8.2.

5 Metodologia Box-Jenkins

n literatura de specialitate determinarea celui mai bun model ARIMA(p,d,q) pentru
modelarea unor observaii ale unei serii de timp comport un ansamblu de tehnici i metode, mai
cunoscute sub numele de metodologia Box-J enkins.
Vom spune c ( )
t t
X este un proces ARIMA(p,d,q) dac seria ( )
d
t t
Y B X = V este
staionar i verific ecuaia cu diferene ( ) ( ) ,
t t
B Y B Z u u = unde
2
(0, ),
t
Z WN o ~ iar
( ) 1 B B V = este operatorul diferen:
1
( )
t t t
B X X X

V = . Se mai spune n acest caz c seria
( )
t t
X este integrat de ordinul d(sau d este ordinul de integrare al seriei)
1
.
Evident ( ) ( , ) ( ) ( ,0, )
t t t t
X ARMA p q X ARIMA p q ~ ~ .
Metodologia Box-Jenkins comport trei aspecte principale: identificarea, estimarea i
verificarea.

Identificarea
Avnd la dispoziie un eantion de observaii asupra unui proces stochastic, de regul
trebuie efectuate asupra acestuia o serie se transformri pentru a induce staionaritatea. Bunoar,
poate fi nevoie de o transformare de scal, aa cum este cazul seriilor de timp ce caracterizeaz
procesele de pe piaa financiar, unde de cele mai multe ori seriei iniiale i se aplic un filtru
logaritmic, pentru a avea o serie staionar. Pasul urmtor este eliminarea componentei
deterministe, dup depistarea eventualelor oscilaii prezente n evoluia seriei(este cazul, spre
exemplu, al fenomenelor ce prezint oscilaii sezoniere ori ciclice). n fine, dac este nevoie, de
procedeaz la aplicarea operatorului diferen seriei originale, obinnd astfel noua serie
( )
d
t t
Y B X = V care este staionar. n practic ordinul de integrare d este cel mult 2.
n acest moment suntem n situaia de a decide pentru ce valori ale parametrilor p i q
procesul ARMA(p,q) modeleaz cel mai bine seria staionar obinut. Un criteriu n acest sens
este comportamentul funciilor de autocorelaie (acf) i de autocorelaie parial (pacf).
Presupunnd c eantionul de observaii disponibil asupra unei serii staionare ( )
t t
X (pe
care, pentru simplificare o presupunem a fi de medie nul) este
1
( ,..., )
T
X X , atunci putem
construi urmtorii estimatori:

1
Se mai folosete pentru un proces ( )
t t
X ,notaia ( ) ( )
t t
X I d , unde d semnific gradul operatorului
diferen care trebuie aplicat lui ( )
t t
X pentru atingerea staionaritii.
-pentru funcia de autocovarian ( ) ( , ), ,
x t k t
k Cov X X k t
+
= :
1
1

T
k t t k
t k
X X
T

= +
=


- pentru funcia de autocorelaie
( )
( )
(0)
X
X
X
k
k

= :
0

k
k

= .
- pentru funcia de autocorelaie parial ( ) k o :

kk
u , unde
1
2

(0) (1) ( 1) (1)

(1) (0) ( 2) (2)

. , 1.
.....................................................
( 1) ( 2) (0) ( )
k
k
kk
k
k
k
k k k



| |
u
| | | |
|
| |
u |
| |
= >
|
| |
|
| |
| |
|
\ . \ . u
\ .

Atunci, aa cum am menionat anterior, se poate distinge urmtorul comportament al funciilor de
autocorelaie i autocorelaie parial n cazul proceselor ARMA:
Tabelul 8.10 Comportamentul acf i pacf pentru modelele ARMA(p,q)
Model
acf ( )
X


pacf ( )
X
o
AR(p) Se amortizeaz tinznd la zero

Se anuleaz dup ntrzierea p
MA(q) Se anuleaz dup ntrzierea q

Se amortizeaz tinznd la zero
ARMA(p,q) Se amortizeaz tinznd la zero

Se amortizeaz tinznd la zero






Model MA(1)
1
5 . 0

+ =
t t t
e e X
0.5
ACF
0.5
PACF
Model AR(1)
t t t
e X X + =
1
5 . 0
0.5
ACF
0.5
PACF
Figura 8.10 Comportamentul ACF i PACF pentru AR(1) i MA(1)

Att funcia de autocorelaie ct i cea de autocorelaie parial sunt distribuite
aproximativ normal, cu abaterea standard
1
T
, unde T este volumul eantionului de observaii.
Atunci valorile lui ()
X
i ()
X
o vor oscila ntre
1.96
T
.

Estimarea

A. Estimarea parametrilor unui proces autoregresiv AR(p)
Fie ( )
t t
X un proces autoregresiv cauzal i de medie zero, ce verific ecuaia cu
diferene:
1 1
...
t t p t p t
X X X Z | |

= ,
2
( ) (0, ).
t t
Z WN o ~ Ne propunem s estimm vectorul
coeficienilor
1
( ,..., )
p
| | ' u = i dispersia
2
o a zgomotului alb.
Conform ipotezei de cauzalitate, ( )
t t
X admite o reprezentare n funcie de zgomotul alb:
0
,
j t j
j
Z t

=
=
t
X . nmulind ambii membri ai acestei relaii cu , 0,
t k
X k p

= i mediind
obinem ecuaiile Yule-Walker:
2
,
(0)
p p
p

o
I u =

' = u

unde
p
I este matricea de covarian
| |
, 1,
( )
i j p
i j
=
i ( (1),..., ( )) .
p
p ' =
Dac n relaiile de mi sus nlocuim covarianele teoretice ( ), 0, j j p = cu covarianele
de selecie
1
1

T
k t t k
t k
X X
T

= +
=

obinem estimatorii Yule-Walker

2
i care o u satisfac
relaiile
2

(0)
p p
p

I u =

' = u

n general estimatorii obinui prin aceast metod sunt mai puin eficieni dect
estimatorii obinui prin metoda celor mai mici ptrate sau metoda verosimilitii maxime. Totui,
pentru un proces AR(p), estimatorii Yule-Walker i estimatorii de verosimilitate maxim au
aceeai distribuie asimptotic.

Teorema 2
Dac ( )
t t
X este un proces AR(p) cauzal i de medie zero, ce verific ecuaia cu
diferene:
1 1
...
t t p t p t
X X X Z | |

= , ( )
t t
Z un zgomot alb i

u este estimatorul Yule-

Walker al lui u, atunci

2 1

( ) (0, )
p
n N o

uu I ,
unde
p
I este matricea de covarian
| |
, 1,
( )
i j p
i j
=
.
Mai mult,
2 2
.
P
o o

La construirea unui model autoregresiv pornind de la observaii, de regul p, gradul
polinomului autoregresiv este necunoscut. Dac p este valoarea real , vom construi un proces de
ordinul m pentru care coeficienii estimai cu ecuaiile Yule-Walker
1

( ,..., )
m m mm
| | ' u = s aib
valori n jurul lui zero pentru m>p.

Teorema 3
Dac ( )
t t
X este un proces AR(p) cauzal i de medie zero, ce verific ecuaia cu
diferene:
1 1
...
t t p t p t
X X X Z | |

= , ( )
t t
Z zgomot alb i
1
1

( ,..., ) ,
m m mm m m
m p | |

' u = = I > atunci

2 1

( ) (0, )
m m m
n N o

u u I ,
unde
1
.
m m m

u = I n particular pentru m>p,

(0,1).
mm
n N |


B. Estimaii preliminare pentru procesele AR(p) folosind algoritmul Durbin-Levinson
S presupunem c dispunem de un eantion de n observaii
1
,...,
n
X X asupra unui proces
staionar de medie zero.
Dac (0) 0 > atunci putem estima un proces autoregresiv de ordin m<n cu ajutorul
ecuaiilor Yule-Walker:
1 1

... ,( ) (0, )
t m t mm t m t t t m
X X X Z Z WN | | v

= , unde
1
1

( ,..., )
m m mm m m
| |

' u = = I i

(0) .
m m m
v ' = u
n aceasta situaie( (0) 0 > implic faptul c
1 2

, ... I I sunt nesingulare) putem folosi
algoritmul Durbin-Levinson pentru a construi recursiv modele autoregresive de ordinul
m=1,2,....,n-1. Avem atunci relaiile urmtoare:
11
2
1
1
1,
1
1
1, 1 1
1
, 1 1,1
2
1

(1)
(0)(1 (1))

( ) ( )

(1 ).





m
m j
j
mm
m
m m m
m mm
m m m
m m mm
m m j
|
v
|
|
v
| |
|
| |
v v |

| | | |

| |

= u
| |

| |
| |

\ . \ .

Folosirea acestor relaii de recuren permite evitarea calculrii inversei matricei

m
I , dar ofer i
estimatorii

kk
| ai funciei de autocorelaie parial la pasul k.

C. Estimaii preliminare pentru procesele MA(q) folosind algoritmul inovaiilor

ntr-un mod analog cu construcia recursiv a unui proces autoregresiv folosind
algoritmul Durbin-Levinson se pot construi, plecnd de la acelai eantion de observaii
1
,...,
n
X X , procese de medie mobil MA(m), cu m=1,2,..,
n-1, ce verific ecuaia cu diferene
1 1

... ,( ) (0, ).
t t m t mm t m t t m
X Z Z Z Z WN u u v

= + + + ~
Dac (0) 0 > , atunci definim relaiile de recuren:

0
1
, ,
0
,
1
1
2
, .
0
(0)

( )

, 0, 1

(0)



k
m m j k k j j
j
m m k
k
m
m m m j j
j
m k
k m
v
u u v
u
v
v u v

=
=

= =

.
Observaie: Dei construcia recursiv a proceselor de medie mobil prin algoritmul inovaiilor
este asemntoare cu cea pentru procesele autoregresive folosind algoritmul Durbin-Levinson,
exist o diferen semnificativ: pentru un proces AR(p) estimatorul Yule-Walker
1
1

( ,..., )
p p pp p p
| |

' u = = I este un estimator consistent pentru vectorul real al parametrilor

1
( ,..., )
p p pp
| | ' u = , ct vreme estimatorul
1

( ,..., )
q q qq
u u u ' = nu este un estimator consistent
pentru vectorul parametrilor
1
( ,..., )
q q
u u u ' = .

D. Estimaii preliminare pentru procesul ARMA(p,q).

Fie ( )
t t
X un proces AR(p) cauzal i de medie zero, ce verific ecuaia cu
diferene:
1 1 1 1
... ...
t t p t p t t q t q
X X X Z Z Z | | u u

= + + + ,
2
( ) (0, ).
t t
Z WN o ~
Ipoteza de cauzalitate implic
0
,
t j t j
j
X Z t

=
=

, unde coeficienii
j
satisfac relaiile:
0
min( , )
1
1
.
, 1
j p
j j i j i
i
j

u |

=
=

= + >

Prin convenie am presupus c 0 0 .
j j
j q j p u | = > = > pentru pentru i Pentru a estima
parametrii
1
,...,
p q

+
putem folosi inovaiile
1 ,

,...,
m m p q
u u
+
estimate n cazul modelului de
medie mobil. nlocuind pe
1
,...,
p q

+
cu
1 ,

,...,
m m p q
u u
+
obinem ecuaiile:

min( , )
,
1

, 1, .
j p
mj j i m j i
i
j p q u u |u

=
= + = +

Din ultimele p ecuaii rezult c pentru coeficienii polinomului autoregresiv trebuie s fie
ndeplinit condiia:


, 1 , , 1 , 1
1
, , 1 , 2 ,

.


m q m q m q m q p
m q p m q p m q p m q p
u u u u
|
u u u u |
+ +
+ + +
| | | | | |
| | |
= | | |
| | |
| | |
\ . \ . \ .

Atunci estimatorii pentru
j
u pot fi imediat calculai din ecuaiile:

min( , )
,
1

, 1, .
j p
j mj i m j i
i
j q u u |u

=
= =

n final dispersia zgomotului alb se estimeaz prin:
2

m
o v = .

E. Estimaii prin metoda verosimilitii maxime i metoda celor mai mici ptrate

Metoda verosimilitii maxime se poate aplica n acest caz doar dac este cunoscut
distribuia vectorului X
n
=
1
( ,... )
n
X X ' . Literatura de specialitate abordeaz n special situaia
proceselor gaussiene (i.e. acele procese pentru care vectorul X
n
=
1
( ,... )
n
X X ' are o distribuie
normal n-dimensional de medie zero i matrice de covarian
| |
, 1,
( )
n
i j n
i j
=
I = . Atunci
funcia de verosimilitate are expresia:

/2 1/ 2 ' 1
1
( ) (2 ) (det ) exp( )
2
n
n n n n n
L X X t

I = I I , unde am presupus c matricea de
covarian este nesingular. Avnd n vedere modul de exprimare a predictorilor pentru procese
ARMA,

1 1
1
1
1 1 1 1
1

( ), max( , )

... ( ),
1

n
jn n j n j
j
n
n
n p n p jn n j n j
j
X X n m p q
X
X X X X n m
u
| | u
+ +
=
+
+ + +
=

s < =

+ + >

precum i expresia erorii ptratice medii
2
2
1 1

n n n
E X X r o
+ +
= , funcia de verosimilitate a
vectorului observaiilor se poate scrie:

2 2 /2 1/2 2 2
0 1 1
1
1

( , , ) (2 ) ( ... ) exp( ( ) / ).
2
n
n
n j j j
j
L r r X X r u o to o


=
u =

Urmnd algoritmul metodei verosimilitii maxime i derivnd logaritmul funciei de mai sus n
raport cu
2
o deducem:
2
1

( , ) S
n
o u = u , unde
2
1
1

( , ) ( ) /
n
j j j
j
S X X r u

=
u =

, iar

,u u
minimizeaz expresia
1
1
1 1
( , ) ln( ( , )) ln
n
j
j
l S r
n n
u u

=
u = u +

.
O alternativ la aceast metod de estimare este aa numita metod a celor mai mici
ptrate, care const n minimizarea expresiei
2
1
1

( , ) ( ) /
n
j j j
j
S X X r u

=
u =

n raport cu
i u u . Pentru a realiza acest lucru este necesar ca procesului analizat s-i fie impuse condiiile
de cauzalitate i de staionaritate. n acest caz un estimator al dispersiei zgomotului alb are forma
2
1
( , ) S
n p q
o u = u


.

Verificarea
Aceast ultim etap a metodologiei Box-Jenkins este cel puin la fel de important ca
etapa de identificare ori cea de estimare. Scopul este de a vedea n ce msur modelul construit
concord cu observaiile disponibile asupra procesului stochastic studiat. Se pot defini mai multe
criterii pentru calitatea unui model, dar n cele ce urmeaz vor fi prezentate pe scurt principalele
criterii care sunt cel mai des folosite, mai ales de ctre soft-urile de statistic, n analiza unui
model de regresie multipl.
- Logaritmul funciei de verosimilitate-se calculeaz valoarea funciei log likelihood,
evaluat la valorile estimate ale coeficienilor. Pot fi realizate teste, lund n considerare
diferena dintre valorile acestei funcii pentru variante restricionate i nerestricionate ale
ecuaiei.
Se calculeaza astfel :
( ) ) / log( ) 2 log( 1
2
'
T + +
T
= c c t l .
- Statistica Durbin-Watson - msoar corelaia serial dintre reziduuri. Statistica este
calculat astfel :

( )
( )

T
=
T
=

=
1
2
2
2
1

t
t
t
t t
DW
c
c c
.
Dac DW este mai mic dect 2, exist o dovad a unei corelaii pozitive. Dac este ntre
2 si 4 exist o corelaie negativ. Dac este aproximativ 2, nu exista o corelaie serial ntre
reziduuri.
Limitrile sunt :
1) distribuia statisticii DW sub ipoteza nul depinde de matricea datelor.
2) dac sunt variabile dependente cu ntrziere n membrul drept al regresiei, testul nu este
valid.
3) se poate testa doar ipoteza nul (nici o corelaie serial) comparativ cu ipoteza alternativ
(existena unei corelaii seriale de ordinul I)
Toate aceste neajunsuri sunt depite de ctre alte dou teste, statistica-Q si testul Breusch-
Godfrey LM.
- Criteriul informaional Akaike (AIC)- este folosit frecvent n selectarea modelelor. Sunt
preferate valorile mici ale acestui criteriu.
T + T = / 2 / 2 k l AIC
unde l este valoarea functiei log likelihood, iar k=p+q.
- Criteriul Schwarz -este o alternativ la AIC, ce impune o penalizare mai mare asupra
coeficienilor suplimentari: ( ) T T + T = / log / 2 k l SC .
- Statistica F reprezint o alegere clasic pentru testarea validitii modelului; se
calculeaz pe baza coeficientului de determinaie
2
R i se bazeaz pe proprietile
distribuiei Fisher. Valoarea ei se determin dup formula:
) )( 1 (
) 1 /(
2
2
k R
k R
F
T

= , unde
k=p+q.
- Analiza corelogramei reziduurilor i testul Ljung-Box pentru verificarea ipotezei de
zgomot alb: se reprezint grafic funciile de autocorelaie i de autocorelaie parial a
reziduurilor, mpreun cu tabelul Ljung-Box al statisticilor Q. Daca nu exist o corelaie
serial, autocorelaiile i autocorelaiile pariale ar trebui s fie 0.
Statistica Ljung-Box se determin astfel:
1
1
( 2) ( ) ( )
m
k
Q T T T k k

=
= +

i urmeaz o distribuie
hi-ptrat cu m grade de libertate. Dac modelul real este un ARMA(p,q), atunci cea mai mare
probabilitate de a accepta ipoteza de zgomot alb se obine pentru m=p+q.
- Histograma si testul de normalitate a reziduurilo r- se realizeaza o histograma si o
statistica descriptiva a reziduurilor. Indicatorii urmrii sunt:
-Coeficientul de asimetrie - este o msur a asimetriei distribuiei seriei n jurul
mediei. Se calculeaz astfel :

3
1
1

T
i
i
X X
S
T o
=
| |
=
|
\ .

.
Pentru o distribuie normal, valoarea sa este 0. Dac este pozitiv, nseamn c
distribuia are o coad dreapt lung, dac este negativ, nseamn c partea stng este mai lung.
- Coeficientul de aplatizare - msoar ct de plat sau de ascuit este
distribuia seriei fa de curba normal. Se calculeaz astfel :

4
^
1
1
T
i
i
X X
K
T
o
=
| |

= |
|
\ .

Pentru o distribuie normal, aceasta valoare ar trebui sa fie 3. Dac este mai mare dect
3, distribuia este mai nalt faa de cea normal, iar dac este mai mic, distribuia este mai
plat.
- Statistica Jarque-Bera : msoar diferena dintre repartiia observat a erorilor i
repartiia normal din punctul de vedere al asimetriei i aplatizrii. Se calculeaz cu
formula

( )
2
2
3
6 4
K
T k
JB S
| |

| = +
|
\ .
.
n ipoteza repartizrii normale a erorilor, aceasta urmeaz o repartiie hi-ptrat cu dou grade de
libertate.












APLICATIE
Vom aplica metodologia Box-J enkins pe cazul Indicelui BET al Bursei de Valori
Bucureti, considernd valorile zilnice ale acestuia, n perioada 1997-2006(un eantion de
2304 observaii).
Vom parcurge pe rnd etapele construirii unui model ARIMA: identificarea, estimarea i
verificarea.
Pentru a putea estima un astfel de model trebuie s ne asigurm c seria este
staionar, sau s o staionarizm prin procedee specifice.
Staionaritatea
Cea mai la ndemn modalitate de a verifica staionaritatea unei serii temporale
este analiza graficului de evoluie al acesteia. Dac n mod evident putem depista un
trend n comportamentul seriei de timp, putem respinge ipoteza de staionaritate.
De asemenea, putem studia comportamentul funciei de autocorelaie(definit
anterior) i al funciei de autocorelaie parial (va fi definit mai jos).
Pe lng aceste proceduri empirice, exist o serie ntreag de teste statistice care
se folosesc la verificare ipotezei de staionaritate: Dickey-Fuller, Philips-Perron etc.
Pentru a ilustra conceptul de staionaritate i metodologia proceselor ARMA am
folosit seria de date a Indicelui BET al Bursei de Valori Bucureti, utiliznd programul
EViews.

Figura 1. Indicele BET al Bursei de Valori Bucureti
n perioada 1997-2006-2304 observaii zilnice
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
9
/
1
9
/
1
9
9
7
9
/
1
9
/
1
9
9
8
9
/
1
9
/
1
9
9
9
9
/
1
9
/
2
0
0
0
9
/
1
9
/
2
0
0
1
9
/
1
9
/
2
0
0
2
9
/
1
9
/
2
0
0
3
9
/
1
9
/
2
0
0
4
9
/
1
9
/
2
0
0
5
9
/
1
9
/
2
0
0
6

Dup cum putem observa, exist un trend ascendent n evoluia indicelui.

Funcia de autocorelaie msoar corelaia ntre valorile seriei la diverse distane
temporale.
De regul, se utilizeaz funcia de autocorelaie de selecie (sample
autocorrelation function), definit n felul urmtor:
2 2
( )( )
( , )
( )
( )
t t k
t t k
Y
t Y
Y Y Y Y
Cov Y Y
k
Y Y

= =

, unde
t
Y este seria iniial.
Graficul funciei de autocorelaie pentru diverse lag-uri k se numete corelogram.

- Seriile nestaionare au ACF care converge ncet spre zero.
- n general, se consider c dac dup 5 pai valoarea ACF este mai mare dect
0.7, atunci seria este nestaionar.
- Seriile staionare au ACF care converg rapid spre zero.

Funcia de autocorelaie parial-PACF msoar corelaia ntre Y
t
i Y
t-k
fr a
ine cont de corelaiile dintre Y
t-2
...
De exemplu, exist o corelaie ntre Y
t
i Y
t-1
care este msurat prin ACF(1); de
asemenea, exist o corelaie ntre Y
t-1
i Y
t-2
care este msurat tot de ACF(1). Dar
corelaia dintre Y
t
i Y
t-2
, dincolo de cea msurat prin ACF(1) sau ACF(2) este dat de
PACF(2)
Coeficienii de autocorelaie parial se obin prin modele de regresie:



n modelul de mai sus
k
| reprezin coeficientul de autocorelaie parial la lagul k.

Figura 2. Corelograma pentru Indicele BET

Analiza corelogramei ofer informaii privind nestaionaritatea seriei analizate.

Ipoteza de rdcin unitar-Unit Root
- Seriile staionare se spune c au rdcin unitar.
- Ipoteze: H
0
: seria are rdcin unitar i este nestaionar
H
1
: seria este staionar
- Dac respingem ipoteza nul, putem accepta staionaritatea.

Testul Dickey-Fuller(Unit Root Test)
- Presupunem urmtorul model de serie temporal:
1 t t t
Y Y c

= + .
- Dac =1, atunci seria nu este staionar.
- Dac >1, atunci seria este exploziv(tot nestaionar, dar de regul astfel de
comportament nu este regsit n economie).
- Dac <1, atunci seria este staionar.
Practic, pentru modelul urmtor
1 1
( 1)
t t t t
Y Y Y c

= + , se testeaz dac coeficientul
1 este sau nu semnificativ diferit de zero.
n acest caz ipotezele de verificat sunt urmtoarele:
0
: 1
: 1
A
H
H

<

.

Staionaritatea n dispersie
- Dac dispersia seriei iniiale nu este constant, atunci seria se logaritmeaz.
- Dac i dup logaritmare exist un trend n date, se calculeaz diferene de ordinul
I:
1
ln ln ln
t t t
Y Y Y

A =
De exemplu, dac pentru seria indicelui BET considerm de la nceput diferenele de
ordinul I, seria pare a fi staionar n medie, dar nu este staionar n dispersie.


Figura 3. Seria difereniat

Ct vreme, transformnd seria prin diferene de ordinul I dup logaritmare, se induce
o staionaritate mai accentuat n dispersie:
1
ln ln ln
t t t
Y Y Y

A = .
- 6 0 0
- 4 0 0
- 2 0 0
0
2 0 0
4 0 0
6 0 0
5 0 0 10 0 0 15 0 0 2 00 0
Ind ic e le B E T - d ife re nte d e o rd i nul I

Figura 4. Seria logaritmat i difereniat

Aplicnd Testul Dickey-Fuller acestei serii, nu putem respinge ipoteza de
staionaritate.

Figura 5. Testul Dickey-Fuller

-.16
-.12
-.08
-.04
.00
.04
.08
.12
500 1000 1500 2000
Diferente de ordinul I ale logaritmului seriei




Figura 6. Corelograma pentru diferenele de ordinul I
ale seriei BET logaritmate(Corelograma randamentului)

Analiznd corelograma seriei logaritmate i difereniate(i.e. corelograma randamentului
indicelui BET), putem ncerca estimarea unui model ARMA.
- Vom alege pentru
1
ln ln ln
t t t t
X Y Y Y

= A = un model ARMA(p,q), unde p i q

sunt maximum 2.
- n acest moment avem de-a face cu o etap euristic: se caut modele
ARMA(p,q), conform corelogramei.
- A rezultat un model ARMA(1,2):
1 1 1 2 2 t t t t t
X X Z Z Z | u u

= + +
undeZ
t
este un white noise.


Figura 7. Rezultatele estimrii modelului

Concluzii
- Randamentul indicelui BET este o serie staionar.
- Randamentul indicelui BET urmeaz un model ARMA(1,2).
- Avnd n vedere valoarea sczut a lui R
2
, de 7%, nu putem folosi cu succes
valorile anterioare ale randamentului pentru a realiza predicii cu un grad de
acuratee ridicat.