Sunteți pe pagina 1din 45

M PRA

Munich Personal RePEc Archive

An introduction to the analysis of the


calendar anomalies, Part 1

Răzvan Stefanescu and Ramona Dumitriu

”Dunarea de Jos” University of Galati, ”Dunarea de Jos” University


of Galati

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

Această lucrare abordează unele dintre principalele caracteristici ale anomaliilor


calendaristice precum cauzele acestora, persistenţa lor în timp sau posibilităţile de a le
utiliza in elaborarea strategiilor de investiţii. Sunt prezentate, totodată, câteva dintre
tehnicile folosite pentru identificarea efectelor calendaristice.
Capitolul 1
Conceptul de anomalie calendaristică

1.1. Definirea anomaliilor calendaristice


Unul dintre argumentele majore aduse de adepţii Finanţelor Comportamentale împotriva
Ipotezei Pieţelor Eficiente, formulată de Eugen Francis Fama (1991), se referă la prezenţa
aşa-numitelor anomalii financiare. Acestea desemnează diferite posibilităţi de a „învinge”
o piaţă obţinând în mod sistematic o rentabilitate semnificativ superioară nivelului mediu.
Dintre anomaliile financiare se remarcă, prin amploarea utilizării, cele calendaristice
(numite şi efecte calendaristice) care sunt asociate unor intervale cronologice din
activitatea pieţelor financiare în care sunt realizate, de regulă, rentabilităţi semnificativ
diferite faţă de medie (Jensen, 1978; Barberis & Thaler, 2003; Malkiel, 2003; Shiller,
2003; De Bondt et al., 2008). O anomalie calendaristică poate fi asimilată unei
componente sezoniere, generată de factori cu acţiune repetitivă pentru intervale
calendaristice mai mici de un an, a evoluţiei preţului (cursului) unui activ tranzacţionat pe
o piaţă financiară. Perioadele asociate acestor anomalii pot lua diferite forme:
- ore ale programului de tranzacţionare al unei pieţe financiare;
- zilele lucrătoare ale săptămânii;
- lunile anului;
- anumite perioade ale unei luni calendaristice (început, sfârşit, prima jumătate, prima
treime etc.);
- trimestre;
- intervale cronologice asociate calendarelor religioase (zilele de post, sărbători
religioase etc.);
- perioade electorale sau cele asociate unor competiţii sportive;
- perioadele de vacanţă din timpul unui an etc. (Kemmerer, 1911; Rogalski, 1984;
Thaler, 1987; Jacobs & Levy, 1988; Pearce, 1996; Husain, 1998).
În ultimele decenii, domeniul acestor anomalii s-a aflat într-un proces de schimbări
considerabile, fiind relevate noi efecte calendaristice sau adăugându-se alte interpretări
celor descoperite anterior.

Perioada de tranzacţii la care se referă dă, adeseori, denumirea unei anomalii


calendaristice. Este cazul „Efectului Ianuarie”, care descrie o rentabilitate sporită a
tranzacţiilor din prima lună a anului, sau a „Efectului Weekend”, materializat prin
înregistrarea, în ziua de luni, ale unor valori ale cursurilor care sunt, de regulă, mult mai
mari faţă de cele din ultima zi lucrătoare a zilei precedente etc. (Cross, 1973; Rozeff &
Kinney Jr, 1976; Gultekin & Gultekin, 1983; Keim & Stambaugh, 1984). De remarcat că
există şi „Efectul Mark Twain” care desemnează o rentabilitate scăzută a investiţiilor în
luna octombrie şi care işi datorează numele unui comentariu ironic al marelui scriitor în
nuvela „Wilson Nătângul”: „Octombrie...Este una dintre lunile foarte periculoase pentru
speculaţii la bursă. Celelalte sunt: iulie, ianuarie, septembrie, aprilie, noiembrie, mai,
martie, iunie, decembrie, august şi februarie.” (Cadsby, 1989; Balaban, 1995).
Cele mai frecvent studiate anomalii calendaristice sunt cele asociate pieţelor de capital,
pe care operaţiunile speculative, marcate adeseori de iraţionalitate, deţin o pondere foarte
mare. Aceste anomalii au fost investigate atât la nivelul cursurilor acţiunilor unor anumite
firme, cât şi pentru segmente întregi de piaţă sau pentru ansamblul unor pieţe, pe baza
indicilor bursieri. A fost relevată, totodată, prezenţa unor efecte calendaristice pe pieţele
valutare. Totuşi, în acest caz, trebuie luată în considerare, pentru unele ţări, intervenţia
activă a băncii centrale care poate anihila efectele operaţiunilor speculative.

Dintr-o perspectivă practică, cunoaşterea unei anomalii calendaristice poate fi exploatată


printr-o strategie specifică de investiţii. Să luăm exemplul unui investitor care a studiat
evoluţia valorilor zilnice ale cursurilor acţiunilor companiei International Business
Machines Corporation (IBM) în perioada ianuarie 2010 – august 2018. Acesta a remarcat
diferenţe substanţiale între valorile medii ale randamentelor simple calculate pentru cele
cinci zile lucrătoare ale săptămânii. În zilele de marţi şi vineri, mediile aritmetice ale
randamentelor simple au fost negative, ceea ce înseamnă că preţurile acţiunilor au scăzut
semnificativ. În schimb, în celelalte zile lucrătoare randamentele simple medii au fost
pozitive, indicând creşteri semnificative ale cursurilor IBM (Figura 1.1.). Dacă ar avea
convingerea că aceste tendinţe se vor menţine în viitorul apropiat, investitorul le-ar putea
exploata prin strategii tranzacţionale care presupun ca acţiunile IBM să fie cumpărate în
zilele de marţi sau vineri, când cursurile sunt în general în scădere, şi vândute în zilele de
luni, miercuri sau joi, atunci când preţurile, de regulă, cresc.

0.1
0.08
0.06
0.04
0.02
0
-0.02 Luni Marti Miercuri Joi Vineri

-0.04
-0.06

Media randamentelor simple IBM

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/

În afara unor tendinţe ale rentabilităţii, anomaliile calendaristice se pot referi şi la


volatilitatea cursului unui activ financiar, care indică gradul de instabilitate al acestuia.
Cu cât fluctuaţiile preţului sunt mai abrupte, cu atât volatilitatea acestuia este mai
ridicată. În cadrul deciziilor de investiţii în active tranzacţionate pe pieţele financiare,
volatilitatea, exprimată prin indicatori statistici ai dispersiei, este utilizată destul de
frecvent pentru a măsura riscurile asociate (Sharpe, 1964; Fama & MacBeth, 1973;
Schwert, 1990). Din acest motiv, în ultimele decenii, a crescut ponderea studiilor care
investighează manifestări sezoniere ale volatilităţii.

1.2. Repere ale studiului anomaliilor calendaristice


Studiul unei anomalii calendaristice abordează aspecte variate. Vom prezenta succint, în
continuare, câteva dintre acestea:
a. cauzele efectelor calendaristice;
b. persistenţa în timp;
c. manifestările diferite pe pieţele financiare dezvoltate şi emergente.

a. Cauzele efectelor calendaristice. Pentru existenţa anomaliilor calendaristice au fost


formulate, în literatura financiară, diverse explicaţii:
- variaţia sezonieră a activităţii din unele sectoare ale economiei;
- impactul climei;
- considerente fiscale;
- incertitudinea asupra evenimentelor care pot surveni în zilele în care pieţele nu
funcţionează;
- practica unor societăţi de investiţii de a-şi cosmetiza rezultatele financiare de la
sfârşitul anumitor perioade (luni sau trimestre) sporind ponderea activelor ce
promit rentabilitate semnificativă pe termen scurt;
- superstiţiile asociate numerelor considerate norocoase sau care, dimpotrivă, ar
purta ghinion;
- impactul unor sentimente religioase asupra investitorilor;
- efectele publicării, cu regularitate, a rezultatelor companiilor listate la burse sau a
unor indicatori macroeconomici;
- spiritul de vacanţă etc. (Pettit, 1972; Dyl, 1977; French, 1980; Gibbons & Hess,
1981; Gultekin & Gultekin, 1983; Keim, 1983; Kolb & Rodriguez, 1987;
Penman, 1987; Lakonishok & Smidt, 1988; Ariel, 1990; Fishe et al., 1993;
Agrawal & Tandon, 1994; Ziemba, 1994; Bouman & Jacobsen, 2002; Hirshleifer
& Shumway, 2003; Kamstra et al., 2012).

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.

S-a constatat că unele anomalii calendaristice se comportă diferit în perioadele turbulente


faţă de cele relativ calme. De exemplu, în timpul crizei pieţelor financiare din Asia de
Sud-Est din 1997 – 1998 sau a celei globale din 2007-2009, unele anomalii au dispărut
iar altele, dimpotrivă, au devenit mai pronunţate (Holden et al., 2005; Wong et al., 2006;
Al-Rjoub & Alwaked, 2010). Posibilitatea unor astfel de schimbări trebuie luată în
considerare atunci când se încearcă exploatarea efectelor calendaristice prin strategii de
investiţii.

c. Manifestările diferite pe pieţele financiare dezvoltate şi emergente. Unele studii au


relevat unele diferenţe semnificative între pieţele financiare dezvoltate şi cele emergente
în ce priveşte efectele calendaristice. S-a constatat, de exemplu, că anumite anomalii care
dispăruseră de pe pieţele dezvoltate sunt, deocamdată, prezente pe cele emergente. Astfel
de situaţii au fost explicate prin unele trăsături specifice ale celor două tipuri de pieţe. În
general, pieţele emergente sunt mai volatile decât cele dezvoltate iar strategiile de
investiţii mai puţin sofisticate. În ultimii ani, odată cu intensificarea procesului de
globalizare financiară, impactul pieţelor dezvoltate asupra celor emergente a crsecut
semnificativ (Bekaert & Harvey, 2003; Chambet & Gibson, 2008).
Capitolul 2
Procedee ale analizei anomaliilor calendaristice

Studiul anomaliilor calendaristice utilizează tehnici specifice analizei seriilor de timp


financiare. În acest capitol vom aborda succint câteva categorii de procedee aplicate
frecvent în astfel de demersuri:
- tehnici de culegere a datelor;
- determinarea randamentelor seriilor de timp;
- calculul unor indicatori ai statisticii descriptive;
- reprezentări grafice ale randamentelor seriilor de timp;
- studiul trendurilor seriilor de timp;
- regresii cu variabile binare.

2.1. Culegerea datelor utilizate în analiza anomaliilor


calendaristice
Este indicat ca datele utilizate în analiza anomaliilor calendaristice să fie transpuse în
serii cronologice, cu diferite frecvenţe: orare, zilnice, săptămânale, lunare etc. (Campbell
et al., 1997; Box et al., 2015). De regulă, calculele implicate de identificarea efectelor
calendaristice necesită serii de timp cu un număr considerabil de termeni (Brooks, 2002;
Tsay, 2002; Hansen et al., 2005).

În general, o piaţă financiară dispune de un website propriu de unde pot fi obţinute,


gratuit sau contra cost, informaţii asupra tranzacţiilor. Unele instituţii, publice sau
private, pun, de asemenea, la dispoziţie date asupra variabilelor financiare. De exemplu,
în cazul pieţei de capital din România, valorile istorice ale celor mai importanţi indici
bursieri şi ale cursurilor acţiunilor companiilor listate pe piaţa de capital sunt furnizate de
website-ul Bursei de Valori din Bucureşti (http://www.bvb.ro/). De asemenea, website-ul
Băncii Naţionale a României (http://www.bnro.ro/) oferă date asupra evoluţiei pieţei
valutare. Pentru tranzacţiile de pe cele mai importante pieţe financiare internaţionale pot
fi obţinute informaţii utilizând unele motoare de căutare pe Internet precum Yahoo!
Finance (https://finance.yahoo.com/).

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/

Un aspect important este reprezentat de alegerea eşantioanelor de date. Acestea trebuie să


fie suficient de mari pentru a putea proba fără echivoc existenţa anomaliilor
calendaristice (adeseori sunt folosite eşantioane cu mii de observaţii). Atunci când se
delimitează un eşantion trebuie luate în considerare eventualele schimbări structurale prin
care a trecut piaţa pe parcursul perioadei studiate, neglijarea acestora putând conduce la
distorsionarea analizei. De exemplu, în Figura 2.1. este prezentată evoluţia indicelui Dow
Jones Industrial Average, care reflectă valorile acţiunilor din piaţa de capital a Statelor
Unite, în perioada 2006 – 2012. Este evident că, după tendinţa ascendentă a pieţei din
anul 2006 şi prima jumătate a anului 2007, criza globală a provocat un declin al
cursurilor, care a durat până la începutul anului 2009 când creşterea preţurilor s-a reluat.
La trecerea de la o tendinţa ascendentă la una descendentă, unii factori cu influenţă
relevantă asupra cursurilor îşi pot schimba mecanismele de acţiune. Din acest motiv ar fi
indicată împărţirea perioadei 2006 – 2012 în trei sub-eşantioane corespunzătoare celor
trei faze, ceea ce ar permite analiza persistenţei în timp a unor efecte calendaristice.
2.2. Indicatori ai rentabilităţii tranzacţiilor din pieţele
financiare
Pentru studiul anomaliilor calendaristice este de dorit să fie folosiţi indicatori ai
rentabilităţii tranzacţiilor uşor de transpus în serii de timp. Pentru un moment curent al
unei serii de timp este luată în considerare situaţia în care este vândut un activ, cumpărat
la un moment imediat anterior. Venitul net este asimilat sporului cu bază în lanţ, adică
diferenţei dintre preţul de vânzare (cursul din momentul curent) şi cel de cumpărare
(cursul din momentul imediat anterior) iar investiţia iniţială este dată tot de preţul de
cumpărare (nu sunt incluse în calcule eventualele venituri din dividende, cheltuielile
generate de comisioanele plătite broker-ilor sau dealer-ilor etc.). Vom prezenta, în
continuare, trei mărimi utilizate frecvent în analiza anomaliilor calendaristice:
- randamentele simple;
- randamentele logaritmice;
- randamente relative la niveluri de referinţă.

2.2.1. Calculul randamentelor simple


Un randament simplu al unei tranzacţii poate fi obţinut raportând venitul net (variaţia
preţului) la investiţia iniţială (preţul din momentul anterior). Formula sa de calcul este
similară celei folosite pentru determinarea ritmului de creştere al unei variabile:

( 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

Tabelul 2.1. Determinarea randamentelor simple aferente evoluţiei cursului leu


românesc/franc elveţian din perioada 10 – 13 septembrie 2018
Data Curs valutar Variaţie zilnică Randament Randament
zilnic (spor) simplu - ritm simplu - formă
[RON/CHF] [RON/CHF] zilnic de creştere procentuală
( Rt ) ( Rt% )

10 sept. 2018 4,1113 x x x


11 sept. 2018 4,1001 -0,0112 -0,0027 -0,27%
12 sept. 2018 4,1116 0,0115 0,0028 0,28%
13 sept. 2018 4,1165 0,0049 0,0012 0,12%
Sursa datelor: http://www.bnro.ro

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.

Aplicaţia rezolvată 2.1.


Determinarea randamentelor simple ale acţiunilor APPLE Inc. în
perioada ianuarie 2013 – iunie 2018
Datele zilnice asupra evoluţiei cursurilor acţiunilor companiei Apple Inc., listată la Bursa
din New York, din perioada 31 decembrie 2012 – 29 iunie 2018 (pentru a calcula
randamentul primei zile lucrătoare din anul 2013 este nevoie de valoarea cursului din
ultima zi lucrătoare a anul 2012) le obţinem cu ajutorul web-site-ului Yahoo! Finance.
Utilizăm valorile ajustate de închidere ale cursurilor, care în datele puse la dispoziţie de
Yahoo! Finance apar sub denumirea „Adj Close” (Figura 2.2.). Ne poziţionăm pe coloana
alăturată datelor culese cu un rând mai jos faţă de etichetele acestora (reamintim că
pentru primul termen al unei serii de timp nu poate fi calculat randamentul) şi înscriem
eticheta noii variabile: „R_APPLE” (ar fi fost mai riguros să utilizăm denumirea
R%APPLE numai că aceasta ar fi fost mai dificil de transpus într-o foaie de lucru Excel). Pe
rândul următor introducem relaţia de calcul a randamentului simplu pentru 2 ianuarie
2013: înmulţim cu 100 diferenţa dintre termenul curent şi cel imediat precedent (F3-F2)
şi împărţim apoi la valoarea termenului precedent (F2).
Figura 2. 2. Determinarea randamentelor simple ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

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

Figura 2. 3. Seria de timp a randamentelor simple ale cursurilor APPLE Inc.


Sursa datelor: https://finance.yahoo.com/

2.2.2. Calculul randamentelor logaritmice

Atunci când evoluţiile cursurilor pieţelor financiare sunt încadrate în modele


multiplicative sunt utilizate randamente logaritmice (rt), calculate prin relaţia:
Pt
rt  ln( Pt )  ln( Pt 1 )  ln( ) (2.3.)
Pt 1

La fel ca în cazul randamentelor simple, pentru a transpune randamentele logaritmice


într-o formă procentuală poate fi folosită formula:

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%.

Tabelul 2.2. Determinarea randamentelor logaritmice aferente evoluţiei indicelui BET


din perioada 10 – 13 septembrie 2018
Data Indice Indice al Randament Randament logaritmic
BET [lei] dinamicii logaritmic - formă procentuală
( rt ) ( rt% )
10 sept. 2018 8331,45 x x x
11 sept. 2018 8282,11 0,9941 -0,0059 -0,59%
12 sept. 2018 8261,86 0,9976 -0,0024 -0,24%
13 sept. 2018 8206 0,9932 -0,0068 -0,68%
Sursa datelor: http://www.bvb.ro/

Vom prezenta, în continuare, modul de calcul al randamentelor logaritmice prin


intermediul programului Microsoft Excel.

Aplicaţia rezolvată 2.2.


Determinarea randamentelor logaritmice ale acţiunilor APPLE Inc. din
perioada ianuarie 2013 – iunie 2018
Utilizăm, şi de această dată, valorile cursurilor APPLE Inc., înscrise în aplicaţia
anterioară într-o foaie de lucru Excel (Figura 2.4.). Ne poziţionăm alături de coloana
randamentelor simple, din nou cu un rând mai jos faţă de etichetele datelor culese, unde
introducem eticheta randamentului logaritmic: „r_APPLE” (ar fi fost mai riguros, şi de
această dată, să utilizăm denumirea r%APPLE ). Aplicăm, apoi, formula de calcul a noii
variabile: înmulţim cu 100 valoarea logaritmată a raportului dintre preţul de închidere al
zilei curente şi cel al zilei imediat precedente (F3/F2). Pentru a obţine randamentul
logaritmic din 2 ianuarie 2013 apăsăm tasta „Enter”, operaţiune urmată, din nou, de
translatarea relaţiei de calcul pentru ceilalţi termeni, până la sfârşitul seriei.

Figura 2.4. Determinarea randamentelor logaritmice ale cursurilor APPLE Inc.


Sursa datelor: https://finance.yahoo.com/

Seria de timp a randamentelor logaritmice este prezentată în Figura 2.5.

10

-5

-10

-15
Jan-13 Sep-13 May-14 Jan-15 Sep-15 May-16 Jan-17 Sep-17 May-18

r_APPLE

Figura 2. 5. Seria de timp a randamentelor logaritmice ale cursurilor APPLE Inc.


Sursa datelor: https://finance.yahoo.com/

2.2.3. Calculul randamentelor relative la niveluri de referinţă

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.

În Tabelul 2.3. este exemplificat calculul randamentelor logaritmice în exces ale


cursurilor acţiunilor companiei Walmart Inc., de la Bursa de Valori din New York, în
perioada 17 – 21 septembrie 2018. Am folosit drept activ etalon un portofoliu compus din
acţiunile pe baza cărora este calculat indicele DJIA (Dow Jones Industrial Average).
Pornind de la valorile ajustate de închidere determinăm randamentele logaritmice ale
celor două variabile. Calculăm, apoi, prin intermediul relaţiei (2.5.) randamentele în
exces. Pentru ziua de 19 septembrie, de exemplu, scăzând din randamentul Walmart Inc.
pe cel al indicelui DJIA obţinem: -0,199% - 0,603% = -0,802%.

Tabelul 2.3. Determinarea randamentelor logaritmice în exces ale cursurilor acţiunilor


companiei Walmart Inc. în perioada 17 – 21 septembrie 2018
Data DJIA - Walmart DJIA - Walmart Inc. - Walmart Inc. -
Valori Inc. - Valori Randament Randament Randament în
ajustate de ajustate de logaritmic logaritmic exces
închidere închidere (r_DJIA) (r_Walmart) (z_Walmart)
[USD] [USD] [%] [%] [%]
17-Sep-18 26062,12 94,82 x x x
18-Sep-18 26246,96 95,43 0,707 0,641 -0,066
19-Sep-18 26405,76 95,24 0,603 -0,199 -0,802
20-Sep-18 26656,98 95,75 0,947 0,534 -0,413
21-Sep-18 26743,5 95,9 0,324 0,157 -0,167
Sursa datelor: https://finance.yahoo.com/

2.3. Utilizări ale statisticii descriptive în studiul anomaliilor


calendaristice

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.

a. Caracterizarea generală a evoluţiei randamentelor unei variabile financiare.


Pentru a descrie rentabilitatea unui activ financiar dintr-o anumită perioadă sunt
utilizaţi, de regulă, indicatori ai tendinţei centrale a randamentelor: media aritmetică,
mediana, modul, medii trunchiate etc. (Campbell et al., 1997; Tsay, 2002). Valorile
pozitive ale acestora indică, pe ansamblu, perioade ascendente ale cursurilor activelor
studiate (bull markets) în timp ce valorile negative reflectă perioade de declin a
rentabilităţii (bear markets).

b. Studiul volatilităţii cursurilor activelor financiare. Mărimile dispersiei


(varianţa, abaterea standard, coeficientul de variaţie etc.) pot oferi o imagine asupra
volatilităţii cursurilor dintr-o anumită perioadă. Cu cât omogenitatea valorilor este
mai redusă, cu atât volatilitatea cursurilor este mai accentuată, iar riscurile aferente
investiţiilor sunt mai mari.

c. Asocierea distribuţiilor statistice către seriile de randamente ale variabilelor


financiare. Pentru o analiză riguroasă a anomaliilor calendaristice este important să
se cunoască în ce măsură seriile de timp ale randamentelor pot fi asociate unor
distribuţii statistice. Foarte multe procedee de analiză pot fi aplicate cu succes doar
atunci când variabilele studiate urmează o distribuţie normală, caracterizată prin
simetrie şi boltire mezokirtică. Prin intermediul valorilor coeficienţilor de asimetrie şi
ale kurtosis-ului pot fi emise aprecieri iniţiale asupra caracteristicilor distribuţiei
randamentelor. O abordare mai riguroasă presupune utilizarea unor teste statistice (în
cazul distribuţiei normale pot fi folosite testul Jarque-Bera, testul Shapiro-Wilk, testul
Doornik-Hansen etc.) calculate, de asemenea, pe baza unor mărimi ale statisticii
descriptive.

d. Aprecierea staţionarităţii seriilor de timp. Staţionaritatea unui proces,


desemnată de calitatea acestuia de a nu îşi modifica în timp proprietăţile structurale
(exprimate prin media aritmetică, indicatori ai dispersiei, ai corelaţiei etc.) este o
trăsătură importantă din perspectiva analizei seriilor cronologice. Atunci când o serie
de timp este nestaţionară, rezultatele unor metode ce au la bază tehnici de regresie
(folosite frecvent în analiza efectelor calendaristice) pot fi distorsionate. Pentru
investigarea staţionarităţii unei serii de timp pot fi aplicate diferite teste statistice
precum ADF (Augmented Dickey–Fuller), KPSS (Kwiatkowski–Phillips–Schmidt–
Shin) sau Phillips–Perron.

e. Demersuri de identificare a efectelor calendaristice. Prin comparaţii între


indicatori ai tendinţei centrale sau dispersiei din diferite intervale calendaristice putem
sesiza componentele sezoniere ale evoluţiei randamentelor.
Din perspectiva rigorii ştiinţifice, simplele comparaţii între mărimile statisticii
descriptive nu sunt suficiente pentru a proba existenţa anomaliilor calendaristice.
Principalul motiv ar fi că aceste comparaţii nu pot fi realizate decât pe baza unor
eşantioane de date (analizele unor astfel de serii de timp nu pot fi întreprinse la nivelul
ansamblului populaţiei statistice). În aceste circumstanţe, este necesară folosirea unor
tehnici ale statisticii inferenţiale, prin care să fie apreciată semnificaţia rezultatelor
comparaţiilor. În general, un astfel de demers cuprinde câteva etape esenţiale:
- se formulează ipoteza nulă (H0), care presupune că nu sunt diferenţe semnificative
între parametrii (media aritmetică a randamentelor, abaterea standard a acestora etc.)
care descriu perioadele de timp comparate;
- se aplică un test statistic (testul z sau testul t pentru atunci când se compară mediile
aritmetice, testul F pentru comparaţii între varianţe, teste non-parametrice etc.) care
permite aprecierea veridicităţii ipotezei nule;
- în funcţie de rezultatul testului statistic se decide dacă ipoteza nulă trebuie acceptată
sau respinsă.
În cazul respingerii ipotezei nule este acceptată opusa acesteia, ipoteza alternativă
(H1) care admite diferenţe semnificative între parametri (altfel spus, anomalia
calendaristică studiată este prezentă).

Numărul mare de observaţii al seriilor de timp utilizate în studiul anomaliilor


calendaristice impune, şi în cazul calculului indicatorilor statisticii descriptive,
utilizarea unor programe software specializate . Vom prezenta, în continuare,
determinarea unor mărimi ale statisticii descriptive prin intermediul componentei
„Data Analysis” a programului Microsoft Excel.

Aplicaţia rezolvată 2.3.


Calculul, prin componenta „Data Analysis” a unor indicatori ai
statisticii descriptive a randamentelor acţiunilor APPLE Inc.

Revenim la foaia de lucru Microsoft Excel în care am determinat randamentele simple şi


logaritmice. Din fereastra de dialog asociată componentei „Data Analysis” selectăm
opţiunea „Descriptive Statistics” după care aplicăm un „click” asupra butonului „OK”
(Figura 2.6.).

Figura 2.6. Alegerea opţiunii „Descriptive Statistics” pentru calculul indicatorilor


statisticii descriptive a randamentelor cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
În noua fereastră de dialog care ni se deschide, introducem datele necesare pentru
calculul indicatorilor statisticii descriptive:
- la rubrica „Input Range” înscriem adresele celulelor unde se află valorile
randamentelor, inclusiv etichetele acestora;
- menţinem gruparea datelor pe coloane (lăsăm marcată opţiunea „Columns”);
- marcăm opţiunea „Labels in first rows” pentru a preciza că primele rânduri
selectate găzduiesc etichetele variabilelor;
- alegem locul unde vor fi afişate rezultatele marcând, din cele trei variante ce ni se
propun, opţiunea „New Worksheet Ply” astfel încât indicatorii statisticii
descriptive vor fi înscrişi într-o nouă foaie de lucru, pe care o denumim
„Statistica descriptiva”;
- marcăm opţiunea „Summary Statistics” prin intermediul căreia ne vor fi
furnizate valorile celor mai importanţi indicatori ai statisticii descriptive: media
aritmetică, mediana, abaterea standard, varianţa, kurtosis-ul în exces, coeficientul
de asimetrie, amplitudinea, valoarea minimă şi cea maximă, numărul de observaţii
etc.;
- lăsăm nemarcate opţiunile „Confidence Level for Mean”, „Kth Largest” şi
„Kth Smallest”, care se referă la indicatori ce nu ne sunt necesari în această
aplicaţie (Figura 2.7.).
-

Figura 2.7. Completarea, în fereastra de dialog a opţiunii „Descriptive Statistics”, a


datelor folosite în calculul indicatorilor statisticii descriptive a randamentelor cursurilor
APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
După aplicarea unui „ click” asupra butonului „OK” este creată noua foaie de lucru
„Statistica descriptiva” care conţine principalii indicatori ai statisticii descriptive:
- media aritmetică ( „Mean”);
- mediana („Median”);
- abaterea standard ( „ Standard Deviation”),
- varianţa („Variance”);
- kurtosis-ul în exces („Kurtosis”);
- coeficientul de asimetrie („Skewness”);
- valoarea minimă ( „Minimum”);
- valoarea maximă ( „Maximum”);
- amplitudinea („Range”);
- numărul de observaţii („Count”) etc. (Figura 2.8.).

Figura 2.8. Indicatori ai statisticii descriptive a randamentelor cursurilor APPLE Inc.


Sursa datelor: https://finance.yahoo.com/

Valorile indicatorilor statisticii descriptive permit o caracterizare sumară a celor două


variabile (Tabelul 2.4.). Media aritmetică şi mediana sunt pozitive atât pentru
randamentele simple cât şi pentru cele logaritmice. Abaterea standard şi varianţa indică
dispersii considerabile ale celor două serii de timp. Valorile kurtosis-ului în exces,
semnificativ pozitive, sunt simptome ale unor boltiri ascuţite (leptokurtice). Ambele serii
au asimetrii semnificativ negative.
Tabelul 2.4. Indicatori ai statisticii descriptive pentru randamentele simple şi logaritmice
ale cursurilor APPLE Inc.
Indicator Randament simplu Randament logaritmic
(R_APPLE) (r_APPLE)
Media aritmetică [%] 0,100 0,088
Mediana [%] 0,053 0,053
Abaterea standard [%] 1,528 1,532
Varianţa [(%)2] 2,336 2,347
Kurtosis-ul în exces 5,918 6,762
Coeficientul de -0,306 -0,494
asimetrie
Valoarea minimă [%] -12,356 -13,188
Valoarea maximă [%] 8,198 7,879
Amplitudinea [%] 20,554 21,068
Numărul de observaţii 1384 1384
Sursa datelor: https://finance.yahoo.com/

2.4. Tehnici ale reprezentării grafice aplicate în analiza


anomaliilor calendaristice

Reprezentările grafice au utilizări variate în studiul efectelor calendaristice:


a. evidenţierea diferenţelor dintre randamentele medii ale intervalelor calendaristice;
b. aprecierea staţionarităţii randamentelor;
c. analiza distribuţiilor de frecvenţe ale seriilor de randamente.

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

Media randamentelor simple BET-TR

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).

b. Aprecierea staţionarităţii randamentelor. Reprezentările grafice pot oferi modalităţi


de apreciere a staţionarităţii randamentelor care, deşi nu sunt prea riguroase, au cel puţin
avantajul de fi foarte simplu de aplicat. De exemplu, în Figura 2.10. este prezentată
evoluţia randamentelor logaritmice ale indicelui BET-XT de la Bursa de Valori Bucureşti
din perioada ianuarie – martie 2018. Se poate observa că această serie de timp oscilează
în jurul nivelului mediu având un trend slab descendent, aproape orizontal (analiza
trendurilor va fi abordată într-un sub-capitol ulterior). Pentru perioada analizată s-ar putea
aprecia, pe baza acestei reprezentări grafice, că proprietăţile structurale ale randamentelor
nu au suferit schimbări majore.

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

r_BET-XT Trend liniar

Figura 2.10. Evoluţia randamentelor logaritmice ale indicelui BET-XT (r_BET-XT,


exprimat în procente) din perioada ianuarie – martie 2018
Sursa datelor: http://www.bvb.ro/

c. Analiza distribuţiilor de frecvenţe ale seriilor de randamente. Prin intermediul unor


reprezentări grafice (histograme, diagrame Q-Q etc.) putem sesiza rapid unele proprietăţi
ale distribuţiilor de frecvenţe ale seriilor de randamente care permit asocierea acestora la
unele funcţii probabilistice cunoscute. De exemplu, în Figura 2.11. sunt reprezentate
densităţile de frecvenţe ale randamentelor logaritmice calculate pentru cursul leu
românesc/ leu moldovenesc din perioada august 2005 – august 2018. După cum se poate
observa, dispunerea frecvenţelor diferă semnificativ de „clopotul lui Gauss” asociat
distribuţiilor normale.

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

Figura 2.11. Aprecierea normalităţii randamentelor logaritmice ale cursului leu


românesc/ leu moldovenesc (r_RON_MDL) din perioada august 2005 – august 2018 pe
baza reprezentării grafice a distribuţiei de frecvenţe
Sursa datelor: http://www.bnro.ro

Cea mai des utilizată modalitate de reprezentare grafică a distribuţiei de frecvenţe


asociată unei serii este histograma care repartizează, pentru fiecare interval de variaţie, un
dreptunghi cu suprafaţa proporţională cu frecvenţa. Pentru a determina coordonatele unei
histograme pot fi aplicate diferite procedee. De exemplu, regula Terrell & Scott (1985)
porneşte de la stabilirea numărului de intervale de variaţie (sau de grupe) prin formula:

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

Componenta „Data Analysis” a programului Microsoft Excel oferă posibilitatea de a


determina destul de rapid histograma unei serii de randamente cu un număr mare de
observaţii.
Aplicaţia rezolvată 2.4.
Determinarea, prin componenta „Data Analysis” a histogramelor
randamentelor acţiunilor APPLE Inc.
a. Histograma randamentelor simple

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 2.12. Determinarea numărului de grupe pentru realizarea histogramei


randamentelor simple ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

Pentru a determina lungimea unui interval de variaţie (hR) împărţim amplitudinea


(valoarea acesteia este înscrisă în celula E6) la numărul de grupe pe care l-am rotunjit la
14 (Figura 2.13.).
Figura 2.13. Calculul lungimii unui interval de variaţie pentru realizarea histogramei
randamentelor simple ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

Rotunjim prin majorare valoarea hR la 1,469 (majorăm pentru a fi siguri că valoarea


maximă a seriei va fi inclusă în ultimul interval) şi trecem la delimitarea celor 14 grupe.
Pentru componenta „Data Analysis”, acestea vor fi identificate prin limitele superioare.
În cazul primului interval, limita superioară se obţine adunând la valoarea minimă a seriei
(înscrisă în celula E2) valoarea hR (Figura 2.14.).

Figura 2.14. Stabilirea limitei superioare pentru primul interval al histogramei


randamentelor simple ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
Pentru fiecare dintre celelalte intervale limita superioară rezultă adunând valoarea hR la
limita superioară a celui precedent. Aplicăm această relaţie pentru al doilea interval după
care o translatăm pentru celelalte (Figura 2.15.).

Figura 2.15. Introducerea formulei de calcul a limitei superioare pentru intervalele


histogramei randamentelor simple ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

După delimitarea intervalelor de variaţie alegem, din componenta „Data Analysis”,


opţiunii „Histogram” (Figura 2.16.).

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/

Trecem, apoi, la completarea rubricilor opţiunii „Histogram”:


- introducem, la secţiunea „Input Range” , adresele valorilor randamentelor simple
împreună cu cea a etichetei seriei;
- la secţiunea „Bin Range” înscriem adresele limitelor superioare ale intervalelor
de variaţie şi cea a etichetei seriei;
- marcăm opţiunea „Labels” care permite delimitarea etichetelelor;
- alegem locul unde vor fi afişate rezultatele marcând opţiunea „Output Range” şi
selectând un spaţiu suficient de mare din foaia de lucru;
- alegem tipurile de reprezentări grafice dorite marcând opţiunile „Cumulative
Percentage”şi „Chart Output” (Figura 2.17.).

Figura 2.17. Completarea rubricilor opţiunii „Histogram” 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/

De regulă, în cazul unei histograme, dreptunghiurile ce reprezintă frecvenţele intervalelor


de variaţie sunt lipite. Pentru aceasta, în opţiunea „Format Data Series” (apelată printr-
un „click dreapta” asupra unuia dintre dreptunghiuri) indicăm, la secţiunea „Gap Width”,
proporţia de 0% - „No Gap” (Figura 2.19.).

Figura 2.19. Coordonate ale reprezentării grafice pentru histograma 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.).

Figura 2.20. Histograma randamentelor simple ale cursurilor APPLE Inc.


Sursa datelor: https://finance.yahoo.com/
b. Histograma randamentelor logaritmice

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 2.21. Calculul lungimii intervalelor de variaţie pentru realizarea histogramei


randamentelor logaritmice ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

Determinăm limita superioară a primului interval de variaţie adăugând la valoarea


minimă a seriei (înscrisă în celula E3) lungimea hr (Figura 2.22.).

Figura 2.22. Stabilirea limitei superioare pentru primul interval al histogramei


randamentelor logaritmice ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
Pentru al doilea interval de variaţie adăugăm valoarea hr la limita superioară a celui
precedent (Figura 2.23.). Translatăm, apoi, această relaţie la următoarele intervale.

Figura 2.23. Introducerea formulei de calcul a limitei superioare pentru intervalele


histogramei randamentelor logaritmice ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

Odată intervalele de variaţie delimitate introducem, din componenta „Data Analysis”,


opţiunea „Histogram” (Figura 2.24.).

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/

Completăm rubricile opţiunii „Histogram” la fel cum am procedat în cazul randamentelor


simple (Figura 2.25.).
Figura 2.25. Completarea rubricilor opţiunii „Histogram” pentru realizarea histogramei
randamentelor logaritmice ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

Aplicăm un „click” asupra butonului „OK” ceea ce va conduce la afişarea principalelor


coordonate ale histogramei seriei randamentelor simple (Figura 2.26.).

Figura 2.26. Coordonate ale histogramei randamentelor logaritmice ale cursurilor


APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
Prelucrăm reprezentarea grafică asociată histogramei indicând, la secţiunea „Gap
Width” a opţiunii „Format Data Series”, proporţia de 0% - „No Gap” (Figura 2.27.).

Figura 2.27. Coordonate ale reprezentării grafice pentru histograma randamentelor


logaritmice ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

Din nou, a rezultat o histogramă ce diferă semnificativ de una specifică distribuţiei


normale (Figura 2.28.).

Figura 2.28. Histograma randamentelor logaritmice ale cursurilor APPLE Inc.


Sursa datelor: https://finance.yahoo.com/
2.4. Tehnici de analiză a trendului randamentelor

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).

Semnificaţia valorii pantei trendului (β1) poate fi apreciată prin intermediul


testului t. În funcţie de rezultate putem identifica trei forme ale tendinţei unei serii
de timp:
- ascendentă, când panta trendului este semnificativ pozitivă;
- descendentă, când panta trendului este semnificativ negativă;
- orizontală, când panta trendului nu diferă semnificativ de zero.

Aplicaţia rezolvată 2.5.


Identificarea trendurilor liniare ale randamentelor APPLE Inc.
a. Trendul randamentelor simple

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).

Figura 2.29. Formula de calcul a valorilor variabilei t pentru identificarea trendului


liniar al randamentelor simple ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

Translatăm relaţia de calcul către ceilalţi termeni ai seriei după care apelăm opţiunea
„Regression” din componenta „Data Analysis” (Figura 2.30).

Figura 2.30. Introducerea opţiunii „Regression” din componenta „Data Analysis”


pentru identificarea trendului liniar al randamentelor simple ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

După un „click”asupra butonului „OK” ni se deschide o fereastră de dialog pe care o vom


completa după cum urmează:
- la rubrica „Input Y Range” introducem (selectăm) adresele celulelor în care se
găsesc valorile variabilei dependente, reprezentată de randamentele simple,
adăugând adresa etichetei acestei variabile;
- la rubrica „Input X Range” introducem adresele celulelor ce găzduiesc valorile
variabilei independente (variabila t) adăugând, şi în acest caz, adresa etichetei
variabilei selectate;
- pentru a delimita etichetele variabilelor de valorile numerice marcăm rubrica
„Labels”;
- lăsăm nemarcate rubricile „Constant is Zero” (în identificarea trendului sunt
utilizate regresii cu termen constant) şi „Confidence Level” (în această aplicaţie
nu este necesară stabilirea unor niveluri speciale de încredere);
- pentru a indica spaţiul în care vor fi afişate regresiile marcăm rubrica „New
Workshhet Ply”, ceea ce va genera o nouă foaie de lucru Microsoft Excel, a cărei
denumire o înscriem în rubrica alăturată: „Trend lin R_APPLE”;
- marcăm patru dintre rubricile asociate valorilor reziduale ale regresiei:
„Residuals”, „Residual Plots”, „Line Fit Plots” şi „Normal Probability Plots”
lăsând-o nemarcată pe a cincea, „Standardized Residuals” deoarece în această
aplicaţie nu este necesară analiza valorilor reziduale standardizate (Figura 2.31).
-

Figura 2.31. Completarea rubricilor opţiunii „Regression” din componenta „Data


Analysis” pentru identificarea trendului liniar al randamentelor simple ale cursurilor
APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
Aplicăm un nou „click” asupra butonului „OK”, ceea ce va genera noua foaie de lucru
„Trend lin R_APPLE” care conţine rezultatele regresiei (Figura 2.32).

Figura 2.32. Rezultate ale regresiei aferente identificării trendului liniar al


randamentelor simple ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

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.).

A rezultat, astfel, funcţia de regresie:

R_ APPLE t  0,102  0,000  tt   t

Valoarea coeficientul de determinare indică o influenţă foarte slabă, practic


insignificantă, a variabilei t asupra randamentelor simple. Testăm semnificaţia ecuaţiei de
regresie prin intermediul testului F. Formulăm o ipoteză nulă care afirmă că ecuaţia în
ansamblu nu este semnificativă, pentru care am ales un nivel de semnificaţie (un prag
minim peste care acceptăm că această ipoteză este adevărată) de 5%. Deoarece testul F
indică pentru ipoteza nulă o probabilitate de 97,69% trebuie să o acceptăm.

Apreciem, în continuare, semnificaţia celor doi coeficienţi ai regresiei liniare adoptând,


din nou, un nivel de semnificaţie de 5%. Pentru coeficientul β0 enunţăm o ipoteză nulă
care afirmă că valoarea acestuia nu diferă semnificativ de zero:

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.

Formulăm, pentru coeficientul β1, o ipoteză nulă similară:

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).

Figura 2.33. Trendul liniar (Predicted R_APPLE) al randamentelor simple (R_APPLE)


ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
b. Trendul randamentelor logaritmice

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).

Figura 2.34. Introducerea opţiunii „Regression” din componenta „Data Analysis”


pentru identificarea trendului liniar al randamentelor logaritmice ale cursurilor APPLE
Inc.
Sursa datelor: https://finance.yahoo.com/

Aplicăm asupra butonului „OK” un „click”, ceea ce va deschide o nouă fereastră de


dialog pe care o vom completa într-un mod similar celui aplicat în cazul trendului
randamentelor simple (Figura 2.35).

Figura 2.35. Completarea rubricilor opţiunii „Regression” din componenta „Data


Analysis” pentru identificarea trendului logaritmic al randamentelor simple ale cursurilor
APPLE Inc.
Sursa datelor: https://finance.yahoo.com/
După ce aplicăm un „click” asupra butonului „OK” va fi generată o nouă foaie de lucru
Microsoft Excel denumită „Trend lin r_APPLE (log)” care afişează rezultatele regresiei
(Figura 2.35).

Figura 2.35. Rezultate ale regresiei aferente identificării trendului liniar al


randamentelor logaritmice ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

Au rezultat, astfel, parametrii regresiei prezentaţi în Tabelul 2.6.

Tabelul 2.6. Parametri ai regresiei asociate trendului liniar al randamentelor logaritmice


ale cursurilor APPLE Inc.
Indicator Valoare
Coeficient de determinare 0,0000
Test F 0,0021
Probabilitatea asociată testului F 96,34%
Termenul constant (β0) 0,085
(0,0824)
[1,031]
{30,3%}
Panta trendului (β1) 0,000
(0,0001)
[0,046]
{96,34%}
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/

A rezultat, pentru trendul liniar al randamentelor logaritmice, ecuaţia de regresie:

r _ APPLE t  0,085  0,000  tt  t


Testăm în continuare, semnificaţiile ansamblului ecuaţiei şi ale celor doi coeficienţi.
Pentru ansamblul ecuaţiei, testul F indică acceptarea ipotezei nule a unui model
nesemnificativ. De asemenea, în conformitate cu testele t, trebuie să acceptăm ipotezele
nule conform cărora cei doi coeficienţi nu diferă semnificativ de zero.

Figura 2.36. Trendul liniar (Predicted r_APPLE) al randamentelor logaritmice


(r_APPLE) ale cursurilor APPLE Inc.
Sursa datelor: https://finance.yahoo.com/

Deoarece coeficientul β1 nu diferă semnificativ de zero putem considera că randamentele


logaritmice au urmat un trend liniar orizontal (Figura 2.36).

2.6. Identificarea anomaliilor calendaristice prin regresii cu


variabile binare
Regresiile cu variabile binare (dummy) pot evidenţia particularităţile randamentelor din
diferite intervale calendaristice. În acest scop, pentru fiecare din aceste intervale
calendaristice este stabilită o variabilă binară, cu structura unei serii de timp, având
valorile:
- 1, atunci când termenul seriei se încadrează în intervalul calendaristic;
- 0, dacă termenul seriei se află în afara intervalului calendaristic.
Ecuaţia unei regresii exprimă dependenţa randamentelor (de obicei logaritmate) de
variabilele binare. Sunt utilizate două variante de ecuaţii:
a. fără termen constant;
b. cu termen constant.

a. La o ecuaţie de regresie fără termen constant coeficienţii variabilelor binare


sunt egali cu mediile aritmetice ale randamentelor din intervalele calendaristice
asociate. Pentru o regresie de tip OLS (Ordinary Least Squares – cele mai facile
regresii) o astfel de ecuaţie are forma:

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).

De exemplu, dacă dorim să identificăm Efectul „Sell in May and go away”


(numit şi indicatorul Halloween), care presupune că randamentele din perioada
noiembrie – aprilie sunt semnificativ mai mari decât cele din restul anului (mai –
octombrie), putem utiliza, pentru o serie de timp cu valori zilnice, două variabile
dummy:
i. variabila Dn-a cu valorile:
- 1, dacă termenul t aparţine intervalului noiembrie – aprilie;
- 0, pentru celelalte zile ale anului.
ii. variabila Dm-o cu valorile:
- 1, dacă termenul t aparţine intervalului mai – octombrie;
- 0, pentru celelalte zile ale anului (Bouman & Jacobsen, 2002).

În acest caz, ecuaţia de regresie ar lua forma:

rt   n a  Dtn a   mo  Dtm0  ut (2.10.)

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.

Pentru o astfel de regresie poate fi apreciată, prin intermediul testului t,


semnificaţia coeficienţilor asociaţi variabilelor binare. Putem afla, astfel, dacă
randamentele medii din intervalele calendaristice asociate acestor perioade diferă
semnificativ de zero. Totuşi, această proprietate nu indică, neapărat, prezenţa unei
anomalii calendaristice.
De regulă, la regresiile fără termen constant, variabilele dependente iau forma
unor randamente în exces astfel încât putem stabili, prin intermediul testului t,
dacă, pentru un anumit interval calendaristic, media randamentului cursului unei
acţiuni diferă semnificativ de cea a randamentului unui activ etalon.
b. Regresiile cu termen constant pot releva diferenţele dintre mediile
randamentelor pentru diferite intervale calendaristice. Atunci când este inclus un
termen constant trebuie exclusă, pentru a evita multicolinearitatea (această situaţie
este cunoscută sub denumirea de capcana variabilelor dummy deoarece, pentru
orice termen, suma valorilor variabilelor regresiei ar fi aceeaşi) una dintre
variabilele binare (Brooks, 2002; Borges, 2009). Ecuaţia unei regresii OLS are, în
acest caz, forma:

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.

De exemplu, în cazul identificării Efectului „Sell in May and go away”, dacă


excludem variabila binară Dm-o, ecuaţia de regresie devine:

rt     m o  Dtm 0  ut (2.12.)

Cei doi coeficienţi au, în această situaţie, următoarele semnificaţii:


- α este egal cu media aritmetică a randamentelor din perioada mai – octombrie;
- γn-a este egal cu diferenţa dintre mediile aritmetice ale randamentelor din
perioadele noiembrie – aprilie şi mai – octombrie.

După cum am menţionat într-un subcapitol anterior, pentru a evita distorsionarea


rezultatelor, este indicat ca aceste regresii să fie precedate de investigarea
staţionarităţii randamentelor. În plus, pentru o identificare riguroasă a anomaliilor
calendaristice este recomandată analiza valorilor reziduale ut. În conformitate cu
teorema Gauss – Markov, pentru ca modelul unei regresii OLS să poată fi considerat
cea mai bună estimare liniară nedeviată (BLUE – Best Linear Unbiased Estimator),
valorile sale reziduale ut ar trebui să constituie o variabilă aleatoare cu distribuţie
normală şi media aritmetică aproximativ egală cu zero. De asemenea, valorile
reziduale ar trebui să fie independente (să nu existe corelaţii între acestea) şi
homoskedastice (varianţa acestora în raport cu variabilele independente să fie
constantă). Pentru a verifica aceste condiţii, sunt aplicate diferite procedee:
reprezentări grafice, teste statistice etc. (Davidson & MacKinnon, 2004; Lai & Xing,
2008; Box et al., 2015).

În practică, se întâmplă destul de rar să fie îndeplinite în totalitate cerinţele care


decurg din teorema Gauss – Markov. Pentru astfel de situaţii pot fi aplicate diferite
remedii: regresii non-liniare, de tip GLS (Generalized Least Squares), cu valori
decalate (lag-uri) ale randamentelor, cu modele care includ corecţii pentru situaţii în
care valorile reziduale nu sunt independente sau homoskedastice etc. (Campbell et al.,
1993; Brooks, 2002; Greene, 2008; Gujarati & Porter, 2010).
Tehnicile regresiei pot fi aplicate şi pentru a identifica diferenţele semnificative dintre
intervale calendaristice în ceea ce priveşte volatilitatea. În acest scop poate fi utilizat
modelul GARCH (Generalized Autoregressive Conditional Heteroskedasticity) care,
pe lângă reflectarea volatilităţii, are avantajul de a surmonta situaţiile în care valorile
reziduale nu sunt homoskedastice (Engle, 1982; Bollerslev, 1986; Engle, 1993). Un
model GARCH este constituit din două ecuaţii:
i. ecuaţia mediei condiţionate;
ii. ecuaţia varianţei condiţionate.

i. Ecuaţia mediei condiţionate, care facilitează identificarea anomaliilor


calendaristice din perspectiva mediilor aritmetice ale randamentelor, este
asemănătoare celor din regresii de tip OLS, având, în plus, o componentă
autoregresivă, dată de valorile decalate (lag-uri) ale randamentelor. De exemplu, în
varianta cu termen constant, o astfel de ecuaţie are forma:
s 1 n
rt   0    i  Dti   ( k  rt  k )   t (2.13.)
i 1 k 1

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   t2i    i   t2i (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.

Unele variante ale modelului GARCH permit luarea în considerare a asimetriei


volatilităţii în raport cu valorile randamentelor.

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.

Schwert, G. W. (1990). Stock market volatility. Financial Analysts Journal, 23-34.

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.