, n+l e) termeni reah. Raspuns: d) 5.

Studiul comportamentului Indicelui BET Ipoteza de piata eficienta Ideea de piafa eficienta, aa cum e infeleasa in literatura moderna, ii are originile in lucrarile lui Bachelier, Cowles i Samuelson. In 1970, in celebrul sau studiu5, Fama da urmatoarea definite: ,,0 piaja in care prefurile reflects intotdeauna complet informatia disponibila se numete piata eficienta". Putem distinge intre trei tipuri de eficienfa: - eficienta in forma slabs - muljimea de informajii cuprinde doar istoricul tranzactiilor (informajii referitoare la prejurile sau rentabilitajile activelor financiare); - eficienta in forma semi-tare - muljimea de informajii cuprinde, pe 1 anga istoricul tranzacjiilor, toate informafiile cu caracter public, cunoscute de catre toji participanfii la tranzactii; - eficienta in forma tare - mulfimea de informajii cuprinde toate informatiile cunoscute de oricare dintre actorii piefei de capital (inclusiv informafii cu caracter privat). 0 modalitate de a testa eficienja piefei de capital este de a studia comportamentul rentabilitatilor activelor financiare; daca acestea sunt nepredictibile, este un indiciu ca piafa este eficienta. Cu alte cuvinte, daca putem realiza un model robust de predicjie, folosind valorile trecute ale rentabilitajii, atunci putem respinge ipoteza de piafa eficienta. Cum verificam stationaritatea Cea mai la indemana modalitate de a verifica stafionaritatea unei serii temporale este analiza graficului de evolutie al acesteia. Daca in mod evident putem depista un trend in comportamentul seriei de timp, putem respinge ipoteza de stationaritate. De asemenea, putem studia comportamentul funcjiei de autocorelatie (defmita anterior) i al funcfiei de autocorelatie parjiala (va fi definita mai jos).

FAMA, Eugene F., 1970. Efficient Capital Markets: A Review of Theory and Empirical

Work", Journal of Finance, 25(2), pp. 383-417. 407

Pe langa aceste proceduri ,,empirice", exista o serie intreaga de teste statistice care se folosesc la verificare ipotezei de stationaritate: Dickey-Fuller. Philips-Perron etc. Pentru a ilustra conceptul de stationaritate i metodologia proceselor ARMA am folosit seria de date a Indicelui BET al Bursei de Valori Bucureti, utilizand programul EViews.

Si Figura 8.12. Indicele BET al Bursei de Valori Bucure$tl in perioada 1997-2006 - 2304 observatil alnlce

Dupa cum putem observa, exista un trend ascendnt in evolutia indicelui. Functia de autocorelatie masoara corelatia intre valorile seriei la diverse distance temporale. De regula, se utilizeaza functia de autocorelatie de selectie (sample autocorrelation function), definita in felul urmator seria Graficul functiei de autocorelatie pentru diverse lag-uri k se numete corelograma. Seriile nestationare au ACF care converge ,,mcet" spre zero. in general, se considera ca daca dupa 5 pai valoarea ACF este mai mare decat 0.7, atunci seria este nestationara. Seriile stationare au ACF care converg rapid spre zero.

Functia de autocorelatie partiala-PACF masoara corelatia intre Y, i Y,.k fara a tine cont de corelatiile dintre Y,.2... De exemplu, exista o corelatie intre Y, si Y,.\e este masurata prin ACF(l); de asemenea, exista o corelatie intre Y,.i si Y,.2 care este masurata tot de ACF(l). Dar corelatia dintre Y, si Y,.2, dincolo de cea masurata prin ACF(l) sau ACF(2) este data de PACF(2) Coeficienjii de autocorelatie partiala se obtin prin modele de regresie:

fn modelul de mai sus </>k reprezina coeficientul de autocorelatie partiala la lagul k.

Autocorrelation Partial Correlation AC PAC Q-Stat 2300.4 4593.7 6880.0 9159.7 11433. 13700. 15962. 18218. 20467. 22711. 24948. 27179. 29404. 31623. 33836. 36042. 38243. 40437. 42625. 44807 46983. 49152. 51316. Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0,000 0.000 0.998 0.998 0.997 -0.031 0.995 0.002 0.993 0.025 0.992 0.001 0 . 9 9 0 0.050 0 . 9 8 9 0.008 0 . 9 8 7 -0.026 0 . 9 8 6 -0.011 0 . 9 8 4 0.004 0 . 9 8 2 0.009 0 . 9 8 1 -0.012 0 . 9 7 9 -0.007 0 . 9 7 8 -0.012 0 . 9 7 6 0.015 0 . 9 7 5 0.002 0 . 9 7 3 0.006 0.971 -0.021 0 . 9 7 0 0.018 0 . 9 6 8 -0.017 0 . 9 6 7 -0.016 0 . 9 6 5 0.018 0 . 9 6 4 -0.001 0 . 9 6 2 0.004 0 . 9 6 0 -0.010 0 . 9 5 9 -0.009 0 . 9 5 7 0.007 0 . 9 5 6 -0.004 0 . 9 5 4 -0.018 0 . 9 5 2 -0.008

11 11 11 11 11 11 11 11

11 11 11 11 11 11

6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 21 2 2 2 3 24 25 2 6 27 2 8 2 9 30

53473. 55624. 57769.

59907 62039. 64165. 66284.

Figura 8.13. Corelogmma pentru Indicele BET Analiza corelogramei ofera informatii privind nestationaritatea seriei analizate.

Ipoteza de rSdacina unitara-Unit Root Seriile stafionare se spune ca au radacina unitara. Ipoteze: H0: seria are radacina unitara i este nestajionara H\: seria este stajionara Daca respingem ipoteza nula, putem accepta staplonaritatea. Testul Dickey-Fuller(Unit Root Test) Presupunem urmatorul model de serie temporala: Yt = pYt_^ + st. Daca p = 1, atunci seria nu este stafionara. Daca p > 1, atunci seria este exploziva(tot nestafionara, dar de regula astfel de comportament nu este regasit in economic). Daca p < 1, atunci seria este stafionara. Practic, pentru modelul urmator Y, -^_, =(p-\)Yt_[ +st, se testeaza daca coeficientul p -1 este sau nu semnificativ diferit de zero. In acest caz ipotezele de verificat sunt urmatoarele:

Cum inducem stationaritatea in dispersie? Daca dispersia seriei inijiale nu este constanta, atunci seria se logaritmeaza Daca i dupa logaritmare exista un trend in date, se calculeaza diferente de ordinul I: In nici un caz nu se logaritmeaza dupa ce am efectuat diferente de ordinul I: NU\) DECE?

De exemplu, daca pentru seria indicelui BET consideram de la inceput diferenjele de ordinul I, seria pare a fi stajionara in medie, dar nu este stafionara in dispersie.

600

500

1000

1 500

2000

In dice le B E T-dife r e n t e de o r d i n u l I

Figura 8.14. Seria diferentiata Cata vreme, transformed seria prin diferente de ordinul I dupa logaritmare, se induce o stationaritate mai accentuata in dispersie: A In Yt = In Yt - In Yt_}.

500

1000

1500

2000

Diferente de ordinul I ale logarilmului seriei

Figura 8.15. Seria logaritmata $i diferentiata Aplicand Testul Dickey-Fuller acestei serii, nu putem respinge ipoteza de stationaritate.

Null Hypothesis: DLNBET has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC. MAXLAG=26) t-Statistic Augmented Dickev-Fuller test statistic Test critical values: 1% level 5% level 10% level 'MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(DLNBET) Method: Least Squares Date: 04/23/07 Time: 17:09 Sample (adjusted): 3 2305 Included observations: 2303 after adjustments Variable DLNBET(-1) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.732945 0.000686 0.366481 0.366205 0.016834 0.652069 6139.447 1.983499 Std. Error 0.020089 0.000351 t-Statistic -36.48412 1.953506 Prob. 0.0000 0.0509 5.54E-07 0.021145 -5.329958 -5.324972 1331.091 0.000000 Prob.*

,3"48412 vo,ei65o -S^32994^-/ V^__ -2.862554 -2.567377

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Figura 8.16. Testul Dickey-Fuller

Autocorrelation Partial Correlation AC PAC

a i

ia

i i i i i

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

0.267 0.267 0.043 -0.031 0.009 0.006 0.001 -0.002 0.022 0.024 0.036 0.026 0.046 0.032 -0.004 -0.026 -0.006 0.002 -0.030 -0.031 0.006 0.023 0.023 0.014 0.017 0.006 -0.006 -0.015 0.003 0.012 -0.035 -0.041 0.023 0.054 0.008 -0.018 0.035 0.040 0.047 0.028 0.039 0.024 0.034 0.018 -0.01 1 -0.025 -0.011 -0.010 -0.016 -0.011 -0.010 -0.012 0.015 0.022 0.011 -0.000 0.048 0.051 0.008 -0.01 B -0.010 -0.005 0.019 0.021 0.051 0.046 0.044 0.012

Figura 8.17 Corelograma pentru diferentele de ordinull ale seriei BET logaritmate(Corelograma randamentului)

Analizand corelograma seriei logaritmate i diferentiate (i.e. corelograma randamentului indicelui BET), putemlncerca estimarea unui model ARMA. Vom alege pentru Xt = A In Yt = In Yt - In Yt_} un model ARMA(p,q), unde p i q sunt maximum 2. In acest moment avem de-a face cu o etapa euristica. se cauta modele ARMA(p,q), conform corelogramei. A rezultat un model ARMA(1,2): unde Z, este un white noise.

Variable DLIMBET(-1) C MA(1) MA(2) R-squared | Adjusted R-squared S.E. of regression Sum squared resid j Log likelihood Durbin-Watson slat I Inverted MA Roots

Coefficient 0.785853 0.000208 -0.514728 -0.182739 0.073036 0.071827 0.016826 0.650865 6141.575 1.993645 .76

Std. Error 0.171939 0.000195 0.175145 0.057537

t-Statistic 4.570524 1.068987 -2.938872 -3.176011

Prob. 0.0000 0.2852 0.0033 0.0015 0.000936 0.017465 -5.330070 -5.320097 60.38000 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) -.24

Figura 8.18. Rezultatele estimarii modelulid

"oncluzii Randamentul indicelui BET este o serie stationara. Randamentul indicelui BET urmeaza un model ARMA(1,2). Avand in vedere valoarea scazuta a lui R2, de 7%, nu putem folosi cu acces valorile anterioare ale randamentului pentru a realiza predict cu un grad de :uratete ridicat. Prin urmare, nu putem respinge ipoteza de eficienta in forma slaba.