Econo Metri Eban Car A

ACADEMIA DE STUDII ECONOMICE
CATEDRA DE MONED

Programul de Master Specializat

Managementul Sistemelor Bancare

MODULUL: Econometrie aplicat
utiliznd EViews 5.1

NOTE DE CURS

Dr. Adrian Codirlau, CFA
Dr. Nicolaie Alexandru Chidesciuc

Octombrie 2008
1

Obiective
Cursul de econometrie bancar are ca obiective nsuirea de ctre studeni a tehnicilor
econometrice de baz utilizate n domeniul bancar. Principalele teme abordate n cadrul
acestui curs se refer la modelarea seriilor de timp, estimarea volatilitii activelor
financiare, modelarea riscului.
De asemenea, cursul are ca obiectiv i nsuirea de ctre studeni a cunotinelor
necesare modelrii econometrice a datelor cu ajutorul programului Eviews 5.1.

Tematic
Serii de timp: momentele seriilor de timp, staionaritate/nestaionaritate,
sezonalitate, distribuii, componente pe termen lung;
Teste statistice;
Regresia liniar: estimare, teste, interpretare;
Modele cu date calitative;
Modele ARMA;
Modele cu date panel;
Modele ARCH/GARCH;
Modele cu vectori autoregresivi (VAR);
Modele de evaluare a riscului de pia (Value at Risk).
2

Bibliografie
Alexander, Carol i Elizabeth Sheedy editori (2004) The Professional Risk
Managerss Handbook. Volume II: Mathematical Foundations of Risk
Measurement, PRMIA
Alexander, Carol i Elizabeth Sheedy editori (2004) The Professional Risk
Managerss Handbook. Volume III: Risk Measurement Practices, PRMIA
DeFusco, Richard A., Dennis W. McLeavey, Jerald E. Pinto i David E. Runkle
(2001) Quantitative Methods for Invstment Analysis, AIMR
Enders, Walter (2004) Applied Econometric Time Series Second Edition, Wiley
Greene, William H. (2000) Econometric Analysis, Fourth Edition, Prentice Hall
International
Hamilton, J ames D. (1994) Time Series Analysis, Princeton University Press
J . P. Morgan (1996) RiskMetrics Technical Document, J . P. Morgan
Lutkepohl, Helmut i Mekus Kratzig (2004) Applied Time Series Econometrics,
Cambridge University Press
Pindyck, Robert S. i Daniel L. Rubinfeld (1991) Econometric Models and
Economic Forecasts McGraw-Hill
Quantitative Micro Software (2005) EViews 5.1 Users Guide, Quantitative
Micro Software

3
Cuprins
CAPITOLUL I. SERII DE TIMP 5
CAPITOLUL II. TESTE STATISTICE 8
II.1. DISTRIBUII 8
II.2. TESTAREA IPOTEZELOR 13
II.3. TESTAREA MEDIEI 16
II.4. TESTAREA VARIANEI 17
CAPITOLUL III. ANALIZA SERIILOR DE TIMP N EVIEWS 20
III.1. INTRODUCEREA SERIILOR N EVIEWS 20
III.2. PRELUCAREA SERIILOR 22
III.3. STAIONARITATEA SERIILOR DE TIMP 23
III.4. DISTRIBUIA SERIILOR 30
III.5. FUNCIA DE AUTOCORELAIE A SERIILOR DE TIMP 33
III.6. TRENDUL SERIILOR DE TIMP 35
III.7. AJUSTAREA SEZONIER A SERIILOR DE TIMP 37
CAPITOLUL IV. REGRESIA LINIAR MULTIPL 41
IV.1. FORMA GENERAL I IPOTEZE 41
IV.2. TESTE STATISTICE SI INDICATORI AI REGRESIEI 42
IV.3. REGRESII CU VARIABILE CALITATIVE 44
IV.4. REGRESII CU SERII DE TIMP N EVIEWS 45
IV.5. REGRESII CU SERII CROSSECIONALE I VARIABILE CALITATIVE N EVIEWS 57
CAPITOLUL V. MODELE ARMA 60
V. 1. PROCESE AR 60
V. 2. PROCESE MA 61
V. 3. PROCESE ARMA 61
V. 4. ESTIMAREA MODELELOR ARMA N EVIEWS 63
CAPITOLUL VI. MODELE CU DATE PANEL 76
VI. 1. UTILIZAREA MODELELOR CU DATE PANEL 76
VI. 2. ESTIMAREA MODELELOR CU DATE PANEL N EVIEWS 76
CAPITOLUL VII. MODELE GARCH 85
VII.1. TIPURI DE MODELE ARCH 85
4
VII.2. ESTIMAREA MODELELOR ARCH N EVIEWS 88
CAPITOLUL VIII. MODELE CU VECTORI AUTOREGRESIVI (VAR) 93
VIII.1. DEFINIIE I UTILIZARE 93
VIII.2. CONSTRUIREA UNUI MODEL VAR 94
VIII.3. ALEGEREA NUMRULUI DE LAG-URI PENTRU UN MODEL VAR 96
VIII.4. STABILITATEA I STAIONARITATEA UNUI MODEL VAR 98
VIII.5. STABILITATEA I STAIONARITATEA UNUI MODEL VAR 98
VIII.6. FUNCII DE IMPULS-RSPUNS 102
VIII.7. DESCOMPUNEREA VARIANEI 104
CAPITOLUL IX. MODELE VALUE AT RISK (VAR) 105
IX.1. MSURA VAR 105
IX.2. VAR ANALITIC 105
IX.3. VAR CALCULAT PE BAZA SIMULRII MONTE CARLO 106
IX.4. VAR ISTORIC 107
IX.5. UTILIZAREA MODELELOR DE VOLATILITATE N CALCULUL VAR 109
IX.5.1. CALCULUL VAR UTILIZND EWMA 109
IX.5.2. CALCULUL VAR UTILIZND MODELE GARCH 110
IX.6.CALCULUL VAR PENTRU UN PORTOFOLIU DE ACIUNI 111

5
Capitolul I. Serii de timp
O serie de timp reprezint o secven de valori nregistrate de o variabil aleatoare
specific ntr-o anumit perioad de timp.
Principalele caracteristici ale seriilor de timp, care trebuie avute n vedere n analiza
econometric a datelor sunt:
1. Frecvena seriei de timp reprezint periodicitatea cu care este observat variabila.
Funcie de specificul seriei de timp, frecvena poate fi zilnic (cum este cazul preurilor
activelor financiare cursurile aciunilor, ratele de dobnd, cursul de schimb), lunar
(de exemplu, rata inflaiei, salariul mediu pe economie, rata omajului), trimestrial (cum
este produsul intern brut) sau anual.
2. Populaie versus eantion. Populaia reprezint totalitatea observaiilor unei
variabile. Eantionul reprezint un subset de observaii al variabilei aleatoare.
3. Momentele seriei de timp:
Primele patru momente ale unei serii de timp sunt:
Media (calculat ca suma observaiilor mprit la numrul de observaii).
Deviaia standard a seriei, care reprezint o msur a dispersiei observaiilor.
Formula de calcul a dispersiei (s) pentru un eantion de observaii este:
( )
1
1
2
=

=
N
y y
s
N
i
i
,
unde:
N reprezint numrul de observaii din eantion,
y
i
observaiile incluse n eantion, N i , 1 =
y valoarea medie a eantionului.
Coeficientul de asimetrie care reprezint o msur a asimetriei distribuiei fa de
media sa.
Formula de calcul a coeficientului de asimetrie (S) pentru o serie de timp este:
3
1
1
=
|
.
|
\
|
=
N
i
i
y y
N
S
,
unde:
N reprezint numrul de observaii din eantion,
y
i
observaiile incluse n eantion, N i , 1 =
y valoarea medie a eantionului,
6
un estimator al deviaiei standard a seriei:
N
N
s
1

= .
s dispersia seriei de timp.
Coeficientul de asimetrie pentru o distribuie normal este zero.
Kurtotica care msoar nlimea distribuiei seriei. Kurtotica (K) este calculat
dup cum urmeaz (notaiile de mai sus se menin):
4
1
1
=
|
.
|
\
|
=
N
i
i
y y
N
K
.
Pentru o distribuie normal, kurtotica are valoarea 3. Dac distribuia are kurtotica mai
mare dect 3, aceasta se numete leptocurtotic (i are o nlime mai mare dect o
distribuie normal), iar n cazul n care kurtotica are o valoare mai mic dect 3,
distribuia se numete platycurtotic (i are o nlime mai mic comparativ cu o
distribuie normal).
n general seriile de date financiare au o distribuie leptokurtotic. O caracteristic a
acestei distribuii este faptul c probabilitatea apariiei de evenimente extreme este mai
mare n cazul distribuiei leptokurtotice dect n cazul distribuiei normale.
4. Staionaritatea seriei de timp.
Condiiile ce trebuie ndeplinite pentru ca o serie de timp s fie staionar sunt:
media seriei de timp s fie constant sau cu alte cuvinte, observaiile trebuie s
fluctueze n jurul mediei.
variana seriei s fie constant.
Din punct de vedere economic, o serie este staionar dac un oc asupra seriei este
temporar (se absoarbe n timp) i nu permanent.
Exemple de serii staionare: rata de cretere a PIB real, rata inflaiei (cu excepia
perioadelor de hiperinflaie). Exemple de serii nestaionare: cursul de schimb nominal,
indicele preturilor de consum, nivelul PIB real.
n cazul n care seria nu este staionar, prin difereniere, se obine o serie staionar.
Astfel, ordinul de integrare a seriei reprezint numrul de diferenieri succesive necesare
pentru obinerea unei serii staionare (sau numrul de rdcini unitare al seriei). n
economie, cele mai ntlnite serii nestaionare sunt integrate de ordinul I (necesit o
singur difereniere, au o rdcin unitar).
De asemenea, exist serii de timp trend-staionare: serii de timp care pot fi fcute
staionare prin eliminarea (scderea) trendului (deterministic) al seriei.
7
5. Sezonalitatea seriei de timp. Seriile de timp cu frecven lunar sau trimestrial
prezint adesea evoluii care au o anumit ciclicitate. De exemplu activitatea economic
se ncetinete n lunile de iarn, preurile cresc mai mult n lunile reci dect n perioada
de var etc.
n analiza econometric, pentru a elimina aceste evoluii sezoniere i a evidenia doar
impactul pe care l are o anumit variabil asupra alteia, seriile de timp sunt ajustate
sezonier.

8
Capitolul II. Teste statistice
Inferena statistic are dou subdiviziuni: estimarea parametrilor modelelor (abordat in
urmtoarele capitole) i testarea ipotezelor.
Estimarea parametrilor rspunde ntrebrii: care este valoarea parametrului (de exemplu
care este media populaiei). Rspunsul la aceast ntrebare este prezentat sub forma
unui interval de ncredere construit n jurul valorii estimate.
n schimb, testarea ipotezelor trebuie s rspund ntrebrii: este x valoarea
parametrului?
Pentru a putea rspunde ambelor ntrebri este esenial cunoaterea distribuiei seriei
de date ai crei parametrii se analizeaz.
II.1. Distribuii
Distribuia de probabilitate/funcia de densitate a unei variabile (aleatoare). Aceasta
este reprezentarea tuturor valorilor pe care le poate lua o variabil aleatore si a
probabilitii de apariie a acestor valori.
n cazul unei variabile aleatoare discrete (variabil care poate lua numai anumite valori),
distribuia de probabilitate este reprezentat printr-o funcie care returneaz
probabilitile de apariie pentru valorile variabilei aleatoare.
n cazul unei variabile aleatoare continue (variabil care poate lua orice valori n cadrul
unui anumit interval) este utilizat funcia de densitate. Deoarece, pentru o variabil
aleatoare continu, probabilitatea de a avea o anumit valoare este 0, se calculeaz
probabilitatea ca valoarea nregistrat de variabila aleatoare s aparin unui anumit
interval.
Astfel, probabilitatea ca valoarea nregistrat de variabila aleatoare x s aparin
intervalului [a, b] este ( ) ( )
=
b
a
dx x f b x a Pr , iar probabilitatea ca valoarea nregistrat
de variabila aleatoare s fie mai mica dect o valoare c este ( ) ( )

=
b
dx x f c x Pr .
Cele mai utilizate distribuii de probabilitate n econometrie sunt:
Distribuia normal (sau Gaussian).
Ecuaia acestei distribuii este: ( )
2
2
1
2
1
|
.
|
\
|

x
e x f ,
9
unde:
reprezint media distribuiei,
abaterea medie ptratic a acesteia,
x variabila aleatoare,
14159 . 3
71828 . 2 e .
Dup cum se poate observa din ecuaie, aceast distribuie poate fi construit numai pe
baza primelor dou momente ale seriei (media i abaterea medie ptratic).
Dac variabila x este distribuit normal, notaia utilizat este: ) , ( ~
2
N x .
n graficul de mai jos sunt prezentate exemple de distribuii normale n funcie de medie
i deviaie standard:

Distribuia lognormal.
O variabil este lognormal distribuit dac logaritmul natural al variabilei este nomal
distribuit.
Funcia densitii de probabilitate au unei variabile lognormal distribuite este:
( )
2
) ln(
2
1
2
1
|
.
|
\
|

=

x
e
x
x f ,
10
unde:
reprezint media distribuiei,
abaterea medie ptratic a acesteia,
x variabila aleatoare.
Funcie de diverse valori ale abaterii medii ptratice, n tabelul de mai jos sunt
prezentate exemple de distribuii lognormale.

Distribuia t.
Aceast distribuie este folosit pentru modelarea mediei unui eantion mic de date (sub
30 de observaii) extras dintr-o populaie cu o distribuie normal, n cazul n care
abaterea medie ptratic a eantionului nu este cunoscut. Pentru eantioane mari de
observaii, distribuia t converge ctre distribuia normal.
Pentru eantioane mici de date, aceast distribuie are o kurtotic mai mare dect o
distribuie normal; datorit acestei caracteristici este folosit n modelarea
randamentelor activelor financiare.
Spre deosebire de distribuia normal, forma acestei depinde i de numrul de grade de
libertate a seriei de date. Distribuia t este de fapt o familie de distribuii, (exist o
distribuie pentru fiecare valoare posibil a gradelor de libertate).
11
Dac ) 1 , 0 ( ~N z i | | n x
2
~ i x este independent de z, atunci raportul
n
x
z
t =
urmeaz o distribuie t cu n grade de libertate, | | n t t ~ .
De asemenea, dac | | n t t ~ , atunci | | n F t , 1 ~
2
.
n graficul de mai jos sunt prezentate exemple de distribuii t funcie de numrul de
grade de libertate, k.

Distribuia Chi ptrat (
2
).
Aceast distribuie este printre cele mai folosite distribuii n testele statistice.
Distribuia
2
este asimetric, i ca i n cazul distribuiei t, este o familie de distribuii
(exist o distribuie pentru fiecare valoare posibil a gradelor de libertate n - 1).
Distribuia
2
este mrginit de zero (toate valorile sunt pozitive).
Dac ) 1 , 0 ( ~N z , atunci | | 1 ~
2 2
z x = , x este distribuit
2
cu un grad de libertate.
Dac
n
x x x ,..., ,
2 1
sunt n variabile independente avnd fiecare o distribuie | | 1
2
, atunci
| | n x
n
i
i
~
1
=
.

12
Proprieti
Dac
i
z , n i ,..., 2 , 1 = sunt variabile independente care urmeaz distribuii
( ) 1 , 0 N , atunci | | n z
n
i
i
2
1
2
~
=
;
Dac
i
z , n i ,..., 2 , 1 = sunt variabile independente care urmeaz distribuii
( )
2
, 0 N , atunci | | n
z
n
i
i 2
2
1
~
=
|
.
|
\
|
;
Dac | |
1
2
1
~ n x i | |
2
2
2
~ n x sunt variabile independente, atunci
| |
2 1
2
2 1
~ n n x x + + .
n graficul de mai jos sunt prezentate distribuii
2
funcie de numrul de grade de
libertate, k.

Distribuia F.
Ca i distribuia
2
, distribuia F este o familie de distribuii asimetrice, care sunt
mrginite de zero (sunt ntotdeauna pozitive). Fiecare distribuie F este definit de ctre
dou valori de grade de libertate, denumite grade de libertate ale numrtorului i ale
numitorului.
13
Dac | |
1
2
1
~ n x i | |
2
2
2
~ n x sunt variabile independente, atunci | |
2 1
2
2
1
1
, ~ n n F
n
x
n
x
F = .
n graficul de mai jos sunt prezentate distribuii F funcie de numrul de grade de
libertate,
1
d i
2
d .

II.2. Testarea ipotezelor
O ipotez este definit ca o afirmaie referitoare la una sau mai multe populaii.
Pentru testarea unei ipoteze trebuie parcuri urmtorii pai:
1. Definirea ipotezei;
2. Identificarea testului statistic ce va fi utilizat i a distribuiei de probabilitate a
acestuia;
3. Specificarea nivelului de relevan al testului;
4. Specificarea regulii de decizie;
5. Colectarea datelor i estimarea parametrului;
6. Luarea deciziei statistice;
7. Luarea deciziei economice.
14
1. Primul pas n testarea ipotezei este specificarea ipotezei nule i a ipotezei alternative.
Ipoteza nul, notat cu
0
H , reprezint ipoteza ce este testat, iar ipoteza alternativ,
notat cu
a
H , este ipoteza acceptat n cazul n care ipoteza nul este respins.
Exemple de formulri de ipoteze:
a)
0 0
: x x H = versus
0
: x x H
a
;
b)
0 0
: x x H versus
0
: x x H
a
> ;
c)
0 0
: x x H versus
0
: x x H
a
< .
Prima formulare reprezint un test care se refer la ambele cozi ale distribuiei (two
tailed test), ipoteza nul fiind respins fie dac x este mai mare, fie dac x este mai mic
dect
0
x . A doua i a treia formulare sunt teste care se refer la o singur coad a
distribuiei (one tailed test), ipoteza nul este respins numai dac x este mai mare
(punctul b)), respectiv mai mic (punctul c)) dect
0
x .
2. Al doilea pas const n identificarea testului statistic aplicabil i a distribuiei de
probabilitate a acestuia.
Testul statistic reprezint o cantitate calculat pe baza unui eantion, a crei valoare st
la baza deciziei de acceptare sau respingere a ipotezei nule.
De exemplu, testul statistic pentru media unei populaii este:
parametru std eroare
H sub populatie parametru esantion parametru
statistic test
_ _
_ _ _ _
_
0
=
Astfel, dac media unui eantion cu n observaii extras dintr-o populaie este x , eroarea
standard a mediei poate fi calculat prin dou metode:
fie ca
n
x
= n cazul n care abaterea medie ptratic a populaiei este

cunoscut,
sau ca
n
s
s
x
= atunci cnd abaterea medie ptratic a populaiei nu este
cunoscut, dar este cunoscut abaterea medie ptratic a eantionului, s.
3. Al treilea pas const n specificarea nivelului de relevan al testului. Pe baza valorii
testului, dou aciuni sunt posibile:
Ipoteza nul este respins;
Ipoteza nul nu este respins.
Acceptarea sau respingerea ipotezei nule se bazeaz pe compararea valorii calculate a
testului statistic cu valorile specifice (tabelate) ale testului statistic. Valorile cu care se
compar valorile calculate sunt stabilite funcie de nivelul de relevan ales. Nivelul de
15
relevan reflect ct de multe dovezi (probabilitate) avem nevoie pentru respingerea
ipotezei nule.
Atunci cnd testm o ipotez nul pot aprea patru situaii:
Se respinge o ipotez nul fals. Aceasta este aciunea corect.
Se respinge o ipotez nul adevrat. Aceasta este o eroare de tipul I.
Nu se respinge o ipotez nul fals. Aceasta este o eroare de tipul II.
Nu se respinge o ipotez nul adevrat. Aceasta este aciunea corect.
Probabilitatea unei erori de tipul I se noteaz cu i se numete nivelul de relevan al
testului statistic. De exemplu, un nivel de relevan de 0.05 (nivelul de relevan cel mai
utilizat n luarea deciziilor statistice) nseamn c, cu o probabilitate de 5 la sut exist
riscul de a respinge o ipotez nul adevrat.
Probabilitatea unei erori de tipul II se noteaz cu .
n luarea deciziei statistice, trebuie gsit un compromis ntre cele dou tipuri de erori.
Astfel, dac scdem probabilitatea de a face o eroare de tipul I vom crete probabilitatea
de a face o eroare de tipul II i invers. Singura metod de a reduce ambele tipuri de erori
este creterea numrului de observaii din eantion, n.
4. Al patrulea pas n testarea ipotezei este stabilirea regulii de decizie. Astfel, atunci
cnd este testat ipoteza nul, dac valoarea absolut calculat a testului statistic este
mai mare sau egal cu valoarea tabelat pentru testul respectiv pentru nivelul de
relevan , ipoteza nul este respins (parametrul estimat este semnificativ din punct
de vedere statistic). n caz contrar ipoteza nul nu este respins, adic parametrul
estimat nu este semnificativ din punct de vedere statistic. Valorile cu care se compar
valorile calculate ale testului statistic se numesc valori critice.
Pentru un test care se refer la o singur coad a distribuiei (one tailed test) valoarea
critic este indicat cu expresia
z , unde z reprezint valoarea critic iar nivelul de

relevan. Pentru un test care se refer la ambele capete ale distribuiei (two tailed test),
valoarea critic este indicat cu
2
z .
Astfel, n cazul testului z (care este normal distribuit) pentru testarea mediei unui
eantion i considernd un nivel de relevan de 0.05 rezult urmtoarele posibiliti:
Pentru testul
0 0
: = H versus
0
:
a
H sunt dou puncte de respingere a
ipotezei nule, unul pozitiv i unul negativ. Avnd n vedere c testul se refer la
ambele capete ale distribuiei, pentru un nivel de relevan de 0.05,
probabilitatea total pentru apariia unei erori de tipul I nu trebuie s fie mai mare
de 0.05. Astfel, o probabilitate de 025 . 0
2
05 . 0
= trebuie luat n considerare
pentru fiecare coad a distribuiei pentru testarea ipotezei nule. Ca o consecin,
16
cele dou puncte de respingere sunt 96 . 1
025 . 0
= z i 96 . 1
025 . 0
= z . Dac
considerm z ca fiind valoarea calculat a testului statistic, atunci respingem
ipoteza nul dac 96 . 1 < z sau 96 . 1 > z .
Pentru testul
0 0
: H versus
0
: >
a
H , la nivelul de relevan de 0.05,
valoarea critic este 645 . 1
05 . 0
= z . Ipoteza nul se respinge dac 645 . 1 > z .
Pentru testul
0 0
: H versus
0
: <
a
H , la nivelul de relevan de 0.05,
valoarea critic este 645 . 1
05 . 0
= z . Ipoteza nul este respins dac 645 . 1 < z .
5. Al cincilea pas n testarea ipotezei este colectarea datelor i calculul testului statistic.
Astfel, majoritatea testelor solicit cel puin un numr de 20 30 de observaii.
6. Al aselea pas este reprezentat de luarea deciziei statistice: acceptarea sau
respingerea ipotezei nule.
7. Ultima etap const n luarea deciziei economice. Aceasta trebuie s ia n
considerare nu numai decizia statistic ci si toate celelalte informaii disponibile.
Programele software econometrice raporteaz, pe lng valoarea testului statistic i
probabilitatea asociat acestui test (valoarea p). Aceasta reprezint cel mai mic nivel
de relevan la care ipoteza nul poate fi respins. Astfel decizia statistic este
simplificat, aceasta putnd fi luat prin compararea valorii p cu nivelul de relevan la
care se lucreaz.
II.3. Testarea mediei
Pentru testarea mediei sunt folosite dou tipuri de teste: testul z i testul t. Modul de
calcul al celor dou teste este identic, ceea ce difer sunt valorile critice ale testului.
Modalitatea de calcul al testului este:
parametru std eroare
H sub populatie parametru esantion parametru
statistic test
_ _
_ _ _ _
_
0
= .
Decizia de a utiliza unul dintre cele dou teste se ia funcie de distribuia populaiei i
numrul de observaii disponibile astfel:

Eantion mare
(n > 30)
Eantion mic
(n < 30)
Populaia are o distribuie
normal
Testul t sau testul z Testul t
Populaia nu are o
distribuie normal
Testul t sau testul z Nu se poate testa

17
De exemplu, se analizeaz evoluia randamentelor unui fond de investiii. Astfel
eantionul este format din 24 de observaii care reprezint randamentele lunare ale
fondului n ultimii 2 ani. Media acestor randamente este 1.5 la sut iar abaterea lor
standard este de 3.60 la sut. Datorit nivelului de risc sistematic al investiiilor acestui
fond, acesta ar trebui s obin un randament lunar de 1.10 la sut. Se cere s se
determine, cu un nivel de relevan de 10 la sut, dac rezultatele fondului sunt
consistente cu cerina de a obine un randament lunar de 1.10 la sut.
n aceste condiii testul statistic are ca ipotez nul este 10 . 1 :
0
= H versus ipoteza
alternativ 10 . 1 :
a
H .
Deoarece variana populaiei nu este cunoscut se va utiliza un test t cu 21 1 =23
grade de libertate (prin calculul mediei s-a pierdut un grad de libertate).
Avnd n vedere c este un test care ine cont de ambele capete ale distribuiei,
valoarea critic este
23 , 05 . 0
1 ,
2
t t
n
=
. Conform tabelelor distribuiei t, valoarea critic

corespunztoare nivelului de relevan de 0.05 i a 23 de grade de libertate este 1.714.
Ca urmare, cele dou puncte de respingere a ipotezei nule sunt 1.714 i respectiv
1.714. Cu alte cuvinte, ipoteza nul va fi respins dac 714 . 1 > t sau 714 . 1 < t .
Valoarea testului statistic este: 544331 . 0
734847 . 0
4 . 0
24
60 . 3
10 . 1 5 . 1
23
= =
= t .
Deoarece 0.544331 nu satisface nici una din condiiile 714 . 1 > t sau 714 . 1 < t , ipoteza
nul nu este respins.
Funcie de valorile critice ale testului parametrului, i a erorii standard a acestuia se
poate construi intervalul de confiden al parametrului astfel:
(
+
x x
s t x s t x
2 2
;

.
Astfel, pentru exemplul de mai sus, cu un nivel de relevan de 90 la sut, cele dou
valori sunt ( ) 240472 . 0 734847 . 0 714 . 1 5 . 1 = i ( ) 759528 . 2 734847 . 0 714 . 1 5 . 1 = + .
Astfel, intervalul de confiden al mediei, la un nivel de relevan de 90 la sut este
| | 759528 . 2 ; 240472 . 0 . Cum valoarea de 1.10 la sut aparine acestui interval, ipoteza
nul nu este respins.
II.4. Testarea varianei
Variana i deviaia standard sunt msuri utilizate frecvent pentru msurarea riscului n
investiiile financiare.
18
Ca i n cazul testelor de medie, considernd
2
0
valoarea cu care se compar variana
eantionului,
2
, ipotezele ce pot fi formulate pentru variana unei populaii sunt:
a)
2
0
2
0
: = H versus
2
0
2
:
a
H ;
b)
2
0
2
0
: H versus
2
0
2
: >
a
H ;
c)
2
0
2
0
: H versus
2
0
2
: <
a
H .
Pentru testele statistice referitoare la variana unei populaii cu distribuie normal este
folosit testul
2
.
Dac dispunem de un eantion de n observaii extrase dintr-o populaie normal
distribuit, testul statistic pentru testarea varianei este:
( )
2
0
2
2
1
s n
= ,
cu n 1 grade de libertate.
( )
1
2
1 2
=

=
n
x x
s
n
i
i
reprezint variana eantionului de date utilizat.
Dac alegem un nivel de relevan al testului, , punctele de respingere ale ipotezei
nule pentru cele trei tipuri de teste sunt:
a)
2
0
2
0
: = H versus
2
0
2
:
a
H . Respingem ipoteza nul dac valoarea
testului statistic este egal cu sau mai mare dect punctul cel mai la dreapta
(cel mai mare)
2
a distribuiei
2
cu n 1 grade de libertate (notat cu
2
2
)
sau dac valoarea testului statistic este egal cu sau mai mic dect punctul
cel mai la stnga (cel mai mic)
2
a distribuiei, (notat cu
2
2
1

).
b)
2
0
2
0
: H versus
2
0
2
: >
a
testului statistic este egal cu sau mai mare dect punctul cel mai la dreapta
(cel mai mare) a distribuiei
2
c)
2
0
2
0
: H versus
2
0
2
: <
a
testului statistic este egal cu sau mai mic dect punctul cel mai la stnga (cel
mai mic) a distribuiei
2
Revenind la exemplul utilizat n cazul testului privind media unei populaii, presupunnd
c, pe parcursul celor 24 de luni de observaie a randamentelor fondului de investiii,
deviaia standard a randamentelor lunare ale acestuia a fost de 3.60 la sut, se cerea s
se analizeze dac strategia de investiii a fondului a urmrit (i a reuit) o abatere
standard a randamentelor lunare de cel mult 4 la sut.
19
n aceste condiii, ipoteza nul este 16 :
2
0
H iar ipoteza alternativ este
16 :
2
<
a
H .
Testul statistic folosit este testul
2
cu 24 1 =23 grade de libertate. La 05 . 0 = ,
valoarea critic a testului este 13.091.
Valoarea testului statistic este:
( )
63 . 18
16
08 . 298
4
6 . 3 23 1
2
2
2
0
2
2
= =
s n

Deoarece valoarea calculat a testului statistic, 18.63, nu este mai mic dect valoarea
critic, 13.091, nu respingem ipoteza nul.
Deci strategia de investiii a fondului a avut ca rezultat o deviaie standard a
randamentelor lunare nregistrate de fondul de investiii mai mic dect 4 la sut.

20
Capitolul III. Analiza seriilor de timp n EViews
III.1. Introducerea seriilor n EViews
Crearea unui fiier de lucru (workfile) n EViews

Fiierul de lucru poate s conin urmtoarele tipuri de date:
Serii cros-secionale sau serii de timp nedatate (opiunea Unstructured/Undated);
Serii de timp cu frecvent constant (opiunea Dated regular frequency);
Serii de tip panel serii care sunt n acelai timp cros secionale ct i serii de
timp (opiunea Balanced Panel).
Analizm seria de timp cu frecven zilnic a cursului de schimb pentru perioada
ianuarie 1999 mai 2006. Dei seria are frecven constant, datorit srbtorilor
legale, care nu pot fi definite n EViews, nu se poate alege opiunea Dated, ci opiunea
Unstructured/Undated.
Pentru perioada analizat, sunt disponibile aproximativ 2000 de observaii. n cazul
realizrii de prognoze, trebuie alocate observaii i pentru perioada pentru care se face
prognoza. De aceea, este recomandat ca intervalul specificat s fie mai mare dect
numrul de observaii disponibile. De aceea, intervalul specificat n EViews va fi de 2500
observaii.
21

n acest fiier de lucru trebuie definite seriile cu care for fi folosite n analiza
econometric.
Definirea seriilor: click buton dreapa mouse n interiorul fiierului de lucru, selectarea
opiunii new object, alegerea opiunii series i specificarea numelui seriei. Seria creat
se numete eur.

22
Introducerea datelor n seria creat: selectarea serie, click buton stnga mouse,
selectare opiune edit +/- n fereastra seriei, introducerea datelor cu copy (din fiierul
Excel) i paste n prima coloan a fiierului seriei.

III.2. Prelucarea seriilor
Asupra seriilor introduce pot fi aplicate operaii matematice. Cele mai utilizate sunt
logaritmarea i prima diferen.
Cu excepia seriilor care au i valori negative, sau zero, analiza econometric se
realizeaz cu serii logaritmate, logaritmarea facilitnd interpretarea coeficienilor obinui
din regresie (acetia sunt elasticiti).
Prima diferen (
1
t t
x x ) este utilizat pentru staionarizarea seriilor.
Prelucrarea se realizeaz cu opiunea generate (genr) din fereastra fiierului de lucru i
introducerea ecuaie. De exemplu se logaritmeaz seria eur, seria de logaritmi se
numete l_eur. Asupra seriei l_eur se aplic operatorul prim diferen, seria de prime
diferene fiind denumit dl_eur.
Comenzile ce trebuie scrise n fereastra Generate sunt:
l_eur=log(eur)
dl_eur=d(l_eur) sau dl_eur=l_eur-l_eur(-1)
x(-n) reprezint lag-ul n al seriei, adic observaia
n t
x

. x(n) reprezint lead-ul n al seriei,
adic observaia
n t
x
+
.
23

III.3. Staionaritatea seriilor de timp
Opiunile pentru analiza seriilor de timp sunt disponibile n fereastra seriei, prin opiunea
view.

Opiunile disponibile sunt:
Spreadsheet permite vizualizarea/modificarea datelor seriei;
Graph permite reprezentarea grafic a seriei;
Descriptive Statistics prezint primele patru momente ale distribuiei seriei;
Test of Descriptive Statistics permite efectuarea de teste statistice asupra
momentelor seriei;
Distribuion prezint distribuia seriei;
Correlogram prezint funcia de autocorelaie i autocorelaie partial.
Seriile ce vor fi analizate sunt l_eur i dl_eur.
24
Graficele celor dou serii (View/Graph/Line) sunt prezentate mai jos:
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
500 1000 1500 2000 2500
L_EUR

-.06
-.04
-.02
.00
.02
.04
.06
.08
500 1000 1500 2000 2500
DL_EUR

Din grafice rezult c l_eur (seria cursului de schimb) ar trebui sa fie o serie nestaonar
iar seria dl_eur (variatia zilnic a cursului de schimb) o serie staionar. Dar aceste
observaii trebuie confirmate prin testele de staionaritate.
Testele de staionaritate cele mai folosite sunt ADF (Augmented Dickey-Fuller) i PP
(Phillips-Perron).
Pentru a testa staionaritatea unei serii de timp: View/Unit Root Test

Test type: tipul testului de rdcin unitar (Augmented Dickey-Fuller, Phillips-
Perron);
Test unit root in:
Level seria nivel (seria efectiv);
25
1st difference prima diferen a seriei (de obicei n cazul n care testul
aplicat asupra seriei nivel a artat c seria este nestaionar);
2nd difference a doua diferen a seriei (atunci cnd i testul aplicat primei
diferene a artat c seria de prime diferene este nestaionar.
Include in test equation
Intercept dac testul s includ i un termen constat. Acesat opiune se
alege atunci cnd din graficul seriei se observ c aceasta fluctueaz n jurul
unei anumite valori sau pornete dintr-o anumit valoare.
Trend and intercept n cazul n care seria prezint un trend.
None in cazul n care seria fluctueaz n jurul valorii 0.
Prima parte a testului prezint informaii cu privire la tipul testului (AFD, variabilele
exogene introduse constant, trend) i cuprinde rezultatul testului, valorile critice
pentru fiecare nivel de relevan (1, 5 i 10 la sut), i probabilitatea, p, asociat
rezultatului testului.
n acest exemplu, pentru l_eur, ADF are valoarea 0.981155 i valoarea p asociat
acestuia este de 0.9448. Dac valoarea testului este mai mare dect valoarea critic, nu
este respins ipoteza nul seria are o rdcin unitar (este nestaionar). n acest
caz nu este respins ipoteza nul seria este nestaionar.
Utiliznd valoarea p, este acceptat ipoteza nul seria este nestaionar pentru un
anumit nivel de relevan, ori de cte ori probabilitatea p este mai mare dect acel nivel
de relevan.
Partea a doua a testului prezint ecuaia estimat, pe baza creia a fost calculat testul
ADF.
Testul ADF pentru l_eur:
Null Hypothesis: L_EUR has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 3 (Automatic based on SIC, MAXLAG=25)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.981155 0.9448
Test critical values: 1% level -3.962327
5% level -3.411905
10% level -3.127850

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(L_EUR)
26
Method: Least Squares
Date: 09/22/07 Time: 12:51
Sample (adjusted): 5 2148
Included observations: 2144 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

L_EUR(-1) -0.000783 0.000798 -0.981155 0.3266
D(L_EUR(-1)) 0.066581 0.021554 3.089033 0.0020
D(L_EUR(-2)) -0.089595 0.021512 -4.164953 0.0000
D(L_EUR(-3)) -0.074095 0.021552 -3.437954 0.0006
C 0.002038 0.000567 3.593461 0.0003
@TREND(1) -6.76E-07 3.97E-07 -1.702470 0.0888

R-squared 0.027608 Mean dependent var 0.000428
Adjusted R-squared 0.025334 S.D. dependent var 0.006209
S.E. of regression 0.006129 Akaike info criterion -7.348637
Sum squared resid 0.080324 Schwarz criterion -7.332769
Log likelihood 7883.739 F-statistic 12.14042
Durbin-Watson stat 1.995360 Prob(F-statistic) 0.000000

Pentru a determina ordinal de integrare al seriei (de cte diferenieri este nevoie pentru
a obine o serie staionar, se va testa staionaritatea seriei de prime diferene (dl_eur).

27
Testul ADF pentru dl_eur:
Null Hypothesis: D(L_EUR) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.862686
10% level -2.567426


Dependent Variable: D(L_EUR,2)
Date: 09/22/07 Time: 13:13


D(L_EUR(-1)) -1.071989 0.036404 -29.44682 0.0000
D(L_EUR(-1),2) 0.147425 0.029223 5.044887 0.0000
D(L_EUR(-2),2) 0.065175 0.021560 3.023036 0.0025
C 0.000459 0.000134 3.425652 0.0006

R-squared 0.469264 Mean dependent var 5.00E-06

Cum valoarea testului este mai mic dect valoarea critic pentru oricare dintre nivelele
de relevan, alegnd nivelul de relevan cel mai restrictiv, 1 la sut, se poate spune c
la 1 la sut nivel de relevan, ipoteza nul (seria este nestaionar) este respins. Acest
rezultat rezult i din valoarea probabilitii asociate, p. Astfel, aceasta este mai mic
dect cel mai restrictiv nivel de relevan, de 1 la sut i ca urmare, ipoteza nul seria
este nestaionar este respins. Deci ordinul de integrare al seriei este 1 sau seria
este I(1).
Testul PP funcioneaz pe acelai principiu ca i ADF. Rezultatul obinut aplicnd testul
PP este similar.
28
Cele dou teste, pentru nivel i pentru prima diferen sunt:

Testul PP pentru l_eur:
Null Hypothesis: L_EUR has a unit root
Bandwidth: 18 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -0.937060 0.9502
5% level -3.411902
10% level -3.127848


Residual variance (no correction) 3.82E-05
HAC corrected variance (Bartlett kernel) 3.09E-05

Phillips-Perron Test Equation
Dependent Variable: D(L_EUR)
Date: 09/22/07 Time: 13:21


L_EUR(-1) -0.000808 0.000802 -1.006972 0.3141
C 0.001905 0.000568 3.355915 0.0008
29
@TREND(1) -5.70E-07 3.98E-07 -1.430085 0.1528


Testul PP pentru dl_eur:
Null Hypothesis: D(L_EUR) has a unit root
Exogenous: Constant

Adj. t-Stat Prob.*

5% level -2.862685
10% level -2.567426


Residual variance (no correction) 3.83E-05
HAC corrected variance (Bartlett kernel) 3.20E-05

Dependent Variable: D(L_EUR,2)
Date: 09/22/07 Time: 13:27


D(L_EUR(-1)) -0.925715 0.021537 -42.98208 0.0000
C 0.000394 0.000134 2.941322 0.0033

30

III.4. Distribuia seriilor
Momentele seriilor i testul Jarque-Bera pentru testarea distribuiei normale sunt
disponibile prin opiunea View/Descriptive Statistics/Histogram and Stats.
Pentru seria variaiilor zilnice ale cursului de schimb, dl_eur, momentele seriei sunt
prezentate mai jos:

0
100
200
300
400
500
600
700
800
900
-0.050 -0.025 -0.000 0.025 0.050
Series: DL_EUR
Sample 1 2500
Observations 2147
Mean 0.000427
Median -2.90e-05
Maximum 0.068792
Minimum -0.051064
Std. Dev. 0.006208
Skewness 0.857072
Kurtosis 14.10991
J arque-Bera 11304.70
Probability 0.000000

Ouput-ul prezint histograma distribuiei, media, mediana, valorile minime i maxime,
deviaia standard, coeficientul de asimetrie, kurtotica seriei i testul Jarque-Bera.
Pentru o distribuie normal:
Coeficientul de asimetrie (skewness) este zero distribuia normal este
simetric.
Kurtotica (kurtosis) este 3. Dac acest indicator are o valoarea mai mare dect 3,
atunci distribuia se numete leptokurtotic, iar dac acesta este mai mic dect 3
atunci distribuia se numete platikurtotic.
n exemplul de mai sus, conform rezultatelor statistice, distribuia evoluiilor zilnice ale
cursului de schimb are media apropiat de zero, prezint asimetrie pozitiv (ceea ce
nseamn c, n perioada analizat cursul de schimb EUR/RON a avut o tendina de
cretere leul s-a depreciat) iar kurtotica are o valoare de peste 14, ceea ce nseamn
c aceast distribuie este leptokurtotic.
O asemenea distribuie au majoritatea activelor financiare. ntr-o distribuie
leptokurtotic, probabilitatea de apariie a unui eveniment extrem este superioar
probabilitii de apariie a acelui eveniment implicat de o distribuie normal. Ca urmare
31
modelele de evaluare a preului i riscului activului respectiv pot genera erori dac
presupun distribuia normal a acestuia.
J arque-Bera testeaz dac o distribuie este normal distribuit. Testul msoar diferena
dintre coeficientul de asimetrie i kurtotica distribuiei analizate cu cele ale distribuiei
normale. Testul are ca ipoteza nul: seria este normal distribuit. Astfel, dac
probabilitatea asociat testului este superioar nivelului de relevan ales (1, 5 sau 10 la
sut), atunci ipoteza nul este acceptat.
n exemplul de mai sus, cum valoarea probabilitii asociate este zero, se respinge
ipoteza nul, cum c seria este normal distribuit.
O alt modalitate de testare a normalitii distribuiei este utiliznd opiunea
View/Distribution/Quantile-Quantile Graph i alegnd opiunea Normal Distribution:

Prin aceast metodologie sunt reprezentate grafic quantilele distribuiei teoretice
(normale) versus quantilele distribuiei care se analizeaz. Astfel, cu linie continu sunt
reprezentate quantilele distribuiei normale, iar cu puncte cele ale distribuiei efective. Cu
ct acestea din urm se abat mai mult fa de cele teoretice, distribuia nu este normal
distribuit.
n exemplul analizat se observ c distribuia seriei evoluiilor zilnice ale cursului de
schimb EUR/RON nu este normal distribuit.
32
-12
-8
-4
0
4
8
12
-.06 -.04 -.02 .00 .02 .04 .06 .08
DL_EUR
N
o
r
m
a
l

Q
u
a
n
t
i
l
e
Theoretical Quantile-Quantile

Reprezentarea grafic a distribuiei se realizeaz cu View/Distribution/Kernel Density
Graphs:

33
0
20
40
60
80
100
-.04 -.02 .00 .02 .04 .06
DL_EUR
Kernel Density (Epanechnikov, h = 0.0018)

III.5. Funcia de autocorelaie a seriilor de timp
Corelograma erorilor este utilizat n analiza erorilor ecuaiei de regresie i pentru
alegerea specificaiei modelelor ARMA.
Analiza coeficienilor de autocolelaie si a coeficienilor de corelaie parial ai seriilor
este disponibil cu opiunea View/Correlogram.

34
Specificaiile corelogramei:
Correlogram of
o Level corelograma serie n nivel;
o 1st Difference corelograma seriei n prime diferene,
o 2nd Difference corelograma celei de a doua diferene a seriei.
Lags to include numrul lag-urilor ce sunt incluse.
Coeficientul de corelaie de ordinul k, (coeficientul de corelaie dintre
t
X i
k t
X

este
calculat dup cum urmeaz:
( ) ( ) ( )
( )
=
+ =

=
n
t
t
n
k t
k t t
k
n
X X
k n
X X X X
1
2
1

unde:
k
reprezint coeficientul de corelaie de ordinul k;
n numrul de observaii al seriei;
X media seriei
t
X
Coeficientul de autocorelie parial la lag-ul k reprezint coeficientul de regresie al lui
k t
X

, atunci cnd
t
X este regresat funcie de
k t
X

i o constant.
Pentru o serie nestaionar coeficienii de corelaie ncep de la o valoare apropiat de -1
sau 1 i scad foarte ncet.
Coeficienii pariali de autocorelaie pentru un proces autoregresiv de ordin p, AR(p) se
opresc la lag-ul p, iar coeficienii pariali de autocorelaie pentru un proces medie mobil,
MA, converg gradual ctre zero.
Q-Statistic i probabilitatea asociat acestuia reprezint un test statistic care are ca
ipotez nul c nu exist autocorelaie pn la lag-ul k. Dac probabilitatea asociat
testului Q-Statistic este superioar nivelului de relevan, ipoteza nul este respins
i este acceptat ipoteza alternativ exist autocorelaie pn la lag-ul k.
n exemplul ales, conform rezultatelor statistice, seria cursului de schimb EUR/RON,
l_eur, prezint autocorelaie persistent, conine o rdcin unitar i de asemenea, i
seria evoluiei zilnice a cursului de schimb (seria n prim diferen a serie nivel a
cursului de schimb), dl_eur prezint autocorelaie serial pentru primele 3 lag-uri.
35

III.6. Trendul seriilor de timp
Pentru estimarea unei componente pe termen lung a seriei de timp (trend), cea mai
simpl metod ce poate fi utilizat n programul EViews este filtrul Hodrick-Prescot.
Determinarea componentei pe termen lung a seriei prin filtrul Hodrick-Prescot se
realizeaz n EViews prin opiunea Proc/Hodrick-Prescot Filter apelat din fereastra
seriei de timp.
36

Opiuni:
Smoothed series repreprezint numele seriei trend ce va fi generat;
Cycle series numele seriei abaterii de la trend (calculat ca diferen ntre seria
efectiv i seria trend).
Pentru seria cursului de schimb EUR/RON, trendul i abaterea de la trend sunt
prezentate n graficul de mai jos.
-.05
.00
.05
.10
0.0
0.4
0.8
1.2
1.6
500 1000 1500 2000 2500
L_EUR Trend Cycle
Hodrick-Prescott Filter (lambda=14400)

37
III.7. Ajustarea sezonier a seriilor de timp
Pentru analiza sezonalitii unei serii s-a folosit seria de PIB trimestrial al Romniei,
pentru perioada trimestrul I 1998 trimestrul IV 2006.
Pentru introducerea seriei de date n EViews a fost creat un fiier de lucru cu date
trimestriale pentru perioada 1998 2007 i a fost creat seria gdp.

Se observ sezonalitatea seriei din reprezentarea ei grafic:
30000
40000
50000
60000
70000
80000
98 99 00 01 02 03 04 05 06 07
GDP

38
De asemenea, sezonalitatea poate fi pus n eviden prin opiunea
View/Graph/Seasonal Stacked Line apelat din fereastra seriei de timp analizate:

30000
40000
50000
60000
70000
80000
GDP Means by Season
Q1 Q2 Q3 Q4
GDP by Season

Graficul prezint evoluia PIB-ului pe fiecare trimestru i media observaiilor pentru
fiecare trimestru (linia orizontal). n cazul n care sunt diferene semnificative ntre
mediile trimestriale, cum este cazul exemplului de mai sus, seria de timp prezint
sezonalitate.
Desezonalizarea seriei de timp se realizeaz cu opiunea Proc/Seasonal Adjustment
apelat din fereastra seriei de timp.

Cele mai utilizate metodologii de ajustare sezonier sunt:
Census X12 dezvoltat de Biroul de Statistic al Statelor Unite;
Tramo/Seats utilizat n special de Eurostat (Biroul de Statistic al Comisiei
Europene).
39

Opiunile pentru cele dou metodologii sunt:
Component Series to Save/Series to Save - Generarea de serii.
Generarea seriei ajustat sezonier bifarea opiunii _SA. Va vi generat o serie
numele seriei initiale_SA care reprezint seria ajustat sezonier;
Cele dou proceduri pot genera, similar cu filtrul Hodrick-Prescot i trendul/ciclul
seriei opiunea _TC pentru X12 i respectiv, opiunile _TRD i _CYC pentru
Tramo-Seats.
De exemplu, n cazul aplicrii metodologiei X12, a fost generat seri gdp_sa.
Pentru a reprezenta pe acelai grafic cele dou serii, se selecteaz seriile cu CTRL +
click buton stnga mouse, apoi click buton dreapta mouse/Open as group i apoi, n
fereastra grupului View/Graph/Line.

40

Cele dou serii, cea nedesezonalizat, gdp, i cea ajustat sezonier, gdp_sa sunt
prezentate n graficul de mai jos.
30000
40000
50000
60000
70000
80000
98 99 00 01 02 03 04 05 06 07
GDP_SA GDP

41
Capitolul IV. Regresia liniar multipl
IV.1. Forma general i ipoteze
Cu ajutorul regresiei liniare, se poate determina impactul pe care l au mai multe
variabile independente asupra anumite variabile (numit variabil dependent).
Forma general a ecuaiei de regresie multipl este:k
t kt k t t t
X b X b X b b Y + + + + + = ...
2 2 1 1 0

unde:
n t ,..., 2 , 1 = sunt observaiile din eantion,
t
Y observaia t a variabilei dependente,
j
X variabilele independente, k j ,..., 2 , 1 = ,
jt
X observaia t a variabilei independente
j
X ,
0
b constanta (termenul liber al ecuaiei),
k
b b ,...,
1
coeficienii variabilelor independente,
t
termenul de eroare al ecuaiei.
Coeficientul variabilei independente arat cu ct se modific variabila dependent,
t
Y ,
atunci cnd variabila independent,
jt
X , se modific cu o unitate, n condiiile n care
celelalte variabile independente rmn constante.
Dac variabila dependent i variabilele independente sunt specificate n logaritmi
naturali, atunci coeficienii variabilelor independente pot fi interpretai ca elasticiti.
Astfel, aceti coeficieni vor arta cu ct la sut se modific variabila dependent dac
variabila independent se modific cu 1 la sut.
Pentru ca inferena bazat pe rezultatele regresiei liniare multiple s fie valid, trebuie
ndeplinite un set de ase ipoteze, regresia bazat pe acest set de ipoteze fiind
cunoscut ca modelul clasic normal de regresie multipl.
Ipoteze:
1. Legtura dintre variabila dependent i variabilele independente este liniar.
2. Variabilele independente sunt aleatoare. De asemenea ntre variabilele
independente incluse ntr-o regresie nu exist nici o relaie liniar. Dac
variabilele independente sunt corelate atunci exist multicoliniaritate.
3. Valoarea ateptat a termenului de eroare,
t
, este zero, ( ) 0 =
t
E .
4. Variana termenului de eroare,
t
, este aceeai pentru toate observaiile,
( )
2 2
=
t
E . Aceste erori se numesc homoskedastice. Dac, n schimb, variana
42
termenului de eroare este variabil, erorile se numesc heteroskedastice, i
trebuie utilizate metode diferite de estimare a regresiei.
5. Termenul de eroare,
t
, este necorelat ntre observaii, ( ) t s E
s t
= , 0 .
Dac exist corelaie serial a erorilor, trebuie folosite utilizate metode diferite de
estimare a regresiei.
6. Termenul de eroare este normal distribuit.
Impactul nclcrii uneia dintre ipoteze asupra rezultatelor regresiei este prezentat n
tabelul de mai jos:
Heteroskedasticitate Erorile standard ale regresiei sunt incorecte
Corelaie serial a erorilor Erorile standard ale regresiei sunt incorecte
Multicoliniaritate
Valori mari ale lui
2
R i valori mici ale valorilor
t-statistic ale coeficienilor variabilelor independente
IV.2. Teste statistice si indicatori ai regresiei
Abaterea ptratic total lui
i
Y , numit i variaia total, (total sum of squares, TSS) este
calculat ca ( )
2
1
=

n
i
i
Y Y .
Suma total a ptratelor erorilor regresiei, numit i variaia neexplicat (residual sum of
squares, sum of squared erros, SSE) se calculeaz ca ( )
2
1
=

n
i
i i
Y Y , unde
i
Y
reprezint
valoarea lui
i
Y obinut conform rezultatelor regresiei (valoarea estimat a lui
i
Y ).
Partea din abaterea ptratic total a lui
i
Y obinut din regresie, numit i variaia
explicat (regression sum of squares, RSS) se calculeaz ca ( )
2
1
=

n
i
i
Y Y , unde Y
reprezint media lui
i
Y .
ntre cele trei msuri exist relaia:
TSS = SSE + RSS.
Eroarea standard a estimrii, (standard error of estimate, SEE) reprezint eroarea
standard a reziduului ecuaiei.
( )
( ) 1
) 1 (
...

1
2
1
2
2 2 1 1 0
+
=
+

=

= =
k n k n
X b X b X b b Y
SEE
n
t
t
n
t
kt k t t t

,
43
unde x reprezint x obinut din regresie (x estimat).
Media ptratelor regresiei (mean regression sum of squares, MSR) se calculeaz ca
k
RSS
, unde k este numrul variabilelor independente incluse n regresie.
Media erorii ptratice (mean square error, MSE) se calculeaz ca
( ) 1 + k n
SSE
.
Similar cu testarea mediei unui eantion, coeficienii ecuaiei de regresie pot fi testai
printr-un test t. Ipoteza nul a testului este
0 k k
b b = , unde
k
b este coeficientul obinut din
regresie iar
0 k
b valoarea testat a coeficientului.
Testul t se calculeaz conform relaiei:
k
b
k k
s
b b
t
0
= ,
unde
k
b
s este eroarea standard a coeficientului.
Dac valoarea testului este mai mare dect valoarea critic, atunci ipoteza nul este
respins.
Programele software econometrice testeaz prin testul t, pentru fiecare coeficient,
ipoteza nul c acel coeficient are valoarea zero. Sunt raportate att valorile testului t,
ct i probabilitile, p, asociate. Dac probabilitatea asociat este inferioar nivelului de
relevan la care se lucreaz (1, 5 sau 10 la sut), atunci se respinge ipoteza nul i
coeficientul este considerat ca fiind semnificativ din punct de vedere statistic. n cazul in
care probabilitatea, p, este superioar nivelului de relevan la care se lucreaz, atunci
ipoteza nul este acceptat, iar coeficientul este considerat ca avnd, din punct de
vedere statistic, valoarea zero.
Testul F msoar ct de bine variabilele independent explic evoluia variabilei
dependente. El determin dac toi coeficienii regresiei, n acelai timp au valoarea zero
din punct de vedere statistic. Acesta are ca ipotez nul c toi coeficienii din regresie
au valoarea zero.
Testul F se calculeaz ca:
( )
MSE
MSR
k n
SSE
k
RSS
F =
+
=
1

Testul F are o distribuie F cu (k, n (k + 1)) grade de libertate.
44
Ca i n cazul testului t, programele software econometrice raporteaz valoarea testului
i probabilitatea, p, asociat acestuia.
Dac valoarea p este inferioar nivelului de relevan la care se lucreaz, atunci ipoteza
nul este respins, ceea ce nseamn c cel puin unul dintre coeficienii din regresie
este semnificativ din punct de vedere statistic. ns dac valoarea p este superioar
nivelului de relevan, atunci este acceptat ipoteza nul, ceea ce nseamn c toi
coeficienii din regresie sunt considerai nesemnificativi din punct de vedere statistic
(egali cu zero).
Un alt indicator care arat dac modelul de regresie este bine specificat este
2
R . Acesta
arat ct la sut din variana total a variabilei dependente este datorat variabilelor
independente.
2
R se calculeaz ca
TSS
SEE TSS
R

=
2

2
R ia valori ntre 0 i 1, cu ct valoarea acestuia este mai apropiat de 1, regresia este
bine specificat.
De fiecare dat cnd este introdus n regresie o nou variabil independent care este
ct de puin corelat cu variabila dependent,
2
R crete, dar n acelai timp se pierde
un grad de libertate.
De aceea, o msur mbuntit a lui
2
R este
2
R ajustat (
2
R ), acesta innd cont de
numrul de variabile independente incluse n regresie. Formula de calcul a lui
2
R este
( )
2 2
1
1
1 R
k n
n
R |
.
|
\
|
= ,
unde:
n reprezint numrul de observaii,
k numrul de variabile independente incluse n regresie.
Astfel, atunci cnd sunt introduse variabile independente suplimentare n regresie,
2
R
poate s creasc, dar
2
R poate s scad penaliznd astfel introducerea de variabile
independente care au o relevan mic asupra variabilei dependente.
IV.3. Regresii cu variabile calitative
De multe ori este nevoie de introducerea unor variabile calitative n regresie. Unul dintre
tipurile de variabile calitative cele mai des folosite n regresii sunt variabilele dummy.
Acestea iau valoarea 1 dac o anumit condiie este adevrat i valoarea 0 n caz
contrar.
45
De exemplu, dac se testeaz dac randamentele obinute de o aciune sunt diferite n
luna ianuarie fa de restul lunilor din an, se va include n regresie o variabil dummy,
care ia valoarea 1 n luna ianuarie i valoarea zero n celelalte luni ale anului.
Numrul de variabile dummy este cu 1 mai mic dect numrul de condiii, n caz contrat
existnd multicoliniaritate. n exemplul de mai sus, randamentul obinut de ctre aciune
n celelalte luni ale anului este captat de termenul liber al regresiei.
Variabilele dummy pot fi utilizate i pentru captarea impactului sezonier asupra variabilei
independente, introducnd cel mult 11 variabile dummy pentru datele cu frecven
lunar sau cel mult 3 variabile dummy pentru datele cu frecven trimestrial, asta n
cazul n care datele nu au fost ajustate sezonier n prealabil.
IV.4. Regresii cu serii de timp n EViews
n exemplu urmtor se va estima i o ecuaie de regresie pentru randamentul unei
aciuni funcie de randamentul pieei (modelul de pia).
Astfel, se va estima randamentul aciunii Banca Transilvania (TLV) funcie de
randamentul BET, utiliznd date zilnice pentru perioada ianuarie 1999 mai 2005.
Serii utilizate:
dln_tlv prima diferen a seriei de logaritmi naturali a preurilor zilnice ale aciunii
Banca Transilvaina (adic randamentul zilnic al aciunii);
dl_bet prima diferen a seriei de logaritmi naturali a indicelui BET.
Definirea ecuaiei: click buton dreapta mouse n interiorul fiierului de lucru, selectarea
opiune new object; n fereastra New Object selectare opiune Equation.
Apoi n fereastra Equation Estimation la categoria Equation specification se specific
ecuaia de regresie dup cum urmeaz: variabila dependent (dln_tlv), spaiu, constanta
(c), spaiu, variabila/variabilele independente cu spaiu ntre ele (dl_bet). La categoria
Estimation settings se selecteaz LS Least Squares.
46

Rezultatul ecuaiei este:
Dependent Variable: DLN_TLV
Date: 09/24/07 Time: 21:06


C 0.001601 0.000635 2.520559 0.0118
DL_BET 0.521952 0.040160 12.99691 0.0000


Pentru fiecare variabil independent i constant EViews raporteaz eroarea standard
a coeficientului, testul t-Statistic i probabilitatea asociat acestuia. Presupunnd ca se
lucreaz la nivelul de relevan de 5 la suta, cum, n exemplul de mai sus probabilitile
ataate testului t-statistic sunt inferioare acestui nivel, coeficienii sunt considerai
semnificativi din punct de vedere statistic.
EViews raporteaz
2
R i
2
R , prezentate anterior.
47
Durbin Watson statistic (DW) este un test statistic care testeaz corelaia serial a
erorilor. Dac erorile nu sunt corelate, atunci valoarea lui DW va fi n jur de 2. n
exemplul de mai sus acest indicator are valoarea 2.18, i ca urmare, exist corelaie
serial a erorilor.
EViews raporteaz i dou criterii informaionale: Akaike info criterion i Schwarz
criterion. Aceti indicatori sunt folositori atunci cnd trebuie aleas o ecuaie din mai
multe variante. Conform criteriului informaional, se alegea specificaia pentru care
criteriile informaionale au valorile cele mai mici.
n alegerea unei ecuaii din mai multe ecuaii posibile, de asemenea importante sunt i
2
R i
2
R (care trebuie s fie ct mai mari) i testele de corelaie serial i
heteroskedasticitate. n majoritatea cazurilor fiecare dintre teste va indica o ecuaie
diferit, de aceea va trebui s se gseasc un compromis n alegerea unei ecuaii.
De asemenea este raportat i F-statistic i probabilitatea asociat acestuia. Cum
aceast probabilitate este mai mic dect nivelul de relevan, conform acestui test
rezult c cel puin un coeficient din regresie este semnificativ din punct de vedere
statistic.
Testele pentru ecuaia de regresie sunt disponibile cu meniul View din fereastra ecuaiei
de regresie.
Cu opiunea View/Actual, Fitted, Residual/Actual, Fitted, Residual Graph se reprezint
grafic valoarea efectiv a variabilei dependente, valoarea sa estimat i erorile din
regresie.
48
-.4
-.2
.0
.2
.4
.6
-.4
-.2
.0
.2
.4
.6
250 500 750 1000 1250 1500 1750 2000
Residual Actual Fitted

Cu opiunea View/Residual tests se testeaz erorile ecuaiei de regresie.

Astfel, cu opiunea View/Residual tests/Correlogram Q-statistics se testeaz
autocorelaia erorilor ecuaiei de regresie (similar cu testarea autocorelaiei seriilor de
timp).
49

Conform rezultatelor acestui test, pentru primele 3 lag-uri ale erorilor exist corelaie
serial a erorilor (valoarea coeficientului de autocorelaie depete intervalul punctat n
grafic). Existena autocorelaiei este confirmat i de testul Q-statistic i probabilitatea
asociat acestuia.
Cu opiunea View/Residual tests/Correlogram Squared Residuals se testeaz
autocorelaia erorilor ptratice ale ecuaiei de regresie dup aceleai principii ca i
testarea autocorelaiei erorilor. Dac exist aotocorelaie ale erorilor ptratic, acest fapt
este o indicaie a existenei heteroskedasticitii (termeni ARCH).
50

Conform rezultatelor econometrice, pentru ecuaia estimat anterior, exist corelaie
serial a erorilor ptratice, deci este posibil s existe termeni ARCH.
Cu opiunea View/Residual tests/Histogram Normality test se analizeaz (similar cu
analiza distribuiei unei serii) distribuia erorilor rezultate din regresie.

51
0
200
400
600
800
1000
-0.25 -0.00 0.25
Series: Residuals
Sample 2 2091
Observations 2090
Mean 6.64e-20
Median -0.000847
Maximum 0.474478
Minimum -0.265550
Std. Dev. 0.028905
Skewness 4.453284
Kurtosis 93.72818

Conform rezultatelor testului Jarque-Bera, erorile nu sunt distribuite normal. Distribuia
normal a erorilor este importat n special cnd se dorete realizarea de prognoze pe
baza ecuaiei econometrice estimate.
Existena corelaiei seriale, artat de corelograma erorilor se confirm cu ajutorul
testului Serial Correlation LM test, disponibil cu ajutorul opiunii View/Residual
tests/Serial Correlation LM Test.
Alegnd 3 lag-uri pentru acest test, rezultatul este prezentat mai jos.

Cea mai important parte a output-ului testului este prima parte care prezint cele dou
teste statistice F-Statistic i R-squared i probabilitile asociate acestor teste.
Ipoteza nul a celor dou teste este c nu exist corelaie serial a erorilor ecuaiei de
regresie pn la lag-ul k (specificat mai sus). Dac probabilitatea asociat celor dou
teste este inferioar nivelului de relevan la care se lucreaz, atunci ipoteza nul este
respins, deci se respinge inexistena corelaiei seriale. n caz contrar ipoteza nul este
acceptat, (nu exist corelaie serial).

52

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 29.24197 Prob. F(3,2085) 0.000000
Obs*R-squared 84.38578 Prob. Chi-Square(3) 0.000000

Test Equation:
Dependent Variable: RESID
Date: 09/24/07 Time: 22:31
Sample: 2 2091
Included observations: 2090
Presample missing value lagged residuals set to zero.


C -3.51E-05 0.000623 -0.056369 0.9551
DL_BET 0.021783 0.039474 0.551838 0.5811
RESID(-1) -0.124563 0.021741 -5.729423 0.0000
RESID(-2) -0.131478 0.021684 -6.063482 0.0000
RESID(-3) -0.133612 0.021736 -6.146925 0.0000


Conform rezultatelor statistice exist corelaie serial a erorilor ecuaiei de regresie pn
la lag-ul 3.
Testul similar (testului Serial Correlation LM) pentru testarea corelaiei seriale a erorilor
ptratice este ARCH LM Test, disponibil cu ajutorul opiunii View/Residual testsARCH
LM Test. Testul funcioneaz pe aceleai principii ca i testul pentru autocorelaia
erorilor.
Alegnd tot 3 lag-uri pentru acest test, conform celor dou probabiliti asociate, este
respins ipoteza nul (inexistena corelaiei seriale a erorilor ptratice ale ecuaiei de
regresie).

53
ARCH Test:

F-statistic 22.96701 Prob. F(3,2083) 0.000000
Obs*R-squared 66.82299 Prob. Chi-Square(3) 0.000000

Test Equation:
Dependent Variable: RESID^2
Date: 09/24/07 Time: 22:44


C 0.000618 0.000176 3.522445 0.0004
RESID^2(-1) 0.143865 0.021895 6.570647 0.0000
RESID^2(-2) 0.069810 0.022066 3.163664 0.0016
RESID^2(-3) 0.037151 0.021881 1.697844 0.0897


Testele de stabilitate ale ecuaiei i coeficienilor estimai sunt disponibile cu opiunea
View/Stability Tets/Recursive Estimates (OLS only).
Cele mai utilizate teste de stabilitate sunt:
CUSUM Tests;
CUSUM of Squares Tests;
Recursive Coeficients.
54

Testul CUSUM se bazeaz pe suma cumulativ a erorilor recursive ale ecuaiei de
regresie.
EViews reprezint grafic suma cumulativ a erorilor recursive mpreun cu liniile critice
de 5 la sut. Parametrii ecuaiei nu sunt considerai stabili dac suma cumulativ a
erorilor recursive iese n afara celor dou linii critice.
Erorile recursive sunt calculate dup cum urmeaz: folosind primele k + 1 observaii,
unde k reprezint numrul de coeficieni ai ecuaiei de regresie, se estimeaz coeficienii
ecuaiei, se prognozeaz variabila dependent pentru a k + 2-a observaie i se
calculeaz eroarea de prognoz (prin compararea valorii variabilei dependente
prognozate cu valoarea efectiv a acesteia). Apoi se mai introduce o observaie n
eantion (acesta avnd k + 2 observaii) i se repet procedura descris anterior.
Suma cumulativ a erorilor recursive este:
T k k t
s
w
W
T
k t
t
T
,..., 2 , 1 ,
1
+ + = =

+ =
,
unde:
T
W reprezint suma cumulativ a erorilor recursive pentru primele T observaii;
t
w eroarea recursiv calculat pe baza primelor t observaii din eantion;
k numrul de coeficieni ai regresiei;
s eroarea standard a regresiei.
Pentru ecuaia analizat, testul CUSUM este prezentat n graficul de mai jos.
55
-150
-100
-50
0
50
100
150
250 500 750 1000 1250 1500 1750 2000
CUSUM 5% Significance

Conform rezultatelor statistice, coeficienii ecuaiei sunt stabili.
Testul CUSUM of Squares se calculeaz i interpreteaz similar cu testul CUSUM, cu
deosebirea c n locul erorilor recursive sunt folosite erorile recursive ridicate la ptrat.
Pentru ecuaia analizat, conform acestui test, coeficienii ecuaiei nu sunt stabili.
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
250 500 750 1000 1250 1500 1750 2000
CUSUM of Squares
5% Significance

Recursive Coefficients prezint coeficienii ecuaiei de regresie calculai recursiv.
56
Coeficienii sunt stabili dac, odat cu mrirea eantionului, valoarea acestora nu se
modific.
Pentru calcului coeficienilor recursivi se pornete cu primele k + 1 observaii, unde k
reprezint numrul de coeficieni ai ecuaiei de regresie, se estimeaz coeficieni
ecuaiei de regresie. Apoi se mrete eantionul cu urmtoarea observaie i se
reestimeaz coeficienii de regresiei. Se procedeaz similar pn se estimeaz
coeficienii pe baza ntregului eantion de date disponibile. Apoi coeficienii recursivi se
reprezint grafic.
Pentru ecuaia analizat, coeficienii recursivi sunt reprezentai n graficele de mai jos.
-.028
-.024
-.020
-.016
-.012
-.008
-.004
.000
.004
.008
250 500 750 1000 1250 1500 1750 2000
Recursive C(1) Estimates
2 S.E.
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
250 500 750 1000 1250 1500 1750 2000
Recursive C(2) Estimates
2 S.E.

57
IV.5. Regresii cu serii crossecionale i variabile calitative n EViews
Pentru a analiza impactul variabilelor macroeconomice asupra evoluiei spread-ului
pentru obligaiunile externe cu scadena de 10 ani
1
emise de rile n curs de dezvoltare,
au fost estimate dou ecuaii de regresie pe un eantion de 38
2
- media soldului contului curent, calculat ca pondere n PIB, pentru anii 2004 i
2005 pentru aceste ri, (CA05+CA04)/2;
de ri n curs de
dezvoltare.
Variabila dependent este evoluia spread-ului obligaiunilor acestor ri n primele 6 luni
ale anului 2006 (perioad care a consemnat dou crize valutare n Islanda i Turcia) i
respectiv n primele trei trimestre ale aceluiai an.
Variabilele independente sunt:
- media soldului bugetului de stat, calculat ca pondere n PIB, pentru anii 2004 i
2005, (BGBAL05+BGBAL04)/2;
- variabil dummy, care ia valoarea 1 n cazul n care datoria extern total a rii
(calculat ca procent n PIB) s-a situat att n anul 2004 ct i n anul 2005 peste
media datoriei externe totale a eantionului de ri n curs de dezvoltare
(DUMMY_DEBT);
- variabil dummy care ia valoarea 1 dac ara inclus n eantion este din
America Latin (DUMMY_LATAM).
Conform rezultatelor statistice, n prima jumtate a anului 2006 (perioad care a cuprins
cele dou episoade de criz valutar):
- att soldul contului curent ct i soldul bugetului de stat i-au pus amprenta
asupra evoluiei spread-ului obligaiunilor externe n anul 2006 n sensul c un
deficit mai mare a condus la o majorare a spread-ului;
- soldul bugetului de stat a avut o importan mai mare asupra evoluiei spread-
ului dect soldul contului curent;
- asupra spread-ului i-a pus amprenta i datoria extern total a rii, n sensul c
o valoare a acestei datorii superioar valorii medii a eantionului n anii 2004 i
2005 a condus la o majorare a spread-ului n perioada analizat;
- rile n curs de dezvoltare din America Latin au nregistrat o majorare a spread-
ului n anul 2006 inferioar celorlalte ari n curs de dezvoltare.
Rezultatele econometrice sunt prezentate n tabelul de mai jos.

1
n cazul n care ara respectiv nu are obligaiuni externe emise cu scadena de 10 ani, n analiz
a fost inclus spread-ul pentru obligaiunile externe cu scadena cea mai apropiat de aceast termen.
2
Africa de Sud, Argentina, Brazilia, Bulgaria, Cehia, Chile, China, Columbia, Coreea de Sud,
Croaia, Ecuador, Egipt, Estonia, India, Indonezia, Israel, Letonia, Lituania, Malaezia, Maroc, Mexic, Noua
Zeeland, Peru, Philipine, Polonia, Romnia, Rusia, Singapore, Slovacia, Slovenia, Tailanda, Taiwan,
Tunisia, Turcia, Ucraina, Ungaria, Uruguay, Venezuela
58
Dependent Variable: S_30DEC30J UN


(CA05+CA04)/2 -2.055125 0.882112 -2.329777 0.0261
(BGBAL05+BGBAL04)/2 -4.171597 2.120765 -1.967025 0.0576
C -20.53730 10.84948 -1.892930 0.0672
DUMMY_DEBT 31.00363 13.34970 2.322420 0.0265
DUMMY_LATAM -51.07850 14.70051 -3.474608 0.0015

R-squared 0.496125 Mean dependent var -9.815789
S.E. of regression 36.56759 Akaike info criterion 10.15828
Sum squared resid 44127.21 Schwarz criterion 10.37375
Log likelihood -188.0073 F-statistic 8.123107

n cazul extinderii perioadei de calcul a evoluiei spread-ului la primele trei trimestre ale
anului 2006, coeficienii celor dou variabile macroeconomice devin nesemnificativi din
punct de vedere statistic ceea ce sugereaz reducerea aversiunii fat de risc a
investitorilor, n trimestrul III al anului 2006, ctre nivelurile anterioare celor dou
episoade de criz.
Rezultatele econometrice sunt prezentate n tabelul de mai jos.
Conform att testelor individuale t ct i testului F, coeficienii din ecuaia de regresie
sunt nesemnificativi din punct de vedere statistic.

59
Dependent Variable: S_30DEC30SEP


(CA05+CA04)/2 0.158311 1.689682 0.093693 0.9259
(BGBAL05+BGBAL04)/2 -1.485595 4.062315 -0.365702 0.7169
C -1.132544 20.78213 -0.054496 0.9569
DUMMY_DEBT 7.083560 25.57130 0.277012 0.7835
DUMMY_LATAM -63.35821 28.15876 -2.250036 0.0312


60
Capitolul V. Modele ARMA
Modelele ARMA (autoregresive moving average) sunt modele univariate modele prin
care variabila dependent este modelat funcie de propriile observaii.
Aceast clas de modele cuprinde:
Modele autoregresive (AR);
Modele cu medii mobile (MA);
Modele ARMA care combin cele dou tipuri de procese.
V. 1. Procese AR
O serie staionar,
t
Y , urmeaz un proces AR(p) dac este ndeplinit condiia:
=

+ + =
p
i
t i t i t
Y Y
1
0
,
unde ) , 0 ( ~
2
N
t
serie staionar, ( ) 0 =
t
E , ( )
2 2
=
t
E , ( ) s t daca E
s t
= , , 0
n aceast ecuaie, p valori anterioare ale lui Y sunt folosite pentru a prognoza valoarea
curent.
Polinomul caracteristic ataat procesului AR(p) este:
p
p p p
P =

... ) (
2
2
1
1 0
.
Procesul AR(p) este staionar dac valorile absolute ale rdcinilor polinomului su
caracteristic sunt strict mai mici dect 1.
Media procesului AR(p) se obine rezolvnd ecuaia
=

+ + =
p
i
t i t i t
Y Y
1
0
, pentru 0 =
i Y Y Y Y
p t t t
= = = =

...
1
. Pentru un proces autoregresiv staionar, media procesului
este finit i independent de timp; procesul se ntoarce la medie (este mean reverting).
n cazul n care procesul este nestaionar, media nu este o valoare finit.
Condiiile suplimentare pentru ca procesul s fie staionar (n covarian) sunt:
Variana procesului nu depinde de timp,
Covariana nu depinde de timp.
Unul dintre modelele de tip AR cele mai folosite n finane este modelul Random Walk,
model pentru care p = 1, 0
0
= i 1
1
= .
Reprezentarea modelului este:
t t t
Y Y + =
1
,
unde ) , 0 ( ~
2
N
t
t
E , ( )
2 2
=
t
E , ( ) s t daca E
s t
= , , 0 .
61
Ca urmare, valoarea unei serii ntr-o anumit perioad depinde de valoarea seriei n
perioada anterioar i de un termen de eroare aleator a crui valoare ateptat este 0.
Astfel, cea mai bun prognoz a valorii seriei este valoarea sa anterioar.
Acest model este foarte utilizat n analiza pieelor financiare i n special a cursului de
schimb.
Acest proces este nestaionar (exploziv), i, ca urmare nu are medie.
Cea mai simpl metod de testare a procesului este testarea termenului
1
=
t t t
Y Y
(care reprezint prima diferen a seriei):
testarea mediei seriei
t
: care trebuie s fie zero;
testarea staionaritii seriei
t
: seria trebuie s fie staionar.
Procesul random walk poate s aib i un trend (random walk with drift), n exemplul de
mai sus, pentru 0
0
. Reprezentarea acestui model este:
t t t
Y Y + + =
1 0
,
unde ) , 0 ( ~
2
N
t
, ( ) 0 =
t
E , ( )
2 2
=
t
E , ( ) s t daca E
s t
= , , 0 .
V. 2. Procese MA
Deoarece majoritatea seriilor de timp financiare au caracteristicile unor procese
autoregresive, modelele AR sunt cele mai utilizate modele de prognoz. Dar, anumite
serii urmeaz alte tipuri de procese, numite procese de medii mobile (MA). De exemplu,
conform testelor statistice prezentate n literatura de specialitate, indicele bursier S&P
500 urmeaz mai degrab un proces MA dect AR.
Procesul
t
Y este urmeaz un proces medie mobil de ordinul q , dac este definit prin
egalitatea:
q t q t t t
Y

= ...
1 1
,
unde ) , 0 ( ~
2
N
t
t
E , ( )
2 2
=
t
E , ( ) s t daca E
s t
= , , 0 .
V. 3. Procese ARMA
Utiliznd ambele procese AR i MA, analiza i prognoza seriilor de timp poate fi
mbuntit. Astfel, prin combinarea celor dou procese se obine un model generalizat,
autoregresiv medii mobile (ARMA).
Modelul ARMA combin att lag-urile autoregresive ale variabilei dependente ct i
erorile procesului medie mobil. Ecuaia unui asemenea model, cu p termeni
autoregresivi i q termeni medie mobil, notat ARMA(p,q) este:
62

=

=
+
+ + =
p
i
i t
q
i
i t i t i t
Y Y
1 1
0
,
unde ) , 0 ( ~
2
N
t
t
E , ( )
2 2
=
t
E , ( ) s t daca E
s t
= , , 0 .
Estimarea modelelor ARMA prezint limitri severe. n primul rnd parametrii n
modelele ARMA pot fi foarte instabili, modificri mici ale eantionului utilizat putnd
conduce la parametri foarte diferii de la o estimare la alta. n al doilea rnd, alegerea
modelului ARMA cel mai potrivit depinde mai mult de experien dect de indicatori
statistici. n plus, un model odat selectat, poate s nu prognozeze foarte bine.
Procedura de estimare a unui model ARMA cuprinde urmtorii pai:
1. Testarea staionaritii seriei. Dac este staionar se trece la pasul trei, dac nu
se parcurg cerinele pasului urmtor.
2. Se stionarizeaz seria de date prin difereniere. Marea majoritate a seriilor
nestaionare sunt integrate de ordinul 1, I(1), aa c seria se staionarizeaz prin
prima diferen.
3. Pe baza coeficienilor de autocorelaie (funciei de autocorelaie) i a
coeficienilor de corelaie parial (funciei de autocorelaie parial) se determin
modelele autoregresive de start pentru analiza seriei de date. Astfel, dac exist
o valoare a lui h egal cu q ncepnd de la care valoarea funciei de
autocorelaie scade brusc ctre zero, atunci pentru prelucrarea seriei se
folosete un proces MA(q) sau un proces ARMA ce cuprinde o component
MA(q). n cazul n care valoarea funciei de autocorelaie parial scade
instantaneu ctre zero, ncepnd cu o valoare a decalajului egal cu p, atunci se
recomand ca seria de timp s fie prelucrat prin intermediul unui proces AR(p)
pur sau printr-un proces ce cuprinde i aceast component.
4. Se estimeaz parametrii modelelor ARMA.
5. Se testeaz caracteristicilor modelelor autoregresive ce au fost estimate n etapa
anterioar. Astfel se verific dac coeficienii modelului sunt semnificativi (diferii
de zero) din punct de vedere statistic, autocorelarea reziduurilor regresiei,
proprietatea de homoscedasticitate, stabilitatea parametrilor i caracteristicile
distribuiei rezidurilor.
6. Se alege cel mai potrivit model folosind diverse criterii de analiz. Astfel, se
alege modelul care are valoarea cea mai mare pentru
2
R ajustat sau valoarea
cea mai mic pentru variana sau dispersia reziduurilor. De asemenea se alege
modelul care are valorile cele mai mici pentru criteriile informaionale (Akaike,
Schwartz).
7. Pe baza modelului selectat se fac diverse analize i prognoze.

63
V. 4. Estimarea modelelor ARMA n EViews
Utiliznd seria de date cu frecven lunar a BUBOR 1W pentru perioada ianuarie 1997
august 2007 au fost estimate trei modele AR, MA i ARMA care s descrie evoluia
ratei lunare a dobnzii BUBOR 1W.
Graficul seriei utilizate este:
0
50
100
150
200
250
97 98 99 00 01 02 03 04 05 06 07
BUBOR

Conform testelor de staionaritate ADF i PP seria este staionar.
Testul de staionaritate ADF
Null Hypothesis: BUBOR has a unit root

t-Statistic Prob.*

5% level -3.445590
10% level -3.147710


Dependent Variable: D(BUBOR)
64
Sample (adjusted): 1997M02 2007M08


BUBOR(-1) -0.328208 0.065316 -5.024900 0.0000
C 33.57762 7.478112 4.490120 0.0000
@TREND(1997M01) -0.303782 0.074919 -4.054833 0.0001


Testul de staionaritate PP
Null Hypothesis: BUBOR has a unit root

Adj. t-Stat Prob.*

5% level -3.445590
10% level -3.147710


Residual variance (no correction) 364.8682
HAC corrected variance (Bartlett kernel) 462.5140

Dependent Variable: D(BUBOR)


BUBOR(-1) -0.328208 0.065316 -5.024900 0.0000
65
C 33.57762 7.478112 4.490120 0.0000
@TREND(1997M01) -0.303782 0.074919 -4.054833 0.0001


Funcia de autocorelaie a acestei serii este prezentat n graficul de mai jos.

66
Att funcia de autocorelaie (care pornete de la o valoare ridicat i scade gradual) ct i funcia
de autocorelaie parial (care scade brusc) indic c aceast serie este preponderent un proces
AR.
Pentru specificarea ecuaiei, se procedeaz similar ca n cazul estimrii unei ecuaii de regresie
liniar: click buton dreapta mouse n interiorul ferestrei fiierului de lucru (workfile)/new
object/equation:

Variabilele AR se specific ca lag-uri ale variabilei dependente (n exemplul de mai sus,
bubor(-1)), iar variabilele MA, se specific MA(x) unde x reprezint ordinul.
n selectarea specificaiei ARMA se ine cont de autocorelaia erorilor ecuaiei de regresie (s nu
existe autocorelaie), autocorelaia erorilor ptratice (s nu existe termeni ARCH),
2
R i
2
R ,
criteriile informaionale.
De asemenea, n cazul modelelor care conin termeni AR, valoarea absolut a unui coeficient AR
trebuie s fie mai mic dect 1 (dac este egal atunci exist o rdcin unitar, iar dac este
mai mare dect 1 atunci procesul este exploziv). De asemenea suma coeficienilor termenilor AR
trebuie sa fie mai mic dect 1 (n caz contrar procesul fiind exploziv).
n plus, pentru ca ecuaia s fie stabil, valoarea absolut a rdcinilor ecuaiei trebuie s fie mai
mici dect 1.

67
Estimarea modelului MA
Specificaia modelului este MA(4).

Dependent Variable: BUBOR
Convergence achieved after 15 iterations
Backcast: 1996M09 1996M12


C 41.54023 5.901126 7.039374 0.0000
MA(1) 0.734234 0.051566 14.23862 0.0000
MA(2) 0.495279 0.026993 18.34853 0.0000
MA(3) 0.863535 0.025672 33.63763 0.0000
MA(4) 0.804961 0.050194 16.03709 0.0000


Inverted MA Roots .42-.90i .42+.90i -.78+.45i -.78-.45i

Analiza rdcinilor ecuaiei se realizeaz cu opiunea View/ARMA Structure/Roots:

68
Rdcinile polinomului caracteristic pot fi reprezentate att ca tabel ct i grafic.
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
MA roots
Inverse Roots of AR/MA Polynomial(s)

Specification: BUBOR C MA(1) MA(2) MA(3) MA(4)
Sample: 1997M01 2007M12

MA Root(s) Modulus Cycle

0.416806 0.900818i 0.992572 5.524002
-0.783923 0.450021i 0.903910 2.397739

No root lies outside the unit circle.
ARMA model is invertible.

Conform rezultatelor statistice, modulul rdcinilor polinomului caracteristic este mai mic dect 1,
i ca urmare ecuaia este stabil.
Dar, conform corelogramei erorilor, prezentat n graficul de mai jos, exist autocorelaie serial
la al 5-lea lag.
69

Valoarea efectiv i cea estimat de model a BUBID 1W este prezentat n graficul de
mai jos.
-80
-40
0
40
80
0
50
100
150
200
250
97 98 99 00 01 02 03 04 05 06 07

70
Estimarea modelului AR
Specificaia modelului este AR(1)



C 4.985180 2.639138 1.888943 0.0612
BUBOR(-1) 0.878633 0.043240 20.32007 0.0000


Coeficientul termenului AR este mai mic dect 1, deci ecuaia este stabil.
De asemenea, conform corelogramei erorilor, nu exist corelaie serial a erorilor.

Valorile efective i cele estimate ale variabilei dependente sunt prezentate n graficul de mai jos.
71
-100
-50
0
50
100
150
0
50
100
150
200
250
97 98 99 00 01 02 03 04 05 06 07

Estimarea modelului ARMA
Specificaia modelului este ARMA(1,10)
Backcast: 1996M04 1997M01


BUBOR(-1) 0.974210 0.017718 54.98466 0.0000
MA(5) -0.243541 0.056540 -4.307386 0.0000
MA(6) -0.226437 0.055472 -4.081987 0.0001
MA(7) -0.332302 0.055472 -5.990446 0.0000
MA(10) 0.476373 0.060775 7.838351 0.0000

Log likelihood -527.0577 Durbin-Watson stat 2.297258

Inverted MA Roots .88+.16i .88-.16i .56+.83i .56-.83i
-.02-.90i -.02+.90i -.53+.73i -.53-.73i
-.89+.33i -.89-.33i

72
Conform rezultatelor statistice, modulul rdcinilor polinomului caracteristic este mai mic dect 1,
i ca urmare ecuaia este stabil.
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
MA roots

Specification: BUBOR BUBOR(-1) MA(5) MA(6)
MA(7) MA(10)
Sample: 1997M01 2007M12

MA Root(s) Modulus Cycle

0.558806 0.826275i 0.997494 6.436651
-0.890402 0.332511i 0.950463 2.256737
-0.528267 0.734115i 0.904428 2.863081
-0.022438 0.897521i 0.897802 3.937348
0.882301 0.159193i 0.896548 35.19821

No root lies outside the unit circle.
ARMA model is invertible.

De asemenea, conform corelogramei erorilor, nu exist corelaie serial la 1 la sut nivel de
relevan.
73

Valorile efective i cele estimate ale variabilei dependente sunt prezentate n graficul de mai jos.
-80
-40
0
40
80
120
0
50
100
150
200
250
97 98 99 00 01 02 03 04 05 06 07

Indicatorii statistici pentru cele trei specificaii de modele sunt prezentai in tabelul de mai
jos.
MA(4) AR(1) ARMA(1,10)
Adjusted R-squared 0.832822 0.765758 0.863156
Akaike info criterion 8.571450 8.893420 8.378862
Schwarz criterion 8.682858 8.938210 8.490837

74
Conform tuturor celor trei criterii (cea mai mare valoare a
2
R i, respectiv, cele mai mici
valori nregistrate de criteriile informaionale), este aleas specificaia ARMA(1,10).
Pe baza acestei specificaii se va prognoza dobnda BUBOR 1W pentru lunile
septembrie decembrie 2007.
Opiunea pentru realizarea de prognoze este Proc/Forecast apelat din fereastra
ecuaiei de regresie.

Opiunile disponibile din fereastra Forecast sunt:
Forecast sample perioada pentru care se realizeaz prognoza. n cazul de fa
este septembrie 2007 decembrie 2007.
Method:
Dynamic forecast prognozeaz valoarea n perioada t + 1 pe baza datelor
efective pn n momentul t, apoi pentru toate perioadele urmtoare
folosete datele deja prognozate ncepnd din momentul t + 1.
Static forecast prognozeaz o observaie nainte numai pe baza datelor
efective.

75
Utiliznd o prognoz dinamic, valorile prognozate i marjele de eroare (simbolizate cu
linii roii ntrerupte sunt prezentate n graficul de mai jos.
-60
-40
-20
0
20
40
60
80
2007M09 2007M10 2007M11 2007M12
BUBORF

76
Capitolul VI. Modele cu date panel
VI. 1. Utilizarea modelelor cu date panel
Modelele cu date panel constau n estimarea de ecuaii de regresie n care sunt folosite
serii care sunt n acelai timp att serii de timp ct i date crosssecionale.
De exemplu, dac dispunem de serii de timp pentru evoluia pe o anumit perioad a
aciunilor mai multor companii i dorim s determinm cum influeneaz anumite
variabile macroeconomice randamentul acelor aciuni, o soluie este utilizarea de
modele cu date panel. Astfel, cu ajutorul acestui tip de modele poate fi determinat un
singur coeficient care s exprime impactul unei variabile macroeconomice asupra
randamentului unui grup de companii.
Modelele cu date panel permit:
Rezumarea printr-un singur coeficient al impactului unei variabile asupra unui
grup de serii de timp variabile dependente (grup de companii, de ri, etc.).
Estimarea de coeficieni specifici (constant sau coeficieni ai variabilelor
independente) pentru fiecare serie de timp considerat ca variabil dependent
efecte fixe.
Gruparea variabilelor dependente n categorii i estimarea impactului categoriei
din care face parte variabila dependent asupra evoluiei acesteia.
VI. 2. Estimarea modelelor cu date panel n EViews
n vederea studierii impactului ateptrilor pieei bancare asupra spread-ului practicat de
ctre bnci, au fost estimate, utiliznd metodologia panel data, ecuaii pentru spread-
urile active i pasive pentru persoane fizice i juridice funcie de ateptrile operatorilor
bancari referitoare la evoluia viitoare a ratei inflaiei i dobnzilor din piaa monetar.
Spread-ul activ a fost calculat ca diferen dintre dobnzile active pentru clienii
nebancari neguvernamentali i rata dobnzii de intervenie a BNR, iar spread-ul pasiv a
fost calculat ca diferen dintre dobnda de intervenie a BNR i ratele dobnzii pasive
pentru clienii nebancari neguvernamentali. Ca urmare, spread-ul total este suma dintre
cele dou msuri.
Eantionul pe care s-au estimat regresiile a fost format din 13 bnci.
Perioada pe care s-a realizat analiza este ianuarie 2005 iulie 2005, rezultnd un
numr de 84 de observaii.

77
Date utilizate:
Rata dobnzii active practicate pentru persoane fizice (ACT_PF);
Rata dobnzii active practicate pentru persoane juridice, clieni nebancari,
neguvernamentali (ACT_PJ );
Rata dobnzii pasive practicate pentru persoane fizice (PAS_PF);
Rata dobnzii pasive practicate pentru persoane juridice, clieni nebancari
neguvernamentali (PAS_PJ );
Rata dobnzii la operaiunile de sterilizare ale BNR (RN_BNR);
Rata dobnzii bonificate de BNR pentru rezervele minime obligatorii n lei
(DOB_RMO);
Rata anual a inflaiei ateptat de operatorii bancari peste 24 de luni
(A_INFL_24);
Deviaia standard a rspunsurilor participanilor la sondaj cu privire la rata anual
a inflaiei ateptate peste 12 luni (A_INFL_12_DEV), utilizat ca variabil proxy
pentru incertitudinea din piaa bancar cu privire la evoluia inflaiei din
urmtoarele 12 luni;
Rata dobnzii pentru depozitele pe piaa monetar cu scadena de o sptmn
ateptate de operatorii din sistemul bancar pentru un orizont de 12 luni
(RN_1W_12).
Conform rezultatelor econometrice, spread-ul activ, att pentru persoane fizice ct i
pentru persoane juridice, este influenat de ateptrile privind rata inflaiei pe
urmtoarele 24 de luni i de volatilitatea dobnzii de intervenie a BNR (aproximat prin
valoarea absolut a modificrilor lunare ale acesteia).
Astfel, att o majorare a anticipaiilor inflaioniste ct i o cretere a volatilitii ratei
dobnzii de intervenie conduc la majorarea spread-ului activ.
Cum era de ateptat, rata de dobnd bonificat de BNR pentru depozitele minime
obligatorii este corelat negativ cu spread-ul, n sensul c o majorare a acesteia
conduce la reducerea spread-ului (datorit reducerii costului fondurilor atrase).
Definirea modelului panel re realizeaz cu click buton dreapta mouse selectarea opiunii
New object/Pool
78

n fereastra Cross Section Identifiers se introduc datele de identificare a seriilor de date
crossecionale. n cazul de fa _x, unde x reprezint banca. Astfel, fiecare serie de date
care se refer la banca x, va avea terminaia _x.
Cu opiunea View/Spreadsheet (stacked data) se definesc seriile specifice fiecrei bnci
i seriile comune tuturor bncilor. Seriile se separ cu spaiu.
Dac seriile sunt comune tuturor bncilor (de exemplu rata de sterilizare a BNR, rn_bnr)
seriile se definesc tiprindu-se numele lor.
Dac, n schimb este o serie specific fiecrei bnci (cum este cazul, de exemplu,
ateptrilor privind rata inflaiei pentru urmtoarele 24 de luni, a_infl_24), seria se
definete tiprind numele acesteia i ? (a_infl_24?). n acest fel se genereaz cte o
serie a_infl_24 pentru fiecare banca, serie avnd terminaia _01 pn la _13.
79

Apoi seriile (att cele comune ct i cele pentru fiecare banc) se introduc n tabel co
copy i paste.
Ecuaia de regresie se estimeaz cu opiunea Estimate apelat din fereastra modelului
panel.

Dependent variable variabila dependent. Dac seriile sunt specifice fiecrei
bnci se folosete caracterul ?.
Regressors and AR() terms:
Common coefficients variabilele independente comune. De asemenea,
dac seriile sunt specifice fiecrei bnci se folosete caracterul ?.
Cross-section specific coefficients variabile specifice fiecrei bnci. n acest
caz se va estima cte un coeficient pentru fiecare banc.
Estimation method:
80
Fixed and Random Effects dac se introduc efecte fixe sau efecte
aleatoare.
Weights se alege metoda de estimare, metod care poate s in cont de
autocorelaia erorilor i de heteroskedasticitate.
Estimrile econometrice sunt prezentate n tabelele de mai jos.
Persoane fizice
Dependent Variable: ACT_PF?-RN_BNR
Method: Pooled Least Squares
Cross-sections included: 13
Total pool (unbalanced) observations: 84


C 6.765733 4.985221 1.357158 0.1792
A_INFL_24?(-1) 1.656481 0.914590 1.811172 0.0745
ABS(D(RN_BNR(-2))) 0.479254 0.160356 2.988678 0.0039
DOB_RMO(-1) -0.815756 0.218100 -3.740277 0.0004
Fixed Effects (Cross)
_01--C 3.516078
_02--C 0.905852
_03--C -4.735097
_04--C 0.278803
_05--C 2.714437
_06--C -4.188903
_07--C -4.893096
_08--C -1.829393
_09--C -0.853592
_10--C 4.154242
_11--C 0.885616
_12--C 3.170805
_13--C 4.375301

Effects Specification

Cross-section fixed (dummy variables)


81

Persoane juridice
Dependent Variable: ACT_PJ ?-RN_BNR


C 0.913003 3.831831 0.238268 0.8124
A_INFL_24?(-1) 1.448644 0.702989 2.060692 0.0432
ABS(D(RN_BNR(-2))) 0.454094 0.123256 3.684154 0.0005
DOB_RMO(-1) -0.355659 0.167640 -2.121559 0.0375
_01--C -5.443339
_02--C 2.078863
_03--C -1.012100
_04--C -0.762182
_05--C 2.232951
_06--C -5.844925
_07--C 1.399169
_08--C 3.272944
_09--C 1.465961
_10--C -0.405522
_11--C -1.299828
_12--C 1.946907
_13--C 4.696545




82
n cazul spread-ului pasiv, conform rezultatelor econometrice, att pentru persoanele
fizice ct i pentru cele juridice, asupra acestuia i pun amprenta ateptrile n privina
evoluiilor n urmtoarele 12 luni a ratelor dobnzii cu scadena de o sptmn, evoluia
ratei dobnzii de sterilizare a BNR i incertitudinea n privina ratei inflaiei ateptate n
urmtoarele 12 luni.
Astfel, anticiparea unei creteri a ratei dobnzii pe piaa monetar conduce la majorarea
spread-ului. O explicaie a acestui rezultat ar fi faptul c, n general, durata activelor este
superioar duratei pasivelor (riscul de modificare a ratei dobnzii n sensul creterii are
un impact negativ ce nu este compensat n totalitate de impactul pozitiv asupra
pasivelor), i ca urmare modificarea ratei dobnzii are efecte asimetrice asupra
profitabilitii. Astfel, creterea dobnzii ar trebui s conduc la majorarea spread-ului.
Aceasta este explicaia i in cazul celeilalte variabile explicative evoluia ratei dobnzii
la operaiunile de sterilizare.
De asemenea, o majorare a incertitudinii cu privire la rata inflaiei conduce la creterea
spread-ului.
Rezultatele estimrilor econometrice sunt prezentate n tabelele de mai jos.
Persoane fizice
Dependent Variable: RN_BNR-PAS_PF?


C -1.337440 1.035142 -1.292036 0.2007
RN_1W_12?(-1) 0.141256 0.049085 2.877769 0.0053
A_INFL_12_DEV(-1) 3.914145 2.020029 1.937667 0.0568
D(RN_BNR(-1)) 0.850040 0.102701 8.276861 0.0000
_01--C 3.131380
_02--C 2.789540
_03--C -1.556827
_04--C 0.639623
_05--C 1.432939
_06--C 2.100246
_07--C -0.007815
_08--C 0.166481
_09--C -1.142894
_10--C -2.221507
83
_11--C -3.607794
_12--C -1.586480
_13--C -2.490128




Persoane juridice
Dependent Variable: RN_BNR-PAS_PJ ?


C -3.231045 0.898741 -3.595079 0.0006
RN_1W_12?(-1) 0.441803 0.042617 10.36672 0.0000
A_INFL_12_DEV(-1) 7.083072 1.753850 4.038586 0.0001
D(RN_BNR(-1)) 0.943739 0.089168 10.58385 0.0000
_01--C -0.256768
_02--C 1.184713
_03--C -1.211410
_04--C 0.113818
_05--C 1.972395
_06--C -1.387390
_07--C 2.614700
_08--C -0.363632
_09--C -0.560105
_10--C -0.916297
_11--C -0.282755
_12--C -1.574537
_13--C 0.080688


84



n concluzie, conform estimrilor econometrice, asupra spread-ului dintre dobnzile
active i pasive i pun amprenta:
Att anticipaiile inflaioniste ct i gradul lor de incertitudine;
Anticipaiile cu privire evoluia ratei dobnzii pe piaa monetar;
Att evoluia ratei dobnzii la operaiunile BNR, ct i nivelul volatilitii acestei
rate a dobnzii.

85
Capitolul VII. Modele GARCH
VII.1. Tipuri de modele ARCH
Modelele ARCH au fost introduse de Engle (1982) i generalizate (GARCH) de
Bollerslev (1986).
n construirea unui model ARCH trebuie luate n considerare doua ecuaii distincte: una
pentru media condiionat (ecuaia de evoluie a randamentelor activului) i una pentru
variana condiionat (ecuaia volatilitii).
Modelul GARCH (p,q), propus de Bollerslev (1986), are urmtoarea specificaie:
t
n
j
t
j
j
m
i
t
i
i t
L r L r + + + =

= = 1
, 2
1
, 1 0

) , 0 (
t t
h N

= =
+ + =
q
j
t
j
j
p
i
t
i
i t
L h L h
1
2
, 2
1
, 1 0

unde:
t
r este un proces ARMA(m,n) sau un model Random Walk (atunci cnd m i
i
, 1 , 0
, 1
= = ,
si n j
j
, 1 , 0
, 2
= = );
t
h (volatilitatea) este un proces ARCH(q) i GARCH(p);
parametrii
1
reprezint persistena volatilitii;
parametrii
2
reprezint viteza de reacie a volatilitii la ocurile din pia.
Pentru a nu fi un proces exploziv (volatilitate exploziv), trebuie ndeplinit condiia

= =
< +
p
i
q
j
i i
1 1
, 2 , 1
1

n plus, coeficienii termenilor ARCH i GARCH trebuie sa fie subunitari i pozitivi.
Interpretat ntr-un context financiar, acest model descrie modul n care un agent
ncearc s prognozeze volatilitatea pentru urmtoarea perioad pe baza mediei pe
termen lung (
0
) a varianei, a varianei anterioare (termenul GARCH) i a informaiilor
privind volatilitatea observat n perioada anterioara (termenul ARCH). Dac
randamentul activului din perioada anterioar a fost, n mod neateptat, mare n valoare
absolut, agentul va mri variana ateptat n perioada urmtoare.
Modelul accept i fenomenul de volatility clustering, situaia n care modificrilor mari
ale cursului activelor financiare este probabil s le urmeze n continuare variaii mari ale
acestuia.
86
Testele efectuate pe pieele financiare mature au evideniat o vitez de reacie a
volatilitii cursului de schimb, n general, inferioar plafonului de 0,25 i un grad de
persisten a acesteia, superior pragului de 0,7.
Modelul GARCH a fost ulterior extins, pentru a relaxa anumite ipoteze sau pentru
ncorpora asimetria impactului randamentului cursului activelor financiare sau a separa
volatilitatea n trend i volatilitate pe termen scurt.
Cele mai cunoscute extensii sunt:
GARCH integrat (IGARCH),
GARCH in Mean (GARCH-M),
Treshold ARCH (TARCH),
GARCH exponenial (EGARCH).
Modelul IGARCH
Presupunnd c,
t t t
v h = unde
t
v este independent i identic distribuit cu media zero
i dispersia 1 i
t
h ndeplinete specificaia GARCH(p,q):
2 2
2 2
2
1 1 2 2 1 1
... ...
q t q t t p t p t t t
h h h k h

+ + + + + + + + =
,
adugnd
t
la ambii termeni ai ecuaiei i scriind
i i i
= rezult
q t q t t t r t r r t t t
w w w w k

+ + + + + + + + = ... ) ( ... ) ( ) (
2 2 1 1
2 2
2 2 2
2
1 1 1
2
unde
t t t
h w =
2
i { } q p p , max = .
t
h este valoarea prognozat pentru
t
iar
t t t
h w =
2
este eroarea asociat acestei prognoze.
Rezult c
t
urmeaz un proces ARMA. Acest proces ARMA va avea un unit root dac
1
1 1
= +

= =
q
j
j
p
i
i
.
Engle si Bollerslev (1986) numesc modelul care satisface condiia de mai sus GARCH
integrat sau IGARCH.
Dac
t
urmeaza un proces IGARCH, atunci variana necondiionataa lui
t
este
infinit (un oc ntr-o anumit perioad nu se atenueaz), deci nici
t
i nici
2
t
nu
satisfac condiiile unui proces staionar n covarian (covariancestationary).
Modelul GARCH-in-Mean (GARCH-M)
Teoria financiar sugereaz ca un activ cu un risc perceput ca ridicat, n medie, va avea
un randament superior. Presupunnd c
t
r este descompus ntr-o component
anticipat de ageni la momentul t 1 (notata
t
) i o componenta neanticipat (notata
t
), atunci:
87
t t t
r + = .
n plus, teoria sugereaz faptul c randamentul mediu (
t
) este corelat cu variana sa
(
t
h ).
Modelul ARCH-M, introdus de Engle, Lilien i Robins (1987) este obinut prin
introducerea n ecuaia randamentelor a varianei sau a deviaiei standard condiionate
(
t
h sau
t
h ).
Efectul perceperii unui risc ridicat este cuantificat de coeficientul lui
t
h din ecuaia
randamentului ( ):
t t
n
j
t
j
j
m
i
t
i
i t
h L r L r + + + + =

= = 1
, 2
1
, 1 0
.
Modele ARCH asimetrice
Pe pieele financiare s-a observat c agenii percep volatilitatea n mod diferit, funcie de
semnul variaiei zilnice a cursului activului financiar respectiv. De exemplu, pentru
aciuni, micrile n jos ale pieei sunt urmate de o volatilitate mai mare dect micrile
n sens cresctor de aceeai amplitudine.
Cele mai utilizate modele ARCH care permit analiza rspunsului asimetric la ocuri sunt
modelele Treshold ARCH (TARCH) i GARCH Exponential (EGARCH).
Modelul TARCH, introdus n mod independent de Zakoian (1990) i Glosten,
Jaganathan si Runkle (1993), are urmtoarea specificaie pentru ecuaia varianei
(TARCH(p,q)):
1
2
1
1
2
, 2
1
, 1 0
= =
+ + + =
t t
q
j
t
j
j
p
i
t
i
i t
d L h L h ,
unde 1 =
t
d daca 0 <
t
i 0 =
t
d n caz contrar.
n acest model, vetile bune ( 0 <
t
) i vestile rele ( 0 >
t
) au efecte diferite asupra
varianei condiionate vetile bune au un impact de
1
n timp ce vetile rele au un
impact de +
1
. Dac 0 , atunci efectul informaiilor asupra volatilitii este
asimetric.
Modelul EGARCH, propus de Nelson (1991) are urmtoarea specificaie pentru ecuaia
varianei condiionate:
1
1
1
1
1
) log( ) log(
+ + + =
t
t
t
t
t t
h h
h h

.
88
Confirm acestui model, efectul informaiilor este exponenial (i nu ptratic) iar variana
prognozat va fi obligatoriu non-negativ. Impactul informaiilor este asimetric dac
0 .
VII.2. Estimarea modelelor ARCH n EViews
Se calculeaz, utiliznd modele ARCH/GARCH volatilitatea cursului EUR/RON pentru
perioada ianuarie 1999 mai 2007 pentru o serie cu frecven zilnic.
Seria evoluiilor zilnice ale cursului de schimb (calculate ca diferen de logaritmi
naturali,
1
ln ln

t t
x x ) este denumita dl_eur.
Specificarea ecuaiei ARCH: click buton dreapta mouse n fereastra fiierului de lucru,
alegerea opiunii New object/Equation i se selecteaz din meniul Method opiunea
ARCH Autoregresssive Conditional Heteroskedasticity.

89
Mean Equation specificarea ecuaiei variabilei crei i se calculeaz volatilitatea
(n cazul de fa a ecuaiei evoluiei zilnice a cursului de schimb).
ARCH-M dac modelul este ARCH in Mean adic dac n ecuaia de
regresie a evoluiei cursului este introdus i volatilitatea acestuia.
Variance and distribution specification specificarea ecuaiei varianei
(volatilitii) cursului de schimb:
Model tipul modelului: GARCH, EGARCH.
ARCH termenii ARCH.
GARCH termenii GARCH.
Asymetric order dac se introduce asimetrie n ecuaia de regresie a
varianei.
Variance regressors dac se introduc variabile independente n ecuaia de
regresie a varianei.
Error distribution distribuia erorilor (n cazul n care se presupune c
distribuia erorilor nu este normal i se dorete corectarea ecuaiei de
varian pentru ne-normalitatea erorilor).
Condiiile ce trebuie ndeplinite de coeficienii unui model GARCH sunt:
Coeficienii ecuaiei varianei sa fie pozitivi;
Suma coeficienilor ecuaiei varianei s fie mai mic dect 1. n caz contrar,
modelul este GARCH integrat (I-GARCH), iar volatilitatea este exploziv.
Modelele EGARCH sunt mai puin restrictive, neavnd condiii impuse valorilor
coeficienilor ecuaiei volatilitii.
Conform estimrilor, pentru cursul EUR/RON modele GARCH estimate au fost GARCH
integrate.
De exemplu, modelul GARCH(1,1) este:

Dependent Variable: DL_EUR
Method: ML - ARCH (Marquardt) - Normal distribution
Variance backcast: ON
GARCH =C(2) +C(3)*RESID(-1)^2 +C(4)*GARCH(-1)

Coefficient Std. Error z-Statistic Prob.

C 0.000198 8.77E-05 2.260467 0.0238

Variance Equation

90

C 2.50E-07 5.08E-08 4.926018 0.0000
RESID(-1)^2 0.138819 0.009128 15.20872 0.0000
GARCH(-1) 0.868095 0.008286 104.7609 0.0000

R-squared -0.001355 Mean dependent var 0.000427
Adjusted R-squared -0.002757 S.D. dependent var 0.006208
Log likelihood 8289.659 Durbin-Watson stat 1.848831

Ca urmare, a fost estimat un model EGARCH(2,1,1) (acesta fiind mai puin restrictiv). Modelul a
acceptat att coeficient de asimetrie n ecuaia de volatilitate ct i volatilitatea cursului EUR/RON
(msurat prin abaterea medie ptratic) n ecuaia de medie.
Ecuaia de regresie a modelului este prezentat mai jos.

Dependent Variable: DL_EUR
Method: ML - ARCH (Marquardt) - Generalized error distribution (GED)
LOG(GARCH) =C(3) +C(4)*ABS(RESID(-1)/@SQRT(GARCH(-1))) +
C(5)*ABS(RESID(-2)/@SQRT(GARCH(-2))) +C(6)*RESID(-1)
/@SQRT(GARCH(-1)) +C(7)*LOG(GARCH(-1))


@SQRT(GARCH) 0.112635 0.039554 2.847620 0.0044
C -0.000457 0.000156 -2.932430 0.0034

Variance Equation

C(3) -0.284286 0.056336 -5.046247 0.0000
C(4) 0.399824 0.049811 8.026844 0.0000
C(5) -0.170567 0.049394 -3.453202 0.0006
C(6) -0.026267 0.013602 -1.931131 0.0535
C(7) 0.989348 0.004282 231.0737 0.0000

GED PARAMETER 1.293394 0.047198 27.40373 0.0000

91

Coeficientul volatilitii cursului din ecuaia de medie, fiind pozitiv, arat c, atunci cnd
volatilitatea crete, RON-ul se depreciaz (cursul EUR/RON crete).
Coeficientul de asimetrie din ecuaia volatilitii este c(6) este semnificativ din punct de vedere
statistic i arat c, dac n perioada anterioar cursul a crescut, volatilitatea se reduce.
Conform corelogramei erorilor ptratice (prezentat n graficul de mai jos), nu mai exist termeni
ARCH suplimentari.

Pe baza ecuaie de volatilitate estimate, se genereaz seria istoric de volatilitate
condiionat. Volatilitatea poate fi msurat prin varian sau abatere medie patratic
(radicalul varianei).
Seria de volatilitate se reprezint grafic cu ajutorul opiunii View/GARCH
Graph/Conditional Standard Deviation sau Conditional Variance accesat din fereastra
ecuaiei de regresie.

92

Volatilitatea (msurat prin abaterea medie ptratic) a cursului EUR/RON este
prezentat n graficul de mai jos.
.000
.004
.008
.012
.016
.020
.024
.028
250 500 750 1000 1250 1500 1750 2000
Conditional standard deviation

93
Capitolul VIII. Modele cu vectori autoregresi vi (VAR)
VIII.1. Definiie i utilizare
Un model VAR (Vector Autoregression) permite tratarea simetric a tuturor variabilelor
din model, n sensul c nu presupune implicit exogeneitatea unei anumite variabile (cum
se ntmpl n cazul OLS sau n cazul analizei funciei transfer). VAR-ul este de dorit a fi
utilizat atunci cnd nu tim sigur c o anumit variabil este exogen.
n cazul unui model VAR cu dou variabile vom permite ca evoluia variabilei x s fie
influenat de valori anterioare (lag-uri) ale lui x, precum i de valori curente i anterioare
ale lui y. De asemenea, vom presupune c y este influenat de lag-uri ale sale, precum
i de valori curente sau anterioare ale lui x.
Prin urmare, fie sistemul bivariat simplu (forma structural a sistemului sau forma
primitiv):

unde se presupune c att x, ct i y sunt variabile staionare, iar
xt
i
zt
sunt
zgomote albe i necorelate (condiii eseniale pentru scrierea corect a unui VAR n
general).
Cele dou ecuaii de mai sus constituie un sistem VAR de ordinul nti, din moment ce
lungimea lag-ului este de o perioad. Avnd n vedere modalitatea de scriere a
sistemului, acesta ncorporeaz feedback se permite influenarea reciproc ntre x i y.
De exemplu,
13
a cuantific impactul contemporan (direct) din partea unei modificri
unitare a lui
t
y asupra lui
t
x . Mai mult, dac
23
a este diferit de zero, atunci
xt
are
impact contemporan indirect asupra lui
t
y ; dac
13
a este diferit de zero, atunci
yt
are
impact contemporan indirect asupra lui
t
x .
Ecuaiile anterioare nu sunt n form redus avnd n vedere c este permis impactul
contemporan al unei variabile asupra altei variabile (forma redus este necesar pentru
implementarea practic a unui asemenea sistem). Folosind matrici sistemul poate fi
rescris astfel:

(
+
(
+
(
=
(
zt
xt
t
t
t
t
y
x
a a
a a
a
a
y
x
a
a
1
1
22 24
14 12
21
11
23
13
1
1

sau:
zt t t t t
xt t t t t
x a x a y a a y
y a y a x a a x
+ + + + =
+ + + + =

1 24 23 1 22 21
1 14 13 1 12 11
94

t t t
z z B + + =
1 1 0
, unde:

B
a
a
=
(

1
1
23
13
,
t
t
t
z
y
x
=
(
,
(
=
21
11
0
a
a
,
(
=
22 24
14 12
1
a a
a a
,
(
=
zt
xt
t

Multiplicarea cu
1
B permite obinerea formei standard a VAR:

t t t
e z A A z + + =
1 1 0

Noul sistem se scrie astfel:

i se numete VAR n forma standard.
Foarte important de reinut este aspectul conform cruia eroarea e este o combinaie a
erorilor avnd n vedere c
t t
B e
1
= .
Fiindc att
xt
i
zt
sunt zgomote albe, rezult c
t
e
1
i
t
e
2
au medie nul, variana
constant i nu sunt corelate serial luate individual. n consecin, acestea sunt procese
staionare, ns trebuie notat c pot fi corelate serial ntre ele (n general, covariana lor
este diferit de zero). ocurile sunt necorelate doar dac nu exist impact contemporan
ntre variabilele sistemului.
VIII.2. Construirea unui model VAR
S pornim prin alctuirea unui model VAR folosind programul econometric Eviews.
Variabilele care se includ n model au la baz teoria economic (dei VAR-ul permite
includerea de variabile fr o anumit legtur a priori). n acest scop vom folosi dou
serii (pentru nceput): CORE3 ca msur a inflaiei de baz i cursul de schimb
EUR/RON. Prin selectarea simultan a celor dou serii i click buton dreapta mouse n
interiorul paginii de lucru, selectarea opiunii Open as VAR, se obine fereastra din
dreapta (mai jos).

t t t t
t t t t
e y a x a a y
e y a x a a x
2 1 22 1 21 20
1 1 12 1 11 10
+ + + =
+ + + =

95

Celelalte opiuni disponibile sunt:
As Group permite vizualizarea seriilor n cadrul unui grup
As Equation permite deschiderea seriilor direct ntr-o nou ecuaie
As multiple series permite deschiderea individual a celor dou serii
VAR-ul nou creat poart denumirea de Untitled. Pentru schimbarea acesteia se
foloseste butonul Name.
Aa cum am precizat anterior, variabilele din componena modelului VAR trebuie s fie
staionare. Eventualele teste de staionaritate vor confirma caracterul nestaionar al
ambelor serii. Prin urmare, este necesar transformarea acestora n serii staionare prin
logaritmare i prin aplicarea operatorului de prim diferen. Acest lucru se obine n
Eviews scriind formula dlog().
Exist o dezbatere intens n literatur dac VAR-ul poate fi alctuit din variabile
nestaionare. Sims, unul din prinii VAR, recomand o astfel de strategie pentru c ea
ar surprinde legturile dintre variabile i nu estimarea parametrilor. Tot el spune c
diferenierea duce la pierderea de informaie, cum ar fi cea existent ntre serii
cointegrate. Prin urmare, dac scopul este estimarea unui model VEC (Vector Error
Correction), este permis utilizarea de serii nestaionare. Altfel, variabilele trebuie
difereniate. Mai mult, dac se urmrete estimarea unui model structural, diferenierea
seriilor devine obligatorie.

96
VIII.3. Alegerea numrului de lag-uri pentru un model VAR
Dup crearea modelului VAR urmeaz etapa stabilirii numrului de lag-uri (rareori se
ntmpl ca opiunea implicit s fie cea corect). n acest scop se alege din meniul
View/Lag structure/Lag Length Criteria.
n fereastra urmtoare se introduce numrul de lag-uri care este, de regul, 36 pentru
date lunare, 12 pentru date trimestriale, etc. Noi vom folosi 12 lag-uri chiar dac avem
date lunare fiindc eantionul nu este unul foarte mare. Se poate verifica suficiena
acestui numr pn la numrul maxim de lag-uri permis.

Rezultatul obinut este prezentat mai jos i, dup cum se poate observa, toate criteriile
aleg un singur lag.
Celelalte opiuni disponibile sunt:
AR Roots Table permite vizualizarea n cadrul unui tabel a inversului
rdcinilor polinomului AR caracteristic.
AR Roots Graph permite vizualizarea grafic a inversului rdcinilor
polinomului AR caracteristic.
Pairwise Granger Causality Tests permite realizarea de teste tip Granger,
precum i testarea dac o anumit variabil poate fi tratat ca exogen sau
endogen.
Lag Exclusion Tests realizeaz teste de excludere a fiecrui lag din cadrul
modelului VAR.

97

Lungimea lag-urilor ntr-un model VAR este important pentru c trebuie s surprind
dinamica sistemului fr s consume prea multe grade de libertate. Gradele de libertate
scad rapid prin luarea n considerare a multor lag-uri. De asemenea, dac sunt prea
puine lag-uri, modelul nu este specificat corect, iar dac sunt prea multe, se pierd grade
de libertate. Prin urmare, testarea se face prin utilizarea celui mai mare numr de lag-uri
ce este i plauzibil sau ce este permis de eantionul studiat.
Testul de excludere a lag-urilor poate fi utilizat pentru a verifica rezultatul testului de
selecie a numrului de lag-uri sau pentru a stabili un alt numr de lag-uri, dac
rezultatul testului privind lungimea lag-urilor nu a fost relevant.
O alt modalitate de stabilire a numrului de lag-uri este studierea indicatorului R ptrat
ajustat al fiecrei ecuaii. Dac prin mrirea lag-urilor se mbuntete R ptrat ajustat,
lag-urile respective aduc informaie suplimentar.

98
VIII.4. Stabilitatea i staionaritatea unui model VAR
Stabilitatea n cadrul unei ecuaii de ordinul nti impune o valoare sub-unitar
coeficientului primului lag. Prin analogie, n cazul unui model VAR este necesar ca
expansiunea lui
1
A la puterea n s tind spre zero.
Testul se realizeaz prin View/Lag structure/AR Roots Table.

n cazul modelului nostru ambele rdcini sunt subunitare, ceea ce nseamn c
modelul este stabil i putem studia funcii de rspuns la oc, etc.
VIII.5. Stabilitatea i staionaritatea unui model VAR
Ca i n cazul regresiei OLS, etapa de testare a reziduurilor ecuaiilor este foarte
important pentru c trebuie respectate aceleai ipoteze. Nerespectarea lor
poate duce la concluzii greite privind, de exemplu, eroarea standard i
concluziile formulate pot fi, n realitate, false.

Testele reziduurilor se realizeaz prin View/Residual Tests

99

i opiunile sunt:
Correlograms: afiseaz corelograma autocorelaiilor pe eantion pentru
reziduurile estimate prin VAR i pentru numrul de lag-uri specificat.
Afiarea corelogramei este disponibil n trei modaliti (mai jos este
prezentat reprezentarea grafic). Liniile punctate sunt obinute prin
nmulirea erorii standard cu doi.

-.4
-.3
-.2
-.1
.0
.1
.2
.3
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(DLOG(CORE3),DLOG(CORE3)(-i))
-.4
-.3
-.2
-.1
.0
.1
.2
.3
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(DLOG(CORE3),DLOG(EURRON)(-i))
-.4
-.3
-.2
-.1
.0
.1
.2
.3
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(DLOG(EURRON),DLOG(CORE3)(-i))
-.4
-.3
-.2
-.1
.0
.1
.2
.3
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(DLOG(EURRON),DLOG(EURRON)(-i))
Autocorrelations with 2 Std.Err. Bounds

100

Portmanteau: calculeaz testul multivariat Box-Pierce/Ljung-Box Q-statistics
pentru corelaie serial pn la un anumit lag specificat. Ipoteza nul este de
lips a autocorelaiei pn la lag-ul specificat. Testul de mai jos respinge ipoteza
nul, deci erorile ecuaiilor din VAR sunt corelate serial.

VAR Residual Portmanteau Tests for Autocorrelations
H0: no residual autocorrelations up to lag h
Date: 10/01/08 Time: 10:08
Sample: 1990M01 2008M12

Lags Q-Stat Prob. Adj Q-Stat Prob. df

1 7.618884 NA* 7.694319 NA* NA*
2 20.25355 0.0004 20.58168 0.0004 4

*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution

Testul de autocorelaie LM : este vorba de testul multivariat LM pentru corelaie
serial pn la un anumit lag. Din nou, se concluzioneaz c exist autocorelaie
la ambele lag-uri i modelul trebuie re-specificat.

VAR Residual Serial Correlation LM Tests
H0: no serial correlation at lag order h
Date: 10/01/08 Time: 10:11
Sample: 1990M01 2008M12

Lags LM-Stat Prob

1 15.33917 0.0040
2 14.17839 0.0067

Probs from chi-square with 4 df.

Testul de normalitate: extensia multivariat a testului Jarque-Bera n care se
compar momentele de ordinul 3 i 4 cu cele ale distribuiei normale. Din motive
de simplificare, de regul se alege ordonarea Cholesky (pentru care conteaz
ordonarea variabilelor din VAR). Probabilitatea de acceptare a ipotezei nule este
101
0, deci reziduurile nu sunt normal distribuite, ceea ce reprezint o nclcare a
ipotezelor modelului VAR.

VAR Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl)
H0: residuals are multivariate normal
Sample: 1990M01 2008M12

Component Skewness Chi-sq df Prob.

1 0.782269 10.40306 1 0.0013
2 0.503019 4.301483 1 0.0381

J oint 14.70454 2 0.0006

Component Kurtosis Chi-sq df Prob.

1 5.968347 37.44712 1 0.0000
2 3.358338 0.545727 1 0.4601

J oint 37.99284 2 0.0000

Component J arque-Bera df Prob.

1 47.85017 2 0.0000
2 4.847210 2 0.0886

J oint 52.69738 4 0.0000

Testul White de heteroskedasticitate: reziduurile prezint heteroskedasticitate.

VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares)
Sample: 1990M01 2008M12

J oint test:

Chi-sq df Prob.

51.31746 12 0.0000

102
Individual components:

Dependent R-squared F(4,97) Prob. Chi-sq(4) Prob.

res1*res1 0.365124 13.94641 0.0000 37.24260 0.0000
res2*res2 0.052785 1.351357 0.2566 5.384028 0.2501
res2*res1 0.061429 1.587142 0.1839 6.265727 0.1802

VIII.6. Funcii de impuls-rspuns
Modelul VAR poate fi scris ca un vector de medii mobile (VMA) i permite studierea
impactului unui oc asupra evoluiei variabilei dependente. n meniul View se alege
Impulse response.
Formatul de afiare poate fi grafic sau tabel, iar benzile de ncredere pot fi obinute prin
proceduri analitice sau estimare Monte Carlo. Numrul de perioade pentru care se
dorete rspunsul la oc este de circa 16 pentru date trimestriale i circa 36 pentru date
lunare.
Definiia impulsurilor conteaz mult deoarece:
n cazul descompunerii Cholesky conteaz ordonarea variabilelor dac acestea
sunt corelate ntre ele;
n cazul descompunerii generalizate nu conteaz ordonarea variabilelor;
in cazul descompunerii structurale, aceasta poate fi utilizat doar dac a fost
specificat anterior un model structural cu restriciile necesare.

103

Vizualizarea grafic este prezentat mai jos i se poate identifica att un rspuns al
inflaiei la cursul de schimb, ct i invers. Aceste rezultate trebuie privite cu rezerve
avnd n vedere rezultatele testelor, precum i fiindc benzile din graficul care prezint
rspunsul inflaiei includ i zero, deci rspunsul s-ar putea s nu fie semnificativ.

-.001
.000
.001
.002
.003
.004
.005
1 2 3 4 5 6 7 8 9 10
Response of DLOG(CORE3) to DLOG(CORE3)
-.001
.000
.001
.002
.003
.004
.005
1 2 3 4 5 6 7 8 9 10
Response of DLOG(CORE3) to DLOG(EURRON)
-.004
.000
.004
.008
.012
.016
.020
.024
1 2 3 4 5 6 7 8 9 10
Response of DLOG(EURRON) to DLOG(CORE3)
-.004
.000
.004
.008
.012
.016
.020
.024
1 2 3 4 5 6 7 8 9 10
Response of DLOG(EURRON) to DLOG(EURRON)
Response to Cholesky One S.D. Innovations 2 S.E.

104
VIII.7. Descompunerea varianei
Procedura este similar cu cea de obinere a funciilor de impuls-rspuns.
Descompunere varianei indic n ce msur o anumit variabil poate explica evoluia
varianei altei variabile. De exemplu, variana cursului de schimb explic sub 10% din
variana ratei inflaiei.
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
Percent DLOG(CORE3) variance due to DLOG(CORE3)
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
Percent DLOG(CORE3) variance due to DLOG(EURRON)
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
Percent DLOG(EURRON) variance due to DLOG(CORE3)
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
Percent DLOG(EURRON) variance due to DLOG(EURRON)
Variance Decomposition

105
Capitolul IX. Modele Value at Risk (VaR)
IX.1. Msura VaR
Valoarea la risc (VaR) este o ncercare de a reprezenta printr-un singur numr riscul
total dintr-un portofoliu de active financiare. Aceast msur a fost introdus de ctre J.
P. Morgan n 1994 i n prezent este folosit pe scar larg att de ctre instituiile
financiare ct i n trezoreriile corporaiilor i n fondurile de investiii. De asemenea, i
Comitetul de Supraveghere Bancar al Bncii Reglementelor Internaionale o folosete
pentru calculul cerinelor de capital pentru bnci.
VaR-ul reprezint pierderea estimat a unui portofoliu fix de instrumente financiare pe
un orizont fix de timp iar utilizarea acestui indicator implic alegerea arbitrar a doi
parametri: perioada de deinere a instrumentelor financiare (orizontul de timp) i nivelul
de relevan. Conform Acordului de la Basel privind Adecvarea Capitalului, orizontul de
timp este de dou sptmni (10 zile), iar nivelul de relevan este de 1 la sut.
n practic sunt utilizate mai multe metode de calcul al VaR, cele mai cunoscute fiind
metoda analitic, metoda istoric i simularea Monte Carlo. Alegerea metodei de calcul
depinde de:
instrumentele financiare asupra crora poate fi aplicat;
acurateea msurilor de risc, inclusiv ipotezele statistice pe care se bazeaz;
cerinele de implementare (modelele de evaluare a riscului, descompunerea
riscului, cerinele de date);
sistemele informatice necesare;
uurina de comunicare a rezultatelor ctre utilizatori.
IX.2. VaR analitic

Ipoteza pe care se bazeaz aceast metod este c randamentele activelor din
portofoliu (R) pe orizontul de deinere (h) sunt normal distribuite, avnd media i
deviaia standard : ( ) , ~N R .
Dac valoarea prezent a portofoliului este S, VaR-ul pentru orizontul de h zile, cu
nivelul de relevan ( )% 1 100 este:
S x VaR
h
=
,
,
unde
x este cea mai mic percentil a distribuiei ( ) , N .

Folosind transformarea normal, putem scrie
( )

=
x
Z , de unde rezult:

+ = Z x ,
unde
Z este cea mai mic percentil a distribuiei normale standard.

106
Din cele dou relaii de mai sus rezult:
( )S Z VaR
+ = .
Metoda analitic una din cele mai simple i uor de implementat metodologii de calcul al
VaR, ea bazndu-se pe estimri ale parametrilor pe baza datelor istorice (volatilitate,
coeficieni de corelaie, randamente medii ale activelor).
Principalul dezavantaj al acestei metode este ipoteza statistic pe care se bazeaz
evoluia preului activelor financiare are o distribuie normal, ipotez care rar este
ndeplinit n practic. Alte dezavantaje ale acestei metode rezult din faptul c multe
senzitiviti (volatiliti, coeficieni de corelaie) sunt variabile n timp, iar aceast
variabilitate are un impact semnificativ asupra msurilor de risc n special n cazul
portofoliilor care conin opiuni. De asemenea, metoda analitic nu este recomandat n
cazul portofoliilor care conin payoff-uri discontinue (de exemplu opiuni cu bariere).
IX.3. VaR calculat pe baza simulrii Monte Carlo
Simularea Monte Carlo presupune specificarea proceselor aleatoare pentru factorii de
risc ai portofoliului, a modului n care acetia afecteaz portofoliul i simularea unui
numr mare de evoluie a acestor factori i implicit de valori finale ale portofoliului pe
baza acestor ipoteze. Fiecare simulare conduce la un posibil profit/pierdere. Dac este
simulat un numr suficient de mare de valori posibile ale profitului/pierderii, atunci se
poate construi densitatea de probabilitate pentru profitul/pierderea posibil i se poate
genera VaR-ul pe baza celei mai mici percentile a distribuiei.
Metodologie analizei Monte Carlo pentru preul unei aciuni, S, este prezentat dup
cum urmeaz. Presupunnd c S urmeaz o micare Brownian geometric, atunci:
dW dt
S
dS
+ = ,
unde :
este randamentul ateptat pe unitatea de timp,
este volatilitatea cursului spot al aciunii,
dW este un proces Wiener, care poate fi scris ( )2
1
dt dW = , unde este o variabil
aleatoare i are o distribuie normal standard. Substituind pentru dW se obine:
( )2
1
dt dt
S
dS
+ = .
Randamentul instantaneu al preului aciunii,
S
dS
, evolueaz funcie de trend, dt i de
termenul aleatoriu . n practic, n general se folosete modelul n timp discret. Astfel,
dac t reprezint frecvena de timp la care se msoar randamentul preului aciunii,
atunci,
107
t t
S
S
+ =
,
unde S reprezint modificarea preului aciunii n intervalul de timp t , iar
S
S

reprezint randamentul aciunii n timp discret.
Randamentul aciunii este considerat a avea o distribuie normal, cu media t i
deviaia standard t .
Presupunnd c dorim simularea evoluiei preului aciunii pentru o perioad de lungime
T, atunci divizm T ntr-un numr mare, N, de sub-perioade, t (
N
T
t = ). Considerm
o valoare iniial a lui S, S(0), se extrage o valoare aleatoare pentru i se determin
valoarea aciunii pentru prima sub-perioad. Acest proces se repet pentru toate sub-
perioadele t . Acest proces se reia pentru a genera un numr suficient de mare de
traiectorii ale cursului aciunii. Cu ct numrul de simulri ale traiectoriei preului aciunii
este mai mare, cu att distribuia simulat a cursului aciunii la momentul T se apropie
de distribuia real a preului la finalul orizontului avut n vedere.
VaR-ul estimat al cursului aciunii se determin pe baza distribuiei preului aciunii la
momentul T, S(T).
Principalele avantaje ale simulrii Monte Carlo sunt:
poate fi capturat o varietate mare de comportamente ale pieei,
poate aborda eficient payoff-urile neliniare sau dependente de traiectoria
cursului,
poate captura riscul inclus n scenarii care nu presupun modificri extreme ale
pieei,
poate, de asemenea, furniza informaii despre impactul scenariilor extreme.
Principalul dezavantaj al acestei metodologii de calcul al VaR const n necesitatea
ridicat de putere de calcul.
IX.4. VaR istoric
Aceast metodologie se bazeaz pe ipoteza c informaiile incluse n preurile din
trecutul apropiat sunt suficiente pentru cuantificarea riscului din viitorul apropiat.
Modelul de baz pentru calculul VaR prin simulare istoric const n calculul unei serii
ipotetice de profit i pierdere (P/L) sau randamente pentru portofoliul curent, pentru o
perioad istoric specific. Aceste randamente sunt msurate pe un interval standard de
timp (de exemplu o zi) pe un set suficient de mare de observaii istorice. Presupunnd
c portofoliul este format din n active, i pentru fiecare activ i, randamentul este calculat
108
pentru fiecare interval T. Dac
t i
r
,
este randamentul activului i pentru sub-perioada t, i
i
A este suma investit n activul i, atunci P/L-ul simulat pentru portofoliul curent n sub-
perioada t este:
( )

=
=
n
i
t i i t
r A L P
1
,
/ .
Calculnd P/L pentru toi t, se obine P/L-ul ipotetic pentru portofoliul curent pentru tot
eantionul. VaR-ul este estimat pe baza distribuiei seriei P/L.
Alte metodologii pentru calculul VaR istoric pondereaz valorile P/L folosite n
construirea distribuiei seriei P/L.
Astfel, Boudoukh, 1998, consider c informaiile noi au un coninut informaional,
referitor la riscurile viitoare, mai mare dect informaiile vechi, i, ca urmare, este
justificat ponderarea valorilor P/L funcie de vrst astfel nct informaiile mai noi s
aib o pondere mai mare.
n cazul n care volatilitatea activelor este variabil, datele pot fi ponderate funcie de
volatilitatea contemporan estimat (Hull i White, 1998). Astfel, presupunnd c se
dorete estimarea VaR pentru ziua T, considernd
t i
r
,
randamentul istoric al activului i n
ziua t,
t i,
volatilitatea prognozat n ziua t - 1 a randamentului activului i pentru ziua t i
T i,
cea mai recent prognoz a volatilitii activului i, randamentele efective
t i
r
,
sunt
nlocuite cu randamentele ajustate funcie de volatilitate,
*
,t i
r :
t i
t i
T i
t i
r r
,
,
, *
,
= .
Principalele avantaje ale simulrii istorice sunt:
Aceast metodologie este intuitiv i simpl din punct de vedere conceptual, ca
urmare fiind simplu de comunicat ctre management.
Permit simularea evenimentelor istorice extreme.
Sunt uor de implementat pentru orice tip de poziii, inclusiv contracte derivate.
Datele necesare sunt uor de procurat.
Deoarece nu sunt dependente de ipoteze referitoare la parametrii de evoluie a
pieelor, aceast metodologie se poate acomoda distribuiilor leptokurtotice, celor
cu asimetrie i altor distribuii non-normale.
Simularea istoric poate fi modificat n sensul acordrii unei influene mai mari
anumitor observaii (n funcie de anotimp, vechime, volatilitate).
Principala deficien a simulrii istorice este legat de faptul c rezultatele sunt complet
dependente de setul de date folosit:
109
Dac n perioada folosit pentru calcul VaR pieele au fost neobinuit de calme
(sau de volatile) i condiiile s-au schimbat ntre timp, simularea istoric va
produce estimri ale VaR care sunt prea mici (mari) pentru riscurile actuale.
Simularea istoric prezint dificulti n luarea n considerare a modificrilor n
evoluia pieelor intervenite n perioada luat n considerare.
Msurile VaR obinute prin simulare istoric nu capteaz riscul asociat producerii
unor evenimente plauzibile n viitor dar care nu s-au ntmplat n trecut.
IX.5. Utilizarea modelelor de volatilitate n calculul VaR
IX.5.1. Calculul VaR utiliznd EWMA
Modelul EWMA (Exponentially Weighted Moving Average) pentru estimarea volatilitii a
fost propus de ctre RiskMetrics n anul 1996. Conform acestei abordri, volatilitatea
curent,
t
, depinde (este o media ponderat a) de randamentul anterior i de
volatilitatea anterioar:
2
1
2
1
2
) 1 (

+ =
t t t
r
unde
reprezint o constant de ponderare,
1 t
r o randamentul n perioada anterioar.
Parametrul arat persistena volatilitii activului financiar, cu ct acesta este mai
mare cu att un oc aprut la un moment dat n pia este mai persistent. Parametrul
1 arat rapiditatea cu care volatilitatea activului rspunde la un oc indiferent de
direcie, cu ct acest parametru este mai mare, cu att reacia volatilitii la oc este mai
mare. RiskMetrics utilizeaz o valoare a pentru date zilnice de 0,94.
Volatilitatea calculat prin modele EWMA poate fi ncorporat n modele VaR n
urmtoarele moduri:
Simulare istoric cu ponderarea datelor funcie de volatilitate. Randamentele
istorice sunt standardizate pe baza volatilitii condiionate.
Simulare Monte Carlo utiliznd EWMA. Randamentele pot fi simulate
considernd c urmeaz o distribuie normal, dar matricea de covarian este
creat utiliznd EWMA.
VaR analitic utiliznd EWMA.
n generarea matricei de covarian este folosit o ecuaie analog ecuaiei varianei:
( )
1 , 12 1 , 2 1 , 1 , 12
1

+ =
t t t t
r r ,
unde:
t , 12
reprezint covariana dintre activele 1 i 2,
1 , 1 t
r i
1 , 2 t
r reprezint randamentele celor dou active n perioada anterioar.
110
Odat ce matricea de covarian a fost definit, aceasta poate fi folosit pentru calculul
VaR utiliznd fie metoda analitic (indicat pentru portofolii simple), fie simularea Monte
Carlo (pentru portofolii ce includ opiuni).
n simularea analitic, VaR-ul pentru h zile, cu nivelul de relevan este:

P Z VaR
h
=
,

unde:
Z este valoarea critic a distribuiei normale standard pentru nivel de relevan,

P valoarea curent a portofoliului,
deviaia standard prognozat pentru un orizont de h zile.
Deviaia standard este calculat pe baza unei matrice de covarian a randamentelor
pentru h zile:
reprezentat la nivel de active:
Vw w' =
unde:
( )
n
w w w w ,... ,
2 1
= reprezint ponderile activelor n portofoliu,
V reprezint prognoza, pe un orizont de h zile, a matricei de covarian pentru
randamentele activelor incluse n portofoliul.
reprezentat la nivel de factor de risc:
V ' =
unde:
( )
n
,... ,
2 1
= reprezint factorii de senzitivitate ai portofoliului,
V reprezint prognoza, pe un orizont de h zile, a matricei de covarian pentru
randamentele factorilor de risc.
n cazul portofoliilor simple, prognoza matricei de covarian pe un orizont de h zile se
obine aplicnd regula t , multiplicnd matricea de covariana pentru un orizont de o zi
cu h . Dar aceast metodologie va conduce la rezultate incorecte n cazul portofoliilor
care au incluse i opiuni, n acest caz fiind indicat utilizarea unei matrice de covarian
pentru orizontul h.
IX.5.2. Calculul VaR utiliznd modele GARCH
Aceste modele permit calculul VaR prin luarea n considerare a impactului asupra
volatilitii viitoare a evenimetelor recente. De asemenea, cele dou serii (randamente i
volatilitatea) fiind serii staionare, aceste modele permit prognoza volatilitii pentru
fiecare sub-perioad (zi) a orizontului avut n vedere pentru calculul VaR. De exemplu,
pentru a obine o prognoz a volatilitii pentru urmtoarele 10 zile, se nsumeaz cele
10 variane, se multiplic cu
10
250
i se extrage rdcina ptrat.
111
Includerea modelelor GARCH n calculul VaR, ca i n cazul modelelor EWMA, poate fi
realizat prin:
VaR analitic, similar ca n cazul EWMA, prin utilizarea unei matrice de covarian
bazat pe modele GARCH.
Simulare istoric n care datele sunt ponderate funcie de volatilitate datele
sunt standardizate funcie de volatilitatea lor estimat prin modele GARCH.
Simulare Monte Carlo. Evoluia randamentelor poate fi simulat pe baza unei
matrice de covarian calculate pe baz de modele GARCH, ceea ce permite
att simularea evoluiei volatilitii ct i simularea evoluiei randamentelor
activelor ceea ce reprezint un avantaj n cazul n care portofoliul conine i
opiuni.
Pentru calculul matricei de covanrian, coeficientul de corelaie poate fi considerat
constant i calculat covariana funcie de coeficienii de corelaie i variane:
1 , 1 , 1 , + + +
=
t j t i ij t ij
,
unde:
1 , + t ij
reprezint covariana dintre cele dou active i i j,
ij
coeficientul de corelaie dintre cele dou active,
1 , + t i
i
1 , + t j
reprezint varianele celor dou active.
n practic a fost sugerat chiar utilizarea modelelor GARCH pentru modelarea direct
P/L-ului portofoliului i calculul VaR funcie de volatilitatea condiionat a acestuia, n
acest fel evitndu-se calculul matricelor de covarian.
IX.6.Calculul VaR pentru un portofoliu de aciuni
Considernd un portofoliu format din patru aciuni Antibiotice Iai (ATB), Impact
Bucureti (IMP), Turbomecanica (TBM) i Banca Transilvania (TLV) avnd ponderi
egale, se calculeaz VaR-ul portofoliului pe baza metodologiilor descrise n Capitolul
VIII. Calculul VaR va fi realizat pe date zilnice, perioada analizat fiind ianuarie 1999
mai 2007.
Msurile VaR calculate sunt: VaR analitic, VaR istoric, VaR prin maparea poziiilor pe
baza modelului CAPM, VaR pe baza de volatilitate EWMA i VaR pe baz de volatilitate
estimat prin modele GARCH.
Conform testului ADF, seriile randamentelor celor patru aciuni, indicelui BET i
portofoliului sunt staionare, iar conform testului Jarque Berra seriile randamentelor nu
au o distribuie normal (ci leptokurtotic).

112
Testul de staionaritate ADF
t-statistic Probabilitate asociat
ATB -45.0283 0.0001
IMP -27.9898 0.0000
TBM -45.7567 0.0001
TLV -31.7558 0.0000
BET -36.4676 0.0000
Portofoliu -11.4080 0.0000

Valorile critice asociate testului ADF
Nivel de relevan t-statistic
1% -3.43330
5% -2.86273
10% -2.56745

113
Testul Jarque-Berra
ATB
0
200
400
600
800
1000
1200
1400
-0.0 0.5 1.0 1.5
Series: DLN_ATB
Sample 1 2100
Observations 2090
Mean 0.002217
Median 0.000000
Maximum 1.579562
Minimum -0.162751
Std. Dev. 0.046814
Skewness 18.17779
Kurtosis 619.4992
J arque-Bera 33212976

IMP
0
200
400
600
800
1000
1200
-0.2 -0.1 -0.0 0.1 0.2
Series: DLN_IMP
Sample 1 2100
Observations 2090
Mean 0.001208
Median 0.000000
Maximum 0.241944
Minimum -0.270620
Std. Dev. 0.040241
Skewness -0.370415
Kurtosis 12.44658

TBM
0
200
400
600
800
1000
1200
1400
-0.0 0.5 1.0 1.5
Series: DLN_TBM
Sample 1 2100
Observations 2090
Mean 0.001890
Median 0.000000
Maximum 1.798494
Minimum -0.184093
Std. Dev. 0.051122
Skewness 20.74361
Kurtosis 732.6264
J arque-Bera 46509111

TLV
0
200
400
600
800
1000
1200
1400
-0.25 -0.00 0.25
Series: DLN_TLV
Sample 1 2100
Observations 2090
Mean 0.002376
Median 0.000000
Maximum 0.474894
Minimum -0.262364
Std. Dev. 0.030051
Skewness 3.754518
Kurtosis 77.53756

Portofoliu
0
200
400
600
800
1000
-0.000 0.125 0.250 0.375 0.500
Series: DLN_PORTOFOLIU
Sample 1 2100
Observations 2090
Mean 0.001923
Median 0.001221
Maximum 0.487856
Minimum -0.099785
Std. Dev. 0.023377
Skewness 6.518779
Kurtosis 132.5431
J arque-Bera 1476185.

114
Cele patru momente ale distribuiilor sunt prezenetate n tabelul de mai jos. Ca urmare,
msurile VaR bazate pe ipoteza distribuiei normale a seriilor pot subestima riscul.
Momentele distribuiilor seriilor de randamente
Medie
Deviaie
standard
Asimetrie Kurtotic
ATB 0.0022 0.0468 18.1778 619.4992
IMP 0.0012 0.0402 -0.3704 12.4466
TBM 0.0019 0.0511 20.7436 732.6264
TLV 0.0024 0.0301 3.7545 77.5376
BET 0.0015 0.0158 -0.0568 9.0518
Portofoliu 0.0019 0.0234 6.5188 132.5431

Matricea de corelaie dintre cele patru aciuni, calculat pe baza eantionului de date
pentru perioada analizat, este:
Coeficienii de corelaie ai seriilor de randamente
ATB IMP TBM TLV
ATB 1 0.08 0.09 0.07
IMP 0.08 1 0.05 0.06
TBM 0.09 0.05 1 0.05
TLV 0.07 0.06 0.05 1

Evoluia randamentelor zilnice pentru perioada analizat este prezentat n graficele de
mai jos. Din grafice se observ fenomenul de volatility clustering, care considerat
mpreun cu distribuia leptokurtotic a randamentelor, conduce la concluzia c msurile
VaR calculate pe baza ipotezei normalitii datelor tind s subestimeze riscul. n aceast
situaie sunt recomandate msurile VaR care in cont de volatilitatea variabil a aciunilor
(EWMA i GARCH).

115
Evoluia randamentelor zilnice ale aciunilor i a portofoliului
-0.4
0.0
0.4
0.8
1.2
1.6
250 500 750 1000 1250 1500 1750 2000
DLN_ATB
-.3
-.2
-.1
.0
.1
.2
.3
250 500 750 1000 1250 1500 1750 2000
DLN_IMP
-0.4
0.0
0.4
0.8
1.2
1.6
2.0
250 500 750 1000 1250 1500 1750 2000
DLN_TBM
-.3
-.2
-.1
.0
.1
.2
.3
.4
.5
250 500 750 1000 1250 1500 1750 2000
DLN_TLV
-.16
-.12
-.08
-.04
.00
.04
.08
.12
250 500 750 1000 1250 1500 1750 2000
DL_BET
-.2
-.1
.0
.1
.2
.3
.4
.5
250 500 750 1000 1250 1500 1750 2000
DLN_PORTOF

116
Pentru calculul VaR prin metoda analitic a fost calculat deviaia standard a P/L-ului
portofoliului de aciuni pe ultimele 250 de zile,
p
, i pe baza acestei serii, considernd
o valoare a portofoliului de o unitate monetar (1 RON), un nivel de relevan de 1 la
sut i un orizont de prognoz de 10 zile a fost generat msura VaR pe baza relaiei
10 32635 . 2 =
p
VaR .
Pentru calculul VaR prin simulare istoric, msura VaR pentru un orizont de 10 zile a
fost considerat percentila 1 la sut pentru seria de randamente zilnice ale portofoliului
de aciuni nmulit cu 10.
Pentru calculul VaR prin EWMA, lund n considerare un coeficient pentru date
zilnice de 0,94, pornind, ca observaie iniial, de la abaterea medie ptratic istoric au
fost generate seriile de volatilitate pentru cele patru monede, conform relaiei
2
1
2
1
2
) 1 (

+ =
t t t
r ,
iar apoi, pe baza coeficienilor de corelaie istorici a fost calculat seria volatilitii
portofoliului. Seriile de volatiliti EWMA sunt prezentate n graficele de mai jos.
Msura VaR care ncorporeaz volatilitile calculate pe baza metodologiei EWMA a fost
generat prin metoda analitic, orizontul de timp fiind de 10 zile, iar nivelul de relevan
de 1 la sut.

117
Volatilitatea zilnic a seriilor de cursuri de schimb i a portofoliului
calculat pe baza metodologiei EWMA
.0
.1
.2
.3
.4
250 500 750 1000 1250 1500 1750 2000
EWMA_ATB
.00
.02
.04
.06
.08
.10
250 500 750 1000 1250 1500 1750 2000
EWMA_IMP
.0
.1
.2
.3
.4
.5
250 500 750 1000 1250 1500 1750 2000
EWMA_TBM
.00
.02
.04
.06
.08
.10
.12
.14
250 500 750 1000 1250 1500 1750 2000
EWMA_TLV
.00
.02
.04
.06
.08
.10
.12
.14
250 500 750 1000 1250 1500 1750 2000
EWMA_PORTOFOLIU

118
Specificaia modelelor ARCH utilizate a fost aleas funcie de testele de autocorelaie a
erorilor (modelele s nu prezinte autocorelaie), testele de autocorelaie a erorilor
ptratice (s nu existe termeni ARCH suplimentari), suma i semnul coeficienilor ARCH
i GARCH (s nu existe procese ARCH integrate iar volatilitatea s fie strict mai mare
dect zero). Ecuaia de volatilitate pentru cele patru aciuni este determinat dup cum
urmeaz:
Relaia de calcul pentru aceast msura de VaR este:
10 32635 . 2
_
=
EWMA p EWMA
VaR ,
unde
EWMA p _
reprezint volatilitatea portofoliului calculat pe baza volatilitii EWMA a
celor patru aciuni.
Pentru ncorporarea volatilitii calculate prin modele GARCH, au fost calculate
volatilitile seriilor randamentelor aciunilor incluse n portofoliu i a portofoliului prin
modele GARCH, EGARCH i TARCH, cu distribuii de erori generalizate (Generalised
Error Distribution, GED), avnd n vedere c distribuia seriilor nu este normal. Conform
estimrilor, coeficientul GED a fost mai mic dect 2 ceea ce concord cu ipoteza
distribuiei leptokurtotice a datelor.
Modelele GARCH estimate sunt prezentate n tabelele de mai jos.
ATB GARCH(1,1)
Dependent Variable: DLN_ATB


C 4.80E-06 0.000448 0.010706 0.9915

Variance Equation

C 0.000259 1.74E-05 14.88917 0.0000
RESID(-1)^2 0.565227 0.063491 8.902477 0.0000
GARCH(-1) 0.202583 0.030073 6.736352 0.0000

GED PARAMETER 1.201038 0.016458 72.97498 0.0000

119

IMP TARCH(1,1,1)
Dependent Variable: DLN_IMP
Failure to improve Likelihood after 20 iterations
GARCH =C(2) +C(3)*RESID(-1)^2 +C(4)*RESID(-1)^2*(RESID(-1)<0)
+C(5)*GARCH(-1)


C 6.55E-07 0.000263 0.002493 0.9980

Variance Equation

C 6.59E-05 1.17E-05 5.626147 0.0000
RESID(-1)^2 0.236443 0.041600 5.683800 0.0000
RESID(-1)^2*(RESID(-1)<0) -0.174430 0.041201 -4.233653 0.0000
GARCH(-1) 0.779160 0.021360 36.47797 0.0000

GED PARAMETER 0.863561 0.032980 26.18441 0.0000


TBM TARCH(1,1,1)
Dependent Variable: DLN_TBM
GARCH =C(2) +C(3)*RESID(-1)^2 +C(4)*RESID(-1)^2*(RESID(-1)<0)
+C(5)*GARCH(-1)

120

C 1.42E-05 0.000505 0.028193 0.9775

Variance Equation

C 0.000224 1.77E-05 12.65842 0.0000
RESID(-1)^2 0.219177 0.030526 7.180124 0.0000
RESID(-1)^2*(RESID(-1)<0) -0.088261 0.031463 -2.805261 0.0050
GARCH(-1) 0.438176 0.035206 12.44611 0.0000

GED PARAMETER 1.201112 0.012932 92.87931 0.0000


TLV GARCH(1,1)
Dependent Variable: DLN_TLV


C 2.24E-06 0.000313 0.007136 0.9943

Variance Equation

C 8.81E-05 8.79E-06 10.02665 0.0000
RESID(-1)^2 0.280243 0.021989 12.74448 0.0000
GARCH(-1) 0.444706 0.030250 14.70095 0.0000

GED PARAMETER 1.092402 0.010476 104.2764 0.0000


121
Portofoliu EGARCH(1,1)
Dependent Variable: DLN_PORTOFOLIU
LOG(GARCH) =C(2) +C(3)*ABS(RESID(-1)/@SQRT(GARCH(-1))) +
C(4)*LOG(GARCH(-1))


C 0.001263 0.000241 5.230850 0.0000

Variance Equation

C(2) -0.494389 0.057658 -8.574443 0.0000
C(3) 0.305973 0.032896 9.301278 0.0000
C(4) 0.966439 0.005821 166.0242 0.0000

GED PARAMETER 1.069191 0.027914 38.30279 0.0000


Volatilitatea pentru un orizont de 10 zile a fost calculat ca radical din suma varianelor
la momentele 9 ,..., 1 , + + t t t .
Volatilitile pe un orizont de 10 zile seriilor i ale portofoliului sunt prezentate n graficele
de mai jos.
Pe baza acestei volatiliti a fost calculat msura VaR pentru un nivel de relevan de 1
la sut, conform relaiei:
ARCH
VaR = 32535 . 2 ,
unde
ARCH
reprezint volatilitatea portofoliului calculat prin modele GARCH, pentru un
orizont de 10 zile.

122
Volatilitatea cursurilor aciunilor i a portofoliului
calculat prin modele GARCH
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
250 500 750 1000 1250 1500 1750 2000
STDEV_ARCH_ATB
.05
.10
.15
.20
.25
.30
.35
.40
250 500 750 1000 1250 1500 1750 2000
STDEV_ARCH_IMP
0.0
0.2
0.4
0.6
0.8
1.0
1.2
250 500 750 1000 1250 1500 1750 2000
STDEV_ARCH_TBM
.00
.05
.10
.15
.20
.25
.30
.35
.40
250 500 750 1000 1250 1500 1750 2000
STDEV_ARCH_TLV
.0
.1
.2
.3
.4
.5
250 500 750 1000 1250 1500 1750 2000
STDEV_ARCH_PORTOFOLIU
.00
.04
.08
.12
.16
.20
.24
.28
.32
.36
250 500 750 1000 1250 1500 1750 2000
STDEV_ARCH_PORTOFOLIU_AN

123
unde ST_DEV_ARCH_PORTOFOLIU_AN reprezint volatilitatea portofoliului calculat
prin metoda analitic, pe baza volatilitilor celor patru aciuni incluse n portofoliu i a
coeficienilor de corelaie dintre acestea (considerai constani pentru perioada
analizat), iar ST_DEV_ARCH_PORTOFOLIU este volatilitatea portofoliului calculat
printr-un model GARCH pentru randamentele portofoliului.
Msurile VaR calculate pe baza celor cinci metodologii de mai sus sunt prezentate n
graficele de mai jos mpreun cu randamentele pe 10 zile ale portofoliului, nmulite cu -1
pentru comparabilitate (cu msurile VaR).
Conform rezultatelor:
Modelul bazat pe EWMA a performat cel mai bine, n perioada analizat
producnd o singur eroare, n 1841 de observaii (incadrndu-se n nivelul de
relevan de 1 la sut).
De asemenea i modelul pe baz de simulare istoric, modelul analitic i
modelele bazate pe estimarea volatilitii prin modele GARCH se ncadreaz n
nivelul de relevan de 1 la sut (au produs fiecare cte dou erori n 1841 de
observaii pentru modelul analitica i modelul istoric i, respectiv, 2072 de
observaii pentru modelele GARCH). Dintre aceste patru modele se detaeaz
modelele bazate pe GARCH, care fa de celelalte dou implic cerine de
capital mai reduse.
Dintre cele dou modele GARCH, modelul bazat pe metoda analitic implic
cerine de capital inferioare modelului GARCH aplicat randamentelor
portofoliului, dar n acelai timp implic cerine de calcul superioare.

124
Msurile VaR bazat pe mapare a poziiilor, istoric, analitic i EWMA
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1
2
/
2
2
/
1
9
9
9
3
/
2
2
/
2
0
0
0
6
/
2
2
/
2
0
0
0
9
/
2
2
/
2
0
0
0
1
2
/
2
2
/
2
0
0
0
3
/
2
2
/
2
0
0
1
6
/
2
2
/
2
0
0
1
9
/
2
2
/
2
0
0
1
1
2
/
2
2
/
2
0
0
1
3
/
2
2
/
2
0
0
2
6
/
2
2
/
2
0
0
2
9
/
2
2
/
2
0
0
2
1
2
/
2
2
/
2
0
0
2
3
/
2
2
/
2
0
0
3
6
/
2
2
/
2
0
0
3
9
/
2
2
/
2
0
0
3
1
2
/
2
2
/
2
0
0
3
3
/
2
2
/
2
0
0
4
6
/
2
2
/
2
0
0
4
9
/
2
2
/
2
0
0
4
1
2
/
2
2
/
2
0
0
4
3
/
2
2
/
2
0
0
5
6
/
2
2
/
2
0
0
5
9
/
2
2
/
2
0
0
5
1
2
/
2
2
/
2
0
0
5
3
/
2
2
/
2
0
0
6
6
/
2
2
/
2
0
0
6
9
/
2
2
/
2
0
0
6
1
2
/
2
2
/
2
0
0
6
3
/
2
2
/
2
0
0
7
(-1)*Randament 10 zile VaR analitic
VaR istoric VaR EWMA

Msurile VaR calculate pe baz de modele GARCH
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1
/
1
8
/
1
9
9
9
4
/
1
8
/
1
9
9
9
7
/
1
8
/
1
9
9
9
1
0
/
1
8
/
1
9
9
9
1
/
1
8
/
2
0
0
0
4
/
1
8
/
2
0
0
0
7
/
1
8
/
2
0
0
0
1
0
/
1
8
/
2
0
0
0
1
/
1
8
/
2
0
0
1
4
/
1
8
/
2
0
0
1
7
/
1
8
/
2
0
0
1
1
0
/
1
8
/
2
0
0
1
1
/
1
8
/
2
0
0
2
4
/
1
8
/
2
0
0
2
7
/
1
8
/
2
0
0
2
1
0
/
1
8
/
2
0
0
2
1
/
1
8
/
2
0
0
3
4
/
1
8
/
2
0
0
3
7
/
1
8
/
2
0
0
3
1
0
/
1
8
/
2
0
0
3
1
/
1
8
/
2
0
0
4
4
/
1
8
/
2
0
0
4
7
/
1
8
/
2
0
0
4
1
0
/
1
8
/
2
0
0
4
1
/
1
8
/
2
0
0
5
4
/
1
8
/
2
0
0
5
7
/
1
8
/
2
0
0
5
1
0
/
1
8
/
2
0
0
5
1
/
1
8
/
2
0
0
6
4
/
1
8
/
2
0
0
6
7
/
1
8
/
2
0
0
6
1
0
/
1
8
/
2
0
0
6
1
/
1
8
/
2
0
0
7
4
/
1
8
/
2
0
0
7
(-1)*Randament 10 zile VaR GARCH
VaR GARCH analitic

Econo Metri Eban Car A

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Econo Metri Eban Car A

Încărcat de

Drepturi de autor:

Formate disponibile

ACADEMIA DE STUDII ECONOMICE

= n cazul n care abaterea medie ptratic a populaiei este

z , unde z reprezint valoarea critic iar nivelul de

. Conform tabelelor distribuiei t, valoarea critic

x este cea mai mic percentil a distribuiei ( ) , N .

Z este cea mai mic percentil a distribuiei normale standard.

Z este valoarea critic a distribuiei normale standard pentru nivel de relevan,

S-ar putea să vă placă și