ACADEMIA DE STUDII ECONOMICE

CATEDRA DE MONED

Programul de Master Specializat

Managementul Sistemelor Bancare

MODULUL: Econometrie

aplicat utiliznd EViews 5.1

NOTE DE CURS

Adrian Codirlau, CFA

Octombrie 2007

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 de evaluare a riscului de pia (Value at Risk).

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, James 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

Cuprins
CAPITOLUL I. SERII DE TIMP CAPITOLUL II. TESTE STATISTICE II.1. DISTRIBUII II.2. TESTAREA IPOTEZELOR II.3. TESTAREA MEDIEI II.4. TESTAREA VARIANEI CAPITOLUL III. ANALIZA SERIILOR DE TIMP N EVIEWS III.1. INTRODUCEREA SERIILOR N EVIEWS III.2. PRELUCAREA SERIILOR III.3. STAIONARITATEA SERIILOR DE TIMP III.4. DISTRIBUIA SERIILOR III.5. FUNCIA DE AUTOCORELAIE A SERIILOR DE TIMP III.6. TRENDUL SERIILOR DE TIMP III.7. AJUSTAREA SEZONIER A SERIILOR DE TIMP CAPITOLUL IV. REGRESIA LINIAR MULTIPL IV.1. FORMA GENERAL I IPOTEZE IV.2. TESTE STATISTICE SI INDICATORI AI REGRESIEI IV.3. REGRESII CU VARIABILE CALITATIVE IV.4. REGRESII CU SERII DE TIMP N EVIEWS IV.5. REGRESII CU SERII CROSSECIONALE I VARIABILE CALITATIVE N EVIEWS CAPITOLUL V. MODELE ARMA V. 1. PROCESE AR V. 2. PROCESE MA V. 3. PROCESE ARMA V. 4. ESTIMAREA MODELELOR ARMA N EVIEWS CAPITOLUL VI. MODELE CU DATE PANEL VI. 1. UTILIZAREA MODELELOR CU DATE PANEL VI. 2. ESTIMAREA MODELELOR CU DATE PANEL N EVIEWS CAPITOLUL VII. MODELE GARCH VII.1. TIPURI DE MODELE ARCH 5 8 8 14 17 18 20 20 22 23 30 33 35 37 41 41 42 44 45 57 60 60 61 61 63 76 76 76 85 85

VII.2. ESTIMAREA MODELELOR ARCH N EVIEWS CAPITOLUL VIII. MODELE VALUE AT RISK VIII.1. MSURA VAR VIII.2. VAR ANALITIC VIII.3. VAR CALCULAT PE BAZA SIMULRII MONTE CARLO VIII.4. VAR ISTORIC VIII.5. UTILIZAREA MODELELOR DE VOLATILITATE N CALCULUL VAR VIII.5.1. CALCULUL VAR UTILIZND EWMA VIII.5.2. CALCULUL VAR UTILIZND MODELE GARCH VIII.6.CALCULUL VAR PENTRU UN PORTOFOLIU DE ACIUNI

88 93 93 93 94 95 97 97 98 99

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:

s=

(y
i =1

y)

N 1

unde: N reprezint numrul de observaii din eantion, yi observaiile incluse n eantion, i = 1, N 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:

S=

1 N yi y ) , N i =1

unde: N reprezint numrul de observaii din eantion, yi observaiile incluse n eantion, i = 1, N y valoarea medie a eantionului,

 un estimator al deviaiei standard a seriei: =s

N 1 . N

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):

1 N y y K = i ) . N i =1
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.

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.

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 Pr (a x b ) =

f (x )dx , iar probabilitatea ca valoarea nregistrat

a

de variabila aleatoare s fie mai mica dect o valoare c este Pr (x c ) = Cele mai utilizate distribuii de probabilitate n econometrie sunt: Distribuia normal (sau Gaussian).
1 x
2

f (x )dx .

1 Ecuaia acestei distribuii este: f ( x ) = e 2 2

unde: reprezint media distribuiei,

abaterea medie ptratic a acesteia,

x variabila aleatoare,

3.14159

e 2.71828 .
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: x ~ N ( , 2 ) . 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:
1 f (x ) = e 2 x 2

1 ln( x )

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).

10

Numrul de grade de libertate este o msur a numrului de uniti de informaie independente pe baza cruia un parametru este estimat. Pentru un parametru (media, abaterea medie ptratic a unei distribuii, coeficientul unei variabile independente dintr-o ecuaie de regresie) numrul de grade de libertate este egal cu numrul observaiilor pe baza crora s-a realizat estimarea minus numrul de parametri adiionali calculai pentru estimarea acestui parametru. Dac z ~ N (0,1) i x ~ 2 [n] i x este independent de z, atunci raportul t = urmeaz o distribuie t cu n grade de libertate, t ~ t [n] . De asemenea, dac t ~ t [n] , atunci t 2 ~ F [1, n] . n graficul de mai jos sunt prezentate exemple de distribuii t funcie de numrul de grade de libertate, k.

z x n

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).

11

Dac z ~ N (0,1) , atunci x = z 2 ~ 2 [1], x este distribuit 2 cu un grad de libertate. Dac x1 , x2 ,..., xn sunt n variabile independente avnd fiecare o distribuie 2 [1] , atunci

x
i =1

~ [n] .

Proprieti Dac zi , i = 1,2,..., n sunt variabile independente care urmeaz distribuii

N (0,1) , atunci

z
i =1 n

2 i

~ 2 [n] ;

Dac zi , i = 1,2,..., n sunt variabile independente care urmeaz distribuii

z N (0, ) , atunci i ~ 2 [n] ; i =1 2 Dac x1 ~ [n1 ] i x2 ~ 2 [n2 ] sunt variabile independente, atunci x1 + x2 ~ 2 [n1 + n2 ] .
2

n graficul de mai jos sunt prezentate distribuii 2 funcie de numrul de grade de libertate, k.

12

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.

x1 n Dac x1 ~ 2 [n1 ] i x2 ~ 2 [n2 ] sunt variabile independente, atunci F = 1 ~ F [n1 , n2 ] . x2 n2

n graficul de mai jos sunt prezentate distribuii F funcie de numrul de grade de libertate, d1 i d 2 .

13

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. 1. Primul pas n testarea ipotezei este specificarea ipotezei nule i a ipotezei alternative. Ipoteza nul, notat cu H 0 , reprezint ipoteza ce este testat, iar ipoteza alternativ, notat cu H a , este ipoteza acceptat n cazul n care ipoteza nul este respins. Exemple de formulri de ipoteze: a) H 0 : x = x0 versus H a : x x0 ; b) H 0 : x x0 versus H a : x > x0 ; c) H 0 : x x0 versus H a : x < x0 . 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 x0 . 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 x0 . 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:

test _ statistic =

parametru _ esantion parametru _ populatie _ sub _ H 0 eroare _ std _ parametru

Astfel, dac media unui eantion cu n observaii extras dintr-o populaie este x , eroarea standard a mediei poate fi calculat prin dou metode:

14

fie ca x = cunoscut,

n cazul n care abaterea medie ptratic a populaiei este

sau ca s x =

s atunci cnd abaterea medie ptratic a populaiei nu este n

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 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.

15

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 z .
2

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 H 0 : = 0 versus H a : 0 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

0.05 = 0.025 trebuie luat n considerare 2

pentru fiecare coad a distribuiei pentru testarea ipotezei nule. Ca o consecin, cele dou puncte de respingere sunt z0.025 = 1.96 i z0.025 = 1.96 . Dac considerm z ca fiind valoarea calculat a testului statistic, atunci respingem ipoteza nul dac z < 1.96 sau z > 1.96 . Pentru testul H 0 : 0 versus H a : > 0 , la nivelul de relevan de 0.05, valoarea critic este z0.05 = 1.645 . Ipoteza nul se respinge dac z > 1.645 . Pentru testul H 0 : 0 versus H a : < 0 , la nivelul de relevan de 0.05, valoarea critic este z0.05 = 1.645 . Ipoteza nul este respins dac z < 1.645 . 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.

16

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:

test _ statistic =

parametru _ esantion parametru _ populatie _ sub _ H 0 . eroare _ std _ parametru

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

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 H 0 : = 1.10 versus ipoteza alternativ H a : 1.10 . 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, = t0.05, 23 . Conform tabelelor distribuiei t, valoarea critic valoarea critic este t
2 , n 1

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 t > 1.714 sau t < 1.714 .

17

Valoarea testului statistic este: t23 =

0 .4 1.5 1.10 = = 0.544331 . 3.60 0.734847 24

Deoarece 0.544331 nu satisface nici una din condiiile t > 1.714 sau t < 1.714 , 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 t sx ; x + t s x .

Astfel, pentru exemplul de mai sus, cu un nivel de relevan de 90 la sut, cele dou valori sunt 1.5 (1.714 0.734847 ) = 0.240472 i 1.5 + (1.714 0.734847 ) = 2.759528 . Astfel, intervalul de confiden al mediei, la un nivel de relevan de 90 la sut este [0.240472;2.759528] . 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.
2 valoarea cu care se compar variana Ca i n cazul testelor de medie, considernd 0

eantionului, 2 , ipotezele ce pot fi formulate pentru variana unei populaii sunt:

2 2 a) H 0 : 2 = 0 versus H a : 2 0 ;
2 2 b) H 0 : 2 0 versus H a : 2 > 0 ; 2 2 versus H a : 2 < 0 . c) H 0 : 2 0

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 =

(n 1)s 2 ,
02
n

cu n 1 grade de libertate.

s =
2

(x
i =1

x)

n 1

reprezint variana eantionului de date utilizat.

18

Dac alegem un nivel de relevan al testului, , punctele de respingere ale ipotezei nule pentru cele trei tipuri de teste sunt: 2 2 versus H a : 2 0 . Respingem ipoteza nul dac valoarea a) H 0 : 2 = 0 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

sau dac valoarea testului statistic este egal cu sau mai mic dect punctul cel mai la stnga (cel mai mic) b) H 0 :
2 2 0 2

a distribuiei, (notat cu 2 ).
1 2
2 0 .

versus H a : >

Respingem ipoteza nul dac valoarea

testului statistic este egal cu sau mai mare dect punctul cel mai la dreapta (cel mai mare) a distribuiei 2 cu n 1 grade de libertate.
2 2 versus H a : 2 < 0 . Respingem ipoteza nul dac valoarea c) H 0 : 2 0

testului statistic este egal cu sau mai mic dect punctul cel mai la stnga (cel mai mic) a distribuiei 2 cu n 1 grade de libertate. 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. n aceste condiii, ipoteza nul este

H 0 : 2 16 iar ipoteza alternativ este

H a : 2 < 16 .
Testul statistic folosit este testul 2 cu 24 1 = 23 grade de libertate. La = 0.05 , valoarea critic a testului este 13.091. Valoarea testului statistic este:

( n 1)s 2 =
02

23 3.6 2 298.08 = = = 18.63 16 42

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.

19

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.

20

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.

21

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 ( xt xt 1 ) 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 xt n . x(n) reprezint lead-ul n al seriei, adic observaia xt + n .

22

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.

23

Graficele celor dou serii (View/Graph/Line) sunt prezentate mai jos:

1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 500 1000 1500 L_EUR 2000 2500

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

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

Opiunile disponibile sunt: Test type: tipul testului de rdcin unitar (Augmented Dickey-Fuller, PhillipsPerron); Test unit root in: Level seria nivel (seria efectiv);

24

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 Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -0.981155 -3.962327 -3.411905 -3.127850 Prob.* 0.9448

Augmented Dickey-Fuller Test Equation Dependent Variable: D(L_EUR)

25

Method: Least Squares Date: 09/22/07 Time: 12:51 Sample (adjusted): 5 2148 Included observations: 2144 after adjustments Variable L_EUR(-1) D(L_EUR(-1)) D(L_EUR(-2)) D(L_EUR(-3)) C @TREND(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.000783 0.066581 -0.089595 -0.074095 0.002038 -6.76E-07 0.027608 0.025334 0.006129 0.080324 7883.739 1.995360 Std. Error 0.000798 0.021554 0.021512 0.021552 0.000567 3.97E-07 t-Statistic -0.981155 3.089033 -4.164953 -3.437954 3.593461 -1.702470 Prob. 0.3266 0.0020 0.0000 0.0006 0.0003 0.0888 0.000428 0.006209 -7.348637 -7.332769 12.14042 0.000000

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

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).

26

Testul ADF pentru dl_eur:

Null Hypothesis: D(L_EUR) has a unit root Exogenous: Constant Lag Length: 2 (Automatic based on SIC, MAXLAG=25) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -29.44682 -3.433203 -2.862686 -2.567426 Prob.* 0.0000

Augmented Dickey-Fuller Test Equation Dependent Variable: D(L_EUR,2) Method: Least Squares Date: 09/22/07 Time: 13:13 Sample (adjusted): 5 2148 Included observations: 2144 after adjustments Variable D(L_EUR(-1)) D(L_EUR(-1),2) D(L_EUR(-2),2) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.071989 0.147425 0.065175 0.000459 0.469264 0.468520 0.006159 0.081168 7872.542 1.994158 Std. Error 0.036404 0.029223 0.021560 0.000134 t-Statistic -29.44682 5.044887 3.023036 3.425652 Prob. 0.0000 0.0000 0.0025 0.0006 5.00E-06 0.008448 -7.340058 -7.329479 630.7120 0.000000

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

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.

27

Cele dou teste, pentru nivel i pentru prima diferen sunt:

Testul PP pentru l_eur:

Null Hypothesis: L_EUR has a unit root Exogenous: Constant, Linear Trend Bandwidth: 18 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -0.937060 -3.962321 -3.411902 -3.127848 Prob.* 0.9502

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

3.82E-05 3.09E-05

Phillips-Perron Test Equation Dependent Variable: D(L_EUR) Method: Least Squares Date: 09/22/07 Time: 13:21 Sample (adjusted): 2 2148 Included observations: 2147 after adjustments Variable L_EUR(-1) C Coefficient -0.000808 0.001905 Std. Error 0.000802 0.000568 t-Statistic -1.006972 3.355915 Prob. 0.3141 0.0008

28

@TREND(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

-5.70E-07 0.008674 0.007749 0.006184 0.081982 7874.342 1.866028

3.98E-07

-1.430085

0.1528 0.000427 0.006208 -7.332410 -7.324485 9.379616 0.000088

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

Testul PP pentru dl_eur:

Null Hypothesis: D(L_EUR) has a unit root Exogenous: Constant Bandwidth: 14 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -42.86625 -3.433200 -2.862685 -2.567426 Prob.* 0.0000

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

3.83E-05 3.20E-05

Phillips-Perron Test Equation Dependent Variable: D(L_EUR,2) Method: Least Squares Date: 09/22/07 Time: 13:27 Sample (adjusted): 3 2148 Included observations: 2146 after adjustments Variable D(L_EUR(-1)) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.925715 0.000394 0.462853 0.462603 0.006193 0.082240 7866.810 Std. Error 0.021537 0.000134 t-Statistic -42.98208 2.941322 Prob. 0.0000 0.0033 1.60E-07 0.008449 -7.329739 -7.324453 1847.459

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

29

Durbin-Watson stat

1.986885

Prob(F-statistic)

0.000000

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:
900 800 700 600 500 400 300 200 100 0 -0.050 -0.025 -0.000 0.025 0.050

Series: DL_EUR Sample 1 2500 Observations 2147 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.000427 -2.90e-05 0.068792 -0.051064 0.006208 0.857072 14.10991 11304.70 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

30

modelele de evaluare a preului i riscului activului respectiv pot genera erori dac presupun distribuia normal a acestuia. Jarque-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.

31

Theoretical Quantile-Quantile 12 8 Normal Quantile 4 0 -4 -8 -12 -.06 -.04 -.02

.00

.02

.04

.06

.08

DL_EUR

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

Graphs:

32

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

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.

33

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 X t i X t k este calculat dup cum urmeaz:

k = t = k +1

((X

X ) (X t k X )) nk

t =1

(X

X) n

unde: k reprezint coeficientul de corelaie de ordinul k; n numrul de observaii al seriei; X media seriei X t Coeficientul de autocorelie parial la lag-ul k reprezint coeficientul de regresie al lui X t k , atunci cnd X t este regresat funcie de X t k 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.

34

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.

35

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.
Hodrick-Prescott Filter (lambda=14400) 1.6 1.2 0.8 .10 .05 .00 -.05 500 1000 L_EUR 1500 Trend 2000 Cycle 2500 0.4 0.0

36

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:

80000 70000 60000 50000 40000 30000 98 99 00 01 02 03 GDP 04 05 06 07

37

De asemenea, sezonalitatea poate fi pus n eviden prin opiunea View/Graph/Seasonal Stacked Line apelat din fereastra seriei de timp analizate:
GDP by Season 80000 70000 60000 50000 40000 30000

Q1

Q2 GDP

Q3

Q4

Means 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).

38

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.

39

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

GDP_SA

GDP

40

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

Yt = b0 + b1 X 1t + b2 X 2t + ... + bk X kt + t

unde:

t = 1,2,..., n sunt observaiile din eantion, Yt observaia t a variabilei dependente, X j variabilele independente, j = 1,2,..., k ,
X jt observaia t a variabilei independente X j , b0 constanta (termenul liber al ecuaiei), b1 ,..., bk coeficienii variabilelor independente,

t termenul de eroare al ecuaiei.

Coeficientul variabilei independente arat cu ct se modific variabila dependent, Yt , atunci cnd variabila independent, X jt , 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, E ( t ) = 0 . 4. Variana termenului de eroare, t , este aceeai pentru toate observaiile,

E t2 = 2 . Aceste erori se numesc homoskedastice. Dac, n schimb, variana

( )

41

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, E ( t s ) = 0, s t . 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 Corelaie serial a erorilor Multicoliniaritate Erorile standard ale regresiei sunt incorecte Erorile standard ale regresiei sunt incorecte Valori mari ale lui R 2 i valori mici ale valorilor t-statistic ale coeficienilor variabilelor independente

IV.2. Teste statistice si indicatori ai regresiei

Abaterea ptratic total lui Yi , numit i variaia total, (total sum of squares, TSS) este calculat ca

(Y Y )
n i =1 i

Suma total a ptratelor erorilor regresiei, numit i variaia neexplicat (residual sum of

) , unde Y squares, sum of squared erros, SSE) se calculeaz ca (Y Y

n 2 i =1 i i

reprezint

valoarea lui Yi obinut conform rezultatelor regresiei (valoarea estimat a lui Yi ). Partea din abaterea ptratic total a lui Yi obinut din regresie, numit i variaia explicat (regression sum of squares, RSS) se calculeaz ca reprezint media lui Yi . ntre cele trei msuri exist relaia: TSS = SSE + RSS. Eroarea standard a estimrii, (standard error of estimate, SEE) reprezint eroarea standard a reziduului ecuaiei.

(Y Y ) , unde
n

i =1

SEE =

b X (Y b
n t =1 t 0 1

1t

X ... b X b 2 2t k kt

n (k + 1)

t =1

2 t

n (k + 1)

42

 reprezint x obinut din regresie (x estimat). unde x

Media ptratelor regresiei (mean regression sum of squares, MSR) se calculeaz ca

RSS , unde k este numrul variabilelor independente incluse n regresie. k

Media erorii ptratice (mean square error, MSE) se calculeaz ca

SSE . n (k + 1)

Similar cu testarea mediei unui eantion, coeficienii ecuaiei de regresie pot fi testai printr-un test t. Ipoteza nul a testului este bk = bk 0 , unde bk este coeficientul obinut din regresie iar bk 0 valoarea testat a coeficientului. Testul t se calculeaz conform relaiei:

t=

bk bk 0 , sbk

unde sbk 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:

RSS MSR k = F= SSE MSE n (k + 1)

Testul F are o distribuie F cu (k, n (k + 1)) grade de libertate.

43

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 R 2 . Acesta arat ct la sut din variana total a variabilei dependente este datorat variabilelor independente.

R 2 se calculeaz ca R 2 =

TSS SEE TSS

R 2 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, R 2 crete, dar n acelai timp se pierde un grad de libertate. De aceea, o msur mbuntit a lui R 2 este R 2 ajustat ( R 2 ), acesta innd cont de numrul de variabile independente incluse n regresie. Formula de calcul a lui R 2 este

n 1 2 R 2 = 1 1 R , nk

unde: n reprezint numrul de observaii, k numrul de variabile independente incluse n regresie. Astfel, atunci cnd sunt introduse variabile independente suplimentare n regresie, R 2 poate s creasc, dar R 2 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.

44

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.

45

Rezultatul ecuaiei este:

Dependent Variable: DLN_TLV Method: Least Squares Date: 09/24/07 Time: 21:06 Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Variable C DL_BET R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.001601 0.521952 0.074845 0.074402 0.028912 1.745314 4441.363 2.186437 Std. Error 0.000635 0.040160 t-Statistic 2.520559 12.99691 Prob. 0.0118 0.0000 0.002376 0.030051 -4.248194 -4.242792 168.9196 0.000000

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

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 R 2 i R 2 , prezentate anterior.

46

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 R 2 i R 2 (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.

47

.6 .4 .2 .6 .4 .2 .0 -.2 -.4 250 500 750 1000 1250 1500 1750 2000 Actual Fitted .0 -.2 -.4

Residual

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).

48

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).

49

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.

50

1000 800 600 400 200 0 -0.25 -0.00 0.25

Series: Residuals Sample 2 2091 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 6.64e-20 -0.000847 0.474478 -0.265550 0.028905 4.453284 93.72818 723743.4 0.000000

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).

51

Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 29.24197 84.38578 Prob. F(3,2085) Prob. Chi-Square(3) 0.000000 0.000000

Test Equation: Dependent Variable: RESID Method: Least Squares Date: 09/24/07 Time: 22:31 Sample: 2 2091 Included observations: 2090 Presample missing value lagged residuals set to zero. Variable C DL_BET RESID(-1) RESID(-2) RESID(-3) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -3.51E-05 0.021783 -0.124563 -0.131478 -0.133612 0.040376 0.038535 0.028342 1.674845 4484.431 1.997878 Std. Error 0.000623 0.039474 0.021741 0.021684 0.021736 t-Statistic -0.056369 0.551838 -5.729423 -6.063482 -6.146925 Prob. 0.9551 0.5811 0.0000 0.0000 0.0000 6.64E-20 0.028905 -4.286537 -4.273032 21.93148 0.000000

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

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).

52

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

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 09/24/07 Time: 22:44 Sample (adjusted): 5 2091 Included observations: 2087 after adjustments Variable C RESID^2(-1) RESID^2(-2) RESID^2(-3) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.000618 0.143865 0.069810 0.037151 0.032019 0.030625 0.007919 0.130634 7138.545 1.998429 Std. Error 0.000176 0.021895 0.022066 0.021881 t-Statistic 3.522445 6.570647 3.163664 1.697844 Prob. 0.0004 0.0000 0.0016 0.0897 0.000826 0.008043 -6.837130 -6.826314 22.96701 0.000000

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

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.

53

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:

WT =

wt , t = k + 1, k + 2,..., T , t = k +1 s

unde: WT reprezint suma cumulativ a erorilor recursive pentru primele T observaii;

wt 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.

54

150 100 50 0 -50 -100 -150 250 500 750 1000 1250 1500 1750 2000 5% Significance

CUSUM

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.
1.2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 250 500 750 1000 1250 1500 1750 2000 CUSUM of Squares 5% Significance

Recursive Coefficients prezint coeficienii ecuaiei de regresie calculai recursiv.

55

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.
.008 .004 .000 -.004 -.008 -.012 -.016 -.020 -.024 -.028 250 500 750 1000 1250 1500 1750 2000 Recursive C(1) Estimates 2 S.E.

2.0 1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 250 500 750 1000 1250 1500 1750 2000 Recursive C(2) Estimates 2 S.E.

56

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 ani1 emise de rile n curs de dezvoltare, au fost estimate dou ecuaii de regresie pe un eantion de 382 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 contului curent, calculat ca pondere n PIB, pentru anii 2004 i 2005 pentru aceste ri, (CA05+CA04)/2; - 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 spreadului 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 spreadului n anul 2006 inferioar celorlalte ari n curs de dezvoltare. Rezultatele econometrice sunt prezentate n tabelul de mai jos.

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

57

Dependent Variable: S_30DEC30JUN Method: Least Squares Sample (adjusted): 1 38 Included observations: 38 after adjustments Variable (CA05+CA04)/2 (BGBAL05+BGBAL04)/2 C DUMMY_DEBT DUMMY_LATAM R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.055125 -4.171597 -20.53730 31.00363 -51.07850 0.496125 0.435049 36.56759 44127.21 -188.0073 2.209404 Std. Error 0.882112 2.120765 10.84948 13.34970 14.70051 t-Statistic -2.329777 -1.967025 -1.892930 2.322420 -3.474608 Prob. 0.0261 0.0576 0.0672 0.0265 0.0015 -9.815789 48.65091 10.15828 10.37375 8.123107 0.000113

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

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.

58

Dependent Variable: S_30DEC30SEP Method: Least Squares Sample (adjusted): 1 38 Included observations: 38 after adjustments Variable Coefficient Std. Error 1.689682 4.062315 20.78213 25.57130 28.15876 t-Statistic 0.093693 -0.365702 -0.054496 0.277012 -2.250036 Prob. 0.9259 0.7169 0.9569 0.7835 0.0312 -10.10526 72.22816 11.45823 11.67371 1.585581 0.201263

(CA05+CA04)/2 0.158311 (BGBAL05+BGBAL04)/2 -1.485595 C -1.132544 DUMMY_DEBT 7.083560 DUMMY_LATAM -63.35821 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.161209 0.059537 70.04505 161908.2 -212.7064 1.891845

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

59

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, Yt , urmeaz un proces AR(p) dac este ndeplinit condiia:

Yt = 0 + iYt i + t ,
unde t ~ N (0, 2 ) serie staionar, E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s n aceast ecuaie, p valori anterioare ale lui Y sunt folosite pentru a prognoza valoarea curent. Polinomul caracteristic ataat procesului AR(p) este: P ( ) = 0 p 1 p 1 2 p 2 ... p . 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 Yt = 0 +
i =1

( )

Y
i =1

i t i

+ t , pentru = 0

i Yt = Yt 1 = ... = Yt p = Y . 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: Yt = Yt 1 + t ,

unde t ~ N (0, 2 ) serie staionar, E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s .

( )

60

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 t = Yt Yt 1 (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: unde t ~ N (0, 2 ) , E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s .

Yt = 0 + Yt 1 + t ,

( )

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 Yt este urmeaz un proces medie mobil de ordinul q , dac este definit prin egalitatea:

unde t ~ N (0, 2 ) serie staionar, E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s .

Yt = t 1 t 1 ... q t q ,

( )

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:

61

Yt = 0 + iYt i + t + i t i ,
unde t ~ N (0, 2 ) serie staionar, E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s . 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 R 2 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.
i =1 i =1

( )

62

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:
250 200 150 100 50 0 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 Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -5.024900 -4.031899 -3.445590 -3.147710 Prob.* 0.0003

Augmented Dickey-Fuller Test Equation Dependent Variable: D(BUBOR)

63

Method: Least Squares Sample (adjusted): 1997M02 2007M08 Included observations: 127 after adjustments Variable BUBOR(-1) C @TREND(1997M01) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.328208 33.57762 -0.303782 0.169420 0.156024 19.33121 46338.27 -554.8257 1.581948 Std. Error 0.065316 7.478112 0.074919 t-Statistic -5.024900 4.490120 -4.054833 Prob. 0.0000 0.0000 0.0001 -0.383937 21.04233 8.784657 8.851843 12.64663 0.000010

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

Testul de staionaritate PP
Null Hypothesis: BUBOR has a unit root Exogenous: Constant, Linear Trend Bandwidth: 3 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -5.437216 -4.031899 -3.445590 -3.147710 Prob.* 0.0001

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

364.8682 462.5140

Phillips-Perron Test Equation Dependent Variable: D(BUBOR) Method: Least Squares Sample (adjusted): 1997M02 2007M08 Included observations: 127 after adjustments Variable BUBOR(-1) Coefficient -0.328208 Std. Error 0.065316 t-Statistic -5.024900 Prob. 0.0000

64

C @TREND(1997M01) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

33.57762 -0.303782 0.169420 0.156024 19.33121 46338.27 -554.8257 1.581948

7.478112 0.074919

4.490120 -4.054833

0.0000 0.0001 -0.383937 21.04233 8.784657 8.851843 12.64663 0.000010

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

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

65

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), 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.
2

i R ,

66

Estimarea modelului MA

Specificaia modelului este MA(4).

Dependent Variable: BUBOR Method: Least Squares Sample (adjusted): 1997M01 2007M08 Included observations: 128 after adjustments Convergence achieved after 15 iterations Backcast: 1996M09 1996M12 Variable C MA(1) MA(2) MA(3) MA(4) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted MA Roots Coefficient 41.54023 0.734234 0.495279 0.863535 0.804961 0.838087 0.832822 17.24715 36588.11 -543.5728 1.582016 .42-.90i Std. Error 5.901126 0.051566 0.026993 0.025672 0.050194 t-Statistic 7.039374 14.23862 18.34853 33.63763 16.03709 Prob. 0.0000 0.0000 0.0000 0.0000 0.0000 43.94414 42.18206 8.571450 8.682858 159.1672 0.000000 -.78-.45i

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) .42+.90i -.78+.45i

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

67

Rdcinile polinomului caracteristic pot fi reprezentate att ca tabel ct i grafic.

Inverse Roots of AR/MA Polynomial(s) 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 Included observations: 128 MA Root(s) 0.416806 0.900818i -0.783923 0.450021i Modulus 0.992572 0.903910 Cycle 5.524002 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.

68

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

69

Estimarea modelului AR

Specificaia modelului este AR(1)

Dependent Variable: BUBOR Method: Least Squares Sample (adjusted): 1997M02 2007M08 Included observations: 127 after adjustments Variable C BUBOR(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 4.985180 0.878633 0.767617 0.765758 20.49047 52482.45 -562.7322 1.709848 Std. Error 2.639138 0.043240 t-Statistic 1.888943 20.32007 Prob. 0.0612 0.0000 43.85480 42.33696 8.893420 8.938210 412.9052 0.000000

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

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.

70

250 200 150 100 150 100 50 0 -50 -100 97 98 99 00 01 02 03 04 05 06 07 Residual Actual Fitted 50 0

Estimarea modelului ARMA

Specificaia modelului este ARMA(1,10)

Dependent Variable: BUBOR Method: Least Squares Sample (adjusted): 1997M02 2007M08 Included observations: 127 after adjustments Convergence achieved after 21 iterations Backcast: 1996M04 1997M01 Variable BUBOR(-1) MA(5) MA(6) MA(7) MA(10) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Inverted MA Roots Coefficient 0.974210 -0.243541 -0.226437 -0.332302 0.476373 0.867500 0.863156 15.66150 29924.46 -527.0577 .88+.16i -.02-.90i -.89+.33i Std. Error 0.017718 0.056540 0.055472 0.055472 0.060775 t-Statistic 54.98466 -4.307386 -4.081987 -5.990446 7.838351 Prob. 0.0000 0.0000 0.0001 0.0000 0.0000 43.85480 42.33696 8.378862 8.490837 2.297258 .56-.83i -.53-.73i

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat .88-.16i -.02+.90i -.89-.33i .56+.83i -.53+.73i

71

Conform rezultatelor statistice, modulul rdcinilor polinomului caracteristic este mai mic dect 1, i ca urmare ecuaia este stabil.

Inverse Roots of AR/MA Polynomial(s) 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 BUBOR(-1) MA(5) MA(6) MA(7) MA(10) Sample: 1997M01 2007M12 Included observations: 127 MA Root(s) 0.558806 -0.890402 -0.528267 -0.022438 0.882301 0.826275i 0.332511i 0.734115i 0.897521i 0.159193i Modulus 0.997494 0.950463 0.904428 0.897802 0.896548 Cycle 6.436651 2.256737 2.863081 3.937348 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.

72

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

Residual

Actual

Fitted

Indicatorii statistici pentru cele trei specificaii de modele sunt prezentai in tabelul de mai jos. MA(4)
Adjusted R-squared Akaike info criterion Schwarz criterion 0.832822 8.571450 8.682858

AR(1)
0.765758 8.893420 8.938210

ARMA(1,10)
0.863156 8.378862 8.490837

73

Conform tuturor celor trei criterii (cea mai mare valoare a R 2 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.

74

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

2007M10

2007M11 BUBORF

2007M12

75

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 spreadurile 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.

76

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

77

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.

78

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.

Opiunile disponibile sunt: 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:

79

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 Sample (adjusted): 2005M01 2005M07 Included observations: 7 after adjustments Cross-sections included: 13 Total pool (unbalanced) observations: 84 Variable C A_INFL_24?(-1) ABS(D(RN_BNR(-2))) DOB_RMO(-1) Fixed Effects (Cross) _01--C _02--C _03--C _04--C _05--C _06--C _07--C _08--C _09--C _10--C _11--C _12--C _13--C Coefficient 6.765733 1.656481 0.479254 -0.815756 3.516078 0.905852 -4.735097 0.278803 2.714437 -4.188903 -4.893096 -1.829393 -0.853592 4.154242 0.885616 3.170805 4.375301 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.734933 0.676462 2.221790 335.6718 -177.3742 1.527998 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 14.42240 3.906075 4.604147 5.067159 12.56926 0.000000 Std. Error 4.985221 0.914590 0.160356 0.218100 t-Statistic 1.357158 1.811172 2.988678 -3.740277 Prob. 0.1792 0.0745 0.0039 0.0004

80

Persoane juridice
Dependent Variable: ACT_PJ?-RN_BNR Method: Pooled Least Squares Sample (adjusted): 2005M01 2005M07 Included observations: 7 after adjustments Cross-sections included: 13 Total pool (unbalanced) observations: 84 Variable C A_INFL_24?(-1) ABS(D(RN_BNR(-2))) DOB_RMO(-1) Fixed Effects (Cross) _01--C _02--C _03--C _04--C _05--C _06--C _07--C _08--C _09--C _10--C _11--C _12--C _13--C Coefficient 0.913003 1.448644 0.454094 -0.355659 -5.443339 2.078863 -1.012100 -0.762182 2.232951 -5.844925 1.399169 3.272944 1.465961 -0.405522 -1.299828 1.946907 4.696545 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.762877 0.710571 1.707752 198.3165 -155.2708 1.666125 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 8.847317 3.174343 4.077877 4.540889 14.58477 0.000000 Std. Error 3.831831 0.702989 0.123256 0.167640 t-Statistic 0.238268 2.060692 3.684154 -2.121559 Prob. 0.8124 0.0432 0.0005 0.0375

81

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? Method: Pooled Least Squares Sample (adjusted): 2005M01 2005M07 Included observations: 7 after adjustments Cross-sections included: 13 Total pool (unbalanced) observations: 84 Variable C RN_1W_12?(-1) A_INFL_12_DEV(-1) D(RN_BNR(-1)) Fixed Effects (Cross) _01--C _02--C _03--C _04--C _05--C _06--C _07--C _08--C _09--C _10--C Coefficient -1.337440 0.141256 3.914145 0.850040 3.131380 2.789540 -1.556827 0.639623 1.432939 2.100246 -0.007815 0.166481 -1.142894 -2.221507 Std. Error 1.035142 0.049085 2.020029 0.102701 t-Statistic -1.292036 2.877769 1.937667 8.276861 Prob. 0.2007 0.0053 0.0568 0.0000

82

_11--C _12--C _13--C

-3.607794 -1.586480 -2.490128 Effects Specification

Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.875738 0.848327 0.984416 65.89703 -108.9965 1.812217 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 1.062269 2.527695 2.976106 3.439119 31.94872 0.000000

Persoane juridice
Dependent Variable: RN_BNR-PAS_PJ? Method: Pooled Least Squares Sample (adjusted): 2005M01 2005M07 Included observations: 7 after adjustments Cross-sections included: 13 Total pool (unbalanced) observations: 84 Variable C RN_1W_12?(-1) A_INFL_12_DEV(-1) D(RN_BNR(-1)) Fixed Effects (Cross) _01--C _02--C _03--C _04--C _05--C _06--C _07--C _08--C _09--C _10--C _11--C _12--C _13--C Coefficient -3.231045 0.441803 7.083072 0.943739 -0.256768 1.184713 -1.211410 0.113818 1.972395 -1.387390 2.614700 -0.363632 -0.560105 -0.916297 -0.282755 -1.574537 0.080688 Effects Specification Std. Error 0.898741 0.042617 1.753850 0.089168 t-Statistic -3.595079 10.36672 4.038586 10.58385 Prob. 0.0006 0.0000 0.0001 0.0000

83

Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.844103 0.809714 0.854699 49.67468 -97.12734 1.970847 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 3.770087 1.959340 2.693508 3.156521 24.54573 0.000000

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.

84

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:

rt = 0 + 1,i Li rt + 2, j Lj t + t
i =1 j =1

t N (0, ht )
ht = 0 + 1,i L ht + 2, j L j t2
i i =1 j =1 p q

unde: rt este un proces ARMA(m,n) sau un model Random Walk (atunci cnd 1,i = 0, i = 1, m , si 2, j = 0, j = 1, n );

ht (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

i =1

1, i

+ 2,i < 1
j =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.

85

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 =

ht vt unde vt este independent i identic distribuit cu media zero

i dispersia 1 i ht ndeplinete specificaia GARCH(p,q): , adugnd t la ambii termeni ai ecuaiei i scriind i = i i rezult

ht = k + 1ht 1 + 2 ht 2 + ... + p ht p + 1 t21 + 2 t2 2 + ... + q t2 q

t2 = k + (1 + 1 ) t21 + ( 2 + 2 ) t2 2 + ... + ( r + r ) t2 r + wt 1wt 1 2 wt 2 ... q wt q

unde wt = t2 ht
2 t

p = max{p, q} . ht este valoarea prognozat pentru t iar

wt = ht este eroarea asociat acestei prognoze.

Rezult c t urmeaz un proces ARMA. Acest proces ARMA va avea un unit root dac

+
i =1 i j =1

= 1.

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 t2 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 rt este descompus ntr-o component anticipat de ageni la momentul t 1 (notata t ) i o componenta neanticipat (notata

t ), atunci:

86

rt = t + t .
n plus, teoria sugereaz faptul c randamentul mediu ( t ) este corelat cu variana sa ( ht ). Modelul ARCH-M, introdus de Engle, Lilien i Robins (1987) este obinut prin introducerea n ecuaia randamentelor a varianei sau a deviaiei standard condiionate ( ht sau ht ). Efectul perceperii unui risc ridicat este cuantificat de coeficientul lui ht din ecuaia randamentului ( ):

rt = 0 + 1,i Li rt + 2, j Lj t + ht + t .
i =1 j =1

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)):

ht = 0 + 1,i Li ht + 2, j L j t2 + t21d t 1 ,
i =1 j =1

unde d t = 1 daca t < 0 i d t = 0 n caz contrar. n acest model, vetile bune ( t < 0 ) i vestile rele ( t > 0 ) au efecte diferite asupra 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: varianei condiionate vetile bune au un impact de 1 n timp ce vetile rele au un

log(ht ) = + log(ht 1 ) +

t 1
ht 1

t 1
ht 1

87

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, ln xt ln xt 1 ) 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.

88

Opiunile disponibile sunt: 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 Sample (adjusted): 2 2148 Included observations: 2147 after adjustments Convergence achieved after 19 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) Coefficient C 0.000198 Std. Error 8.77E-05 z-Statistic 2.260467 Prob. 0.0238

Variance Equation

89

C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

2.50E-07 0.138819 0.868095 -0.001355 -0.002757 0.006216 0.082811 8289.659

5.08E-08 0.009128 0.008286

4.926018 15.20872 104.7609

0.0000 0.0000 0.0000 0.000427 0.006208 -7.718359 -7.707792 1.848831

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

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) Sample (adjusted): 2 2148 Included observations: 2147 after adjustments Convergence achieved after 25 iterations Variance backcast: ON 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)) Coefficient @SQRT(GARCH) C 0.112635 -0.000457 Std. Error 0.039554 0.000156 z-Statistic 2.847620 -2.932430 Prob. 0.0044 0.0034

Variance Equation C(3) C(4) C(5) C(6) C(7) GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid -0.284286 0.399824 -0.170567 -0.026267 0.989348 1.293394 0.002000 -0.001266 0.006212 0.082534 0.056336 0.049811 0.049394 0.013602 0.004282 0.047198 -5.046247 8.026844 -3.453202 -1.931131 231.0737 27.40373 0.0000 0.0000 0.0006 0.0535 0.0000 0.0000 0.000427 0.006208 -7.788111 -7.766977

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion

90

Log likelihood Durbin-Watson stat

8368.537 1.855328

F-statistic Prob(F-statistic)

0.612409 0.746122

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.

91

Volatilitatea (msurat prin abaterea medie ptratic) a cursului EUR/RON este prezentat n graficul de mai jos.

.028 .024 .020 .016 .012 .008 .004 .000 250 500 750 1000 1250 1500 1750 2000 Conditional standard deviation

92

Capitolul VIII. Modele Value at Risk

VIII.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.

VIII.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 : R ~ N ( , ) .

Dac valoarea prezent a portofoliului este S, VaR-ul pentru orizontul de h zile, cu nivelul de relevan 100(1 )% este: unde x este cea mai mic percentil a distribuiei N ( , ) . Folosind transformarea normal, putem scrie Z =

VaRh , = x S ,

(x ) , de unde rezult:

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

93

Din cele dou relaii de mai sus rezult: VaR = (Z + )S . 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).

VIII.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:

dS = dt + dW , S
unde : este randamentul ateptat pe unitatea de timp,

este volatilitatea cursului spot al aciunii,

dW este un proces Wiener, care poate fi scris dW = (dt ) 2 , unde este o variabil aleatoare i are o distribuie normal standard. Substituind pentru dW se obine:
1 dS = dt + (dt )2 . S
1

Randamentul instantaneu al preului aciunii,

termenul aleatoriu . n practic, n general se folosete modelul n timp discret. Astfel,

dS , evolueaz funcie de trend, dt i de S

dac t reprezint frecvena de timp la care se msoar randamentul preului aciunii, atunci,

94

S = t + t , S
unde S reprezint modificarea preului aciunii n intervalul de timp t , iar reprezint randamentul aciunii n timp discret.

S S

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 ( t =

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 subperioadele 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.

T ). Considerm N

VIII.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

95

pentru fiecare interval T. Dac ri , t este randamentul activului i pentru sub-perioada t, i

Ai este suma investit n activul i, atunci P/L-ul simulat pentru portofoliul curent n subperioada t este:

(P / L )t = Ai ri ,t .
i =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 ri , t randamentul istoric al activului i n ziua t, i , t volatilitatea prognozat n ziua t - 1 a randamentului activului i pentru ziua t i

i ,T cea mai recent prognoz a volatilitii activului i, randamentele efective ri ,t sunt

nlocuite cu randamentele ajustate funcie de volatilitate, ri* ,t :

ri* ,t =

i ,T r . i ,t i ,t

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:

96

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.

VIII.5. Utilizarea modelelor de volatilitate n calculul VaR VIII.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 t , depinde (este o media ponderat a) de randamentul anterior i de curent, volatilitatea anterioar:

t2 = (1 )rt 2 2 1 + t 1
unde reprezint o constant de ponderare, rt 1 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: 12,t = (1 )r1,t 1r2,t 1 + 12,t 1 , unde: 12,t reprezint covariana dintre activele 1 i 2,

r1,t 1 i r2,t 1 reprezint randamentele celor dou active n perioada anterioar.

97

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:

VaR , h = Z P

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:

= w'Vw
unde:

w = (w1 , w2 ,...wn ) 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:

= (1 , 2 ,... n ) 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.

VIII.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

250 i se extrage rdcina ptrat. 10

98

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: ij ,t +1 = ij i ,t +1 j ,t +1 , unde:

ij ,t +1 reprezint covariana dintre cele dou active i i j, ij coeficientul de corelaie dintre cele dou active, i ,t +1 i j ,t +1 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.

VIII.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).

99

Testul de staionaritate ADF t-statistic -45.0283 -27.9898 -45.7567 -31.7558 -36.4676 -11.4080 Probabilitate asociat 0.0001 0.0000 0.0001 0.0000 0.0000 0.0000

ATB IMP TBM TLV BET Portofoliu

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

100

Testul Jarque-Berra ATB

1400 1200 1000 800 600 400 200 0 -0.0 0.5 1.0 1.5
1200

IMP
Series: DLN_ATB Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.002217 0.000000 1.579562 -0.162751 0.046814 18.17779 619.4992 33212976 0.000000
1000 800 600 400 200 0 -0.2 -0.1 -0.0 0.1 0.2 Series: DLN_IMP Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.001208 0.000000 0.241944 -0.270620 0.040241 -0.370415 12.44658 7818.918 0.000000

TBM
1400 1200 1000 800 600 400 200 0 -0.0 0.5 1.0 1.5
1400

TLV
Series: DLN_TBM Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.001890 0.000000 1.798494 -0.184093 0.051122 20.74361 732.6264 46509111 0.000000
1200 1000 800 600 400 200 0 -0.25 -0.00 0.25 Series: DLN_TLV Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.002376 0.000000 0.474894 -0.262364 0.030051 3.754518 77.53756 488732.0 0.000000

Portofoliu
1000 800 600 400 200 0 -0.000 0.125 0.250 0.375 0.500 Series: DLN_PORTOFOLIU Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.001923 0.001221 0.487856 -0.099785 0.023377 6.518779 132.5431 1476185. 0.000000

101

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 ATB IMP TBM TLV BET Portofoliu 0.0022 0.0012 0.0019 0.0024 0.0015 0.0019 Deviaie Asimetrie Kurtotic standard 0.0468 18.1778 619.4992 0.0402 -0.3704 12.4466 0.0511 20.7436 732.6264 0.0301 3.7545 77.5376 0.0158 -0.0568 9.0518 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).

102

Evoluia randamentelor zilnice ale aciunilor i a portofoliului

DLN_ATB
1.6 1.2 0.8 .0 0.4 -.1 0.0 -0.4 250 500 750 1000 1250 1500 1750 2000 -.2 -.3 250 500 .3 .2 .1

DLN_IMP

750 1000 1250 1500 1750 2000

DLN_TBM
2.0 1.6 1.2 0.8 0.4 0.0 -0.4 250 500 750 1000 1250 1500 1750 2000 .5 .4 .3 .2 .1 .0 -.1 -.2 -.3 250 500

DLN_TLV

750 1000 1250 1500 1750 2000

DL_BET
.12 .08 .04 .00 -.04 -.08 -.12 -.16 250 500 750 1000 1250 1500 1750 2000 .5 .4 .3 .2 .1 .0 -.1 -.2 250 500

DLN_PORTOF

750 1000 1250 1500 1750 2000

103

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 VaR = 2.32635 p 10 . 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 t2 = (1 )rt 2 2 1 + t 1 , 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.

104

Volatilitatea zilnic a seriilor de cursuri de schimb i a portofoliului calculat pe baza metodologiei EWMA
EWMA_ATB
.4 .10 .08 .06 .2 .04 .1 .02 .00 250 500 750 1000 1250 1500 1750 2000 250 500 750 1000 1250 1500 1750 2000

EWMA_IMP

.3

.0

EWMA_TBM
.5 .4 .3 .2 .1 .0 250 500 750 1000 1250 1500 1750 2000 .14 .12 .10 .08 .06 .04 .02 .00 250 500

EWMA_TLV

750 1000 1250 1500 1750 2000

EWMA_PORTOFOLIU
.14 .12 .10 .08 .06 .04 .02 .00 250 500 750 1000 1250 1500 1750 2000

105

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:

VaREWMA = 2.32635 p _ EWMA 10 ,

unde p _ EWMA 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 Method: ML - ARCH (Marquardt) - Generalized error distribution (GED) Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Convergence achieved after 369 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) Coefficient C 4.80E-06 Std. Error 0.000448 z-Statistic 0.010706 Prob. 0.9915

Variance Equation C RESID(-1)^2 GARCH(-1) GED PARAMETER R-squared Adjusted R-squared 0.000259 0.565227 0.202583 1.201038 -0.002234 -0.004157 1.74E-05 0.063491 0.030073 0.016458 14.88917 8.902477 6.736352 72.97498 0.0000 0.0000 0.0000 0.0000 0.002217 0.046814

Mean dependent var S.D. dependent var

106

S.E. of regression Sum squared resid Log likelihood

0.046911 4.588325 4767.244

Akaike info criterion Schwarz criterion Durbin-Watson stat

-4.557171 -4.543667 1.966671

IMP TARCH(1,1,1)
Dependent Variable: DLN_IMP Method: ML - ARCH (Marquardt) - Generalized error distribution (GED) Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Failure to improve Likelihood after 20 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0) + C(5)*GARCH(-1) Coefficient C 6.55E-07 Std. Error 0.000263 z-Statistic 0.002493 Prob. 0.9980

Variance Equation C 6.59E-05 RESID(-1)^2 0.236443 RESID(-1)^2*(RESID(-1)<0) -0.174430 GARCH(-1) 0.779160 GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 0.863561 -0.000901 -0.003303 0.040308 3.385916 4703.426 1.17E-05 0.041600 0.041201 0.021360 0.032980 5.626147 5.683800 -4.233653 36.47797 26.18441 0.0000 0.0000 0.0000 0.0000 0.0000 0.001208 0.040241 -4.495144 -4.478939 1.804807

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

TBM TARCH(1,1,1)
Dependent Variable: DLN_TBM Method: ML - ARCH (Marquardt) - Generalized error distribution (GED) Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Convergence achieved after 31 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0) + C(5)*GARCH(-1) Coefficient Std. Error z-Statistic Prob.

107

1.42E-05

0.000505

0.028193

0.9775

Variance Equation C 0.000224 RESID(-1)^2 0.219177 RESID(-1)^2*(RESID(-1)<0) -0.088261 GARCH(-1) 0.438176 GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 1.201112 -0.001346 -0.003749 0.051217 5.466790 4854.968 1.77E-05 0.030526 0.031463 0.035206 0.012932 12.65842 7.180124 -2.805261 12.44611 92.87931 0.0000 0.0000 0.0050 0.0000 0.0000 0.001890 0.051122 -4.640161 -4.623955 2.000499

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

TLV GARCH(1,1)
Dependent Variable: DLN_TLV Method: ML - ARCH (Marquardt) - Generalized error distribution (GED) Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Convergence achieved after 112 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) Coefficient C 2.24E-06 Std. Error 0.000313 z-Statistic 0.007136 Prob. 0.9943

Variance Equation C RESID(-1)^2 GARCH(-1) GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 8.81E-05 0.280243 0.444706 1.092402 -0.006242 -0.008172 0.030174 1.898285 5296.818 8.79E-06 0.021989 0.030250 0.010476 10.02665 12.74448 14.70095 104.2764 0.0000 0.0000 0.0000 0.0000 0.002376 0.030051 -5.063941 -5.050436 2.096818

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

108

Portofoliu EGARCH(1,1)
Dependent Variable: DLN_PORTOFOLIU Method: ML - ARCH (Marquardt) - Generalized error distribution (GED) Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Convergence achieved after 38 iterations Variance backcast: ON LOG(GARCH) = C(2) + C(3)*ABS(RESID(-1)/@SQRT(GARCH(-1))) + C(4)*LOG(GARCH(-1)) Coefficient C 0.001263 Std. Error 0.000241 z-Statistic 5.230850 Prob. 0.0000

Variance Equation C(2) C(3) C(4) GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood -0.494389 0.305973 0.966439 1.069191 -0.000797 -0.002717 0.023409 1.142504 5673.357 0.057658 0.032896 0.005821 0.027914 -8.574443 9.301278 166.0242 38.30279 0.0000 0.0000 0.0000 0.0000 0.001923 0.023377 -5.424265 -5.410760 1.836015

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

Volatilitatea pentru un orizont de 10 zile a fost calculat ca radical din suma varianelor la momentele t , t + 1,..., t + 9 . 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: VaR = 2.32535 ARCH , unde ARCH reprezint volatilitatea portofoliului calculat prin modele GARCH, pentru un orizont de 10 zile.

109

Volatilitatea cursurilor aciunilor i a portofoliului calculat prin modele GARCH

STDEV_ARCH_ATB
1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 250 500 750 1000 1250 1500 1750 2000 .40 .35 .30 .25 .20 .15 .10 .05 250 500 750 1000 1250 1500 1750 2000

STDEV_ARCH_IMP

STDEV_ARCH_TBM
1.2 1.0 0.8 0.6 0.4 0.2 0.0 250 500 750 1000 1250 1500 1750 2000 .40 .35 .30 .25 .20 .15 .10 .05 .00 250

STDEV_ARCH_TLV

500

750 1000 1250 1500 1750 2000

STDEV_ARCH_PORTOFOLIU
.5 .4 .3 .2 .1 .0 250 500 750 1000 1250 1500 1750 2000 .36 .32 .28 .24 .20 .16 .12 .08 .04 .00

STDEV_ARCH_PORTOFOLIU_AN

250

500

750 1000 1250 1500 1750 2000

110

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.

111

0.0

0.2

0.4

0.6

0.8

1.0

1.2

-0.8

-0.6

-0.4

1/18/1999

4/18/1999

7/18/1999

10/18/1999

1/18/2000

4/18/2000

VaR GARCH analitic

7/18/2000

(-1)*Randament 10 zile

10/18/2000

1/18/2001

4/18/2001

7/18/2001

10/18/2001

VaR GARCH

1/18/2002

4/18/2002

7/18/2002

10/18/2002

1/18/2003

4/18/2003

7/18/2003

10/18/2003

1/18/2004

VaR istoric

4/18/2004

7/18/2004

10/18/2004

(-1)*Randament 10 zile

1/18/2005

4/18/2005

7/18/2005

Msurile VaR calculate pe baz de modele GARCH

10/18/2005

1/18/2006

VaR analitic

VaR EWMA

4/18/2006

7/18/2006

Msurile VaR bazat pe mapare a poziiilor, istoric, analitic i EWMA

10/18/2006

1/18/2007

4/18/2007

-0.2

-0.8 0.2 0.4 0.6 0.8 1.2 0 1 12/22/1999 3/22/2000 6/22/2000 9/22/2000 12/22/2000 3/22/2001 6/22/2001 9/22/2001 12/22/2001 3/22/2002 6/22/2002 9/22/2002 12/22/2002 3/22/2003 6/22/2003 9/22/2003 12/22/2003 3/22/2004 6/22/2004 9/22/2004 12/22/2004 3/22/2005 6/22/2005 9/22/2005 12/22/2005 3/22/2006 6/22/2006 9/22/2006 12/22/2006 3/22/2007

-0.6

-0.4

-0.2

112