Documente Academic
Documente Profesional
Documente Cultură
3 October 2018
Online at https://mpra.ub.uni-muenchen.de/89358/
MPRA Paper No. 89358, posted UNSPECIFIED
Introducere în analiza anomaliilor calendaristice,
Partea întâi
Răzvan Ştefănescu
Ramona Dumitriu
Rezumat
0.1
0.08
0.06
0.04
0.02
0
-0.02 Luni Marti Miercuri Joi Vineri
-0.04
-0.06
Figura 1.1. Valori medii ale randamentelor simple (exprimate în procente) ale
cursurilor acţiunilor companiei IBM, aferente celor cinci zile lucrătoare ale
săptămânii, în perioada ianuarie 2000 – iunie 2018
Sursa datelor: https://finance.yahoo.com/
b. Persistenţa în timp. Atât din considerente teoretice cât şi practice este importantă
investigarea stabilităţii anomaliilor calendaristice. Unele dintre acestea pot suferi, de-a
lungul timpului, anumite modificări (Gu, 2003; Dzhabarov & Ziemba, 2010;
Worthington, 2010; Patel, 2016). În acest caz, strategiile de investiţii pot eşua iar
argumentaţia împotriva Ipotezei Pieţelor Eficiente ar fi contestabilă. Revenind la
exemplul investitorului care doreşte să profite de sezonalitatea zilnică a cursurilor
companiei IBM, ne putem imagina ce s-ar întâmpla, după un timp, dacă tot mai mulţi
investitori ar sesiza această anomalie calendaristică şi ar dori să profite de ea. Aceştia ar
cumpăra acţiuni IBM în zilele de marţi şi vineri vânzând luni şi joi iar tranzacţiile lor ar
modifica cererea şi oferta de pe piaţă. Ca urmare, scăderile cursului vor fi mai puţin
pronunţate marţi şi vineri iar creşterile mai puţin pronunţate în zilele de luni şi joi. Dacă
astfel de tranzacţii ar ajunge la proporţi foarte mari în raport cu nivelul general al pieţei ar
fi posibilă chiar o inversare a anomaliei, manifestată prin randamente negative în zilele de
luni şi joi şi pozitive în zilele de marţi şi vineri. Pornind de la astfel de situaţii,
cercetătorii Elroy Dimson şi Paul Marsh (1998) au emis o Lege Murphy asupra
stabilităţii anomaliilor calendaristice: după ce una din acestea a fost descoperită,
tranzacţiile celor care încearcă să profite de ea o pot estompa sau chiar pot genera o
anomalie opusă.
Pentru pieţele de acţiuni sunt luate în considerare diverse forme ale valorilor cursurilor
sau indicilor bursieri:
- valori de deschidere, de la începutul tranzacţiilor ;
- valori maxime şi minime ale cursurilor;
- valori de închidere, de la sfârşitul tranzacţiilor;
- valori de închidere ajustate, care se obţin aplicând valorilor obişnuite de închidere
unele corecţii pentru a anihila impactul unor operaţiuni tehnice cu un caracter
extraordinar (acordarea de dividende, distribuirea de noi acţiuni în locul
dividendelor, divizarea valorii acţiunilor etc.).
Pe lângă indicii bursieri şi cursurile acţiunilor, analiza anomaliilor calendaristice poate
folosi şi alţi indicatori precum valoarea sau volumul tranzacţiilor (Karpoff, 1987; Gallant
et al., 1992; Campbell et al., 1993).
În cazul cursurilor valutare, seriile de timp zilnice cuprind, de regulă, valorile comunicate
de banca centrală la sfârşitul programului de tranzacţii. Pentru seriile lunare sau
trimestriale sunt folosite, în general, nivelurile medii calculate pe baza valorilor zilnice.
14000
12000
10000
8000
6000
Jan-06 Oct-06 Jul-07 Apr-08 Jan-09 Oct-09 Jul-10 Apr-11
DJIA
Figura 2. 1. Evoluţia indicelui Dow Jones Industrial Average (DJIA) în perioada 2006 -
2012
Sursa datelor: https://finance.yahoo.com/
( Pt Pt 1 ) P
Rt t 1 (2.1.)
Pt 1 Pt 1
unde:
- Rt este randamentul simplu asociat unui termen al seriei de timp aferent
momentului curent t;
- Pt este preţul (cursul) activului financiar din momentul curent t;
- Pt-1 este cursul activului financiar dintr-un moment t-1 imediat anterior
momentului curent t.
De exemplu, în Tabelul 2.1. este prezentată o serie de timp ce cuprinde valorile zilnice
ale cursului leu românesc/franc elveţian din perioada 10 – 13 septembrie 2018. Variaţia
zilnică (sporul) corespunde valorii venitului net. Un speculator care a cumpărat la 10
septembrie un franc cu 4,1113 lei şi l-a vândut în ziua următoare cu 4,1001 lei a realizat
un venit net de 4,1001 – 4,1113 = -0,0112 lei (de fapt, o pierdere). Dacă ar fi cumpărat
la 11 septembrie un franc cu 4,1001 lei vânzându-l în ziua următoare cu 4,1116 lei ar fi
obţinut un venit net de 0,0115 lei. Pentru această ultimă tranzacţie, randamentul simplu
poate fi calculat, prin formula (2.1.) împărţind sporul determinat pentru acea zi la preţul
din ziua precedentă: 0,0115 /4,1001 = 0,0028 = 0,28% (în general, randamentele sunt
exprimate într-o formă procentuală). De remarcat că pentru primul termen al unei seriei
de timp nu pot fi calculate variaţia zilnică sau randamentul simplu.
Pentru seriile de timp cu un număr foarte mare de termeni, la care calculele trebuie
realizate, practic obligatoriu, prin programe software specializate, transpunerea ritmurilor
de creştere în forme procentuale poate genera unele confuzii. Pentru a surmonta astfel de
dificultăţi poate fi utilizată o formulă de calcul a randamentului simplu într-o formă
procentuală ( Rt% ):
( Pt Pt 1 ) P
Rt% 100 Rt 100 100 ( t 1) (2.2.)
Pt 1 Pt 1
După cum am menţionat anterior, analiza anomaliilor calendaristice implică, cel mai
adesea, folosirea unor serii de timp cu un număr foarte mare de observaţii, ceea ce face
aproape obligatorie realizarea calculelor prin programe software specializate. În acest
capitol vom exemplifica unele calcule prin aplicaţii realizate cu ajutorul programului
Microsoft Excel.
Apăsăm tasta „Enter” pentru a obţine valoarea randamentului simplu din 2 ianuarie 2013
după care translatăm formula de calcul pentru ceilalţi termeni, până la sfârşitul seriei.
Rezultă, astfel, seria de timp prezentată în Figura 2.3.
10
-5
-10
-15
Jan-13 Sep-13 May-14 Jan-15 Sep-15 May-16 Jan-17 Sep-17 May-18
R_APPLE
Pt
rt% 100 rt 100 [ln( Pt ) ln( Pt 1 )] 100 ln( ) (2.4.)
Pt 1
De exemplu, în Tabelul 2.2. este prezentată o serie de timp ce cuprinde valorile zilnice
ale indicelui BET al Bursei de Valori din Bucureşti în perioada 10 – 13 septembrie
2018. Determinăm randamentele logaritmice ale acestei serii de timp calculând, mai
întâi, indicii dinamicii cu bază în lanţ (valoarea acestei mărimi este dată de raportul
dintre valoarea curentă a şi cea imediat anterioară). Pentru ziua de 13 septembrie,
raportul dintre valoarea curentă a indicelui BET şi cea imediat anterioară reprezintă:
8206/8261,86 = 0,9932. Logaritmând acest raport obţinem randamentul logaritmic
ln(0,9932) = -0,0068 = -0,68%.
10
-5
-10
-15
Jan-13 Sep-13 May-14 Jan-15 Sep-15 May-16 Jan-17 Sep-17 May-18
r_APPLE
Uneori, în studiul unor fenomene financiare, este utilă comparaţia randamentului unui
activ financiar cu cea a unor active privite ca etaloane: obligaţiuni guvernamentale
percepute ca active fără risc, portofolii constituite din diverse titluri etc. (Campbell et al.,
1997; Tsay, 2005). Astfel de comparaţii pot fi realizate, relativ facil, prin intermediul
unor mărimi numite randamente relative la niveluri de referinţă (numite şi randamente în
exces) , calculate ca diferenţe între randamentele activelor studiate şi cele ale activelor
etalon. De exemplu, pentru a determina randamentul logaritmic al cursurilor acţiunilor
unei companii relativ la un activ etalon putem folosi formula:
zt rt rt0 (2.5.)
unde:
- zt este randamentul logaritmic în exces al cursului;
- rt 0 este randamentul logaritmic al activului etalon.
Indicatorii statisticii descriptive pot servi în diferite faze ale analizei efectelor
calendaristice:
a. caracterizarea generală a evoluţiei randamentelor unei variabile financiare;
b. studiul volatilităţii cursurilor activelor financiare;
c. asocierea distribuţiilor statistice către seriile de randamente ale variabilelor
financiare;
d. aprecierea staţionarităţii seriilor de timp;
e. demersuri de identificare a efectelor calendaristice.
0.3
0.25
0.2
0.15
0.1
0.05
0
IAN FEB MAR APR MAI IUN IUL AUG SEP OCT NOV DEC
-0.05
-0.1
-0.15
Figura 2.9. Mediile aritmetice ale randamentelor logaritmice ale indicelui BET-TR,
aferente celor douăsprezece luni ale anului, din perioada 2015 –2017
Sursa datelor: http://www.bvb.ro/
a. Evidenţierea diferenţelor dintre randamentele medii ale intervalelor
calendaristice. Prin intermediul reprezentărilor grafice, diferenţele dintre randamentele
asociate diferitelor intervale calendaristice sunt relativ uşor de sesizat, ceea ce facilitează
identificarea anomaliilor calendaristice. De exemplu, în Figura 2.9. sunt prezentate
mediile aritmetice ale randamentelor logaritmice ale indicelui BET-TR, de la Bursa de
Valori Bucureşti, aferente celor douăsprezece luni ale anului, din perioada 2015 –2017. O
astfel de reprezentare grafică permite o comparaţie rapidă între lunile cu randamente
ridicate (februarie, mai şi iulie) şi cele cu rentabilitate scăzută (ianuarie, iunie, august şi
septembrie).
2
1.5
1
0.5
0
%
-0.5
-1
-1.5
-2
-2.5
4-Jan-18 18-Jan-18 1-Feb-18 15-Feb-18 1-Mar-18 15-Mar-18 29-Mar-18
0.9
r_RON_MDL
N(0.00011326,0.75127)
0.8
0.7
0.6
0.5
Densitate
0.4
0.3
0.2
0.1
0
-6 -4 -2 0 2 4 6
r_RON_MDL
k 3 2 n (2. 6.)
unde:
- k este numărul de grupe;
- n este numărul de observaţii.
Fiecare interval de variaţie are aceeaşi lungime (h) care poate fi stabilită cu aproximaţie
împărţim amplitudinea seriei (A) la numărul de grupe:
A
h (2.7.)
k
Copiem randamentele simple într-o foaie de lucru Microsoft Excel separată (deoarece,
acestea sunt trecute în celulele primei foi de lucru sub formă de formule de calcul, trebuie
să le introducem valorile, în noua foaie de lucru printr-o lipire specială). În noua foaie de
lucru copiem şi câţiva indicatori ai statisticii descriptive utili pentru gruparea seriei
randamentelor: valoarea minimă, cea maximă, amplitudinea şi numărul de observaţii.
Aplicăm, într-o celulă separată, formula Terrell & Scott de calcul a numărului de grupe
(Figura 2.12.).
Figura 2.16. Alegerea opţiunii „Histogram” din componenta „Data Analysis” pentru
realizarea histogramei randamentelor simple ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
După aplicarea unui „click” asupra butonului „OK” ni se vor afişa principalele
coordonate ale histogramei seriei randamentelor simple (Figura 2.18.).
Figura 2.18. Coordonate ale histogramei randamentelor simple ale cursurilor APPLE
Inc.
Sursa datelor: https://finance.yahoo.com/
Histograma rezultată sugerează o boltire a seriei semnificativ mai ascuţită decât cea a
curbei Gauss specifică unei distribuţii normale (Figura 2.20.).
Copiem (din nou prin lipire specială) valorile randamentelor logaritmice într-o nouă foaie
de lucru unde vom înscrie şi unii indicatori ai statisticii descriptive. Deoarece numărul
de observaţii este acelaşi ca în cazul seriei randamentelor simple (nr = nR) vom menţine
numărul precedent de grupe (kr = kR = 14). Împărţim amplitudinea seriei (înscrisă în
celula E7) la numărul de grupe (înscris în celula E11) pentru a calcula lungimea iniţială a
unui interval (Figura 2.21.). Această valoare, rotunjită la 1,505, va servi la delimitarea
celor 14 intervale de variaţie.
Figura 2.24. Alegerea opţiunii „Histogram” din componenta „Data Analysis” pentru
realizarea histogramei randamentelor logaritmice ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
Analiza trendului unei serii de timp permite aprecierea tendinţei valorilor acesteia fiind
utilă, totodată, în studiul staţionarităţilor acesteia. Pentru identificarea trendurilor sunt
aplicate diverse procedee, bazate pe serii de timp cu medii mobile sau pe funcţii de
regresie.
Tehnicile bazate pe medii mobile presupun calculul unui nivel mediu al mai multor
termeni consecutivi ai unei serii de timp. În acest fel pot fi atenuate influenţele unor
factori cu influenţă întâmplătoare sporind, în schimb, ponderea influenţei unor factori
fundamentali.
Identificarea trendului unei serii de timp pe baza unei regresii are la bază stabilirea unei
relaţii de dependenţă a termenilor seriei faţă de o variabilă ce reflectă poziţionarea
acestora în timp. De exemplu, pentru un trend liniar este utilizată o funcţie liniară de
regresie cu forma:
yt 0 1 tt t (2.8.)
unde:
- yt este valoarea variabilei dependente;
- β0 este un termen constant;
- tt este valoarea variabilei independente ce exprimă poziţionarea în timp a
termenilor seriei;
- β1 este un coeficient, numit panta trendului, care exprimă variaţia variabilei y
atunci când t creşte cu o unitate;
- υt este termenul eroare al ecuaţiei de regresie, exprimând impactul factorilor
neluaţi în considerare (pentru o analiză de regresie riguroasă, acest termen ar
trebui să corespundă unei distribuţii normale cu media aritmetică egală cu zero).
Copiem randamentele simple într-o altă foaie de lucru. Adăugăm, într-o coloană
alăturată, valorile variabilei t. De regulă, pentru a facilita calculele, se consideră că
distanţa în timp dintre doi termeni consecutivi ai acestei serii este aceeaşi (se alege, în
general, o distanţă egală cu o unitate). Vom atribui primului termen al variabilei t
valoarea 1 iar pentru cel de-al doilea introducem o formulă de calcul care va asigura o
distanţă egală cu o unitate între doi termeni consecutivi (Figura 2.29).
Translatăm relaţia de calcul către ceilalţi termeni ai seriei după care apelăm opţiunea
„Regression” din componenta „Data Analysis” (Figura 2.30).
Tabelul 2.5. Parametri ai regresiei asociate trendului liniar al randamentelor simple ale
cursurilor APPLE Inc.
Indicator Valoare
Coeficient de determinare 0,0000
Test F 0,0008
Probabilitatea asociată testului F 97,69%
Termenul constant (β0) 0,102
(0,0822)
[1,241]
{21,5%}
Panta trendului (β1) 0,000
(0,0001)
[-0,029]
{97,69%}
Note: eroarea standard se află între paranteze rotunde; testul t se află între paranteze
pătrate; probabilitatea asociată testului t se află între acolade.
Sursa datelor: https://finance.yahoo.com/
Alegem, dintre rezultatele regresiei, câţiva parametri utili pentru identificarea trendului
randamentelor simple:
- coeficientul de determinare (R Square);
- valoarea testului F (F) şi probabilitatea asociată acestuia (Significance F);
- parametrii termenului constant (β0), aflaţi pe rândul desemnat prin denumirea
„Intercept”: valoarea coeficientului (coloana „Coefficients”), eroarea standard (coloana
„Standard Error”), testul t (coloana „t Stat”) şi probabilitatea asociată testului t
(coloana „P-value”);
- parametrii pantei trendului (β1), aflaţi pe rândul desemnat prin denumirea variabilei
independente (t), care se află pe aceleaşi coloane folosite pentru termenul constant
(Tabelul 2.5.).
H0: β0 =0
Testul t ne furnizează pentru această ipoteză o probabilitate de 21,5%, mai mare decât
nivelul de semnificaţie astfel încât trebuie să o acceptăm.
H0: β1 =0
pentru care testul t indică o probabilitate de 97,69%. Din nou trebuie să acceptăm ipoteza
nulă, ceea ce înseamnă că panta trendului nu diferă semnificativ de zero. În consecinţă,
putem aprecia că randamentele simple au urmat, în perioada studiată, un trend liniar
orizontal (Figura 2.33).
Copiem randamentele logaritmice într-o nouă foaie de lucru Microsoft Excel. La fel ca în
cazul randamentelor simple, introducem, într-o coloană alăturată, valorile variabilei t.
Alegem, apoi, opţiunea „Regression” din componenta „Data Analysis” (Figura 2.34).
s
rt i Dti ut (2.9.)
i 1
unde:
- rt este valoarea randamentului logaritmic pentru termenul t al seriei de timp
folosite;
- γi este un coeficient asociat variabilei binare Di care coincide cu media aritmetică
a randamentelor din perioada ataşată acestei variabile;
- Dti este valoarea variabilei binare Di pentru termenul t;
- s este numărul de variabile dummy utilizat (cele s intervale calendaristice asociate
acestor variabile trebuie să acopere întregul an; de asemenea, nu trebuie să existe
întrepătrunderi între intervale);
- ut este valoarea termenului eroare (rezidual) pentru momentul t (termenul eroare
reflectă impactul factorilor care nu au fost luaţi în considerare prin variabilele
independente ale ecuaţiei regresiei).
iar cei doi coeficienţi ar indica mediile aritmetice pentru randamentele din cele
două intervale calendaristice luate în considerare:
- γn-a pentru perioada noiembrie – aprilie;
- γm-o pentru perioada mai – octombrie.
s 1
rt i Dti ut (2.11.)
i 1
unde α este un termen constant egal cu media aritmetică a randamentelor din
intervalul calendaristic a cărui variabilă binară asociată a fost exclusă. Valoarea
fiecărui coeficient γi indică, de această dată, diferenţa dintre nivelul mediu al
randamentelor din intervalul calendaristic asociat variabilei Dti şi cel asociat
variabilei binare omise.
rt m o Dtm 0 ut (2.12.)
unde:
- μ0 este termenul constant al ecuaţiei;
- μi este un coeficient asociat variabilei dummy Di;
- n este numărul de valori decalate (lag-uri) ale randamentelor incluse în
componenta autoregresivă a ecuaţiei;
- rt-k este lag-ul de ordinul k al randamentului;
- ξi este coeficientul asociat variabilei rt-k;
- εt este termenul eroare pentru momentul t.
O valoare semnificativ diferită de zero a unui coeficient indică o posibilă prezenţă a unei
anomalii calendaristice asociată mediei randamentelor.
ii. Ecuaţia varianţei condiţionate. Spre deosebire de cazul unei regresii OLS, la un
model GARCH termenii eroare εt sunt caracterizaţi prin heteroskedasticitate, ceea ce
înseamnă că varianţa în raport cu variabilele independente nu este constantă. Evoluţia în
timp a acestei varianţe ( t2 ) este exprimată printr-o ecuaţie, care în forma unui model
GARCH clasic are expresia:
s 1 q p
t2 i Dti i t2i i t2i (2.14.)
i 1 i 1 i 1
unde:
- ψ este un termen constant;
- θi este un coeficient asociat variabilei dummy Di;
- q este numărul lag-urilor pătratelor termenului eroare;
- αi este un coeficient asociat lag-ului de ordin i al pătratului termenului eroare;
- p este numărul lag-urilor varianţei;
- βi este un coeficient asociat lag-ului de ordin i al varianţei.
Anomaliile calendaristice în raport cu volatilitatea pot fi depistate prin testarea
semnificaţiei coeficienţilor θi.
Bibliografie
Agrawal, A., & Tandon, K. (1994). Anomalies or illusions? Evidence from stock markets in eighteen countries. Journal of
International Money and Finance, 13(1), 83-106.
Al-Rjoub, S. A., & Alwaked, A. (2010). January effect during financial crises: Evidence from the US. European Journal of
Economics, Finance and Administrative Sciences, 24(24), 29-35.
Andersen, T. G., Bollerslev, T., & Diebold, F. X. (2009). Parametric and Nonparametric Volatility Measurement. In Ait-Sahalia,Y &
Hansen, L.P. (Eds). Handbook of Financial Econometrics: Tools and Techniques, Vol.1, Elsevier, Amsterdam, 67-138.
Ariel, R. A. (1990). High stock returns before holidays: Existence and evidence on possible causes. The Journal of Finance, 45(5),
1611-1626.
Baillie, R. T., & DeGennaro, R. P. (1990). Stock returns and volatility. Journal of Financial and Quantitative Analysis, 25(2), 203-214.
Balaban, E. (1995). January effect, yes! What about Mark Twain effect?, The Central Bank of The Republic of Turkey - Research
Department - Discussion Paper No. 9509. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.144.5532&rep=rep1&type=pdf
Barberis, N., & Thaler, R. (2003). A survey of behavioral finance. Handbook of the Economics of Finance, 1, 1053-1128.
Bekaert, G., & Harvey, C. R. (2003). Emerging markets finance. Journal of Empirical Finance, 10(1-2), 3-55.
Bhattacharya, K., Sarkar, N., & Mukhopadhyay, D. (2003). Stability of the day of the week effect in return and in volatility at the
Indian capital market: a GARCH approach with proper mean specification. Applied Financial Economics, 13(8), 553-563.
Białkowski, J., Etebari, A., & Wisniewski, T. P. (2012). Fast profits: Investor sentiment and stock returns during Ramadan. Journal of
Banking & Finance, 36(3), 835-845.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
Bollerslev, T. (1987). A conditionally heteroskedastic time series model for speculative prices and rates of return. The Review of
Economics and Statistics, 542-547.
Borges, R. (2009). Calendar Effects in Stock Markets: Critique of Previous Methodologies and Recent Evidence in European
Countries. School of Economics and Management, Technical University of Lisbon, WP 37/2009/DE/UECE.
Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control. 5th Edition, John
Wiley & Sons, New York.
Bouman, S., & Jacobsen, B. (2002). The Halloween indicator," Sell in May and go away": Another puzzle. American Economic
Review, 92(5), 1618-1635.
Brooks, C. (2002). Introductory econometrics for finance. Cambridge University Press, Cambridge.
Cadsby, C. B. (1989). Canadian calendar anomalies and the capital asset pricing model. In Guimaraes, R. M. C., Kingsman, B. G. &
Taylor, S. J. (Eds.) A reappraisal of the efficiency of financial markets (pp. 199-226). Springer-Verlag, Berlin, 199-226.
Campbell, J. Y., Grossman, S. J., & Wang, J. (1993). Trading volume and serial correlation in stock returns. The Quarterly Journal of
Economics, 108(4), 905-939.
Campbell, J. Y., Lo, A. W., & MacKinlay, A. C. (1997). The econometrics of financial markets Princeton University Press, New
Jersey.
Chambet, A., & Gibson, R. (2008). Financial integration, economic instability and trade structure in emerging markets. Journal of
International Money and Finance, 27(4), 654-675.
Coutts, J. A., & Sheikh, M. A. (2002). The anomalies that aren't there: the weekend, January and pre-holiday effects on the all gold
index on the Johannesburg Stock Exchange 1987-1997. Applied Financial Economics, 12(12), 863-871.
Cross, F. (1973). The behavior of stock prices on Fridays and Mondays. Financial Analysts Journal, 67-69.
Darrat, A. F., Li, B., Liu, B., & Su, J. J. (2011). A Fresh Look at Seasonal Anomalies: An International Perspective. International
Journal of Business & Economics, 10(2), 93-116.
Davidson, R., & MacKinnon, J. G. (2004). Econometric theory and methods. Oxford University Press, Oxford.
De Bondt, W. F., Muradoglu, G., Shefrin, H., & Staikouras, S. K. (2008). Behavioral Finance: Quo Vadis?. Journal of Applied
Finance, 18(2), 7.
Dimson, E., & Marsh, P. (1998). Murphy's law and market anomalies. Journal of Portfolio Management, Vol. 25(2), 53–69.
Dzhabarov, C., & Ziemba, W. T. (2010). Do seasonal anomalies still work?. Journal of Portfolio Management, 36(3), 93.
Dumitriu, R., & Stefanescu R. (2015). Introducere în Finanţele Comportamentale – Partea întâi. SSRN:
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3239590
Dyl, E. A. (1977). Capital gains taxation and year-end stock market behavior. The Journal of Finance, 32(1), 165-175.
Ederington, L. H., & Lee, J. H. (1993). How markets process information: News releases and volatility. The Journal of Finance, 48(4),
1161-1191.
Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation.
Econometrica, 50(4), 987-1007.
Engle, R. F. (1993). Statistical models for financial volatility. Financial Analysts Journal, 49(1), 72-78.
Engle, R. (2001). GARCH 101: The use of ARCH/GARCH models in applied econometrics. Journal of Economic Perspectives, 15(4),
157-168. http://www.stern.nyu.edu/rengle/GARCH101.PDF
Engle, R. F., & Patton, A. J. (2001). What good is a volatility model?. QUANTITATIVE FINANCE, 1, 237-245.
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417. http://e-
m-h.org/Fama70.pdf
Fama, E. F. (1991). Efficient Capital Markets: II. Journal of Finance, 1575-1617. http://m.e-m-h.org/Fama91.pdf
Fama, E. F., & MacBeth, J. D. (1973). Risk, return, and equilibrium: Empirical tests. Journal of Political Economy, 81(3), 607-636.
Fishe, R. P., Gosnell, T. F., & Lasser, D. J. (1993). Good news, bad news, volume, and the Monday effect. Journal of Business
Finance & Accounting, 20(6), 881-892.
French, K. R. (1980). Stock returns and the weekend effect. Journal of Financial Economics, 8(1), 55-69.
French, K. R., Schwert, G. W., & Stambaugh, R. F. (1987). Expected stock returns and volatility. Journal of Financial Economics,
19(1), 3-29.
Gallant, A. R., Rossi, P. E., & Tauchen, G. (1992). Stock prices and volume. The Review of Financial Studies, 5(2), 199-242.
Gibbons, M. R., & Hess, P. (1981). Day of the week effects and asset returns. Journal of business, 579-596.
Greene, W. H. (2008). Econometric analysis, 6th Edition. Prentice Hall, New York.
Gu, A. Y. (2003). The declining January effect: Experience of Five G7 Countries. International Journal of Finance, 15(1).
Gujarati, D. N., & Porter, D. C. (2010). Essentials of econometrics. Fourth Edition, McGraw-Hill-Irwin, Boston.
Gultekin, M. N., & Gultekin, N. B. (1983). Stock market seasonality: International evidence. Journal of Financial Economics, 12(4),
469-481.
Hansen, P., Lunde, A., & Nason, J. (2005). Testing the significance of calendar effects.
Hirshleifer, D., & Shumway, T. (2003). Good day sunshine: Stock returns and the weather. The Journal of Finance, 58(3), 1009-1032.
Holden, K., Thompson, J., & Ruangrit, Y. (2005). The Asian crisis and calendar effects on stock returns in Thailand. European Journal
of Operational Research, 163(1), 242-252.
Husain, F. (1998). A seasonality in the Pakistani equity market: The Ramadhan effect. The Pakistan Development Review, 77-81.
Jacobs, B. I., & Levy, K. N. (1988). Calendar anomalies: Abnormal returns at calendar turning points. Financial Analysts Journal, 28-
39.
Jensen, M. (1978). Some anomalous evidence regarding market efficiency. Journal of Financial Economics, 6( 2/3), 95-101.
Kamstra, M. J., Kramer, L. A., & Levi, M. D. (2012). A careful re-examination of seasonality in international stock markets:
Comment on sentiment and stock returns. Journal of Banking & Finance, 36(4), 934-956.
Karpoff, J. M. (1987). The relation between price changes and trading volume: A survey. Journal of Financial and Quantitative
Analysis, 22(1), 109-126.
Keim, D. B. (1983). Size-related anomalies and stock return seasonality: Further empirical evidence. Journal of Financial Economics,
12(1), 13-32.
Keim, D. B., & Stambaugh, R. F. (1984). A further investigation of the weekend effect in stock returns. The Journal of Finance, 39(3),
819-835.
Kemmerer, E. W. (1911). Seasonal variations in the New York money market. The American Economic Review, 1(1), 33-49.
https://www.jstor.org/stable/pdf/1802906.pdf
Kolb, R. W., & Rodriguez, R. J. (1987). Friday the thirteenth:‘Part VII’—a note. The Journal of Finance, 42(5), 1385-1387.
Lai, T. L., & Xing, H. (2008). Statistical models and methods for financial markets. Springer, New York.
Lakonishok, J., & Smidt, S. (1988). Are seasonal anomalies real? A ninety-year perspective. The Review of Financial Studies, 1(4),
403-425.
Malkiel, B. G. (2003). The efficient market hypothesis and its critics. Journal of Economic Perspectives, 17(1), 59-82.
Pardo Tornero, Á., & Lucey, B. (2003). Why Investors Should not be Cautious about the Academic Approach to Testing for Stock
Market Anomalies. SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=463600
Patel, J. B. (2016). The January effect anomaly reexamined in stock returns. Journal of Applied Business Research, 32(1), 317.
Pearce, D. K. (1996). The robustness of calendar anomalies in daily stock returns. Journal of Economics and Finance, 20(3), 69-80.
Penman, S. H. (1987). The distribution of earnings news over time and seasonalities in aggregate stock returns. Journal of Financial
Economics, 18(2), 199-228.
Pettit, R. R. (1972). Dividend announcements, security performance, and capital market efficiency. The Journal of Finance, 27(5),
993-1007.
Rogalski, R. J. (1984). New findings regarding day-of-the-week returns over trading and non-trading periods: a note. The Journal of
Finance, 39(5), 1603-1614.
Rozeff, M. S., & Kinney Jr, W. R. (1976). Capital market seasonality: The case of stock returns. Journal of Financial Economics, 3(4),
379-402.
Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The Journal of Finance, 19(3),
425-442.
Shiller, R. J. (2003). From efficient markets theory to behavioral finance. Journal of Economic Perspectives, 17(1), 83-104.
Stefanescu, R., & Dumitriu, R. (2015). Conţinutul analizei seriilor de timp financiare. SSRN:
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2672628
Stefanescu, R., & Dumitriu, R. (2016a). Statistica descriptivă a seriilor de timp financiare. SSRN:
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2801838
Stefanescu, R., & Dumitriu, R. (2016b). Particularitǎţi ale evoluţiei variabilelor financiare. SSRN:
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2833564
Stefanescu, R., & Dumitriu, R. (2018). Introducere în analiza trendului, Partea întâi. SSRN:
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3128521
Swinkels, L., & Van Vliet, P. (2012). An anatomy of calendar effects. Journal of Asset Management, 13(4), 271-286.
Terrell, G. R., & Scott, D. W. (1985). Oversmoothed nonparametric density estimates. Journal of the American Statistical Association,
80(389), 209-214.
Thaler, R. H. (1987). Anomalies: weekend, holiday, turn of the month, and intraday effects. Journal of Economic Perspectives, 1(2),
169-177.
Tsay, R. S. (2002). Analysis of financial time series. John Wiley & Sons, New York.
Wong, W. K., Agarwal, A., & Wong, N. T. (2006). The disappearing calendar anomalies in the Singapore stock market.
Worthington, A. C. (2010). The decline of calendar seasonality in the Australian stock exchange, 1958–2005. Annals of Finance, 6(3),
421-433.
Ziemba, W. T. (1994). World wide security market regularities. European Journal of Operational Research, 74(2), 198-229.