Instant Access to Numerical methods and optimization in finance [2nd ed.] manfred gilli ebook Full C

https://ebookmass.com/product/numerical-methodsand-optimization-in-finance-2nd-ed-manfred-gilli/

More products digital (pdf, epub, mobi) instant download maybe you interests ...

Numerical Methods in Environmental Data Analysis Moses Eterigho Emetere

https://ebookmass.com/product/numerical-methods-in-environmentaldata-analysis-moses-eterigho-emetere/

Elements of Numerical Mathematical Economics with Excel: static and dynamic optimization. Romeo

https://ebookmass.com/product/elements-of-numerical-mathematicaleconomics-with-excel-static-and-dynamic-optimization-romeo/

Applications of modern heuristic optimization methods in power and energy systems Lee Kwang Y.

https://ebookmass.com/product/applications-of-modern-heuristicoptimization-methods-in-power-and-energy-systems-lee-kwang-y/

Statistical Inference in Financial and Insurance

Mathematics with R (Optimization in Insurance and Finance Set) 1st Edition Alexandre Brouste

https://ebookmass.com/product/statistical-inference-in-financialand-insurance-mathematics-with-r-optimization-in-insurance-andfinance-set-1st-edition-alexandre-brouste/

Contemporaneous Event Studies in Corporate Finance: Methods, Critiques and Robust Alternative Approaches 1st

ed. Edition Jau-Lian Jeng

https://ebookmass.com/product/contemporaneous-event-studies-incorporate-finance-methods-critiques-and-robust-alternativeapproaches-1st-ed-edition-jau-lian-jeng/

Applied Numerical Methods with Python for Engineers and Scientists Steven C. Chapra

https://ebookmass.com/product/applied-numerical-methods-withpython-for-engineers-and-scientists-steven-c-chapra/

Chemical

Product Formulation Design and Optimization: Methods, Techniques, and Case Studies Ali Elkamel

https://ebookmass.com/product/chemical-product-formulationdesign-and-optimization-methods-techniques-and-case-studies-alielkamel/

Gas-Particle and Granular Flow Systems: Coupled Numerical Methods and Applications 1st Edition Nan Gui

https://ebookmass.com/product/gas-particle-and-granular-flowsystems-coupled-numerical-methods-and-applications-1st-editionnan-gui/

Complex

Variables and Numerical

Methods

Gujarat Technological University 2017 2nd Edition Ravish R Singh

https://ebookmass.com/product/complex-variables-and-numericalmethods-gujarat-technological-university-2017-2nd-edition-ravishr-singh/

NumericalMethods andOptimization in Finance

SecondEdition

ManfredGilli

GenevaSchoolofEconomicsandManagement UniversityofGeneva Geneva,Switzerland

SwissFinanceInstitute Zürich,Switzerland

DietmarMaringer

FacultyofBusinessandEconomics UniversityofBasel Basel,Switzerland

GenevaSchoolofEconomicsandManagement UniversityofGeneva Geneva,Switzerland

EnricoSchumann

FacultyofBusinessandEconomics UniversityofBasel Basel,Switzerland

ISBN:978-0-12-815065-8 ©2019ElsevierInc.

1.Introduction

3.LinearequationsandLeast Squaresproblems

3.1Directmethods

3.1.1Triangularsystems

3.1.2LUfactorization 33

3.1.3Choleskyfactorization 35

3.1.4QRdecomposition 37

3.1.5Singularvalue decomposition 37 3.2Iterativemethods 38

3.2.1Jacobi,Gauss–Seidel,and SOR 39 Successiveoverrelaxation 40

3.2.2Convergenceofiterative methods 41

3.2.3Generalstructureof algorithmsforiterative methods 42

3.2.4Blockiterativemethods 44 3.3Sparselinearsystems 45

3.3.1Tridiagonalsystems 45

3.3.2Irregularsparsematrices 47

3.3.3Structuralpropertiesof sparsematrices 48

3.4TheLeastSquaresproblem 50

3.4.1Methodofnormal equations 51

3.4.2LeastSquaresviaQR factorization 54

3.4.3LeastSquaresviaSVD decomposition 55

3.4.4Finalremarks 56

Appendix3.ASolvinglinear systemsinR 56 solve 57 LeastSquares 58

4.Finitedifferencemethods

4.1Anexampleofanumerical solution 61 Afirstnumerical approximation 62 Asecondnumerical approximation 63

4.2Classificationofdifferential equations 64

4.3TheBlack–Scholesequation 65

4.3.1Explicit,implicit,and θ -methods 67

4.3.2Initialandboundary conditionsanddefinition ofthegrid 67

4.3.3Implementationofthe θ -methodwithMATLAB 71

4.3.4Stability 73

4.3.5Coordinatetransformation ofspacevariables 76

4.4Americanoptions 79 Appendix4.AAnoteonMATLAB’s function spdiags 86

5.Binomialtrees

5.1Motivation 89 Matchingmoments 89

5.2Growingthetree 90

5.2.1Implementingatree 91

5.2.2Vectorization 92

5.2.3Binomialexpansion 93

5.3Earlyexercise 95

5.4Dividends 95

5.5TheGreeks 97 Greeksfromthetree 97

PartII Simulation

6.Generatingrandom numbers

6.1MonteCarlomethodsand sampling 103

6.1.1Howitallbegan 103

6.1.2Financialapplications 104

6.2Uniformrandomnumber generators 104

6.2.1Congruentialgenerators 104

6.2.2MersenneTwister 107

6.3Nonuniformdistributions 107

6.3.1Theinversionmethod 107

6.3.2Acceptance–rejection method 109

6.4Specializedmethodsfor selecteddistributions 111

6.4.1Normaldistribution 111

6.4.2Higherordermoments andtheCornish–Fisher expansion 113

6.4.3Furtherdistributions 114

6.5Samplingfromadiscreteset 116

6.5.1Discreteuniformselection 116

6.5.2Roulettewheelselection 117

6.5.3Randompermutationsand shuffling 118

6.6Samplingerrors—andhowto reducethem 118

6.6.1Thebasicproblem 118

6.6.2Quasi-MonteCarlo 119

6.6.3Stratifiedsampling 120

6.6.4Variancereduction 121

6.7Drawingfromempirical distributions 122

6.7.1Datarandomization 122

6.7.2Bootstrap 122

6.8Controlledexperimentsand experimentaldesign 127

6.8.1Replicabilityand ceteris paribus analysis 127

6.8.2Availablerandomnumber generatorsinMATLAB 128

6.8.3Uniformrandomnumbers fromMATLAB’s rand function 128

6.8.4Gaussianrandomnumbers fromMATLAB’s randn function 129

6.8.5Remedies 131

7.Modelingdependencies

7.1Transformationmethods 133

7.1.1Linearcorrelation 133

7.1.2Rankcorrelation 138

7.2Markovchains 144

7.2.1Concepts 144

7.2.2TheMetropolisalgorithm 146

7.3Copulamodels 148

7.3.1Concepts 148

7.3.2Simulationusingcopulas 150

8.Agentleintroduction

8.1Settingthestage

8.2.1Terminalassetprices 154

8.2.21-over-N portfolios 155

8.2.3Europeanoptions 157

8.2.4VaRofacoveredput portfolio 159

8.3Simplepriceprocesses 161

8.4Processeswithmemoryinthe levelsofreturns 163

8.4.1Efficientversusadaptive markets 163

8.4.2Movingaverages 163

8.4.3Autoregressivemodels 164

8.4.4Autoregressivemoving average(ARMA)models 165

8.4.5SimulatingARMAmodels 166

8.4.6Modelswithlong-term memory 167

8.5Time-varyingvolatility 169

8.5.1Theconcepts 169

8.5.2Autocorrelated time-varyingvolatility 170

8.5.3SimulatingGARCH processes 173

8.5.4Selectedfurther autoregressivevolatility models 175

8.6Adaptiveexpectationsand patternsinpriceprocesses 178

8.6.1Price–earningsmodels 178

8.6.2Modelswithlearning 179

8.7Historicalsimulation 180

8.7.1Backtesting 180

8.7.2Bootstrap 181

8.8Agent-basedmodelsand complexity 185

9.Financialsimulationat work:somecasestudies

9.1Constantproportionportfolio insurance(CPPI) 189

9.1.1Basicconcepts 189

9.1.2Bootstrap 191

9.2VaRestimationwithExtreme ValueTheory 192

9.2.1Basicconcepts 192

9.2.2Scalingthedata 193

9.2.3UsingExtremeValue Theory 193

9.3Optionpricing 195

9.3.1Modelingprices 196

9.3.2Pricingmodels 199

9.3.3Greeks 208

9.3.4Quasi-MonteCarlo

PartIII Optimization

10.Optimizationproblemsin finance

10.1Whattooptimize? 219 10.2Solvingthemodel 220 10.2.1Problems 220 10.2.2Classicalmethodsand heuristics 222

10.3Evaluatingsolutions 222 10.4Examples 224 Portfoliooptimization withalternativerisk measures 224 Modelselection 225 Robust/resistant regression 225 Agent-basedmodels 226 Calibrationof option-pricingmodels 226 Calibrationofyield structuremodels 227 10.5Summary 228

11.Basicmethods

11.1Findingtherootsof f(x) = 0 229

11.1.1Anaïveapproach 229 Graphicalsolution 230 Randomsearch 231

11.1.2Bracketing 231

11.1.3Bisection 232

11.1.4Fixedpointmethod 233 Convergence 235

11.1.5Newton’smethod 238 Comments 240

11.2Classicalunconstrained optimization 241 Convergence 242

11.3Unconstrainedoptimization inonedimension 243

11.3.1Newton’smethod 243

11.3.2Goldensectionsearch 244

11.4Unconstrainedoptimization inmultipledimensions 245

11.4.1Steepestdescent method 245

11.4.2Newton’smethod 247

11.4.3Quasi-Newtonmethod 248

11.4.4Directsearchmethods 250 11.4.5Practicalissueswith MATLAB 254

11.5NonlinearLeastSquares 256

11.5.1Problemstatementand notation 256

11.5.2Gauss–Newton method 257

11.5.3Levenberg–Marquardt method 258

11.6Solvingsystemsofnonlinear equations F(x) = 0 260

11.6.1Generalconsiderations 260

11.6.2Fixedpointmethods 262

11.6.3Newton’smethod 263

11.6.4Quasi-Newton methods 268

11.6.5Furtherapproaches 269

11.7Synopticviewofsolution methods 270

12.Heuristicmethodsina nutshell

12.1Heuristics 273 Whatisaheuristic? 274 Iterativesearch 275

12.2Single-solutionmethods 276

12.2.1StochasticLocal Search 276

12.2.2SimulatedAnnealing 277

12.2.3ThresholdAccepting 278

12.2.4TabuSearch 279

12.3Population-basedmethods 279

12.3.1GeneticAlgorithms 279

12.3.2DifferentialEvolution 280

12.3.3ParticleSwarm Optimization 281

12.3.4AntColony Optimization 282

12.4Hybrids 282

12.5Constraints 284

12.6Thestochasticsofheuristic search 285

12.6.1Stochasticsolutions andcomputational resources 285

12.6.2Anillustrative experiment 287

12.7Generalconsiderations 289

12.7.1Whattechniqueto choose? 289

12.7.2Efficient implementations 289

12.7.3Parametersettings 293 12.8Outlook 294

Appendix12.AImplementing heuristicmethodswith MATLAB 294

12.A.1Theproblems 296

12.A.2ThresholdAccepting 298

12.A.3GeneticAlgorithm 303

12.A.4DifferentialEvolution

12.A.5ParticleSwarm

Appendix12.BParallel computationsinMATLAB 309

12.B.1Parallelexecutionof restartloops 311

Appendix12.CHeuristicmethods inthe NMOF package 314

12.C.1LocalSearch 314

12.C.2SimulatedAnnealing 315

12.C.3ThresholdAccepting 315

12.C.4GeneticAlgorithm 315

12.C.5DifferentialEvolution

12.C.7Restarts

13.2.1Thesubset-sum problem

13.2.2Representinga

13.2.3Evaluatingasolution

13.2.4Knowingthesolution

13.3.1Beingthorough

13.3.2Beingconstructive

13.3.3Beingrandom

13.3.4Gettingbetter

13.4.1Onheuristics

13.4.2LocalSearch

13.4.3ThresholdAccepting

13.4.4Settings,or:how(long) torunanalgorithm

13.4.5StochasticsofLSand TA

13.5Application:selecting variablesinaregression

13.5.1Linearmodels

13.5.2Fastleastsquares

13.5.3Selectioncriterion

13.5.4Puttingitalltogether

13.6Application:portfolio selection

13.6.1Models

13.6.2Local-Search algorithms

14.1Theinvestmentproblem

14.2.2Solvingthemodel 358

14.2.3Examplesof mean–variancemodels 358

14.2.4True,estimated,and realizedfrontiers 366

14.2.5Repairingmatrices 368

14.3Optimizationwithheuristics 377

14.3.1Assetselectionwith LocalSearch 377

14.3.2ScenarioOptimization withThreshold Accepting 383

14.3.3Portfoliooptimization withTA:examples 392

14.3.4Diagnosticsfor techniquesbasedon LocalSearch 411

14.4Portfoliosunder Value-at-Risk 413

14.4.1WhyValue-at-Risk matters 413

14.4.2Settingupexperiments 414

14.4.3Numericalresults 415

Appendix14.AComputing returns 419

Appendix14.BMore implementationissuesinR 420

14.B.1ScopingrulesinRand objectivefunctions 420

14.B.2Vectorizedobjective functions 422

Appendix14.CAneighborhood forswitchingelements 424

15.Backtesting

15.1Whatis(theproblemwith) backtesting? 427

15.1.1Theugly:intentional overfitting 428

15.1.2Thebad:unintentional overfittingandother difficulties 434

15.1.3Thegood:getting insights(and confidence)in strategies 436

15.2Dataandsoftware 437

15.2.1Whatdatatouse? 437

15.2.2Designingbacktesting software 439

15.2.3The btest function 439

15.3Simplebacktests 440

15.3.1 btest:atutorial 440

15.3.2RobertShiller’s Irrational-Exuberance data 450

15.4Backtestingportfolio strategies 459

15.4.1KennethFrench’sdata library 459

15.4.2Momentum 464

15.4.3Portfoliooptimization 470 Appendix15.APricesin btest 479 Appendix15.BNoteson zoo 479 Appendix15.CParallel computationsinR 480

15.C.1Distributedcomputing 480

15.C.2Loopsand apply functions 481

15.C.3Distributingdata 482

15.C.4Distributingdata, continued 484

15.C.5Otherfunctionsinthe parallel package 486

15.C.6Parallelcomputations inthe NMOF package 486

16.Econometricmodels

16.1Termstructuremodels 487

16.1.1Yieldcurves 487

16.1.2TheNelson–Siegel model 492

16.1.3Calibrationstrategies 496

16.1.4Experiments 518

16.2Robustandresistant regression 522

16.2.1Theregressionmodel 525

16.2.2Estimation 527

16.2.3Anexample 532

16.2.4Numerical experiments 535

16.2.5Finalremarks 540

16.3EstimatingTimeSeries Models 542

16.3.1Adventureswithtime seriesestimation 542

16.3.2ThecaseofGARCH models 543

16.3.3Numerical experimentswith DifferentialEvolution 545

Appendix16.AMaximizingthe Sharperatio 549

17.Calibratingoptionpricing models

17.1Impliedvolatilitywith Black–Scholes 552 Thesmile 554

17.2Pricingwiththecharacteristic function 555

17.2.1Apricingequation 555

17.2.2Numericalintegration 560

17.3Calibration 580

17.3.1Techniques 580

17.3.2Organizingthe problemand implementation 582

17.3.3Twoexperiments 589

17.4Finalremarks 593

Appendix17.AQuadraturerules forinfinity 594

A.1Installingthepackage

A.2News,feedbackand discussion

A.3Usingthepackage

Listoffigures

Fig.1.1 AmapofthebeautifulcountrycalledSwitzerland. 4

Fig.1.2 Left:TheS&P500in2009.Right:Annualreturnsafterjackknifingtwoobservations.Thevertical linegivestherealizedreturn. 13

Fig.1.3 Payoffofreplicatingportfolioswithdeltatodoubleprecision(left),anddeltatotwodigits(right). 15

Fig.2.1 Function f(x) = cos(x x ) sin(e x ) (leftpanel)andrelativeerrorofthenumericalapproximationof thederivativeat x = 1 5forforwarddifference(thickline)andcentraldifference(thinline). 24

Fig.2.2 Leftpanel:graphicalsolutionoflinearsystem(2.4).Rightpanel:detailsaroundthecoordinate ( 3, 4 54) ofthestraightlinesdefiningthelinearsystem. 26

Fig.2.3 Operationcountforalgorithm A1 (triangles)and A2 (circles). 29

Fig.3.1 LUfactorization.

Fig.3.2 Gridsearchforoptimal

Fig.3.3 Exampleofadecomposablematrix(left)anditsblocktriangularform(right). 49

Fig.3.4 Exampleofamatrixoforder8withstructuralrank6andthecorresponding6 × 4zerosubmatrix (rightpanel).

Fig.4.1 Graphoffunction f(x) = 2/x

Fig.4.2 Numericalapproximationwiththeexplicitmethod(circles)ofthedifferentialequationdefinedin Eq.(4.1)for N = 10(leftpanel)and N = 30(rightpanel).

Fig.4.3 Numericalapproximationwiththeimplicitmethod(circles)ofthedifferentialequationdefinedin Eq.(4.1)for xN = 30and N = 30(leftpanel)and xN = 100and N = 80(rightpanel).

50

62

63

64

Fig.4.4 Priceofcalloption(leftpanel)andpriceofputoption(rightpanel)for X = 20, r = 0 10, q = 0and σ = 0 60. 66

Fig.4.5 Finitedifferencegridwithterminalconditions(darkcircles)andboundaryconditions(graycircles). 68

Fig.4.6 Fourpointsinvolvedinthenumericalapproximationofthederivativesof vij 68

Fig.4.7 Explicitmethod(left)andimplicitmethod(right). 71

Fig.4.8 M = 30(leftpanel)and M = 500(rightpanel).Commonparameters: N = 100, σ = 0 20, r = 0 05, q = 0, X = S = 10. 74

Fig.4.9 σ = 0 20(leftpanel)and σ = 0 40(rightpanel).Commonparameters: N = 100, M = 30, r = 0 05, q = 0, X = S = 10. 74

Fig.4.10 N = 310(leftpanel)and N = 700(rightpanel).Commonparameters: M = 30, σ = 0 20, r = 0 05, q = 0, X = 10. 74

Fig.4.11 N = 700, M = 30, σ = 0 50, r = 0 05, X = 10. 75

Fig.4.12 Priceofdown-and-output(lowerline)andEuropeanput(upperline)asafunctionofthepriceofthe underlyingatthebeginningoftheoption’slife. 76

Fig.4.13 Coordinatetransformationsfor N = 29and X = 20.Leftpanel:Hyperbolicsinefunctionwith λ = 10and p = 0 4.Rightpanel:Logarithmictransformationwith I = 2. 78

Fig.4.14 Absoluteerrorsforthehyperbolicsinetransformation(circles)andthelogarithmictransformation (plussigns).

78

Fig.4.15 Finitedifferencegridfor Smin = 0, Smax = 80, N = 40, M = 50,and θ = 1 2 .Leftpanel:Darknodes indicateoptionpricegreaterthanpayoff.Rightpanel:Optionpricesandearlyexerciseboundary. 81

Fig.4.16 Earlyexerciseboundary(samesettingasinFig. 4.15). 82

Fig.4.17 Leftpanel:Gridnodesusedforinterpolation.Rightpanel:Earlyexerciseboundaryresultingfrom interpolationofthesolutionsobtainedwiththeexplicitpayoutmethod. 82

Fig.4.18 Computationofearlyexerciseboundarieswithfinergrid(Smax = 150, N = 300,and M = 50). PSOR(leftpanel)andEP(rightpanel). 83

Fig.4.19 GridsearchfortheoptimalomegainthePSORalgorithm. 83

Fig.4.20 PriceofAmericanstrangle(dashedlineisthepayoff). 86

Fig.6.1 Randomnumbersfromthe randu function,where ui = (65,539 ui 1 )

Fig.6.2 Confidencebandsandprobabilitiesforrealizationswithinaregion (x ,xh )

Fig.6.3 Inversionprinciple.

Fig.6.4 Numberswithintheunitsquarebefore(toppanel)andafter(bottompanel)Box–Muller transformation.

Fig.6.5 Requiredskewness(leftpanel)andkurtosis(rightpanel),andsamplemomentswith500 observationspersample. 114

Fig.6.6

Fig.6.7

Fig.6.8

Fig.6.9

Fig.6.10

Fig.6.11

Fig.6.12

Fig.6.13

Fig.6.14

Fig.7.1

Fig.7.2

Gaussiankerneldensityestimateswithsmoothingparameters h = 0.025,0.1,and0.5,respectively (darkerlinesforlarger h). 126

SamplesgeneratedwiththeTaylor–Thompsonalgorithm;originalobservations(circles)froma (0, 1) Gaussiandistribution.

FirstuniformPRNdrawnfordifferentseedsandRNGs.

ScatterplotsforfirstuniformPRNsdrawnfromseeds s and s + 1.

FirstnormalPRN(polar)drawnforseeds s = 1,..., 10,000.

FirstnormalPRN(ziggurat)drawnforseeds s = 1,..., 600,000.

Scatterplotfirstdrawsfromthreesubsequentseeds s = 1,..., 5000.

127

129

129

130

130

130

FirstPRNdrawnforseeds s = 1,..., 1000, x1,s plottedagainst x1,s +d with d = 100,1000and 10,000(lefttoright)forthepolar(toppanel)andziggurat(bottompanel)RNGs. 131

101stPRNdrawnforseeds s = 1,..., 1000, x101,s fortheuniform(toppanel)andnormal(bottom panel)RNGs.

Left:scatterplotofthreeuncorrelatedGaussianvariates.Right:scatterplotofthreeGaussian variateswith ρ = 0 7.

Bivariatenormalsamples,generatedwiththeMetropolisalgorithm.

Leftpanel: metropolisMVNormal(2000,2,0.2,0.75) (s = 0 2).

Rightpanel: metropolisMVNormal(2000,2,1.0,0.75) (s = 1.0).

Fig.7.3 Densitiesfor u and x (undertheassumptionofGaussianmarginals)and500samples.

Fig.8.1

Fig.8.2

Fig.8.3

Fig.8.4

Simulatedreturnsandstockpricesfor100(left)and10,000samples(right).Whitecirclesare theoreticalquantilesandblackonesaretheirempiricalcounterparts.Theoreticalandempirical meansarewhiteandblackstars,respectively. 155

Returnsforportfoliosconsistingof N equallyweightedassets(“1-over-N ”). 157

Histogramsforthevalueofastock(toppanel)andaportfolioconsistingofthestockplusone Europeanput(bottompanel)attimes τ .

Leftpanel:Value-at-Riskforstock(dottedlines)andportfolio(solidline)for1%,5%,and10% quantiles(lighttodark).Rightpanel:5%,25%,50%,75%,and95%percentilesoflogreturnsfor stock(dotted)andportfolio(solidline).

Fig.8.5 ReturnsandpricesfordifferentAR,MA,andARMAmodels.

Fig.8.6

161

168

Scaledwhitenoise;darklinesindicate ±σt . 170

Fig.8.7 Dailyreturns(graylines)and μ ± 2σt confidencebands(darklines)(leftpanel)fordifferent combinationsof α1 + β1 = 0 95andprices(rightpanel)forGARCH(1, 1) processes.

Fig.8.8

Fig.8.9

Fig.8.10

Fig.8.11

Fig.8.12

Fig.8.13

ActualdailylogreturnsfortheFTSEandS&P500fortheperiodJan2000toDec2009and ±2√ht (toppanel),andinnovationsstandardizedusingtime-varyingvolatility, √ht ,asfittedwitha GARCH(1, 1) (bottompanel).

ActualFTSEdailylogreturnsforJuly2004toJune2010(left)andtwosimulationsbasedona GARCHmodelfittedonactualdata(centerandright;2525observationseach;seedsfixedwith randn(’seed’,10) and randn(’seed’,50),respectively).

Kerneldensitiesforcumulatedreturns(250days;leftpanel)andprices(rightpanel)wheredaily returnsfollowa GARCH(1, 1) processwith α1 ∈{0 05, 0 20 350 95} and β1 = 0 95 α1 (darker linesindicatelower α1 ).

StockpricesunderrationalexpectationsfromtheTimmermann(1993)model(n = 25, μ = 0.01, σ = 0.05).Rationalexpectationprices(thingrayline)andfundamentalpriceswithknown parameters(thickgrayline).

BootstrapsamplesforFTSEdata.

Momentsofabuy-and-holdportfolio(thickgraylines)anditsconstituents(thinblacklines;FTSE, DAX,andEuroStoxx)overdifferentlengthsofinvestmenthorizons(x -axis: T =1,5,21,62days; correspondingto1day,1week,1month,1quarter);basedonoriginaldataAugust2005toJuly 2010and1,000,000bootstraps.Toppanel,blocklength b = 1;centerpanel,blocklength b = 5;and bottompanel,blocklength b = T .

171

173

174

175

180

182

Fig.8.14

Fig.9.1

Fig.9.2

Fig.9.3

Pricechanges(toppanel)andfractionoffundamentalistsinthemarket(bottompanel)froman agent-basedsimulation(Algorithm 27).

CPPIcompositionfortwosamplepriceprocessesanddifferentmultiplierstimetomaturityof2 yearsanddailyreadjustment(“nogaprisk”)andquarterlyreadjustment(rightmost;“withgaprisk”). Lightgray:safeasset, Bt ;darkgray:exposure, Et ;whiteline:floor, Ft .

FTSEtimeseries,10-blockbootstrapsforriskyassetandtrajectoriesforCPPI.

TerminalvalueofCPPIwithFTSEas T = 1year,multiplier m = 4,anddifferentgaplengths, simulatedwithblockbootstrap(right).

184

187

191

192

Fig.9.4 MedianofratiosVaRHill /VaRtheo fordifferentunderlyingdistributions(panels)anddifferent fractionsofdataused, m/N (lines). 196

Fig.9.5 20pathsofgeometricBrownianmotion. 199

Fig.9.6 FivepathsofageometricBrownianbridge,startingat100andendingat103. 199

Fig.9.7

SpeedofconvergenceforMonteCarlopricing. S0 = 50, X = 50, r = 0 05, √v = 0 30,and τ = 1. ThetrueBlack–Scholespriceis7.12. 202

Fig.9.8 ForwarddifferenceforGreeks:BoxplotsforDeltaestimateswith M = 1and N = 100,000for differentvaluesof h (y -axis).Parametersare S = 100, X = 100, τ = 1, r = 0 03, q = 0,and σ = 0 2.

ThesolidhorizontallineisthetrueBSDeltaof0.60;thedottedlinesgiveDelta ±0 05. 209

Fig.9.9 ForwarddifferenceforGreeks:BoxplotsforDeltaestimateswith M = 1and N = 100,000for differentvaluesof h (y -axis),butusingcommonrandomvariates.Parametersare S = 100, X = 100, τ = 1, r = 0.03, q = 0,and σ = 0.2.ThesolidhorizontallineisthetrueBSDeltaof0.60;thedotted linesgiveDelta ±0.05. 210

Fig.9.10

Fig.9.11

Topleft:scatterof500against500pointsgeneratedwith MATLAB’s rand.Topright:scatterof500 against 500generatedwithHaltonsequences(bases2and7).Bottomleft:scatterof500against500 generatedwithHaltonsequences(bases23and29).Bottomright:scatterof500against500 generatedwithHaltonsequences(bases59and89). 214

Convergenceofpricewithquasi-MC(function callBSMQMC).Thelightgraylinesshowthe convergencewithstandardMCapproach. 215

Fig.9.12 Threepathsgeneratedwithbases3,13,and31.

Fig.10.1 ObjectivefunctionforValue-at-Risk.

Fig.10.2 LMSobjectivefunction.

Fig.10.3 SimulatedobjectivefunctionforKirman’smodelfortwoparameters.

Fig.10.4 Leftpanel:Hestonmodelobjectivefunction.Rightpanel:Nelson–Siegel–Svenssonmodelobjective function.

Fig.11.1 Synopticviewofmethodspresentedinthechapter.

Fig.11.2 Leftpanel:iterationfunction g1 .Rightpanel:iterationfunction g2

Fig.11.3 Leftpanel:iterationfunction g3 .Rightpanel:iterationfunction g4

Fig.11.4 Leftpanel:iterationfunctionsatisfies g (x)< 1.Rightpanel:iterationfunctionsatisfies 1 <g (x)< 0.

Fig.11.5 Shapeoffunction ρk (leftpanel)andshapeoffunction ρk (s)φ(s) (rightpanel).

Fig.11.6 BehavioroftheNewtonmethodfordifferentstartingvalues.Upperleft: x 0 = 2 750and x sol = 2 4712.Upperright: x 0 = 0 805and x sol = 2 4712.Lowerleft: x 0 = 0 863and x sol = 1 4512.Lowerright: x 0 = 1 915andalgorithmdiverges.

Fig.11.7 Minimizationof f(x1 ,x2 ) = exp 0 1 (x2 x 2 1 )2 + 0 05 (1 x1 )2 withthesteepestdescent method.Rightpanel:minimizationof α forthefirststep(α ∗ = 5 87).

Fig.11.8 Minimizationof f(x1 ,x2 ) = exp 0 1 (x2 x 2 1 )2 + 0 05 (1 x1 )2 withNewton’smethod.Contour plotsofthelocalmodelforthefirstthreesteps.

Fig.11.9 Nonconvexlocalmodelforstartingpoint(leftpanel)andconvexlocalmodelbutdivergenceofthe step(rightpanel).

237

240

247

248

249

Fig.11.10 ComparisonofthefirstsevenNewtoniterations(circles)withthefirstfiveBFGSiterations(triangles). 250

Fig.11.11 EvolutionofstartingsimplexintheNelder–Meadalgorithm. 251

Fig.11.12 Detailedstartingsimplexandtworeflections. 251

Fig.11.13 Leftpanel:Plotofobservations,modelfor x1 = 2.5, x2 = 2.5andresiduals.Rightpanel:plotofsum ofsquaredresiduals g(x). 259

Fig.11.14 Startingpoint(bullet),onestep(circle)andcontourplotsoflocalmodelsforNewton(upperright), Gauss–Newton(lowerleft)andLevenberg–Marquardt(lowerright).

260

Fig.11.15 Solutionsforvaryingvaluesofparameter c ofthesystemsoftwononlinearequations. 261

Fig.11.16 Stepsofthefixedpointalgorithmforthestartingsolution y 0 =[ 15 ] .

Fig.11.17 Oscillatorybehaviorofthefixedpointalgorithmforthestartingsolution y 0 =[ 20 ] .

Fig.11.18 StepsoftheNewtonalgorithmforstartingsolution y 0 =[ 15] .

Fig.11.19 StepsoftheBroydenalgorithmforstartingpoint y 0 =[5/2 1] andidentitymatrixfor B (0) .

Fig.11.20 StepsoftheBroydenalgorithmforstartingpoint y 0 =[5/2 1] andJacobianmatrixevaluatedatthe startingpointfor B (0)

Fig.11.21 Objectivefunctionminimizing F(y) 2 forthesolutionofthesystemofnonlinearequationsdefined inExample 11.4

Fig.11.22 Synopticviewofsolutionmethodsforsystemsoflinearandnonlinearequations.

Fig.12.1 Schemeforpossiblehybridizations.

Fig.12.2 Shekelfunction.Forbettervisibility f hasbeenplotted.

Fig.12.3 Shekelfunction.Empiricaldistributionofsolutions.

Fig.12.4 Shekelfunction.Leftpanel:Thresholdsequence.Rightpanel:Objectivefunctionvaluesoverthe6 roundsofthe5threstart.

264

264

266

268

269

270

271

283

297

301

301

Fig.12.5 Subsetsumproblem.Leftpanel:Thresholdsequence.Rightpanel:Objectivefunctionvaluesover the6roundsofthe5threstart.

Fig.12.6

Subsetsumproblem:Evolutionofthefittestsolutioninrestart3.Thealgorithmstopsatgeneration6.

Fig.12.7 DifferentialEvolutionoptimization.Leftpanel:Empiricaldistributionofsolutions.Rightpanel:Best valueovergenerationsofrestart3.

Fig.12.8 ParticleSwarmoptimization.Leftpanel:Empiricaldistributionofsolutions.Rightpanel:Bestvalue overgenerationsofrestart1.

Fig.12.9 Code DCex.m.Theoreticalspeedupandefficiencyasafunctionofprocessors.Dotsrepresent computedvalues.

Fig.13.1

Theupperpanelshowsthelefttailofthedistributionofobjectivefunctionvaluesforasampleof randomsolutions.Wesampleuniformly,andthusthedistributionfunctionresemblesastraightline. Thelowerpanelshowsthedistributionforthebest100oftheonemillionrandomsolutions.

Fig.13.2 Distributionsofobjectivefunctionvaluesofbest100randomsolutionsand100greedysolutions. Bestpossiblesolutionwouldbezero.

Fig.13.3 Objectivefunctionvaluesofanunguided(random)walkthroughthesearchspace.

Fig.13.4 Distributionsofchangesinobjectivefunctionvalueswhen1(darkgray),5(gray),and10(lightgray) elementsarechanged.

Fig.13.5 Nostructureintheobjectivefunction.InsearchspacessuchastheonespicturedaLocalSearchwill fail,becausetheobjectivefunctionhasnolocalstructure,i.e.itprovidesnoguidance.Beingcloseto agoodsolutioncannotbeexploitedbythealgorithm.

Fig.13.6 ObjectivefunctionvaluefortworunsofLocalSearchover50,000iterations(logscale).

Fig.13.7 Distributionsofobjectivefunctionvaluesofbest100randomsolutions,100greedysolutions,100 solutionsobtainedbyLocalSearchand100solutionsobtainedbyThresholdAccepting.Best possiblesolutionwouldbezero.

Fig.14.1 Truefrontierandestimatedandrealizedfrontiers(noshortsales, nA is25, nS is100).

303

305

307

309

311

327

330

333

333

334

336

342

367

Fig.14.2 Portfolioreturndistributions:theinfluenceof rd 387

Fig.14.3 In-sampleversusout-of-sampledifferences.Left:in-sampledifferenceofasolutionpair(QPminus TA)againsttheassociatedout-of-sampledifference.Right:same,butonlyforportfoliosforwhich thein-sampledifferenceislessthanonebasispoint.

Fig.14.4 In-sampleversusout-of-sampledifferencedependingonthenumberofiterations.

Fig.14.5 Squaredreturns(leftpanel)andratioofconditionalmoments(rightpanel)fordifferentportfolio weights.

Fig.14.6

Distributionsofobjectivefunctionvaluesforrandomportfolios(lightgray)andsolutionsofTAopt andLSopt(darkergray).ThereislittledifferencebetweenLocalSearchandThresholdAccepting.

Fig.14.7 Distributionsofobjectivefunctionvalueswith500,1000and2000iterations.Thelighter-graylines belongto TAopt,thedarker-grayonesto LSopt.Thereisvirtuallynodifferencebetweenthelines forLocalSearchandThresholdAcceptingwith2000iterations;bothmethodsconvergequicklyon thesameportfolio.

Fig.14.8 Distributionofend-of-horizonwealthinaVaRsetting.

Fig.15.1 DailyreturnsoftheS&P500,includingOctober1987.

Fig.15.2 S&P500without10bestand10worstdays.

Fig.15.3 Arandomseriescreatedwithfunction randomPriceSeries

Fig.15.4 DistributionofdifferenceinfinalprofitsMA-crossoverstrategyvsbuy-and-hold.Apositivenumber meansthatMA-crossoveroutperformedtheunderlyingasset.Thedistributionissymmetricabout zero,whichindicatesthatthereisnosystematicadvantagetothecrossoverstrategy.

Fig.15.5 FinalprofitsofMA-crossoverstrategyvsresultofbuy-and-holdofthesameunderlyingseries.

Fig.15.6 Equitycurvesofoptimizedbacktests.

398

399

402

411

411

416

428

428

430

431

432

433

Fig.15.7 Distributionofin-sampleexcessprofitsforoptimizedMAcrossoverstrategy.Apositivenumber meansthatMAcrossoveroutperformedtheunderlyingasset. 434

Fig.15.8 ObservationalEquivalence:EUROSTOXXTotalMarketandEUROSTOXXBanks.

435

Fig.15.9 Mechanicsofawalk-forward. 437

Fig.15.10 Survivorshipbiaswhenusingcurrentcomponentsofanindex 438

Fig.15.11 S&PstockmarketindexsinceJanuary1871 452

Fig.15.12 CAPEratio 452

Fig.15.13 Resultsofavoidinghighvaluation.TheS&Pindexisshowninblack;thestrategyingray. 455

Fig.15.14 ResultsofavoidinghighvaluationcomparedwithS&P500.

Fig.15.15 Performanceofstrategyfordifferentvaluesof q.TheS&Pindexisshowninblack;thestrategy variationsingray.

455

457

Fig.15.16 PerformanceofindustryportfoliosasprovidedbyKennethFrench’sdatalibrary,January1990to May2018.Time-seriesarecomputedfromdailyreturns. 462 Fig.15.17

Fig.15.19 Benchmarks:Performanceofmarketportfolioandofequallyweightedportfolio.Thegrayshades arethesameasinFig. 15.17 andindicatetherangeofperformanceofthedifferentindustries. 464

Fig.15.20 Benchmarks:Outperformanceofmarketversusequallyweightedportfolio.Arisinglineindicates theoutperformanceofthemarketportfolio,andviceversa. 464

Fig.15.21 Performanceofmomentumstrategy.Theverticalaxisusesalogscale.

466

Fig.15.22 Performanceofmomentumstrategy.Theverticalaxisusesalogscale.Thegraylineshowsthe absoluteperformanceofthemarket.Theblacklineshowstherelativeperformanceofmomentum comparedwiththemarket,i.e.arisinglineindicatesanoutperformanceofmomentum. 467

Fig.15.23 Resultsfromsensitivitycheck:Fanplotsofpathswithfrequentrebalancing(theupperband)andless frequentrebalancing(thelowerband). 469

Fig.15.24 Resultsfromsensitivitycheck:TheratioofthemedianpathsofthefanplotsinFig. 15.23.The steadilyrisinglineindicatesthatfrequentrebalancingoutperformslessfrequentrebalancing. 470

Fig.15.25 Resultsfromsensitivitychecks:densitiesofannualizedreturnsofthefanplotsinFig. 15.23.The distributiontotherightbelongstothepathswithmorefrequentrebalancing. 470

Fig.15.26 Performanceofthelong-onlyminimum-varianceportfolio(gray)vsmarket(black).OnNov19, 1999,bothserieshaveavalueof100(theMVtime-seriesstartslaterbecauseofitsburn-inof 10years). 472

Fig.15.27 Performanceof100walk-forwardswithrandomrebalancingperiods.Theportfoliosarecomputed withQP.Allrandomnessintheresultscomesthroughdifferencesinthesetup;thereisnonumeric randomness. 475

Fig.15.28 Correlationofdailyreturnswhenportfoliosarerebalancedatrandomtimestamps. 476

Fig.15.29 Positionsinasingleindustryacrossfourbacktestvariations.Thebacktestsdifferonlyintheir rebalancingschedules;hencethepositionsareverysimilar. 477

Fig.15.30 Performanceof100walk-forwardswithfixedrebalancingperiods.Theportfoliosarecomputedwith LocalSearch.AllvariationsintheresultsstemfromtherandomnessinherentinLocalSearch (thoughitisbarelyvisible);therearenootherelementsofchanceinthemodel.Comparewith Fig. 15.27

Fig.16.1 Interpolationandapproximation.Thepanelsshowasetofmarketrates.Left:weinterpolatethe points.Right:weapproximatethepoints.

478

490

Fig.16.2 Thematrix C forthecashflowsofthe44bondsin bundData,eachsquarerepresentsanonzero entry.Eachrowgivesthecashflowsofonebond,eachcolumnisassociatedwithonepaymentdate. 492

Fig.16.3 Level.Theleftpanelshows y(τ) = β1 = 3.Therightpanelshowsthecorrespondingyieldcurve,in thiscasealso y(τ) = β1 = 3.Theinfluenceof β1 isconstantforall τ .

Fig.16.4 Short-endshift.Theleftpanelshows y(τ) = β2 1 exp( τ/λ1 ) τ/λ1 for β2 =−2.Therightpanelshows theyieldcurveresultingfromtheeffectsof β1 and β2 ,thatis, y(τ) = β1 + β2 1 exp( τ/λ1 ) τ/λ1 for β1 = 3, β2 =−2.Theshortendisshifteddownby2%,butthenthecurvegrowsbacktothelong-run levelof3%.

493

493

Fig.16.5 Hump.Theleftpanelshows β3 1 exp( τ/λ1 ) τ/λ1 exp( τ/λ1 ) for β3 = 6.Therightpanelshowsthe yieldcurveresultingfromallthreecomponents.Inallpanels, λ1 is2. 493

Fig.16.6 Nelson–Siegel–Svensson:Thethreepanelsshowthecorrelationbetweenthesecondandthethird, thesecondandthefourth,andthethirdandthefourthregressorsinEqs.(16.10)fordifferent λ-values(the x -and y -axesshow λ1 and λ2 between0and25).

Fig.16.7 Distributionsofestimatedparameters.Thetrueparametersare4, 2,and2.

Fig.16.8 NegativeinterestrateswithNelson–Siegelmodeldespiteparameterrestrictions.

Fig.16.9 ResultsforCase2,Nelson–Siegel(NS)model:Truemodelyields,yieldcurvesfittedwith DEopt, andyieldcurvesfittedwith nlminb.Plottedaretheresultsof5restartsforbothmethods,though for DEopt itisimpossibletodistinguishbetweenthedifferentcurves.

Fig.16.10 ResultsforCase2,Nelson–Siegel–Svensson(NSS)model:Truemodelyields,yieldcurvesfitted with DEopt,andyieldcurvesfittedwith nlminb.Plottedaretheresultsof5restartsforboth methods,thoughfor DEopt itisimpossibletodistinguishbetweenthedifferentcurves.Compare withFig. 16.9:ifanything,theresultsfor nlminb areworse.

Fig.16.11

Fig.16.12

496

498

499

507

509

ResultsforCase3,Nelson–Siegel–Svensson(NSS)model:Truemodelyields,yieldcurvesfitted with DEopt,andyieldcurvesfittedwith nlminb.Plottedaretheresultsof5restartsforboth methods,thoughfor DEopt itisimpossibletodistinguishbetweenthedifferentcurves. 512

ResultsforCase4,Nelson–Siegel–Svensson(NSS)model:Truemodelyields,yieldcurvefittedwith DEopt,andyieldcurvefittedwith nlminb.Plottedaretheresultsof5restartsforbothmethods, thoughfor DEopt itisimpossibletodistinguishbetweenthedifferentcurves.

Fig.16.13 Left:Convergenceofsolutions.Eachdistributionfunctionshowstheobjectivefunctionvalueofthe bestpopulationmemberfrom1000runsof DEopt.Asthenumberofgenerationsincreases,the distributionsbecomesteeperandmovetotheleft(zeroistheoptimalobjectivefunctionvalue). Right:Convergenceofpopulation,i.e.objectivefunctionvaluesacrossmembersattheendof DEopt run.Thelight-graydistributionsarefromrunswith100generations;thedarker(andsteeper) onescomefrom500generations.Thoselatterdistributionstypicallyconverge:allsolutionsinthe populationarethesame. 518

Fig.16.14 OFovertime.TheleftpanelshowsF = 0.5,CR = 0.99.Forthesameproblem,therightpanelshows F = 0.9,CR = 0.5. 520

Fig.16.15 Thetruevalueof β1 is5.Left:withoutconstraint(penaltyweightiszero).Right:withconstraint β1 ≤ 4. 522

Fig.16.16 Theeffectsofasingleoutlier.On6June2006,Adidas,alargeGermanproducerofclothingand shoes,madeastocksplit4-for-1.Thedatawasobtainedfrom www.yahoo.com inApril2009. Accordingto www.yahoo.com theseriesintheupperpanelissplitadjusted.Itisironicthatthisis eventrue:butthepricewasadjustedtwice,whichresultedinthepricejumpinJune2006(topmost panel). 526

Fig.16.17 Objectivefunctionvaluesobtainedwith lqs withincreasingnumberofsamples(seecodeexample). 535

Fig.16.18 True θ2 iszero.Theoutliersleadtoabiasedvalueof0.9. 541

Fig.16.19 True θ2 iszero.Theoutliersleadtoabiasedvalueof1.5. 541

Fig.16.20 ReportedparametersfortheGARCH(1,1)estimatesfromdifferentrestarts,allwithidentical (optimal)loglikelihoodof 1106.60788104129.

547

Fig.17.1 ImpliedvolatilitiesforoptionsontheS&P500(left)andDAX(right)asof28October2010. 554

Fig.17.2

Fig.17.3

Fig.17.4

Fig.17.5

Fig.17.6

Hestonmodel:re-creatingtheimpliedvolatilitysurface.ThegraphicsshowtheBS-implied volatilitiesobtainedfrompricesundertheHestonmodel.Thepanelsontherightshowtheimplied volatilityofATMoptions.

Batesmodel:re-creatingtheimpliedvolatilitysurface.ThegraphicsshowtheBS-impliedvolatilities obtainedfrompricesundertheBatesmodel.Thepanelsontherightshowtheimpliedvolatilityof ATMoptions.

567

568

Mertonmodel:re-creatingtheimpliedvolatilitysurface.ThegraphicsshowtheBS-implied volatilitiesobtainedfrompricesundertheMertonmodel.Thepanelsontherightshowtheimplied volatilityofATMoptions.Importantly,jumpsneedtobevolatiletogetasmile(i.e., vJ ≥ 30%). 569

Relative(left)andabsolute(right;incents)priceerrorsforBSwithdirectintegrationwith25nodes (comparedwithanalyticalsolution). 579

Relative(left)andabsolute(right;incents)priceerrorsforBSwithdirectintegrationwith50nodes (comparedwithanalyticalsolution). 580

Fig.17.7 OperationsofNelder–Mead.

Fig.17.8

581

AbsoluteerrorsforGauss–LegendreandGauss–Laguerrecomparedwith normcdf foran increasingnumberofnodes.Errorsareplottedonthe y axis;the x axisshowsthenumberofnodes. 595

Listoftables

Table1.1 YearlyreturnsofS&P5001987–2017. 14

Table6.1 SeriesofpseudorandomnumbersfromalinearcongruentialRNG,where ui = (aui 1 ) mod7and u0 = 1anddifferentmultipliers a 106

Table6.2 Popularkernels, K(y),forkerneldensityestimation. 125

Table9.1 Thefirst10VDCnumbersinbase2. 213

Table9.2 Primenumberssmallerthan1000. 214

Table14.1 Averageexceedanceofout-of-sampleshortfallprobabilitiescomparedtothetarget α (in-sample shortfallprobability).Firstcolumnisthenumberofassets,whilevaluesinitalicsarethosethatdo notdiffersignificantlyfrom0(5%confidencelevel). 418

Table15.1 Statisticsoftheindustryseries.Returnsareannualized,inpercent.Volatilityiscomputedfrom monthlyreturnsandalsoannualized. 460

Table16.1 AsampledatasetofGermangovernmentbonds.Pricesasof31May2010. 491

Table16.2 Errorsin%for NSS modelfordifferentparametersof DE .Eachblockcorrespondsto F ∈{0.1, 0.3, 0.5, 0.7, 0.9} foragiven F.FEstandsforobjectivefunctionevaluations. 521

Table16.3 ParametersensitivityDE. 537

Table16.4 ParametersensitivityPSOfor δ = 1. 538

Table16.5 ParametersensitivityPSOfor δ = 0.5. 538

Table16.6 ParametersensitivityPSOfor δ = 0.75. 539

Table16.7 ParametersensitivityPSOfor δ = 0 9. 539

Table16.8 Medianreportedloglikelihoodsfor100runswithdifferentnumbersofgenerations(nG)and populationsize nP.(Inbrackets:Numberoftimestheoveralloptimumhasbeenfound.) 547

Table16.9 EstimatedGARCH(1,1)parametersfortheDEM2GBPtimeseriesanddifferentmodelsettings. Fixedvaluesinbrackets:inmodelsBandC, y = E(y);inmodelsAandB s 2 = E((y −ˆμ)2 ) 548

Another random document with no related content on Scribd:

Aukusti: Tämän olen hankkinut.

HraPyy: Minun tyttäreni! Oletteko hullu! Ei tule kysymykseenkään!

Aukusti: Annoitte kunniasananne, että minä olen sopiva aviomies kenelle tahansa!

HraPyy: Sehän oli vain asiamiestemppu!

Aukusti: Onnistunut temppu. Minun mielestäni.

Hra Pyy: Oletko sinä Mimmi todella niin hullu, että otat tämän kelvottoman miehen?

Mimmi: Paremman puutteessa otan kuin otankin.

Hra Pyy: Minkäpä sille sitten mahtaa! Kirjoitetaan nyt vaan se henkivakuutushakemuskin.

Aukusti: Kernaasti. Vaikka onhan se oikeastaan tarpeetonta. Minä en kelpaa henkivakuutukseen. Minulla on sydänvika.

Hra Pyy: No jopa tuli Sodoma ja Gomorra minun huoneeni ylitse! Ja tämäntapaisia onnettomuuksia vastaan ei ole edes tapaturmavakuutusta!

(Esirippu.)

RAHATTOMAN KOTIRUOKA.

Mitä syövät henkilöt, joitten palkka kokonaan menee veroihin ja vuokraan ja velkojen korkoihin?

Tämä kysymys hermostuttaa monia. Sekä niitä, joilta kysytään, että varsinkin niitä, jotka kysyvät.

Minua kysymys ei enää hermostuta. Olen sen ratkaissut. Olen nimittäin pitkien kokeilujen jälkeen laatinut omiksi tarpeikseni erikoisen keittokirjan »Rahattoman kotiruoka». Asianharrastajille esitän siitä seuraavassa muutamia otteita.

Vanha-uutispihviä. (4 hengelle)

4 kg vanhoja sanomalehtiä, 12 dl vettä, 1 ruokalusik. nappeja.

Otetaan vanhoja sanomalehtiä. Ne pannaan veteen likoamaan, kunnes ovat sopivan pehmeitä. Pehmennyt paperi jauhetaan lihamyllyssä. 12 dl vettä lisätään ja mureke vaivataan notkeaksi.

Taikinasta muodostetaan pihvejä, jotka pannussa paistetaan

hiljaisella tulella, kunnes ovat kohtalaisen ruskeita. Tarjotaan luunappien kera.

Muist. Nappeja ei pidä syödä. Ne ovat ainoastaan koristeina ja on ne huolellisesti säilytettävä uudestaan käytettäväksi samaan tai johonkin parempaan tarkoitukseen.

Vesivelliä. (3 hengelle)

3 Itr vettä, 2 Itr vettä, 1 Itr. vettä, /2 Itr. vettä.

Lainataan 3 litran vetoinen kastrulli, täytetään se vedellä ja pannaan tulelle. Keitto saa kiehua, kunnes 2 litraa siitä on haihtunut, jolloin siihen lisätään 2 litraa vettä. Keitto saa jälleen kiehua, kunnes siitä on 1 litra haihtunut, jolloin siihen lisätään saman verran vettä. Nyt keitto saa kiehua, kunnes 1/2 litraa siitä on haihtunut, jolloin siihen lisätään 1/2 litraa vettä. Keitto saa nyt jälleen olla tulella, kunnes kiehuu, mutta haihtua se ei enää saa, vaan nostetaan ajoissa tulelta. Se siivilöidään huolellisesti — jos siinä on roskia — ja kaadetaan kannuun jäähtymään.

Keitto nautitaan lämpimänä muitten perheenjäsenten kera.

Tiistaikeittoa. (3 hengelle)

Valmistetaan aivan samalla tavalla kuin edellinenkin, mutta tiistaisin. Unissa paistettu porsas. (1 hengelle)

1 nuori porsas, 1/2 tl inkivääriä, 2 rkl sokeria, 1 dl tomaattisosetta, 5 rkl oikeata madeiraa.

Otetaan huolellisesti tapettu porsas, maksetaan siitä rahat, puhdistetaan ja pannaan uuniin paistumaan. Yllämainitut mausteet lisätään tarpeen vaatiessa. Jos tarve vaatii lisää ja parempia mausteita, niin ostetaan. Kun porsas on kypsä, tarjotaan se aistikkaasti koristeltuna muitten maukkaitten ja ylellisten ruokalajien kera. Ne ovat tietysti pelkkää mielikuvitusta, niinkuin porsaskin ja rahat, joilla kaikkityyni ostetaan. Senvuoksi tämän ruokalajin nimi onkin »unissa paistettu porsas».

Suosittelen lämpimästi tätä keittokirjaani, joka hyvin soveltuu sekä vasta-alkajille että kehittyneemmillekin.

VASTOIN OHJEITA.

— Tuoli tänne, sanoi ystäväni ja huonetoverini Kalle Niemeläinen.

— Mitä sinä sillä teet? kysyin minä.

— Alan lämmittää uunia.

— Ota keinutuoli! Etkö näe, että istun kirjoittamassa!

Niemeläinen otti keinutuolin.

Me emme kylläkään sillä kertaa käyttäneet tuolejamme polttopuina. Meillä oli sitä varten oikeita märkiä sekapuita. Tuoleja tarvitsimme savupeltien avaamiseen. Olimme kyllä periaatteessa sitä mieltä, että pellinnyörit oli hankittava, mutta toista vuotta kestäneet kiivaat neuvottelut siitä, kummanko tehtäviin pellinnyörien hankkiminen kuului, eivät toistaiseksi olleet johtaneet mihinkään tuloksiin.

— Tänään saat nähdä oikeata mallilämmitystä, jota tästälähin tulemme noudattamaan — rehenteli Niemeläinen suorittaen keinutuolilla seisten erinäisiä hurjia tasapainotemppuja, joitten tarkoituksena oli peltien aukivetäminen.

— Jos aiot koettaa jotakin uutta, erinomaista keksintöä, niin varovaisuuden vuoksi poistun siksi aikaa tästä kaupunginosasta.

— Ei mitään uutta. Vanhoja, koeteltuja keinoja, jotka on koottu tähän ohjelehtiseen; »Ohjeita lämmitysuuneja puilla lämmitettäessä». Pääasia on, että tulen sytyttyä savupeltiä vähennetään ja luukut suljetaan.

Hetken puuhailtuaan rupesi Niemeläinen kamalasti sadattelemaan, mikä oli tavanmukainen merkki siitä, että puitten sytytteleminen oli alkanut.

— Jatka sinä vaan, minä menen sillä aikaa hakemaan silakoita, sanoin minä huoneen tultua niin täyteen savua, ettei siinä voinut hengittää muutakuin ulospäin.

— Mitä silakoita?

— Niitä silakoita siinä ohjeessasi.

— Ei siinä ole mitään silakoita.

— Katsohan vain tarkemmin. Olen varma siitä, että se on silakansavustusohje.

— Tule itse sytyttämään, kun olet niin viisas, hup… öhh… rkk… ryki Niemeläinen.

— Pääasia on, että vähennät savupeltiä ja suljet luukut.

— Puh! huokasi uuni ja sylkäisi savupilven ohella huoneeseen tulta, tulista tuhkaa, palanutta paperia ja kipinöitä ja mustia tuohenkäppyröitä.

— Tässä näyttää olevan tulossa Pompeijin viimeiset päivät, sanoin minä. Ota itsellesi arvokas asento. Meidän on esiinnyttävä eduksemme, kun meidät jälleen vuosituhansien kuluttua kaivetaan esiin tuhasta muinaissuomalaisina.

— Ole vaiti ja hyppää pian keinutuolille ja sulje pellit. Minun täytyy vähän korjata kulmakarvojani — ne ovat ainoat, jotka tässä ovat kunnolla yrittäneet palaa, sanoi Niemeläinen ryömien kauemmas uunin luota. Sulje pellit, muuten uuni vetää tänne sisään koko talon savut!

Uunimme oli nimittäin nyt hengitystuulella. Se vetää silloin säännöllisesti vuoroon sisäänpäin vuoroon ulospäin.

— Kas niin, sanoi Niemeläinen, joka oli punastuneen neekerin näköinen, hoida sinä nyt suupeltejä, minä hoidan yläpeltejä. Kun uuni vetää sisäänpäin, niin kaikki pellit äkkiä kiinni! Kun se vetää ulospäin, niin kaikki pellit äkkiä auki!

— Mutta se on vastoin ohjeita!

— Ohjeita! Minä annan… pellit kiinni!

— Aukipa! Auki taas!

— Nyt kiinni!

— Kiinni!

— Auki, auki! Jukoliste!

— Kiinni! Kiinni, kiinni, pian!

— Älähän kilju, minä hermostun ja menetän tasapainoni, huusi

Niemeläinen, joka samassa menetti tasapainonsa ja tuli alas kuin ukkosilma molemmat pellit ja kappale uunia mukanaan.

Hetken aikaa hän tylsänä istui lattialla ja tuijotti savupeltejä sylissään. Mutta sitten hänen kasvoilleen levisi autuas hymy.

— Kuule, sanoi hän, nyt näihin on helppo kiinnittää pellinnyörit!

Meneppäs ostamaan!

IKUINEN MARATONJUOKSU.

Amerikkalainen juttu.

— Me — sanoi amerikkalainen — me siellä lännessä, rajattomuuksien maassa, parhaiten ymmärrämme sen suuren perustotuuden, joka ihmiskuntaa vie eteenpäin: elämä on kilpailua.

Jos ennätykset johonkin suuntaan ovat saavuttaneet äärimmäiset rajansa, joitten yli ei enää voi mennä, niin me sittenkin, hm, menemme vielä vähän yli. Ja samalla väsymättä etsimme uusia suuntia uusille ennätysmahdollisuuksille.

Miljoonamiehemme hankkiessaan jättiläisomaisuutensa ovat joskus kuluttaneet loppuun järkensä niin ettei sitä enää ole sanottavammin jäänyt heidän jälkeläisilleen. Raharikkaat, mutta niukkajärkiset jälkeläiset kilpailevat kuitenkin hekin omalla tavallaan. Nimittäin siitä, kuka mielettömämmin kuluttaisi loppuun omaisuutensa. Johnsonin ikuinen maraton on kuvaava esimerkki siitä.

— Mikä maraton se oli?

— Ettekö tiedä! Maailman merkillisin maratonkilpailu.

Dollarikuningas Johnson-vainajan poika, mr P.J. Johnson, järjesti suuren maratonjuoksukilpailun, jossa luvattiin 200,000 dollarin palkinto sille, joka viimeisenä saapuisi perille. Lähinnä viimeiselle luvattiin 100,000 dollaria, ja hänen edellään maaliin saapuvalle 50 dollaria.

Kilpailuun ilmoittautuneiden suunnattomat suuren lukumäärän vuoksi rajoitettiin osanottajia» luku sataan, jotka valittiin arpomalla.

Minulla on hallussani joukko kilpailuja koskevia sanomalehtileikkeleitä. Kas tässä kerrotaan kilpailujen alkamisesta:

»Lehtemme edustaja, joka uskollisesti oli seurannut kilpailuja siitä asti kuin kaikki 100 kilpailijaa varhain aamulla olivat lähteneet matkaan, näki nyt ilta-auringon viimeisten säteiden kultaavan monikymmentuhantista katsojajoukkoa ja kilpailijoita, jotka päivän kuluessa vähitellen olivat siirtyneet n. neljännesmailin lähtöpaikalta.

Ainoastaan kilpailija n:o 57, Smith, oli jo heti alussa vetäytynyt tien varrella kasvavan akaasiapuun varjoon, minne hän pystytti pienen teltan. Päivän mittaan hän sisusti telttansa aika mukavaksi. Nautittuaan valmistamansa aterian ja silmäiltyään sanomalehtiä hän luki iltarukouksensa ja valmistautui makuulle.

Yleisön mielestä Smithin juoksutekniikka sentään oli aivan liiaksi tavallisuudesta poikkeavaa laatua, joten väkijoukko alkoi yhä jyrkemmin esiintuoda eriävän mielipiteensä. Smithin telttaan sateli mätiä munia ja homehtuneita omenia.

Koska Smith äsken oli syönyt, niin ei hän huolinut täten odottamatta saamistaan ruokatavaroista, vaan palautti ne takaisin

alkuperäisille omistajille niin tarmokkaasti, että pian oli ilmitappelu käynnissä.

Smithillä oli runsaasti puolustajia, joten paikalle kutsuttu palokunta vasta myöhään yöllä palautti järjestyksen. Smith on hengissä ja jatkaa kilpailua. Hän aikonee vaatia useille tunnetuille henkilöille edesvastuuta kotirauhan rikkomisesta.

— Yleisön sopimaton käyttäytyminen rauhallista urheilijaa kohtaan kilpailun kestäessä on jyrkästi tuomittava — lausui lehtemme urheiluasiantuntija, kun hän vasen korva läpiammuttuna saapui toimistoomme Coloradokadun 24:ssä, sisältörikasta, kyvykkäästi toimitettua lehteämme saa tilata ainoastaan 5 dollarilla vuosikerta.»

Tässä on toinen leikkele. Kolme vuorokautta myöhemmin päivätty uutinen:

»— Johnsonin suuri maratonkilpailu. Kilpailijat kaikki hyvissä voimissa. Oleskelevat tätä nykyä Southwendin kylässä, n. 2 mailia lähtöpaikasta. Eräät kilpailijoista perustaneet sinne sekatavarakaupan ja sen yhteyteen ravintolan ja säästöpankin juoksevine tileineen. Toivotamme onnea uudelle yritykselle, joka on kannattamisen arvoinen — viittaamme ilmoitukseen lehtemme etusivulla. Huom.! Ilmoitukset lehdessämme hyödyttävät parhaiten!»

Seuraava huomattavampi uutinen kilpailusta on kaksi kuukautta myöhemmin.

»— Iloinen juhla. Johnsonin maratonkilpailun osanottajat, jotka yhä vielä pysyttelevät Southwendin kylässä, viettivät eilen juhlaa, joka juhlittaville tavallisesti on elämän onnellisin hetki, vaikkakin se usein itse asiassa on heidän elämänsä suurin onnettomuus — tietysti

toivomme, että jälkimmäinen totuus ei tällä kertaa pidä paikkaansa. Tarkoitamme hääjuhlaa.

»Kilpailija n:o 85, R.F. Dickson, on kilpajuoksua suorittaessaan tutustunut Southwendin postinhoitajan Th. Brownin ja hänen puolisonsa Maryn (o.s. Nieminen) tyttäreen, nti Alice Browniin. He julkaisivat kihlauksensa noin kuukausi sitten ja viettivät nyt häitään. Kaikki kilpailijat olivat läsnä kutsuvieraina. Heidän keskuudessaan perustettu mieskuoro esiintyi tässä tilaisuudessa huomattavasti edukseen. Viikon kuluttua kuoro, ohimennen sanoen, antaa konsertin, johon epäilemättä kaikki kuorolaulun ja urheilun ystävät rientänevät. — Hääjuhlassa pidettiin useita puheita, joissa valituin sanoin ylistettiin nuoren parin onnea ja kilpailijajoukossa vallitsevaa hyvää yhteishenkeä.»

Sitten on joukko vähäpätöisempiä uutisia, kilpailijain kesken tapahtuneita pienempiä oikeusjuttuja, lisää perhetapahtumia y.m.

Kilpailun 10-vuotisjuhla aiheutti laajan ja kiivaan sanomalehtiväittelyn. Eräissä lehdissä arveltiin, että kilpailijain kymmenvuotinen viipyminen yhdessä ainoassa paikassa, Southwendissä, oli sentään liikaa. Kukaan järkevä ihminen ei voinut sellaista tunnustaa kilpajuoksuksi. Koska kilpailijat aivan ilmeisesti olivat keskeyttäneet juoksunsa, oli kilpailu julistettava mitättömäksi.

Kilpailijain keskuudessa ilmestyvä »The Marathon» lehti riensi jyrkästi torjumaan tehdyt syytökset. Oliko maratonmatka mikään pituushyppy tai kolmiloikkaus? Kilpailusäännöissä ei ollut kohtaa, missä olisi kielletty väsynyttä pitkänmatkanjuoksijaa hengähtämästä matkan varrella. Missä tämä hengähdysaika oli rajoitettu? Joku tarvitsee levähtääkseen 15 sekuntia, joku toinen 15 vuotta. Urheilijan vapaus olkoon loukkaamaton!

Kilpailujen palkintolautakunta totesi, että kilpailusäännöt olisivat kaivanneet tarkempia määräyksiä, mutta niitten puuttuessa täytyi myöntää, että kilpailijat olivat oikeassa. Ja kilpailuja jatkettiin.

Seitsemän vuotta senjälkeen sattui tapaus, joka mullistavasti vaikutti kilpailujen kulkuun. 17 vuotta sitten häitään viettänyt kilpailija R.F. Dickson lähti äkkiä sille matkalle, jolle ei edestakaista pilettiä myydä. Hän jätti jälkeensä surevan lesken ja 16-vuotiaan pojan, Mikael Dicksonin.

Vähän senjälkeen kertovat sanomalehdet:

»Omituinen anomus. R.F. Dicksonin poika, Mikael Dickson, on Johnsonin maratonkilpailujen palkintotuomareille jättänyt anomuksen, jossa pyytää saada isävainajansa puolesta jatkaa tämän aloittamaa kilpajuoksua. Anomukseen liittyy oikeaksi todistettu jäljennös R.F. Dicksonin tekemästä jälkisäädöksestä, missä sanottu R.F. Dickson ainoalle pojalleen Mikaelille testamenttaa aloittamansa kilpajuoksun.»

Pian nähtiin seuraava uutinen:

»Johnsonin suuri maratonkilpailu. Palkintotuomarien hämmästyttävä päätös. Kilpailun palkintotuomarit ovat harkittuaan Mikael Dicksonin anomusta päättäneet siihen myöntyä. Päätöstä perusteltu sillä, että missään kilpailusäännöissä ei kielletä poikaa jatkamasta isän aloittamaa kilpajuoksua, jos isä kilpaa juostessaan on mennyt naimisiin ja poika on kilpajuoksun kestäessä ja kilpailumatkalla syntynyt ja kasvanut sekä isä kilpailun aikana kuollut. Älköön kilpailijan kuolema olko esteenä kilpailun jatkamiselle, jos kilpailija vain keksii keinon, miten voi jatkaa kilpailua kuolemansa jälkeen. R.F. Dickson on keksinyt keinon — Mikael

Dicksonin. Vanhemmat elävät uudelleen lapsissaan, jotka jatkavat heidän elämäntyötään. Mikael Dickson oli kilpailua aloittamassa isänsä hahmossa ja R.F. Dickson on edelleen kilpailua jatkamassa poikansa hahmossa. Asia olisi tietenkin kokonaan toinen, jos Mikael olisi syntynyt ennen kilpailua tai ulkopuolella kilpailun. Nyt hän ei ole mikään sivultapäin tullut kilpailun jatkaja.

Päätös on urheilupiireissä herättänyt suunnatonta paheksumista. Varsin löyhät perustelut eivät pysty kumoamaan sitä ehdotonta tosiasiaa, että maratonkilpailusta täten kesken kaikkea onkin tehty viestinjuoksukilpailu. Tietysti Mikael Dicksonin jälkeen hänen poikansa on jatkava kilpailua, kunnes tulee Mikaelin pojanpojan vuoro j.n.e. Vaikkapa joku kanssakilpailijoista eläisi sadan vuoden vanhaksi, ei hän kuitenkaan kestäisi kilpailua R.F. Dicksonin perustamaa viestinjuoksujoukkuetta vastaan.»

Seurauksena kilpailun toimimiesten päätöksestä oli, että 77 kilpailijaa keskeytti. Jäljellejääneistä 22 kilpailijasta oli kilpailun kuluessa 9 mennyt naimisiin. 12 meni nyt naimisiin.

— Entä yksi?

— Niin, Smith. Hän meni vasta myöhemmin naimisiin. Mitä luulette hänen sitä ennen tehneen?

— No?

Hän antoi kastaa itsensä mormoniksi.

MAAILMANNAISIA.

joka toiselle kuoppaa kaivaa…

I näytös.

Rouva: Olet paras ystävättäreni.

Ystävätär: Jonkun aikaa.

Rouva: Mitä tarkoitat?

Ystävätär: Voin äkkiä kuolla.

Rouva: Turhia!

Ystävätär: Minulla on sydänvika.

Rouva: Eikö mitä! Mutta minulla on oikea sydänvika.

Ystävätär: Oikea! Väitätkö, että minun sydänvikani ei olisi oikea!

Rouva: Koetat vain sen avulla herättää mielenkiintoa!

Ystävätär: Ahaa, siinäpä selitys sinun sydänvikaasi!

Rouva: Minun sydänvikani on todellinen!

Ystävätär: Teeskennelty!

Rouva: Koketti!

Ystävätär: Käärme!

Rouva: Ii… iih! (poistuu itkien raivosta).

II näytös.

Rouva(palvelijattarelleen): Iita, onko herra kotona?

Iita: On se.

Rouva: Mitä hän tekee?

Iita: Kiroilee.

Rouva: Akseli!

Herra(tulee): Mitä nyt taas?

Rouva: Miksi kiroilet?

Herra: Hoidan nykyään sillä tavalla liikeasioitani.

Rouva: Olen ostanut uuden hatun, viimeisintä muotia. Hinta 1,750 markkaa. Saat laskun.

Herra: Kiitos.

Rouva: Miksi kiität?

Herra: Tarvitsin juuri sitä summaa tehdäkseni vararikon.

Rouva: Sepä hauskaa, että minusta oli apua.

Herra: Paljon apua — tässä asiassa.

Rouva: Vihaan parasta ystävätärtäni.

Herra: Tietysti.

Rouva: Aion tappaa hänet tällä uudella hatulla. Hän on kuoleva kateudesta sen nähdessään.

Iita: Ohhoh!

Rouva: Iita menee ulos!

Iita: Minä menen koko talosta. Olenkin ollut liika kauan. Kolme päivää.

Rouva: Meidän perheessä palvelijat aina pysyvät. Meillä oli kerran uskottu palvelija, joka pysyi 8 päivää.

Iita: Tämä ei olekaan mikään hieno perhe.

Herra: Iita menee nopeammin ulos!

Iita: Kyllä menen ja kyllä vielä näytän!

III näytös.

Ystävätär: Vai niin, vai lupasi tappaa!

Iita: Juu. Että kuolette kiukusta, kun rouva pistää sen uusmuotisen hatun päähänsä.

Ystävätär: Mikä katala päähänpisto!

Iita: Älkää menkö tapaamaan.

Ystävätär: En mene. Hän kyllä pyysi makeasti anteeksi ja sopi kanssani tapaamisesta. Lupasin mennä, mutta enpä mene.

Iita: Ähäh!

IV näytös.

Rouva (uusi hattu päässään odottaa ystävätärtä): Kello on jo 15 minuuttia yli, eikä hän tule. Hermostuttavaa. (Odottaa.) Hirveätä, 20 minuuttia kulunut. Hattuni vanhenee minuutti minuutilta. Puolen tunnin kuluttua uusi hattuni ei enää ole viimeisin muoti. (Odottaa.)

Ah, oh, hän ei vieläkään tule. Kostoni menee hukkaan! Ooh… ooh… (hysteerinen kohtaus). Ei tule! 25 minuuttia on nyt jo kulunut, melkein puoli tuntia. Hattuni on vanha, vanha, vanha, vanha… oo… minä raivostun… minä pakahdun harmista. (Hysteerinen kohtaus.) Ei tule… Kuolen… kuolen… harmista… (Kuolee harmista.)

HIRVEÄTÄ.

Mustapartaisen miehen ikkuna oli kadun puolella, kolmannessa kerroksessa alhaaltapäin lukien.

Ikkunasta riippui 3 m:n pituinen nuora, jonka toisessa päässä, alapäässä, oli mitä suurimmassa määrin kuollut kissa.

Kadulla juoksenteli suuria, eläviä hevosia ja erilaisia koiria, mutta kukaan ei kiinnittänyt huomiotaan niihin. Kaikki kiinnittivät huomionsa siihen ent. kissaan, joka oli kiinnitetty nuoraan, joka oli kiinnitetty taloon, joka oli kiinnitetty.

— Hirveätä! sanoivat ihmiset ja kerääntyivät katsomaan. Kissanraato!

Uijui! Kuinka järjestysviranomaiset sallivat!

Järjestysviranomaiset eivät sallineet. Järjestysviranomainen soitti mustapartaisen miehen ovikelloa.

— Ei minulla ole mitään antaa, enkä minä osta mitään, menkää hiiteen! sanoi mustapartainen mies.

— Minä olen järjestysviranomainen, sanoi järjestysviranomainen.

— Vai niin. Toiset sanovat, että heillä on kuollut mies ja toiset, että he ovat saaneet työpaikan, mutta ei ole matkarahoja, ja jotkut sanovat juuri päässeensä sairaalasta ja tuoksuvat viinalle, ja te sanotte olevanne järjestysviranomainen. Onko järjestysviranomaisilla niin huonot palkat?

— Minä olen tullut puhumaan siitä kissasta, joka riippuu teidän ikkunanne ulkopuolella.

— Ei siitä kannata puhua. Se on kuollut.

— Se on heti poistettava. Se ei saa olla siinä!

— Miksei saa olla? Täytyykö kuolleista kissoista maksaa veroa?

— Sakkoa niistä maksetaan! Ettekö ymmärrä, että se on pahennusta herättävä? Se on ruma! Se on vastenmielinen ja herättää inhoa ja suuttumusta yleisössä! Kissanraato — käsitättehän toki!

— Herra komisarjus, suvaitkaa katsoa ikkunastani näkyvää suuren kivitalon päätyä. Se on maalattu täyteen jättiläismäisiä, kirkuvan kirjavia kuvia. Siinä on pulloja ja punaisia piruja ja vaikka mitä. Ne ovat rumia. Ne ovat vastenmielisiä ja herättävät inhoa ja suuttumusta. Miksen minä saa pitää taloni seinällä pikkuista, vaatimatonta, kuollutta kissaa, jota kauempaa katsoen ei edes huomaa?

— Se on eri asia. Nuo tuolla ovat reklaamimaalauksia. Liikeilmoituksia.

— Tämä on myös ilmoitus. Ilmoitan, etten pidä kissoista.

— Se on nyt jokatapauksessa silmänräpäyksessä poistettava! Se on siivoton ja terveydelle vaarallinen.

Mustapartainen mies otti kynäveitsen ja leikkasi nuoran poikki ja kissa pudota lotkahti väkijoukkoon aikaansaaden 3 pahoinvointikohtausta.

Seuraavana päivänä mustapartainen mies ripusti ikkunansa ulkopuolelle rautasängyn.

— Ottakaa pois se sänky, käskivät järjestysviranomaiset.

— En ota, sanoi mustapartainen mies, se ei ole siivoton. Se on yksinkertainen ja kaunis, joskin vähän vanhanaikainen rautasänky. Se on kauniimpi kuin nuo reklaamit tuon talon seinällä.

— Ottakaa heti pois, se voi pudota alas kadulle!

— Ei se putoa, se on sidottu niin lujasti kiinni. Samassa sänky putosi.

— Hirveätä! huusivat järjestysviranomaiset. Ajatelkaa, jos joku olisi jäänyt sängyn alle! Tulette saamaan ankaran rangaistuksen!

— Minä toivoisin, että nuo kirkuvan kirjavat reklaamimaalaukset tuolta seinältä myöskin putoaisivat, jotta niitten aikaansaajat saisivat ankaraa rangaistuksen, sanoi mustapartainen mies.

KAPINALLISET RISTIÄISET.

Herrasväki Jakari oli joku aika sitten saanut lisää lapsialennusta kunnallisverotukseensa. Se oli tyttö. Naapurit sanoivat, että se oli palotorvi.

Uusi tulokas oli herrasväki Jakarin lapsisarjassa n:o 8. Herrasväki

Jakari vakuutti, että se oli viimeinen. Se oli herrasväki Jakarin viimeisistä lapsista nro 3. Kaksi edellistä olivat näet heidän vakuutuksensa mukaan myös viimeisiä.

Tyttö oli tietysti maailmaan tullessaan pikkuinen pakana, niinkuin tapana on. Rouva Jakari, joka kuuluu pakanalähetysseuraan, sai siten vastaanottaa pakanalähetyksen kotiinsa. Koska herrasväki Jakari kuitenkin mahdollisimman vähän aikaa tahtoi olla läheisissä sukulaisuussuhtein pakanan — vaikkapa pienenkin — kanssa, niin pidettiin ristiäiset.

Ystäväni ja huonetoverini Kalle Niemeläinen ja minä olimme myös läsnä kutsuttuina tuttavina vierainamiehinä. Kaupunginosassamme surullisen, kuuluisa, likaisenharmaa villakoiramme Jussi ei tietenkään ollut mukana. Ristiäiset ovat muutenkin levottomia tilaisuuksia —

joskaan ei tietenkään enää lähimainkaan niin levottomia kuin olivat

Suomen ensimmäiset ristiäiset Kupittaan lähteellä.

Herrasväki Jakarin n:o 8:n ristiäisillä oli levottomat alkuvaiheensakin, jotka herra Jakarin meille antamien tietojen mukaan olivat seuraavat:

Herra Jakari oli jyrkästi päättänyt, että lapsen nimeksi piti pantaman

Lea Elisabeth. Rouva Jakari puolestaan vaati, että Tellervo Ainikki. Oli siis olemassa ristiriita.

Tätä ennen oli tuollaiset ristiriidat ratkaistu varsin nopeasti ja jyrkästi aivan alkuunsa. Rouva Jakari oli ne ratkaissut heikommalle sukupuolelle toisinaan luonteenomaisella musertavalla ylivoimalla.

Voimattomuutensa tuntien herra Jakari silloin mielessänsä salaa kapinoiden oli kätkenyt omat nimiehdotuksensa takaisin sinne, mistä ne olivat lähteneetkin. Neljä kertaa oli sinne häpeissään, voitettuna perääntynyt Kalle Kustaa ja kolmasti Lea Elisabeth.

Mutta nyt oli kauan, kauan salassa kytenyt kapina vihdoin puhjennut ilmiliekkiin, ja herra Jakari julisti julkisesti, että Lea Elisabeth ei enää neljättä kertaa peräänny, vaan on kulkeva voittoon julistaen samalla herra Jakarin alkavaa, tosin myöhään, mutta sitä voimakkaammin alkavaa kohoamista perheen todelliseksi pääksi.

Aluksi rouva puolusti Tellervo Ainikkia ylivoimaansa tottuneen ylimielisyydellä. Vastarinnan odottamatta pitkittyessä ylimielisyys muuttui hämmästyneeksi suuttumukseksi, joka ei jättänyt pienimpiäkään tinkimisen toiveita.

Herra Jakari siitä huolimatta yhä edelleen sitkeästi jatkoi taistelua Lea Elisabethin puolesta.

Tinkimätöntä kamppailua jatkui päivä päivältä, eikä minkäänlaista ratkaisua tai kompromissia oltu saavutettu vielä ristiäispäivän aattona.

— Pantakoon nimeksi vaikka Polykarpiina, mutta Tellervo Ainikkia siitä ei tehdä, sanoi herra Jakari.

— Ja pantakoon nimeksi vaikka Lusitaania, mutta Lea Elisabethia siitä ei tehdä, ei tehdä, ei tehdä! huusi rouva Jakari ja itki.

Lopulta saatiin aikaan jonkinlainen epätoivoinen sovinto, koska ristiäisvieraat jo oli kutsuttu ja pieni skandaali uhkasi. Päätettiin sähköttää rouva Jakarin vanhalle isäukolle, joka oleskeli ulkomailla, Karlsbadissa terveyttään tahi oikeammin sairauttaan hoitamassa. Hän saisi määrätä nimen ja hänen tuomioonsa alistuttaisiin nurkumatta, mikäli hän ei määräisi Tellervo Ainikkii tai Lea Elisabethia. Jos nimeä moitittaisiin epäonnistuneeksi, saisi isäukko kantaa syyn.

Sillä kannalla asiat olivat meidän saapuessamme ristiäisiin.

Me vieraat joimme kahvia leivän kera, puhuimme pötyä ja olimme ihailevinamme äkäisen ja happamen näköisen ristilapsen tavatonta herttaisuutta.

Pappi katseli tavan takaa kelloaan. Ja sitten juotiin taas kahvia leivän kera, ja kun lapsi valutti kuolaa ja iski nyrkillä nenäänsä, niin huusimme hämmästyneinä, ettemme ikinä olleet nähneet niin älykästä lasta.

Sitten keskusteltiin huonoista tuloista ja muista maailman menoista, ja pappi katsoi 191:nnen kerran kelloaan ja sanoi, että jahah, täytyykin jo kohta mennä, jolloin hra ja rva Jakari hätääntyneinä ryhtyivät neuvottelemaan hänen kanssaan ja pyysivät vielä vähän odottamaan, ja joku vieraista kysyi, että ovatkohan talossa vesijohdot rikki vai miksi se kastaminen viipyy, kun se jo oli viipynyt 3 tuntia.

Ja sitten juotiin taas kahvia leivän kera. Ja herra Jakari pyysi anteeksi, että kastetoimitus viipyy, mutta sitä ennen odotettiin saapuvaksi muuatta tärkeätä sähkösanomaa, joka koski lapsen nimeä.

Pappi katsoi 268:nnen kerran kelloaan ja sanoi, että alkaa jo olla niin kiire muuanne, että tuskinpa nytkään enää kerkiää muuta kuin hätäkasteen.

Onneksi siinä samassa jo saapuikin sähkösanoma. Herra Jakari avasi sen vapisevin käsin ja vaipui senjälkeen sanattomana istumaan tuolille, jolla jo ennestään istui muuan ristiäisvieras.

— No, sanoi rva Jakari jännittyneenä, mitä siinä on? Etkö osaa lukea?

Ah, siinä on tietysti Tellervo Ainikki!

— Ei, sanoi herra Jakari raukeasti hymyillen, siinä on, että: Lapsen nimeksi He… He…

— No!

— Heikki Paavali.

— Voi, sähkötitkö sinä onneton, että ⁵e on poika!

— En, minä… niin, minä en muistaakseni maininnut mitään laadusta.

Sanoin vain, että on, ja että mikä nimeksi!

— No, sanoi pappi ja katsoi kelloasi 358:nnen kerran. Mikä nimeksi?

Herra Jakari veti papin syrjään ja sanoi Lea Elisabeth, ja rouva

Jakari veti papin toiseen syrjään ja sanoi Tellervo Ainikki, ja lopulta he alkoivat selvittää asiaa yhdessä, jolloin pappi sanoi että jaa — ehkä on paras, että jatkamme ensi maanantaina — ja meni tiehensä.

— Ääää… äää… äää… äää… huusi Heikki Paavali Lea Elisabeth

Tellervo Ainikki.

EI KOSKAAN.

I kuvaelma.

Karjanen: Minulla on vakinainen virka kaupungin palveluksessa. Oma osakehuoneisto. Olen raitis, vaikka on kieltolaki. Tahdotteko tulla vaimokseni?

Lea: Kyllähän — mutta kysykää ensin isältäni.

Karjanen: Isältänne?

Lea: Niin, minulla on isä.

Karjanen: Tietysti. Tiedän. Mutta miksi häneltä kysyttävä?

Lea: Olen luvannut, etten mene naimisiin ilman hänen suostumustaan.

Karjanen: Jahah. Milloin sopisi käydä?

Lea: Huomenna. Osoite…

Karjanen: Kulmakatu 27, porras C, kolmas kerros, asunto 14.

Lea: Kuinka sen tiedätte?

Karjanen: Sattumalta.

II kuvaelma.

Lea: Isä, tänne tulee tänään eräs hra Karjanen.

Isä: Karjanen!

Lea: Hänellä olisi tavattoman tärkeätä asiaa.

Isä: Tottakai, tottakai! Lähdenpä äkkiä tieheni!

Lea: Älä… mikä sinun on?

Isä: Hyvästi, hyvästi! Sano, että olen matkoilla. Maaseudulla. Tulen kotiin vasta yöllä. (Kiireesti ulos.)

Lea: Isä! Isä!

III kuvaelma.

(Seuraavana päivänä.)

Karjanen: Onko isäsi tänään kotona?

Lea(varmasti). Hän tulee päivälliselle näihin' aikoihin.

Isä(tulee eteiseen).

Lea: Isä, täällä on nyt herra Karjanen. Hän

Isä: Karjanen! (Häviää nopeasti ulos.)

IV kuvaelma.

(Seuraavana päivänä.)

Karjanen(soittaa ovikelloa).

Isä(avaa): Ai, helkkari!

Karjanen: Minä vain pyytäisin kysyä…

Isä: Tulkaa huomenna! Tulkaa kaikin mokomin vasta huomenna! Tänään ei mitenkään sovi! (Paiskaa oven kiinni.)

V kuvaelma.

(Seuraavana päivänä.)

Lea: Isä, miksi et tahdo tavata herra Karjasta? Se olisi niin tärkeätä. Hän tahtoisi…

Isä: Minä tiedän, minä tiedän! (Ovikello soi.)

Lea(menee avaamaan).

Karjanen: Päivää. Onko isäsi nyt kotona?

Lea: On. Sisään. (Astuvat sisään.)

Karjanen: Missä… missä…?

Lea: Hyvänen aika, mihin isä on kadonnut!

Karjanen: Ikkuna auki. Paennut sitä tietä.

Lea: Mitä tämä merkitsee? Tässä on jotakin salaperäistä.

Karjanen: Rakas Lea, minä pelkään ja aavistan, että toivoni raukeaa tyhjiin.

Lea: Taivaan tähden! Miksi?

Karjanen: Minä olen kaupungin veronkantomies. Minäen koskaan saatavataisääsi.