Exemplu Proiect

Academia de Studii Economice din București
Facultate de Cibernetică, Statistică și Informatică Economică
SERII DE TIMP
PROIECT
Analiza prețului de închidere și volumului

tranzacționat de compania Coca-Cola și a
indicelui de piață S&P 500
Nume:
Istrătescu Cristina Ana-Maria
Jigani Adina-Iuliana
Mareș Adriana
Morariu Bianca Ana-Maria
Coordonator științific: Alexandru Adriana Ana Maria
ASE București 2020

CUPRINS
1. Introducere
2. Descrierea datelor
3. Aplicația 1
3.1. Literatură de specialitate
3.2. Modelareaunei serii de timp utilizând metodologia Box-Jenkins. Previziuni.
4. Aplicația 2
4.2. Analiza prezenței ARCH în date și modelarea varianței prin modele GARCH sau
EGARCH. Realizarea de previziuni.
5. Aplicația 3
5.1. Literatura de specialitate
5.2. Modelarea seriiei utilizând modele SARIMA și modele de netezire exponențială
6. Aplicația 4
6.2. Analiza naturii relației dintre variabile
7. Concluzii
8. Bibliografie
1. Introducere
Descrierea firmei
Compania pe care urmează să realizăm analiza este Coca-Cola. Aceasta este o companie
ce produce și distribuie diverse băuturi non-alcoolice la nivel mondial. Compania oferă în
principal băuturi acidulate și răcoritoare printr-o rețea de operatori de îmbuteliere și de
distribuție, deținut sau controlate de companie, precum și prin parteneri independenți.
Compania Coca-Cola a fost înființată în 1886, are sediul în Atlanta, Georgia și are peste
700000 de angajați full-time în toată lumea.
Aceasta are un venit total de 37,17B $ și un profit brut de 22,65B $ și datorii în valoare de
50,42B $. Rentabilitatea activelor (ROA) este 7,31% și rentabilitatea capitalului propriu (ROE)
este 50,85%.
Motivarea alegerii
Am ales această companie, deoarece este cea mai mare din industria locală de băuturi
non-alcoolice. Deține o gamă foarte largă de băuturi răcoritoare Coca-cola, Fanta și Sprite, dar și
sucuri, ape minerale naturale, ceaiuri reci și cafea.
De asemenea, un alt aspect pe care l-am avut în vedere în alegerea temei și a seriei de
date, a fost faptul că dorim un domeniu cunoscut de toată lumea. Știm cu toții că această băutură
carbogazoasă nu lipsește din niciun restaurant sau din casele oamenilor.
2. Descrierea datelor
Datele inițiale, o serie de 2769 de înregistrări, reprezintă prețul de închidere zilnic al

acțiunilor Coca-Cola și volumul tranzacționat în perioada 2009-2020, exprimate în $. De
asemenea, am mai adăugat două serii suplimentare, reprezentând indicele de piață S&P 500 al
prețurilor și volumului de tranzacționare.Sursa datelor este:https://finance.yahoo.com/
3. Aplicația 1.
Să se modeleze o serie de timp utilizând metodologia Box-Jenkins, cu analize descriptive
preliminare asupra seriei (statistici elementare, grafice), să se facă previziuni pe modelul valid,
să se analizeze bonitatea previziunii și să se interpreteze economic rezultatele.
Procedura Box-Jenkins constă în parcurgerea mai multor etape pentru identificarea celui mai
potrivit model autoregresiv pentru analiza unei serii de timp:
Etapa 1. Se calculează ACF şi PACF pentru a stabili dacă seria este staţionară. Dacă este
staţionară se trece la etapa a treia, dacă nu se parcurg cerinţele etapei următoare.
Etapa 2. Se staționarizează seria de date prin diverse transformări. De exemplu se logaritmează

valorile seriei sau se aplică o transformare Box-Cox, apoi se poate diferenţia seria de date astfel
obţinută.
Etapa 3. Folosind caracteristicile funcţiilor ACF şi PACF se determină modelele autoregresive

de start pentru analiza seriei de date.
Etapa 4. Se estimează parametrii modelelor autoregresive.
Etapa 5. Se testează caracteristicilor modelelor autoregresive ce au fost estimate în etapa

anterioară.
Etapa 6. Se alege cel mai potrivit model folosind diverse criterii de performanţă.
Etapa 7. Pe baza modelului selectat se fac diverse analize şi prognoze.
Staţionarizarea seriei
De regulă, seriile de timp din economie nu sunt staţionare. Acestea sunt regăsite, de cele
mai multe ori, în cadrul uneia din următoarele două situaţii:
1. Seria prezintă o medie care nu este constantă în timp, aceasta urmând, de regulă, o
traiectorie liniară, cu panta pozitivă sau negativă. Se defineşte în acest caz seria de timp
este nestaţionară de tip omogen. Seriile de timp din această categorie se caracterizează
prin variaţii constante de la o perioadă la alta
2. Există serii care prezintă variaţii neconstante de la o perioadă la alta. În această

situaţie seria este nestaţionară de tip neomogen. Întrucât varianţa este variabilă în timp,
atunci şi media are aceeași caracteristică
Studiile în acest domeniu continuă permanent, iar utilitatea acestui test este recunoscută
de către toți cercetătorii. Cu ajutorul metode Box-Jenkins și a modelului ARIMA, în iarna anului
2019 cercetătorii Shuai, Yuxin, and Zhefang Zhou publică în ”Journal of Coastal Research”
(Shuai, 2019) o lucrare care analizează cu ajutorul acestui model și prin numeroase alte metode, o
analiză și comparație cu privire la Produsul Intern Brut înregistrat în țările de pe coaste, datele
fiind de tipul seriilor de timp. S-a previzionat pe termen scurt evoluția indicelui GDP, s-au
comparat orașele Shenzhen și Shanghai și s-a ajuns la concluzia că modelul surprinde fidel
evoluțiile economice și sociale din cele două orașe, pe parcursul anilor 2017-2020, Shenzhen
remarcându-se cu o creșterea a indicelui GDP ușor mai mare decât cea a orașului Shanghai.
Anul 2018 aduce la vedere publicația analiștilor Bahari Dany, Carlos A. Molina și Miguel
Angel Santos intitulată “Fool’s Gold: The Impact of Venezuelan Currency Devaluations on
Multinational Stock Prices” (BAHAR, 2018) care studiază piața bursieră și implicit valorile
acțiunilor ce alcătuiesc indicele S&P 500 și situația economică din Venezuela. Autorii
documentează ritmuri cumulate negativ, anormale, la o devalorizare a cursul de schimb cu 5
unități, în contextul unor controale de schimb dure și a unor prime foarte mari pe piața neagră.
Aceștia analizează utilizând prețurile zilnice ale acțiunilor a 110 corporații multinaționale din
Venezuela. Se ajunge la concluzia că ipoteza eficienței, conform căreia devalorizarea previzibilă
a monedei nu afectează prețul acțiunilor marilor companii în ziua evenimentului și prețurile
acțiunilor sunt afectate chiar mai puțin în țările mici. Interpretarea rezultatelor din această lucrare
reprezintă o indicație conform căreia procesul de stabilire al prețurilor activelor este ineficient.
Tot în anul 2018, la Școala de Administrație și Afaceri a Universității Sejong, publică

Jurnalul Economic Hitotsubashi, în care autorii Kyuseok Lee și Soo-Hyun Kim (Lee, 2018) scriu
un articol cu scopul de a detalia ce schimbări determină efectul de pârghie și fondurile
tranzacționate invers la bursă, pe piața de bază. În urma analizei se stabilește că cele două
strategii de tranzacționare și investiție nu influențează piața de bază judecând după rentabilitățile
pieței, însă fondurile tranzacționate invers la bursă au un impact semnificativ în evoluția
rentabilităților pieței de bază atunci când un manager încearcă să echilibreze situația economică a
unei firme. Lucrarea se intitulează ”DO LEVERAGED/INVERSE ETFS WAG THE
UNDERLYING MARKET? EVIDENCE FROM THE KOREAN STOCK MARKET”.
În același an, 2018, Emmanuel Farhi și Francois Gourio elaborează lucrarea ”Accounting
for Marco-Finance Trends: Market Power, Itangibles, and Risk Premia” care va fi publicată în
cartea ”Brookings Papers on Economic Activity” (FARHI, 2018). Aceștia studiază dinamiza
ratelor reale ale dobânzilor din ultimii 30 de ani, capitalul privat, piața bursieră și investițiile.
Ajunge la concluzia conform căreia piața bursieră este în creștere, la fel și ratele reale ale
dobânzilor, care joacă un rol foarte important asupra economiilor și asupra creșterii industriei
tehnologice.
Marile companii de pe piață au fost analizate în anul 2017 de Francisco Jose Lopez-
Arceiz și Ana Jose Bellostas în lucrarea ,,Corporate Social Responsability and Good Corporate
Governance Practices in Spanish Ethical Mutual Funds: Analysis of Investee Companies”
(López-Arceiz, 2017). Aceștia au alcătuit un portofoliu de companii, ținând cont de structura
organizațională a companiei și aspectele economice și financiare. Rezultatul a reliefat preferința
Fondurilor Mutuale Etice Spaniole pentru companiile în organizarea cărora sunt implicați toți
acționarii și accesul acestora la toate informațiile companiei. Studiul a mai arătat faptul că o
dezvoltare a bunelor practici în contextul răspunderii sociale pe care o are firma duce automat la
atragerea sponsorilor și finanțărilor de pe piață pe care activează.
3.2. Modelarea unei serii de timp utilizând metodologia
Box-Jenkins. Previziuni.
Modelul Dickey-Fuller
Figura [2.0] Evoluția prețului acțiunilor Coca Cola. Date preluate de pe Yahoo Finance și prelucrate cu ajutorul
soft-ului EViews.
Din figura 2.0 trendul seriei se arată a fi unul în general crescător pe parcursul celor 10
ani analizați. Se poate remarca o scădere bruscă în ultima perioadă a intervalului, mai exact este
vorba despre începutul anului 2020, datele fiind preluate în intervalul 24.04.2009 - 23.04.2020,
având în vedere pandamia care a început la finalul anul 2019, restaurantele și barurile, cafenelele
și mall-uri s-au închis, prima dată în China, iar apoi în multe din țările Europei și SUA, vânzările
acestui produs au scăzut dramatic, după cum se poate vedea și pe grafic. Mai mult decât atât,
aceștia au decis ca începând cu luna aprilie să oprească pe o perioadă nedeterminată campaniile
publicitare, însă acest lucru nu o să aibă un impact mare asupra brand-ului, el fiind deja bine
cunoscut de către consumatori.
Figura [2.1] .Evoluția prețului indicelui de piață S&P 500. Date preluate de pe Yahoo Finance și prelucrate cu
ajutorul soft-ului EViews.
În figura 2.1 este prezentat prețul indicelui de piață S&P 500, cu un trend ascendent, cu
ușoare fluctuații, pe parcursul perioadei 2009-2020. Se remarcă o scădere semnificativă în
perioada 2018-2019, fapt ce indică o scădere a pieței americane, nu pentru mult timp, prețul
indicelui capătă un trend ascendent din nou, până la începutul anul 2020 când scăderea este
iminentă din cauza răspândirii coronavirusului.
Figura [2.2]. Evoluția volumului de tranzacționare a acțiunilor Coca Cola. Date preluate de pe Yahoo Finance și
prelucrate cu ajutorul soft-ului EViews.
Seria pare a fi una staționară, trendul se păstrează relativ constant, cu o medie
aproximativă de 15,000,000 euro volum de tranzacție zilnic, volumul crește brusc în primul an,
2009 și în anul 2012, datorită scăderii prețului acțiunilor, însă oscilează pe parcursul perioadei,
crește și descrește invers proporțional cu evoluția prețului acțiunilor.
Figura [2.3]. Evoluția volumului de tranzacționare a indicelui de piață S&P 500. Date preluate de pe Yahoo
Finance și prelucrate cu ajutorul soft-ului EViews.
Evoluția volumului tranzacționat pe piață este una relativ constantă, suferă scăderi bruște
în toți anii, depinde însă de situația economică, de prețul acțiunilor și de adversitatea oamenilor la
risc, investind în acțiuni la bursă. Se remarcă însă o creștere semnificativă la începutul anului
2020, principala cauză fiind declanșarea epidemiei, prețurile acțiunilor au scăzut dramatic, astfel
că investitorii au fost încurajați să cumpere un volum mai mare de acțiuni.
Corelograme
Figura [2.4]. Corelograma prețului acțiunilor Coca Cola. Date preluate de pe Yahoo Finance și prelucrate cu
Se poate observa, în figura 2.4, că autocorelația pornește cu valori foarte mari (0.997 la
lag-ul 1) și descrește lent, chiar și la ultimul lag are o valoare de 0.914, astfel concluzionăm că
seria este nestaționară.
Figura [2.5]. Corelograma indicelui prețului S&P 500. Date preluate de pe Yahoo Finance și prelucrate cu ajutorul
soft-ului EViews.
Corelograma indicelui prețului S&P 500 indică faptul că seria este nestaționară, valorile
autocorelațiilor fiind mari, descresc foarte lent, pornind de la o valoare de 0.999 pentru lag-ul 1
și având o valoare de 0.958 pentru lag-ul 34.
Figura [2.6]. Corelograma volumului de tranzacționare Coca Cola. Date preluate de pe Yahoo Finance și
Volumul tranzacționat se prezintă într-un eșantion de date staționare, valoarea

autocorelației pentru lag-ul 1 este de 0.54, iar până la ultimul lag aceasta scade la 0.171, scad
destul de lent și totuși cu valoare semnificativă între primul și ultimul lag.
Figura [2.7]. Corelograma volumului de tranzacționare a indicelui de piață S&P 500. Date preluate de pe Yahoo
Volumul tranzacționat al indicelui de piață se prezintă la fel ca și cel al companiei Coca-

Cola, fiind date staționare, cu scădere lentă și totuși semnificativă a valorii autocorelației, de la
0.738, la 0.268.
Testul Dickey-Fuller
Prețul acțiunilor companiei Coca-Cola
Figura [3.1.0.] Testul Dickey-Fuller pentru prețul acțiunilor Coca Cola. Date preluate de pe Yahoo Finance și
H0: Seria este nestaționară (are rădăcină unitară)
H1: Seria este staționară (nu are rădăcină unitară)
Prob.*=0.1223 > 0.05 => se acceptă H0, seria este nestaționară, deci are rădăcină unitară
Staționarizăm prin diferențiere seria de timp reprezentată de prețurile acțiunilor pentru

Coca-Cola.
Figura [3.1.1]. Graficul seriei DPRET_INCHIDERE_KO staționarizată. Date preluate de pe Yahoo Finance și
Se poate observa eșantionul de date, Figura 3.1.1, după staționarizarea prin diferențiere,
acum media datelor este aproximativ zero.
Figura [3.1.2]. Corelograma seriei DPRET_INCHIDERE_KO staționarizată. Date preluate de pe Yahoo Finance și
După staționarizare coeficientul de autocorelare capătă valori foarte mici, nu mai scade
lent, cea mai mare valoarea găsindu-se pentru lag-ul 21, acestea oscilează, sugerând de această
dată faptul că avem de-a face cu eșantion de date staționare.
Figura [3.1.3]. Testul Dickey-Fuller pentru seria DPRET_INCHIDERE_KO staționarizată. Date preluate de pe
Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.
Prob.*=0.0001 < 0.05 => nu avem suficiente dovezi statistice pentru a accepta H 0, se acceptă H1
seria este staționară, deci nu are rădăcină unitară
Prețul indicelui pieței S&P 500
Figura [3.1.4]. Testul Dickey-Fuller pentru indicele de preț S&P 500. Date preluate de pe Yahoo Finance și
Prob.*=0.7114 > 0.05 => se acceptă H0, seria este nestaționară, deci are rădăcină unitară
Staționarizăm prin diferențiere seria de timp reprezentată de prețurile ndicelui pieței S&P
500.
Figura [3.1.5]. Graficul seriei DPRET_INCHIDERE_S_P staționarizată. Date preluate de pe Yahoo Finance și
După staționarizare se poate observa că media eșantionului este aproximativ zero.

Figura [3.1.6]. Corelograma seriei DPRET_INCHIDERE_S_P staționarizată. Date preluate de pe Yahoo Finance și
Odată refăcută corelograma se observă că autocorelația maximă se înscrie pentru lag-ul 7,

0.212, valorile oscilează, nu mai scad lent, ceea ce sugerează faptul că datele sunt acum
staționare.
Figura [3.1.7.] Testul Dickey-Fuller pentru seria DPRET_INCHIDERE_S_P staționarizată. Date preluate de pe
Valoarea tranzacționată de firma Coca-Cola
Figura [3.1.8]. Testul Dickey-Fuller pentru volumul acțiunilor Coca Cola. Date preluate de pe Yahoo Finance și
Valoarea tranzacționată de firma indicele de piață S&P 500
Figura [3.1.9]. Testul Dickey-Fuller pentru volumul indicelui prețului. Date preluate de pe Yahoo Finance și
Prob.*=0.0000 < 0.05 => se respinge H0, se acceptă H1 seria este staționară, deci nu are rădăcină
unitară
Metodologia Box-Jenkins pentru prețul de închidere
Pas 0: Verificare staționaritate și staționarizare;
Pas 1: Identificarea posibilelor modele AR, MA, ARMA (corelograma seriei staționarizate)
Pas 2: Estimarea modelelor identificate anterior;
Pas 3: Alegerea celui mai bun model și verificarea validității modelului;
Pas 4: Efectuarea de previziuni (prognoze)
Seturile de date se logaritmează și se verifică din nou staționaritatea acestora. În caz de

nestraționaritate, se diferențiază și se verifică din nou staționaritatea.
Prețul acțiunilor companiei Coca-Cola
Figura [3.1.10]. Corelograma seriei LOPRET_INCHIDERE_KO, datele sunt logaritmate. Date preluate de pe
Corelograma prețului acțiunilor companiei Coca-Cola, diferențiat, sugerează faptul că
seria este nestaționară. Coeficienții de corelație scad foarte lent, cea mai mare valoare o are lag-ul
1 și este de 0,997. Se decide diferențierea seriei logaritmate pentru obținerea unei serii staționare.
În continuare se prezintă corelograma realizată dupa diferențierea setului de date:
Figura [3.1.11]. Corelograma seriei DLOPRET_INCHIDERE_KO, datele sunt diferențiate. Date preluate de pe
Se remarcă după diferențiere schimbarea radicală a coeficienților de corelație, aceștia nu

mai scad de la primul la ultimul lag, sunt distribuiți neordonat, cea mai mare valoare a corelației
fiind înregistrată pentru lag-urile 14 și 20.
Așadar, se pot realiza următoarele modele: ARMA (13,13), ARMA (19,19),

ARMA(13,19), ARMA(19,13).
Prețurile indicelui de piață S&P 500
Corelația datelor logaritmate, dar nediferențiate, pentru prețul indicelui pieței S&P 500
arată conform următoarei figuri:
Figura [3.1.12]. Corelograma seriei LOPRET_INCHIDERE_S_P, datele sunt logaritmate. Date preluate de pe
Se poate observa ușor faptul că indicele corelației scade cu foarte puțin de la un lag la
altul, valorile sunt foarte mari, cea mai mare valoare o înregistrează lag-ul 1, fapt pentru care
concluzionăm că datele nu sunt staționare și diferențiem datele pentru a le forța staționaritatea.
După diferențiere obținem corelograma următoare:
Figura [3.1.13]. Corelograma seriei DLOPRET_INCHIDERE_S_P, datele sunt diferențiate. Date preluate de pe
Valorile corelațiilor sunt neuniform distribuite, valorile nu mai scad de la primul spre
ultimul lag, sunt diferite și se poate concluziona staționaritatea datelor diferențiate. Cea mai mare
valoare se înregistrează pentru lag-ul 1 și este de -0,153.
Așadar, se pot realiza următoarele modele: ARMA (1,1).

Estimarea modelelor ARMA (13,13), ARMA(13,19) , ARMA(19,13), ARMA(19,19)
Se construiește fiecare model ARMA, urmând ca mai apoi acestea să fie comparate în
funcție de indicatorii semnificativi și a se alege lag-ul pentru care modelul ARMA este cel mai
relevant. Se urmăresc indicatori cât mai semnificativi, valoarea volatilității cât mai mică, la fel și
cea a indicatorilor Akaike și Schwarz și o valoare maximă a coeficientului R-square ajustat.
Figura [3.1.14]. Modelul ARMA (13,13) pentru prețul acțiunilor companiei Coca-Cola - Date preluate de pe Yahoo
Probabilitatea modelului indică faptul că datele nu sunt corelate, este mai mare decât
valoarea standard de 0,05, însă cei doi indicatori AR și MA au probabilități mai mici decât
această valoare, fapt ce indică corelație în model. Valoarea coeficientului R-square este de
0,0049, o valoare mică, iar indicatorii Akaike și Schwartz au valori aproximativ egale, -6,21.
Volatilitatea este mică, în valoare de 0,000116.
Acest model are un singur coeficient semnificativ pentru relația de regresie și anume AR,
o valoare a coeficientului R-square mai mică decât modelul precedent, un indice Schwartz cu
foarte puțin mai mic decât cel precedent, iar indicele Akaike are aceeași valoare. Volatilitatea își
păstrează valoarea foarte mică.
Volatilitatea își păstrează valoarea și în acest caz, dar de data aceasta indicatorul
semnificativ este MA, indicii R-square , Akaike și Schwartz își păstrează valorile. Nu este un
model preferat, se caută un model cu ambii indicatori semnificativi, deci cu probabilități mai mici
decât 0,05.
În acest caz probabilitățile pentru ambii indicatori sunt egale cu 0, cazul de preferat,
valoarea lui R-square este de 0,000665, iar la acest indicator se urmărește valoarea maximă.
Indicatorii Akaike și Schwartz își păstrează aceleași valori, la fel și volatilitatea.
În urma analizei tuturor modelelor se constată că modelul ARMA(13,13) este cel mai bun.
Se verifică modelul, mai exact se studiază corelograma reziduurilor:
Figura [ 3.1.18]. Corelograma modelului ARMA (13,13) - Date preluate de pe Yahoo Finance și prelucrate cu
Indicii corelațiilor sunt neuniform distribuiți, valori Q-stat sunt mari, astfel putem
concluziona faptul că reziduurile nu sunt zgomot alb, un pas înainte spre validitatea modelului.
Se realizează Heteroskedasticity Test (ARCH-LM) pentru a se verifica reziduurile:
Figura [3.1.19]. Heteroskedastcity Test. Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului
EViews.
H0: reziduurile sunt homoscedastice (varianță constantă)
H1: reziduurile sunt heteroscedastice (nu au varianță constantă)
Prob F= 0 < 0.05 => nu avem suficiente dovezi statistice pentru a accepta H0, se acceptă H1,
adică reziduurile nu au varianță constantă, sunt heteroscedastice.
Se realizează testul de normalitate:
Figura [3.1.20]. Histogram-Normality Test. Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului
EViews.
Media reziduurilor este aproximativ 0, la fel și mediana, acestea indicând faptul că

rezidurile sunt zgomot alb, adică sunt insesizabile. Distribuția acestora este una leptopcurtică, cu
o ușoară asimetrie spre stânga indicată de coeficientul de asimetrie în valore de -0,87.
Realizăm previzionarea dinamică a modelului:
Figura [3.1.21]. Forecast (Previzionare) pentru ARMA(13,13), model dinamic. Date preluate de pe Yahoo Finance
și prelucrate cu ajutorul soft-ului EViews.
Coeficientul Theil, care aparține intervalului (0,1), are aici valoarea 0.974. Cu cât este
mai aproape de 0, cu atât este mai aproape de valorile previzionate. Aici este destul de aproape de
1, deci nu este aproape de valorile previzionate.
Grupul Proportion: Bias și Variance Proportion, au o proporție de aprox. 99%. Bias

Proportion ne indică cât de departe este media previzionată de media valorilor actuale și nu este
chiar 0. Variance Proportion ne arată cât de departe e varianța previzionată de varianța valorilor
actuale și are o valoare foarte mare, respectiv 0.99.
Covariance Proportion este reprezentată de alte erori nesistematice și trebuie să fie cât
mai aproape de 1. Aici, are o valoare destul de mică, respectiv 0.123.
Modelul previzionat dinamic nu este unul bun.
Se realizează previzionarea statică a modelului:
Figura [ 3.1.22]. Forecast (Previzionare) pentru ARMA(13,13), model static. Date preluate de pe Yahoo Finance și
Coeficientul Theil, care aparține intervalului (0,1), are aici valoarea 0.92. Cu cât este mai
aproape de 0, cu atât este mai aproape de valorile previzionate. Aici este destul de aproape de 1,
deci nu este aproape de valorile previzionate.
chiar 0. Variance Proportion ne arată cât de departe e varianța previzionată de varianța valorilor
actuale și are o valoare foarte mare, respectiv 0.87.
Modelul previzionat static este mai bun decât cel previzionat dinamic, dar nu cu mult mai bun.
Metoda Box-Jenkins aplicată asupra prețului indicelui pieței S&P 500
Estimarea modelului ARMA(1,1)
Se construiește modelul de regresie:
Figura [3.2.0]. Estimarea modelului ARMA(1). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-
ului EViews
Cei doi coeficienți sunt semnificativi, AR și MA, iar valoarea volatilității este mică,
0,000118. Coeficientul lui R-Square este 0,028, iar valorile indicilor Akaike și Schwartz sunt -6,2
și -6,19. Modelul este unul valid statistic, cu cei doi parametrii semnificativi.
Corelograma modelului sugerează faptul că reziduurile modelului nu pot fi declarate

zgomot alb deoarece valorile pentru Q-stat sunt foarte mari, însă seria este staționară, coeficienții
de corelație sunt neuniform distribuiți și nu scad progresiv.
Figura [3.2.1]. Corelograma modelului ARMA (1,1). Date preluate de pe Yahoo Finance și
Heteroskedastcity Test (ARCH-LM):
Figura [3.2.2]. Heteroskedastcity Test (ARCH-LM). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul
soft-ului EViews.
Prob F= 0 < 0.05 => nu avem suficiente dovezi statistice pentru a accepta H0, se acceptă H1,
adică reziduurile nu au varianță constantă, sunt heteroscedastice
Se testează normalitatea modelului:
Figura [ 3.2.3]. Histogram-Normality Test. Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului
EViews.
Media reziduurilor este 0, ceea ce le transformă în sunet alb, având o distribuție puternic
leptocurtică, depărtată cu mult de medie și prezentând o ușoară asimetrie la stânga, sugerată de
coeficientul de asimetrie în valoare de -0,89.
Previzionarea dinamică a modelului:
Figura [3.2.4]. Forecast (Previzionare) pentru ARMA (1,1), model dinamic. Date preluate de pe Yahoo Finance și
aproape de 0, cu atât este mai aproape de valorile previzionate. Aici nu este destul de aproape de

foarte aproape de 0. Variance Proportion ne arată cât de departe e varianța previzionată de
varianța valorilor actuale și are o valoare foarte mare, respectiv 0.99.
mai aproape de 1. Aici, are o valoare mică, respectiv 0.0067.
Se concluzionează că modelul de previzionare nu este unul bun.

Previzionarea statică a modelului:
Figura [3.2.5]. Forecast (Previzionare) pentru ARMA (1,1), model static. Date preluate de pe Yahoo Finance și

varianța valorilor actuale și are o valoare relativ mare, respectiv 0.71.
Modelul previzionat static este mai bun decât cel previzionat dinamic, dar nu este ideal.
Metodologia Box-Jenkins pentru prețul de tranzacție
Seturile de date se logaritmează și se verifică din nou staționaritatea acestora. În caz de

nestraționaritate, de diferențiază și se verifică din nou staționaritatea.
Prețul de tranzacție al acțiunilor companiei Coca-Cola
Figura [3.2.6]. Corelograma seriei LOVOLUM_TRANZACTIONAT_KO. Date preluate de pe Yahoo Finance și

Se poate observa panta ușoară cu care descrește indicele de corelație, astfel se

concluzionează că setul de date pentru indicele de tranzacționare a companiei Coca-Cola
logaritmat nu este staționar. Se diferențiază setul de date pentru a se obține staționaritate.
Figura [3.2.7]. Corelograma seriei DLOVOLUM_TRANZACTIONAT_KO. Date preluate de pe Yahoo Finance și
După diferențiere se poate observa că seria a devenit staționară, indicii de corelație nu mai
sunt uniform distribuiți. Cele mai mari valori se înregistrează la lag-ul 1.
Astfel, se va crea modelul ARMA(1,1).

Prețul de tranzacție al pieței S&P 500
Figura [3.2.8]. Corelograma seriei LOVOLUM_TRANZACTIONAT_S_P. Date preluate de pe Yahoo Finance și

Datele logaritmate ale preț par a fi nestaționare conform corelogramei, indicii de corelație
scad ușor, iar astfel se recurge la diferențierea datelor pentru obținerea staționarității.
Figura [3.2.9]. Corelograma seriei DLOVOLUM_TRANZACTIONAT_S_P. Date preluate de pe Yahoo Finance și
Indicii de corelație se împrăștie, datele devin astfel staționare. Cele mai mari valori se
înregistrează la lag-ul 1 și se anticipează crearea modelului ARMA (1,1).
Estimarea modelului ARMA(1,1) pentru indicele de tranzacționare al companiei Coca-Cola
Se urmăresc indicatori cât mai semnificativi, valoarea volatilității cât mai mica, la fel și
Figura [3.2.10]. Estimarea modelului ARMA (1,1). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-
ului EViews
Cei doi coeficienți pentru AR (1) și MA (1) sunt seminificativi, probabilitatea lor fiind
egală cu 0. Volatilitatea are valoare 0,0869, iar indicii Akaike și Schwartz au valori mici,
respectiv 0,4. Coeficientul R-Square are valoare de 0,25.
Se construiește corelograma reziduurilor pentru a verifica validitatea modelului:

Figura [3.2.11]. Corelograma modelului ARMA (1,1). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul
soft-ului EViews.
Valorile pentru Q-stat sunt destul de mari, astfel nu se poate admite despre reziduuri că
sunt sunete albe.
soft-ului EViews.
Prob F= 0 > 0.05 => se respinge H0, se acceptă H1, adică reziduurile nu au varianță constantă,
sunt heteroscedastice
EViews.
Media reziduurilor este foarte apropiată de 0, ceea ce le transformă în sunet alb, având o
distribuție ușor leptocurtică, depărtată nu cu foarte mult de medie și prezentând o ușoară
asimetrie la dreapta, sugerată de coeficientul de asimetrie în valoare de 0,29.

Proportion ne indică cât de departe este media previzionată de media valorilor actuale și este

deci este aproape de valorile previzionate.

varianța valorilor actuale și are o valoare mică, respectiv 0.33.
mai aproape de 1. Aici, are o valoare destul destul de mare, respectiv 0.66.
În concluzie, modelul previzionat static este cu mult mai bun decât cel dinamic.
Estimarea modelului ARMA(1,1) pentru indicele de tranzacționare al pieței S&P 500
Se urmăresc indicatori cât mai semnificativi, valoarea volatilității cât mai mica, la fel și
soft-ului EViews.
Se observă că cei doi coeficienți sunt semnificativi, fapt ce sugerează validitatea statistică
a modelului, R Square are o valoare de 0.21, iar volatilitatea are o valoare relativ mică,
aproximativ, 0,27. Indicii Akaike și Schwartz au și ei valori mici, de aproximativ -0.78, respectiv
-0,77.
Figura [3.2.16]. Corelograma modelului ARMA (1,1). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul
soft-ului EViews.
Corelația reziduurilor modelului sugerează că acestea nu pot fi numite sunet alb, valorile
pentru Q-Stat fiind unele mari.
soft-ului EViews.
Prob F= 0 > 0.05 => se respinge H0, se acceptă H1, adică reziduurile nu au varianță constantă,
sunt heteroscedastice
EViews.
Media reziduurilor este foarte apropiată de 0, ceea ce le transformă în sunet alb, având o
distribuție leptocurtică, depărtată de medie și prezentând o ușoară asimetrie la stânga, sugerată de
coeficientul de asimetrie în valoare de -0,77.


deci este aproape de valorile previzionate.

varianța valorilor actuale și are o valoare mică, respectiv 0.36.
Covariance Proportion este reprezentată de alte erori nesistematice și trebuie să fie cât mai
aproape de 1. Aici, are o valoare destul destul de mare, respectiv 0.63.
În concluzie, modelul previzionat static este cu mult mai bun decât cel dinamic și unul dintre
cele mai bune modele previzionate.
4. Aplicația 2
Pentru o serie de date, să se analizeze prezenta ARCH în date și modelarea variantei (a
volatilității) prin modele GARCH sau EGARCH, cu realizarea de previziuni pe modelul validat,
analiza bonității previziunii și interpretarea economică a rezultatelor.
4.1 Recenzia literaturii
Analiza prețurilor acțiunilor de prognoză a fi întotdeauna un domeniu interesant pentru

cercetătorii din domeniul finanțelor și economiei. Bursa de valori este foarte volatilă din cauza
diverșilor indicatori economici. Acești indicatori includ, dar fără a se limita la indicele prețurilor
de consum, IPC și rata inflației. Volatilitatea pe piață poate fi benefică pentru comercianți,
deoarece oferă o oportunitate de a profita. Cu toate acestea, crește, de asemenea, riscul de
pierdere. Prognozele pot oferi un punct de referință important pentru cercetătorii de piață,
comercianți sau investitori. Având în vedere prețurile acțiunilor înregistrate într-o anumită
perioadă, prin urmare, putem analiza și modela seria folosind analiza seriilor de timp. Analiza
seriilor de timp este o metodă statistică utilă care permite utilizatorului să găsească informații
semnificative în datele colectate în timp. S&P 500 este un indice bursier american bazat pe
capitalizările de piață a 500 de companii mari care au acțiuni comune listate la Bursa de Valori
din New York, NYSE sau Nasdaq Stock Market, NASDAQ.
O generalizare utilă a modelului ARCH este modelul GARCH (m,n) introdus de

Bollerslev (Bollerslev, 1986). Modelele ARCH și GARCH tratează heteroscedasticitatea ca pe o
variație care trebuie modelată. Modelul GARCH permite ca variația condiționată să depindă de
propriile lag-uri anterioare (Chris, 2002). S-a constatat că GARCH (1,1) este superior în rândul
altor modele GARCH (J, 2001). Diverse studii (Almarashi A M, 2018), (Zhang X Q, 2014) au
arătat că un simplu GARCH(1,1) este de obicei suficient pentru a modela
heteroscedasticitateavarianției seriei. Efectul ARCH asupra modelelor a fost ignorat de
cercetători (Adebiyi A A, 2014), (Kamruzzaman M, 2017), (Abbasi U, 2017). În studiile realizate
de Abbasi și Almarashi a fost folosit GARCH (1,1) pentru a modela volatilitatea prețurilor
acțiunilor de ciment. Autorii au constatat că modelul ARIMA (1,2,1)-GARCH (1,1) a avut
rezultate mai bune decât modelul ARIMA (1,2,1), deoarece valorile AIC și SIC ale modelului
ARIMA-GARCH sunt mai mici decât cele din modelul ARIMA. La începutul anului 2015, Xu
(Xu S N, 2015) a folosit modelul ARIMA-GJR-GARCH în prognozarea cursului de schimb
Renminbi față de dolarul din Hong Kong. Autorii au prezentat un model de ARIMA (1,1,1) -
GJR – GARCH (1,1) pentru a fi cel mai potrivit model al cursurilor de schimb și pentru a face
prognoze.
Metodologia
Pentru această aplicație am utilizat prețurile de închidere zilnice ale acțiunilor Coca-Cola
exprimate în dolari și ale indicelui de piață S&P 500. Am ales un total de 2769 de observații
pentru seria de timp. Datele sunt zilnice în intervalul aprilie 2009 – aprilie 2020. Pentru prețurile
de închidere am calculat randamentele zilnice ca:𝜂 = 𝑙𝑜𝑔 𝑦 − 𝑙𝑜𝑔 𝑦 . Am analizat
volatilitatea și distribuția seriilor de date cu ajutorul histogramei. Am aplicat testul ARCH pentru
testarea heteroscedasticității. Testul GARCH l-am aplicat pentru modelarea volatilității indicelui
S&P 500. La sfârșit, am previzionat pe perioada 2019 – 2020, dar atât modelul static cât și cel
dinamic nu sunt reprezentative pentru forecastul analizat.
Datele utilizate
Datele inițiale, o serie de 2769 de înregistrări, reprezintă prețul de închidere zilnic al

acțiunilor Coca-Cola și volumul tranzacționat în perioada 2009-2020, exprimate în $. De
asemenea, am mai adăugat două serii suplimentare, reprezentând indicele de piață S&P 500 al
prețurilor și volumului de tranzacționare. Pentru a realiza această aplicație am callculat
randamentele zilnice ale acțiunilor Coca-Cola și ale indicelui de piață S&P 500 așa cum am
specificat în metodologie.
Sursa:https://finance.yahoo.com/
4.2. Analiza prezenței ARCH în date și modelarea variantei prin modele

GARCH sauTestarea efectului ARCH pentru randamentul acțiunilor Coca-Cola
Pentru a realiza această testare am folosit randamentele zilnice ale acțiunilor Coca-Cola
calculate ca: 𝜂 = 𝑙𝑜𝑔 𝑦 − 𝑙𝑜𝑔 𝑦 .
Figura[4.2.]. Evoluția randamentelor zilnice ale acțiunilor Coca-Cola. Date preluate de pe Yahoo Finance și
Din figura de mai sus se poate observa o volatilitate ridicată a randamentului prețului de
închidere al acțiunii Coca-Cola în anul 2011 și în anul 2020, modificare cauzată de efectele
negative ale pandemie asupra economiei întregii planete, precum și variații ale dispersiei în raport
cu parametrul de timp t.
Figura[4.3.]. Histograma randamentelor zilnice ale acțiunilor Coca-Cola. Date preluate de pe Yahoo Finance și
prelucrate cu ajutorul soft-ului EViews
Histograma de mai sus ne arată că randamentele zilnice acțiunilor Coca-Cola prezintă o

distribuție leptocurtică și o ușoară asimetrie la stânga.
Testarea existenței
Figura [4.4.]. Heteroskedastcity Test (ARCH-LM). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-
ului EViews.
Testarea ipotezelor:
H0: b1=0 (homoscedastice), nu există efectul ARCH în date
H1: b1 ≠ 0 (heteroscedastice), există efectul ARCH în date
Prob F= 0 < 0.05
b1= 0,25 ≠ 0
Fiecare coeficient din regresia auxiliară este statistic diferit de 0 (P-value=0) și testul F ne
spune același lucru pentru ansamblul coeficienților. Nu avem suficiente dovezi statistice pentru a
accepta H0, se acceptă H1, adică există efectul ARCH în date. În concluzie, avem
heteroscedasticitate în date.
Estimarea unui model ARCH (1)
Figura [4.5.]. Model ARCH(1). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.
Modelul ARCH(1) este valid, coeficienții ecuației de variația sunt semnificativ diferiți de
0, iar P-value < 0,05 ceea ce înseamnă că modelul este unul valid.
Pentru aceeași serie de date am încercat să modelăm datele prin GARCH (1,1) și am
obținut următorul output:
Figura [4.6]. Model GARCH(1,1). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.
Modelul GARCH(1,1) nu este valid, coeficienții ecuației de variația nu sunt semnificativ

diferiți de 0, iar P-value > 0,05.
Nu putem realiza previziuni pentru acest model.

Testarea efectului ARCH pentru randamentul indicelui de piață S&P 500
Pentru a realiza această testare am folosit randamentele zilnice ale indicelui de piață S&P
500 calculate c𝑎 𝜂 = 𝑙𝑜𝑔 𝑦 − 𝑙𝑜𝑔 𝑦 .
Figura [4.7]. Evoluția randamentelor zilnice ale indicelui de piață S&P. Date preluate de pe Yahoo Finance și
Din figura de mai sus se poate observa o volatilitate clară și redusă a randamentului
prețului de închidere al indicelui bursier S&P 500 în anul 2011 și la începutul anului 2020,
abatere cauzată de efectele negative ale pandemie asupra economiei întregii planete, precum și
variații ale dispersiei în raport cu parametrul de timp t.
Figura [4.8]. Histograma randamentelor pentru compania Coca-Cola. Date preluate de pe Yahoo Finance și
Histograma de mai sus ne arată că randamentele zilnice indicelui S&P 500 prezintă o
distribuție leptocurtică și o ușoară asimetrie la stânga.
Figura [4.9]. Model ARCH(1). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.
Testarea ipotezelor:
H0: b1=0 (homoscedastice), nu există efectul ARCH în date
H1: b1 ≠ 0 (heteroscedastice), există efectul ARCH în date
Prob F= 0 > 0.05
b1= 0,25 ≠ 0
Nu avem suficiente dovezi statistice pentru a accepta H0, se acceptă H1, adică există
efectul ARCH în date. În concluzie, în continuare vom estima un model ARCH.
Estimarea unui model ARCH (1)
Figura [4.10]. Model ARCH(1). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.
Coeficienții sunt semnificativ diferiți de 0 și P-value < 0,05, avem de a face cu un model
valid.
Estimarea unui model GARCH (1,1)
Figura [4.11]. Model GARCH(1,1). Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.
Coeficienții sunt semnficativ diferiți de 0 și P-value < 0,05, avem de a face cu un model
valid. Vom realiza previziune pentru acest model, dar nu vom avea un model reprezentativ
deoarece avem un R2 foarte mic. Acest model nu este un exemplu bun.
Previzionarea statică a modelului
Figura [4.12.]. Forecast (Previzionare) pentru GARCH(1,1), model static. Date preluate de pe Yahoo Finance și
Coeficientul Theil, care aparține intervalului (0,1), are aici valoarea este foarte mică. Cu
cât este mai aproape de 0, cu atât este mai aproape de valorile previzionate. Aici este destul de
aproape de 0, deci este aproape de valorile previzionate.
Grupul Proportion: Bias și Variance Proportion, au o proporție foarte mică. Bias

varianța valorilor actuale și are o valoare mică.
mai aproape de 1. Aici, are o valoare foarte mică și apropiată de 0.
În concluzie, modelul previzionat static nu este unu foarte bun.

Creșterea din 2011 și scăderea bruscă sunt justificate de ”Black Monday”. În finanțe și
investiții, Black Monday 2011 se referă la 8 august 2011, când piețele bursiere din SUA și din
întreaga piață globală s-au prăbușit în urma scăderii ratingului de credit de vineri seara de către
Standard and Poor's of the United States sovereign debt de la AAA sau "fără risc", la AA+. A fost
pentru prima dată în istorie când Statele Unite au fost retrogradate. Moody's a emis un raport în
timpul tranzacționării de dimineață, care spunea că ratingul AAA creditului american a fost în
pericol, acest lucru după emiterea unei perspective negative în săptămâna precedentă. Acest lucru
s-a datorat temerilor legate de contagiunea crizei datoriei suverane europene față de Spania și
Italia, precum și din cauza îngrijorărilor legate de ratingul actual al Franței, îngrijorările cu
privire la creșterea economică lentă a Statelor Unite și la deprecierea ratingului său de credit.
Volatilitatea severă a indicilor bursieri a continuat pentru restul anului.
Pe 8 august, S&P 500 a pierdut 79,92 puncte (6,7%) ajungând la 1.119,46 puncte, cu toate
cele 500 de acțiuni și zece grupuri industriale în scădere, cu Dow Jones Industrial Average în
scădere 634.76 puncte (5.6%) la 10.809,56 puncte, iar NASDAQ Composite scăzând cu 174,72
puncte (6,9%) la 2.357,69 puncte, contribuind la o valoare de aproximativ 2,5 trilioane USD
ștearsă din valoarea capitalului propriu global; un total de 7,8 trilioane de dolari din 26 iulie.
Black Monday 2011 a urmat doar o zi de tranzacționare în spatele celei de-a 10-a celei mai mari
scăderi a Indicelui Dow Jones, un 512.76 (-4.31%) pe 4 august 2011.
Prăbușirea burselor de valori din 2020 este un fenomen care a avut loc la nivelull bursei
globale și care a început la 20 februarie 2020. Pe 12 februarie, Indicele Dow Jones Industrial
Average, NASDAQ Composite și S&P 500 au încheiat ziua la cote record. Între 24 și 28
februarie, piețele bursiere din întreaga lume au raportat cele mai mari scăderi de o săptămână de
la criza financiară din 2008. Piețele globale de la începutul lunii martie au devenit extrem de
volatile, prezentând mari schimbări. La 9 martie, majoritatea piețelor globale au raportat
contracții severe, în principal ca răspuns la pandemia COVID-19 și la un război al prețului
petrolului între Rusia și țările OPEC conduse de Arabia Saudită. Acest lucru a devenit cunoscut
sub numele de Black Monday. La momentul respectiv a fost cea mai proastă scădere de la Marea
Recesiune în 2008.
Previzionarea dinamică a modelului
Figura [4.13]. Forecast (Previzionare) pentru GARCH(1,1), model dinamic. Date preluate de pe Yahoo Finance și
Coeficientul Theil, care aparține intervalului (0,1), are aici valoarea este de 0,92. Cu cât
este mai aproape de 0, cu atât este mai aproape de valorile previzionate. Aici este aproape de 1,
deci modelul este foarte departe de valorile previzionate.
Grupul Proportion: Bias și Variance Proportion, au o proporție foarte mică. Bias

varianța valorilor actuale și are o valoare mică.
mai aproape de 1. Aici, are o valoare foarte mică și apropiată de 0.
În concluzie, modelul previzionat static nu este unu foarte bun, previziune fiind foarte
depărtată de medie, aceasta arătând o creștere constantă a varianției care nu are legătură cu
realitatea.
5. Aplicatia 3
Pentru seriile caracterizate de sezonalitate, se va modela seria utilizand modele SARIMA și

modele de netezire exponențială (H-W, seasonal H-W).Se vor compara modelele și pe baza
modelul validat se vor face previzuni cu interpretarea economică a rezultatelor.
5.1.Literatură de spacialitate
Cei care au pus bazele modelului SARIMA au fost statisticienii George Box și Gwilym
Jenkins. Ei au combinat modelele AR și MA și au creat renumitul model ARMA. Box și Jenkins
au încercat să obțină serii staționare din cele nestaționare. În acest scop, s-a dezvoltat modelul
ARIMA cu “I” de la integrat. Modelele ARIMA formează o parte importantă a abordării Box-
Jenkins pentru modelarea seriilor de timp. Box și Jenkins au observat că este important să se țină
cont de sezonalitatea seriei de date.
Modelele se pot dezvolta astfel încât să includă termeni autoregresivi de sezonalitate și de

medie mobilă sezonieri. Prin urmare, la modelul ARIMA s-a adăugat factorul sezonalitate,
rezultând astfel modelul SARIMA (Seasonal ARIMA).
În mod practic, modelul SARIMA a fost aplicat de către Banca Națională a României
pentru a prognoza inflația.
Tot în cadrul României, Ion Dobre și Adriana Ana Maria Alexandru au studiat modelele
Box-Jenkins și au aplicat procedura Box-Jenkins pentru a modela rata șomajului. Lucrarea se
numește “Modelarea ratei șomajului utilizând procedura Box-Jenkins”. Au fost supuse studiului
date din perioada 1198-2007. Acestea prezentau fluctuații sezoniere. Scopul analizei a fost să
determine rata șomajului pentru lunile ianuarie și februarie 2008. 1
1
Modelarea ratei șomajului utilizând procedura Box Jenkins-Ion Dobre, Adriana Ana Maria Alexandru
Sezonalitatea influențează destul de mult rata șomajului și de aceea, este important să se
evalueze impactul pentru a obține predicții corecte. “Acuratețea este o particularitate importantă
în previziune” (Witt și Witt, 1995).2
În cadrul Europei, modelul SARIMA a fost aplicat și pe date privind comerțul cu

amănuntul european trimestrial. În analiză au fost incluse 17 țări din Europa. Perioada supusă
studiului a fost 1996-2011.
“Predicția joacă un rol important și în planificarea turistică. O estimare a cererii viitoare

pentru turism este o cotribuție crucială pentru promovarea proiectelor turistice” (Cho, 2003). 3
De asemenea, a avut contribuții și în medicină. Modelul SARIMA a fost utilizat și pentru

a previziona numărul de cazuri de febră din Campinas, San Paulo. Studiul a fost efectuat de către
Edson Zangiacomi Martinez, Elisângela Aparecida Soares da Silva și Amaury Lelis Dal Fabbro.
Pe baza prognozei se pot obține informații folositoare care să faciliteze planificarea intervențiilor
sănătății publice.4
Metodologia cercetării
Aplicația 3 este construită pe baza unui model de tip SARIMA. Seria de timp care se
studiază prezintă o evoluție ciclică.
Partea sezonieră a unui model ARIMA are aceeași structură ca partea non-sezonieră:
poate avea un factor AR, un factor MA și/sau o ordine de diferențiere. În partea sezonieră a
modelului, toți acești factori funcționează de-a lungul mai multor lag-uri(număr de perioade
dintr-un sezon). Un model SARIMA sezonier este clasificat ca model unde P = număr de termeni
autoregreszivi sezonieri (SAR), D = numărul diferențelor sezoniere, Q = numărul termenilor
medii mobili (SMA).
În identificarea unui model sezonier, primul pas constă în a determina dacă este necesară
sau nu o diferență sezonieră, pe lângă sau poate în locul unei diferențe non-sezoniere. Dacă
2
International Journal of Forecasting, 1995, Stephen F. Witt and Christine A. Witt
3
A comparison of thee different approaches to tourist arrival forecasting. Tourism Management, Cho, 2003
4
A SARIMA forecasting model to predict the number of cases of dengue in Campinas, State of Sao Paulo, Edson
Zangiacomi Martinez
modelul sezonier este puternic și stabil în timp atunci probabil că ar trebui să fie utilizată o
diferență sezonieră.
Acest model calculează diferența dintre valoarea fiecărei luni și o medie istorică
ponderată exponențial pentru acea lună care este calculată prin aplicarea netezirii exponențiale la
valorile observate în aceeași lună în anii precedenți, unde cantitatea de netezire este determinată
de SMA(1). Apoi aplică o netezire exponențială simplă la aceste diferențe pentru a prezice
abaterea de la media istorică ce va fi observată luna viitoare. Valoarea coeficientului SMA(1)
aproape de 1.0 sugerează că multe sezoane de date sunt utilizate pentru a calcula media istorică
pentru o anumită lună a anului. Reamintim că un coeficient MA(1) într-un model ARIMA(0,1,1)
corespunde 1-alfa în modelul de netezire exponențial corespunzător și că vârsta medie a datelor
dintr-un model de netezire exponențial este de 1/afla.
5.2. Modelarea seriiei utilizând modele SARIMA si modele de netezire

exponențială
Date utilizate
Datele inițiale sunt reprezentate de o serie ce conține 2769 înregistrări, reprezentând

prețul de închidere zilnic al acțiunilor Coca-Cola și volumul tranzacționat în perioada 2009-2020
exprimate în dolari ($). Au fost adăugate două serii de date suplimentare ce reprezintă indicele de
piață S&P 500 al prețurilor și volumului de tranzacționare. Datele sunt înregistrate pe zile.
Datele au fost colectate de pe site-ul :https://finance.yahoo.com/.
Evoluțiile seriilor de date au fost prezentate în aplicația 1 a proiectului.
Figura[5.1]. Statistici descriptive pentru seriile de date. Date preluate de pe Yahoo Finance și prelucrate cu ajutorul
soft-ului EViews
Am realizat statisticile descriptive utilizând soft-ul EViews. Astfel, se observă faptul că
media variabilei prețului de închidere este de 1931 $ pentru indicele de piață S&P, iar pentru
Coca-Cola medie prețului de închidere este de 39 $. Medie volumului tranzacționat de către
compania Coca-Cola este mult mai mică decât valoarea tranzacționată pe piață.
Se evidențiază, de asemenea, distribuția seriilor de date. Astfel, prețul de închidere pentru

indicele de piață are o distribuție asimetrică la dreapta, coeficientul de asimetrie (skewness) fiind
egal cu 0,23 și platicurtică, o distribuție în care rezultatele sunt foarte împrăștiate față de medie și
indică un grad ridicat de eterogenitate a scorurilor, valoarea coeficientului de aplatizare fiind egal
cu 1.93. Prețul de închidere al companiei Coca-Cola are o distribuție asimetrică la stânga și
mezocurtică, adică o distribuție normală.
Volumul tranzacționat de către Coca-Cola are o distribuție asimetrică la dreapta și

leptocurtică, adică datele sunt foarte grupate și apropiate de medie, acest lucru se observă și din
faptul că media și mediana sunt foarte apropiate ca valoare. De asemenea, volumul tranzacționat
de indicele de piață are o distribuție asimetrică la dreapta și leptocurtică.
Rezultatele empirice ale cercetăriii
Se consideră seriile de timp ce conțin valori ale prețului de închidere și a volumului

tranzacționat pentru compania Coca-Cola și indicele de piață S&P 500.
În primul rând vom verifica sezonalitatea seriilor de date.

Prețurile de închidere ale acțiunilor
Figura [5.2]. Reprezentarea sezonalității pentru prețurile de închidere. Date preluate de pe Yahoo Finance și
prelucrate cu ajutorul soft-ului EViews
În ceea ce privește prețul de închidere al companiei Coca-Cola se observă faptul că

trendul este unul ascendent. Același lucru este valabil și pentru prețul de închidere al indicelui de
piață. Astfel, seriile de date prezintă sezonalitate și ar trebui să fie serii nestaționare. Această
observație poate fi confirmată ulterior prin testul de staționaritate. Nestaționaritatea seriilor se
poate observa și în corelogramele de mai jos.
Figura [5.3]. Corelograma prețurilor acțiunilor Coca Cola. Date preluate de pe Yahoo Finance și prelucrate cu
Din corelogramă observăm că la lagul 1 coeficientul de autocorelație are o valoare foarte

mare (0.997), scăzând cu greu, la lagul 36 având valoarea 0.914. Deci, coeficienții de
autocorelație descresc foarte lent, ceea ce înseamnă că avem de-a face cu o serie nestaționară.
Vom realiza corelograma și pentru prețul de închidere al indicelui de piață.
Figura [5.4.]. Corelograma prețurilor acțiunilor indicelui de piață. Date preluate de pe Yahoo Finance și prelucrate
cu ajutorul soft-ului EViews.
Situația este similar ca în cazul corelogramei prețurilor acțiunilor Coca-Cola. Seria de
date este nestaționară, coeficientul de asimetrie pentru lagul 36 fiind egal cu 0.958.
În continuare se va încerca staționarizarea seriilor de date. Pentru a realiza acest lucru

vom aplica operatorul de diferențiere pentru cele două serii, astfel: SeriaDiferențiată =
PretInchidere_KO – PretInchidere_KO(-12).
Graficele seriilor diferențiate sunt:
Figura [5.5.]. Graficul seriei staționarizate. Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului
EViews
Figura [5.6.]. Graficul seriei staționarizate. Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului
EViews
Pe baza graficelor și corelogramelor realizate se observă, astfel, că seriile de date sunt
staționare după aplicarea operatorului de diferențiere pentru a doua diferențiere. În cazul
corelogramei pentru seria staționară a prețului de închidere S&P, coeficientul de autocorelare
pentru lagul 1 este egal cu 0.90, iar pentru lagul 36 acesta are valoarea -0.019. Pentru prețul de
închidere al acțiunilor Coca-Cola coeficientul de autocorelare pentru lagul 1 are valoarea 0.90, iar
pentru lagul 36 valoarea este egală cu -0.002.
Figura [5.7.]. Corelograma seriei diferențiate Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului
EViews
Se observă astfel că seriile inițiale ale prețurilor de închidere ar trebui să fie serii
nestaționare, iar seriile diferențiate ar trebui să fie staționare. Dar aceste observații trebuiesc
confirmate prin testele de staționaritate.
Testele de staționaritate cele mai folosite sunt ADF (Augmented Dickey-Fuller) și PP

(Philips-Perron). În acest caz vom utiliza testul ADF.
Ipoteza de rădăcină unitară-Unit Root
H0 : seria are rădăcină unitară si este nestaționară
H1 : seria este staționară
Testul Dickey-Fuller (Unit Root Test)
Dacă ρ = 1 sau δ = 0, atunci seria nu este staționară;
Dacă ρ <1, atunci seria este staționară, τ =DF= δ^ se (δ^) .
Dacă |τcalc| > | τcrt |, respingem H0 și acceptăm că seria este staționară.
Dacă | τcalc| <| τcrt |, acceptăm H1 , adică faptul că seria este nestaționară.
Se folosește intercept pentru că graficul seriei începe dintr-o anumită valoare.
Prima serie este nestaționară, fapt rezultat atât din coreglogramă unde coeficienții de
autocorelație scad lent, cât și din aplicarea testului Augumented Dickey Fuller, unde valoarea
calculată pentru statistica este -2.47, care în valoare absolute este mai mică decât valorile critice.
Nu putem respinge ipoteza nulă, că există o rădăcină unitară, deci seria pretului de închidere a
acțiunilor Coca-Cola este nestaționară.
Figura [5.8.]. Output-ul testului ADF pentru seria inițială a prețului de închidere KO.Date preluate de pe Yahoo
Finance și prelucrate cu ajutorul soft-ului EViews
Vom realiza testul Augmented Dickey Fuller și pentru seria diferențiată sezonier.
Figura [5.9.]. Output-ul testului ADF pentru seria de date diferențiată. Date preluate de pe Yahoo Finance și
Aplicând testul Dickey-Fuller pentru seria de date diferențiată se obține valoarea calculate
pentru statisca de -7.9, care în valoare absolute este mai mare decât valorile critice. Respingem
astfel ipoteza nulă, care spune că există o rădăcină unitară, deci a seria de date este staționară.
În continuare vom realiza testul Dickey Fuller pentru prețul de închidere al indicelui
pieței.
Figura [5.10]. Output-ul testului ADF pentru seria de date inițială. Date preluate de pe Yahoo Finance și prelucrate
cu ajutorul soft-ului EViews.
Se observă faptul că seria de date inițială pentru prețul de închidere a indicelui pieței este
una nestaționară. Valoarea calculate pentru statistică este egală cu -1.1, a cărei valoare absolută
este mai mică decât valorile critice, astfel nu se poate respinge ipoteza nulă.
Vom realiza testul și pentru seria de date diferențiată.

Figura [5.11]. Output-ul testului ADF pentru seria de date diferențiată. Date preluate de pe Yahoo Finance și
Aplicând testul Dickey Fuller pentru seria de date diferențiată observăm faptul că
valoarea statistică calculate este de -8.8, care în valoare absolută este mai mare cât valorile
critice. Respingem ipoteza nulă, că există o rădăcină unitară, și rezultă faptul că seria diferențiată
este staționară.
Modelul SARIMA va porni de la următoarea ecuație: ls dpret_inchidere_ko MA(3)

SMA(1) SMA(2).
Figura [5.12]. Output-ul modelului SARIMA.Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului
EViews.
Rădăcinile polinomului caracteristic pot fi prezentate atât ca tabel, cât și grafic.
Figurile [5.13] [5.14]. Reprezentarea grafică și tabelară a rădăcinilor polinomului. Date preluate de pe Yahoo
După căutarea celui mai bun model ARIMA, a rezultat următorul output.
Figura [5.15]. Modelul SARIMA.Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.
Rezultă, astfel, că cel mai bun model SARIMA este modelul (3,4)x(0,0). Pentru alegerea
acestui model se iau în considerare valorile pentru criteriile Akaike și Schwarz, de asemenea
importante sunt și R2 și R2 ajustat, ce trebuie să fie cât mai mari.
Figura [5.16]. Reprezentarea grafică a evoluției variabilei. Date preluate de pe Yahoo Finance și prelucrate cu
În continuare va fi testate validitatea modelului.
Q-Statistic şi probabilitatea asociată acestuia reprezintă un test statistic care are ca ipoteză
nulă că nu există autocorelaţie până la lag-ul k. Dacă probabilitatea asociată testului Q-statistic
este superioară nivelului de relevanță, ipoteza nulă este respinsă și este acceptată ipoteza
alternativă – există autocorelație până la lag-ul k.
Figura [5.17]. Corelograma validității seriei realizată pe baza modelului SARIMA ales. Date preluate de pe Yahoo
Conform rezultatelor acestui test, pentru primele 5 lag-uri ale erorilor există corelație
serială a erorilor (valoarea coeficientului de autocorelație depășește intervalul punctat în grafic).
Existența autocorelației este confirmată și de testul Q-statistic și probabilitatea asociată acestuia.
Mai putem spune că testul se bazează pe analiza corelogramei reziduurilor. ACF și PACF
prezintă fluctuații semnificative, probabilitățile sunt mai mici de 0.05, deci modelul nu este valid.
Modelul de netezire exponențială Holt-Winters pentru prețurile acțiunilor KO
a. Holt-Winters no seasonal
Figura[5.18]. Output obținut în urma aplicării modelului de netezire exponențială H-W no seasonal. Date preluate
de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews
Pentru modelul de netezire Holt-Winters am obținut un coeficient alfa egal cu 0.96 și un

coefficient beta egal cu 0. Suma rezidurilor pătrate este egală cu 563.
Vom testa validitatea modelului creat.
Figura[5.19]. Output obținut în urma aplicării testului ADF după netezirea exponențială H-W no seasonal. Date
preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews
Se aplică testul ADF.
Ipoteza nulă este că δ = 0, echivalent cu ρ = 1, sau există o rădăcină unitară. Valoarea

calculată pentru statistica τ este -2.42, care în valoare absolută este mai mică decât valorile
critice. Nu putem respinge ipoteza nulă, că există o rădăcină unitară, deci seria este nestaționară,
ceea ce înseamnă că modelul nu este valid.
b. Holt-Winters Additive
Figura [5.20]. Output obținut în urma aplicării modelului de netezire exponențială H-W additive. Date preluate de
pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews
După aplicarea modelului Holt Winters Additive am obținut un coeficient alfa egal cu
0.81, un coeficient beta egal cu 0.4 și un coeficient gamma egal cu 0.
Vom testa validitatea modelului Holt Winters Additive aplicând testul Duckey Fuller.
Figura[5.21]. Output obținut în urma aplicării testului ADF după netezirea exponențială H-W additive. Date
preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.
calculată pentru statistica τ este -2.49, care în valoare absolută este mai mică decât valorile
critice. Nu putem respinge ipoteza nulă, că există o rădăcină unitară, deci seria este nestaționară,
ceea ce înseamnă că modelul nu este valid.
Vom realiza aceeași analiza și pentru prețul de închidere al indicelui de piață.
Modelul SARIMA pentru prețul de închidere al S&P 500 va porni de la următoarea

ecuație:
Figura [5.22]. Output-ul modelului SARIMA.Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului
EViews.
Rădăcinile polinomului caracteristic pot fi prezentate atât ca tabel, cât și grafic.

Figura [5.23]. Reprezentarea grafică și tabelară a rădăcinilor polinomului. Date preluate de pe Yahoo Finance și
Pentru determinarea modelului optim ales, vom utiliza Automatic ARIMA Forecasting. În
urma acestei alegeri a rezultat faptul că modelul cel mai bun este SARIMA(4,3)(0,0).
Figura[5.24]. Modelul SARIMA.Date preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.
Rezultă, astfel, că cel mai bun model SARIMA este modelul (4,3)x(0,0). Pentru alegerea
acestui model se iau în considerare valorile pentru criteriile Akaike și Schwarz, de asemenea
importante sunt și R2 și R2 ajustat, ce trebuie să fie cât mai mari.
Figura [5.25]. Reprezentarea grafică a evoluției variabilei. Date preluate de pe Yahoo Finance și prelucrate cu
În continuare vom testa validitatea modelului. Vom lua în considerare Q-statistic.
Q-Statistic şi probabilitatea asociată acestuia reprezintă un test statistic care are ca ipoteză
nulă că nu există autocorelaţie până la lag-ul k. Dacă probabilitatea asociată testului Q-statistic
este superioară nivelului de relevanță, ipoteza nulă este respinsă și este acceptată ipoteza
alternativă – există autocorelație până la lag-ul k.
Figura [5.26]. Corelograma validității seriei realizată pe baza modelului SARIMA ales. Date preluate de pe Yahoo
Conform rezultatelor acestui test, pentru primele 3 lag-uri ale erorilor există corelație
serială a erorilor (valoarea coeficientului de autocorelație depășește intervalul punctat în grafic).
Existența autocorelației este confirmată și de testul Q-statistic și probabilitatea asociată acestuia.
Mai putem spune că testul se bazează pe analiza corelogramei reziduurilor. ACF și PACF
prezintă fluctuații semnificative, probabilitățile sunt mai mici de 0.05, deci modelul nu este valid.
Modelul de netezire exponențială Holt-Winters pentru prețurile acțiunilor S&P
a.Holt-Winters no seasonal
Figura [5.27]. Output obținut în urma aplicării modelului de netezire exponențială H-W no seasonal. Date preluate
de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews
Pentru modelul de netezire Holt-Winters am obținut un coefficient alfa egal cu 0.84 și un

coefficient beta egal cu 0.
Vom testa validitatea modelului creat.
Figura [5.28]. Output obținut în urma aplicării testului ADF după netezirea exponențială H-W no seasonal. Date
preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews
Se aplică testul ADF.

calculată pentru statistica τ este -1.1, care în valoare absolută este mai mică decât valorile critice.
Nu putem respinge ipoteza nulă, că există o rădăcină unitară, deci seria este nestaționară, ceea ce
înseamnă că modelul nu este valid.
b. Holt-Winters Additive
Figura [5.29]. Output obținut în urma aplicării modelului de netezire exponențială H-W additive. Date preluate de pe
Yahoo Finance și prelucrate cu ajutorul soft-ului EViews
După aplicarea modelului Holt Winters Additive am obținut un coeficient alfa egal cu 0.7,
un coeficient beta egal cu 0.45 și un coeficient gamma egal cu 0.
Vom testa validitatea modelului Holt Winters Additive aplicând testul Duckey Fuller.
Figura [5.30]. Output obținut în urma aplicării testului ADF după netezirea exponențială H-W additive. Date
preluate de pe Yahoo Finance și prelucrate cu ajutorul soft-ului EViews.

calculată pentru statistica τ este -1.1, care în valoare absolută este mai mică decât valorile critice.
Nu putem respinge ipoteza nulă, că există o rădăcină unitară, deci seria este nestaționară, ceea ce
înseamnă că modelul nu este valid.
6. Aplicația 4
Să se investigheze natura relației dintre variabile pe baza:
-analizei de non-stationaritate;
-analizei de cointegrare;
-modele VAR/VECM;
-Teste de cauzalitate Granger;
-Funcția de răspuns la impuls și analiza de descompunere a variantei.
Pentru aplicația 4 ne propunem să investigăm natura relației dintre variabile pe baza:

analizei de non- staționaritate, analizei de cointegrare, modele VAR/VECM, teste de
cauzalitate Granger, funcția de răspuns la impuls și analiza de descompunere a varianței.
Astfel, o modalitate de a opera cu serii nestationare, cu tendință de evoluție o reprezintă

diferențierea și alte transformări (ajustarea sezoniera) pentru a le staționariza și ulterior a analiza
seriile rezultate în cadrul modelelor de tip VAR.
Pentru analiza de non-staționaritate a seriilor se utilizează testele de rădăcină unitate

Augmented Dickey-Fuller (ADF) și Phillips-Perron (PP) pentru a identifica ordinul de integrare
al variabilelor.
Odată aflat ordinul de integrare al variabilelor, dacă acestea sunt integrate de același
ordin, se poate verifica cointegrarea datelor. În statistică, testul Johansen, numit după Søren
Johansen, este o procedură de testare a cointegrarii unei serii de timp. Acest test permite mai mult
de o relație de cointegrare, deci este mai general aplicabil decât testul Engle Granger care se
bazează pe testul de rădăcini unitare Dickey-Fuller.
Există două tipuri de teste Johansen, cu trasare sau valoare proprie și deducțiile ar putea fi
puțin diferit:
● Ipoteza nulă pentru trasare este că numărul de vectori de cointegrare este r = r *
<k, v față de alternativă că r = k. Testarea procedează secvențial pentru r * = 1,2, etc., iar
prima non respingere a unui nul este luată ca o estimare a lui r
● Ipoteza nulă pentru testul "valoare proprie maximă" este ca și pentru testul de
urme, dar alternativa este r = r * + 1 și, din nou, testarea procedează secvențial pentru r *
= 1,2, etc, cu prima non respingere a unui nul luată ca o estimare a lui r.
Autoregresia Vector (VAR) a fost introdusă de Sims (1980) ca o tehnică care ar putea fi
utilizată de macroeconomiști pentru a caracteriza comportamentul dinamic comun al unei colecții
de variabile fără a necesita restricții puternice de tipul celor necesare pentru identificarea
parametrilor structurali fundamentali. Ea a devenit o metodă predominantă de modelare a unei
serii de timp.
Cu toate că estimarea ecuațiilor unui VAR nu necesită ipoteze de identificare puternice,

unele dintre cele mai utile aplicații ale estimărilor, cum ar fi funcțiile de răspuns la impuls (IRFs)
sau analizele de descompunere a varianței necesită identificarea restricțiilor. Un exemplu tipic de
restricție ia forma unei ipoteze despre relația dinamică dintre o pereche de variabile, de exemplu,
că x y afectează doar cu un anumit decalaj, sau că X nu afectează Y pe termen lung.
Un sistem VAR conține un set de variabile m, fiecare dintre acestea fiind exprimată ca o
funcție liniară de p lag-uri de fiecare și a tuturor celorlalte m - 1 variabile, plus un termen de
eroare. Cu două variabile, x și y, un ordin p VAR ar fi două ecuații:
Noi adoptăm convenția subscript că βxyp reprezintă coeficientul lui y în ecuația lui x la
lag p. Dacă ar fi să adăugăm o altă variabilă z în sistem, ar exista o a treia ecuație pentru zt și
termenii care implică valorile decalate p ale lui z, de exemplu, βxzp, ar fi adăugat în partea
dreaptă a fiecăreia dintre cele trei ecuații.
O caracteristică esențială a ecuațiilor de mai sus este faptul că nu apar variabile curente
pe partea dreaptă a niciuneia dintre ecuații. Acest lucru face plauzibil, deși nu întotdeauna sigur,
că regresorii din ecuațiile de mai sus sunt slab exogeni și că, în cazul în care toate variabilele sunt
staționare și ergodice, OLS poate produce estimatori asimptotici. Variabilele care sunt cunoscute
a fi exogene-o exemplu comun îl reprezintă variabilele ce pot fi adăugate fictive sezonale – pot fi
adăugați în partea dreaptă a unei ecuații VAR fără dificultate, și, evident, fără a include ecuații
suplimentare pentru a le modela.
Termenii de eroare în ecuațiile de mai sus reprezintă părți ale yt și xt, care nu au legătură
cu valorile anterioare din cele două variabile: imprevizibila "inovație" în fiecare variabilă. Aceste
inovații vor, în general, să fie corelate între ele, deoarece nu va fi, de obicei, o anumită tendință
de mișcări în yt și xt să fie corelate, probabil din cauza unei relații cauzale contemporane (sau din
cauza influenței comune a altor variabile).
O distincție cheie în înțelegerea și aplicarea modelului VAR este între termeni de inovare
v în VAR și șocuri exogene fundamentale, ortogonale pentru fiecare variabilă, pe care o vom
numi ε. Inovația în yt este partea de yt care nu poate fi prezisă de valorile anterioare ale lui x și y.
Unele dintre aceste variații imprevizibile în yt pe care le măsoară prin vt se datorează cu

siguranță y t ε, un șoc exogen pentru yt care nu are nici o legătură cu ceea ce se întâmplă cu x sau
orice altă variabilă care ar putea fi inclusă în sistem.
Cu toate acestea, în cazul în care x are un efect asupra lui y contemporan, atunci o parte
din y t v se va datora efectului indirect al șocului de curent la x, x t ε, care adaugă ecuația yt în
(5.1), prin termenul de eroare, deoarece xt actual nu este permis să fie pe partea dreaptă.
Corelația între termenii de eroare a două ecuații, cum ar fi cea prezentă în (5.1), de obicei
înseamnă că putem obține eficiență prin utilizarea unui estimator de sistem de regresii aparent
fără legătură (SUR) mai degrabă decât estimarea ecuațiilor în mod individual de OLS.
Cu toate acestea, sistemul VAR este conform cu o excepție de la această regulă: regresorii
din toate ecuațiile sunt identice, ceea ce înseamnă că SUR și OLS duc la estimatori identici.
Singura situație în care am câștiga prin estimarea VAR ca un sistem de regresii aparent fără
legătură este atunci când impunem restricții asupra coeficienților de VAR, un caz pe care o vom
ignora aici.
În cazul în care variabilele VAR sunt cointegrate, folosim un vector de corecție a erorilor
(VECM).
Un model VECM pentru două variabile ar putea arăta ca:
unde yt= α0 + α1xt este relația de cointegrare pe termen lung între două variabile și λ y și λx sunt
termenii de eroare care măsoară cum reacționează y și x la deviațiile de la echilibrul pe termen
lung.
Există două posibile specificații pentru VECM:
1. VECM pe termen lung:
Unde
2.VECM tranzitoriu:
Unde
În ambele tipuri de VECM (Vector Error Correction Model):

Atunci când aplicăm modelul VECM la mai mult de două variabile, trebuie să luăm în
considerare posibilitatea că există mai mult de o relație de cointegrare între variabile. De
exemplu, dacă x, y și z toate tind să fie egale pe termen lung , apoi x t = yt și yt = zt ( sau,
echivalent , xt =zt ) ar fi două relații de cointegrare . Pentru a face față acestei situații, avem
nevoie să generalizăm procedura de testare a relației de cointegrare, pentru a permite mai mult de
o ecuație de cointegrare, și avem nevoie de un model care permite mai mulți termeni de corectare
a erorilor în fiecare ecuaţie.
În scopul de a identifica șocurile structurale și efectele lor dinamice, trebuie să facem

ipoteze de identificare suplimentare.
Cu toate acestea, un sistem VAR simplu, cum ar fi cel pentru ecuațiile inițiale poate fi
utilizat pentru două sarcini econometrice importante, fără a face ipoteze suplimentare . Putem
folosi ecuațiile inițiale ca o metodă convenabilă pentru a genera previziuni pentru x și y, și putem
încerca să deducem informații despre direcția sau direcțiile de cauzalitate între x și y folosind
analiza de cauzalitate Granger.
„Analiza de cauzalitate Granger (CG) indică ce variabile sunt utile pentru prognoza
altor variabile. Mai precis, putem spune că X cauzează-Granger pe Y dacă o prognoză a lui Y
făcută pe baza unui set de informații care cuprinde istoria lui X este mai bună decât o prognoză
care ignoră istoria lui X. Trebuie subliniat că, în ciuda numelui, CG nu poate fi interpretată drept
cauzalitate propriu-zisă (structurală), așa cum au demonstrat Cooley și LeRoy (1985). CG este
doar consistentă cu (fără a fi nici necesară și nici suficientă pentru) cauzalitatea autentică,
conform ideii lui Hume (valorificată de Granger) că efectul trebuie să succeadă în timp cauzei.
Mai important este faptul că CG este extrem de utilă în a răspunde la întrebări de tipul:
„Ce variabile pot semnala cu anticipație o creștere în variabila X?”.
În cadrul analizei modelului VAR/VECM, se poate utiliza funcția de răspuns la impuls

(impulse response function) și analiza descompunerii varianței (variance decomposition
analysis) pentru a obține informații referitoare la interacțiunile dintre variabile.
Un şoc apărut în cadrul ecuaţiei variabilei i nu numai că afectează în mod direct variabila
i, dar este transmis, de asemenea, tuturor celorlalte variabile endogene prin structura dinamică a
modelului VAR.
„O funcţie de răspuns la impuls urmăreşte efectul unui şoc apărut la un moment dat într-
una din inovaţiile modelului asupra valorilor prezente şi viitoare ale variabilelor endogene. În
cazul în care inovaţiile sunt simultan necorelate, interpretarea răspunsului la impuls este relativ
simplă. Inovaţia i este pur şi simplu un şoc pentru variabila i. Inovaţiile, cu toate acestea, sunt de
obicei corelate, şi pot fi privite ca având un element comun, care nu poate fi asociat cu o variabilă
specifică. Pentru a interpreta, în această situaţie generală, răspunsurile la impuls, se obişnuieşte să
se aplice o transformare a inovaţiilor, astfel încât acestea să devină necorelate.
În timp ce funcţiile de răspuns la impuls urmează efectele unui şoc apărut în dinamica
unei variabile asupra unei alte variabile din VAR, descompunerea varianţei oferă informaţii
despre importanţa relativă a fiecărei inovaţii privind efectul asupra dinamicii variabilelor din
VAR.”
6.2. Analiza naturii relației dintre variabile
Seria analizată conține variabila dpret_închidere_ko reprezentând valoarea de închidere a

unei acțiuni și variabila volum_tranzacționat_ko, reprezentând volumul de acțiuni tranzacționate
lunar din aceeași perioadă.
➔ Verificarea sezonalității seriei de timp
Verificăm sezonalitatea seriilor:
Figura[6.1]. Sezonalitatea prețului de închidere ajustat

Așa cum se observă din graficul sezonalității de mai sus, prețul de închidere ko ajustat nu
prezintă sezonalitate.
Variabila volum_tranzacționat_ko prezintă sezonalitate:
Figura[6.2] Sezonalitatea volumului acțiunilor tranzacționate
O vom ajusta:
Figura[6.3.] Volumului acțiunilor tranzacționate

➔ Analiza de non-staționaritate
Pentru analiza de non-staționaritate a seriilor se utilizează testele de rădăcină unitate

Augmented Dickey-Fuller (ADF) sau Phillips-Perron (PP) pentru a identifica ordinul de integrare
al variabilelor.
Din analiza realizată pentru Aplicația 3, a reieșit că prețul de închidere ajustat nu este
staționar, așadar vom folosi prețul asupra căruia s-a aplicat staționaritatea, denumit
dpret_inchidere_ko:
Figura[6.4]. Diferența dintre variabila non-staționară și cea staționară
Pentru ca acesta să devină staționara, în Eviews scriem:

dpret_inchidere_ko=pret_inchidere_ko (-12)
Astfel, am transformat seria noastră nestaționară în una staționară „at 1 st difference”.
Verificăm staționaritatea pentru variabila „volum_tranzactionat_ko” prin:

★ Corelogramă
Figura [6.5]. Corelograma
Din corelograma de mai sus observăm că pentru coeficientul de autocorelație se întâlnesc

atât creșteri cât și decreșteri. Deci, coeficienții de autocorelație nu au o descreștere continuă, ceea
ce înseamnă ca avem de-a face cu o serie staționară.
★ prin testul Phillips-Perron
Folosim testul Phillips-Perron, testul rădăcină unitate fără nici o diferență:

Figura[6.6]. Testul Phillips-Perron
Pentru scopul nostru este importantă statistica t (τ =tau) a variabilei. Ipoteza nulă este că δ
= 0, echivalent cu ρ = 1, sau există o rădăcină unitară.
Pentru modelul nostru, valorile critice sunt: -3,43; -2,86 și -2,56, corespunzătoare
nivelurilor de semnificație de 1%, 5% si 10%. Valoarea calculată pentru statistica τ este -28,76,
care în valoare absolută este mai mare decât valorile critice, iar probabilitatea este 0 <0.05.
Putem respinge ipoteza nulă, aceea că există o rădăcină unitară, deci seria este staționară.
➔ Analiza de cointegrare folosind testul de cointegrare Johanson
Metodologia Johansen implică următoarele etape:
1. Determinarea ordinului de integrare al variabilelor. Ca și în cazul abordării EG, testele de

rădăcină unitate sunt aplicate pentru a determina ordinul de integrare al fiecărei variabile.
2. Stabilirea lungimii optime a lagurilor modelului. Problema determinării lungimii adecvate a
lagurilor este foarte importantă în asigurarea normalității, non-autocorelărrii și
homoscedasticității erorilor. Lungimea optimă a lagului este aleasă pe baza criteriilor AIC sau
SBC și a testelor diagnostic (Asteriou și Hall, 2007).
3. Alegerea modelului adecvat din punct de vedere al componentelor deterministe din sistemul
multivariat. Un alt aspect important în formularea modelului dinamic este referitor la includerea
intercept-ului și/sau a componentei trend fie în modelul pe termen scurt, fie pe termen lung, fie în
ambele.
Dacă variabilele X și Y sunt staționare , acestea sunt implicit (natural) cointegrate și testul
de cauzalitate Granger se va rula pe un model VAR în nivel, a cărui test F trebuie să fie
semnificativ statistic.
Astfel, variabilele noastre sunt staționare, deci implicit (natural) cointegrate, în consecință
nu mai este nevoie să realizăm testul de cointegrare Johanson.
➔ Modele VAR/VECM
Cum variabilele noastre sunt staționare și implicit (natural) cointegrate, testul de cauzalitate
Granger se va rula pe un model VAR în nivel, a cărui test F trebuie să fie semnificativ statistic.
Astfel, vom construi un model VAR pentru intervalul de lag-uri 1 1 și 1 2.

Figura [6.7]. Modelul VAR - lag 1 1
Fgirua [6.8]. Modelul VAR- lag 1 2
Procedeul obișnuit în alegerea lagului optim este de a estima un model VAR cu toate
variabilele, lungimea optimă a lagului fiind aleasă pe baza criteriilor AIC sau SBC și a testelor
diagnostic (Asteriou și Hall, 2007).
Din output-urile de mai sus se observă că vom alege modelul VAR pentru lag-ul 1 2,
întrucât valoarea lui AIC este mai mică decât pentru celălalt model.
Eviews afişează informaţii suplimentare în partea de jos a ferestrei cu rezumatul

estimării. Prima parte aminformaţiei suplimentare prezintă statistici standard ale regresiei OLS
pentru fiecare ecuaţie. Rezultatele sunt calculate separat pentru fiecare ecuaţie folosind
reziduurile acesteia şi sunt afişate în coloana corespunzătoare. Numerele prezentate în partea de
jos a tabelului sunt rezumate ale statisticilor sistemului VAR ca un întreg.
Analizând valoarea lui R, observăm că volumul acțiunilor tranzacționate este influențat în

proporție de 82, 60 % de prețul de închidere, ceea ce înseamnă că acest volum este justificat de
preț.
➔ Teste de cauzalitate Granger
Două ipoteze nule sunt afișate mai sus:
Prețul de închidere ajustat cauzează volumul.
Volumul cauzează prețul de închidere ajustat.
Dacă F ≥ 3.84 atunci se respinge ipoteza nulă H(1)
Dacă F< 3.84 se acceptă ipoteza nulă H(0).
Astfel, F cu valoarea de 2,18 este mai mic decât 3.84, așadar variabila
volum_tranzactionat_ko nu cauzează variabila dpret_inchidere_ko. Acest lucru nu se întâmplă și
pentru a doua ipoteză nulă, unde F este 7.04 nu e mai mic decât 3,84, deci variabila
dpret_inchidere_ko cauzează variabila volum_tranzactionat_ko.
➔ Funcția de răspuns la impuls și analiza de descompunere a varianței
Figura [6.9]. Funcția de răspuns la impuls
Funcţiile de răspuns la impuls urmează efectele unui şoc apărut în dinamica unei variabile
asupra unei alte variabile din VAR.
Analiza de descompunere a varianței
Descompunerea varianţei oferă informaţii despre importanţa relativă a fiecărei inovaţii

privind efectul asupra dinamicii variabilelor din VAR.
Figura[6.10]. Analiza de descompunere a varianței
7. Concluzii
Conform analizelor, pentru prețurile acțiunilor companiei Coca-Cola, cel mai bun model
ARMA este ARMA (1,1) previzionat static, ipoteză valabilă și în cazul indicelui de piață S&P
500, cel din urmă având rezultate mai bune decât modelul de previzionare pentru compania Coca-
Cola.
Pentru Aplicația 2 am testat prezența efectului ARCH în date și am modelat varianța

randamentelor zilnice ale indicelui de piață S&P 500. În urma analizei s-a demonstrat că există
efectul ARCH atât pentru randamentele zilnice ale acțiunilor Coca-Cola cât și pentru cele ale
S&P 500. Am estimat un model ARCH (1) pentru randamentul acțiunilor Coca-Cola și un model
GARCH(1,1), primul model s-a dovedit a fi valid, iar cel de-al doilea a nu fi valid. Nu am putut
face o previziune a acestui randament. Apoi, am estimat un model pentru randamentelul S&P 500
și am găsit ca cel mai bun model estimat un model ARCH(1,1), pentru acest model am reaizat o
previziune statică și una dinamică. Bonitatea previziunilor nu a fist una excepțională, modelul
dinamic fiind foarte departe de media reală, cel static nu a fost cu mult mai bun, dar a fost mai
apropiat de medie si a evidențiat chiar și fluctuațiile mare care au avut loc pe piața bursiera în
anul 2011 și la începutul anului 2020. De asemenea, am detaliat și cauzele acestor fluctuații -
schimbările majore care au avut loc la nivel mondial pe piața mondială de capital - scăderea
raitingului de credit în SUA și pandemia care s-a instalat începând cu luna februarie a anului
2020.
În cadrul aplicației cu numărul trei s-au utilizat modelele SARIMA și modelele de netezire
exponențială pentru seriile caracterizate de sezonalitate. Aceste modele au fost utilizate pentru
seriile de date ce conțin prețurile de închidere ale acțiunilor, atât pentru compania Coca-Cola, cât
și pentru indicele de piață S&P 500.
S-a observat, astfel, că cele două serii de date sunt nestaționare, dar prezintă sezonalitate.
Pentru a staționariza seriile de date am aplicat un operator de diferențiere, urmând să aplicăm
modelul SARIMA pe baza seriilor de date diferențiate.
După aplicarea modelului SARIMA am constatat faptul că acesta nu este valid pe baza
corelogramei realizate, dar și a rezidurilor. Așadar, am aplicat pentru ambele serii de date
modelul de netezire exponențială Holt-Winters no seasonal și Holt Winters additive. De
asemenea, niciunul dintre aceste modele nu a fost valid.
Așadar, seriile de date sunt nestaționare, caracterizate de variații constante de la o perioadă de

timp la alta. Astfel, prețurile acțiunilor Coca-Cola, cât și a indicelui de piață variază în funcție de
timp, deoarece, pe parcursul perioadei analizate au apărut diverse evenimente ce au influențat și
au schimbat cursul seriei de date. De exemplu, compania Coca-Cola a înregistrat o creștere a
prețului acțiunilor după ce s-a implementat un program de îmbunătățire a productivității, prin
care s-a economisit anual 350-400 milioane de dolari, datorita achizițiilor din 2010 când Coca-
Cola a cumpărat îmbuteliatorul său din America de Nord. De asemenea, compania cât și indicele
de piață pot suferi scăderi extrem de bruște a prețurilor în funcție de influențele economice,
precum crizele asemenea celei în care ne aflăm astăzi din cauza coronavirusului.
Scopul aplicației 4 a fost acela de a investiga natura relației dintre variabile pe baza: analizei
de non staționaritate, analizei de cointegrare, modele VAR/VECM, teste de cauzalitate Granger,
funcția de răspuns la impuls și analiza de descompunere a varianței.
Pentru analiza de non-staționaritate a seriilor am utilizat testul de de rădăcină unitate Phillips-

Perron (PP) pentru a identifica ordinul de integrare al variabilelor.
Seriile analizate conțin variabilele dpret_închidere_ko reprezentând valoarea de închidere a

unei acțiuni ajustate și variabila volum_tranzacționat_ko, reprezentând volumul de acțiuni
tranzacționate lunar din aceeași perioadă.
Am verificat pe rând sezonalitatea celor două serii și am concluzionat că prețul de închidere

ko ajustat nu prezintă sezonalitate în timp ce Variabila volum_tranzacționat_ko prezintă
sezonalitate.
În continuare am efectuat analiza de non-staționaritate și pentu că prețul de închidere ajustat

nu este staționar, am folosit prețul asupra căruia s-a aplicat staționaritatea, denumit
dpret_inchidere_ko. Am verificat staționaritarea pentru variabila volum_tranzactionat_ko prin
intermediul corelogramei și prin testul Phillips-Perron.
Analiza de cointegrare folosind testul de cointegrare Johanson nu a mai fost necesară

deoarece variabilele noastre sunt staționare, deci implicit (natural) cointegrate.
Au urmat realizarea a două modele VAR pentru intervalul de lag-uri 1-1 și 1-2 și am obținut
că volumul acțiunilor tranzacționate este influențat în proporție de 82, 60% de prețul de
închidere, ceea ce înseamnă că acest volum este justificat de preț.
Din testul de cauzalitate Granger a reieșit că variabila volum_tranzactionat_ko nu cauzează

variabila dpret_inchidere_ko.
Am incheiat acest proiect cu realizarea funcției de răspuns la impuls, care urmează efectele
unui şoc apărut în dinamica unei variabile asupra unei alte variabile din VAR, și cu
descompunerea varianței.
8. Bibliografie
Abbasi U, A. A. M. K. K. a. H. S., 2017. Sci. Int. (Lahore). Volume 29(5), pp. p 1039-1043 .
Adebiyi A A, A. A. O. a. A. C. K. 2., 2014. UK Sim-AMSS 16th International Conference on
Computer Modelling and Simulation. pp. pp 105-111 .
Almarashi A M, A. U. S. H. A. M. R. a. K. K., 2018. Sci. Int. (Lahore). Volume 30(1), pp. pp 89-
94 .
BAHAR, D. C. A. M. a. M. A. S., 2018. "Fool’s Gold: The Impact of Venezuelan Currency
Devaluations on Multinational Stock Prices.". Economía, Volume 1.
Bollerslev, T., 1986. Journal of Econometrics, Volume 31, pp. 307-326.
Chris, B., 2002. Introductory econometrics for finance. United Kingdom: Cambridge University.
FARHI, E. a. F. G., 2018. "Accounting for Macro-Finance Trends: Market Power, Intangibles,
and Risk Premia.". Brookings Papers on Economic Activity.
Ion Dobre, A. A. M. A., 2009. Modelarea ratei șomajului utilizând procedura Box Jenkins.
s.l.:s.n.
Ion Dobre, A. A. M. A., n.d. Modelarea ratei șomajului utilizând procedura Box-Jenkins. s.l.:s.n.
J, E. R. F. a. P. A., 2001. Quantitative Finance, Volume 1, pp. pp. 237-245 .
Kamruzzaman M, K. M. a. R. M. 2., 2017. Dhaka University Journal of Science 65(2). pp. pp 97-
101.
Lee, K. a. S.-H. K., 2018. "DO LEVERAGED/INVERSE ETFS WAG THE UNDERLYING
MARKET? EVIDENCE FROM THE KOREAN STOCK MARKET.". Hitotsubashi Journal of
Economics, Volume 2.
López-Arceiz, F. J. a. A. J. B., 2017. "Corporate Social Responsibility and Good Corporate
Governance Practices in Spanish Ethical Mutual Funds: Analysis of Investee Companies.".
Innovar: Revista De Ciencias Administrativas Y Sociales 27, Volume 65.
Shuai, Y. a. Z. Z. ". A. a. C. i. C. C. B. o. T. S. A., 2019. GDP Analysis and Comparison in
Coastal Cities Based on Time Series Analysis.. Journal of Coastal Research.
Xu S N, Z. K. a. S. J. J., 2015. Proceedings of the AASRI International Conference on Applied
Engineering Sciences. Volume 1, pp. pp 83-86 .
Zhang X Q, Z. K. a. X., 2014. Applied Engineering Sciences: Proceedings of the AASRI
International Conference on Applied Engineering Sciences. Volume 1.

Exemplu Proiect

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Exemplu Proiect

Încărcat de

Drepturi de autor:

Formate disponibile

Academia de Studii Economice din București

Facultate de Cibernetică, Statistică și Informatică Economică

Analiza prețului de închidere și volumului

Coordonator științific: Alexandru Adriana Ana Maria

ASE București 2020

Datele inițiale, o serie de 2769 de înregistrări, reprezintă prețul de închidere zilnic al

3.1. Literatură de specialitate

Etapa 2. Se staționarizează seria de date prin diverse transformări. De exemplu se logaritmează

Etapa 3. Folosind caracteristicile funcţiilor ACF şi PACF se determină modelele autoregresive

Etapa 4. Se estimează parametrii modelelor autoregresive.

Etapa 5. Se testează caracteristicilor modelelor autoregresive ce au fost estimate în etapa

Etapa 7. Pe baza modelului selectat se fac diverse analize şi prognoze.

2. Există serii care prezintă variaţii neconstante de la o perioadă la alta. În această

Tot în anul 2018, la Școala de Administrație și Afaceri a Universității Sejong, publică

Volumul tranzacționat se prezintă într-un eșantion de date staționare, valoarea

Volumul tranzacționat al indicelui de piață se prezintă la fel ca și cel al companiei Coca-

Prețul acțiunilor companiei Coca-Cola

H0: Seria este nestaționară (are rădăcină unitară)

H1: Seria este staționară (nu are rădăcină unitară)

Staționarizăm prin diferențiere seria de timp reprezentată de prețurile acțiunilor pentru

H0: Seria este nestaționară (are rădăcină unitară)

H1: Seria este staționară (nu are rădăcină unitară)

H0: Seria este nestaționară (are rădăcină unitară)

H1: Seria este staționară (nu are rădăcină unitară)

După staționarizare se poate observa că media eșantionului este aproximativ zero.

Odată refăcută corelograma se observă că autocorelația maximă se înscrie pentru lag-ul 7,

H0: Seria este nestaționară (are rădăcină unitară)

H1: Seria este staționară (nu are rădăcină unitară)

H0: Seria este nestaționară (are rădăcină unitară)

H1: Seria este staționară (nu are rădăcină unitară)

H0: Seria este nestaționară (are rădăcină unitară)

H1: Seria este staționară (nu are rădăcină unitară)

Pas 0: Verificare staționaritate și staționarizare;

Pas 2: Estimarea modelelor identificate anterior;

Pas 3: Alegerea celui mai bun model și verificarea validității modelului;

Pas 4: Efectuarea de previziuni (prognoze)

Seturile de date se logaritmează și se verifică din nou staționaritatea acestora. În caz de

Prețul acțiunilor companiei Coca-Cola

Se remarcă după diferențiere schimbarea radicală a coeficienților de corelație, aceștia nu

Așadar, se pot realiza următoarele modele: ARMA (13,13), ARMA (19,19),

Așadar, se pot realiza următoarele modele: ARMA (1,1).

H0: reziduurile sunt homoscedastice (varianță constantă)

H1: reziduurile sunt heteroscedastice (nu au varianță constantă)

Media reziduurilor este aproximativ 0, la fel și mediana, acestea indicând faptul că

Realizăm previzionarea dinamică a modelului:

Grupul Proportion: Bias și Variance Proportion, au o proporție de aprox. 99%. Bias

Modelul previzionat dinamic nu este unul bun.

Se realizează previzionarea statică a modelului:

Metoda Box-Jenkins aplicată asupra prețului indicelui pieței S&P 500

Estimarea modelului ARMA(1,1)

Se construiește modelul de regresie:

Corelograma modelului sugerează faptul că reziduurile modelului nu pot fi declarate

H0: reziduurile sunt homoscedastice (varianță constantă)

H1: reziduurile sunt heteroscedastice (nu au varianță constantă)

Grupul Proportion: Bias și Variance Proportion, au o proporție de aprox. 99%. Bias

Se concluzionează că modelul de previzionare nu este unul bun.

Grupul Proportion: Bias și Variance Proportion, au o proporție de aprox. 71%. Bias

Seturile de date se logaritmează și se verifică din nou staționaritatea acestora. În caz de

Prețul de tranzacție al acțiunilor companiei Coca-Cola

Figura [3.2.6]. Corelograma seriei LOVOLUM_TRANZACTIONAT_KO. Date preluate de pe Yahoo Finance și

Se poate observa panta ușoară cu care descrește indicele de corelație, astfel se

Astfel, se va crea modelul ARMA(1,1).

Figura [3.2.8]. Corelograma seriei LOVOLUM_TRANZACTIONAT_S_P. Date preluate de pe Yahoo Finance și