Documente Academic
Documente Profesional
Documente Cultură
In mod specific, in stiintele economice financiare, volatilitatea caracterizeaza deviatia standard instantanee a componentei aleatoare de tip Wiener, intr-un model de difuzie in timp continuu. Alte surse definesc volatilitatea mai simplu, drept deviatia conditionala standard a randamentului oferit.. Previziunea volatilitatii in seriile financiare de timp ale randamentelor actiunilor reprezinta domeniul cel mai larg pe care volatilitatea il ocupa in teoriile economicofinanciare. Specificul ei a fost evidentiat de Campbel, Lo si MacKinlay:
1
... ceea ce
distinge economica financiara de celelalte domenii este rolul central pe care incertitudinea il joaca atat in teoria financiara cat si in implementarile ei empiricie... Intr-adevar, in absenta incertitudinii, probleme de economie financiara s-ar reduce la exercitii ale teoriei macroeconomice de baza (p. 3). Pe langa incertitudine, care plaseaza fiecare discutie in spatiul probabilitatilor, ceea ce diferentiaza si mai mult topicul volatilitatii in finante este caracterul sau neobservabil, latent si msicarea sa stocastica in timp. De cele mai multe ori volatilitatea este neobservata, iar marimea sa poate fi evidentiata mai degraba prin estimare decat prin masurare directa. In practica, modelel si seriile liniare de timp sunt incapabile sa explice o serie de caracterisitici foarte importante pentru datele financiare, cum ar fi: Leptokurtosis (leptocurtotica) - tendinta rentabilitatilor activelor financiare de a avea distributii care prezinta cozi ingrosate si exces de kurtosis. Volatility clustering tendinta de aparitie in masa a volatilitatii pe pietele financiare. Astfel rentabilitatile mari (de orice semn) au tendinta de a aparea in urma unor rentabilitati mari, iar randamentele mici (de orice semn) au tendinta de a aparare in urma unor rentabilitati mici. Una dintre explicatii pentru acest fenomen care pare a caracteriza seriile de rentabilitati financiare ar fi faptul ca informatiile care pot influenta schimbarile de pret vin la randul lor in masa Efecte de levier (leverage) tendinta volatilitatii de a creste mai mult in urma unei scaderi semnificative a preturilor, fata de cazul unei cresteri semnificative a preturilor.
1
John Y. Campbell, Andrew W. Lo, and A. Craig MacKinlay - The Econometrics of Financial Markets, Princeton University Press, 1997
Modelele de volatilitate pot fi formulate in timp continuu sau discret, depinzand de scopul pentru care se fac previziunile, de tipul de date folosite, si, desigur de disponibilitatea acestora. Acuratetea modelelor creste o data cu gradul de corespondenta a datelot cu realitatea. Intrucat activitatile de tranzactionare si evaluare ce au loc in pietele financiare lichide de astazi se desfasoara mai mult intr-o maniera continua, decat intr-un discreta, utilizarea de date in timp continuu ar imbunatati capacitatile predictive ale modelelor. Totodata formularea si estimarea empirica a modelelor in timp continuu impune numeroase provocari. Desi multe dintre modelele formulate in timp discret nu sunt consistent cu procesle ce descriu miscarea in timp continuu a preturilor, ele sunt mai usor de utilizat din perspectiva inferentiale si prin urmare, raman preferate in majoritatea exercitiilor empirice de previzionare.
Diverse tehnici dezvoltate pentru obtinerea unor estimatori ai volatilitatii au fost elaborate in mod continuu in ultimele trei decenii. Ele pornesc de la modele extrem de simple care utilizeaza asa-numitele ipoteze naive (de tip random walk) pana la modele conditional heteroskedastice complexe ale grupului ARCH (pana la GARCH si derivate ale acestuia). Cele mai dezbatute modele de volatilitate de tip univariat sunt modele autoregresive cu heterskedasticitate conditionala (ARCH Autoregressive conditional heteroskedasticity) propuse de Engle (1982) si cele generale , GARCH (Generalized Autoregressive conditional heteroskedasticity),propuse de Bollerslev (1986). Numeroase extensii ale acestora au dobandit importanta ulterior, precum Exponential GARCH (EGARCH) propus de Nelson (1991) sau modelul Treshold ARCH propus de catre Glosten, Jagannathan si Runkle (1993), ce explica dintr-un punct de vedere empiric reactia asimetrica a volatilitatii la impactul socurilor din piata. In general, fiecare model are propriile avantaje si dezavantaje, astfel ca avand la dispozitie un numar asa de mare de modele, toate desemnate pentru a servi aceluiasi scop, este important de a distinge si identifica in mod corect fiecare model, cu caracterisiticile fiecaruia, in scopul stabilirii aceluia ce ofera cele mai bune predictii.
Totusi, un conses general in privinta clasificarii modelelor din punct de vedere al calitatii previziunilor facute, nu a fost gasit. Acest lucru provine din faptul ca literatura contine studii cu concluzii contradictorii in ceea ce priveste calitatea previziunilor oferite de fiecare model. Spre exemplu, Brailsford si Faff (1996) au gasit ca clasificarea perfomantelor modelelor depinde de alegerea parametrilor de calculare a erorilor, pentru fiecare dintre acestia fiind identificate diferite structuri de clasificare.
2
ajuns la concluzia ca literatura tinde sa agreeze ideea ca modelele de tip GARCH ofera in general previziuni superioara ale volatilitatii randamentelor activelor financiare (in totalul modelelor de previzionare a volatilitatii).
Estimarea volatilitii
EUR/RON
Iunie 2912
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
Return EUR/RON
0.05
0.00
-0.05
-0.10 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
Conform datelor descriptive, specifice seriei de timp si histogramei randamentelor se constata ca acestea nu au o distributie normala (potrivit testului Jarque Bera se respinge ipoteza nula conform careia datele sunt caracterizate de o distributie normala p-value = 0.000).
120 Density return N(s=0.0067)
100
Series: RETURN Sample 1 3395 Observations 3390 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 0.000358 0.000000 0.075121 -0.129396 0.006703 -0.898666 58.02263
80
60
40
0.05
In acelasi timp,
-0.125 -0.100 -0.075 -0.050 -0.025 0.000 0.025 0.050 0.075
rentabilitatatile prezinta o asimetrie negativa ( -0.898666), cu dispersie a valorilor preponderent in zona din dreapta mediei, si un execes de Kurtosis foarte ridicat (Kurtosis3= 55.02263). Astfel se poate afirma ca acestea prezinta o distributie leptokurtica cu cozi mai groase decat o distributie normala caracterizata de aceeasi parametri (medie = 0.0000358 si abatere standard = 0.0067). Pentru a verifica caracterul stationaritatii randamentelor s-a utilizat testul Augmented Dicky Fuller, care presupune prin ipoteza nula ca exista radacina unitate, si potrivit probabilitatii obtinute (0.0001) se va respinge aceasta ipoteza, deci randamentele cursului de schimb sunt stationare.
Pasul urmator consta in determinarea structurii ARMA pentru seria de timp cu ajutorul corelogramei rentabilitatii sau cum este cunoscuta in literatura de specialitate drept Metodologia Box Jenkins, prin intermediul functiilor de autocorelatie (ACF raport intre covarianta de lag k intre 2 randamente si varianta randamentelor) si functia de autocorelatie partiala (PACF ce proiecteaza coeficientii dintr-o regresie a Yt fata de Yt1,...
Yt-k)
Potrivit acestui output vom folosi o specificatie de tip ARMA (1,1) pentru a descrie procesul pe care il urmareste rentabilitatea. Coeficientii estimati pentru modelul ARMA (1,1) sunt semnificativi diferiti de 0 conform testului statistic t care genereaza valori mai mari decat valoarea critica, respingandu-se ipoteza nula.
In plus, structura procesului ARMA (1,1) este stabila prin faptul ca inversele radacinilor unitate ale procesului autoregresiv cat si ale medie mobile se afla in interiorul cercului unitate, iar coeficientii AR(1) si MA(1) se regasesc in intervalul (-1,1). O alta forma de apreciere a relatiei dintre valorile curente ale cursului si valorile din anumite perioade anterioare este cea a analizei corelogramei rentabilitatilor patratice, care conform celor demonstrate de McLeod si Li (1983) serveste la identificarea naturii procesului urmat de volatilitatea randamentelor (identificarea ordinelor p si q pentru modelele din clasa GARCH). Astfel, in urma unei evaluari vizuale se poate afirma ca ordinul p este mai mic (sau egal cu 3) si ordinul q este 1.
Drept urmare, in continuare se vor analiza mai multe tipuri de modele ARMA(1,1) GARCH: GARCH, EGARCH, TARCH cu diferite ordine p si q si pentru inceput vom presupune faptul ca inovatiile urmeaza o distributie normala, dupa care se vor verifica pe rand distributiile Students t si GED (Generalized Error Distribution). Se vor folosi drept criterii de selectie intre modelele GARCH urmatoarele: maximiziarea Maximum Likelihood Estimator si minimizarea criteriilor informationale (AIC si Schwarz
In urma analizei empirice, prin care am incercat diferite modele pentru estimarea comportamentului volatilitatii (GARCH, EGARCH, APARCH pentru distributie normala,
Student si GED), singurul model pentru care a existat convergenta functiei de verosimilitate este cel GARCH (2,1) pentru o distributie normala a erorilor.
0.0010 Conditional Variance 0.0009 sqreturn
0.0008
0.0007
0.0006
0.0005
0.0004
0.0003
0.0002
0.0001
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
In figura de sus este reprezentata volatilitatea realizata, calculata dupa formula RV=return*return, in comparatie cu valorile estimatorului variantei calculat in urma utilizarii coeficientilor unui model ARMA(1,1)-GARCH(2,1).