Econometria Seriilor de Timp

UNIVERSITATEA BABE-BOLYAI CLUJ-NAPOCA
FACULTATEA DE TIINE ECONOMICE

I GESTIUNEA AFACERILOR

1
NOTIE DE CURS
MODELE CLASICE DE PREVIZIUNE IN ECONOMIE.
ECONOMETRIA SERIILOR DE TIMP
Conf. Univ. Dorina Lazar
Descrierea cursului
Cursul i propune o introducere n problematica econometriei financiare. Are ca i
obiectiv nsuirea metodelor econometrice utile n modelarea variabilelor din domeniul
economic respectiv n testarea unor ipoteze clasice formulate de teoria economica.
Tematica disciplinei cuprinde tehnici statistice de analiz i previziune precum i metode
specifice econometriei seriilor de timp.
Dintre tehnicile clasice de previziune se abordeaz modelele liniare univariate de tip
autoregresiv-medie mobil respectiv modele de tip Garch. Din econometria seriilor de
timp sunt dezbtute tehnici ce i gsesc aplicabilitate direct n finane, macroeconomie,
2
managementul riscului, in principal in previziune si in modelarea relatiilor in economie,
cand baza de date consta in evolutia unor indicatori in timp.
Baze de date pentru serii de timp
- www.bnr.ro. (In buletinele lunare gasim evolutii lunare a principalilor indicatori
macroeconomici si financiari); caiete de studii cu diverse studii econometrice (la
publicatii)
- Eurostat: http://epp.eurostat.ec.europa.eu/
- Institutul Roman de Statistica
- http://www.economicswebinstitute.org/ecdata.htm
- http://research.eco5.com/index.php?parent=2&subparent=38
- http://www.economagic.com/
- http://datacentre2.chass.utoronto.ca/pwt/alphacountries.html
- http://www1.american.edu/cas/econ/student/datalinks.htm
- http://www.bized.co.uk/dataserv/freedata.htm
- http://www.federalreserve.gov/econresdata/releases/statisticsdata.htm
- http://www.conference-board.org/economics/database.cfm#1
- Time series data library http://www-personal.buseco.monash.edu.au/~hyndman/TSDL/
- http://www.ceicdata.com/;
- http://www.forecasters.org/ - pagina International Institute of Forecasters
- http://www-marketing.wharton.upenn.edu/forecast/data.html
- http://econdata.net/
- evolutie indici bursieri http://finance.yahoo.com/
- istoric curs actiuni http://www.tranzactiibursiere.ro/detalii/istoric
- www.kmarket.ro; www.insse.ro
Softuri utile: Eviews, Stata, R (cran.r-project.org/; este free), S-Plus: S-PLUS 8.0
for Windows Student Edition
http://elms03.eacademy.com/splus/index.cfm?
loc=estore/soft_main&store_id=1&parentID=112).
PARTEA I: Metode statistice de netezire. Teste de radacin unitate
1. Metode statistice de netezire (filtre).
2. Estimarea tendintei utiliznd filtre de netezire si functii netede in timp
3.Componenta sezonier. Desesonalizarea datelor
4. Cicluri economice
5. Metode de netezire exponenial
6. Teste de nestaionalitate (teste de radacina unitate, unit roots)
3
PARTEA 2: Modelarea si previziunea seriilor financiare prin modele de tip
autoregresiv medie mobila ARIMA(p,d, q) respectiv GARCH(p,q)
1. Principalele concepte pe care se fundamenteaz metodologia Box-Jenkins
2. Modelul autoregresiv. Proprietile funciei de autocorelaie respectiv de
autocorelaie parial
3. Modelul medie mobil. Proprietile funciei de autocorelaie respectiv de
autocorelaie parial
4. Etapele elaborrii unui model ARIMA (autoregresiv integrat medie mobil)
5. Elaborarea previziunilor
6. Extinderi ale modelelor ARIMA
PARTEA 3: Elaborarea modelor econometrice pentru serii financiare staionare
respectiv nestaionare. Valoarea la risc
1. Elaborarea unui model econometric, pentru serii staionare
2. Regresii cu serii de timp. Regresii false
3. Analiza cauzalitii dintre variabile
4. Modele vector autoregresiv VAR
5. Serii cointegrate. Metodologia Engle-Granger (cointegrare ntr-o singur ecuaie)
6. Cointegrare n sisteme de ecuaii. Metodologia Johansen
Materiale bibliografice
1. Pecican, E.S., Econometria pentru economiti, Editura Economic, 2004.
2. Harris R., Sollis R., Applied time series modeling and forecasting, John Wiley &
Sons, 2003.
3. Makridakis S., Wheelwright S.C., Hyndman R.J., Forecasting. Methods and
Applications, John Wiley & Sons Inc., 1998.
4. Mills, T.C., The econometric modelling of financial time series, Cambridge
University Press, 1999.

Notite de curs online
1. TimeSeries for Macroeconomics and Finance, Cochrane J.
http://faculty.chicagogsb.edu/john.cochrane/research/Papers/time_series_book.pdf
2. Econometrie des Series Temporelles (cu exemple rezolvate in Eviews)
http://www.univ-
orleans.fr/deg/masters/ESA/CH/churlin_E.htm#_Cours_dEconomtrie_des_Sries_Temp
3. Time series econometrics http://faculty.washington.edu/ezivot/econ584/584notes.htm
4. Cours de series temporelles (si Eviews)
http://perso.univ-rennes1.fr/arthur.charpentier/TS1.pdf
http://perso.univ-rennes1.fr/arthur.charpentier/TS2.pdf
5. Note Econometrie Financiara
http://home.tiscalinet.ch/paulsoderlind/Courses/OldCourses/FinEcmtAll.pdf
b) Tutoriale Eviews
1. www.dofin.ase.ro/acodirlasu/lect/econmsbank/econometriemsbank2007.pdf
2. www.clarku.edu/faculty/mcallan/Common/Guides/ Econ366 _ timeseries _mine.pdf
4
3. www.staff.city.ac.uk/r.a.batchelor/Eviews2.pdf

PARTEA I
Metode statistice de netezire. Teste de nestationalitate
1. Componentele deterministe ale unei serii de timp
O serie de timp const ntr-o secven de observaii asupra unei variabile Y , ordonate
dup parametrul timp. Frecvent, msurtorile asupra variabilei sunt efectuate la
intervale egale de timp, seria cronologic fiind prezentat sub forma:
,
_
T t
Y Y Y Y
T t
Y
... ...
... ... 2 1
:
2 1
Seria de timp format cu valorile observate constituie o realizare a secvenei de variabile
aleatoare
T
Y Y Y ,...., ,
2 1
, adic a unui proces aleator (proces stochastic) de tip discret.
Evoluia unei variabile n timp este reprezentat printr-un proces aleator.
Proces aleator de tip discret = secven de variabile aleatoare
) (
t
Y
unde Z t ,
ordonate dup parametrul timp. Pentru fiecare moment de timp t, Y
t
e o variabil
aleatoare i dispunem de regul de o singur observaie relativ la aceasta. n cele ce
urmeaz vom utiliza aceeai notaie respectiv Y
t
att pentru variabila aleatoare ataat
momentului t ct i pentru valoarea observat la acest moment de timp. Scopul analizei
seriilor de timp const n nelegerea i modelarea mecanismului de generare a
termenilor seriei; odat elaborat, modelul este utilizat pentru obinerea de previziuni.
Previziune = inferen asupra variabilei, n afara perioadei observate. Vom nota prin
h T
Y
+
previziunea variabilei Y efectuat la momentul T pentru un orizontul de timp h.

Baza de date trebuie s fie adecvat cantitativ i calitativ. n analiza seriilor
cronologice este necesar ca lungimea perioadei observate s fie suficient de lung pentru
a face posibil estimarea unui model adecvat calitativ, care s surprind mecanismul real
de generare al fenomenului, respectiv s permit identificarea unor componente ale
evoluiei pe termen lung. De regul se impune utilizarea unor serii cronologice cu cel
puin 15 termeni, respectiv pentru serii sezoniere este de dorit ca perioada observat s
acopere cel puin cinci cicluri sezoniere.
n acelai timp datele trebuie s rmn comparabile n timp. Condiiile n care
evolueaz fenomenul este necesar s rmn n esen aceleai. Astfel, nu este indicat a
se utiliza n elaborarea de modele, serii cronologice ce acoper perioade de schimbri
economice sau politice majore, rzboi, sau alte evenimente excepionale; n analiza
evoluiei majoritii indicatorilor economici pentru ara noastr este indicat ca datele s
nceap dup 1989. nainte de aplicarea tehnicilor specifice de analiz i previziune,
dac este necesar, unii indicatori vor fi exprimai n preuri comparabile. Atunci cnd
5
cronograma indic prezena unor valori aberante, corespunztoare unor greve, calamiti
naturale sau altor evenimente punctuale, acestea vor fi nlocuite cu valorile medii ce ar fi
fost nregistrate n circumstane normale.
Frecvena msurtorilor este condiionat i de practic. Spre exemplu, vnzrile
unui magazin pot fi nregistrate zilnic, profitul poate fi observat lunar i / sau anual
respectiv indicele bursier la ncheierea zilei de cotaie. n general, acolo unde sunt
disponibile, poate fi util utilizarea unor date ct mai frecvente. Datele anuale nu fac
posibil observarea caracterului sezonier specific anumitor indicatori respectiv
modelarea unor dependene n care timpul de reacie al variabilei efect este scurt.
Atunci cnd elaborm previziuni, bazate pe metode statistice, pornim de la ipoteza
c fenomenul va continua s aib acelai comportament ca i n trecut. Este important ca
analistul s se ntrebe n ce msur aceast presupunere este realist, respectiv s in
seama de ateptrile sale. Se spune pe bun dreptate c previziunea rmne n acelai
timp tiin i art.
Componentele unei serii de timp. n abordarea tradiional, fluctuaiile din seriile de
timp sunt privite ca o rezultant a suprapunerii urmtoarelor componente: tendina T,
componenta ciclic C, sezonier S respectiv componenta reziduu sau eroare
:
) , , , (
t t t t t
S C T f Y
Primele trei componente sunt considerate deterministe, sistematice, determinate de
factori cu aciune continu asupra fenomenului, n timp ce componenta rezidual are
caracter aleator fiind efectul aciunii unor factori imprevizibili, accidentali.
Modelul clasic de descompunere a seriilor de timp este de regul:
aditiv: t t t t t
S C T Y + + +
sau
multiplicativ: t t t t t
S C T Y
.
Deseori cele doua componente tendinta-ciclu sunt tratate ca si o singura componenta, ce
surprinde evolutia pe termen lung, si se noteaza prin T, astfel
) , , (
t t t t
eroareE S T f Y
.
n acest context, tehnicile de analiz a seriilor de timp au ca obiective:
separarea fiecrei componente i modelarea comportamentului su, respectiv
previziunea evoluiei fiecrei componente, iar apoi compunerea acestora n
scopul obinerii de previziuni privind evoluia fenomenului Y. Principiul de la
baza acestei tehnici este descompune pentru a modela iar apoi recompune.
Previziunile utiliznd modelul de descompunere se obin prin compunerea previziunilor
realizate pentru fiecare component determinist prezent n serie, innd seama de
forma modelului, aditiv respectiv multiplicativ:
S C T Y

+ + respectiv S C T Y

.
Menionm deasemenea c uneori, n principal n econometrie unde variabilele incluse
ntr-un model sunt n prealabil desezonalizate, este necesar eliminarea componentei
sezoniere din seria de timp, obinndu-se seria ajustat sezonier d:
S
Y
d
.
6
Tendina sau tendina general red evoluia fenomenului pe termen lung, avnd
alura unor funcii neperiodice, lent variabile n timp. Factori cu aciune permanent
asupra fenomenului (ex. creterea populaiei, progresul tehnic, inflaia) imprim, pe o
perioad lung de timp, o tendin de regul cresctoare sau descresctoare majoritii
indicatorilor economici. Un caz particular il constituie aici seriile de timp ce fluctueaza
in jurul unei medii constante (tendinta este orizontala, paralela cu axa OX); spunem ca
aceste serii sunt stationare, in medie)
Componenta ciclic este observabil analiznd evoluia fenomenului pe termen lung,
i se manifest sub forma unor oscilaii cu perioad i amplitudine ce variaz de regul
n timp, un ciclu acoperind civa ani de zile. Evoluiile ciclice apar n principal urmare a
ciclurilor economice sau a pulsaiilor din cererea unui produs, componenta fiind
prezent n evoluia unor indicatori macroeconomici de rezultate sau din domeniul
financiar dar i n alte domenii.
Componenta sezonier se evideniaz sub forma unor cicluri de durat mai mic sau
egal cu un an, i apare n principal datorit ritmului impus de schimbarea anotimpurilor
dar i de activiti economice respectiv sociale (regulariti n plata salariilor, srbtori,
vacane, obiceiuri, tradiii, etc.).
Componenta aleatoare sau rezidual se manifest prin fluctuaii aparent aleatoare n
jurul componentelor deterministe, fiind efectul aciunii unor factori cu aciune punctual
n timp, de tipul evenimentelor politice sau meteorologice.
2. Estimarea tendintei utiliznd mediile mobile
Atunci cnd cronograma seriei nu ofer indicii foarte clare privind prezena respectiv
forma tendinei, este indicat a se utiliza n prealabil o tehnic de netezire ce atenueaz
amplitudinea fluctuaiilor aleatoare din serie, scopul fiind evidenierea (estimarea)
tendinei. Metoda mediilor mobile, netezirea exponenial dar i alte filtre de netezire
sunt utilizate frecvent n practic. Consideram n acest paragraf c seria prezint doar
tendin i component aleatoare, iar modelul de descompunere este unul aditiv:
t t t
T Y +
.
Metoda mediilor mobile. Media mobil se definete ca o combinaie liniar de
puteri pozitive i negative ale operatorului de ntrziere L:
i
i
m
m i
L MM

2
1
cu
1
2
1

i
m
m i

unde
R N m m
m m

2 1
, ... , , ,
2 1

iar operatorul de ntrziere L este definit prin:
1
t t
Y LY
O medie mobil este centrat dac m
1
=m
2
=m. Media mobil este simetric dac este
centrat i coeficientii simetrici sunt egali
m i
i i
, ... , 1 ,

. O medie mobil
simetric se noteaz prin
]} , ... , [ ]; 1 2 {
0 1

+
+
m m
m
, indicndu-se ordinul
acesteia respectiv coeficienii. Transformrile utilizate frecvent n practic sunt mediile
mobile simetrice:
7
m
m i
i
i
L MM
fiecare valoare observat fiind nlocuit cu o medie ponderat a termenilor adiaceni.
Metoda mediilor mobile, utilizat n acest context, are ca i obiective conservarea
tendintei T i reducerea amplitudinii componentei eroare:
eliminarea componentei aleatoare
0 ) (
t
f
respectiv
conservarea tendinei
t t
T T f ) (
.
Pornind de la cele dou cerine se pune problema determinrii adecvate a ordinului
mediei mobile
1 2 + m
respectiv a coeficienilor 0
, ... ,
m .
Se va aborda n continuare problema determinrii unor condiii suficiente pentru ca
media mobil s conserve o tendinta liniar. n acest sens se cunoate urmtoarea
proprietate ce specific condiii suficiente pentru ca o medie mobil s conserve
polinoame de un anumit grad.
Proprietate (Gourieroux & Monfort, 1990). O medie mobil centrata si simetrica
conserv polinoame de grad mai mic sau egal cu p dac = 1 este rdcin de ordin
1 + p
a ecuaiei caracteristice:
0 ...
2
1
+ + +
+
m m
m m m

n ceea ce privete transformarea componentei eroare printr-o medie mobil:
i t i
m
m i
t
u

se observ c atunci cnd t
constituie o secvena de variabile aleatoare necorelate i de

aceeai varian
2
, noile variabile x
u
au media respectiv variana:
2 2 2 *
) ( ; 0
i
m
m i
x t
u Var Eu

.
Prin aplicarea unei medii mobile, variana componentei eroare este diminuat atunci
cnd
1
2
<

i
m
m i

. Raportul de reducere a varianei erorii se definete prin:
2 2 2 *
/
i
m
m i

i msoar capacitatea mediei mobile de a reduce aceast component.

Mediile aritmetice centrate. Cele mai simple medii mobile simetrice sunt
mediile aritmetice:
m T m m t
m
Y Y Y Y Y
Y
m t m t t m t m t
t
+ +
+
+ + + + + +
+ +
,..., 2 , 1 ;
1 2
... ...
1 1
;
Mediile aritmetice constituie un caz particular de medie mobil centrat i simetric,
coeficienii fiind toi egali cu
1 2
1
+
m
i
. Coeficienii acesteia s-au dedus din

urmtoarele cerine (Gourieroux & Monfort, 1990):
8
media mobil las invariant o constant, condiie echivalent cu
1

i
m
m i

respectiv
minimizeaz raportul de reducere a varianei componentei eroare
2
i
m
m i

.
Se arat c mediile aritmetice las invariant tendina liniar, dar nu i tendine
polinomiale de grad mai mare sau egal cu doi.
Observaii. a) Pentru o medie aritmetic, raportul de reducere a varianei erorii este
egal cu
1 2
1
+ m
, astfel c secvena rezultat n urma aplicrii mediilor mobile este cu
att mai neted cu ct ordinul mediei mobile este mai mare;
b) Tendina seriei se estimeaz prin seria mediilor mobile
t t
Y T
.
n practic, alegerea ordinului mediei mobile pentru eliminarea componentei aleatoare
rmne n sarcina analistului, fiind indicat un ordin mai mare dac amplitudinea
fluctuaiilor aleatoare este mai mare. Oricum, oscilaiile din componenta aleatoare fiind
neregulate, eliminarea acesteia se realizeaz doar parial. Prin aplicarea unei medii
mobile, indiferent de ordinul acesteia, amplitudinea fluctuaiilor se reduce.
Medii mobile centrate. Mediile aritmetice necesit un numar impar
1 2 + m p

de observaii, n calculul fiecrei medii. Dac ordinul mediei mobile MM(p)este un
numar par
m p 2
atunci de regula se utilizeaza mediile mobile centrate i simetrice,
definite astfel:
m
Y Y Y Y Y
Y
m t m t t m t m t
t
2
5 , 0 ... ... 5 , 0
1 1 + + +
+ + + + + +
,
m T m m t + + .... , 2 , 1
n cazul particular p = 4 mediile mobile centrate sunt date de relaiile:
4
5 , 0 5 , 0
2 1 1 2 + +
+ + + +
t t t t t
t
Y Y Y Y Y
Y
sau
2 1 1 2
125 , 0 5 . 0 5 . 0 5 . 0 125 . 0
+ +
+ + + +
t t t t t
t Y Y Y Y Y Y
Rezult:
4
5 , 0 5 , 0
5 4 3 2 1
3
Y Y Y Y Y
Y
+ + + +
.
4
5 , 0 5 , 0
4
5 , 0 5 , 0
1 2 3 4
2
6 5 4 3 2
4
T T T Y T
T
Y Y Y Y Y
Y
Y Y Y Y Y
Y
+ + + +
+ + + +
Astfel, se realizeaz o coresponden ntre valorile observate

t
Y
i mediile mobile
t Y .
Alte tipuri de medii mobile. Deasemenea, n scopul netezirii seriei sunt utilizate
i alte cazuri particulare de medii mobile, precum mediile lui Henderson (sau filtrul
9
Henderson) de ordin 5, 7, 9, 13, 23 (Makridakis et all, 1998). Acestea sunt medii
centrate, simetrice, spre exemplu mediile lui Henderson de ordin 9 au coeficienii
} ] 33 . 0 , 267 . 0 , 119 . 0 , 01 . 0 , 041 . 0 [ ]; 9 {[
:
4 3 2
1 1 2 3 4
041 . 0 01 , 0 0119 , 0
267 . 0 33 . 0 267 . 0 119 , 0 01 , 0 041 , 0
+ + +
+
+
+ + + + +
t t t
t t t t t t
t
Y Y Y
Y Y Y Y Y Y Y
Mediile mobile ponderate acord o importan diferit observaiilor, de regul ponderea
mai mare corespunde observaiei corespunztor creia i se ataeaz valoarea netezit; un
exemplu de medie mobil pnderat este i urmtoarea:

9
2 3 2
2 1 1 2 + +
+ + + +
t t t t t
t
Y Y Y Y Y
Y .
Mediile mobile sunt deasemenea cele mai populare tehnici de netezire utilizate n
analiza tehnic. Analiza tehnic este utilizata de ctre investitorii pe piaa de capital, n
scopul identificrii tendinei Exist mai multe tipuri de medii mobile utilizate n acest
context. Singura diferen semnificativ ntre diversele tipuri de medie mobile este
ponderea acordat datelor recente; acestea sunt de regul medii asimetrice.
Media mobil simpl asimetric MMA(p) asociaz ponderi egale tuturor
preurilor i se calculeaz nsumnd preurile de nchidere ale unei aciuni pentru
ultimele p perioade i mprind totalul la numrul de perioade ales:
p
Y Y Y
Y
t p t p t
t
+ + +
+
...
1
.
Ordinul (lungimea) mediei mobile p trebuie s se potriveasc cu ciclul pieei pe care
dorim s l urmrim. n general, funcie de ciclului de pia ce se dorete a fi urmat, se
alege lungimea mediei mobile: termen foarte scurt implic o lungime a mediei mobile
este ntre 5 -13 zile, termen scurt 14 -25 zile, termen mediu 50-100 zile, termen lung
100-200 zile.
Pe de alt parte, dac o aciune are un ciclu de cretere-scdere de 40 de zile, media
mobil ideal se va baza pe 21 de zile de tranzacionare; practica sugereaz urmtoarea
regul: ordinul mediei mobile = lungimea cilcului bursier/2 +1.
Cea mai simpla strategie sugereaza un semnal de cumprare atunci cnd preul
aciunii crete peste media sa mobil (pretul depaseste media mobila de jos in sus, pe o
tendinta de crestere), iar semnalul de vnzare este generat de scderea preului sub
media mobil (pretul scade sub media mobila pe scadere, de sus in jos, pe o tendinta de
scadere). In evolutia cursului de regula se pot observa perioade prelungite de aprecieri
sau corectii succesive, inertie explicata uneori prin mecanisme psihologice, reactii
partiale ale investitorilor la aparitia unor informatii noi (ceea ce contrazice teoria pietelor
eficiente, modificarile de pret nefiind independente). Decizia de a cumpara intervine
atunci cand pretul inregistreaza o tendinta de crestere respectiv cea de a vinde atunci
cand apar scaderi succesive de pret.
Uneori se compara o medie mobila pe termen scurt cu una pe termen lung (ex.
MMA(1) si MMA(200)). Benzile Bollinger sunt de asemenea utilizate in delimitarea
semnalelor de vanzare/cumparare si constau n doua linii obinute adaugnd/scznd
la/din media mobila abaterea medie ptratic (deviaia standard) a preurilor pe
intervalul considerat.
10
3. Componenta sezonier. Desesonalizarea prin raportare la mediile mobile
Presupunem n acest paragraf c seria cronologic prezint tendin, sezonalitate i o
component aleatoare.
Modelul de descompunere. Pentru alegerea modelului de descompunere este indicat
a se analiza cronograma seriei. n general, este adecvat un model aditiv atunci cnd
amplitudinea oscilaiilor este aproximativ constant respectiv multiplicativ dac
amplitudinea crete sau scade n timp. Frecvent n practic este mai adecvat modelul
multiplicativ.
Perioada componentei sezoniere, notat cu p, reprezint numrul unitilor de timp
din cadrul unui ciclu sezonier. Majoritatea seriilor sezoniere din domeniul economic au
durata unui ciclu de un an, p fiind egal cu 4 n cazul datelor trimestriale respectiv 12 n
cazul datelor lunare. Prin extensie pot fi studiate i fenomene cu durata unui ciclu mai
mic de un an. Cronograma seriei respectiv natura variabilei sugereaz de regul
perioada p. Pentru descoperirea unor oscilaii ascunse se apeleaz la metode specifice
analizei spectrale (Tertico .a., 1985).
Estimarea i eliminarea componentei sezoniere utiliznd mediile mobile.
Pentru eliminarea componentei sezoniere (desezonalizarea seriei), n scopul separrii ei,
se aplic datelor o medie mobil de ordin p egal cu perioada componentei sezoniere. n
acest context mediile mobile sunt transformri liniare f utilizate n scopul desezonalizrii
seriei respectiv al atenurii amplitudinii fluctuaiilor aleatoare:
eliminarea componentei sezoniere
0 ) (
t
S f
,
eliminarea componentei aleatoare
0 ) (
t
f
respectiv
conservarea tendinei i a componentei ciclice
t t
T T f ) (
.
n cele ce urmeaz estimarea componentei sezoniere se realizeaz prin intermediul
coeficienilor sezonalitii. n vederea determinrii coeficienilor sezonalitii vom
utiliza urmtoarele notaii:
i indice pentru ciclu sezonier, variind de la 1 la n;
j indice pentru sezon, variind de la 1 la p.
Modelul de descompunere aditiv respectiv multiplicativ are forma:
ij j ij ij
S T y + +
respectiv ij j ij ij
S T y
Sezonalitatea se manifest sub forma unor abateri de la componentele evoluiei pe
termen lung (tendin i componenta ciclic). Indicii respectiv coeficienii sezonalitii
cuantific aceste abateri de la tendin - ciclu, urmare a aciunii factorilor sezonieri. n
funcie de ipoteza considerat privind componenta tendin - ciclu n practic ntlnim n
principal dou metode de calcul a acestora: metoda comparrii cu mediile mobile
respectiv metoda comparrii cu tendina.
Se consider, n acest context, c seria prezint component pe termen lung
tendin-ciclu, dar nu se emite o ipotez privind forma acestora. Componenta evoluiei
pe termen lung tendin- ciclu este privit ca o medie curent a seriei
t t
Y TC
, estimat
prin mediile mobile ij Y . n cazul modelului multiplicativ
ij j ij ij
S T y
,
11
metoda se ntlnete n literatur i sub denumire de metoda raportrii la mediile mobile
i const n urmtoarele:
calculul mediilor mobile ij Y de ordin p egal cu perioada componentei sezoniere;
calculul rapoartelor
ij
ij ij
Y Y S /
ce cuantific abaterea datelor observate de la
tendin. Dac fixm indicele j, aceste rapoarte constituie estimaii pentru
indicele sezonalitaii aferent sezonului j
S
;
determinarea unui indice mediu pentru fiecare sezon ca o medie a estimaiilor
precedente:
p j S
n
I
n
i
ij j
,..., 2 , 1 ;
1
1
1
1

,
aceasta justificndu-se prin necesitatea eliminrii efectului aleator din ij
S
.
Pentru a nu fi afectai de valorile extreme, uneori nainte de calculul mediei,
aceste valori se elimin, sau n loc de medie se consider valoarea median a
estimaiilor ij
S
;
determinarea componentei sezoniere j
S
, etap ce const ntr-o corecie adus
indicilor medii j
I
astfel nct media lor s fie 1:
,
_
p
i
i j j
I
p
I S
1
1
/ p j ,..., 2 , 1
.
Aceast cerin impus indicilor sezonalitii este natural, variaiile sezoniere se
compenseaz n medie pe parcursul unui an.
Valorile rezultate
) ..., , , (
2 1 j
S S S
se numesc indici ai sezonalitii i constituie
componenta sezonier.
n cazul modelului aditiv
ij ij ij ij
S T y + +
determinarea componentei sezoniere decurge analog, dar avnd n vedere forma aditiv
de descompunere, coeficienii ce intervin se determin astfel:
ij
ij ij
Y Y S
1
1
1
1
n
i
ij j
S
n
C
iar ajustarea coeficienilor medii j
C
, pentru a obine componenta sezonier j
S
sau
coeficienii sezonalitii se face astfel nct media lor s fie zero:
p
j
j
C
p
1
0
1
.
4 . Metode de netezire exponenial
Tehnicile de netezire sunt utilizate pentru a genera valori netezite (atenuarea fluctuaiilor
aleatoare
din date) din care s-a eliminat componenta aleatoare) respectiv pentru
obinerea de previziuni. Valoarea netezita corespunzatoare valorii observate
t
Y
se va
nota prin
t
S
. Deasemenea vom nota prin
) ( Y
t
h
previziunea variabilei Y efectuat la
12
momentul t, pe baza datelor disponibile n acest moment
1
Y ,
2
Y , ...,
t
Y
, pentru un
orizontul de timp h. O alta notatie intalnita in literatura de specialitate pentru
) ( Y
t
h
este
h t
Y
+
, aceasta fiind de fapt o previziune pentru variabila aleatoare h t
Y
+ . Previziunea
pentru urmatoarea perioada este considerata egala cu valoarea netezita curenta:
t
S ) 1 ( Y
t

Daca seria de timp este generat de un proces staionar n medie (proces aflat n
echilibru n jurul unei constante) atunci, media ultimilor t termeni ai seriei poate fi
utilizat pentru generarea previziunii aferente urmatoarei perioade:
t
Y Y Y
Y Y
t t
t
1 1
...
) 1 (
+ + +

.
Deasemenea daca seria contine doar tendinta si componenta aleatoare atunci o medie
mobila, de tipul mediei aritmetice simple calculat pentru ultimele k observaii poate fi
considerat previziune pentru urmatoarea perioad de timp:

k
Y Y Y
S Y
k t t t
t t
1 1
...
) 1 (
+
+ + +
.
Gradul de netezire al seriei este mai mare pe masura ce k creste. Observam caci termenii
seriei netezite sunt generati de o relatie de recurenta:
k
Y Y
S S
k t t
t t

+
1
unde 1 + k t .
Pentru primii k termeni ai seriei nu pot fi determinate valorile netezite corespunzatoare.
n acest caz numrul termenilor din medie rmne constant, iar observaiile au toate
aceeai pondere.
O extensie natural a acestei abordri (de previziune cu ajutorul mediilor mobile)
o constituie previziunea utiliznd medii mobile ponderate:
1 1 1 1 0
... ) 1 (
+ +
+ + +
k t k t t t t t
Y Y Y S Y unde
1
1
0

k t
i
i
.
De regula ponderile alocate observatiilor recente sunt mai mari. n acest capitol vom
discuta o clas de metode ce atribuie termenilor seriei ponderi descresctoare
exponenial, pe msur ce observaiile sunt mai ndeprtate n timp, numite metode de
netezire exponenial.
Metodele din aceast clas implic utilizarea unor coeficieni de netezire, cu valori
ntre 0 i 1, ce faciliteaz alocarea unor ponderi inegale termenilor seriei.

a) Metoda de netezire exponenial simpl (pentru serii staionare)
Acest model este adecvat pentru netezirea i previziunea seriilor de timp ce fluctueaz
aleator n jurul unei valori constante (staionare n medie), nu au tendin sau
component sezonier):
t t
m Y +
Se presupune aici caci constanta m ramane relativ stabila pe intervale succesive de timp.
13
Considerm t momentul prezent. Pentru a previziona urmtoarea valoare
1 + t
Y
,
utiliznd datele disponibile pn la acest moment
1
Y ,
2
Y , ..., t
Y
se utilizeaz relaia
de recuren:
t t t
Y c Y c Y
) 1 (
1
+
+
t=1,2,....
unde
[ ] 1 , 0 c
este constanta de netezire. Aceasta metoda poate fi privita ca o metoda de
netezire. Relatia de recurenta se aplica succesiv pentru fiecare observatie din seria de
timp. Valoarea previzionata pentru urmtoarea perioad
1
+ t
Y
se calculeaz ca o medie
ponderata intre observatia curenta t
Y
(ultima valoare disponibil) si previziunea
precedent
t
Y
(efectuat la pasul anterior). Cand

1 c
valorile previzionate sunt egale
cu ultima observaie.
Atunci cnd se utilizeaz n scopul netezirii, valoarea netezit t
S
asociat valorii
observate t
Y
este generat de o relaie similar:
1
) 1 (

+
t t t
S c Y c S
ntruct previziunea pentru urmtoarea perioad este considerat egal cu valoarea
netezit curent:
t t
S Y
+1 t
) 1 ( Y
.
Pentru perioada observat, seria cu valorile previzionate
1
Y ,
2
Y , ...,
1
T
Y , sau
echivalent
1
S ,
2
S , ...,
T
S este seria valorilor netezite.
Intuitiv, implicaiile metodei devin mai evidente dac utilizm succesiv relaia de
recuren anterioar pentru
t
Y
,
1 t
Y
, ...,
2
Y
:
[ ] + + +
+

1 1 1
) 1 ( ) 1 ( ) 1 (
t t t t t t
Y c cY c cY Y c Y c Y
1 1
1
2
2
1
) 1 ( ) 1 ( ) 1 ( ) 1 ( Y c Y c c Y c c Y c c cY
t t
t t t
+ + + + +

Astfel, valoarea previzonat se determin ca o media ponderat a tuturor observaiilor,
ponderea fiecrei observaii descrete exponenial pe msur ce ne ndeprtm de
prezent, innd seama de urmtoarele:
Y
t
pondere c
Y
t-1
pondere c(1-c)
Y
t-2
pondere c(1-c)
2
. ................................................
Y
1
pondere c(1-c)
t-1
Atunci cnd se utilizeaz pentru n scopul netezirii, valoarea netezit t
S
asociat valorii
observate t
Y
este generat de o relaie similar:
1
) 1 (

+
t t t
S c Y c S
Cea mai mare pondere o are observaia curent Y
t
. Suma ponderilor asociate tuturor
observaiilor tinde spre 1 atunci cand numrul observaiilor este mare. Atunci cnd este
utilizat n scopul netezirii, metoda produce valori mai netede atunci cnd c este aproape
de zero, ponderile asociate valorilor curente, n relaia de recuren:
1
) 1 (

+
t t t
S c Y c S
fiind mici.
Deasemenea, o alt form a relaiei de recuren este urmtoarea:
)
(

1 t t t t
Y Y c Y Y +
+
sau
14
) (
1 1
+
t t t t
S Y c S S
unde
t t t
Y Y e

este eroarea de previziune, la momentul t. Se poate vedea c
previziunea pentru urmtoarea perioad este egal cu valoarea curent ajustat n funcie
de ultima eroare de previziune.
Utilizarea oricreia din cele trei forme ale relaiilor ce definesc aceast metoda
necesit:
- o valoare iniial
1
Y . De regul pentru aceasta se consider prima valoare

observat
1 1
Y Y sau media seriei sau media primilor termeni ai seriei;

- o valoare adecvat pentru constanta de netezire c. Cand c are o valoare
apropiat de 1 atunci se acord o pondere mai mare observaiilor recente, fiind
adecvat pentru serii netede. Atunci cnd c este aproape de 0 previziunea
depinde ntr-o mai mare msur de valorile nregistrate n trecut, fiind adecvat
pentru serii cu o amplitudine mare a fluctuaiilor.
De regul softurile statistice selecteaz o valoare optim pentru c, fiind aceea valoare
pentru care unul din indicatorii sintetici ai erorilor de previziune (MSE, MAE,
MAPE or SSE) este minim. Frecvent se minimizeaz media ptratelor erorilor de
previziune
SSE =
( ) min
1
1
1
0
2
1
1
0
2
1 1

+ +
T
t
t
T
t
t t
e
T
Y Y
T
eroarea de previziune fiind:
1 1 1
+ + +

t t t
Y Y e
.
Previziunile nafara perioadei observate sunt constante, pentru orice orizont de
previziune 0 > h :
T T T T
Y c cY Y h Y
) 1 (
) (
1
+
+
.
b) Metoda Holt de netezire exponenial (pentru serii cu tendin)
Metode de netezire exponenial simpl a fost extins de ctre Holt pentru serii ce
prezint tendin (i component aleatoare). Ideea: ajustarea seriei n vecintatea originii
previziunii cu o dreapt, tendina fiind presupus liniar pe poriuni:
t t h t
hb a Y +
+
unde nivelul seriei a

t
(termenul liber din ecuaia dreptei de ) respectiv panta dreptei b
t
se
modific conform unor relaii de recuren asemntoare cu cele din cazul metodei de
netezire exponeniale simple:
( ) ) ( 1
1 1
+ +
t t t t
b a Y a
( ) ( )
1 1
1

+
t t t t
b a a b
.
Pentru previziune, panta t
b
se nmulete cu orizontul de previziune i se adun la
nivelul seriei t
a
. Pentru perioada observat, previziunile se fac pas cu pas, astfel
orizontul de previziune este unu. Valoarea previzionat pentru urmtoarea perioad:
t t t
b a Y +
+1
Atunci cnd devine disponibil o nou observaie t

Y
(i originea previziunii devine t)
parametrii dreptei, termenul liber t
a
asimilat cu nivelul seriei respectiv panta dreptei
15
t
b
se ajusteaz conform relaiilor de recuren prezentate. Nivelul seriei la momentul t
notat prin t
a
este o medie ponderat ntre nivelul su previzionat anterior
t t t
Y b a
1 1
+

i noua observaie disponibil. Panta dreptei la momentul t notat t
b
este o medie ponderat ntre panta estimat prin diferena ntre ultimele valori netezite
ale nivelului seriei i panta estimat la momentul precedent.
Utilizarea relaiilor de recuren necesit valori iniiale pentru t
a
respectiv t
b
.
Variante de iniializare ntlnite n practic:
-
1 1
Y a i 0
1
b
-
1 1
Y a i
1 2 1
Y Y b sau 3 / ) (
1 4 1
Y Y b .
Constantele de netezire
[ ] 1 , 0 ,
sunt determinate de regul din condiia
minimizrii erorilor de previziune, fiind acele valori pentru care unul din indicatorii
sintetici ai erorilor de previziune (MSE, MAE, MAPE or SSE) este minim. De regul
aceste constante se determin din condiia minimizrii mediei ptratelor erorilor de
previziune este minim:
MSE =
( ) min
1
1
1
0
2
1
1
0
2
1 1

+ +
T
t
t
T
t
t t
e
T
Y Y
T
eroarea de previziune fiind:
1 1 1
+ + +

t t t
Y Y e
.
Previziunile nafara perioadei observate, pentru un orizont de timp h, se situeaz pe
dreapta ce are ca i parametri ultimele estimaii:
T T h T T
hb a Y h Y +
+
) (
.
c) Metoda Holt-Winters de netezire exponenial (pentru serii cu tendin i
sezonalitate). Metoda Holt-Winters este adecvat seriilor ce prezint tendin i
component sezonier. Metoda implic trei ecuaii de recuren, i prin urmare trei
constante de netezire, una pentru nivelul seriei, una pentru panta dreptei de tendin
respectiv una pentru coeficienii sezonalitii. Notm cu p perioada componentei
sezoniere.
Tendina seriei este modelat local printr-o dreapt, n mod similar cu metoda Holt.
innd seama de modelul de descompunere a seriei, aditiv sau multiplicativ, exist dou
variante ale metodei.
1) Modelul multiplicativ
Previziunile sunt generate n baza unei ecuaii de forma:
h p t t t h t
S b h a Y
+ +
+ ) (
unde nivelul seriei t

a
, panta dreptei de tendin t
b
respectiv componenta sezonier
t
S
sunt generate de relaiile de recuren:
( )( )
1 1
1

+ +
1
1
]
1
t t
p t
t
t
b a
S
Y
a
( ) ( )
1 1
1

+
t t t t
b a a b
16
( )
p t
t
t
t
S
a
Y
S

+
1
]
1
1
.
Componenta sezonier este reprezentat aici prin indici de tipul indicilor sezonalitii.
Estimaia pentru componenta sezonier, la momentul t, este o medie ponderat ntre
indicele sezonalitii estimat prin raportul ntre valoarea curent i nivelul seriei t t
a Y /
i
ultima valoare a indicelui generat pentru respectivul sezon p t
S
(calculat la momentul
t-p, unde p este perioada componentei sezoniere). Ecuaia pentru panta dreptei de
tendin este identic cu cea din metoda Holt. n ecuaia pentru nivelul seriei se
utilizeaz valoarea desezonalizat curent p t t
S Y

/
estimat prin valoarea curent
mprit la cea mai recent estimaie a indicelui sezonalitii pentru respectivul sezon.
Ca i valori iniiale, necesare n relaiile de recuren, sunt sugerate urmtoarele:
- media datelor ce acoper primul ciclu sezonier
p
k
k p
Y
p
a
1
1
, fiind astfel
eliminat sezonalitatea din nivelul seriei
1
a
-
) ... (
1
2 1 2 1 1
p
Y Y
p
Y Y
p
Y Y
p
b
p p p p
p

+ +
+ +
, fiecare termen din sum fiind o
estimaie pentru panta dreptei aferent unui sezon;
- indicii sezonalitii sunt estimai prin indicii sezonalitii determinai prin metoda
raportrii la mediile mobile, varianta multiplicativ. O alt variant de lucru este
urmtoarea:
p
a
Y
S
1
1

,
p
a
Y
S
2
2

, ...,
p
p
p
a
Y
S
.
Cele trei constante de netezire
[ ] 1 , 0 , ,
sunt determinate din condiia de
minimizare a erorilor de previziune (MSE, MAPE, SSE).
Previziunile nafara perioadei observate, pentru un orizont de timp h, sunt calculate
utiliznd ultimele estimaii, pentru
T
a ,
T
b respectiv h p T
S
+ , determinate din
relaiile de recuren:
h p T T T h T
S b h a Y
+ +
+ ) (
.
2) Modelul aditiv
Avnd n vedere compunerea aditiv a celor dou componente tendin i component
sezonier, previziunile sunt generate n baza unei ecuaii de forma:
h p t t t h t
S b h a Y
+ +
+ +
unde nivelul seriei

t
a
, panta dreptei de tendin
t
b
respectiv componenta sezonier
t
S
sunt generate de relaiile de recuren:
( )( )
1 1
1 ) (

+ +
t t p t t t
b a S Y a
( ) ( )
1 1
1

+
t t t t
b a a b
( )
p t t t t
S a Y S

+ 1 ) (
.
Pentru iniializarea coeficienilor sezonalitii se poate utiliza metoda raportrii la
mediile mobile, varianta aditiva sau diferenele:
17
p
a Y S
1 1 , p
a Y S
2 2 , ..., p p p
a Y S
.
Previziunile nafara perioadei observate, pentru un orizont de timp h, sunt calculate
innd seama de forma aditiv a modelului:
h p T T T h T
S b h a Y
+ +
+ +
.
5. Teste de nestaionalitate (teste de radacina unitate, unit roots)
Concepte de baz
Considerm n continuare o clas particular de procese aleatoare, numite procese
staionare. Fie un proces aleator
) (
t
Y
unde Z t . Pentru observaia aferent
momentului t, variabila aleatoare
t
Y
, se definesc:
- media variabilei
( )
t t
Y E

- variana ( ) ] ) [(
2 2
t t t t
Y E Y Var
- covariana dintre dou variabile
t
Y
i
s
Y
, prin
( ) ( ) ( ) [ ]
s s t t s t ts
Y Y E Y Y , cov
.
Deoarece dispunem de o singur observaie pentru fiecare variabil t
Y
este imposibil de
estimat aceste elemente. Estimarea devine posibil pentru o clas particular de procese
aleatoare, numite procese staionare.
Definiie. Un proces staionar de ordinul doi dac verific urmtoarele trei condiii:
(1)
( ) t Y E
t
,
media este constant n timp (staionalitate n medie)
(2 ( )
2

t
Y Var variana este constant n timp (staionalitate n varian)
(3)
( ) s t Y Y
k s t
, , cov
unde
t s k
covariana dintre dou
variabile este funcie doar de lungimea intervalului de timp ce separ cele 2 variabile.
Pentru un proces staionar, funcia de autocovarian devine:
( ) ( ) [ ]
s t k
Y Y E
unde
t s k
.
Un proces staionar se afl ntr-o state de echilibru (are proprietatea de a reveni la
medie ori de cte ori se ndeprteaz prea mult de la aceasta).
n cronogram, o serie staionar se manifest sub forma unor fluctuaii cu
amplitudine relativ constant (varian constant) n jurul unei medii constante,
independente de timp (staionalitate n medie). Nestaionalitatea n medie este specific
seriilor cu tendin, iar nestaionalitatea n varian se observ prin modificarea n timp a
amplitudinii fluctuaiilor.
Zgomot alb (white noise). Un caz particular de proces staionar, este cel de tip zgomot
alb (denumire luat din tehnic), acesta fiind o succesiune de variabile aleatoare
N t
t
,
independente i identic repartizate, cu medie zero. Astfel:
-
( ) 0
t
E
- ( ) ) (
2 2
t t
E Var

-
( ) s t Cov
s t
, 0 ,
.
18
Funcia de autocorelaie (AC)
Considerm un proces staionar. Funcia de autocorelaie k
r
se definete prin:
( ) ( ) [ ]
( ) [ ]
2
0

t
k t t k
k
Y E
Y Y E
r
, Z k
i msoar corelaia liniar dintre dou variabile Y
t
i Y
t-k
separate de k uniti de timp.
Pentru k=1 respectiv k=2 coeficientul de autocorelaie devine
( ) ( ) [ ]
( ) [ ]
2
1
1

t
t t
Y E
Y Y E
r
( ) ( ) [ ]
( ) [ ]
2
2
2

t
t t
Y E
Y Y E
r
Observaii:
1.

( )
( ) ( )
k t t
k t t
k
Y Var Y Var
Y Y
r
, cov

regsim coeficientul de corelaie
liniar dintre Y
t
i Y
t-k
2.
[ ] 1 , 1 +
k
r
3. ( ) ( )
2 2
0

t t
Y Var Y E
4. k k
r r

funcia de autocorelaie este o funcie par.

Pentru un proces de tip zgomot alb, funcia de autocorelaie devine:
'
0 0
0 1
k
k
r
k
.
variabille fiind necorelate.
Estimarea funciei de autocorelaie este o etap important n faza de identificare a
unui model de tip ARIMA modelului. Graficul funciei de autocorelaie se numete
corelogram i ofer informaii importane privind comportamentul seriei.
Estimarea funciei revine la calculul unor coeficieni de autocorelaie (corelaie
liniar) pentru fiecare cuplu (Y
t
, Y
t-k
):
k = 1 (Y
t
, Y
t-1
).
1
r
k = 2 (Y
t
, Y
t-2
).
2
r
.................................................................
k = M (Y
t
, Y
t-M
)
M
r
Prezint importana calculul primelor T/4 autocorelaii (spre exemplu, dac lungimea
seriei este T=80 M = 80/4 = 20).
19
Estimarea coeficienilor de autocorelaie
In practic dispun de o serie cronologic Y
1
, , Y
T
(eantion finit n timp, i o
singur observaie pentru fiecare variabila aleatoare t
Y
). In ipoteza staionalitii,
media
i variana
2
procesului pot fi estimate utiliznd aceast singur realizare,
prin media respectiv variana de eantionare:
T
t
t
Y
T
Y
1
1

T
t
t
Y Y
T
s
1
2 2
) (
1
.
Coeficientul de autocorelaie k
r
se estimeaz prin:
( )( )
( )
T
t
t
T
k t
k t t
k
T Y Y
k T Y Y Y Y
r
1
2
1
/
) /(
respectiv
( )( )
( )
T
t
t
T
k t
k t t
k
Y Y
Y Y Y Y
r
1
2
1
dac lungimea seriei este suficient de mare (i astfel T-k nu difer foarte mult de T).

Testarea semnificativitii coeficieilor de autocorelaie
Testarea semnificativitii coeficientului de autocorelaie k
r
:
H
0
:
0
k
r
(nu difer semnificativ de zero)
H
1
:
0
k
r

se realizeaz utiliznd un statistica Student
( )
k
k
r ar V
r
t
converge asimtotic (cnd T ) la legea normal

) 1 , 0 ( N
Pentru variana estimatorului coeficientului de autocorelaie Bartlett a furnizat
urmtoarea expresie (vezi curs C. Hurlin):
( ) ( ) [ ]
2
1
2
1
1
1
2
2 1
1
2 1
1
+ + +
,
_
+
k
k
i
i k
r r
T
r
T
r ar V
.
Decizia: pentru un nivel de semnificaie
, ipoteza nul H
0
nu se respinge dac
[ ]
tab tab calc
t , t t
sau echivalent ( ) ( ) [ ]
k tab k tab k
r ar V t r ar V t r ,

.
20
Observaie. Uneori pentru variana estimatorului se utilizeaz expresia
( ) T r ar V
k
/ 1
(expresie adecvat de fapt doar atunci cnd seria este de tip zgomt alb).
Astfel pentru T suficient de mare (pentru a putea aproxima legea tudent prin legea
normal), o valoare absolut pentru coeficientul de autocorelaie mai mare dect
T / 96 . 1 (nivelul de semnificaie fiind fixat la 5%) indic faptul ca acesta difer
semnificativ de zero.
Funcia de autocorelaie parial (PAC)
Deseori corelaia intre doua variabile este determinat de faptul c ambele sunt corelate
cu o a treia variabil. In acest context o mare parte din corelaia intre dou variable Y
t
i
Y
t-k
poate apare urmare a unui efect indirect, de corelare a ambelor variabile cu
variabilele intermediare
1 2 1
, ,
k t t t
Y Y Y
. Pentru a se evita acest fapt se utilizeaz
coeficientul de autocorelaie parial, acesta msurnd efecul direct al lui Y
t-k
asupra
variabilei Y
t
(se izoleaz influena variabilei Y
t-k
). Definitia acestuia este similar cu a
coeficientului de corelaie parial din econometrie.
Coeficientul de autocorelaie partial ntre dou variabile separate de k uniti de
timp notat prin k
c
este coeficientul de regresie a variabilei k t
Y
n modelul
autoregresiv AR(k):
t k t k t t t
Y c Y a Y a a Y + + + + +

2 2 1 1 0
i msoar informaia adiional adus de variabila k t
Y
n exoplicarea
comportamentului prezent t
Y
(cu cte uniti se modific t
Y
dac k t
Y
crete cu o
unitate iar celelalte variabile 1 2 1
, ,
k t t t
Y Y Y
rmn nemodificate). Astfel,
coeficientul de autocorelaie parial msoar corelaia ntre t
Y
i k t
Y
, n condiiile n
care celelalte variabile 1 2 1
, ,
k t t t
Y Y Y
sunt meninute constante (se izoleaz
influena variabilei k t
Y
). Astfel, coeficientul de autocorelaie parial ntre t
Y
i
2 t
Y
, adic
2
c , este egal cu coeficientul de autocorelaie
2
r dac t
Y
i 2 t
Y
sunt
ambele necorelate cu 1 t
Y
.
Funcia de autocorelaie parial const n setul de coeficieni k
c
, unde k=1, 2,
3, ..... Pentru k=1 coeficientul de autocorelaie i coeficientul de autocorelaie parial
coincid
1 1
c r . Coeficienii de autocorelaie parial nregistreaz valori ntre -1 i 1.

Estimarea coeficienilor de autocorelaie parial
O estimare direct a coeficienilor de autocorelaie parial const n estimarea
coeficienilor de regresii pentru mai multe regresii. Astfel,
1
c se estimeaz cu
coeficientul de regresie a variabilei 1 t
Y
n modelul autoregresiv AR(1):
t t t
Y c a Y + +
1 1 0
2
c este coeficientul de regresie a variabilei 2 t
Y
t t t t
Y c Y a a Y + + +
2 2 1 1 0
3
c
este coeficientul de regresie a variabilei 3 t
Y
t t t t
Y c Y a a Y + + +
2 2 1 1 0
.............................................................
21
k
c
este coeficientul de regresie a variabilei
k t
Y
n modelul autoregresiv AR(k):

t k t k t t t
Y c Y a Y a a Y + + + + +

2 2 1 1 0 .

In practic (inclusiv n algoritmii de calcul implementai n softurile de statistic) acetia
nu sunt de regul calculai n acest mod, ci se utilizeaz ecuaiile Yule-Walker, ce redau
relaiile dintre coeficienii de autocorelaie i coeficienii de autocorelaie parial.
Testarea semnificativitii coeficineilor de autocorelaie parial
Testarea semnificativitii coeficientului de autocorelaie parial
k
c
:
H
0
:
0
k
c
(nu difer semnificativ de zero)
H
1
:
0
k
c

se realizeaz utiliznd statistica Student
( )
k
k
r ar V
r
t
converge asimtotic (cnd T ) la legea normal

) 1 , 0 ( N
.
Pentru variana estimatorului coeficientului de autocorelaie parial se urmtoarea
expresie:
( )
T
c ar V
k
1

.
Decizia: pentru un nivel de semnificaie
, ipoteza nul H
0
nu se respinge dac
[ ]
tab tab calc
t , t t
sau echivalent [ ] T t T t c
tab tab k
/ , / .
Procese nestaionare
Un proces este nestaionar dac nu verific una sau mai multe din cerinele din definitia
procesului staionar. n economie majoritatea seriilor sunt nestaionare, media respectiv
variana acestora nefiind constant n timp.
Detectarea nestaionaritii:
- din cronogram i corelogram respectiv
- utilizarea unor teste de staionaritate (numite i teste de rdcin unitate); acestea
vor fi discutate n capitolul urmtor.
Din cronogram:
- seria este nestaionar n medie dac media nu este constant n timp. O serie ce
prezint spre exemplu o tendin determinist (ce poate fi modelat prin funcii
elementare) este nestaionar;
- seria este nestaionar n varian dac variana nu este constant n timp.
In acest paragraf avem n vedere un proces (serie) nestationar n medie. Exist dou
tipuri de procese (serii) nestaionare:
a) serii nestaionare dar staionare relativ la o tendin determinist TS (time
stationary). Exemplu: o serie ce fluctueaz staionar n jurul unei tendine deterministe
liniare:
t t
bt a Y + +
22
unde
t
este un proces staionar;

b) serii nestaionare generate de un proces pentru care polinomul autoregresiv din
reprezentarea autoregresiv AR(p) are rdcini unitare (are radacini unitate unit root,
sau pe cercul unitate). Spunem c seria este staionar prin difereniere DS (differency
stationary) sau c are tendin stochastic (seria hoinrete); seria are radacin
unitate. Exemplul tipic aici este mersul aleator t t t
Y Y +
1 . Polinomul in L asociat
prii autoregresive
( ) L
din modelulul AR(p):
( )
t t
Y L
unde
( ) L L 1
t t
Y L ) 1 (
1 0 1 x x
il are pe unu ca i rdcin. Multe serii din economie au un comportament de mers
aleator; t
Y
este nestaionar dar t t
Y
devine stationar. Dac este necesar a se
diferenia seria de d ori pn devine staionar,
t
d
t
d
t
Y L Y Z ) 1 ( fiind staionar,
polinomul autoreresiv l are pe 1 ca i rdcin multipla de ordin d si spunem c seria
este integrat de ordin d, notnd I(d).
Din corelogram (graficul funciei de autocorelaie): autocorelaiile k
r
unei serii
staionare se apropie rapid de zero, odat ce k crete (tind exponenial spre zero). Pentru
o serie nestaionar autocorelaiile sunt mari i pozitive pentru un numar mare de valori
ale lui k. Pentru a testa dac o serie este nestaionar cu tendin stochastic (are
rdcin unitar) se pot utiliza testele Dickey-Fuller ADF.
5.2. Teste de tip Dickey-Fuller (DF) . Testele dezvoltate n continuare sunt destinate
detectrii nestaionalitii de tip DF, adic a detectrii rdcinii unitate n reprezentarea
procesului. Testele Dickey-Fuller sunt utile:
pentru a testa dac o serie este staionar (relativ la medie sau relativ la o tendint
determinist);
pentru a identifica natura tendinei seriei (seria poate avea tendint determinist
sau/i tendint stochastic) respectiv pentru a determina ordinul de integrare.
Dac
t
Y
are o radcin unitate atunci n ecuaia de regresie:
t t t
Y a Y +
1 1
ne ateptm ca
1
a s fie aproape de 1, sau echivalent ne ateptm ca 1
1
a s fie
aproape de zero n regresia:
t t t
Y Y +
1 (V1)
(obinut scznd
1 t
Y
din ambii membri, n ecuaia anterioar). Pornind de la aceast
idee, iniial testul Dickey-Fuller, (pentru detectarea unei rdcini unitate) a fost dezvoltat
pentru testarea ipotezei:
1 :
1 0
a H
1 :
1 1
< a H
n modelul autoregresiv de ordinul unu:
23
t t t
Y a Y +
1 1
unde erorile t
sunt presupuse independente i identic distribuite, cu medie 0 i varian

2
. Astfel, testul faciliteaz alegerea ntre un proces de tip mers aleator (proces
nestaionar) i un proces autoregresiv de ordinul unu (proces staionar). Dac ipoteza
nul este adevarat seria conine o rdcin unitate, n caz contrar seria fiind staionar
de tip AR(1). Varianta
1
1
> a
corespunde unor procese explozive, ce nu-i gsesc
aplicabilitate.
Ipoteza nul din testul Dickey-Fuller este o ipotez privind semnificativitatea
coeficientului termenului 1 t
Y
:
0 :
0
H
0 :
1
< H
n ecuaia de regresie t t t
Y Y +
1 , unde 1
1
a . Raportul Student
) var( /
aferent coeficientului
, utilizat n mod obinuit pentru testarea unei

ipoteze relativ la un coeficient de regresie, nu urmeaz legea Student. Distribuia
asimptotic a acestei variabile a fost studiat de ctre Dickey (1975) i Fuller (1976), iar
mai recent MacKinnon (1991) obine prin simulare valori critice mai precise. Pentru un
nivel de semnificaie de 5% spre exemplu, valoarea critic rezultat este 1.95:
05 . 0 ) 95 . 1 ( < DF P
.
Menionm c valoarea critic, pentru acest nivel de semnificaie, este de 1.64 n cazul
legii normale
05 . 0 ) 64 . 1 ( < z P
, astfel c utilizarea testului z sau t n testarea
ipotezei 0
H
conduce prea frecvent la respingerea ipotezei nule.
Distribuia asimptotic a statisticii t de tip Student difer dup cum se include sau nu
o constant n regresie. In cazul prezenei unei constante n forma autoregresiv:
t t t
Y a a Y + +
1 1 0
testul privind semnificativitatea coeficientului
1
a se realizeaz n ecuaie
t t t
Y a Y + +
1 0 (V2)
Deasemenea o alt variant interesant a testului faciliteaza alegerea ntre un process
nestaionar cu tendin stochastic (proces integrat) i unul cu tendin determinist.
Aceasta se realizeaz prin testarea ipotezei de rdcin unitate:
1 :
1 :
1 1
1 0
<
a H
a H
pentru un proces de tipul:
t t t
Y a bt a Y + + +
1 1 .
Testarea ipotezei anterioare este echivalent i aici cu o ipotez privind
semnificativitatea coeficientului lui
1 t
Y
n ecuaia de regresie:
t t t
Y bt a Y + + +
1 (V3)
Fuller (1976) a studiat comportamentul asimptotic al statisticii t i n acest caz obinnd,
prin simulare, valorile critice corespunztoare acestei variante a testului. Spre exemplu
la un nivel de semnificaie de 5% valoarea critic obinut este de 3.41:
05 . 0 ) 41 . 3 ( < DF P
.
Acest test faciliteaz selecia ntre dou procese nestaionare de tipul:
24
t t t
Y bt a Y + + +
1
, respectiv
t t t
Y a bt a Y + + +
1 1 , cu
1
1
< a
.
Procesul generat de prima ecuaie conine o rdcin unitate (
) 1
, seria are tendin
stochastic. Cel de-al doilea proces aleator, pentru care
1
1
< a
, nu are rdcin unitate
i este obinut prin nsumarea dintre o tendin determinist liniar i un proces staionar
de tip autoregresiv AR(1); seria este astfel staionar n jurul unei tendine deterministe
liniare.
Distribuiile asimtotice anterioare sunt valabile n ipoteza n care t
este de tip
zgomot alb. Altfel este necesar o abordare ce ine seama i de autocorelaiile
reziduurilor din ecuaia de regresie n care se testeaz semnificativitatea coeficientului
lui
1 t
Y
.Un proces AR(1) cu erori autocorelate de ordin p-1 poate fi pus ntr-o
reprezentare AR(p) cu erori de tip zgomot alb. Se ine seama apoi de reprezentarea de tip
Sims-Stock-Watson (1990) a unui model AR(p), scris utiliznd diferenele de ordinul
unu, din care se obine forma general a ecuaiei de regresie utilizate n forma general a
testului.
n forma general, testul Dickey-Fuller mbuntit ADF (Augmented Dickey-
Fuller) se efectueaz relativ la coeficientul termenului 1 t
Y
:
0 :
0
H
0 :
1
< H
n ecuaia de regresie urmtoare:

+ + + +
1
1
1
p
i
t i t i t t
Y Y bt a Y .
Distribuia asimptotic a raportului t asociat coeficientului este aceeai cu cea din
cazul AR(1), astfel c se utilizeaz aceleai valori critice. La aplicarea testului, p este
selectat astfel nct reziduurile din ecuaia de regresie s rmn necorelate. Au fost
dezvoltate trei variante ale testului DF, aferente respectiv regresiilor:

+ +
1
1
1
p
i
t i t i t t
Y Y Y (V1)

+ + +
1
1
1
p
i
t i t i t t
Y Y a Y (V2)

+ + + +
1
1
1
p
i
t i t i t t
Y Y bt a Y (V3)
Distribuiile asimtotice i deci valorile critice sunt specifice fiecrei variante. Valorile
critice nu depind ns de numrul de ntrzieri p.
Decizia asupra ipotezei nule, un anumit nivel de semnificaie:
t
calc
< t*
tab
H
0
se respinge seria nu are rdcin unitate (este
staionar relativ la medie n V1 i V2, sau staionar
relativ la o tendin determinist n varuianta V3)
t
calc
> t*
tab
H
0
se accept seria are o rdcin unitate (este
nestaionar, cu tendin stochastic).
25
Testul ADF este de test de nestaionalitate stochastic (dac H
0
este adevrat, seria este
nestaionar de tip DF).
Alegerea ntre cele trei variante rmne totui o problem. O soluie logic pare a fi
efectuarea testului n varianta general (V3), dar includerea unor regresori cu coeficieni
nesemnificativi reduce puterea testului; astfel, testul poate indica prezena unei rdcini
unitate cnd n realitate seria nu o conine. Principiul general const n a alege o variant
conform cu datele:
- dac seria prezint o tendin (determinist sau stochastic) se aplic varianta
general (V3);
- dac seria nu are o tendin vizibil i are medie diferit de zero, se aplic
varianta (V2) respectiv
- dac seria fluctueaz n jurul lui zero se aplica testul n varianta (V1).
Dup aplicarea testului este indicat a se examina i semnificativitatea coeficienilor
de regresie (din ecuaia de regresie aferent testului aplicat) n principal atunci cnd nu
suntem siguri asupra variantei adecvate respectiv asupra valorii lui p. Dac se consider
necesar, se poate aplica din nou testul cu o alt specificare pentru ecuaia de regresie.
Pentru alegerea odinului p se poate utiliza de asemenea criteriile de informaie (AIC,
SC,...)
Dac ipoteza nul nu este respins atunci se aplica n continuare testul DF pentru
detectarea rdcinii unitate n diferenele de ordin unu. Pentru determinarea ordinului
de integrare se aplic testul succesiv pentru datele iniiale, diferenele de ordin unu i
eventual doi; seriile din domeniul economic necesit de regul o singur difereniere.
Dac pentru datele iniiale H
0
se accept, iar pentru datele difereniate t
Y
ipoteza
nul H
0
se respinge Y
t
e nestaionar dar diferenele de ordin 1 sunt staionare Y
t
este integrat de ordin 1 sau
( ). 1 I Y
t
Dac ipoteza nul H

0
se accept att pentru
datele iniiale Y
t
ct i pentru cele diferereniate t
Y
dar se respenge pentru datele de
dou ori diofereniate
t
2
Y seria este integrat de ordinul doi sau
( ). 2 I Y
t

Tendin determinist versus tendin stochastic. O serie poate avea tendint
determinist sau/i tendin stochastic; o serie ce are att tendin determinist ct i
tendin stochastic se comport ca i o serie cu tendin stochastic. Graficul de mai jos
red comparativ dou serii de timp nestaionare cu i respectiv fr rdcin unitate
(prima serie are att tendin determinist ct i tendin stochastic):
t t
u t Y + + 1 . 0 10
, unde t t t
u u +
1 , i
t t
u t Y + + 1 . 0 10
, unde t t t
u u +
1
9 . 0
obinute prin simulare. Pentru eroarea
) 1 , 0 ( N
t

au fost generate 200 de valori
aleatoare. n cazul seriei staionare relativ la o tendin determinist valorile fluctueaz
staionar n jurul tendinei, n timp ce seria cu rdcin unitate se ndeprteaz de la
tendina determinist iar amplitudinea fluctuaiilor crete sau descrete n timp.
Observaie. Variana erorii n cazul seriei staionare relativ la tendina determinist
liniar rmne constant n timp.
26
Diferenele de ordin unu pentru ambele tipuri de procese:
t t
u bt a Y + +
, t t t
u u +
1 ;
t t
u bt a Y + +
,
t t t
u u +
1
, cu
1 <
,
sunt staionare:
t t
b Y +
, respectiv
t t
u b Y +
.
Prin urmare, prin analiza seriilor difereniate nu se poate face distincie ntre cele dou
tipuri de nestaionalitate. Exist o diferen esenial ntre cele dou serii de timp:
- dac seria conine rdcini unitate atunci ocurile ( t
) asupra seriei sunt permanente,

deoarece (Johnston i DiNardo, 1994): t t s t
u u +
+ 1 . Dac o serie macroeconomic
este de tip DS atunci impactul ocurilor conjuncturale are un efect permanent asupra
nivelului seriei. Originea nestaionalitii unui mers aleator const n acumularea de
ocuri aleatoare, deoarece: 0 1 2 1
... Y Y
t t t t
+ + + + +

;
- n cazul seriilor staionare relativ la tendin influena ocurilor asupra urmtoarelor
abateri de la tendina determinist se diminueaz n timp:
t
s
t s t
u u +
+ 1
.
Pentru a detectarea naturii tendinei unei serii nestaionare se poate utiliza varianta
V3 a testului ADF:

+ + + +
1
1
1
p
i
t i t i t t
Y Y bt a Y (V3)
H
0
: 0
H
1
: 0 <
Dac H
0
se accept seria are rdcin unitate seria are tendina stochastic. Dac
H
0
se respinge seria nu are rdcin unitate, prin urmare nu are tendin stochastic.
Pentru a detecta prezen unei tendinei deterministe se va testa semnificativitatea
coeficientului de regresie b n ecuaia de regresie aferent testului aplicat V3, utiliznd
27
testul Student clasic. De asemenea dac se estimeaz tendina determinist iar reziduul
este staionar atunci seria este stationar relativ la tendin.
Existena sau nu a unei rdcini unitate ntr-o serie nestaionar determin natura
tendinei. Cunoaterea naturii tendinei unei variabile nestaionare este important n
previziune respectiv n modelarea econometric. Staionalitatea/nestaionalitatea
respectiv detectarea naturii nestaionalitii determin tipul de modelare i proprietile
asimtotice ale metodelor econometrice de estimare.
6. Aplicatii
a) Testarea ipotezei de mers aleator a cursului pietelor de capital. In ipoteza de
eficien informaional n form slab (ipoteza de mers aleator) a pietei de capital,
cursul oricarui titlu este un proces de tip mers aleator. Cursul unui titlu, notat prin t
C

urmeaz un model de mers aleatoriu, cu constanta, dac 1 1 + +
+ +
t t t
C C
cu 1 + t

independente si identic repartizate (iid) i de speran finit. Mersul aleator este un
proces nestaionar, insa diferenele de ordinul nti sunt stationare; notand
1

t t t
C C Z
, procesul
{ }
t
Z
este staionar.
Daca se considera rentabilitatile logaritmice 1
) 1
ln ln
)
ln(

t t
t
t
t
C C
C
C
R
, atunci
in termeni de rentabilitati, ipoteza de mers aleator devine:
t t
R +
unde t
este o secventa de variabile aleatoare independente si identic repartizate, iar

o constanta.
n testarea ipotezei de mers aleator se parcurg trei etape (Todea, 2005):
1. Studiul staionaritii seriilor de rentabiliti;
2. Testarea ipotezei de non-corelaie liniar a rentabilitilor;
3. Testarea existenei unor corelatii neliniare n seria rentabilitilor.
Pentru a testa dac seriile de rentabiliti sunt staionare se utilizeaza teste clasice de
radacina unitate, precum testele ADF, testul KPSS, s.a.. Dac se respinge ipoteza nul de
nestaionaritate, se trece la etapa 2, iar dac aceasta se accepta, este respins din start
ipoteza de mers aleator i astfel eficiena informaional n forma slab. Existenta unor
tendinte in evolutia cursurilor bursiere, efecte sezoniere (ex. efectul lunii ianuarie,
efectul de talie, s.a.) neaga ipoteza eficientei informationale a pietelor bursiere. Acestea
dispar partial odata cu maturizarea pietei.
In ultima perioada teoria pietei eficiente a pierdut din importanta, tot mai multi
specialiti sustinand ca preturile sunt predictibile. In ultima perioada teoria pietei
eficiente a pierdut din importanta, tot mai multi specialisti sustinand ca preturile sunt
predictibile. Teoria pietelor adaptive pare a fi deseori validata empiric, rentabilitatile
bursiere inregistrand un comportament episodic, perioade mai lungi de eficienta urmate
de perioade in care se manifesta corelari liniare dar mai cu seama neliniare.
b) Aspecte statistice specifice ratei rentabilitatilor
28
1) Riscul unui activ financiar este caracterizat prin dispersia rentabilitilor sale
de la valoarea medie. Msurile statistice cel mai frecvent utilizate sunt variana respectiv
abaterea medie ptratic. Riscul unui activ financiar, pe un orizont de T perioade, se
poate estima prin abaterea medie patratica:
( ) ( )
2
1
1
1
T
t
i t
R R
T
R , unde
t
R
reprezint rentabilitatea activului n
perioada t; R reprezint media rentabilitilor activului pe orizontul de calcul.
Literatura de specialitate apreciaz c o bun estimare a riscului se poate obine
utiliznd rentabiliti lunare pe o perioad de trei ani.
2) Distributia empirica a rentabilitatilor. Asimilarea conceptelor de rentabilitatea i
risc cuplului medie-varian presupune c distribuia ratelor de rentabilitate s urmeze o
lege normal. O astfel de lege are o serie de proprieti utile, cum ar fi: depinde doar de
medie i varian, este simetric, 95% dintre observaii sunt cuprinse ntre 2 t .
Identificarea legii de probabilitate este o problem deosebit de important n teoria
modern a portofoliilor. De natura acestei legi depinde modul n care se msoar riscul
activului financiar. Distribuiile empirice ale rentabilitilor sunt insa de regula mai
ascuite dect cele ale legii normale i prezint cozi (frecventa cu care se inregistreaza
variatiile extreme sunt mai mari decat in cazul legii normale); legea Pareto este mai
abecvata decat cea normala.
Coeficientul de asimetrie 3

respectiv de boltire
4
i analiza histogramei ofer o
prim imagine asupra formei distribuiei rentabilitatilor. Coeficienii de asimetrie
respectiv boltire sunt calculai n baza momentelor centrate:
3
3
3
;
4
4
4

unde j
este momentul centrat de ordin j.

Pentru testarea normalitii se recomand, n literatura de specialitate, utilizarea
testului Jarque-Bera (1981), bazat pe coeficienii de asimetrie i boltire. Valoarea
calculat a acestei statistici este furnizat implicit de majoritatea softurilor odat cu alte
statistici descriptive. Dac un eantion de T observaii provine dintr-o distribuie
normal atunci coeficientul de asimetrie calculat n baza observaiilor urmeaz
asimptotic legea normal N(0, 6/T) iar coeficientul boltirii legea N(3,24/T). Jarque i
Bera obin prin nsumarea celor dou variabile normale independente statistica:
) 2 ( ) 3 (
24
1
6
1
2 2
4
2
3
+ T T JB
,
ce urmeaza legea ) 2 (
2
. Valoarea critic corespunztoare nivelului de semnificaie se
determin din tabelul de distribuie a legii
2
, numrul gradelor de libertate fiind 2. Zona
critic este >

) (
2
JB P .
PARTEA 2
Modelarea si previziunea seriilor financiare prin modele de tip
autoregresiv medie mobila ARIMA(p,d, q) respectiv GARCH(p,q)
29
Obiectivele modulului:
- Identificarea unui model de tip ARIMA(p,d, q)
- Aplicarea modelelor de tip ARIMA n previziunea seriilor financiare respectiv
filtrarea corelaiilor liniare din seria de timp
- Modelarea seriilor financiare prin modele de tip GARCH(p,q)
Se recomand studiul problematicii modulului n ordinea numerotrii paragrafelor din
coninutul informaional al acestuia.
Coninutul informaional al modulului
1. M odele de tip autoregresiv medie mobil ARIMA(p,d, q)
Box & Jenkins (1970) au propus o metodologie de previziune a unei variabile,
utiliznd ca i baz de date doar trecutul i prezentul acesteia. Aceste modele se bucur
de o larg popularitate datorit:
- calitii previziunilor generate;
- flexibilitii modelelor;
- rigurozitii privind fundamentarea matematic a modelului;
- este o metod adecvat i pentru previziunea unor variabile cu o evoluie
neregulat.
Observaie: s-au introdus ntr-o perioad n care modelele econometrice clasice, n
principal cele macroeconomice cu mai multe ecuaii au condus frecvent la previziuni
mai slabe dect metodele simple univariante.
Un model de tip autoregresiv-medie mobil ARMA(p,q) are o component de tip
autoregresiv respectiv o component de tip medie mobil:
t q t q t t p t p t t t
b b b Y a Y a Y a a Y + + + + +

2 2 1 1 2 2 1 1 0
unde p este ordinul prii autoregresive, q ordinul mediei mobile iar t
este un proces
de tip zgomot alb (acesta fiind o succesiune de variabile aleatoare independente i
identic repartizate, cu medie zero).
Atunci cnd q=0 se obtine modelul autoregresiv de ordin p, notat AR(p):
p t p t t t
Y a Y a Y a a Y

+ + + +
2 2 1 1 0
iar pentru p=0, se obtine modelul medie mobil de ordin q:
t q t q t t t
b b b a Y +

2 2 1 1 0 .

La baza elaborrii unor astfel de modele stau urmtoarele considerente:
- evoluia fenomenelor economice se afl sub impulsul resurselor existente, a
capacitilor deja create, a experienei acumulate, a tradiiei, obinuinei (spre exemplu
n consum). Variabilele din economie au caracter inerial, fiind prezent o puternic
component autoregresiv (n prinipal n evoluia indicatorilor macroeconomici). Ar fi
imposibil de imaginat sore exemplu o economie n care datele din seria de timp ce red
evoluia preului unui produs sunt extrase aleator dintr-o urn. Partea autoregresiva
surprinde mecanismele interne de generare ale procesului;
30
- component de tip medie mobil este efectul unor evenimente nepredictibile, asupra
variabilei, efecte asimilate treptat n timp. Aceast component este justificat prin
intervenia unor schimbri brute, neateptate n rndul factorilor exteriori corelai cu
variabila (ex.greve, diverse tiri, schimbarea brusc a vremii pentru varibile din
agricultur). Spre exemplu efectul unei tiri importante, dar neateptate, privind
activitatea unei societi se va repercuta asupra cursului actiunilor sale la burs n
urmtoarele sptmni. Partea medie modil surprinde asimilarea treptat a ocurilor
(abaterilor accidentale) din afara sistemului.
Modelele ARMA sunt adecvate seriilor staionare. Acestea au fost generalizate
pentru serii nestationare ce devin staionare prin difereniere, modelele rezultate fiind
denumite modele autoregresive-integrate-medie mobil ARIMA(p, d, q) unde d este
ordinul de difereniere necesar pentru staionalizarea seriei.
Considerm un proces aleator cu medie zero. Vom indica modul de scriere a
modelelor utiliznd operatorul de ntrziere
1
t t
Y LY
.
ARMA(p,q): t q t q t t P t P t t t
b b b Y a Y a Y a Y + + + +

2 2 1 1 2 2 1 1
( ) ( )
t
q
q t
p
p
L b L b Y L a L a L a
1
2
2 1
1 1
sau
( ) ( )
t t
L Y L
unde
( ) L
p
p
L a L a L a
2
2 1
1
iar
q
q
L b L b L
1
1 ) (
sunt polinoame
de gradul p respectiv q n L.
Ct de generale sunt aceste modele? Teorema de reprezentare a lui World arat c
orice proces staionar poate fi scris ca i un proces de tip medie mobila cu un numr
infinit (mare) de termeni.
Dac seria este nestaionar i devine stationar dup d diferenieri,
X
t
ARIMA(p,d,q) (adic
t
d
t
d
X L X ) 1 ( ARMA(p,q)) foma restrns este:
( ) ( )
t t
d
L X L L ) 1 ( .
Caz particular: mersul aleator ARIMA(0,1,0).
Exist dou modaliti de generare a unor serii nestaionare.
a) Seriile nestaionare n medie cu tendin determinist polinomial devin staionare
dac sunt difereniate de un numr de ori egal cu gradul polinomului de tendin.. De
regul seriile din economie devin taionare dup una sau dou diferenieri (astfel d=1 sau
d=2). Spre exemplu daca seria are o tendin determinist liniar atunci seria devine
staionar dup o singur difereniere:
t t
bt a Y + +
t t
b Y +
unde t
este un proces staionar (prin urmare i t

). In acest caz valorile fluctueaz n
jurul unei drepte, sunt staionare relativ la dreapta de tendin. Dac seria are o tendin
polinomiala de gradul 2 atunci sunt necesare dou diferenieri pentru ca seria s devin
staionar. Dac seria este staionar relativ la o tendin determinist se spune ca seria
este staionar relativ la tendin.
O alta modalitate de transformare a acestora n serii staionare const n extragerea
tendinei deterministe din date (dupa estimarea ei prin functii elemenare).
31
b) Un alt tip de proces nestaionar este generat de de o ecuaie de tipul AR(1) unde
coficientul variabilei este unu:
t t t
Y Y +
1 sau t t t
Y a Y + +
1 0
t
fiind zgomot alb. Acesta se numete mers aleator i n evoluia acestuia se observ
periade cu aparente tendine de cretere sau descretere care apoi i schimb brusc,
nepredictibil direcia. Spunem c un astfel de proces are tendin stochastic, fiind
rezultatul acumulrii unor socuri aleatoare ce nu au o baza sistematic. Aceste evoluii
sunt specifice variabilelor financiare i n principal seriilor ce redau evoluia cursului
unor aciuni. Variana unui proces de tip mers aleator far termen liber nu este constant
i crete odat cu t iar pentru forma cu termen liber att media ct i variana variaz n
timp (cresc odat cu t). Spre exemplu daca valoarea de pornire la momentul t=0 este
0
Y
atunci:
0 1 2 1
... Y Y
t t t t
+ + + + +

iar variana crete odat cu t, deoarece ( )
2
t Y Var
t
.
Mersul aleator constituie un prototip pentru o clas de proces nestaionare numite
procese integrate; trebuie evidentiat i importana practica a acestui model, fiind ntlnit
specific mai ales seriilor din dmeniul financiar. Observm c i in acest caz dup o
singur difereniere seria devine staionar:
t t
Y
respectiv t t
a Y +
0 .
Polinomul in L asociat prii autoregresive din modelulul AR(p):
( )
t t
Y L
t t
Y L ) 1 (
1 0 1
are o singur rdcin pe cercul unitate (n modul egal cu 1). Seria este staionar prin
difereniere sau este integrat de ordinul 1 (sau are o radcin unitate, unit root), i se
noteaz prin I(1). Rdcinile unitate, adic rdcinile polinomului autoregresiv ce se afl
pe cercul unitate se refer doar la comonenta stochastic a seriei. Majoritatea seriilor din
economie sunt nestaionare n medie
t
Y
dar diferena de ordin nti
t t t t t
Y L Y Y Y Z ) 1 (
1

devine staionar. Dac sunt necesare dou diferenieri
succesive pentru ca seria s devin staionar:
t t t t t t t t t t
Y L Y Y Y Y Y Y Y Z Y
2
2 1 2 1 1
2
) 1 ( 2 ) ( ) ( +

spunem c seria este integrat de ordin doi I(2).
In general, un proces (serie) este integrat de ordin d, notat prin I(d), dac este
necesar a fi difereniat de d ori pn devine staionar;
t
d
t
d
t
Y L Y Z ) 1 ( este
staionar.
Modelele de tip ARIMA acoper o clas larg de procese nestaionare. Att seriile cu
tendin determinist polinomiala ct i cele cu tendin stochastic pot fi transformate
n serii staionare prin difereniere.

2. Modelul autoregresiv. Proprietile funciei de autocorelaie respectiv de
autocorelaie parial
a) Funcia de autocorelaie
32
Considerm un model autoregresiv de ordinul unu AR(1) sau ARIMA(1,0,0):

t t t
Y a a Y + +
1 1 0
unde
1
1
< a
iar
t
este zgomot alb cu media E

( ) 0
t

i variana
2
) (

t
Var . Procesul este
staionar dac coeficientul
1
1
< a
.
Observaii. a) Dac
1
1
> a
procesul este nestaionar, i are o evoluie exploziv,
exponenial. Un asemenea comportament este rar ntlnit n practic (cretere
exponeniala, pe termen nelimitat).
b) Dac 1
1
a regsim mersul aleator.
c) Pentru procesul este de tip zgomot alb de medie 0
a
.
Fr a restrnge generalitatea considerm un model autoregresiv de ordinul unu AR(1)
cu medie zero (dac media procesului
este diferit de zero se realizeaz substituia

t t
Y X
) :
t t t
Y a Y +
1 1 unde
1
1
< a
.
Proprietate. Dac
1
1
< a
atunci procesul AR(1)este staionar. Funcia de
autocorelaie a unui proces autoregresiv de ordinul unu AR(1) are expresia:
k
k
a r
1
.
Demonstraie.
( )
( )
j t
t
j
j t
t t t t t t t t
t t t t t t t t t
a a a a a Y a a a
Y a a Y a a Y a Y
+ + + + + + + +
+ + + + +

1
0
1 1
1
1 3
3
1 2
2
1 1 1 2 3 1
2
1 1 1
2
2
1 1 1 1 2 1 1 1 1

Astfel:
E(Y
t
) = 0 (erorile au media zero), deci independent de t
( ) ( ) ( ) ( ) ( ) ( )
+ + + + k t t k t t k t t k t t k t t
Y Y E Y E Y E Y Y E Y Y Cov Y Y Cov , ,
( )( ) + + + + + +
+
+ +
1
1
1 1 1 1
1
1 1 1

k t
k t k t
t
t t
a a a a E
( )( )
1
1
1 2 `
2
1 1 `
1
1 1 1 1 1
1
1 1 1

+
+
+ +
+ + + + + + + + + +
k t
t
k
t
k
t
k
k t k t
t
t t
a a a a a a a E
( )
( )
2
1
1 2
1
2
1
2
1
2
1

+
+
+ + +
t k
t
k
t
k
a a a E =
( )
( )
( )
( )
1 2
1 1
2 1 2
1 1
2
1 .
+
+ + + +
t k t k k
a a a a

.
Covariana devine:
( )
k t t
Y Y Cov ,

'
1 ,
1 ,
1
1
1
2
1
2
1
2
1
1
2
a t
a
a
a
a
t
k
Dac
1 a
1
<
atunci
( )
2
1
1 2
1
, cov
a
a
Y Y
k
k
t
k t t

+

independent de t.
33
( )
2
1
2
0
1
1
a
Y Var
t

fiind independent de t.
Observatie. In cazul
1
1
a
regasim variana unui proces nestaionar de tip mers
aleator.
Prin urmare, funcia de autocorelaie este independent de t i are expresia:
k k
k
a r
1
0

.
Observatie. Atunci cnd a
1
> 0 funcia de autocorelaie
k
r
descrete
exponenial, iar pentru a
1
< 0 descrete sinusoidal (dini de ferstru, valorile negative
alterneaz cu cele pozitive).
Un proces AR(1) n care apare i constanta:
t t t
Y a a Y + +
1 1 0
are media egal cu
1
0
1
) (
a
a
Y E
t

respectiv variana
2
1
2
1
1
) (
a
Y Var
t
.
Astfel, dac seria fluctueaz n jurulunei valori diferit de zero, media fiind nenul, n
ecuaia modelului se va introduce i termenul constant.
Utiliznd scrierea cu operatorul L, un model AR(1) devine
t t
Y L a ) 1 (
1
iar condiia de staionalitate
1 a
1
<
este echivalent cu cerina ca radcina polinomului
de gradul unu ( )
1
1 La L , notata cu x s aib modulul mai mare dect unu:
1
1 xa =0 rezult , adic
1
/ 1 a x
Operatorul L face posibila scrierean succint a unui filtru cu un numr infinit de termeni.
Spre exemplu pentru AR(1) rezult:

+ + +

t t t
L a L a
L a
Y L a ) 1 (
1
1
) 1 (
2 2
1 1
1
1

+ + +
2
2
1 1 1 t t t
a a
iar condiia de stabilitate a procesului revine la condiia de convergen a seriei format
cu coeficienii filtrului
1
1
i
i
a
; regsim aceeai condiie de stabilitate, seria fiind
convergent atunci cnd
1 a
1
<
.
Redm, fr demonstratie, urmtoarea proprietate, ce indic condiiile ce trebuie
verificate de coeficienii unui model AR(p) pentru ca acesta s fie staionar.
Proprietate. Un model AR(p):
( )
t t
Y L
este staionar atunci cnd rdcinile polinomului
( ) L
p
p
L a L a L a
2
2 1
1
( rdcini reale sau complexe) sunt n modul mai mari dect unu (se mai spune ca sunt in
exteriorul cercului unitate) .
b) Funcia de autocorelatie partial
34
Din definiia funciei de autocorelaie parial rezult cci coeficienii de autocorelaie
pariala a unui model AR(p) sunt egali cu zero, pentru k mai mare dect p (ordinul
modelului).
t p t p t t t
Y a Y a Y a a Y + + + + +

2 2 1 1 0
Spre exemplu 1 + p
c
este coeficientul de regresie a variabilei 1 p t
Y
n modelul
autoregresiv AR(p+1):
t p t p p t p t t t
Y a Y a Y a Y a a Y + + + + + +
+ 1 1 2 2 1 1 0

.
ori acesta este nul deoarece pentru un model AR(p) coeficientul 1 + p
a
=0.

3. Modelul medie mobil. Proprietile funciei de autocorelaie respectiv de
autocorelaie parial
Intr-un model de tip medie mobil sunt utilizate erorile nregistrate n trecut ca i
variabile explicative:
t q t q t t t
b b b a Y +

2 2 1 1 0 .

a) Funcia de autocorelaie
Considerm un model medie mobil de ordinul unu MA(1) sau ARIMA(0,0,1) cu medie
zero:
1 1

t t t
b Y
Proprietate. Un model de tipul MA(1) este staionar iar funcia sa de autocorelaie se
anuleaz pentru 2 k .
Demonstraie. Media procesului este nul:
( ) ( ) ( ) 0 E b E Y E
1 t 1 t t

Variana procesului:
( ) ( )
2
1
2
1 b Y Var
t
+

deoarece:
( ) ( ) ( ) [ ] ( ) ( ) ( ) [ ]
1 1 1
2
2 2
t t t t t t t t
b b E Y E Y E Y E Y Var
( ) ( ) ( ) ( ) ( )
2
1
2 2
1
2
1 1 1 1 1
2
1 b b E b E b E E
t t t t t t
+ + +

rezult
( ) ( )
2
1
2
1 b Y Var
t
+

Covariana:
( ) ( ) ( )
( ) { ( ) ( )
'

1 pentru 0
1 pentru
,
2
1
2
1 1 2 1 1 1 1
1 1 1 1
k
k b E b b b E
b b E Y Y Cov
t t t t t
k t k t t t k t t

rezult funcia de autocorelatie:
35
'
1 k ,
1
2 k , 0
2
1
1
b
b r
k
Semnul coeficientului de autocorelatie
1
r este invers semnului lui
1
b .

Proprietate. Funcia de autocorelaie a unui model de tipul MA(q) se anuleaz pentru
1 + q k
.
Demonstraie.
q t q t t t t
b b b Y

2 2 1 1
Media este nul:
( ) 0
t
Y E
Variana procesului:
( ) ( )
2 2
2
2
1
2
... 1
q t
b b b Y Var + + + +

.
Covariana:
( ) ( ) ( )
'
+
+ + +

+

1 pentru 0
,..., 2 , 1 pentru ) b b ... b b (-b
,
q k - q 1 k 1 k
2
2 2 1 1 2 2 1 1
q k
q k
b b b b b b E Y Y Cov
q k t q k t k t k t q t q t t t k t t

rezult funcia de autocorelatie:
'
+ + + +
+ + +
+
1 pentru 0
,..., 2 , 1 pentru
... 1
b b ... b b b -
2 2
2
2
1
q k - q 1 k 1 k
q k
q k
b b b r
q k
Funcia de autocorelatie parial a unui model medie mobil se comport in mod similar
cu funcia de autocorelaie a modelelor autoregresive.
Dac procesul are medie nenul atunci modelul include i un termen liber, acesta
fiind egal cu media:
q t q t t t
b b m Y

+
1 1
deoarece
( ) m m Y E
t
+ + + 0 0
.
4. Etapele elaborrii unui model ARIMA (autoregresiv integrat medie mobil)
36
Etapele (metodologia) de elaborare a unui model ARIMA (p,d,q)
1. Identificarea modelului se precizeaz valorile adecvate pentru p, d respectiv
2. Estimarea parametrilor modelului estimarea coeficienilor ai, bi,
2

3. Testarea validitii modelului i respecificarea acestuia. Daca modelul nu este
valid atunci se respecifica modelul (alte valori plauzibile pentru p,d,q) i se reiau
etapele anterioare.
4. Utilizarea modelului in generarea de peviziuni (odat ce a trecut testele
devalidare).
Modelarea ARIMA presupune n esen urmatoarele:
- verificarea staionalitii. Dac se constat c seria este nestaionar atunci se
difereniaz pn cnd devine staionar, rezultnd ordinul de difereniere d (de regul d
= 1, 2);
- innd seama de forma funciei de autorelaie i de autocorelaie parial (estimate) k
r

i
k
c
pentru seria difereniat se stabilesc valori plauzibile pentru p respectiv q
adecvate;
- se estimeaz modelul selectat;
- se testeaz validitatea modelului. Aici avem doua grupe de teste:
- t
este de tip zgomot alb? teste privind comportamentul reziduurilor

- teste privind semnificaia coeficienilor ai, bi;
- generarea previziunilor, n baza modelului estimat.
Identificare
model
Estimarea
parametrilor
modelului
Teste de validitate
NU
DA
Previziuni
stabilire valori
p,q,d
a
i
, b
i
= ? -rez. zgomot alb
- semnif. coef.
a) Identificarea (specificarea) modelului
Este etapa cea mai important dar i cea mai dificil. Sunt utile funciile de autocorelaie
i de autocorelaie parial estimate. Forma acestora indic modele posibile (teoretice),
adic cele mai plauzibile valori pentru p, q i d. Comparnd funciile estimate cu cele
teoretice specifice fiecrui model i se vor alege unu sau mai multe modele teoretice ce
par adecvate.
a1) Stabilirea ordinului de difereniere. Dac o serie este nestaionar n medie (media
nu este constant n timp) se vor calcula diferenele de ordin 1 eventual 2, n scopul
stabilirii ordinului de difereniere d.
Observaie. Dac seria este uor nestaionar i n varian este indicat, inainte de
modelare, a se logaritma datele iniiale, reducnd astfel amplitudinea fluctuaiilor seriei.
37
Se va lucra n continuare cu datele logaritmate. De regul seriile din domeniul financiar
au un astfel de comportament.
a2) Stabilirea valorilor plauzibile pentru p respectiv q.
Dup eventuale diferenieri i alte transormri aplicate datelor iniiale (exemplu
logaritmare), n scopul staionarizrii seriei, se trece la stabilirea unui model adecvat, de
tip autoregresiv medie mobil ARMA(p,q), pentru datele obinute n urma diferenierii
(care sunt staionare). Dac nu pare adecvat un model AR(p) sau MA(q) cu numr mic
de paramarametri ( p respectiv q 4) atunci se va ncerca un model mixt ARMA ce
combin ambele pri.
Se au n vedere urmtoarele proprieti ale funciile de autocorelaie i de autocorelaie
parial, expuse pentru cele mai frecvente modele.
Model Funcia de autocorelaie k
r
Funcia de autocorelaie
parial c
k
AR(1)
t 1 t 1 t
Y a Y +

- descrete exponenial dac
a
1
> 0
- descrete sinusoidal, dac
a
1
< 0
- c
1
semnificativ (> 0
dac
a
1
> 0 i <0 dac a
1
< 0);
- c
k
= 0, k 2
AR(2)
t 2 t 2 1 t 1 t
Y a Y a Y + +

descrete exponenial sau
sinusoidal. Forma exact
depinde de semnul i
valoarea coeficienilor a
1
i a
2
- c
1
i c
2
semnificativi
- c
k
= 0, k 3
AR(p)
t p t p 1 t 1 t
Y a Y a Y + + +

sinusoidal. Forma funciei
depinde de semnul i
valoarea coeficienilor a
1
, ,
a
p
-c
1
, , c
p
semnificativi
-c
k
= 0, k p+1
MA(1)
1 t 1 t t
b Y

1
r semnificativ (> 0 dac
b
1
< 0i 0 < dac b
1
> 0);
r
k
= 0, k 2
exponenial dac b
1
> 0
sinusoidal dac b
1
< 0
MA(2)
2 t 2 1 t 1 t t
b b Y

2 1
, r r semnificativ
r
k
= 0, k 3
sinusoidal. Forma exact
depinde de semnul i
valoarea coeficienilor b
1
,
b
2
MA(q)
q t q 1 t 1 t t
b b Y

q
r r , ,
1

semnificativi
r
k
= 0, k p+1
sinusoidal. Forma
funciei depinde de
semnul i valoarea
coeficienilor b
1
, , b
q
ARMA(1,1)
1 1 1 1
+
t t t t
b Y a Y
descrete exponenial.
Semnul lui
1
r depinde de
descrete exponenial
dac b
1
> 0 respectiv
38
cel al diferenei a
1
b
1
sinudoidal dac b
1
< 0
ARMA (p,q) descrete exponenial sau
sinusoidal ncepnd cu k=q-p
sinusoidal ncepnd cu
k=q-p
n practic dispunem doar de estimaii pentru funcia de autocorelaie respectiv
autocorelaie parial. Prin urmare, vom cuta:
- cea mai mic valoare a lui k ncepnd de la care funcia de autocorelaie parial
nu difer semnificativ de zero (ncepnd de la care ipoteza nul H
0
:
0
k
c
nu se
respinge). Obinem astfel valoarea plauzibil pentru p ordinul modelului
autoregresiv AR(p);
- cea mai mic valoare a lui k ncepnd de la care funcia de autocorelaie nu
difer semnificativ de zero (ncepnd de la care ipoteza nul H
0
:
0
k
r
nu se
respinge). Obinem astfel valoarea plauzibil pentru q, ordinul modelului medie
mobila MA(q).
n principiu nu este dificil s distingem ntre un model AR(p) i un model MA(q), n
schimb determinarea ordinelor p, q pentru un model mixt este un proces relativ incert.
Exist i posibilitatea selectrii modelului ce minimizeaza diferite criterii construite
utiliznd funcia de verosimilitate (ex: criteriul Akaike AIC, criteriul Schwarz SC).
AR(p) este adecvat variabilelor dependente exclusiv de trecutul lor, cu pronunat
caracter inerial (exemplu: consumul de bunuri de strict necesitate unde se creeaz
obinuin). MA(q) e adecvat variabilelor sensibile la modificri ale variabilelor
exogene, determinnd abateri accidentale de la evoluia medie. In economie, undele
ambele efecte sunt prezente, modelele mixte s-au dovedit a fi deseori adecvate.
Observaie. Dac exist mai multe modele ce par a fi adecvate atunci se va reine cel
cu numar minim de coeficieni.
b) Estimarea parametrilor modelului
Forma restrns a unui model ARMA(p,q) cu medie zero este:

( ) ( )
t t
L Y L
respectiv a unui model ARIMA(p,q):

( ) ( )
t t
d
L X L L ) 1 ( .
Considerm un model
) ( p AR
:
t p t p t t
Y a Y a Y + + +

1 1
Metoda clasic a celor mai mici ptrate
t
t
2

min conduce la estimatori, pentru
parametrii
1
a ,
2
a ,..., p
a
, regsind ecuaiile Yule-Walker; acestea sunt relaii ntre
coeficienii de autocorelaie i parametrii coeficienii modelului.
Considerm un model
( ) 2 AR
cu medie zero:
2 2 1 1
+
t t t
Y a Y a Y
Inmulim aceast relaie cu
1 t
Y
i trecem la medie. Se obine:
) ( ) ( ) (
2 2 1 1 1 1
+
t t t t t t
Y Y E a Y Y E a Y Y E
39
sau
( ) ( ) ( )
1 2 2 1 1 1 1
, cov , cov , cov

+
t t t t t t
Y Y a Y Y a Y Y
deoarece
t Y E
t
, 0 ) (
. Imprind relaia anterioar la variana procesului
( )
t
Y var
,
rezult:
1 2 1 1
r a a r + .
Analog, dac se nmulete relaia 2 2 1 1
+
t t t
Y a Y a Y
cu 2 t
Y
rezult
2 1 1 2
a r a r +
Astfel, dac n prealabil s-au calculat estimaii pentru coeficienii de autocorelaie, din
sistemul de ecuaii
1 2 1 1
r a a r +
2 1 1 2
a r a r +
putem obine estimaii pentru coeficienii modelului
2 1
, a a

.
In mod similar, pentru un model AR(p) rezult sistemul de ecuaii ce fac legtura
ntre coeficienii de autocorelaie i coeficienii modelului, numite ecuaiile Yule-
Walker:
( ) ( ) ( ) ( )
i t p t P i t t i t t i t t
Y Y a Y Y a Y Y a Y Y

+ + + , cov ... , cov , cov , cov
2 2 1 1
pentru i=1,2,...,p, respectiv
p i p i i i
r a r a r a r

+ + + ...
2 2 1 1 , i=1,2,...,p
unde
1
0
r
. Dac n prealabil s-au calculat estimaii pentru coeficienii de autocorelaie
1
r ,
2
r , ..., p
r
, din acest sistem de ecuaii rezult estimaii pentru coeficienii
modelului p
a a a

,..., ,
2 1 .
Metoda clasic a celor mai mici ptrate
t
t
2

min respectiv ecuaiile Yule-
Walker conduc la estimatori ce nu sunt eficieni deoarece exist coliniaritate ntre
variabilele explicative din model p t t t
Y Y Y

,..., ,
2 1 .
Dac modelul include i o component medie mobil, fiind MA(q) sau ARMA(p,q)
atunci apare o neliniaritate n raport cu parametrii (avnd n vedere relaia
( )
( )
t t
Y
L
L

.
De regul se utilizeaz metoda verosimilitii maxime; se recurge aici la utilizarea
unor olgoritmi de optimizare neliniar (ex. algoritmul Newton-Raphson), acetia fiind
metode iterative specifice rezolvrii modelelor neliniare n raport cu parametrii. Se
presupune c erorile din model sunt o succesiune de variabile aleatoare independente,
identic repartizate, cu medie zero i normal distribuite. Ipoteza normalitii erorilor
) , 0 (
2
N
t
este necesar pentru a putea specifica o form funcional a funciei de
verosimilitate.
Funcia de verosimilitate asociat seriei observaiilor Y=(Y
1
, , Y
T
) este:

40
Y b a Y b a
i i i i
T 1 '
2
2 / 1 2 / 2
)] , ( [
2
1
exp{ )] , ( det[ ) 2 (

Maximizarea acesteia conduce la valori pentru coeficienii i i
b a ,
ce asigur cea mai
mare probabilitate de apariie a observaiilor Y
1
, , Y
T
.
c) Teste de validitate i respecificarea modelului
Pentru a vedea dac modelul estimat surprinde adecvat modul de generare a datelor
(caracterul inerial respectiv cel de asimilare a ocurilor) este util n prealabil o analiza
comparativ a funciei de autocorelaie
k
r
respectiv de autocorelaie parial
k
c
estimate, pentru seria iniial Y
t
respectiv pentru seria generat de model
t
Y
. O
asemnare ntre corelogramele acestora indic faptul c model surprinde adecvat
mecanismul de generare a datelor. Deasemenea se pot analiza radacinile unitate ale
polinoamelor autoregresive respectiv medie mobil.
Se parcurg aici dou grupe de teste: teste de semnificativitate a coeficienilor
modelului respectiv teste referitoare la reziduuri (pentru a vedea dac sunt de tip zgomot
alb).
c1) Teste privind semnificativitatea si stabilitatea coeficienilor
Considerm un model staionar ARMA(p,q) cu medie diferit de zero:

( ) ( )
t t
L a Y L +
0
Pornind de la matricea de varian-covarian a estimatorilor obinui prin metoda
verosimilitii maxime (estimatori ce sunt convergeni) se pot construi statistici de tip
Student, pentru a testa semnificativitatea coeficienilor i
a
respectiv i
b
. Distribuia
asimtotic a acestor statistici este dat de legea normal.
Se testeaz dac i
a
(sau i
b
) difer semnificativ de zero:
0 :
0

i
a H

0 :
1

i
a H

utiliznd statistica
( )
i
i
a Var
a
t

ce urmeaz asimtotic legea normal N(0,1).

Pentru un nivel de semnificaie % 5 , daca
[ ]
tab tab calc
t t t + ,
atunci ipoteza nul H
0
nu se respinge. Prin urmare variabila corespunztoare se eliminin din model, i se
respecific respectiv reestimeaz modelul.
Pentru teste asupra coeficienilor se pot utiliza aici i alte teste precum testul Wald,
sau teste de tip LM (Multiplicatorul lui Lagrange) pentru omisiunea unor variabile, teste
de stabilitate a coeficienilor.
Testul Chow este utilizat pentru testarea stabilitii parametrilor unei regresii, adic
pentru a afla dac parametrii pot fi utilizai i n afara eantiotinului de date. Utilizarea
acestui test impune ca seriile cronologice pentru care se aplic s fie staionare. Ipoteza
nul este constana parametrilor.
41
Fie n volumul eationului. Acesta se mparte n dou : n
1
i n
2
, (n
2
= n-n
1
). Nu exist
regul strict referitoare la aceast mprire. De obicei, n
2
se ia 10%, 15% sau 20% din
n. Se va prezenta testul, n forma general, pentru regresia econometric multipl, n
cazul seriilor cronologice aplicndu-se analog. Mai nti se estimeaz prin metoda celor
mai mici ptrate, pe baza a n
1,
estimatorul :
1 1
1
1 1 1
) ( Y X X X b

Unde
,
_
kn n
k
k
X X
X X
X X
X
... 1
... ... ... ...
... 1
... 1
:
2
2 22
1 21
este matricea variabilelor exogene, iar Y :
,
_
n
Y
Y
Y
...
2
1
,
vectorul
coloan a variabilei endogene. Prin mprirea eantionului n n
1
i n
2
, se vor mprii i
X i Y n dou. n continuare, se va utiliza
1
b i se va calcula o predicie pentru Y,
utilizndu-se de data aceasta cele n
2
observaii. Se obine
1 2 2
b X Y . n final se obine
vectorul erorilor de previziune ) (
1 2 2 2 2
b X Y Y Y d i se analizeaz distribuia
acestuia.
Procedura practic de realizare a testului const n urmtoarele :
1. Folosind cele n
1
observaii, se realizeaz regresia Y
1
i X
1
. Se obin reziduurile
restricionate
1 1 1
e e RSS .
2. Se realizeaz regresia lui Y n raport cu X pe toate cele
2 1
n n n + observaii,
obinndu-se reziduurile nerestricionate
2 2 2
e e RSS .
3. Se construiete statistica
) , (
) /(
/ ) (
1 2
1 1 1
2 1 1 2 2
k n n F
k n e e
n e e e e
F

.
La un nivel de semnificaie ales, dac tab calc
F F >
este respins constana parametrilor.
c2) Teste privind reziduurile
Dac modelul este bine specificat, atunci reziduurile din modelul estimat sunt generate
de un proces de tip zgomot alb (succesiune de variabile aleatoare independente, identic
repartizate), cu medie zero i normal distribuit.
Autocorelarea reziduurilor. Pentru detectarea unor dependene n seria reziduurilor se
examineaz funcia de autocorelaie k
r
i de autocorelaie parial k
c
a reziduurilor.
Dac reziduurile sunt necorelate, atunci aceti coeficieni nu trebuie s fie semnificativ
diferii de zero.
42
Se utilizeaz statistica student
( )
k
k
r ar V
r
t
ce converge asimtotic la legea normal

) 1 , 0 ( N
, cu variana estimatorului coeficientului de autocorelaie estimat prin
( )
T
r ar V
k
1

. Pentru un nivel de semnificaie % 5 , ipoteza necorelrii reziduurilor nu

se respinge dac
[ ] 96 . 1 , 96 . 1
calc
t
sau echivalent [ ] T T r
k
/ 96 . 1 , / 96 . 1 .
Identic decurge i testarea semnificativitii autocorelaiilor pariale ale reziduurilor.
Se utilizeaz aici i teste mai puternice de autocorelaie, fiind teste globale de
semnificativitate a coeficienilor de autocorelaie a reziduurilor, testndu-se o ipoteza de
forma:
0 ... :
2 1 0

M
r r r H

] , 1 [ :
1
M k H pentru care
0
k
r
Testul Ljung-Box sau statistica Q:
( )
+
M
j
j
q p M
j T
r
T T Q
1
2
2
) 2 (
Dac
2
tab calc
Q > atunci se respinge ipoteza nul, fiind necesar respecificarea
modelului. Atunci cnd Q nu difer semnificativ de zero, primele M autocorelaii sunt
nesemnificative. In practica M se consider arbitrar, sugerndu-se valori ntre 10 i 20.
Un alt test ce se bucur de popularitate este testul LM.
Testul LM pentru erori de tipul AR(p) and MA(q) (testul Breusch-Godfrey).
Considerm un model cu erori corelate de tip AR(p):
t t t
u X Y +
t p t p t t
u a u a u + + +

1 1
unde t
este un proces de tip zgomot alb. Ipoteza nula (nu exist autocorelaie pn la
ordnul p) respectiv alternativa sunt:
0 ... :
2 1 0

p
a a a H
0 : :
1

i
a i H
Seria reziduurilor
t t t
X Y u
este obinut n urma estimrii ecuaiei de regresie,
prin metoda celor mai mici ptrate. Utiliznd aceste reziduuri se estimeaz regresia
auxiliar:
t p t p t t t
u u X u + + + +

1 1

t=p+1,...,T
Atunci cnd ipoteza nul este adevrat, statistica:
) (
2 2
p R T LM
urmeaz legea ) (
2
p , unde
2
R
este coeficientul de determinaie din regresia auxiliar.
Ipoteza nul se respinge atunci cnd LM depete valoarea critic, pentru un anumit
nivel de semnificaie
2
R
. Testul LM rmne acelai i atunci cnd erorile sunt de tip
MA(q).
Investigarea normalitii reziduurilor. Pentru testarea normalitii erorilor se
recomand, n literatura de specialitate, utilizarea testului Jarque-Bera (1981), bazat pe
coeficienii de asimetrie i boltire:
43
) 2 ( ) 3 (
24
1
6
1
2 2
4
2
3
+ T T JB
.
Investigarea heteroscedasticitii reziduurilor. Testul multiplicatorilor lui
Lagrange pentru heteroscedasticitate de tip ARCH(p) presupune:
- estimarea reziduurilor t t
e
din ecuaia ce definete modelul;
- estimarea regresiei auxiliare (ce fundamenteaz testul):
2 2
1 1 0
2
...
p t p t t
e e e

+ + +
;
- testarea ipotezei nule n ecuaia de regresie auxiliar:
0 ... :
2 1

p o
H
(nu exist efect ARCH).
Dac ipoteza nul este adevarat, statistica LM definit prin:
) (
2 2
p R T LM ,
unde
2
R
este coeficientul de determinaie aferent regresiei auxiliare iar T este
lungimea seiei de timp, urmeaz asimptotic legea ) (
2
p . Ipoteza
omoscedasticitii (varian constant n timp) se respinge dac LM calculat este
superior valorii critice.
5. Elaborarea previziunilor
Odat elaborat i validat, modelul ARIMA este utilizat pentru generarea de previziuni.
Se elaboreaz:
a) previziuni punctuale
b) intervale de previziune.
a) Previziuni punctuale
Pentru un orizont de previziune h, atam momentului T+h, unde T este originea
efecturii previziunii, variabila aleatoare h T
Y
+ . O previziune punctual, notat
h T
Y
+
este dat de media (sau sperana matematic) variabilei

h T
Y
+
, aceast medie fiind
condiionat de istoricul variabilei. In general
) ,..., , | (
1 1
Y Y Y Y E Y
T T h T h T + +

h T q h T q h T h T p h T p h T h T h T
b b b Y a Y a Y a a Y
+ + + + + + + +
+ + + + +

2 2 1 1 2 2 1 1 0

Previziunile se obin n baza informaiilor disponibile pn la momentul T. Previziunile
punctuale se obin pas cu pas, pentru calculul unei previziuni fiind necesare valorile
previzionate aferente perioadelor anterioare pentru termenii autoregresivi
i h T
Y
+
dar i
pentru erorile i h T +
. Reguli de urmat:
- termenii autoregresivi i h T
Y
+ pentru 0 > i h (adic ... ,
2 1 + + T T
Y Y se
substituie cu previziunile obinute la paii anteriori;
- termenii autoregresivi i h T
Y
+ pentru 0 < i h se nlocuiesc cu valorile
nregistate, aici fiind cunoscui termenii seriei (
1 T
Y ,
2 T
Y , ...);
- termenii eroare i h T +
pentru 0 > i h (adic ... ,

2 1 + + T T
) se nlocuiesc cu
zero, (se nlocuiesc cu media acestora
( ) 0 E
S T

+
, deoarece erorile sunt de tip

zgomot alb, cu media 0; previziunile optime sunt date de media acestora).
44
- termenii eroare
i h T +
pentru 0 < i h (adic ... ,

2 1 T T
) se nlocuiesc cu
reziduurile estimate din model (spre exemplu
t t t
Y Y
, pentru
) T t <
.

Exemplu. Se consider modelul ARMA(1,1):
1 1
8 , 0 5 , 0 50

+ + +
t t t t
Y Y
lungimea seriei fiind T=70 iar
3 . 40
70
Y
iar reziduul aferent ultimei observaii este
5 , 1
70

. Previziuni punctuale:
h = 1;
( )
71 70 70 70 71
8 , 0 Y 5 , 0 50 1 Y Y + + +

95 , 68 5 , 1 8 , 0 3 , 40 5 , 0 50 Y
71
+
h=2;
47 , 84 95 , 68 5 , 0 50 Y
72
+
.
Dac seria a fost difereniat / logaritmat n prealabil atunci se va ine seama ca acest
aspect n elaborarea previziunii (de regul se aplic operaia invers transformrii). In
general este util scrierea concentrat a modelului, utiliznd operatorul de difereniere L.
b) Determinarea intervalului de previziune
Eroarea de previziune:
h T h T h T
Y Y e
+ + +

.
Presupunem c erorile modelului sunt normal distribuite
( )
, 0 N
t

. Eroarea de
previziune urmeaz de asemenea legea normal:
( ) ( )
h T h T h T h T
e V N Y Y e
+ + + +
, 0
rezult
( )
) 1 , 0 ( N
e V
Y Y
h T
h T h T
+
+ +
.
Din distribuia legii normale de probabilitate, pentru o probabilitate P fixat se
determin k astfel nct:
( )
P k
e V
Y Y
k
h T
h T h T
,
_
<
<
+
+ +
rezult intervalul de previziune: ( ) ( ) [ ]

h T h T h T h T
e V k Y e V k Y
+ + + +
+

;
Calculul varianei erorii de preziune
( )
h T
e V
+
necesit punerea modelului sub
forma mediei mobile cu un numar infinir de termeni (orice model ARMA poate fi pus n
aceast form):
... c c Y
2 t 2 1 t 1 t t
+ + +

sau
( )
t t
L C Y

unde ... 1 ) (
2
2 1
+ + + L c L c L C este polinomul coeficienilor.
45
Din forma redus a modelui ARMA
( ) ( )
t t
L Y L
rezult
( )
( )
t t
L
L
Y
, astfel
coeficienii polinomului C se obine egalnd coeficienii termenilor de forma L
j
, j=1,2,
n egalitatea
( ) ) ( ) ( L L C L
.
Utiliznd forma medie mobil:
...
2 2 1 1
+ + +
t t t t
c c Y
...
1 1
+ +
+ + T h T h h T
c c Y
rezult
...) ( ...
1 1 2 2 1 1
+ + + + +
+ + + + T h T h t t t h T h T h T
c c c c Y Y e
( )
,
_
+
1
1
2 2
1
h
j
j h T
c e V

.
Pentru dispersia erorii de previziune
2
se utilizeaz estimaia sa
2
.
Observaie. Calitatea modelului de a genera previziuni adecvate poate fi verificat
pe baza unor previziuni de prob, utiliznd ultimele observaii disponibile ca i
secven martor de observaii. n etapa elaborrii modelului se are n vedere seria
cronologic ce nu conine aceast secven martor i se msoar acurateea previziunii
printr-un indicator sintetic de tip MSE, MAPE sau RMSE (ce trebuie s fie minim).
6. Corelatii neliniare
Identificarea dinamicilor nonliniare, este deosebit de important spre exemplu in
testarea eficientei pietei de capital, deoarece lipsa dependenelor liniare nu implic
neaprat faptul c rentabilitile au o evoluie aleatoare. Formele de dependen mai
complexe nu pot fi detectate i modelate prin modele liniare clasice. Prin modelara
nonliniar se rezolv acele paradigme de care a fost dominat decenii ntregi literatura
financiar, crezndu-se c seriile finaciare urmeaz modele liniare.
Existena dinamicilor nonliniare a fost pus n eviden att pe pieele emergente ct
i pe pieele mature. Posibilii factori care contribuie la formarea dependenelor
nonliniare n seria rentabilitilor titlurilor de pe piee mature ar fi : comportamentul
iraional al investitorilor, dificulti n realizarea de arbitraje, eterogenitatea obiectivelor
investitorilor i diversitatea percepiilor actorilor pieei. Nonliniaritatea rentabilitilor
titlurilor de pe pieele emergente are mai multe cauze printre care: prezena unor
investitori mai puin sofisticai, lichiditate sczut, volatilitate ridicat, un comportament
nu tocmai raional al investitorilor. n general, investitorii sunt mai sensibili la
nregistrarea unor pierderi dect la ctiguri, au aversiune fa de pierderi. Cei care au
avut pierderi n perioade anterioare, ar putea adopta o atitudine de atracie fa de risc
pentru a putea recupera pierderile. Acest comportament duce la o ncorporare neliniar a
informaiei n curs. De asemenea unii investitori, asteapt reaciile celorlali participani
deoarece nu au capacitatea sau suficiente resurse de a analiza noua informaie.
Testul BDS (1987) este un test non-parametric, de portmanteau avnd ca i
ipotez nul H
0
: seria este i.i.d. cu alternativa nespecificat. Aceasta poate fi una dintre
variantele: seria este nestaionar, prezint dependene liniare, sau prezint dependene
non-liniare. Denumirea testului provine de la iniialele autorilor si Brock, Dechert i
Scheinkman.
46
n spatele testului st urmtoarea metodologie. Mai nti se alege o distan, fie
aceasta i o pereche de puncte. Probabilitatea ca pentru orice perechi de puncte,
distana dintre acestea s fie mai mic sau egal cu , va fi constant dac observaiile
seriei sunt i.i.d. Notm aceast probabilitate cu c
1
().
Se formeaz n continuare mulimea perechilor de puncte, alegnd pe rnd
observaiile consecutive din eantion:
{{X
k
, X
l
}, {X
k+1
, X
l+1
}, {X
k+2
, X
l+2
}, , {X
k+m-1
, X
l+m-1
}}
Unde m este numrul de puncte consecutive din mulime. Se va nota cu c
m
()
probabilitatea ca fiecare pereche de puncte s satisfac condiia de mai sus. Dac
observaiile sunt independente, probabilitatea c
m
() va fi produsul probabilitilor
individuale ale fiecrei perechi de puncte.
) ( ) (
1

m
m
c c
Probabilitile
) (
m
c
i ) (
1
c sunt estimate prin
) (
,
r c
T m i. Sub ipoteza nul,
statistica BDS este distibuit asimptotic dup o lege normal standardizat
) 1 , 0 ( N
i
este definit ca:
[ ] ( )
) (
) ( ) (
) , (
,
, 1 ,
r
r C r C T
r m BDS
T m
m
T T m
Numrtorul
) (
2
,
r
T m
este estimatorul varianei termenului [ ] ( )

m
T T m
r C r C T ) ( ) (
, 1 ,

. Trebuie menionat c testul este sensibil la alegerea valorilor lui m i r. n practic se ia
m numrul de dimensiuni sau numrul de observaii-puncte ce se includ n test cuprins
ntre 2 i 6, iar pentru r, valorile abaterii medii ptratice se iau ntre 0,5 i 1,5.
7. Extinderi ale modelelor ARIMA
a) Modele de tip autoregresiv medie mobil pentru evoluii sezoniere SARIMA
Notm prin s perioada componentei sezoniere. Dac seria este nestaionar relativ la
componenta sezonier (amplitudinea oscilaiilor crete sau scade n timp) atunci se
determin diferenele sezoniere de ordin 1:
s t t t
Y Y X

In general se noreaz cu D numrul de diferenieri sezoniere necesare pentru a
staionaliza componenta sezonier (de regul D=1).
Etapa de identificare:
1. se identific o combinaie de valori plauzibile pentru d i D care
staionalizeaz seria;
2. din graficele funciilor de autocorelaie respectiv autocorelaie parial a
seriei difereniate (care este staionar) se identific valori plauzibile
47
pentru gradele polinomului autoregresiv p, polinomului medie mobil q
respectiv pentru gradele polinomului autoregresiv sezonier P i a
polinomului medie mobil sezonier Q:
( )
s
L
Ps
P
s s
L a L a L a
2
2 1
1 iar
Qs
q
s s
L b L b L
2
1
1 ) (
.
Notaia general SARIMA(p,d,q)(P,D,Q). Ordinele polinoamelor
sezoniere P, Q sunt identificate n mod similar cu p, q analiznd funtiile
de autocorelaie k
r
respectiv de autocorelaie parial k
c
pentru k=s, 2s, ....
b) Modele de tip GARCH
In abordarea tradiional de tip Box-Jenkins previziunile sunt bazate pe media
condiionat a variabilei
,...) , | (
2 1 t t t
Y Y Y E
. Abordarea de tip ARCH ia n
considerare, n elaborarea previziunilor, i informaiile coninute n variana condiionat
a procesului (momentul condiionat de ordinul doi). Este specific seriilor cu varian
variabil n timp (nestaionare relativ la varian). Erorile nu au aceeai varian (adic
nu verific condiia de homoscedasticitate) intervale de timp cu erori de preziune mari
(n perioade de instabilitate economic) fiind urmate de intervale cu valori mici. Engle
(1982) a introdus pentru prima dat acest tip de modele, considernd c variana erorii
depinde de termeni de tipul i t
Y
i
2
i t
.
Avem aici dou tipuri de ecuaii: ecuaia mediei condiionate ce poate include i
variabile exogene respectiv ecuaia varianei condiionate.
Analiza evoluiei pe termen lung a variabilelor financiare sau economice, relev
deseori faptul ca variana acestora variaz n timp. Modelele de tip ARCH sunt o clas
de modele populare n domeniul financiar (evoluia ratei inflaiei, ratei dobnzii, ratei
rentabilitii activelor .a.). Volatilitatea ridicat apare deseori n perioade cu turbulene
politice sau economice sau ca rspuns la anumite evenimente punctuale.
Dependena de timp a varianei empirice n seria ratei rentabilitii aciunilor a fost
observat pentru prima dat de Kendall (1953), seria de timp disponibil atunci fiind
mprit n dou subeantioane de date, n scopul analizei omogenitii varianei n
timp. Autorul observa: este o situaie neobinuit pentru o serie de timp: media rmne
constant dar variana pare a crete n timp. n consecin spre exemplu n modelul de
tip mers aleator, pentru logaritmul indicelui t
P
preului aciunilor t t
P p ln
, erorile,
egale cu ratele rentabilitii (
t
r
t
p
) nu au mai fost considerate identic distribuite:
t t t
r p p +
1 , ) , (
2
t t
o N r
Primul pas n direcia modelrii varianei condiionate a fost fcut de Engle n 1982,
care a propus un model de tip ARCH, specificat prin intermediul primelor dou
momente condiionate:
) ,... , ( ) / (
2 1 1 p t t t t
p
t t
r r r g R r E

,
48
) ,... , ( } / )] / ( {[ ) / var(
2 1 1
2
1 / 1 p t t t t
p
t
p
t t t
p
t t
r r r h R R r E r E R r

,
unde
} ,... , {
2 1 1 p t t t
p
t
r r r R

.
Iniial, variana condiionat a fost exprimat ca o medie ponderat a ptratului
erorilor ) / (
1
p
t t t t
R r E r

, adic n funcie de ocurile trecute, aceasta fiind forma
ARCH(p):

+
p
i
i t i
p
t t
R r
1
2
1
) / var( ,
0 , 0
0
>
i
a a
.
Studiile empirice au artat ns c o reprezentare adecvat necesit un p destul de
mare. Pentru evitarea numrului mare de parametri necesar a fi estimai, Bollerslev
(1986) a propus o form mixt analoag cu cea din procesele autregresive medie
mobil (notaia consacrat GARCH):

+ +
q
i
i t i
p
i
i t i t
p
t t
h h R r
1
2
1
2
1
) / var( .
Modelele GARCH gsesc suport empiric n domeniul financiar, specificarea pentru
cel mai simplu model din aceast clas GARCH(1,1) sugernd intuitiv urmtorul
comportament:
- dac rentabilitatea activului a fost mult mai mare sau mult mai mic dect cea
ateptat atunci i variana estimat pentru urmtoarea perioad va fi mai mare,
incertitudinea privind nivelul ratei n urmtoarea perioad crescnd (termenii
medie mobil
2
i t
);
- de asemenea deviaiile mari ale rentabilitii tind a fi urmate de abateri mari
(termenii autoregresivi
2
i t
h
).
O serie de alte forme sunt propuse n literatur pentru modelarea varianei, cele mai
uzuale includ i alte variabile explicative n ecuaia varianei condiionate sau impun
anumite restricii privind parametrii din aceast ecuaie.
Un proces heteroscedastic presupune specificarea unui model pentru media
condiionat ca o funcie de variabile exogene i termenul eroare ) , 0 (
2
t t
N ,
respectiv a unui model pentru variana erorii. Forma general a unei ecuaii de tip
GARCH(p,q) pentru variana erorii este:

+ +
q
j
j t j
p
i
i t i t
1
2
1
2 2

unde p este ordinul prii medie mobil ARCH (unde intervin ptratele reziduurilor din
ecuaia mediei) iar q ordinul parii autoregresive GARCH. Variana condiionat este
variana erorii
t
, din ecuaia mediei, condiionat de informaiile disponibile:

49
) ,..., / ( ) ,..., / (
1
2
1
2
p t t t p t t t t
E Var

Astfel, este necesar aici a se specifica dou grupe de ecuaii: ecuaia mediei
condiionate respectiv ecuaia varianei condiionate. Exemplele clasice sunt modelul
ARMA(p,q) cu erori heteroscedastice GARCH:
'
) ' , ' (
) , (
2
q p GARCH
q p ARMA y
t
t
sau regresia cu erori heteroscedastice GARCH (scriere matricial):
'
+
) ' , ' (
2
q p GARCH
Xb y
t
n specificarea unei forme GARCH pentru varian sunt utile instrumentele utilizate
pentru identificarea ordinului prii autoregresive p respectiv medie mobil q relativ la
modelele ARMA(p,q). Variabila pentru care dorim specificarea unui model de aceast
form este n acest context ptratul reziduurilor
2
t
e .
PARTEA 3
Elaborarea modelor econometrice pentru serii financiare staionare
respectiv nestaionare. Valoarea la risc
1. Elaborarea unui model econometric, pentru serii staionare
Atunci cnd seriile de timp ce intervin sunt staionare, pentru elaborarea modelului pot fi
utilizate tehnicile din econometria clasic.
a) Influente instantanee. Un model econometric liniar multiplu explic
comportamentul variabilei dependente Y funcie de mai muli factori de influen i
X
:
t kt k t t t
X a X a X a a Y + + + + + ...
2 2 1 1 0
.
sau n form matricial:
50
) 1 , ( ) 1 , 1 ( ) 1 , ( ) 1 , ( T k
a
k T
X
T
Y +
+
unde T este numrul observaiilor, k numrul variabilelor explicative, X matricea

observaiilor relativ la variabilele explicative (prima coloan este 1, i corespunde
coeficientului 0
a
), iar a este vectorul coeficienilor de estimat.
Estimarea coeficienilor modelului se realizeaz prin metoda celor mai mici ptrate,
minimiznd suma patratelor erorilor:

'
1
2
T
t
t
S Xa X a Y X a Y Y Xa Y Xa Y ' ' ' ' 2 ' ) ( )' ( +
.
Pentru minimizarea expresiei S derivm n raport cu a i rezult:
0 ' 2 ' 2 +
a X X Y X
a
S
Y X X X a ' ) ' (
1
Teste de validitate i respecificarea modelului. Se utilizeaza aici testele de validitate

prezentate la modelele ARMA. Se aplic dou grupe de teste: teste de semnificativitate a
coeficienilor modelului respectiv teste referitoare la reziduuri. Dac modelul este valid,
reziduurile sunt de tip zgomot alb.
a) Teste privind semnificativitatea coeficienilor. Presupunem c erorile sunt
distribuite dupa legea normal. Se testeaz dac i
a
difer semnificativ de zero:
0 :
0

i
a H

0 :
1

i
a H
utiliznd statistica
( )
i
i
a Var
a
t

ce urmeaz legea Student cu T-k-1 grade de libertate.

Pentru un nivel de semnificaie % 5 , daca
[ ]
tab tab calc
t t t + ,
atunci ipoteza nul H
0
nu se respinge. Prin urmare variabila corespunztoare se eliminin din model, i se
respecific respectiv reestimeaz modelul. Pentru teste asupra coeficienilor se pot
utiliza aici i alte teste precum testul Wald, sau teste de tip LM (Multiplicatorul lui
Lagrange) pentru omisiunea unor variabile. Testul Chow este utilizat pentru testarea
stabilitii parametrilor unei regresii, adic pentru a afla dac parametrii pot fi utilizai i
b) Teste privind reziduurile. Dac modelul este bine specificat, atunci reziduurile din
modelul estimat sunt generate de un proces de tip zgomot alb (succesiune de variabile
aleatoare independente, identic repartizate), cu medie zero i normal distribuit. Se aplic
aici testele prezentate la validarea unui model de tip ARMA, privind:
- autocorelarea reziduurilor (testul Ljung-Box Q, testul LM privind corelaia
serial)
- normalitatea erorilor (testul Jarque-Bera)
- investigarea heteroscedasticitii reziduurilor (testul LM pentru
heteroscedasticitate de tip ARCH).
51
b)Influente esalonate in timp. In urma estimarii unui model cu influente
instantanee, erorile raman corelate. Se includ si variabile cu intarzieri esalonate: trecutul
variabilei dependente + prezentul si trecutul variabilelor explicative exogene, rezultand
modele de tip ADL (autoregresive distributed lag). In cazul unei singure variabile
explicative exogene, modelul ADL(p, q) se scrie:

+ + +
p
i
q
j
t j t j i t i t
X Y Y
1 0

Modelul se estimeaza si valideaza utilizand testele discutate (privind semnificativitatea
coeficientilor respectiv testele privind reziduurile).
Specificarea dinamic a unui model include specificarea efectului ntrziat a
variabilelor explicative (strucura dinamic a prii sistematice din model) dar i
specificarea dinamic a termenului eroare (partea nesistemaic din model). Considerm
un model liniar clasic de regresie, cu o singur ecuaie:
t t t
u X Y +
t=1,2, ...,T
unde t
X
este vectorul celor K variabile explicative (de dimensiune 1xK), iar
este
vectorul coeficienilor modelului (de dimensiune Kx1) .
Atunci cnd erorile din model sunt corelate, fiind generate spre exemplu de un
proces ARMA, estimatorii obinui pentru coeficieni prin metoda celor mai mici ptrate
respectiv prin metoda verosimilitii maxime rmn nedeplasai dar sunt ineficieni. De
asemenea estimatorul matricii de varian-covarian a estimatorului
este deplasat,
astfel toate testele bazate pe matricea de varian-covarian estimat devin ineficieni
(ex. testul t, testul F, testele bazate pe
2
R
....). Un model greit speficat conduce la
previziuni inadecvate, iar pentru generarea unor previziuni eficiente este necesar a se
ine seama i de informaiile coninute n reziduuri u (faptul c reziduurile precedente
ajut la previziunea reziduurilor curente). De asemenea dac apar variabile de tip
autoregresiv i t
Y
ca i variabile explicative atunci estimatorii obinui prin metoda celor
mai mici ptrate sunt deplasai. Printre cauzele autocorelrii erorilor se afl i
specificarea greit a dinamicii prii sistematice din model.
Pentru detectarea autocorelaiei erorilor sunt utile testul Durbin-Watson,
corelograma rezidurilor, testul Ljung-Box, testul LM.
Atunci cnd erorile din modelul de regresie sunt corelate, este necesar
respecificarea modelului, soluiile clasice fiind respecificarea variabilelor explicative sau
a formei modelului dar i respecificarea prii nesistematice, adic a erorii. Aceast
ultim soluie se are n vedere n cele ce urmeaz. Exist implementate n softurile
statistice proceduri de estimare adecvate pentru estimarea unor modele de regresie cu
erori de tip ARMA.
Metoda celor mai mici ptrate n dou etape notat TSLS n EViews este adecvat
pentru estimarea unui model de regresie cu erori autocorelate sau a unor modele n care
exist corelaii ntre variabilele explicative i termenul eroare. Ca i variabile explicative
pot figura aici i termeni de tip autoregresiv pentru variabila dependent. Aceast
metod se bazeaz pe metoda variabilelor instrumentale; se caut aici alte variabile
explicative care s fie corelate cu variabilele explicative iniiale dar necorelate cu
52
eroarea. Atunci cnd se estimeaz modele cu erori ARMA in Eviews sunt incluse
automat ca i variabile instrumentale termenii de tip autoregresiv pentru variabila
dependent respectiv pentru variabilele independente, corespunztori ordinului speficat
pentru eroare.
In Eviews este de asemenea implementata procedura Newey-West, adecvata pentru
estimarea modelului atunci cand erorile sunt heteroscedastice respectiv autocorelate.
8. Aplicatie. Modelul de piata
Relaia dintre rentabilitatea unui titlu i rentabilitatea pieei poate fi evideniat prin
intermediul modelului de pia. Variaiile cursului oricrui titlu sunt, mai mult sau mai
putin, legate de variaiile pietei n ansamblul ei. Anumite titluri sunt mai volatile, mai
sensibile dect altele la micrile pieei. Cursul unui titlu poate varia sub influena unor
factori care afecteaz piaa n ansamblul ei (factori macroeconomici, politici, legislativi,
externi), caz n care vorbim despre riscul de pia. Dar riscul titlului poate varia i
datorit unor factori strict legai de societate, acesta fiind riscul specific. Relaia dintre
rentabilitatea unui titlu i rentabilitatea pieei poate fi evideniat prin intermediul
modelului de pia:
t t t
RA RA + +
unde
t
RA
- rata de rentabilitate a actiunii n perioada t,
t
RP
- rata de rentabiliate a
pieei, n perioada t, - parametru propriu fiecrei aciuni, se mai numete coeficient de
volatilitate sau simplu beta.
Conform teoriei moderne a portofoliilor, este elementul central pentru c el
msoar riscul sistematic al acelui titlu sau portofoliu. n funcie de valoarea pe care
acesta o ia, aciunile sau portofoliile se pot mpri n:
aciuni cu volatilitate unitara: variaza in acelasi sens si in aceeasi
proportie cu piata. Achiziionarea unei astfel de aciuni presupune
expunerea investitorului exact la riscul pieei;
actiuni cu volabilitate subunitara: variaza in acelasi sens dar intr-o
proportie mai mica decat piata. Expunerea la riscul pieei este mai mic,
ele fiind aciunile defensive;
actiuni cu volatilitate supraunitara: variaza in acelasi sens,intr-o proportie
mai mare decat piata. Sunt aciunile ofensive ce amplific variaia
pieei i sunt atractive cnd se anticipeaz o tendin ascendent a pieei.
Micrile cursului unui titlu cu beta supraunitar vor amplifica micarea pieei n
ansamblul ei; al unui titlu cu beta cuprins ntre 0 i 1 vor amortiza micrile pieei iar un
titlu cu beta negativ va reprezenta o valoare de refugiu n raport cu indicele.
Distincia dintre risc sistematic i risc specific poate fi evideniat pornind de la modelul
de pia, prin aplicarea varianei, astfel:
) ( ) ( ) ( ) ( ) ( ) (
2 2 2 2 2
+ + RP RA V RP V RA V
t t t
adic (Riscul total)
2
= (Risc sistematic)
2
+ (Risc specific)
2
. Riscul sistematic este egal cu
beta nmulit cu abaterea medie ptratic a rentabilitatii pieei:
) (RM
. Riscul
specific este egal cu abaterea medie ptratic a reziduului
) (
, aceasta fiind msura
variabilitii proprii a titlului.
53
Un portofoliu este cu att mai riscant cu ct titlurile care l conin vor avea un beta
mai mare. Gradul de independen a variaiilor de curs ntre ele au o mare importan n
reducerea riscului portofoliului. n general, dou aciuni nu vor varia de o manier total
independent; covariana lor este n general mai mare dect 0. n acest caz, reducerea
riscului nu este aa de mare ca i n cazul n care cele dou aciuni variaz independent.
Componenta de pia a unui portofoliu va varia de o manier sistematic dat de
incertitudinile pieei. Este imposibil s se elimine acest risc i orice investitor i-l va
asuma mai mult sau mai puin. Componenta indepndent a portofoliului, dat de factorii
specifici societilor cotate, poate fi eliminat prin diversificarea portofoliului.
n cadrul modelului de pia, prezint importan testarea semnificaiei lui
. n
cazul n care acesta nu difer semnificativ de 0, piaa nu va avea o influen
semnificativ asupra rentabilitii titlului respectiv, titlul nu este expus riscului de pia.
Estimarea si validarea modelului se realizeaza prin tehnicile specifice econometriei
clasice, ratele rentabilitilor fiind de regul staionare. Ipotezele ale modelului de pia
sunt, n fapt ipotezele econometrice clasice ale unui model econometric liniar simplu.
Critici aduse lui beta: este instabil, efect de interval. Beta reflect riscul de pia al
societii emitente. n funcie de deciziile pe care societatea le ia, variaz i risul de
pia. Astfel, creterea ratei de ndatorare a societii va crete riscul financiar i implicit
riscul de pia, msurat prin beta. Adoptarea unor proiecte de activitate riscante de ctre
societate, va duce la creterea riscului acestora.
3. Analiza cauzalitii dintre variabile
nainte de specificarea unui model actuarial pentru investiii este important de testat
natura relaiilor existente ntre variabile. Ne vom referi n continuare, pentru simplitatea
expunerii, la dou variabile Y respectiv X.
n sensul abordrii propuse de Granger (1969) X este cauza pentru Y, sau X explic
pe Y, dac X ajut la predicia lui Y. Procedura presupune a se cuantifica ct din nivelul
current al variabilei Y poate fi explicat prin valorile sale istorice iar apoi a se vedea dac
adugnd variabile de tipul i t
x
variaia explicat crete.
Testul Granger identifica daca variabila X aduce informatii aditionale (pe langa
trecutul lui Y) ce pot fi utile in previziunea lui X. Se au in vedere informatiile continute
in trecutul lui X. Se presupune ca cele doua variabile sunt stationare.
Analiza cauzalitii ntre dou variabile presupune parcurgerea etapelor de mai jos.
1) Pentru a testa dac X este cauz pentru Y, n sens Granger, se estimeaz
ecuaia de regresie:

+ + +
k
i
k
j
t j t j i t i t
X Y Y
1 1

, (u)
unde k este fixat astfel nct erorile s fie zgomot alb. Relativ la aceast ecuaie, ipoteza
nul respectiv alternativa sunt:
0 ... :
2 1 0

l
H
, X nu este cauz pentru Y,
0 :
1

i
H
.
54
Testarea ipotezei precedente se realizeaz utiliznd un test de tip Fisher-Snedecor
construit astfel:
) 1 2 , (
) 1 2 /( ) 1 (
/ ) (
) 1 2 /(
/ ) (
2
2 2

k n k F
k n R
k R R
k T SSR
k SSR SSR
F
u
r u
u
u r
,
unde u
SSR
i
2
u
R reprezint suma ptratelor reziduurilor respectiv coeficientul de
determinaie n ecuaia fr restricii (u) iar
r
SSR i
2
r
R sunt aceleai elemente dar n
ecuaia de regresie cu restricii (r) ce include doar termenii de tip i t
y
:
+ +
k
i
t i t i t
Y Y
1

. (r)
Se respinge ipoteza nul dac valoarea calculat pentru statistica F este mai mare dect
valoarea critic.
2) Analog, se testeaz dac Y este cauz pentru X pornind de la regresia:

+ + +
k
i
k
j
t j t j i t i t
Y X X
1 1

, (u)
Ipoteza nul respectiv alternativa sunt:
0 ... :
2 1 0

l
H
, Y nu este cauz pentru X
0 :
1

i
H
.
Testul F are aceeai form:
) 1 2 , (
) 1 2 /( ) 1 (
/ ) (
) 1 2 /(
/ ) (
2
2 2

k n k F
k n R
k R R
k T SSR
k SSR SSR
F
u
r u
u
u r
,
r
SSR i
2
r
R referindu-se la ecuaia de regresie cu restricii (r):
+ +
k
i
t i t i t
X X
1

. (r)
3) n urma aplicrii celor dou teste sunt posibile patru concluzii:
i) cauzalitate unidirecional: X este cauz pentru Y (X
Y) dac ipoteza nul

se respinge la 1) i se accept la 2);
ii) cauzalitate unidirecional: Y este cauz pentru X (Y
X) dac ipoteza nul

se respinge la 2) i se accept la 1);
iii) cauzalitate bidirecional: X
Y dac ipoteza nul se respinge att la 1) ct

i la 2).
iv) cele dou variabile sunt independente dac ipoteza nul se accept la 1) i la
2).

4. Modele vector autoregresiv VAR
Reprezentarea autoregresiv AR(p) este extins pentru un vector de variabile dependente
VAR(p). In scrierea matriciala, pentru dou variabile, un model VAR(1) are forma:
55
,
_
,
_
,
_
,
_
,
_
t
t
t
t
t
t
Y
Y
a a
a a
b
b
Y
Y
2
1
1 2
1 1
22 21
12 11
2
1
2
1
sau t t t
AY B Y + +
1 unde t
Y
este vectorul variabilelor dependente (2x1), B vectorul
termenilor liberi (2x1), A matricea coeficienilor (2x2) iar
vectorul erorilor
(perturbaiilor). Prezentul variabilelor este dependent de propriul trecut.
Un sistem econometric cu ecuaii simultane poate fi pus n forma VAR. Aceste modele
sunt destinate previziunii (avantaj: nu sunt necesare previziuni ale variabilelor, nafara
sistemului) i se utilizeaz deasemenea pentru a analiza impactul unor perturbaii
(ocuri) aleatoare asupra variabilelor sistemului.
56
Fiecare variabil este exprimat funcie de trecutul celorlalte variabile din sistem.
Forma general VAR(p) este redat prin ecuaia vectorial:
t p t p t t t
Y A Y A Y A B Y + + + + +

...
2 2 1 1
unde t
Y
este vectorul variabilelor dependente (kx1), i
A
(kxk) matrici ale coeficienilor
iar
t
este vectorul (kx1) inovaiilor (erorilor);

)' ,..., , (
2 1 kt t t t
Y Y Y Y
adic transpusa
vectorului. Se presupune ca inovaiile sunt necorelate cu trecutul acestora respectiv cu
variabilele din partea dreapta a ecuaiei. Pentru estimarea coeficienilor se utilizeaz
metoda celor mai mici ptrate pentru fiecare ecuaie n parte, fr a se pierde din
eficient.
Se utilizeaz atunci cnd ne intereseaz interaciunea dintre variabile. Se definesc i
aici condiii de stabilitate, staionalitate a modelului. In operatorul intarziere modelul se
scrie:
t t
B Y L + ) (
unde
p
p k
L A L A L A I L .... ) (
2
2 1
, prin k
I
fiind notat matricea unitate.
Modelul VAR(p) este stabil dac rdcinile ecuaiei
0 ) .... det( )) ( det(
2
2 1

p
p k
z A z A z A I z
sunt nafara cercului unitate (au modulul mai mare dect unu). Un model stabil este
staionar, respectiv mediile, varianele i autocovarianele fiind independente de timp.
Inainte de elaborarea unui model se recomand eliminarea tendinei i a sezonalitii
din date, dac exist; o metod alternativ const n introducerea unui termen t n ecuaia
vectorial pentru a extrage tendina determinist. Pentru validare se aplic teste
specifice, similare cu cele din cazul unui model autoregresiv cu o singur ecuaie: erorile
trebuie s fie necorelate, s aib aceeai varian (constant n timp), iar pentru
elaborarea de previziuni este necesar i normalitatea erorilor.
Testul Granger de cauzalitate, numit i test de exogeneitate slab, ne indic dac o
variabil endogen poate fi tratat ca exogen. Intr-un model VAR cu 2 variabile,
2
Y nu
este cauz de tip Granger pentru
1
Y
dac toate matricile coeficienilor sunt
triunghiulare, cu 0 deasupra diagonalei principale.
5. Serii cointegrate . Meto dologia Engle-Granger (cointegrare ntr-o singur
ecuaie)
Regresii false
!!!Regresii false = regresii cu variabile nestationare cu radacina unitate, ce nu sunt
cointegrate.
Noiunea de cointegrare este strns legat de cea de regresii false cu serii de timp.
Atunci cnd se estimeaz regresii cu serii de timp n economie deseori din R
2
este mare
(R
1) iar statistica Durbin-Watson este mic DW
0 (erorile sunt corelate). In

57
general, R
1, DW
calc

0 i R
2
> DW
calc
poate fi un semnal ca regresia este fals;
dependena este exagerat iar estimatorii sunt suspeci. Aceasta se ntmpl deoarece
variabilele din economie sunt deseori nestaionare i se comport ca i un proces de tip
mers aleator (au rdcin unitate). Dac dou serii sunt I(1) atunci deseori se respinge
ipoteza inexistenei unei relaii ntre ele chiar cnd aceasta un exist. Genernd dou
serii de tip mers aleator independente i estimnd ecuaia de regresie dintre ele, Engle i
ranger au observat c ipoteza conform creia panta dreptei de regresie este
nesemnificativ s-a respins n 76% din cazuri, utiliznd testul t; au sugerat ca regresia s
fie estimat pentru seriile difereniate.
Pentru a exista o relaie pe termen lung ntre variabile, acestea trebuie s fie
cointegrate. Un test de cointegrare poate fi aplicat, pentru a se evita regresiile false.
Engle i Granger (1987) au observat faptul c o combinaie liniar a dou sau mai multe
serii nestaionare poate fi staionar.
Definiie. Dou serii
t t
X Y ,
integrate de acelai ordin I(d) sunt cointegrate de ordin
CI(d,b) daca exist o combinatie liniara t t t
bX aY Z +
ce are un ordin mai mic de
integrare I(d-b).
Consideram in continuare doua variabile
t t
X Y ,
integrate de ordinul unu I(1). Daca
exista relatie de cointegrare intre ele atunci metoda celor mai mici patrate
t t t
X a a Y + +
1 0 o identifica. Astfel, dou serii nestaionare Y i X, integrate de
ordinul 1, adic I(1), pentru care reziduul din MMP:
) (
1 0 t t t
X a a Y +
este staionar
t
I(0) sunt cointegrate. Vectorul (1,
1
a ) se numete vector de
cointegrare. Astfel diferena t t
X a Y
1
rmne stabil n jurul unei medii fixe 0

a

(media lui t
este zero). Dac constanta este zero, relaia ce le menine legate pe termen
lung este una de proporionalitate t t
X a Y
1
. Variabilele rmn legate pe termen lung

prin relaia de echilibru t t
X a a Y
1 0
+
iar deviaiile de la aceasta au loc doar pe termen
scurt; aceast relaie de echilibru poate fi interpretat ca o relaie echilibru pe termen
lung, deranjat doar de ocuri aleatoare (
) cu efect pe termen scurt. Relaia

t t t
X a a Y + +
1 0 se numete relaie de cointegrare ntre cele dou variabile. Relatia de
echilibru pe termen lung este neleas n sensul de stabilitate a relaiei de dependent.
Dou serii cointegrate au o tendin stochastic comun (tendine de evoluie
similare), adic hoinresc mpreun (analogie n evoluie). Relaia de dependen
dintre ele este stabil.
Exemple. Posibile relaii de cointegrare sugerate de teoria economic, variabilele
fiind de regul considerate n form logaritmat:
- ntre venit PIB i consum C. Raportul C/PIB este constant pe termen lung, astfel
ln(C)-ln(PIB) este staionar iar ln(C) i ln(PIB) sunt cointegrate. In mod similar PIB i
nvestiiile;
- cererea de moned, preuri, venit
- ntre cursul valutar, preurile domestice respectiv preurile din ara strin, cursul
real avnd comportament staionar (conform teoriei paritii de cumprare);
58
- cusul diferitelor aciuni;
- rentabilitatea activelor i rata inflaiei, diferena acestora adic rata real a
rentabilitii, ce are comportament staionar;
- ratele dobnzii pentru diferite maturiti, diferena fa de rata activului fr risc
(rata pe termen scurt) reflectnd prima de risc a investitorilor;
- logaritmul indicelui preului aciunilor respectiv al dividendelor diferena
reprezentnd logaritmul randamentului
) 0 ( ln ln I D P
t t

.
- logaritmul indicelui preurilor t
Q ln
respectiv al salariului t
S ln
, diferena
) 0 ( ln ln I Q S
t t

reprezentnd logaritmul indicelui salariului real;
- cursurile aciunilor (de regul n form logaritmat) etc.
Aceste posibile relaii de cointegrare trebuie confirmate i de datele empirice.
La nivel macroeconomic, de regul se manifest relaii bidimensionale de cauzalitate
ntre variabilele macroeconomice (n principal cele monetare sau financiare) i evoluia
pieei financiare. Piea bursier este privit ca un barometru al economiei. Evoluiile
pozitive din economie se reflect de regul n evoluia cursului aciunilor. Studiile
empirice relev corelaii inverse ntre rentabiliti i rata nflaiei respectiv masa
monetar. Alte variabile a cror influen asupra rentabilitilor a fost analizat: rata de
cretere a produciei industriale, rata dobnzii, rata omajului i ctigul salarial.
Abordri n teoria cointegrrii:
- abordari bazate pe o singur ecuaie, cea mai cunoscut fiind metoda n dou
etape propus de Engle i Granger;
- abordarea multivariat de tip VAR respectiv VECM; n acest caz ne asteptm la
existena mai multor relaii de cointegrare. n cazul general dat fiind un grup de mai
multe variabile nestaionare suntem interesai dac acestea sunt cointegrate, i dac sunt,
care este relaia de echilibru pe termen lung dintre ele. Pentru analiza cointegrrii ntre
mai multe procese nestaionare, cu rdcin unitate, se apeleaz la metodologia
dezvoltat de Johansen i Juseliu (1990), implementat n softurile de statistic.

Metodologia Engle-Granger :
Etapa 1. Testarea existenei unei relaii de cointegrare ntre dou variabile:
a) se testeaz dac ambele variabile sunt integrate
( ) 1 I X , Y
t t

de ordin 1, utiliznd
teste de tip unit root, precum testul ADF
b) se estimeaz regresia liniar t t 1 0 t
X a a Y + +
prin MMP pentru a obine o
estimatie a relaiei (vectorului) de cointegrare. Interesant este c estimatorii obinui
pentru 0
a
i
1
a
sunt superconsisteni (n acest caz, cnd ambele variabile sunt I(1)),

chiar dac erorile sunt corelate. Erorile standard nu sunt ns de ncredere, astfel nu se
pot realiza inferene privind modelul pe termen lung. Dac exist o relaie de cointegrare
atunci MMP o va depista, iar dac nu exist atunci regresia este fals. Se extrag apoi
estimaiile pentru reziduuri
t 1 0 t t
X a a Y

;
c) se testeaz dac reziduurile t
sunt staionare. Dac ipoteza existenei rdcinii

unitate n seria reziduurilor este respins, atunci ntre cele dou procese exist relaia de
cointegrare. Dac reziduurile sunt staionare cele dou serii sunt cointegrate, relaia de
59
cointegrare fiind cea estimat
t t 1 0 t
X a a Y + +

iar relaia de echilibru pe termen lung
este t 1 0 t
X a a Y

+
.
Dup estimarea coeficienilor de regresie i prin urmare a reziduurilor
t
, se aplic
testul ADF au un alt test de tip unit root pentru detectarea nestaionalitii reziduurilor
(detectarea rdcinii unitate). Valorile critice ns nu sunt cele clasice deoarece seria
reziduurilor a rezultat prin estimare. Valorile adecvate testului ADF de cointegrare au
fost obinute de ctre MacKinnon de asemenea prin simulare i pot fi gsite n Johnston
i DiNardo (1994).
Exemple de valori critice pentru ADF pentru cointegrare, % 5
T lunginea seriei ADF (p=4)
50 -3,29
100 -3,17
200 -3,25
Dac t
calc
<
*
tab
t
H
0
se respinge t
sunt staionare X
t
, Y
t
cointegrate
(exist o relaie de dependen stabil ntre ele numit relaie de cointegrare.
De asemenea se poate utiliza testul Durbin-Watson pentru cointegrare (CRDW)
propus de Bhargava si Sargan. Se calculeaza statistica Durbin-Watson iar daca d
calc
>
*
tab
d
X
t
, Y
t
sunt cointegrate; valorile tabelate sunt: 0.386 pentru
=5%, 0.322
pentru
=1%. Observatie: d=2(1-

1
r ),
1
r fiind coeficientul de autocorelatie a
reziduurilor de ordinul 1.
Etapa 2. Elaborarea unui model de tip ECM
Dou serii cu tendine stochastice ce sunt cointegrate evolueaz mpreun n timp,
acest echilibru pe termen lung fiind "deranjat" doar de ocuri aleatoare cu efect pe
termen scurt. Dac exist, relaiile de echilibru pe termen lung dintre variabile este
necesar a fi ncoporate n modelul dinamic, destinat previziunii. Astfel, ne asigurm c
modelul va genera, atunci cnd este utilizat n simulare, pentru variabilele cointegrate
serii ce vor evolua mpreun. Dac se ignor existena cointegrrii i se modeleaz
diferenele de ordin nti ca i variabile staionare, atunci cele dou serii vor evolua
independent, fiecare dup tendina sa stochastic, i prin urmare neconform cu datele
istorice.
Relaia pe termen scurt dintre dou variabile cointegrate, cu relaia de cointegrare
t t
X a a + +
1 0 t
Y
, poate fi descris printr-un model de corecie a erorilor (error
correction model), forma simpl a acestuia fiind:
t t t t
X a a Y X + + +

) ( Y
1 1 0 1 1 t
, sau
t t t
X Y + + +
1 1 t
.
Reziduurile din ecuaia de cointegrare
1 1 1

t t t
X b a Y (ce surprind
dezechilibrele pe termen lung) sunt luate n considerare n modelul dinamic, fiind
introduse ca un factor. Astfel, modificrile variabilei Y pe termen scurt depind de cele
ale variabilei Xi de abaterea lui Y de la valoarea sa de echilibru pe termen lung
1
+
t
bX a
din perioada precedent.
60
Dezechilibrul dintr-o perioada este corectat in perioada imediat urmatoare; spre
exemplu un dezechilibru intre cerere si oferta din perioada anterioara determina o
modificare a pretului (dezechilibrul a determinat o corectie a pretului in perioada
curenta). Coeficientul
indica in ce proportie un dezechilibru aparut in evolutia celor

doua variabile (abatere de la relatia de cointegrare), se regaseste intr-o corectie a
variabilei Y in perioada imediat urmatoare.
Observm c n acest model coeficienii de regresie
2 1
, sunt coeficieni ai unor
variabile staionare, fiind aplicabile tehnicile clasice de estimare i validare.
Observaie. Forma ecuaiei ECM rezult din modelul dinamic:
t t t t
Y X X + + + +
1 1 1 2 1 t
Y
unde
t
este zgomot alb. Rezult forma ECM:

t t t t
X a a Y X Y +

) )[ 1 (
1 1 0 1 1 1 t
unde
) 1 /(
1 0
a
i ) 1 /( ) (
1 2 1 1
+ a . Cele dou ecuaii sunt echivalente, dar
forma ECM are avantajul de a ncorpora i dezechilibrele pe ermen lung, de la ecuaia de
cointegrare (atunci cnd variabilele sunt cointegrate) iar coeficientul
1
1 ofer
informaii privind viteza de ajustare.
Ecuaia anterioar poate include i un termen determinist n t, respectiv ali termeni de
tipul i t
X

sau i t
Y

:
t
n
i
i t i
m
i
i t i t
Y X t Y + + + + +

1 1
1 t
.
astfel nct termenul eroare
t
s fie de tip zgomot alb. Forma final a modelului rezult

utiliznd procedurile obinuite de validare i estimare. Coeficientul
msoar viteza de
ajustare la dezechilibrele pe termen lung.
O alt modalitate de a detecta existenta unei relaii de cointegrare const n testarea
semnificativitii coeficientului
(cu alternativa mai mic dect zero) n modelul ECM;

dac acesta este nesemnificativ atunci nu exist o relaie de cointegrare ntre variabile.
Dei se estimeaz o relaie de echilibru pe termen lung ntre dou variabile
cointegrate, este important de considerat i relaia pe termen scurt dintre acestea,
deoarece sistemul poate s nu fie ntotdeauna n echilibru.
Metodologia nu este aplicabil pentru studiul cointegrrii ntre mai multe vriabile.
n concluzie, relativ la estimarea regresiei ntre dou variabile relativ la care baza de
date este format din serii de timp sunt utile reperele urmtoare:
Dac variabilele nu au radacina unitate, adica sunt staionare relativ la o
constanta sau staionare relativ la tendin (determinist) modelul este specificat
pentru variabilele observate. Forma general a modelului dinamic adecvate n
acest scop este:

+ + + +
p
i
q
o j
t j t j i t i t
X Y t Y
1

.
61
Termenul t se include doar dac una din variabile este staionar relativ la
tendin. In acest caz testele clasice din regresie, bazate pe metoda c.m.mici
ptrate sunt asimptotic valide (dac numrul datelor e suficient de mare).
Dac variabilele au o singura radacina unitate adica sunt nestaionare dar devin
stationare dup o singur difereniere i nu sunt cointegrate, atunci, regresia se va
estima pentru diferene. Modelul dinamic are forma:

+ + +
p
i
q
o j
t j t j i t i t
Y Y Y
1

.
Dac variabilele au o singura radacina unitate adica sunt nestaionare dar devin
stationare dup o singur difereniere i nu sunt cointegrate, atunci regresia:
t t
X a a + +
1 0 t
Y
furnizeaz un estimator (super)consistent pentru relaia de cointegrare pe termen
lung dintre variabile (Johnston i DiNardo, 1994). Relaia, pe termen scurt,
dintre variabile este modelat estimat utiliznd un model dinamic de tip corecie
a erorilor:
t
n
i
i t i
m
i
i t i t
Y X t + + + + +

1 1
1 t
Y
unde t t
X a a
1 0 t 1
Y
Aceast ecuaie ncorporeaz att dinamica pe termen scurt ct i cea pe termen lung.
6. Cointegrare n sisteme de ecuaii. Metodologia Johansen
In general, abordarea Engle-Granger este adecvat doar pentru dou variabile. Dac
avem n variabile i n-1 dintre ele nu sunt (slab) exogene, i/sau exist mai multe relaii
de cointegrare ntre variabile atunci abordarea prin intermediul unei singure ecuaii nu
este adecvat (Harris and Sollis, 2003).
In modelele multivariate toate variabilele sunt abordate simultan, i se urmrete
explicarea comportamentului unei variabile funcie de trecutul su i a celorlalte
variabile. Pentru un vector
t
Y
(kx1) de k poteniale variabile endogene specificm un
model autoregresiv VAR(p):
t p t p t t t
Y A Y A Y A B Y + + + + +

...
2 2 1 1
Atunci cnd ecuaia
0 ) .... det( )) ( det(
2
2 1

p
p k
z A z A z A I z
are rdcini n interiorul cercului unitate, unele sau toate variabile din vectorul t
Y
sunt
nestaionare I(1), iar ntre ele pot exista relaii de cointegrare.
Definiie. Un vector de variabile integrate de acelai ordin I(d) este cointegrat
CI(d,b) cu vectorul de cointegrare
dac
t
Y
'
este integrat de ordin mai mic I(d-b).
Astfel, exist anumite combinaii liniare ale variabilelor din vector ce sunt integrate de
un ordin mai mic.
62
Observaie. Pentru un vector ce conine dou variabile integrate I(1)
t
Y
=(
) ,
t t
X Y
pentru care reziduul din regresia t t t
X Y +
este staionar I(0), vectorul de cointegrare
este
) , 1 (
;
t t t
X Y Y
'
adic reziduul t t t
X Y
este staionar.
Dac toate variabilele din vectorul t
Y
=(
'
2 1
) ,..., ,
kt t t
Y Y Y sunt staionare I(0),
atunci se aplic metodologia clasic VAR, pentru elaborarea acestui model. Dac cel
puin una din variabile este nestaionar I(1) atunci exist dou posibiliti: (1) nu exist
nici o relaie de echilibru (sau de cointegrare) ntre elementele lui t
Y
caz n care pentru
evitarea unor regresii false in sistem se va estima un model VAR pentru diferente,
respectiv (2) exist una sau mai multe relaii de echilibru (sau de cointegrare) ntre
elementele lui t
Y
, cnd se are n vedere reprezentarea VECM a modelui (aceasta fiind
o reprezentare VAR cu restricii, ce include si reziduurile din ecuatiile de cointegrare).
Presupunem in continuare caci t
Y
sunt I(1).
Abordarea Johansen const n identificarea a r combinaii liniare de cointegrare,
printre cele k variabile integrate, i ncorporarea lor ntr-un model dinamic.
Cum pot fi identificate aceste relaii de cointegrare?
Dac
t
Y
sunt cointegrate atunci reprezentarea VAR pentru diferente nu este prea
adecvat pentru analiz deoarece relaiile de cointegrare nu apar explicit. Relaiile de
cointegrare devin vizibile n reprezentarea VECM, reprezentare echivalent cu VAR,
aceasta fiind:
t p t p t t t
Y Y Y Y + + + +
+ 1 1 1 1 1
...
unde

p
i
i
I A
1
iar
) ... (
2 2 1
A A A
i i i
+ + +
+ +
.
Justificare. Considerm k=2.
t t t t t
Y A Y I A B Y Y + + +
2 2 1 1 1
) (
t t t t t
Y I A A Y Y I A B Y + + + +
2 1 2 2 1 1
) ( ) )( (
t t t t
Y I A A Y I A B Y + + + +
2 1 2 1 1
) ( ) (
Este mai convenabil s apar 1 t
Y
pentru a putea evidenia eventual reziduul din
perioada anterioar, astfel:
t t t t t t
Y I A A Y I A A Y I A A Y I A B Y + + + + + + +
1 1 2 1 1 2 2 1 2 1 1
) ( ) ( ) ( ) (
t t t t
B Y A Y I A A Y + + +
1 2 1 2 1
) (
sau
t t t t
B Y Y Y + + +
1 1 1
unde I A A +
2 1
iar
2 1
A .
Aceast reprezentare echivalent are mai multe avantaje (Juselius, 2003): se reduce
efectul multicoliniaritii, informaiile pe termen lung sunt sintetizate n matricea ,
avem o interpretare mai intuitiv a coeficienilor (surprind efetul pe termen lung
respectiv scurt), este o reprezentare adcvat atunci cnd ne intereseaz modificrile fa
de perioada anterioar.
Legtura ntre rangul matricii i numrul relaiilor de cointegrare
63
Coeficienii
i
conin informaii despre ajustarea pe termen scurt, iar pentru a

identifica eventuale relaii de echilibru pe termen lung ntre elementele vectorului t
Y
ne
concentrm asupra matricii . Rangul matricii indic numrul relaiilor de
cointegrare prezente ntre cele k variabile din vectorul
t
Y
.
Cum t
Y
sunt I(1) rezult t
Y
staionare, astfel rangul matricii, notat cu r, trebuie s
fie mai mic dect numrul variabilelor r=rang( )<k (altfel n partea stng avem o
variabil nestaionar iar n partea dreapt una nestaionar); dac spre exemplu
k
I

atunci membrul stng al ecuaiilor este o variabil staionar t
Y
iar n cel drept avem
o variabil nestaionar
1 t
Y
plus variabile staionare (
i t
Y

respectiv reziduul).
Astfel 0 sau rang( )<k. Rangul matricii este egal cu numrul de linii (sau
coloane) liniar independente. Avem rang( )=k doar atunci cnd toate variabilele sunt
staionare; n acest caz nu se pune problema cointegrrii.
n cazul nestaionalitii de tip I(1), forma VECM are sens doar atunci cnd 1
t
Y
definete combinaii liniare staionare, adic ntre variabile exist relaii de cointegrare.
Atunci cnd matricea (kxk) are rang redus 1 1 k r aceasta poate fi
descompus n dou matrici
(kxr) i
(kxr) fiecare cu rangul r:

'
.
Astfel n ipoteza unor variabile I(1) reprezentarea VECM(p-1) a unui vector cointegrat
cu r relaii de cointegrare este:
t p t p t t t
B Y Y Y Y + + + + +
+ 1 1 1 1 1
'
...
sau
t p t p t t t
B Y Y Y + + + + +
+ 1 1 1 1 1
...
unde
1 1
'

t t
Y este staionar I(0) fiind vectorul rx1 relaiilor de cointegrare,
(kxr) este matricea vectorilor de cointegrare (r vectori de cointegrare, fiecare coloan

reprezentnd coeficienii unui vector de cointegrare); acetia formeaz o baz n spaiul
vectorilor de cointegrare, orice combinaie liniar a vectorilor din baz fiind de
asemenea un vector de cointegrare. Avem n aceast reprezentare un VAR(p-1) n care
toate variabilele sunt staionare. Matricea coeficienilor de ajustare
din 1 t

reprezint viteza cu care t
Y
se ajusteaz la dezechilibre in relaia de cointegrare.
Descomunerea
'
nu este unic deoarece pentru orice matrice M(rxr)
nesingular avem
' ' ' 1 ' 1 '
) )( ( ) )( ( ab M M M M

unde M a iar
' 1
M b . Pentru a obine valori unice sunt necesare anumite restricii, precum
normalizarea (se mpart toi coeficienii vectorului de cointegrare la unul dintre ei) sau
restricii sugerate de teoria economic.
Prin urmare, avem urmtoarele cazuri:
1) r=rang( )=k, caz n care
1 t
Y
sunt staionare (relativ la medie sau la o
tendinta determinista) i se va elabora un model VAR pentru variabilele
observate t
Y
(ce poate contine si o tendinta determinista t), utiliznd
inferenele standard;
2) 1 1 k r cnd exist r combinaii liniare a variabilelor ce sunt staionare
prin urmare r relaii de cointegrare, t
Y
fiind cointegrate. Reprezentarea
64
VECM este valid, toate variabilele ce intervin fiind staionare.
Reprezentarea VAR n
t
Y
este consistent dar ineficient, iar reprezentarea
VAR pentru diferene este greit (Cochran, 2005);
3) r=0 cnd nu exist combinaii liniare staionare i se va elabora un model
VAR pentru diferene t
Y
(acestea fiind staionare).
Testarea numrului relaiilor de cointegrare i estimarea acestora
Johansen (1988) a obinut estimaii pentru
(kxr) i
(kxr) utiliznd pocedura

cunoscut ca i regresia rangului redus. Estimatorii de maxim verosimilitate ML pentru
sunt obinui ca i vectori proprii corespunztori celor mai mari r valori proprii.
Testele sunt bazate pe estimarea reprezentrii VECM:
t p t p t t t
B Y Y Y Y + + + + +
+ 1 1 1 1 1
...
i se definesc utiliznd cele mai mari valori proprii ale matricii . In scopul stabilirii
numrului relaiilor de cointegrare sunt estimate valorile proprii (sau rdcinile
caracteristice) ale matricii :
1 2 1
...

k

. Aceste valori proprii sunt
deasemenea egale cu patratul corelaiei canonice ntre t
Y
i 1 t
Y
corectat de
diferenele i t
Y

, astfel c iau valori ntre 0 i 1. Numrul valorilor proprii

semnificativ diferite de zero indic numrul relaiilor de cointegrare. Rangul matricii
este egal cu numrul valorilor proprii diferite de zero.
Urmtoarele dou teste, de tip LR(likelihood ratio), sunt utilizate pentru
determinarea numrului r de valori proprii semnificativ diferite de zero, adic a
numrului relaiilor de cointegrare:
1. testul sau statistica trace
+

k
r i
i trace
) ( T (r) LR
1
1 ln
Se testeaz succesiv, pentru r=0,1, ...,k-1 urmtoarele ipoteze:
:
0
H
cel mult r relaii de cointegrare (rangul matricii este cel mult r)
pn la primul r pentru care ipoteza nul se accept. Cnd ipoteza nul
0
H
se accept
valoarea statisticii LR este aproape de zero, adic ultimele k-
r
valori proprii sunt
nesemnificative
k r

,...,
1 +
. Ipoteza nul se respinge atunci cnd valoarea calculat
este mai mare dect cea critic.
2. testul maximum eigenvalue
) ( T ) (r,r LR
r 1 max
1 ln 1
+
+
sau
) 1 ( ) ( 1
max
+ + r LR r LR ) (r,r LR
trace trace
Ipoteza nul respectiv alternativa sunt:
:
0
H
r relaii de cointegrare (rangul matricii este cel mult r)
:
1
H r+1 relaii de cointegrare
pentru r=0,1, ...,k-1.
Valorile critice sunt determinate de mai muli autori, printre care Johansen and
Juselius (1990), MacKinnon-Haug-Michelis (1999). Valorile critice difer dup cum se
seriile au constant i/sau tendin determinist respectiv ecuaiile de cointegrare conin
constant i/sau tendin determinist. Forma general a modelului:
65
t t p t p t t t
Bx Y Y Y Y + + + + +
+ 1 1 1 1 1
...
poate include i tendine deterministe, de tip t, prin vectorul variabilelor deterministe t
x
.
Pentru selecia numrului de ntrzieri, n analizele de tip VECM sau VAR, se pot
utilize criteriile AIC (Akaike Information Criterion), SIC (Schwarz Information
Criterion), sau HQ (Hannan-Quinn Information Criterion). Se alege aceea valoare pentru
p ce minimezeaz valoarea acestor funcii, n modelul VAR.
Acest abordare faciliteaz testarea unor restricii, utiliznd teste de tip LR
distribuite dup legea
2
, restricii eventual sugerate de teoria economic, asupra
elementelor matricii vectorilor de cointegrare sau a matricii coeficienilor de ajustare
; regsim aici i testele de exogeneitate (slab sau tare).

Modelul dinamic VECM poate fi utilizat pentru generarea de previziuni respectiv
pentru a analiza impactul unor perturbaii (ocuri) aleatoare asupra variabilelor
sistemului.
Tendine stochastice comune. Conceptele de cointegrare i de tendina stochactic
comun sunt echivalente. Ambele reprezentari sunt insa convenabile, admitand
interpretari intuitive diferite. Fie t
X
un vector de n variabile integrate de ordinul 1.
Cointegrarea nseamn c exista anumite combinatii liniare a celor n variabile ce
sunt stationare; aceste combinatii in elementele vectorului t
X
impreuna, fiind relaii
nspre care sistemul se ajusteaz pe termen lung. Pe de alta parte un vector de n serii de
timp ce sunt cointegrate, cu rangul de cointegrare r, poate fi scris ca o combinatie liniara
de r n k tendine comune de tip mers aleator plus o componenta staionar:
t t t
L C A X X ) (
*
0
+ +

t t t
+ +
1
unde
t
L C ) (
*
un proces staionar, matricea A(nxk) are rangul k, iar t
este un mers
aleator nultivariat de dimensiune kx1. Tendinele comune sunt fore ce conduc sistemul.

7. Valoarea la risc
Evaluarea riscului investiional poate fi realizat prin: indicatori agregai de tip Value-at-
risk (VaR), modele din teoria financiar respectiv modele statistice. VaR indic
pierderea maxim potenial pe un portofoliu de instrumente financiare, la o
probabilitate fixat a priori
i pentru un anumit orizont de timp:

) ( ) (
1

F VaR
unde F este funcia de repartiie asociat distribuiei pierdere. Este un concept utilizat
pe scar larg de ctre asigurtori, bnci, societi de investiii, pentru a msura riscul de
pia al portofoliului de active deinute. Este o msur statistic a riscului. Metodele
statistice utilizate pentru estimarea VaR sunt: metoda varian-covarian ce are la baz
distribuia normal de probabilitate, simularea istoric respectiv simularea Monte Carlo.
Value-at-Risk (VaR) este o metodologie de gestiune a riscului, care a cunoscut n
ultimii ani o ampl atenie att din partea cercettorilor din mediul academic ct i a
practicienilor. VaR ofer o cuantificare statistic a diferitelor componente ale riscului
66
intr-un singur indicator cantitativ. Noiunea de value at risk a aprut n anii 1980, cnd
pe pieele financiare s-a nregistrat o volatilitate ridicat, marile companii financiare
avnd nevoie de o metod nou pentru a msura riscul portofoliilor deinute.
In ultimele dou decenii, metodologia VaR a fost adoptat, de ctre entiti
financiare, bnci, fonduri de investiii, societati de asigurare, ca un instrument uzual in
evaluarea riscului de piata. Recomandrile Acordului de la Basel
1
, privind utilizarea
modelelor VaR n determinarea capitalului necesar bncilor pentru acoperirea riscului de
pia, a confirmat importana acestei metodologii. Utilizarea metodologiei VaR este de
asemenea recomandata n lucrarea Derivatives: Practices and Principles, publicat n
1993, de ctre Group of Thirty (G30).
n anul 1989, preedintele bncii de investiii J.P. Morgan, a cerut angajailor s
dezvolte o tehnic financiar capabil s-i ofere n fiecare zi, o expresie cantitativ
exact a nivelului riscurilor cu care se confrunt banca. n acest fel, n 1994, a aprut n
cadrul J.P. Morgan departamentul RiskMetrics, specializat numai pe studiul i analiza
riscului, iar msura de risc pe care departamentul a lansat-o a fost value-at-risk, prin
produsul RiskMetricsError: Reference source not found. Conceptul de VaR a devenit o
component cheie a unui management de risc performant.
Conceptul Value at Risk. n economie i finane, VaR reprezint pierderea maxim
probabil, exprimat n uniti monetare, ce poate fi nregistrat pe un portofoliu, pentru
o anumit perioad de timp i pentru un anumit nivel de ncredere.
Exemplu. Avem un portofoliu tranzacionabil. i cunoatem valoarea de pia astzi,
dar nu putem ti ce valoare va avea a doua zi. VaR-ul portofoliului este de 10 milioane
euro, calculat la un nivel de ncredere de 95%, pentru un interval de timp de 1 zi. Astfel,
n condiii normale de tranzacionare, deintorul portofoliului, poate avea o ncredere de
95% c valoarea portofoliului nu poate scdea cu mai mult de 10 milioane euro, ntr-o
zi.
Pentru calculul VaR trebuie fixai urmtorii parametri:
orizontul de timp (h) pentru care se estimeaz riscul, ce poate fi zile, sptmni,
luni, trimestre, ani etc.
nivelul de ncredere (), care este de regul peste 90%.
Definiie
2
. Fiind dat un nivel de ncredere (0,1), VaR-ul unui portofoliu la
nivelul de ncredere , este definit ca fiind cel mai mic numr l, astfel nct
probabilitatea ca pierderea L s depeasc valoare l nu este mai mare dect (1 ):
.
1
Basel Committee on Banking Supervision (2005). Amendment to the Capital Accord to
incorporate market risks, noiembrie, www.bis.org.
2
McNeil, A.I., Frey, R. and Embrechts, P. (2005), Quantitative Risk Management: Concepts,
Techniques, and Tools, Princeton University Press.
67
n termeni probabilistici, VaR este o cuantil a distribuiei pierdere. De asemenea se
definete conceptul de VaR incremental, n contextul descompunerii unui portofoliu pe
elemente constitutive
3
.
Metode de estimare a VaR. Din literatura de specialitate se desprind cinci metode
principale pentru estimarea VaR:
metoda parametric, ce presupune cunoscuta legea de probabilitate a
rentabilitatilor; este cunoscut i sub denumirea de metoda delta-normal sau
metoda varian-covarian, atunci cand se lucreaza cu distributia normala de
probabilitate
metoda simulrilor istorice
metoda simulrilor Monte Carlo
metoda delta-gama
metoda testrii condiiilor extreme (sau a analizei scenariilor).
primele trei metode de calcul fiind cele mai utilizate.
Metoda varian-covarian are la baz ipoteza conform creia rentabilitatile
instrumentelor din portofoliu sunt normal distribuite. Astfel, cum rentabilitatea
portofoliului este o combinaie liniar de variabile normal distribuite rezult c i acesta
urmeaz o distribuie normal. O alt condiie necesar pentru implementarea aceastei
metode presupune meninerea constant a ponderilor instrumentelor n portofoliu pn la
orizontul de risc. Expresia de calcul pentru VaR n ipoteza distribuiei normale a
rentabilitaii portofoliului, cu media r si abaterea standard
, este:
) (
0
r c V VaR +
unde 0
V
este valoarea iniial a portofoliului, iar c este quantila distribuiei normale de
probabilitate aferent nivelului de risc 1 (ex. c=-1.65 pentru 1 =5%).
Metoda simulrilor istorice presupune c rentabilitatile viitoare pot fi estimate
pornind de la valorile nregistrate n trecut. Distribuia rentabilitatii portofoliului
nregistrat n trecut este utilizat pentru estimarea VaR-ului potenial al portofoliului.
Metoda simulrilor Monte Carlo este una din cele mai eficiente metode de estimare a
VaR. Aceast metod implic specificarea unui model de proces stochastic ce genereaz
evoluia preului instrumentelor financiare. Pentru a obine rezultate valide, trebuie ales
un model care s caracterizeze cel mai bine evoluia rentabilitatii instrumentelor. Odat
stabilit modelul ce guverneaz evoluia preului, prin simulare se obin un numr mare
de posibile evoluii ale cursului. In studiul empiric din paragraful urmtor, preul unei
aciuni se considera a fi generat de un model de tip mers aleator:
3
Kevin, D.(2003), Beyond Value at Risk, John Wiley & Sons Inc
68
) (
1 1
+ +
t t t
C C C
unde i sunt media i deviaia standard calculate pentru orizontul de timp stabilit,
este variabila aleatoare ce urmeaz legea normala de probabilitate
) 1 , 0 ( N
.
Parametrii modelului sunt estimai pe baza datelor istorice disponibile. Se genereaz
scenarii pentru variabila aleatoare , utiliznd generatoare de numere pseudo-aleatoare.
La finalul fiecrui scenariu vom obine o posibil valoare a preului la orizontul de timp
ales. Cu aceste valori simulate se construiete o distribuie empirica a rentabilitatii, din
care este calculat VaR-ul.
Pentru estimarea VaR prin metoda simulrilor Monte Carlo, pentru un singur
instrument din portofoliu, se au in vedere doar rentabilitatea medie i volatilitatea
instrumentului, i variabila aleatoare . Cnd se genereaza scenarii pentru mai multe
titluri din portofoliu, n scopul estimrii VaR-ului portofoliului, trebuie luat n calcul i
corelaiile ce exist ntre instrumentele din portofoliu. Pentru a obine rezultate de
ncredere, trebuie generat un numr ct mai mare de scenarii.
Baze de date pentru serii de timp
- www.bnr.ro. (In buletinele lunare gasim evolutii lunare a principalilor indicatori
macroeconomici si financiari); caiete de studii cu diverse studii econometrice (la
publicatii)
- Eurostat: http://epp.eurostat.ec.europa.eu/
- Institutul Roman de Statistica
- http://www.economagic.com/
- http://datacentre2.chass.utoronto.ca/pwt/alphacountries.html
- http://www1.american.edu/cas/econ/student/datalinks.htm
- http://www.bized.co.uk/dataserv/freedata.htm
- http://www.federalreserve.gov/econresdata/releases/statisticsdata.htm
- http://www.conference-board.org/economics/database.cfm#1
- Time series data library http://www-personal.buseco.monash.edu.au/~hyndman/TSDL/
- http://www.ceicdata.com/;
- http://www.forecasters.org/ - pagina International Institute of Forecasters
- http://www-marketing.wharton.upenn.edu/forecast/data.html
- http://econdata.net/
evolutie indici bursieri http://finance.yahoo.com/
- istoric curs actiuni http://www.tranzactiibursiere.ro/detalii/istoric
- www.kmarket.ro; www.insse.ro
69

Econometria Seriilor de Timp

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Econometria Seriilor de Timp

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITATEA BABE-BOLYAI CLUJ-NAPOCA

FACULTATEA DE TIINE ECONOMICE

constituie o secvena de variabile aleatoare necorelate i de

i msoar capacitatea mediei mobile de a reduce aceast component.

. Coeficienii acesteia s-au dedus din

Astfel, se realizeaz o coresponden ntre valorile observate

(efectuat la pasul anterior). Cand

Y . De regul pentru aceasta se consider prima valoare

Y Y sau media seriei sau media primilor termeni ai seriei;

unde nivelul seriei a

Atunci cnd devine disponibil o nou observaie t

unde nivelul seriei t

unde nivelul seriei

funcia de autocorelaie este o funcie par.

converge asimtotic (cnd T ) la legea normal

n modelul autoregresiv AR(k):

converge asimtotic (cnd T ) la legea normal

este un proces staionar;

sunt presupuse independente i identic distribuite, cu medie 0 i varian

, utilizat n mod obinuit pentru testarea unei

Dac ipoteza nul H

) asupra seriei sunt permanente,

este o secventa de variabile aleatoare independente si identic repartizate, iar

este momentul centrat de ordin j.

este un proces staionar (prin urmare i t

este zgomot alb cu media E

este diferit de zero se realizeaz substituia

este de tip zgomot alb? teste privind comportamentul reziduurilor

ce urmeaz asimtotic legea normal N(0,1).

ce converge asimtotic la legea normal

. Pentru un nivel de semnificaie % 5 , ipoteza necorelrii reziduurilor nu

este dat de media (sau sperana matematic) variabilei

pentru 0 > i h (adic ... ,

, deoarece erorile sunt de tip

pentru 0 < i h (adic ... ,

rezult intervalul de previziune: ( ) ( ) [ ]

este estimatorul varianei termenului [ ] ( )

, din ecuaia mediei, condiionat de informaiile disponibile:

sau regresia cu erori heteroscedastice GARCH (scriere matricial):

unde T este numrul observaiilor, k numrul variabilelor explicative, X matricea

Teste de validitate i respecificarea modelului. Se utilizeaza aici testele de validitate

ce urmeaz legea Student cu T-k-1 grade de libertate.

Y) dac ipoteza nul

X) dac ipoteza nul

Y dac ipoteza nul se respinge att la 1) ct

este vectorul (kx1) inovaiilor (erorilor);

1) iar statistica Durbin-Watson este mic DW

0 (erorile sunt corelate). In

rmne stabil n jurul unei medii fixe 0

. Variabilele rmn legate pe termen lung

) cu efect pe termen scurt. Relaia

sunt superconsisteni (n acest caz, cnd ambele variabile sunt I(1)),

sunt staionare. Dac ipoteza existenei rdcinii

=1%. Observatie: d=2(1-

indica in ce proportie un dezechilibru aparut in evolutia celor

este zgomot alb. Rezult forma ECM:

s fie de tip zgomot alb. Forma final a modelului rezult

(cu alternativa mai mic dect zero) n modelul ECM;

conin informaii despre ajustarea pe termen scurt, iar pentru a

(kxr) fiecare cu rangul r:

(kxr) este matricea vectorilor de cointegrare (r vectori de cointegrare, fiecare coloan

(kxr) utiliznd pocedura

, astfel c iau valori ntre 0 i 1. Numrul valorilor proprii

; regsim aici i testele de exogeneitate (slab sau tare).