Sunteți pe pagina 1din 49

Academia de Studii Economice

Facultatea Finante Asigurari Banci si Burse de Valori

Serii de timp stationare

-Studiu de caz- -pe piata de capital din SUA-

PRUNDARU Mihai-Catalin,

Grupa 3, Finante Corporative, Anul 1

Bucuresti 2010

Cuprins

1.Verificarea stationaritatii

3

2. Testarea prezentei heteroscedasticitatii in date

5

3. Modele ARMA

6

3.1. Tehnici de previziune

7

4.Studiu de caz

8

4.1

Actiunea APPLE

8

4.1.1 Graficul seriei de timp

8

4.1.2 Utilizarea corelogramei functia ACF estimata

8

4.1.3 Teste ale radacinii unitate(Dickey Fuller)

11

4.1.4 Testarea prezentei ARCH

12

4.1.5 Modele ARMA

13

4.1.6 Previziune

24

4.1

Indicele S&P

28

4.1.1 Graficul seriei de timp

28

4.1.2 Utilizarea corelogramei functia ACF estimata

28

4.1.3 Teste ale radacinii unitate(Dickey Fuller)

31

4.1.4 Testarea prezentei ARCH

32

4.1.5 Modele ARMA

33

4.1.6 Previziune

47

Econometrie Serii stationare

2

In cadrul acestei aplicatii am analizat stationaritatea pentru seria randamentelor actiunilor APPLE, dar si pentru indicele pietei de capital din SUA S&P. Dupa verificarea si, daca este cazul stationarizarea seriei de timp am realizat mai multe modele ARMA alegandu- l pe cel mai bun din punct de vedere al criteriilor informationale (AIC - Akaike information criterion si SIC - Schwarz Information Criterion). In final am ales sa fac previziuni pentru cele doua serii de timp. Esantionul cuprinde 702 inregistrari statistice, aferente perioadei 02.01.2008 14.10.2010.

1. Verificarea stationaritatii

A. Utilizarea corelogramei functia ACF estimata Se poate construi un interval de incredere 95% ( eroare 5%) pentru fiecare din

coeficientii de autocorelatie j de forma ( 1,96 1 ; 1,96 1 ), folosind expresia = 1

pentru abaterea standard. Rezultatul teoretic important exprimat de propozitia anterioara ne ajuta sa verificam daca, statistic, coeficientii de autocorelatie calculati pentru diverse lag-uri sunt sau nu egali cu zero. Putem fundamenta testul de semnificatie cu ipotezele numa si alternativa urmatoare :

H 0 : j = 0

H 1 : j 0.

Daca coeficientul de autocorelatie estimat j nu apartine intervalului ( 1,96

1 ; 1,96 1 ), atunci ipoteza nula este respinsa si decidem ca seria de timp nu provine

dintr-un zgomot alb Gaussian. In forma de mai sus, intervalele de incredere 95% nudepind de lag. Acest aspect nu este natural, in special, pentru lag-urile apropiate de final. O corectie adecvata este obtinuta

prin inlocuierea variatei s j 2 = 1 prin valoarea s j 2 =

+2) in descrierea intervalelor de

(

incredere.

De exemplu, intervalul de incredere 95% pentru coeficientul de autocorelatie j

este (1,96

( +2)

; 1,96

( +2) ).

Uneori este necesar sa testam ipotea conform careia mai multi coeficienti de autocorelatie sunt concomitent nuli. Presupunem ca vom considera m asemenea coeficienti. Avem perechea de ipoteze :

H 0 : 1 = 2 =

= m = 0 ;

H 1 : j 0. Pentru un j dintre cei m;

Econometrie Serii stationare

3

Pentru acest test se foloseste staistica Q =

grade de libertate.

Decizia este urmatoarea :

=1

2

ce urmeaza o repartitie 2 cu m

-

Daca valoarea a statisticii este mai mica decat valoarea critic 2 (m) nu putem respinde ipoteza nula, prin urmare acceptam ca rezidurile provin dintr-un “zgomot alb”

-

Daca valoarea a statisticii este mai mare decat valoarea critic 2 (m) atunci suntem in regiunea de respingere a ipoteei nule, prin urmare despre reziduri putem afirma ca nu provin din zgomot alb.

B.

Teste ale radacinii unitate(Dickey Fuller)

Se presupune seria de timp {y t }cu valorile ei observate la fiecare moment de timp. Pentru a verifica daca seria este sau nu stationara folosim teste ale radacinii unitate. Putem folosi relatiile y t = * y t-1 + a 1 *∆y t-1 + e t care aplicate pentru valorile seriilor de timp

analizate nu reprezinta decat ecuatiile de regresie ale unui model liniar. Variabila dependenta este data de diferentele de ordinul 1 intre valorile seriei, iar variabilele dependente sunt diferentele de ordinul 1 intarziate cu un moment de timp si valorile intarziate ale seriei.

Ipotezele sunt :

H 0 : = 0 - seria este nestationara, are o radacina unitate,

H 1 :   0 seria este stationara.

Statistica folosita pentru luarea deciziei este statistica τ , repartitia ei fiind studiata de Dickez si Fuller. Decizia in testele DF este asemanatoare celei din testul t de semnificatie pentru un coeficient din modelul de regresie, doar ca aici statistica testului t este inlocuita cu statistica τ, astfel:

Daca < , suntem in zona de respingere a ipotezei nule, adica seria de timp analizata este stationara.

Daca > , suntem in zona de acceptare a ipotezei nule, adica seria de timp nu este stationara.

Econometrie Serii stationare

4

O consecinta a nestationaritatii este regresia falsa, data de faptul ca seriile de timp nestationare pot determina concluzii statistice neconforme cu realitatea. Punem in evidenta toate regulile de validare, prezenta unei dependente liniare intre doua variabile observate prin serii de timp, variabile care de fapt nu sunt dependente.

2. Testarea prezentei heteroscedasticitatii in date- Testul ARCH LM (Maximum Likelihood)

Pasul 1. Se estimeaza parametrii din modelul liniar de regresie multipla (sau unui alt model de tip estimare a mediei):

y

t

x  x e t

0

1

t

,1

k

t k

,

t

si salvam reziduurile

r

1

,

r

2

,

,

r

T

.

1,2,

,

T

Pasul 2. Folosim modelul de regresie

r

t

2

  r

0

1

t

2

1

 

r

q t

2

q

v

t

t

1,2,

,

T

unde

v

t

este termenul eroare (presupus normal de medie 0).

Pasul 3. Testam ipoteza nula:

H

0

:

1

cu alternativa

0 si

2

0 si

q

0

H 1 : macar unul dintre coeficienti este diferit de zero.

Econometrie Serii stationare

5

3.

Modele ARMA

ARMA(p,q): = 1 1 + +

+ + 1 1 + +

AR(p): = 1

1 + +

MA(q): = 1 1

+ +

Procedura de estimare a unui model ARMA cuprinde urmatorii pasi:

1. Testarea stationaritatii seriei. Daca este stationara se trece la pasul trei, daca nu se parcurg

cerintele pasului urmator.

2. Se stationarizeaza seria de date prin diferentiere. Marea majoritate a seriilor nestationare

sunt integrate de ordinul 1, I(1), asa ca seria se stationarizeaza prin prima diferenta.

3. Pe baza coeficientilor de autocorelatie (functiei de autocorelatie) si a coeficientilor de

corelatie partiala (functiei de autocorelatie partiala) se determina modelele autoregresive de start pentru analiza seriei de date. Astfel, daca exista o valoare a lui h egala cu q incepand de la care valoarea functiei de autocorelatie scade brusc catre zero, atunci pentru prelucrarea seriei se foloseste un proces MA(q) sau un proces ARMA ce cuprinde o componenta MA(q). In cazul in care valoarea functiei de autocorelatie partiala scade instantaneu catre zero, incepand cu o valoare a decalajului egala cu p, atunci se recomanda ca seria de timp sa fie prelucrata prin intermediul unui proces AR(p) pur sau printr-un proces ce cuprinde si aceasta componenta.

4. Se estimeaza parametrii modelelor ARMA.

5. Se testeaza caracteristicilor modelelor autoregresive ce au fost estimate in etapa anterioara.

Astfel se verifica daca coeficientii modelului sunt semnificativi (diferiti de zero) din punct de vedere statistic, autocorelarea reziduurilor regresiei, proprietatea de homoscedasticitate, stabilitatea parametrilor si caracteristicile distributiei rezidurilor.

6. Se alege cel mai potrivit model folosind diverse criterii de analiza. Astfel, se alege modelul care are valoarea cea mai mare pentru R 2 ajustat sau valoarea cea mai mica pentru varianta sau dispersia reziduurilor. De asemenea se alege modelul care are valorile cele mai mici pentru criteriile informationale (Akaike, Schwartz).

7. Pe baza modelului selectat se fac diverse analize si prognoze.

Econometrie Serii stationare

6

3.1 Tehnici de previziune

Pentru ca folosim tehnica de previzionare ex-post, am redefinit esantionul, folosind

450 de observatii, pentru a previziona restul datelor pana la 500.

Constructia previziunii : T reprezinta originea previziunii, iar T+1, T+2,

pasii de previziune. Cu h notam pasul previziunii.

Indicatori ai bonitatii previziunii:

MSE (mean squares error)

1

=

= +1

2

T-p reprezinta numarul valorilor previzionate

RMSE (root mean squares error)

=

1

= +1

2

MAE (mean absolute error)

1

=

= +1

MAPE (mean absolute percentage error)

Econometrie Serii stationare

=

1

= +1

reprezinta

7

4.

Studiu de caz pe piata de capital din SUA

4.1 Actiunea APPLE 4.1.1 Graficul seriei de timp AAPL .15 .10 .05 .00 -.05 -.10
4.1 Actiunea APPLE
4.1.1 Graficul seriei de timp AAPL
.15
.10
.05
.00
-.05
-.10
-.15
-.20
100
200
300
400
500
600
700
AAPL

4.1.2 Utilizarea corelogramei functia ACF estimata

400 500 600 700 AAPL 4.1.2 Utilizarea corelogramei – functia ACF estimata Econometrie – Serii stationare

Econometrie Serii stationare

8

Coeficientii de autocorelatie estimati sunt, pentru primele 5 lag-uri : -0,023 ; -0,054 ; 0,029 ; 0,095 si 0,008. Se oberva faptul ca valorile coeficientilor de autocorelatie sunt mici apropiate de zero, indicand corelatii slabe uneori aproape inexistente pentru toate intarzierile. Se poate construi un interval de incredere 95% ( eroare 5%) pentru fiecare din

coeficientii de autocorelatie j de forma ( 1,96 1 ; 1,96 1 ), folosind expresia = 1

pentru abaterea standard. Rezultatul teoretic important exprimat de propozitia anterioara ne ajuta sa verificam daca, statistic, coeficientii de autocorelatie calculati pentru diverse lag-uri sunt sau nu egali cu zero. Putem fundamenta testul de semnificatie cu ipotezele nula si alternativa urmatoare :

H 0 : j = 0

H 1 : j 0.

Daca coeficientul de autocorelatie estimat j nu apartine intervalului ( 1,96

1 ; 1,96 1 ), atunci ipoteza nula este respinsa si decidem ca seria de timp nu provine dintr-

un zgomot alb Gaussian. I = (-0,07403 ; 0,07403) este intervalul de incredere 95%

Lag 1 : -0,023(-0,07403 ; 0,07403), ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 1 este zero.

Lag 2 : -0,054(-0,07403 ; 0,07403), ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 2 este zero.

Lag 3

: 0,029

(-0,07403 ; 0,07403)

, ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 3 este zero.

Lag 4 : 0,095 (-0,07403 ; 0,07403), ipoteza nula este respinsa , iar

coeficientul de corelatie estimate pentru lagul 4 nu este zero

Lag 5

: 0,008

(-0,07403 ;

0,07403),

ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 5 este zero.

In forma de mai sus intervalele de incredere 95% nu depend de lag. Acest aspect nu este natural, in special pentru lag-urile apropiate de momentul final T. O corectie in acest sens

este obtinuta prin inlocuierea variatei s j 2 = 1 prin valoarea s j 2 =

+2) in descrierea

(

Econometrie Serii stationare

9

intervalelor de incredere.

De exemplu, intervalul de incredere 95% pentru coeficientul de

autocorelatie j este (1,96

( +2)

; 1,96

( +2) ).

Lag 1 : -0,023(-0,07387 ; 0,07387), ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 1 este zero.

Lag 2 : -0,054(-0,073817 ; 0,073817), ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 2 este zero.

Lag 3 : 0,029 (-0,073764 ; 0,073764) , ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 3 este zero.

Lag 4 : 0,095 (-0,073712 ; 0,073712), ipoteza nula este respinsa , iar

coeficientul de corelatie estimate pentru lagul 4 nu este zero

Lag 5 : 0,008 (-0,073659 ; 0,073659), ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 5 este zero.

Uneori este necesar sa testam ipoteza conform careia mai multi coeficienti de

autocorlatie sunt concomitent nuli. Presupunem ca vom considera m asemenea coeficienti.

Avem perechea de ipoteze :

H 0 : 1 = 2 =

H 1 : j 0. Pentru un j dintre cei m;

= m = 0 ;

ce urmeaza o repartitie 2 cu m

grade de libertate. 2 critic pentru esantionul de 701 observatii si o probabilitate de 5% este :

763,7046.

Q AAPL pentru m=36 are o valoare de 54,56. Cum valoarea a statisticii este mai mica decat valoarea critica 2 nu putem respinde ipoteza nula, deci prin urmare acceptam ca rezidurile provin dintr-un white noise.

Pentru acest test se foloseste staistica Q =

=1

2

Econometrie Serii stationare

10

4.1.3 Teste ale radacinii unitate(Dickey Fuller)

In

cadrul

testelor

radacina

unitate

pentru

verificarea

stationaritatii

seriei

randamentelor actiunii AAPL perechea de ipoteze care se foloseste este urmatoarea:

H 0 : seria este nestationara, are o radacina unitate,

H 1 : seria este stationara.

Decizia in testul DF este la fel ca si in cazul testului t-Student de semnificatie pentru

coeficientul modlului de regresie, doar ca aici statistica folosita este statistica τ.

Null Hypothesis: AAPL has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=19)

t-Statistic

 

Prob.*

Augmented Dickey-Fuller test statistic

 

-

 

27.18184

0.0000

Test critical values:

1% level

-

 

3.439464

 

5% level

-

 

2.865452

 

10% level

-

 

2.568910

*MacKinnon (1996) one-sided p-values.

 

Augmented Dickey-Fuller Test Equation Dependent Variable: D(AAPL) Method: Least Squares

Date: 01/12/11

Time: 20:10

Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints

 

Variable

Coefficient

Std.

t-Statistic

Prob.

 

Error

AAPL(-1)

-1.022702

0.037624

-

0.0000

 

27.18184

C

0.001134

0.001028

1.102837

0.2705

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.514216

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.000119

0.513520

0.038980

0.027188

-4.369225

0.515955

-4.356222

1531.229

738.8526

2.006811

0.000000

Econometrie Serii stationare

11

Observam valoarea = -27,18184, mult mai mica decat orice valoare critica, in

consecinta suntem in zona de respingere a ipotezei nule , deci seria randamentelor simple ale

actiunii AAPL este o serie stationara. Acest rezultat rezulta si din valoarea probabilitatii

asociate, p. Astfel, aceasta este mai mica decat cel mai restrictiv nivel de relevanta, de 1 la

suta si ca urmare, ipoteza nula seria este nestationara este respinsa.

Din outputul testului DF putem obtine si coeficienti modelului :

y t = 0,001134 1,022702* y t-1

4.1.4 Testarea prezentei ARCH folosind testul ARCH-LM

ARCH Test:

F-statistic

31.35264

Probability

0.000000

Obs*R-squared

30.09086

Probability

0.000000

Test Equation:

Dependent Variable: RESID^2 Method: Least Squares

 

Date: 01/12/11

Time: 20:31

Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints

 

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.000584

7.55E-05

7.728208

0.0000

RESID^2(-1)

0.206236

0.036832

5.599343

0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.042987

Mean dependent var

0.000737

0.041616

S.D. dependent var

0.001901

0.001861

Akaike info

criterion

-9.732411

0.002418

Schwarz criterion F-statistic Prob(F-statistic)

-9.719408

3408.344

31.35264

2.028462

0.000000

r t 2 = 0 + 1* r t-1 2 + v t

Folosim concluziile:

fiecare coeficient din regresia auxiliara este statistic diferit de zero ( p-value corespunzatoare mici);

testul F ne spune acelasi lucru pentru ansamblul coeficientilor. Deci, putem respinge ipoteza nula:

Econometrie Serii stationare

12

H

0

:

1

0 si

0

2

si prin asta acceptam ipoteza alternativa:

H 1 : macar unul dintre coeficienti este diferit de zero.

Concluzionam faptul ca avem heteroscedasticitate in date.Cea mai importanta parte a output-ului testului este prima parte care prezinta cele doua teste statistice F-Statistic si R- squared si probabilitatile asociate acestor teste. Ipoteza nula a celor doua teste este ca nu exista corelatie seriala a erorilor ecuatiei de regresie pana la lag-ul k (specificat mai sus). Daca probabilitatea asociata celor doua teste este inferioara nivelului de relevanta la care se lucreaza, atunci ipoteza nula este respinsa, deci se respinge inexistenta corelatiei seriale. In caz contrar ipoteza nula este acceptata, (nu exista corelatie seriala). Pentru actiunea AAPL putem observa ca atat probabilitatea testului F-statistic, cat si probabilitatea asociata testului si R-squared este inferioara nivelului de relevta de 5% deci putem spune ca exista termeni ARCH in date.

4.1.5 Modele ARMA

MA(1)

Dependent Variable: AAPL Method: Least Squares

Date: 01/12/11

Sample: 1 701 Included observations: 701 Convergence achieved after 7 iterations Backcast: 0

Time: 20:38

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.001004

0.001005

0.998620

0.3183

MA(1)

-0.026095

0.037812

-0.690147

0.4903

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.000593

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.001001

-0.000837

0.027313

0.027325

-4.359197

0.521904

-4.346208

1529.898

0.414705

1.984519

0.519802

Inverted MA Roots

.03

MA(1) : AAPL = 0.001003763166 + [MA(1)=-0.02609549488,BACKCAST=1]

Econometrie Serii stationare

13

160 140 120 100 80 60 40 20 0 -0.15 -0.10 -0.05 0.00 0.05 0.10
160
140
120
100
80
60
40
20
0
-0.15
-0.10
-0.05
0.00
0.05
0.10

Series: Residuals

Sample 2 701

Observations 700

Mean

1.88E-13

Median

0.000851

Maximum

0.139978

Minimum

-0.180964

Std. Dev.

0.027169

Skewness

-0.242120

Kurtosis

7.727982

Jarque-Bera

658.8256

Probability

0.000000

Jarque-Bera 658.8256 Probability 0.000000 Validitatea modelului de regresie este data de testul

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de 0,519802 si apartine intervalului (0,15; 0,85) nu putem trage o concluzie cu privire la validitatea modelului. Probabilitatea asociata coeficietului e t-1 este de 0,4903, deci nu se poate concluziona cu privire la semnificatia statistica a coeficientului. Probabilitatea asociata termenului liber este de 0,4033 si se afla in intervalul de incertitudine. R 2 are o valoare de 0,0593% .

Valoarea testului Durbi-Watson este de 1,98 , fiind apropiata de 2, de unde rezulta ca nu se confirma prezenta autocorelatiei erorilor.

In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii actiunii AAPL are media apropiata de zero, iar kurtotica are o valoare de peste 7,72 ceea ce inseamna ca aceasta distributie este leptokurtotica. Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in cercul unitate, deci MA inversabil.

Valorile criteriului informational Akaike si Shwartz sunt -4.359197 si respectiv

-4.346208

Econometrie Serii stationare

14

AR(1)

Dependent Variable: AAPL Method: Least Squares

Date: 01/12/11

Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints Convergence achieved after 3 iterations

Time: 20:40

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.001109

0.001005

1.103554

0.2702

AR(1)

-0.022702

0.037624

-0.603389

0.5464

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.000521

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.001112

-0.000911

0.027176

0.027188

-4.369225

0.515955

-4.356222

1531.229

0.364078

2.006811

0.546446

Inverted AR Roots

-.02

AR(1): AAPL = 0.001108862168 + [AR(1)=-0.02270218027]

160

140

120

100

80

60

40

20

0

Series: Residuals Sample 1 701 Observations 701 Mean -2.97E-06 Median 0.000968 Maximum 0.140381 Minimum
Series: Residuals
Sample 1 701
Observations 701
Mean
-2.97E-06
Median
0.000968
Maximum
0.140381
Minimum
-0.180939
Std. Dev.
0.027305
Skewness
-0.259362
Kurtosis
7.661932
Jarque-Bera
642.6617
Probability
0.000000
-0.1
0.0
0.1
Kurtosis 7.661932 Jarque-Bera 642.6617 Probability 0.000000 -0.1 0.0 0.1 Econometrie – Serii stationare 15

Econometrie Serii stationare

15

Validitatea modelului de regresie este data de testul

Intrucat

probabilitatea testului F-statistic este de 0,5464 si apartine intervalului (0,15; 0,85) nu putem trage o concluzie cu privire la validitatea modelului. Probabilitatea asociata coeficietului y t-1

este de 0,5464, deci nu se poate concluziona cu privire la semnificatia statistica a

coeficientului. Probabilitatea asociata termenului liber este de 0,2702 si se afla in intervalul de

incertitudine

Valoarea testului Durbi-Watson este de 2,009 , fiind apropiata de 2 rezulta ca nu se confirma prezenta autocorelatiei erorilor. In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii actiunii AAPL are media apropiata de zero, iar kurtotica are o valoare de peste 7,66 ceea ce inseamna ca aceasta

distributie este leptokurtotica. Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in cercul unitate, deci procesul AR este stationar. Valorile criteriului informational Akaike si Shwartz sunt -4.369225 si respectiv -

4.356222.

R 2 are o valoare de 0,052% .

ARMA(1;1)

Dependent Variable: AAPL Method: Least Squares

Date: 01/12/11

Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints Convergence achieved after 15 iterations Backcast: 1

Time: 20:41

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.001154

0.000978

1.179151

0.2387

AR(1)

0.285300

0.305817

0.932912

0.3512

MA(1)

-0.320720

0.304114

-1.054605

0.2920

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.002196

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.001112

-0.000667

0.027176

0.027185

-4.368045

0.515090

-4.348541

1531.816

0.767154

1.984195

0.464724

Inverted AR Roots Inverted MA Roots

 

.29

.32

ARMA(1;1): AAPL = 0.001153611019 + [AR(1)=0.2852997721,MA(1)=-

0.3207196918,BACKCAST=2]

Econometrie Serii stationare

16

160

140

120

100

80

60

40

20

0

Series: Residuals Sample 2 701 Observations 700 Mean 1.14E-06 Median 0.001068 Maximum 0.140836 Minimum -0.181119
Series: Residuals
Sample 2 701
Observations 700
Mean
1.14E-06
Median
0.001068
Maximum
0.140836
Minimum
-0.181119
Std. Dev.
0.027146
Skewness
-0.256063
Kurtosis
7.764566
Jarque-Bera
669.7648
Probability
0.000000
-0.1
0.0
0.1
Jarque-Bera 669.7648 Probability 0.000000 -0.1 0.0 0.1 Validitatea modelului de regresie este data de testul

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de 0,4647 si apartine intervalului (0,15; 0,85) nu putem trage o concluzie cu privire la validitatea modelului. Probabilitatea asociata coeficietului y t-1 este de 0,3512, deci nu putem trage o concluzie cu privire la semnificatia parametrului. Probabilitatea asociata termenului e t-1 este 0,292, si acesta aflandu-se in zona de incertutudine. Probabilitatea asociata termenului liber este de 0,2387 si se afla in intervalul de incertitudine. R 2 are o valoare de 0,2196% o vaoare destul de mica. Valoarea testului Durbi-Watson este de 1,98, fiind apropiata de 2 rezulta ca nu se confirma prezenta autocorelatiei erorilor. In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui AAPL are media apropiata de zero, iar kurtotica are o valoare de peste 7,76 ceea ce inseamna ca aceasta distributie este leptokurtotica.

Econometrie Serii stationare

17

Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in

cercul unitate, deci procesul AR este stationar, iar MA inversabil.

Valorile criteriului informational Akaike si Shwartz sunt -4.368045 si respectiv -

4.348541.

ARMA(1;2)

Dependent Variable: AAPL Method: Least Squares

Date: 01/12/11

Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints Convergence achieved after 14 iterations Backcast: 0 1

Time: 20:57

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.001115

0.000953

1.169747

0.2425

AR(1)

0.002168

0.310678

0.006978

0.9944

MA(1)

-0.024898

0.312186

-0.079754

0.9365

MA(2)

-0.050153

0.038599

-1.299320

0.1943

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.003641

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.001112

-0.000653

0.027176

0.027185

-4.366637

0.514344

-4.340631

1532.323

0.847835

2.003395

0.467982

Inverted AR Roots

.00

Inverted MA Roots

.24

-.21

ARMA(1;2): AAPL = 0.001114974533 + [AR(1)=0.00216785599,MA(1)=-

0.02489817247,MA(2)=-0.05015302639,BACKCAST=2] 160 Series: Residuals 140 Sample 2 701 Observations 700 120 Mean
0.02489817247,MA(2)=-0.05015302639,BACKCAST=2]
160
Series: Residuals
140
Sample 2 701
Observations 700
120
Mean
-4.30E-06
100
Median
0.001013
Maximum
0.139094
80
Minimum
-0.179819
Std. Dev.
0.027126
60
Skewness
-0.270241
40
Kurtosis
7.606569
20
Jarque-Bera
627.4508
Probability
0.000000
0
-0.15
-0.10
-0.05
0.00
0.05
0.10

Econometrie Serii stationare

18

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de 0,4679 si apartine intervalului (0,15; 0,85) nu putem trage o concluzie cu privire la validitatea modelului. Probabilitatea asociata coeficietului y t-1 este de 0,9944, deci acest coeficient nu este semnificativ pentru model. Probabilitatea asociata termenului e t-1 este 0,9365, si acesta nefiind semnificativ din punct de vedere statistic. Probabilitatea asociata a termenului e t-2 este 0,1943 si apartine intervalului (0,15; 0,85), deci nu putem trage o concluzie cu privire la semnificatia acestui parametru. Probabilitatea asociata termenului liber este de 0,2435 si se afla in intervalul de incertitudine. R 2 are o

valoare de 0,3641% o vaoare destul de mica. Valoarea testului Durbi-Watson este de 2,003, fiind apropiata de 2 rezulta ca nu se confirma prezenta autocorelatiei erorilor. In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui AAPL are media apropiata de zero, iar kurtotica are o valoare de peste 7,6 ceea ce inseamna ca aceasta distributie este leptokurtotica. Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in cercul unitate, deci procesul AR este stationar, iar MA inversabil. Valorile criteriului informational Akaike si Shwartz sunt -4.366637 si respectiv -

4.340631.

Econometrie Serii stationare

19

ARMA (2;2)

Dependent Variable: AAPL Method: Least Squares

Date: 01/12/11

Sample(adjusted): 3 701 Included observations: 699 after adjusting endpoints Convergence achieved after 15 iterations Backcast: 1 2

Time: 20:51

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.001137

0.000966

1.177013

0.2396

AR(1)

-0.316841

0.676436

-0.468398

0.6396

AR(2)

0.147924

0.301315

0.490926

0.6236

MA(1)

0.293363

0.671074

0.437155

0.6621

MA(2)

-0.196727

0.300161

-0.655406

0.5124

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.004543

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.001132

-0.001194

0.027190

0.027206

-4.363643

0.513669

-4.331099

1530.093

0.791865

2.002769

0.530635

Inverted AR Roots Inverted MA Roots

.26

-.57

.32

-.61

ARMA(2;2): AAPL = 0.001137386121 + [AR(1)=0.3168414731,AR(2)= 0.1479236787, MA(1)=0.2933631086,MA(2)=-0.1967271286,BACKCAST=3]

160

140

120

100

80

60

40

20

0

Series: Residuals Sample 3 701 Observations 699 Mean 8.51E-06 Median 0.001136 Maximum 0.138289 Minimum -0.180188
Series: Residuals
Sample 3 701
Observations 699
Mean
8.51E-06
Median
0.001136
Maximum
0.138289
Minimum
-0.180188
Std. Dev.
0.027128
Skewness
-0.268010
Kurtosis
7.636944
Jarque-Bera
634.5919
Probability
0.000000
-0.15
-0.10
-0.05
0.00
0.05
0.10

Econometrie Serii stationare

20

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de 0,5306 si apartine intervalului (0,15; 0,85) nu putem trage o concluzie cu privire la validitatea modelului. Probabilitatile asociate tuturor coeficientilor modelului se afla in intervalul (0,15; 0,85), deci nu putem concluziona cu privire la semnificatia acestora pentru modelul ARMA (2;2). R 2 are o valoare de 0,4543% o vaoare destul de mica. Valoarea testului Durbi-Watson este de 2,002, fiind apropiata de 2 rezulta ca nu se confirma prezenta autocorelatiei erorilor. In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui AAPL are media apropiata de zero, iar kurtotica are o valoare de peste 7,63 ceea ce inseamna ca aceasta distributie este leptokurtotica. Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in cercul unitate, deci procesul AR este stationar, iar MA inversabil. Valorile criteriului informational Akaike si Shwartz sunt -4.363643 si respectiv -

4.331099.

Econometrie Serii stationare

21

ARMA (3;2)

Dependent Variable: AAPL Method: Least Squares

Date: 01/12/11

Sample(adjusted): 4 701 Included observations: 698 after adjusting endpoints Convergence achieved after 54 iterations Backcast: 2 3

Time: 20:47

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.001176

0.000986

1.192769

0.2334

AR(1)

-0.911691

0.047444

-19.21610

0.0000

AR(2)

-0.948501

0.049812

-19.04143

0.0000

AR(3)

-0.054297

0.037369

-1.452986

0.1467

MA(1)

0.892308

0.036302

24.57982

0.0000

MA(2)

0.924877

0.038983

23.72483

0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.020064

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.001185

0.012984

0.027173

0.026996

-4.377716

0.504309

-4.338619

1533.823

2.833725

1.997265

0.015259

Inverted AR Roots Inverted MA Roots

-.06

-.43+.85i

-.43 -.85i

-.45 -.85i

-.45+.85i

ARMA (3;2): AAPL = 0.001175867815 + [AR(1)=-0.9116911748,AR(2)=-

0.9485009084,AR(3)=0.0542970261,MA(1)=0.8923082097,MA(2)=0.9248770597,B

ACKCAST=4]

160 140 120 100 80 60 40 20 0 -0.15 -0.10 -0.05 0.00 0.05 0.10
160
140
120
100
80
60
40
20
0
-0.15
-0.10
-0.05
0.00
0.05
0.10
0.15

Econometrie Serii stationare

Series: Residuals

Sample 4 701

Observations 698

Mean

-2.21E-05

Median

0.000873

Maximum

0.145630

Minimum

-0.177383

Std. Dev.

0.026899

Skewness

-0.309115

Kurtosis

8.121396

Jarque-Bera

773.9339

Probability

0.000000

22

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de 0,015259 si apartine intervalului (0; 0,15) are o valoare foarte mica, in concluzie facem o eroare mica prin respingerea ipotezei nule, deci acceptam ipoteza alternativa conform careia modelul de regresie construit este valid.

Probabilitatea asociata coeficietului y t-1 este de 0,0345, deci coeficientul este

Probabilitatile asociate tuturor coeficientilor

modelului se afla in intervalul (0; 0,15), deci coeficientii sunt semnificativi din punct de vedere statistic pentru modelul ARMA (3;2). R 2 are o valoare de 2% .

semnificativ din punct de vedere

Valoarea testului Durbi-Watson este de 1,99 , fiind apropiata de 2 rezulta ca nu se confirma prezenta autocorelatiei erorilor.

In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii actiunii AAPL are media apropiata de zero, iar kurtotica are o valoare de peste 8,12 ceea ce inseamna ca aceasta distributie este leptokurtotica.

Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in

cercul unitate, deci procesul AR este stationar, iar MA inversabil.

Valorile criteriului informational Akaike si Shwartz sunt -4.377716 si respectiv -

4.338619.

Econometrie Serii stationare

23

In urma analizarii celor sase modele ARMA, am obtinut urmatoarele rezultate sintetizate in tabelul urmator:

Model

Akaike

Shwartz

Prob(F-statistic)

MA(1)

-4.359197

-4.346208

0.519802

AR(1)

-4.369225

-4.356222

0.546446

ARMA(1;1)

-4.368045

-4.348541

0.464724

ARMA(1;2)

-4.366637

-4.340631

0.467982

ARMA(2;2)

-4.363643

-4.331099

0.530635

ARMA(3;2)

-4.377716

-4.338619

0.015259

Avand in vedere faptul ca dintre toate modelele analizate, singurul model valid din punct de vedere econometric este ARMA(3;2), am ales sa fac previziunea pentru acest model.

.06

.04

.02

.00

-.02

-.04

-.06

4.1.6 Previziune ARMA(3;2)

Previziune statica

660 670 680 690 700
660
670
680
690
700
AAPL_BF
AAPL_BF

Forecast: AAPL_BF

Actual: AAPL_B

Forecast sample: 651 701

Included observations: 51

Root Mean Squared Error

0.023210

Mean Absolute Error

0.018020

Mean Abs. Percent Error

108.1515

Theil Inequality Coefficient

0.926245

Bias Proportion

0.072925

Variance Proportion

0.838488

Covariance Proportion

0.088587

In urma analizei previziunii statice observam o valoare a lui „ Theil Ineyuality Coefficienteste cuprinsa in intervalul (0,1) fiind un coeficient de apreciere a evaluarii. Pentru ca ajunstarea sa fie buna coeficientul ar trebui sa aiba o valoarea apropiata de zero. In cazul acestui exemplu valoarea coeficientului este destul de mare.

Econometrie Serii stationare

24

De asemenea observam Mean ABS. Precent Error care indica abaterile relative medii ale valorilor previzionate de la cele observate este foarte mare.

Bias Proportion, Variance Proportion si Covariance Proportion insumate trebuie sa dea 1 deoarece ele exprima proportional cele trei componete ale descompunerii mediei patratelor abaterilor valorilor previzionate fata de valorile observale. O previziunea buna este atunci cat primele doua componente sunt mici si cea de-a treia este mare fiind apropiata de 1. In exemplu nostru Bias Proportion este 0,072925 si este mic exprimand patratul abaterii intre valorile medii ale celor doua secvente. Variance Proportion este de 0,83 o valorea foarte mare care indica o previziune nu tocmai buna. In final, covariance proportion care exprima cat de legate sunt datele depinzand de coeficientul de corelatie are o valoare de 0,0885 fiind destul de mica.

In figura de mai jos prezentam evolutia valorilor observate completate pe orizontul de previziune cu evolutia valorilor previzionate.

.15

.10

.05

.00

-.05

-.10

100 200 300 400 500 600 AAPL_B AAPL_BF
100
200
300
400
500
600
AAPL_B
AAPL_BF

700

Econometrie Serii stationare

25

.06

.04

.02

.00

-.02

-.04

-.06

Previziune dinamica

Forecast: AAPL_BF Actual: AAPL_B Forecast sample: 651 701 Included observations: 51 Root Mean Squared Error
Forecast: AAPL_BF
Actual: AAPL_B
Forecast sample: 651 701
Included observations: 51
Root Mean Squared Error
0.023469
Mean Absolute Error
0.017963
Mean Abs. Percent Error
100.8594
Theil Inequality Coefficient
0.949473
Bias Proportion
0.073899
Variance Proportion
0.898788
Covariance Proportion
0.027313
660
670
680
690
700
AAPL_BF
AAPL_BF

„ Theil Ineyuality

Coefficienteste cuprinsa in intervalul (0,1) fiind un coeficient de apreciere a evaluarii. Pentru ca ajunstarea sa fie buna coeficientul ar trebui sa aiba o valoarea apropiata de zero. In cazul acestui exemplu valoarea coeficientului este destul de mare.

In urma analizei previziunii dinamice observam o valoare

a lui

De asemenea observam Mean ABS. Precent Error care indica abaterile relative medii ale valorilor previzionate de la cele observate este foarte mare.

Bias Proportion, Variance Proportion si Covariance Proportion insumate trebuie sa dea 1 deoarece ele exprima proportional cele trei componete ale descompunerii mediei patratelor abaterilor valorilor previzionate fata de valorile observale. O previziunea buna este atunci cat primele doua componente sunt mici si cea de-a treia este mare fiind apropiata de 1. In exemplu nostru Bias Proportion este 0,073899 si este mic exprimand patratul abaterii intre valorile medii ale celor doua secvente. Variance Proportion este de 0,8987 o valorea foarte mare care indica o previziune nu tocmai buna. In final, covariance proportion care exprima cat de legate sunt datele depinzand de coeficientul de corelatie are o valoare de 0,027 fiind destul de mica.

In figura de mai jos prezentam evolutia valorilor observate completate pe orizontul de previziune cu evolutia valorilor previzionate.

Econometrie Serii stationare

26

.15

.10

.05

.00

-.05

-.10

100 200 300 400 500 600 AAPL_B AAPL_BF
100
200
300
400
500
600
AAPL_B
AAPL_BF

700

Econometrie Serii stationare

27

4.2 Indicele S&P

4.2.1 Graficul seriei de timp S&P .12 .08 .04 .00 -.04 -.08 -.12 100 200
4.2.1 Graficul seriei de timp S&P
.12
.08
.04
.00
-.04
-.08
-.12
100
200
300
400
500
600
700
SP

4.2.2 Utilizarea corelogramei functia ACF estimata

300 400 500 600 700 SP 4.2.2 Utilizarea corelogramei – functia ACF estimata Econometrie – Serii

Econometrie Serii stationare

28

Coeficientii de autocorelatie estimati sunt, pentru primele 5 lag-uri : -0,129 ; -0,112 ; 0,092 ; -0,035 si -0,03. Se oberva faptul ca valorile coeficientilor de autocorelatie sunt mici apropiate de zero, indicand corelatii slabe uneori aproape inexistente pentru toate intarzierile. Se poate construi un interval de incredere 95% ( eroare 5%) pentru fiecare din

coeficientii de autocorelatie j de forma ( 1,96 1 ; 1,96 1 ), folosind expresia = 1

pentru abaterea standard. Rezultatul teoretic important exprimat de propozitia anterioara ne ajuta sa verificam daca, statistic, coeficientii de autocorelatie calculati pentru diverse lag-uri sunt sau nu egali cu zero. Putem fundamenta testul de semnificatie cu ipotezele nula si alternativa urmatoare :

H 0 : j = 0

H 1 : j 0.

Daca coeficientul de autocorelatie estimat j nu apartine intervalului ( 1,96

1 ; 1,96 1 ), atunci ipoteza nula este respinsa si decidem ca seria de timp nu provine dintr-

un zgomot alb Gaussian.

I = (-0,07403 ; 0,07403) este intervalul de incredere 95%

Lag 1

: -0,129

(-0,07403 ; 0,07403),

ipoteza

nula este respinsa ,

iar

coeficientul de corelatie estimate pentru lagul 1 nu este zero

Lag 2 : -0,112 (-0,07403 ; 0,07403), ipoteza nula este respinsa , iar

coeficientul de corelatie estimate pentru lagul 2 nu este zero

Lag 3 : 0,092 (-0,07403 ; 0,07403) , ipoteza nula este respinsa , iar

coeficientul de corelatie estimate pentru lagul 3 nu este zero

Lag 4

:

-0,035 (-0,07403 ; 0,07403),

coeficientul de corelatie estimate pentru lagul 4 este zero.

Lag 5 : -0,03(-0,07403 ; 0,07403),

coeficientul de corelatie estimate pentru lagul 5 este zero.

ipoteza nula este acceptata , iar

ipoteza nula este acceptata , iar

In forma de mai sus intervalele de incredere 95% nu depend de lag. Acest aspect nu este natural, in special pentru lag-urile apropiate de momentul final T. O corectie in acest sens

este obtinuta prin inlocuierea variatei s j 2 = 1 prin valoarea s j 2 =

+2) in descrierea

(

Econometrie Serii stationare

29

intervalelor de incredere.

De exemplu, intervalul de incredere 95% pentru coeficientul de

autocorelatie j este (1,96

( +2)

; 1,96

( +2) ).

Lag 1 : -0,129 (-0,07387 ; 0,07387), ipoteza nula este respinsa , iar

coeficientul de corelatie estimate pentru lagul 1 nu este zero

Lag 2 : -0,112 (-0,073817 ; 0,073817), ipoteza nula este respinsa , iar

coeficientul de corelatie estimate pentru lagul 2 nu este zero

Lag 3 : 0,092 (-0,073764 ; 0,073764) , ipoteza nula este respinsa , iar

coeficientul de corelatie estimate pentru lagul 3 nu este zero

Lag 4 : -0,035 (-0,073712 ; 0,073712), ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 4 este zero.

Lag 5 : -0,03(-0,073659 ; 0,073659), ipoteza nula este acceptata , iar

coeficientul de corelatie estimate pentru lagul 5 este zero.

Uneori este necesar sa testam ipoteza conform careia mai multi coeficienti de

autocorlatie sunt concomitent nuli. Presupunem ca vom considera m asemenea coeficienti.

Avem perechea de ipoteze :

H 0 : 1 = 2 =

H 1 : j 0. Pentru un j dintre cei m;

= m = 0 ;

ce urmeaza o repartitie 2 cu m

grade de libertate. 2 critic pentru esantionul de 701 observatii si o probabilitate de 5% este :

763,7046.

Q AAPL pentru m=36 are o valoare de 54,56. Cum valoarea a statisticii este mai mica decat valoarea critica 2 nu putem respinde ipoteza nula, deci prin urmare acceptam ca rezidurile provin dintr-un white noise.

Pentru acest test se foloseste staistica Q =

=1

2

Econometrie Serii stationare

30

 

4.2.3

Teste ale radacinii unitate(Dickey Fuller)

 

In

cadrul

testelor

radacina

unitate

pentru

verificarea

stationaritatii

seriei

randamentelor indicelui S&P perechea de ipoteze care se foloseste este urmatoarea:

H 0 : seria este nestationara, are o radacina unitate,

H 1 : seria este stationara.

Decizia in testul DF este la fel ca si in cazul testului t-Student de semnificatie pentru coeficientul modlului de regresie, doar ca aici statistica folosita este statistica τ.

Null Hypothesis: SP has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=19)

 

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-22.63575

0.0000

Test critical values:

1% level

-3.439477

5% level

-2.865458

10% level

-2.568913

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(SP) Method: Least Squares

Date: 01/13/11

Sample(adjusted): 3 701 Included observations: 699 after adjusting endpoints

Time: 01:21

Variable

Coefficient

Std. Error

t-Statistic

Prob.

SP(-1)

-1.277629

0.056443

-22.63575

0.0000

D(SP(-1))

0.131408

0.037538

3.500640

0.0005

C

-9.79E-05

0.000734

-0.133242

0.8940

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.572139

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-9.82E-06

0.570910

0.029645

0.019419

-5.040879

0.262452

-5.021352

1764.787

465.3484

1.982414

0.000000

Observam valoarea = -22,63575, mult mai mica decat orice valoare critica, in consecinta suntem in zona de respingere a ipotezei nule , deci seria randamentelor simple ale indicelui S&P este o serie stationara. Acest rezultat rezulta si din valoarea probabilitatii asociate, p. Astfel, aceasta este mai mica decat cel mai restrictiv nivel de relevanta, de 1 la suta si ca urmare, ipoteza nula seria este nestationara este respinsa.

Econometrie Serii stationare

31

4.2.4 Testarea prezentei ARCH folosind testul ARCH-LM

ARCH Test:

F-statistic

15.95994

Probability

0.000072

Obs*R-squared

15.64788

Probability

0.000076

Test Equation:

Dependent Variable: RESID^2 Method: Least Squares

 

Date: 01/13/11

Time: 01:27

Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints

 

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.000330

4.23E-05

7.796118

0.0000

RESID^2(-1)

0.149522

0.037427

3.994990

0.0001

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.022354

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

0.000388

0.020953

0.001062

0.001051

-10.87489

0.000771

-10.86189

3808.213

15.95994

2.103196

0.000072

r t 2 = 0 + 1* r t-1 2 + v t

Folosim concluziile:

fiecare coeficient din regresia auxiliara este statistic diferit de zero ( p-value corespunzatoare mici);

testul F ne spune acelasi lucru pentru ansamblul coeficientilor. Deci, putem respinge ipoteza nula:

H

0

:

1

0 si

0

2

si prin asta acceptam ipoteza alternativa:

H 1 : macar unul dintre coeficienti este diferit de zero.

Concluzionam faptul ca avem heteroscedasticitate in date.Cea mai importanta parte a output-ului testului este prima parte care prezinta cele doua teste statistice F-Statistic si R- squared si probabilitatile asociate acestor teste. Ipoteza nula a celor doua teste este ca nu exista corelatie seriala a erorilor ecuatiei de regresie pana la lag-ul k (specificat mai sus). Daca probabilitatea asociata celor doua teste este inferioara nivelului de relevanta la care se lucreaza, atunci ipoteza nula este respinsa, deci se respinge inexistenta corelatiei seriale. In caz contrar ipoteza nula este acceptata, (nu exista corelatie seriala). Pentru indicele S&P putem observa ca atat probabilitatea testului F-statistic, cat si probabilitatea asociata testului si R-squared este inferioara nivelului de relevta de 5% deci putem spune ca exista termeni ARCH in date.

Econometrie Serii stationare

32

4.2.5 Modele ARMA

MA(1)

Dependent Variable: SP Method: Least Squares

Date: 01/13/11

Sample: 1 701 Included observations: 701 Convergence achieved after 8 iterations

Backcast: 0

Time: 01:30

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-9.73E-05

0.000617

-0.157739

0.8747

MA(1)

-0.163575

0.037310

-4.384263

0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.021481

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion

-0.000104

0.020081

0.019720

0.019521

-5.031796

0.266369

-5.018807

1765.644

F-statistic 15.34451 Prob(F-statistic) 0.000098

1.967763

Inverted MA Roots

.16

240

200

160

120

80

40

0

MA(1): SP = -9.730623437e-05 + [MA(1)=-0.1635750984,BACKCAST=1]

-0.05 0.00 0.05 0.10
-0.05
0.00
0.05
0.10

Series: Residuals

Sample 1 701

Observations 701

Mean

-6.61E-06

Median

0.001379

Maximum

0.111860

Minimum

-0.088114

Std. Dev.

0.019507

Skewness

-0.122530

Kurtosis

8.201554

Jarque-Bera

792.0195

Probability

0.000000

Econometrie Serii stationare

33

Inverse Roots of AR/MA Polynomial(s)

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

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de 0,000098 si apartine intervalului (0; 0,15) are o valoare foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci acceptam ipoteza alternativa conform careia modelul de regresie construit este valid. Probabilitatea asociata coeficietului e t-1 este de 0,000, deci coeficientul este semnificativ din punct de vedere statistic. Probabilitatea asociata termenului liber este de 0,87, deci nu este semnificativ din punct de vedere statistic pentru model. R 2 are o valoare de 2,14% .

Valoarea testului Durbi-Watson este de 1,96 , fiind apropiata de 2, de unde rezulta ca nu se confirma prezenta autocorelatiei erorilor.

In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media apropiata de zero, iar kurtotica are o valoare de peste 8,2 ceea ce inseamna ca aceasta distributie este leptokurtotica. Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in cercul unitate, deci MA inversabil.

Valorile criteriului informational Akaike si Shwartz sunt -5.031796 si respectiv

-5.018807.

Econometrie Serii stationare

34

AR(1)

Dependent Variable: SP Method: Least Squares

Date: 01/13/11

Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints Convergence achieved after 3 iterations

Time: 01:33

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-7.28E-05

0.000655

-0.111164

0.9115

AR(1)

-0.129227

0.037492

-3.446780

0.0006

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.016736

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion

-6.94E-05

0.015327

0.019712

0.019561

-5.027724

0.267073

-5.014721

1761.703

F-statistic 11.88029 Prob(F-statistic) 0.000601

2.033980

Inverted AR Roots

-.13

AR(1): SP = -7.278122777e-05 + [AR(1)=-0.1292269456]

240

200

160

120

80

40

0

+ [AR(1)=-0.1292269456] 240 200 160 120 80 40 0 -0.10 -0.05 0.00 0.05 0.10 Inverse Roots
+ [AR(1)=-0.1292269456] 240 200 160 120 80 40 0 -0.10 -0.05 0.00 0.05 0.10 Inverse Roots
+ [AR(1)=-0.1292269456] 240 200 160 120 80 40 0 -0.10 -0.05 0.00 0.05 0.10 Inverse Roots

-0.10

-0.05

0.00

0.05

0.10

Inverse Roots of AR/MA Polynomial(s)

Series: Residuals

Sample 2 701

Observations 700

Mean

9.15E-16

Median

0.001245

Maximum

0.114363

Minimum

-0.090955

Std. Dev.

0.019547

Skewness

-0.075125

Kurtosis

8.465931

Jarque-Bera

872.0536

Probability

0.000000

1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5

Econometrie Serii stationare

AR roots
AR roots

35

Validitatea modelului de regresie este data de testul F-statistic. Intrucat

probabilitatea testului F-statistic este de 0,0006 si apartine intervalului (0; 0,15) are o valoare

foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci acceptam

ipoteza alternativa conform careia modelul de regresie construit este valid. Probabilitatea

asociata coeficietului SP t-1 este de 0,0006, deci coeficientul este semnificativ din punct de

vedere statistic. Probabilitatea asociata termenului liber este de 0,9115, , deci nu este

semnificativ din punct de vedere statistic pentru model. R 2 are o valoare de 1,673% .

Valoarea testului Durbi-Watson este de 2,03 , fiind apropiata de 2 rezulta ca nu se

confirma prezenta autocorelatiei erorilor

.In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform

rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media

apropiata de zero, iar kurtotica are o valoare de peste 8,46 ceea ce inseamna ca aceasta

distributie este leptokurtotica.

Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in

cercul unitate, deci procesul AR este stationar.

Valorile criteriului informational Akaike si Shwartz sunt -5.027724si respectiv -

5.014721.

ARMA(1;1)

Dependent Variable: SP Method: Least Squares

Date: 01/13/11

Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints Convergence achieved after 11 iterations Backcast: 1

Time: 01:36

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-6.10E-05

0.000573

-0.106410

0.9153

AR(1)

0.300175

0.195134

1.538301

0.1244

MA(1)

-0.455815

0.182256

-2.500966

0.0126

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.025739

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-6.94E-05

0.022943

0.019712

0.019485

-5.034065

0.264627

-5.014561

1764.923

9.206914

1.980020

0.000113

Inverted AR Roots

.30

Inverted MA Roots

.46

ARMA(1;1): SP = -6.102402319e-05 + [AR(1)=0.3001752404,MA(1)=

0.4558153532,BACKCAST=2]

Econometrie Serii stationare

36

160

140

120

100

80

60

40

20

0

Series: Residuals Sample 2 701 Observations 700 Mean 5.23E-06 Median 0.001666 Maximum 0.107078 Minimum -0.086467
Series: Residuals
Sample 2 701
Observations 700
Mean
5.23E-06
Median
0.001666
Maximum
0.107078
Minimum
-0.086467
Std. Dev.
0.019457
Skewness
-0.185269
Kurtosis
7.835579
Jarque-Bera
686.0036
Probability
0.000000
-0.05
0.00
0.05
0.10
Inverse Roots of AR/MA Polynomial(s)
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
AR roots
MA roots

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de 0,00011 si apartine intervalului (0; 0,15) are o valoare foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci acceptam ipoteza alternativa conform careia modelul de regresie construit este valid. Probabilitatea asociata coeficietului y t-1 este de 0,1244, deci coeficientul este semnificativ din punct de

vedere statistic

Probabilitatea asociata termenului e t-1 este 0,0126, si acesta putand fi

considerat semnificativ din punct de vedere statistic. Probabilitatea asociata termenului liber

este de 0,9153, deci nu este semnificativ

Valoarea testului Durbi-Watson este de 1,98, fiind apropiata de 2 rezulta ca nu se confirma prezenta autocorelatiei erorilor.

R 2 are o valoare de 2,57% o vaoare destul de mica.

Econometrie Serii stationare

37

In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform

rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media

apropiata de zero, iar kurtotica are o valoare de peste 7,83 ceea ce inseamna ca aceasta

distributie este leptokurtotica.

Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in

cercul unitate, deci procesul AR este stationar, iar MA inversabil.

Valorile criteriului informational Akaike si Shwartz sunt -5.034065 si respectiv -

5.014561.

ARMA(2;1)

Dependent Variable: SP Method: Least Squares

Date: 01/13/11

Sample(adjusted): 3 701 Included observations: 699 after adjusting endpoints Convergence achieved after 26 iterations Backcast: 2

Time: 01:38

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-7.85E-05

0.000596

-0.131698

0.8953

AR(1)

-0.530618

0.214506

-2.473676

0.0136

AR(2)

-0.183473

0.039934

-4.594413

0.0000

MA(1)

0.393213

0.217486

1.807994

0.0710

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.037897

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-7.41E-05

0.033744

0.019726

0.019391

-5.042360

0.261314

-5.016325

1766.305

9.125282

1.998022

0.000006

Inverted AR Roots Inverted MA Roots

-.27 -.34i

-.39

-.27+.34i

ARMA(2;1): SP = -7.848667643e-05 + [AR(1)=-0.5306183261,AR(2)=-

0.1834727348,MA(1)=0.3932130916,BACKCAST=3]

Econometrie Serii stationare

38

140

120

100

80

60

40

20

0

Series: Residuals Sample 3 701 Observations 699 Mean 6.91E-06 Median 0.001552 Maximum 0.104142 Minimum -0.084831
Series: Residuals
Sample 3 701
Observations 699
Mean
6.91E-06
Median
0.001552
Maximum
0.104142
Minimum
-0.084831
Std. Dev.
0.019349
Skewness
-0.115520
Kurtosis
7.490772
Jarque-Bera
588.9196
Probability
0.000000
-0.05 0.00 0.05 0.10 Inverse Roots of AR/MA Polynomial(s) 1.5 1.0 0.5 0.0 -0.5 -1.0
-0.05
0.00
0.05
0.10
Inverse Roots of AR/MA Polynomial(s)
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
AR roots
MA roots

Validitatea modelului de regresie este data de testul F-statistic. Intrucat probabilitatea testului F-statistic este de 0,000006 si apartine intervalului (0; 0,15) are o valoare foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci acceptam ipoteza alternativa conform careia modelul de regresie construit este valid.

Probabilitatea asociata coeficietului y t-1 este de 0,136, deci coeficientul este semnificativ din punct de vedere statistic. Probabilitatea asociata coeficietului y t-2 este de 0,000, deci coeficientul este semnificativ din punct de vedere statistic. Probabilitatea asociata termenului e t-1 este 0,071, si acesta putand fi considerat semnificativ din punct de vedere statistic.

R 2 are o

Probabilitatea asociata termenului liber este de 0,8953, deci nu este semnificativ valoare de 3,789% o vaoare destul de mica.

Econometrie Serii stationare

39

Valoarea testului Durbi-Watson este de 1,99, fiind apropiata de 2 rezulta ca nu se

confirma prezenta autocorelatiei erorilor.

In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform

rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media

apropiata de zero, iar kurtotica are o valoare de peste 7,49 ceea ce inseamna ca aceasta

distributie este leptokurtotica.

Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in

cercul unitate, deci procesul AR este stationar, iar MA inversabil.

Valorile criteriului informational Akaike si Shwartz sunt -5.042360 si respectiv -

5.016325.

ARMA(2;2)

Dependent Variable: SP Method: Least Squares

Date: 01/13/11

Sample(adjusted): 3 701 Included observations: 699 after adjusting endpoints

Convergence achieved after 64 iterations Backcast: 1 2

Time: 01:41

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-7.92E-05

0.000612

-0.129273

0.8972

AR(1)

-0.604464

0.195772

-3.087588

0.0021

AR(2)

-0.296080

0.183776

-1.611091

0.1076

MA(1)

0.471963

0.202707

2.328305

0.0202

MA(2)

0.114757

0.194058

0.591356

0.5545

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat