Managementul portofoliilor si riscurilor-Proiect

1.Scurta prezentare a indicelui folosit

Indicele folosit pentru a construi portofoliul nostru este STOXX Europe 600
Automobiles & Parts.Acest indice are in componenta sa actiunile a 14 companii din 5 tari
distincte care activeaza in sectorul constructiilor de autoturisme si de piese pentru aceste
autoturisme.Abreviera acestui indice si cea care va fi folosita si in programul statistic EViews
este SXAP.
Companiile a caror actiuni sunt incluse in acest indice sunt urmatoarele :
1. BMW
2. CONTINENTAL
3. DAIMLER
4. FIAT CHRYSLER AUTOMOBILES
5. GKN
6. MICHELIN
7. NOKIAN RENKAAT
8. PEUGEOT
9. PIRELLI & C.
10. PORSCHE PREF
11. RENAULT
12. RHEINMETALL
13. VALEO
14. VOLKSWAGEN PREF

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.

3.Analiza grafica a rentabilitatii

Fig. 1 Evolutia rentabilitatii portofoliului

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

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.

4.Testarea stationaritatii rentabilitatii portofoliului

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.

Fig. 2 Tabel de sinteza al testului ADF

RENT
AKAIKE
SCHWARTZ

ADF
Probabilitatea

Modelul cu trend si Modelul cu constanta

constanta
3.931993
3.943678
-0.911109
-33.38116
0.0000

3.930617
3.938407
-0.910988
-33.38918
0.0000

Fara trend si fara

constanta
3.930447
3.934342
-0.909518
-33.35300
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.

6.Testarea autocorelarii si dependentei rentabilitatii portofoliului

Fig.4 Graficul autocorelarii pentru rentabilitatea portofoliului

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.

7.Modelarea volatilitatii portofoliului si identificarea caracteristicilor volatilitatii

portofoliului

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

Fig. 5 Prezentarea pe clustere a volatilitatii rentabilitatii portofoliului

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

Din figura 5 se observa ca in cazul rentabilitatii portofoliului nostru ca in cazul

majoratatii variabilelor financiare exista acest prim criteriu al volatilitatii pe clustere deoarece se
observa cum variatii mari ale rentabilitatii sunt urmate de variatii negative.

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

Figura 6 ne ajuta sa comparam volatilitatea rentabilitatii portofoliului nostru cu situatia in cazul

majoritatii variabilelor financiare.
Observam ca probabilitatea asociata testului Jarque-Bera in legatura cu normalitatea distributiei
are valoarea 0 astfel putem respinge ipoteza nula potrivit careia seria urmeaza o lege normal de
distributie si putem afirma contrarul adica seria nu urmeaza o lege normala de distributie.
Deasemenea din figura 6 putem observa si boltirea excesiva a seriei care fiind una leptocurtica
afecteaza caracteristica testata mai sus si anume ca seria nu urmeaza o lege de distributie
normala.

c) Stationaritatea

Fig. 7 Tabel de sinteza al testului ADF pentru rentabilitatea portofoliului

RENT
AKAIKE
SCHWARTZ

Modelul cu trend si Modelul cu constanta

constanta
3.931993
3.943678
-0.911109

3.930617
3.938407
-0.910988

Fara trend si fara

constanta
3.930447
3.934342
-0.909518

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.

8.Estimarea diverselor tipuri de modele Garch

Primul pas in analiza seriei in vederea construirii unui model de tip Garch este identificarea unui
model de tip ARIMA pentru seria noastra.
Fig.8 Corelograma rentabilitatilor

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

Date: 03/16/15 Time: 07:15

Sample (adjusted): 1/20/2010 2/13/2015
Included observations: 1323 after adjustments
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

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.

8.1. Modelul GARCH

Fig. 10 Tabel de sinteza al modelelor 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).

8.2. Modelul EGARCH

Fig. 11 Tabel de sinteza al modelelor EGarch

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).

8.3. Modelul PARCH

Fig. 12 Tabel de sinteza al modelelor Parch
Model

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).