Econo Metri Ems Bank 2007

ACADEMIA DE STUDII ECONOMICE
CATEDRA DE MONED
Programul de Master Specializat
Managementul Sistemelor Bancare
MODULUL: Econometrie
aplicat
utiliznd EViews 5.1
NOTE DE CURS
Adrian Codirlau, CFA
Octombrie 2007
Obiective
Cursul de econometrie bancar are ca obiective nsuirea de ctre studeni a tehnicilor
econometrice de baz utilizate n domeniul bancar. Principalele teme abordate n cadrul
acestui curs se refer la modelarea seriilor de timp, estimarea volatilitii activelor
financiare, modelarea riscului.
De asemenea, cursul are ca obiectiv i nsuirea de ctre studeni a cunotinelor
necesare modelrii econometrice a datelor cu ajutorul programului Eviews 5.1.
Tematic
Serii de timp: momentele seriilor de timp, staionaritate/nestaionaritate,

sezonalitate, distribuii, componente pe termen lung;
Teste statistice;
Regresia liniar: estimare, teste, interpretare;
Modele cu date calitative;
Modele ARMA;
Modele cu date panel;
Modele ARCH/GARCH;
Modele de evaluare a riscului de pia (Value at Risk).
Bibliografie
Alexander, Carol i Elizabeth Sheedy editori (2004) The Professional Risk

Managerss Handbook. Volume II: Mathematical Foundations of Risk
Measurement, PRMIA
Alexander, Carol i Elizabeth Sheedy editori (2004) The Professional Risk
Managerss Handbook. Volume III: Risk Measurement Practices, PRMIA
DeFusco, Richard A., Dennis W. McLeavey, Jerald E. Pinto i David E. Runkle
(2001) Quantitative Methods for Invstment Analysis, AIMR
Enders, Walter (2004) Applied Econometric Time Series Second Edition, Wiley
Greene, William H. (2000) Econometric Analysis, Fourth Edition, Prentice Hall
International
Hamilton, James D. (1994) Time Series Analysis, Princeton University Press
J. P. Morgan (1996) RiskMetrics Technical Document, J. P. Morgan
Lutkepohl, Helmut i Mekus Kratzig (2004) Applied Time Series Econometrics,
Cambridge University Press
Pindyck, Robert S. i Daniel L. Rubinfeld (1991) Econometric Models and
Economic Forecasts McGraw-Hill
Quantitative Micro Software (2005) EViews 5.1 Users Guide, Quantitative
Micro Software
Cuprins
CAPITOLUL I. SERII DE TIMP
CAPITOLUL II. TESTE STATISTICE
II.1. DISTRIBUII
II.2. TESTAREA IPOTEZELOR
II.3. TESTAREA MEDIEI
II.4. TESTAREA VARIANEI
8
14
17
18
CAPITOLUL III. ANALIZA SERIILOR DE TIMP N EVIEWS
20
III.1. INTRODUCEREA SERIILOR N EVIEWS

III.2. PRELUCAREA SERIILOR
III.3. STAIONARITATEA SERIILOR DE TIMP
III.4. DISTRIBUIA SERIILOR
III.5. FUNCIA DE AUTOCORELAIE A SERIILOR DE TIMP
III.6. TRENDUL SERIILOR DE TIMP
III.7. AJUSTAREA SEZONIER A SERIILOR DE TIMP
20
22
23
30
33
35
37
CAPITOLUL IV. REGRESIA LINIAR MULTIPL
41
IV.1. FORMA GENERAL I IPOTEZE

IV.2. TESTE STATISTICE SI INDICATORI AI REGRESIEI
IV.3. REGRESII CU VARIABILE CALITATIVE
IV.4. REGRESII CU SERII DE TIMP N EVIEWS
IV.5. REGRESII CU SERII CROSSECIONALE I VARIABILE CALITATIVE N EVIEWS
41
42
44
45
57
CAPITOLUL V. MODELE ARMA
60
V. 1. PROCESE AR
V. 2. PROCESE MA
V. 3. PROCESE ARMA
V. 4. ESTIMAREA MODELELOR ARMA N EVIEWS
60
61
61
63
CAPITOLUL VI. MODELE CU DATE PANEL
76
VI. 1. UTILIZAREA MODELELOR CU DATE PANEL

VI. 2. ESTIMAREA MODELELOR CU DATE PANEL N EVIEWS
76
76
CAPITOLUL VII. MODELE GARCH
85
VII.1. TIPURI DE MODELE ARCH
85
VII.2. ESTIMAREA MODELELOR ARCH N EVIEWS
88
CAPITOLUL VIII. MODELE VALUE AT RISK
93
VIII.1. MSURA VAR

VIII.2. VAR ANALITIC
VIII.3. VAR CALCULAT PE BAZA SIMULRII MONTE CARLO
VIII.4. VAR ISTORIC
VIII.5. UTILIZAREA MODELELOR DE VOLATILITATE N CALCULUL VAR
VIII.5.1. CALCULUL VAR UTILIZND EWMA
VIII.5.2. CALCULUL VAR UTILIZND MODELE GARCH
VIII.6.CALCULUL VAR PENTRU UN PORTOFOLIU DE ACIUNI
93
93
94
95
97
97
98
99
Capitolul I. Serii de timp

O serie de timp reprezint o secven de valori nregistrate de o variabil aleatoare
specific ntr-o anumit perioad de timp.
Principalele caracteristici ale seriilor de timp, care trebuie avute n vedere n analiza
econometric a datelor sunt:
1. Frecvena seriei de timp reprezint periodicitatea cu care este observat variabila.
Funcie de specificul seriei de timp, frecvena poate fi zilnic (cum este cazul preurilor
activelor financiare cursurile aciunilor, ratele de dobnd, cursul de schimb), lunar
(de exemplu, rata inflaiei, salariul mediu pe economie, rata omajului), trimestrial (cum
este produsul intern brut) sau anual.
2. Populaie versus eantion. Populaia reprezint totalitatea observaiilor unei
variabile. Eantionul reprezint un subset de observaii al variabilei aleatoare.
3. Momentele seriei de timp:
Primele patru momente ale unei serii de timp sunt:
Media (calculat ca suma observaiilor mprit la numrul de observaii).
Deviaia standard a seriei, care reprezint o msur a dispersiei observaiilor.

Formula de calcul a dispersiei (s) pentru un eantion de observaii este:
N
s=
(y
i =1
y)
N 1
unde:
N reprezint numrul de observaii din eantion,
yi observaiile incluse n eantion, i = 1, N
y valoarea medie a eantionului.
Coeficientul de asimetrie care reprezint o msur a asimetriei distribuiei fa de

media sa.
Formula de calcul a coeficientului de asimetrie (S) pentru o serie de timp este:

3
S=
1 N yi y
) ,
N i =1
unde:
N reprezint numrul de observaii din eantion,
yi observaiile incluse n eantion, i = 1, N
y valoarea medie a eantionului,
N 1
.
N
un estimator al deviaiei standard a seriei: = s
s dispersia seriei de timp.

Coeficientul de asimetrie pentru o distribuie normal este zero.
Kurtotica care msoar nlimea distribuiei seriei. Kurtotica (K) este calculat
dup cum urmeaz (notaiile de mai sus se menin):
4
1 N y y
K = i ) .
N i =1
Pentru o distribuie normal, kurtotica are valoarea 3. Dac distribuia are kurtotica mai
mare dect 3, aceasta se numete leptocurtotic (i are o nlime mai mare dect o
distribuie normal), iar n cazul n care kurtotica are o valoare mai mic dect 3,
distribuia se numete platycurtotic (i are o nlime mai mic comparativ cu o
distribuie normal).
n general seriile de date financiare au o distribuie leptokurtotic. O caracteristic a
acestei distribuii este faptul c probabilitatea apariiei de evenimente extreme este mai
mare n cazul distribuiei leptokurtotice dect n cazul distribuiei normale.
4. Staionaritatea seriei de timp.
Condiiile ce trebuie ndeplinite pentru ca o serie de timp s fie staionar sunt:
media seriei de timp s fie constant sau cu alte cuvinte, observaiile trebuie s
fluctueze n jurul mediei.
variana seriei s fie constant.
Din punct de vedere economic, o serie este staionar dac un oc asupra seriei este
temporar (se absoarbe n timp) i nu permanent.
Exemple de serii staionare: rata de cretere a PIB real, rata inflaiei (cu excepia
perioadelor de hiperinflaie). Exemple de serii nestaionare: cursul de schimb nominal,
indicele preturilor de consum, nivelul PIB real.
n cazul n care seria nu este staionar, prin difereniere, se obine o serie staionar.
Astfel, ordinul de integrare a seriei reprezint numrul de diferenieri succesive necesare
pentru obinerea unei serii staionare (sau numrul de rdcini unitare al seriei). n
economie, cele mai ntlnite serii nestaionare sunt integrate de ordinul I (necesit o
singur difereniere, au o rdcin unitar).
De asemenea, exist serii de timp trend-staionare: serii de timp care pot fi fcute
staionare prin eliminarea (scderea) trendului (deterministic) al seriei.
5. Sezonalitatea seriei de timp. Seriile de timp cu frecven lunar sau trimestrial

prezint adesea evoluii care au o anumit ciclicitate. De exemplu activitatea economic
se ncetinete n lunile de iarn, preurile cresc mai mult n lunile reci dect n perioada
de var etc.
n analiza econometric, pentru a elimina aceste evoluii sezoniere i a evidenia doar
impactul pe care l are o anumit variabil asupra alteia, seriile de timp sunt ajustate
sezonier.
Capitolul II. Teste statistice

Inferena statistic are dou subdiviziuni: estimarea parametrilor modelelor (abordat in
urmtoarele capitole) i testarea ipotezelor.
Estimarea parametrilor rspunde ntrebrii: care este valoarea parametrului (de exemplu
care este media populaiei). Rspunsul la aceast ntrebare este prezentat sub forma
unui interval de ncredere construit n jurul valorii estimate.
n schimb, testarea ipotezelor trebuie s rspund ntrebrii: este x valoarea
parametrului?
Pentru a putea rspunde ambelor ntrebri este esenial cunoaterea distribuiei seriei
de date ai crei parametrii se analizeaz.
II.1. Distribuii
Distribuia de probabilitate/funcia de densitate a unei variabile (aleatoare). Aceasta
este reprezentarea tuturor valorilor pe care le poate lua o variabil aleatore si a
probabilitii de apariie a acestor valori.
n cazul unei variabile aleatoare discrete (variabil care poate lua numai anumite valori),
distribuia de probabilitate este reprezentat printr-o funcie care returneaz
probabilitile de apariie pentru valorile variabilei aleatoare.
n cazul unei variabile aleatoare continue (variabil care poate lua orice valori n cadrul
unui anumit interval) este utilizat funcia de densitate. Deoarece, pentru o variabil
aleatoare continu, probabilitatea de a avea o anumit valoare este 0, se calculeaz
probabilitatea ca valoarea nregistrat de variabila aleatoare s aparin unui anumit
interval.
Astfel, probabilitatea ca valoarea nregistrat de variabila aleatoare x s aparin
intervalului [a, b] este Pr (a x b ) =
f (x )dx , iar probabilitatea ca valoarea nregistrat

a
de variabila aleatoare s fie mai mica dect o valoare c este Pr (x c ) =
f (x )dx .
Cele mai utilizate distribuii de probabilitate n econometrie sunt:
Distribuia normal (sau Gaussian).

1 x

1
Ecuaia acestei distribuii este: f ( x ) =
e 2
2
unde:
reprezint media distribuiei,
abaterea medie ptratic a acesteia,

x variabila aleatoare,
3.14159
e 2.71828 .
Dup cum se poate observa din ecuaie, aceast distribuie poate fi construit numai pe
baza primelor dou momente ale seriei (media i abaterea medie ptratic).
Dac variabila x este distribuit normal, notaia utilizat este: x ~ N ( , 2 ) .
n graficul de mai jos sunt prezentate exemple de distribuii normale n funcie de medie
i deviaie standard:
Distribuia lognormal.
O variabil este lognormal distribuit dac logaritmul natural al variabilei este nomal
distribuit.
Funcia densitii de probabilitate au unei variabile lognormal distribuite este:
1 ln( x )

1
f (x ) =
e 2
x 2
unde:
reprezint media distribuiei,
abaterea medie ptratic a acesteia,

x variabila aleatoare.
Funcie de diverse valori ale abaterii medii ptratice, n tabelul de mai jos sunt
prezentate exemple de distribuii lognormale.
Distribuia t.
Aceast distribuie este folosit pentru modelarea mediei unui eantion mic de date (sub
30 de observaii) extras dintr-o populaie cu o distribuie normal, n cazul n care
abaterea medie ptratic a eantionului nu este cunoscut. Pentru eantioane mari de
observaii, distribuia t converge ctre distribuia normal.
Pentru eantioane mici de date, aceast distribuie are o kurtotic mai mare dect o
distribuie normal; datorit acestei caracteristici este folosit n modelarea
randamentelor activelor financiare.
Spre deosebire de distribuia normal, forma acestei depinde i de numrul de grade de
libertate a seriei de date. Distribuia t este de fapt o familie de distribuii, (exist o
distribuie pentru fiecare valoare posibil a gradelor de libertate).
10
Numrul de grade de libertate este o msur a numrului de uniti de informaie

independente pe baza cruia un parametru este estimat. Pentru un parametru (media,
abaterea medie ptratic a unei distribuii, coeficientul unei variabile independente
dintr-o ecuaie de regresie) numrul de grade de libertate este egal cu numrul
observaiilor pe baza crora s-a realizat estimarea minus numrul de parametri adiionali
calculai pentru estimarea acestui parametru.
Dac z ~ N (0,1) i x ~ 2 [n] i x este independent de z, atunci raportul t =
urmeaz o distribuie t cu n grade de libertate, t ~ t [n] .
z
x
n
De asemenea, dac t ~ t [n] , atunci t 2 ~ F [1, n] .

n graficul de mai jos sunt prezentate exemple de distribuii t funcie de numrul de
grade de libertate, k.
Distribuia Chi ptrat ( 2 ).
Aceast distribuie este printre cele mai folosite distribuii n testele statistice.
Distribuia 2 este asimetric, i ca i n cazul distribuiei t, este o familie de distribuii
(exist o distribuie pentru fiecare valoare posibil a gradelor de libertate n - 1).
Distribuia 2 este mrginit de zero (toate valorile sunt pozitive).
11
Dac z ~ N (0,1) , atunci x = z 2 ~ 2 [1], x este distribuit 2 cu un grad de libertate.

Dac x1 , x2 ,..., xn sunt n variabile independente avnd fiecare o distribuie 2 [1] , atunci
n
x
i =1
~ [n] .
Proprieti
Dac zi , i = 1,2,..., n sunt variabile independente care urmeaz distribuii
N (0,1) , atunci
z
i =1
~ 2 [n] ;
Dac zi , i = 1,2,..., n sunt variabile independente care urmeaz distribuii

2
z
N (0, ) , atunci i ~ 2 [n] ;
i =1
2
Dac x1 ~ [n1 ] i x2 ~ 2 [n2 ] sunt variabile independente, atunci
x1 + x2 ~ 2 [n1 + n2 ] .
2
2
i
n graficul de mai jos sunt prezentate distribuii 2 funcie de numrul de grade de

libertate, k.
12
Distribuia F.
Ca i distribuia 2 , distribuia F este o familie de distribuii asimetrice, care sunt

mrginite de zero (sunt ntotdeauna pozitive). Fiecare distribuie F este definit de ctre
dou valori de grade de libertate, denumite grade de libertate ale numrtorului i ale
numitorului.
x1
n
Dac x1 ~ 2 [n1 ] i x2 ~ 2 [n2 ] sunt variabile independente, atunci F = 1 ~ F [n1 , n2 ] .
x2
n2
n graficul de mai jos sunt prezentate distribuii F funcie de numrul de grade de
libertate, d1 i d 2 .
13
II.2. Testarea ipotezelor

O ipotez este definit ca o afirmaie referitoare la una sau mai multe populaii.
Pentru testarea unei ipoteze trebuie parcuri urmtorii pai:
1. Definirea ipotezei;
2. Identificarea testului statistic ce va fi utilizat i a distribuiei de probabilitate a
acestuia;
3. Specificarea nivelului de relevan al testului;
4. Specificarea regulii de decizie;
5. Colectarea datelor i estimarea parametrului;
6. Luarea deciziei statistice;
7. Luarea deciziei economice.
1. Primul pas n testarea ipotezei este specificarea ipotezei nule i a ipotezei alternative.
Ipoteza nul, notat cu H 0 , reprezint ipoteza ce este testat, iar ipoteza alternativ,
notat cu H a , este ipoteza acceptat n cazul n care ipoteza nul este respins.
Exemple de formulri de ipoteze:
a) H 0 : x = x0 versus H a : x x0 ;
b) H 0 : x x0 versus H a : x > x0 ;
c) H 0 : x x0 versus H a : x < x0 .
Prima formulare reprezint un test care se refer la ambele cozi ale distribuiei (two
tailed test), ipoteza nul fiind respins fie dac x este mai mare, fie dac x este mai mic
dect x0 . A doua i a treia formulare sunt teste care se refer la o singur coad a
distribuiei (one tailed test), ipoteza nul este respins numai dac x este mai mare
(punctul b)), respectiv mai mic (punctul c)) dect x0 .
2. Al doilea pas const n identificarea testului statistic aplicabil i a distribuiei de
probabilitate a acestuia.
Testul statistic reprezint o cantitate calculat pe baza unui eantion, a crei valoare st
la baza deciziei de acceptare sau respingere a ipotezei nule.
De exemplu, testul statistic pentru media unei populaii este:
test _ statistic =
parametru _ esantion parametru _ populatie _ sub _ H 0

eroare _ std _ parametru
Astfel, dac media unui eantion cu n observaii extras dintr-o populaie este x , eroarea
standard a mediei poate fi calculat prin dou metode:
14
fie ca x =
n cazul n care abaterea medie ptratic a populaiei este
cunoscut,
sau ca s x =
s
atunci cnd abaterea medie ptratic a populaiei nu este
n
cunoscut, dar este cunoscut abaterea medie ptratic a eantionului, s.

3. Al treilea pas const n specificarea nivelului de relevan al testului. Pe baza valorii
testului, dou aciuni sunt posibile:
Ipoteza nul este respins;
Ipoteza nul nu este respins.
Acceptarea sau respingerea ipotezei nule se bazeaz pe compararea valorii calculate a
testului statistic cu valorile specifice (tabelate) ale testului statistic. Valorile cu care se
compar valorile calculate sunt stabilite funcie de nivelul de relevan ales. Nivelul de
relevan reflect ct de multe dovezi (probabilitate) avem nevoie pentru respingerea
ipotezei nule.
Atunci cnd testm o ipotez nul pot aprea patru situaii:
Se respinge o ipotez nul fals. Aceasta este aciunea corect.
Se respinge o ipotez nul adevrat. Aceasta este o eroare de tipul I.
Nu se respinge o ipotez nul fals. Aceasta este o eroare de tipul II.
Nu se respinge o ipotez nul adevrat. Aceasta este aciunea corect.
Probabilitatea unei erori de tipul I se noteaz cu i se numete nivelul de relevan al
testului statistic. De exemplu, un nivel de relevan de 0.05 (nivelul de relevan cel mai
utilizat n luarea deciziilor statistice) nseamn c, cu o probabilitate de 5 la sut exist
riscul de a respinge o ipotez nul adevrat.
Probabilitatea unei erori de tipul II se noteaz cu .
n luarea deciziei statistice, trebuie gsit un compromis ntre cele dou tipuri de erori.
Astfel, dac scdem probabilitatea de a face o eroare de tipul I vom crete probabilitatea
de a face o eroare de tipul II i invers. Singura metod de a reduce ambele tipuri de erori
este creterea numrului de observaii din eantion, n.
4. Al patrulea pas n testarea ipotezei este stabilirea regulii de decizie. Astfel, atunci
cnd este testat ipoteza nul, dac valoarea absolut calculat a testului statistic este
mai mare sau egal cu valoarea tabelat pentru testul respectiv pentru nivelul de
relevan , ipoteza nul este respins (parametrul estimat este semnificativ din punct
de vedere statistic). n caz contrar ipoteza nul nu este respins, adic parametrul
estimat nu este semnificativ din punct de vedere statistic. Valorile cu care se compar
valorile calculate ale testului statistic se numesc valori critice.
15
Pentru un test care se refer la o singur coad a distribuiei (one tailed test) valoarea
critic este indicat cu expresia z , unde z reprezint valoarea critic iar nivelul de
relevan. Pentru un test care se refer la ambele capete ale distribuiei (two tailed test),
valoarea critic este indicat cu z .
2
Astfel, n cazul testului z (care este normal distribuit) pentru testarea mediei unui
eantion i considernd un nivel de relevan de 0.05 rezult urmtoarele posibiliti:
Pentru testul H 0 : = 0 versus H a : 0 sunt dou puncte de respingere a
ipotezei nule, unul pozitiv i unul negativ. Avnd n vedere c testul se refer la
ambele capete ale distribuiei, pentru un nivel de relevan de 0.05,
probabilitatea total pentru apariia unei erori de tipul I nu trebuie s fie mai mare
de 0.05. Astfel, o probabilitate de
0.05
= 0.025 trebuie luat n considerare
2
pentru fiecare coad a distribuiei pentru testarea ipotezei nule. Ca o consecin,

cele dou puncte de respingere sunt z0.025 = 1.96 i z0.025 = 1.96 . Dac
considerm z ca fiind valoarea calculat a testului statistic, atunci respingem

ipoteza nul dac z < 1.96 sau z > 1.96 .
Pentru testul H 0 : 0 versus H a : > 0 , la nivelul de relevan de 0.05,
valoarea critic este z0.05 = 1.645 . Ipoteza nul se respinge dac z > 1.645 .
Pentru testul H 0 : 0 versus H a : < 0 , la nivelul de relevan de 0.05,

valoarea critic este z0.05 = 1.645 . Ipoteza nul este respins dac z < 1.645 .
5. Al cincilea pas n testarea ipotezei este colectarea datelor i calculul testului statistic.
Astfel, majoritatea testelor solicit cel puin un numr de 20 30 de observaii.
6. Al aselea pas este reprezentat de luarea deciziei statistice: acceptarea sau
respingerea ipotezei nule.
7. Ultima etap const n luarea deciziei economice. Aceasta trebuie s ia n
considerare nu numai decizia statistic ci si toate celelalte informaii disponibile.
Programele software econometrice raporteaz, pe lng valoarea testului statistic i
probabilitatea asociat acestui test (valoarea p). Aceasta reprezint cel mai mic nivel
de relevan la care ipoteza nul poate fi respins. Astfel decizia statistic este
simplificat, aceasta putnd fi luat prin compararea valorii p cu nivelul de relevan la
care se lucreaz.
16
II.3. Testarea mediei

Pentru testarea mediei sunt folosite dou tipuri de teste: testul z i testul t. Modul de
calcul al celor dou teste este identic, ceea ce difer sunt valorile critice ale testului.
Modalitatea de calcul al testului este:
test _ statistic =
parametru _ esantion parametru _ populatie _ sub _ H 0

.
eroare _ std _ parametru
Decizia de a utiliza unul dintre cele dou teste se ia funcie de distribuia populaiei i
numrul de observaii disponibile astfel:
Populaia are o distribuie

normal
Populaia
nu
are
o
distribuie normal
Eantion mare
(n > 30)
Eantion mic
(n < 30)
Testul t sau testul z
Testul t
Testul t sau testul z
Nu se poate testa
De exemplu, se analizeaz evoluia randamentelor unui fond de investiii. Astfel

eantionul este format din 24 de observaii care reprezint randamentele lunare ale
fondului n ultimii 2 ani. Media acestor randamente este 1.5 la sut iar abaterea lor
standard este de 3.60 la sut. Datorit nivelului de risc sistematic al investiiilor acestui
fond, acesta ar trebui s obin un randament lunar de 1.10 la sut. Se cere s se
determine, cu un nivel de relevan de 10 la sut, dac rezultatele fondului sunt
consistente cu cerina de a obine un randament lunar de 1.10 la sut.
n aceste condiii testul statistic are ca ipotez nul este H 0 : = 1.10 versus ipoteza
alternativ H a : 1.10 .
Deoarece variana populaiei nu este cunoscut se va utiliza un test t cu 21 1 = 23
grade de libertate (prin calculul mediei s-a pierdut un grad de libertate).
Avnd n vedere c este un test care ine cont de ambele capete ale distribuiei,
= t0.05, 23 . Conform tabelelor distribuiei t, valoarea critic
valoarea critic este t
2
, n 1
corespunztoare nivelului de relevan de 0.05 i a 23 de grade de libertate este 1.714.

Ca urmare, cele dou puncte de respingere a ipotezei nule sunt 1.714 i respectiv
1.714. Cu alte cuvinte, ipoteza nul va fi respins dac t > 1.714 sau t < 1.714 .
17
Valoarea testului statistic este: t23 =
0 .4
1.5 1.10
=
= 0.544331 .
3.60
0.734847
24
Deoarece 0.544331 nu satisface nici una din condiiile t > 1.714 sau t < 1.714 , ipoteza
nul nu este respins.
Funcie de valorile critice ale testului parametrului, i a erorii standard a acestuia se
poate construi intervalul de confiden al parametrului astfel: x t sx ; x + t s x .
Astfel, pentru exemplul de mai sus, cu un nivel de relevan de 90 la sut, cele dou
valori sunt 1.5 (1.714 0.734847 ) = 0.240472 i 1.5 + (1.714 0.734847 ) = 2.759528 .
Astfel, intervalul de confiden al mediei, la un nivel de relevan de 90 la sut este
[0.240472;2.759528] . Cum valoarea de 1.10 la sut aparine acestui interval, ipoteza
nul nu este respins.
II.4. Testarea varianei

Variana i deviaia standard sunt msuri utilizate frecvent pentru msurarea riscului n
investiiile financiare.
Ca i n cazul testelor de medie, considernd 02 valoarea cu care se compar variana
eantionului, 2 , ipotezele ce pot fi formulate pentru variana unei populaii sunt:
a) H 0 : 2 = 02 versus H a : 2 02 ;
b) H 0 : 2 02 versus H a : 2 > 02 ;
c) H 0 : 2 02 versus H a : 2 < 02 .
Pentru testele statistice referitoare la variana unei populaii cu distribuie normal este
folosit testul 2 .
Dac dispunem de un eantion de n observaii extrase dintr-o populaie normal
distribuit, testul statistic pentru testarea varianei este:
2 =
(n 1)s 2 ,
02
cu n 1 grade de libertate.
2
s =
2
(x
i =1
x)
n 1
reprezint variana eantionului de date utilizat.
18
Dac alegem un nivel de relevan al testului, , punctele de respingere ale ipotezei

nule pentru cele trei tipuri de teste sunt:
a) H 0 : 2 = 02 versus H a : 2 02 . Respingem ipoteza nul dac valoarea
testului statistic este egal cu sau mai mare dect punctul cel mai la dreapta
(cel mai mare)
a distribuiei 2 cu n 1 grade de libertate (notat cu 2 )

2
sau dac valoarea testului statistic este egal cu sau mai mic dect punctul
cel mai la stnga (cel mai mic)
b) H 0 :
2
2
0
versus H a : >
2
a distribuiei, (notat cu 2 ).
1
2
0 .
Respingem ipoteza nul dac valoarea
testului statistic este egal cu sau mai mare dect punctul cel mai la dreapta
(cel mai mare) a distribuiei 2 cu n 1 grade de libertate.
c) H 0 : 2 02 versus H a : 2 < 02 . Respingem ipoteza nul dac valoarea
testului statistic este egal cu sau mai mic dect punctul cel mai la stnga (cel
mai mic) a distribuiei 2 cu n 1 grade de libertate.
Revenind la exemplul utilizat n cazul testului privind media unei populaii, presupunnd
c, pe parcursul celor 24 de luni de observaie a randamentelor fondului de investiii,
deviaia standard a randamentelor lunare ale acestuia a fost de 3.60 la sut, se cerea s
se analizeze dac strategia de investiii a fondului a urmrit (i a reuit) o abatere
standard a randamentelor lunare de cel mult 4 la sut.
n aceste condiii, ipoteza nul este
H 0 : 2 16 iar ipoteza alternativ este
H a : 2 < 16 .
Testul statistic folosit este testul 2 cu 24 1 = 23 grade de libertate. La = 0.05 ,
valoarea critic a testului este 13.091.
Valoarea testului statistic este:
(
n 1)s 2
=
02
23 3.6 2 298.08
=
=
= 18.63
16
42
Deoarece valoarea calculat a testului statistic, 18.63, nu este mai mic dect valoarea
critic, 13.091, nu respingem ipoteza nul.
Deci strategia de investiii a fondului a avut ca rezultat o deviaie standard a
randamentelor lunare nregistrate de fondul de investiii mai mic dect 4 la sut.
19
Capitolul III. Analiza seriilor de timp n EViews

III.1. Introducerea seriilor n EViews
Crearea unui fiier de lucru (workfile) n EViews
Fiierul de lucru poate s conin urmtoarele tipuri de date:

Serii cros-secionale sau serii de timp nedatate (opiunea Unstructured/Undated);
Serii de timp cu frecvent constant (opiunea Dated regular frequency);
Serii de tip panel serii care sunt n acelai timp cros secionale ct i serii de
timp (opiunea Balanced Panel).
Analizm seria de timp cu frecven zilnic a cursului de schimb pentru perioada
ianuarie 1999 mai 2006. Dei seria are frecven constant, datorit srbtorilor
legale, care nu pot fi definite n EViews, nu se poate alege opiunea Dated, ci opiunea
Unstructured/Undated.
Pentru perioada analizat, sunt disponibile aproximativ 2000 de observaii. n cazul
realizrii de prognoze, trebuie alocate observaii i pentru perioada pentru care se face
prognoza. De aceea, este recomandat ca intervalul specificat s fie mai mare dect
numrul de observaii disponibile. De aceea, intervalul specificat n EViews va fi de 2500
observaii.
20
n acest fiier de lucru trebuie definite seriile cu care for fi folosite n analiza
econometric.
Definirea seriilor: click buton dreapa mouse n interiorul fiierului de lucru, selectarea
opiunii new object, alegerea opiunii series i specificarea numelui seriei. Seria creat
se numete eur.
21
Introducerea datelor n seria creat: selectarea serie, click buton stnga mouse,
selectare opiune edit +/- n fereastra seriei, introducerea datelor cu copy (din fiierul
Excel) i paste n prima coloan a fiierului seriei.
III.2. Prelucarea seriilor

Asupra seriilor introduce pot fi aplicate operaii matematice. Cele mai utilizate sunt
logaritmarea i prima diferen.
Cu excepia seriilor care au i valori negative, sau zero, analiza econometric se
realizeaz cu serii logaritmate, logaritmarea facilitnd interpretarea coeficienilor obinui
din regresie (acetia sunt elasticiti).
Prima diferen ( xt xt 1 ) este utilizat pentru staionarizarea seriilor.
Prelucrarea se realizeaz cu opiunea generate (genr) din fereastra fiierului de lucru i
introducerea ecuaie. De exemplu se logaritmeaz seria eur, seria de logaritmi se
numete l_eur. Asupra seriei l_eur se aplic operatorul prim diferen, seria de prime
diferene fiind denumit dl_eur.
Comenzile ce trebuie scrise n fereastra Generate sunt:
l_eur=log(eur)
dl_eur=d(l_eur) sau dl_eur=l_eur-l_eur(-1)
x(-n) reprezint lag-ul n al seriei, adic observaia xt n . x(n) reprezint lead-ul n al seriei,
adic observaia xt + n .
22
III.3. Staionaritatea seriilor de timp

Opiunile pentru analiza seriilor de timp sunt disponibile n fereastra seriei, prin opiunea
view.
Opiunile disponibile sunt:

Spreadsheet permite vizualizarea/modificarea datelor seriei;
Graph permite reprezentarea grafic a seriei;
Descriptive Statistics prezint primele patru momente ale distribuiei seriei;
Test of Descriptive Statistics permite efectuarea de teste statistice asupra
momentelor seriei;
Distribuion prezint distribuia seriei;
Correlogram prezint funcia de autocorelaie i autocorelaie partial.
Seriile ce vor fi analizate sunt l_eur i dl_eur.
23
Graficele celor dou serii (View/Graph/Line) sunt prezentate mai jos:

1.6
.08
1.4
.06
1.2
.04
1.0
.02
0.8
.00
0.6
-.02
0.4
-.04
0.2
-.06
500
1000
1500
L_EUR
2000
2500
500
1000
1500
2000
2500
DL_EUR
Din grafice rezult c l_eur (seria cursului de schimb) ar trebui sa fie o serie nestaonar
iar seria dl_eur (variatia zilnic a cursului de schimb) o serie staionar. Dar aceste
observaii trebuie confirmate prin testele de staionaritate.
Testele de staionaritate cele mai folosite sunt ADF (Augmented Dickey-Fuller) i PP
(Phillips-Perron).
Pentru a testa staionaritatea unei serii de timp: View/Unit Root Test

Test type: tipul testului de rdcin unitar (Augmented Dickey-Fuller, PhillipsPerron);
Test unit root in:
Level seria nivel (seria efectiv);
24
1st difference prima diferen a seriei (de obicei n cazul n care testul
aplicat asupra seriei nivel a artat c seria este nestaionar);
2nd difference a doua diferen a seriei (atunci cnd i testul aplicat primei
diferene a artat c seria de prime diferene este nestaionar.
Include in test equation
Intercept dac testul s includ i un termen constat. Acesat opiune se
alege atunci cnd din graficul seriei se observ c aceasta fluctueaz n jurul
unei anumite valori sau pornete dintr-o anumit valoare.
Trend and intercept n cazul n care seria prezint un trend.
None in cazul n care seria fluctueaz n jurul valorii 0.
Prima parte a testului prezint informaii cu privire la tipul testului (AFD, variabilele
exogene introduse constant, trend) i cuprinde rezultatul testului, valorile critice
pentru fiecare nivel de relevan (1, 5 i 10 la sut), i probabilitatea, p, asociat
rezultatului testului.
n acest exemplu, pentru l_eur, ADF are valoarea 0.981155 i valoarea p asociat
acestuia este de 0.9448. Dac valoarea testului este mai mare dect valoarea critic, nu
este respins ipoteza nul seria are o rdcin unitar (este nestaionar). n acest
caz nu este respins ipoteza nul seria este nestaionar.
Utiliznd valoarea p, este acceptat ipoteza nul seria este nestaionar pentru un
anumit nivel de relevan, ori de cte ori probabilitatea p este mai mare dect acel nivel
de relevan.
Partea a doua a testului prezint ecuaia estimat, pe baza creia a fost calculat testul
ADF.
Testul ADF pentru l_eur:
Null Hypothesis: L_EUR has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 3 (Automatic based on SIC, MAXLAG=25)
Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-0.981155
-3.962327
-3.411905
-3.127850
0.9448
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(L_EUR)
25
Method: Least Squares

Date: 09/22/07 Time: 12:51
Sample (adjusted): 5 2148
Included observations: 2144 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
L_EUR(-1)
D(L_EUR(-1))
D(L_EUR(-2))
D(L_EUR(-3))
C
@TREND(1)
-0.000783
0.066581
-0.089595
-0.074095
0.002038
-6.76E-07
0.000798
0.021554
0.021512
0.021552
0.000567
3.97E-07
-0.981155
3.089033
-4.164953
-3.437954
3.593461
-1.702470
0.3266
0.0020
0.0000
0.0006
0.0003
0.0888
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.027608
0.025334
0.006129
0.080324
7883.739
1.995360
Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
0.000428
0.006209
-7.348637
-7.332769
12.14042
0.000000
Pentru a determina ordinal de integrare al seriei (de cte diferenieri este nevoie pentru
a obine o serie staionar, se va testa staionaritatea seriei de prime diferene (dl_eur).
26
Testul ADF pentru dl_eur:

Null Hypothesis: D(L_EUR) has a unit root
Exogenous: Constant

1% level
5% level
10% level
t-Statistic
Prob.*
-29.44682
-3.433203
-2.862686
-2.567426
0.0000

Dependent Variable: D(L_EUR,2)
Date: 09/22/07 Time: 13:13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(L_EUR(-1))
D(L_EUR(-1),2)
D(L_EUR(-2),2)
C
-1.071989
0.147425
0.065175
0.000459
0.036404
0.029223
0.021560
0.000134
-29.44682
5.044887
3.023036
3.425652
0.0000
0.0000
0.0025
0.0006
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.469264
0.468520
0.006159
0.081168
7872.542
1.994158
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
5.00E-06
0.008448
-7.340058
-7.329479
630.7120
0.000000
Cum valoarea testului este mai mic dect valoarea critic pentru oricare dintre nivelele
de relevan, alegnd nivelul de relevan cel mai restrictiv, 1 la sut, se poate spune c
la 1 la sut nivel de relevan, ipoteza nul (seria este nestaionar) este respins. Acest
rezultat rezult i din valoarea probabilitii asociate, p. Astfel, aceasta este mai mic
dect cel mai restrictiv nivel de relevan, de 1 la sut i ca urmare, ipoteza nul seria
este nestaionar este respins. Deci ordinul de integrare al seriei este 1 sau seria
este I(1).
Testul PP funcioneaz pe acelai principiu ca i ADF. Rezultatul obinut aplicnd testul
PP este similar.
27
Cele dou teste, pentru nivel i pentru prima diferen sunt:
Testul PP pentru l_eur:

Null Hypothesis: L_EUR has a unit root
Bandwidth: 18 (Newey-West using Bartlett kernel)
Phillips-Perron test statistic

1% level
5% level
10% level
Adj. t-Stat
Prob.*
-0.937060
-3.962321
-3.411902
-3.127848
0.9502
Residual variance (no correction)

HAC corrected variance (Bartlett kernel)
3.82E-05
3.09E-05
Phillips-Perron Test Equation

Dependent Variable: D(L_EUR)
Date: 09/22/07 Time: 13:21
Variable
Coefficient
Std. Error
t-Statistic
Prob.
L_EUR(-1)
C
-0.000808
0.001905
0.000802
0.000568
-1.006972
3.355915
0.3141
0.0008
28
@TREND(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-5.70E-07
0.008674
0.007749
0.006184
0.081982
7874.342
1.866028
3.98E-07
-1.430085
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
0.1528
0.000427
0.006208
-7.332410
-7.324485
9.379616
0.000088
Testul PP pentru dl_eur:

Null Hypothesis: D(L_EUR) has a unit root
Exogenous: Constant

1% level
5% level
10% level
Adj. t-Stat
Prob.*
-42.86625
-3.433200
-2.862685
-2.567426
0.0000

3.83E-05
3.20E-05

Dependent Variable: D(L_EUR,2)
Date: 09/22/07 Time: 13:27
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(L_EUR(-1))
C
-0.925715
0.000394
0.021537
0.000134
-42.98208
2.941322
0.0000
0.0033
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.462853
0.462603
0.006193
0.082240
7866.810
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
1.60E-07
0.008449
-7.329739
-7.324453
1847.459
29
Durbin-Watson stat
1.986885
Prob(F-statistic)
0.000000
III.4. Distribuia seriilor

Momentele seriilor i testul Jarque-Bera pentru testarea distribuiei normale sunt
disponibile prin opiunea View/Descriptive Statistics/Histogram and Stats.
Pentru seria variaiilor zilnice ale cursului de schimb, dl_eur, momentele seriei sunt
prezentate mai jos:
900
Series: DL_EUR
Sample 1 2500
Observations 2147
800
700
600
500
400
300
200
100
0
-0.050
-0.025
-0.000
0.025
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.000427
-2.90e-05
0.068792
-0.051064
0.006208
0.857072
14.10991
Jarque-Bera
Probability
11304.70
0.000000
0.050
Ouput-ul prezint histograma distribuiei, media, mediana, valorile minime i maxime,

deviaia standard, coeficientul de asimetrie, kurtotica seriei i testul Jarque-Bera.
Pentru o distribuie normal:
Coeficientul de asimetrie (skewness) este zero distribuia normal este
simetric.
Kurtotica (kurtosis) este 3. Dac acest indicator are o valoarea mai mare dect 3,
atunci distribuia se numete leptokurtotic, iar dac acesta este mai mic dect 3
atunci distribuia se numete platikurtotic.
n exemplul de mai sus, conform rezultatelor statistice, distribuia evoluiilor zilnice ale
cursului de schimb are media apropiat de zero, prezint asimetrie pozitiv (ceea ce
nseamn c, n perioada analizat cursul de schimb EUR/RON a avut o tendina de
cretere leul s-a depreciat) iar kurtotica are o valoare de peste 14, ceea ce nseamn
c aceast distribuie este leptokurtotic.
O asemenea distribuie au majoritatea activelor financiare. ntr-o distribuie
leptokurtotic, probabilitatea de apariie a unui eveniment extrem este superioar
probabilitii de apariie a acelui eveniment implicat de o distribuie normal. Ca urmare
30
modelele de evaluare a preului i riscului activului respectiv pot genera erori dac
presupun distribuia normal a acestuia.
Jarque-Bera testeaz dac o distribuie este normal distribuit. Testul msoar diferena
dintre coeficientul de asimetrie i kurtotica distribuiei analizate cu cele ale distribuiei
normale. Testul are ca ipoteza nul: seria este normal distribuit. Astfel, dac
probabilitatea asociat testului este superioar nivelului de relevan ales (1, 5 sau 10 la
sut), atunci ipoteza nul este acceptat.
n exemplul de mai sus, cum valoarea probabilitii asociate este zero, se respinge
ipoteza nul, cum c seria este normal distribuit.
O alt modalitate de testare a normalitii distribuiei este utiliznd opiunea
View/Distribution/Quantile-Quantile Graph i alegnd opiunea Normal Distribution:
Prin aceast metodologie sunt reprezentate grafic quantilele distribuiei teoretice

(normale) versus quantilele distribuiei care se analizeaz. Astfel, cu linie continu sunt
reprezentate quantilele distribuiei normale, iar cu puncte cele ale distribuiei efective. Cu
ct acestea din urm se abat mai mult fa de cele teoretice, distribuia nu este normal
distribuit.
n exemplul analizat se observ c distribuia seriei evoluiilor zilnice ale cursului de
schimb EUR/RON nu este normal distribuit.
31
Theoretical Quantile-Quantile
12
Normal Quantile
8
4
0
-4
-8
-12
-.06 -.04 -.02
.00
.02
.04
.06
.08
DL_EUR
Reprezentarea grafic a distribuiei se realizeaz cu View/Distribution/Kernel Density

Graphs:
32
Kernel Density (Epanechnikov, h = 0.0018)

100
80
60
40
20
0
-.04
-.02
.00
.02
.04
.06
DL_EUR
III.5. Funcia de autocorelaie a seriilor de timp

Corelograma erorilor este utilizat n analiza erorilor ecuaiei de regresie i pentru
alegerea specificaiei modelelor ARMA.
Analiza coeficienilor de autocolelaie si a coeficienilor de corelaie parial ai seriilor
este disponibil cu opiunea View/Correlogram.
33
Specificaiile corelogramei:
Correlogram of
o Level corelograma serie n nivel;
o 1st Difference corelograma seriei n prime diferene,
o 2nd Difference corelograma celei de a doua diferene a seriei.
Lags to include numrul lag-urilor ce sunt incluse.
Coeficientul de corelaie de ordinul k, (coeficientul de corelaie dintre X t i X t k este
calculat dup cum urmeaz:
n
k = t = k +1
((X
X ) (X t k X ))
nk
t =1
(X
X)
n
unde:
k reprezint coeficientul de corelaie de ordinul k;
n numrul de observaii al seriei;
X media seriei X t
Coeficientul de autocorelie parial la lag-ul k reprezint coeficientul de regresie al lui
X t k , atunci cnd X t este regresat funcie de X t k i o constant.
Pentru o serie nestaionar coeficienii de corelaie ncep de la o valoare apropiat de -1
sau 1 i scad foarte ncet.
Coeficienii pariali de autocorelaie pentru un proces autoregresiv de ordin p, AR(p) se
opresc la lag-ul p, iar coeficienii pariali de autocorelaie pentru un proces medie mobil,
MA, converg gradual ctre zero.
Q-Statistic i probabilitatea asociat acestuia reprezint un test statistic care are ca
ipotez nul c nu exist autocorelaie pn la lag-ul k. Dac probabilitatea asociat
testului
Q-Statistic este superioar nivelului de relevan, ipoteza nul este respins
i este acceptat ipoteza alternativ exist autocorelaie pn la lag-ul k.
n exemplul ales, conform rezultatelor statistice, seria cursului de schimb EUR/RON,
l_eur, prezint autocorelaie persistent, conine o rdcin unitar i de asemenea, i
seria evoluiei zilnice a cursului de schimb (seria n prim diferen a serie nivel a
cursului de schimb), dl_eur prezint autocorelaie serial pentru primele 3 lag-uri.
34
III.6. Trendul seriilor de timp

Pentru estimarea unei componente pe termen lung a seriei de timp (trend), cea mai
simpl metod ce poate fi utilizat n programul EViews este filtrul Hodrick-Prescot.
Determinarea componentei pe termen lung a seriei prin filtrul Hodrick-Prescot se
realizeaz n EViews prin opiunea Proc/Hodrick-Prescot Filter apelat din fereastra
seriei de timp.
35
Opiuni:
Smoothed series repreprezint numele seriei trend ce va fi generat;
Cycle series numele seriei abaterii de la trend (calculat ca diferen ntre seria
efectiv i seria trend).
Pentru seria cursului de schimb EUR/RON, trendul i abaterea de la trend sunt
prezentate n graficul de mai jos.
Hodrick-Prescott Filter (lambda=14400)
1.6
1.2
0.8
.10
0.4
0.0
.05
.00
-.05
500
1000
L_EUR
1500
Trend
2000
2500
Cycle
36
III.7. Ajustarea sezonier a seriilor de timp

Pentru analiza sezonalitii unei serii s-a folosit seria de PIB trimestrial al Romniei,
pentru perioada trimestrul I 1998 trimestrul IV 2006.
Pentru introducerea seriei de date n EViews a fost creat un fiier de lucru cu date
trimestriale pentru perioada 1998 2007 i a fost creat seria gdp.
Se observ sezonalitatea seriei din reprezentarea ei grafic:

80000
70000
60000
50000
40000
30000
98
99
00
01
02
03
04
05
06
07
GDP
37
De asemenea, sezonalitatea poate fi pus n eviden prin opiunea

View/Graph/Seasonal Stacked Line apelat din fereastra seriei de timp analizate:
GDP by Season
80000
70000
60000
50000
40000
30000
Q1
Q2
GDP
Q3
Q4
Means by Season
Graficul prezint evoluia PIB-ului pe fiecare trimestru i media observaiilor pentru

fiecare trimestru (linia orizontal). n cazul n care sunt diferene semnificative ntre
mediile trimestriale, cum este cazul exemplului de mai sus, seria de timp prezint
sezonalitate.
Desezonalizarea seriei de timp se realizeaz cu opiunea Proc/Seasonal Adjustment
apelat din fereastra seriei de timp.
Cele mai utilizate metodologii de ajustare sezonier sunt:

Census X12 dezvoltat de Biroul de Statistic al Statelor Unite;
Tramo/Seats utilizat n special de Eurostat (Biroul de Statistic al Comisiei
Europene).
38
Opiunile pentru cele dou metodologii sunt:

Component Series to Save/Series to Save - Generarea de serii.
Generarea seriei ajustat sezonier bifarea opiunii _SA. Va vi generat o serie
numele seriei initiale_SA care reprezint seria ajustat sezonier;
Cele dou proceduri pot genera, similar cu filtrul Hodrick-Prescot i trendul/ciclul
seriei opiunea _TC pentru X12 i respectiv, opiunile _TRD i _CYC pentru
Tramo-Seats.
De exemplu, n cazul aplicrii metodologiei X12, a fost generat seri gdp_sa.
Pentru a reprezenta pe acelai grafic cele dou serii, se selecteaz seriile cu CTRL +
click buton stnga mouse, apoi click buton dreapta mouse/Open as group i apoi, n
fereastra grupului View/Graph/Line.
39
Cele dou serii, cea nedesezonalizat, gdp, i cea ajustat sezonier, gdp_sa sunt
prezentate n graficul de mai jos.
80000
70000
60000
50000
40000
30000
98
99
00
01
02
GDP_SA
03
04
05
06
07
GDP
40
Capitolul IV. Regresia liniar multipl

IV.1. Forma general i ipoteze
Cu ajutorul regresiei liniare, se poate determina impactul pe care l au mai multe
variabile independente asupra anumite variabile (numit variabil dependent).
Forma general a ecuaiei de regresie multipl este:k
Yt = b0 + b1 X 1t + b2 X 2t + ... + bk X kt + t
unde:
t = 1,2,..., n sunt observaiile din eantion,

Yt observaia t a variabilei dependente,
X j variabilele independente, j = 1,2,..., k ,
X jt observaia t a variabilei independente X j ,
b0 constanta (termenul liber al ecuaiei),
b1 ,..., bk coeficienii variabilelor independente,
t termenul de eroare al ecuaiei.

Coeficientul variabilei independente arat cu ct se modific variabila dependent, Yt ,
atunci cnd variabila independent, X jt , se modific cu o unitate, n condiiile n care
celelalte variabile independente rmn constante.
Dac variabila dependent i variabilele independente sunt specificate n logaritmi
naturali, atunci coeficienii variabilelor independente pot fi interpretai ca elasticiti.
Astfel, aceti coeficieni vor arta cu ct la sut se modific variabila dependent dac
variabila independent se modific cu 1 la sut.
Pentru ca inferena bazat pe rezultatele regresiei liniare multiple s fie valid, trebuie
ndeplinite un set de ase ipoteze, regresia bazat pe acest set de ipoteze fiind
cunoscut ca modelul clasic normal de regresie multipl.
Ipoteze:
1. Legtura dintre variabila dependent i variabilele independente este liniar.
2. Variabilele independente sunt aleatoare. De asemenea ntre variabilele
independente incluse ntr-o regresie nu exist nici o relaie liniar. Dac
variabilele independente sunt corelate atunci exist multicoliniaritate.
3. Valoarea ateptat a termenului de eroare, t , este zero, E ( t ) = 0 .
4. Variana termenului de eroare, t , este aceeai pentru toate observaiile,
( )
E t2 = 2 . Aceste erori se numesc homoskedastice. Dac, n schimb, variana
41
termenului de eroare este variabil, erorile se numesc heteroskedastice, i

trebuie utilizate metode diferite de estimare a regresiei.
5. Termenul de eroare, t , este necorelat ntre observaii, E ( t s ) = 0, s t .
Dac exist corelaie serial a erorilor, trebuie folosite utilizate metode diferite de
estimare a regresiei.
6. Termenul de eroare este normal distribuit.
Impactul nclcrii uneia dintre ipoteze asupra rezultatelor regresiei este prezentat n
tabelul de mai jos:
Heteroskedasticitate
Corelaie serial a erorilor
Multicoliniaritate
Erorile standard ale regresiei sunt incorecte

Erorile standard ale regresiei sunt incorecte
Valori mari ale lui R 2 i valori mici ale valorilor
t-statistic ale coeficienilor variabilelor independente
IV.2. Teste statistice si indicatori ai regresiei

Abaterea ptratic total lui Yi , numit i variaia total, (total sum of squares, TSS) este
2
(Y Y )
n
calculat ca
i =1
Suma total a ptratelor erorilor regresiei, numit i variaia neexplicat (residual sum of
squares, sum of squared erros, SSE) se calculeaz ca (Y Y ) , unde Y
2
i =1
reprezint
valoarea lui Yi obinut conform rezultatelor regresiei (valoarea estimat a lui Yi ).

Partea din abaterea ptratic total a lui Yi obinut din regresie, numit i variaia
(Y Y ) , unde
2
explicat (regression sum of squares, RSS) se calculeaz ca
i =1
reprezint media lui Yi .

ntre cele trei msuri exist relaia:
TSS = SSE + RSS.
Eroarea standard a estimrii, (standard error of estimate, SEE) reprezint eroarea
standard a reziduului ecuaiei.
(Y b b X
n
SEE =
t =1
1t
b2 X 2t ... bk X kt
n (k + 1)

t =1
2
t
n (k + 1)
42
unde x reprezint x obinut din regresie (x estimat).

Media ptratelor regresiei (mean regression sum of squares, MSR) se calculeaz ca
RSS
, unde k este numrul variabilelor independente incluse n regresie.
k
Media erorii ptratice (mean square error, MSE) se calculeaz ca
SSE
.
n (k + 1)
Similar cu testarea mediei unui eantion, coeficienii ecuaiei de regresie pot fi testai
printr-un test t. Ipoteza nul a testului este bk = bk 0 , unde bk este coeficientul obinut din
regresie iar bk 0 valoarea testat a coeficientului.
Testul t se calculeaz conform relaiei:
t=
bk bk 0
,
sbk
unde sbk este eroarea standard a coeficientului.

Dac valoarea testului este mai mare dect valoarea critic, atunci ipoteza nul este
respins.
Programele software econometrice testeaz prin testul t, pentru fiecare coeficient,
ipoteza nul c acel coeficient are valoarea zero. Sunt raportate att valorile testului t,
ct i probabilitile, p, asociate. Dac probabilitatea asociat este inferioar nivelului de
relevan la care se lucreaz (1, 5 sau 10 la sut), atunci se respinge ipoteza nul i
coeficientul este considerat ca fiind semnificativ din punct de vedere statistic. n cazul in
care probabilitatea, p, este superioar nivelului de relevan la care se lucreaz, atunci
ipoteza nul este acceptat, iar coeficientul este considerat ca avnd, din punct de
vedere statistic, valoarea zero.
Testul F msoar ct de bine variabilele independent explic evoluia variabilei
dependente. El determin dac toi coeficienii regresiei, n acelai timp au valoarea zero
din punct de vedere statistic. Acesta are ca ipotez nul c toi coeficienii din regresie
au valoarea zero.
Testul F se calculeaz ca:
RSS
MSR
k
=
F=
SSE
MSE
n (k + 1)
Testul F are o distribuie F cu (k, n (k + 1)) grade de libertate.
43
Ca i n cazul testului t, programele software econometrice raporteaz valoarea testului

i probabilitatea, p, asociat acestuia.
Dac valoarea p este inferioar nivelului de relevan la care se lucreaz, atunci ipoteza
nul este respins, ceea ce nseamn c cel puin unul dintre coeficienii din regresie
este semnificativ din punct de vedere statistic. ns dac valoarea p este superioar
nivelului de relevan, atunci este acceptat ipoteza nul, ceea ce nseamn c toi
coeficienii din regresie sunt considerai nesemnificativi din punct de vedere statistic
(egali cu zero).
Un alt indicator care arat dac modelul de regresie este bine specificat este R 2 . Acesta
arat ct la sut din variana total a variabilei dependente este datorat variabilelor
independente.
R 2 se calculeaz ca R 2 =
TSS SEE
TSS
R 2 ia valori ntre 0 i 1, cu ct valoarea acestuia este mai apropiat de 1, regresia este

bine specificat.
De fiecare dat cnd este introdus n regresie o nou variabil independent care este
ct de puin corelat cu variabila dependent, R 2 crete, dar n acelai timp se pierde
un grad de libertate.
De aceea, o msur mbuntit a lui R 2 este R 2 ajustat ( R 2 ), acesta innd cont de
numrul de variabile independente incluse n regresie. Formula de calcul a lui R 2 este
n 1
2
R 2 = 1
1 R ,
nk
unde:
n reprezint numrul de observaii,
k numrul de variabile independente incluse n regresie.
Astfel, atunci cnd sunt introduse variabile independente suplimentare n regresie, R 2
poate s creasc, dar R 2 poate s scad penaliznd astfel introducerea de variabile
independente care au o relevan mic asupra variabilei dependente.
IV.3. Regresii cu variabile calitative

De multe ori este nevoie de introducerea unor variabile calitative n regresie. Unul dintre
tipurile de variabile calitative cele mai des folosite n regresii sunt variabilele dummy.
Acestea iau valoarea 1 dac o anumit condiie este adevrat i valoarea 0 n caz
contrar.
44
De exemplu, dac se testeaz dac randamentele obinute de o aciune sunt diferite n

luna ianuarie fa de restul lunilor din an, se va include n regresie o variabil dummy,
care ia valoarea 1 n luna ianuarie i valoarea zero n celelalte luni ale anului.
Numrul de variabile dummy este cu 1 mai mic dect numrul de condiii, n caz contrat
existnd multicoliniaritate. n exemplul de mai sus, randamentul obinut de ctre aciune
n celelalte luni ale anului este captat de termenul liber al regresiei.
Variabilele dummy pot fi utilizate i pentru captarea impactului sezonier asupra variabilei
independente, introducnd cel mult 11 variabile dummy pentru datele cu frecven
lunar sau cel mult 3 variabile dummy pentru datele cu frecven trimestrial, asta n
cazul n care datele nu au fost ajustate sezonier n prealabil.
IV.4. Regresii cu serii de timp n EViews

n exemplu urmtor se va estima i o ecuaie de regresie pentru randamentul unei
aciuni funcie de randamentul pieei (modelul de pia).
Astfel, se va estima randamentul aciunii Banca Transilvania (TLV) funcie de
randamentul BET, utiliznd date zilnice pentru perioada ianuarie 1999 mai 2005.
Serii utilizate:
dln_tlv prima diferen a seriei de logaritmi naturali a preurilor zilnice ale aciunii
Banca Transilvaina (adic randamentul zilnic al aciunii);
dl_bet prima diferen a seriei de logaritmi naturali a indicelui BET.
Definirea ecuaiei: click buton dreapta mouse n interiorul fiierului de lucru, selectarea
opiune new object; n fereastra New Object selectare opiune Equation.
Apoi n fereastra Equation Estimation la categoria Equation specification se specific
ecuaia de regresie dup cum urmeaz: variabila dependent (dln_tlv), spaiu, constanta
(c), spaiu, variabila/variabilele independente cu spaiu ntre ele (dl_bet). La categoria
Estimation settings se selecteaz LS Least Squares.
45
Rezultatul ecuaiei este:

Dependent Variable: DLN_TLV
Date: 09/24/07 Time: 21:06
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
DL_BET
0.001601
0.521952
0.000635
0.040160
2.520559
12.99691
0.0118
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.074845
0.074402
0.028912
1.745314
4441.363
2.186437
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
0.002376
0.030051
-4.248194
-4.242792
168.9196
0.000000
Pentru fiecare variabil independent i constant EViews raporteaz eroarea standard

a coeficientului, testul t-Statistic i probabilitatea asociat acestuia. Presupunnd ca se
lucreaz la nivelul de relevan de 5 la suta, cum, n exemplul de mai sus probabilitile
ataate testului t-statistic sunt inferioare acestui nivel, coeficienii sunt considerai
semnificativi din punct de vedere statistic.
EViews raporteaz R 2 i R 2 , prezentate anterior.
46
Durbin Watson statistic (DW) este un test statistic care testeaz corelaia serial a
erorilor. Dac erorile nu sunt corelate, atunci valoarea lui DW va fi n jur de 2. n
exemplul de mai sus acest indicator are valoarea 2.18, i ca urmare, exist corelaie
serial a erorilor.
EViews raporteaz i dou criterii informaionale: Akaike info criterion i Schwarz
criterion. Aceti indicatori sunt folositori atunci cnd trebuie aleas o ecuaie din mai
multe variante. Conform criteriului informaional, se alegea specificaia pentru care
criteriile informaionale au valorile cele mai mici.
n alegerea unei ecuaii din mai multe ecuaii posibile, de asemenea importante sunt i
R 2 i R 2 (care trebuie s fie ct mai mari) i testele de corelaie serial i
heteroskedasticitate. n majoritatea cazurilor fiecare dintre teste va indica o ecuaie
diferit, de aceea va trebui s se gseasc un compromis n alegerea unei ecuaii.
De asemenea este raportat i F-statistic i probabilitatea asociat acestuia. Cum
aceast probabilitate este mai mic dect nivelul de relevan, conform acestui test
rezult c cel puin un coeficient din regresie este semnificativ din punct de vedere
statistic.
Testele pentru ecuaia de regresie sunt disponibile cu meniul View din fereastra ecuaiei
de regresie.
Cu opiunea View/Actual, Fitted, Residual/Actual, Fitted, Residual Graph se reprezint
grafic valoarea efectiv a variabilei dependente, valoarea sa estimat i erorile din
regresie.
47
.6
.4
.2
.0
.6
-.2
.4
-.4
.2
.0
-.2
-.4
250
500
750 1000 1250 1500 1750 2000
Residual
Actual
Fitted
Cu opiunea View/Residual tests se testeaz erorile ecuaiei de regresie.
Astfel, cu opiunea View/Residual tests/Correlogram Q-statistics se testeaz

autocorelaia erorilor ecuaiei de regresie (similar cu testarea autocorelaiei seriilor de
timp).
48
Conform rezultatelor acestui test, pentru primele 3 lag-uri ale erorilor exist corelaie
serial a erorilor (valoarea coeficientului de autocorelaie depete intervalul punctat n
grafic). Existena autocorelaiei este confirmat i de testul Q-statistic i probabilitatea
asociat acestuia.
Cu opiunea View/Residual tests/Correlogram Squared Residuals se testeaz
autocorelaia erorilor ptratice ale ecuaiei de regresie dup aceleai principii ca i
testarea autocorelaiei erorilor. Dac exist aotocorelaie ale erorilor ptratic, acest fapt
este o indicaie a existenei heteroskedasticitii (termeni ARCH).
49
Conform rezultatelor econometrice, pentru ecuaia estimat anterior, exist corelaie

serial a erorilor ptratice, deci este posibil s existe termeni ARCH.
Cu opiunea View/Residual tests/Histogram Normality test se analizeaz (similar cu
analiza distribuiei unei serii) distribuia erorilor rezultate din regresie.
50
1000
Series: Residuals
Sample 2 2091
Observations 2090
800
600
400
200
0
-0.25
-0.00
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
6.64e-20
-0.000847
0.474478
-0.265550
0.028905
4.453284
93.72818
Jarque-Bera
Probability
723743.4
0.000000
0.25
Conform rezultatelor testului Jarque-Bera, erorile nu sunt distribuite normal. Distribuia

normal a erorilor este importat n special cnd se dorete realizarea de prognoze pe
baza ecuaiei econometrice estimate.
Existena corelaiei seriale, artat de corelograma erorilor se confirm cu ajutorul
testului Serial Correlation LM test, disponibil cu ajutorul opiunii View/Residual
tests/Serial Correlation LM Test.
Alegnd 3 lag-uri pentru acest test, rezultatul este prezentat mai jos.
Cea mai important parte a output-ului testului este prima parte care prezint cele dou
teste statistice F-Statistic i R-squared i probabilitile asociate acestor teste.
Ipoteza nul a celor dou teste este c nu exist corelaie serial a erorilor ecuaiei de
regresie pn la lag-ul k (specificat mai sus). Dac probabilitatea asociat celor dou
teste este inferioar nivelului de relevan la care se lucreaz, atunci ipoteza nul este
respins, deci se respinge inexistena corelaiei seriale. n caz contrar ipoteza nul este
acceptat, (nu exist corelaie serial).
51
Breusch-Godfrey Serial Correlation LM Test:

F-statistic
Obs*R-squared
29.24197
84.38578
Prob. F(3,2085)
Prob. Chi-Square(3)
0.000000
0.000000
Test Equation:
Dependent Variable: RESID
Date: 09/24/07 Time: 22:31
Sample: 2 2091
Included observations: 2090
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
DL_BET
RESID(-1)
RESID(-2)
RESID(-3)
-3.51E-05
0.021783
-0.124563
-0.131478
-0.133612
0.000623
0.039474
0.021741
0.021684
0.021736
-0.056369
0.551838
-5.729423
-6.063482
-6.146925
0.9551
0.5811
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.040376
0.038535
0.028342
1.674845
4484.431
1.997878
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
6.64E-20
0.028905
-4.286537
-4.273032
21.93148
0.000000
Conform rezultatelor statistice exist corelaie serial a erorilor ecuaiei de regresie pn

la lag-ul 3.
Testul similar (testului Serial Correlation LM) pentru testarea corelaiei seriale a erorilor
ptratice este ARCH LM Test, disponibil cu ajutorul opiunii View/Residual testsARCH
LM Test. Testul funcioneaz pe aceleai principii ca i testul pentru autocorelaia
erorilor.
Alegnd tot 3 lag-uri pentru acest test, conform celor dou probabiliti asociate, este
respins ipoteza nul (inexistena corelaiei seriale a erorilor ptratice ale ecuaiei de
regresie).
52
ARCH Test:
F-statistic
Obs*R-squared
22.96701
66.82299
Prob. F(3,2083)
Prob. Chi-Square(3)
0.000000
0.000000
Test Equation:
Dependent Variable: RESID^2
Date: 09/24/07 Time: 22:44
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
RESID^2(-2)
RESID^2(-3)
0.000618
0.143865
0.069810
0.037151
0.000176
0.021895
0.022066
0.021881
3.522445
6.570647
3.163664
1.697844
0.0004
0.0000
0.0016
0.0897
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.032019
0.030625
0.007919
0.130634
7138.545
1.998429
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
0.000826
0.008043
-6.837130
-6.826314
22.96701
0.000000
Testele de stabilitate ale ecuaiei i coeficienilor estimai sunt disponibile cu opiunea

View/Stability Tets/Recursive Estimates (OLS only).
Cele mai utilizate teste de stabilitate sunt:
CUSUM Tests;
CUSUM of Squares Tests;
Recursive Coeficients.
53
Testul CUSUM se bazeaz pe suma cumulativ a erorilor recursive ale ecuaiei de

regresie.
EViews reprezint grafic suma cumulativ a erorilor recursive mpreun cu liniile critice
de 5 la sut. Parametrii ecuaiei nu sunt considerai stabili dac suma cumulativ a
erorilor recursive iese n afara celor dou linii critice.
Erorile recursive sunt calculate dup cum urmeaz: folosind primele k + 1 observaii,
unde k reprezint numrul de coeficieni ai ecuaiei de regresie, se estimeaz coeficienii
ecuaiei, se prognozeaz variabila dependent pentru a k + 2-a observaie i se
calculeaz eroarea de prognoz (prin compararea valorii variabilei dependente
prognozate cu valoarea efectiv a acesteia). Apoi se mai introduce o observaie n
eantion (acesta avnd k + 2 observaii) i se repet procedura descris anterior.
Suma cumulativ a erorilor recursive este:
WT =
wt
, t = k + 1, k + 2,..., T ,
t = k +1 s
unde:
WT reprezint suma cumulativ a erorilor recursive pentru primele T observaii;
wt eroarea recursiv calculat pe baza primelor t observaii din eantion;

k numrul de coeficieni ai regresiei;
s eroarea standard a regresiei.
Pentru ecuaia analizat, testul CUSUM este prezentat n graficul de mai jos.
54
150
100
50
0
-50
-100
-150
250
500
750 1000 1250 1500 1750 2000
CUSUM
5% Significance
Conform rezultatelor statistice, coeficienii ecuaiei sunt stabili.

Testul CUSUM of Squares se calculeaz i interpreteaz similar cu testul CUSUM, cu
deosebirea c n locul erorilor recursive sunt folosite erorile recursive ridicate la ptrat.
Pentru ecuaia analizat, conform acestui test, coeficienii ecuaiei nu sunt stabili.
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
250
500
750 1000 1250 1500 1750 2000

CUSUM of Squares
5% Significance
Recursive Coefficients prezint coeficienii ecuaiei de regresie calculai recursiv.
55
Coeficienii sunt stabili dac, odat cu mrirea eantionului, valoarea acestora nu se

modific.
Pentru calcului coeficienilor recursivi se pornete cu primele k + 1 observaii, unde k
reprezint numrul de coeficieni ai ecuaiei de regresie, se estimeaz coeficieni
ecuaiei de regresie. Apoi se mrete eantionul cu urmtoarea observaie i se
reestimeaz coeficienii de regresiei. Se procedeaz similar pn se estimeaz
coeficienii pe baza ntregului eantion de date disponibile. Apoi coeficienii recursivi se
reprezint grafic.
Pentru ecuaia analizat, coeficienii recursivi sunt reprezentai n graficele de mai jos.
.008
.004
.000
-.004
-.008
-.012
-.016
-.020
-.024
-.028
250
500
750 1000 1250 1500 1750 2000

Recursive C(1) Estimates
2 S.E.
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
250
500
750 1000 1250 1500 1750 2000

Recursive C(2) Estimates
2 S.E.
56
IV.5. Regresii cu serii crossecionale i variabile calitative n EViews

Pentru a analiza impactul variabilelor macroeconomice asupra evoluiei spread-ului
pentru obligaiunile externe cu scadena de 10 ani1 emise de rile n curs de dezvoltare,
au fost estimate dou ecuaii de regresie pe un eantion de 382 de ri n curs de
dezvoltare.
Variabila dependent este evoluia spread-ului obligaiunilor acestor ri n primele 6 luni
ale anului 2006 (perioad care a consemnat dou crize valutare n Islanda i Turcia) i
respectiv n primele trei trimestre ale aceluiai an.
Variabilele independente sunt:
- media soldului contului curent, calculat ca pondere n PIB, pentru anii 2004 i
2005 pentru aceste ri, (CA05+CA04)/2;
- media soldului bugetului de stat, calculat ca pondere n PIB, pentru anii 2004 i
2005, (BGBAL05+BGBAL04)/2;
- variabil dummy, care ia valoarea 1 n cazul n care datoria extern total a rii
(calculat ca procent n PIB) s-a situat att n anul 2004 ct i n anul 2005 peste
media datoriei externe totale a eantionului de ri n curs de dezvoltare
(DUMMY_DEBT);
- variabil dummy care ia valoarea 1 dac ara inclus n eantion este din
America Latin (DUMMY_LATAM).
Conform rezultatelor statistice, n prima jumtate a anului 2006 (perioad care a cuprins
cele dou episoade de criz valutar):
- att soldul contului curent ct i soldul bugetului de stat i-au pus amprenta
asupra evoluiei spread-ului obligaiunilor externe n anul 2006 n sensul c un
deficit mai mare a condus la o majorare a spread-ului;
- soldul bugetului de stat a avut o importan mai mare asupra evoluiei spreadului dect soldul contului curent;
- asupra spread-ului i-a pus amprenta i datoria extern total a rii, n sensul c
o valoare a acestei datorii superioar valorii medii a eantionului n anii 2004 i
2005 a condus la o majorare a spread-ului n perioada analizat;
- rile n curs de dezvoltare din America Latin au nregistrat o majorare a spreadului n anul 2006 inferioar celorlalte ari n curs de dezvoltare.
Rezultatele econometrice sunt prezentate n tabelul de mai jos.
n cazul n care ara respectiv nu are obligaiuni externe emise cu scadena de 10 ani, n analiz
a fost inclus spread-ul pentru obligaiunile externe cu scadena cea mai apropiat de aceast termen.
2
Africa de Sud, Argentina, Brazilia, Bulgaria, Cehia, Chile, China, Columbia, Coreea de Sud,
Croaia, Ecuador, Egipt, Estonia, India, Indonezia, Israel, Letonia, Lituania, Malaezia, Maroc, Mexic, Noua
Zeeland, Peru, Philipine, Polonia, Romnia, Rusia, Singapore, Slovacia, Slovenia, Tailanda, Taiwan,
Tunisia, Turcia, Ucraina, Ungaria, Uruguay, Venezuela
57
Dependent Variable: S_30DEC30JUN

Variable
Coefficient
Std. Error
t-Statistic
Prob.
(CA05+CA04)/2
(BGBAL05+BGBAL04)/2
C
DUMMY_DEBT
DUMMY_LATAM
-2.055125
-4.171597
-20.53730
31.00363
-51.07850
0.882112
2.120765
10.84948
13.34970
14.70051
-2.329777
-1.967025
-1.892930
2.322420
-3.474608
0.0261
0.0576
0.0672
0.0265
0.0015
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.496125
0.435049
36.56759
44127.21
-188.0073
2.209404
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-9.815789
48.65091
10.15828
10.37375
8.123107
0.000113
n cazul extinderii perioadei de calcul a evoluiei spread-ului la primele trei trimestre ale
anului 2006, coeficienii celor dou variabile macroeconomice devin nesemnificativi din
punct de vedere statistic ceea ce sugereaz reducerea aversiunii fat de risc a
investitorilor, n trimestrul III al anului 2006, ctre nivelurile anterioare celor dou
episoade de criz.
Rezultatele econometrice sunt prezentate n tabelul de mai jos.
Conform att testelor individuale t ct i testului F, coeficienii din ecuaia de regresie
sunt nesemnificativi din punct de vedere statistic.
58
Dependent Variable: S_30DEC30SEP

Variable
Coefficient
Std. Error
t-Statistic
Prob.
(CA05+CA04)/2
0.158311
(BGBAL05+BGBAL04)/2 -1.485595
C
-1.132544
DUMMY_DEBT
7.083560
DUMMY_LATAM
-63.35821
1.689682
4.062315
20.78213
25.57130
28.15876
0.093693
-0.365702
-0.054496
0.277012
-2.250036
0.9259
0.7169
0.9569
0.7835
0.0312
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.161209
0.059537
70.04505
161908.2
-212.7064
1.891845
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-10.10526
72.22816
11.45823
11.67371
1.585581
0.201263
59
Capitolul V. Modele ARMA

Modelele ARMA (autoregresive moving average) sunt modele univariate modele prin
care variabila dependent este modelat funcie de propriile observaii.
Aceast clas de modele cuprinde:
Modele autoregresive (AR);
Modele cu medii mobile (MA);
Modele ARMA care combin cele dou tipuri de procese.
V. 1. Procese AR
O serie staionar, Yt , urmeaz un proces AR(p) dac este ndeplinit condiia:
p
Yt = 0 + iYt i + t ,
i =1
( )
unde t ~ N (0, 2 ) serie staionar, E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s

n aceast ecuaie, p valori anterioare ale lui Y sunt folosite pentru a prognoza valoarea
curent.
Polinomul caracteristic ataat procesului AR(p) este:
P ( ) = 0 p 1 p 1 2 p 2 ... p .
Procesul AR(p) este staionar dac valorile absolute ale rdcinilor polinomului su
caracteristic sunt strict mai mici dect 1.
Media procesului AR(p) se obine rezolvnd ecuaia Yt = 0 +
Y
i =1
i t i
+ t , pentru = 0
i Yt = Yt 1 = ... = Yt p = Y . Pentru un proces autoregresiv staionar, media procesului

este finit i independent de timp; procesul se ntoarce la medie (este mean reverting).
n cazul n care procesul este nestaionar, media nu este o valoare finit.
Condiiile suplimentare pentru ca procesul s fie staionar (n covarian) sunt:
Variana procesului nu depinde de timp,
Covariana nu depinde de timp.
Unul dintre modelele de tip AR cele mai folosite n finane este modelul Random Walk,
model pentru care p = 1, 0 = 0 i 1 = 1 .
Reprezentarea modelului este: Yt = Yt 1 + t ,
( )
unde t ~ N (0, 2 ) serie staionar, E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s .
60
Ca urmare, valoarea unei serii ntr-o anumit perioad depinde de valoarea seriei n
perioada anterioar i de un termen de eroare aleator a crui valoare ateptat este 0.
Astfel, cea mai bun prognoz a valorii seriei este valoarea sa anterioar.
Acest model este foarte utilizat n analiza pieelor financiare i n special a cursului de
schimb.
Acest proces este nestaionar (exploziv), i, ca urmare nu are medie.
Cea mai simpl metod de testare a procesului este testarea termenului t = Yt Yt 1
(care reprezint prima diferen a seriei):
testarea mediei seriei t : care trebuie s fie zero;
testarea staionaritii seriei t : seria trebuie s fie staionar.
Procesul random walk poate s aib i un trend (random walk with drift), n exemplul de
mai sus, pentru 0 0 . Reprezentarea acestui model este:
Yt = 0 + Yt 1 + t ,
( )
unde t ~ N (0, 2 ) , E ( t ) = 0 , E t2 = 2 , E ( t s ) = 0, daca, t s .
V. 2. Procese MA
Deoarece majoritatea seriilor de timp financiare au caracteristicile unor procese
autoregresive, modelele AR sunt cele mai utilizate modele de prognoz. Dar, anumite
serii urmeaz alte tipuri de procese, numite procese de medii mobile (MA). De exemplu,
conform testelor statistice prezentate n literatura de specialitate, indicele bursier S&P
500 urmeaz mai degrab un proces MA dect AR.
Procesul Yt este urmeaz un proces medie mobil de ordinul q , dac este definit prin
egalitatea:
Yt = t 1 t 1 ... q t q ,
( )
V. 3. Procese ARMA
Utiliznd ambele procese AR i MA, analiza i prognoza seriilor de timp poate fi
mbuntit. Astfel, prin combinarea celor dou procese se obine un model generalizat,
autoregresiv medii mobile (ARMA).
Modelul ARMA combin att lag-urile autoregresive ale variabilei dependente ct i
erorile procesului medie mobil. Ecuaia unui asemenea model, cu p termeni
autoregresivi i q termeni medie mobil, notat ARMA(p,q) este:
61
i =1
i =1
Yt = 0 + iYt i + t + i t i ,
( )

Estimarea modelelor ARMA prezint limitri severe. n primul rnd parametrii n
modelele ARMA pot fi foarte instabili, modificri mici ale eantionului utilizat putnd
conduce la parametri foarte diferii de la o estimare la alta. n al doilea rnd, alegerea
modelului ARMA cel mai potrivit depinde mai mult de experien dect de indicatori
statistici. n plus, un model odat selectat, poate s nu prognozeze foarte bine.
Procedura de estimare a unui model ARMA cuprinde urmtorii pai:
1. Testarea staionaritii seriei. Dac este staionar se trece la pasul trei, dac nu
se parcurg cerinele pasului urmtor.
2. Se stionarizeaz seria de date prin difereniere. Marea majoritate a seriilor
nestaionare sunt integrate de ordinul 1, I(1), aa c seria se staionarizeaz prin
prima diferen.
3. Pe baza coeficienilor de autocorelaie (funciei de autocorelaie)
i a
coeficienilor de corelaie parial (funciei de autocorelaie parial) se determin
modelele autoregresive de start pentru analiza seriei de date. Astfel, dac exist
o valoare a lui h egal cu q ncepnd de la care valoarea funciei de
autocorelaie scade brusc ctre zero, atunci pentru prelucrarea seriei se
folosete un proces MA(q) sau un proces ARMA ce cuprinde o component
MA(q). n cazul n care valoarea funciei de autocorelaie parial scade
instantaneu ctre zero, ncepnd cu o valoare a decalajului egal cu p, atunci se
recomand ca seria de timp s fie prelucrat prin intermediul unui proces AR(p)
pur sau printr-un proces ce cuprinde i aceast component.
4. Se estimeaz parametrii modelelor ARMA.
5. Se testeaz caracteristicilor modelelor autoregresive ce au fost estimate n etapa
anterioar. Astfel se verific dac coeficienii modelului sunt semnificativi (diferii
de zero) din punct de vedere statistic, autocorelarea reziduurilor regresiei,
proprietatea de homoscedasticitate, stabilitatea parametrilor i caracteristicile
distribuiei rezidurilor.
6. Se alege cel mai potrivit model folosind diverse criterii de analiz. Astfel, se
alege modelul care are valoarea cea mai mare pentru R 2 ajustat sau valoarea
cea mai mic pentru variana sau dispersia reziduurilor. De asemenea se alege
modelul care are valorile cele mai mici pentru criteriile informaionale (Akaike,
Schwartz).
7. Pe baza modelului selectat se fac diverse analize i prognoze.
62
V. 4. Estimarea modelelor ARMA n EViews

Utiliznd seria de date cu frecven lunar a BUBOR 1W pentru perioada ianuarie 1997
august 2007 au fost estimate trei modele AR, MA i ARMA care s descrie evoluia
ratei lunare a dobnzii BUBOR 1W.
Graficul seriei utilizate este:
250
200
150
100
50
0
97
98
99
00
01
02
03
04
05
06
07
BUBOR
Conform testelor de staionaritate ADF i PP seria este staionar.

Testul de staionaritate ADF
Null Hypothesis: BUBOR has a unit root

1% level
5% level
10% level
t-Statistic
Prob.*
-5.024900
-4.031899
-3.445590
-3.147710
0.0003

Dependent Variable: D(BUBOR)
63

Sample (adjusted): 1997M02 2007M08
Variable
Coefficient
Std. Error
t-Statistic
Prob.
BUBOR(-1)
C
@TREND(1997M01)
-0.328208
33.57762
-0.303782
0.065316
7.478112
0.074919
-5.024900
4.490120
-4.054833
0.0000
0.0000
0.0001
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.169420
0.156024
19.33121
46338.27
-554.8257
1.581948
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-0.383937
21.04233
8.784657
8.851843
12.64663
0.000010
Testul de staionaritate PP
Null Hypothesis: BUBOR has a unit root

1% level
5% level
10% level
Adj. t-Stat
Prob.*
-5.437216
-4.031899
-3.445590
-3.147710
0.0001

364.8682
462.5140

Dependent Variable: D(BUBOR)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
BUBOR(-1)
-0.328208
0.065316
-5.024900
0.0000
64
C
@TREND(1997M01)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
33.57762
-0.303782
0.169420
0.156024
19.33121
46338.27
-554.8257
1.581948
7.478112
0.074919
4.490120
-4.054833
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
0.0000
0.0001
-0.383937
21.04233
8.784657
8.851843
12.64663
0.000010
Funcia de autocorelaie a acestei serii este prezentat n graficul de mai jos.
65
Att funcia de autocorelaie (care pornete de la o valoare ridicat i scade gradual) ct i funcia
de autocorelaie parial (care scade brusc) indic c aceast serie este preponderent un proces
AR.
Pentru specificarea ecuaiei, se procedeaz similar ca n cazul estimrii unei ecuaii de regresie
liniar: click buton dreapta mouse n interiorul ferestrei fiierului de lucru (workfile)/new
object/equation:
Variabilele AR se specific ca lag-uri ale variabilei dependente (n exemplul de mai sus,

bubor(-1)), iar variabilele MA, se specific MA(x) unde x reprezint ordinul.
n selectarea specificaiei ARMA se ine cont de autocorelaia erorilor ecuaiei de regresie (s nu
existe autocorelaie), autocorelaia erorilor ptratice (s nu existe termeni ARCH), R
i R ,
criteriile informaionale.
De asemenea, n cazul modelelor care conin termeni AR, valoarea absolut a unui coeficient AR
trebuie s fie mai mic dect 1 (dac este egal atunci exist o rdcin unitar, iar dac este
mai mare dect 1 atunci procesul este exploziv). De asemenea suma coeficienilor termenilor AR
trebuie sa fie mai mic dect 1 (n caz contrar procesul fiind exploziv).
n plus, pentru ca ecuaia s fie stabil, valoarea absolut a rdcinilor ecuaiei trebuie s fie mai
mici dect 1.
66
Estimarea modelului MA
Specificaia modelului este MA(4).

Dependent Variable: BUBOR
Convergence achieved after 15 iterations
Backcast: 1996M09 1996M12
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
MA(1)
MA(2)
MA(3)
MA(4)
41.54023
0.734234
0.495279
0.863535
0.804961
5.901126
0.051566
0.026993
0.025672
0.050194
7.039374
14.23862
18.34853
33.63763
16.03709
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.838087
0.832822
17.24715
36588.11
-543.5728
1.582016
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
Inverted MA Roots
.42-.90i
.42+.90i
-.78+.45i
43.94414
42.18206
8.571450
8.682858
159.1672
0.000000
-.78-.45i
Analiza rdcinilor ecuaiei se realizeaz cu opiunea View/ARMA Structure/Roots:
67
Rdcinile polinomului caracteristic pot fi reprezentate att ca tabel ct i grafic.

Inverse Roots of AR/MA Polynomial(s)
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
MA roots

Specification: BUBOR C MA(1) MA(2) MA(3) MA(4)
Sample: 1997M01 2007M12
MA Root(s)
Modulus
Cycle
0.416806 0.900818i
-0.783923 0.450021i
0.992572
0.903910
5.524002
2.397739
No root lies outside the unit circle.

ARMA model is invertible.
Conform rezultatelor statistice, modulul rdcinilor polinomului caracteristic este mai mic dect 1,
i ca urmare ecuaia este stabil.
Dar, conform corelogramei erorilor, prezentat n graficul de mai jos, exist autocorelaie serial
la al 5-lea lag.
68
Valoarea efectiv i cea estimat de model a BUBID 1W este prezentat n graficul de

mai jos.
250
200
150
100
80
50
40
0
-40
-80
97
98
99
00
Residual
01
02
03
Actual
04
05
06
07
Fitted
69
Estimarea modelului AR
Specificaia modelului este AR(1)

Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
BUBOR(-1)
4.985180
0.878633
2.639138
0.043240
1.888943
20.32007
0.0612
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.767617
0.765758
20.49047
52482.45
-562.7322
1.709848
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
43.85480
42.33696
8.893420
8.938210
412.9052
0.000000
Coeficientul termenului AR este mai mic dect 1, deci ecuaia este stabil.
De asemenea, conform corelogramei erorilor, nu exist corelaie serial a erorilor.
Valorile efective i cele estimate ale variabilei dependente sunt prezentate n graficul de mai jos.
70
250
200
150
100
150
50
100
50
0
-50
-100
97
98
99
00
01
02
Residual
03
04
05
Actual
06
07
Fitted
Estimarea modelului ARMA
Specificaia modelului este ARMA(1,10)

Backcast: 1996M04 1997M01
Variable
Coefficient
Std. Error
t-Statistic
Prob.
BUBOR(-1)
MA(5)
MA(6)
MA(7)
MA(10)
0.974210
-0.243541
-0.226437
-0.332302
0.476373
0.017718
0.056540
0.055472
0.055472
0.060775
54.98466
-4.307386
-4.081987
-5.990446
7.838351
0.0000
0.0000
0.0001
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Inverted MA Roots
0.867500
0.863156
15.66150
29924.46
-527.0577
.88+.16i
-.02-.90i
-.89+.33i
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
.88-.16i
-.02+.90i
-.89-.33i
.56+.83i
-.53+.73i
43.85480
42.33696
8.378862
8.490837
2.297258
.56-.83i
-.53-.73i
71
Conform rezultatelor statistice, modulul rdcinilor polinomului caracteristic este mai mic dect 1,
i ca urmare ecuaia este stabil.

1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
MA roots

Specification: BUBOR BUBOR(-1) MA(5) MA(6)
MA(7) MA(10)
Sample: 1997M01 2007M12
MA Root(s)
0.558806
-0.890402
-0.528267
-0.022438
0.882301
0.826275i
0.332511i
0.734115i
0.897521i
0.159193i
Modulus
Cycle
0.997494
0.950463
0.904428
0.897802
0.896548
6.436651
2.256737
2.863081
3.937348
35.19821
No root lies outside the unit circle.

ARMA model is invertible.
De asemenea, conform corelogramei erorilor, nu exist corelaie serial la 1 la sut nivel de
relevan.
72
Valorile efective i cele estimate ale variabilei dependente sunt prezentate n graficul de mai jos.
250
200
150
120
100
80
50
40
0
-40
-80
97
98
99
00
Residual
01
02
03
04
Actual
05
06
07
Fitted
Indicatorii statistici pentru cele trei specificaii de modele sunt prezentai in tabelul de mai
jos.
Adjusted R-squared
Schwarz criterion
MA(4)
AR(1)
ARMA(1,10)
0.832822
8.571450
8.682858
0.765758
8.893420
8.938210
0.863156
8.378862
8.490837
73
Conform tuturor celor trei criterii (cea mai mare valoare a R 2 i, respectiv, cele mai mici
valori nregistrate de criteriile informaionale), este aleas specificaia ARMA(1,10).
Pe baza acestei specificaii se va prognoza dobnda BUBOR 1W pentru lunile
septembrie decembrie 2007.
Opiunea pentru realizarea de prognoze este Proc/Forecast apelat din fereastra
ecuaiei de regresie.
Opiunile disponibile din fereastra Forecast sunt:

Forecast sample perioada pentru care se realizeaz prognoza. n cazul de fa
este septembrie 2007 decembrie 2007.
Method:
Dynamic forecast prognozeaz valoarea n perioada t + 1 pe baza datelor
efective pn n momentul t, apoi pentru toate perioadele urmtoare
folosete datele deja prognozate ncepnd din momentul t + 1.
Static forecast prognozeaz o observaie nainte numai pe baza datelor
efective.
74
Utiliznd o prognoz dinamic, valorile prognozate i marjele de eroare (simbolizate cu

linii roii ntrerupte sunt prezentate n graficul de mai jos.
80
60
40
20
0
-20
-40
-60
2007M09
2007M10
2007M11
2007M12
BUBORF
75
Capitolul VI. Modele cu date panel

VI. 1. Utilizarea modelelor cu date panel
Modelele cu date panel constau n estimarea de ecuaii de regresie n care sunt folosite
serii care sunt n acelai timp att serii de timp ct i date crosssecionale.
De exemplu, dac dispunem de serii de timp pentru evoluia pe o anumit perioad a
aciunilor mai multor companii i dorim s determinm cum influeneaz anumite
variabile macroeconomice randamentul acelor aciuni, o soluie este utilizarea de
modele cu date panel. Astfel, cu ajutorul acestui tip de modele poate fi determinat un
singur coeficient care s exprime impactul unei variabile macroeconomice asupra
randamentului unui grup de companii.
Modelele cu date panel permit:
Rezumarea printr-un singur coeficient al impactului unei variabile asupra unui
grup de serii de timp variabile dependente (grup de companii, de ri, etc.).
Estimarea de coeficieni specifici (constant sau coeficieni ai variabilelor
independente) pentru fiecare serie de timp considerat ca variabil dependent
efecte fixe.
Gruparea variabilelor dependente n categorii i estimarea impactului categoriei
din care face parte variabila dependent asupra evoluiei acesteia.
VI. 2. Estimarea modelelor cu date panel n EViews

n vederea studierii impactului ateptrilor pieei bancare asupra spread-ului practicat de
ctre bnci, au fost estimate, utiliznd metodologia panel data, ecuaii pentru spreadurile active i pasive pentru persoane fizice i juridice funcie de ateptrile operatorilor
bancari referitoare la evoluia viitoare a ratei inflaiei i dobnzilor din piaa monetar.
Spread-ul activ a fost calculat ca diferen dintre dobnzile active pentru clienii
nebancari neguvernamentali i rata dobnzii de intervenie a BNR, iar spread-ul pasiv a
fost calculat ca diferen dintre dobnda de intervenie a BNR i ratele dobnzii pasive
pentru clienii nebancari neguvernamentali. Ca urmare, spread-ul total este suma dintre
cele dou msuri.
Eantionul pe care s-au estimat regresiile a fost format din 13 bnci.
Perioada pe care s-a realizat analiza este ianuarie 2005 iulie 2005, rezultnd un
numr de 84 de observaii.
76
Date utilizate:
Rata dobnzii active practicate pentru persoane fizice (ACT_PF);
Rata dobnzii active practicate pentru persoane juridice, clieni nebancari,
neguvernamentali (ACT_PJ);
Rata dobnzii pasive practicate pentru persoane fizice (PAS_PF);
Rata dobnzii pasive practicate pentru persoane juridice, clieni nebancari
neguvernamentali (PAS_PJ);
Rata dobnzii la operaiunile de sterilizare ale BNR (RN_BNR);
Rata dobnzii bonificate de BNR pentru rezervele minime obligatorii n lei
(DOB_RMO);
Rata anual a inflaiei ateptat de operatorii bancari peste 24 de luni
(A_INFL_24);
Deviaia standard a rspunsurilor participanilor la sondaj cu privire la rata anual
a inflaiei ateptate peste 12 luni (A_INFL_12_DEV), utilizat ca variabil proxy
pentru incertitudinea din piaa bancar cu privire la evoluia inflaiei din
urmtoarele 12 luni;
Rata dobnzii pentru depozitele pe piaa monetar cu scadena de o sptmn
ateptate de operatorii din sistemul bancar pentru un orizont de 12 luni
(RN_1W_12).
Conform rezultatelor econometrice, spread-ul activ, att pentru persoane fizice ct i
pentru persoane juridice, este influenat de ateptrile privind rata inflaiei pe
urmtoarele 24 de luni i de volatilitatea dobnzii de intervenie a BNR (aproximat prin
valoarea absolut a modificrilor lunare ale acesteia).
Astfel, att o majorare a anticipaiilor inflaioniste ct i o cretere a volatilitii ratei
dobnzii de intervenie conduc la majorarea spread-ului activ.
Cum era de ateptat, rata de dobnd bonificat de BNR pentru depozitele minime
obligatorii este corelat negativ cu spread-ul, n sensul c o majorare a acesteia
conduce la reducerea spread-ului (datorit reducerii costului fondurilor atrase).
Definirea modelului panel re realizeaz cu click buton dreapta mouse selectarea opiunii
New object/Pool
77
n fereastra Cross Section Identifiers se introduc datele de identificare a seriilor de date

crossecionale. n cazul de fa _x, unde x reprezint banca. Astfel, fiecare serie de date
care se refer la banca x, va avea terminaia _x.
Cu opiunea View/Spreadsheet (stacked data) se definesc seriile specifice fiecrei bnci
i seriile comune tuturor bncilor. Seriile se separ cu spaiu.
Dac seriile sunt comune tuturor bncilor (de exemplu rata de sterilizare a BNR, rn_bnr)
seriile se definesc tiprindu-se numele lor.
Dac, n schimb este o serie specific fiecrei bnci (cum este cazul, de exemplu,
ateptrilor privind rata inflaiei pentru urmtoarele 24 de luni, a_infl_24), seria se
definete tiprind numele acesteia i ? (a_infl_24?). n acest fel se genereaz cte o
serie a_infl_24 pentru fiecare banca, serie avnd terminaia _01 pn la _13.
78
Apoi seriile (att cele comune ct i cele pentru fiecare banc) se introduc n tabel co
copy i paste.
Ecuaia de regresie se estimeaz cu opiunea Estimate apelat din fereastra modelului
panel.

Dependent variable variabila dependent. Dac seriile sunt specifice fiecrei
bnci se folosete caracterul ?.
Regressors and AR() terms:
Common coefficients variabilele independente comune. De asemenea,
dac seriile sunt specifice fiecrei bnci se folosete caracterul ?.
Cross-section specific coefficients variabile specifice fiecrei bnci. n acest
caz se va estima cte un coeficient pentru fiecare banc.
Estimation method:
79
Fixed and Random Effects dac se introduc efecte fixe sau efecte
aleatoare.
Weights se alege metoda de estimare, metod care poate s in cont de
autocorelaia erorilor i de heteroskedasticitate.
Estimrile econometrice sunt prezentate n tabelele de mai jos.

Persoane fizice
Dependent Variable: ACT_PF?-RN_BNR
Method: Pooled Least Squares
Cross-sections included: 13
Total pool (unbalanced) observations: 84
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
A_INFL_24?(-1)
ABS(D(RN_BNR(-2)))
DOB_RMO(-1)
Fixed Effects (Cross)
_01--C
_02--C
_03--C
_04--C
_05--C
_06--C
_07--C
_08--C
_09--C
_10--C
_11--C
_12--C
_13--C
6.765733
1.656481
0.479254
-0.815756
4.985221
0.914590
0.160356
0.218100
1.357158
1.811172
2.988678
-3.740277
0.1792
0.0745
0.0039
0.0004
3.516078
0.905852
-4.735097
0.278803
2.714437
-4.188903
-4.893096
-1.829393
-0.853592
4.154242
0.885616
3.170805
4.375301
Effects Specification
Cross-section fixed (dummy variables)

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.734933
0.676462
2.221790
335.6718
-177.3742
1.527998
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
14.42240
3.906075
4.604147
5.067159
12.56926
0.000000
80
Persoane juridice
Dependent Variable: ACT_PJ?-RN_BNR
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
A_INFL_24?(-1)
ABS(D(RN_BNR(-2)))
DOB_RMO(-1)
_01--C
_02--C
_03--C
_04--C
_05--C
_06--C
_07--C
_08--C
_09--C
_10--C
_11--C
_12--C
_13--C
0.913003
1.448644
0.454094
-0.355659
3.831831
0.702989
0.123256
0.167640
0.238268
2.060692
3.684154
-2.121559
0.8124
0.0432
0.0005
0.0375
-5.443339
2.078863
-1.012100
-0.762182
2.232951
-5.844925
1.399169
3.272944
1.465961
-0.405522
-1.299828
1.946907
4.696545

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.762877
0.710571
1.707752
198.3165
-155.2708
1.666125
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
8.847317
3.174343
4.077877
4.540889
14.58477
0.000000
81
n cazul spread-ului pasiv, conform rezultatelor econometrice, att pentru persoanele

fizice ct i pentru cele juridice, asupra acestuia i pun amprenta ateptrile n privina
evoluiilor n urmtoarele 12 luni a ratelor dobnzii cu scadena de o sptmn, evoluia
ratei dobnzii de sterilizare a BNR i incertitudinea n privina ratei inflaiei ateptate n
urmtoarele 12 luni.
Astfel, anticiparea unei creteri a ratei dobnzii pe piaa monetar conduce la majorarea
spread-ului. O explicaie a acestui rezultat ar fi faptul c, n general, durata activelor este
superioar duratei pasivelor (riscul de modificare a ratei dobnzii n sensul creterii are
un impact negativ ce nu este compensat n totalitate de impactul pozitiv asupra
pasivelor), i ca urmare modificarea ratei dobnzii are efecte asimetrice asupra
profitabilitii. Astfel, creterea dobnzii ar trebui s conduc la majorarea spread-ului.
Aceasta este explicaia i in cazul celeilalte variabile explicative evoluia ratei dobnzii
la operaiunile de sterilizare.
De asemenea, o majorare a incertitudinii cu privire la rata inflaiei conduce la creterea
spread-ului.
Rezultatele estimrilor econometrice sunt prezentate n tabelele de mai jos.
Persoane fizice
Dependent Variable: RN_BNR-PAS_PF?
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RN_1W_12?(-1)
A_INFL_12_DEV(-1)
D(RN_BNR(-1))
_01--C
_02--C
_03--C
_04--C
_05--C
_06--C
_07--C
_08--C
_09--C
_10--C
-1.337440
0.141256
3.914145
0.850040
1.035142
0.049085
2.020029
0.102701
-1.292036
2.877769
1.937667
8.276861
0.2007
0.0053
0.0568
0.0000
3.131380
2.789540
-1.556827
0.639623
1.432939
2.100246
-0.007815
0.166481
-1.142894
-2.221507
82
_11--C
_12--C
_13--C
-3.607794
-1.586480
-2.490128

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.875738
0.848327
0.984416
65.89703
-108.9965
1.812217
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
1.062269
2.527695
2.976106
3.439119
31.94872
0.000000
Persoane juridice
Dependent Variable: RN_BNR-PAS_PJ?
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RN_1W_12?(-1)
A_INFL_12_DEV(-1)
D(RN_BNR(-1))
_01--C
_02--C
_03--C
_04--C
_05--C
_06--C
_07--C
_08--C
_09--C
_10--C
_11--C
_12--C
_13--C
-3.231045
0.441803
7.083072
0.943739
0.898741
0.042617
1.753850
0.089168
-3.595079
10.36672
4.038586
10.58385
0.0006
0.0000
0.0001
0.0000
-0.256768
1.184713
-1.211410
0.113818
1.972395
-1.387390
2.614700
-0.363632
-0.560105
-0.916297
-0.282755
-1.574537
0.080688
83

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.844103
0.809714
0.854699
49.67468
-97.12734
1.970847
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
3.770087
1.959340
2.693508
3.156521
24.54573
0.000000
n concluzie, conform estimrilor econometrice, asupra spread-ului dintre dobnzile

active i pasive i pun amprenta:
Att anticipaiile inflaioniste ct i gradul lor de incertitudine;
Anticipaiile cu privire evoluia ratei dobnzii pe piaa monetar;
Att evoluia ratei dobnzii la operaiunile BNR, ct i nivelul volatilitii acestei

rate a dobnzii.
84
Capitolul VII. Modele GARCH

VII.1. Tipuri de modele ARCH
Modelele ARCH au fost introduse de Engle (1982) i generalizate (GARCH) de
Bollerslev (1986).
n construirea unui model ARCH trebuie luate n considerare doua ecuaii distincte: una
pentru media condiionat (ecuaia de evoluie a randamentelor activului) i una pentru
variana condiionat (ecuaia volatilitii).
Modelul GARCH (p,q), propus de Bollerslev (1986), are urmtoarea specificaie:
m
i =1
j =1
rt = 0 + 1,i Li rt + 2, j Lj t + t
t N (0, ht )
p
ht = 0 + 1,i L ht + 2, j L j t2
i
i =1
j =1
unde:
rt este un proces ARMA(m,n) sau un model Random Walk (atunci cnd 1,i = 0, i = 1, m ,
si 2, j = 0, j = 1, n );
ht (volatilitatea) este un proces ARCH(q) i GARCH(p);

parametrii 1 reprezint persistena volatilitii;
parametrii 2 reprezint viteza de reacie a volatilitii la ocurile din pia.
Pentru a nu fi un proces exploziv (volatilitate exploziv), trebuie ndeplinit condiia
p
i =1
1, i
+ 2,i < 1
j =1
n plus, coeficienii termenilor ARCH i GARCH trebuie sa fie subunitari i pozitivi.

Interpretat ntr-un context financiar, acest model descrie modul n care un agent
ncearc s prognozeze volatilitatea pentru urmtoarea perioad pe baza mediei pe
termen lung ( 0 ) a varianei, a varianei anterioare (termenul GARCH) i a informaiilor
privind volatilitatea observat n perioada anterioara (termenul ARCH). Dac
randamentul activului din perioada anterioar a fost, n mod neateptat, mare n valoare
absolut, agentul va mri variana ateptat n perioada urmtoare.
Modelul accept i fenomenul de volatility clustering, situaia n care modificrilor mari
ale cursului activelor financiare este probabil s le urmeze n continuare variaii mari ale
acestuia.
85
Testele efectuate pe pieele financiare mature au evideniat o vitez de reacie a

volatilitii cursului de schimb, n general, inferioar plafonului de 0,25 i un grad de
persisten a acesteia, superior pragului de 0,7.
Modelul GARCH a fost ulterior extins, pentru a relaxa anumite ipoteze sau pentru
ncorpora asimetria impactului randamentului cursului activelor financiare sau a separa
volatilitatea n trend i volatilitate pe termen scurt.
Cele mai cunoscute extensii sunt:
GARCH integrat (IGARCH),
GARCH in Mean (GARCH-M),
Treshold ARCH (TARCH),
GARCH exponenial (EGARCH).
Modelul IGARCH
Presupunnd c, t =
ht vt unde vt este independent i identic distribuit cu media zero
i dispersia 1 i ht ndeplinete specificaia GARCH(p,q):
ht = k + 1ht 1 + 2 ht 2 + ... + p ht p + 1 t21 + 2 t2 2 + ... + q t2 q
,
adugnd t la ambii termeni ai ecuaiei i scriind i = i i rezult
t2 = k + (1 + 1 ) t21 + ( 2 + 2 ) t2 2 + ... + ( r + r ) t2 r + wt 1wt 1 2 wt 2 ... q wt q

unde wt = t2 ht
p = max{p, q} . ht este valoarea prognozat pentru t iar
wt = ht este eroarea asociat acestei prognoze.

2
t
Rezult c t urmeaz un proces ARMA. Acest proces ARMA va avea un unit root dac
p
+
i =1
j =1
= 1.
Engle si Bollerslev (1986) numesc modelul care satisface condiia de mai sus GARCH
integrat sau IGARCH.
Dac t urmeaza un proces IGARCH, atunci variana necondiionataa lui t este
infinit (un oc ntr-o anumit perioad nu se atenueaz), deci nici t i nici t2 nu
satisfac condiiile unui proces staionar n covarian (covariancestationary).
Modelul GARCH-in-Mean (GARCH-M)
Teoria financiar sugereaz ca un activ cu un risc perceput ca ridicat, n medie, va avea
un randament superior. Presupunnd c rt este descompus ntr-o component
anticipat de ageni la momentul t 1 (notata t ) i o componenta neanticipat (notata
t ), atunci:
86
rt = t + t .
n plus, teoria sugereaz faptul c randamentul mediu ( t ) este corelat cu variana sa
( ht ).
Modelul ARCH-M, introdus de Engle, Lilien i Robins (1987) este obinut prin
introducerea n ecuaia randamentelor a varianei sau a deviaiei standard condiionate
( ht sau ht ).
Efectul perceperii unui risc ridicat este cuantificat de coeficientul lui ht din ecuaia
randamentului ( ):
m
i =1
j =1
rt = 0 + 1,i Li rt + 2, j Lj t + ht + t .
Modele ARCH asimetrice
Pe pieele financiare s-a observat c agenii percep volatilitatea n mod diferit, funcie de
semnul variaiei zilnice a cursului activului financiar respectiv. De exemplu, pentru
aciuni, micrile n jos ale pieei sunt urmate de o volatilitate mai mare dect micrile
n sens cresctor de aceeai amplitudine.
Cele mai utilizate modele ARCH care permit analiza rspunsului asimetric la ocuri sunt
modelele Treshold ARCH (TARCH) i GARCH Exponential (EGARCH).
Modelul TARCH, introdus n mod independent de Zakoian (1990) i Glosten,
Jaganathan si Runkle (1993), are urmtoarea specificaie pentru ecuaia varianei
(TARCH(p,q)):
p
i =1
j =1
ht = 0 + 1,i Li ht + 2, j L j t2 + t21d t 1 ,
unde d t = 1 daca t < 0 i d t = 0 n caz contrar.
n acest model, vetile bune ( t < 0 ) i vestile rele ( t > 0 ) au efecte diferite asupra
varianei condiionate vetile bune au un impact de 1 n timp ce vetile rele au un
impact de 1 + . Dac 0 , atunci efectul informaiilor asupra volatilitii este

asimetric.
Modelul EGARCH, propus de Nelson (1991) are urmtoarea specificaie pentru ecuaia
varianei condiionate:
log(ht ) = + log(ht 1 ) +
t 1
ht 1
t 1
ht 1
87
Confirm acestui model, efectul informaiilor este exponenial (i nu ptratic) iar variana
prognozat va fi obligatoriu non-negativ. Impactul informaiilor este asimetric dac
0.
VII.2. Estimarea modelelor ARCH n EViews

Se calculeaz, utiliznd modele ARCH/GARCH volatilitatea cursului EUR/RON pentru
perioada ianuarie 1999 mai 2007 pentru o serie cu frecven zilnic.
Seria evoluiilor zilnice ale cursului de schimb (calculate ca diferen de logaritmi
naturali, ln xt ln xt 1 ) este denumita dl_eur.
Specificarea ecuaiei ARCH: click buton dreapta mouse n fereastra fiierului de lucru,
alegerea opiunii New object/Equation i se selecteaz din meniul Method opiunea
ARCH Autoregresssive Conditional Heteroskedasticity.
88

Mean Equation specificarea ecuaiei variabilei crei i se calculeaz volatilitatea
(n cazul de fa a ecuaiei evoluiei zilnice a cursului de schimb).
ARCH-M dac modelul este ARCH in Mean adic dac n ecuaia de
regresie a evoluiei cursului este introdus i volatilitatea acestuia.
Variance and distribution specification specificarea ecuaiei varianei
(volatilitii) cursului de schimb:
Model tipul modelului: GARCH, EGARCH.
ARCH termenii ARCH.
GARCH termenii GARCH.
Asymetric order dac se introduce asimetrie n ecuaia de regresie a
varianei.
Variance regressors dac se introduc variabile independente n ecuaia de
regresie a varianei.
Error distribution distribuia erorilor (n cazul n care se presupune c
distribuia erorilor nu este normal i se dorete corectarea ecuaiei de
varian pentru ne-normalitatea erorilor).
Condiiile ce trebuie ndeplinite de coeficienii unui model GARCH sunt:
Coeficienii ecuaiei varianei sa fie pozitivi;
Suma coeficienilor ecuaiei varianei s fie mai mic dect 1. n caz contrar,
modelul este GARCH integrat (I-GARCH), iar volatilitatea este exploziv.
Modelele EGARCH sunt mai puin restrictive, neavnd condiii impuse valorilor
coeficienilor ecuaiei volatilitii.
Conform estimrilor, pentru cursul EUR/RON modele GARCH estimate au fost GARCH
integrate.
De exemplu, modelul GARCH(1,1) este:
Dependent Variable: DL_EUR
Method: ML - ARCH (Marquardt) - Normal distribution
Variance backcast: ON
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1)
Coefficient
Std. Error
z-Statistic
Prob.
0.000198
8.77E-05
2.260467
0.0238
Variance Equation
89
C
RESID(-1)^2
GARCH(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
2.50E-07
0.138819
0.868095
-0.001355
-0.002757
0.006216
0.082811
8289.659
5.08E-08
0.009128
0.008286
4.926018
15.20872
104.7609
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
0.0000
0.0000
0.0000
0.000427
0.006208
-7.718359
-7.707792
1.848831
Ca urmare, a fost estimat un model EGARCH(2,1,1) (acesta fiind mai puin restrictiv). Modelul a
acceptat att coeficient de asimetrie n ecuaia de volatilitate ct i volatilitatea cursului EUR/RON
(msurat prin abaterea medie ptratic) n ecuaia de medie.
Ecuaia de regresie a modelului este prezentat mai jos.

Dependent Variable: DL_EUR
Method: ML - ARCH (Marquardt) - Generalized error distribution (GED)
LOG(GARCH) = C(3) + C(4)*ABS(RESID(-1)/@SQRT(GARCH(-1))) +
C(5)*ABS(RESID(-2)/@SQRT(GARCH(-2))) + C(6)*RESID(-1)
/@SQRT(GARCH(-1)) + C(7)*LOG(GARCH(-1))
@SQRT(GARCH)
C
Coefficient
Std. Error
z-Statistic
Prob.
0.112635
-0.000457
0.039554
0.000156
2.847620
-2.932430
0.0044
0.0034
Variance Equation
C(3)
C(4)
C(5)
C(6)
C(7)
-0.284286
0.399824
-0.170567
-0.026267
0.989348
0.056336
0.049811
0.049394
0.013602
0.004282
-5.046247
8.026844
-3.453202
-1.931131
231.0737
0.0000
0.0000
0.0006
0.0535
0.0000
GED PARAMETER
1.293394
0.047198
27.40373
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
0.002000
-0.001266
0.006212
0.082534
Mean dependent var

S.D. dependent var
Schwarz criterion
0.000427
0.006208
-7.788111
-7.766977
90
Log likelihood
Durbin-Watson stat
8368.537
1.855328
F-statistic
Prob(F-statistic)
0.612409
0.746122
Coeficientul volatilitii cursului din ecuaia de medie, fiind pozitiv, arat c, atunci cnd
volatilitatea crete, RON-ul se depreciaz (cursul EUR/RON crete).
Coeficientul de asimetrie din ecuaia volatilitii este c(6) este semnificativ din punct de vedere
statistic i arat c, dac n perioada anterioar cursul a crescut, volatilitatea se reduce.
Conform corelogramei erorilor ptratice (prezentat n graficul de mai jos), nu mai exist termeni
ARCH suplimentari.
Pe baza ecuaie de volatilitate estimate, se genereaz seria istoric de volatilitate

condiionat. Volatilitatea poate fi msurat prin varian sau abatere medie patratic
(radicalul varianei).
Seria de volatilitate se reprezint grafic cu ajutorul opiunii View/GARCH
Graph/Conditional Standard Deviation sau Conditional Variance accesat din fereastra
ecuaiei de regresie.
91
Volatilitatea (msurat prin abaterea medie ptratic) a cursului EUR/RON este

prezentat n graficul de mai jos.
.028
.024
.020
.016
.012
.008
.004
.000
250
500
750 1000 1250 1500 1750 2000

Conditional standard deviation
92
Capitolul VIII. Modele Value at Risk

VIII.1. Msura VaR
Valoarea la risc (VaR) este o ncercare de a reprezenta printr-un singur numr riscul
total dintr-un portofoliu de active financiare. Aceast msur a fost introdus de ctre J.
P. Morgan n 1994 i n prezent este folosit pe scar larg att de ctre instituiile
financiare ct i n trezoreriile corporaiilor i n fondurile de investiii. De asemenea, i
Comitetul de Supraveghere Bancar al Bncii Reglementelor Internaionale o folosete
pentru calculul cerinelor de capital pentru bnci.
VaR-ul reprezint pierderea estimat a unui portofoliu fix de instrumente financiare pe
un orizont fix de timp iar utilizarea acestui indicator implic alegerea arbitrar a doi
parametri: perioada de deinere a instrumentelor financiare (orizontul de timp) i nivelul
de relevan. Conform Acordului de la Basel privind Adecvarea Capitalului, orizontul de
timp este de dou sptmni (10 zile), iar nivelul de relevan este de 1 la sut.
n practic sunt utilizate mai multe metode de calcul al VaR, cele mai cunoscute fiind
metoda analitic, metoda istoric i simularea Monte Carlo. Alegerea metodei de calcul
depinde de:
instrumentele financiare asupra crora poate fi aplicat;
acurateea msurilor de risc, inclusiv ipotezele statistice pe care se bazeaz;
cerinele de implementare (modelele de evaluare a riscului, descompunerea
riscului, cerinele de date);
sistemele informatice necesare;
uurina de comunicare a rezultatelor ctre utilizatori.
VIII.2. VaR analitic

Ipoteza pe care se bazeaz aceast metod este c randamentele activelor din
portofoliu (R) pe orizontul de deinere (h) sunt normal distribuite, avnd media i
deviaia standard : R ~ N ( , ) .
Dac valoarea prezent a portofoliului este S, VaR-ul pentru orizontul de h zile, cu

nivelul de relevan 100(1 )% este:
VaRh , = x S ,
unde x este cea mai mic percentil a distribuiei N ( , ) .

Folosind transformarea normal, putem scrie Z =
(x ) , de unde rezult:
x = Z + ,
unde Z este cea mai mic percentil a distribuiei normale standard.
93
Din cele dou relaii de mai sus rezult:

VaR = (Z + )S .
Metoda analitic una din cele mai simple i uor de implementat metodologii de calcul al
VaR, ea bazndu-se pe estimri ale parametrilor pe baza datelor istorice (volatilitate,
coeficieni de corelaie, randamente medii ale activelor).
Principalul dezavantaj al acestei metode este ipoteza statistic pe care se bazeaz
evoluia preului activelor financiare are o distribuie normal, ipotez care rar este
ndeplinit n practic. Alte dezavantaje ale acestei metode rezult din faptul c multe
senzitiviti (volatiliti, coeficieni de corelaie) sunt variabile n timp, iar aceast
variabilitate are un impact semnificativ asupra msurilor de risc n special n cazul
portofoliilor care conin opiuni. De asemenea, metoda analitic nu este recomandat n
cazul portofoliilor care conin payoff-uri discontinue (de exemplu opiuni cu bariere).
VIII.3. VaR calculat pe baza simulrii Monte Carlo

Simularea Monte Carlo presupune specificarea proceselor aleatoare pentru factorii de
risc ai portofoliului, a modului n care acetia afecteaz portofoliul i simularea unui
numr mare de evoluie a acestor factori i implicit de valori finale ale portofoliului pe
baza acestor ipoteze. Fiecare simulare conduce la un posibil profit/pierdere. Dac este
simulat un numr suficient de mare de valori posibile ale profitului/pierderii, atunci se
poate construi densitatea de probabilitate pentru profitul/pierderea posibil i se poate
genera VaR-ul pe baza celei mai mici percentile a distribuiei.
Metodologie analizei Monte Carlo pentru preul unei aciuni, S, este prezentat dup
cum urmeaz. Presupunnd c S urmeaz o micare Brownian geometric, atunci:
dS
= dt + dW ,
S
unde :
este randamentul ateptat pe unitatea de timp,
este volatilitatea cursului spot al aciunii,

1
dW este un proces Wiener, care poate fi scris dW = (dt ) 2 , unde este o variabil
aleatoare i are o distribuie normal standard. Substituind pentru dW se obine:
1
dS
= dt + (dt )2 .
S
Randamentul instantaneu al preului aciunii,
dS
, evolueaz funcie de trend, dt i de
S
termenul aleatoriu . n practic, n general se folosete modelul n timp discret. Astfel,
dac t reprezint frecvena de timp la care se msoar randamentul preului aciunii,

atunci,
94
S
= t + t ,
S
unde S reprezint modificarea preului aciunii n intervalul de timp t , iar
S
S
reprezint randamentul aciunii n timp discret.

Randamentul aciunii este considerat a avea o distribuie normal, cu media t i
deviaia standard t .
Presupunnd c dorim simularea evoluiei preului aciunii pentru o perioad de lungime
T, atunci divizm T ntr-un numr mare, N, de sub-perioade, t ( t =
T
). Considerm
N
o valoare iniial a lui S, S(0), se extrage o valoare aleatoare pentru i se determin

valoarea aciunii pentru prima sub-perioad. Acest proces se repet pentru toate subperioadele t . Acest proces se reia pentru a genera un numr suficient de mare de
traiectorii ale cursului aciunii. Cu ct numrul de simulri ale traiectoriei preului aciunii
este mai mare, cu att distribuia simulat a cursului aciunii la momentul T se apropie
de distribuia real a preului la finalul orizontului avut n vedere.
VaR-ul estimat al cursului aciunii se determin pe baza distribuiei preului aciunii la
momentul T, S(T).
Principalele avantaje ale simulrii Monte Carlo sunt:
poate fi capturat o varietate mare de comportamente ale pieei,
poate aborda eficient payoff-urile neliniare sau dependente de traiectoria
cursului,
poate captura riscul inclus n scenarii care nu presupun modificri extreme ale
pieei,
poate, de asemenea, furniza informaii despre impactul scenariilor extreme.
Principalul dezavantaj al acestei metodologii de calcul al VaR const n necesitatea
ridicat de putere de calcul.
VIII.4. VaR istoric

Aceast metodologie se bazeaz pe ipoteza c informaiile incluse n preurile din
trecutul apropiat sunt suficiente pentru cuantificarea riscului din viitorul apropiat.
Modelul de baz pentru calculul VaR prin simulare istoric const n calculul unei serii
ipotetice de profit i pierdere (P/L) sau randamente pentru portofoliul curent, pentru o
perioad istoric specific. Aceste randamente sunt msurate pe un interval standard de
timp (de exemplu o zi) pe un set suficient de mare de observaii istorice. Presupunnd
c portofoliul este format din n active, i pentru fiecare activ i, randamentul este calculat
95
pentru fiecare interval T. Dac ri , t este randamentul activului i pentru sub-perioada t, i
Ai este suma investit n activul i, atunci P/L-ul simulat pentru portofoliul curent n subperioada t este:
n
(P / L )t = Ai ri ,t .
i =1
Calculnd P/L pentru toi t, se obine P/L-ul ipotetic pentru portofoliul curent pentru tot
eantionul. VaR-ul este estimat pe baza distribuiei seriei P/L.
Alte metodologii pentru calculul VaR istoric pondereaz valorile P/L folosite n
construirea distribuiei seriei P/L.
Astfel, Boudoukh, 1998, consider c informaiile noi au un coninut informaional,
referitor la riscurile viitoare, mai mare dect informaiile vechi, i, ca urmare, este
justificat ponderarea valorilor P/L funcie de vrst astfel nct informaiile mai noi s
aib o pondere mai mare.
n cazul n care volatilitatea activelor este variabil, datele pot fi ponderate funcie de
volatilitatea contemporan estimat (Hull i White, 1998). Astfel, presupunnd c se
dorete estimarea VaR pentru ziua T, considernd ri , t randamentul istoric al activului i n
ziua t, i , t volatilitatea prognozat n ziua t - 1 a randamentului activului i pentru ziua t i
i ,T cea mai recent prognoz a volatilitii activului i, randamentele efective ri ,t sunt

nlocuite cu randamentele ajustate funcie de volatilitate, ri*,t :
ri*,t =
i ,T
r .
i ,t i ,t
Principalele avantaje ale simulrii istorice sunt:

Aceast metodologie este intuitiv i simpl din punct de vedere conceptual, ca
urmare fiind simplu de comunicat ctre management.
Permit simularea evenimentelor istorice extreme.
Sunt uor de implementat pentru orice tip de poziii, inclusiv contracte derivate.
Datele necesare sunt uor de procurat.
Deoarece nu sunt dependente de ipoteze referitoare la parametrii de evoluie a
pieelor, aceast metodologie se poate acomoda distribuiilor leptokurtotice, celor
cu asimetrie i altor distribuii non-normale.
Simularea istoric poate fi modificat n sensul acordrii unei influene mai mari
anumitor observaii (n funcie de anotimp, vechime, volatilitate).
Principala deficien a simulrii istorice este legat de faptul c rezultatele sunt complet
dependente de setul de date folosit:
96
Dac n perioada folosit pentru calcul VaR pieele au fost neobinuit de calme
(sau de volatile) i condiiile s-au schimbat ntre timp, simularea istoric va
produce estimri ale VaR care sunt prea mici (mari) pentru riscurile actuale.
Simularea istoric prezint dificulti n luarea n considerare a modificrilor n
evoluia pieelor intervenite n perioada luat n considerare.
Msurile VaR obinute prin simulare istoric nu capteaz riscul asociat producerii
unor evenimente plauzibile n viitor dar care nu s-au ntmplat n trecut.
VIII.5. Utilizarea modelelor de volatilitate n calculul VaR

VIII.5.1. Calculul VaR utiliznd EWMA
Modelul EWMA (Exponentially Weighted Moving Average) pentru estimarea volatilitii a
fost propus de ctre RiskMetrics n anul 1996. Conform acestei abordri, volatilitatea
curent, t , depinde (este o media ponderat a) de randamentul anterior i de
volatilitatea anterioar:
t2 = (1 )rt 21 + t21
unde
reprezint o constant de ponderare,
rt 1 o randamentul n perioada anterioar.
Parametrul arat persistena volatilitii activului financiar, cu ct acesta este mai
mare cu att un oc aprut la un moment dat n pia este mai persistent. Parametrul
1 arat rapiditatea cu care volatilitatea activului rspunde la un oc indiferent de
direcie, cu ct acest parametru este mai mare, cu att reacia volatilitii la oc este mai
mare. RiskMetrics utilizeaz o valoare a pentru date zilnice de 0,94.
Volatilitatea calculat prin modele EWMA poate fi ncorporat n modele VaR n
urmtoarele moduri:
Simulare istoric cu ponderarea datelor funcie de volatilitate. Randamentele
istorice sunt standardizate pe baza volatilitii condiionate.
Simulare Monte Carlo utiliznd EWMA. Randamentele pot fi simulate
considernd c urmeaz o distribuie normal, dar matricea de covarian este
creat utiliznd EWMA.
VaR analitic utiliznd EWMA.
n generarea matricei de covarian este folosit o ecuaie analog ecuaiei varianei:
12,t = (1 )r1,t 1r2,t 1 + 12,t 1 ,
unde:
12,t reprezint covariana dintre activele 1 i 2,
r1,t 1 i r2,t 1 reprezint randamentele celor dou active n perioada anterioar.
97
Odat ce matricea de covarian a fost definit, aceasta poate fi folosit pentru calculul
VaR utiliznd fie metoda analitic (indicat pentru portofolii simple), fie simularea Monte
Carlo (pentru portofolii ce includ opiuni).
n simularea analitic, VaR-ul pentru h zile, cu nivelul de relevan este:
VaR , h = Z P
unde:
Z este valoarea critic a distribuiei normale standard pentru nivel de relevan,
P valoarea curent a portofoliului,
deviaia standard prognozat pentru un orizont de h zile.
Deviaia standard este calculat pe baza unei matrice de covarian a randamentelor
pentru h zile:
reprezentat la nivel de active:
= w'Vw
unde:
w = (w1 , w2 ,...wn ) reprezint ponderile activelor n portofoliu,
V reprezint prognoza, pe un orizont de h zile, a matricei de covarian pentru

randamentele activelor incluse n portofoliul.
reprezentat la nivel de factor de risc:
= 'V
unde:
= (1 , 2 ,... n ) reprezint factorii de senzitivitate ai portofoliului,
V reprezint prognoza, pe un orizont de h zile, a matricei de covarian pentru

randamentele factorilor de risc.
n cazul portofoliilor simple, prognoza matricei de covarian pe un orizont de h zile se
obine aplicnd regula t , multiplicnd matricea de covariana pentru un orizont de o zi
cu
h . Dar aceast metodologie va conduce la rezultate incorecte n cazul portofoliilor
care au incluse i opiuni, n acest caz fiind indicat utilizarea unei matrice de covarian
pentru orizontul h.
VIII.5.2. Calculul VaR utiliznd modele GARCH

Aceste modele permit calculul VaR prin luarea n considerare a impactului asupra
volatilitii viitoare a evenimetelor recente. De asemenea, cele dou serii (randamente i
volatilitatea) fiind serii staionare, aceste modele permit prognoza volatilitii pentru
fiecare sub-perioad (zi) a orizontului avut n vedere pentru calculul VaR. De exemplu,
pentru a obine o prognoz a volatilitii pentru urmtoarele 10 zile, se nsumeaz cele
10 variane, se multiplic cu
250
i se extrage rdcina ptrat.
10
98
Includerea modelelor GARCH n calculul VaR, ca i n cazul modelelor EWMA, poate fi

realizat prin:
VaR analitic, similar ca n cazul EWMA, prin utilizarea unei matrice de covarian
bazat pe modele GARCH.
Simulare istoric n care datele sunt ponderate funcie de volatilitate datele
sunt standardizate funcie de volatilitatea lor estimat prin modele GARCH.
Simulare Monte Carlo. Evoluia randamentelor poate fi simulat pe baza unei
matrice de covarian calculate pe baz de modele GARCH, ceea ce permite
att simularea evoluiei volatilitii ct i simularea evoluiei randamentelor
activelor ceea ce reprezint un avantaj n cazul n care portofoliul conine i
opiuni.
Pentru calculul matricei de covanrian, coeficientul de corelaie poate fi considerat
constant i calculat covariana funcie de coeficienii de corelaie i variane:
ij ,t +1 = ij i ,t +1 j ,t +1 ,
unde:
ij ,t +1 reprezint covariana dintre cele dou active i i j,

ij coeficientul de corelaie dintre cele dou active,
i ,t +1 i j ,t +1 reprezint varianele celor dou active.
n practic a fost sugerat chiar utilizarea modelelor GARCH pentru modelarea direct
P/L-ului portofoliului i calculul VaR funcie de volatilitatea condiionat a acestuia, n
acest fel evitndu-se calculul matricelor de covarian.
VIII.6.Calculul VaR pentru un portofoliu de aciuni

Considernd un portofoliu format din patru aciuni Antibiotice Iai (ATB), Impact
Bucureti (IMP), Turbomecanica (TBM) i Banca Transilvania (TLV) avnd ponderi
egale, se calculeaz VaR-ul portofoliului pe baza metodologiilor descrise n Capitolul
VIII. Calculul VaR va fi realizat pe date zilnice, perioada analizat fiind ianuarie 1999
mai 2007.
Msurile VaR calculate sunt: VaR analitic, VaR istoric, VaR prin maparea poziiilor pe
baza modelului CAPM, VaR pe baza de volatilitate EWMA i VaR pe baz de volatilitate
estimat prin modele GARCH.
Conform testului ADF, seriile randamentelor celor patru aciuni, indicelui BET i
portofoliului sunt staionare, iar conform testului Jarque Berra seriile randamentelor nu
au o distribuie normal (ci leptokurtotic).
99
Testul de staionaritate ADF
ATB
IMP
TBM
TLV
BET
Portofoliu
t-statistic
-45.0283
-27.9898
-45.7567
-31.7558
-36.4676
-11.4080
Probabilitate asociat
0.0001
0.0000
0.0001
0.0000
0.0000
0.0000
Valorile critice asociate testului ADF

Nivel de relevan
1%
5%
10%
t-statistic
-3.43330
-2.86273
-2.56745
100
Testul Jarque-Berra
IMP
ATB
1200
1400
Series: DLN_ATB
Sample 1 2100
Observations 2090
1200
1000
800
600
400
200
0
-0.0
0.5
1.0
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.002217
0.000000
1.579562
-0.162751
0.046814
18.17779
619.4992
Jarque-Bera
Probability
33212976
0.000000
Series: DLN_IMP
Sample 1 2100
Observations 2090
1000
800
600
400
200
0
-0.2
-0.1
-0.0
0.1
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.001208
0.000000
0.241944
-0.270620
0.040241
-0.370415
12.44658
Jarque-Bera
Probability
7818.918
0.000000
0.2
1.5
TBM
TLV
1400
1400
Series: DLN_TBM
Sample 1 2100
Observations 2090
1200
Series: DLN_TLV
Sample 1 2100
Observations 2090
1200
1000
1000
800
600
400
200
0
-0.0
0.5
1.0
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.001890
0.000000
1.798494
-0.184093
0.051122
20.74361
732.6264
Jarque-Bera
Probability
46509111
0.000000
800
600
400
200
0
-0.25
-0.00
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.002376
0.000000
0.474894
-0.262364
0.030051
3.754518
77.53756
Jarque-Bera
Probability
488732.0
0.000000
0.25
1.5
Portofoliu
1000
Series: DLN_PORTOFOLIU
Sample 1 2100
Observations 2090
800
600
400
200
0
-0.000
0.125
0.250
0.375
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.001923
0.001221
0.487856
-0.099785
0.023377
6.518779
132.5431
Jarque-Bera
Probability
1476185.
0.000000
0.500
101
Cele patru momente ale distribuiilor sunt prezenetate n tabelul de mai jos. Ca urmare,
msurile VaR bazate pe ipoteza distribuiei normale a seriilor pot subestima riscul.
Momentele distribuiilor seriilor de randamente
Medie
ATB
IMP
TBM
TLV
BET
Portofoliu
0.0022
0.0012
0.0019
0.0024
0.0015
0.0019
Deviaie
Asimetrie Kurtotic
standard
0.0468
18.1778 619.4992
0.0402
-0.3704
12.4466
0.0511
20.7436 732.6264
0.0301
3.7545
77.5376
0.0158
-0.0568
9.0518
0.0234
6.5188 132.5431
Matricea de corelaie dintre cele patru aciuni, calculat pe baza eantionului de date
pentru perioada analizat, este:
Coeficienii de corelaie ai seriilor de randamente
ATB
IMP
TBM
TLV
ATB
1
0.08
0.09
0.07
IMP
0.08
1
0.05
0.06
TBM
0.09
0.05
1
0.05
TLV
0.07
0.06
0.05
1
Evoluia randamentelor zilnice pentru perioada analizat este prezentat n graficele de

mai jos. Din grafice se observ fenomenul de volatility clustering, care considerat
mpreun cu distribuia leptokurtotic a randamentelor, conduce la concluzia c msurile
VaR calculate pe baza ipotezei normalitii datelor tind s subestimeze riscul. n aceast
situaie sunt recomandate msurile VaR care in cont de volatilitatea variabil a aciunilor
(EWMA i GARCH).
102
Evoluia randamentelor zilnice ale aciunilor i a portofoliului
DLN_ATB
1.6
DLN_IMP
.3
.2
1.2
.1
0.8
.0
0.4
-.1
0.0
-.2
-0.4
-.3
250
500
750 1000 1250 1500 1750 2000
250
500
DLN_TBM
2.0
750 1000 1250 1500 1750 2000
DLN_TLV
.5
.4
1.6
.3
1.2
.2
0.8
.1
.0
0.4
-.1
0.0
-.2
-0.4
-.3
250
500
750 1000 1250 1500 1750 2000
250
500
DL_BET
DLN_PORTOF
.12
.5
.08
.4
.04
.3
.00
.2
-.04
.1
-.08
.0
-.12
-.1
-.16
750 1000 1250 1500 1750 2000
-.2
250
500
750 1000 1250 1500 1750 2000
250
500
750 1000 1250 1500 1750 2000
103
Pentru calculul VaR prin metoda analitic a fost calculat deviaia standard a P/L-ului
portofoliului de aciuni pe ultimele 250 de zile, p , i pe baza acestei serii, considernd
o valoare a portofoliului de o unitate monetar (1 RON), un nivel de relevan de 1 la
sut i un orizont de prognoz de 10 zile a fost generat msura VaR pe baza relaiei
VaR = 2.32635 p 10 .
Pentru calculul VaR prin simulare istoric, msura VaR pentru un orizont de 10 zile a
fost considerat percentila 1 la sut pentru seria de randamente zilnice ale portofoliului
de aciuni nmulit cu 10 .
Pentru calculul VaR prin EWMA, lund n considerare un coeficient pentru date
zilnice de 0,94, pornind, ca observaie iniial, de la abaterea medie ptratic istoric au
fost generate seriile de volatilitate pentru cele patru monede, conform relaiei
t2 = (1 )rt 21 + t21 ,
iar apoi, pe baza coeficienilor de corelaie istorici a fost calculat seria volatilitii
portofoliului. Seriile de volatiliti EWMA sunt prezentate n graficele de mai jos.
Msura VaR care ncorporeaz volatilitile calculate pe baza metodologiei EWMA a fost
generat prin metoda analitic, orizontul de timp fiind de 10 zile, iar nivelul de relevan
de 1 la sut.
104
Volatilitatea zilnic a seriilor de cursuri de schimb i a portofoliului

calculat pe baza metodologiei EWMA
EWMA_ATB
.4
EWMA_IMP
.10
.08
.3
.06
.2
.04
.1
.02
.0
.00
250
500
750 1000 1250 1500 1750 2000
250
500
EWMA_TBM
.5
750 1000 1250 1500 1750 2000
EWMA_TLV
.14
.12
.4
.10
.3
.08
.06
.2
.04
.1
.02
.0
.00
250
500
750 1000 1250 1500 1750 2000
250
500
750 1000 1250 1500 1750 2000
EWMA_PORTOFOLIU
.14
.12
.10
.08
.06
.04
.02
.00
250
500
750 1000 1250 1500 1750 2000
105
Specificaia modelelor ARCH utilizate a fost aleas funcie de testele de autocorelaie a

erorilor (modelele s nu prezinte autocorelaie), testele de autocorelaie a erorilor
ptratice (s nu existe termeni ARCH suplimentari), suma i semnul coeficienilor ARCH
i GARCH (s nu existe procese ARCH integrate iar volatilitatea s fie strict mai mare
dect zero). Ecuaia de volatilitate pentru cele patru aciuni este determinat dup cum
urmeaz:
Relaia de calcul pentru aceast msura de VaR este:
VaREWMA = 2.32635 p _ EWMA 10 ,

unde p _ EWMA reprezint volatilitatea portofoliului calculat pe baza volatilitii EWMA a
celor patru aciuni.
Pentru ncorporarea volatilitii calculate prin modele GARCH, au fost calculate
volatilitile seriilor randamentelor aciunilor incluse n portofoliu i a portofoliului prin
modele GARCH, EGARCH i TARCH, cu distribuii de erori generalizate (Generalised
Error Distribution, GED), avnd n vedere c distribuia seriilor nu este normal. Conform
estimrilor, coeficientul GED a fost mai mic dect 2 ceea ce concord cu ipoteza
distribuiei leptokurtotice a datelor.
Modelele GARCH estimate sunt prezentate n tabelele de mai jos.
ATB GARCH(1,1)
Dependent Variable: DLN_ATB
Coefficient
Std. Error
z-Statistic
Prob.
4.80E-06
0.000448
0.010706
0.9915
Variance Equation
C
RESID(-1)^2
GARCH(-1)
0.000259
0.565227
0.202583
1.74E-05
0.063491
0.030073
14.88917
8.902477
6.736352
0.0000
0.0000
0.0000
GED PARAMETER
1.201038
0.016458
72.97498
0.0000
R-squared
Adjusted R-squared
-0.002234
-0.004157
Mean dependent var

S.D. dependent var
0.002217
0.046814
106
S.E. of regression
Sum squared resid
Log likelihood
0.046911
4.588325
4767.244

Schwarz criterion
Durbin-Watson stat
-4.557171
-4.543667
1.966671
IMP TARCH(1,1,1)
Dependent Variable: DLN_IMP
Failure to improve Likelihood after 20 iterations
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0)
+ C(5)*GARCH(-1)
Coefficient
Std. Error
z-Statistic
Prob.
6.55E-07
0.000263
0.002493
0.9980
1.17E-05
0.041600
0.041201
0.021360
5.626147
5.683800
-4.233653
36.47797
0.0000
0.0000
0.0000
0.0000
0.032980
26.18441
0.0000
Variance Equation
C
6.59E-05
RESID(-1)^2
0.236443
RESID(-1)^2*(RESID(-1)<0) -0.174430
GARCH(-1)
0.779160
GED PARAMETER
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.863561
-0.000901
-0.003303
0.040308
3.385916
4703.426
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
0.001208
0.040241
-4.495144
-4.478939
1.804807
TBM TARCH(1,1,1)
Dependent Variable: DLN_TBM
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0)
+ C(5)*GARCH(-1)
Coefficient
Std. Error
z-Statistic
Prob.
107
1.42E-05
0.000505
0.028193
0.9775
1.77E-05
0.030526
0.031463
0.035206
12.65842
7.180124
-2.805261
12.44611
0.0000
0.0000
0.0050
0.0000
0.012932
92.87931
0.0000
Variance Equation
C
0.000224
RESID(-1)^2
0.219177
RESID(-1)^2*(RESID(-1)<0) -0.088261
GARCH(-1)
0.438176
GED PARAMETER
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
1.201112
-0.001346
-0.003749
0.051217
5.466790
4854.968
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
0.001890
0.051122
-4.640161
-4.623955
2.000499
TLV GARCH(1,1)
Dependent Variable: DLN_TLV
Coefficient
Std. Error
z-Statistic
Prob.
2.24E-06
0.000313
0.007136
0.9943
Variance Equation
C
RESID(-1)^2
GARCH(-1)
8.81E-05
0.280243
0.444706
8.79E-06
0.021989
0.030250
10.02665
12.74448
14.70095
0.0000
0.0000
0.0000
GED PARAMETER
1.092402
0.010476
104.2764
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
-0.006242
-0.008172
0.030174
1.898285
5296.818
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
0.002376
0.030051
-5.063941
-5.050436
2.096818
108
Portofoliu EGARCH(1,1)
Dependent Variable: DLN_PORTOFOLIU
LOG(GARCH) = C(2) + C(3)*ABS(RESID(-1)/@SQRT(GARCH(-1))) +
C(4)*LOG(GARCH(-1))
Coefficient
Std. Error
z-Statistic
Prob.
0.001263
0.000241
5.230850
0.0000
Variance Equation
C(2)
C(3)
C(4)
-0.494389
0.305973
0.966439
0.057658
0.032896
0.005821
-8.574443
9.301278
166.0242
0.0000
0.0000
0.0000
GED PARAMETER
1.069191
0.027914
38.30279
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
-0.000797
-0.002717
0.023409
1.142504
5673.357
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
0.001923
0.023377
-5.424265
-5.410760
1.836015
Volatilitatea pentru un orizont de 10 zile a fost calculat ca radical din suma varianelor
la momentele t , t + 1,..., t + 9 .
Volatilitile pe un orizont de 10 zile seriilor i ale portofoliului sunt prezentate n graficele
de mai jos.
Pe baza acestei volatiliti a fost calculat msura VaR pentru un nivel de relevan de 1
la sut, conform relaiei:
VaR = 2.32535 ARCH ,
unde ARCH reprezint volatilitatea portofoliului calculat prin modele GARCH, pentru un
orizont de 10 zile.
109
Volatilitatea cursurilor aciunilor i a portofoliului

calculat prin modele GARCH
STDEV_ARCH_ATB
STDEV_ARCH_IMP
1.4
.40
1.2
.35
1.0
.30
0.8
.25
0.6
.20
0.4
.15
0.2
.10
0.0
.05
250
500
750 1000 1250 1500 1750 2000
250
STDEV_ARCH_TBM
1.2
500
750 1000 1250 1500 1750 2000
STDEV_ARCH_TLV
.40
.35
1.0
.30
0.8
.25
0.6
.20
.15
0.4
.10
0.2
.05
0.0
.00
250
500
750 1000 1250 1500 1750 2000
250
STDEV_ARCH_PORTOFOLIU
.5
500
750 1000 1250 1500 1750 2000
STDEV_ARCH_PORTOFOLIU_AN
.36
.32
.4
.28
.24
.3
.20
.16
.2
.12
.08
.1
.04
.0
.00
250
500
750 1000 1250 1500 1750 2000
250
500
750 1000 1250 1500 1750 2000
110
unde ST_DEV_ARCH_PORTOFOLIU_AN reprezint volatilitatea portofoliului calculat

prin metoda analitic, pe baza volatilitilor celor patru aciuni incluse n portofoliu i a
coeficienilor de corelaie dintre acestea (considerai constani pentru perioada
analizat), iar ST_DEV_ARCH_PORTOFOLIU este volatilitatea portofoliului calculat
printr-un model GARCH pentru randamentele portofoliului.
Msurile VaR calculate pe baza celor cinci metodologii de mai sus sunt prezentate n
graficele de mai jos mpreun cu randamentele pe 10 zile ale portofoliului, nmulite cu -1
pentru comparabilitate (cu msurile VaR).
Conform rezultatelor:
Modelul bazat pe EWMA a performat cel mai bine, n perioada analizat
producnd o singur eroare, n 1841 de observaii (incadrndu-se n nivelul de
relevan de 1 la sut).
De asemenea i modelul pe baz de simulare istoric, modelul analitic i
modelele bazate pe estimarea volatilitii prin modele GARCH se ncadreaz n
nivelul de relevan de 1 la sut (au produs fiecare cte dou erori n 1841 de
observaii pentru modelul analitica i modelul istoric i, respectiv, 2072 de
observaii pentru modelele GARCH). Dintre aceste patru modele se detaeaz
modelele bazate pe GARCH, care fa de celelalte dou implic cerine de
capital mai reduse.
Dintre cele dou modele GARCH, modelul bazat pe metoda analitic implic
cerine de capital inferioare modelului GARCH aplicat randamentelor
portofoliului, dar n acelai timp implic cerine de calcul superioare.
111
-0.2
4/18/2007
3/22/2007
VaR EWMA
9/22/2006
VaR istoric
12/22/2006
VaR analitic
1/18/2007
6/22/2006
3/22/2006
12/22/2005
9/22/2005
6/22/2005
3/22/2005
12/22/2004
9/22/2004
6/22/2004
3/22/2004
(-1)*Randament 10 zile
10/18/2006
7/18/2006
4/18/2006
1/18/2006
10/18/2005
7/18/2005
4/18/2005
1/18/2005
10/18/2004
7/18/2004
4/18/2004
12/22/2003
9/22/2003
6/22/2003
3/22/2003
12/22/2002
9/22/2002
6/22/2002
3/22/2002
12/22/2001
9/22/2001
6/22/2001
3/22/2001
12/22/2000
9/22/2000
6/22/2000
3/22/2000
12/22/1999
1/18/2004
10/18/2003
7/18/2003
4/18/2003
1/18/2003
10/18/2002
7/18/2002
4/18/2002
1/18/2002
10/18/2001
(-1)*Randament 10 zile
7/18/2001
4/18/2001
1/18/2001
10/18/2000
7/18/2000
4/18/2000
1/18/2000
10/18/1999
7/18/1999
4/18/1999
-0.2
1/18/1999
Msurile VaR bazat pe mapare a poziiilor, istoric, analitic i EWMA
1.2
0.8
0.6
0.4
0.2
-0.4
-0.6
-0.8
Msurile VaR calculate pe baz de modele GARCH
1.2
VaR GARCH analitic
VaR GARCH
1.0
0.8
0.6
0.4
0.2
0.0
-0.4
-0.6
-0.8
112

Econo Metri Ems Bank 2007

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

Econo Metri Ems Bank 2007

Încărcat de

Drepturi de autor:

Formate disponibile

ACADEMIA DE STUDII ECONOMICE

Programul de Master Specializat

Managementul Sistemelor Bancare

Adrian Codirlau, CFA

Serii de timp: momentele seriilor de timp, staionaritate/nestaionaritate,

Alexander, Carol i Elizabeth Sheedy editori (2004) The Professional Risk

CAPITOLUL II. TESTE STATISTICE

CAPITOLUL III. ANALIZA SERIILOR DE TIMP N EVIEWS

III.1. INTRODUCEREA SERIILOR N EVIEWS

CAPITOLUL IV. REGRESIA LINIAR MULTIPL

IV.1. FORMA GENERAL I IPOTEZE

CAPITOLUL V. MODELE ARMA

CAPITOLUL VI. MODELE CU DATE PANEL

VI. 1. UTILIZAREA MODELELOR CU DATE PANEL

CAPITOLUL VII. MODELE GARCH

VII.1. TIPURI DE MODELE ARCH

VII.2. ESTIMAREA MODELELOR ARCH N EVIEWS

CAPITOLUL VIII. MODELE VALUE AT RISK

VIII.1. MSURA VAR

Capitolul I. Serii de timp

Media (calculat ca suma observaiilor mprit la numrul de observaii).

Deviaia standard a seriei, care reprezint o msur a dispersiei observaiilor.

Coeficientul de asimetrie care reprezint o msur a asimetriei distribuiei fa de

Formula de calcul a coeficientului de asimetrie (S) pentru o serie de timp este:

un estimator al deviaiei standard a seriei: = s

s dispersia seriei de timp.

5. Sezonalitatea seriei de timp. Seriile de timp cu frecven lunar sau trimestrial

Capitolul II. Teste statistice

f (x )dx , iar probabilitatea ca valoarea nregistrat

de variabila aleatoare s fie mai mica dect o valoare c este Pr (x c ) =

Cele mai utilizate distribuii de probabilitate n econometrie sunt:

Distribuia normal (sau Gaussian).

abaterea medie ptratic a acesteia,

abaterea medie ptratic a acesteia,

Numrul de grade de libertate este o msur a numrului de uniti de informaie

De asemenea, dac t ~ t [n] , atunci t 2 ~ F [1, n] .

Distribuia Chi ptrat ( 2 ).

Dac z ~ N (0,1) , atunci x = z 2 ~ 2 [1], x este distribuit 2 cu un grad de libertate.

Dac zi , i = 1,2,..., n sunt variabile independente care urmeaz distribuii

n graficul de mai jos sunt prezentate distribuii 2 funcie de numrul de grade de

Ca i distribuia 2 , distribuia F este o familie de distribuii asimetrice, care sunt

II.2. Testarea ipotezelor

parametru _ esantion parametru _ populatie _ sub _ H 0

n cazul n care abaterea medie ptratic a populaiei este

cunoscut, dar este cunoscut abaterea medie ptratic a eantionului, s.

pentru fiecare coad a distribuiei pentru testarea ipotezei nule. Ca o consecin,

considerm z ca fiind valoarea calculat a testului statistic, atunci respingem

Pentru testul H 0 : 0 versus H a : < 0 , la nivelul de relevan de 0.05,

II.3. Testarea mediei

parametru _ esantion parametru _ populatie _ sub _ H 0

Populaia are o distribuie

Testul t sau testul z

Testul t sau testul z

De exemplu, se analizeaz evoluia randamentelor unui fond de investiii. Astfel

corespunztoare nivelului de relevan de 0.05 i a 23 de grade de libertate este 1.714.

Valoarea testului statistic este: t23 =

poate construi intervalul de confiden al parametrului astfel: x t sx ; x + t s x .

II.4. Testarea varianei

reprezint variana eantionului de date utilizat.

Dac alegem un nivel de relevan al testului, , punctele de respingere ale ipotezei

a distribuiei 2 cu n 1 grade de libertate (notat cu 2 )

Respingem ipoteza nul dac valoarea

H 0 : 2 16 iar ipoteza alternativ este

Capitolul III. Analiza seriilor de timp n EViews