Documente Academic
Documente Profesional
Documente Cultură
-2018-
1
Cuprins
Introducere
Aplicatia 1 – Metoda Box-Jenkins
1. Capitol teoretic
1.1 Literature review
1.2 Metodologia cercetării
2. Capitolul aplicativ
2.1 Date utilizate
2.2 Rezultatele empirice ale cercetării
Aplicația 2 – Modelul SARIMA
1. Capitol teoretic
1.1 Literature review
1.2 Metodologia cercetării
2.2 Capitolul aplicativ
2.1 Date utilizate
2.2 Rezultate empirice ale cercetării
Aplicația 3 – Natura relaţiei dintre variabile
1. Capitolul teoretic
1.1 Literature review
1.2 Metodologia cercetării
2. Capitolul aplicativ
2.1 Date utilizate40
2.2 Rezultatele empirice ale cercetării41
Bibliografie……………………………………………………………………………………………….49
2
INTRODUCERE
Prezentarea companiei
Microsoft Corp este cea mai mare companie producătoare de software din lume, cu peste
90.000 de angajați în mai mult de 100 de țări. Este o companie care produce,dezvolta, licențiază
și face întreținerea la o gamă largă de servicii în principal legate de calculatoare.
Compania a fost infiintata la data de aprilie 1957 de catre Bil Gates si Paul Allen, dupa ce,
in urma cu 3 ani, au fondat compania cu numele “Traf-O-Data” care insa nu a cunoscut succesul.
Pe parcursul acestor ani, compania Microsoft s-a dezvoltat si extins din ce in ce mai mult, spre
exemplu in anul 1980 a absorbit intreaga piata cu sistemul de operare MS-DOS, care a fost
ulterior succedat de Windows. De altfel, domina piata cu pachetul software Microsoft Office.
Compania detine produse variate de mare success in fiecare categorie de soft care au
doborat toate recordurile in vanzari, astfel putem afirma ca rezolutiile si deciziile din cadrul
3
companiei Microsoft influenteaza in mod direct industria soft-ului si implicit alegerile tutror
celor care folosesc calculatoare. In zilele noastre, numarul celor care utilizeaza produsele
companei Microsoft este de peste 60 de milioane.
Potrivit datelor de pe https://finance.yahoo.com, valoarea totala la care se ridica intraga
intreprindere este de 494.16 miliarde de dolari, in ultima perioada titlurile Microsoft au crescut
cu 23,2%.
Aplicatia 1
Obiectivul acestei proceduri Box- Jenkins este acela de a edifica un model ARIMA. Abordarea
box-jenkins in vederea prognozei,analizei și verificarea seriei de timp este o procedură inovativa,
nouă, redutabila, dar destul de dificila, care implică construirea unor modele pentru sisteme
sisteme dinamice si sisteme discrete. Ele au fost adaptate la problema previziunii seriei de timp
sezoniere.
Metoda Box-Jenkins implica aplicarea a 3 etape importante :
1. Identificarea modelului..
4
2. Estimarea modelului.
3. Verificarea modelului.
Etapa 2. Pentru variant în care seria nu este staţionară, aceasta trebuie staţionarizată prin
aplicarea unor algoritmi de diferenţiere.
Etapa 3. Obtinerea cel mai bun model autoregresiv pe care ulterior il vom testa
2. CONTINUT APLICATIV
5
Figura 1-„Date inițiale-Prețul de închidere”
6
2.2 Rezultatele cercetarii
Corelogramă
7
Figura 4-“Corelogramă date inițiale”
Grafic
8
Figura 5-“Distribuție serie nestaționarizată”
Corelogramă
9
Figura 6-“Corelogramă serie logaritmată”
10
Figura 7-“Output test”
Am creat o nouă serie de date compusă din modificările procentuale/relative pentru seria
logaritmată anterior.Operatorul d folosit în fereastra de comandă calculează delta.
11
Grafic
Corelogramă
12
Testul Unit-Root
13
Figura 11-“Model AR(4)”
14
ARMA(4,4)-ls dladj_close C ar(4) ma(4)
15
MA(28)-ls dladj_close C ma(28)
16
AR(15)-LS DLADJ_CLOSE C AR(15)
17
ARMA(15)-LS DLADJ_CLOSE C AR(15) MA(15)
Pentru lagul 15,doar modelul ARMA este valid,are un F-statistic foarte mic<0,05.
18
Testarea autocorelarii
Testarea autocorelării reziduurilor se realizează cu corelograma reziduurilor Q-statistics
(View->Residual Diagnostics->Correlogram-Q-statistics).
19
Figura 21-“Testul ARCH”
Prob F>0,05 deci se accepta ipoteza nula,conform careia rezidurile sunt homoscedastice.
Pas 4-„Previzionarea seriei pe modelul valid”
Modelul valid este realizat pentru datele din perioada 2004M01 – 2017M04 și dorim să
previzionăm volumul acțiunilor cotate la bursa pentru perioada 2017M05 – 2020M05.
20
Figura 22-“Previzionare preț de închidere”
Analizând al doilea grafic, se observă fluctuații ale prețului cotat la bursă până în luna a
5a a anului 2020.
Modelul previzionat est valid deoarece probabilitatea lui F-Statistic este 0,001 și este mai
mic decat 0,05 cee ce confirmă afirmația anterioară.
21
Aplicatia 2
1. CONTINUT TEORETIC
Modelele ARIMA pot fi utilizate in previziunea si modelarea datelor univariate, care s-au
obtinut in urma unui process stochastic. Sezonalitatea reprezinta o proprietate importanta a
seriilor iar pentu estimarile periodice, Box si Jenkins au propus utilizarea modelelor
autoregresive. Astfel, abordarea proprietatii de sezonalitate are loc prin intermediul modelelor de
tip ARIMA cu sezonalitate. Pe langa termenii de autoregresivitate (AR) si de medii mobile
(MA), se adauga acei termeni cu sezonalitate si anume SAR si SMA.
- Autoregresia de ordin k : AR(k) sau ARIMA (k,0,0). Reprezinta o versiune pentru seriile
de timp stationare. In acest caz, k reprezinta numarul valorilor continute in model.
Forma modelului :
Coeficientii se estimeaza in raport cu datele istorice ca eroarea sa fie minima.
Se aplica atunci cand depinde si de un numar de erori care au fost inregistrate anterior.
22
In anul 1957, absolventul Universitatii din Chicago, Charles C Holt (1921-2010) lucra la
previzionarea tendintelor in productie, forta de munca si stocuri. Acesta a facut public un articol
numit “Tendințe de prognoză și sezonalități prin medii mobile mobile ponderate exponențial"
(Biroul de Cercetări Nationale de Cercetare Memorandum Nr. 52, Institutul de Tehnologie din
Carnegie) in care caracterizeaza o dublare exponentiala. Peste 3 ani, un student al profesorului
Holt, pe nume Peter R. Winters a optimizat si imbunatatit algoritmul prind introducerea
sezonalitatii, publicand „Prognoza prin medii mobile ponderate exponential” (Management
Science 6, 324-342). Acest algoritm este cunoscut in prezent sub numele de metoda Holt-Winters
de netezire exponentiala.
Aceasta metoda este caracteristica seriilor cu tendinta si elemente sezoniere. In cadrul
metodei sunt implicate 3 ecuatii, respectiv 3 constante de netezire si anume una caracterizeaza
nivelul seriei, una panta dreptei si ultima defineste coeficientii de sezonalitate.
Se deosebesc 2 modele si anume :
- Modelul multiplicativ
mobile: , ,...., .
Se tine de asemenea cont de conditia de minimizare a erorilor de previziune.
- Modelul aditiv
23
Etapa 1 : Se realizeaza diferentierea, se logaritmeaza astfel incat seria de date analizate
sa constituie o serie stationara.
Etapa 2 : Identificarea elementelor autoregresive, avand ca reper functia de autocorelatie
partiala
Etapa 3 : Se descopera termenii de medie mobila .
2. CONTINUT APLICATIV
Pentru a determina modelul SARIMA, primul pas este analiza stationaritatii seriei de
date considerată care reprezintă volumul acțiunilor firmei Microsoft, tranzacționate la bursă.
Verificam daca seria de date de mai sus prezinta sau nu sezonalitate prin realizarea
graficului de tip Seasonal Graph.
24
Figura 25 – “Verificarea sezonalitatii”
Din graficele de mai sus observam ca mediile corespunzatore fiecarei luni nu se situeaza
la aceeasi valoare, ceea ce inseamna ca seria lunara a volumului actiunilor din perioada anilor
2004-2017 prezinta sezonalitate.
Verificarea stationaritati
Verificam stationaritatea seriei prin utilizarea Testului Dickey-Fuller pe seria Volume si
din analiza corelogramei.
25
Figura 26- “Grafic valori Volume”
Dupa cum se observa din grafic, seriei Volume prezinta nestationaritate, valorile acesteia
nefiind apropiate. Pentru verificarea stationaritatii seriei trebuie sa realizam corelograma.
Figura 27 –“Corelograma seriei Volume “ Figura 28 –“Testul Augmented Dickey-Fuller pe seria Volume”
26
Din analiza corelogramei reiese ca functia de autocorelatie, definita prin indicatorul AC,
are valori ce difera semnificativ de zero si care scad lent, lucru care sugereaza ca seria este
nestationara. Valorile statisticii Q sunt foarte mari, astfel putem afirma intuitiv ca seria este
nestationara.
Pentru verificarea stationaritatii am aplicat seriei de date testul ADF (Augmented Dickey-
Fuller).
Din aplicarea testului Augumented Dickey Fuller, unde valoarea calculată pentru
statistica τ este -2.17, care în valoare absolută este mai mică decât valorile critice. Nu putem
respinge ipoteza nulă, că există o rădăcină unitară, deci seria Volume este nestaționară.
Stationarizarea seriei
Pentru a staționariza seria vom aplica transformarile matematice de logaritmare. Seria
logaritmata L_volume obtinuta este:
27
Graficul corespunzator seriei logaritmate L_volume este:
Figura 31- “Corelograma seriei L_volume” Figura 32-“Testul Dickey-Fuller pe seria L_volume”
28
Aplicând din noul tesul Dickey Fuller, observam ca valorile AC nu sunt apropiate si nici
aproximativ egale cu zero. S-a obtinut valoarea calculată pentru statistica τ de -1.067427, care în
valoare absolută este mai mica decât valorile critice. Respingem ipoteza nenulă, deci seria
l_volume este nestaționară.
Seria de date pare sa aiba valori mai apropiate de data aceasta. Verificam corelograma
seriei diferentiate Dvolume.
29
Figura 34 -Corelograma seriei Dvolume Figura 35-Testul Dickey-Fuller pe seria Dvolume
Aplicând din noul tesul Dickey Fuller se va obține valoarea calculată pentru statistica τ de
-16.2835, care în valoare absolută este mai mare decât valorile critice. Observam ca valorile AC
din corelograma sunt destul de apropiate intre ele, iar probabilitatile sunt 0. Respingem ipoteza
nulă, că există o rădăcină unitară, deci seria dvolume este staționară.
30
Modelul SARIMA va porni de la urmatoarea ecuatie: ls dvolume ar(1) ma(2) sma(12)
Dupa cum se observa in tabelul de mai sus, cel mai bun model a fost ales in functie de
Criteriul Akaike, Schwarz si R-squared. Ultimul model, cel descris si in ecuatie, are valorile
criteriilor cele mai mici, in timp ce valoarea lui R-square este cea mai mare.
31
Testul se bazează pe analiza corelogramei reziduurilor si formuleaza doua ipoteze:
H0: erorile nu sunt autocorelate
Exista probabilitati cu valori mai mici de pragul de 0.05, mai exact cele de la pozitia
29 in jos, sugerand faptul ca poate exista conditia de heteroscedasticitate.
Analizam seria de date cu ajutorul testului ARCH .
32
Ipotezele testului ARCH
H0 : seria este homoscedastica
H1 : seria este heteroscedastica
Pentru modelul de netezire H-W am obtinut un coeficient Alpha de 0.43 si un coeficient Beta
de 0. In cele ce urmeaza, am realizat graficul distributiei valorilor dupa aplicarea modelului H-W
sesonal pe seria de date initiala Volume.
33
Figura 41 - Graficul seriei Volume dupa netezire
34
Testul Dickey-Fuller (Unit Root Test)
Dacă | tcalc | > | t critic |, respingem și acceptăm că seria este staționară
Dacă | tcalc | <| t critic |,, acceptăm , adică faptul că seria este nestaționară
Valoarea calculată pentru statistica τ este -0.506, care în valoare absolută este mai mică
decât valorile critice. Nu putem respinge ipoteza nulă, că există o rădăcină unitară, deci seria
volumsm este nestaționară, ceea ce înseamnă că modelul nu este valid.
35
In concluzie, dupa testarea celor 3 modele, SARIMA, H-W no seasonal si H-W additive,
putem afirma faptul cad oar un singur model este valid si anume doar modelul SARIMA.
36
Figura 45 - Grafic previzionare
Bonitatea previziunii
Grupul de indicatori:
Bias Proportion trebuie sa fie cât mai mic -în cazul nostru este mic (0,35)
Variance Proportion cât mai mic -în cazul nostru este destul de mare (0,64)
Covariance Proportion cât mai mare -în cazul nostru este foarte mic (-0.000)
Din datele de mai sus, nu pare sa existe o legatura foarte buna intre valori si previziuni.
37
Aplicatia 3
Sa se investigheze natura relatiei dintre variabile pe baza:
-analizei de cointegrare;
-modele VAR/VECM;
-Teste de cauzalitate Granger.
1. CONTINUT TEORETIC
1.1Literatura de specialitate
Prognozele realizate pe baza modelului VAR sunt de obicei foarte flexibile. In plus fata
de caracterizarea datelor si previziunea acestora, modelul se utilizeaza si pentru analiza
politicilor si inferente structurale. Intr-o analiza structurala, se regasesc anumite ipoteze
referitoare la structura datelor analizate si sunt descrise de asemenea, impacturile cauzate de
unele inovatii sau socuri imprevizibile asupra variabilelor din model .
Modelul VAR se aplica asupra seriilor de date constant, ca nu sunt cointegrate.Modelul
initial VAR a fost actualizat prin implementarea unui element de corectie a erorii (EC – Engle
Granger 1987) formandu-se astfel un nou model recunoscut sub denumirea de vector de corectie
a erorii “VECM”
Procesul de cointegrare constituie proprietatea a doua sau mai multe serii temporale
prin care acestea prezinta acelaşi trend stohastic pentru un termen lung de timp.
Metodologia econometrică ce este folosita în analiza ce urmează este cea a vectorului auto-
regresiv (VAR).
38
In acest studiu, am luat in considerare cele 2 serii de date si anume prețul de închidere al
acțiunilor și volmul acțiunilor tranzacționate la bursă pentru compania aleasa, analizand astfel
natura relatiei dintre cele doua serii.
Pentru a analiza cointegrarea seriilor de date, se parcurg urmatoarele etape:
Etapa 1 : Verificarea sezonalitatii seriilor de date.
Etapa 2 : Aplicarea testului Dickey-Fuller in vederea testarii stationaritatii seriilor. In
cazul in care valoarea testului calculat este mai mare decat valorile ce corespund pragurilor de
semnificatie (1%,5% si 10%) rezulta ca seria este nestationara si este necesara diferentierea
aceseia.
Etapa 3 : Estimarea modelului VAR
Se disting 2 cazuri:
b) Seriile sunt nestationare. In acest caz, seriile nu sunt integrate si se va realiza diferenta
acestora.
Nestationarea se caracterizeaza prin aparitia a cel putin unei radacini unitare in reprezentarea
vectorului autoregresiv.
39
2. CONTINUT APLICATIV
Seriile de date pe care le vom analiza sunt Adj_close si Volume ce reprezinta valoarea de
inchidere a unei actiuni, şi respectiv, volumul de acţiuni tranzacţionate.
40
Pentru inceput vom testa stationaritatea folosind testul de stationalitate Augumented Dickey-
Fuller (ADF), dar ne vom folosi si de grafice si corelograme.
ANALIZA STATIONARITAII
~Volume~
Prin aplicarea testului ADF am observat ca seria de date este nestationara, intrucat
valoarea t calc in modul este mai mica ca cele 3 valori critice ce corespund unor praguri de
seminficație 1% , 5% și 10%.
~Adj_close~
41
● Grafic
Figura 48-Grafic.Adj_close
Putem oberva si din grafic ca seria de date nu este stationara intrucat nu exista trend. Acest
lucru il vom verifica si cu ajutorul corelogramei.
●Corelograma
42
Figura 50-Testul Dickey-Fuller
ANALIZA DE COINTEGRARE
43
In pasul precedent am observat ca ambele serii de date sunt nestationare, asadar putem
face analiza de cointegrare. Prin urmare, doua serii de date nestationare ce formeaza o
combinatie liniara stationara sunt cointegrate.
44
Figura 54-Testul de cointegrare Johansen
Valorile „Eigenvalue” din test ne arata nivelul de cointegrare, daca valorile acestuia sunt mai
mici ca 0,05 atunci avem cointegrare, altfel nu exista cointegrare.
Eigenvalue: 0,12 > 0,05 → nu exista cointegrare
0,02 < 0,05 → exista cointegrare
Trace statistic: 24,05 ∉ [0,12 – 14,26] → exista cointegrare
4,17 ∉ [0,02] –[ 3.84] → exista cointegrare
Asa cum observam si in output-ul eViews, intre cele doua serii de date exista cointegrare
de ordinul I, cu un nivel de incredere de 0.95%.
MODELE VAR/VECM
45
●VECM
● VAR
46
Figura 55-Vector Autoregression Estimates
47
Din testul de cauzalitate Granger reiese că volumul influențeaza pretul de inchidere, dat fiind
probabilitatea testului 0,03< 0,05.
Bibliografie
http://www.jaqm.ro/issues/volume-3,issue2/pdfs/dobre_alexandru.pdf
The Box-Jenkins Methodology for Time Series Models, Theresa Hoang Diem Ngo, Warner Bros.
Entertainment Group, Burbank, CA
https://ncss-wpengine.netdna-ssl.com/wp-content/themes/ncss/pdf/Procedures/NCSS/The_Box-
Jenkins_Method.pdf
48
Anon., 2017. Modele VAR si modele VECM. [Interactiv] Available at:
http://www.scritub.com/tehnica-mecanica/Modele-VAR-si-modele-VECM32951.php [Accesat 17
May 2017].
https://finance.yahoo.com/
https://en.wikipedia.org/wiki/Vector_autoregression
http://bit.ly/2qsu8Gu
49