Documente Academic
Documente Profesional
Documente Cultură
al ecuatiei,
indicand care este partea de randament a unui titlu individual ce nu a fost influentata de
randamentul portofoliului de piata. 5eseori, aceste randamente reziduale au o pondere
foarte importanta in cadrul randamentului individual.
2
Caracteristicile Seriilor Financiare
1deseori in practica, seriile financiare se dovedesc a nu urma o distributie
normala, asa cum este specificat in ma8oritatea modelelor teoretice. Pentru verificarea
acestei ipoteze se realizeaz9 testele de normalitate pentru seria randamentelor activului
suport, respectiv ac:iunile ER0TE6
" 0-e#ness
" ;urtosis
" <ar!ue"=era
" >> Plot
Skewness este momentul statistic centrat de ordinul trei. M9soar9 asimetria
distribu:iei seriei ?n 8urul mediei, calcul@ndu"se dup9 formula6
3
N
1 i
i
y y
N
1
S
=
unde6
A B nr de observatii
y B valoarea seriei
y
" media
" varian:a
Pentru distribu:ia normal9 0-e#ness"ul este zero. Cn 0-e#ness pozitiv arat9
c9 distribu:ia seriei prezint9 asimetrie spre dreapta, respectiv are coada din dreapta
mai lung. Pentru un 0-e#ness negativ situa:ia este invers9.
Kurtosis m9soar9 gradul de aplatizare a distribu:iei seriei. ;urtosisul se
calculeaz9 dup9 formula6
4
N
1 i
i
y y
N
1
K
=
Pentru distribu:ia normal9 ;urtosisul .cel care arata cat de ingrosate sunt
extremitatile sau cat de mult se abat valorile maxime si minime de la media lor/ este
D.Pentru ; mai mic dec@t D distribu:ia este mai aplatizat9 dec@t cea normal9 .platy-urtic/,
iar pentru un ; mai mare dec@t D distribu:ia este mai ?nalt9 .lepto-urtic/.
0eriile sunt mai degraba leptocurtice, adica exista o abatere larga a valorilor
extreme de la media lor. in seriile finaciare indicatorul ia valori mult mai mari .vom
vedea acest lucru in exemplul practic propus/.
D
Testul ar!ue"#era m9soar9 diferen:a dintre 0-e#ness Ei ;urtosis"ul seriei
fa:9 de cele corespunz9toare distribu:iei normale. 0tatistica testului se calculeaz9
astfel6
[ ]
2 2
/ D .
F
+
= K S
k N
#
unde6 0 " 0-e#ness
;" ;urtosis
- B num9rul de coeficien:i estima:i care sunt folosi:i pentru a crea seriile
0ub ipoteza nul9 a unei distribu:ii normale statistica <ar!ue"=era este distribuit9
2
cu 2 grade de libertate. Probabilitatea ataEat9 testului reprezint9 probabilitatea ca
statistica <ar!ue"=era s9 fie mai mare dec@t valoarea observat9 sun ipoteza nul9. 1Eadar,
o probabilitate mic9 duce la respingerea ipotezei nule .de normalitate/.
0
10
20
30
40
-0.25 0.00 0.25
Series: ERSTE
Sample 10/16/1908 4/ 13/1909
Observatios 12!
"ea -0. 001496
"e#ia 0. 000000
"a$im%m 0. 430000
"iim%m -0. 260000
St#. &ev. 0. 0!184!
S'e(ess 1. 3!4431
)%rtosis 13. 28515
*ar+%e-,era 599.!604
-robabilit. 0. 000000
Gistograma randamentelor
Pentru actiunea ER0TE 0-e#nessul este ',D(**D' ceea ce arat9 o asimetrie spre
dreapta a distribu:iei randamentelor semn ca in anumite zile s"au inregistrat cotatii foarte
mari. ;urtosisul este 'D,2HI'I ceea ce arat9 c9 distribu:ia este mai ?nalt9 dec@t cea
normal9. Jaloarea testului <ar!ue"=era de I)),(FK*, iar probabilitatea ataEat9 testului
este de KL. Jalorile testelor sunt destul de departate de cele corespunz9toare distribu:iei
normale, motiv datorit9 c9ruia putem afirma c9 seria nu este normal distribuit9.
0itua:ie specific9 pie:elor financiare, ?n general, 0-e#nessul este negativ indic@nd
o asimetrie spre st@nga,
.>>/"plot .>uantile">uantile/ este o metod9 simpl9 folosit9 pentru a compara
dou9 distribu:ii7 concret, reprezint9 graficul unei distribu:ii empirice fa:9 de o distribu:ie
teoretic9 .?n cazul nostru, distribu:ia normal9/. 5ac9 distribu:ia empiric9 ar fi normal9, ar
*
trebui ca graficul >> rezultat s9 fie prima bisectoare, in cazul nostru distribu:ia este mult
diferit9 de cea normal9.
-4
-2
0
2
4
-0.4 -0.2 0.0 0.2 0.4 0.6
ERSTE
/
o
r
m
a
l
0
%
a
t
i
l
e
%ig. 2. >>"plot
&estiunea riscului portofoliilor de investitii a condus la necesitatea incercarii de
modelare a sa. In particular, s"a investigat modul in care poate fi modelata dispersia
conditionala Aumim prin dispersie conditionala dispersia unei serii de date care nu are
o evolutie uniforma pe tot intervalul, variaz9 ca amplitudine ?n timp. 1cest fenomen
poarta numele in econometrie de heteroschedasticitate .The term means 4differing
variance4 and comes from the &ree- 4hetero4 .MdifferentM/ and 4s-edasis4 .MdispersionM// si
reprezinta o incalcare a supozitiilor care stau la baza metodei celor mai mici patrate,
respectiv cea de homoschedasticitate
0eriile financiare mai prezinta 2 probleme deosebit de importante6
'. corelatie seriala regasita in reziduuri7
2. heteroschedasticitate, adica evolutia neuniforma a dispersiei respectivei serii de"a
lungul perioadei de timp analizate.
Modelele !"#C$ % Moti&atie
The standard #arning is that in the presence of heteros-edasticity, the regression
coefficients for an ordinary least s!uares regression are still unbiased, but the standard
errors and confidence intervals estimated by conventional procedures #ill be too narro#,
giving a false sense of precision. Go#ever, the #arnings about heteros-edasticity have
usually been applied only to cross sectional models, not to time series models.
1 recent developments in estimation of standard errors, -no#n as Nrobust
standard errors,O has also reduced the concern over heteros-edasticity. If the sample size
I
is large, then robust standard errors give !uite a good estimate of standard errors even
#ith heteros-edasticity. Even if the sample is small, the need for a heteros-edasticity
correction that doesnPt affect the coefficients, but only narro#s the standard errors
some#hat, can be debated.
Go#ever, sometimes the -ey issue is the variance of the error terms itself. This
!uestion often arises in financial applications #here the dependent variable is the return
on an asset or portfolio and the variance of the return represents the ris- level of those
returns. These are time series applications, but it is nonetheless li-ely that
heteros-edasticity is an issue. Even a cursory loo- at financial data suggests that some
time periods are ris-ier than others7 that is, the expected value of error terms at some
times is greater than at others. Moreover, these ris-y times are not scattered randomly
across !uarterly or annual data. Instead, there is a degree of autocorrelation in the
ris-iness of financial returns. 1R$G and &1R$G models, #hich stand for
autoregressive conditional heteros-edasticity and generalized autoregressive conditional
heteros8edasticity, have become #idespread tools for dealing #ith time series
heteros-edastic models such as 1R$G and &1R$G. The goal of such models is to
provide a volatility measure B li-e a standard deviation "" that can be used in financial
decisions concerning ris- analysis, portfolio selection and derivative pricing.
Modelele &1R$G sunt proiectate tocmai pentru a modela serii economice ce
prezinta caracteristicile prezentate mai sus. 5enumirea &1R$G reprezinta6
o & B generalizat;
o 1R B autoregresi$;
o $ B conditional;
o G B %eterosc%edasticitate&
Primul model a fost realizat de catre Robert Engle in ')H2. In fapt, acesta a fost
un model 1R$G. Modelul cuprinde o ecuatie pentru medie si una pentru dispersie,
respectiv6
2
'
2
'
2
+ + =
+ =
t t t
t t t
x y
unde6
y
t
B variabila dependenta in perioada curenta7
x
t
B variabila independenta perioada curenta7
F
" coeficient care arata influenta variabilei independente asupra variabilei dependente7
t
B termenii reziduali in perioada curenta7
2
t
" dispersia variabilei dependente in perioada curenta7
" constanta ecuatiei dispersiei7
" coeficientul N1R$GO7
t"'
B termenii reziduali din perioada precedenta7
2
' t
" dispersia variabilei dependente in perioada precedenta7
" coeficientul N&1R$GO.
Modelul descris mai sus este in fapt modelul &1R$G .','/ in care primul numar
arata ca asupra dispersiei actioneaza termeni reziduali din perioada precedenta, iar cel de"
al doilea numar arata ca dispersia din perioada precedenta are influenta asupra dispersiei
curente. In fapt, pentru serii foarte mari, modelul &1R$G .','/ poate fi generalizat la
modelul &1R$G .p,!/.
0pre deosebire de metoda celor mai mici patrate, modelul &1R$G include in
ecuatia sa atat termenii eroare .adesea denumiti QsocuriO/ cat si fenomenul de
heteroschedasticitate. 5e asemenea este util in cazul in care seriile nu sunt distribuite
normal, ci mai degraba au extremitati ingrosate. Au mai putin important este faptul ca
intervalele de confidenta pot varia in timp si deci intervale mai precise pot fi obtinute
prin modelarea dispersiei randamentelor reziduale.
R interesanta abordare a modelelor &1R$G este cea a posibilei existente a unui
efect de levier. In fapt, modelul &1R$G .','/ este un model simetric si presupune ca
termenii reziduali au acelasi semn. In realitate insa adeseori seriile financiare prezinta
asimetrie. Cn model foarte util in acest caz este modelul E&1R$G sau altfel spus
modelul &1R$G exponential introdus de catre Aelson .'))'/6
( ) ( )
'
'
'
' 2
'
2
log log
+ + + =
t
t
t
t
t t
.'/
Efectul de levier poate fi testat prin testarea inegalitatii SK si
K
. Aotam ca
acest model este asemanator modelului &1R$G .','/. Totusi, se remarca prezenta
termenului log care transforma modelul intr"unul non"linear. 5e asemenea termenii
reziduali sunt raportati la dispersie, devenind practic reziduuri standardizate.
(
$el mai adesea, pe pie:ele financiare volatilitatea este modelat9 prin procese de
tip 1R$G, &1R$G, de exemplu &1R$G.','/6
'
1 t
'
1 t
'
t
+ + =
unde6
2
i
t
i
l
e
Realizarea graficului pentru distributia cumulativa
2K
5istributia cumulativa
0.0
0.2
0.4
0.6
0.8
1.0
-0.2 0.0 0.2 0.4
Empiri1al 2&3 o4 ERSTE
Realizarea corelogramei
2'
Realizarea ecuatiei &arch
Ecuatia
22
$orelograma reziduurilor
&raficul volatilitatii
2D
E"&arch
$orelograma reziduurilor
2*
1R$G Test
2I
Test Thite
2F