Esercitazione CFA Level I su metodi quantitativi e reddito fisso: pacchetto last-minute

Valore temporale del denaro: il denaro di oggi vale più della stessa somma in futuro, perché può fruttare interessi. Con un tasso i per periodo, un importo cresce a FV = PV·(1 + i)ⁿ. Una serie di pagamenti uguali (una rendita) si valuta sommando ogni pagamento, da cui le formule delle rendite.

Valore temporale del denaro: il denaro di oggi vale più della stessa somma in futuro, perché può fruttare interessi. Con un tasso i per periodo, un importo cresce a FV = PV·(1 + i)ⁿ. Una serie di pagamenti uguali (una rendita) si valuta sommando ogni pagamento, da cui le formule delle rendite.

Valore attuale netto: attualizza ogni flusso di cassa a oggi con il rendimento richiesto r, poi sommali: NPV = Σ CFₜ/(1 + r)ᵗ. Un progetto con NPV > 0 rende più di r e crea valore. Il tasso interno di rendimento (TIR) è il tasso per cui NPV = 0.

TIR modificato: capitalizza ogni entrata fino alla fine del progetto al tasso di reinvestimento (di solito il costo del capitale) per ottenere il valore finale TV. Il MIRR è il tasso che trasforma l’investimento iniziale in TV: MIRR = (TV/C₀)^(1/n) − 1.

Prezzo di un’obbligazione: il prezzo di un’obbligazione è il valore attuale dei suoi flussi di cassa, scontati al rendimento a scadenza (YTM): le cedole formano una rendita e il valore nominale viene rimborsato alla scadenza. P = C·(1 − (1 + y)⁻ⁿ)/y + F/(1 + y)ⁿ. Quando il rendimento è superiore al tasso cedolare l’obbligazione quota sotto la pari, e viceversa.

Prezzo di un’obbligazione: il prezzo di un’obbligazione è il valore attuale dei suoi flussi di cassa, scontati al rendimento a scadenza (YTM): le cedole formano una rendita e il valore nominale viene rimborsato alla scadenza. P = C·(1 − (1 + y)⁻ⁿ)/y + F/(1 + y)ⁿ. Quando il rendimento è superiore al tasso cedolare l’obbligazione quota sotto la pari, e viceversa.

Costo del capitale: il CAPM dà il rendimento richiesto dagli azionisti: r_e = r_f + β·(r_m − r_f). Il costo medio ponderato del capitale combina capitale proprio e debito in base ai loro valori di mercato: WACC = E/V·r_e + D/V·r_d·(1 − T), con V = E + D. Gli interessi sono fiscalmente deducibili, da qui il fattore (1 − T).

Beta levered (Hamada): il debito rende il capitale proprio più rischioso. β_L = β_U·(1 + (1 − T)·D/E), dove β_U è il beta dell’attività senza debito. Per trasferire un beta a un’altra struttura del capitale, prima rendilo unlevered e poi ricalcolalo levered al nuovo D/E.

Statistica descrittiva: la media è la somma divisa per n; la mediana è il valore centrale dei dati ordinati (la media dei due centrali se n è pari). La deviazione standard campionaria è s = √(Σ(x − x̄)²/(n − 1)). Un punteggio z = (x − μ)/σ dice a quante deviazioni standard dalla media si trova un valore.

Statistica descrittiva: la media è la somma divisa per n; la mediana è il valore centrale dei dati ordinati (la media dei due centrali se n è pari). La deviazione standard campionaria è s = √(Σ(x − x̄)²/(n − 1)). Un punteggio z = (x − μ)/σ dice a quante deviazioni standard dalla media si trova un valore.

Variabili aleatorie discrete: una distribuzione di probabilità elenca ogni valore x che una variabile può assumere con la sua probabilità p(x); le probabilità sono comprese tra 0 e 1 e sommano a 1. Il valore atteso (media) è E(X) = Σx·p(x), la media a lungo termine. La varianza è Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², e la deviazione standard è σ = √Var(X). Per una trasformazione lineare Y = aX + b: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) e σ_Y = |a|·σ_X; aggiungere una costante non cambia la dispersione.

Probabilità: con esiti equiprobabili, P(A) = casi favorevoli/casi possibili. Per eventi indipendenti si moltiplica: P(A e B) = P(A)·P(B). Il complementare aiuta spesso: P(almeno uno) = 1 − P(nessuno). Binomiale: in n prove indipendenti con probabilità di successo p, P(X = k) = C(n, k)·pᵏ·(1 − p)ⁿ⁻ᵏ.

Somme e differenze di variabili normali: se X e Y sono indipendenti e normali, anche X + Y e X − Y sono normali. Le medie si sommano o si sottraggono: E(X ± Y) = μ_X ± μ_Y. Le varianze si sommano sempre, anche per una differenza: Var(X ± Y) = σ_X² + σ_Y², quindi σ = √(σ_X² + σ_Y²). Le deviazioni standard non si sommano mai direttamente. Il totale di n elementi indipendenti con la stessa distribuzione ha media n·μ e deviazione standard σ·√n. Poi standardizza come al solito: z = (x − media)/σ e leggi Φ(z).

Distribuzione normale: trasforma un valore x in un punteggio z, z = (x − μ)/σ, che indica a quante deviazioni standard dalla media si trova. Una tavola z (o Φ(z)) dà l’area a sinistra di z, cioè P(X < x). L’area a destra è 1 − Φ(z), e l’area tra due valori è la differenza delle loro due aree.

Interval for a difference: estimate ± critical value × standard error. For two independent means with known σ: SE = √(σ₁²/n₁ + σ₂²/n₂) and z. With equal unknown variances: pooled s_p and t with n₁ + n₂ − 2 degrees of freedom. For paired data, work with the differences: d̄ ± t·s_d/√n.

Intervallo di confidenza per una media: x̄ ± margine di errore. Con σ della popolazione nota il margine è z·σ/√n; se hai solo la deviazione standard campionaria s, usa t con n − 1 gradi di libertà: t·s/√n. Valori critici: z = 1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Per ottenere un margine pari a E o inferiore serve n ≥ (z·σ/E)², arrotondato per eccesso.

Test su una media: la statistica test misura a quanti errori standard la media campionaria si trova dal valore dichiarato in H₀: z = (x̄ − μ₀)/(σ/√n) se σ è nota, t = (x̄ − μ₀)/(s/√n) se viene stimata dal campione. Un intervallo di confidenza è x̄ ± (valore critico)·(errore standard).

Test su una media: la statistica test misura a quanti errori standard la media campionaria si trova dal valore dichiarato in H₀: z = (x̄ − μ₀)/(σ/√n) se σ è nota, t = (x̄ − μ₀)/(s/√n) se viene stimata dal campione. Un intervallo di confidenza è x̄ ± (valore critico)·(errore standard).

Regressione ai minimi quadrati: con x̄ e ȳ le medie, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² e Sxy = Σ(x − x̄)(y − ȳ), la retta ŷ = a + b·x ha pendenza b = Sxy/Sxx e intercetta a = ȳ − b·x̄, quindi passa sempre per (x̄, ȳ). Il coefficiente di correlazione di Pearson r = Sxy/√(Sxx·Syy) è compreso tra −1 e 1; r² è la frazione della variabilità di y spiegata dalla retta.

Regressione ai minimi quadrati: con x̄ e ȳ le medie, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² e Sxy = Σ(x − x̄)(y − ȳ), la retta ŷ = a + b·x ha pendenza b = Sxy/Sxx e intercetta a = ȳ − b·x̄, quindi passa sempre per (x̄, ȳ). Il coefficiente di correlazione di Pearson r = Sxy/√(Sxx·Syy) è compreso tra −1 e 1; r² è la frazione della variabilità di y spiegata dalla retta.