동적 헤지의 헤지 비율

기업의 최적 헤지 비율을 추정하기 위해 다음과 같은 선형 회귀 모델을 사용합니다.

OLS 방법은 과거 데이터를 기반으로 기존 시계열 데이터로 분석하여 회귀 분석 결과가 현물과 선물 가격 간의 관계를 더 잘 설명할 수 있도록 합니다.

헤징 작업에서 LLDPE 를 예로 들어 헤징의 최적 비율을 분석하여 기업이 헤징을 통해 위험을 피할 수 있도록 했습니다.

우리는 1 개월 데이터를 선택하여 헤징 운영 계획의 첫 번째 기간 헤징 비율을 추정하고 다음과 같은 결과를 얻었습니다.

우리는 2 단계 헤지 비율을 추정하기 위해 3 개월 데이터를 선택했습니다.

우리는 3 기 헤징 비율을 추정하기 위해 5 개월의 데이터를 선정하여 다음과 같은 결과를 얻었다.

따라서 우리는 다음과 같은 결론을 내릴 수 있습니다: 3 단계 헤징의 헤징 비율은 다음과 같습니다.

구체적인 운영 과정에서 위에서 언급한 헷지 비율과 계약 수량의 변환 공식에 따라 구매한 계약은 다음과 같습니다.

LLDPE0907 계약 10000*0.0333=333 톤 약 66 계약.

LLDPE0909 계약 8000*0. 1236=989 톤 약 198 계약.

LLDPE09 1 1 계약 6000*0. 1223=734 톤 약 147 계약.

5 개월 데이터의 경우, 우리는 예측의 현물 수익률과 OLS 헤징으로 얻은 실제 현물 수익률을 비교한 도표를 제시했다. 그림에서 볼 수 있듯이 현물 수익률은 변동이 크지만 OLS 최적 헤징을 통해 가격 변동을 없애고 가격 변동의 위험을 낮출 수 있습니다.

최소 분산 (MV) 모델의 원리에 따르면 LLDPE 현물과 선물 계약이 포함된 포트폴리오가 있다고 가정해 봅시다. 포트폴리오에서 현물과 선물의 위치는 각각 및 이고, 포트폴리오의 수익률은 다음과 같이 나타낼 수 있습니다.

위의 공식에서, 그것은 헤지 비율, 즉, 투자 포트폴리오에 대한 헤지 포지션 수익의 차이를 얻는 것입니다. 1 차 조건의 최적 헤징 비율 분석 공식은 동적 헤징 위치의 정의 표현식이기도 하다. (마하트마 간디, 동적 헤징, 동적 헤징, 헤징, 헤징, 헤징, 헤징, 헤징) 그중에서, 그리고 각각 현물과 선물수익의 표준 편차, 그리고 그것들의 관련 계수를 나타낸다.