CAPM Capital Asset Pricing Model


Il CAPM (Capital Asset Pricing Model) è un modello matematico della teoria di portafoglio (H. Markowitz) pubblicato da William Sharpe nel 1964, che determina una relazione tra il rendimento di un titolo e la sua rischiosità, misurata tramite un unico fattore di rischio, detto beta.
Nel dettaglio, considerando un mondo semplificato in cui non esistono tasse e costi di transazione e in cui gli investitori hanno sia lo stesso orizzonte temporale per gli investimenti che le stesse identiche opinioni sui rendimenti attesi e sulla rischiosità, il portafoglio di mercato sarà quello efficiente introdotto da Tobin.
In tale mondo, investendo in un titolo, si possono incontrare due tipi di rischi:
1)      rischio diversificabile (tipo di rischio che può essere eliminato investendo in un portafoglio di attività finanziarie);
2)      rischio sistemico (tipo di rischio implicito nell’investimento di una specifica attività finanziaria, è denominato anche rischio di mercato, e non è eliminabile attraverso la diversificazione).
Ipotizzando di investire nell’intero mercato azionario con l’acquisto di un fondo comune di investimento, verrebbe così eliminato il primo tipo di rischio grazie proprio alla diversificazione.
Si rimarrebbe comunque esposti al rischio sistemico, poichè l’andamento del mercato azionario è influenzato dalle condizioni del sistema economico e, di conseguenza, il rendimento atteso del mercato azionario sarà maggiore del tasso risk-free, ovvero senza rischio.
Il modello CAPM ci permette di trovare il rendimento atteso di un titolo n come la somma tra il tasso risk-free e un premio di rischio che esprima il rischio non diversificabile. Il premio dipenderà molto da un coefficiente beta che misura la reattività del rendimento di un titolo ai movimenti del mercato. Tanto maggiore è il coefficiente beta, tanto maggiore sarà il rendimento atteso dell’attività n, perchè possiede un maggior grado di rischio non diversificabile. Un investitore esigerà quindi un rendimento atteso più elevato per detenere un’attività finanziaria più rischiosa. 
Il modello fu poi sviluppato indipendentemente da Lintner (1965) e da Mossin (1966).

Per il suo contributo al modello CAPM Sharpe ha condiviso nel 1990, assieme a Merton Miller e Harry Markowitz, il premio Nobel per l’Economia.

Commenti

Posta un commento

Post popolari in questo blog

Il moto browniano geometrico

Immagine
Il moto browniano geometrico (a volte detto moto browniano esponenziale) è un processo stocastico in tempo continuo in cui il logaritmo della quantità variabile nel tempo segue un moto browniano, o, forse più precisamente, un processo di Wiener. Il processo è ritenuto appropriato per modellizzare alcuni fenomeni dei mercati finanziari. In particolare, tale processo assume particolare rilevanza in ambito finanziario, in particolare nell’option pricing, in quanto nel modello di Black-Scholes-Merton viene ipotizzato che il prezzo dell’azione sottostante segua un tale processo. Il moto browniano geoemetrico soddisfa la seguente equazione differenziale stocastica: dove è un moto browniano standard e , il drift percentuale istantaneo, e , la volatilità percentuale istantanea, sono costanti reali. L’equazione ha una soluzione analitica nella forma: La variabile aleatoria ha distribuzione Normale con media e varianza . Segue il codice in VB.NET per generare una serie storica dei p
Continua a leggere

Resampling dei dati

Immagine
Il Resampling , anche detto ricampionamento dei dati, rappresenta un'interessante procedura inferenziale che permette di aumentare il potenziale informativo di un campione attraverso l'estrazione di sottocampioni dello stesso. In statistica, con i metodi di resampling dei dati o di ricampionamento si indicano differenti metodi per: stimare la precisione di campioni statistici (mediana, varianza, percentili) usando sottoinsiemi dei dati o scelti casualmente mediante sostituzioni a partire da un insieme dei dati; scambiare etichette sui dati quando si eseguono test di significatività; confermare modelli usando sottoinsiemi casuali. Si può quindi distinguere tra metodi basati sull’estrazione casuale di sottoinsiemi dei dati campionari e metodi nei quali il resampling avviene secondo una procedura non randomizzata.  Appartengono alla prima categoria il bootstrap e sue varianti come il subsampling .  Rientrano invece nella seconda procedure come il jackknif
Continua a leggere

Generazioni di variabili aleatorie

Immagine
Sono detti numeri pseudo-casuali (in inglese pseudo-random numbers ) i numeri generati da un algoritmo deterministico che produce una sequenza con, approssimativamente, le stesse proprietà statistiche di una sequenza di numeri generata da un processo casuale. Tale algoritmo è detto generatore di numeri pseudo-casuali (PRNG, dall'inglese pseudo-random numbers generator ). Le sequenze di numeri pseudo-casuali vengono solitamente generate da un computer e utilizzate per algoritmi basati su processi casuali, come i metodi di tipo Monte Carlo o le applicazioni di crittografia. Quando invece occorrono sequenze di numeri realmente casuali, si utilizza un generatore hardware di numeri casuali. La classe Random nel linguaggio VB Net rappresenta un generatore di numeri pseudo-casuali, ovvero un dispositivo che produce una sequenza di numeri che soddisfano determinati requisiti statistici di casualità. La sintassi è la seguente: VB <SerializableAttribute> <ComVisi
Continua a leggere