In studiul pietelor de capital, este foarte important sa se determine evolutia

viitoare randamentelor, pornind de la un set de informatii din trecut, multime care

include deseori comportamentul preturilor, raportul PER, capitalizarea bursiera etc.
Metoda celor mai mici patrate si in particular regresia lineara reprezinta o mare
realizare in domeniul econometriei.
The method of least squares or ordinary least squares (OLS) is used to approximately
solve overdetermined systems. east s!uares is often applied in statistical contexts,
particularly regression analysis.
east s!uares can be interpreted as a method of fitting data. The best fit in the least"
s!uares sense is that instance of the model for #hich the sum of squared residuals has its
least value, a residual being the difference bet#een an observed value and the value
given by the model. The method #as first described by $arl %riedrich &auss around
'()*.
+',
east s!uares corresponds to the maximum li-elihood criterion if the
experimental errors have a normal distribution and can also be derived as a method of
moments estimator. Regression analysis is available in most statistical soft#are
pac-ages.
Maximum likelihood estimation .MLE/ is a popular statistical method used for fitting a
mathematical model to data. The modeling of real #orld data using estimation by
maximum li-elihood offers a #ay of tuning the free parameters of the model to provide a
good fit.
The method #as pioneered by geneticist and statistician 0ir R. 1. %isher bet#een ')'2
and ')22.
The method of maximum li-elihood corresponds to many #ell"-no#n estimation
methods in statistics. %or example, suppose you are interested in the heights of
1mericans. 3ou have a sample of some number of 1mericans, but not the entire
'
population, and record their heights. %urther, you are #illing to assume that heights are
normally distributed #ith some un-no#n mean and variance. The sample mean is then
the maximum li-elihood estimator of the population mean, and the sample variance is a
close approximation to the maximum li-elihood estimator of the population variance .see
examples belo#/.
%or a fixed set of data and underlying probability model, maximum li-elihood pic-s the
values of the model parameters that ma-e the data 4more li-ely4 than any other values of
the parameters #ould ma-e them. Maximum li-elihood estimation gives a uni!ue and
easy #ay to determine solution in the case of the normal distribution and many other
problems, although in very complex problems this may not be the case. If a uniform prior
distribution is assumed over the parameters, the maximum li-elihood estimate coincides
#ith the most probable values thereof.
Modelarea riscului activelor are o semnificatie deosebita in cadrul teoriilor
pietelor financiare. In particular, specialistii au acordat o larga atentie randamentelor
reziduale, avand in vedere ca aceastea au o infleunta deosebita asupra randamentelor
studiate.
Randamentele reziduale
Randamentele reziduale reprezinta acea parte a randamentelor care nu au fost
capturate de catre variabila independenta a unui anumit model. 5e exemplu6
it mt i i it
r r + + =
unde6
it
r
" randamentul titlului individual i in perioada de timp t;
i

" termenul constant7

i

" riscul relativ de piata al unui titlu individual7

mt
r
" randamentul portofoliului de piata7

it

" termenul eroare.

Randamentele reziduale sunt reprezentate tocmai de termenul
it

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

" varian:a condi:ional9 la momentul i

2
' t

" p9tratul abaterii randamentelor de la momentul t"' fa:9 de medie

1cesta este adesea interpretat ?n context financiar, atunci c@nd agentul sau
traderul previzioneaz9 varian:a pentru o anumit9 perioad9 prin calcularea unei medii
ponderate a unei medii pe termen lung .constanta/, varian:a previzionat9 pentru ultima
perioad9 .termenul &1R$G/, Ei informa:ia observat9 ?n perioada anterioar9 .termenul
1R$G/. 5ac9 rentabilitatea activului a fost neaEteptat de mare atunci va creEte varian:a
aEteptat9 pentru perioada urm9toare. Modelul este consistent cu fenomenul de Qvolatility
clusteringO adesea observat pe pie:ele financiare, unde schimb9rile mari ?n randamente
sunt urmate de regul9 de schimb9ri viitoare mari.
Jolatilitatea este diferit9 de la o perioad9 la alta, exist@nd perioade cu o
volatilitate foarte mare urmate de perioade cu volatilitate foarte mic9. 1pare fenomenul
de Qvolatility clusteringO, considerat consecin:9 a distribu:iei leptocurtotice, care const9
?n tendin:a perioadelor de volatilitate foarte mare sau foarte mic9 s9 se grupeze laolalt9.
Explica:ia economic9 a acestui fenomen este c9 apari:ia unor Eocuri anormal de mari ?n
perioada curent9 va ridica imediat nivelul volatilit9:ii, :in@ndu"l astfel Ei ?n perioadele
urm9toare, ?n func:ie de expecta:iile pie:ei asupra intensit9:ii Eocurilor respective
-0.4
-0.2
0.0
0.2
0.4
0.6
10/15 11/12 12/10 1/0! 2/04 3/04 4/01
ERSTE
%ig. D. &raficul volatilitatii
5ispersia seriei pare a nu fi constanta de"a lungul perioadei si de aceea avem un
prim indiciu al heteroschedasticitatii. In particular, seria pare a fi mai volatila spre
inceputul si sfarsitul perioadei. a mi8locul intervalului de timp analizat, respectiv
sfarsitul anului 2KKH, randamentele par a fi uniformizate. R informatie suplimentara
asupra randamentelui este data de graficul distributiei cumulative. Rbservam ca marea
H
parte a randamentelor sunt plasate intre BK.K2 si K.K2. Totusi exista extremitati
pronuntate atat la stanga cat si la dreapta, inca un indiciu al faptului ca seria nu este
normal distribuita si o indicatie a posibilei semnaturi Q1R$GO.
0.0
0.2
0.4
0.6
0.8
1.0
-0.2 0.0 0.2 0.4
Empiri1al 2&3 o4 ERSTE
(igura 3) *istri+utia ,umulati$a a Randamentelor -ilnice
1naliza grafica este foarte utila in descrierea seriilor si fenomenelor economice.
Totusi, pentru certitudinea analizei, testele statistice sunt mult mai indicate. Jom testa
prezenta efectelor 1R$G cu a8utorul corelogramei radicalului randamentelor zilnice. 0a
notam ca numarul de lag"uri utilizate este 'K. In coloana notata 1$ remarcam
coeficientii de corelatie seriala, in timp ce in ultima coloana avem probabilitatea de
acceptare a ipotezei Qnu exista e.ecte /R,0O .aceasta fiind de fapt ipoteza nula/.
$oeficientii de autocorelatie nu inregistreaza valori prea mari, cu exceptia primului lag.
Ei isi modifica semnul trecand de la o corelatie seriala negativa la una pozitiva. Jaloarea
probabilitii ipotezei nule este K, indicand ca putem respinge ipoteza nula si furnizand
informatia ca exista efecte 1R$G.
)
Tabelul '6 $orelograma randamentelor
'denti(icarea Ecuatiei )olatilitatii
R prima incercare este sa cautam un model standard &1R$G.','/.
Tabelul 26 &1R$G .','/
'K
5up9 cum reiese din Tabelul 2., reac:ia

a volatilit9:ii prezente vis"a"vis de

Eocurile pe randament este K,II, iar persisten:a volatilit9:ii din perioadele anterioare este
"K,KD.
Pentru a verifica volatilitatea modelului, ?ntr"o prim9 faz9 ne uit9m la statistica
5urbin"Tatson, care m9soar9 corela:ia serial9 de ordinul ?nt@i a reziduurilor. Un general,
aceast9 statistic9 poate fi aproximat9 prin 2V.'"

/, unde

este coeficientul de corela:ie

a reziduurilor. Pentru un model bine specificat,

este zero, deci statistica 5urbin"

Tatson tinde la 2. Un cazul nostru, 5urbin"Tatson este 2,('. TotuEi, pentru a ne asigura
c9 exist9 corela:ie mai mare de ordinul ?nt@i, vom aplica corelograma reziduurilor
standardizate.
Tabelul D. $orelograma reziduurilor standardizate
5in tabelul D. se observ9 c9 to:i coeficien:ii de corela:ie par:ial9 Ei total9 dep9Eesc
limitele admise pentru lagurile de la ' la 'K, ceea ce indic9 faptul c9 mai exist9
corela:ie ?ntre reziduri.
''
0e poate observa ca volatilitatea nu este constanta.
Mentionam ca in anumite studii .$ezi (renc%1 1234/, in care se analizeaza efectul
de #ee-end, se dovedeste faptul ca, in general, randamentele tind sa creasca catre
sfarsitul saptamanii, urmand ca in prima zi de tranzactionare a saptamanii .respectiv luni/
sa inceapa cu o usoara corectie negativa a cotatiilor si in consecinta cu o oarecare
diminuare a randamentelor.
Pornind de la ecuatia &1R$G .','/, au fost realizate incercari succesive de gasire
a ecuatiei dorite. In final, modelul standard sau clasic &1R$G .','/ a fost abandonat si
modelul asimetric E&1R$G .','/ a fost adoptat. 1cest model prezinta un avanta8
particular prin faptul ca nu este unul linear. Pentru modelarea volatilitatii se considera in
fapt logaritmul dispersiei mai degraba decat dispersia. 5e asemenea reziduurile sunt
standardizate in interiorul modelului ceea ce prezinta un mare avanta8.
Ecuatia care modeleaza cel mai bine volatilitatea portofoliului construit este6
'2
In ecuatia .'/ E&1R$G.'/ este log.
t
2
/
Rbservam ca efectul 1R$G .in ecuatie coeficientul / si &1R$G sunt
semnificative din punct de vedere statistic. Totusi ecuatia ne indica faptul ca nu exista un
efect de levier. $oeficientul este pozitiv si in plus nu este semnificativ din punct de
vedere statistic. 5eci efectul de asimetrie nu este evident. Remarcam insa succesul unui
model &1R$G non"linear in modelarea volatilitatii portofoliului nostru.
Pentru a valida aceasta ecuatie trebuie sa recurgem la teste aplicate termenilor
reziduali. 1sa cum s"a precizat la sectia de metodologie, vom face analiza corelogramei
radicalului reziduurilor standardizate, precum si un test rezidual 1R$G"M.
$orelograma este urmatoarea6
'D
$orelograma indica faptul ca s"a mai redus corelatia termenilor reziduali.
Mentionam ca daca valoarea probabilitatii este mai ridicata de K.KI putem accepta
ipoteza nula Qnu exista efecte 1R$G rezidualeO. Rbservam in ultima coloana a tabelului
ca acest lucru este valabil pentru aproape toti cei 'K termeni. Pentru a intari cele spuse,
vom aplica si un test 1R$G"M6
'*
5in nou, valoarea probabilitatii trebuie sa fie mai mare decat K.KI pentru a ne
asigura ca nu exista efecte reziduale asupra dispersiei seriei. Jaloarea de K.IK ne indica
inca o data ca nu exista efecte 1R$G reziduale.
Jom completa analiza termenilor reziduali cu testul Thite pentru a verifica
urmele de heteroschedasticitate. Pentru a ne asigura ca nu mai exista efecte de
heteroschedasticitate .sau efecte &1R$G/ reziduale din nou valoarea probabilitatii
trebuie sa fie mai mare de K.KI. In acest caz coeficientul vizat este 0T5WREXI5Y2."'/.
Jaloarea probabilitatii pentru acest coeficient de K.IK( indica faptul ca putem accepta
ipoteza nula Qnu exista efecte &1R$G rezidualeO.
'I
In concluzie modelul E&1R$G .','/ aplicat este cel indicat pentru a modela
volatilitatea portofoliului. Testele pentru termenii reziduali prezentate mai sus intaresc
validitatea modelului propus.
1TEATIE 6 1cest material nu este unul ori*inal, fiind o colectie de citate din diferite
surse bibliografice. 5e asemenea, scopul acestui material nu este acela de a face o analiza
a volatilitatii ac:iunilor ER0TE, ci de a exemplifica folosirea testelor de normalitate si a
modelului &1R$G.
=ibliografie6
'. 1b-en, P.1.7 Ei 0. Aandi .2KKK/. NRptions and JolatilityO. %ederal =an-
Reserve of 1tlanta B Economic Revie#.
2. 1c-ert, .%.7 Ei 3.0.Tian .2KKK/. NEvidence on the Efficiency of Index Rptions
Mar-etsO %ederal =an- Reserve of 1tlanta B Economic Revie# .trimestrul I/.
D. =ollerslev, T. .')HF/, Q&eneralized 1utoregressive $onditional
Geteros-edasticityO, <ournal of Econometrics, vol. D', pag. H'"H(
*. $ampbell, <. 3., o, 1. T. si Mac-inley, $. 1. .'))(/, QThe Econometrics of
%inancial Mar-etsO, Ed. Princeton Cniversity Press, pag. *()"*)K
I. 5arasteanu, $. $. .2KKD/, Q1naliza Riscului de Portofoliu prin Ctilizarea
Modelelor &1R$G6 0tudiu de $azO, Pagina Pietei de $apital din Romania
.###.-mar-et.ro/
F. Engle, R., Aelson, 5. si =ollerslev, T. .'))*/, Q1R$G modelsO, Gandboo- of
Econometrics, Ed. R. Engle and Mc%adden, pag. 2)I)"DKDH
(. %ama, E. %., %ischer, a#rence, <., Michael $. si Roll, R. .')F)/, QThe
ad8ustment of stoc- prices to ne# informationO, International Economic
Revie#, vol. 'K, nr. ', pag. '"2'
H. %rench, ;. R. .')HK/, Q0toc- returns and the #ee-end effectO, <ournal of
%inancial Economics, vol. H, pag. II"F)
). Todea, 1. .2KK'/, Q$aracterul instabil al riscului de piata evidentiat empiric pe
piata romaneascaO, Pagina Pietei de $apital din Romania .###.-mar-et.ro/
'K. ###.bnro.ro,
''. ###.bvb.ro,
'F
'2. ###.-mar-et.ro,
'D. ###. #i-ipedia.org
Realizarea bazei de date
'(
&raficul randamentelor
-0.4
-0.2
0.0
0.2
0.4
0.6
10/15 11/12 12/10 1/0! 2/04 3/04 4/01
ERSTE
Realizarea Testelor de normalitate
'H
Rezultatul testului de normalitate
0
10
20
30
40
-0.25 0.00 0.25
Series: ERSTE
Sample 10/16/1908 4/13/1909
Observatios 12!
"ea -0. 001496
"e#ia 0. 000000
"a$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
Realizarea graficului >uantile">uantile
')
&raficul >">
-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
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