Utilizare Eviews probleme rezolvate

Daca omul va incepe cu certitudini va sfarsi prin a se indoi;

dar daca incepe cu indoielile, va sfarsi prin a avea certitudini
Aceste notite sunt utile doar pentru a vedea unde sunt implementate, in soft, prelucrarile
necesare, la fiecare cerinta; nu contin interpretari. Pentru o rezolvare completa se vor
vedea:
- notitele de seminar, si notitele de teorie trimise pe grup
- problemele rezolvate din cartea Lazar, D. (2011) Econometrie financiara, Casa Cartii de
Stiinta. (Fisierele Eviews pentru problemele rezolvate sunt pe grup, in arhiva cu numele
EconometrieFinanciaraCarte.DateExemple.numerotate; cartea este la biblioteca
FSEGA si in librarii).

I. Tutoriale Eviews
1. www.dofin.ase.ro/acodirlasu/lect/econmsbank/econometriemsbank2007.pdf
2. www.clarku.edu/faculty/mcallan/Common/Guides/Econ366_timeseries_mine.pdf
3. www.staff.city.ac.uk/r.a.batchelor/Eviews2.pdf

Problema 1. Analiza sezonalitatii si previziune. Se consider o serie de timp ce red evolutia

unui indicator cu componenta sezoniera. Se cere:
a) Indicati componentele prezente in seria de timp (din grafic). Determinati si interpretati
coeficientii sezonalitatii, utilizand metoda raportarii la mediile mobile. Redati in acelasi
grafic valorile observate respectiv seria desezonalizata.
b) Calculati mediile mobile centrate de ordin=perioada componentei sezoniere, in scopul
desezonalizarii seriei. Redati in acelasi grafic valorile observate respectiv seria mediilor
mobile
c) Elaborai previziuni pentru urmtoarele 5 perioade de timp utilizand metoda Holt-Winters cu
componenta sezoniera.
Date: evolutie productie de bere trim1 2002 pana in trim 4 2007. Fisier productiebere.wf1,
variabila pbere
a)
se deschide obiectul pbere
grafic, din View/line, observam ca seria are componenta sezoniera, tendinta si
componenta aleatoare; adevat modelul multiplicative (T*S)
Proc/Seasonal adjustment/ Moving average methods/Ratio
- coeficientii sezonalitatii:
Scaling Factors:
1
2
3
4

0.701110
1.387865
1.417799
0.724857

- seria ajustata sezonier (desezonalizata) in pberesa

- grafic valori observate si desezonalizate, in valobssidesezonalizate:
440
400
360
320
280
240
200
160
120
2002

2003

2004

2005

PBERE

2006

2007

2008

2009

PBERESA

b)* Se utilizeaza functia @movavc(x,n). In fisier sunt salvate in mmc.

c) - selectam metoda Holt-Winters - multiplicative si punem lasam sa se estimeze constantele de
netezire (E) (rezulta alfa=0.04, beta=0.00, gama=0.00). Se va genera seria netezita in pberesm
- constantele utilizate in generarea de previziuni a=mean, b=trend, coeficientii
sezonalitatii=seasonals.
End of Period Levels:

- valorile previzionate
Trim1,2008
Tim2
Trim3
Trim4
Trim1, 2009
-

Mean
Trend
Seasonals:

2007Q1
2007Q2
2007Q3
2007Q4

314.8699
5.572500
0.664007
1.324694
1.335422
0.675878

212.775
431.869
442.809
227.878
227.576

grafic valori observate si valori previzionate din grupul valobssipreviziuni

500
450
400
350
300
250
200
150
100
2002

2003

2004

2005

PBERE

2006

2007

2008

2009

PBERESM

Problema 2. Modele stochastice de tip ARIMA respectiv GARCH. Se considera o serie de timp
nestationara ce reda evolutia unei variabile din domeniul economic (ex. rata dobanzii, curs
valutar, indice bursier, rata inflatiei, vol. creditelor, PIB, import, etc); de preferat frecventa
subanuala. Se cere:
a) Specificati modelul ARIMA(p.d.q) adecvat
b) Estimati parametrii modelului selectat
c) Testati validitatea modelului (semnificativitatea parametrilor + analiza reziduurilor).
Respecificati modelul, daca e cazul.
d) Previziuni punctuale pentru primele doua orizonturi de previziune. Deduceti limitele
intervalului de previziune.
e) * Elaborati un model de tip GARCH, daca varianta nu este constanta; deduceti
previziuni.
workfile curse.wf1
- Series curse
a) Specificati modelul ARIMA(p.d.q) adecvat
a1) d=?
View/line

4.5
4.0
3.5
3.0
2.5
2.0
1.5
00

01

02

03

04

05

06

07

08

09

CURSE

Deci, variabila este nestationara. Este necesara diferentierea.

a. grafic seria diferentiata: Quik/graph se introduce d(curse, 1) adica grafic pentru
seria diferentiata odata
0.2

0.1

0.0

-0.1

-0.2
00

01

02

03

04

05

06

07

08

09

D(CURSE)

b. pare a fi stationara, in jurul uniei constante diferita de zero. Se aplica si testul

ADF, pe seria diferentiata; View/Unit root test/ (1st difference, intercept)
Null Hypothesis: D(CURSE) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-6.341967

0.0000

Test critical values:

1% level

-3.494378

5% level

-2.889474

10% level

-2.581741

*MacKinnon (1996) one-sided p-values.

Prob =0.0000<5% deci ipoteza nula se resping. Seria diferentiata este stationara in jurul unei constante.
Prin urmare d=1.

a2) p=?, q=?

View/Correlogram; 1st difference
Correlogram of D(curse)
Date: 11/21/08 Time: 12:18
Sample: 2000M01 2009M12
Included observations: 105
Autocorrelation
. |***
. |*
. |.
. |.
. |.
. |*
. |*
. |*
. |*
. |*
. |.
. |*
. |.
. |.
. |.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

Partial Correlation
. |***
. |.
.*|.
. |.
. |.
. |*
. |*
. |.
. |*
. |.
. |.
. |.
.*|.
. |.
. |.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

AC
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

0.413
0.184
0.020
0.037
0.036
0.139
0.192
0.127
0.172
0.119
0.064
0.067
0.006
0.038
0.064

PAC

Q-Stat

Prob

0.413
0.016
-0.075
0.063
0.014
0.131
0.111
-0.018
0.137
0.014
-0.021
0.057
-0.085
0.039
0.031

18.462
22.171
22.215
22.371
22.514
24.694
28.936
30.815
34.264
35.947
36.435
36.975
36.980
37.156
37.665

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.001

Modele posibile pentru seria diferentiata d(curse): AR(1) deoarece din PAC primul coeficient c1
este semnificativ iar ceilalti, c2, c3, , devin brusc nesemnificativi. Alta varianta MA(2)
deoarece r1 si r2 sunt nesemnificativi iar ceilalti, r3, r4, devin brusc nesemnificativi. Dintre
doua variante de tip AR respectiv MA se alege modelul cu un numar minim de parametri, deci
AR(1).
Obs. Daca nu se observa ceva regularitati se poate incerca un model mixt ARMA sau daca seria
are sezonalitate si atunci se va merge pe un model sarma.
Alegem, pentru seria diferentiata d(curse), un model AR(1), adica p=1 si q=0 sau
ARMA(1,0). Pentru datele observate curse modelul este ARIMA(1,1,0), d=1, p=1, q=0.
b) Estimati parametrii modelului selectat
Object/New object/Equation. Specificam ecuatia de regresie:
d(curse) c ar(1)
In eviews: ar(k) se utilizeaza pentru regresori (variabila explicativa) de tipul Yt k iar ma(k)
pentru regresori de tipul t k .

Dependent Variable: D(CURSE)

Method: Least Squares
Date: 11/21/08 Time: 12:37
Sample (adjusted): 2000M03 2008M10
Included observations: 104 after adjustments
Convergence achieved after 3 iterations
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
AR(1)

0.019358
0.423755

0.010366
0.090862

1.867535
4.663707

0.0647
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots

0.175759
0.167678
0.060874
0.377976
144.5308
2.002287

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.018349
0.066725
-2.740978
-2.690124
21.75017
0.000009

.42

Testati validitatea modelului (semnificativitatea parametrilor + analiza reziduurilor).

Respecificati modelul, daca e cazul.
c)

c1) Semnificativitatea coeficientilor

- constanta este nesemnificativa, deoarece Prob. =0.0647>5%, se va elimina din model
- coeficientul lui Yt 1 , valoarea estimata a sa fiind 0.423, este seminificativ diferit de zero
deoarece Prob.=0.000<5%, deci variabila explicativa Yt 1 se mentine in model.
Reestimam modelul fara constanta:
Dependent Variable: D(CURSE)
Method: Least Squares
Date: 11/21/08 Time: 12:45
Sample (adjusted): 2000M03 2008M10
Included observations: 104 after adjustments
Convergence achieved after 2 iterations
Variable

Coefficient

Std. Error

t-Statistic

Prob.

AR(1)

0.464888

0.088938

5.227104

0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Inverted AR Roots

0.149305
0.149305
0.061542
0.390107
142.8881

Mean dependent var

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

.46

0.018349
0.066725
-2.728618
-2.703191
2.023231

Toti coeficientii (aici doar unul) sunt semnificativi.

*Optional. 1) Ecuatia estimata, pentru variabila X, in acest caz se scrie usor:
(1 0.465 L) X t t
X t 0.465 X t 1 t

unde X t Yt (1 L)Yt Yt Yt 1 =d(curse) este seria cursului dupa o singura diferentiere.

Ecuatia pentru Y:
(1 0.465 L)(1 L)Yt t
(1 L 0.465 L 0.465 L2 )Yt t sau
Yt 1.465Yt 1 0.465Yt 2 t

2) Daca avem constanta si/sau sezonalitate ecuatia se scrie mai dificil (a se vedea tutorialul
softului).
c2. Teste asupra reziduurilor: din ecuatie View/Residual tests
1. Reziduurile sunt correlate ?
Correlogram-Qstatistics
Correlogram of residuals
Autocorrelation
. |.
. |.
.*|.
. |.
. |.
. |*
. |*
. |.
. |*
. |*
. |.
. |*
.*|.
. |.
. |.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

Partial Correlation
. |.
. |.
.*|.
. |.
. |.
. |.
. |*
. |.
. |*
. |*
. |.
. |*
.*|.
. |.
. |.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

AC

PAC

Q-Stat

Prob

-0.048
0.042
-0.103
0.028
-0.054
0.079
0.121
-0.007
0.101
0.070
-0.002
0.066
-0.058
0.025
0.000

-0.048
0.040
-0.099
0.018
-0.045
0.064
0.137
-0.011
0.111
0.104
-0.001
0.097
-0.062
0.007
0.018

0.2480
0.4423
1.5930
1.6788
2.0014
2.6985
4.3705
4.3756
5.5536
6.1320
6.1325
6.6613
7.0696
7.1479
7.1480

0.506
0.451
0.642
0.736
0.746
0.627
0.736
0.697
0.727
0.804
0.826
0.853
0.894
0.929

Pentru ultimele linii, testul Q are Prob>5% rezulta erori necorelate. La Q(15) avem
Prob=0.929>5% deci primii 15 coeficienti de autocorelatie sunt nesemnificativi.
Testul LM pentru autocorelatie
Breusch-Godfrey Serial Correlation LM Test:
F-statistic

0.035191

Prob. F(1,101)

0.851572

Obs*R-squared

0.036224

LMcalculat=T* R 2 =0.0362,

Prob. Chi-Square(1)

0.849054

iar Prob. Chi-Square(1)=0.849>5% rezulta erorile nu sunt corelate.

2. Reziduurile urmeaza legea normala?

Histogram normaliti test
12

Series: Residuals
Sample 2000M03 2008M10
Observations 104

10
8
6
4
2
0
-0.10

-0.05

-0.00

0.05

0.10

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

0.010457
0.007198
0.159921
-0.123725
0.060639
0.076605
2.818596

Jarque-Bera
Probability

0.244316
0.885009

0.15

Probab=0.88>5% deci conform testului Jarque-Bera reziduurile sunt distribuite dupa legea
normala.
3. Reziduurile au aceeasi varianta?
ARCH LM test
ARCH Test:
F-statistic
Obs*R-squared

0.005644
0.005755

LMcalculat=T* R 2 =0.005755,

Prob. F(1,101)
Prob. Chi-Square(1)

0.940264
0.939528

iar Prob. Chi-Square(1)=0.939>5% rezulta erorile au aceeasi

varianta.

Prin urmare, modelul ARIMA(1,1,0), d=1, p=1, q=0 a trecut testele de validare. Poate fi utilizat
in generarea de previziuni.
c) Previziuni punctuale pentru primele doua orizonturi de previziune. Deduceti limitele
intervalului de previziune.
Din ecuatie, Forecast unde indicam: curse, iar la Forecast sample 2008m11 2009m03 (datele
fiind pana in octombrie 2008)
Previziunile punctuale sunt puse in cursef:

2008M11
2008M12
2009M01
2009M02
2009M03

3.805
3.831
3.844
3.849
3.852

4.3
4.2
4.1
4.0
3.9
3.8
3.7
3.6
3.5
3.4
2008M11

2008M12

2009M01

2009M02

2009M03

CURSEF

Problema 3 (foarte succint). Datele: evolutia ratei inflatiei in zona EU15. Seria Y = rieu15
Dependent Variable: RIEU15
Method: Least Squares
Date: 12/04/08 Time: 15:45
Sample(adjusted): 2001:03 2006:12
Included observations: 70 after adjusting endpoints
Convergence achieved after 5 iterations
Variable
Coefficient
Std. Error
t-Statistic
C
2.083070
0.036366
57.28084
AR(1)
0.937630
0.117640
7.970335
AR(2)
-0.304606
0.114771 -2.654031
SAR(12)
-0.503636
0.109152 -4.614084
R-squared
0.628978 Mean dependent var
Adjusted R-squared
0.612113 S.D. dependent var
S.E. of regression
0.167090 Akaike info criterion
Sum squared resid
1.842656 Schwarz criterion
Log likelihood
27.97937 F-statistic
Durbin-Watson stat
2.044072 Prob(F-statistic)

Prob.
0.0000
0.0000
0.0100
0.0000
2.092857
0.268286
-0.685125
-0.556639
37.29563
0.000000

Datele au sezonalitate, perioada componentei sezoniere este 12, deci s-a daugat un termen
sar(12). Modelul rezultat este de tip sarma.
9

*Optional. Ecuatia:
Yt 2.083 u t
(1 0.937 L 0.305 L2 )(1 0.504 L12 )u t t

Erorile sunt necorelate:

Included observations: 70
Q-statistic
probabilities
adjusted for 3
ARMA term(s)
Autocorrelation
Partial Correlation
.|. |
.|. |
. |*. |
. |*. |
.|. |
.|. |
. |*. |
. |*. |
.|. |
.|. |
.|. |
.|. |
. |*. |
. |*. |
.|. |
.|. |
. |** |
. |** |
.|. |
.|. |
. |*. |
. |*. |
.|. |
.|. |
.|. |
.*| . |
.|. |
. |*. |
.*| . |
.*| . |

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

AC
-0.022
0.094
-0.018
0.119
-0.048
0.002
0.134
-0.005
0.217
0.039
0.148
-0.051
-0.031
0.053
-0.112

PAC
-0.022
0.093
-0.015
0.111
-0.042
-0.020
0.149
-0.015
0.212
0.054
0.091
-0.028
-0.105
0.066
-0.140

erorile urmeaza legea normala

16

Series: Residuals
Sample 2001:03 2006:12
Observations 70

12

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

Jarque-Bera
Probability

0
-0.4

Q-Stat
0.0358
0.6854
0.7109
1.8013
1.9821
1.9824
3.4239
3.4260
7.3194
7.4481
9.3141
9.5426
9.6282
9.8816
11.039

-0.2

0.0

0.2

0.4

erorile au aceeasi varianta:

ARCH Test:
F-statistic

0.038871

0.844301
Probability

10

7.59E-10
0.013698
0.388218
-0.439646
0.163417
-0.139290
3.142365
0.285468
0.866985

Prob

0.180
0.371
0.576
0.490
0.635
0.292
0.384
0.316
0.389
0.474
0.541
0.526

Obs*R-squared

0.040008

0.841465
Probability

Previziuni:
2.036
2.060
2.089
1.926
1.921

2.8
2.6
2.4
2.2
2.0
1.8
1.6
1.4
1.2
07:01

07:03

07:05

07:07

RIEU15F

07:09

07:11

2 S.E.

Problema 4.
Se consider seria ce red evoluia zilnic a indicelui bursier BET n perioada ianuarie 1999
decembrie 2009. Ratele zilnice ale rentabilitii sunt calculate n forma logaritmic
rt ln(Yt / Yt 1 ) , unde Yt 1 i Yt sunt valorile indicelui Y=BET n dou zile consecutive (n
ziua t 1 respectiv t). Graficul indicelui respectiv a ratei rentabilitii sunt redate mai jos:

11

12000

.15

10000

.10

8000

.05

6000

.00

4000

-.05

2000

-.10

-.15
500

1000

1500

2000

2500

3000

500

1000

BET

1500

2000

2500

3000

Rata rentabilitatii

1. Studiul dependenelor liniare din seria rentabilitilor

Seria rentabilitilor este staionar. Corelograma acesteia:

arat c cel puin primul coeficient de autocorelaie r1 c1 0.156 este semnificativ diferit de
zero. Intervalul de acceptare a nesemnificativitii este 2 2858 , 2 2858 sau
0.037, 0.037 . Exist o corelaie semnificativ ntre ratele rentabilitii din dou zile
consecutive; coeficientul de autocorelaie este pozitiv ceea ce indic un comportament de
persisten.
Testul Q aferent ipotezei nule H 0 : r1 r2 ... rM 0 , pentru M=1,2, ..., 15:
M

Q ( M ) T (T 2)
j 1

rj2
T j

2M

redat succesiv pe ultimele dou coloane respinge ipoteza nul, pentru orice valoare M.
Probabilitatea ataat ipotezei nule este Prob=0.00 5%.
Prin urmare, prin prisma acestor teste, nu se verific ipoteza de eficien, n perioada
considerat. Aceast corelaie semnificativ, pentru k=1, ar putea fi ns indus de efecte
specifice pieelor emergente, precum slaba tranzacionare (Todea, 2005).
2. Elaborarea unui model ARMA pentru seria rentabilitilor
12

a) Specificarea i estimarea unui model ARMA. Corelograma seriei rentabilitilor sugereaz

un model AR(1), deoarece doar primul coeficient PAC este semnificativ c1 0 , n continuare
toi ceilali devenind nesemnificativi c k 0 pentru k 2 . Reamintim proprietatea funciei de
autocorelaie parial: c k 0 pentru k 2 n cazul unui model AR(1).
Estimarea oricrui model econometric se realizeaz ntr-un obiect de tip ecuaie Objects/New
Object/Equation. Ecuaia se specific prin enumerarea denumirii variabilei dependente urmat de
variabilele explicative (regresori), separate de spaiu; constanta din ecuaie se specific prin c.
Regresorii de tip termeni autoregresivi se indic prin ar (k ) , pentru Yt k . Seria ratelor
rentabilitii o notm cu rbet. Ecuaia aferent modelului AR(1): Yt a 0 a1Yt 1 t se specific
prin: rbet c ar(1), rezultnd (metoda LS) urmtoarele estimaii:
Dependent Variable: RBET
Method: Least Squares
Variable
Coefficient
C
0.000878
AR(1)
0.154820
R-squared
0.023977
Adjusted R-squared
0.023635
S.E. of regression
0.017806
Sum squared resid
0.905148
Log likelihood
7455.781
Durbin-Watson stat
1.999525
Inverted AR Roots
.15

Std. Error
t-Statistic
0.000394
2.227255
0.018487
8.374686
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0260
0.0000
0.000877
0.018020
-5.217907
-5.213737
70.13537
0.000000

Valoarea constantei a 0 din modelul AR(1) nu este constanta C, de pe coloana coeficienilor, din
tabelul furnizat de soft. Ecuaia modelului autoregresiv pentru Yt se deduce din specificarea:
Yt C u t , Yt 0.00087 u t
(1 a1 L ).u t t , (1 0.155 L).u t t .
n (1 0.155 L)u t t se nlocuiete u t Yt 0.00087 i rezult:
(1 0.154 L)(Yt 0.00087) t , respectiv ecuaia estimat a modelului AR(1):
Yt 0.0007 0.0155Yt 1 t .
b) Teste de validare (specificare)
b1. Teste referitoare la coeficieni. Informaiile privind testele asupra nesemnificativitii
coeficienilor a 0 i a1 sunt redate n tabelul anterior. Testul Student:

a1
t
N (0,1)
Var a1
aferent ipotezei H 0 : a1 0 , coeficientul variabilei Yt 1 , are valoarea calculat t calc 8.37 (tStatistic este egal cu raportul Coefficient/Std.Error). Pentru un nivel de semmnificatie 5% ,
valoarea critic z / 2 z tab determinat din tabelul aferent legii normale N (0,1) , astfel nct
z / 2 1.96 .1
P ( z ta z z tab ) 1 0.95
t calc z tab , z tab
este
Cum
sau
Y
8.37 1.96, 1,96 , ipoteza nul se respinge. Coeficientul variabilei
t 1 este semnificativ
diferit de zero, prin urmare variabila se menine in model. Aceeai decizie rezult i n baza
1

Pentru explicaii suplimentare recomandm parcergerea n prealabil a materialului din Apendix)

13

probabilitii Prob=0.00 5%, prin urmare ipoteza nul se respinge. n mod similar, se decide
semnificativitatea constantei, pentru un nivel de semmnificatie 5% ; probabilitatea Prob=0.02
5%, sau valoarea statisticii Student t calc 2.22 1.96, 1,96 .
b2. Teste privind reziduurile. Acestea sunt disponibile din View/Residual Tests (pe ecuaie).
Testarea autocorelrii reziduurilor. Dac modelul este bine specificat atunci nu exist
corelaii n seria reziduurilor; seria reziduurilor este nepredictibil. n Correlogram-Q-statistics
sunt determinate funciile de autocorelaie rk respectiv de autocorelaie parial c k , estimate
pentru reziduurile t Yt a 0 a1Yt 1 :

Ipoteza nesemnificativitii coeficienilor de autocorelaie rk i de autocorelaie parial c k

pentru seria reziduurilor se accept. Testul Q:
M

Q T (T 2)
j 1

rj2
T j

2 M 1

ce urmeaz asimtotic legea M 1 , accept ipotezele nule de tipul H 0 : r1 r2 ... rM 0

pentru orice valoare a lui M; toate probabilitile aferente Prob sunt peste 5% Prin urmare nu
exis autocorelaii n seria reziduurilor.
2

Investigarea heteroscedasticitii reziduurilor. Testul de tip LM destinat detectrii unei

heteroscedasticiti de tip ARCH(p), specificat prin ARCH LM Test:

ARCH Test:
F-statistic
Obs*R-squared

336.3634
301.1111

Probability 0.000000
Probability 0.000000

respinge ipoteza nul H o : nu exist efect ARCH, n baza ambelor statistici; probabilitile
aferente ipotezei nule sunt zero Prob=0.00 5%. Statistica LM este definit prin
LM T R 2 301.1 . Seria reziduurilor, i prin urmare i seria rentabilitilor nu are variana
constant n timp. Graficul ratei rentabilitii sugereaz de asemenea succesiunea unor perioade
14

cu volatilitate mic urmate de perioade cu volatilitate ridicat. Exerciiul se va continua n

paragraful urmtor, cnd se va ine seama de acest comportament, i pentru varian se va
specifica un model dinamic.
Testarea normalitii reziduurilor. Testul Jarque-Bera, din Histogram-Normality Test:

respinge ipoteza normalitii reziduurilor, i prin urmare a rentabilitilor; Prob=0.00 5%.

Coeficientul de boltire (Kurtosis) este mult mai mare dect 3, ceea ce indic o distribuie
leptokurtic a reziduurilor, i prin urmare a rentabilitilor.
Pentru perioada considerat, seria rentabilitilor este predictibil, nu urmeaz legea normal
de probabilitate i are varian variabil n timp. Ultimele dou aspecte sunt comune seriilor
financiare. Caraceristicile specifice seriilor financiare se vor discuta n paragraful urmtor.
Ca i alternativ la ipoteza eficienei informaionale, teoria pieelor adaptive pare a fi mai des
validat empiric, rentabilitile nregistrnd un comportament episodic; perioade lungi de
eficien sunt urmate de perioade de ineficien, n care se manifest autocorelaii de regul
neliniare (Todea i ...).
Problema 5. Previziuni generate de modelul ARIMA
Seria considerat red evoluia ctigului salarial mediu brut lunar n economie, n perioada
ianuarie 2005-octombrie 2011; sursa datelor este Institutul Naional de Statistic
http://www.insse.ro. Se cere:
a) Specificai un model ARIMA, pe baza funciilor AC i PAC;
b) Estimai modelul identificat;
c) Testai validitatea modelului i respecificai, dac este cazul;
d) Elaborai previziuni pentru urntoarele luni.
Rezolvare. a) Specificarea un model ARIMA(p, d, q). Evoluia evoluia ctigului salarial mediu
lunar, redat n figura urmtoare, este vizibil nestaionar.

15

2200

300

2000

200

1800

100

1600
0
1400
-100

1200

-200

1000
800

-300
2005

2006

2007

2008

2009

2010

2011

2005

Castig salarial

2006

2007

2008

2009

2010

2011

Variatia castigului salarial

Testul ADF, n varianta Trend and Intercept, aplicat pe datele observate, Level, accept ipoteza
nul (Prob=0.92 5%., prin urmare seria are rdacin unitate (tendin stochastic).
Null Hypothesis: SALARIU has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 2 (Automatic based on SIC, MAXLAG=11)
t-Statistic
Augmented Dickey-Fuller test statistic
-1.069073
Test critical values:
1% level
-4.081666
5% level
-3.469235
10% level
-3.161518
*MacKinnon (1996) one-sided p-values.

Prob.*
0.9272

Stabilirea ordinului de difereniere d. Diferenele de ordinul unu X t Yt Yt Yt 1 redau

variaia ctigului salarial fa de luna anterioar; graficul acestora este indicat n figura
anterioar. Testul ADF aplicat asupra diferenelor de ordinul unu, din View/Unit Root Test/1st
difference (stnd pe seria salariului) cu varianta None (deoarece fluctuaiile diferenelor de
ordinul unu sunt n jurul lui zero, conform graficului), indic:
Null Hypothesis: D(SALARIU) has a unit root
Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=11)
t-Statistic
Augmented Dickey-Fuller test statistic
-9.678883
Test critical values:
1% level
-2.595340
5% level
-1.945081
10% level
-1.614017
*MacKinnon (1996) one-sided p-values.

Prob.*
0.0000

respingerea ipotezei nule (Prob=0.00 5%), seria diferenelor fiind staionar. Evoluia salariului
este nestaionar, dar diferenele de ordinul unu devin staionare, prin urmare d=1; dup o
singur difereniere seria devine staionar.
Stabilirea valorilor p respectiv q. Pentru seria diferenelor de ordinul unu X t Yt , ce este
staionar, i red variaia ctigului salarial fa de luna anterioar, se caut un model
ARMA(p,q). Identificarea valorilor p respectiv q se realizeaz pe seria diferenelor (modelul
ARMA este adecvat seriilor staionare). Prin urmare analizm funcia de autocorelaie i de
16

autocorelaie parial pentru seria diferenelor, din View/Correlogram/1st difference (stnd pe

seria salariului).

Din prima parte a corelogramei, sunt semnificativi primii doi coeficieni de autocorelaie
r1 , r2 , respectiv de autocorelaie parial c1 , c 2 iar urmtorii devin nesemnificativi: intervalul

a nesemnificativitii coeficienilor este 2 79 , 1.96 79 , sau

0.225, 0.225 ,. Urmtorul coeficient puternic semnificativ diferit de zero este r12 , respectiv
c12 .
Semnificativitatea coeficientului aferent unei ntrziei de 12 luni r12 Corr (Yt , Yt 12 ) indic
prezena unei sezonaliti in date, 12 fiind perioada componentei sezoniere. Sezonalitatea poate fi
observat i n graficul ce red evoluia ctigului salarial; in graficul diferenelor nu este
vizibil, seria diferenelor fiind dominat de componenta aleatoare. Coeficienii sezonalitii,
pentru ctigul salarial:
de

acceptare

Scaling Factors:
1
1.008342
2
0.977941
3
1.026806
4
1.028938
5
0.997992
6
0.996229
7
0.987072
8
0.966384
9
0.965040
10
0.969436
11
0.987409
12
1.095608

indic valori ale ctigului salarial peste medie n lunile decembrie, aprilie, martie respectiv
ianuarie (odat cu alocarea salariului suplimentar n sistemul bugetar, i a acordrii unor prime
ctre angajai, la incheierea anului financiar).

17

Atunci cnd datele au sezonalitate, pentru a uura identificarea valorilor p i q, sugerm

desezonalizarea datelor i analiza corelogramei seriei desezonalizate. Corelograma seriei
nedesezonalizate pote fi confuz, deoarece existena unei corelaii semnificative pentru o
ntrziere egal cu perioada poate induce corelaii i la ntrzieri divizorii ai perioadei.
Corelograma seriei desezonalizate:

sugereaz un model MA(1) sau AR(2) pentru componenta nesezonier din date.
Reinem un model MA(1) cu sezonalitate autoregresiv SAR aferent unei perioade de 12
luni. n notaia standard SARMA(p,q)(P,Q), modelul are specificarea SARMA(0,1)(1,0):; aceasta
este specificarea pentru seria variaiilor cursului (diferenele de ordinul unu).
b)Estimarea modelului reinut se realizeaz ntr-un obiect de tip ecuaie Objects/New
Object/Equation. Ecuaia se specific astfel:
d(salariu) c ma(1) sar(12).
Reamintim c modelul ARMA se elaboreaz pentru diferenele de ordin unu d(salariu), aceasta
fiind variabila dependent. Regresorii de tip medie mobil se indic prin ma(k ) , pentru t k ,
respectiv sar(p) sau sma(p) pentru componenta de sezonalitate cu perioada p.
Dependent Variable: D(SALARIU)
Method: Least Squares
Variable
Coefficient
AR(12)
0.765488
MA(1)
-0.489476
R-squared
0.580064
Adjusted R-squared
0.573603
S.E. of regression
54.40932
Sum squared resid
192424.3
Log likelihood
-361.8215

Std. Error
t-Statistic
0.086168
8.883653
0.110263 -4.439176
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

Prob.
0.0000
0.0000
13.50746
83.32328
10.86034
10.92616
2.122096

Constanta a fost eliminat, deoarece a fost nesemnificativ. Scrierea ecuaiei modelului se

realizeaz n specificarea de tipul L u t L t prin intermediul operatorului L:2
Yt C u t , Yt 0 u t
(1 0.765 L12 )u t (1 0.489 L) t ,
2

Se recomand consultatea tutorialului softului EViews, pentru interpretarea tabelului coeficienilor.

18

12
respectiv (1 0.765 L )Yt (1 0.489 L) t , i rezult Yt 0,765Yt 12 0.489 t 1 t .

c) Testarea validitii modelului. Testul Student respinge ipoteza nesemnificativitii

coeficienilor (Prob=0.00 5%). Referitor la reziduuri, acestea sunt necorelate, conform
corelogramei i testului Q:

Probabilitile aferente testului Q indic acceparea ipotezei nule privind nesemnificativitii

primilor M coeficieni de autocorelaie; probabilitile Prob sunt peste 5% pentru M mare.
Testul de tip LM destinat detectrii unei heteroscedasticiti de tip ARCH(p):
ARCH Test:
F-statistic
Obs*R-squared

2.891348
2.852820

Probability 0.093911
Probability 0.091214

accept ipoteza nul H o : nu exist efect ARCH n seria reziduurilor, n baza ambelor statistici;
probabilitile aferente ipotezei nule sunt Prob=0.09 5%.
Testul Jarque-Bera, respinge ipoteza nul privind distribuia normal a reziduurilor:

probabilitatea corespunztoare ipotezei nule fiind mai mai mic dect 5%.

19

Observaie. Pentru a vedea dac nu sunt indicate alte specificri sugerate de cele dou
corelograme (ale seriei observate i a celei desezonalizate), sau dac nu sunt necesare valori mai
mari pentru p sau q, au fost estimate i modelele MA(2), AR(1), AR(2). Dei unele au trecut
testele de validate, modelul cu valori minime pentru criteriile informaionale Akaike i Schwarz
(indicate n tabelul cu ecuaia estimat) este cel reinut.
e) Elaborarea previziunilor punctuale se realizeaz din obiectul ecuaie, unde se selecteaz
Forecast pentru salariu, Forecast sample 2011:09 2012:12; datele sunt disponibilr pn n luna
octombrie 2011. Deci prima lun pentru care se elaboreaz o previziune este luna noiembrie
2011. Previziunile aferente urmtorului an sunt redate n graficul:
2400
2200
2000
1800
1600
1400
1200
1000
800
05

06

07

08

09

Previziuni

10

11

12

Salariu

Previziunile sunt salvate n saeria salariuf. Valorile aferente lunilor octombrie, noiembrie,
decembrie din anul 2011 sunt respectiv: 1989, 2031, 2159 lei. Intervalele de previziune, furnizate
de EViews, nu sunt credibile deoarece reziduurile nu sunt distribuite dup legea normal de
probabilitate.

Explicatii suplimentare la problema 1.

Datele privind evoluia trimestrial a produciei de bere (mii hl) realizat de ctre o societate
n perioada 2002-2007 sunt indicate n tabelul 4.
Tabelul 4. Evoluia trimestrial a produciei de bere, perioada 2001-2006
An/Trim.
2002
2003
2004
2005
2006
2007

I
124.1
130.1
157.5
169.7
177.5
202.9

II
263.2
280.2
301.2
340.0
407.6
385.3

III
252.4
260.6
353.3
350.9
417.2
425.6

a) Calculul mediilor mobile centrate de ordin p=4

20

IV
124.5
151.1
185.0
168.7
224.1
196.6

Graficul seriei indic prezena unei componente sezoniere predominante, de perioad p =

4. Punctul de pornire n estimarea componentei sezoniere l constituie seria mediilor mobile
(valorilor desezonalizate) prezentat n tabelul urmator.
Mediile mobile de ordin p = 4 sunt calculate conform relaiei de definiie a mediilor mobile
centrate. Astfel, spre exemplu:
0.5 Y1 Y2 Y3 Y4 0.5 Y5

4
0.5 124.1 263.2 252.4 124.5 0.5 130.1

191.8
4

Y3

0.5 Y2 Y3 Y4 Y5 0.5 Y6

4
0.5 263.2 252.4 124.5 130.1 0.5 280.2

194.7
4

Y4

0.5 Y20 Y21 Y22 Y23 0.5 Y24

4
0.5 224.1 202.9 385.3 425.6 0.5 196.6

306.0.
4

Y22

Datele observate au fost numerotate aici n ordine cronologic Y1 , Y2 , ...Y24 .

Tabel 4. Mediile mobile centrate de ordinul 4
t
MM(4)
t
MM(4)
1
2
3
4
5
6
7
8
9
10
11
12

191.8
194.7
197.8
202.2
208.9
214.9
229.2
245.0
250.8
257.1

13
14
15
16
17
18
19
20
21
22
23
24

261.7
259.4
258.3
267.7
284.5
299.7
309.8
310.2
308.4
306.0
-

b) Estimarea componentei sezoniere prin metoda raportrii la mediile mobile

Cum amplitudinea oscilaiilor crete uor n timp, cronograma seriei sugereaz luarea n
considerare a unui model multiplicativ:
Yij Tij S j ij ; i 1, 2,..., 6 iar j 1, 2, 3, 4 .
Datele sunt disponibile pentru 6 ani i sunt prezente aici 4 sezoane. innd seama de notaiile
specifice acestui paragraf, Yij reprezint nivelul produciei de bere n anul i trimestrul j. Astfel,
spre exemplu Y13 Y2001;III 252.4 sau y34 y 2003; IV 185.0 . Mediile mobile din tabelul
anterior vor fi transpuse ntr-un tabel analog cu cel de prezentare a datelor observate:
21

An/Trim.
2002
2003
2004
2005
2006
2007

Rapoartele S ij

Yij
Yij

I
197.8
229.2
261.7
284.5
308.4

II
202.2
245.0
259.4
299.7
306.0

III
191.8
208.9
250.8
258.3
309.8
-

IV
194.7
214.9
257.1
267.7
310.2
-

100 , respectiv mediile acestora pentru fiecare sezon sunt indicate n tabelul

de mai jos.
Tabel. Calculul indicilor sezonalitii
An/Trim.
2002
2003
2004
2005
2006
2007
I

Sj

I
65.8
68.7
64.8
62.4
65.8
65.5
65.6

II
138.6
122.9
131.1
136.0
125.9
130.9
131.4

III
131.6
124.7
140.9
135.8
134.7
133.5
134.0

IV
63.9
70.3
71.9
63.0
72.7
68.4
68.8

Media
Media

99.6
100

Explicaii privind calculele:

Y
252.4
Y
124.5
S13 13 100
100 131.6 , S14 14 100
100 63.9 ,
Y13
191.8
Y14
194.7
Y
130.1
S 21 21 100
100 65.8 , .a.m.d.
Y21
197.8
Cum era de ateptat, aceste rapoarte ntre datele observate i mediile mobile sunt mai mici dect
1 pentru trimestrele I i IV, cnd nivelul produciei a fost sistematic mai mic (sub tendin).
S 21 S 31 S 41 S 51
65.5, I 2 130.9,
4
S S 23 S 33 S 43
I 3 13
133.5, I 4 68.4.
4
Valoarea medie a acestor indici este 99.6, astfel c este necesar o corecie astfel nct media s
fie 100:
I
65.5
S1 1 100
100 65.6, S 2 131.4, S 3 134.0, S 4 68.8 .
99.6
99.6
Urmare a caracterului sezonier specific produciei de bere, n trimestrul I producia a fost mai
mic n medie cu 34.4% dect valorile corespunztoare de pe tendin. n trimestrul II producia
a fost n medie mai mare de 1.314 ori dect valorile de pe tendin. Analog se interpreteaz S3 i
S4.
Componenta sezonier este dat de vectorul format cu indicii sezonalitii:
S=(S1, S2, S3 , S4 ) = (0.656; 1.314; 1.340; 0.688).
!! Diferentele de zecimale fata de rezultatele din soft apar din cauza rotunjirilor.
I1

22

Exemplu Componentele unei serii de timp: descriere intuitiva.

Evolutia trimestriala a PIB, in perioada ianuarie 1998-ianuariea 2009, este redata in
figura 1.
Figura 1. Evolutia PIB-ului real in Romania
40000
36000
32000
28000
24000
20000
16000
12000
1998

2000

2002

2004

2006

2008

Graficul seriei evidentiaza prezenta unei tendinte de crestere, o sezonalitate pronuntata cu

perioada 4 trimestre, respectiv a componentei aleatoare. Componenta ciclica nu este vizibila, desi
este prezenta. Pentru estimarea si separatea componentelor tendinta-ciclu, sezonalitate si
componenta aleatoare s-a utilizat metoda Tramo/Seat, iar apoi estimarea si separarea tendintei si
a ciclului s-a realizat cu filtrul Hodrick-Prescott; ambele metode sunt implementate in softul
Eviews. Modelul de descompunere este multiplicativ in cazul metodei Tramo, respectiv aditiv
pentru filtrul Hodrick-Prescott, prin urmare: Yt (Tt Ct ) St t TCt St t .

Figura 2. Descompunerea seriei PIB pe componente

23

34000

1200

32000
800

30000
28000

400

26000
0

24000
22000

-400

20000
18000

-800
98

99

00

01

02

03

04

05

06

07

08

09

98

99

00

01

TENDINTA

02

03

04

05

06

07

08

09

08

09

COMPONENTA CICLICA

140

103

130
102

120
110

101

100
100

90
80

99

70
60

98
98

99

00

01

02

03

04

05

06

07

08

09

98

Componenta sezoniera

99

00

01

02

03

04

05

06

07

Componenta aleatoare

Estimarea si separarea componentelor permite o descriere intuitiva a acestora. Variatiile ciclului

in jurul tendintei, masurate aditiv ( Tt C t ), indica prezenta catorva cicluri in economia
Romaniei: -2000, 2000-2003, 2003-2005, 2005-2009. Constatam doua perioade de recesiune
abrupta, prima acopera intervalul 1998-2000 iar urmatoarea incepe in 2008. Componenta
sezoniera si cea aleatoare sunt masurate multiplicativ ( Yt TC t S t t ) iar in grafic sunt indicate
in procente. In trimestrele I si II valorile PIB-ului sunt sub medie (in medie cu 36% respectiv
15%) iar in trimestrele III si IV avem valori peste medie (cu 18% respectiv 31%). Componenta
pe termen lung tendinta-ciclu este asimilata mediei. Aceast comportament este indicat de graficul
componentei sezoniere, ce are alura unei functii periodice cu perioada 4 unitati de timp
(trimestre); valorile de maxim corespund trimestrului IV iar cele de minim trimestrului I, fiind
aproximativ cu 30% mai mari respectiv mai mici decat 100. Componenta neregulata are o
contributie mai importanta in prima si ultima parte a perioadei, dupa cum se poate anticipa si din
figura 1.
Exemplu 2. Separarea tendintei si evidentierea componentei ciclice: prezentare grafica.
Evolutia ratei daunei in asigurarile generale, din figura 3, sugereaza prezenta tendintei respeciv a
unei ciclicitati, alaturi de componenta neregulata; datele sunt anuale, se refera la industria
asigurarilor din SUA, si acopera perioada 1951-2007. Filtrul Hodrick-Prescott este fecvent
utilizat pentru extragerea tendintei, si evidentiarea ciclicitatii in seriile macroeconomice si
financiare, in modelul aditiv Yt Tt C t ; componenta ciclica se manifesta sub forma unor
deviatii tranzitorii de la trend (sezonalitatea si componenta neregulata sunt ignorate).
Figura 3. Evolutia ratei daunei, separarea tendintei si a componentei ciclice

24

a) Rata daunei si componenta de tendinta

b) Componenta ciclica
Rata daunei, calculata ca raport intre daunele aparute si primele aferente perioadei, a inregistrat o
tendinta de crestere pana in anul 2005, dupa acest an inregistrand o usoara tendinta de scadere.
Componenta ciclica este strans legata de strategia de subscriere, prin urmare de nivelul primelor
si al profitului, de unde si denumirea de cicluri de subscriere (underwriting cycle). Descriptiv,
in figura 3b), observam o succesiune de cicluri de amplitudini si lungime diferita; ultimele 3 mari
cicluri acopera aproximativ perioadele: 1979-1987, 1988-1997 respectiv 1997-2006. Aceste
fluctuatii ciclice sunt greu de modelat, nefiind vizibil spre exemplul ciclul dominant. Analiza
spectrala permite detectarea perioadei ciclurilor ce domina in componenta ciclica; spre exemplu
aici dominant este ciclul cu o perioada de 8 ani.
Exemplu 3. Tendinta determinista, sezonalitate periodica, componenta neregulata
autocorelata.
Cele trei componente, tendinta determinista liniara, componenta sezoniera periodica respectiv
componenta neregulata sunt generate aici de urmatoarele trei ecuatii (modele):
- tendinta determinista liniara Tt 100 0.08t ;
- componenta sezoniera generata de o functie periodica cu perioada 12 unitati de timp:
S t 2.5 sin(t / 6) ;
- componenta neregulata prezinta autocorelatie, fiind generate de modelul stationar
autoregresiv t 0.6 t 1 u t , unde u t N (0,1) sunt independente si normal repartizate.
Graficul componentei neregulate, notata cu Eps, este redat in figura 4.
Compunand aditiv cele trei componente Yt Tt S t t rezulta graficul din figura 4.

Figura 4. Graficul seriei Yt Tt S t t respectiv a componentei neregulate t

25

112

110

108

106

104

102

-1

100

-2

98

-3

96

-4
25

50

75

100

25

Seria Y= T+S+Eps

50

75

100

Componenta neregulata Eps

In acest caz tendinta si sezonalitatea sunt deterministe, doar component aleatoare are natura
stochastica. Din graficul seriei Y se observa ca peste tendinta liniara crescatoare se suprapune o
sezonalitate cu perioada 12; caracterul neregulat al graficului este dat de componenta aleatoare
t notata cu Eps in grafic. Atunci cand amplitudinea sinusoidei este mai mica caraterul sezonier
al datelor este mai putin vizibil din grafic. Referitor la graficul componentei neregulate Eps,
modelul autoregresiv genereaza o serie stationara cu valori autcorrelate. Desi graficul acesteia
indica o evolutie aparent aleatoare totusi valorile succesive sunt correlate intre ele; aceste
corelatii sunt masurate utilizand un coeficient de corelatie specific numit coeficient de
autocorelatie.
Exemplu 4. Tendinta determinista liniara, tendinta stochastica: prezentare grafica.
Graficul de mai jos red comparativ evolutia unei serii de timp ce are tendinta determinista
liniara respectiv tendinta stochastica:
a) tendinta determinista liniara: Yt Tt t 100 0.08t t ,

t=0,1,2,...,200

b) tendinta stochastica: Yt Yt 1 t , pentru t=1,2,...,200 si valoarea initiala Y0 100 ,

unde componenta neregulata t N (0,1) este o secventa de variabile aleatoare independente si
normal distribuite; au fost generate 200 de valori (utilizand functia nrnd din Eviews).

Figura 5. Tendinta determinista versus tendinta stochastica

26

Pentru seria cu tendinta determinista exista abateri pe trmen scurt dar datele revin la ecuatia de
tendinta Tt 100 0.08t . Se mai spune, in literatura de specialitate, ca seria este stationara
relativ la tendinta, sau trend stationary (desi seria este nestationara; terminologia este putin
confuza). Evolutii de acest timp se intalnesc rar in practica. Ecuatia ce a generat tendinta
stochastica Yt Yt 1 t este ecuatia tipica pentru un proces de tip mers aleator. Aceasta ecuatie,
relativ simpla, genereaza, pentru diferite secvente de valori aleatoare ale componentei
neregulate, o infinitate de evolutii nestationare, foarte diferite ca si aspect grafic. Majoritatea
seriilor financiare au un comportament apropiat de cel de tip mers aleator.
Exemplu 5. Serie nestationara cu tendinta stochastica versus serie stationara.
Redam, in figura 6, evolutia indicelui bursier BET, a valorilor logaritmate ale indicelui BET,
respectiv a ratei rentabilitatii logaritmice, in perioada ianuarie 1999 decembrie 2009. Ratele
zilnice ale rentabilitatii sunt calculate in forma logaritmica rt ln(Yt / Yt 1 ) , unde Yt 1 si Yt
sunt valorile indicelui Y=BET in doua zile consecutive (in ziua t 1 respectiv t). Evolutia
indicelui Yt respectiv a valorilor sale logaritmate ln(Yt ) au comportamentul unei serii
nestationare cu tendinta stochastica; media seriei E (Yt ) este variabila in timp. Seria ratelor
zilnice ale rentabilitatii este un caz tipic de serie stationara in medie, retele zilnice fluctuand in
jurul unei valori medii; media seriei E (Yt ) este aproximativ constanta, pe intreaga perioada.
Putem observa insa ca abaterea in jurul mediei, ce masoara volatilitatea ratelor, este variabila pe
subperioade de timp; spunem ca seria nu este stationara in varianta. Spre exemplu in perioada
2008-2009, ce corespunde declansarii crizei financiare, volatilitatea este mai ridicata.

Figura 6. Evolutia indicelui BET, ln(BET), ratelor rentabilitatii; perioada ianuarie 1999
decembrie 2009.

27

12000

10

10000

.15
.10

8000

.05
8

6000

.00
7

4000

-.05
6

2000
0

-.10

5
500

1000

1500

2000

Indicele BET

2500

3000

-.15
500

1000

1500

2000

ln(BET)

28

2500

3000

500

1000

1500

2000

RATA RENTABILITATII

2500

3000

29