra: Vedúci katedry: Dátum zadania: doc. Mgr. Igor Melicherčík, PhD. FMFI.KAMŠ - Katedra aplikovanej matematiky a štatistiky prof. RNDr. Daniel Ševčovič, CSc. Dátum schválenia: prof. RNDr. Daniel Ševčovič, CSc. garant študijného programu študent vedúci práce
4 Pod akovanie Touto formou by som sa chcel pod akovat svojmu vedúcemu, Doc. Mgr. Igor Melicherčíkovi, Phd. za jeho odborný prístup, nápady a rady k mojej diplomovej práci ako aj za jeho ochotu a čas. Taktiež by som sa chcel pod akovat mojej rodine a priatel om za podporu a trpezlivost.
5 Abstrakt v štátnom jazyku JEČMEN, Matej: Odhad výšky dôchodkov v dvojpilierovom systéme [diplomová práca], Univerzita Komenského v Bratislave, Fakulta matematiky, fyziky a informatiky, Katedra aplikovanej matematiky a štatistiky; školitel : doc. Mgr. Igor Melicherčík, PhD., Bratislava, 2016, 76 s. Táto práca sa venuje problematike dvojpilierového dôchodkového systému a optimálneho sporenia v ňom. Ciel om je nadviazat na výsledky dynamického modelu sporenia v druhom pilieri a model rozšírit aj o dôchodok získaný z prvého piliera. V práci skúmame aké sú optimálne hodnoty pomeru rozdelenia úspor do garantovaného a negarantovaného fondu v rôznych situáciách ako aj výslednú nasporenú čiastku v čase odchodu na dôchodok. Výsledky d alej porovnávame so scenármi, v ktorých sme zmenili niektorý parameter a skúmame dopad zmeny parametra na výšku dôchodku. Odhadnutú výšku nasporených prostriedkov z obidvoch pilierov následne porovnávame s prípadom, ked sporíme len v prvom pilieri. To nám umožňuje odhadnút pravdepodobnost, že vstupom do druhého piliera budeme mat vyšší dôchodok. Kl účové slová: úloha stochastického optimálneho riadenia, úmrtnostné tabul ky, dôchodkové sporenie, CIR model, prvý a druhý dôchodkový pilier, garantovaný a negarantovaný fond, optimálne rozdelenie úspor
6 Abstrakt v cudzom jazyku JEČMEN, Matej: Estimation of pensions in the two-pillar system. [master thesis], Comenius University in Bratislava, Faculty of Mathematics, Physics and Informatics, Department of Applied Mathematics and Statistics; Supervisor: doc. Mgr. Igor Melicherčík, PhD., Bratislava, 2016, 76 pages. This thesis focuses on the two-pillar pension system and optimal savings in mentioned system. Aim of the thesis is to build on the results of the dynamic model of savings in the second pillar and enhance the model by pension gained from the first pillar. In the thesis we study ratios of optimal division between guaranteed and nonguaranteed fund in distinct situations as well as level of savings at retirement age. Next we compare results with scenarios where the value of certain parameter has changed and we study the impact of the change on the amount of pension. Subsequently we copmpare estimated amount of savings from both pillars with situation when saving is done in the first pillar only. This enables us to estimate the probability that entry into the second pillar grants us higher pension. Keywords: stochastic optimal control problem, mortality tables, retirement savings, CIR model, the first and the second pension pillar, guaranteed and non-guaranteed fund, optimal allocation of savings
7 OBSAH 7 Obsah Úvod 9 1 Úvod do teórie optimálneho riadenia Štandardná úloha optimálneho riadenia Riešenie úlohy optimálneho riadenia Stochastická úloha dynamického programovania Pravidlá sporenia v I. a II. dôchodkovom pilieri Sporenie v prvom pilieri Sporenie v druhom pilieri Zostavenie modelu 20 4 Numerické riešenie úlohy Charakteristika úlohy Optimalizácia v čase T Generovanie simulácií Optimalizácia v ostatných časoch Odhad užitočnosti pomocou interpolácie Odhad užitočnosti pomocou extrapolácie Hodnoty použitých parametrov Výpočet odhadu nasporenej čiastky Výsledky Analýza referenčného scenára Analýza citlivosti na zmenu parametrov Zahrnutie zákonného ohraničenia v posledných 10 rokoch sporenia Sporenie v druhom pilieri v kratšom období ako je doba sporenia Vplyv úrovne vzdelania na výšku nasporených prostriedkov Vplyv volatility negarantovaného fondu na výsledky Zmena výšky príspevkov do druhého piliera Vplyv vol by obdobia z ktorého čerpáme dáta inflácie
8 OBSAH Scenár so zmenenou averziou k riziku Vplyv maximálnej hodnoty úrokovej miery pri numerickom výpočte Scenár s odlišnou úrokovou mierou na začiatku sporenia Zhrnutie výsledkov Záver 69 Zoznam použitej literatúry 71 Príloha A 73
9 ÚVOD 9 Úvod Podl a zákona je každá samostatne zárobkovo činná osoba povinná odvádzat čast zo svojho príjmu na dôchodkové sporenie. Často však dochádza ku rôznym zmenám pravidiel dôchodkového sporenia. Najväčšou zmenou za posledné obdobie bola reforma platná od roku 2004, ktorá priniesla zavedenie druhého (a tretieho) dôchodkového piliera. Pre l udí odvádzajúcich príspevky do sociálnej poist ovne to znamenalo možnost ovplyvnit výšku starobného dôchodku po dosiahnutí dôchodkového veku, ktorý sa upravil na 62 rokov pre obe pohlavia. Dostali možnost výberu, či celú výšku príspevkov na dôchodkové sporenie vložia do priebežného prvého piliera alebo tieto príspevky rozložia v pomere definovanom podl a zákona do prvého a druhého zásluhového piliera. V rámci druhého piliera má sporitel navyše možnost rozhodnút, do ktorého, respektíve ktorých dvoch (pričom jeden z nich musí byt garantovaný), zo 4 fondov budú investované prostriedky v druhom pilieri. Na rozdiel od prvého piliera, výška dôchodku z druhého piliera nie je daná podl a exaktného vzorca, ale závisí od výkonnosti fondov, v ktorých máme investované svoje úspory. Ciel om každého sporitel a je mat čo najvyšší dôchodok, preto je potrebné vykonat počas sporenia také kroky, ktorých výsledkom bude maximalizácia nasporenej čiastky pri určitej averzii k riziku sporitel a. Obsahom práce je formulácia a následné riešenie úlohy optimálneho riadenia pre hl adanie optimálnej stratégie sporenia v prípade, že sa sporitel rozhodne sporit v prvom aj v druhom pilieri. Výsledkom je pomer optimálneho rozloženia finančných prostriedkov medzi garantovaný, predstavujúci najbezpečnejší, ale aj najmenej výnosný fond a negarantovaný fond, ktorý dosahuje vyšší očakávaný výnos, avšak s väčším rizikom. Optimálny pomer závisí od veku sporitel a, aktuálne nasporenej čiastky a aktuálnej úrokovej miere. Prínosom tejto práce je rozšírenie modelu oproti [13] aj o dôchodok získaný z prvého piliera. To má za následok komplexnejší pohl ad na sporenie, pretože sporitel a nezaujíma aký dôchodok získa z ktorého piliera, ale to, aká bude celková výška jeho dôchodku. Sporitel tak nemaximalizuje výšku užitočnosti z dôchodku len z druhého piliera, ale zo súčtu dôchodkov z prvého aj druhého piliera. Ďalším prínosom práce je porovnanie dôchodkov so sporením len v prvom pilieri. Čitatel tak má možnost nahliadnut ako výhodný je vstup do druhého piliera pri rôznych
10 ÚVOD 10 hodnotách parametrov ako aj na očakávanú výšku nasporených prostriedkov. Prvá kapitola práce oboznamuje čitatel a so základmi teórie optimálneho riadenia a postupom riešenia úloh, ktoré sú použité pri riešení problému. V druhej kapitole sa zaoberáme princípmi sporenia v prvom aj v druhom pilieri. Obsahuje výpočet dôchodku z prvého piliera a obmedzenia, ktoré prináša sporenie v druhom pilieri. V d alšej kapitole je uvedený model maximalizujúci výšku dôchodku podl a sporitel ovej averzie k riziku ako aj jeho odvodenie. Numerický postup riešenia je ilustrovaný v štvrtej kapitole. Uvádzame v nej aj parametre použité v scenári, voči ktorému sme porovnávali výsledky. Samotné výsledky sú popísané v záverečnej kapitole.
11 11 1 Úvod do teórie optimálneho riadenia V úvodnej kapitole si zhrnieme teoretické poznatky, ktoré využijeme pri riešení nášho problému. Pozrieme sa na teóriu optimálneho riadenia, ktorú budeme čerpat z [2]. 1.1 Štandardná úloha optimálneho riadenia Majme k etáp, ktoré si označíme i = 0, 1, 2,..., k 1, v ktorých vždy dosiahneme určitý stav x i X i. Navyše sa v každej z týchto etáp robíme rozhodnutie u i U i. Dvojica hodnôt [x i, u i ] ovplyvňuje to, do akého stavu sa dostaneme v i + 1-ej etape. Platí teda x i+1 = f i (x i, u i ). Našim ciel om je nájst takú postupnost riadení U = {u 0, u 1,..., u k 1 }, z ktorej dostaneme postupnost stavov X = {x 0, x 1,..., x k 1 }, ktorá by viedla ku maximalizácií, respektíve minimalizácií našej účelovej funkcie. Tá býva v tvare súčtu výnosov f 0 i (x i, u i ) závislého od daného stavu x i a zvoleného riadenia u i v jednotlivých etapách i = 0, 1, 2,..., k 1. Taktiež sa vyskytujú úlohy, kde hodnota účelovej funkcie je závislá len od stavu, do ktorého sa dostaneme v etape k, teda od x k, alebo je súčtom obidvoch spomenutých možností. Vždy vychádzame z vopred daného stavu x 0 = a, pričom môžeme mat ohraničenie aj na koncový stav x k C. Dostávame sa tak ku štandardnému tvaru úlohy optimálneho riadenia, ktorý vieme zapísat nasledovne. k 1 max u i U i i=0 fi 0 (x i, u i ) (1) x i+1 = f i (x i, u i ) (2) x 0 = a (3) x k C (4) x i X i (5) kde i = 0, 1, 2,..., k 1. Ked že máme na stavové aj riadiace premenné zadané určité podmienky (u i U i, (4) a (5)), optimálnu hodnotu účelovej funkcie musíme hl adat len medzi takými postupnost ami riadení, pri ktorých budú tieto podmienky splnené. Množinu takýchto postupností nazveme triedou prípustných riadení a označíme ho P. Tým pádom môžeme hodnotu účelovej funkcie vyjadrit ako funkciu závislú od U. k 1 J (U) = fi 0 (x i (U), u i ) i=0
12 1.1 Štandardná úloha optimálneho riadenia 12 Tým, že maximalizujeme účelovú funkciu za podmienky, že riadenie je prípustné, môžeme účelovú funkciu prepísat do nasledovného tvaru. max J (U) U P V prípade, že by sme hl adali minimum účelovej funkcie, vieme úlohu previest do štandardného tvaru tak, že budeme maximalizovat opačnú hodnotu pôvodnej účelovej funkcie. Optimálne riadenie nám pri takejto transformácii úlohy vyjde rovnaké, rozdiel bude len v opačnej hodnote účelovej funkcie v optime. Pri niektorých úlohách sa môžeme stretnút s tým, že ohraničenia u i U i alebo (5) chýbajú. Vtedy hovoríme o úlohách bez ohraničení na riadenie, respektíve stav. Príslušné množiny U i a X i sú vtedy zhodné s množinou hodnôt definičného oboru funkcií f 0 i (x i, u i ) a f i (x i, u i ). Ak nám chýba ohraničenie (4), jedná sa o úlohu s vol ným koncom. V prípade, že množina C v (4) obsahuje len jeden bod, hovoríme, že úloha má pevný koniec. Ak nemáme úlohu s vol ným, ani s pevným koncom, hovoríme jej úloha s čiastočne pevným koncom. Príkladom na úlohu s čiastočne pevným koncom je, ak je množina C nejaký interval v prípade jednorozmernej stavovej premennej. Samozrejme, stavová ako aj riadiaca premenná môžu byt nielen jednorozmerné, ale aj viacrozmerné premenné. Spomínali sme, že v účelovej funkcií nemusí byt len súčet výnosov v jednotlivých etapách, tak ako máme v štandardnej úlohe v (1), kedy sa jedná o Lagrangeovu úlohu. Účelová funkcia môže byt navyše závislá od koncového stavu, kedy je v tvare k 1 i=0 f 0 i (x i, u i ) + φ(x k ), pričom φ je daná funkcia, a nazýva sa úlohou v Bolzovom tvare. Ak je hodnota účelovej funkcie závislá len od koncového stavu φ(x k ), hovoríme o úlohe v Mayerovom tvare. Dôvod prečo je štandardný tvar úlohy optimálneho riadenia len v Lagrangeovom tvare je ten, že úlohy s jednotlivými tvarmi sa dajú navzájom na seba previest, čo si aj ukážeme. Tým, že účelová funkcia pri Bolzovom tvare je súčtom účelových funkcií Lagrangeového a Mayerovho tvaru, stačí nám ukázat, že z Mayerovho tvaru vieme dostat Lagrangeov a naopak. Ak teda chceme previest úlohu z Mayerovho tvaru na Lagrangeov, všetky funkcie f 0 i f 0 k 1 bude definovaná nasledovne. pre i = 0, 1, 2,..., k 2 budú rovné 0 a funkcia f 0 k 1(x k 1, u k 1 ) = φ(x k ) = φ(f k 1 (x k 1, u k 1 )) Pri prevádzaní úlohy z Lagrangeového tvaru na Mayerov musíme vytvorit novú stavovú
13 1.2 Riešenie úlohy optimálneho riadenia 13 premennú y. Jej počiatočná hodnota je vždy 0 a v každej etape je navýšená o hodnotu výnosu v príslušnej etape. Hodnota účelovej funkcie bude rovná stavu y k. max y k y i+1 = y i + f 0 i (x i, u i ) y 0 = Riešenie úlohy optimálneho riadenia Najskôr si uvedieme definície niektorých pojmov z [2], z ktorých sa dá odvodit riešenie úlohy optimálneho riadenia. ˆ Úloha optimálneho prechodu zo stavu x do množiny C v etapách j, j + 1,..., k, ktorú označíme D j (x): kde i = j, j + 1,..., k 1. k 1 max J j (x, U j ) = max fi 0 (x i, u i ) u i U i u i U i i=j x i+1 = f i (x i, u i ) x j = x x k C x i X i ˆ Trieda prípustných riadení úlohy D j (x), ktorú označíme P j (x) - je to množina postupností riadení U = {u j, u j+1,..., u k 1 } pre ktoré sú splnené všetky ohraničenia úlohy D j (x). ˆ Γ j (x) označíme množinu takých riadení u j, pre ktoré existuje U = {u j, u j+1,..., u k 1 } P j (x). ˆ Hodnotová funkcia V j (x) V j (x) = max J j(x, U j ) U j P j (x) Podl a Lemmy v [2, str. 32] pre každé x X j a j [0, k 2] platí U j = {u j, u j+1,..., u k 1 } P j (x) práve vtedy, ked u j Γ j (x) a zároveň U j+1 = {u j+1, u j+2,..., u k 1 } P j+1 (x).
14 1.2 Riešenie úlohy optimálneho riadenia 14 Pre účelovú funkciu navyše platí: J j (x, U ) = f 0 j (x, u j ) + J j+1 (f j (x, u j ), U j+1 ) Z nej je v [2, str. 33] vyvodený dôsledok, ktorý nám hovorí, že pre všetky j [0, k 2], x X j a ū j Γ j (x) platí nasledovná rovnost. P j+1 (f j (x, ū j )) = {U j+1 : {ū j, U j+1 } P j (x)} Ďalej je použitý predpoklad, pre všetky j [0, k 1] a x X j platí, že v prípade existencie prípustného riadenia úlohy D j (x) existuje aj optimálne riadenie Ûj, pre ktoré platí: max J j(x, U j ) = J j (x, Ûj) U j P j (x) Z toho sa dá dostat ku rovnici dynamického programovania, ktorá je nutnou ako aj postačujúcou podmienkou optimality. Jej odvodenie je uvedené v [2, str. 34]. V j (x) = max u Γ j (x) [f 0 j (x, u) + V j+1 (f j (x, u))] (6) kde x X j pre j = 0, 1,..., k 1, pričom 0, ak x C V k (x) =, ak x / C V prípade, že nechceme transformovat úlohu v Mayerovom, respektíve Bolzovom tvare do Lagrangeovho tvaru, hodnotová funkcia V k (x) má nasledovný tvar: φ(x), ak x C V k (x) =, ak x / C Výsledkom riešenia (6) v j-tej etape je funkcia nazývaná optimálna spätná väzba ˆΓ j (x), ktorá nám hovorí aké riadenie je v j-tej etape optimálne v závislosti od stavu x. Na základe toho vieme d alej dopočítat hodnotovú funkciu V j (x) a použit ju pri výpočte (6) v j 1-ej etape. Takýmto spôsobom sa dostávame od hodnotovej funkcie v k-tej etape (7), respektíve (8) až do 0-tej etapy. Riešime tak namiesto jednej zložitej úlohy (1) - (5) k jednoduchších (6) pri počiatočných podmienkach (7), respektíve (8). Pri numerickom riešení úlohy (1) - (5) sa taktiež využíva rovnica dynamického programovania, avšak problém nastáva v prípade spojitej riadiacej alebo stavovej premennej. V takom prípade sa využíva diskretizácia premennej, čo znamená, že uvažujeme len konečný počet prípustných hodnôt stavov, respektíve riadení. (7) (8)
15 1.3 Stochastická úloha dynamického programovania Stochastická úloha dynamického programovania Stochastickou úlohou dynamického programovania sa myslí úloha optimálneho riadenia, kde vystupuje aj nejaká náhodná premenná, ktorej rozdelenie dopredu poznáme. Vo všeobecnosti môže mat táto náhodná premenná v každej etape iné rozdelenie. Náhodnost môže ovplyvňovat to, do akého stavu sa dostaneme v nasledujúcej etape (teda je súčast ou funkcie f v (2)) alebo ovplyvňuje výnos v danej etape (funkciu f 0 v (1)). Druhým rozdielom medzi stochastickou a deterministickou úlohou optimálneho riadenia je účelová funkcia. Ked že nepoznáme stav, do ktorého sa v nasledujúcej etape dostaneme, respektíve výnos v danej etape, budeme sa snažit maximalizovat strednú hodnotu súčtu výnosov v jednotlivých etapách. Navyše oproti deterministickej úlohe vypadnú ohraničenia na stavové premenné, pretože vplyvom náhodnosti by sme sa mohli dostat do neprípustného stavu. Dostávame tak nasledovný tvar úlohy, kde z i je náhodná premenná. k 1 max E fi 0 (x i, u i, z i ) (9) u i U i i=0 x i+1 = f i (x i, u i, z i ) (10) x 0 = a (11) z i Z i (12) Pri úlohe v Mayerovom tvare je maximalizovaná účelová funkcia v tvare E(φ(x k )), ( k 1 ) pri Bolzovom tvare má účelová funkcia tvar E i=0 f i 0 (x i, u i, z i ) + φ(x k ). Spôsob riešenia stochastickej úlohy optimálneho riadenia (9) - (12) sa taktiež realizuje cez rovnicu dynamického programovania. Jej tvar je však mierne odlišný ako pri deterministickej úlohe, ked že sa líšia v účelovej funkcii. V j (x) = max u U j E(f 0 j (x, u, z j ) + V j+1 (x, u, z j )) (13) Ked že nemáme ohraničenie na koncový stav, V k = 0 pre všetky hodnoty x k. V prípade Bolzovho, respektíve Mayerovho tvaru máme V k = φ(x k ).
16 2 Pravidlá sporenia v I. a II. dôchodkovom pilieri Každý sporitel, ktorý si sporí v prvom aj v druhom pilieri, bude dostávat dôchodok z dvoch zdrojov, prvého a druhého piliera. To znamená, že dôchodok, ktorý dostane bude súčtom dôchodkov z oboch pilierov Sporenie v prvom pilieri Výška mesačného dôchodku P sa dá vypočítat použitím vzorca (14), ktorý je použitý aj v zákone. P = ADH k N P OMB (14) N predstavuje počet rokov, počas ktorých sporitel prispieva do sociálnej poist ovne. P OM B alebo priemerný osobný mzdový bod je priemerná hodnota osobných mzdových bodov za obdobie prispievania. Osobný mzdový bod je pomer hrubého príjmu v danom roku ku priemernej mzde v tom istom roku. To znamená, že ak je náš príjem 1000 mesačne a priemerná mzda v roku 2015 bola podl a [6] 882, osobný mzdový bod bude pre tento rok 1000/882=1,134. Obmedzením je, že na hodnotu P OMB vyššiu ako 3 sa neprihliada, a teda maximum je P OMB = 3. V prípade P OMB menšieho ako 1 alebo väčšieho ako 1,25 sa na výpočet dôchodku použije upravená hodnota P OMB. Ak je nižší ako 1, je podl a [8] navýšený o rozdiel skutočného P OMB a 1 prenásobený hodnotou, ktorá sa každoročne zvyšuje od roku 2013 zo 17% o 1% až do roku 2018, kedy dosiahne 22%. Ak je hodnota P OMB vyššia ako 1,25, P OMB je naopak znížený o rozdiel P OM B 1,25 prenásobený každoročne sa znižujúcim koeficientom od roku 2013 z 80% o 4% až na hodnotu 60% v roku Aktuálna dôchodková hodnota ADH k je peňažná hodnota jedného mzdového bodu v roku k. Toto číslo je každoročne určované podl a zákona v závislosti na vývoji priemernej mzdy. Pre človeka, ktorý celý život sporí iba v prvom pilieri a jeho osobný mzdový bod je počas života konštantný, má po dosiahnutí dôchodkového veku pri príslušnej aktuálnej dôchodkovej hodnote dôchodok približne na úrovni 50% svojej poslednej mzdy. Pre rok 2015 je podl a [7] aktuálna dôchodková hodnota na úrovni 10,6865, pre rok 2016 je stanovená na 10,9930. Vzorec (14) vychádza zo vzorca (15), kde je namiesto priemerného osobného mzdového bodu prenásobeného počtom odpracovaných rokov použitý súčet osobných mzdových
17 2.2 Sporenie v druhom pilieri 17 bodov OMB i pre i = 1, 2, 3,..., N. P = N OMB i ADH k (15) i=1 Vzorce (14) a (15) však môžeme použit v takomto tvare len v prípade sporenia len v prvom pilieri, kedy celých 18% odvodov na dôchodok ide do prvého piliera. V prípade, že si sporitel sporí aj v druhom pilieri, je vel kost odvodov do sociálnej poist ovne nižšia o príspevky do druhého piliera. Nemôže preto očakávat, že dôchodok získaný z prvého piliera bude rovnaký ako keby sporil iba v prvom pilieri. To sa dá docielit tak, že osobný mzdový bod v i-tom roku bude prenásobený pomerom príspevku do prvého piliera ku príspevkom do oboch pilierov. Vel kost príspevkov do prvého piliera označíme d (1) i, do druhého d (2) i, pričom tieto čísla vyjadrujú aká čast z príjmu ide do ktorého piliera. Podl a zákona teda aktuálne platí d (1) i + d (2) i = Dostávame tak vzorec (16) pre výpočet mesačného dôchodku z prvého piliera pri sporení v druhom pilieri. P = N d (1) i OMB i ADH i=1 d (1) i + d (2) k (16) i 2.2 Sporenie v druhom pilieri Na rozdiel od prvého piliera, dôchodok z druhého piliera si dopredu vypočítat nevieme. Naše peniaze sú investované do rôznych akcií, respektíve dlhopisov a výnos z nich je náhodný. Hoci nepoznáme stav výnosu z druhého piliera, vieme aspoň nasimulovat rôzne scenáre vývoja našej investície a odhadnút rozdelenie nasporenej čiastky v čase odchodu na dôchodok. Ako sporitelia v druhom pilieri máme právo vybrat si, do akých cenných papierov budú investované naše peniaze. Na výber sú štyri druhy fondov, ktoré sa líšia výnosom, ale aj rizikovost ou. Najbezpečnejšou investíciou je vloženie peňazí do garantovaného dlhopisového fondu, avšak aj výnos je najnižší. Zvyšné 3 fondy sa spoločne nazývajú negarantovanými fondmi a líšia sa výnosnost ou ako aj rizikovost ou. Vyšší výnos, ale aj riziko, ako pri garantovanom fonde sa dá dosiahnut investíciou do zmiešaného fondu, kde fond pozostáva zmiešaný z akcií a dlhopisov. Ďalej nasleduje akciový fond, kde prevládajú akcie, a teda dosahuje ešte vyšší výnos aj riziko. Najvýnosnejším a najrizikovejším fondom je indexový fond, kde sú úspory investované do portfólia sledujúceho určitý index. Okrem toho má sporitel možnost vložit investície do dvoch
18 2.2 Sporenie v druhom pilieri 18 zo spomínaných fondov a peniaze rozložit v l ubovol nom pomere, avšak jeden z nich musí byt garantovaný fond. Zákon však obmedzuje investície do negarantovaných fondov v posledných 10 rokoch pred odchodom na dôchodok. V 52. roku života je sporitel povinný mat minimálne 10% svojich úspor investovaných v garantovanom fonde a každý d alší rok sa táto povinnost navyšuje o d alších 10% až do 61. roku, kedy už musí byt celá suma investovaná v garantovanom fonde. Posledný rok pred dôchodkovým vekom tak už sporitel nerozhoduje o svojich úsporách. Existuje však výnimka, kedy po písomnom oznámení sporitel a je možné mat v garantovanom fonde o polovicu menej majetku ako prikazuje zákon. Tým pádom je sporitel povinný mat v 52. roku života najmenej 5% svojich úspor investovaných v garantovanom fonde a každý d alší rok sa táto hranica zvyšuje o 5%. Posledný rok pred dôchodkovým vekom je v tomto prípade minimálne 50% v garantovanom fonde. Ďalším rozdielom sporenia v druhom pilieri je možnost zvolit si spôsob vyplácania nasporenej čiastky. Najbežnejším spôsobom je nákup doživotného dôchodku, čo znamená, že si sporitel vyberie poist ovňu, ktorá mu bude vyplácat tento dôchodok z druhého piliera. Ďalej je potrebné určit si podmienky ako sa bude dôchodok vyplácat. Dôchodok môže byt počas doby poberania konštantný, ale taktiež je možné zvyšovanie dôchodku o vopred dohodnutú sumu. Čím je dohodnutý rast dôchodku vyšší, tým je počiatočná výška dôchodku nižšia. Navyše je možné mat dôchodok aj s pozostalostným dôchodkom, ktorý sa vypláca dedičom po dobu jedného alebo dvoch rokov po smrti sporitel a v rovnakej výške ako keby nezomrel. Ak by sme si zvolili takýto dôchodok, jeho výška bude nižšia ako v prípade, že by neobsahovala pozostalostný dôchodok. Zo zákona je však možné zdedit dôchodok, ktorý nebol dôchodcovi vyplatený do siedmeho roku od vstupu na dôchodok, v dôsledku jeho smrti a to bez ohl adu na to, či si sporitel zvolil dôchodok s pozostalostným dôchodkom alebo bez neho. V prípade, že nie je použitá celá nasporená suma na nákup doživotného dôchodku, je možné tieto peniaze bud vybrat - programový výber alebo použit na zakúpenie dočasného dôchodku. Dočasný dôchodok je možné nakúpit za zostatkové úspory v druhom pilieri na 5, 7 alebo 10 rokov. V prípade úmrtia sporitel a počas poberania dočasného dôchodku nepodlieha nevyplatená čast dedeniu. Právo na uplatnenie nevyužitých úspor majú len tí sporitelia, ktorí splnia zároveň obe z nasledovných pod-
19 2.2 Sporenie v druhom pilieri 19 mienok: ˆ súčet doživotných dôchodkov z prvého aj druhého piliera musí byt väčší ako dôchodok, ktorý by mal človek sporiaci 42 rokov, nevstúpil do druhého piliera a jeho priemerný osobný mzdový bod je rovný 1,25. ˆ súčet doživotných dôchodkov z prvého aj druhého piliera musí byt väčší ako dôchodok, ktorý by sme mali, ak by sme nesporili v druhom pilieri.
20 20 3 Zostavenie modelu Pre účely nášho modelu budeme uvažovat sporenie v garantovanom a jednom negarantovanom fonde druhého piliera. S garantovaným fondom počítat musíme, pretože podl a zákona je povinnost mat nejakú čast úspor v garantovanom fonde v posledných desiatich rokoch sporenia. Tento fond predstavuje najbezpečnejšiu, ale zároveň aj najmenej výnosnú vol bu. Ako výnosnejšiu a rizikovejšiu alternatívu použijeme negarantovaný fond. Pre popísanie správania sa negarantovaného fondu budeme používat dva parametre, strednú hodnotu výnosnosti v danom fonde a jeho volatilitu. Výnos v garantovanom fonde závisí od vývoja úrokovej miery. Na odhad správania sa úrokovej miery existuje niekol ko modelov, my použijeme odhad založený na CIR modeli. Sporenie v druhom pilieri spočíva v tom, že každý mesiac odvádzame čast príjmu do dôchodcovskej správcovskej spoločnosti čast zo svojho príjmu. Tá podl a nášho rozhodnutia investuje naše úspory do daného fondu, respektíve do zvolených dvoch fondov v nami určenom pomere. Tento pomer ako aj fondy, do ktorých investujeme môžeme kedykol vek zmenit. Ciel om zmeny môže byt bud očakávanie vyššieho výnosu pri zvolení inej kombinácii fondov alebo snaha o zníženie rizikovosti alebo ku zmene dôjde v dôsledku zákonného obmedzenia počas posledných 10 rokoch sporenia, čo však my ovplyvnit nevieme. Hoci zmeny sú možné kedykol vek, pri nezmenenom vývoji fondov nie je pravdepodobné aby sporitel mal záujem menit parametre sporenia každý mesiac alebo častejšie. V prípade náhlej výraznej zmeny výnosnosti, prípadne volatility je možné zmenit vstupné parametre modelu spravit nový prepočet kedykol vek počas sporenia. Má preto zmysel uvažovat zjednodušenie, že právo na rozhodnutie o parametroch sporenia máme každý rok a aj odvody zo mzdy sa uhrádzajú ročne. Znamená to, že sa v našom modeli úspory každý rok zúročia podl a výkonnosti daných fondov a rozhodnutia o rozdelení z roka predchádzajúceho. Navyše sa k tejto sume pripočítajú odvody za posledný rok a sporitel opät rozhoduje ako rozdelí svoje úspory v roku nasledujúcom. V modeli použijeme rovnaké označenia a myšlienky odvodenia ako v [5]. Hodnota úspor v roku t bude teda označená ako s t, ročná mzda v roku t ako w t, percentuálna čast príspevkov do druhého piliera zo mzdy v roku t ako τ t, výnos z garantovaného fondu počas t-teho roka ako R b (t 1, t), výnos z negarantovaného fondu počas t-teho roka ako R s (t 1, t) a pomer rozdelenia úspor medzi garantovaný a negarantovaný fond v
21 21 roku t ako δ t. Dostávame rekurentný vzorec stavu našich úspor (17). s t+1 = s t ( δt+1 exp(r b (t, t + 1)) + (1 δ t+1 ) exp(r s (t, t + 1)) ) + τ t+1 w t+1 (17) Sporit začíname s prázdnym účtom, preto počiatočná podmienka bude (18). s 0 = 0 (18) Počiatočnú podmienku (18) s použitím (17) vieme prepísat do tvaru (19). s 1 = τ 1 w 1 (19) Snahou sporitel a bude aby mal čo najväčší dôchodok. Spôsobov ako môžu byt vyplatené naše úspory v druhom pilieri je viacero, preto je nutné aby sa náš model slúžiaci na optimálne sporenie v druhom pilieri dal použit v prípade zvolenia akejkol vek stratégie vyplácania úspor. Táto podmienka bude splnená, ak sa budeme snažit maximalizovat nasporenú sumu s N v poslednom N-tom roku. Čo však sporitel a zaujíma viac ako celková nasporená suma s t, je pomer tejto sumy k jeho poslednej ročnej mzde d t = st w t. Toto číslo mu hovorí to, na akú dlhú dobu by mu tieto úspory vystačili, ak by chcel zostat na rovnakej životnej úrovni akú mal v poslednom roku sporenia. Pri takomto vyjadrení množstva úspor navyše nebude potrebné zadávat ako parameter výšku mzdy w t. Ak medziročný rast mzdy w t+1 w t nový rekurentný predpis a počiatočnú podmienku. 1 medzi rokmi t a t + 1 označíme β t, dostaneme δ t+1 exp(r b (t, t + 1)) + (1 δ t+1 ) exp(r s (t, t + 1)) d t+1 = d t + τ t+1 (20) 1 + β t d 1 = τ 1 (21) Rast mzdy závisí vo vel kej miere od najvyššieho dosiahnutého vzdelania. Dáta s vypočítaným kariérnym rastom, ktoré máme k dispozícii, sú očistené o infláciu, preto rast mzdy bude závisiet aj od nej. Namiesto výrazu 1 + β t preto použijeme súčin (1 + β v t )(1 + β c t ), kde β c t predstavuje rast našej mzdy voči priemernej mzde (a teda aj osobného mzdového bodu) medzi rokmi t a t + 1 vplyvom kariérneho rastu a β v t medzi rokmi t a t + 1. popisuje zmenu inflácie d t+1 = δ t+1 exp(r b (t, t + 1)) + (1 δ t+1 ) exp(r s (t, t + 1)) d t + τ (1 + βt v )(1 + βt c t+1 ) (22) d 1 = τ 1 (23)
22 22 Každý sporitel má záujem o čo najväčší dôchodok, avšak odlišujú sa ochotou riskovat. Tým pádom potrebujeme do modelu zahrnút parameter, ktorý by určoval sporitel ovu averziu k riziku. Preto je vhodné použit v účelovej funkcii optimalizačnej úlohy funkciu užitočnosti, ktorej strednú hodnotu budeme maximalizovat. Pre náš model si zvolíme funkciu užitočnosti CRRA, ktorá je v tvare (24), kde a > 0 je parameter určujúci averziu k riziku. Čím je a väčšie, tým je ochota riskovat menšia. d 1 a, ak a (0, 1) U = ln(d), ak a = 1 (24) d 1 a, ak a > 1. Účelová funkcia by teda bola v tvare (25). max E(U(d N )) (25) δ V tomto modeli máme však zahrnutú len nasporenú sumu v druhom pilieri, vyjadrenú v počte ročných platov. Dopredu si vieme vypočítat očakávaný dôchodok z prvého piliera, ale problémom je, že dôchodok z neho je vždy vyplácaný mesačne a počet výplat je závislý na tom ako dlho budeme žit. Nevieme preto určit, kol ko ročných platov c získame z prvého piliera. Ak by sa nám podarilo vymysliet spôsob ako odhadnút číslo c, v účelovej funkcii modelu by sme mohli k počtu ročných platov nasporených v druhom pilieri pripočítat c a následne z tohto súčtu maximalizovat strednú hodnotu užitočnosti. max E(U(d N + c)) (26) δ Prvou možnost ou ako odhadnút c je odhadnút vek, ktorého sa dožijeme podl a toho ako sa cítime a na základe toho dopočítat dôchodok, ktorý by sme v takomto prípade dostali. Odhadovat však vek takýmto spôsobom, ktorého sa dožijeme v 25 rokoch, by sa dalo prirovnat hádaniu čísel, ktoré padnú v lotérii. Samozrejme, pokial je badatel né zhoršenie nášho zdravotného stavu, odhad náš môže byt reálny. My sa však pozrieme na spôsob zodpovedajúci spravodlivému oceneniu anuity - dôchodku z prvého piliera. Na tento výpočet budeme potrebovat aktuálne úmrtnostné tabul ky na Slovensku z [12]. Tie nám udávajú aká je pravdepodobnost úmrtia pre daný vek, čo môžeme využit na výpočet hustoty veku úmrtia l udí na Slovensku. Takisto je možné rozlišovat pohlavie
23 23 alebo počítat z tabuliek, ktoré hovoria o pravdepodobnosti úmrtia nezohl adňujúcich pohlavie. Na základe vypočítanej hustoty vieme určit priemerný vek úmrtia. Ked že k peniazom z prvého aj druhého piliera sa dostaneme až dosiahnutím dôchodkového veku, zaujíma nás priemerný vek úmrtia za podmienky, že sa dožijeme minimálne dôchodkového veku. V prípade úmrtia pred dosiahnutím tohto veku nezískavame zo sporenia nič bez ohl adu na to aké rozhodnutia sme počas prispievania vykonali. Nasporená suma z druhého piliera síce vstupuje do dedičného konania a taktiež môžu pozostalí poberat pozostalecký dôchodok, ale tým, že my, ako zosnulí, z nej už nedostaneme nič, nebudeme túto skutočnost zahŕňat do nášho modelu. Tým, že v úmrtnostných tabul kách máme uvedené jednotlivé pravdepodobnosti úmrtia v i-tom celočíselnom veku pri podmienke, že sme dosiahli vek i, rozdelenie veku úmrtia pri podmienke dožitia sa minimálne dôchodkového veku bude diskrétne s krokom jedného roka. Ak označíme dôchodkový vek ako b 0, hodnotu hustoty tohto rozdelenia v j-tom roku, pričom j b 0, vypočítame ako pravdepodobnost úmrtia v j-tom roku prenásobenú rozdielom 1 a súčtu hodnôt hustoty v rokoch menších ako j a zároveň väčších alebo rovných ako v roku b 0. Ak označíme X ako náhodnú premennú veku úmrtia a p i ako hodnotu pravdepodobnosti úmrtia v i-tom roku z úmrtnostných tabuliek, predpis hustoty vieme zapísat nasledovne. P (X = x X b 0 ) = p x (1 x 1 i=b 0 P (X = i X b 0 ) Na výpočet strednej hodnoty veku dožitia za podmienky dožitia sa dôchodkového veku m použijeme vypočítané hodnoty hustoty z (27) a dostávame vzorec (28). m = ) (27) i=b 0 i P (X = i X b 0 ) (28) Ked že v úmrtnostných tabul kách je pri veku 100 a viac rokov pravdepodobnost úmrtia v najbližšom roku rovnaká a menšia ako 1, výjde nám nenulová pravdepodobnost úmrtia v l ubovol ne vel kom veku. Preto je vhodné určit si nejakú hranicu, ktorú budeme považovat za maximálny vek dožitia b, a teda bude platit p b = 1. Tým pádom bude stačit počítat strednú hodnotu m podl a vzorca (29). m = b i=b 0 i P (X = i X b 0 ) (29)
24 24 Číslo m nám hovorí aká je priemerná doba poberania dôchodku z prvého piliera pri podmienke, že dosiahneme dôchodkový vek. Ked že štartovací dôchodok z prvého piliera je každoročne valorizovaný podl a priemerného rastu miezd a rastu cien, diskontovat tieto platby do času ked vstupujeme na dôchodok budeme tak, že m prenásobíme dôchodkom z prvého piliera v roku vstupu na dôchodok a 12, pretože dôchodok je vyplácaný mesačne. Dostávame tak hodnotu peňazí, ktorú priemerne získame z prvého piliera za podmienky, že sa dožijeme dôchodkového veku. Vzt ah (16) si ešte upravíme tak, aby v ňom vystupoval len osobný mzdový bod na začiatku sporenia a rast našej kariéry, teda parametre β c t. P = OMB 1 ADH k N ( i 1 i=1 j=1 d 1 i (1 + βj) c d 1 i + d2 i Osobný mzdový bod na začiatku sporenia teraz l ahko nahradíme osobným mzdovým bodom na konci sporenia. P = OMB N ADH k N i=1 ( N j=i 1 d 1 i 1 + βj c d 1 i + d2 i Teraz ročný dôchodok z prvého piliera v roku nástupu na dôchodok, teda v N-tom roku, prenásobíme priemerným vekom, ktorého sa človek dožije za podmienky, že dosiahne dôchodkový vek, a predelíme ho poslednou ročnou výplatou w N. Toto číslo bude predstavovat počet rokov, na ktoré by nám stačil dôchodok vyplatený z prvého piliera pri dožití sa priemerného veku, ktorého sa človek dožije za podmienky, že dosiahne dôchodkový vek, pri zachovaní rovnakej životnej úrovne ako počas doby sporenia. Je to teda naše hl adané c. c = 12 P m w N = 12 OMB N ADH N m w N ( N N i=1 j=i 1 ) ) 1 + βj c d 1 i + d2 i Hodnota ADH je určovaná tak, aby človek bez kariérneho rastu, ktorý sporí iba v prvom pilieri počas doby 40 rokov, mal dôchodok vo výške približne 50% poslednej mzdy. Budeme predpokladat, že toto číslo je konštantné, a teda je rovnaké v tomto roku ako v roku nástupu na dôchodok. To znamená, že človek poberajúci priemernú mzdu počas celého života (OMB = 1) po dobu N rokov bude mat vždy rovnaký pomer prvého ročného dôchodku a poslednej ročnej mzdy bez ohl adu na to bez ohl adu na to d 1 i ) (30) (31) (32)
25 25 v ktorom roku dosiahol dôchodkový vek. Priemernú mzdu v čase t označíme ako w t. 12 ADH t N w t = 12 ADH N N (33) w N Pomer prvého ročného dôchodku ku poslednej mzde je rovnaký ako v (33) aj v prípade osobného mzdového bodu rôzneho od 1 a príslušnej poslednej mzde w N. 12 ADH t N w t = 12 ADH N N OMB N w N (34) Zlúčením vzorcov (32) a (34) dostávame nový vzorec (35) na výpočet čísla c. Hodnota sumy v ňom nám penalizuje to, že nesporíme len v prvom pilieri, ale aj v druhom ako aj kariérny rast. c = 12 ADH t m w t ( N N i=1 j=i 1 d 1 i 1 + βj c d 1 i + d2 i V prípade, že máme sporitel a, ktorý sporí celý život len v prvom pilieri a počas života mal v každom roku rovnaký osobný mzdový bod, dostaneme hodnotu m = 19,25 a z toho nám vyjde c = 9,097. Stále však nemáme model úplný, pretože v ňom vystupuje náhodnost ukrytá vo výške výnosov z garantovaného a negarantovaného fondu. Nikdy nevieme dopredu povedat aký výnos dosiahneme v danom fonde počas budúceho alebo ktoréhokol vek d alšieho roku. Čo však vieme je to ako sa výška výnosov správala doteraz. Na základe toho vieme odhadnút rozdelenie, ktorým sa výška výnosu riadi. Správanie negarantovaného fondu závisí od portfólia akcií, ktorý sleduje určitý index. V tomto prípade teda budeme modelovat vývoj hodnoty akcií. Pri modelovaní ceny akcií sa uvažuje, že výnos akcií sa riadi normálnym rozdelením. Z historických dát dokážeme odhadnút jeho parametre, teda priemerný výnos a volatilitu. Opät použijeme označenia z [5]. Hodnotu akcie, respektíve portfólia akcií, v čase t označíme ako P t, strednú hodnotu výnosu príslušnej akcie, respektíve portfólia, ako µ s t a volatilitu ako σ s t. Potom podl a [5] platia pre výnos z akcií, respektíve portfólia, rovnosti (36). ) (35) R s (t, t + 1) = ln P t+1 P t = µ s t + σ s t ψ, (36) kde ψ N(0, 1). Pri modelovaní výnosnosti garantovaného fondu sa využíva odlišný postup. Výnos dlhopisov je naviazaný na úrokovú mieru. Metód ako modelovat úrokovú
26 26 mieru je viacero, my sa budeme zaoberat short-rate modelom CIR. Tento proces je definovaný stochastickou diferenciálnou rovnicou krátkodobej úrokovej miery (37). dr t = κ(θ r t )dt + σ b r t dz t, (37) pričom κ, θ, σ b > 0, kde θ predstavuje dlhodobú úrokovú mieru, κ reprezentuje rýchlost konvergencie úrokovej miery ku dlhodobej úrokovej miere, σ b je volatilita procesu a Z t je Wienerov proces. Výhodou použitia tohto modelu je to, že nepripúšt a zápornú úrokovú mieru. Jeho myšlienka spočíva v tom, že existuje dlhodobá úroková miera θ, ku ktorej je aktuálna krátkodobá úroková miera r t prit ahovaná silou κ a do procesu vstupuje náhodnost v podobe Wienerovho procesu. Výnos z dlhopisov sa dá modelovat pomocou bezkupónového dlhopisu so splatnost ou T b, ktorý má v čase t hodnotu P (t, T b ) nominálnou hodnotou 1. Hodnota dlhopisu P (t, T b ) v čase t sa dá vyjadrit pri použití CIR modelu podl a [5] nasledovne. P (t, T b ) = P (r t, t, T b ) = A(T b )e B(T b)r t, (38) kde A(T b ) = B(T b ) = ( 2γe (κ+λ+γ)t b 2 (κ + λ + γ)(e γt b 1) + 2γ 2(e γt b 1) (κ + λ + γ)(e γt b 1) + 2γ λ = (κ + λ) 2 + 2σ 2 ) 2κθ σ 2 Aproximáciou riešenia diferenciálnej rovnice (38) je podl a [11] rekurentný vzt ah pre krátkodobú úrokovú mieru (39). r t+1 = g(r t, Φ) = θ + e κ (r t θ) + σ b rt 2κ (1 e 2κ )Φ, (39) kde Φ N(0, 1), pričom uvažujeme aj koreláciu medzi náhodnými premennými Φ a Ψ cor(φ, Ψ) ( 1, 1). To, že sa jedná len o aproximáciu a nie presné riešenie diferenciálnej rovnice (37) je zrejmé z toho, že v riešení (39) je možné dostat zápornú úrokovú mieru, ak hodnota Φ bude nízka záporná. Ak by sme dostali zápornú úrokovú mieru r t+1, pre odhad úrokovej miery v roku t+2 by sme už nemohli použit vzt ah (39), pretože by došlo k odmocňovaniu záporného čísla. Preto je vhodné zabránit tomu aby
27 27 sa úrok dostal do záporných hodnôt. Riešením môže byt napríklad nasledovná úprava. ( ) r t+1 = max 0, θ + e κ (r t θ) + σ b rt 2κ (1 e 2κ )Φ (40) Hodnotu úrokovej miery teraz využijeme na odhad nášho výnosu z garantovaného fondu. R b (t, t + 1) = r t B(T b ) ln A(T b ) r t+1 B(T b 1) + ln A(T b 1) (41) V prípade dlhopisu na jeden rok (T b = 1) bude v čase t vyzerat vzt ah (41) nasledovne. R b (t, t + 1) = r t B(1) ln A(1), (42) pretože ln A(0) = B(0) = 0. Tým, že v našom modeli budeme počítat optimálne rozdelenie svojich úspor každoročne, bude stačit, ak použijeme vzt ah (42) na výpočet výnosu z garantovaného fondu. Model, ktorý budeme používat na hl adanie optimálnej stratégie pri sporení v prvom a druhom pilieri bude teda úloha optimálneho riadenia s diskrétnym časom s dvomi stavovými premennými (úrok r t a počet nasporených platov d t ) a jednou riadiacou premennou (rozdelenie úspor do garantovaného a negarantovaného fondu δ). maxe(u(d N + c)) δ d t+1 = d t δ exp(r b (t, t + 1)) + (1 δ) exp(r s (t, t + 1)) (1 + β v t )(1 + β c t ) + τ t+1 d 1 = τ 1 r t+1 = max r 0 = r ( ) 0, θ + e κ (r t θ) + σ b rt 2κ (1 e 2κ )Φ (43) R b (t, t + 1) = r t B(1) ln A(1) R s (t, t + 1) = µ s t + σ s t ψ pričom konštanty sú dané c = 12 ADH t m w t A(T b ) = B(T b ) = ( ( N N i=1 j=i 2γe (κ+λ+γ)t b 2 (κ + λ + γ)(e γt b 1) + 2γ 2(e γt b 1) (κ + λ + γ)(e γt b 1) + 2γ λ = (κ + λ) 2 + 2σ 2 1 d 1 i 1 + βj c d 1 i + d2 i ) 2κθ σ 2 )
28 28 4 Numerické riešenie úlohy V predchádzajúcej kapitole sme si definovali úlohu, ktorú chceme riešit. Potrebujeme však nájst spôsob ako túto úlohu vyriešime numericky. 4.1 Charakteristika úlohy Nakol ko sa jedná o pomerne komplikovanú úlohu, analytické riešenie sa nám nájst nepodarilo, preto budeme musiet úlohu riešit numericky. V našom prípade sa jedná o Mayerovu úlohu dynamického programovania s pevným časom. Stavovými premennými sú úroková miera r t a počet nasporených ročných platov d t. Riadiacou premennou je δ určujúca pomer investície nasporených peňazí medzi garantovaný a negarantovaný fond počas najbližšieho roku. Premenné r t ako aj d t dosahujú kladné hodnoty, zápornú úrokovú mieru nebudeme vo výpočtoch uvažovat. Horné ohraničenie na obe premenné vo všeobecnosti neexistuje, hoci nie je reálne mat l ubovol ne vysokú úrokovú mieru alebo nasporenú sumu. Kvôli riešeniu úlohy je však potrebné určit si nielen nejaké dolné, ale aj horné ohraničenie na tieto premenné. Riadiaca premenná δ je ohraničená na interval [0, 1]. Ďalej budeme potrebovat diskretizovat všetky tri premenné. To znamená, že napriek tomu, že sa jedná o spojité premenné, zvolíme si konečnú množinu hodnôt medzi dolným a horným ohraničením, s ktorými budeme počítat. My si v našej úlohe pre každú zo spomínaných premenných určíme nejakú konštantnú vzdialenost, ktorá bude pevná medzi všetkými hodnotami s ktorými budeme počítat. Ako sme už spomínali vyššie, riešenie úlohy dynamického programovania spočíva v riešení odzadu. To znamená, že potrebné hodnoty stavových premenných a optimálnych riadení počítame najprv pre časy na konci obdobia, v ktorom robíme optimalizáciu a postupne sa dostávame do skorších časov, až kým sa nedostaneme na začiatok úlohy. Ciel om úlohy je maximalizácia strednej hodnoty funkcie užitočnosti nasporenej čiastky (prepočítanej do počtu ročných platov v poslednom roku sporenia) na konci sporenia. 4.2 Optimalizácia v čase T 1 Začneme teda v čase T 1, ktorý je posledný, v ktorom hl adáme optimálnu hodnotu rozdelenia úspor do garantovaného, respektíve negarantovaného fondu. Pre každú
29 4.2 Optimalizácia v čase T 1 29 dvojicu hodnôt možných stavov stavových premenných r T 1 a d T 1 budeme počítat optimálne rozdelenie úspor. To budeme určovat na základe toho, do akých stavov sa dostaneme v čase T pri daných hodnotách δ a vyberieme tú, pri ktorej dosahujeme najvyššiu strednú hodnotu užitočnosti. Pre obe stavové premenné máme rekurentný vzorec, vd aka ktorému vieme vypočítat do akého stavu sa dostaneme v čase T pri danej hodnote δ. V týchto rekurentných vzt ahoch sa však vyskytujú aj dve korelované náhodné premenné z normálneho rozdelenia. Prvou možnost ou ako ich zahrnút do výpočtu je použitie Monte Carlo simulácií, ktoré spočívajú v generovaní hodnôt z daného rozdelenia. Pre každú vygenerovanú hodnotu vypočítame nový stav, do ktorého sa dostaneme a vypočítame hodnotu užitočnosti, ktorú v danom stave máme. Zo všetkých takto vypočítaných hodnôt užitočnosti spravíme aritmetický priemer. Postup opakujeme pre všetky prípustné hodnoty riadení a vyberieme to, pri ktorom sme dostali najväčšiu strednú hodnotu užitočnosti a túto hodnotu užitočnosti si pre daný východzí stav zapamätáme Generovanie simulácií Problémom použitia Monte Carlo simulácií je to, že k danému rozdeleniu sa približujú až pri vel kom počte simulácií. Ked že výpočty musíme robit zároveň pre každú dvojicu stavov, každé možné riadene, každú simuláciu a v každom čase, museli by sme spravit vel mi vel ké množstvo výpočtov aby sme sa dostali k riešeniu pri dostatočne dobrej aproximácii požadovaného rozdelenia, čo by bol problém aj pri výkone dnešných počítačov. Tým, že poznáme rozdelenie, z ktorého sú náhodné premenné, môžeme nahradit Monte Carlo simulácie metódou, ktorá bude presnejšie generovat dvojice hodnôt z požadovaného normálneho rozdelenia pri potrebe ovel a menej vygenerovaných hodnôt. Myšlienka tejto metódy sa dá najlepšie ukázat na potrebe vygenerovania n hodnôt z rovnomerného rozdelenia. Množina n hodnôt, ktorá by najlepšie popisovala rovnomerné rozdelenie bude taká, že ked si zoberieme l ubovol ný interval dĺžky 1 n, ktorý je podmnožinu intervalu [0, 1], bude obsahovat práve jedno z vygenerovaných čísel. To znamená, že všetky vygenerované čísla by boli navzájom od seba vzdialené k n, kde k N. Aby platilo, že stredná hodnota tohto výberu je 1 2, musia byt vygenerované hodnoty rozmiestnené rovnomerne okolo hodnoty 1. To znamená, že v 2
30 4.2 Optimalizácia v čase T 1 30 tomto výbere n najlepšie popisujúcich rovnomerné rozdelenie budú hodnoty k n + 1 2n, kde k = 0, 1, 2,..., n 1. Na aplikovanie tejto metódy do normálneho rozdelenia využijeme inverznú transformáciu, popísanú v [3], spolu s práve vygenerovanými hodnotami popisujúce rovnomerné rozdelenie. Tá spočíva v tom, že tieto hodnoty dosadíme do inverznej funkcie k distribučnej funkcii normálneho rozdelenia so strednou hodnotou 0 a disperziou 1. Dostaneme tak hodnoty zodpovedajúce ( k + 1 ) 100 percentnému kvan- n 2n tilu normálneho rozdelenia N(0, 1). Porovnanie histogramov použitím Monte Carlo simulácií a generovaním príslušných kvantilov z normovaného normálneho rozdelenia pri sade 200 hodnôt môžeme vidiet na Obr. 1. Obr. 1: Porovnanie histgramov vygenerovaných 200 hodnôt z normovaného normálneho rozdelenia použitím Monte Carlo simulácií (vl avo) a výpočtom z kvantilov (vpravo). Samozrejme, pri Monte Carlo máme vždy inú množinu vygenerovaných hodnôt, ktoré sa niekedy viac, inokedy menej podobajú na rozdelenie, z ktorého pochádzajú. S rastúcim počtom vygenerovaných hodnôt sú vo všeobecnosti odchýlky od vygenerovaného rozdelenia menej badatel né. Ak ale máme len pomerne málo vygenerovaných hodnôt, môže dôjst k zásadne rozdielnym výsledkom v našom výpočte pri dvoch rôznych spusteniach programu v dôsledku vygenerovania výrazne odlišnej sady hodnôt. Pre porovnanie ešte uvedieme v Tabul ke 1 strednú hodnotu a disperziu vygenerovaných hodnôt, z ktorých vznikli histogramy na Obr. 1. Vidíme, že stredná hodnota aj disperzia vyšla bližšie k 0, respektíve 1, v prípade výpočtu hodnôt. Je zrejmé, že v prípade inej vygenerovanej sady hodnôt by sme dostali iné výsledky, avšak ked že budeme potrebovat vygenerované len malé množstvo hodnôt kvôli časovej náročnosti programu a požadujeme aby sme nedostali výrazne iné výsledky pri opakovaných výpočtoch len v
31 4.2 Optimalizácia v čase T 1 31 E() var() Monte Carlo 0,1052 0,9760 kvantily 0 0,9986 Tabul ka 1: Porovnanie stredných hodnôt a disperzií dát generovaných príslušnými metódami. dôsledku inej sady vygenerovaných dát, lepšou vol bou bude použitie výpočtu hodnôt z kvantilov. Našli sme spôsob ako získat dáta z normovaného normálneho rozdelenia, ktoré ho dostatočne dobre popisujú aj pri nižšom počte dát. My však v modeli potrebujeme dáta z dvojrozmerného normálneho rozdelenia, pričom jednotlivé zložky náhodného vektora majú byt z normovaného normálneho rozdelenia a zároveň je medzi nimi určitá korelácia, na čo využijeme poznatky z [3]. Pri Monte Carlo simuláciách by sme mohli vygenerovat dve hodnoty z normovaného normálneho rozdelenia predstavujúce jednotlivé zložky náhodného vektora. Tým, že sú tieto dve vygenerované hodnoty nezávislé, korelácia medzi nimi je nulová, a teda dáta pochádzajú z rozdelenia N 2 (0, I). Ak máme náhodnú viacrozmernú premennú X, ktorej kovariančná matica je Σ, pre náhodnú premennú AX, kde A je matica, bude kovariančná matica AΣA T. Túto vlastnost teraz aplikujeme na náš problém. V ňom predstavuje matica Σ maticu I, pričom potrebujeme získat kovariančnú maticu AΣA T = AA T. To znamená, že stačí, ak vektor vygenerovaných dvojíc hodnôt Y (každá z normovaného normálneho rozdelenia a navzájom nezávislé) prenásobíme maticou A, čím dostávame nové dvojice hodnôt AY. Ked že poznáme jednotlivé hodnoty matice AA T, budeme potrebovat pomocou Choleského rozkladu dopočítat maticu A. Týmto postupom teda získame dvojice hodnôt, ktoré budú mat požadovanú koreláciu. My sme sa ale rozhodli, že budeme používat dáta vypočítané z príslušných kvantilov normálneho rozdelenia. Spôsob ako z jednorozmerného normálneho rozdelenia vytvoríme dvojrozmerné, pričom obe zložky náhodného vektora budú navzájom nezávislé, je nasledovný. V oboch zložkách vektora použijeme hodnoty vypočítané pri jednorozmernom rozdelení. Aby sme docielili nezávislost zložiek náhodného vektora, ku každej vypočítanej hodnote prvej zložky
32 4.3 Optimalizácia v ostatných časoch 32 náhodne priradíme hodnotu z druhej zložky tak, aby každá hodnota bola použitá práve raz. Tým, že využívame náhodný generátor, ktorý permutuje jednotlivé hodnoty a požadujeme nízky počet vektorov, pri každej rôznej permutácii dostaneme badatel ne inú koreláciu. Jej stredná hodnota síce bude 0, avšak znamená to, že výsledok môže ovplyvnit daná permutácia. Tento problém je rovnaký aj v prípade Monte Carlo simulácií, avšak pri použití Monte Carlo simulácií sa výraznejšie môže odlišovat aj rozdelenie jednotlivých zložiek vektora od požadovaného. Aby sme aj v prípade vektorov vypočítaných z kvantilov určených na simulácie dostali požadovanú koreláciu medzi zložkami vektora, musíme jednotlivé vektory prenásobit rovnakou maticou A ako v pri Monte Carlo simuláciách. Korelácia medzi zložkami vygenerovaných vektorov však nemusí byt rovná našej požadovanej korelácii, rovná sa jej len stredná hodnota korelácie vygenerovaných vektorov. To znamená, že pri každom novom výpočte bude korelácia iná. Pri riešení budeme používat vo všetkých časoch rovnakú sadu vektorov, a teda aj rovnakú hodnotu korelácie. 4.3 Optimalizácia v ostatných časoch Odhad užitočnosti pomocou interpolácie Takýmto spôsobom vieme nájst optimálne riadenie v poslednom čase, ked robíme rozhodnutia, T 1. V ostatných časoch bude výpočet miene odlišný, pretože už nebudeme dosadzovat hodnoty daného stavu do funkcie užitočnosti, ale bude nás zaujímat aká je stredná hodnota užitočnosti v danom stave. Problémom je, že množinou hodnôt nasporenej čiastky vyjadrenej v pomere k poslednej mzde v nasledujúcom roku sú kladné reálne čísla, avšak my sme schopní vypočítat stredné hodnoty užitočnosti a optimálne riadenia v príslušnom čase len pre konečné množstvo hodnôt. To znamená, že ak chceme vypočítat strednú hodnotu užitočnosti, ktorú budeme mat, ak sa v nasledujúcom roku dostaneme do stavu ked máme aktuálne nasporené nejaké konkrétne množstvo a bude nejaká konkrétna úroková miera, len s nulovou pravdepodobnost ou budeme mat vypočítanú strednú hodnotu užitočnosti v tomto stave. Rekurentný vzt ah pre naše úspory a úrokovú mieru je zhodný pre všetky časy, a teda vieme určit, do akého stavu sa pri danej simulácii a pri danom riadení dostaneme. Lenže v ňom poznáme strednú hodnotu užitočnosti s nulovou pravdepodobnost ou, preto musíme
Matematika Funkcia viac premenných, Parciálne derivácie
Matematika 2-01 Funkcia viac premenných, Parciálne derivácie Euklidovská metrika na množine R n všetkých usporiadaných n-íc reálnych čísel je reálna funkcia ρ: R n R n R definovaná nasledovne: Ak X = x
Matematika prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad
Matematika 3-13. prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad Erika Škrabul áková F BERG, TU Košice 15. 12. 2015 Erika Škrabul áková (TUKE) Taylorov
1. Limita, spojitost a diferenciálny počet funkcie jednej premennej
. Limita, spojitost a diferenciálny počet funkcie jednej premennej Definícia.: Hromadný bod a R množiny A R: v každom jeho okolí leží aspoň jeden bod z množiny A, ktorý je rôzny od bodu a Zadanie množiny
ARMA modely čast 2: moving average modely (MA)
ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2014/2015 ARMA modely časť 2: moving average modely(ma) p.1/24 V. Moving average proces prvého rádu - MA(1) ARMA modely
Goniometrické rovnice a nerovnice. Základné goniometrické rovnice
Goniometrické rovnice a nerovnice Definícia: Rovnice (nerovnice) obsahujúce neznámu x alebo výrazy s neznámou x ako argumenty jednej alebo niekoľkých goniometrických funkcií nazývame goniometrickými rovnicami
ARMA modely čast 2: moving average modely (MA)
ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2011/2012 ARMA modely časť 2: moving average modely(ma) p.1/25 V. Moving average proces prvého rádu - MA(1) ARMA modely
Ekvačná a kvantifikačná logika
a kvantifikačná 3. prednáška (6. 10. 004) Prehľad 1 1 (dokončenie) ekvačných tabliel Formula A je ekvačne dokázateľná z množiny axióm T (T i A) práve vtedy, keď existuje uzavreté tablo pre cieľ A ekvačných
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2012/2013 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/18
Cvičenie č. 4,5 Limita funkcie
Cvičenie č. 4,5 Limita funkcie Definícia ity Limita funkcie (vlastná vo vlastnom bode) Nech funkcia f je definovaná na nejakom okolí U( ) bodu. Hovoríme, že funkcia f má v bode itu rovnú A, ak ( ε > )(
7. FUNKCIE POJEM FUNKCIE
7. FUNKCIE POJEM FUNKCIE Funkcia f reálnej premennej je : - každé zobrazenie f v množine všetkých reálnych čísel; - množina f všetkých usporiadaných dvojíc[,y] R R pre ktorú platí: ku každému R eistuje
M6: Model Hydraulický systém dvoch zásobníkov kvapaliny s interakciou
M6: Model Hydraulický ytém dvoch záobníkov kvapaliny interakciou Úlohy:. Zotavte matematický popi modelu Hydraulický ytém. Vytvorte imulačný model v jazyku: a. Matlab b. imulink 3. Linearizujte nelineárny
Chí kvadrát test dobrej zhody. Metódy riešenia úloh z pravdepodobnosti a štatistiky
Chí kvadrát test dobrej zhody Metódy riešenia úloh z pravdepodobnosti a štatistiky www.iam.fmph.uniba.sk/institute/stehlikova Test dobrej zhody I. Chceme overiť, či naše dáta pochádzajú z konkrétneho pravdep.
Obvod a obsah štvoruholníka
Obvod a štvoruholníka D. Štyri body roviny z ktorých žiadne tri nie sú kolineárne (neležia na jednej priamke) tvoria jeden štvoruholník. Tie body (A, B, C, D) sú vrcholy štvoruholníka. strany štvoruholníka
MIDTERM (A) riešenia a bodovanie
MIDTERM (A) riešenia a bodovanie 1. (7b) Nech vzhl adom na štandardnú karteziánsku sústavu súradníc S 1 := O, e 1, e 2 majú bod P a vektory u, v súradnice P = [0, 1], u = e 1, v = 2 e 2. Aký predpis bude
Start. Vstup r. O = 2*π*r S = π*r*r. Vystup O, S. Stop. Start. Vstup P, C V = P*C*1,19. Vystup V. Stop
1) Vytvorte algoritmus (vývojový diagram) na výpočet obvodu kruhu. O=2xπxr ; S=πxrxr Vstup r O = 2*π*r S = π*r*r Vystup O, S 2) Vytvorte algoritmus (vývojový diagram) na výpočet celkovej ceny výrobku s
6 Limita funkcie. 6.1 Myšlienka limity, interval bez bodu
6 Limita funkcie 6 Myšlienka ity, interval bez bodu Intuitívna myšlienka ity je prirodzená, ale definovať presne pojem ity je značne obtiažne Nech f je funkcia a nech a je reálne číslo Čo znamená zápis
Motivácia Denícia determinantu Výpo et determinantov Determinant sú inu matíc Vyuºitie determinantov. Determinanty. 14. decembra 2010.
14. decembra 2010 Rie²enie sústav Plocha rovnobeºníka Objem rovnobeºnostena Rie²enie sústav Príklad a 11 x 1 + a 12 x 2 = c 1 a 21 x 1 + a 22 x 2 = c 2 Dostaneme: x 1 = c 1a 22 c 2 a 12 a 11 a 22 a 12
Úvod do lineárnej algebry. Monika Molnárová Prednášky
Úvod do lineárnej algebry Monika Molnárová Prednášky 2006 Prednášky: 3 17 marca 2006 4 24 marca 2006 c RNDr Monika Molnárová, PhD Obsah 2 Sústavy lineárnych rovníc 25 21 Riešenie sústavy lineárnych rovníc
Metódy vol nej optimalizácie
Metódy vol nej optimalizácie Metódy vol nej optimalizácie p. 1/28 Motivácia k metódam vol nej optimalizácie APLIKÁCIE p. 2/28 II 1. PRÍKLAD: Lineárna regresia - metóda najmenších štvorcov Na základe dostupných
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2013/2014 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/27
Matematika 2. časť: Analytická geometria
Matematika 2 časť: Analytická geometria RNDr. Jana Pócsová, PhD. Ústav riadenia a informatizácie výrobných procesov Fakulta BERG Technická univerzita v Košiciach e-mail: jana.pocsova@tuke.sk Súradnicové
1. písomná práca z matematiky Skupina A
1. písomná práca z matematiky Skupina A 1. Vypočítajte : a) 84º 56 + 32º 38 = b) 140º 53º 24 = c) 55º 12 : 2 = 2. Vypočítajte zvyšné uhly na obrázku : β γ α = 35 12 δ a b 3. Znázornite na číselnej osi
Moderné vzdelávanie pre vedomostnú spoločnosť Projekt je spolufinancovaný zo zdrojov EÚ M A T E M A T I K A
M A T E M A T I K A PRACOVNÝ ZOŠIT II. ROČNÍK Mgr. Agnesa Balážová Obchodná akadémia, Akademika Hronca 8, Rožňava PRACOVNÝ LIST 1 Urč typ kvadratickej rovnice : 1. x 2 3x = 0... 2. 3x 2 = - 2... 3. -4x
Spojité rozdelenia pravdepodobnosti. Pomôcka k predmetu PaŠ. RNDr. Aleš Kozubík, PhD. 26. marca Domovská stránka. Titulná strana.
Spojité rozdelenia pravdepodobnosti Pomôcka k predmetu PaŠ Strana z 7 RNDr. Aleš Kozubík, PhD. 6. marca 3 Zoznam obrázkov Rovnomerné rozdelenie Ro (a, b). Definícia.........................................
Komplexné čísla, Diskrétna Fourierova transformácia 1
Komplexné čísla, Diskrétna Fourierova transformácia Komplexné čísla C - množina všetkých komplexných čísel komplexné číslo: z = a + bi, kde a, b R, i - imaginárna jednotka i =, t.j. i =. komplexne združené
,Zohrievanie vody indukčným varičom bez pokrievky,
Farba skupiny: zelená Označenie úlohy:,zohrievanie vody indukčným varičom bez pokrievky, Úloha: Zistiť, ako závisí účinnosť zohrievania vody na indukčnom variči od priemeru použitého hrnca. Hypotéza: Účinnosť
Motivácia pojmu derivácia
Derivácia funkcie Motivácia pojmu derivácia Zaujíma nás priemerná intenzita zmeny nejakej veličiny (dráhy, rastu populácie, veľkosti elektrického náboja, hmotnosti), vzhľadom na inú veličinu (čas, dĺžka)
3. Striedavé prúdy. Sínusoida
. Striedavé prúdy VZNIK: Striedavý elektrický prúd prechádza obvodom, ktorý je pripojený na zdroj striedavého napätia. Striedavé napätie vyrába synchrónny generátor, kde na koncoch rotorového vinutia sa
Porovnanie ekonomickej výhodnosti práce vykonávanej v zamestnaneckom pomere, na živnosť a cez jednoosobovú s.r.o.
orovnanie ekonomickej výhodnosti práce vykonávanej v zamestnaneckom pomere, na živnosť a cez jednoosobovú s.r.o. Úvod Kým daňový systém na Slovensku je považovaný za jeden z najjednoduchších v rámci Európskej
Vektorový priestor V : Množina prvkov (vektory), na ktorej je definované ich sčítanie a ich
Tuesday 15 th January, 2013, 19:53 Základy tenzorového počtu M.Gintner Vektorový priestor V : Množina prvkov (vektory), na ktorej je definované ich sčítanie a ich násobenie reálnym číslom tak, že platí:
Tomáš Madaras Prvočísla
Prvočísla Tomáš Madaras 2011 Definícia Nech a Z. Čísla 1, 1, a, a sa nazývajú triviálne delitele čísla a. Cele číslo a / {0, 1, 1} sa nazýva prvočíslo, ak má iba triviálne delitele; ak má aj iné delitele,
7 Derivácia funkcie. 7.1 Motivácia k derivácii
Híc, P Pokorný, M: Matematika pre informatikov a prírodné vedy 7 Derivácia funkcie 7 Motivácia k derivácii S využitím derivácií sa stretávame veľmi často v matematike, geometrii, fyzike, či v rôznych technických
Matematika 2. časť: Funkcia viac premenných Letný semester 2013/2014
Matematika 2 časť: Funkcia viac premenných Letný semester 2013/2014 RNDr. Jana Pócsová, PhD. Ústav riadenia a informatizácie výrobných procesov Fakulta BERG Technická univerzita v Košiciach e-mail: jana.pocsova@tuke.sk
4. Výrokové funkcie (formy), ich definičný obor a obor pravdivosti
4. Výrokové funkcie (formy), ich definičný obor a obor pravdivosti Výroková funkcia (forma) ϕ ( x) je formálny výraz (formula), ktorý obsahuje znak x, pričom x berieme z nejakej množiny M. Ak za x zvolíme
Obsah. Motivácia a definícia. Metódy výpočtu. Problémy a kritika. Spätné testovanie. Prípadová štúdia využitie v NBS. pre 1 aktívum pre portfólio
Value at Risk Obsah Motivácia a definícia Metódy výpočtu pre 1 aktívum pre portfólio Problémy a kritika Spätné testovanie Prípadová štúdia využitie v NBS Motivácia Ako kvantifikovať riziko? Nakúpil som
Numerické metódy matematiky I
Prednáška č. 7 Numerické metódy matematiky I Riešenie sústav lineárnych rovníc ( pokračovanie ) Prednáška č. 7 OBSAH 1. Metóda singulárneho rozkladu (SVD) Úvod SVD štvorcovej matice SVD pre menej rovníc
Obsah. 1.1 Reálne čísla a ich základné vlastnosti... 7 1.1.1 Komplexné čísla... 8
Obsah 1 Číselné obory 7 1.1 Reálne čísla a ich základné vlastnosti............................ 7 1.1.1 Komplexné čísla................................... 8 1.2 Číselné množiny.......................................
6 APLIKÁCIE FUNKCIE DVOCH PREMENNÝCH
6 APLIKÁCIE FUNKCIE DVOCH PREMENNÝCH 6. Otázky Definujte pojem produkčná funkcia. Definujte pojem marginálny produkt. 6. Produkčná funkcia a marginálny produkt Definícia 6. Ak v ekonomickom procese počet
množiny F G = {t1, t2,, tn} T a pre ľubovoľný valec C so základňou B1, B2,, Bn v bodoch t1, t2,, tn, takou, že pre t G - F je Bt = E, platí PF(C) = PG
STOCHASTICKÝ PROCES Definícia stochastického procesu Definícia 1 Nech (Ω, F, P) je pravdepodobnostný priestor a nech T je podmnožina R. Pre každé t T nech X(t, ω) je náhodná premenná definovaná na pravdepodobnostnom
x x x2 n
Reálne symetrické matice Skalárny súčin v R n. Pripomeniem, že pre vektory u = u, u, u, v = v, v, v R platí. dĺžka vektora u je u = u + u + u,. ak sú oba vektory nenulové a zvierajú neorientovaný uhol
Modelovanie dynamickej podmienenej korelácie kurzov V4
Modelovanie dynamickej podmienenej korelácie menových kurzov V4 Podnikovohospodárska fakulta so sídlom v Košiciach Ekonomická univerzita v Bratislave Cieľ a motivácia Východiská Cieľ a motivácia Cieľ Kvantifikovať
Základy matematickej štatistiky
1. Náhodný výber, výberové momenty a odhad parametrov Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 6. mája 2015 1 Náhodný výber 2 Výberové momenty 3 Odhady parametrov
Súčtové vzorce. cos (α + β) = cos α.cos β sin α.sin β cos (α β) = cos α.cos β + sin α.sin β. tg (α β) = cotg (α β) =.
Súčtové vzorce Súčtové vzorce sú goniometrické hodnoty súčtov a rozdielov dvoch uhlov Sem patria aj goniometrické hodnoty dvojnásobného a polovičného uhla a pridám aj súčet a rozdiel goniometrických funkcií
Základy metodológie vedy I. 9. prednáška
Základy metodológie vedy I. 9. prednáška Triedenie dát: Triedny znak - x i Absolútna početnosť n i (súčet všetkých absolútnych početností sa rovná rozsahu súboru n) ni fi = Relatívna početnosť fi n (relatívna
Gramatická indukcia a jej využitie
a jej využitie KAI FMFI UK 29. Marec 2010 a jej využitie Prehľad Teória formálnych jazykov 1 Teória formálnych jazykov 2 3 a jej využitie Na počiatku bolo slovo. A slovo... a jej využitie Definícia (Slovo)
24. Základné spôsoby zobrazovania priestoru do roviny
24. Základné spôsoby zobrazovania priestoru do roviny Voľné rovnobežné premietanie Presné metódy zobrazenia trojrozmerného priestoru do dvojrozmernej roviny skúma samostatná matematická disciplína, ktorá
Technická univerzita v Košiciach. Zbierka riešených a neriešených úloh. z matematiky. pre uchádzačov o štúdium na TU v Košiciach
Technická univerzita v Košiciach Zbierka riešených a neriešených úloh z matematiky pre uchádzačov o štúdium na TU v Košiciach Martin Bača Ján Buša Andrea Feňovčíková Zuzana Kimáková Denisa Olekšáková Štefan
Integrovanie racionálnych funkcií
Integrovanie racionálnych funkcií Tomáš Madaras 2009-20 Z teórie funkcií už vieme, že každá racionálna funkcia (t.j. podiel dvoch polynomických funkcií) sa dá zapísať ako súčet polynomickej funkcie a funkcie
FUNKCIE N REÁLNYCH PREMENNÝCH
FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITY KOMENSKÉHO V BRATISLAVE FUNKCIE N REÁLNYCH PREMENNÝCH RNDr. Kristína Rostás, PhD. PREDMET: Matematická analýza ) 2010/2011 1. DEFINÍCIA REÁLNEJ FUNKCIE
Obyčajné diferenciálne rovnice
(ÚMV/MAN3b/10) RNDr. Ivan Mojsej, PhD ivan.mojsej@upjs.sk 14.3.2013 Úvod patria k najdôležitejším a najviac prepracovaným matematickým disciplínam. Nielen v minulosti, ale aj v súčastnosti predstavujú
Kompilátory. Cvičenie 6: LLVM. Peter Kostolányi. 21. novembra 2017
Kompilátory Cvičenie 6: LLVM Peter Kostolányi 21. novembra 2017 LLVM V podstate sada nástrojov pre tvorbu kompilátorov LLVM V podstate sada nástrojov pre tvorbu kompilátorov Pôvodne Low Level Virtual Machine
Deliteľnosť a znaky deliteľnosti
Deliteľnosť a znaky deliteľnosti Medzi základné pojmy v aritmetike celých čísel patrí aj pojem deliteľnosť. Najprv si povieme, čo znamená, že celé číslo a delí celé číslo b a ako to zapisujeme. Nech a
Funkcie - základné pojmy
Funkcie - základné pojmy DEFINÍCIA FUNKCIE Nech A, B sú dve neprázdne číselné množiny. Ak každému prvku x A je priradený najviac jeden prvok y B, tak hovoríme, že je daná funkcia z množiny A do množiny
Numerické metódy Učebný text pre bakalárske štúdium
Imrich Pokorný Numerické metódy Učebný text pre bakalárske štúdium Strana 1 z 48 1 Nepresnosť numerického riešenia úloh 4 1.1 Zdroje chýb a ich klasifikácia................... 4 1.2 Základné pojmy odhadu
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY VLASTNOSTI HODNOTOVEJ FUNKCIE ÚLOHY PARAMETRICKÉHO KVADRATICKÉHO PROGRAMOVANIA A ICH VYUŽITIE V OPTIMALIZÁCII PORTFÓLIA DIPLOMOVÁ
Základné poznatky molekulovej fyziky a termodynamiky
Základné poznatky molekulovej fyziky a termodynamiky Opakovanie učiva II. ročníka, Téma 1. A. Príprava na maturity z fyziky, 2008 Outline Molekulová fyzika 1 Molekulová fyzika Predmet Molekulovej fyziky
Metódy vol nej optimalizácie
Metódy vol nej optimalizácie Metódy vol nej optimalizácie p. 1/52 Metódy minimalizácie funkcie jednej premennej Metódy minimalizácie funkcie jednej premennej p. 2/52 Metódy minimalizácie funkcie jednej
2 Chyby a neistoty merania, zápis výsledku merania
2 Chyby a neistoty merania, zápis výsledku merania Akej chyby sa môžeme dopustiť pri meraní na stopkách? Ako určíme ich presnosť? Základné pojmy: chyba merania, hrubé chyby, systematické chyby, náhodné
Derivácia funkcie. Pravidlá derivovania výrazov obsahujúcich operácie. Derivácie elementárnych funkcií
Derivácia funkcie Derivácia funkcie je jeden z najužitočnejších nástrojov, ktoré používame v matematike a jej aplikáciách v ďalších odboroch. Stručne zhrnieme základné informácie o deriváciách. Podrobnejšie
Hľadanie, skúmanie a hodnotenie súvislosti medzi znakmi
Hľadanie, skúmanie a hodnotenie súvislosti medzi znakmi Typy súvislostí javov a vecí: nepodstatné - vonkajšia súvislosť nevyplýva z vnútornej potreby (javy spoločne vznikajú, majú zhodný priebeh, alebo
AerobTec Altis Micro
AerobTec Altis Micro Záznamový / súťažný výškomer s telemetriou Výrobca: AerobTec, s.r.o. Pionierska 15 831 02 Bratislava www.aerobtec.com info@aerobtec.com Obsah 1.Vlastnosti... 3 2.Úvod... 3 3.Princíp
HANA LAURINCOVÁ KLASICKÝ VS. NEPARAMETRICKÝ PRÍSTUP Štatistika Poistná matematika
UNIVERZITA KOMENSKÉHO, BRATISLAVA FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY KATEDRA POISTNEJ MATEMATIKY A ŠTATISTIKY PARCIÁLNA A MNOHONÁSOBNÁ KORELÁCIA: KLASICKÝ VS. NEPARAMETRICKÝ PRÍSTUP (Bakalárska práca)
Riešenie rovníc s aplikáciou na elektrické obvody
Zadanie č.1 Riešenie rovníc s aplikáciou na elektrické obvody Nasledujúce uvedené poznatky z oblasti riešenia elektrických obvodov pomocou metódy slučkových prúdov a uzlových napätí je potrebné využiť
Nelineárne optimalizačné modely a metódy
Nelineárne optimalizačné modely a metódy Téma prednášky č. 8 Metódy transformujúce úlohu naviazaný extrém na úlohu na voľný extrém Prof. Ing. Michal Fendek, CSc. Katedra operačného výskumu a ekonometrie
Vlastnosti regulátorov pri spätnoväzbovom riadení procesov
Kapitola 8 Vlastnosti regulátorov pri spätnoväzbovom riadení procesov Cieľom cvičenia je sledovať vplyv P, I a D zložky PID regulátora na dynamické vlastnosti uzavretého regulačného obvodu (URO). 8. Prehľad
VLASTNÉ ČÍSLA A JORDANOV KANONICKÝ TVAR. Michal Zajac. 3 T b 1 = T b 2 = = = 2b
VLASTNÉ ČÍSLA A JORDANOV KANONICKÝ TVAR Michal Zajac Vlastné čísla a vlastné vektory Pripomeňme najprv, že lineárny operátor T : L L je vzhl adom na bázu B = {b 1, b 2,, b n } lineárneho priestoru L určený
KATEDRA DOPRAVNEJ A MANIPULAČNEJ TECHNIKY Strojnícka fakulta, Žilinská Univerzita
132 1 Absolútna chyba: ) = - skut absolútna ochýlka: ) ' = - spr. relatívna chyba: alebo Chyby (ochýlky): M systematické, M náhoné, M hrubé. Korekcia: k = spr - = - Î' pomerná korekcia: Správna honota:
Goniometrické substitúcie
Goniometrické substitúcie Marta Kossaczká S goniometrickými funkciami ste sa už určite stretli, pravdepodobne predovšetkým v geometrii. Ich použitie tam ale zďaleka nekončí. Nazačiatoksizhrňme,čoonichvieme.Funkciesínusakosínussadajúdefinovať
Cieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej transformácie,
Kapitola Riešenie diferenciálnych rovníc pomocou Laplaceovej tranformácie Cieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej tranformácie, keď charakteritická rovnica má rôzne
Prechod z 2D do 3D. Martin Florek 3. marca 2009
Počítačová grafika 2 Prechod z 2D do 3D Martin Florek florek@sccg.sk FMFI UK 3. marca 2009 Prechod z 2D do 3D Čo to znamená? Ako zobraziť? Súradnicové systémy Čo to znamená? Ako zobraziť? tretia súradnica
Návrh vzduchotesnosti pre detaily napojení
Výpočet lineárneho stratového súčiniteľa tepelného mosta vzťahujúceho sa k vonkajším rozmerom: Ψ e podľa STN EN ISO 10211 Návrh vzduchotesnosti pre detaily napojení Objednávateľ: Ing. Natália Voltmannová
Definícia parciálna derivácia funkcie podľa premennej x. Definícia parciálna derivácia funkcie podľa premennej y. Ak existuje limita.
Teória prednáška č. 9 Deinícia parciálna deriácia nkcie podľa premennej Nech nkcia Ak eistje limita je deinoaná okolí bod [ ] lim. tak túto limit nazýame parciálno deriácio nkcie podľa premennej bode [
Zložené funkcie a substitúcia
3. kapitola Zložené funkcie a substitúcia Doteraz sme sa pri funkciách stretli len so závislosťami medzi dvoma premennými. Napríklad vzťah y=x 2 nám hovoril, ako závisí premenná y od premennej x. V praxi
Príklady na precvičovanie Fourierove rady
Príklady na precvičovanie Fourierove rady Ďalším významným typom funkcionálnych radov sú trigonometrické rady, pri ktorých sú jednotlivé členy trigonometrickými funkciami. Konkrétne, jedná sa o rady tvaru
4. domáca úloha. distribučnú funkciu náhodnej premennej X.
4. domáca úloha 1. (rovnomerné rozdelenie) Električky idú v 20-minútových intervaloch. Cestujúci príde náhodne na zastávku. Určte funkciu hustoty rozdelenia pravdepodobnosti a distribučnú funkciu náhodnej
Priamkové plochy. Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava
Priamkové plochy Priamkové plochy Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava Priamkové plochy rozdeľujeme na: Rozvinuteľné
FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITY KOMENSKÉHO V BRATISLAVE. Ekonomická a finančná matematika DIPLOMOVÁ PRÁCA
FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITY KOMENSKÉHO V BRATISLAVE Ekonomická a finančná matematika DIPLOMOVÁ PRÁCA apríl 2003, Bratislava Veronika Oláhová FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY
M8 Model "Valcová a kužeľová nádrž v sérií bez interakcie"
M8 Model "Valcová a kužeľová nádrž v sérií bez interakcie" Úlohy: 1. Zostavte matematický popis modelu M8 2. Vytvorte simulačný model v prostredí: a) Simulink zostavte blokovú schému, pomocou rozkladu
PREHĽAD ZÁKLADNÝCH VZORCOV A VZŤAHOV ZO STREDOŠKOLSKEJ MATEMATIKY. Pomôcka pre prípravný kurz
KATEDRA APLIKOVANEJ MATEMATIKY A INFORMATIKY STROJNÍCKA FAKULTA TU KOŠICE PREHĽAD ZÁKLADNÝCH VZORCOV A VZŤAHOV ZO STREDOŠKOLSKEJ MATEMATIKY Pomôcka pre prípravný kurz 8 ZÁKLADNÉ ALGEBRAICKÉ VZORCE ) (a±b)
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY MINIMAXNÉ OPTIMÁLNE NÁVRHY REGRESNÝCH EXPERIMENTOV DIPLOMOVÁ PRÁCA 2014 Bc. Gabriel GROMAN UNIVERZITA KOMENSKÉHO V BRATISLAVE
Numerické metódy, pravdepodobnosť a matematická štatistika. Ján BUŠA Viktor PIRČ Štefan SCHRÖTTER
Numerické metódy, pravdepodobnosť a matematická štatistika Ján BUŠA Viktor PIRČ Štefan SCHRÖTTER Košice 2006 RECENZOVALI: Prof. RNDr. Jozef Doboš, CSc. Doc. RNDr. Vladimír Penjak, CSc. Prvé vydanie Za
Rozsah hodnotenia a spôsob výpočtu energetickej účinnosti rozvodu tepla
Rozsah hodnotenia a spôsob výpočtu energetickej účinnosti príloha č. 7 k vyhláške č. 428/2010 Názov prevádzkovateľa verejného : Spravbytkomfort a.s. Prešov Adresa: IČO: Volgogradská 88, 080 01 Prešov 31718523
DIFERENCÁLNE ROVNICE Matematická analýza (MAN 2c)
Prírodovedecká fakulta Univerzity P. J. Šafárika v Košiciach Božena Mihalíková, Ivan Mojsej Strana 1 z 43 DIFERENCÁLNE ROVNICE Matematická analýza (MAN 2c) 1 Obyčajné diferenciálne rovnice 3 1.1 Úlohy
TECHNICKÁ UNIVERZITA V KOŠICIACH STROJNÍCKA FAKULTA MATEMATIKA 1. Funkcia jednej premennej a jej diferenciálny počet
TECHNICKÁ UNIVERZITA V KOŠICIACH STROJNÍCKA FAKULTA MATEMATIKA časťa Funkcia jednej premennej a jej diferenciáln počet Dušan Knežo, Miriam Andrejiová, Zuzana Kimáková 200 RECENZOVALI: prof. RNDr. Jozef
1 Prevod miestneho stredného slnečného času LMT 1 na iný miestny stredný slnečný čas LMT 2
1 Prevod miestneho stredného slnečného času LMT 1 na iný miestny stredný slnečný čas LMT 2 Rozdiel LMT medzi dvoma miestami sa rovná rozdielu ich zemepisných dĺžok. Pre prevod miestnych časov platí, že
Teória pravdepodobnosti
2. Podmienená pravdepodobnosť Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 23. februára 2015 1 Pojem podmienenej pravdepodobnosti 2 Nezávislosť náhodných udalostí
Numerické metódy, pravdepodobnosť a matematická štatistika
Numerické metódy, pravdepodobnosť a matematická štatistika Ján BUŠA Viktor PIRČ Štefan SCHRÖTTER Strana 1 z 262 Košice 2006 RECENZOVALI: Prof. RNDr. Jozef Doboš, CSc. Doc. RNDr. Vladimír Penjak, CSc. Strana
Prednáška Fourierove rady. Matematická analýza pre fyzikov IV. Jozef Kise lák
Prednáška 6 6.1. Fourierove rady Základná myšlienka: Nech x Haφ 1,φ 2,...,φ n,... je ortonormálny systém v H, dá sa tento prvok rozvinút do radu x=c 1 φ 1 + c 2 φ 2 +...,c n φ n +...? Ako nájdeme c i,
Goniometrické nerovnice
Ma-Go--T List Goniometrické nerovnice RNDr. Marián Macko U: Problematiku, ktorej sa budeme venovať, začneme úlohou. Máme určiť definičný obor funkcie f zadanej predpisom = sin. Máš predstavu, s čím táto
Úvod do lineárnej algebry
Katedra matematiky Fakulta elektrotechniky a informatiky Technická Univerzita v Košiciach Úvod do lineárnej algebry Monika Molnárová, Helena Myšková 005 RECENZOVALI: RNDr. Štefan Schrötter, CSc. RNDr.
RIEŠENIE WHEATSONOVHO MOSTÍKA
SNÁ PMYSLNÁ ŠKOL LKONKÁ V PŠŤNO KOMPLXNÁ PÁ Č. / ŠN WSONOVO MOSÍK Piešťany, október 00 utor : Marek eteš. Komplexná práca č. / Strana č. / Obsah:. eoretický rozbor Wheatsonovho mostíka. eoretický rozbor
Zadanie projektov z Optimálneho riadenia 1, r. 2016/17
Zadanie projektov z Optimálneho riadenia 1, r. 2016/17 Výber témy: Každá dvojica si vyberie ľubovoľnú tému z poskytnutých piatich tém. Zvolenú tému zapíše na hárok zavesený na stene medzi M267 a M268 do
PRIEMER DROTU d = 0,4-6,3 mm
PRUŽINY PRUŽINY SKRUTNÉ PRUŽINY VIAC AKO 200 RUHOV SKRUTNÝCH PRUŽÍN PRIEMER ROTU d = 0,4-6,3 mm èíslo 3.0 22.8.2008 8:28:57 22.8.2008 8:28:58 PRUŽINY SKRUTNÉ PRUŽINY TECHNICKÉ PARAMETRE h d L S Legenda
Podmienenost problému a stabilita algoritmu
Podmienenost problému a stabilita algoritmu Ing. Gabriel Okša, CSc. Matematický ústav Slovenská akadémia vied Bratislava Stavebná fakulta STU G. Okša: Podmienenost a stabilita 1/19 Obsah 1 Vektorové a
Numerické metódy Zbierka úloh
Blanka Baculíková Ivan Daňo Numerické metódy Zbierka úloh Strana 1 z 37 Predhovor 3 1 Nelineárne rovnice 4 2 Sústavy lineárnych rovníc 7 3 Sústavy nelineárnych rovníc 1 4 Interpolačné polynómy 14 5 Aproximácia
Meranie na jednofázovom transformátore
Fakulta elektrotechniky a informatiky TU v Košiciach Katedra elektrotechniky a mechatroniky Meranie na jednofázovom transformátore Návod na cvičenia z predmetu Elektrotechnika Meno a priezvisko :..........................
Podnikateľ 90 Mobilný telefón Cena 95 % 50 % 25 %
Podnikateľ 90 Samsung S5230 Samsung C3530 Nokia C5 Samsung Shark Slider S3550 Samsung Xcover 271 T-Mobile Pulse Mini Sony Ericsson ZYLO Sony Ericsson Cedar LG GM360 Viewty Snap Nokia C3 Sony Ericsson ZYLO
18. kapitola. Ako navariť z vody
18. kapitola Ako navariť z vody Slovným spojením navariť z vody sa zvyknú myslieť dve rôzne veci. Buď to, že niekto niečo tvrdí, ale nevie to poriadne vyargumentovať, alebo to, že niekto začal s málom
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY VPLYV KORELÁCIE MEDZI FAKTORMI NA CENY DLHOPISOV V DVOJFAKTOROVÝCH SHORT RATE MODELOCH DIPLOMOVÁ PRÁCA 018 Bc. Zuzana GIROVÁ
Základné vzťahy medzi hodnotami goniometrických funkcií
Ma-Go-2-T List Základné vzťahy medzi hodnotami goniometrických funkcií RNDr. Marián Macko U: Predstav si, že ti zadám hodnotu jednej z goniometrických funkcií. Napríklad sin x = 0,6. Vedel by si určiť