Riziko, nejistota a pojištění

Tato strana spadá do kurzu Mikroekonomie 2 (mikK) a navazuje na teorii užitku a preferencí. Aplikace na strategickou nejistotu (rozhodování pod akcí protihráče) viz Vězňovo dilema a teorie her. Konkrétní zkouškové úlohy jsou shrnuty v přehledu vzorových zkoušek a vzorce v kompletním přehledu vzorců.

1. Riziko vs. nejistota — Knightova distinkce

Klasické rozlišení od Franka Knighta (1921, Risk, Uncertainty, and Profit) odděluje dvě kategorie neúplné informace o budoucnosti:

Riziko — známe množinu možných výsledků i pravděpodobnosti, s nimiž nastanou. Příklady:
- Hod kostkou: 6 výstupů, každý s pravděpodobností $1/6$ .
- Pojistná matematika: tabulky úmrtnosti, požárů, pojistných událostí.
- Loterijní výhry s definovaným pravidlem výplaty.
Nejistota — známe pouze možné výstupy (nebo ani ty), pravděpodobnosti jsou neznámé. Příklady:
- Úspěch nového start-upu na trhu, který ještě neexistuje.
- Geopolitické šoky, válka, regulační zásah.
- Reakce konkurence v oligopolu, kde nemá historickou stopu.

V praxi není hranice ostrá: subjekt si často subjektivně přiřadí pravděpodobnosti i k nejistým událostem (Bayesovský přístup). Pak se nejistota redukuje na riziko s vlastním pravděpodobnostním pohledem.

2. Loterie jako popis rizikové situace

Loterie je formální zápis rizikové alternativy. Zapisujeme ji jako množinu dvojic:

L = \{(x_1, p_1), (x_2, p_2), \ldots, (x_n, p_n)\}

kde:

$x_i$ je výplata (výsledné bohatství, příjem, zisk) v $i$ -tém scénáři,
$p_i$ je pravděpodobnost, že tento scénář nastane,
platí $\sum_{i=1}^n p_i = 1$ a $p_i \geq 0$ .

Příklad loterie: vsadíme na hod mincí, hlava → 100 Kč, orel → 0 Kč.

L = \{(100, 0{,}5), (0, 0{,}5)\}

Loterie může být i degenerovaná — jeden výstup s pravděpodobností 1. Pak jde o jistotu, nikoli o riziko.

2.1 Očekávaná hodnota loterie

Očekávaná hodnota (střední hodnota výplaty) loterie:

E(L) = \sum_{i=1}^n p_i \cdot x_i

Pro mincový příklad: $E(L) = 0{,}5 \cdot 100 + 0{,}5 \cdot 0 = 50$ Kč.

3. Očekávaný užitek — von Neumann-Morgenstern

Centrální nástroj kurzu pro modelování rozhodnutí pod rizikem je očekávaný užitek (Expected Utility, EU) podle von Neumanna a Morgensterna (1944):

EU(L) = \sum_{i=1}^n p_i \cdot u(x_i)

kde $u(\cdot)$ je užitková funkce definovaná nad jistými výplatami (nad bohatstvím, příjmem). Užitek z loterie je vážený průměr užitků z jednotlivých výplat, kde vahami jsou pravděpodobnosti.

3.1 Axiomy vNM

Aby preference nad loteriemi byly reprezentovatelné očekávaným užitkem, musí splňovat čtyři axiomy:

Úplnost — pro každé dvě loterie umí spotřebitel říct, kterou preferuje (nebo je indiferentní).
Tranzitivita — z $L_1 \succ L_2$ a $L_2 \succ L_3$ plyne $L_1 \succ L_3$ .
Spojitost — pokud $L_1 \succ L_2 \succ L_3$ , existuje pravděpodobnost $p$ taková, že smíchaná loterie $pL_1 + (1-p)L_3$ je indiferentní s $L_2$ .
Nezávislost — pokud $L_1 \succ L_2$ , pak pro libovolnou třetí $L_3$ a $p \in (0,1)$ platí $pL_1 + (1-p)L_3 \succ pL_2 + (1-p)L_3$ .

Splnění těchto axiomů zaručuje existenci $u(\cdot)$ tak, že porovnání loterií se redukuje na porovnání jejich očekávaných užitků.

4. Tři typy přístupu k riziku

mikk-utility-postoj-k-riziku

Tvar užitkové funkce $u(W)$ nad bohatstvím rozhoduje o postoji k riziku. Rozhodující je konkavita / linearita / konvexita.

4.1 Risk-averse (averze k riziku)

Užitková funkce $u$ je konkávní ( $u'' < 0$ ).
Z Jensenovy nerovnosti plyne $u[E(L)] > E[u(L)]$ .
Slovně: užitek jistého průměrného výsledku převyšuje očekávaný užitek loterie se stejnou střední hodnotou.
Spotřebitel preferuje jistotu před stejně bohatou loterií.
Typické funkce: $u(W) = \sqrt{W}$ , $u(W) = \ln W$ , $u(W) = 1 - e^{-aW}$ .

4.2 Risk-neutral (neutralita k riziku)

$u$ je lineární ( $u'' = 0$ ).
$u[E(L)] = E[u(L)]$ .
Spotřebitel je indiferentní mezi loterií a jistotou se stejnou střední hodnotou.
Typická funkce: $u(W) = aW + b$ (běžně se klade $u(W) = W$ ).
Reálné aplikace: velké firmy s diverzifikovaným portfoliem, kde jednotlivé riziko je marginální.

4.3 Risk-loving (vyhledávání rizika)

$u$ je konvexní ( $u'' > 0$ ).
$u[E(L)] < E[u(L)]$ .
Spotřebitel preferuje loterii před jistotou se stejnou střední hodnotou.
Typické funkce: $u(W) = W^2$ , $u(W) = e^{aW}$ .
Reálné aplikace: kasinoví hráči, sázkaři, část mladých investorů.

5. Geometrie averze k riziku

Pro názornost uvažujme dvouvýstupovou loterii $L = \{(W_1, p), (W_2, 1-p)\}$ s konkávní $u$ :

Na grafu vyneseme $u(W)$ — konkávní křivka (např. $\sqrt{W}$ ).
Body $A = (W_1, u(W_1))$ a $B = (W_2, u(W_2))$ leží na křivce.
Sečna AB spojuje tyto body. Pro konkávní funkci leží sečna pod křivkou.
Bod sečny v horizontále $x = E(W) = pW_1 + (1-p)W_2$ má vertikální souřadnici právě $E[u(L)]$ .
Bod na křivce ve stejné horizontále má hodnotu $u[E(W)]$ .
Z konkavity: $u[E(W)] > E[u(L)]$ — užitek jistoty převyšuje očekávaný užitek loterie.

Pro konvexní $u$ je situace zrcadlová: sečna leží nad křivkou, $E[u(L)] > u[E(W)]$ . Pro lineární $u$ sečna splývá s grafem: $E[u(L)] = u[E(W)]$ .

6. Jistotní ekvivalent (Certainty Equivalent, CE)

Jistotní ekvivalent je jistá částka, která spotřebiteli přináší stejný užitek jako účast v rizikové loterii:

u(CE) = E[u(L)]

Z této rovnice se $CE$ řeší jako $CE = u^{-1}(E[u(L)])$ .

typ spotřebitele	vztah CE a E(L)	interpretace
risk-averse	$CE < E(L)$	Akceptuje jistou částku menší než průměr loterie.
risk-neutral	$CE = E(L)$	Akceptuje jistou částku rovnou průměru.
risk-loving	$CE > E(L)$	Vyžaduje jistou částku vyšší než průměr (jinak preferuje sázku).

6.1 Riziková prémie

Riziková prémie $RP$ vyjadřuje, kolik je spotřebitel ochoten obětovat z očekávané výplaty, aby se zbavil rizika:

RP = E(L) - CE

Pro risk-averse: $RP > 0$ — připravený platit za odstranění rizika.
Pro risk-neutral: $RP = 0$ .
Pro risk-loving: $RP < 0$ — sám by si připlatil, aby riskoval.

7. Pojištění — fair vs. unfair premium

Aplikujeme aparát na pojistnou situaci. Spotřebitel má bohatství $W$ a hrozí mu ztráta $L$ s pravděpodobností $p$ (např. úraz, požár, krádež).

7.1 Bez pojištění

Loterie:

\{(W, 1-p), (W - L, p)\}

Očekávané bohatství:

E(W) = (1-p) \cdot W + p \cdot (W - L) = W - pL

Očekávaný užitek:

EU = (1-p) \cdot u(W) + p \cdot u(W - L)

7.2 Spravedlivá pojistka (fair premium)

Fair premium $\pi_F$ pokrývá právě očekávanou ztrátu:

\pi_F = p \cdot L

Pojišťovna na takové pojistce v průměru nic nevydělá ani neztratí (pomineme administrativu). Při plném pojištění má spotřebitel po zaplacení pojistného jistý příjem $W - \pi_F = W - pL$ , což se přesně rovná $E(W)$ z nepojištěné loterie.

7.3 Maximální pojistka (maximum premium)

Maximum premium $\pi_{\max}$ vyrovnává užitky (nikoli peněžní hodnoty):

u(W - \pi_{\max}) = (1-p) \cdot u(W) + p \cdot u(W - L)

Po vyřešení:

\pi_{\max} = W - u^{-1}\bigl[(1-p) \cdot u(W) + p \cdot u(W - L)\bigr]

7.4 Vztah $\pi_F$ a $\pi_{\max}$

typ spotřebitele	vztah	důsledek
risk-averse	$\pi_F < \pi_{\max}$	Vždy přijme fair premium (a unfair až do $\pi_{\max}$ ).
risk-neutral	$\pi_F = \pi_{\max}$	Indiferentní vůči fair premium, neplatí nadprůměr.
risk-loving	$\pi_F > \pi_{\max}$	Fair premium je pro něj drahé, nepojistí se ani férově.

8. Numerický příklad — kompletně dořešený

Zadání ve stylu zkouškové úlohy:

Spotřebitel má užitkovou funkci $u(W) = \sqrt{W}$ , počáteční bohatství $W = 100$ . Hrozí mu ztráta $L = 75$ s pravděpodobností $p = 0{,}1$ . Spočítejte:
Očekávané bohatství.
Očekávaný užitek.
Jistotní ekvivalent.
Rizikovou prémii.
Maximální pojistku.
Spravedlivou pojistku a posuďte, zda se spotřebitel pojistí.

Krok 1 — Očekávané bohatství

E(W) = 0{,}9 \cdot 100 + 0{,}1 \cdot (100 - 75) = 0{,}9 \cdot 100 + 0{,}1 \cdot 25 = 90 + 2{,}5 = 92{,}5

Krok 2 — Očekávaný užitek

EU = 0{,}9 \cdot \sqrt{100} + 0{,}1 \cdot \sqrt{25} = 0{,}9 \cdot 10 + 0{,}1 \cdot 5 = 9 + 0{,}5 = 9{,}5

Krok 3 — Jistotní ekvivalent

\sqrt{CE} = 9{,}5 \quad\Rightarrow\quad CE = 9{,}5^2 = 90{,}25

Krok 4 — Riziková prémie

RP = E(W) - CE = 92{,}5 - 90{,}25 = 2{,}25

Spotřebitel je ochoten obětovat až 2,25 Kč z očekávané výplaty výměnou za jistotu.

Krok 5 — Maximální pojistka

Hledáme $\pi_{\max}$ tak, aby $u(W - \pi_{\max}) = EU = 9{,}5$ :

\sqrt{100 - \pi_{\max}} = 9{,}5 \quad\Rightarrow\quad 100 - \pi_{\max} = 90{,}25 \quad\Rightarrow\quad \pi_{\max} = 9{,}75

Krok 6 — Spravedlivá pojistka a rozhodnutí

\pi_F = p \cdot L = 0{,}1 \cdot 75 = 7{,}5

Srovnání: $\pi_F = 7{,}5 < \pi_{\max} = 9{,}75$ .

Kontrolní výpočet

Po pojištění (zaplaceno $\pi_F = 7{,}5$ ) má spotřebitel jisté bohatství $100 - 7{,}5 = 92{,}5$ a užitek $\sqrt{92{,}5} \approx 9{,}617$ . Bez pojištění byl jeho očekávaný užitek $9{,}5$ . Pojištěním vzrostl o $\approx 0{,}117$ jednotky užitku — proto se pojistí.

9. Co určuje míru averze k riziku

Averze k riziku není binární — měří se velikostí zakřivení užitkové funkce. Standardní míry:

9.1 Arrow-Pratt absolutní averze

r_A(W) = -\frac{u''(W)}{u'(W)}

Vysoké $r_A$ → silná averze.
$r_A = 0$ → risk-neutral.
$r_A < 0$ → risk-loving.

9.2 Arrow-Pratt relativní averze

r_R(W) = -\frac{W \cdot u''(W)}{u'(W)} = W \cdot r_A(W)

Užitečná, protože je bezrozměrná a reaguje na změny škály bohatství.

9.3 Příklady pro běžné funkce

užitková funkce	$r_A$	$r_R$	typ
$u(W) = W$	$0$	$0$	risk-neutral
$u(W) = \ln W$	$1/W$	$1$	konstantní relativní averze (CRRA, $\gamma = 1$ )
$u(W) = \sqrt{W}$	$1/(2W)$	$1/2$	CRRA s $\gamma = 1/2$
$u(W) = -e^{-aW}$	$a$	$aW$	konstantní absolutní averze (CARA)
$u(W) = W^2$	$-1/W$	$-1$	risk-loving

9.4 Empirické zjištění

Lidé jsou silněji risk-averse u velkých částek vůči svému bohatství (ztráta auta zatřese rozpočtem).
U drobných sázek (kávomat, výherní automat za 20 Kč) jsou prakticky risk-neutral nebo dokonce risk-loving.
$r_R$ se v populaci pohybuje kolem hodnot $1$ – $3$ (typicky $\gamma = 2$ pro modelování v makru, viz IS-LM model).

10. Vazba na kapitálové a intertemporální rozhodování

Jeden z předtermínových úloh (Předtermín I, Capital vs. labour decision) propojuje riziko s intertemporální volbou — rozhodnutím mezi spotřebou dnes a spotřebou zítra.

Dnešní spotřeba $C_0$ je jistá.
Budoucí spotřeba $C_1$ je riziková (úroková sazba kolísá, inflace, příjem se může snížit).
Spotřebitel řeší $\max u(C_0) + \beta \cdot E[u(C_1)]$ , kde $\beta$ je diskontní faktor.

Risk-averse spotřebitel:

Drží rezervní úspory (precautionary saving) — zvyšuje $C_1$ na úkor $C_0$ .
Vyžaduje rizikovou prémii v úroku — odměnu za držbu rizikových aktiv.
Je ochoten platit za anuitu (jistý budoucí příjem) — pojistka proti dlouhověkosti.

Stejný aparát (vNM užitek, jistotní ekvivalent) se zde používá s tím, že $W$ je nahrazeno $C_t$ .

11. Aplikace v reálné ekonomii

11.1 Pojistný trh

Životní, úrazové, majetkové pojištění — fair premium je tabulkovým výpočtem (úmrtnostní tabulky, statistika škod). Komerční pojistka je o margin vyšší.
Adverzní výběr — pojistku si kupují přednostně lidé s vysokým rizikem, což pojišťovnu nutí premium dále zvyšovat.
Morální hazard — pojištěný nemá motivaci riziku zabraňovat ("auto je pojištěné, neuzamknu ho").

11.2 Diverzifikace portfolia

Riziko portfolia $\sigma_P^2 = \sum w_i^2 \sigma_i^2 + 2 \sum_{i<j} w_i w_j \sigma_{ij}$ .
Při korelaci $< 1$ klesá $\sigma_P$ pod prostý vážený průměr — diverzifikace eliminuje idiosynkratické riziko.
Risk-averse investor drží diverzifikované portfolio i za cenu nižšího očekávaného výnosu.

11.3 Loterie a kasina

Komerční loterie mají $E(L) <$ cena losu (pojišťovna obráceně) — fair premium pro hráče by znamenala los zdarma.
Existují, protože malá kohorta je risk-loving v doméně malých sázek a/nebo nadhodnocuje malé pravděpodobnosti (overweighting tail probabilities, Kahneman-Tversky).

11.4 Rozhodování "co je v krabičce"

Klasické zadání (Monty Hall, Allaisův paradox) — spotřebitel se rozhoduje mezi jistou výplatou a rizikovou loterií. Reálné rozhodnutí často porušuje vNM axiomy (zejména nezávislost), což motivovalo vznik prospect theory.

12. Návaznost na teorii her

Ve hře dvou hráčů není nejistota statistická, ale strategická — výsledek závisí na akci protihráče, jehož motivace neznám.

Smíšená strategie hráče B se chová formálně jako loterie pro hráče A.
Očekávaná výplata z mixu $\sigma_B$ je analogie $E[u]$ .
Maximin / minimax je strategie risk-averse hráče (zaručuje nejhorší případ).

Detailně viz Vězňovo dilema a teorie her.

13. Shrnutí pro zkoušku

Předtermín, varianta C — typická úloha

"Definujte riziko, spravedlivou pojistku, maximální pojistku. Proč se lidé chtějí pojistit proti nejistým situacím, jestliže je pojistka spravedlivá? Zakreslete průběhy do grafu."

Šablona odpovědi:

Definovat riziko (známé pravděpodobnosti, viz sekce 1) jako "bad" — statek s negativní preferencí pro risk-averse subjekt.
Definovat fair premium $\pi_F = pL$ — pojistné rovné očekávané ztrátě.
Definovat maximum premium $\pi_{\max}$ z rovnice $u(W - \pi_{\max}) = EU$ .
Vysvětlit, že pro risk-averse platí $EU \leq u(EW)$ (Jensen), tedy jistý příjem $W - \pi_F$ má vyšší užitek než nepojištěná loterie se stejnou střední hodnotou.
Zakreslit konkávní $u(W)$ , dvě bohatství $W_1 = W - L$ a $W_2 = W$ , sečnu mezi nimi, body $E(W)$ , $CE$ , $u(EW)$ , $EU$ .

Vzorce na rychlou referenci

veličina	vzorec
Očekávaná hodnota	$E(L) = \sum p_i x_i$
Očekávaný užitek	$EU(L) = \sum p_i u(x_i)$
Jistotní ekvivalent	$u(CE) = EU(L)$
Riziková prémie	$RP = E(L) - CE$
Fair premium	$\pi_F = pL$
Max premium	$u(W - \pi_{\max}) = EU$
Arrow-Pratt absolutní	$r_A = -u''/u'$
Arrow-Pratt relativní	$r_R = -W u''/u'$

14. Reference a další zdroje

Předtermínová zadání: varianta C otázka 2 (riziko, spravedlivá pojistka, maximální pojistka) a varianta I (kapitál vs. práce). Viz mikk-vzorove-zkousky.
Související wiki:
- Mikroekonomie 2 (mikK) — kurz hub.
- Užitek a preference — výchozí teorie užitku.
- Vězňovo dilema a teorie her — strategická nejistota.
- Vzorové zkoušky — všechny řešené předtermíny.
- Přehled vzorců — kompletní referenční list.
- Užitečnost (obecná teorie) — základní pojem ze sdíleného slovníku.
- Definice rizika — pojetí v kurzu IRMaNK (manažerské řízení rizik).