Documente Academic
Documente Profesional
Documente Cultură
Econometriemsbank 2007
Econometriemsbank 2007
CATEDRA DE MONED
MODULUL: Econometrie
Octombrie 2007
Obiective
Cursul de econometrie bancar are ca obiective nsuirea de ctre studeni a tehnicilor econometrice de baz utilizate n domeniul bancar. Principalele teme abordate n cadrul acestui curs se refer la modelarea seriilor de timp, estimarea volatilitii activelor financiare, modelarea riscului. De asemenea, cursul are ca obiectiv i nsuirea de ctre studeni a cunotinelor necesare modelrii econometrice a datelor cu ajutorul programului Eviews 5.1.
Tematic
Serii de timp: momentele seriilor de timp, staionaritate/nestaionaritate, sezonalitate, distribuii, componente pe termen lung; Teste statistice; Regresia liniar: estimare, teste, interpretare; Modele cu date calitative; Modele ARMA; Modele cu date panel; Modele ARCH/GARCH; Modele de evaluare a riscului de pia (Value at Risk).
Bibliografie
Alexander, Carol i Elizabeth Sheedy editori (2004) The Professional Risk Managerss Handbook. Volume II: Mathematical Foundations of Risk Measurement, PRMIA Alexander, Carol i Elizabeth Sheedy editori (2004) The Professional Risk Managerss Handbook. Volume III: Risk Measurement Practices, PRMIA DeFusco, Richard A., Dennis W. McLeavey, Jerald E. Pinto i David E. Runkle (2001) Quantitative Methods for Invstment Analysis, AIMR Enders, Walter (2004) Applied Econometric Time Series Second Edition, Wiley Greene, William H. (2000) Econometric Analysis, Fourth Edition, Prentice Hall International Hamilton, James D. (1994) Time Series Analysis, Princeton University Press J. P. Morgan (1996) RiskMetrics Technical Document, J. P. Morgan Lutkepohl, Helmut i Mekus Kratzig (2004) Applied Time Series Econometrics, Cambridge University Press Pindyck, Robert S. i Daniel L. Rubinfeld (1991) Econometric Models and Economic Forecasts McGraw-Hill Quantitative Micro Software (2005) EViews 5.1 Users Guide, Quantitative Micro Software
Cuprins
CAPITOLUL I. SERII DE TIMP CAPITOLUL II. TESTE STATISTICE II.1. DISTRIBUII II.2. TESTAREA IPOTEZELOR II.3. TESTAREA MEDIEI II.4. TESTAREA VARIANEI CAPITOLUL III. ANALIZA SERIILOR DE TIMP N EVIEWS III.1. INTRODUCEREA SERIILOR N EVIEWS III.2. PRELUCAREA SERIILOR III.3. STAIONARITATEA SERIILOR DE TIMP III.4. DISTRIBUIA SERIILOR III.5. FUNCIA DE AUTOCORELAIE A SERIILOR DE TIMP III.6. TRENDUL SERIILOR DE TIMP III.7. AJUSTAREA SEZONIER A SERIILOR DE TIMP CAPITOLUL IV. REGRESIA LINIAR MULTIPL IV.1. FORMA GENERAL I IPOTEZE IV.2. TESTE STATISTICE SI INDICATORI AI REGRESIEI IV.3. REGRESII CU VARIABILE CALITATIVE IV.4. REGRESII CU SERII DE TIMP N EVIEWS IV.5. REGRESII CU SERII CROSSECIONALE I VARIABILE CALITATIVE N EVIEWS CAPITOLUL V. MODELE ARMA V. 1. PROCESE AR V. 2. PROCESE MA V. 3. PROCESE ARMA V. 4. ESTIMAREA MODELELOR ARMA N EVIEWS CAPITOLUL VI. MODELE CU DATE PANEL VI. 1. UTILIZAREA MODELELOR CU DATE PANEL VI. 2. ESTIMAREA MODELELOR CU DATE PANEL N EVIEWS CAPITOLUL VII. MODELE GARCH VII.1. TIPURI DE MODELE ARCH 5 8 8 14 17 18 20 20 22 23 30 33 35 37 41 41 42 44 45 57 60 60 61 61 63 76 76 76 85 85
VII.2. ESTIMAREA MODELELOR ARCH N EVIEWS CAPITOLUL VIII. MODELE VALUE AT RISK VIII.1. MSURA VAR VIII.2. VAR ANALITIC VIII.3. VAR CALCULAT PE BAZA SIMULRII MONTE CARLO VIII.4. VAR ISTORIC VIII.5. UTILIZAREA MODELELOR DE VOLATILITATE N CALCULUL VAR VIII.5.1. CALCULUL VAR UTILIZND EWMA VIII.5.2. CALCULUL VAR UTILIZND MODELE GARCH VIII.6.CALCULUL VAR PENTRU UN PORTOFOLIU DE ACIUNI
88 93 93 93 94 95 97 97 98 99
s=
(y
i =1
y)
N 1
unde: N reprezint numrul de observaii din eantion, yi observaiile incluse n eantion, i = 1, N y valoarea medie a eantionului. Coeficientul de asimetrie care reprezint o msur a asimetriei distribuiei fa de media sa. Formula de calcul a coeficientului de asimetrie (S) pentru o serie de timp este:
S=
1 N yi y ) , N i =1
unde: N reprezint numrul de observaii din eantion, yi observaiile incluse n eantion, i = 1, N y valoarea medie a eantionului,
N 1 . N
s dispersia seriei de timp. Coeficientul de asimetrie pentru o distribuie normal este zero. Kurtotica care msoar nlimea distribuiei seriei. Kurtotica (K) este calculat dup cum urmeaz (notaiile de mai sus se menin):
1 N y y K = i ) . N i =1
Pentru o distribuie normal, kurtotica are valoarea 3. Dac distribuia are kurtotica mai mare dect 3, aceasta se numete leptocurtotic (i are o nlime mai mare dect o distribuie normal), iar n cazul n care kurtotica are o valoare mai mic dect 3, distribuia se numete platycurtotic (i are o nlime mai mic comparativ cu o distribuie normal). n general seriile de date financiare au o distribuie leptokurtotic. O caracteristic a acestei distribuii este faptul c probabilitatea apariiei de evenimente extreme este mai mare n cazul distribuiei leptokurtotice dect n cazul distribuiei normale. 4. Staionaritatea seriei de timp. Condiiile ce trebuie ndeplinite pentru ca o serie de timp s fie staionar sunt: media seriei de timp s fie constant sau cu alte cuvinte, observaiile trebuie s fluctueze n jurul mediei. variana seriei s fie constant. Din punct de vedere economic, o serie este staionar dac un oc asupra seriei este temporar (se absoarbe n timp) i nu permanent. Exemple de serii staionare: rata de cretere a PIB real, rata inflaiei (cu excepia perioadelor de hiperinflaie). Exemple de serii nestaionare: cursul de schimb nominal, indicele preturilor de consum, nivelul PIB real. n cazul n care seria nu este staionar, prin difereniere, se obine o serie staionar. Astfel, ordinul de integrare a seriei reprezint numrul de diferenieri succesive necesare pentru obinerea unei serii staionare (sau numrul de rdcini unitare al seriei). n economie, cele mai ntlnite serii nestaionare sunt integrate de ordinul I (necesit o singur difereniere, au o rdcin unitar). De asemenea, exist serii de timp trend-staionare: serii de timp care pot fi fcute staionare prin eliminarea (scderea) trendului (deterministic) al seriei.
5. Sezonalitatea seriei de timp. Seriile de timp cu frecven lunar sau trimestrial prezint adesea evoluii care au o anumit ciclicitate. De exemplu activitatea economic se ncetinete n lunile de iarn, preurile cresc mai mult n lunile reci dect n perioada de var etc. n analiza econometric, pentru a elimina aceste evoluii sezoniere i a evidenia doar impactul pe care l are o anumit variabil asupra alteia, seriile de timp sunt ajustate sezonier.
II.1. Distribuii
Distribuia de probabilitate/funcia de densitate a unei variabile (aleatoare). Aceasta este reprezentarea tuturor valorilor pe care le poate lua o variabil aleatore si a probabilitii de apariie a acestor valori. n cazul unei variabile aleatoare discrete (variabil care poate lua numai anumite valori), distribuia de probabilitate este reprezentat printr-o funcie care returneaz probabilitile de apariie pentru valorile variabilei aleatoare. n cazul unei variabile aleatoare continue (variabil care poate lua orice valori n cadrul unui anumit interval) este utilizat funcia de densitate. Deoarece, pentru o variabil aleatoare continu, probabilitatea de a avea o anumit valoare este 0, se calculeaz probabilitatea ca valoarea nregistrat de variabila aleatoare s aparin unui anumit interval. Astfel, probabilitatea ca valoarea nregistrat de variabila aleatoare x s aparin intervalului [a, b] este Pr (a x b ) =
de variabila aleatoare s fie mai mica dect o valoare c este Pr (x c ) = Cele mai utilizate distribuii de probabilitate n econometrie sunt: Distribuia normal (sau Gaussian).
1 Ecuaia acestei distribuii este: f ( x ) = e 2 2
f (x )dx .
1 x
3.14159
e 2.71828 .
Dup cum se poate observa din ecuaie, aceast distribuie poate fi construit numai pe baza primelor dou momente ale seriei (media i abaterea medie ptratic). Dac variabila x este distribuit normal, notaia utilizat este: x ~ N ( , 2 ) . n graficul de mai jos sunt prezentate exemple de distribuii normale n funcie de medie i deviaie standard:
Distribuia lognormal. O variabil este lognormal distribuit dac logaritmul natural al variabilei este nomal distribuit. Funcia densitii de probabilitate au unei variabile lognormal distribuite este:
1 f (x ) = e 2 x 2
1 ln( x )
Distribuia t. Aceast distribuie este folosit pentru modelarea mediei unui eantion mic de date (sub 30 de observaii) extras dintr-o populaie cu o distribuie normal, n cazul n care abaterea medie ptratic a eantionului nu este cunoscut. Pentru eantioane mari de observaii, distribuia t converge ctre distribuia normal. Pentru eantioane mici de date, aceast distribuie are o kurtotic mai mare dect o distribuie normal; datorit acestei caracteristici este folosit n modelarea randamentelor activelor financiare. Spre deosebire de distribuia normal, forma acestei depinde i de numrul de grade de libertate a seriei de date. Distribuia t este de fapt o familie de distribuii, (exist o distribuie pentru fiecare valoare posibil a gradelor de libertate).
10
Numrul de grade de libertate este o msur a numrului de uniti de informaie independente pe baza cruia un parametru este estimat. Pentru un parametru (media, abaterea medie ptratic a unei distribuii, coeficientul unei variabile independente dintr-o ecuaie de regresie) numrul de grade de libertate este egal cu numrul observaiilor pe baza crora s-a realizat estimarea minus numrul de parametri adiionali calculai pentru estimarea acestui parametru. Dac z ~ N (0,1) i x ~ 2 [n] i x este independent de z, atunci raportul t = urmeaz o distribuie t cu n grade de libertate, t ~ t [n] . De asemenea, dac t ~ t [n] , atunci t 2 ~ F [1, n] . n graficul de mai jos sunt prezentate exemple de distribuii t funcie de numrul de grade de libertate, k.
z x n
Distribuia Chi ptrat ( 2 ). Aceast distribuie este printre cele mai folosite distribuii n testele statistice. Distribuia 2 este asimetric, i ca i n cazul distribuiei t, este o familie de distribuii (exist o distribuie pentru fiecare valoare posibil a gradelor de libertate n - 1). Distribuia 2 este mrginit de zero (toate valorile sunt pozitive).
11
Dac z ~ N (0,1) , atunci x = z 2 ~ 2 [1], x este distribuit 2 cu un grad de libertate. Dac x1 , x2 ,..., xn sunt n variabile independente avnd fiecare o distribuie 2 [1] , atunci
x
i =1
~ [n] .
N (0,1) , atunci
z
i =1 n
2 i
~ 2 [n] ;
z N (0, ) , atunci i ~ 2 [n] ; i =1 2 Dac x1 ~ [n1 ] i x2 ~ 2 [n2 ] sunt variabile independente, atunci x1 + x2 ~ 2 [n1 + n2 ] .
2
n graficul de mai jos sunt prezentate distribuii 2 funcie de numrul de grade de libertate, k.
12
Distribuia F. Ca i distribuia 2 , distribuia F este o familie de distribuii asimetrice, care sunt mrginite de zero (sunt ntotdeauna pozitive). Fiecare distribuie F este definit de ctre dou valori de grade de libertate, denumite grade de libertate ale numrtorului i ale numitorului.
13
test _ statistic =
Astfel, dac media unui eantion cu n observaii extras dintr-o populaie este x , eroarea standard a mediei poate fi calculat prin dou metode:
14
cunoscut, dar este cunoscut abaterea medie ptratic a eantionului, s. 3. Al treilea pas const n specificarea nivelului de relevan al testului. Pe baza valorii testului, dou aciuni sunt posibile: Ipoteza nul este respins; Ipoteza nul nu este respins. Acceptarea sau respingerea ipotezei nule se bazeaz pe compararea valorii calculate a testului statistic cu valorile specifice (tabelate) ale testului statistic. Valorile cu care se compar valorile calculate sunt stabilite funcie de nivelul de relevan ales. Nivelul de relevan reflect ct de multe dovezi (probabilitate) avem nevoie pentru respingerea ipotezei nule. Atunci cnd testm o ipotez nul pot aprea patru situaii: Se respinge o ipotez nul fals. Aceasta este aciunea corect. Se respinge o ipotez nul adevrat. Aceasta este o eroare de tipul I. Nu se respinge o ipotez nul fals. Aceasta este o eroare de tipul II. Nu se respinge o ipotez nul adevrat. Aceasta este aciunea corect. Probabilitatea unei erori de tipul I se noteaz cu i se numete nivelul de relevan al testului statistic. De exemplu, un nivel de relevan de 0.05 (nivelul de relevan cel mai utilizat n luarea deciziilor statistice) nseamn c, cu o probabilitate de 5 la sut exist riscul de a respinge o ipotez nul adevrat. Probabilitatea unei erori de tipul II se noteaz cu . n luarea deciziei statistice, trebuie gsit un compromis ntre cele dou tipuri de erori. Astfel, dac scdem probabilitatea de a face o eroare de tipul I vom crete probabilitatea de a face o eroare de tipul II i invers. Singura metod de a reduce ambele tipuri de erori este creterea numrului de observaii din eantion, n. 4. Al patrulea pas n testarea ipotezei este stabilirea regulii de decizie. Astfel, atunci cnd este testat ipoteza nul, dac valoarea absolut calculat a testului statistic este mai mare sau egal cu valoarea tabelat pentru testul respectiv pentru nivelul de relevan , ipoteza nul este respins (parametrul estimat este semnificativ din punct de vedere statistic). n caz contrar ipoteza nul nu este respins, adic parametrul estimat nu este semnificativ din punct de vedere statistic. Valorile cu care se compar valorile calculate ale testului statistic se numesc valori critice.
15
Pentru un test care se refer la o singur coad a distribuiei (one tailed test) valoarea critic este indicat cu expresia z , unde z reprezint valoarea critic iar nivelul de relevan. Pentru un test care se refer la ambele capete ale distribuiei (two tailed test), valoarea critic este indicat cu z .
2
Astfel, n cazul testului z (care este normal distribuit) pentru testarea mediei unui eantion i considernd un nivel de relevan de 0.05 rezult urmtoarele posibiliti: Pentru testul H 0 : = 0 versus H a : 0 sunt dou puncte de respingere a ipotezei nule, unul pozitiv i unul negativ. Avnd n vedere c testul se refer la ambele capete ale distribuiei, pentru un nivel de relevan de 0.05, probabilitatea total pentru apariia unei erori de tipul I nu trebuie s fie mai mare de 0.05. Astfel, o probabilitate de
pentru fiecare coad a distribuiei pentru testarea ipotezei nule. Ca o consecin, cele dou puncte de respingere sunt z0.025 = 1.96 i z0.025 = 1.96 . Dac considerm z ca fiind valoarea calculat a testului statistic, atunci respingem ipoteza nul dac z < 1.96 sau z > 1.96 . Pentru testul H 0 : 0 versus H a : > 0 , la nivelul de relevan de 0.05, valoarea critic este z0.05 = 1.645 . Ipoteza nul se respinge dac z > 1.645 . Pentru testul H 0 : 0 versus H a : < 0 , la nivelul de relevan de 0.05, valoarea critic este z0.05 = 1.645 . Ipoteza nul este respins dac z < 1.645 . 5. Al cincilea pas n testarea ipotezei este colectarea datelor i calculul testului statistic. Astfel, majoritatea testelor solicit cel puin un numr de 20 30 de observaii. 6. Al aselea pas este reprezentat de luarea deciziei statistice: acceptarea sau respingerea ipotezei nule. 7. Ultima etap const n luarea deciziei economice. Aceasta trebuie s ia n considerare nu numai decizia statistic ci si toate celelalte informaii disponibile. Programele software econometrice raporteaz, pe lng valoarea testului statistic i probabilitatea asociat acestui test (valoarea p). Aceasta reprezint cel mai mic nivel de relevan la care ipoteza nul poate fi respins. Astfel decizia statistic este simplificat, aceasta putnd fi luat prin compararea valorii p cu nivelul de relevan la care se lucreaz.
16
test _ statistic =
Decizia de a utiliza unul dintre cele dou teste se ia funcie de distribuia populaiei i numrul de observaii disponibile astfel: Eantion mare (n > 30) Populaia are o distribuie normal Populaia nu are o distribuie normal Testul t sau testul z Testul t sau testul z Eantion mic (n < 30) Testul t Nu se poate testa
De exemplu, se analizeaz evoluia randamentelor unui fond de investiii. Astfel eantionul este format din 24 de observaii care reprezint randamentele lunare ale fondului n ultimii 2 ani. Media acestor randamente este 1.5 la sut iar abaterea lor standard este de 3.60 la sut. Datorit nivelului de risc sistematic al investiiilor acestui fond, acesta ar trebui s obin un randament lunar de 1.10 la sut. Se cere s se determine, cu un nivel de relevan de 10 la sut, dac rezultatele fondului sunt consistente cu cerina de a obine un randament lunar de 1.10 la sut. n aceste condiii testul statistic are ca ipotez nul este H 0 : = 1.10 versus ipoteza alternativ H a : 1.10 . Deoarece variana populaiei nu este cunoscut se va utiliza un test t cu 21 1 = 23 grade de libertate (prin calculul mediei s-a pierdut un grad de libertate). Avnd n vedere c este un test care ine cont de ambele capete ale distribuiei, = t0.05, 23 . Conform tabelelor distribuiei t, valoarea critic valoarea critic este t
2 , n 1
corespunztoare nivelului de relevan de 0.05 i a 23 de grade de libertate este 1.714. Ca urmare, cele dou puncte de respingere a ipotezei nule sunt 1.714 i respectiv 1.714. Cu alte cuvinte, ipoteza nul va fi respins dac t > 1.714 sau t < 1.714 .
17
Deoarece 0.544331 nu satisface nici una din condiiile t > 1.714 sau t < 1.714 , ipoteza nul nu este respins. Funcie de valorile critice ale testului parametrului, i a erorii standard a acestuia se poate construi intervalul de confiden al parametrului astfel: x t sx ; x + t s x .
Astfel, pentru exemplul de mai sus, cu un nivel de relevan de 90 la sut, cele dou valori sunt 1.5 (1.714 0.734847 ) = 0.240472 i 1.5 + (1.714 0.734847 ) = 2.759528 . Astfel, intervalul de confiden al mediei, la un nivel de relevan de 90 la sut este [0.240472;2.759528] . Cum valoarea de 1.10 la sut aparine acestui interval, ipoteza nul nu este respins.
Pentru testele statistice referitoare la variana unei populaii cu distribuie normal este folosit testul 2 . Dac dispunem de un eantion de n observaii extrase dintr-o populaie normal distribuit, testul statistic pentru testarea varianei este:
2 =
(n 1)s 2 ,
02
n
cu n 1 grade de libertate.
s =
2
(x
i =1
x)
n 1
18
Dac alegem un nivel de relevan al testului, , punctele de respingere ale ipotezei nule pentru cele trei tipuri de teste sunt: 2 2 a) H 0 : 2 = 0 versus H a : 2 0 . Respingem ipoteza nul dac valoarea testului statistic este egal cu sau mai mare dect punctul cel mai la dreapta (cel mai mare)
sau dac valoarea testului statistic este egal cu sau mai mic dect punctul cel mai la stnga (cel mai mic) b) H 0 :
2 2 0 2
a distribuiei, (notat cu 2 ).
1 2
2 0 .
versus H a : >
testului statistic este egal cu sau mai mare dect punctul cel mai la dreapta (cel mai mare) a distribuiei 2 cu n 1 grade de libertate.
2 2 c) H 0 : 2 0 versus H a : 2 < 0 . Respingem ipoteza nul dac valoarea
testului statistic este egal cu sau mai mic dect punctul cel mai la stnga (cel mai mic) a distribuiei 2 cu n 1 grade de libertate. Revenind la exemplul utilizat n cazul testului privind media unei populaii, presupunnd c, pe parcursul celor 24 de luni de observaie a randamentelor fondului de investiii, deviaia standard a randamentelor lunare ale acestuia a fost de 3.60 la sut, se cerea s se analizeze dac strategia de investiii a fondului a urmrit (i a reuit) o abatere standard a randamentelor lunare de cel mult 4 la sut. n aceste condiii, ipoteza nul este
H a : 2 < 16 .
Testul statistic folosit este testul 2 cu 24 1 = 23 grade de libertate. La = 0.05 , valoarea critic a testului este 13.091. Valoarea testului statistic este:
(n 1)s 2 =
02
Deoarece valoarea calculat a testului statistic, 18.63, nu este mai mic dect valoarea critic, 13.091, nu respingem ipoteza nul. Deci strategia de investiii a fondului a avut ca rezultat o deviaie standard a randamentelor lunare nregistrate de fondul de investiii mai mic dect 4 la sut.
19
Fiierul de lucru poate s conin urmtoarele tipuri de date: Serii cros-secionale sau serii de timp nedatate (opiunea Unstructured/Undated); Serii de timp cu frecvent constant (opiunea Dated regular frequency); Serii de tip panel serii care sunt n acelai timp cros secionale ct i serii de timp (opiunea Balanced Panel). Analizm seria de timp cu frecven zilnic a cursului de schimb pentru perioada ianuarie 1999 mai 2006. Dei seria are frecven constant, datorit srbtorilor legale, care nu pot fi definite n EViews, nu se poate alege opiunea Dated, ci opiunea Unstructured/Undated. Pentru perioada analizat, sunt disponibile aproximativ 2000 de observaii. n cazul realizrii de prognoze, trebuie alocate observaii i pentru perioada pentru care se face prognoza. De aceea, este recomandat ca intervalul specificat s fie mai mare dect numrul de observaii disponibile. De aceea, intervalul specificat n EViews va fi de 2500 observaii.
20
n acest fiier de lucru trebuie definite seriile cu care for fi folosite n analiza econometric. Definirea seriilor: click buton dreapa mouse n interiorul fiierului de lucru, selectarea opiunii new object, alegerea opiunii series i specificarea numelui seriei. Seria creat se numete eur.
21
Introducerea datelor n seria creat: selectarea serie, click buton stnga mouse, selectare opiune edit +/- n fereastra seriei, introducerea datelor cu copy (din fiierul Excel) i paste n prima coloan a fiierului seriei.
22
Opiunile disponibile sunt: Spreadsheet permite vizualizarea/modificarea datelor seriei; Graph permite reprezentarea grafic a seriei; Descriptive Statistics prezint primele patru momente ale distribuiei seriei; Test of Descriptive Statistics permite efectuarea de teste statistice asupra momentelor seriei; Distribuion prezint distribuia seriei; Correlogram prezint funcia de autocorelaie i autocorelaie partial. Seriile ce vor fi analizate sunt l_eur i dl_eur.
23
.08 .06 .04 .02 .00 -.02 -.04 -.06 500 1000 1500 DL_EUR 2000 2500
Din grafice rezult c l_eur (seria cursului de schimb) ar trebui sa fie o serie nestaonar iar seria dl_eur (variatia zilnic a cursului de schimb) o serie staionar. Dar aceste observaii trebuie confirmate prin testele de staionaritate. Testele de staionaritate cele mai folosite sunt ADF (Augmented Dickey-Fuller) i PP (Phillips-Perron). Pentru a testa staionaritatea unei serii de timp: View/Unit Root Test
Opiunile disponibile sunt: Test type: tipul testului de rdcin unitar (Augmented Dickey-Fuller, PhillipsPerron); Test unit root in: Level seria nivel (seria efectiv);
24
1st difference prima diferen a seriei (de obicei n cazul n care testul aplicat asupra seriei nivel a artat c seria este nestaionar); 2nd difference a doua diferen a seriei (atunci cnd i testul aplicat primei diferene a artat c seria de prime diferene este nestaionar. Include in test equation Intercept dac testul s includ i un termen constat. Acesat opiune se alege atunci cnd din graficul seriei se observ c aceasta fluctueaz n jurul unei anumite valori sau pornete dintr-o anumit valoare. Trend and intercept n cazul n care seria prezint un trend. None in cazul n care seria fluctueaz n jurul valorii 0.
Prima parte a testului prezint informaii cu privire la tipul testului (AFD, variabilele exogene introduse constant, trend) i cuprinde rezultatul testului, valorile critice pentru fiecare nivel de relevan (1, 5 i 10 la sut), i probabilitatea, p, asociat rezultatului testului. n acest exemplu, pentru l_eur, ADF are valoarea 0.981155 i valoarea p asociat acestuia este de 0.9448. Dac valoarea testului este mai mare dect valoarea critic, nu este respins ipoteza nul seria are o rdcin unitar (este nestaionar). n acest caz nu este respins ipoteza nul seria este nestaionar. Utiliznd valoarea p, este acceptat ipoteza nul seria este nestaionar pentru un anumit nivel de relevan, ori de cte ori probabilitatea p este mai mare dect acel nivel de relevan. Partea a doua a testului prezint ecuaia estimat, pe baza creia a fost calculat testul ADF. Testul ADF pentru l_eur:
Null Hypothesis: L_EUR has a unit root Exogenous: Constant, Linear Trend Lag Length: 3 (Automatic based on SIC, MAXLAG=25) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -0.981155 -3.962327 -3.411905 -3.127850 Prob.* 0.9448
25
Method: Least Squares Date: 09/22/07 Time: 12:51 Sample (adjusted): 5 2148 Included observations: 2144 after adjustments Variable L_EUR(-1) D(L_EUR(-1)) D(L_EUR(-2)) D(L_EUR(-3)) C @TREND(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.000783 0.066581 -0.089595 -0.074095 0.002038 -6.76E-07 0.027608 0.025334 0.006129 0.080324 7883.739 1.995360 Std. Error 0.000798 0.021554 0.021512 0.021552 0.000567 3.97E-07 t-Statistic -0.981155 3.089033 -4.164953 -3.437954 3.593461 -1.702470 Prob. 0.3266 0.0020 0.0000 0.0006 0.0003 0.0888 0.000428 0.006209 -7.348637 -7.332769 12.14042 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Pentru a determina ordinal de integrare al seriei (de cte diferenieri este nevoie pentru a obine o serie staionar, se va testa staionaritatea seriei de prime diferene (dl_eur).
26
Augmented Dickey-Fuller Test Equation Dependent Variable: D(L_EUR,2) Method: Least Squares Date: 09/22/07 Time: 13:13 Sample (adjusted): 5 2148 Included observations: 2144 after adjustments Variable D(L_EUR(-1)) D(L_EUR(-1),2) D(L_EUR(-2),2) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.071989 0.147425 0.065175 0.000459 0.469264 0.468520 0.006159 0.081168 7872.542 1.994158 Std. Error 0.036404 0.029223 0.021560 0.000134 t-Statistic -29.44682 5.044887 3.023036 3.425652 Prob. 0.0000 0.0000 0.0025 0.0006 5.00E-06 0.008448 -7.340058 -7.329479 630.7120 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Cum valoarea testului este mai mic dect valoarea critic pentru oricare dintre nivelele de relevan, alegnd nivelul de relevan cel mai restrictiv, 1 la sut, se poate spune c la 1 la sut nivel de relevan, ipoteza nul (seria este nestaionar) este respins. Acest rezultat rezult i din valoarea probabilitii asociate, p. Astfel, aceasta este mai mic dect cel mai restrictiv nivel de relevan, de 1 la sut i ca urmare, ipoteza nul seria este nestaionar este respins. Deci ordinul de integrare al seriei este 1 sau seria este I(1). Testul PP funcioneaz pe acelai principiu ca i ADF. Rezultatul obinut aplicnd testul PP este similar.
27
3.82E-05 3.09E-05
Phillips-Perron Test Equation Dependent Variable: D(L_EUR) Method: Least Squares Date: 09/22/07 Time: 13:21 Sample (adjusted): 2 2148 Included observations: 2147 after adjustments Variable L_EUR(-1) C Coefficient -0.000808 0.001905 Std. Error 0.000802 0.000568 t-Statistic -1.006972 3.355915 Prob. 0.3141 0.0008
28
@TREND(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
3.98E-07
-1.430085
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
3.83E-05 3.20E-05
Phillips-Perron Test Equation Dependent Variable: D(L_EUR,2) Method: Least Squares Date: 09/22/07 Time: 13:27 Sample (adjusted): 3 2148 Included observations: 2146 after adjustments Variable D(L_EUR(-1)) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient -0.925715 0.000394 0.462853 0.462603 0.006193 0.082240 7866.810 Std. Error 0.021537 0.000134 t-Statistic -42.98208 2.941322 Prob. 0.0000 0.0033 1.60E-07 0.008449 -7.329739 -7.324453 1847.459
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic
29
Durbin-Watson stat
1.986885
Prob(F-statistic)
0.000000
Series: DL_EUR Sample 1 2500 Observations 2147 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.000427 -2.90e-05 0.068792 -0.051064 0.006208 0.857072 14.10991 11304.70 0.000000
Ouput-ul prezint histograma distribuiei, media, mediana, valorile minime i maxime, deviaia standard, coeficientul de asimetrie, kurtotica seriei i testul Jarque-Bera. Pentru o distribuie normal: Coeficientul de asimetrie (skewness) este zero distribuia normal este simetric. Kurtotica (kurtosis) este 3. Dac acest indicator are o valoarea mai mare dect 3, atunci distribuia se numete leptokurtotic, iar dac acesta este mai mic dect 3 atunci distribuia se numete platikurtotic. n exemplul de mai sus, conform rezultatelor statistice, distribuia evoluiilor zilnice ale cursului de schimb are media apropiat de zero, prezint asimetrie pozitiv (ceea ce nseamn c, n perioada analizat cursul de schimb EUR/RON a avut o tendina de cretere leul s-a depreciat) iar kurtotica are o valoare de peste 14, ceea ce nseamn c aceast distribuie este leptokurtotic. O asemenea distribuie au majoritatea activelor financiare. ntr-o distribuie leptokurtotic, probabilitatea de apariie a unui eveniment extrem este superioar probabilitii de apariie a acelui eveniment implicat de o distribuie normal. Ca urmare
30
modelele de evaluare a preului i riscului activului respectiv pot genera erori dac presupun distribuia normal a acestuia. Jarque-Bera testeaz dac o distribuie este normal distribuit. Testul msoar diferena dintre coeficientul de asimetrie i kurtotica distribuiei analizate cu cele ale distribuiei normale. Testul are ca ipoteza nul: seria este normal distribuit. Astfel, dac probabilitatea asociat testului este superioar nivelului de relevan ales (1, 5 sau 10 la sut), atunci ipoteza nul este acceptat. n exemplul de mai sus, cum valoarea probabilitii asociate este zero, se respinge ipoteza nul, cum c seria este normal distribuit. O alt modalitate de testare a normalitii distribuiei este utiliznd opiunea View/Distribution/Quantile-Quantile Graph i alegnd opiunea Normal Distribution:
Prin aceast metodologie sunt reprezentate grafic quantilele distribuiei teoretice (normale) versus quantilele distribuiei care se analizeaz. Astfel, cu linie continu sunt reprezentate quantilele distribuiei normale, iar cu puncte cele ale distribuiei efective. Cu ct acestea din urm se abat mai mult fa de cele teoretice, distribuia nu este normal distribuit. n exemplul analizat se observ c distribuia seriei evoluiilor zilnice ale cursului de schimb EUR/RON nu este normal distribuit.
31
.00
.02
.04
.06
.08
DL_EUR
32
Kernel Density (Epanechnikov, h = 0.0018) 100 80 60 40 20 0 -.04 -.02 .00 .02 .04 .06 DL_EUR
33
Specificaiile corelogramei: Correlogram of o Level corelograma serie n nivel; o 1st Difference corelograma seriei n prime diferene, o 2nd Difference corelograma celei de a doua diferene a seriei. Lags to include numrul lag-urilor ce sunt incluse. Coeficientul de corelaie de ordinul k, (coeficientul de corelaie dintre X t i X t k este calculat dup cum urmeaz:
k = t = k +1
((X
X ) (X t k X )) nk
t =1
(X
X) n
unde: k reprezint coeficientul de corelaie de ordinul k; n numrul de observaii al seriei; X media seriei X t Coeficientul de autocorelie parial la lag-ul k reprezint coeficientul de regresie al lui X t k , atunci cnd X t este regresat funcie de X t k i o constant. Pentru o serie nestaionar coeficienii de corelaie ncep de la o valoare apropiat de -1 sau 1 i scad foarte ncet. Coeficienii pariali de autocorelaie pentru un proces autoregresiv de ordin p, AR(p) se opresc la lag-ul p, iar coeficienii pariali de autocorelaie pentru un proces medie mobil, MA, converg gradual ctre zero. Q-Statistic i probabilitatea asociat acestuia reprezint un test statistic care are ca ipotez nul c nu exist autocorelaie pn la lag-ul k. Dac probabilitatea asociat testului Q-Statistic este superioar nivelului de relevan, ipoteza nul este respins i este acceptat ipoteza alternativ exist autocorelaie pn la lag-ul k. n exemplul ales, conform rezultatelor statistice, seria cursului de schimb EUR/RON, l_eur, prezint autocorelaie persistent, conine o rdcin unitar i de asemenea, i seria evoluiei zilnice a cursului de schimb (seria n prim diferen a serie nivel a cursului de schimb), dl_eur prezint autocorelaie serial pentru primele 3 lag-uri.
34
35
Opiuni: Smoothed series repreprezint numele seriei trend ce va fi generat; Cycle series numele seriei abaterii de la trend (calculat ca diferen ntre seria efectiv i seria trend). Pentru seria cursului de schimb EUR/RON, trendul i abaterea de la trend sunt prezentate n graficul de mai jos.
Hodrick-Prescott Filter (lambda=14400) 1.6 1.2 0.8 .10 .05 .00 -.05 500 1000 L_EUR 1500 Trend 2000 Cycle 2500 0.4 0.0
36
37
De asemenea, sezonalitatea poate fi pus n eviden prin opiunea View/Graph/Seasonal Stacked Line apelat din fereastra seriei de timp analizate:
GDP by Season 80000 70000 60000 50000 40000 30000
Q1
Q2 GDP
Q3
Q4
Means by Season
Graficul prezint evoluia PIB-ului pe fiecare trimestru i media observaiilor pentru fiecare trimestru (linia orizontal). n cazul n care sunt diferene semnificative ntre mediile trimestriale, cum este cazul exemplului de mai sus, seria de timp prezint sezonalitate. Desezonalizarea seriei de timp se realizeaz cu opiunea Proc/Seasonal Adjustment apelat din fereastra seriei de timp.
Cele mai utilizate metodologii de ajustare sezonier sunt: Census X12 dezvoltat de Biroul de Statistic al Statelor Unite; Tramo/Seats utilizat n special de Eurostat (Biroul de Statistic al Comisiei Europene).
38
Opiunile pentru cele dou metodologii sunt: Component Series to Save/Series to Save - Generarea de serii. Generarea seriei ajustat sezonier bifarea opiunii _SA. Va vi generat o serie numele seriei initiale_SA care reprezint seria ajustat sezonier; Cele dou proceduri pot genera, similar cu filtrul Hodrick-Prescot i trendul/ciclul seriei opiunea _TC pentru X12 i respectiv, opiunile _TRD i _CYC pentru Tramo-Seats. De exemplu, n cazul aplicrii metodologiei X12, a fost generat seri gdp_sa. Pentru a reprezenta pe acelai grafic cele dou serii, se selecteaz seriile cu CTRL + click buton stnga mouse, apoi click buton dreapta mouse/Open as group i apoi, n fereastra grupului View/Graph/Line.
39
Cele dou serii, cea nedesezonalizat, gdp, i cea ajustat sezonier, gdp_sa sunt prezentate n graficul de mai jos.
80000 70000 60000 50000 40000 30000 98 99 00 01 02 03 04 05 06 07
GDP_SA
GDP
40
Yt = b0 + b1 X 1t + b2 X 2t + ... + bk X kt + t
unde:
t = 1,2,..., n sunt observaiile din eantion, Yt observaia t a variabilei dependente, X j variabilele independente, j = 1,2,..., k ,
X jt observaia t a variabilei independente X j , b0 constanta (termenul liber al ecuaiei), b1 ,..., bk coeficienii variabilelor independente,
( )
41
termenului de eroare este variabil, erorile se numesc heteroskedastice, i trebuie utilizate metode diferite de estimare a regresiei. 5. Termenul de eroare, t , este necorelat ntre observaii, E ( t s ) = 0, s t . Dac exist corelaie serial a erorilor, trebuie folosite utilizate metode diferite de estimare a regresiei. 6. Termenul de eroare este normal distribuit. Impactul nclcrii uneia dintre ipoteze asupra rezultatelor regresiei este prezentat n tabelul de mai jos: Heteroskedasticitate Corelaie serial a erorilor Multicoliniaritate Erorile standard ale regresiei sunt incorecte Erorile standard ale regresiei sunt incorecte Valori mari ale lui R 2 i valori mici ale valorilor t-statistic ale coeficienilor variabilelor independente
(Y Y )
n i =1 i
Suma total a ptratelor erorilor regresiei, numit i variaia neexplicat (residual sum of
reprezint
valoarea lui Yi obinut conform rezultatelor regresiei (valoarea estimat a lui Yi ). Partea din abaterea ptratic total a lui Yi obinut din regresie, numit i variaia explicat (regression sum of squares, RSS) se calculeaz ca reprezint media lui Yi . ntre cele trei msuri exist relaia: TSS = SSE + RSS. Eroarea standard a estimrii, (standard error of estimate, SEE) reprezint eroarea standard a reziduului ecuaiei.
(Y Y ) , unde
n
i =1
SEE =
(Y b b X
n t =1 t 0 1
1t
b2 X 2t ... bk X kt
n (k + 1)
t =1
2 t
n (k + 1)
42
SSE . n (k + 1)
Similar cu testarea mediei unui eantion, coeficienii ecuaiei de regresie pot fi testai printr-un test t. Ipoteza nul a testului este bk = bk 0 , unde bk este coeficientul obinut din regresie iar bk 0 valoarea testat a coeficientului. Testul t se calculeaz conform relaiei:
t=
bk bk 0 , sbk
unde sbk este eroarea standard a coeficientului. Dac valoarea testului este mai mare dect valoarea critic, atunci ipoteza nul este respins. Programele software econometrice testeaz prin testul t, pentru fiecare coeficient, ipoteza nul c acel coeficient are valoarea zero. Sunt raportate att valorile testului t, ct i probabilitile, p, asociate. Dac probabilitatea asociat este inferioar nivelului de relevan la care se lucreaz (1, 5 sau 10 la sut), atunci se respinge ipoteza nul i coeficientul este considerat ca fiind semnificativ din punct de vedere statistic. n cazul in care probabilitatea, p, este superioar nivelului de relevan la care se lucreaz, atunci ipoteza nul este acceptat, iar coeficientul este considerat ca avnd, din punct de vedere statistic, valoarea zero. Testul F msoar ct de bine variabilele independent explic evoluia variabilei dependente. El determin dac toi coeficienii regresiei, n acelai timp au valoarea zero din punct de vedere statistic. Acesta are ca ipotez nul c toi coeficienii din regresie au valoarea zero. Testul F se calculeaz ca:
43
Ca i n cazul testului t, programele software econometrice raporteaz valoarea testului i probabilitatea, p, asociat acestuia. Dac valoarea p este inferioar nivelului de relevan la care se lucreaz, atunci ipoteza nul este respins, ceea ce nseamn c cel puin unul dintre coeficienii din regresie este semnificativ din punct de vedere statistic. ns dac valoarea p este superioar nivelului de relevan, atunci este acceptat ipoteza nul, ceea ce nseamn c toi coeficienii din regresie sunt considerai nesemnificativi din punct de vedere statistic (egali cu zero). Un alt indicator care arat dac modelul de regresie este bine specificat este R 2 . Acesta arat ct la sut din variana total a variabilei dependente este datorat variabilelor independente.
R 2 se calculeaz ca R 2 =
n 1 2 R 2 = 1 1 R , nk
unde: n reprezint numrul de observaii, k numrul de variabile independente incluse n regresie. Astfel, atunci cnd sunt introduse variabile independente suplimentare n regresie, R 2 poate s creasc, dar R 2 poate s scad penaliznd astfel introducerea de variabile independente care au o relevan mic asupra variabilei dependente.
44
De exemplu, dac se testeaz dac randamentele obinute de o aciune sunt diferite n luna ianuarie fa de restul lunilor din an, se va include n regresie o variabil dummy, care ia valoarea 1 n luna ianuarie i valoarea zero n celelalte luni ale anului. Numrul de variabile dummy este cu 1 mai mic dect numrul de condiii, n caz contrat existnd multicoliniaritate. n exemplul de mai sus, randamentul obinut de ctre aciune n celelalte luni ale anului este captat de termenul liber al regresiei. Variabilele dummy pot fi utilizate i pentru captarea impactului sezonier asupra variabilei independente, introducnd cel mult 11 variabile dummy pentru datele cu frecven lunar sau cel mult 3 variabile dummy pentru datele cu frecven trimestrial, asta n cazul n care datele nu au fost ajustate sezonier n prealabil.
45
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Pentru fiecare variabil independent i constant EViews raporteaz eroarea standard a coeficientului, testul t-Statistic i probabilitatea asociat acestuia. Presupunnd ca se lucreaz la nivelul de relevan de 5 la suta, cum, n exemplul de mai sus probabilitile ataate testului t-statistic sunt inferioare acestui nivel, coeficienii sunt considerai semnificativi din punct de vedere statistic. EViews raporteaz R 2 i R 2 , prezentate anterior.
46
Durbin Watson statistic (DW) este un test statistic care testeaz corelaia serial a erorilor. Dac erorile nu sunt corelate, atunci valoarea lui DW va fi n jur de 2. n exemplul de mai sus acest indicator are valoarea 2.18, i ca urmare, exist corelaie serial a erorilor. EViews raporteaz i dou criterii informaionale: Akaike info criterion i Schwarz criterion. Aceti indicatori sunt folositori atunci cnd trebuie aleas o ecuaie din mai multe variante. Conform criteriului informaional, se alegea specificaia pentru care criteriile informaionale au valorile cele mai mici. n alegerea unei ecuaii din mai multe ecuaii posibile, de asemenea importante sunt i R 2 i R 2 (care trebuie s fie ct mai mari) i testele de corelaie serial i heteroskedasticitate. n majoritatea cazurilor fiecare dintre teste va indica o ecuaie diferit, de aceea va trebui s se gseasc un compromis n alegerea unei ecuaii. De asemenea este raportat i F-statistic i probabilitatea asociat acestuia. Cum aceast probabilitate este mai mic dect nivelul de relevan, conform acestui test rezult c cel puin un coeficient din regresie este semnificativ din punct de vedere statistic. Testele pentru ecuaia de regresie sunt disponibile cu meniul View din fereastra ecuaiei de regresie. Cu opiunea View/Actual, Fitted, Residual/Actual, Fitted, Residual Graph se reprezint grafic valoarea efectiv a variabilei dependente, valoarea sa estimat i erorile din regresie.
47
.6 .4 .2 .6 .4 .2 .0 -.2 -.4 250 500 750 1000 1250 1500 1750 2000 Actual Fitted .0 -.2 -.4
Residual
Astfel, cu opiunea View/Residual tests/Correlogram Q-statistics se testeaz autocorelaia erorilor ecuaiei de regresie (similar cu testarea autocorelaiei seriilor de timp).
48
Conform rezultatelor acestui test, pentru primele 3 lag-uri ale erorilor exist corelaie serial a erorilor (valoarea coeficientului de autocorelaie depete intervalul punctat n grafic). Existena autocorelaiei este confirmat i de testul Q-statistic i probabilitatea asociat acestuia. Cu opiunea View/Residual tests/Correlogram Squared Residuals se testeaz autocorelaia erorilor ptratice ale ecuaiei de regresie dup aceleai principii ca i testarea autocorelaiei erorilor. Dac exist aotocorelaie ale erorilor ptratic, acest fapt este o indicaie a existenei heteroskedasticitii (termeni ARCH).
49
Conform rezultatelor econometrice, pentru ecuaia estimat anterior, exist corelaie serial a erorilor ptratice, deci este posibil s existe termeni ARCH. Cu opiunea View/Residual tests/Histogram Normality test se analizeaz (similar cu analiza distribuiei unei serii) distribuia erorilor rezultate din regresie.
50
Series: Residuals Sample 2 2091 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 6.64e-20 -0.000847 0.474478 -0.265550 0.028905 4.453284 93.72818 723743.4 0.000000
Conform rezultatelor testului Jarque-Bera, erorile nu sunt distribuite normal. Distribuia normal a erorilor este importat n special cnd se dorete realizarea de prognoze pe baza ecuaiei econometrice estimate. Existena corelaiei seriale, artat de corelograma erorilor se confirm cu ajutorul testului Serial Correlation LM test, disponibil cu ajutorul opiunii View/Residual tests/Serial Correlation LM Test. Alegnd 3 lag-uri pentru acest test, rezultatul este prezentat mai jos.
Cea mai important parte a output-ului testului este prima parte care prezint cele dou teste statistice F-Statistic i R-squared i probabilitile asociate acestor teste. Ipoteza nul a celor dou teste este c nu exist corelaie serial a erorilor ecuaiei de regresie pn la lag-ul k (specificat mai sus). Dac probabilitatea asociat celor dou teste este inferioar nivelului de relevan la care se lucreaz, atunci ipoteza nul este respins, deci se respinge inexistena corelaiei seriale. n caz contrar ipoteza nul este acceptat, (nu exist corelaie serial).
51
Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 29.24197 84.38578 Prob. F(3,2085) Prob. Chi-Square(3) 0.000000 0.000000
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 09/24/07 Time: 22:31 Sample: 2 2091 Included observations: 2090 Presample missing value lagged residuals set to zero. Variable C DL_BET RESID(-1) RESID(-2) RESID(-3) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -3.51E-05 0.021783 -0.124563 -0.131478 -0.133612 0.040376 0.038535 0.028342 1.674845 4484.431 1.997878 Std. Error 0.000623 0.039474 0.021741 0.021684 0.021736 t-Statistic -0.056369 0.551838 -5.729423 -6.063482 -6.146925 Prob. 0.9551 0.5811 0.0000 0.0000 0.0000 6.64E-20 0.028905 -4.286537 -4.273032 21.93148 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Conform rezultatelor statistice exist corelaie serial a erorilor ecuaiei de regresie pn la lag-ul 3. Testul similar (testului Serial Correlation LM) pentru testarea corelaiei seriale a erorilor ptratice este ARCH LM Test, disponibil cu ajutorul opiunii View/Residual testsARCH LM Test. Testul funcioneaz pe aceleai principii ca i testul pentru autocorelaia erorilor. Alegnd tot 3 lag-uri pentru acest test, conform celor dou probabiliti asociate, este respins ipoteza nul (inexistena corelaiei seriale a erorilor ptratice ale ecuaiei de regresie).
52
ARCH Test: F-statistic Obs*R-squared 22.96701 66.82299 Prob. F(3,2083) Prob. Chi-Square(3) 0.000000 0.000000
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 09/24/07 Time: 22:44 Sample (adjusted): 5 2091 Included observations: 2087 after adjustments Variable C RESID^2(-1) RESID^2(-2) RESID^2(-3) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.000618 0.143865 0.069810 0.037151 0.032019 0.030625 0.007919 0.130634 7138.545 1.998429 Std. Error 0.000176 0.021895 0.022066 0.021881 t-Statistic 3.522445 6.570647 3.163664 1.697844 Prob. 0.0004 0.0000 0.0016 0.0897 0.000826 0.008043 -6.837130 -6.826314 22.96701 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Testele de stabilitate ale ecuaiei i coeficienilor estimai sunt disponibile cu opiunea View/Stability Tets/Recursive Estimates (OLS only). Cele mai utilizate teste de stabilitate sunt: CUSUM Tests; CUSUM of Squares Tests; Recursive Coeficients.
53
Testul CUSUM se bazeaz pe suma cumulativ a erorilor recursive ale ecuaiei de regresie. EViews reprezint grafic suma cumulativ a erorilor recursive mpreun cu liniile critice de 5 la sut. Parametrii ecuaiei nu sunt considerai stabili dac suma cumulativ a erorilor recursive iese n afara celor dou linii critice. Erorile recursive sunt calculate dup cum urmeaz: folosind primele k + 1 observaii, unde k reprezint numrul de coeficieni ai ecuaiei de regresie, se estimeaz coeficienii ecuaiei, se prognozeaz variabila dependent pentru a k + 2-a observaie i se calculeaz eroarea de prognoz (prin compararea valorii variabilei dependente prognozate cu valoarea efectiv a acesteia). Apoi se mai introduce o observaie n eantion (acesta avnd k + 2 observaii) i se repet procedura descris anterior. Suma cumulativ a erorilor recursive este:
WT =
wt , t = k + 1, k + 2,..., T , t = k +1 s
54
150 100 50 0 -50 -100 -150 250 500 750 1000 1250 1500 1750 2000 5% Significance
CUSUM
Conform rezultatelor statistice, coeficienii ecuaiei sunt stabili. Testul CUSUM of Squares se calculeaz i interpreteaz similar cu testul CUSUM, cu deosebirea c n locul erorilor recursive sunt folosite erorile recursive ridicate la ptrat. Pentru ecuaia analizat, conform acestui test, coeficienii ecuaiei nu sunt stabili.
1.2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 250 500 750 1000 1250 1500 1750 2000 CUSUM of Squares 5% Significance
55
Coeficienii sunt stabili dac, odat cu mrirea eantionului, valoarea acestora nu se modific. Pentru calcului coeficienilor recursivi se pornete cu primele k + 1 observaii, unde k reprezint numrul de coeficieni ai ecuaiei de regresie, se estimeaz coeficieni ecuaiei de regresie. Apoi se mrete eantionul cu urmtoarea observaie i se reestimeaz coeficienii de regresiei. Se procedeaz similar pn se estimeaz coeficienii pe baza ntregului eantion de date disponibile. Apoi coeficienii recursivi se reprezint grafic. Pentru ecuaia analizat, coeficienii recursivi sunt reprezentai n graficele de mai jos.
.008 .004 .000 -.004 -.008 -.012 -.016 -.020 -.024 -.028 250 500 750 1000 1250 1500 1750 2000 Recursive C(1) Estimates 2 S.E.
2.0 1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 250 500 750 1000 1250 1500 1750 2000 Recursive C(2) Estimates 2 S.E.
56
n cazul n care ara respectiv nu are obligaiuni externe emise cu scadena de 10 ani, n analiz a fost inclus spread-ul pentru obligaiunile externe cu scadena cea mai apropiat de aceast termen. 2 Africa de Sud, Argentina, Brazilia, Bulgaria, Cehia, Chile, China, Columbia, Coreea de Sud, Croaia, Ecuador, Egipt, Estonia, India, Indonezia, Israel, Letonia, Lituania, Malaezia, Maroc, Mexic, Noua Zeeland, Peru, Philipine, Polonia, Romnia, Rusia, Singapore, Slovacia, Slovenia, Tailanda, Taiwan, Tunisia, Turcia, Ucraina, Ungaria, Uruguay, Venezuela
57
Dependent Variable: S_30DEC30JUN Method: Least Squares Sample (adjusted): 1 38 Included observations: 38 after adjustments Variable (CA05+CA04)/2 (BGBAL05+BGBAL04)/2 C DUMMY_DEBT DUMMY_LATAM R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -2.055125 -4.171597 -20.53730 31.00363 -51.07850 0.496125 0.435049 36.56759 44127.21 -188.0073 2.209404 Std. Error 0.882112 2.120765 10.84948 13.34970 14.70051 t-Statistic -2.329777 -1.967025 -1.892930 2.322420 -3.474608 Prob. 0.0261 0.0576 0.0672 0.0265 0.0015 -9.815789 48.65091 10.15828 10.37375 8.123107 0.000113
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
n cazul extinderii perioadei de calcul a evoluiei spread-ului la primele trei trimestre ale anului 2006, coeficienii celor dou variabile macroeconomice devin nesemnificativi din punct de vedere statistic ceea ce sugereaz reducerea aversiunii fat de risc a investitorilor, n trimestrul III al anului 2006, ctre nivelurile anterioare celor dou episoade de criz. Rezultatele econometrice sunt prezentate n tabelul de mai jos. Conform att testelor individuale t ct i testului F, coeficienii din ecuaia de regresie sunt nesemnificativi din punct de vedere statistic.
58
Dependent Variable: S_30DEC30SEP Method: Least Squares Sample (adjusted): 1 38 Included observations: 38 after adjustments Variable Coefficient Std. Error 1.689682 4.062315 20.78213 25.57130 28.15876 t-Statistic 0.093693 -0.365702 -0.054496 0.277012 -2.250036 Prob. 0.9259 0.7169 0.9569 0.7835 0.0312 -10.10526 72.22816 11.45823 11.67371 1.585581 0.201263
(CA05+CA04)/2 0.158311 (BGBAL05+BGBAL04)/2 -1.485595 C -1.132544 DUMMY_DEBT 7.083560 DUMMY_LATAM -63.35821 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.161209 0.059537 70.04505 161908.2 -212.7064 1.891845
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
59
V. 1. Procese AR
O serie staionar, Yt , urmeaz un proces AR(p) dac este ndeplinit condiia:
Yt = 0 + iYt i + t ,
unde t ~ N (0, 2 ) serie staionar, E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s n aceast ecuaie, p valori anterioare ale lui Y sunt folosite pentru a prognoza valoarea curent. Polinomul caracteristic ataat procesului AR(p) este: P ( ) = 0 p 1 p 1 2 p 2 ... p . Procesul AR(p) este staionar dac valorile absolute ale rdcinilor polinomului su caracteristic sunt strict mai mici dect 1. Media procesului AR(p) se obine rezolvnd ecuaia Yt = 0 +
i =1
( )
Y
i =1
i t i
+ t , pentru = 0
i Yt = Yt 1 = ... = Yt p = Y . Pentru un proces autoregresiv staionar, media procesului este finit i independent de timp; procesul se ntoarce la medie (este mean reverting). n cazul n care procesul este nestaionar, media nu este o valoare finit. Condiiile suplimentare pentru ca procesul s fie staionar (n covarian) sunt: Variana procesului nu depinde de timp, Covariana nu depinde de timp. Unul dintre modelele de tip AR cele mai folosite n finane este modelul Random Walk, model pentru care p = 1, 0 = 0 i 1 = 1 . Reprezentarea modelului este: Yt = Yt 1 + t ,
( )
60
Ca urmare, valoarea unei serii ntr-o anumit perioad depinde de valoarea seriei n perioada anterioar i de un termen de eroare aleator a crui valoare ateptat este 0. Astfel, cea mai bun prognoz a valorii seriei este valoarea sa anterioar. Acest model este foarte utilizat n analiza pieelor financiare i n special a cursului de schimb. Acest proces este nestaionar (exploziv), i, ca urmare nu are medie. Cea mai simpl metod de testare a procesului este testarea termenului t = Yt Yt 1 (care reprezint prima diferen a seriei): testarea mediei seriei t : care trebuie s fie zero; testarea staionaritii seriei t : seria trebuie s fie staionar. Procesul random walk poate s aib i un trend (random walk with drift), n exemplul de mai sus, pentru 0 0 . Reprezentarea acestui model este: unde t ~ N (0, 2 ) , E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s .
Yt = 0 + Yt 1 + t ,
( )
V. 2. Procese MA
Deoarece majoritatea seriilor de timp financiare au caracteristicile unor procese autoregresive, modelele AR sunt cele mai utilizate modele de prognoz. Dar, anumite serii urmeaz alte tipuri de procese, numite procese de medii mobile (MA). De exemplu, conform testelor statistice prezentate n literatura de specialitate, indicele bursier S&P 500 urmeaz mai degrab un proces MA dect AR. Procesul Yt este urmeaz un proces medie mobil de ordinul q , dac este definit prin egalitatea:
Yt = t 1 t 1 ... q t q ,
( )
V. 3. Procese ARMA
Utiliznd ambele procese AR i MA, analiza i prognoza seriilor de timp poate fi mbuntit. Astfel, prin combinarea celor dou procese se obine un model generalizat, autoregresiv medii mobile (ARMA). Modelul ARMA combin att lag-urile autoregresive ale variabilei dependente ct i erorile procesului medie mobil. Ecuaia unui asemenea model, cu p termeni autoregresivi i q termeni medie mobil, notat ARMA(p,q) este:
61
Yt = 0 + iYt i + t + i t i ,
unde t ~ N (0, 2 ) serie staionar, E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s . Estimarea modelelor ARMA prezint limitri severe. n primul rnd parametrii n modelele ARMA pot fi foarte instabili, modificri mici ale eantionului utilizat putnd conduce la parametri foarte diferii de la o estimare la alta. n al doilea rnd, alegerea modelului ARMA cel mai potrivit depinde mai mult de experien dect de indicatori statistici. n plus, un model odat selectat, poate s nu prognozeze foarte bine. Procedura de estimare a unui model ARMA cuprinde urmtorii pai: 1. Testarea staionaritii seriei. Dac este staionar se trece la pasul trei, dac nu se parcurg cerinele pasului urmtor. 2. Se stionarizeaz seria de date prin difereniere. Marea majoritate a seriilor nestaionare sunt integrate de ordinul 1, I(1), aa c seria se staionarizeaz prin prima diferen. 3. Pe baza coeficienilor de autocorelaie (funciei de autocorelaie) i a coeficienilor de corelaie parial (funciei de autocorelaie parial) se determin modelele autoregresive de start pentru analiza seriei de date. Astfel, dac exist o valoare a lui h egal cu q ncepnd de la care valoarea funciei de autocorelaie scade brusc ctre zero, atunci pentru prelucrarea seriei se folosete un proces MA(q) sau un proces ARMA ce cuprinde o component MA(q). n cazul n care valoarea funciei de autocorelaie parial scade instantaneu ctre zero, ncepnd cu o valoare a decalajului egal cu p, atunci se recomand ca seria de timp s fie prelucrat prin intermediul unui proces AR(p) pur sau printr-un proces ce cuprinde i aceast component. 4. Se estimeaz parametrii modelelor ARMA. 5. Se testeaz caracteristicilor modelelor autoregresive ce au fost estimate n etapa anterioar. Astfel se verific dac coeficienii modelului sunt semnificativi (diferii de zero) din punct de vedere statistic, autocorelarea reziduurilor regresiei, proprietatea de homoscedasticitate, stabilitatea parametrilor i caracteristicile distribuiei rezidurilor. 6. Se alege cel mai potrivit model folosind diverse criterii de analiz. Astfel, se alege modelul care are valoarea cea mai mare pentru R 2 ajustat sau valoarea cea mai mic pentru variana sau dispersia reziduurilor. De asemenea se alege modelul care are valorile cele mai mici pentru criteriile informaionale (Akaike, Schwartz). 7. Pe baza modelului selectat se fac diverse analize i prognoze.
i =1 i =1
( )
62
BUBOR
Conform testelor de staionaritate ADF i PP seria este staionar. Testul de staionaritate ADF
Null Hypothesis: BUBOR has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=12) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -5.024900 -4.031899 -3.445590 -3.147710 Prob.* 0.0003
63
Method: Least Squares Sample (adjusted): 1997M02 2007M08 Included observations: 127 after adjustments Variable BUBOR(-1) C @TREND(1997M01) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.328208 33.57762 -0.303782 0.169420 0.156024 19.33121 46338.27 -554.8257 1.581948 Std. Error 0.065316 7.478112 0.074919 t-Statistic -5.024900 4.490120 -4.054833 Prob. 0.0000 0.0000 0.0001 -0.383937 21.04233 8.784657 8.851843 12.64663 0.000010
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Testul de staionaritate PP
Null Hypothesis: BUBOR has a unit root Exogenous: Constant, Linear Trend Bandwidth: 3 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -5.437216 -4.031899 -3.445590 -3.147710 Prob.* 0.0001
364.8682 462.5140
Phillips-Perron Test Equation Dependent Variable: D(BUBOR) Method: Least Squares Sample (adjusted): 1997M02 2007M08 Included observations: 127 after adjustments Variable BUBOR(-1) Coefficient -0.328208 Std. Error 0.065316 t-Statistic -5.024900 Prob. 0.0000
64
C @TREND(1997M01) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
7.478112 0.074919
4.490120 -4.054833
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
65
Att funcia de autocorelaie (care pornete de la o valoare ridicat i scade gradual) ct i funcia de autocorelaie parial (care scade brusc) indic c aceast serie este preponderent un proces AR. Pentru specificarea ecuaiei, se procedeaz similar ca n cazul estimrii unei ecuaii de regresie liniar: click buton dreapta mouse n interiorul ferestrei fiierului de lucru (workfile)/new object/equation:
Variabilele AR se specific ca lag-uri ale variabilei dependente (n exemplul de mai sus, bubor(-1)), iar variabilele MA, se specific MA(x) unde x reprezint ordinul. n selectarea specificaiei ARMA se ine cont de autocorelaia erorilor ecuaiei de regresie (s nu existe autocorelaie), autocorelaia erorilor ptratice (s nu existe termeni ARCH), R criteriile informaionale. De asemenea, n cazul modelelor care conin termeni AR, valoarea absolut a unui coeficient AR trebuie s fie mai mic dect 1 (dac este egal atunci exist o rdcin unitar, iar dac este mai mare dect 1 atunci procesul este exploziv). De asemenea suma coeficienilor termenilor AR trebuie sa fie mai mic dect 1 (n caz contrar procesul fiind exploziv). n plus, pentru ca ecuaia s fie stabil, valoarea absolut a rdcinilor ecuaiei trebuie s fie mai mici dect 1.
2
i R ,
66
Estimarea modelului MA
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) .42+.90i -.78+.45i
67
-1.0
-0.5
0.0
0.5
1.0
1.5
MA roots
Inverse Roots of AR/MA Polynomial(s) Specification: BUBOR C MA(1) MA(2) MA(3) MA(4) Sample: 1997M01 2007M12 Included observations: 128 MA Root(s) 0.416806 0.900818i -0.783923 0.450021i Modulus 0.992572 0.903910 Cycle 5.524002 2.397739
No root lies outside the unit circle. ARMA model is invertible. Conform rezultatelor statistice, modulul rdcinilor polinomului caracteristic este mai mic dect 1, i ca urmare ecuaia este stabil. Dar, conform corelogramei erorilor, prezentat n graficul de mai jos, exist autocorelaie serial la al 5-lea lag.
68
Valoarea efectiv i cea estimat de model a BUBID 1W este prezentat n graficul de mai jos.
250 200 150 100 80 40 0 -40 -80 97 98 99 00 01 02 03 04 05 06 07 Residual Actual Fitted 50 0
69
Estimarea modelului AR
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Coeficientul termenului AR este mai mic dect 1, deci ecuaia este stabil. De asemenea, conform corelogramei erorilor, nu exist corelaie serial a erorilor.
Valorile efective i cele estimate ale variabilei dependente sunt prezentate n graficul de mai jos.
70
250 200 150 100 150 100 50 0 -50 -100 97 98 99 00 01 02 03 04 05 06 07 Residual Actual Fitted 50 0
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat .88-.16i -.02+.90i -.89-.33i .56+.83i -.53+.73i
71
Conform rezultatelor statistice, modulul rdcinilor polinomului caracteristic este mai mic dect 1, i ca urmare ecuaia este stabil.
Inverse Roots of AR/MA Polynomial(s) 1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
MA roots
Inverse Roots of AR/MA Polynomial(s) Specification: BUBOR BUBOR(-1) MA(5) MA(6) MA(7) MA(10) Sample: 1997M01 2007M12 Included observations: 127 MA Root(s) 0.558806 -0.890402 -0.528267 -0.022438 0.882301 0.826275i 0.332511i 0.734115i 0.897521i 0.159193i Modulus 0.997494 0.950463 0.904428 0.897802 0.896548 Cycle 6.436651 2.256737 2.863081 3.937348 35.19821
No root lies outside the unit circle. ARMA model is invertible. De asemenea, conform corelogramei erorilor, nu exist corelaie serial la 1 la sut nivel de relevan.
72
Valorile efective i cele estimate ale variabilei dependente sunt prezentate n graficul de mai jos.
250 200 150 120 80 40 0 -40 -80 97 98 99 00 01 02 03 04 05 06 07 100 50 0
Residual
Actual
Fitted
Indicatorii statistici pentru cele trei specificaii de modele sunt prezentai in tabelul de mai jos. MA(4)
Adjusted R-squared Akaike info criterion Schwarz criterion 0.832822 8.571450 8.682858
AR(1)
0.765758 8.893420 8.938210
ARMA(1,10)
0.863156 8.378862 8.490837
73
Conform tuturor celor trei criterii (cea mai mare valoare a R 2 i, respectiv, cele mai mici valori nregistrate de criteriile informaionale), este aleas specificaia ARMA(1,10). Pe baza acestei specificaii se va prognoza dobnda BUBOR 1W pentru lunile septembrie decembrie 2007. Opiunea pentru realizarea de prognoze este Proc/Forecast apelat din fereastra ecuaiei de regresie.
Opiunile disponibile din fereastra Forecast sunt: Forecast sample perioada pentru care se realizeaz prognoza. n cazul de fa este septembrie 2007 decembrie 2007. Method: Dynamic forecast prognozeaz valoarea n perioada t + 1 pe baza datelor efective pn n momentul t, apoi pentru toate perioadele urmtoare folosete datele deja prognozate ncepnd din momentul t + 1. Static forecast prognozeaz o observaie nainte numai pe baza datelor efective.
74
Utiliznd o prognoz dinamic, valorile prognozate i marjele de eroare (simbolizate cu linii roii ntrerupte sunt prezentate n graficul de mai jos.
80 60 40 20 0 -20 -40 -60 2007M09
2007M10
2007M11 BUBORF
2007M12
75
76
Date utilizate: Rata dobnzii active practicate pentru persoane fizice (ACT_PF); Rata dobnzii active practicate pentru persoane juridice, clieni nebancari, neguvernamentali (ACT_PJ); Rata dobnzii pasive practicate pentru persoane fizice (PAS_PF); Rata dobnzii pasive practicate pentru persoane juridice, clieni nebancari neguvernamentali (PAS_PJ); Rata dobnzii la operaiunile de sterilizare ale BNR (RN_BNR); Rata dobnzii bonificate de BNR pentru rezervele minime obligatorii n lei (DOB_RMO); Rata anual a inflaiei ateptat de operatorii bancari peste 24 de luni (A_INFL_24); Deviaia standard a rspunsurilor participanilor la sondaj cu privire la rata anual a inflaiei ateptate peste 12 luni (A_INFL_12_DEV), utilizat ca variabil proxy pentru incertitudinea din piaa bancar cu privire la evoluia inflaiei din urmtoarele 12 luni; Rata dobnzii pentru depozitele pe piaa monetar cu scadena de o sptmn ateptate de operatorii din sistemul bancar pentru un orizont de 12 luni (RN_1W_12). Conform rezultatelor econometrice, spread-ul activ, att pentru persoane fizice ct i pentru persoane juridice, este influenat de ateptrile privind rata inflaiei pe urmtoarele 24 de luni i de volatilitatea dobnzii de intervenie a BNR (aproximat prin valoarea absolut a modificrilor lunare ale acesteia). Astfel, att o majorare a anticipaiilor inflaioniste ct i o cretere a volatilitii ratei dobnzii de intervenie conduc la majorarea spread-ului activ. Cum era de ateptat, rata de dobnd bonificat de BNR pentru depozitele minime obligatorii este corelat negativ cu spread-ul, n sensul c o majorare a acesteia conduce la reducerea spread-ului (datorit reducerii costului fondurilor atrase). Definirea modelului panel re realizeaz cu click buton dreapta mouse selectarea opiunii New object/Pool
77
n fereastra Cross Section Identifiers se introduc datele de identificare a seriilor de date crossecionale. n cazul de fa _x, unde x reprezint banca. Astfel, fiecare serie de date care se refer la banca x, va avea terminaia _x. Cu opiunea View/Spreadsheet (stacked data) se definesc seriile specifice fiecrei bnci i seriile comune tuturor bncilor. Seriile se separ cu spaiu. Dac seriile sunt comune tuturor bncilor (de exemplu rata de sterilizare a BNR, rn_bnr) seriile se definesc tiprindu-se numele lor. Dac, n schimb este o serie specific fiecrei bnci (cum este cazul, de exemplu, ateptrilor privind rata inflaiei pentru urmtoarele 24 de luni, a_infl_24), seria se definete tiprind numele acesteia i ? (a_infl_24?). n acest fel se genereaz cte o serie a_infl_24 pentru fiecare banca, serie avnd terminaia _01 pn la _13.
78
Apoi seriile (att cele comune ct i cele pentru fiecare banc) se introduc n tabel co copy i paste. Ecuaia de regresie se estimeaz cu opiunea Estimate apelat din fereastra modelului panel.
Opiunile disponibile sunt: Dependent variable variabila dependent. Dac seriile sunt specifice fiecrei bnci se folosete caracterul ?. Regressors and AR() terms: Common coefficients variabilele independente comune. De asemenea, dac seriile sunt specifice fiecrei bnci se folosete caracterul ?. Cross-section specific coefficients variabile specifice fiecrei bnci. n acest caz se va estima cte un coeficient pentru fiecare banc. Estimation method:
79
Fixed and Random Effects dac se introduc efecte fixe sau efecte aleatoare. Weights se alege metoda de estimare, metod care poate s in cont de autocorelaia erorilor i de heteroskedasticitate.
80
Persoane juridice
Dependent Variable: ACT_PJ?-RN_BNR Method: Pooled Least Squares Sample (adjusted): 2005M01 2005M07 Included observations: 7 after adjustments Cross-sections included: 13 Total pool (unbalanced) observations: 84 Variable C A_INFL_24?(-1) ABS(D(RN_BNR(-2))) DOB_RMO(-1) Fixed Effects (Cross) _01--C _02--C _03--C _04--C _05--C _06--C _07--C _08--C _09--C _10--C _11--C _12--C _13--C Coefficient 0.913003 1.448644 0.454094 -0.355659 -5.443339 2.078863 -1.012100 -0.762182 2.232951 -5.844925 1.399169 3.272944 1.465961 -0.405522 -1.299828 1.946907 4.696545 Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.762877 0.710571 1.707752 198.3165 -155.2708 1.666125 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 8.847317 3.174343 4.077877 4.540889 14.58477 0.000000 Std. Error 3.831831 0.702989 0.123256 0.167640 t-Statistic 0.238268 2.060692 3.684154 -2.121559 Prob. 0.8124 0.0432 0.0005 0.0375
81
n cazul spread-ului pasiv, conform rezultatelor econometrice, att pentru persoanele fizice ct i pentru cele juridice, asupra acestuia i pun amprenta ateptrile n privina evoluiilor n urmtoarele 12 luni a ratelor dobnzii cu scadena de o sptmn, evoluia ratei dobnzii de sterilizare a BNR i incertitudinea n privina ratei inflaiei ateptate n urmtoarele 12 luni. Astfel, anticiparea unei creteri a ratei dobnzii pe piaa monetar conduce la majorarea spread-ului. O explicaie a acestui rezultat ar fi faptul c, n general, durata activelor este superioar duratei pasivelor (riscul de modificare a ratei dobnzii n sensul creterii are un impact negativ ce nu este compensat n totalitate de impactul pozitiv asupra pasivelor), i ca urmare modificarea ratei dobnzii are efecte asimetrice asupra profitabilitii. Astfel, creterea dobnzii ar trebui s conduc la majorarea spread-ului. Aceasta este explicaia i in cazul celeilalte variabile explicative evoluia ratei dobnzii la operaiunile de sterilizare. De asemenea, o majorare a incertitudinii cu privire la rata inflaiei conduce la creterea spread-ului. Rezultatele estimrilor econometrice sunt prezentate n tabelele de mai jos. Persoane fizice
Dependent Variable: RN_BNR-PAS_PF? Method: Pooled Least Squares Sample (adjusted): 2005M01 2005M07 Included observations: 7 after adjustments Cross-sections included: 13 Total pool (unbalanced) observations: 84 Variable C RN_1W_12?(-1) A_INFL_12_DEV(-1) D(RN_BNR(-1)) Fixed Effects (Cross) _01--C _02--C _03--C _04--C _05--C _06--C _07--C _08--C _09--C _10--C Coefficient -1.337440 0.141256 3.914145 0.850040 3.131380 2.789540 -1.556827 0.639623 1.432939 2.100246 -0.007815 0.166481 -1.142894 -2.221507 Std. Error 1.035142 0.049085 2.020029 0.102701 t-Statistic -1.292036 2.877769 1.937667 8.276861 Prob. 0.2007 0.0053 0.0568 0.0000
82
Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.875738 0.848327 0.984416 65.89703 -108.9965 1.812217 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 1.062269 2.527695 2.976106 3.439119 31.94872 0.000000
Persoane juridice
Dependent Variable: RN_BNR-PAS_PJ? Method: Pooled Least Squares Sample (adjusted): 2005M01 2005M07 Included observations: 7 after adjustments Cross-sections included: 13 Total pool (unbalanced) observations: 84 Variable C RN_1W_12?(-1) A_INFL_12_DEV(-1) D(RN_BNR(-1)) Fixed Effects (Cross) _01--C _02--C _03--C _04--C _05--C _06--C _07--C _08--C _09--C _10--C _11--C _12--C _13--C Coefficient -3.231045 0.441803 7.083072 0.943739 -0.256768 1.184713 -1.211410 0.113818 1.972395 -1.387390 2.614700 -0.363632 -0.560105 -0.916297 -0.282755 -1.574537 0.080688 Effects Specification Std. Error 0.898741 0.042617 1.753850 0.089168 t-Statistic -3.595079 10.36672 4.038586 10.58385 Prob. 0.0006 0.0000 0.0001 0.0000
83
Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.844103 0.809714 0.854699 49.67468 -97.12734 1.970847 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 3.770087 1.959340 2.693508 3.156521 24.54573 0.000000
n concluzie, conform estimrilor econometrice, asupra spread-ului dintre dobnzile active i pasive i pun amprenta: Att anticipaiile inflaioniste ct i gradul lor de incertitudine; Anticipaiile cu privire evoluia ratei dobnzii pe piaa monetar; Att evoluia ratei dobnzii la operaiunile BNR, ct i nivelul volatilitii acestei rate a dobnzii.
84
rt = 0 + 1,i Li rt + 2, j Lj t + t
i =1 j =1
t N (0, ht )
ht = 0 + 1,i L ht + 2, j L j t2
i i =1 j =1 p q
unde: rt este un proces ARMA(m,n) sau un model Random Walk (atunci cnd 1,i = 0, i = 1, m , si 2, j = 0, j = 1, n );
i =1
1, i
+ 2,i < 1
j =1
n plus, coeficienii termenilor ARCH i GARCH trebuie sa fie subunitari i pozitivi. Interpretat ntr-un context financiar, acest model descrie modul n care un agent ncearc s prognozeze volatilitatea pentru urmtoarea perioad pe baza mediei pe termen lung ( 0 ) a varianei, a varianei anterioare (termenul GARCH) i a informaiilor privind volatilitatea observat n perioada anterioara (termenul ARCH). Dac randamentul activului din perioada anterioar a fost, n mod neateptat, mare n valoare absolut, agentul va mri variana ateptat n perioada urmtoare. Modelul accept i fenomenul de volatility clustering, situaia n care modificrilor mari ale cursului activelor financiare este probabil s le urmeze n continuare variaii mari ale acestuia.
85
Testele efectuate pe pieele financiare mature au evideniat o vitez de reacie a volatilitii cursului de schimb, n general, inferioar plafonului de 0,25 i un grad de persisten a acesteia, superior pragului de 0,7. Modelul GARCH a fost ulterior extins, pentru a relaxa anumite ipoteze sau pentru ncorpora asimetria impactului randamentului cursului activelor financiare sau a separa volatilitatea n trend i volatilitate pe termen scurt. Cele mai cunoscute extensii sunt: GARCH integrat (IGARCH), GARCH in Mean (GARCH-M), Treshold ARCH (TARCH), GARCH exponenial (EGARCH). Modelul IGARCH Presupunnd c, t =
i dispersia 1 i ht ndeplinete specificaia GARCH(p,q): , adugnd t la ambii termeni ai ecuaiei i scriind i = i i rezult
+
i =1 i j =1
= 1.
Engle si Bollerslev (1986) numesc modelul care satisface condiia de mai sus GARCH integrat sau IGARCH. Dac t urmeaza un proces IGARCH, atunci variana necondiionataa lui t este infinit (un oc ntr-o anumit perioad nu se atenueaz), deci nici t i nici t2 nu satisfac condiiile unui proces staionar n covarian (covariancestationary). Modelul GARCH-in-Mean (GARCH-M) Teoria financiar sugereaz ca un activ cu un risc perceput ca ridicat, n medie, va avea un randament superior. Presupunnd c rt este descompus ntr-o component anticipat de ageni la momentul t 1 (notata t ) i o componenta neanticipat (notata
t ), atunci:
86
rt = t + t .
n plus, teoria sugereaz faptul c randamentul mediu ( t ) este corelat cu variana sa ( ht ). Modelul ARCH-M, introdus de Engle, Lilien i Robins (1987) este obinut prin introducerea n ecuaia randamentelor a varianei sau a deviaiei standard condiionate ( ht sau ht ). Efectul perceperii unui risc ridicat este cuantificat de coeficientul lui ht din ecuaia randamentului ( ):
rt = 0 + 1,i Li rt + 2, j Lj t + ht + t .
i =1 j =1
Modele ARCH asimetrice Pe pieele financiare s-a observat c agenii percep volatilitatea n mod diferit, funcie de semnul variaiei zilnice a cursului activului financiar respectiv. De exemplu, pentru aciuni, micrile n jos ale pieei sunt urmate de o volatilitate mai mare dect micrile n sens cresctor de aceeai amplitudine. Cele mai utilizate modele ARCH care permit analiza rspunsului asimetric la ocuri sunt modelele Treshold ARCH (TARCH) i GARCH Exponential (EGARCH). Modelul TARCH, introdus n mod independent de Zakoian (1990) i Glosten, Jaganathan si Runkle (1993), are urmtoarea specificaie pentru ecuaia varianei (TARCH(p,q)):
ht = 0 + 1,i Li ht + 2, j L j t2 + t21d t 1 ,
i =1 j =1
unde d t = 1 daca t < 0 i d t = 0 n caz contrar. n acest model, vetile bune ( t < 0 ) i vestile rele ( t > 0 ) au efecte diferite asupra impact de 1 + . Dac 0 , atunci efectul informaiilor asupra volatilitii este asimetric. Modelul EGARCH, propus de Nelson (1991) are urmtoarea specificaie pentru ecuaia varianei condiionate: varianei condiionate vetile bune au un impact de 1 n timp ce vetile rele au un
log(ht ) = + log(ht 1 ) +
t 1
ht 1
t 1
ht 1
87
Confirm acestui model, efectul informaiilor este exponenial (i nu ptratic) iar variana prognozat va fi obligatoriu non-negativ. Impactul informaiilor este asimetric dac 0.
88
Opiunile disponibile sunt: Mean Equation specificarea ecuaiei variabilei crei i se calculeaz volatilitatea (n cazul de fa a ecuaiei evoluiei zilnice a cursului de schimb). ARCH-M dac modelul este ARCH in Mean adic dac n ecuaia de regresie a evoluiei cursului este introdus i volatilitatea acestuia. Variance and distribution specification specificarea ecuaiei varianei (volatilitii) cursului de schimb: Model tipul modelului: GARCH, EGARCH. ARCH termenii ARCH. GARCH termenii GARCH. Asymetric order dac se introduce asimetrie n ecuaia de regresie a varianei. Variance regressors dac se introduc variabile independente n ecuaia de regresie a varianei. Error distribution distribuia erorilor (n cazul n care se presupune c distribuia erorilor nu este normal i se dorete corectarea ecuaiei de varian pentru ne-normalitatea erorilor). Condiiile ce trebuie ndeplinite de coeficienii unui model GARCH sunt: Coeficienii ecuaiei varianei sa fie pozitivi; Suma coeficienilor ecuaiei varianei s fie mai mic dect 1. n caz contrar, modelul este GARCH integrat (I-GARCH), iar volatilitatea este exploziv. Modelele EGARCH sunt mai puin restrictive, neavnd condiii impuse valorilor coeficienilor ecuaiei volatilitii. Conform estimrilor, pentru cursul EUR/RON modele GARCH estimate au fost GARCH integrate. De exemplu, modelul GARCH(1,1) este:
Dependent Variable: DL_EUR Method: ML - ARCH (Marquardt) - Normal distribution Sample (adjusted): 2 2148 Included observations: 2147 after adjustments Convergence achieved after 19 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) Coefficient C 0.000198 Std. Error 8.77E-05 z-Statistic 2.260467 Prob. 0.0238
Variance Equation
89
C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
Ca urmare, a fost estimat un model EGARCH(2,1,1) (acesta fiind mai puin restrictiv). Modelul a acceptat att coeficient de asimetrie n ecuaia de volatilitate ct i volatilitatea cursului EUR/RON (msurat prin abaterea medie ptratic) n ecuaia de medie.
Variance Equation C(3) C(4) C(5) C(6) C(7) GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid -0.284286 0.399824 -0.170567 -0.026267 0.989348 1.293394 0.002000 -0.001266 0.006212 0.082534 0.056336 0.049811 0.049394 0.013602 0.004282 0.047198 -5.046247 8.026844 -3.453202 -1.931131 231.0737 27.40373 0.0000 0.0000 0.0006 0.0535 0.0000 0.0000 0.000427 0.006208 -7.788111 -7.766977
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion
90
8368.537 1.855328
F-statistic Prob(F-statistic)
0.612409 0.746122
Coeficientul volatilitii cursului din ecuaia de medie, fiind pozitiv, arat c, atunci cnd volatilitatea crete, RON-ul se depreciaz (cursul EUR/RON crete). Coeficientul de asimetrie din ecuaia volatilitii este c(6) este semnificativ din punct de vedere statistic i arat c, dac n perioada anterioar cursul a crescut, volatilitatea se reduce. Conform corelogramei erorilor ptratice (prezentat n graficul de mai jos), nu mai exist termeni ARCH suplimentari.
Pe baza ecuaie de volatilitate estimate, se genereaz seria istoric de volatilitate condiionat. Volatilitatea poate fi msurat prin varian sau abatere medie patratic (radicalul varianei). Seria de volatilitate se reprezint grafic cu ajutorul opiunii View/GARCH Graph/Conditional Standard Deviation sau Conditional Variance accesat din fereastra ecuaiei de regresie.
91
Volatilitatea (msurat prin abaterea medie ptratic) a cursului EUR/RON este prezentat n graficul de mai jos.
.028 .024 .020 .016 .012 .008 .004 .000 250 500 750 1000 1250 1500 1750 2000 Conditional standard deviation
92
deviaia standard : R ~ N ( , ) .
Dac valoarea prezent a portofoliului este S, VaR-ul pentru orizontul de h zile, cu nivelul de relevan 100(1 )% este: unde x este cea mai mic percentil a distribuiei N ( , ) . Folosind transformarea normal, putem scrie Z =
VaRh , = x S ,
(x ) , de unde rezult:
93
Din cele dou relaii de mai sus rezult: VaR = (Z + )S . Metoda analitic una din cele mai simple i uor de implementat metodologii de calcul al VaR, ea bazndu-se pe estimri ale parametrilor pe baza datelor istorice (volatilitate, coeficieni de corelaie, randamente medii ale activelor). Principalul dezavantaj al acestei metode este ipoteza statistic pe care se bazeaz evoluia preului activelor financiare are o distribuie normal, ipotez care rar este ndeplinit n practic. Alte dezavantaje ale acestei metode rezult din faptul c multe senzitiviti (volatiliti, coeficieni de corelaie) sunt variabile n timp, iar aceast variabilitate are un impact semnificativ asupra msurilor de risc n special n cazul portofoliilor care conin opiuni. De asemenea, metoda analitic nu este recomandat n cazul portofoliilor care conin payoff-uri discontinue (de exemplu opiuni cu bariere).
dS = dt + dW , S
unde : este randamentul ateptat pe unitatea de timp,
dac t reprezint frecvena de timp la care se msoar randamentul preului aciunii, atunci,
94
S = t + t , S
unde S reprezint modificarea preului aciunii n intervalul de timp t , iar reprezint randamentul aciunii n timp discret.
S S
Randamentul aciunii este considerat a avea o distribuie normal, cu media t i deviaia standard t . Presupunnd c dorim simularea evoluiei preului aciunii pentru o perioad de lungime T, atunci divizm T ntr-un numr mare, N, de sub-perioade, t ( t =
o valoare iniial a lui S, S(0), se extrage o valoare aleatoare pentru i se determin valoarea aciunii pentru prima sub-perioad. Acest proces se repet pentru toate subperioadele t . Acest proces se reia pentru a genera un numr suficient de mare de traiectorii ale cursului aciunii. Cu ct numrul de simulri ale traiectoriei preului aciunii este mai mare, cu att distribuia simulat a cursului aciunii la momentul T se apropie de distribuia real a preului la finalul orizontului avut n vedere. VaR-ul estimat al cursului aciunii se determin pe baza distribuiei preului aciunii la momentul T, S(T). Principalele avantaje ale simulrii Monte Carlo sunt: poate fi capturat o varietate mare de comportamente ale pieei, poate aborda eficient payoff-urile neliniare sau dependente de traiectoria cursului, poate captura riscul inclus n scenarii care nu presupun modificri extreme ale pieei, poate, de asemenea, furniza informaii despre impactul scenariilor extreme. Principalul dezavantaj al acestei metodologii de calcul al VaR const n necesitatea ridicat de putere de calcul.
T ). Considerm N
95
Ai este suma investit n activul i, atunci P/L-ul simulat pentru portofoliul curent n subperioada t este:
(P / L )t = Ai ri ,t .
i =1
Calculnd P/L pentru toi t, se obine P/L-ul ipotetic pentru portofoliul curent pentru tot eantionul. VaR-ul este estimat pe baza distribuiei seriei P/L. Alte metodologii pentru calculul VaR istoric pondereaz valorile P/L folosite n construirea distribuiei seriei P/L. Astfel, Boudoukh, 1998, consider c informaiile noi au un coninut informaional, referitor la riscurile viitoare, mai mare dect informaiile vechi, i, ca urmare, este justificat ponderarea valorilor P/L funcie de vrst astfel nct informaiile mai noi s aib o pondere mai mare. n cazul n care volatilitatea activelor este variabil, datele pot fi ponderate funcie de volatilitatea contemporan estimat (Hull i White, 1998). Astfel, presupunnd c se dorete estimarea VaR pentru ziua T, considernd ri , t randamentul istoric al activului i n ziua t, i , t volatilitatea prognozat n ziua t - 1 a randamentului activului i pentru ziua t i
ri*t = ,
i ,T r . i ,t i ,t
Principalele avantaje ale simulrii istorice sunt: Aceast metodologie este intuitiv i simpl din punct de vedere conceptual, ca urmare fiind simplu de comunicat ctre management. Permit simularea evenimentelor istorice extreme. Sunt uor de implementat pentru orice tip de poziii, inclusiv contracte derivate. Datele necesare sunt uor de procurat. Deoarece nu sunt dependente de ipoteze referitoare la parametrii de evoluie a pieelor, aceast metodologie se poate acomoda distribuiilor leptokurtotice, celor cu asimetrie i altor distribuii non-normale. Simularea istoric poate fi modificat n sensul acordrii unei influene mai mari anumitor observaii (n funcie de anotimp, vechime, volatilitate). Principala deficien a simulrii istorice este legat de faptul c rezultatele sunt complet dependente de setul de date folosit:
96
Dac n perioada folosit pentru calcul VaR pieele au fost neobinuit de calme (sau de volatile) i condiiile s-au schimbat ntre timp, simularea istoric va produce estimri ale VaR care sunt prea mici (mari) pentru riscurile actuale. Simularea istoric prezint dificulti n luarea n considerare a modificrilor n evoluia pieelor intervenite n perioada luat n considerare. Msurile VaR obinute prin simulare istoric nu capteaz riscul asociat producerii unor evenimente plauzibile n viitor dar care nu s-au ntmplat n trecut.
VIII.5. Utilizarea modelelor de volatilitate n calculul VaR VIII.5.1. Calculul VaR utiliznd EWMA
Modelul EWMA (Exponentially Weighted Moving Average) pentru estimarea volatilitii a fost propus de ctre RiskMetrics n anul 1996. Conform acestei abordri, volatilitatea curent, t , depinde (este o media ponderat a) de randamentul anterior i de volatilitatea anterioar:
t2 = (1 )rt 2 1 + t21
unde reprezint o constant de ponderare, rt 1 o randamentul n perioada anterioar. Parametrul arat persistena volatilitii activului financiar, cu ct acesta este mai mare cu att un oc aprut la un moment dat n pia este mai persistent. Parametrul 1 arat rapiditatea cu care volatilitatea activului rspunde la un oc indiferent de direcie, cu ct acest parametru este mai mare, cu att reacia volatilitii la oc este mai mare. RiskMetrics utilizeaz o valoare a pentru date zilnice de 0,94. Volatilitatea calculat prin modele EWMA poate fi ncorporat n modele VaR n urmtoarele moduri: Simulare istoric cu ponderarea datelor funcie de volatilitate. Randamentele istorice sunt standardizate pe baza volatilitii condiionate. Simulare Monte Carlo utiliznd EWMA. Randamentele pot fi simulate considernd c urmeaz o distribuie normal, dar matricea de covarian este creat utiliznd EWMA. VaR analitic utiliznd EWMA. n generarea matricei de covarian este folosit o ecuaie analog ecuaiei varianei: 12,t = (1 )r1,t 1r2,t 1 + 12,t 1 , unde: 12,t reprezint covariana dintre activele 1 i 2,
97
Odat ce matricea de covarian a fost definit, aceasta poate fi folosit pentru calculul VaR utiliznd fie metoda analitic (indicat pentru portofolii simple), fie simularea Monte Carlo (pentru portofolii ce includ opiuni). n simularea analitic, VaR-ul pentru h zile, cu nivelul de relevan este:
VaR , h = Z P
unde: Z este valoarea critic a distribuiei normale standard pentru nivel de relevan, P valoarea curent a portofoliului, deviaia standard prognozat pentru un orizont de h zile. Deviaia standard este calculat pe baza unei matrice de covarian a randamentelor pentru h zile: reprezentat la nivel de active:
= w'Vw
unde:
V reprezint prognoza, pe un orizont de h zile, a matricei de covarian pentru randamentele activelor incluse n portofoliul. reprezentat la nivel de factor de risc:
= 'V
unde:
V reprezint prognoza, pe un orizont de h zile, a matricei de covarian pentru randamentele factorilor de risc. n cazul portofoliilor simple, prognoza matricei de covarian pe un orizont de h zile se obine aplicnd regula t , multiplicnd matricea de covariana pentru un orizont de o zi cu
care au incluse i opiuni, n acest caz fiind indicat utilizarea unei matrice de covarian pentru orizontul h.
98
Includerea modelelor GARCH n calculul VaR, ca i n cazul modelelor EWMA, poate fi realizat prin: VaR analitic, similar ca n cazul EWMA, prin utilizarea unei matrice de covarian bazat pe modele GARCH. Simulare istoric n care datele sunt ponderate funcie de volatilitate datele sunt standardizate funcie de volatilitatea lor estimat prin modele GARCH. Simulare Monte Carlo. Evoluia randamentelor poate fi simulat pe baza unei matrice de covarian calculate pe baz de modele GARCH, ceea ce permite att simularea evoluiei volatilitii ct i simularea evoluiei randamentelor activelor ceea ce reprezint un avantaj n cazul n care portofoliul conine i opiuni. Pentru calculul matricei de covanrian, coeficientul de corelaie poate fi considerat constant i calculat covariana funcie de coeficienii de corelaie i variane: ij ,t +1 = ij i ,t +1 j ,t +1 , unde:
ij ,t +1 reprezint covariana dintre cele dou active i i j, ij coeficientul de corelaie dintre cele dou active, i ,t +1 i j ,t +1 reprezint varianele celor dou active.
n practic a fost sugerat chiar utilizarea modelelor GARCH pentru modelarea direct P/L-ului portofoliului i calculul VaR funcie de volatilitatea condiionat a acestuia, n acest fel evitndu-se calculul matricelor de covarian.
99
Testul de staionaritate ADF t-statistic -45.0283 -27.9898 -45.7567 -31.7558 -36.4676 -11.4080 Probabilitate asociat 0.0001 0.0000 0.0001 0.0000 0.0000 0.0000
Valorile critice asociate testului ADF Nivel de relevan 1% 5% 10% t-statistic -3.43330 -2.86273 -2.56745
100
IMP
Series: DLN_ATB Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.002217 0.000000 1.579562 -0.162751 0.046814 18.17779 619.4992 33212976 0.000000
1000 800 600 400 200 0 -0.2 -0.1 -0.0 0.1 0.2 Series: DLN_IMP Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.001208 0.000000 0.241944 -0.270620 0.040241 -0.370415 12.44658 7818.918 0.000000
TBM
1400 1200 1000 800 600 400 200 0 -0.0 0.5 1.0 1.5
1400
TLV
Series: DLN_TBM Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.001890 0.000000 1.798494 -0.184093 0.051122 20.74361 732.6264 46509111 0.000000
1200 1000 800 600 400 200 0 -0.25 -0.00 0.25 Series: DLN_TLV Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.002376 0.000000 0.474894 -0.262364 0.030051 3.754518 77.53756 488732.0 0.000000
Portofoliu
1000 800 600 400 200 0 -0.000 0.125 0.250 0.375 0.500 Series: DLN_PORTOFOLIU Sample 1 2100 Observations 2090 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.001923 0.001221 0.487856 -0.099785 0.023377 6.518779 132.5431 1476185. 0.000000
101
Cele patru momente ale distribuiilor sunt prezenetate n tabelul de mai jos. Ca urmare, msurile VaR bazate pe ipoteza distribuiei normale a seriilor pot subestima riscul. Momentele distribuiilor seriilor de randamente Medie ATB IMP TBM TLV BET Portofoliu 0.0022 0.0012 0.0019 0.0024 0.0015 0.0019 Deviaie Asimetrie Kurtotic standard 0.0468 18.1778 619.4992 0.0402 -0.3704 12.4466 0.0511 20.7436 732.6264 0.0301 3.7545 77.5376 0.0158 -0.0568 9.0518 0.0234 6.5188 132.5431
Matricea de corelaie dintre cele patru aciuni, calculat pe baza eantionului de date pentru perioada analizat, este: Coeficienii de corelaie ai seriilor de randamente ATB IMP TBM TLV ATB 1 0.08 0.09 0.07 IMP 0.08 1 0.05 0.06 TBM 0.09 0.05 1 0.05 TLV 0.07 0.06 0.05 1
Evoluia randamentelor zilnice pentru perioada analizat este prezentat n graficele de mai jos. Din grafice se observ fenomenul de volatility clustering, care considerat mpreun cu distribuia leptokurtotic a randamentelor, conduce la concluzia c msurile VaR calculate pe baza ipotezei normalitii datelor tind s subestimeze riscul. n aceast situaie sunt recomandate msurile VaR care in cont de volatilitatea variabil a aciunilor (EWMA i GARCH).
102
DLN_ATB
1.6 1.2 0.8 .0 0.4 -.1 0.0 -0.4 250 500 750 1000 1250 1500 1750 2000 -.2 -.3 250 500 .3 .2 .1
DLN_IMP
DLN_TBM
2.0 1.6 1.2 0.8 0.4 0.0 -0.4 250 500 750 1000 1250 1500 1750 2000 .5 .4 .3 .2 .1 .0 -.1 -.2 -.3 250 500
DLN_TLV
DL_BET
.12 .08 .04 .00 -.04 -.08 -.12 -.16 250 500 750 1000 1250 1500 1750 2000 .5 .4 .3 .2 .1 .0 -.1 -.2 250 500
DLN_PORTOF
103
Pentru calculul VaR prin metoda analitic a fost calculat deviaia standard a P/L-ului portofoliului de aciuni pe ultimele 250 de zile, p , i pe baza acestei serii, considernd o valoare a portofoliului de o unitate monetar (1 RON), un nivel de relevan de 1 la sut i un orizont de prognoz de 10 zile a fost generat msura VaR pe baza relaiei VaR = 2.32635 p 10 . Pentru calculul VaR prin simulare istoric, msura VaR pentru un orizont de 10 zile a fost considerat percentila 1 la sut pentru seria de randamente zilnice ale portofoliului de aciuni nmulit cu 10 . Pentru calculul VaR prin EWMA, lund n considerare un coeficient pentru date zilnice de 0,94, pornind, ca observaie iniial, de la abaterea medie ptratic istoric au fost generate seriile de volatilitate pentru cele patru monede, conform relaiei t2 = (1 )rt 2 1 + t21 , iar apoi, pe baza coeficienilor de corelaie istorici a fost calculat seria volatilitii portofoliului. Seriile de volatiliti EWMA sunt prezentate n graficele de mai jos. Msura VaR care ncorporeaz volatilitile calculate pe baza metodologiei EWMA a fost generat prin metoda analitic, orizontul de timp fiind de 10 zile, iar nivelul de relevan de 1 la sut.
104
Volatilitatea zilnic a seriilor de cursuri de schimb i a portofoliului calculat pe baza metodologiei EWMA
EWMA_ATB
.4 .10 .08 .06 .2 .04 .1 .02 .00 250 500 750 1000 1250 1500 1750 2000 250 500 750 1000 1250 1500 1750 2000
EWMA_IMP
.3
.0
EWMA_TBM
.5 .4 .3 .2 .1 .0 250 500 750 1000 1250 1500 1750 2000 .14 .12 .10 .08 .06 .04 .02 .00 250 500
EWMA_TLV
EWMA_PORTOFOLIU
.14 .12 .10 .08 .06 .04 .02 .00 250 500 750 1000 1250 1500 1750 2000
105
Specificaia modelelor ARCH utilizate a fost aleas funcie de testele de autocorelaie a erorilor (modelele s nu prezinte autocorelaie), testele de autocorelaie a erorilor ptratice (s nu existe termeni ARCH suplimentari), suma i semnul coeficienilor ARCH i GARCH (s nu existe procese ARCH integrate iar volatilitatea s fie strict mai mare dect zero). Ecuaia de volatilitate pentru cele patru aciuni este determinat dup cum urmeaz: Relaia de calcul pentru aceast msura de VaR este:
Variance Equation C RESID(-1)^2 GARCH(-1) GED PARAMETER R-squared Adjusted R-squared 0.000259 0.565227 0.202583 1.201038 -0.002234 -0.004157 1.74E-05 0.063491 0.030073 0.016458 14.88917 8.902477 6.736352 72.97498 0.0000 0.0000 0.0000 0.0000 0.002217 0.046814
106
IMP TARCH(1,1,1)
Dependent Variable: DLN_IMP Method: ML - ARCH (Marquardt) - Generalized error distribution (GED) Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Failure to improve Likelihood after 20 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0) + C(5)*GARCH(-1) Coefficient C 6.55E-07 Std. Error 0.000263 z-Statistic 0.002493 Prob. 0.9980
Variance Equation C 6.59E-05 RESID(-1)^2 0.236443 RESID(-1)^2*(RESID(-1)<0) -0.174430 GARCH(-1) 0.779160 GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 0.863561 -0.000901 -0.003303 0.040308 3.385916 4703.426 1.17E-05 0.041600 0.041201 0.021360 0.032980 5.626147 5.683800 -4.233653 36.47797 26.18441 0.0000 0.0000 0.0000 0.0000 0.0000 0.001208 0.040241 -4.495144 -4.478939 1.804807
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
TBM TARCH(1,1,1)
Dependent Variable: DLN_TBM Method: ML - ARCH (Marquardt) - Generalized error distribution (GED) Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Convergence achieved after 31 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0) + C(5)*GARCH(-1) Coefficient Std. Error z-Statistic Prob.
107
1.42E-05
0.000505
0.028193
0.9775
Variance Equation C 0.000224 RESID(-1)^2 0.219177 RESID(-1)^2*(RESID(-1)<0) -0.088261 GARCH(-1) 0.438176 GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 1.201112 -0.001346 -0.003749 0.051217 5.466790 4854.968 1.77E-05 0.030526 0.031463 0.035206 0.012932 12.65842 7.180124 -2.805261 12.44611 92.87931 0.0000 0.0000 0.0050 0.0000 0.0000 0.001890 0.051122 -4.640161 -4.623955 2.000499
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
TLV GARCH(1,1)
Dependent Variable: DLN_TLV Method: ML - ARCH (Marquardt) - Generalized error distribution (GED) Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Convergence achieved after 112 iterations Variance backcast: ON GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) Coefficient C 2.24E-06 Std. Error 0.000313 z-Statistic 0.007136 Prob. 0.9943
Variance Equation C RESID(-1)^2 GARCH(-1) GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood 8.81E-05 0.280243 0.444706 1.092402 -0.006242 -0.008172 0.030174 1.898285 5296.818 8.79E-06 0.021989 0.030250 0.010476 10.02665 12.74448 14.70095 104.2764 0.0000 0.0000 0.0000 0.0000 0.002376 0.030051 -5.063941 -5.050436 2.096818
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
108
Portofoliu EGARCH(1,1)
Dependent Variable: DLN_PORTOFOLIU Method: ML - ARCH (Marquardt) - Generalized error distribution (GED) Sample (adjusted): 2 2091 Included observations: 2090 after adjustments Convergence achieved after 38 iterations Variance backcast: ON LOG(GARCH) = C(2) + C(3)*ABS(RESID(-1)/@SQRT(GARCH(-1))) + C(4)*LOG(GARCH(-1)) Coefficient C 0.001263 Std. Error 0.000241 z-Statistic 5.230850 Prob. 0.0000
Variance Equation C(2) C(3) C(4) GED PARAMETER R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood -0.494389 0.305973 0.966439 1.069191 -0.000797 -0.002717 0.023409 1.142504 5673.357 0.057658 0.032896 0.005821 0.027914 -8.574443 9.301278 166.0242 38.30279 0.0000 0.0000 0.0000 0.0000 0.001923 0.023377 -5.424265 -5.410760 1.836015
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
Volatilitatea pentru un orizont de 10 zile a fost calculat ca radical din suma varianelor la momentele t , t + 1,..., t + 9 . Volatilitile pe un orizont de 10 zile seriilor i ale portofoliului sunt prezentate n graficele de mai jos. Pe baza acestei volatiliti a fost calculat msura VaR pentru un nivel de relevan de 1 la sut, conform relaiei: VaR = 2.32535 ARCH , unde ARCH reprezint volatilitatea portofoliului calculat prin modele GARCH, pentru un orizont de 10 zile.
109
STDEV_ARCH_IMP
STDEV_ARCH_TBM
1.2 1.0 0.8 0.6 0.4 0.2 0.0 250 500 750 1000 1250 1500 1750 2000 .40 .35 .30 .25 .20 .15 .10 .05 .00 250
STDEV_ARCH_TLV
500
STDEV_ARCH_PORTOFOLIU
.5 .4 .3 .2 .1 .0 250 500 750 1000 1250 1500 1750 2000 .36 .32 .28 .24 .20 .16 .12 .08 .04 .00
STDEV_ARCH_PORTOFOLIU_AN
250
500
110
unde ST_DEV_ARCH_PORTOFOLIU_AN reprezint volatilitatea portofoliului calculat prin metoda analitic, pe baza volatilitilor celor patru aciuni incluse n portofoliu i a coeficienilor de corelaie dintre acestea (considerai constani pentru perioada analizat), iar ST_DEV_ARCH_PORTOFOLIU este volatilitatea portofoliului calculat printr-un model GARCH pentru randamentele portofoliului. Msurile VaR calculate pe baza celor cinci metodologii de mai sus sunt prezentate n graficele de mai jos mpreun cu randamentele pe 10 zile ale portofoliului, nmulite cu -1 pentru comparabilitate (cu msurile VaR). Conform rezultatelor: Modelul bazat pe EWMA a performat cel mai bine, n perioada analizat producnd o singur eroare, n 1841 de observaii (incadrndu-se n nivelul de relevan de 1 la sut). De asemenea i modelul pe baz de simulare istoric, modelul analitic i modelele bazate pe estimarea volatilitii prin modele GARCH se ncadreaz n nivelul de relevan de 1 la sut (au produs fiecare cte dou erori n 1841 de observaii pentru modelul analitica i modelul istoric i, respectiv, 2072 de observaii pentru modelele GARCH). Dintre aceste patru modele se detaeaz modelele bazate pe GARCH, care fa de celelalte dou implic cerine de capital mai reduse. Dintre cele dou modele GARCH, modelul bazat pe metoda analitic implic cerine de capital inferioare modelului GARCH aplicat randamentelor portofoliului, dar n acelai timp implic cerine de calcul superioare.
111
0.0
0.2
0.4
0.6
0.8
1.0
1.2
-0.8
-0.6
-0.4
1/18/1999
4/18/1999
7/18/1999
10/18/1999
1/18/2000
4/18/2000
7/18/2000
(-1)*Randament 10 zile
10/18/2000
1/18/2001
4/18/2001
7/18/2001
10/18/2001
VaR GARCH
1/18/2002
4/18/2002
7/18/2002
10/18/2002
1/18/2003
4/18/2003
7/18/2003
10/18/2003
1/18/2004
VaR istoric
4/18/2004
7/18/2004
10/18/2004
(-1)*Randament 10 zile
1/18/2005
4/18/2005
7/18/2005
10/18/2005
1/18/2006
VaR analitic
VaR EWMA
4/18/2006
7/18/2006
10/18/2006
1/18/2007
4/18/2007
-0.2
-0.8 0.2 0.4 0.6 0.8 1.2 0 1 12/22/1999 3/22/2000 6/22/2000 9/22/2000 12/22/2000 3/22/2001 6/22/2001 9/22/2001 12/22/2001 3/22/2002 6/22/2002 9/22/2002 12/22/2002 3/22/2003 6/22/2003 9/22/2003 12/22/2003 3/22/2004 6/22/2004 9/22/2004 12/22/2004 3/22/2005 6/22/2005 9/22/2005 12/22/2005 3/22/2006 6/22/2006 9/22/2006 12/22/2006 3/22/2007
-0.6
-0.4
-0.2
112