Documente Academic
Documente Profesional
Documente Cultură
\
|
s s s =
n
x
n
t
X ,...,
2
x
2
t
X ,
1
x
1
t
X P
n
x ,...,
2
x ,
1
x
n
t ...
2
t
1
t
F
:
a)strict staionare cnd
( ) ( ) 0 h ,
n
x ,...,
1
x
n
t ,...,
1
t
F
n
x ,...,
1
x
h
n
t ,..., h
1
t
F > =
+ +
pentru orice mulime finit de indici t
1
,t
2
,,t
n
.
b) (slab) staionar cnd momentele sale de ordin I i II sunt finite pentru t,s si h
respectiv M(Xt) = m, pentru t i Cov(X
t
,X
t+1
) = Cov(X
s
,X
s+1
)
n economia financiar, seriile cronologice de la cele ale preurilor, la cele
referitoare la masa monetar, la formarea brut de capital, la consumul final
etc. nu sunt staionare ci nonstaionare, prezentnd tendine de variaie
(majorare sau diminuare) n raport cu timpul (media lui Xt depinznd practic de
momentul t).
Tendina de nonstaionaritate poate fi eliminat prin ndeprtarea trendului (serii TSP
- Trend Stationary Processes) sau prin calculul unor diferene de ordinul I sau II (serii
DSP - Difference Stationary Processes).
Testul Dickey-Fuller stabilete dac o serie este de tip TSP sau DSP cu impact practic n
transformarea ulterioar a seriei nonstaionare n staionare.
Seria de timp {X
t
}
t
alctuit din variabile necorealate de tip aleatoriu care deine o
medie egal cu zero i o dispersie mai mare dect zero se definete drept White Noise
sau zgomot alb fiind staionar, cu o funcie de autocovarian
( )
=
=
rest n 0,
0 k ,
2
k i o funcie de autocorelaie
( )
=
=
rest n 0,
0 k 1,
k
Seria de timp staionar {X
t
}
t
WN(0;
2
) cunoscut ca White Noise (zgomot alb)
i notat WN(0;
2
) este denumit proces pur aleator.
Dac elementele lui unui proces aleator sunt independente i identic distribuite
atunci seria de timp este strict staionar.
Un zgomot alb gaussian conduce la coincidena celor dou definiii privind
staionaritatea, altfel spus seria este simultan staionar i strict staionar.
Cu zgomotul alb se construiesc multe modele econometrice ale seriilor temporale.
O variabil aleatoare de tip random walk (RW) cu media i dispersia dependente
de t, este nestaionar
n pieele financiare cele mai uzuale serii de timp care se comport aleatoriu
(random walk) sunt preurile aciunilor (share prices): pre aciune n ziua
t = pre aciune n ziua (t-1) + o eroare aleatoare.
1 t t t
y y y
= V
1 t t t
2
y y y
V V = V
O serie temporal integrat este o seria nonstaionar, care poate fi staionarizat prin diferene
de ordin I:
de ordin II:
Seriile cointegrate sunt seriile cronologice (temporale) care fiind integrate de
acelai ordin admit o combinaie liniar staionar (integrat de ordin zero sau
mai mic dect ordinul de integrare al seriilor iniiale).
Constatarea empiric potrivit creia multe serii de timp financiare conin o
rdcin unitate a impulsionat dezvoltarea teoriei analizei seriilor de timp
nonstaionare.
Engle i Granger au demonstrat c o combinaie liniar de dou sau mai multe
serii nonstaionare poate conduce la o serie care este staionar. Dac exist o
astfel de combinaie liniar staionar, seriile nonstaionare care intr n aceea
combinaie sunt cointegrate.
Combinaia liniar staionar se numete ecuaia de cointegrare i este
interpretat ca o relaie de echilibru pe termen lung ntre variabile
(Necula, 2010).
Prima form a modelului Engle a fost descris prin dou ecuaii
distincte:
(1) y = E
t-1
[ yt] +
t
cu
t
= z
t
t
i (2)
2
t
= a
0 +
a
1
2
t-1
++ a
p
2
t-p
unde E
t-1
[yt] reprezint valoarea ateptat condiionat de datele
financiare disponibile la momentul
t-1, iar z
t
este o secven de variabile aleatoare independente i identic
distribuite cu media zero i variana unitar.
Modelul ARCH contemporan deine tot dou ecuaii, una pentru media condiionat
(ecuaia de evoluie a randamentelor activului):
i alta pentru variana condiionat (ecuaia volatilitii):
unde y
t
= variabila dependent n t; x
t
= variabila independent n t;
= coeficientul care arat influena variabilei independente asupra variabilei
dependente; c
t
= termenii reziduali n t; = dispersia variabilei dependente n t;
e = constanta ecuaiei dispersiei;
o = coeficientul ARCH;
c
t-1
= termenii reziduali din perioada t-1;
= dispersia variabilei dependente n t-1;
| = coeficientul GARCH.
2
1 t
2
1 t
2
t
+ + =
2
1 t
t t t
x y + =
2
t
Modelul descris anterior este modelul GARCH (1,1) unde primul numr subliniaz
c asupra dispersiei acioneaz termeni reziduali din t-1, iar cel de-al doilea c
dispersia din perioada t-1 are influen asupra dispersiei n t, iar pentru serii de date
foarte numeroase modelul GARCH (1,1) conduce prin generalizare la modelul
GARCH (p,q). Extensia modelului ARCH, propus de ctre Bollerslev a fost realizat
nlocuind modelul AR(p) din ecuaiile lui Engle cu un model de forma ARMA(p,q) astfel:
1) R
t
= +
t
cu
t
= z
t
t
i (2)
2
t
=
0 +
i
2
t-i
+
j
2
t-j
,
unde coeficienii
i
si
j
sunt toi pozitivi pentru ca variana condiionat
2
t
sa fie ntotdeauna
pozitiv.
Ecuaiile de mai sus formeaz modelul cunoscut sub denumirea de modelul ARCH
generalizat sau GARCH (p,q), iar cnd q = 0, modelul GARCH se reduce la modelul ARCH.
Pentru ca parametrii GARCH (
j
) s poat fi estimai, este necesar ca cel puin unul dintre
parametrii ARCH (
i
) sa fie diferii de zero. Termenii ARCH reliefeaz informaiile despre
volatilitatea din perioadele precedente i se msoar ca lag al reziduurilor ptratice
din ecuaia mediei (Tudor, 2008).
Pe o pia financiar, acest model descrie modul n care un agent ncearc sa
prognozeze volatilitatea pentru urmtoarea perioad pe baza mediei pe termen
lung (0;), a variantei calculate pentru ultima perioad (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 varianta ateptata n perioada urmtoare.
Modelul accept i volatility clustering, n care schimbrilor mari ale randamentului
este probabil s le urmeze n continuare variaii mari ale acestuia.
Testele efectuate pe pieele financiare mature au evideniat o viteza de reacie a
volatilitii cursului de schimb, n general, inferioar plafonului de 0,25 i un grad
de persisten superior pragului de 0,7 (Codirlau, 2007).
Modelul GARCH include in ecuaia sa att termenii eroare ct i
heteroscedasticitate, fiind util cnd seriile nu sunt distribuite normal. Modelul
GARCH (1,1) rmne un model simetric care presupune c termenii reziduali
au acelai semn, dei seriile financiare prezint frecvent asimetrie i mai ales
un skewness negativ.
Pe pieele financiare moderne volatilitatea este modelat prin GARCH(1,1):
, unde
= variana condiional la momentul t i
= ptratul abaterii randamentelor de la momentul t-1 fa de medie.
2
1 t
2
1 t
2
t
+ + =
2
t
2
1 t
Modelul EGARCH sau altfel spus modelul GARCH exponenial introdus
de ctre Nelson este foarte util tocmai n cazurile de asimetrie negativ:
( ) ( )
1 t
1 t
1 t
1 t 2
1 t
2
t
log log
+ + + =
Notaia log transform modelul ntr-unul non-linear, iar termenii reziduali sunt
raportai la dispersie, devenind reziduuri standardizate. Efectul de levier se
verific prin testarea inegalitii <0 i 0 =
n final, se poate afirma c modelele ARCH i GARCH, create pentru a identifica practic
mprtierile inegale ale valorilor reziduale n timp sau dependena sub forma
autocorelaiei reziduale, prezint tot mai numeroase aplicaii n pieele financiare.
Principalele argumente care justific succesul familiei de modele ARCH i GARCH sunt:
a) modelele ARCH i GARCH sunt simple i uor de manevrat;
b) modelele ARCH i GARCH au grij de erorile grupate;
c) modelele ARCH i GARCH se concentreaz asupra neliniaritilor;
d) modelele ARCH i GARCH sunt preocupate permanent de schimbrile survenite n
capacitatea lor de prognoz econometric pe pieele financiare.
CONCLUZII
La intersecia provocatoare a economiei sau a sociologiei cu fizica (cu gndirea
statisticii fizice, cuantice) se nasc n ultimele trei decenii tiine complet noi cum
sunt econofizica, sociofizica, economia cuantic etc., rivaliznd prin originalitatea
i simplitatea lor aparent, cu alte noi metode moderne de cercetare ce se
contureaz la orizont, precum tiina complexitii, tiina sistemelor reelelor
neuronale, algoritmilor genetici, logicii fuzzy i logicii neutrosofice constituind
astfel un prilej de recunoatere a exploziei disciplinelor de grani.
La intersecia economiei financiare cu econometria exist i se dezvolt o tiin
nou econometria financiar, ale crei modele sunt tot mai apreciate prin
dualitatea soluiilor financiare i econometrice, prin complexitatea lor ca
demers investigativ dual.
Bibliografie
Brooks, C., Introductory Econometrics for Finance, Cambridge: Cambridge University Press. 2008.
Cont, R. and Tankov, P., Financial Modelling with J ump Processes, Boca Raton, Florida: Chapman and Hall. 2004.
Fan, J. An introduction to financial econometrics, Department of Operation Research and Financial Engineering, Princeton, NJ:
Princeton University, November. 2004.
Greene, H.W., Econometric Analysis, Prentice Hall International, 5
th
Edition, NY, 2002.
Gujarati, D.N., Porter, D.C., Basic econometrics, Boston: McGraw Hill, 5th Ed., 2009.
Jondeau, E, Poon, S. and Rockinger, M., Financial Modelling under Non-Gaussian Distributions, London: Springer Finance. 2007.
Ltkepohl, H., New Introduction to Multiple Time Series Analysis, New York: Springer. 2010.
Maddala, G.S., Introduction to Econometrics, Wiley, 3rd ed., 2001.
Ruppert, D., Statistics and Finance: An Introduction. Springer-verlag, New York. 2004.
Svoiu, G., Econophysics: Background and Applications in Economics, Finance, and Sociophysics, Publisher Academic Press Inc.
Elsevier, 2012.
Wang, P., Financial Econometrics, London: Routledge. 2007.
Wooldridge, J. M., Introductory Econometrics. A Modern Approach, 3rd Edition, 2006.
V MULTUMESC !