Documente Academic
Documente Profesional
Documente Cultură
'
<
1
1
, 0
, 1
t t
t t
t
P P
P P
R
ce defineste starile bull-bear este o variabila discreta.
Spune ca o variabila aleatoare X este de tip continuu daca multimea sa de valori este o
multime de puterea continuului(in particular intr-o relatie biunivoca cu multimea numerelor
reale). De exemplu, variabila
1
ln ln
t t t
P P r
ce defineste randamentul unui
activ(logreturn) este o variabila continua intrucit poate lua, teoretic, orice valoare reala(in
realitate, randamentele, ca si preturile, se misca intr-un interval compact al dreptei reale).
In general, o distributie de proababilitate discreta are forma
,
_
n
n
p p
x x
X
.......
........
:
1
1
, unde
1 0
i
p
,
1
i
p
si
) (
i i
x X P p
.
Pentru o astfel de distributie se pot defini urmatoarele notiuni:
- functia densitate de probabilitate(mass probability function sau probability density
function-pdf) :
i i
p x f ) (
;
- functia de repartitie(cumulative distribution function-cdf)
] 1 , 0 [ : R F
,
'
<
< +
<
<
<
x x
x x x p
x x x p p
x x x p
x x
x X P x F
n
n n
n
i
, 1
, 1
.... .......... ..........
,
,
, 0
) ( ) (
1
1
1
3 2 2 1
2 1 1
1
.
De asemenea, se pot defini o serie de indicatori ai distributiei:
- media:
i i
p x X E ) (
- varianta:
2 2
)] ( [ ) ( X E X E X Var
- abaterea standard: ) ( ) ( X Var X Sd .
O distributie continua este descrisa printr-o functie densitate de probabilitate(pdf) astfel
incat
A
dx x f A X P ) ( ) (
.
Functia densitate de probabilitate este o functie continua, cu
x x f , 0 ) (
si
R
1 ) ( dx x f
.
Functia de repartitie a unei variabile continue se poate determina pe baza functiei densitate
de probabilitate:
<
x
du u f x X P x F ) ( ) ( ) ( .
De asemenea, avem
< <
b
a
dx x f a F b F b X a P ) ( ) ( ) ( ) (
.
In cazul distributiilor continue media si varianta se determina cu ajutorul functiei densitate
de probabilitate:
-
R R
) ( ) ( ) ( x xdF dx x xf X E
-
R R
) ( )) ( ( ) ( )) ( ( ) (
2 2 2
x dF X E x dx x f X E x X Var
.
In cele mai multe situatii, in realitate, functia de repartitie a unei distributii continue nu este
cunoscuta; atunci fie se estimeaza folosind o metoda parametrica, fie se poate estima
folosind functia de repartitie empirica.
Functia de repartitie empirica se poate defini astfel:
n
i
i
x x U
n
x F
1
) (
1
) (
, unde
'
>
altfel
t t
t U
, 0
, 1
) (
0
.
O alta notiune importanta in analiza unei distributii de probabilitate este notiunea de
cuantila.
Astfel, daca
) 1 , 0 (
, se numeste cuantila de rangul
acea valoare
X
astfel incit
< 1 ) ( X X P
.
Comparatia dintre cuantilele distributiei empirice si cuantilele distributiei teoretice este una
dintre metodele cele mai simple pentru a analiza daca un anumit esantion de valori provine
dintr-o distributie teoretica.
O alta metoda pentru a verifica provenienta unui esantion dintr-o distributie teoretica este
utilizare asa-numitelor teste de concordanta, dintre care cel mai cunoscut este testul
Kolmogorov-Smirnov.
Ideea testului Kolmogorov-Smirnov este urmatoarea:
- plecind de la un esantion de n observatii
n
X X ,...,
1
, se determina functia de repartitie
emprica:
n
I
x F
n
i
x X
n
i
1
) (
) (
, unde
'
altfel
x X dac
I
i
x X
i
, 0
, 1
) (
.
- pentru a verifica ipoteza conform careia datele provin dintr-o distributie teoretica cu
functia de repartitie
) (x F
se determina statistica
) ( ) ( sup ) ( x F x F x D
n
x
n
. Daca datele
provin din distributia teroretica ce are functia de repartitie
) (x F
, atunci statistica
) (x D
n
converge aproape sigur la 0.
Distributia binomiala
Distributia binomiala este printre cele mai cunoscute distributii discrete, fiind, se pare,
precursorul in ordine istorica al mult mai celebrei distributii normale, care este o
distributie continua.
Daca
i
X
, n i .. 1 sint n variabile aleatoare independente ce urmeaza o distributie
Bernoulli,
,
_
p p
X
i
1
1 0
:
, atunci variabila suma
n
X X X + + ...
1
defineste o distributie binomiala de parametri n si p.
De regula,acest lucru este simbolizat astfel: X ~
) , ( p n Binom
.
O distributie binomiala X ~
) , ( p n Binom
are citeva proprietati specifice:
-
k n k k
n
p p k X P
) 1 ( ) ( C , pentru n k .. 0 ;
-
np x E ) (
;
-
) 1 ( ) ( p np X Var
.
Aplicatia acestei distributii la domeniul pietei de capital este cit se poate de imediata:
fie
t
r
randamentul unui activ la momentul t.
Plecind de la valorile randamentului, putem defini o variabila indicator pentru situatiile
de crestere, respectiv scadere a valorii activului, de pilda
'
<
0 , 0
0 , 1
t
t
t
r
r
X
.
Sa presupunem in plus ca probabilitatea de a avea o crestere zilica de valorii activului
este egala cu
p
si in plus, avem de-a face cu randamente independente de la o zi la
alta.
In aceste conditii, variabila
n
X X X + + ...
1
, ce se refera la numarul total de zile de
crestere a valorii activului, intr-o perioada de n zile, urmeaza o distributie binomiala.
Tabelul...Distributia binomiala cu n=10 si p=0.5
k
) ( k X P
) ( k X P <
0 0.000977 0.000977
1 0.009766 0.010742
2 0.043945 0.054688
3 0.117188 0.171875
4 0.205078 0.376953
5 0.246094 0.623047
6 0.205078 0.828125
7 0.117188 0.945313
8 0.043945 0.989258
9 0.009766 0.999023
10 0.000977 1
0
0.05
0.1
0.15
0.2
0.25
0.3
0 1 2 3 4 5 6 7 8 9 10
Fig...Functia densitate de proabilitate a distributiei
) 5 . 0 , 10 ( p n Binom
0
0.2
0.4
0.6
0.8
1
1.2
0 1 2 3 4 5 6 7 8 9 10
Fig...Functia de repartitie a distributiei
) 5 . 0 , 10 ( p n Binom
Distributia normala(gaussiana)
O variabila aleatoare X are o repartiie normala de parametrii
si
(X~ ) , (
2
N
daca funcia densitate de probabilitate este de forma
2
2
1
2
1
) (
,
_
x
e x f
, unde
R
,
0 > .
Graficul funciei de probabilitate depinde de parametrii
, forma curbei
fiind cunoscuta sub numele de clopotul lui Gauss.
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
-
5
-
4.5
-
4
-
3.5
-
3
-
2.5
-
2
-
1.5
-
1
-
0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
Fig...Functia densitate de probabilitate pentru N(0,1).
Parametrii
X
Z ~ N(0,1).
Mai mult, orice combinatie liniara de variabile aleatoare indepedente normal distribuite
este la rindul sau o variabila aleatoare distribuita normal.
De un deosebit interes practic sint cuantilele distributiei normale, folosite la determinarea
intervalelor de incredere in diferite probleme de inferenta statistica.
Astfel, daca Z~
) 1 , 0 ( N
, atunci
< < 1 ) (
2 / 2 /
z Z z P
.
De exemplu, pentru 05 . 0 avem
96 . 1
2 /
z
, ceea ce inseamna ca pentru o distributie
normala standard 95% dintre valori se vor regasi in intervalul
] 96 . 1 , 96 . 1 [
.
Avind in proprietarea de standardizare descrisa mai sus, obtinem intervalele de variatie
pentru o variabila aleatoare normala X~ ) , (
2
N din graficul de mai jos.
Din graficul de mai sus, se observa ca
%, , )= + X P( 7 99 3 3
deci, in
afara intervalului specificat, avem:
%. , )= + <X< - -P( )= - )+P(X< + P(X> 3 0 3 3 1 3 3
Cu alte cuvinte, distributia normala este o distributie in care probabilitatea de aparitie a
evenimentelor extreme este foarte mica; intr-o astfel de distributie majoritatea valorilor sint
concentrate in jurul mediei, intr-un interval de lungime 6 .
Pe linga medie si varianta, in analiza unei distributii sint de interes si indicatorii ce ofera
informatii cu privire la forma distributiei.
Acestia sint:
- coeficientul de asimetrie(skewness) :
3
3
3
)) ( (
) (
) (
X E X E
X Var
X E X
E Sk
,
_
.
- Coeficientul de aplatizare(kurtosis):
4
4
4
)) ( (
) (
) (
X E X E
X Var
X E X
E K
,
_
.
Coeficientul de asimetrie ofera informatii privind simetria/asimetria distributiei(pentru
distributia normala, care este o distributie simetrica, valoarea acestui coeficient este 0).
Coeficientul de aplatizare ofera informatii despre gradul de aplatizare a unei distributii in
raport cu distributia normala. Astfel, pentru distributia normala valoarea acestui coeficient
este 3, pentru o distributie leptokurtica este >3, iar pentru o distributie platicurtica este<3.
Distributia
2
'
>
,
_
0 , 0
0 ,
2
2
1
) ; (
2
1
2
2
x
x e x
k
k x f
x k
k
, unde
*
N k reprezinta numarul gradelor de
libertate, iar
0
1
) ( dt e t z
t z
este functia gamma(
! ) ( n n
, pentru N n ).
Mai jos prezentam graficele funciei
) ; ( k x f
pentru
15 , 5 , 2 , 1 k
.
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
k=1
k=2
k=5
k=15
Se vede ca graficele sunt asimetrice, dar, pentru valori mari ale gradelor de libertate
) 30 ( > k
, graficul repartiiei
2
se apropie de graficul repartiiei normale.
Media i dispersia
( ) k X E
k X Var 2 ) (
Distributia
2
se poate obtine din distributia normala standard. Astfel, daca
n
X X ,...,
1
sint
variabile aleatoare independente distribuite normal N(0,1), atunci
2 2
1
...
n
X X X + + ~
) (
2
n .
Repartiia Student(t)
O variabila aleatoare X are repartiie Student daca funcia densitate de probabilitate
este de forma:
R
,
_
,
_
,
_
t
k
t
k
k
k
k t f
k
, 1
2
2
1
) , (
2
1
2
k
k
t Var , pentru k>2.
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
-
4.6
-
4.2
-
3.8
-
3.4
-
3
-
2.6
-
2.2
-
1.8
-
1.4
-
1
-
0.6
-
0.2 0.2 0.6
1
1.4 1.8 2.2 2.6
3
3.4 3.8 4.2 4.6
Student(k=1) N(0,1)
La limita, distributia Student tinde catre distributia normala.
Distributia Fisher(F)
Fie X i Y doua variabile aleatoare independente, unde
. Y i X
2
2
2 1
Se definete prin:
2
1
/
X/
= F
o variabila aleatoare ce urmeaza o distributie Fisher cu v
1
i v
2
grade de libertate.
Densitatea de probabilitate:
'
,
_
,
_
,
_
0 x
0 > x
,
x
x f ,
R
: f
v
+
1
0
) x
(
2
= ) ( [0,1]
2
+
-
1 2
1 -
2
2 1
2
2
1
2 1
2 1
2
Figura 4.30. Densitatea de probabilitate F (
1
,
2
)
Caracteristicile distributiei F (v
1
, v
2
)
- media:
2 >
dac ,
2 -
2
2
2
= E(F)
.
- variana:
. 4 >
dac ,
4) -
( ) 2 -
2) -
2
= (F)
2
2
2
2 1
2 1
2
2
Var
Daca x
,...,
x
v 1
1
reprezinta un eantion dintr-o populaie normala de medie m
1
i
abatere standard , iar
y ,..., y
v 1
2
este un eantion dintr-o populaie normala de medie m
2
i
abatere standard , i daca se noteaza
y
x
= x
i
i
=
v
=1 i
v
=1 i 1
2 1
2
1
y i
1
, atunci:
. 1) - 1, - (
) - (
1 -
1
) - (
1 -
1
= F
2 1
2
v
=1 2
2
v
=1 1
2
1
F
y y
x
x
i
i
i
i
Distributii heavy-tailed
Distributiile heavy-tailed sint acele distributii pentru care probabilitatea asociata cozilor
este mai mare decit in cazul distributiei normale. Numeroase studii empirice arata ca
variabilele asociate fenomenelor financiare nu respecta ipoteza de normalitate, valorile
extreme in cazul acestor financiare fiind mult mai frecvente decit ar trebui conform
distributiei normale.
Distributia Pareto
Distributia Pareto a fost utilizata initial pentru a caracteriza distributia bunastarii la nivelul
unei populatii. De-a lungul timpului, a cunoscut numeroase aplicatii in finante, fizica,
biologie, asigurari, seismologie etc.
In esenta, conform acestei legi, cea mai mare parte a avutiei este detinuta de un numar
foarte mic de indivizi.
In exprimare matematica, ponderea indivizilor care au un venit cel putin egal cu x este
egala cu
Cx , unde C si sint constante pozitive independente de x, dar determinate la
nivelul populatiei.
Functia de repartitie a distributiei Pareto are forma:
,
_
<
x
c
x X P x F 1 ) ( ) ( , 0 > > c x .
Functia densitate de probabilitate a distributiei Pareto este
c x
x
c
x f >
+
, ) (
1
.
Parametrul se numeste tail index si caracterizeaza probabilitatea asociata cozilor
distributiei.
Astfel,
,
_
> Cx
x
c
x X P ) ( . Cu cit este mai mare, cu atit probabilitatea asociata
cozii din dreapta a distributiei este mai mica.
0
0.05
0.1
0.15
0.2
0.25
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Densitatea de probabilitate pentru X ~
) 2 , 1 ( c Pareto
Distributia Pareto poate fi folosita in managementul portofoliului de active drept distributie
a pierderilor.
Distributii cu cozi Pareto
O distributie avind functia de repartitie
) (x F
are cozi Pareto daca:
> | | |) (| |) (| 1 |) | ( x x L x F x X P , 0 > .
Functia
) (x L
este astfel incit
0 , 1
) (|
|) | (
lim
| |
>
x L
x L
x
.
Un caz restrictiv este acela in care presupunem urmatoarea relatie pentru functia densitate
de probabilitate:
0 , 1
) (
lim
) 1 (
>
+
A
Ax
x f
x
.
In cazul unei astfel de distributii nu intotdeauna exista momentele de orice ordin.
Astfel:
- daca 1 , atunci media nu exista;
- daca 1 > , atunci media exista si este finita;
- daca
] 2 , 1 (
, atunci varianta exista dar este infinita;
- daca 2 > , atunci varianta exista si este finita.
Distributii stabile
Numeroase studii(Mandelbrot, Rachev etc) au argumentat de-a lungul timpului folosirea in
locul distributiei gaussiene a unor distributii cu cozi mai lungi(hevy-tailed), care fac parte
din familia distributiilor stabile.
Familia distributiilor stabile este o clasa larga de distributii, care au o proprietate de a fi
invariante la combinatii liniare.
Distributia gaussiana este un caz particular al distributiilor stabile.
Dificultatea ce apare in cazul distributiilor stabile este aceea ca in cele mai multe cazuri nu
se cunoaste o forma explicita a functiei densitate de probabilitate, ci doar expresia functiei
caracteristice.
Astfel, o variabila aleatoare X urmeaza o distributie stabila de parametrii
) , , , (
(Nolan,2009) daca exista
> , 0
astfel incit X si
+ Z
sa aiba aceeasi distributie,
unde Z este o variabila aleatoare cu functia caracteristica
.
1 )]), )(ln( (
2
1 [ exp(
1 )]), ( )
2
tan( 1 [ exp(
] [ ) (
'
t t sign t i t
t sign i t
e t
itZ
E
In notatia de mai sus
] 2 . 0 (
este parametrul caracteristic(stability index), ce controleaza
grosimea cozilor(pentru distributia 2 ),
] 1 , 1 [
este parametrul ce controleaza
asimetria,
) , 0 (
este parametrul de scala si R este parametrul de locatie.
Pentru 2 se obtine o distributie normala de medie
) ( X E
si dispersie
2
2 ) ( X Var .
Pentru 1 si
0
se obtine o distributie Cauchy cu parametrul de scala
si parametrul
de locatie .
Pentru 2 / 1 si
1
se obtine o distributie Lvy cu parametrul de scala
si
parametrul de locatie .
Pentru toate celelalte cazuri ale parametrului
'
+ +
+ +
t i t t sign t i t
t i t t sign i t
e t
itX
E
Spunem ca o variabila aleatoare X urmeaza o distributie stabila
) 1 ; , , , ( S
daca functia
sa caracteristica are forma
.
1 ), )] )(ln( (
2
1 [ exp(
1 ), )] ( )
2
tan( 1 [ exp(
] [ ) (
'
+ +
+
t i t t sign t i t
t i t sign i t
e t
itX
E
Parametrizarea
) 1 ; , , , ( S
are avantajul ca este mai facila la manipulari algebrice, desi
functia caracteristica nu este continua pentru toti parametrii.
Parametrizarea
) 0 ; , , , ( S
este recomandata pentru simulari numerice si inferenta
statistica, desi forma functiei caracteristice o face mai dificil de utilizat pentru calcule
algebrice.
Nolan(2009) arata ca intre cele doua parametrizari exista totusi o corespondenta; astfel,
daca X ~ ) 1 ; , , , (
1
S si X ~
) 0 ; , , , (
0
S
, atunci
'
+
+
1 , ln
2
1 ,
2
tan
1
1
0
.
-18 -15 -12 -9 -6 -3 0 3 6 9 12 15 18 21
0
50
100
150
200
250
300
350
P
e
r
c
e
n
t
yav
Distributia stabila de parametrii
) 0 ; 0 , 1 , 0 , 5 . 1 ( S
-3.2 -3.0 -2.8 -2.6 -2.4 -2.2 -2.0 -1.8 -1.6 -1.4 -1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2
0
2
4
6
8
10
12
P
e
r
c
e
n
t
x
Distributia normala ) 2 / 1 , 0 (
2
N
In tabelul de mai jos sint calculate valorile cuantilelor unei distributii stabile
) 0 ; 0 , 1 , 0 , 5 . 1 ( S
in paralel cu valorile cuantilelor unei distributii normale
) 2 / 1 , 0 (
2
N .
Tabelul 1. Indicatorii distributiilor simulate pentru 1000 de observatii
Stable Normal
Min -19.174 -2.304
P_10 -0.460 -0.934
P_20 -0.283 -0.609
P_30 -0.171 -0.366
P_40 -0.084 -0.176
P_50 0.002 -0.024
P_60 0.077 0.135
P_70 0.168 0.315
P_80 0.269 0.544
P_90 0.465 0.867
Max 21.201 2.176
Mean 0.007 -0.024
Standard
Deviation 1.187 0.698
Skewness 3.214 -0.054
Kurtosis 190.087 0.097
N 1000 1000
Pentru simularea unei distributii stabile
) 1 ; , , , ( S
se poate folosi algoritmul
urmator(Weron(1996)):
1. Se genereaza o o variabila distribuita uniform U ~
,
_
2
,
2
Unif
si o variabila
distribuita exponential E ~
) 1 ( Exp
;
2. Daca 1 atunci se determina
,
_
2
tan arctan
) , ( B
si
2
2 2
2
tan 1 ) , (
,
_
+
S . Atunci se defineste variabila
,
_
+ +
1
/ 1
)) , ( (
) (cos
)) , ( sin(
) , (
E
B U U
U
B U
S X
;
3. Daca 1 atunci se defineste variabila
U
U E
U U X
,
_
+
2
cos
2
ln tan
2
2
;
4. Atunci variabila
'
+ +
+
1 , ln
2
1 ,
X
X
Y
urmeaza o distributie stabila
) 1 ; , , , ( S
.
Aplicatii
Inca de la inceputurile modelarii fenomenelor financiare, ipoteza distributiei normale a
randamentelor a stat la baza intregului construct epistemologic.
Mai mult, daca piata este eficienta si preturile de tranzactionare sint independente, atunci se
poate arata ca pretul urmeaza o distributie lognormala.
Daca notam cu
t
P
pretul de tranzactionare la momentul t, atunci
t
P ln
urmeaza o distributie
normala.
Cel mai simplu model matematic pentru a exprima acest lucru este modelul de random
walk(mers la intimplare):
t t t
p p + +
1
, unde
t
~
) , 0 (
2
WN
este un zgomot alb gaussian,
t t
P p log
, iar
este ceea ce se cheama drift.
Rezulta de aici ca randamentul are expresia:
t t t r
p p r +
1
.
Urmatorul program SAS genereaza un random walk si verifica proprietatile distributiei
acestuia.
Pentru a generea un random walk ne folosim de urmatoarea scriere a pretului conform
modelului de mai sus:
] exp[
1
1
0
+
t
i
i t t
t P P
.
%let n=1000;
data date;
p0=10;
do i=1 to &n;
e=rannor(0)*0.01;
output;
end;
run;
data date;set date;
sume+e;
t=i/&n;
run;
data date;set date;
pt=p0*exp(sume+t*0.01);
logpt=log(pt);
rt=logpt-lag(logpt);
run;
proc gplot data=date;
symbol interpol=join w=2;
plot pt*t;
plot rt*t;
run;
proc univariate data=date;
var rt;
histogram/normal;
run;
quit;
proc means data=date;
output out=means mean(rt)=miu std(rt)=sigma;
run;
data means;set means;
z=(0.1-miu)/sigma;
prob=1-cdf('normal',z);
run;
data date;if _n_=1 then set means;set date;
x=(rt-miu)/sigma;
cdf=cdf('normal',x);
run;
proc sort data=date;by x;
proc gplot data=date;
plot cdf*x;
run;
quit;
pt
9
10
11
12
13
14
t
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
rt
-0.04
-0.03
-0.02
-0.01
0.00
0.01
0.02
0.03
0.04
t
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
-0.034 -0.030 -0.026 -0.022 -0.018 -0.014 -0.010 -0.006 -0.002 0.002 0.006 0.010 0.014 0.018 0.022 0.026 0.030
0
2.5
5.0
7.5
10.0
12.5
15.0
17.5
P
e
r
c
e
n
t
rt
The UNIVARIATE Procedure
Fitted Normal Distribution for rt
Parameters for Normal Distribution
Parameter Symbol Estimate
Mean Mu 0.000184
Std Dev Sigma 0.009969
Goodness-of-Fit Tests for Normal Distribution
Test ----Statistic----- ------p Value------
Kolmogorov-Smirnov D 0.01958390 Pr > D >0.150
Cramer-von Mises W-Sq 0.05001261 Pr > W-Sq >0.250
Anderson-Darling A-Sq 0.33526725 Pr > A-Sq >0.250
In continuare vom studia ipoteza distributiei normale in cazul indicelui BET.
Pentru a verifica ipotezele de mai sus, am folosit datele zilnice ale valorilor
indicelui BET, al Bursei de Valori Bucuresti, pentru perioada de timp 19 septembrie 1997-
15 iunie 2010(3164 observatii zilnice).
Am folosit in analiza randamentul logaritmic, definit ca
1
ln ln
t t t
P P r
, unde
t
P
reprezinta valoarea indicelui la momentul t.
7. Rezultate
Pentru a verifica ipoteza distributiei normale pentru randamentul zilnic al indiceului
BET, am aplicat bateria de teste pentru distributia normala disponibile in SAS 9.2: testul
Kolmogorov-Smirnov, testul Anderson-Darling si testul Cramer-von Mises.
In toate cele trei cazuri, ipoteza distributiei normale a fost respinsa cu o probabilitate de cel
putin 99%.
-0.126 -0.102 -0.078 -0.054 -0.030 -0.006 0.018 0.042 0.066 0.090
0
5
10
15
20
25
30
Figura 3. Histograma randamentelor
indicelui BET
Tabelul 1. Parametrii distributiei normale
Tabelul 2. Testele de concordanta pentru
distributia normala
Tabelul 3. Distributia valorilor extreme a
randamentelor
) Pr( c r
t
<
c
Seria reala a
randamentelor
Distributia
normala
estimata
-0.05
0.013906 0.0044738
-0.1
0.001264 9.863E-08
Test Statistic p Value
Kolmogorov-
Smirnov
D 0.08
5
Pr > D <0.01
0
Cramer-von
Mises
W-
Sq
8.06
2
Pr > W-
Sq
<0.00
5
Anderson-
Darling
A-
Sq
45.9
63
Pr > A-
Sq
<0.00
5
Parameter Estimate
Mean 0.000506
Parameter Estimate
Std Dev 0.019321
-0.11
0.000948 5.343E-09
-0.13
0.000316 7.161E-12
Dupa cum s-a observat, distributia randamentului prezinta cozi mult mai mari decit
ar fi de asteptat conform distributiei normale, iar distributiile stabile rezolva problema unor
astfel de evenimente extreme. Pentru seria randamentelor zilnice ale indicelui BET am
estimat parametrii unei distributii stabile folosind programul STABLE.EXE(programul
STABLE este disponibil pe site-ul lui J. P. Nolan: academic2.american.edu/~jpnolan).
Tabelul 4. Parametrii distributiei stabile
Parameter Estimate Lower 95% Upper 95%
1.476234 1.421034 1.531434
-0.01872 -0.138416 0.100984
0.009246 0.0088915 0.0096011
0.000551 -0.00005 0.0011552
Estimatorii de verosimilitate maxima arata ca putem respinge ipoteza distributiei
normale, intrucit parametrul carcasteristic este semnificativ mai mic decit 2, valoare
tipica a distributiei normale.
Modele statistice pentru pia a de capital
Modelarea proceselor i evolu iilor de pe pie ele financiare n general i de
pe pie ele de
capital n particular se constituie ntr-o preocupare constant , deopotriv a
cercet torilor din mediul academic, ct i a practicienilor implica i n
activitatea economic curent . Problema care transpare n aceast
dezbatere, cu o vechime destul de consistent , este una care nu ine
neap rat de domeniul tiin elor economice, ci face parte mai degrab
din aria mai larg a preocup rilor din sfera umanului: n ce m sur
informa iile conferite de analiza st rilor trecute (i/sau prezente) ale
unui sistem se pot constitui n instrumente eficiente pentru anticiparea
st rilor viitoare ale acelui sistem.
Nu o dat se discut despre caracterul repetabil al direc iilor de evolu ie
istoric ; tiin ele
umanului, n particular psihologia, induc ideea c mediul de via i
contextul educa ional al unui individ n copil rie i pun amprenta asupra
dezvolt rii ulterioare a individului; studiul modific rilor meteorologice dintr -
o anumit zon geografic poate oferi informa ii asupra caracterului
probabil al vremii n acea zon ; analiza indicatorilor macroeconomici din
trecutul apropiat poate oferi informa ii cu privire la starea viitoare a
economiei na ionale .a.m.d.
Din punctul de vedere al pie elor financiare problema este
urm toarea(aa cum a fost
formulat de Eugene Fama 1): n ce manier pot fi folosite informa iile din
trecut privind pre ul unui activ financiar pentru a realiza predic ii fiabile
n leg tur cu valorile viitoare ale pre ului acelui activ?
R spunsul la aceast problem a fost dat n general de pe dou pozi ii:
teoria grafic chartist sau analiza tehnic (chartist theory) i teoria
mersului la ntmplare(random walk theory).
n esen , adep ii teoriei chartiste sus in c informa i ile ce privesc
comportamentul viitor
al pre ului activelor financiare se reg sesc n informa iile privind
comportamentul din trecut al acestor active. Cu alte cuvinte, istoria se
repet n anumite tipare (patterns), care vor fi reg site n comportamentul
viitor al activelor financiare. Dac printr -o analiz profund a st rilor din
trecut se pot recunoate aceste tipare de evolu ie, atunci descrierea
st rilor viitoare ale activului finaciar se poate realiza pe baza acestor tipare;
evident, secretul unor viitoare ctiguri astfel ob inute nu
este la ndemna tuturor.
Adep ii teoriei random walk sus in c valorile viitoare ale pre ului unui
activ snt la fel de
predictibile ca i valorile viitoare ale unui ir de numere generate
aleator. In termeni statistici, acest lucru nseamn c schimb rile
succesive ale valorii unui activ finaciar reprezint realiz ri ale unui ir de
variabile aleatoare independente, indentic distribuite. Cu alte cuvinte,
procesele de pe pia a fi nanciar snt procese lipsite de memorie, tr ecutul
neputnd fi utilizat pentru a prezice viitorul.
n mod necesar modelarea pie elor financiare trebuie s ia n
considerare faptul c luarea
unei decizii de c tre actorii acestor pie e este afectat de incertitudine
i/sau risc. Dei aparent se refer la acelai lucru, luarea unei decizii n
condi ii de risc nu ese totuna cu a lua o decizie n condi ii de
incertitudine2. A lua o decizie n condi ii de risc asupra unui activ fianciar
presupune cunoaterea distribu iei de probabilitate din trecut a val orii
activului(sau a profitului); n plus, esen ial este ideea c distribu ia din trecut
este o bun estima ie a distribu iei viitoare.
Dimpotriv , a lua o decizie n condi ii de incertitudine presupune a
accepta ideea c
distribu ia din trecut nu este o bun estima ie a distribu iei viitoare, cu
alte cuvinte trecutul nu poate fi folosit pentru predic ii cu privire la viitor.
Recunoatem n aceast separa ie esen a disputei dintre adep ii analizei
tehnice i adep ii
teoriei mersului la ntmplare: utilizarea analizei tehnice n predic ia valorilor
viitoare ale pre ului unui activ implic luarea unei decizii n condi ii de
risc, ct vreme adoptarea teoriei mersului la ntmplare implic luarea
unei decizii n condi ii de incertitudine.
Introducerea incertitudinii n modelarea pie elor financiare are drept
consecin limitarea
utiliz rii modelelor construite n procesul de luare a unei decizii.
Modelarea unor contexte n care apare i ac iunea cum snt toate cele
caracteristice vie ii sociale i n parti cular economice face astfel apel la
explorarea viitorului. tim ns ast zi c descrierile trecutului,
prezentului i viitorului snt de naturi diferite: pe cnd propozi iile
referitoare la trecut snt, n ultim analiz , ori adev rate ori false,
propozi iile referitoare la viitor nu snt, ast zi, nici adev rate nici false, ci
mai mult ori mai pu in probabile.
Urmeaz c , dei trecutul i prezentul snt generatori de fapte i date ce
compun
traiectorii(sugernd trat ri deterministe), viitorul nu mai este de acelai
tip: traiectoriile snt deci insuficiente pentru modelarea viitorului, deci a
ac iunii. 3
2.1. Indicatori statistici ai distribu iei rentabilit ii activelor
financiare
2.1.1. Pre uri i profit
Aproape n orice abordare economic , profitul joac un rol central:
economia ns i, la
limit , poate fi considerat tiin a gestion rii unor resurse limitate, n
scopul maximiz rii
profitului pe seama acestor resurse. Cu att mai mult, n practica
financiar , profitul reprezint un element-cheie n evaluarea dinamicii activelor.
n principiu, exist dou motiva ii pentru care profitul este de preferat
pre ului activelor
n modelarea matematic a fenomenelor financiare. n primul rnd,
pentru investitorul mediu, pia a financiar poate fi considerat a fi ntr-o
competi ie aproape perfect , astfel nct m rimea investi iei nu
influen eaz modificarea pre ului.
n al doilea rnd, att din motive teoretice ct i practice,
profiturile(rentabilit ile) snt mai
dezirabile din punct de vedere statistic dect pre urile, manifestnd mult mai des
propriet i de sta ionaritate sau ergodicitate.
2.1.2. Defini ii i conven ii
n cele ce urmeaz vom face urm toarele nota ii:
- N- num rul de active ce intr n componen a unui portofoliu;
- [1T]- orizontul de timp corepsunz tor analizei efectuate;
- P
t
- pre ul unui activ, nregistrat la sfritul perioadei t; pentru nceput,
presupunem c
acest activ nu este pl titor de dividende;
- R
t
=(P
t
P
t-1
) / P
t-1
- rentabilitatea simpl net (profitul simplu net; simple net
return), care descrie modificarea valorii activului financiar ntre momentul t-1 i
momentul t. n mod curent acest indicator mai este numit rat a profitului.
- 1+R
t
=P
t
/ P
t-1
- rentabilitatea simpl brut (profitul simplu brut; simple gross
return);
- 1+R
t
(k) = (1+R
t
) (1+R
t-1
) . (1+R
t-k+1
) = P
t
/ Pt-k - rentabilitatea compus
pentru
perioada [t-k, t).
De regul , indicatorii de performan prezenta i mai sus nu -i g sesc
sensul f r
precizarea orizontului de timp pe care l caracterizez ; un ins trument foarte
utilizat n aprecierea performan ei unei investi ii l reprezint rata anualizat
a profitului sau profitul anualizat, calculat ca o medie geometric a
ratelor anuale ale profitului:
Ann R
t
(k) = [ (1+R
t-j
)
1/k
] -1
Cum n general, pentru perioade mici de timp, varia iile pre ului au
amplitudine destul de
mic , pentru calculul profitului anualizat se folosete urm toarea
aproximare, bazat pe o
dezvoltare n serie Taylor:
Ann R
t
(k) 1 / k R
t-j
ntr-adev r, log(x +1) x , pentru x suficient de mic4, n vecin tatea lui 0.
Avem atunci: log [Ann R
t
(k) +1] = 1 / k log (1+R
t-j
) 1 / k R
t-j
Pe de alt parte, log[Ann R
t
(k) +1] Ann R
t
(k) , de unde rezult formula
anterioar .
Dei mai uor de calculat, aceast din urm exprimare a ratei anualizate
a profitului are
dezavantajul c nu poate fi folosit n calcule de fine e.
Dificultatea care intervine n modelare atunci se pune problema
calcul rii ratei anualizate
a profitului n varianta cu media geometric a impus introducerea unui
indicator mai comod, care se preteaz mai uor la calcule algebrice i
este mai sensibil din punct de vedere statistic.
Profitul compus continuu(continuosly compounded return or log return) reprezint
logaritmul indicelui de pre al activului financiar studiat :
r
t
= log(1+R
t
) = log P
t
/ P
t-1
= p
t
p
t-1
, unde p
t
= log p
t
Avantajul acestei exprim ri este evident atunci cnd avem de -a face cu
profituri
multianuale, deoarece este adev rat identitatea:
r
t
(k) = log (1+R
t
(k) ) = . = r
t
+
r
t-1 +..
+ r
t-k+1
2.1.3. Pl i de dividende
Pentru active care realizeaz periodic pl i de dividende, trebuie
modificat defini ia
profitului. Notnd cu t D dividendul pl tit la momentul t, profitul simplu net
poate fi privit ca fiind R
t
= (P
t
+D
t
/ P
t-1
) -1, unde t P este pre ul ex -dividend la
momentul t(dividendul este pl t it chiar nainte ca pre ul t P s fie
nregistrat).
n cazul activelor financiare pl titoare de dividende este mai dificil de
definit profitul
compus; bun oar , profitul compus continuu n acest caz are forma r
t
=
log(P
t
+D
t
) log (P
t-1
), care este o func ie mai greu manipulabil algebric.
Cea mai important tr s tur a activelor financiare o reprezint
caracterul aleatoriu al
acestora. Incertitudinea asociat proceselor de pe pie ele financiare face
ca acestea s se
constituie ntr-un bun mediu de modelare stochastic . Dei modelarea
stochastic este ntlnit n multe ramuri economice, n finan e
incertitudinea joac un rol central. n cele ce urmeaz vom identifica
principalele surse de incertitudine.
2.1.4. Distribu ia comun
Consider m un portofoliu de N active la momentul t, fiecare avnd profitul
Rit ,i = 1, N( de la 1 la N) ; t =1,T (de la 1 la T) . Distribu ia comun ( joint
distribution) este func ia G(R
11
,R
N1
;R
12
, . R
N2
;;R
NT
;x| , unde:
- x - reprezint vectorul variabilelor de stare(state variable), acele variabile
care descriu
mediul economic subiacent activelor financiare;
- reprezint vectorul parametrilor care determin n mod unic func ia
de distribu ie G;
Func ia de reparti ie G determin caracterul stochastic al activelor i
reprezint suma
tuturor informa iilor cognoscibile despre aceste active.
2.1.5. Distribu ia condi ionat
Considernd distribu ia comun F a lui {Ri1....R iT} pentru un activ dat i, aceasta se
poate
scrie n felul urm tor:
F(R
i1
..R
iT
) = F
i1
(R
i1
) F
i2
(R
i2
|R
i1
) ......F
iT
(R
iT |
R
i1
....R
iT-1
)
Se observ c predictibilitatea valorii activelor financiare implic
aspecte legate de
cunoaterea distribu iei condi ionate a rentabilit ii, precum i de felul
cum aceast distrib. evolueaz de -a lungul timpului. Impunnd diverse
condi ii asupra distribu iilor condi ionate, putem trage conluzii asupra
posibilit ii de a putea realiza predic ii asupra valorilor viitoare ale
activelor. Spre exemplu, condi ia F
it
(R
it
| *) = F
it
(R
it
) implic independen a
temporal a valorii activelor, deci imposibilitatea de a realiza predic ii.
2.1.6. Distribu ia necondi ionat (marginal )
Dac distribu ia condi ionat a profitului unui activ difer de distribu ia
sa marginal ,
atunci distribu ia condi ionat poate oferi informa ii privind
predictibilitatea valorii activului.
Unul dintre cele mai folosite modele pentru profitul activelor este acela n
care se consider c profiturile snt independente, identic distribuite
dup legea normal .
Dei modelarea folosind reparti ia normal este cea mai la ndemn , are
totui o serie de
neajunsuri. n primul rnd, un investitor nu poate pierde mai mult dect
investi ia ini ial , deci profitul net nu poate fi mai mai mic de -1 sau -100%, ori
reparti ia normal are ca suport ntreaga dreapt real .
n al doilea rnd, dac profiturile snt consid erate a fi normale, atunci profiturile
multiperioade nu mai pot fi normale, de vreme ce snt produsul acestora.
2.1.7. Reparti ia lognormal
Pentru evitarea acestor neajunsuri ale reparti iei normale, n modelarea
proceselor de pe
pie ele financiare se folosete reparti ia lognormal . Astfel, se pleac de
la ipoteza c profiturile compuse continuu snt independente, identic
normal repartizate, ceea ce implic faptul c profiturile nete urmeaz o
reparti ie lognormal , ntruct avem rela ia rt = log(1+R )
Dac atunci avem urm torii parametrii pentru reparti ia
profiturilor
simple:
Reciproc, dac media i dispersia lui it R snt respectiv , atunci n ipoteza
existen ei unei reparti ii lognormale a profiturilor compuse continuu,
avem:
Modelul lognormal are avantajul c nu prezint limit rile reparti iei
normale, care
datorit faptului c este definit pe ntreaga ax real nu poate fi
folosit n bune condi ii pentru modelarea financiar .
Daca , si
, lucru evident inuitiv, ntruct un investitor nu poate
pierde mai mult dect a investit.
Dei foarte atractiv, modelul lognormal are i unele dezavantaje,
datorit
comportamentului temporal al activelor financiare. Pe termen scurt, seria profiturilor
istorice prezint o uoar tendin de asimetrie i o boltire n exces.
Pentru o variabil aleatoare (epsilon) cu media (miu) i dispersia (abaterea la
patrat) , avem urm torii coeficien i de asimetrie, respectiv
aplatizare/boltire(skewness i kurtosis):
Pentru distribu ia normal valorile coeficien ilor de asim etrie i de
aplatizare snt 0;
pentru distribu ii mai aplatizate dect distribu ia normal , valoarea
coeficientului de aplatizare poate fi infinit .
Ca un caz concret, estima i ile pentru coeficientul de asimetrie al ratei profitului n cazul
Indicelui BET, snt apropiate de zero, n vreme ce boltirea este n exces, ceea ce indic
o
distan are de modelul normal.
Tabelul 1. Parametrii distribu iei rentabilit ilor pentru I ndicele BET, valori zilnice
pentru perioada 19.09.1997-9.01.2007
Studiile mai timpurii au ncercat s modeleze boltirea n exces prin
intermediul aanumitelor
reparti ii stabile 5. Motiva ia pentru acest lucru este evident : dei
histograma
distribu iei ratei de rentabilitate este unimodal , nu se identific deloc
cu curba reparti iei
normale; am ilustrat acest fapt folosind datele privind Indicele BET al Bursei de Valori
Bucureti.
Figura 3. Histograma rentabilit ii pentru Indicele BET
2.2. Ipoteza de pia eficient
Ideeea de pia eficient , aa cum e n eleas n literatura modern , i
are originile m
lucr rile lui Bachelier, Cowles i Samuelson. n 1970, n celebrul s u
studiu6, Fama d
urm toarea defini ie: O pia n care pre urile reflect ntotdeauna
complet informa ia
disponibil se numete pia eficient .
O defini ie mai recent este cea formulat de Malkiel(1992): O pia de
capital se
numete eficient dac reflect corect i complet toate informa iile
relevante pentru determinarea pre urilor activelor. Formal, pia a se
presupune a fi eficient n raport cu o anume mul ime de informa ii,
dac pre urile activelor nu ar fi afectate prin relevarea acelor informa ii
tuturor agen ilor de pe pia a de capital. Mai mult, eficien a n raport cu o
mul ime de informa ii implic faptul c este imposibil s ob ii profit
ac ionnd pe baza acelei mul imi de informa ii.
Prima parte a acestei din urm defini ii este identic cu defini ia clasic
a lui Fama; partea
a doua implic o modalitate de a testa eficien a unei pie e de capital:
dac pre urile nu se
modific atunci cnd o anume mul ime de informa ii este dezv luit ,
atunci pia a este eficient n raport cu acea mul ime de informa ii(acest
test este ns imposibil de realizat n condi ii reale).
A treia parte de defini iei sugereaz o alt modalitate de a m sura
eficien a: m surnd
profiturile ob inute n urma tranzac iilor pe baza unei mul imi de
informa ii, putem decide dac ipoteza de pia eficient se verific ori
nu. i aceast modalitate este greu de pus n aplicare, informa iile la
care au acces agen ii de pe pia a de capital fiind incomplet cunoscute. O
cale de a evita aceste dificult i n testarea eficien ei pie ei de capital
este realizarea unei clasific ri n func ie de mul imea de informa ii
disponibil ; astfel, putem distinge ntre trei tipuri de eficien :
- eficien n forma slab mul imea de informa ii cuprinde doar
istoricul
tranzac iilor(informa ii referitoare la pre urile sau rentabilit ile activelor
financiare);
- eficien n forma semi -tare mul imea de informa ii cuprinde, pe
lng istoricul
tranzac iilor, toate informa iile cu caracter public, cunoscute de c tre
to i participan ii la
tranzac ii;
- eficien n forma tare mul imea de informa ii cuprinde toate
informa iile cunoscute
de oricare dintre actorii pie ei de capital( inclusiv informa ii cu caracter
privat).
O modalitate de a testa eficien a pie ei de capital este de a studia
comportamentul
rentabilit ilor activelor financiare; dac acestea snt nepredictibile, este
un indiciu c pia a este
eficient .
Un argument n sens invers este oferit de aa-numita lege a mediilor iterate.
Fie n acest
sens dou mul imi de informa ii I
t
i Jt astfel nct I
t
inclus in J
t
, adic a doua
mul ime este
superioar n informa ii primei mul imi.
Legea mediilor iterate spune urm torul lucru: dac X este o variabil
aleatoare, atunci
Interpretarea acestei legi este urm toarea: predic ia bazat pe informa iile
con inute n
mul imea t I este identic cu predic ia pe care am ob ine -o dac am
dispune de informa iile con inute n plus de mul imea t J .
Aplicarea acestei legi probabiliste la situa ia pie elor de capital duce la o
concluzie
interesant : n cazul unei pie e eficiente, fluctua iile pre urilor activelor
financiare nu snt
predictibile.
ntr-adev r, presupunem c la un moment dat dispunem de mul imea de
informa ii t I ,
informa ii care se reg sesc complet i corect n pre ul t P ( formaliznd,
aceasta nseamn c exist o variabil aleatoare V astfel nct
Analog, pre ul de la momentul urm tor, t+1, este determinat pe baza
mul imii de
informa ii
Atunci valoarea ateptat a fluctua iei pre ului ntre cele dou momente
de timp este:
n concluzie, fluctua ia pre ului nu poate fi prezis , bazndu -ne pe
informa iile con inute
n mul imea t I .
Dei din punct de vedere teoretic problematica eficien ei pie ei de
capital este bine pus
la punct, se pune problema n ce m sur se poate realiza practic
testarea ipotezei de pia
eficient . O abordare util este n acest sens conceptul de eficien
relativ , i.e., testarea
eficien ei unei pie e prin raportare la alt pia .
2.3. Predictibilitatea rentabilit ii activelor financiare
Posibilitatea de a modela comportamentul activelor financiare n scopul realiz rii
de
predic ii ct mai apropiate asupra rentabilit ilor viitoare ale acestora
constituie o preocupare continu a cercet torilor n domeniu. n cele ce
urmeaz vom considera problema predictibilit ii fluctua iilor pre urilor
activelor financiare, considernd c acestea snt influen ate de valorile
din trecut; desigur, nu este o abordare complet , ntruct n fiecare
moment mul imea de informa ii de care dispune un investitor este mult
mai bogat dect mul imea valorilor trecute ale rentabilit ilor, dar este un
prim pas n modelarea activelor financiare.
2.3.1 Ipoteza de random walk(mers la ntmplare)
Pentru ilustrarea diverselor versiuni ale ipotezei de random walk vom
studia tipul i
gradul de corelare care exist ntre valorile rentabilit ilor la momentele
de timp t i t+k: r
1
si r
t+k
Defini ie: Fie f (), g() :RR dou func ii reale astfel nct snt
ndeplinite condi iile
de ortogonalitate: . Atunci spunem c tripletul
este un sistem aleator ortogonal.
Observa ie : Toate versiunile ipotezei de random walk sau modelele de martingal snt
particulariz ri ale no iunii de sistem aleator ortogonal, n func ie de
alegerea formei func ionale
pentru f i g.
O clasificare a acestor ipoteze, care snt legate intrinsec de no iunea de
pia eficient ,
este prezentat sub form matriceal n tabelul urm tor.
Tabelul 2. Ipotezele de random walk
Sursa: CAMPBELL, J.Y., LO, W., MACKINLAY, C., The Econometrics of Financial Markets, Princeton
University, 1997
2.3.2. Modelul de martingal
Cel mai vechi model pentru comportamentul activelor financiare a fost modelul de
martingal, ai c rui germeni apar nc n Evul Mediu, n lucrarea lui
Girolamo Cardano, Liber de Ludo Aleae( Cartea jocurilor de noroc). Ideea de baz
n acest tip de modele este cea a existen ei unui echilibru ntre
partenerii implica i ntr -un astfel de joc, n sensul c jocul nu este nici n
favoarea, nici n defavoarea oponen ilor.
Formal, aceast condi ie este sintetizat n defini ia mart ingalului: dac ( P
t) t este un
proces stochastic, atunci acesta satisface condi ia de martingal dac E[P
t+1 |P t, P t-1]=P , sau, echivalent, .
Privind t P drept probabilitatea de ctig la momentul t, ipoteza de martingal
implic
faptul c cea mai bun estimare a ctigului ateptat, condi ionat de
istoria jocului, este exact ctigul existent la momentul actual.
Tradus n termeni de comportament al activelor financiare, aceast
aser iune se reduce la
ideea c cea mai bun predic ie a pre ului activului la momentul t+1,
condi ionat de evolu ia anterioar , este chiar valoarea prezent ,
nregistrat la momentul t.
Ipoteza de martingal aplicat activelor financiare este n concordan cu
ipoteza de pia
eficient ; dac pia a este eficient , atunci nu se pot ob ine profituri n
dauna celorlal i
competitori, pe baza informa iilor con inute n istoricul tranzac iilor.
Cu ct pia a este mai eficient , cu att modificarea valorii a ctivelor financiare
are un
caracter aleator, iar cea mai eficient pia posibil este cea n care
modificarea valorii activelor financiare este complet impredictibil .
Punctul slab al martingalelor n modelarea pie elor financaiare este c
nu se acord
aten ie riscului de investi ie. n general, decizia de investire este
precedat de o evaluare a
rentabilit ii ateptate i a riscului implicat de respectiva investi ie;
modelul de martingal impune condi ii doar asupra valorii ateptate a
rentabilit ii acti velor financiare.
2.3.3. Ipoteza RW1: creteri indepedente identic repartizate(i.i.d.)
Cea mai natural exprimare a ipotezei de random walk este aceea n
care pre ul activelor
financiare este un proces stochastic cu o dependen intern de forma
urm t oare:
(2.1)
unde reprezint un zgomot alb, i.e. un ir de variabile
aleatoare independente, identic repartizate:
Mai mult, dac ultima condi ie este ndeplinit , atun ci avem
n ecua ia (2.1), 1 , t t P P reprezint valoarea pre ului la dou modele
succedive de timp, iar miu este modificarea ateptat a pre ului, aa -
numitul drift.
Independen a inova iilor ( epsilon) tt implic faptul c mersul la
ntmplare este de asemenea un joc corect, dar ntr-un sens mai tare dect
ipoteza de martingal: creterile snt nu doar necorelare,
ci chiar independente, de unde rezult c orice combina ii ne liniare ale
acestora snt necorelate.
Forma func ional a modelului RW1 induce condi ii de nesta ionaritate
ale procesului