Documente Academic
Documente Profesional
Documente Cultură
2.Determinarea rentabilitatii
Pentru a obtine rentabilitatea logaritamata cu ajutorul programul EViews s-a
folosit urmatoarea formula de calcul:
Rent=(log (SXAP)-LOG(SXAP(-1)))*100
Aceasta formula transforma rentabilitatea indicelui SXAP in una logaritmata ceea
ce duce la eliminarea unui factor perturbator important pentru o serie de timp si anume
nestationaritatea seriei.
II
III IV
2010
II
III IV
2011
II
III IV
2012
II
III IV
2013
II
III IV
2014
I
2015
Din fig.1 putem observa ca rentabilitatea portofoliului este una destul de constanta pe
parcursul perioadei pentru care s-au analizat datele.Rentabilitatea portofoliului a inregistrat
cresteri semnificative in al doilea trimestru al anului 2010 cat si in al treilea trimestru al anului
2011.Pe langa cresterile semnificative din acest trimestru, al treilea al anului 2011, s-au
inregistrat si cele mai importante scaderi ale intregii perioade.
Pentru a testa stationaritatea rentabilitatii portofoliului se va folosi testul AugmentedDickey-Fuller.Acest test ofera 3 tipuri de modele distincte si anume modelul cu constanta si
trend, modelul cu constanta si modelul fara constanta si fara trend.
ADF
Probabilitatea
3.930617
3.938407
-0.910988
-33.38918
0.0000
Din figura 2 se observa faptul ca pentru toate cele 3 modele probabilitatea asociata
testului este 0, o valoare mai mica decat pragul de semnficatie de 0.05 astfel putem respinge
ipoteza nula potrivit care seria are radacina unitate si putem afirma ca rentabilitatea portofoliului
este o serie stationara.
Pentru a alege totusi un model pentru rentabilitatea portofoliului se va folosi regula
potrivit careia se va alege modelul care are cele mai mici valori ale criteriilor Akaike si
Schwartz.
Observam din figura 2 ca cele mai mici valori ale criteriilor Akaike si Schwartz le
intalnim in cazul modelului fara trend si fara constanta astfel in continuare vom alege acest
model.
5.Analiza indicatorilor statistici descriptivi ai rentabilitatii portofoliului
Fig.3 Analiza descriptiva a portofoliului
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
RENT
0.070266
0.061031
6.837682
-8.439592
1.731715
-0.172319
4.799430
Jarque-Bera
Probability
186.7177
0.000000
Sum
Sum Sq. Dev.
93.80450
4000.448
Observations
1335
Din figura 3 se observa faptul ca media rentabilitatii portofoliului este una pozitiva astfel putem
spune ca portofoliul este unul rentabil pentru un posibil investitor.
Deasemenea se poate observa ca rentabilitatea acestui portofoliu poate avea o valoare maxima de
6.8376 sau o valoare minima de -8.439592.
Valoarea pozitiva a medianei ne arata faptul ca rentabilitatile pozitive sunt intr-un numar mai
mare decat rentabilitatile negative.
Din figura 4 observam ca probabilitatile asociate testului au toate valori mai mici decat pragul de
semnificatie de 0.05 astfel putem spune ca exista autocorelatie intre seria rentabilitatilor
portofoliului si ea insasi.
Dupa cum stim elementele principale observate in cazul volatilitatii portofoliului sunt:
-Prezentarea pe clustere
-Asimetria
-Stationaritatea
In continuare vom analiza aceste caracteristici pentru portofoliul nostru.
a)Prezentarea pe clustere
Rentabilitatea portofoliului
8
6
4
2
0
-2
-4
-6
-8
-10
I
II
III IV
2010
II
III IV
2011
II
III IV
2012
II
III IV
2013
II
III IV
2014
I
2015
b) Asimetria
Fig.6 Histograma rentabilitatii portofoliului
240
Series: RENT
Sample 1/01/2010 2/13/2015
Observations 1335
200
160
120
80
40
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.070266
0.061031
6.837682
-8.439592
1.731715
-0.172319
4.799430
Jarque-Bera
Probability
186.7177
0.000000
0
-8
-6
-4
-2
c) Stationaritatea
3.930617
3.938407
-0.910988
ADF
Probabilitatea
-33.38116
0.0000
-33.38918
0.0000
-33.35300
0.0000
Din figura 7 se observa faptul ca seria rentabilitatii portofoliului este una stationara astfel putem
afirma ca volatilitatea nu este una divergenta la infinit ci variaza in anumite limite fixate.
Din figura 8 observam ca termenii modelului ARIMA ar putea fi AR(1), AR(11), MA(1) si
MA(11).Identificarea modelului ARIMA este important deoarece in continuare va trebui sa
testam daca erorile de modelare dintre seria rentabilitatilor si componentele modelului ARIMA
sunt heteroscedastice.
Fig. 9 Testarea heteroscedasticitatii
Heteroskedasticity Test: ARCH
F-statistic
Obs*R-squared
28.37896
27.82418
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Prob. F(1,1321)
Prob. Chi-Square(1)
0.0000
0.0000
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
2.497530
0.145026
0.170922
0.027224
14.61210
5.327190
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.021031
0.020290
5.502823
40001.28
-4132.315
28.37896
0.000000
2.921240
5.559513
6.249910
6.257752
6.252850
2.062083
Din figura 9 se observa ca probabilitatea asociata testului este 0 astfel se respinge ipoteza nula
potrivit careia erorile de modelare sunt homoscedastice si putem afirma ca erorile sunt
heteroscedastice.Indeplinind aceasta conditie de heteroscedasticitate se poate trece la realizarea
unui model de tip GARCH.
Model
GARCH(1,1)
GARCH(1,2)
GARCH(2, 1)
0.024363
0.024285
GARCH(2,2)
Adj R-Sq
0.024631
Ip: lipsa
autocorelare
Ip:
homoscedasticitate
Akaike
0.024248
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
3,784924
3.743539
3.743456
3.744721
Schwarz
Parametrii
3.774975
3.778808
Semnificativi
Semnificativi
3.778725
Semnificativi
3.783908
Semnificativi
Din figura 10 observam ca modelul Garch(1,1) are atat puterea explicativa cea mai mare cat si
unul din criteterii cu conditia de minim si anue Schwarz cu cea mai mica valoare deci dintre
aceste modele GARCH se va alege modelul Garch(1,1).
Model
EGARCH(1,1)
EGARCH(1,2)
EGARCH(2, 1)
EGARCH(2,2)
Adj R-Sq
0.011802
0.022105
Ip: lipsa
autocorelare
Ip:
homoscedasticitate
Akaike
0.021369
0.021342
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
3.735575
3.745899
3.740716
3.737053
Schwarz
3.785086
3.783822
3.778681
3.784078
Din figura 11 se observa ca modelul EGarch cu care indeplineste ambele criterii de minim si
anume Akaike si Schwarz cu cele mai mici valori este modelul EGarch (2,1).
PARCH(1,1)
PARCH(1,2)
PARCH(2, 1)
PARCH(2,2)
Adj R-Sq
0.020994
Ip: lipsa
autocorelare
Ip:
homoscedasticitate
Akaike
0.020990
0.020759
0.020703
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
Indeplinita
3.730540
3.730521
3.732030
3.773627
3.779055
3.732106
Schwarz
3.777565
3.783050
Din figura 12 se observa ca modelul Parch cu care indeplineste ambele criterii de minim si
anume Akaike si Schwarz cu cele mai mici valori este modelul cat si cu cea mai mare putere
explicativa este modelul Parch (1,1).