ACADEMIA DE STUDII ECONOMICE DIN BUCURESTI

FACULTATEA DE CIBERNETICA, STATISTICA SI INFORMATICA ECONOMICA

PROIECT SERII DE TIMP

Analiza comparativa dintre volumul actiunilor
tranzactionate la bursa si pretul de inchidere pentru compania
MICROSOFT

-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

Proiectul vizeaza studiul unei analize comparative dintre pretul de inchidere si

volumul actiunilor tranzactionate la bursa pentru compania Microsoft. Am ales să analizăm
datele lunare din anul 2004, pana in anul 2017, astfel putem urmări evoluția companiei din
perspectiva acestor indicatori. Motivul principal pentru care am hotarat sa realizam o cercetare
asupra companiei este acela ca Microsoft a devenit una dintre cele mai mari firme ale căror
cotaţii la bursă sunt intens urmărite pe Wall Street iar milioane de investitori îi urmăresc cu
rigurozitate activitatea zilnică. Astfel, prin intermediul acestui proiect, analizam parcursul
companiei nu doar pe o perioada in care aceasta a cunoscut o devoltare foarte mare, ci pe o
perioada mai mare de timp, tocmai pentru a contura decizia unei viitoare investitii in actiunile
companiei.
Datele utilizate au fost preluate de pe site-ul https://finance.yahoo.com. Am folosit date
lunare pentru cele doua serii de date (prețul de închidere al acțiunilor și volmul acțiunilor
tranzacționate la bursă) analizand 160 de observatii. De asemenea, pentru realizarea acestui
proiect a fost utilizata aplicatia Eviews8.

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

Să se modeleze seria de timp utilizând metodologia Box-Jenkins, cu analize

descriptive preliminare asupra seriei (statistici elementare, grafice), să se facă previziuni pe
modelul valid, să se analizeze bonitatea previziunii și să se interpreteze economic
rezultatele.
1. CONTINUT TEORETIC

1.1 Literatura de specialitate

Cartea ‘Box and Jenkins’ [‘Box and Jenkins’, 1970, Vol.13 No.3] publicată de Keith
Willian Hipel,Willian C. Lennox, Angus Ian McLeod ofera informații despre analiza seriilor, in
care se regasesc modele stochastice liniare, care fac referire la modelele Box-Jenkins sau mai
poarta denumirea de ARIMA. Această lucrare reprezinta un punct de plecare in efectuarea
numeroaselor cercetari, ca de exemplu lucrarea de pionierat a lui Yule din 1927.
Incepand cu anul 1970 s-au efectuat numeroase progrese teoretice, dar și tehnici de aplicare
în modelarea Box-Jenkins si ARIMA. In articolul lui McLead [McLead et al. ,part 2, 1977] este
descisa ideea conform careia metodele caracterizate prin progrese teoretice si tehnice sunt
eficiente pentru utilizarea actuala in analiza seriilor de timp.

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.

Reprezinta un proces iterativ, deoarece pe măsură ce se dobandesc informații noi în

timpul verificării modelului, se poate reveni la pasul 1 și se pot îngloba în noile clase.
In orice tip de model stochastic, este recomandat ca atunci cand se aplica metoda Box-
Jenkins ca cei 3 pasi enumarati mai sus sa fie respectati.

1.2 Metodologia cercetarii

Scopul studiului realizat de noi il constituie modelarea, prin metodologia Box-Jenkins a

seriei de timp formată din preturile de inchidere a companiei Microsoft.

Pentru a putea prelucra o serie de timp prin intermediul procedurii Box-Jenkins se

parcurg următorele etape :
Etapa 1. Verificarea seriei din punct de vedere al stationarii acesteia

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

Etapa 4. Realizarea previziunilor

2. CONTINUT APLICATIV

2.1 Date utilizate

Se consideră seria de date ce conține valoarea companiei Microsoft, tranzacționate la bursă.

5
 Figura 1-„Date inițiale-Prețul de închidere”

Figura 2-“Sezonalitate date ”

Din graficul de mai sus se observă că seria nu prezintă sezonalitate.

6
 2.2 Rezultatele cercetarii

Pașii aplicării procedeului Box-Jenkins :

Pas 0-„Verificare staționaritate+staționarizare”: Se studiază proprietatea de staționaritate a
seriei.Se calculează ACF şi PACF pentru a stabili dacă seria este staţionară.
 Definiții
Seria nestaționară se bazează pe tendințe de creștere sau de descreștere, ceea ce face ca
media șirurilor valorilor să aibă valori diferite, în funcție de momentul la care considerăm că
debuteaza seria.
Seria staționară reprezintă o serie in care media, dispersia și autocovarința (la diferite
decalaje)sunt egale, indiferent de momentul la care sunt măsurate.
 Grafic
Am realizat un grafic de tip „Line”din care putem observa ca valorile cresc,tendința fiind
deci de creștere.

Figura 3-“Distribuția prețului”

 Corelogramă

7
 Figura 4-“Corelogramă date inițiale”

Din corelograma de mai sus observăm că la lagul 1 are un coeficient de autocorelație cu o

valoare foarte mare (0.98), scăzând treptat, ajungând la ultimul lag(36) cu o valoare de 0.348.
Deci, coeficienții de autocorelație descresc lent, ceea ce însemnă ca avem de-a face cu o serie
nestaționară.
 Logaritmarizare
O modalitate prin care se poate staționariza seria este logaritmarizarea.Am logaritmat
seria prin intermediul ferestrei de comandă.

 Grafic

8
 Figura 5-“Distribuție serie nestaționarizată”

Se observă că după logarimare seria de date are în continuare o distribuție cu tendințe de

creștere.

 Corelogramă

9
Figura 6-“Corelogramă serie logaritmată”

Din corelograma de mai sus observăm că la lagul 1 are un coeficient de autocorelație cu o

valoare foarte mare (0.96), scăzând treptat, ajungand la ultimul lag(36) cu o valoare de 0.181.
Deci, coeficienții de autocorelație descresc lent, ceea ce însemnă ca avem de-a face cu o serie
nestaționară.
 Testul UNIT-ROOT
H0 : seria are rădăcină unitate(este nestaționară)
H1 : seria este staționară

10
 Figura 7-“Output test”

Prob*=0.97>0.05=>Se accepta H0=>seria ladj_close este nestaționară(de asemenea

2
R este foarte mic).

 Staționarizare prin diferențiere

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

Figura 8-“Grafic date cu diferențiere”

Se observă că seria nouă de date în urma diferențierii are valori lineare,staționare.

 Corelogramă

Figura 9-“Corelogramă date cu diferențiere”

Se poate verifica staționaritatea și din valorile corelogramei.În figura de mai sus

se observă că valorile sunt în jurul lui 0,ceea ce face ca seria analizată să fie staționară.

12
  Testul Unit-Root

Figura 10-“Test unit-root”

Prob*=0.00<0.05=>se respinge ipoteza H0=>se accepta ipoteza H1=>seria este

stationara.

Pas 1-“Identificarea modelelor potentiale”(ARIMA/ARMA) pe baza corelogramei seriei

staționarizate.
 Pe baza corelogramei ultimei serii:
 pe prima coloană,corespunzatoare coeficienților de autocorelație(ACF) remarcăm
o singură valoare care depășește intervalul punctat indicând un model de medie
mobilă de ordin 1-MA(4),aproape depăseste în MA(28) și în MA(15).
 pe coloana corespunzătoare PACF depistăm o valoare a funcției care depășește
intervalul punctat ceea ce duce la un model autoregresiv de ordinal 1-
AR(4),aproape depășind și în AR(28) și în AR(15).
 Modele autoregresive
 AR(4)-ls dladj_close C ar(4)

13
 Figura 11-“Model AR(4)”

 MA(4)-ls dladj_close C ma(4)

Figura 12-“Model MA(4)”

14
  ARMA(4,4)-ls dladj_close C ar(4) ma(4)

Figura 13-“Model ARMA(4,4)”

Chiar dacă în corelograma,pe lagul 4, depășește cel mai mult intervalul,modelele

AR,MA,respectiv ARMA nu sunt semnificative,au un F-statatistic mai mare decat 0,05,deci
modelele nu sunt valide.
 AR(28)-ls dladj_close C ar(28)

Figura 14-“Model AR(28)”

15
  MA(28)-ls dladj_close C ma(28)

Figura 15-“Model MA(28)”

 ARMA(28)-ls dladj_close C ar(28) ma(28)

Figura 16-“Model ARMA(28)”

Chiar dacă în corelograma,pe lagul 28,depășește cel mai mult intervalul,modelele

AR,MA,respectiv ARMA nu sunt semnificative,au un F-statatistic mai mare decat 0,05,deci
modelele nu sunt valide.

16
 AR(15)-LS DLADJ_CLOSE C AR(15)

Figura 17-“Model AR(15)”

 MA(15)-LS DLADJ_CLOSE C MA(15)

Figura 18-“Model MA(15)”

17
  ARMA(15)-LS DLADJ_CLOSE C AR(15) MA(15)

Figura 19-“Model ARMA(15,15)”

Pentru lagul 15,doar modelul ARMA este valid,are un F-statistic foarte mic<0,05.

Pas 3-„Tabel comparativ al modelelor estimate”

Se alege cel mai bun model,în funcție de 3 criterii: R2 sa fie maxim,AIC(Akaike Info
Criterion) si SC(Schwarz Criterion) să fie minim(criterii prioritare).

R2 Akaike Info criterion Schwarz criterion

AR(4):0,032 -2,57 -2,51
MA(4):0,032 -2,57 -2,51
ARMA(4,4):0,032 -2,56 -2,48
AR(28):0,026 -2,56 -2,50
MA(28):0,025 -2,56 -2,50
ARMA(28,28):0,026 -2,55 -2,47
AR(15):0,017 -2,55 -2,50
MA(15):0,014 -2,55 -2,49
ARMA(15,15):0,0985 -2,58 -2,50
Tabel 1-“Tabel comparative modele”

Analizând estimările paramterilor modelelor autoregresive de mai sus, din punct de

vedere al criteriilor enuntate mai sus,tipul modelului este ARMA(15,15).
 Se testează caracteristicile modelului optim estimat.

18
 Testarea autocorelarii
Testarea autocorelării reziduurilor se realizează cu corelograma reziduurilor Q-statistics
(View->Residual Diagnostics->Correlogram-Q-statistics).

Figura 20-“Corelograma Q-statistics”

Reziduurile q-statistics sunt nesemnificative pentru toate lag-urile neindicând nicio

corelație semnificativă între reziduri, ceea ce înseamnă că avem zgomot alb,aproximativ 95%
dintre coeficienti nu sunt statistici semnnificativi=>rezidurile nu sunt autocorelate,sunt
independente.
Testarea heteroscedasticității
Se realizează prin intermediul testului ARCH.
H0:Rezidurile sunt homoscedastice(variabile constante).
H1:Rezidurile sunt hetereoscedastice.

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.

Figura 23-“ Validitate model previzionat”

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

Pentru seriile caracterizate de sezonalitate, se va modela seria utilizand modele

SARIMA si modele de netezire exponentiala(H-W, seasonal H-W). Se vor compara
modelele si pe baza modelului validat se vor face previzuni cu interpretarea economica a
rezultatelor.

1. CONTINUT TEORETIC

1.1 Literatura de specialitate

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.

- Modelul ARMA (k,m) sau ARIMA (k,0,m).

Se aplica atunci cand depinde si de un numar de erori care au fost inregistrate anterior.

- Modelul ARIMA extins (k,d,m). Se utilizeaza pe seriile non-stationare( care prezinta

trend) . Acest model presupune calculul diferentelor de ordin 1, iar apoi aplicarea unui
model (k,m).

- Aceste modele pot fi ajustate in functie de sezonalitate, constituind astefel modelele

SARIMA(k,d,m)

Metoda Holt-Winters de netezire exponentiala

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

Ecuatia are forma : , unde nivelul seriei este reprezentat de ,

panta dreptei de tendinta o reprezinta iar este componenta sezoniera.
Coeficientii de sezonalitate sunt estimati cu ajutorul metodei de raportare la mediile

mobile: , ,...., .
Se tine de asemenea cont de conditia de minimizare a erorilor de previziune.

- Modelul aditiv

Previziunile sunt facute in baza ecuatiei de forma:

In acest caz, pentru a se initialize coeficientii de sezonalitate, se aplica metoda raportarii la

mediile mobile,in varianta aditiva : , ,…..,

1.2 Metodologia cercetarii

Pentru estimarea modelului SARIMA, am considerat seria de date formata din

volumul acțiunilor firmei Microsoft, tranzacționate la bursă

Procedura care identifica un model ARIMA cu sezonalitate este descrisa in urmatoarele

etape :

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

2.1 Date utilizate

Pentru a determina modelul SARIMA, primul pas este analiza stationaritatii seriei de
date considerată care reprezintă volumul acțiunilor firmei Microsoft, tranzacționate la bursă.

Figura 24 – “Seria de date Volume”

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.

2.2 Rezultatele cercetarii

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).

Ipoteza de rădăcină unitară-Unit Root

H0 : seria are rădăcină unitară si este nestationară
H1 : seria este staționară

Testul Dickey-Fuller (Unit Root Test)

Dacă | t calc | > | t critic |, respingem și acceptăm că seria este staționară
Dacă | t calc | <| t critic |, acceptăm că seria este nestaționară

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:

Figura 29-“ Seria L_volume”

27
Graficul corespunzator seriei logaritmate L_volume este:

Figura 30-“Graficul seriei L_volume”

La fel ca si seria initiala, L_volume logaritmata inca prezinta sezonalitate. Verificam

corelograma acesteia si aplicam din nou testul Dickey Fuller, de data aceasta pentru seria logaritmata.

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.

Pentru a staționariza seria vom aplica operatorul de diferentierea de ordin I, series

Dvolume=D(volume), in urma caruia am obtinut urmatorul grafic:

Figura 33 –“Graficul seriei diferentiate Dvolume”

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.

Alegerea celui mai bun model SARIMA

Figura 36 - Cel mai bun model SARIMA

30
Modelul SARIMA va porni de la urmatoarea ecuatie: ls dvolume ar(1) ma(2) sma(12)

Tabel 2 - modele SARIMA

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.

Testarea validității modelului

Dupa analiza celui mai bun model SARIMA, observam ca parametrii modelului sunt
foarte mici si modelul este valid datorita probabilitatii asociate lui F-statistics care are valoare 0
in comparatie cu riscul acceptat de 5%.
Testarea autocorelarii erorilor

Figura 37 -Corelograma reziduurilor

31
Testul se bazează pe analiza corelogramei reziduurilor si formuleaza doua ipoteze:
H0: erorile nu sunt autocorelate

H1: erorile sunt autocorelate

Conform rezultatelor obtinute, ACF și PACF nu prezintă fluctuații semnificative si

probabilitățile sunt mai mari de 0.05, in acest caz reziduurile o-statistics sunt nesemnificative
pentru toate lag-urile neindicand nici o corelatie semnificativa intre reziduuri. Astfel, spunem ca
avem zgomot alb.

Testarea homoscedasticitatii seriei de reziduuri

Analiza heteroscedasticității cu corelograma pătratelor reziduurilor:

Figura 38 - Corelograma patratelor reziduurilor

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

Conform rezultatelor din figura, observam

ca valoare lui p=0.2638 care este mai mare
decat 5%, in acest caz putem accepta ipoteza
nula si sa o respingem pe cea alternativa.
Astfel, spunem ca variatia erorilor este
constanta si seria noastra este homoscedastica.

Figura 39-Testul ARCH

Modelul de netezire exponențială Holt –
Winters

a. Holt – Winters no seasonal

Figura 40- Modelul Holt-Winters

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

Testarea validității modelului

Figura 42-Testul Dickey-Fuller pentru seria VolumeSM

Ipoteza de rădăcină unitară-Unit Root

H0 : seria are rădăcină unitară si este nestationară
H1 : seria este staționară

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.

b. Holt – Winters Additive

Pentru modelul de netezire H-W am

obținut un coeficient Alpha de 0.30, un
coeficient Beta de 0 si un coeficient Gamma
de 0.
.

Valoarea calculată pentru statistica

τ este -2.175, 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.

Figura 43 - Testul Dickey-Fuller dupa netezirea 2

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.

Previzionarea seriei pe modelul valid- SARIMA

Modelul nostru este realizat pentru

datele din perioada 2004M1 – 2017M04 și
dorim să previzionăm volumul acțiunilor
pentru perioada 2017M05 – 2020M05. Testul
s-a bazat pe analiza corelogramei reziduurilor,
iar valorile probabilitatior s-au dovedit a fi mai
mari de 0.05, concluzionand ca modelul este
valid.

Figura 44 - Modelul valid SARIMA

36
 Figura 45 - Grafic previzionare

Bonitatea previziunii

Evaluarea bonităţii previziunii este dată de indicatorii:

 Mean Abs. Percent Error acesta trebuie să aibă o valoare cât mai mica
-în cazul nostru are o valoare mare (87.90310)

 Coeficientul Theil cu valori in (0,1)

-în cazul nostru este mai apropiat de 1 decât de 0 (0,71). Modelul ar fi avut o
ajustare bună dacă valoarea acestui indicator ar fi fost mai apropiat de 0 .

 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

Modelul VAR reprezinta un model econometric utilizat in captarea interdependențele liniare

între 2 sau mai multe serii de timp. Cristopher Sims este cel care a propus analiza de tip
autoregresiv (VAR) în studiile si lucarile macro-economice.
Modelul de autoreglare vectoriala (VAR) se numara printre cele mai flexibile si usor de
folosit in analiza seriilor multivariate. Variabilele cuprinse în analiza sunt variabile endogene, cu
alte cuvinte sunt modelate împreună, astfel se stabilesc relaţii cauzale intre ele. Fiecare variabila
are o ecuatie care demonstreaza evolutia sa in raport cu propriile valori intarziate, ramase de la
celelalte variabile dar si a termenului de eroare. Utilitatea mdelului VAR este recunoscuta in
special in prezentarea comportamentului dinamic al seriilor de timp financiare, economice si de
prognoza.

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.

1.2 Metodologia cercetarii

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:

a) Seriile sunt stationare, atunci sunt implicit cointegrate.

Forma modelului VAR : Xt=A1Xt-1 + …+ ApXt-p + µ + εt

unde :

- Xt , Xt-1 ,…Xt-p sunt vectorii.

- A1….Ap constituie matricile coeficienţior de dimensiuni
- µ este vectorul termenilor liberi
- p reprezinta numărul de laguri
- εt contituie vectorul erorilor independente care au media 0 şi matricea de variant ∑ε .
Se va aplica testul Granger, unde valoarea lui F trebuie sa fie semnificatv statistica.

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.

Etapa 4 : Confirmarea sau nu a cointegrarii.

39
 2. CONTINUT APLICATIV

2.1 Date utilizate

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.

Figura 46 – Date initiale pretul de inchidere si volumul de actiuni tranzactionate

2.2 Rezultatele cercetarii

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~

● Augumented Dickey-Fuller (ADF)

Figura 47- Testul ADF

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%.

În cazul nostru, pentru pragul de semnificație de:

► 1%: valoarea critcă este |-3,47|>|-1,94| →seria este nestaționară
► 5%: valoarea critcă este |-2,87|>|-1,94| →seria este nestaționara

► 10%: valoarea critcă este |-2,58|>|-1,94| →seria este nestaționară

~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

Figura 49- Corelograma. Adj_close

Observam, de asemenea si prin intermediul corelogramei ca seria noastra de date este

nestationara, coeficientii de autocorelatie prezentand o usoara descestere.

● Augumented Dickey-Fuller (ADF)

42
Figura 50-Testul Dickey-Fuller

Figura 51-Testul Dickey-Fuller

Aplicand testul ADF am observat ca si in cazul graficului si a corelogramei, 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 de 1% , 5% și 10%.

În cazul nostru, pentru pragul de semnificație de:

► 1%: valoarea critcă este |-3,47|>|1,84| →seria este nestaționară
► 5%: valoarea critcă este |-2,87|>|1,94| →seria este nestaționara

► 10%: valoarea critcă este |-2,57|>|1,94| →seria este nestaționară

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.

Pentru aceasta vom folosi testul de cointegrare Johensen.

Figura 52-Grup serii

Figura 53-Testul de cointegrare Johansen

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

Figura 54- Vector Error Correlation Estimates

● VAR

46
Figura 55-Vector Autoregression Estimates

TESTE DE CAUZATILATE GRANGER

Figura 56-Test de cauzalitate Granger

Figura 57-Test de cauzalitate Granger

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