Sunteți pe pagina 1din 21

Proiect de cercetare PNII – IDEI 829

MODELAREA COMPORTAMENTULUI ECONOMIC OBSERVAT PE BAZA DE


EXPERIMENT PRIN METODA STIINTEI COMPLEXITATII. STUDIU DE CAZ
BURSA DE VALORI BUCURESTI

SINTEZA RAPORTULUI DE CERCETARE

ETAPA SEPTEMBRIE 2009

Echipa proiectului:
Conf. Univ. Dr. Radu Lupu
Prof. Univ. Dr. Alexandra Horobeţ
Cercet. Dr. Ştefan Gheorghiu
Asist. Univ. Drd. Dan Dumitrescu
Prep. Univ. Drd. Sorin Dumitrescu
Asist. Cercet. Drd. Iulia Lupu

Abstract
Proiectul IDEI – 829 are ca scop obținerea de informații cu privire la
caracteristicile comportamentale ale investitorilor pe o piață reglementată, de
tipul Bursei de Valori București, prin intermediul constituirii unui joc de bursă
care să funcționeze sub forma unui chestionar dinamic. Activitatea de cercetare
realizată în acest an a constat în dezvoltarea cunoașterii în ceea ce privește
comportamentul agenților la bursă prin continuarea activității din anii anteriori în
următoarele direcții: monitorizarea și revizuirea simulatorului de bursă la care au
participat 58 de jucători pentru toate cele 66 de active; constituirea și analizarea
bazei de date cu tranzacțiile realizate în bursa virtuală; derularea unor
experimente pe bază de chestionar pentru identificarea profilului jucătorilor de la
bursa virtuală; derularea de experimente pe bază de chestionar pentru
caracterizarea procesului de luare a deciziei și identificarea factorilor care o
influențează; realizarea unor studii cu privire la prejudecățile cognitive și modul
în care agenții reacționează ca urmare a acestor activități și modelarea pe bază
de agenți inteligenți date fiind aceste proprietăți psihologice; realizarea unui
articol privind modul în care agenții reacționează la informații de tip fundamental
care vizează evoluția macroeconomică și relația dintre acestea și economia
reală; realizarea unui articol cu privire la proprietățile statistice ale
randamentelor pentru tranzacțiile cu frecvență de 5 minute; realizarea unui
articol care vizează analiza modului în care informațiile sunt transmise la nivel
internațional pe piața de capital europeană.

Cuvinte cheie
Piaţa de capital; Finanţe comportamentale; Modelare econometrică; Modelare pe bază de
agenţi
Proiectul IDEI – 829 are ca scop obținerea de informații cu privire la
caracteristicile comportamentale ale investitorilor pe o piață reglementată, de
tipul Bursei de Valori București, prin intermediul constituirii unui joc de bursă care
să funcționeze sub forma unui chestionar dinamic. Acest raport de cercetare
prezintă rezultatele încercării de obținere a caracteristicilor comportamentale
atât prin intermediul chestionarului cât și prin metoda construită prin acest
proiect care presupune elaborarea unui sistem dinamic de evaluare a
comportamentului, prin crearea unei motivații diferite a respondenților și prin
generarea unor situații realiste și cu un nivel de complexitate ridicat, care solicită
luarea deciziilor în condiții realiste.

După cum precizam în raportul anterior, investiția la bursă necesită


ierarhizarea deciziilor care pot fi luate în condiții de restricții bugetare generate
de deciziile anterioare (de aici caracterul dinamic) și acționarea în cunoștință de
cauză, în concordanță cu profilul de aversiune la risc al fiecărui jucător. Metoda
clasică a chestionarului urmărește doar o aproximare a realității prin crearea
unor situații care să impună jucătorului să utilizeze aparatul de evaluare a
oportunităților (care conține proprietățile de comportament latente, ce se doresc
cunoscute) pentru a simula procesul de luare a deciziilor care se activează în
realitate în momentul realizării investițiilor la bursă. Metoda propusă de echipa
de cercetare a acestui proiect permite simularea situațiilor complexe care sunt
generate intern, de către jucătorii bursei virtuale (ceea ce conferă acestei
proceduri un grad de realism care poate fi cu greu atins în chestionarele clasice),
la care adăugăm, prin constituirea unei legături directe cu Bursa de Valori
București, și situații concrete, întâlnite în realitate.

Activitatea de cercetare realizată în acest an a constat în dezvoltarea


cunoașterii în ceea ce privește comportamentul agenților la bursă prin
continuarea activității din anii anteriori în următoarele direcții: monitorizarea și
revizuirea simulatorului de bursă la care au participat 58 de jucători pentru toate
cele 66 de active; constituirea și analizarea bazei de date cu tranzacțiile realizate
în bursa virtuală; derularea unor experimente pe bază de chestionar pentru
identificarea profilului jucătorilor de la bursa virtuală; derularea de experimente
pe bază de chestionar pentru caracterizarea procesului de luare a deciziei și
identificarea factorilor care o influențează; realizarea unor studii cu privire la
prejudecățile cognitive și modul în care agenții reacționează ca urmare a acestor
activități și modelarea pe bază de agenți inteligenți date fiind aceste proprietăți
psihologice; realizarea unui articol privind modul în care agenții reacționează la
informații de tip fundamental care vizează evoluția macroeconomică și relația
dintre acestea și economia reală (Iulia Lupu, Dan Dumitrescu – Stock Market
Reaction to News on Macroeconomic Growth. An Event Study Analysis at the
Bucharest Stock Exchange, Transformations in Business and Economics, Vilnius
University, cotație ISI); realizarea unui articol cu privire la proprietățile statistice
ale randamentelor pentru tranzacțiile cu frecvență de 5 minute (Radu Lupu, Sorin
Dumitrescu, Dan Dumitrescu – Intra-Day Evidence on the Behavior of Agents at
the Bucharest Stock Exchange, Transformations in Business and Economics,
Vilnius University, cotație ISI); realizarea unui articol care vizează analiza modului
în care informațiile sunt transmise la nivel internațional pe piața de capital
europeană (Alexandra Horobeţ, Radu Lupu – Information transmission within the
European Union Capital Markets, Romanian Journal of Economic Forecasting,
Institutul de Prognoză Economică, ISSN: 1222-5436, Vol. 6, 2009, pp. 64-80,
cotație ISI).

Date fiind aceste activități ale cercetării noastre, componentele acestui


raport vor prezenta în continuare rezultatele acestor activități. Ca atare, raportul
prezintă mai întâi informații cu privire la rezultatele obținute în urma realizării
acestor activități. În continuare sunt prezentate rezultatele rulării jocului și
proprietățile statistice ale randamentelor prețurilor tranzacțiilor realizate de
jucători, apoi o prezentare a studiilor realizate cu privire la prejudecățile
psihologice în contextul temei modelării pe bază de agenți inteligenți; ulterior
raportul prezintă rezultatele chestionarelor aplicate jucătorilor de la bursa
virtuală și apoi studiul de eveniment.

Analiza comportamentului agenților la bursa virtuală

Bursa virtuală, lansată la sfârșitul anului trecut la adresa www.ktd.ro/bv a


permis dezvoltarea atât a unui sistem de învățare cât mai ales a unui instrument
de cercetare. Ca sistem de învățare precizăm că aplicația on-line a folosit pentru
experimentarea activității bursiere de către studenții programului de master
aprofundat Managementul riscului financiar internațional de la facultatea de
Relații Economice Internaționale din cadrul Academiei de Studii Economice din
București. În cadrul cursurilor de Evaluarea activelor și Psihologie economică,
studenții au primit informații despre modul în care se poate construi un portofoliu
de active – selecția acestuia și proprietățile psihologice ale agenților. Jocul de
bursă a permis experimentarea acestor elemente de analiză și, în același timp, a
permis realizarea unor experimente cu agenți care au cunoștințe teoretice
privind investițiile la bursă.
Menținerea și actualizarea aplicației software a reprezentat una din
activitățile principale ale membrilor echipei. Anumite probleme de implementare
au fost semnalate și de către jucători, iar facilitarea tranzacționării a presupus
realizarea mai multor încercări cu privire la eficientizarea sistemului de licitații
propus de bursă.
În urma acestor revizuiri repetate ale aplicației software, formula actuală a
jocului a permis constituirea unei baze de date formată din 2120 de tranzacții pe
perioada 26.10.2008 – 4.08.2009, la care au participat 58 de jucători. Tranzacțiile
sunt realizate la frecvențe inegale, fără ședințe de tranzacționare, cu actualizări
zilnice ale prețului la valoarea de la finalul ședinței de la Bursa de Valori
București. Prin această construcție operațiunile de la bursa virtuală sunt
asemănătoare unor operațiuni pe contracte futures cu scadența maximă la o zi.
Ca instrument de cercetare, bursa virtuală a permis obținerea unei baze de
date cu 2120 de prețuri de tranzacționare pentru cele 66 de titluri de la BVB.
Jocul de bursă poate fi folositor în demersul de cercetare în măsura în care acesta
permite realizarea unor operațiuni cu aceleași proprietăți ca cele înregistrate în
general pe piețele financiare. Prin urmare, echipa de cercetare a recurs la
testarea măsurii în care randamentele logaritmice ale prețurilor din tranzacțiile
pentru fiecare titlu în parte dețin proprietățile statistice remarcate în literatura de
specialitate cu privire la randamentele activelor financiare în general. Vom
prezenta în continuare elementele care definesc proprietăţile statistice ale
randamentelor activelor financiare şi apoi vom prezenta rezultatele obţinute în
urma calculelor realizate cu randamentele produse de bursa virtuală.
În analiza noastră am folosit programul Matlab cu ajutorul căruia am
organizat datele produse de bursa virtuală astfel încât să putem identifica
tranzacţiile realizate pentru fiecare activ în parte. Forma în care a fost extrasă
baza de date este prezentată în Anexa 1. În Anexa 2 echipa de cercetare a inclus
programul Matlab cu toate calculele din aceasta parte a raportului.
Realizarea calculelor privind proprietăţile statistice ale randamentelor
activelor cotate la bursa virtuală a presupus organizarea datelor astfel încât să fie
permisă calcularea primelor patru momente ale distribuţiei randamentelor pentru
fiecare activ în parte. În figura de mai jos sunt prezentate histogramele cu
valorile acestor indicatori statistici pentru a avea o imagine a măsurii în care
acestea păstrează calitatea proprietăţilor statistice ale randamentelor financiare
în general.
Figura I-1 -Distributia coeficientilor pentru cele 4 proprietati
statistice pentru cele 66 de companii pentru care au avut loc
tranzactii pe bursa virtuala
A – Histograma mediilor randamentelor; B – Histograma deviatiilor standard ale
randamentelor
C – Histograma coeficientilor de asimetrie; D – Histograma coeficientilor de
aplatizare
30 18

16
25
14

20 12

10
15
8

10 6

4
5
2

0 0
-0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7

A B
15 35

30

25
10

20

15

5
10

0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 0 10 20 30 40 50 60 70

C D
După cum observăm, mediile randamentelor se află în cea mai mare parte
în jurul valorii de 0%, ceea ce respectă proprietatea conform căreia
randamentele nu păstrează un trend semnificativ din punct de vedere statistic.
Volatilitatea este în general redusă, dar se înregistrează şi extreme în care
ajunge până la valori de 0,6. Menţionăm că aceste valori reprezintă volatilitatea
necondiţionată, respectiv deviaţia standard a randamentelor pentru fiecare din
cele 66 de active tranzacţionate. Prin urmare, din această analiză nu rezultă
proprietatea de heteroscedasticitate a seriei randamentelor.

Cu toate acestea, dacă ne uităm la graficul D, observăm că valorile


coeficientului de aplatizare sunt foarte ridicate, ceea ce este în concordanţă cu
observaţiile privind distribuţiile randamentelor activelor financiare în general.
Proprietatea aceasta de fat-tails (cozi groase ale distribuţiei necondiţionate)
atestă faptul că volatilitatea se modifică în timp – este o dovadă a proprietăţii de
heteroscedasticitate. Aceasta motivează folosirea unor modele din clasa GARCH.

În acelaşi timp observăm că distribuţia coeficientului de asimetrie este


destul de mult concentrată în partea negativă (mediana este mai mică decât
media) ceea ce demonstrează faptul că distribuţiile randamentelor sunt în
general mai mult negative decât pozitive, dar există şi situaţii în care tendinţa
este inversă.

După cum a fost precizat şi în activităţile proiectului de cercetare, o


sarcină a echipei a constat în calibrarea unor modele care sunt potrivite pentru
randamentele activelor financiare cotate la o bursă de valori în general şi pentru
Bursa de Valori Bucureşti în special. Mai multe studii (printre altele Lupu 2005 şi
Lupu şi Lupu 2006) atestă puterea de calibrare a modelelor din clasa Garch pe
piaţa de capital românească. Prin urmare, încercarea de calibrare a unor astfel de
modele asupra bursei virtuale este de aşteptat să producă rezultate similare în
măsura în care aceasta generează tranzacţii care pot fi considerate
reprezentative pentru o piaţă bursieră în general.

Ca atare, echipa de cercetare a realizat calibrări pentru modelele GARCH şi


E-GARCH. Modelul E-Garch a produs valori ale functiei de verosimilitate
logaritmica mai ridicate decat valorile produse din calibrarea modelului Garch in
97,44% din cazuri. Prin urmare, modelul E-Garch cu specificatia prezentata este
un model mai potrivit pentru analiza noastra decat modelul Garch.

Pentru companiile in care jucatorii din bursa virtuala au realizat mai putin
de 15 tranzactii, cele doua modele nu au fost calibrate – numarul redus de
observatii face ca modelul sa isi piarda puterea statistica.

Calibrarea acestor modele pentru tranzacţiile realizate la bursa virtuală a


demonstrat faptul că acestea au aceleaşi proprietăţi statistice cu cele înregistrate
la bursele reale şi, prin urmare, aceasta poate fi folosită ca instrument de
cercetare. Comportamentul agenţilor de la bursa virtuală este asemănător
acelora de pe piaţa reală.

Experimentul bursei cu agenţi inteligenţi


Simulatorul în care avem de-a face cu agenţi inteligenţi propune crearea
unei mulţimi de investitori care au profile psihologice diferite şi modalităţi de
comunicare în concordanţă cu aceste profile comportamentale. După rularea
experimentului cu dividendul pe bursa virtuală cu subiecţi reali, se va proceda la
realizarea unui experiment similar în care investitorii sunt agenţi care acţionează
după reguli cunoscute.

Prima încercare propune pornirea de la o situatie simplă, în care avem de-a


face cu o singură companie cotată, un numar de agenti individuali şi cursul de
schimb se formează prin cotaţie liberă (fara market maker, după modelul bursei
virtuale cu subiecţi reali). Vom construi un mediu în care fiecare agent trimite în
bursă ordine de cumpărare sau vânzare, la preţuri diferite.

Experimentul constă în crearea unei situaţii în care compania urmează să


anunţe dacă şi la ce nivel va da dividend pentru acţiunile deţinute. Până la
momentul plăţii preţul acţiunilor ar trebui să crească cu nivelul dividendului
aşteptat, iar la momentul plăţii preţurile ar trebui să scadă cu exact valoarea
dividendului. La iniţializarea simulatorului se stabileşte un preţ de pornire al
acţiunilor companiei, preţ cunoscut de toţi agenţii – să zicem valoarea de 100 de
unităţi monetare.

Agenţii vor fi înzestraţi cu mai multe proprietăţi: de la resursele financiare


până la modalităţile de comunicare şi profilul psihologic.

În ceea ce priveşte resursele financiare, considerăm o înzestrare cu


resurse financiare după o distribuție ipotetică (aproximativ 80% dintre agenți vor
deține 20% din fondurile existente pe piață). În interiorul fiecărei categorii (80%
pe de-o parte și 20% pe de altă parte) se va presupune fie o distribuție normală a
sumelor pe care le dețin agenții fie am putea să îi înzestrăm pe toți la fel cu bani
și acțiuni (după modelul bursei virtuale) pentru a vedea dacă în timp se creează
segregări și am putea analiza motivele pentru care se poate ajunge la asemenea
situații. Suma de bani pe care agenții o dețin este egală cu valoarea de piață a
companiei (capitalizarea bursieră).

O altă chestiune importantă o constituie modalitatea de înzestrare a


agenților de bursă cu acțiuni. Se poate presupune că aceștia sunt înzestrați cu
acțiuni ale companiei după o distribuție ipotetică – se poate presupune o
distribuție uniformă pentru ca să putem observa cum se schimbă această
distribuție în funcție de diverși factori (de tipul efectului furnizării unui anumit tip
de informații către agenții din bursă).
Se va avea în vedere rețeaua de comunicare existentă între agenți. Astfel,
putem considera că există posibilitatea comunicării cu un un număr restrâns de
alți agenți – fiecare agent poate cunoaște acțiunile unui număr restrâns de
agenți. Informațiile primite de la acești agenți au un grad de opacitate după o
distribuție normală în sensul că unii comunică tot ceea ce știu, iar alții comunică
mai puțin din ceea ce știu, indiferent de natura informației comunicate (în sensul
că informația poate fi falsă sau nu).

Rețeaua de comunicare între agenți este o rețea în care puțini comunică cu


puțini. Numărul de comunicări este o variabilă a sistemului. Efectul asupra
prețului al modificării acestei variabile poate fi testat prin calcularea proprietăților
statistice ale distribuției prețurilor formate prin tranzacțiile agenților inteligenți și
determinarea modalității de modificare a acestora în funcție de modificarea
numărului de comunicări.

În ceea ce privește sistemul de funcționare, se va avea în vedere un sistem


în care fiecare agent urmareste sa obtina mai multi bani din investitia in actiuni.
O mișcare a prețului va afecta decizia de vânzare sau cumpărare prin faptul că
această evoluție schimbă anticiparile cu privire la valoarea dividendului.

Un alt criteriu de diferențiere al agenților îl reprezintă gradul de aversiune


la risc. Astfel, unii agenti au mai multa aversiune la risc, altii mai putina. In
functie de aversiunea la risc agentii decid sa asculte sau nu de informatiile
primite de la ceilalti participanti la bursa.

Implementarea acestui simulator al agenților inteligenți va presupune


stabilirea unui set de reguli dupa care fiecare agent decide sa actioneze.
Alegerea uneia din reguli depinde de aversiunea la risc a agentilor. Factorii care
stau la baza determinării modului în care aversiunea la risc va putea fi luată în
considerare o reprezintă cei desprinși din teoria cogniției. Actiunile fiecărui agent
se pot reduce la modul:

o Cumpăr dacă majoritatea celor la care am acces (cu care pot


comunica) cumpară

o Cumpăr dacă cred că prețul crește (din analiza istoricului)

o Vând dacă prețul este „suficient” de ridicat

o Vând dacă majoritatea celor la care am acces vând


Aplicația software care permite derularea acțiunilor agenților inteligenți va
fi constituită din mai multe module care pot fi modificate. Un prim modul îl
reprezintă cel al modului în care se fac tranzacțiile. Acest modul este același cu
cel al bursei cu subiecți reali și permite trimiterea de ordine de către agenți și
realizarea de tranzacții cu actualizarea portofoliilor acestora. Un al doilea
modul îl reprezintă cel al dotărilor agenților. Acest modul va permite, în funcție
de dotările respective, să genereze ordine de cumpărare sau vânzare, la prețuri
și cantități diferite, în funcție de gradul de încredere în așteptările cu privire la
evoluția prețului. Un al treilea modul va fi cel în care se specifică tipurile de
decizii pe care agenții le pot lua. Se va face referire aici la gradele de încredere în
informațiile pe care le dețin și la încrederea în raționamentele cu privire la
așteptările de evoluție a prețurilor. Un ultim modul îl reprezintă modelarea
introducerii informațiilor cu privire la evoluția prețurilor în modul care procesează
informațiile și dotările pentru a genera tipuri de ordine.

Activitatea derulată de echipa de cercetare în această etapă a constat în


realizarea unor analize care să constituie punct de plecare pentru elaborarea
modulelor din simulatorul cu agenți inteligenți. Sarcina cea mai dificilă din acest
punct de vedere a constat în identificarea proprietăților cu care să fie înzestrați
agenții pentru a permite luarea deciziilor de cumpărare sau vânzare. Pentru
rezolvarea acestor probleme echipa de cercetare a realizat, pe de-o parte, studii
cu privire la caracteristicile psihologice ale indivizilor care acționează la bursă
(pentru fundamentarea modulului al doilea) și, pe de altă parte, o analiză a
reacției investitorilor în diferite situații virtuale (pentru fundamentarea modului al
treilea).

Adoptând perspectiva psihologiei economice şi a subdomeniului ei,


finanţele comportamentale, propusă de D. Kahneman, laureat al Premiului Nobel,
echipa de cercetare a condus două seturi de experimente la care au participat 18
studenţi masteranzi, in perioada aprilie-iunie 2009. Chestionarul la care au fost
supuşi subiecţii este prezentat în Anexa 4.

Scopul primului set de experimente de tip problem-solving (interpretarea


indicilor şi a corelaţiilor statistice, interpretarea cauzalităţii şi a probabilităţilor
baysiene) a fost să identifice predispoziţia subiecţilor pentru anumite anomalii
cognitive (cognitive bias). Sintetizând, rezultatele sunt urmatoarele: judecţăile-
răspuns ale majorităţii subiecţilor (75%) au revelat următoarele anomalii:
framingul, anchoringul, disponibilitatea mnezică, reprezentativitatea şi iluzia
corelaţiei. Testele confirmă dominaţia sistemului perceptiv-intuitiv asupra
sistemului deliberativ ipotetico-deductiv precum şi importanţa crucială a efectelor
de context.
Al doilea set de experimente reproduce într-un format uşor modificat
paradoxul Allais. Rezultatele reconfirmă concluziile care se desprind din celelalte
variante ale experimentului prototip. 90% dintre subiecţi violează axioma
substituţiei şi condiţia de invarianţă, probând faptul că raţionamentul psihologic
functionează pe baza unei asimetrii între factorii pozitivi şi factorii negativi,
asimetrie care poate să inducă procesului de decizie o dinamică inconsistentă:
fenomenul inversării preferinţelor. Cumulate, cele două seturi de experimente
permit stabilirea unor profiluri cognitive suficient de precise pentru a putea să
genereze predicţii testabile în alte contexte: de ex. în jocurile de bursă.

Reacția investitorilor la evenimente de natură


macroeconomică – studiul de eveniment
Ne confruntăm deseori cu nevoia de a măsura efectul unui eveniment
economic asupra valorii unei companii listate la bursă. Acest lucru poate fi
realizat prin folosirea datelor financiare într-un studiu econometric de
eveniment. Importanţa unei analize de acest tip este motivată de faptul că, în
condiţii de raţionalitate, informaţiile aferente unui eveniment vor fi incluse în
preţul acţiunilor. Astfel, impactul economic al evenimentului poate fi măsurat
folosind preţurile acţiunilor observate pe o perioadă scurtă de timp.

Aplicabilitatea generală a metodologiei studiului de eveniment a dus la


utilizarea sa în diverse domenii. În finanţe şi contabilitate, metodologia studiului
de eveniment a fost aplicată la o varietate de evenimente specifice firmelor şi
economiei în sens larg. Printre exemple se numără fuziunile şi achiziţiile,
anunţurile privind câştigurile, emiterea de noi titluri şi anunţuri privind variabilele
macroeconomice cum ar fi deficitul comercial. Această metodologie este aplicată
cu succes şi în alte domenii; spre exemplu, este folosită în domeniul juridic şi
economic pentru a măsura impactul pe care îl are schimbarea legislaţiei asupra
valorii firmelor. În cele mai multe cazuri, studiile se concentrează asupra efectului
unui eveniment asupra preţului unei anumite categorii de acţiuni, cel mai des
acţiuni comune.

Se poate spune că studiile de eveniment au făcut deja carieră. Dintre


primele studii amintim pe cel al lui Dolly (1933) care a analizat efectul divizării
(engl. spliting) acţiunilor asupra preţului studiind schimbările preţurilor nominale
la momentul respectiv. Folosind 95 de astfel de evenimente din 1921 până în
1931, autorul a aflat că preţul a crescut în 57 de cazuri, a scăzut în numai 26 de
situaţii şi nu a avut nici un efect în celelalte 12 cazuri.
În deceniile care au trecut între 1930 şi 1960 nivelul complexităţii acestei
metodologii a crescut. Myers şi Bakey (1948), Barker (1956, 1957, 1958) şi
Ashley (1962) sunt exemple de studii apărute în această perioadă. Îmbunătăţirile
metodologiei provin din eliminarea efectelor provocate de modificările generale
ale preţurilor acţiunilor (de exemplu, determinate de mişcarea pieţei pe
ansamblu) şi separarea evenimentelor ce adaugă confuzii (evenimentele
contemporane). La sfârşitul anilor ’60 studii de excepţie cum sunt cele elaborate
de Ball şi Brown (1968) şi Fama, Fisher, Jensen şi Roll (1969) au introdus
metodologii ce se folosesc în principal şi azi. Ball şi Brown au luat în considerare
conţinutul informaţional al veniturilor companiilor, iar Fama, Fisher, Jensen şi Roll
au studiat efectul divizării acţiunilor după ce au eliminat efectele simultane ale
creşterii dividendelor.

De-a lungul anilor, au fost sugerate câteva modificări ale metodologiei de


bază. Aceste modificări sunt destinate să facă faţă complicaţiilor apărute datorită
erorilor din prezumţiile statistice făcute în studiile anterioare şi pot susţine
ipoteze specifice. Brown şi Warner (1980, 1985) au discutat în lucrările lor despre
importanţa practică a acestor modificări. Lucrarea din 1980 se referă la şiruri de
date lunare iar cea din 1985 la date zilnice.

Fama (1998) consacră această metodologie ca fiind principalul mijloc de


testare a formei slabe de eficienţă iar MacKinlay (1997) prezintă în lucrarea sa
metodologia de estimare a randamentelor anormale.

Eugene Fama este cel care a lansat în anii ’60 ipoteza pieţelor eficiente în
cele trei forme ale sale (slabă, semi-puternică şi puternică). De atunci studiul de
eveniment s-a consolidat ca principalul mijloc de testare a formei slabe de
eficienţă a pieţei bursiere. În mare, această formă de eficienţă susţine că evoluţia
trecută a randamentelor din piaţă nu poate furniza informaţii cu privire la
randamentele viitoare.

În principiu, ipoteza pe care o susţine Fama este aceeaşi cu cea susţinută


de prima lucrare financiară a lui Bachelier (1900) – informaţiile cu privire la
evenimente sunt cele care determină modificarea preţului titlurilor financiare şi,
după cum nu putem cunoaşte cu certitudine evenimentele ce se vor întâmpla în
viitor atunci le putem considera aleatoare; prin urmare, informaţiile care modifică
preţul sunt aleatoare şi nu se poate cunoaşte cu certitudine preţul viitor al
activului. Dacă piaţa (investitorii) schimbă cererea şi oferta în conformitate cu
informaţiile furnizate de evenimente, atunci o nouă informaţie va fi inclusă în preţ
într-o manieră eficientă.

Dacă Fama este promotorul ipotezei conform căreia piaţa de capital


americană este eficientă, o suită de alţi teoreticieni, printre care Schleifer,
Kahneman, Tversky, DeBondt, Thaler sunt principalii susţinători ai teoriei deciziei
comportamentale ca alternativă la ipoteza pieţei eficiente. Studiile acestora din
urmă prezintă evidenţe empirice ale anomaliilor de eficienţă a pieţelor, în
principiu de tipul reacţiilor exagerate mai sus menţionate; evenimentele nu
produc reacţii exacte care să determine preţul corect al acţiunilor, avem de-a
face, conform unor autori, fie cu reacţii în sensul supraevaluării conţinutului
informaţional al evenimentului (engl. overreaction) fie, conform altor autori, în
sensul subevaluării acestuia (engl. underreaction).

Fama (1998) foloseşte aceste fenomene în susţinerea ipotezei eficienţei


pieţei datorită faptului că, în cazul în care unele studii au găsit evidenţe care
suportă supraevaluarea şi altele care suportă subevaluarea atunci se poate
concluziona că cele două tipuri de reacţii sunt aleatoare. Dacă, în jurul unui
anumit tip de eveniment (de exemplu preluarea unei companii de către o altă
companie) preţurile cresc înainte de eveniment şi ulterior evenimentului pentru
ca ulterior să scadă (să se stabilizeze) în jurul unei valori care se păstrează
pentru o perioadă mai lungă atunci avem de-a face cu o reacţie de supraevaluare
şi pieţele nu sunt eficiente – nu includ informaţia în mod corect.

În acelaşi fel se poate analiza şi subevaluarea, prin reducerea


semnificativă a preţului în jurul evenimentului pentru ca ulterior să revină şi să se
stabilizeze la un nivel mai ridicat. Fama (1998) apreciază că, dacă există evidenţe
care susţin ambele tipuri de reacţii, atunci probabil că piaţa este eficientă dacă
numărul de evenimente cu supraevaluare tinde să fie egal cu numărul de
evenimente cu subevaluare, în sensul că cele două tipuri de reacţii sunt
aleatoare. Prin urmare, astfel de evidenţe susţin, în opinia lui Fama, ipoteza
pieţelor eficiente.

Michaely, Thaler, Womack (1995) realizează o analiză de eveniment


pentru a stabili care dintre cele două ipoteze este susţinută de date în cazul
anunţurilor cu privire la iniţierea de dividende (situaţiile în care societatea
hotărăşte să plătească dividende pentru prima dată) şi omisiunea de dividende
(când compania anunţă că nu va plăti dividende în condiţiile în care a plătit
dividend cu un an în urmă). Pentru piaţa americană autorii au găsit că
dimensiunea reacţiilor la omisiuni (evenimente negative) este mai mare decât în
cazul iniţierilor.

Pentru măsurarea efectelor creşterii economice asupra pieţei de capital din


România, metodologia propusă este un studiu de eveniment ce utilizează
modificările zilnice ale indicelui BET-C (indicele compozit al tuturor companiilor
cotate la Bursa de Valori Bucureşti) în jurul momentelor în care apar
comunicatele de presă ale Institutului Naţional de Statistică cu referire la
creşterea economică realizată şi în jurul datelor în care apar comunicatele de
presă ale Comisiei Naţionale de Prognoză cu privire la prognoza modificărilor
viitoare ale creşterii PIB sau la estimări cu privire la evoluţia din luna anterioară a
unor indicatori macroeconomici.

Una dintre sarcinile cele mai dificile constă în alegerea unui model capabil
să furnizeze predicţii cât mai corecte pentru piaţa de capital românească în
perioada pe care am decis să realizăm analiza (respectiv perioada 2002 – 2008).
În acest sens au fost luate în considerare mai multe lucrări care au încercat să
furnizeze modele plauzibile pentru evoluţia randamentelor indicelui bursier pe
piaţa românească. Dintre acestea am selectat modelul GARCH pentru a furniza
prognoze în perioada din jurul evenimentelor.

Acest model foloseşte o proprietate a randamentelor activelor financiare,


care este întâlnită pe toate pieţele (Cont 2001) şi care a devenit de notorietate
prin formularea modelului GARCH de către Engle1. Această proprietate a
randamentelor activelor financiare exprimă faptul că volatilităţile zilnice
(calculate ca dispersii) sunt autocorelate, respectiv pătratul randamentelor (care
este folosit ca un indicator al volatilităţii zilnice) din trecut ne poate ajuta să
facem afirmaţii cu privire la pătratul randamentelor din viitor.

Modelul pe care îl folosim va fi calibrat, pentru fiecare eveniment în parte,


pe perioada celor 100 de zile folosite pentru estimare (calcularea parametrilor
modelului) şi va furniza informaţii cu privire la pătratul randamentelor din viitor.
Vom obţine, ca atare, valori absolute ale randamentelor pentru fiecare din cele
21 de zile din jurul evenimentelor, pe care le vom compara cu valorile absolute
realizate în realitate în zilele respective.

1
Premiul Nobel în anul 2003
Astfel, vom presupune că randamentele titlurilor urmează un model de
piaţă GARCH de tipul:

Rt +1 =σt +1 zt +1

σ t2+1 = ω + αRt2 + β σt2 , α + β <1

unde Rt+1 este randamentul indicelui bursier în ziua t+1;

σt+1 este volatilitatea din ziua t+1;

zt+1 este inovaţia din ziua t+1; este un indicator care exprimă valoarea preţului ca
urmare a includerii de noi informaţii în randamentul indicelui şi este presupus, în
modelul de faţă, că are o distribuţie normală de medie 0 şi dispersie 1;

coeficienţii α, ω, β sunt parametrii modelului GARCH care exprimă „viteza” cu


care noile informaţii sunt incluse în randamentele indicelui bursier.

După estimarea celor trei coeficienţi ai modelului, acesta ne-a permis


realizarea de prognoze pentru cele 21 de zile din jurul fiecărui eveniment. Au fost
obţinute, prin urmare, valori prognozate ale randamentelor (în valoare absolută)
pentru fiecare din cele 21 de zile, care au fost comparate cu valorile absolute ale
randamentelor obţinute în realitate în aceeaşi perioadă. Comparaţia a fost
realizată prin calcularea randamentelor anormale:

AR t = Rr t 2 − Rp t2 ,

unde Rrt2 reprezintă pătratul randamentului indicelui la momentul t, în perioada


din jurul evenimentului (fiecare din cele 21 de zile), iar Rpt2 reprezintă pătratului
randamentului prognozat prin modelul GARCH, pentru momentul t, de asemenea,
în fiecare din cele 21 de zile. Randamentul prognozat este de fapt egal cu
volatilitatea din ziua t, respectiv valoarea prognozată a lui σ pentru momentul t.

Pentru a putea observa rezultatul global, am agregat randamentele


anormale folosind două dimensiuni: timpul şi numărul de evenimente. Calculăm
media randamentelor anormale cumulate (CAAR) utilizând media randamentelor
anormale (AAR).
N

∑A
j =1
jt

AAR t =
N
N T2
1
CAAR T1 ,T2 =
N
∑∑ A
j =1 t −T1
jt

N este numărul evenimentelor din eşantion.

Astfel, pentru fiecare zi t vom calcula pentru toate firmele media


randamentelor anormale (AARt) care ne oferă informaţii despre evoluţia întregului
eşantion în fiecare zi a perioadei analizate. Media randamentelor anormale
cumulate este media randamentelor anormale cumulate pentru toate firmele şi
pentru toată perioada luată în calcul. Aceasta ne oferă informaţii despre
performanţa generală a indicelui în jurul datei evenimentului.

Această metodologie a fost reluată pentru fiecare din cele trei tipuri de
evenimente descrise în continuare.

Datele folosite în analiză

Pentru realizarea acestei analize am avut în vedere evoluţia zilnică a


indicelui BET-C pe toată perioada din anul 2002 până în 2008. Datele au fost
obţinute de pe site-ul Bursei de Valori Bucureşti şi au constituit fundamentul
pentru calcularea randamentelor. Acestea au fost calculate sub forma

 P 
randamentelor logaritmice (respectiv ln 
P 
t
 , unde Pt reprezintă valoarea
 t −1 
indicelui de la momentul t)2.

În ceea ce priveşte evenimentele, dacă în cazul analizei cauzalităţii


Granger s-a avut în vedere numai legătura dintre evoluţia PIB şi evoluţia pieţei de
capital, această metodologie (a studiului de eveniment) permite analiza mai
multor tipuri de elemente ale evoluţiei macroeconomice care ar putea influenţa
2
În modelul folosit se utilizează ipoteza că randamentele de la momentul t sunt normal
distribuite (ele provin din înmulțirea unei variabile normal distribuită (zt) cu σt , care este
o constantă la momentul t). Randamentele logaritmice pot lua valori care sunt mai mici
Pt − Pt −1
decât -1, fapt nepermis randamentelor calculate sub forma , deoarece indicele
Pt −1
nu poate lua valori mai mici ca 0.
dinamica pieţei de capital pe ansamblu. Prin urmare, au fost considerate trei
categorii de anunţuri:

• Seria 1: Comunicatele de presă ale Institutului Naţional de Statistică cu


privire la valorile trecute ale PIB pentru trimestrele din 2002 până în
ultimul trimestru al anului 2007 (10 evenimente);
• Seria 2: Anunţurile realizate de Comisia Naţională de Prognoză cu privire
la proiecţia principalilor indicatori macroeconomici pentru perioada 2006 –
2008 (10 evenimente);
• Seria 3: Anunţurile realizate de Institutul Naţional de Statistică cu privire
la evoluţia indicatorilor conjuncturali în lunile anterioare anunţurilor, pentru
perioada 2002 – 2007 (64 de evenimente).
Toate aceste informaţii au fost culese de pe site-urile oficiale ale
Institutului Naţional de Statistică şi Comisiei Naţionale de Prognoză.
Evenimentele considerate în analiza noastră sunt prezentate în Anexa 2.

Rezultatele cercetării

Folosind metodologia prezentată mai sus şi cele trei serii de evenimente


am obţinut informaţii cu privire la măsura în care piaţa de capital, prin indicele
BET-C, a reacţionat la anunţurile publicate de Institutul Naţional de Statistică şi
de Comisia Naţională de Prognoză pe perioada 2002 – 2008.

După cum am precizat, au fost calculate valorile absolute ale


randamentelor prognozate şi ale randamentelor reale din perioada celor 21 de
zile din jurul fiecărui eveniment. Ulterior au fost calculate randamentele
anormale, ca diferenţă între cele două tipuri de randamente şi apoi au fost
calculate valorile cumulate ale acestor randamente anormale pe perioada celor
21 de zile. Ulterior, pentru fiecare serie de evenimente a fost calculată o
dispersie a tuturor acestor randamente anormale cumulate. Dispersiile au folosit
la calcularea valorilor indicatorilor t-statistic pentru fiecare din valorile obţinute
pentru randamentele anormale la nivelul fiecărui eveniment. Aceşti indicatori ne
ajută să observăm în ce măsură valorile obţinute sunt semnificative din punct de
vedere statistic (semnificativ diferite de zero). Prin urmare, existenţa unor valori
semnificative demonstrează faptul că piaţa de capital a reacţionat la momentul
respectiv.
Folosirea unui număr mai mare de evenimente ne furnizează mai multă
putere statistică în demersul nostru de interpretare a semnificaţiei impactului
anunţurilor cu privire la evoluţia agregatelor macroeconomice asupra pieţei de
capital. Astfel, pentru primele două serii de evenimente, coeficienţii t-statistic au
fost calculaţi prin folosirea unei dispersii obţinute din utilizarea a 10 observaţii
(cele 10 evenimente). Valoarea prag este considerată valoarea de 1.96, care dă o
semnificaţie apreciată cu o eroare de aproximativ 5%.

Remarcăm faptul că, pentru evenimentele din Seria 1, au fost obţinute


semnificaţii în 60% din observaţiile analizate, cu o medie a valorilor coeficientului
t-statistic de aproximativ 4,2. Putem aprecia că, în general, piaţa de capital
răspunde la anunţurile cu privire la evoluţia trecută a PIB, înregistrând ajustări
semnificative pe perioada evenimentului. Pentru evenimentele din Seria 2,
numărul de situaţii de semnificaţie statistică este de numai 40%, ceea ce poate
demonstra faptul că piaţa nu reacţionează la anunţuri cu privire la evoluţia
ulterioară a PIB. Această situaţie ar putea fi datorată fie faptului că investitorii de
pe piaţa de capital nu reacţionează la prognozele date de CNP, fie faptului că
aceste prognoze sunt deja incluse în preţurile de la bursă, şi, prin urmare,
investitorii de pe piaţa de capital au un sistem corect de formare a aşteptărilor cu
privire la evoluţiile macroeconomice ulterioare.

Pentru Seria 3 de evenimente procedura de analiză a fost realizată de 64 de ori,


rezultând valorile prezentate în Tabelul 2. Observăm că numai pentru 15
evenimente din cele 64 studiate au fost obţinuţi coeficienţi care demonstrează
semnificaţia statistică (aproximativ 23% din cazuri), iar media valorilor pentru
coeficienţii t-statistic obţinuţi în cele 64 de cazuri a fost de 0,93 aferent unei
probabilităţi de 34,5% (eroarea de a afirma că randamentele anormale sunt
semnificativ diferite de 0).

Se poate aprecia că investitorii nu acordă atenţie informaţiilor cu privire


la indicatorii conjuncturali sau apreciază că aceste informaţii sunt deja incluse în
preţul acţiunilor cotate la bursă.

Pentru a prezenta situaţia din fiecare zi din jurul fiecărui eveniment au fost
folosite randamentele anormale din fiecare zi şi au fost calculate dispersii pentru
cele 10 evenimente în cazul Seriei 1, cele 10 evenimente din cazul Seriei 2 şi cele
64 de evenimente din cazul Seriei 3, pentru fiecare zi în parte. Aceşti indicatori
ne-au permis calcularea unor coeficienţi t-statistic pentru fiecare zi a analizei şi
pentru fiecare serie de evenimente în parte.
Bibliografie

1. Ashley, J. – Stock Prices and Changes in Earnings and Dividends: Some


Empirical Results, Journal of Finance, 1962;
2. Ball, R., and P. Brown – An Empirical Evaluation of Accounting Income
Numbers, Journal of Accounting Research, 1968;
3. Barber, Brad M., and John D. Lyon - Detecting long-run abnormal stock
returns: The empirical power and specification of test statistics, Journal of
Financial Economics 43, 1997;
4. Barker, C. – Effective Stock Splits, Harvard Business Review, 1956;
5. Barker, C. – Evaluation of Stock Dividends, Harvard Business Review,
1958;
6. Barker, C. – Stock Splits in Bull Market, Harvard Business Review, 1957;
7. Barry, C.B., Peavy III, John W., Rodriguez, M. – Performance Characteristics
of Emerging Capital Markets, Financial Analysts Journal, January/February,
1998;
8. Beckers, S. – Investment implications of a Single European Capital Market,
The Journal of Portfolio Management, Spring issue, 1999;
9. Bekaert, Geert, Cambell Harvey - Capital Markets: An Engine for Economic
Growth, Brown Journal of World Affairs 5, Winter/Spring: 33-53. (P58),
1998
10.Bencivenga, V. R., B. D. Smith - Financial Intermediation and Endogenous
Growth, Review of Economic Studies, 58: 195 – 209, 1991;
11.Boden M.A., Artificial Intelligence and Natural Man, Hassocks, Sussex:
Harvester Press; New York: Basic Books 1977.

12.Boden M.A., Computer Models of Mind. Computational Approaches in


Theoretical Psychology, Cambridge University Press 1988

13.Boehmer, Eddehart, Jim Musumeci and Annette B. Poulsen - Event-study


methodology under conditions of event-induced variance, Journal of
Financial Economics 30, 1991;
14.Brooks R., Cambrian Intelligence: The Early History on the New A.I.,
Cambridge (Mass) The MIT Press 1999.

15.Campbell, J., A. Lo, and A. MacKinlay – The Econometrics of Financial


Markets, Princeton University Press, Princeton, New Jersey, 1997;
16. Cho, Yoon Je – Inefficiencies from Financial Liberalization in the Absence of Well-
functioning Equity Markets, Journal of Money, Credit and Banking 18, 2, 1986;
17. Cho, Yoon Je, Khatkhate, D. – Financial Liberalization: Issues and Evidence,
Economic and Political Weekly, 1990;
18.Chopra, Navin, Josef Lakonsishok and Jay R. Ritter - Measuring abnormal
performance: do stocks overreact?, Journal of Financial Economics 31,
1992;
19.Cordeschi H., The Discovery of the Artificial Behavior: Mind and Machines,
before and beyond Cybernetics, Dordrecht, Kluner Academic Publishers
(2002).

20.Davidson, R., MacKinnon, J. - Econometric Theory and Methods, Oxford


University Press, 2004;
21.Deffuant, G. (1993), Reseaux morphodynamiques et modèles cognitif, in
AFCET, 1993, pages 185-198

22.Dolley, J. – Characteristics and Procedure of Common Stock Splits-Ups,


Harvard Business Review, 1933;
23.Dragotă, V., Bogdan Negrea, Laura Obreja Braşoveanu, Delia Cataramă,
Andreea Semenescu – Capital markets development and economic growth:
the case of Romania, EWGFM, Nice – Sophia Antipolis, Franţa, noiembrie
2006;
24.Fama, E., L. Fisher, M. Jensen, and R. Roll – The Adjustment of Stock Prices
to New Information, International Economic Review, 1968;
25.Fama, Eugene - Market efficiency, long-term returns, and behavioral
finance, Journal of Financial Economics 49, 1998;
26.Goldsmith, R.Y. – Financial Structure and Development, New Haven and
London: Yale University Press, 1969;
27.Greene, W. - Econometric Analysis, Prentice Hall, 2000;
28.Greenwood, J., R. Levine – Financial Development, Growth, and the
Distribution of Income, Journal of Political Economy 98, 1076 – 1107, 1993;
29.Kaplan F., Oudeyer P.Y., “ Trends in epigeneticrobotics: Atlas 2006” in
F.Kaplan, P.Y.Oudeyer, A. Revel, P. Gaussier, J. Nadel, Proceedings of the
Sixth International Workshop on Epigenetic Robotics: Modeling Cognitive
Development in Robotic Systems, LUCS, 128, 2006.

30.King, R. G., R. Levine – Finance, Entrepreneurship and Growth, Journal of


Monetary Economics 32, 513 – 542, 1993;
31.Lupu, Radu; Iulia Lupu – Competitivitatea firmelor listate la BVB folosind
metoda studiului econometric de eveniment – Oeconomica, anul XIV, nr. 4,
ISSN: 1223-0685, pp. 137-150, 2005;
32.Mark H. Bickhard şi Loren Terveen, Foundational Issues in Artificial
Intelligence and Cognitive Science, Impass and Solution. Elsevier 1996.

33.Maturana, H. R. & Varela, F. Y., editors (1980), Autopoiesis and Cognition.


The Realization of the Living, D. Reidel Publishing Company

34.Maturana, H. R. & Varela, F. Y., The Tree of Knowledge. The Biological


Roots of Human Understanding, New Sience Library

35.Maturana, H. R. (1970), Biology of Cognition, chapter 7, pages 2-57. in


Maturana and Varela, 1980

36.Mayer, C. – Myths of the West: Lessons from Developed Countries for


Development Finance, World Bank Working Paper no. WPS301, 1989;
37.McCulloch, W. & Pitts, W., A Logical Calculus of the Ideas Immanent in
Neuvous Activity, Bull. Malhem. Biophys. 5: 115-139

38.McKinnon, R. I. – Money and capital in Economic Development,


Washington, DC: Brookings Institution, 1973;
39.Michaley, R., R. Thaler, and K. Womack – Price reactions to dividend
initiations and omissions: Overreaction or drift?, Journal of Finance, 1995;
40.Miller, M. H., F. Modigliani – Dividend Policy, Growth and the Valuation of
Shares, Journal of Business, 34, 411-33, 1961;
41.Minsky, M. editor (1988), La société de l’esprit, Inter Editions

42.Modigliani, F., M. H. Miller – The Cost of Capital, Corporate Finance and the
Theory of Investment, American Economic Review, 48, 261-97, 1958;
43.Myers, J., and A. Bakay – Influence of Stock Splits-Ups on Market Price,
Harvard Business Review, 1948;
44.Piaget, J.(1974), Réussir et Comprendre, PUF

45.Prabhala, N. R. – Conditional methods in event studies and an equilibrium


justification for standard event-study procedures, Review of Financial
Studies, 10, 1997;
46.Ringle M. (Ed), Philosophical Perspectives in Artificial Intelligence,
Hassocks, Sussex: Harvester Press, 1979 p. 43-44.

47.Saint-Paul, G. – Technological Choice, Financial markets and Economic


Development, European Economic Review 36, 738 – 781, 1992.
48.Schank şi Abelson, Scripts, Plans, Goals and Understanding. An Enquery
into Human Knowledge Structures, New York. Halsted. 1977.
49.Seymour Papert, Mindstorms, Hassocks, Sussex: Harvester Press, 1980.

50.Simon H.A., Information processing models of cognition, Annual review of


psychology. 1979, 30, 363-396.

51.Sloman A., The Computer Revolution in Philosophy: Philosophy, Science,


and Models of Mind, Hassocks, Sussex: Harvester Press; New York:
Humanities Press, 1978.

52.Toshimari Munakata, Fundamentals of the New Artificial Intelligence,


Beyond Traditional Paradigms. Springer 1988.

53.Varela, F. (1979), Principles of Biological Autonomy, North Holland

54.Varela, F. (1988), Connaître les sciences cognitives, tendances et


perspectives, Edition du Seuil

55.Winston P.H. (Ed), The Psychology of Computer Vision, New York: McGraw-
Hill, 1975.

56.Winston P.H., Artificial Intelligence, Readings, Massachusetts: Addison –


Wesley 1977.