Finanskurs for datere III – Verdivurdering

Når man skal sammenligne prosjekter, for så å velge det man tror vil få den høyeste avkastningen, er det svært viktig at man har de riktige verktøyene for å gjøre en slik vurdering. Og igjen har finansteorien en rekke fiffige verktøy/begreper/modeller som er svært anvendelige.

I tidligere tider gjorde man ofte kun en vurdering basert på at man satte noen verdier for fremtidig utvikling, og regnet seg frem til et forventet resultat. Alt vel og bra, men det er bare det at de fleste forutsetningene er usikre, såkalt stokastiske. Og det å forsøke å finne EN verdi for en slik variabel, er å sammenligne med å spikre gele til en vegg. Ser du det for deg? Det er svært vanskelig å spikre gele til en vegg.

Så det vi MÅ gjøre, er å ikke bare si noe om den forventede avkastningen, men også om risikoen.

Da må det et mer finmasket garn til. Dette garnet skaffer man seg gjennom en simuleringsmodell. Altså; man kartlegger alle variablene, og det utfallsrommet de kan forventes å få. Et eksempel:

Variabel A har en forventet verdi 1. Men etter å ha tenkt nøye over det, tror vi at det er mulig at verdien kan bli 0, og det er mulig at verdien kan bli 2. I dette øyeblikk, kjære datere, har vi definert en sannsynlighetskurve for variabel A. Dette gjør vi for alle relevante variable, og i tillegg sier vi noe om sammenhengene mellom variablene, enten ved å definere en ligning, kalt en regresjon, eller ved å definere om de beveger seg i takt eller i motsatt retning, kalt en korrelasjon. Vi definerer diverse målvariable matematisk, og bygger en elegant modell som vi så kjører inn i den store kverna, kalt Monte Carlo simulering. Navnet beviser for øvrig at statistikk/finansnerder ikke er så usexy i perspektivene som det kan synes, vi HAR faktisk skjønt at raske biler har noe for seg. Dessuten, sjekk fotnote 1). Monte Carlo simulering ble utviklet for de virkelige stjernesmellene, og det er jo det vi datere er ute etter.

Så, kjære datere, la oss lage en modell. Vi kaller det Standardmodellen for date-seleksjon (SDS). Altså, en modell vi skal bruke for å velge ut hvem som er verdt å date. Målfunksjonen er: Forventet utbytte av date.

Modellen vil gi estimater på både forventet avkastning og risiko. Merk at brukeren selv må sette alle variablene. De vil være individuelle.

Vi definerer for enkelhets skyld alle variable til å kunne ha verdier mellom 0 og 100, der en normalfordelingstilnærming skulle tilsi at forventet verdi er 50. Eller sagt på en annen måte; gjennomsnittsdatingmaterialet vil ha verdi på 50. Så definerer vi følgende variable som beskrivende for en vellykket date:

1. Hvordan personen ser ut?. Vi har selvsagt sett bilde.
2. Hvor snakkesalig virker personen? Har vi snakket godt på telefon? For om det er noe alle kvinner vet, så er det at man må snakke på telefon før man treffes.
3. Har personen en humor som passer med vår og som borger for en morsom kveld?
4. Virker personen ærlig? Dette er en vanskelig variabel å anslå, her må vi stole på intuisjonen, men den er ofte god hos garvede datere.
5. Er personen i terminmarkedet? Viktig at dette perspektivet stemmer, se ”Finans for datere I”.
6. Er du i terminmarkedet? Det er selvsagt en god ting om dette sammenfaller.

I tillegg forutsetter vi en korrelasjon, altså samvariasjon, mellom variabel 2 og variabel 3. Jeg har sjelden møtt en som er stum som en østers men likevel har humor. Uansett så hjelper det jo ikke å ha humor om man ikke får den ut.

VÃ¥r enkle modell blir da:

GJENNOMSNITT(V₁,V₂,V₃,V₄,V₅,V₆) gitt KORR(V₂,V₃).

Anta at jeg har to personer jeg vurderer å date, men av ulike årsaker kan jeg bare date en av dem. Kall dem Arne og Per. Jeg bruker modellen for å finne ut følgende:

1) Har Arne eller Per høyest forventet dateverdi?
2) Hvordan ser risikobildet ut? Dette måler vi ved det beregnede standardavviket til den forventede dateverdien. Det tallfester risikoen.
3) Om begge daterne får forventningsverdier under 50, er de altså begge under gjennomsnittet. Da kan det kanskje være en ide å droppe begge to.

Vi legger inn informasjon om Arne og Per i modellen:

Tabellen viser at Arne ser ut til å være en over gjennomsnittlig forventet date, mens Per ser ut til å befinne seg noe under gjennomsnittet. Imidlertid må vi kjøre modellen for å skaffe oss mer informasjon om Per og Arne.

Simuleringsresultater:

Grafisk:

Og voila! Der har vi plutselig en hel masse interessant informasjon om Arne og Per. For eksempel:

Arne har fortsatt høyeste forventede dateverdi, men den er lavere enn i base case. På fagspråket – risikojustert avkastning er lavere enn forventet avkastning. Per har litt høyere avkastning, og ligger nå på gjennomsnittet.Arne har større standardavvik enn Per. Det skyldes at det er større risiko knyttet til Arne. Selv om vi tar hensyn til at Per’s gjennomsnitt er lavere, er det fortsatt større risiko knyttet til Arne (12,7%) enn til Per (11,5%).

Arne’s minimumsverdi er LAVERE enn Per’s. Altså, det kan bli objektivt sett mer mislykket å date Arne. Interessant nok, siden han i utganspunktet har høyere forventet verdi. Det er ingen tvil om at det er mer risiko knyttet til Arne.

Arne’s maksimumsverdi er betraktelig høyere enn Per’s. Det er en mye større oppside ved å date Arne.

Det modelleieren må gjøre, når disse resultatene er inne, er å se på sin egen risikobærende evne. Altså; siden det ikke er tvil om at Arne har høyest forventet avkastning, bør han velges om man kan leve med risikoen knyttet til Arne. Kan man ikke ta så mye risiko, bør man kanskje se på Per. Men han er en forventet gjennomsnittsdate, med liten oppside.

Jeg hadde sikkert valgt å date Arne. For det ser for meg ut som om den potensielle oppsiden gjør at nedsiden er til å leve med. Ja da, det KAN bli enda mer mislykket enn en date med Per (28 mot 30), men du verden det kan bli mye mer vellykket også (82 mot 69).

Modellen kan selvsagt utbygges og raffineres. Vi lever tross alt i en kompleks virkelighet, og mennesker er mer komplekse enn de fleste andre vesener. Modeller vil kunne skreddersys og utvikles for den enkelte dater, på henvendelse til Iskwew@dating-simulationmodels.com, og mot et lite fee. Som ikke på noe vis er ublu, tatt i betraktning hva kundene får ut av det.

Isk
*så akkurat en forretningsmulighet*

1) The term Monte Carlo was introduced during World War II as a code name for simulation of problems associated with development of the atomic bomb.

Iskwew ©