Documente Academic
Documente Profesional
Documente Cultură
CATEDRA DE MONED
MODULUL: Econometrie
aplicat
utiliznd EViews 5.1
NOTE DE CURS
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
Bibliografie
Cuprins
CAPITOLUL I. SERII DE TIMP
II.1. DISTRIBUII
II.2. TESTAREA IPOTEZELOR
II.3. TESTAREA MEDIEI
II.4. TESTAREA VARIANEI
8
14
17
18
20
20
22
23
30
33
35
37
41
41
42
44
45
57
60
V. 1. PROCESE AR
V. 2. PROCESE MA
V. 3. PROCESE ARMA
V. 4. ESTIMAREA MODELELOR ARMA N EVIEWS
60
61
61
63
76
76
76
85
85
88
93
93
93
94
95
97
97
98
99
s=
(y
i =1
y)
N 1
unde:
N reprezint numrul de observaii din eantion,
yi observaiile incluse n eantion, i = 1, N
y valoarea medie a eantionului.
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
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.
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 .
1
Ecuaia acestei distribuii este: f ( x ) =
e 2
2
unde:
reprezint media distribuiei,
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,
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
z
x
n
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
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] ;
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
12
Distribuia F.
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
test _ statistic =
Astfel, dac media unui eantion cu n observaii extras dintr-o populaie este x , eroarea
standard a mediei poate fi calculat prin dou metode:
14
fie ca x =
cunoscut,
sau ca s x =
s
atunci cnd abaterea medie ptratic a populaiei nu este
n
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
5. Al cincilea pas n testarea ipotezei este colectarea datelor i calculul testului statistic.
Astfel, majoritatea testelor solicit cel puin un numr de 20 30 de observaii.
6. Al aselea pas este reprezentat de luarea deciziei statistice: acceptarea sau
respingerea ipotezei nule.
7. Ultima etap const n luarea deciziei economice. Aceasta trebuie s ia n
considerare nu numai decizia statistic ci si toate celelalte informaii disponibile.
Programele software econometrice raporteaz, pe lng valoarea testului statistic i
probabilitatea asociat acestui test (valoarea p). Aceasta reprezint cel mai mic nivel
de relevan la care ipoteza nul poate fi respins. Astfel decizia statistic este
simplificat, aceasta putnd fi luat prin compararea valorii p cu nivelul de relevan la
care se lucreaz.
16
test _ statistic =
Decizia de a utiliza unul dintre cele dou teste se ia funcie de distribuia populaiei i
numrul de observaii disponibile astfel:
Eantion mare
(n > 30)
Eantion mic
(n < 30)
Testul t
Nu se poate testa
, n 1
17
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
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.
2 =
(n 1)s 2 ,
02
cu n 1 grade de libertate.
2
s =
2
(x
i =1
x)
n 1
18
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 .
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 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
20
n acest fiier de lucru trebuie definite seriile cu care for fi folosite n analiza
econometric.
Definirea seriilor: click buton dreapa mouse n interiorul fiierului de lucru, selectarea
opiunii new object, alegerea opiunii series i specificarea numelui seriei. Seria creat
se numete eur.
21
Introducerea datelor n seria creat: selectarea serie, click buton stnga mouse,
selectare opiune edit +/- n fereastra seriei, introducerea datelor cu copy (din fiierul
Excel) i paste n prima coloan a fiierului seriei.
22
23
.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
24
1st difference prima diferen a seriei (de obicei n cazul n care testul
aplicat asupra seriei nivel a artat c seria este nestaionar);
2nd difference a doua diferen a seriei (atunci cnd i testul aplicat primei
diferene a artat c seria de prime diferene este nestaionar.
Include in test equation
Intercept dac testul s includ i un termen constat. Acesat opiune se
alege atunci cnd din graficul seriei se observ c aceasta fluctueaz n jurul
unei anumite valori sau pornete dintr-o anumit valoare.
Trend and intercept n cazul n care seria prezint un trend.
None in cazul n care seria fluctueaz n jurul valorii 0.
Prima parte a testului prezint informaii cu privire la tipul testului (AFD, variabilele
exogene introduse constant, trend) i cuprinde rezultatul testului, valorile critice
pentru fiecare nivel de relevan (1, 5 i 10 la sut), i probabilitatea, p, asociat
rezultatului testului.
n acest exemplu, pentru l_eur, ADF are valoarea 0.981155 i valoarea p asociat
acestuia este de 0.9448. Dac valoarea testului este mai mare dect valoarea critic, nu
este respins ipoteza nul seria are o rdcin unitar (este nestaionar). n acest
caz nu este respins ipoteza nul seria este nestaionar.
Utiliznd valoarea p, este acceptat ipoteza nul seria este nestaionar pentru un
anumit nivel de relevan, ori de cte ori probabilitatea p este mai mare dect acel nivel
de relevan.
Partea a doua a testului prezint ecuaia estimat, pe baza creia a fost calculat testul
ADF.
Testul ADF pentru l_eur:
Null Hypothesis: L_EUR has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 3 (Automatic based on SIC, MAXLAG=25)
t-Statistic
Prob.*
-0.981155
-3.962327
-3.411905
-3.127850
0.9448
25
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
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
t-Statistic
Prob.*
-29.44682
-3.433203
-2.862686
-2.567426
0.0000
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
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
Adj. t-Stat
Prob.*
-0.937060
-3.962321
-3.411902
-3.127848
0.9502
3.82E-05
3.09E-05
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
0.1528
0.000427
0.006208
-7.332410
-7.324485
9.379616
0.000088
Adj. t-Stat
Prob.*
-42.86625
-3.433200
-2.862685
-2.567426
0.0000
3.83E-05
3.20E-05
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
1.60E-07
0.008449
-7.329739
-7.324453
1847.459
29
Durbin-Watson stat
1.986885
Prob(F-statistic)
0.000000
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
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:
31
Theoretical Quantile-Quantile
12
Normal Quantile
8
4
0
-4
-8
-12
-.06 -.04 -.02
.00
.02
.04
.06
.08
DL_EUR
32
-.02
.00
.02
.04
.06
DL_EUR
33
Specificaiile corelogramei:
Correlogram of
o Level corelograma serie n nivel;
o 1st Difference corelograma seriei n prime diferene,
o 2nd Difference corelograma celei de a doua diferene a seriei.
Lags to include numrul lag-urilor ce sunt incluse.
Coeficientul de corelaie de ordinul k, (coeficientul de corelaie dintre X t i X t k este
calculat dup cum urmeaz:
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
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
99
00
01
02
03
04
05
06
07
GDP
37
Q1
Q2
GDP
Q3
Q4
Means by Season
38
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
Yt = b0 + b1 X 1t + b2 X 2t + ... + bk X kt + t
unde:
( )
41
(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
(Y Y ) , unde
2
i =1
(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
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
RSS
MSR
k
=
F=
SSE
MSE
n (k + 1)
Testul F are o distribuie F cu (k, n (k + 1)) grade de libertate.
43
R 2 se calculeaz ca R 2 =
TSS SEE
TSS
n 1
2
R 2 = 1
1 R ,
nk
unde:
n reprezint numrul de observaii,
k numrul de variabile independente incluse n regresie.
Astfel, atunci cnd sunt introduse variabile independente suplimentare n regresie, R 2
poate s creasc, dar R 2 poate s scad penaliznd astfel introducerea de variabile
independente care au o relevan mic asupra variabilei dependente.
44
45
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
0.002376
0.030051
-4.248194
-4.242792
168.9196
0.000000
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
Residual
Actual
Fitted
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
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
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
29.24197
84.38578
Prob. F(3,2085)
Prob. Chi-Square(3)
0.000000
0.000000
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 09/24/07 Time: 22:31
Sample: 2 2091
Included observations: 2090
Presample missing value lagged residuals set to zero.
Variable
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
6.64E-20
0.028905
-4.286537
-4.273032
21.93148
0.000000
52
ARCH Test:
F-statistic
Obs*R-squared
22.96701
66.82299
Prob. F(3,2083)
Prob. Chi-Square(3)
0.000000
0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 09/24/07 Time: 22:44
Sample (adjusted): 5 2091
Included observations: 2087 after adjustments
Variable
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
0.000826
0.008043
-6.837130
-6.826314
22.96701
0.000000
53
WT =
wt
, t = k + 1, k + 2,..., T ,
t = k +1 s
unde:
WT reprezint suma cumulativ a erorilor recursive pentru primele T observaii;
54
150
100
50
0
-50
-100
-150
250
500
CUSUM
5% Significance
500
55
500
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
250
500
56
n cazul n care ara respectiv nu are obligaiuni externe emise cu scadena de 10 ani, n analiz
a fost inclus spread-ul pentru obligaiunile externe cu scadena cea mai apropiat de aceast termen.
2
Africa de Sud, Argentina, Brazilia, Bulgaria, Cehia, Chile, China, Columbia, Coreea de Sud,
Croaia, Ecuador, Egipt, Estonia, India, Indonezia, Israel, Letonia, Lituania, Malaezia, Maroc, Mexic, Noua
Zeeland, Peru, Philipine, Polonia, Romnia, Rusia, Singapore, Slovacia, Slovenia, Tailanda, Taiwan,
Tunisia, Turcia, Ucraina, Ungaria, Uruguay, Venezuela
57
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
-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
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
-10.10526
72.22816
11.45823
11.67371
1.585581
0.201263
59
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
( )
Y
i =1
i t i
+ t , pentru = 0
( )
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;
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 ,
( )
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 ,
( )
62
98
99
00
01
02
03
04
05
06
07
BUBOR
t-Statistic
Prob.*
-5.024900
-4.031899
-3.445590
-3.147710
0.0003
63
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
-0.383937
21.04233
8.784657
8.851843
12.64663
0.000010
Testul de staionaritate PP
Null Hypothesis: BUBOR has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 3 (Newey-West using Bartlett kernel)
Adj. t-Stat
Prob.*
-5.437216
-4.031899
-3.445590
-3.147710
0.0001
364.8682
462.5140
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
0.0000
0.0001
-0.383937
21.04233
8.784657
8.851843
12.64663
0.000010
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:
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
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
Inverted MA Roots
.42-.90i
.42+.90i
-.78+.45i
43.94414
42.18206
8.571450
8.682858
159.1672
0.000000
-.78-.45i
67
-1.0
-0.5
0.0
0.5
1.0
1.5
MA roots
Modulus
Cycle
0.416806 0.900818i
-0.783923 0.450021i
0.992572
0.903910
5.524002
2.397739
68
50
40
0
-40
-80
97
98
99
00
Residual
01
02
03
Actual
04
05
06
07
Fitted
69
Estimarea modelului AR
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
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
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
.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.
-1.0
-0.5
0.0
0.5
1.0
1.5
MA roots
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
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
Akaike info criterion
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.
74
2007M10
2007M11
2007M12
BUBORF
75
76
Date utilizate:
Rata dobnzii active practicate pentru persoane fizice (ACT_PF);
Rata dobnzii active practicate pentru persoane juridice, clieni nebancari,
neguvernamentali (ACT_PJ);
Rata dobnzii pasive practicate pentru persoane fizice (PAS_PF);
Rata dobnzii pasive practicate pentru persoane juridice, clieni nebancari
neguvernamentali (PAS_PJ);
Rata dobnzii la operaiunile de sterilizare ale BNR (RN_BNR);
Rata dobnzii bonificate de BNR pentru rezervele minime obligatorii n lei
(DOB_RMO);
Rata anual a inflaiei ateptat de operatorii bancari peste 24 de luni
(A_INFL_24);
Deviaia standard a rspunsurilor participanilor la sondaj cu privire la rata anual
a inflaiei ateptate peste 12 luni (A_INFL_12_DEV), utilizat ca variabil proxy
pentru incertitudinea din piaa bancar cu privire la evoluia inflaiei din
urmtoarele 12 luni;
Rata dobnzii pentru depozitele pe piaa monetar cu scadena de o sptmn
ateptate de operatorii din sistemul bancar pentru un orizont de 12 luni
(RN_1W_12).
Conform rezultatelor econometrice, spread-ul activ, att pentru persoane fizice ct i
pentru persoane juridice, este influenat de ateptrile privind rata inflaiei pe
urmtoarele 24 de luni i de volatilitatea dobnzii de intervenie a BNR (aproximat prin
valoarea absolut a modificrilor lunare ale acesteia).
Astfel, att o majorare a anticipaiilor inflaioniste ct i o cretere a volatilitii ratei
dobnzii de intervenie conduc la majorarea spread-ului activ.
Cum era de ateptat, rata de dobnd bonificat de BNR pentru depozitele minime
obligatorii este corelat negativ cu spread-ul, n sensul c o majorare a acesteia
conduce la reducerea spread-ului (datorit reducerii costului fondurilor atrase).
Definirea modelului panel re realizeaz cu click buton dreapta mouse selectarea opiunii
New object/Pool
77
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.
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.
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
0.734933
0.676462
2.221790
335.6718
-177.3742
1.527998
14.42240
3.906075
4.604147
5.067159
12.56926
0.000000
80
Persoane juridice
Dependent Variable: ACT_PJ?-RN_BNR
Method: Pooled Least Squares
Sample (adjusted): 2005M01 2005M07
Included observations: 7 after adjustments
Cross-sections included: 13
Total pool (unbalanced) observations: 84
Variable
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
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
Effects Specification
0.762877
0.710571
1.707752
198.3165
-155.2708
1.666125
8.847317
3.174343
4.077877
4.540889
14.58477
0.000000
81
Coefficient
Std. Error
t-Statistic
Prob.
C
RN_1W_12?(-1)
A_INFL_12_DEV(-1)
D(RN_BNR(-1))
Fixed Effects (Cross)
_01--C
_02--C
_03--C
_04--C
_05--C
_06--C
_07--C
_08--C
_09--C
_10--C
-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
Effects Specification
0.875738
0.848327
0.984416
65.89703
-108.9965
1.812217
1.062269
2.527695
2.976106
3.439119
31.94872
0.000000
Persoane juridice
Dependent Variable: RN_BNR-PAS_PJ?
Method: Pooled Least Squares
Sample (adjusted): 2005M01 2005M07
Included observations: 7 after adjustments
Cross-sections included: 13
Total pool (unbalanced) observations: 84
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RN_1W_12?(-1)
A_INFL_12_DEV(-1)
D(RN_BNR(-1))
Fixed Effects (Cross)
_01--C
_02--C
_03--C
_04--C
_05--C
_06--C
_07--C
_08--C
_09--C
_10--C
_11--C
_12--C
_13--C
-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
Effects Specification
83
0.844103
0.809714
0.854699
49.67468
-97.12734
1.970847
3.770087
1.959340
2.693508
3.156521
24.54573
0.000000
84
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 );
i =1
1, i
+ 2,i < 1
j =1
85
,
adugnd t la ambii termeni ai ecuaiei i scriind i = i i rezult
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
log(ht ) = + log(ht 1 ) +
t 1
ht 1
t 1
ht 1
87
Confirm acestui model, efectul informaiilor este exponenial (i nu ptratic) iar variana
prognozat va fi obligatoriu non-negativ. Impactul informaiilor este asimetric dac
0.
88
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
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.
@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
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.
91
.028
.024
.020
.016
.012
.008
.004
.000
250
500
92
deviaia standard : R ~ N ( , ) .
VaRh , = x S ,
(x ) , de unde rezult:
x = Z + ,
unde Z este cea mai mic percentil a distribuiei normale standard.
93
dS
= dt + dW ,
S
unde :
este randamentul ateptat pe unitatea de timp,
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
dS
, evolueaz funcie de trend, dt i de
S
94
S
= t + t ,
S
unde S reprezint modificarea preului aciunii n intervalul de timp t , iar
S
S
T
). Considerm
N
95
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
ri*,t =
i ,T
r .
i ,t i ,t
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.
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,
97
Odat ce matricea de covarian a fost definit, aceasta poate fi folosit pentru calculul
VaR utiliznd fie metoda analitic (indicat pentru portofolii simple), fie simularea Monte
Carlo (pentru portofolii ce includ opiuni).
n simularea analitic, VaR-ul pentru h zile, cu nivelul de relevan este:
VaR , h = Z P
unde:
Z este valoarea critic a distribuiei normale standard pentru nivel de relevan,
P valoarea curent a portofoliului,
deviaia standard prognozat pentru un orizont de h zile.
Deviaia standard este calculat pe baza unei matrice de covarian a randamentelor
pentru h zile:
reprezentat la nivel de active:
= w'Vw
unde:
= 'V
unde:
care au incluse i opiuni, n acest caz fiind indicat utilizarea unei matrice de covarian
pentru orizontul h.
250
i se extrage rdcina ptrat.
10
98
n practic a fost sugerat chiar utilizarea modelelor GARCH pentru modelarea direct
P/L-ului portofoliului i calculul VaR funcie de volatilitatea condiionat a acestuia, n
acest fel evitndu-se calculul matricelor de covarian.
99
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
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
102
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
250
500
DLN_TBM
2.0
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
250
500
DL_BET
DLN_PORTOF
.12
.5
.08
.4
.04
.3
.00
.2
-.04
.1
-.08
.0
-.12
-.1
-.16
-.2
250
500
250
500
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
EWMA_IMP
.10
.08
.3
.06
.2
.04
.1
.02
.0
.00
250
500
250
500
EWMA_TBM
.5
EWMA_TLV
.14
.12
.4
.10
.3
.08
.06
.2
.04
.1
.02
.0
.00
250
500
250
500
EWMA_PORTOFOLIU
.14
.12
.10
.08
.06
.04
.02
.00
250
500
105
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
0.002217
0.046814
106
S.E. of regression
Sum squared resid
Log likelihood
0.046911
4.588325
4767.244
-4.557171
-4.543667
1.966671
IMP TARCH(1,1,1)
Dependent Variable: DLN_IMP
Method: ML - ARCH (Marquardt) - Generalized error distribution (GED)
Sample (adjusted): 2 2091
Included observations: 2090 after adjustments
Failure to improve Likelihood after 20 iterations
Variance backcast: ON
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0)
+ C(5)*GARCH(-1)
Coefficient
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
0.001208
0.040241
-4.495144
-4.478939
1.804807
TBM TARCH(1,1,1)
Dependent Variable: DLN_TBM
Method: ML - ARCH (Marquardt) - Generalized error distribution (GED)
Sample (adjusted): 2 2091
Included observations: 2090 after adjustments
Convergence achieved after 31 iterations
Variance backcast: ON
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0)
+ C(5)*GARCH(-1)
Coefficient
Std. Error
z-Statistic
Prob.
107
1.42E-05
0.000505
0.028193
0.9775
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
0.001890
0.051122
-4.640161
-4.623955
2.000499
TLV GARCH(1,1)
Dependent Variable: DLN_TLV
Method: ML - ARCH (Marquardt) - Generalized error distribution (GED)
Sample (adjusted): 2 2091
Included observations: 2090 after adjustments
Convergence achieved after 112 iterations
Variance backcast: ON
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1)
Coefficient
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
0.002376
0.030051
-5.063941
-5.050436
2.096818
108
Portofoliu EGARCH(1,1)
Dependent Variable: DLN_PORTOFOLIU
Method: ML - ARCH (Marquardt) - Generalized error distribution (GED)
Sample (adjusted): 2 2091
Included observations: 2090 after adjustments
Convergence achieved after 38 iterations
Variance backcast: ON
LOG(GARCH) = C(2) + C(3)*ABS(RESID(-1)/@SQRT(GARCH(-1))) +
C(4)*LOG(GARCH(-1))
Coefficient
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
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
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
250
STDEV_ARCH_TBM
1.2
500
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
250
STDEV_ARCH_PORTOFOLIU
.5
500
STDEV_ARCH_PORTOFOLIU_AN
.36
.32
.4
.28
.24
.3
.20
.16
.2
.12
.08
.1
.04
.0
.00
250
500
250
500
110
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
1.2
0.8
0.6
0.4
0.2
-0.4
-0.6
-0.8
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