Sunteți pe pagina 1din 171

ACADEMIA DE STUDII ECONOMICE DIN BUCUREŞTI

Facultatea de Finanţe, Asigurări, Bănci şi


Burse de Valori

Şcoala Doctorală de Finanţe Bănci – DOFIN

TEZĂ DE DOCTORAT

MODELAREA ŞI PREVIZIONAREA
CURSULUI DE SCHIMB

CIPRIAN NECULA

Coordonator ştiinţific: Prof. univ. dr. MOISA ALTAR

Bucureşti 2008
ACADEMIA DE STUDII ECONOMICE DIN BUCUREŞTI
FACULTATEA FINANŢE, ASIGURĂRI, BĂNCI ŞI BURSE DE VALORI
ŞCOALA DOCTORALĂ DE FINANŢE BĂNCI - DOFIN

TEZĂ DE DOCTORAT

MODELAREA ŞI PREVIZIONAREA
CURSULUI DE SCHIMB

Doctorand: CIPRIAN NECULA

Coordonator ştiinţific: Prof. univ. dr. MOISA ALTAR

Bucureşti
2008
Cuprins

INTRODUCERE ................................................................................................................2
I. MODELAREA DISTRIBUŢIEI RENTABILITĂŢII ACTIVELOR FINANCIARE ...................9
I.1 Introducere ........................................................................................................10
I.2 Modele cu volatilitate stocastică în timp continuu...........................................13
I.3 Modelul de piaţă financiară bazat pe procese Levy .........................................22
I.4 Modelul de piaţă financiară bazat pe procese hiperbolice generalizate..........31
I.5 Concluzii ............................................................................................................39
Bibliografie..............................................................................................................41
Anexe .......................................................................................................................45
II. MODELAREA DEPENDENŢEI DINTRE RENTABILITĂŢILE DIFERITELOR ACTIVE
FINANCIARE DE PE PIAŢA INTERNAŢIONALĂ DE CAPITAL ..........................................51

II.1 Introducere.......................................................................................................52
II.2 Conceptul de dependenţă şi funcţiile copula ..................................................54
II.3 Estimarea distribuţiei bidimensionale şi aplicaţii în managementul riscului
..................................................................................................................................70
II.4 Concluzii...........................................................................................................83
Bibliografie..............................................................................................................85
Anexe .......................................................................................................................89
III. TEHNICI DE FILTRARE UTILIZATE ÎN ESTIMAREA VOLATILITĂŢII ......................93
III.1 Introducere .....................................................................................................94
III.2 Modele clasice de tip GARCH........................................................................96
III.3 Modelul Copula-GARCH.............................................................................122
III.4 Concluzii .......................................................................................................131
Bibliografie............................................................................................................133
IV. EVALUAREA DERIVATIVELOR PE VALUTĂ ÎN CONTEXTUL UNUI MODEL DE
ECHILIBRU GENERAL CU DISCONTINUITĂŢI..............................................................137

IV.1 Introducere....................................................................................................138
IV.2 Model de echilibru general cu discontinuităţi .............................................140
IV.3 Evaluarea derivativelor în contextul modelului de echilibru general ........152
IV.4 Concluzii........................................................................................................165
Bibliografie............................................................................................................166

1
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Introducere

Modelarea evoluţiei cursului activelor financiare în special a cursului valutar


reprezintă o problemă centrală a teoriei financiare moderne. Modelele clasice de
gestiune a portofoliului, de evaluare a activelor şi derivativelor financiare, precum şi
cele de cuantificare a riscului de piaţă presupun faptul că rentabilitatea activelor
financiare este distribuită normal, volatilitatea este constantă, iar structura de
dependenţă dintre activele financiare poate fi surprinsă prin utilizarea coeficientului
de corelaţie liniară.
Numeroase studii empirice au evidenţiat faptul că activele financiare se
caracterizează printr-o distribuţie leptocurtotică a rentabilităţii, precum şi faptul că pe
piaţa financiară se manifestă fenomenul de „volatility clustering”. Astfel, varianţa
condiţionată a unui activ financiar nu este constantă, aceasta fiind caracterizată prin
heteroskedasticite condiţionată.
In prima parte a lucrării sunt analizate o serie de modele de piaţă financiară
caracterizate prin faptul că distribuţia teoretică utilizată pentru a modela rentabilitatea
activelor financiare este leptocurtotică. Pentru început au fost efectuate o serie de
simulări privind impactul parametrilor unor modele cu volatilitate stocastică în

2
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

timp continuu asupra distribuţiei teoretice a rentabilităţii. S-a constatat faptul că


parametrul care cuantifică volatilitatea volatilităţii are un impact major asupra
momentului centrat şi normalizat de ordinul 4 (i.e. kurtosis), în timp ce corelaţia
dintre activ şi volatilitate influenţează momentul centrat şi normalizat de ordinul 3
(i.e. skewness). In continuare este analizat modelul de piaţă financiară bazat pe
procese Levy, prezentându-se pe scurt elementele fundamentale de calcul stocastic
pentru procese de tip Levy, precum şi metodologia de evaluare a derivativelor
financiare în contextul acestui model. Deoarece acest model de piaţă financiară nu
este complet, există o infinitate de măsuri de martingal (măsuri neutre la risc). O
atenţie deosebită este acordată determinării, prin metoda transformării Esscher, a unei
măsuri neutre la risc caracterizată prin faptul că, faţă de aceasta, cursul activului
suport este un proces Levy exponenţial. In prezent, în centrul cercetării în ceea ce
priveşte evoluţia cursului activelor financiare se află modelul de piaţă financiară bazat
pe distribuţia hiperbolică generalizată. In continuare, în prima parte a lucrării sunt
prezentate pe scurt principalele proprietăţi ale distribuţiilor hiperbolice (mixtură de
distribuţii normale, mişcare browniană cu timp operaţional, ş.a.) şi sunt analizate
rezultatele obţinute în ceea ce priveşte estimarea econometrică a modelului
hiperbolic generalizat atât pentru date zilnice cât şi pentru date intraday pentru o
serie de active financiare de pe piaţa financiară internă şi internaţională (indicele
SP500, indicele Nikkei, indicele DAX, indicele BET, cursul de schimb EURUSD,
cursul de schimb EURRON şi cursul de schimb USDRON). Se observă faptul că, în
comparaţie cu distribuţia normală, distribuţia hiperbolică generalizată aproximează
mult mai bine distribuţia empirică a rentabilităţii activelor financiare. In ceea ce
priveşte principalii indicatori statistici utilizaţi în teoria financiară pentru a caracteriza
distribuţia rentabilităţii activelor financiare (i.e. medie, varianţă, skewness şi kurtosis)
se constată faptul că valorile acestora calculate pe baza distribuţiei hiperbolice
estimate sunt identice cu cele calculate pe baza seriei de date. Astfel, densitatea de
repartiţie a distribuţiei hiperbolice estimate reprezintă o aproximare foarte
bună, cel puţin până la termenul de ordinul 4, a densităţii de repartiţie empirice.
De asemenea, testele de „goodness-of-fit” Kolmogorov-Smirnov şi Anderson-Darling
indică faptul că distribuţia hiperbolică este mai potrivită pentru modelarea
rentabilităţii activelor financiare. Proprietăţile distribuţiei hiperbolice generalizate în
ceea ce priveşte probabilitatea evenimentelor extreme (i.e. forma capetelor funcţiei de
densitate), precum şi faptul că aceasta distribuţie aproximează foarte bine distribuţia

3
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

empirică a rentabilităţii activelor financiare implică faptul că modelul hiperbolic de


piaţă financiară poate fi utilizat pentru îmbunătăţirea estimărilor privind preţurile
derivativelor financiare, precum şi a estimărilor privind cuantificarea riscului de piaţă
prin intermediul metodologiei VaR. In finalul primei părţi a lucrării au fost efectuate
simulări pentru cuantificarea diferenţei dintre prima unei opţiuni calculată
utilizând modelul hiperbolic şi prima opţiunii calculată pe baza modelului clasic
Black-Scholes. Pentru cuantificarea riscului de piaţă, pe lângă distribuţia rentabilităţii
activelor care intră în componenţa unui portofoliu, este necesară determinarea
structurii de dependenţă dintre aceste active.
In partea a doua a lucrării sunt analizate o serie de metode şi tehnici
econometrice pentru determinarea structurii de dependenţă dintre rentabilităţile
diferitelor active financiare de pe piaţa financiară internaţională. Modelarea
distribuţiei bidimensionale sau multidimensionale, precum şi a dependenţei dintre
seriile de date financiare este o problemă importantă pentru gestiunea portofoliului şi
pentru cuantificarea cât mai exactă a riscului de piaţă şi a riscului de credit.
Coeficientul de corelaţie liniară este cel mai utilizat concept în ceea ce priveşte
dependenţa dintre seriile de date, fiind în acelaşi timp unul dintre conceptele cele mai
prost înţelese. Pentru început sunt analizate avantajele şi dezavantajele utilizării
coeficientului de corelaţie liniară în teoria financiară, precum şi o serie de presupuneri
greşite care se fac în ceea ce priveşte acest concept. Cel mai important dezavantaj al
coeficientului de corelaţie îl reprezintă faptul că acesta nu este invariant faţă de o
transformare crescătoare şi neliniară. De asemenea, sunt prezentate avantajele şi
dezavantajele măsurilor de concordanţă dintre seriile de date (i.e. coeficientul de
corelaţie Spearman şi coeficientul de corelaţie Kendall). In ultima perioadă, pentru
studiul structurii de dependenţă dintre seriile de date financiare este din ce în ce mai
utilizat în teoria financiară conceptul de funcţie copula. Pe baza funcţiilor copula se
pot construi o serie de măsuri de dependenţă caracterizate prin faptul că o valoare nulă
a coeficientului de dependenţă este echivalentă cu independenţa seriilor de date
analizate. In continuare au fost prezentate noţiunile teoretice privind funcţiile copula
bidimensionale. Au fost realizate, de asemenea, simulări în ceea ce priveşte
structura de dependenţă dintre două serii de date financiare pentru o gamă variată
de funcţii copula cum ar fi copula produs (i.e. cele două serii sunt independente),
funcţii copula arhimediene (Frank, Clayton, Gumbel), mixturi de funcţii copula
arhimediene, copula t şi copula gaussiană. In ceea ce priveşte problema determinării

4
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

densităţii comune a două serii de rentabilităţi financiare, aceasta poate fi descompusă,


folosind conceptul de copula, în două probleme mai simple: estimarea distribuţiei
marginale pentru fiecare serie în parte, respectiv estimarea funcţiei copula care
modelează structura de dependenţă dintre cele două serii de date. In continuare au fost
analizate o serie de metode şi tehnici econometrice pentru estimarea funcţiilor
copula. Metodele neparametrice presupun utilizarea unui kernel bidimensional.
Estimarea parametrică a funcţiilor copula se poate realiza prin intermediul a trei
metode: metoda EML (exact maximum likelihood), metoda IFM (inference functions
for marginals), metoda CML (canonical maximum likelihood). Au fost analizate
avantajele şi dezavantajele celor trei metode, ajungându-se la concluzia că estimatorul
CML este cel mai eficient din punct de vedere computaţional. In continuare au fost
prezentate analizele privind estimările distribuţiilor bidimensionale atât pentru
date zilnice cât şi pentru date intraday pentru o serie de active financiare de pe
piaţa internaţională de capital (indicii SP500, Nikkei, DAX, BUX, PX, precum şi
cursurile de schimb EURUSD, USDJPY, GBPUSD şi USDCHF). Pentru
determinarea acestor distribuţii bidimensionale au fost estimate funcţia copula
empirică (prin metode neparametrice) şi o serie de funcţii copula parametrice
(prin utilizarea metodei CML). Criteriul informaţional Akaike (AIC), precum şi
statisticile de „goodness-of-fit” Kolmogorov-Smirnov şi Anderson-Darling
evidenţiază faptul că funcţia copula t, mixturile dintre copula Clayton şi copula
Gumbel, precum şi funcţia copula de tip Frank surprind cel mai bine structura de
dependenţă a seriilor de date financiare analizate. In final, a fost determinată
frontiera portofoliilor eficiente formate din două active financiare utilizând
funcţiile copula estimate anterior. Deoarece VaR nu este o măsură de risc coerentă,
pentru cuantificarea riscului de piaţă a fost utilizat CVaR (Conditional Var), estimat
prin intermediul metodei de simulare Monte Carlo. Pentru a analiza şi influenţa
distribuţiilor marginale asupra cuantificării riscului de piaţă au fost utilizate pentru
fiecare funcţie copula două seturi de distribuţii marginale: distribuţiile marginale
empirice determinate prin metode neparametrice, respectiv distribuţii normale. Se
constată faptul că în cazul în care se utilizează distribuţiile marginale empirice se
obţine o valoare a riscului mai mare decât în cazul în care se utilizează distribuţiile
marginale normale. Acest lucru se datorează faptului că distribuţia empirică acordă o
probabilitate mai mare evenimentelor extreme. Astfel, utilizarea distribuţiei normale
pentru modelarea seriilor de rentabilităţi financiare subestimează riscul unui

5
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

portofoliu format cu două active financiare indiferent de tipul funcţiei copula utilizată
pentru a surprinde structura de dependenţă a celor două serii de date.
In partea a treia a lucrării sunt analizate tehnici de filtrare utilizate pentru
estimarea volatilităţii activelor financiare. Pentru început sunt prezentate proprietăţile
statistice pentru o serie de modele clasice de heteroskedasticitate condiţionată cum ar
fi ARCH, GARCH, IGARCH, TARCH, APARCH, EGARCH, respectiv FIGARCH.
De asemenea, este fundamentată o metodologie de previzionare pe termen scurt a
cursului de schimb utilizând intervale de încredere dinamice. Lungimea
intervalelor de încredere este variabilă, aceasta depinzând de previziunea privind
volatilitatea obţinută din cadrul modelelor GARCH. In continuare a fost dezvoltat un
nou model bidimensional de tip Copula-GARCH. In cadrul acestui tip de procese
bidimensionale structura de dependenţă este modelată prin utilizarea conceptului de
funcţie copula, concept prezentat pe larg în partea a doua a lucrării. Densităţile
marginale sunt modelate prin intermediul unui proces GARCH(1,1) cu reziduuri
având o distribuţie Student. Modelul poate fi extins prin utilizarea pentru modelarea
celor două distribuţii marginale a altor procese unidimensionale de tip GARCH.
Modelul static Copula-GARCH presupune faptul că structura de dependenţă dintre
cele două serii de date se păstrează neschimbată în timp. Astfel, parametrii funcţiei
copula sunt constanţi. Copulele arhimediene au avantajul faptului că numărul de
parametri este acelaşi indiferent de numărul seriilor de date considerate. Pe de altă
parte numărul de parametri ai funcţiilor copula t sau gaussiană creşte odată cu
creşterea numărului de dimensiuni, creşterea fiind de tip pătratic. In continuare au fost
analizate rezultatele privind estimarea econometrică a modelului Copula-GARCH
static pentru date zilnice. Se evidenţiază faptul că mixturile dintre copula Clayton
şi copula Gumbel, funcţia copula de tip Frank, precum şi funcţia copula t surprind cel
mai bine structura de dependenţă a reziduurilor normalizate rezultate din cele două
modele GARCH unidimensionale. Modelul dinamic Copula-GARCH presupune
faptul că structura de dependenţă dintre cele două serii de date se poate modifica în
timp. Astfel, trebuie introdusă o ecuaţie de dinamică pentru parametrul funcţiei
copula. Au fost analizate diverse specificaţii privind această ecuaţie de dinamică,
optându-se pentru specificaţia care are cel mai redus număr de parametri. Estimările
econometrice privind funcţiile copula au fost realizate prin intermediul metodei
parametrice IFM, metodă prezentată în partea a doua a lucrării. Criteriul informaţional
Akaike (AIC) evidenţiază faptul că, în comparaţie cu modelul static, modelul

6
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

dinamic oferă o mai bună aproximare a datelor analizate. Aceste rezultate implică
faptul că modelul dinamic Copula-GARCH poate fi utilizat cu succes pentru
îmbunătăţirea simulărilor privind cuantificarea riscului de piaţă. Astfel, structura
dinamică de dependenţă conduce la obţinerea unor simulări mai exacte a evoluţiei
viitoare a celor două serii de rentabilităţi financiare. Acestea pot fi utilizate pentru
calculul VaR şi CVaR prin intermediul metodei de simulare Monte Carlo.
In cadrul modelelor clasice pentru evaluarea opţiunilor derivativul financiar
este redundant, în sensul că acesta poate fi replicat utilizând celelalte active financiare
de pe piaţă (activul suport şi obligaţiunea zero cupon fără risc). Acest lucru este o
consecinţă a faptului că modelele de piaţă financiară considerate sunt complete. In
aceste condiţii exista o unică măsură neutră la risc şi astfel există un singur preţ
„corect” al unui derivativ. Pentru a surprinde faptul că distribuţia rentabilităţii este
leptocurtotică au fost propuse în literatura de specialitate o serie de modele bazate pe
procese de salt de tip Poisson sau alte procese de tip Levy mai complexe, cum ar fi
procesele hiperbolice generalizate. Aceste modele de piaţă financiară nu sunt însă
complete şi astfel există o infinitate de măsuri neutre la risc. In aceste condiţii este
dificilă determinarea preţului „corect” al unui derivativ. O soluţie a acestei probleme
este de a evalua derivativul în contextul unui model de echilibru general. In partea a
patra a lucrării este dezvoltat un nou model de echilibru general în timp continuu
pentru o economie de tip Lucas cu două ţări. Modelul presupune faptul că PIB-ul
în cele două ţări este generat de un proces stocastic de tip jump-diffusion. Sunt
obţinute rezultatele referitoare la determinarea cursului de schimb, la evaluarea
activelor financiare, la determinarea ratelor de dobândă, precum şi la
determinarea mărimii primei de risc a activelor financiare în contextul acestui
model. Astfel, în ceea ce priveşte expresia primei de risc pe lângă termenul care
apare în modelele de echilibru general clasice de tip CCAPM, care explică prima de
risc prin intermediul aversiunii faţă de risc şi a covarianţei dintre consum şi preţul
activului, în cazul acestui nou model mai apare un termen suplimentar care cuantifică
prima de risc datorată riscului introdus de către şocurile (partea discontinuă din
ecuaţia PIB-ului) care pot apărea în cele două ţări. In continuare modelul a fost
particularizat pentru cazul în care PIB-ul şi masa monetară au rata de creştere
şi volatilitatea constantă, iar salturile sunt distribuite log-normal. In aceste
condiţii, sunt analizate rezultatele obţinute privind ecuaţiile fundamentale de
evaluare a activelor financiare, precum şi privind ecuaţia de dinamică a cursului

7
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

de schimb real şi nominal. Ecuaţia de dinamică a cursului de schimb nominal este


influenţată atât de sectorul nominal cât şi de sectorul real din cele două ţări.
Distribuţia rezultată din model a rentabilităţii cursului de schimb nominal reprezintă o
mixtură de distribuţii normale, fiind astfel leptocurtotică. In final, a fost
determinată o nouă formulă de evaluare pentru opţiunile pe valută în contextul
acestui model de echilibru general.

8
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

I. MODELAREA DISTRIBUŢIEI RENTABILITĂŢII


ACTIVELOR FINANCIARE

9
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

I.1 Introducere

Diverse studii empirice au evidenţiat că rentabilitatea unui activ financiar nu este


distribuită normal, distribuţia rentabilităţii având capetele „mai groase” decât cea normală (i.e.
este leptocurtotică). Acest lucru semnifica faptul că utilizarea distribuţiei normale în modelele
de evaluare a activelor financiare subevaluează probabilitatea de apariţie a evenimentelor
extreme. Astfel, capetele distribuţiei normale au o evoluţie exponenţială (i.e probabilitatea
scade exponenţial pe măsură ce ne depărtăm foarte mult de medie), în timp ce capetele
distribuţiei empirice a rentabilităţii au o evoluţie geometrică (i.e pe măsură ce ne depărtăm
foarte mult de medie probabilitatea scade, dar mult mai încet faţă de evoluţia exponenţială a
distribuţiei normale, urmând o funcţie de tip putere).
Modelul clasic de evaluare a opţiunilor (Black and Scholes 1973) utilizează un model
de piaţă bazat pe mişcarea browniană, având printre ipoteze faptul că rentabilitatea activului
suport este distribuită normal, iar volatilitatea acestuia este constantă. Utilizarea acestor
ipoteze care nu sunt în concordanţă cu studiile empirice permit obţinerea unei formule simple
de evaluare a opţiunilor europene sau exotice, formule care pot fi astfel aplicate de practicienii
din sistemul financiar-bancar. Insă a observat fenomenul care poartă numele de „volatility

10
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

smile” şi anume faptul că volatilitatea implicită a modelului Black-Scholes variază în funcţie


de preţul de exerciţiu. Altfel spus s-a constatat faptul că modelul Black-Scholes nu evaluează
corect opţiunile care au preţul de exerciţiu depărtat de cursul curent al activului suport
(opţiuni „deep in the money” sau opţiuni „deep out of the money”). Acest fenomen se
datorează ipotezei că volatilitatea este constantă, dar şi faptului că distribuţia normală nu
estimează corect probabilitatea evenimentelor extreme, în acest caz fiind vorba de
probabilitatea unei modificări foarte mari a cursului activului suport.
De-a lungul anilor au apărut numeroase modele de evaluare a opţiunilor care au extins
ipotezele modelului Black-Scholes astfel încât acestea să fie în concordanţă cu evidenţele
empirice în ceea ce priveşte cursul activelor financiare. Aceste modele pot fi clasificate pe
două mari direcţii.
Prima direcţie se referă la modelele cu volatilitate stocastică. In cadrul acestei direcţii
sunt de menţionat în primul rând lucrările care se refera la modele cu volatilitate stocastică în
timp continuu (Bakshi and Chen 1997a; Heston 1993; Hull and White 1987; Stein and Stein
1991). Estimarea modelelor continue cu volatilitate stocastica este anevoioasă, nu există
formule explicite pentru preţul unei opţiuni, dar pot fi utilizate formule de aproximare
numerică bazate pe transformarea Fourier inversă. In această direcţie se încadrează şi
modelele de tip GARCH introduse de Engle (1982) şi Bollerslev (1986) modele pentru care
estimarea istorică este relativ simpla. Modele de evaluare a opţiunilor bazate pe volatilitate
stocastică în timp discret (procese GARCH) au fost introduse de către Duan (1995) şi Heston
şi Nandi (1999).
A doua direcţie o reprezintă modelele de evaluare a opţiunilor care pornesc de la
ipoteza că evoluţia cursului activului suport are la bază în loc de mişcarea browniană un
proces stocastic care să surprindă mai bine evidenţele empirice. Un prim model din această
categorie a fost propus de Merton (1976), acesta utilizând un proces stocastic cu salturi de tip
Poisson. In ultima perioadă a fost dezvoltat modelul de piaţă bazat pe procese Levy.
Contribuţii importante la acest model de piaţă au avut Eberlein (2001) şi Raible (2000).
Procesele Levy constituie o clasă largă de procese care cuprinde printre altele mişcarea
browniană şi procesul folosit de către Merton (1976). In clasa proceselor Levy se încadrează
şi procesul stocastic bazat pe distribuţia hiperbolică generalizată. Numeroase studii au
ajuns la concluzia că procesul hiperbolic posedă o serie de proprietăţi foarte asemănătoare cu
cele rezultate din studiile empirice în ceea ce priveşte distribuţia rentabilităţii activelor

11
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

financiare. Astfel, în prezent, în centrul cercetării în ceea ce priveşte evoluţia cursului


activelor financiare se află modelul de piaţă bazat pe distribuţia hiperbolică. Printre studiile
legate de acest subiect se pot menţiona (Barndorff-Nielsen 1995; Bibby and Sorensen 1997;
Prause 2000). Tot în această direcţie, dar nu în cadrul modelului bazat pe procese Levy, poate
fi încadrat modelul de piaţă bazat pe mişcarea browniană fracţionară care posedă proprietatea
de memorie lungă.
In această lucrare autorul îşi propune să prezinte şi să analizeze modelele de evaluare a
opţiunilor care se află în prezent în atenţia cercetătorilor din acest domeniu. Astfel, în
capitolul 2 sunt analizate modelele de evaluare cu volatilitate stocastică în timp continuu, fiind
prezentate simulări privind impactul parametrilor modelului asupra distribuţiei teoretice
a rentabilităţii. In capitolul 3 va fi prezentat modelul de evaluare bazat pe procese Levy.
Capitolul 4 se axează pe modelul de piaţă bazat pe distribuţia hiperbolică generalizată, fiind
prezentate rezultatele obţinute în ceea ce priveşte estimarea econometrică a modelului
hiperbolic generalizat pentru câteva tipuri de active financiare atât pentru date zilnice
cât şi intraday. De asemenea, în acest capitol se prezintă şi o comparaţie dintre preţul unei
opţiuni folosind modelul hiperbolic şi preţul opţiunii folosind modelul clasic Black-
Scholes.

12
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

I.2 Modele cu volatilitate stocastică în timp continuu

Modelele cu volatilitate stocastică, ecuaţia de dinamică comună faţă de măsura neutră


la risc a cursului activului suport şi a volatilităţii sale este dată de:

⎧⎪dS (t ) = r ⋅ S (t ) ⋅ dt + σ (v (t ) ) ⋅ S (t ) ⋅ dW1 (t )
⎨ 2.1
⎪⎩dv (t ) = α ( v (t )) ⋅ dt + ρ ⋅ β ( v (t )) ⋅ dW1 (t ) + 1 − ρ 2 ⋅ β ( v (t )) ⋅ dW2 (t ) , ρ ∈ [− 1,1]

unde σ (⋅), α (⋅), β (⋅) sunt funcţii deterministe, W1 ,W2 sunt mişcări browniene independente, iar
ρ reprezintă coeficientul de corelaţie dintre cursul activului suport şi volatilitatea sa.
Datorită inexistenţei unui produs financiar care să depindă de volatilitate (volatilitatea
nu se tranzacţionează pe piaţă), măsura neutră la risc nu este unică. Rezultă că prima de risc
nu este unic determinată. De-a lungul timpului s-au făcut diferite ipoteze privind acest lucru.
In modelul lor de volatilitate stocastică Hull şi White (1987) consideră că prima de risc este
zero. Heston (1993) este primul care consideră o prima de risc diferită de zero, presupunând
faptul că aceasta este proporţională cu volatilitatea. Deci:
λv (t , S , v ) = λ ⋅ v (t ) , λ const. 2.2

In ceea ce priveşte coeficientul de corelaţie dintre cursul activului suport şi


volatilitatea sa, primele modele de volatilitate stocastică (Hull-White (1987), Stein-
Stein(1991)) l-au considerat egal cu zero. Tot Heston (1993) este primul care presupune faptul
că mărimea coeficientului de corelaţie este diferită de zero, acesta având o influenţă foarte
mare asupra preţului opţiunilor. Din acest motiv în acest capitol analizăm doar modele care
iau în considerare această corelaţie.
Pentru determinarea ecuaţiei de evaluare se foloseşte metodologia introdusă de Black-
Scholes. Se construieşte un portofoliu care să „cloneze” opţiunea. Acesta va conţine active
suport, bonduri şi încă un tip de activ cu care să anulăm riscul introdus de mişcarea browniană
W2 ( acest risc apare deoarece volatilitatea activului este şi ea stocastică şi deci are la rândul ei
o volatilitate - volatilitatea volatilităţii). Cum volatilitatea nu e tranzacţionabilă vom încerca să
construim portofoliul clonă introducând o opţiune cu acelaşi preţ de exerciţiu şi scadenţă

13
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

T ′ > T notată cu C ′(t ) . Considerăm un portofoliu format din a (t ) active suport, b(t ) bonduri
şi c(t ) opţiuni C ′(t ) . Valoarea la momentul t a acestui portofoliu este:
Π (t ) = a (t ) ⋅ S (t ) + b(t ) ⋅ B (t ) + c (t ) ⋅ C ′(t )
Valoarea opţiunii la momentul t depinde de cursul activului suport şi de volatilitate şi
aplicînd lema Ito generalizată obţinem că:
⎛ ∂C ⎞ ∂C ∂C
dC (t ) = ⎜ + L1C ⎟ ⋅ dt + ⋅ dS (t ) + ⋅ dv (t )
⎝ ∂t ⎠ ∂S ∂v

⎛ ∂C ∂C ∂C ⎞
=⎜ + L1C + r ⋅ S ⋅ + α (v ) ⋅ ⎟ ⋅ dt +
⎝ ∂t ∂S ∂v ⎠

⎛ ∂C ∂C ⎞
+⎜ ⋅ σ (v ) ⋅ S (t ) + ⋅ ρ ⋅ β (v )⎟ ⋅ dW1 (t ) +
⎝ ∂S ∂v ⎠
⎛ ∂C ⎞
+⎜ ⋅ 1 − ρ 2 ⋅ β (v )⎟ ⋅ dW2 (t ) 2.5
⎝ ∂v ⎠
unde
1 2 ∂ 2C ∂ 2C 1 2 ∂ 2C
L1C = ⋅ σ (v ) ⋅ S 2 ⋅ 2 + ρ ⋅ S ⋅ σ (v ) ⋅ β (v ) ⋅ + ⋅ β (v ) ⋅ 2
2 ∂S ∂S∂v 2 ∂v
Mai notăm cu
∂C ∂C
L C = L1C + r ⋅ S ⋅ + α (v ) ⋅ 2.6
∂S ∂v
O formulă similara se obţine şi pentru C ′(t ) .
Ecuaţia de dinamică a portofoliului devine:
dΠ (t ) = a (t ) ⋅ dS (t ) + b(t ) ⋅ dB (t ) + c (t ) ⋅ dC ′(t )

= a (t ) ⋅ [r ⋅ S (t ) ⋅ dt + σ (v ) ⋅ S (t ) ⋅ dW1 (t )] +
+ b(t ) ⋅ r ⋅ B (t ) ⋅ dt

⎡⎛ ∂C ′ ⎞ ⎛ ∂C ′ ∂C ′ ⎞ ⎛ ∂C ′ ⎞ ⎤
+ c (t )⎢⎜ + L C ′ ⎟dt + ⎜ σ (v )S (t ) + ρβ (v )⎟dW1 + ⎜ 1 − ρ 2 β (v )⎟dW2 ⎥
⎣⎝ ∂t ⎠ ⎝ ∂S ∂v ⎠ ⎝ ∂v ⎠ ⎦
⎡ ⎛ ∂C ′ ⎞⎤
= ⎢r (t ) ⋅ (a (t ) ⋅ S (t ) + b(t ) ⋅ B (t )) + c(t )⎜ + L C ′ ⎟⎥ ⋅ dt +
⎣ ⎝ ∂t ⎠⎦

⎡ ⎛ ∂C ′ ∂C ′ ⎞⎤
+ ⎢a (t )σ (v )S (t ) + c(t )⎜ σ (v )S (t ) + ρβ (v )⎟⎥ ⋅ dW1 +
⎣ ⎝ ∂S ∂v ⎠⎦

14
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

⎡ ⎛ ∂C ′ ⎞⎤
+ ⎢c(t )⎜ 1 − ρ 2 β (v )⎟⎥ ⋅ dW2 2.7
⎣ ⎝ ∂v ⎠⎦
Egalînd 2.5 cu 2.7 obţinem că:
∂C
c (t ) = ∂v
∂C ′
∂v
∂C ∂C ′
a (t ) = − c (t )
∂S ∂S
C (t ) − a (t ) S (t ) − c(t )C ′(t )
b( t ) = 2.8
B(t )
De asemenea se mai obţine:
∂C ∂C ′
+ LC − r ⋅ C + LC′ − r ⋅ C′
∂t = ∂t = a (t , S , v )
∂C ∂C ′
∂v ∂v

Acest lucru apare datorită faptului că măsura neutră la risc nu e unică. Vom lucra cu
acea măsură neutră la risc pentru care a (t , S , v ) = 0 . Rezultă de aici ecuaţia de evaluare a
opţiunilor:
∂C
+ LC − r ⋅ C = 0 2.10
∂t
In continuare vom considera cazul particular în care volatilitatea urmează un proces de
tip CIR. Aşa cum am menţionat mai sus cel mai reprezentativ model din această clasă este cel
propus de Heston (1993), ecuaţia de dinamică a volatilităţii fiind dată de un proces de tip
mean reverting square root (proces stocastic introdus în literatura economică de către (Cox,
Ingersoll and Ross 1985) ):
⎧⎪dS (t ) = r ⋅ S (t ) ⋅ dt + v (t ) ⋅ S (t ) ⋅ dW1 (t )
⎨ 2.11
⎪⎩dv (t ) = (α v − β v ⋅ v (t )) ⋅ dt + ρ ⋅ σ v ⋅ v (t ) ⋅ dW1 (t ) + 1 − ρ 2 ⋅ σ v ⋅ v (t ) ⋅ dW2 (t )

Folosind metodologia prezentată în Anexa 1, metodologie bazată pe transformarea


Fourier inversă, se obţine că valoarea unei opţiuni call europene este:
C (t , T , S , v ) = S (t ) ⋅ Π 1 (t , T , S , v ) − X ⋅ e − r ( T −t ) ⋅ Π 2 (t , T , S , v )

15
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

1 1

⎡ e − iφ ln X f j (t , T , S , v; φ )⎤
Π j (t , T , S , v ) = + ⋅ ∫ Re ⎢ ⎥dφ , j = 1,2 2.12
2 π 0 ⎣ iφ ⎦
unde
⎧⎪ α ⎡ ⎛ (1 − exp{− ξ v (T − t )})(ξ v − β v + (1 + iφ )ρσ v ) ⎞⎤
f 1 (t , T , S (t ), v (t ); φ ) = exp ⎨− v2 ⎢2 ln⎜⎜1 − ⎟⎟⎥
⎪⎩ σ v ⎣ ⎝ 2ξ v ⎠⎦

αv
− (ξ v − β v + (1 + iφ )ρσ v )(T − t )
σ v2
+ iφ r (T − t ) + iφ ln (S (t ) )

iφ (1 + iφ )(1 − exp{− ξ v ⋅ (T − t )}) ⎫


+ v (t ) ⎬
2ξ v − [ξ v − β v + (1 + iφ )ρσ v ](1 − exp{− ξ v ⋅ (T − t )}) ⎭

⎧⎪ α
f 2 (t , T , S (t ), v (t ); φ ) = exp ⎨− v2
⎡ ⎛
2
⎢ ⎜ ln ⎜ 1
(

{ })(
1 − exp − ξ v (T − t ) ξ v − β v + iφρσ v
* *
)⎞⎟⎤⎥

⎪⎩ σ v 2ξ v
*
⎢⎣ ⎝ ⎠⎥⎦


αv
σv 2
( )
ξ v * − β v + iφρσ v (T − t )

+ iφ r (T − t ) + iφ ln (S (t ) )

+
( {
iφ (iφ − 1) 1 − exp − ξ v ⋅ (T − t )
*
}) ⎫
[ ]( {
2ξ v − ξ v − β r + iφρσ v 1 − exp − ξ v ⋅ (T − t )
* * *
v (t ) ⎬
⎭ })
ξv = (β v − (1 + iφ )ρσ v )2 − σ v2iφ (1 + iφ )

ξv* = (β v − iφρσ v )2 − σ v2iφ (iφ − 1) 2.13

Figura 2.1 prezintă influenţa volatilităţii volatilităţii ( σν ) şi a corelaţiei dintre activul

suport şi volatilitate ( ρ ) asupra distribuţiei lui ln ST pentru ρ = −0.5,0,0.5 . De asemenea,


sunt calculaţi indicatorii de asimetrie şi kurtosis pentru σ v = 0.3,0.5 şi diferite nivele de
corelaţie.
Skewness-ul creşte odată cu creşterea coeficientului de corelaţie. Se poate observa
impactul deosebit de mare pe care volatilitatea volatilităţii îl are asupra indicatorilor de
asimetrie şi kurtosis, volatilitatea volatilităţii influenţând în special kurtosis-ul, iar coeficientul
de corelaţie asimetria distribuţiei .

16
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

-0.5 0.5

BS BS
0.3 0.3
0.5 0.5
4.14

4.21

4.28

4.35

4.42

4.49

4.56

4.63

4.77

4.84

4.91

4.98

5.05

5.12

4.14

4.21

4.28

4.35

4.42

4.49

4.56

4.63

4.77

4.84

4.91

4.98

5.05

5.12
4.7

4.7
0

Skewness Kurtosis
0.3 0.5 0.3 0.5
-1 -0.1924 -0.3255 2.53205 6.943
-0.75 -0.1467 -0.2507 1.78547 5.0299
BS -0.5 -0.1007 -0.175 1.2592 3.5773
0.3 -0.25 -0.0543 -0.0984 0.92384 2.6009
0.5 0 -0.0075 -0.0208 0.78515 2.1823
0.25 0.03973 0.058 0.86767 2.3646
0.5 0.08735 0.138 1.18397 3.2238
0.75 0.13542 0.2192 1.75099 4.8571
1 0.18396 0.3019 2.60046 7.3494
4.14

4.21

4.28

4.35

4.42

4.49

4.56

4.63

4.77

4.84

4.91

4.98

5.05

5.12
4.7

Figura 2.1 Distribuţia lui ln ST pentru modelul Heston(1993)

In concluzie, modelele cu volatilitate stocastică au influenţă foarte mare asupra


distribuţiei lui ln ST mai ales prin parametrii σ v şi ρ , influenţă care se transmite şi diferenţei
între preţul modelului şi preţul Black-Scholes. Se constată că în cazul corelaţiei negative
modelul SVCIR supraevaluează opţiunile ITM şi subevaluează opţiunile OTM (în comparaţie
cu modelul Black-Scholes), situaţia fiind inversă pentru o corelaţie pozitivă. De asemenea
diferenţele de preţ pentru opţiunile ITM sunt mai mici decît cele constatate pentru opţiunile
OTM.
In lipsa corelaţiei, skewness-ul este neglijabil modelul nemaiputând fi folosit pentru a
evalua opţiuni al căror activ suport prezintă skewness.

17
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

O nouă direcţie de cercetare o constituie modelele atât cu volatilitate stocastică cât şi


cu rată a dobânzii stocastică. Un astfel de model a fost propus de Bakshi, Cao şi Chen
(1997). Atât volatilitatea cât şi rata dobânzii urmează procese de tip mean reverting square
root:
⎧dS (t ) = r (t ) S (t )dt + v(t ) S (t )dW1 (t )


⎨dv(t ) = (α v − β v v(t ))dt + ρ vσ v v(t ) dW1 (t ) + 1 − ρ v σ v v(t ) dW2 (t )
2
2.14

⎪⎩dr (t ) = (α r − β r r (t ))dt + σ r r (t )dW3 (t )

unde W1 , W2 , W3 sunt mişcări browniene independente, iar ρ v reprezintă coeficientul de


corelaţie dintre cursul activului suport şi volatilitatea sa. Aşa cum se observă nu este luată în
considerare corelaţia între cursul activului suport şi rata dobânzii fără risc.
Nici în acest caz, datorită faptului că volatilitatea este stocastică, măsura neutră la risc
nu este unică. Pentru a deduce ecuaţia de evaluare a unei opţiuni cu scadenţă T şi preţ de
exerciţiu X, notată cu C (t ) , se construieşte un portofoliu care să cloneze opţiunea. Acesta va
conţine active suport, bonduri (pentru a anula riscul introdus de W3 ) şi încă un tip de activ cu

care să anulăm riscul introdus de mişcarea browniană W2 şi anume o opţiune cu acelaşi preţ
de exerciţiu şi scadenţă T ′ > T . Aplicând aceeaşi metodologie ca mai sus, se obţine că ecuaţia
de evaluare este:
∂C
+ LC − r ⋅ C = 0 2.15
∂t
unde
1 ∂ 2C ∂ 2C 1 2 ∂ 2C 1 2 ∂ 2C
LC = σ 2 (v )S 2 2 + ρv Sσ (v )σ v v + σν v 2 + σ r r 2 +
2 ∂S ∂S∂v 2 ∂v 2 ∂r
∂C ∂C ∂C
+ rS + (α v − β v v ) + (α r − β r r ) 2.16
∂S ∂v ∂r

Folosind metodologia din Anexa 1 se obţine că valoarea unei opţiuni call europene în
cazul acestui model este:
C (t , T , S , v, r ) = S (t ) ⋅ Π 1 (t , T , S , v, r ) − X ⋅ B (t , T ) ⋅ Π 2 (t , T , S , v, r )

1 1

⎡ e − iφ ln X f j (t , T , S , v, r; φ )⎤
Π j (t , T , S , v, r ) = + ⋅ ∫ Re ⎢ ⎥dφ , j = 1,2 2.17
2 π 0 ⎣ iφ ⎦

18
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

unde
⎧⎪ α ⎡ ⎛ (1 − exp{− ξ v (T − t )})(ξ v − β v + (1 + iφ )ρ vσ v ) ⎞⎤
f 1 (t , T , S (t ), v (t ), r (t ); φ ) = exp ⎨− v2 ⎢2 ln⎜⎜1 − ⎟⎟⎥
⎪⎩ σ v ⎣ ⎝ 2ξ v ⎠⎦

αv
− (ξ v − β v + (1 + iφ )ρ vσ v )(T − t )
σ v2

α r ⎡ ⎛ (1 − exp{− ξ r (T − t )})(ξ r − β r ) ⎞⎤
− ⎢2 ln⎜1 − ⎟⎟⎥
σ r 2 ⎣ ⎜⎝ 2ξ r ⎠⎦
αr
− (ξ r − β r )(T − t ) + iφ ln(S (t ) )
σ r2
iφ (1 + iφ )(1 − exp{− ξ v ⋅ (T − t )})
+ v (t )
2ξ v − [ξ v − β v + (1 + iφ )ρ vσ v ](1 − exp{− ξ v ⋅ (T − t )})

2iφ (1 − exp{− ξ r ⋅ (T − t )}) ⎫


+ r (t ) ⎬
2ξ r − [ξ r − β r ](1 − exp{− ξ r ⋅ (T − t )}) ⎭

⎧⎪ α
f 2 (t , T , S (t ), v (t ), r (t ); φ ) = exp ⎨− v2
⎡ ⎛
⎢2 ln⎜⎜1 −
( *
{ *
})(
1 − exp − ξ v (T − t ) ξ v − β v + iφρ vσ v )⎞⎟⎤⎥

⎪⎩ σ v 2ξ v
*
⎢⎣ ⎝ ⎠⎥⎦


αv
σv 2
( )
ξ v * − β v + iφρ vσ v (T − t )

αr ⎡ ⎛
− 2 ⎢2 ln⎜⎜1 −
( {
1 − exp − ξ r (T − t ) ξ r − β r
* *
})( )⎞⎟⎤⎥
σ r ⎣⎢ ⎝ 2ξ r
* ⎟
⎠⎦⎥


αr
σr 2
( )
ξ r * − β r (T − t ) + iφ ln (S (t ) ) − ln( B(t , T ))

+
(
iφ (iφ − 1) 1 − exp − ξ v ⋅ (T − t ) { *
})
[ ](
2ξ v − ξ v − β r + iφρσ v 1 − exp − ξ v ⋅ (T − t )
* * *
{
v (t )
})
+
(
2(iφ − 1) 1 − exp − ξ r
*
{ ⋅ (T − t )})

[ ](
2ξ r − ξ r − β r 1 − exp − ξ r ⋅ (T − t )
* * *
r (
{t ) ⎬
⎭ })
ξ r = β r2 − 2σ r2 iφ

ξ r * = β r2 − 2σ r2 (iφ − 1)

ξv = (β v − (1 + iφ )ρ vσ v )2 − σ v2iφ (1 + iφ )

19
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

ξv* = (β v − iφρ vσ v )2 − σ v2iφ (iφ − 1) 2.17

iar preţul obligaţiunii zero cupon este dată de modelul (Cox, Ingersoll and Ross 1985) :
B (t , T ) = exp{− r (t ) ⋅ M (t , T ) − N (t , T )}
unde
2(1 − exp{− δ ⋅ (T − t )})
M (t , T ) =
2δ − [δ − β r ](1 − exp{− δ ⋅ (T − t )})

αr ⎡ ⎛ (1 − exp{− δ (T − t )})(δ − β r ) ⎞⎤
N (t , T ) = ⎢(δ − β r )(T − t ) + 2 ln⎜1 − ⎟⎥
σ r2 ⎣ ⎝ 2δ ⎠⎦

δ = β r2 + 2σ r2 2.18

-0.5 0.5
4.15
4.25
4.35
4.45
4.55

4.65
4.75
4.85
4.95
5.05
5.15

4.15
4.25
4.35
4.45
4.55

4.65
4.75
4.85
4.95
5.05
5.15

Skewness Kurtosis
-1 -0.23496196 8.532804089
-0.75 -0.17983137 5.985763443
-0.5 -0.12424803 4.05352822
-0.25 -0.06818656 2.795517618
0 -0.01161993 2.242745201
0.25 0.04548118 2.474106875
0.5 0.10314843 3.554791665
0.75 0.16141562 5.549130586
1 0.22031985 8.566617016
4.15
4.25
4.35
4.45
4.55

4.65
4.75
4.85
4.95
5.05
5.15

Figura 2.2 Distribuţia lui ln ST pentru modelul Bakshi, Cao şi Chen (1997)

20
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura 2.2 prezintă influenţa volatilităţii corelaţiei dintre activul suport şi volatilitate
( ρ ) asupra distribuţiei lui ln ST pentru ρ = −0.5,0,0.5 . De asemenea, sunt calculaţi indicatorii
de asimetrie şi kurtosis pentru σ r = 3%, σ v = 40% şi diferite nivele de corelaţie. Şi în acest

caz se observă că volatilitatea ratei dobânzii (σ r ) şi a volatilitatea volatilităţii (σ v )


influenţează kurtosis-ul distribuţiei, în timp ce corelaţia dintre volatilitate şi cursul activului
influenţează asimetria.
Figura 2.3 prezintă influenţa volatilităţii volatilităţii (σ v ) asupra diferenţei de preţ
dintre acest model şi modelul Black-Scholes. Analiza s-a realizat pentu un nivel al corelaţiei
de -0.5, respectiv de 0.5.

- 0 .5
0.2

0.1

0
100

104

108

112

116

120

124

128

132

136

140
60

64

68

72

76

80

84

88

92

96

-0 . 1
0.3
-0 . 2
0.4
-0 . 3 0.5

-0 . 4

-0 . 5

-0 . 6

0 .5
0.3

0.2

0.1

0
100

104

108

112

116

120

124

128

132

136

140
60

64

68

72

76

80

84

88

92

96

0.3
-0 . 1
0.4
-0 . 2 0.5

-0 . 3

-0 . 4

-0 . 5

Figura 2.3 Influenţa volatilităţii volatilităţii asupra diferenţei dintre prima BS şi prima rezultata din modelul cu
volatilitate si rata a dobanzii stocastice

Astfel, creşterea volatilităţii volatilităţii duce la creşterea semnificativă a diferenţelor


de preţ pentru opţiunile ATM. Bineînţeles că trebuie să avem în vedere şi coeficientul de
corelaţie. Se observă că o corelaţie pozitivă conduce la subevaluarea opţiunilor ITM şi
supraevaluarea celor OTM, situaţia fiind inversă pentru cazul unei corelaţii negative.

21
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

I.3 Modelul de piaţă financiară bazat pe procese Levy

Procesele Levy au devenit din ce în ce mai utilizate în cadrul matematicii financiare.


Acest lucru s-a întâmplat datorită faptului că aceste procese pot fi utilizate pentru a modela
proprietăţile observate ale evoluţiei cursului activelor financiare. Aşa cum am menţionat şi în
introducere, distribuţia empirică a rentabilităţii are capetele mai groase decât distribuţia
gaussiană, evoluţia cursului activelor financiare înregistrând salturi şi modificări mari în
perioade scurte de timp („spike”-uri).
Modelele bazate pe mişcarea browniană (Black and Scholes 1973) şi cele bazate pe
salturi de tip Poisson (Merton 1976) se încadrează în clasa mai largă a proceselor Levy. De
fapt îl ultima perioadă au început să fie folosite în literatura financiară procese Levy cu grad
mai mare de complexitate. Astfel, în 1990 a fost propus un model Levy bazat pe procese cu
distribuţie de tip variance-gamma (Madan, Carr and Chang 1998; Madan and Seneta 1990).
Distribuţia variance-gamma este un caz particular din clasa distribuţiilor hiperbolice
generalizate, clasă de distribuţii introdusă în anul 1977 (Barndorff-Nielsen 1977). In ultima
perioadă, cercetarea s-a concentrat pe această clasă de distribuţii. In anul 1995 a fost introdus
un model bazat pe distribuţia hiperbolică (Eberlein and Keller 1995), şi tot în anul 1995 a
apărut modelul de piaţă care utilizează distribuţia NIG – normal inverse gaussian (Barndorff-
Nielsen 1995). In anul 2000 a fost introdus un model bazat pe distribuţii hiperbolice
generalizate (Prause 2000).
Nu toate modelele existente în prezent se încadrează în clasa modelelor bazate pe
procese Levy. Un astfel de model a fost introdus în 1963 (Mandelbrot 1963) şi utilizează
procese α - stabile. Tot un model bazat pe procese non-Levy este modelul care utilizează
mişcarea browniană fracţionară (Necula 2004).
In acest capitol vom prezenta pe scurt proprietăţile proceselor Levy, precum şi
elemente de calcul stocastic pentru procese de tip Levy (lema Ito, schimbarea măsurii). In
continuare se analizează modelul de piaţă bazat pe procese Levy, precum şi modalităţile de
evaluare a derivativelor în cadrul acestui model.

22
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Fie (Ω, F , P ) un câmp de probabilitate şi (Ft ) o filtrare. Un proces cadlag (continuu la

dreapta cu limite la stânga) Lt se numeşte proces Levy dacă sunt îndeplinite următoarele
condiţii:
• L0 = 0 ;

• Lt are creşteri independente (i.e Lt − Ls este independent de Fs );

• Lt are creşteri staţionare (i.e distribuţia lui Lt + k − Lt nu depinde de t, aceasta fiind

aceeaşi cu distribuţia lui Lk );

• Lt este continuu în probabilitate.


Exemple de procese Levy sunt mişcarea browniană şi procesul cu salturi Poisson şi
bineînţeles suma dintre mişcarea browniană şi un proces cu salturi, acest proces fiind cunoscut
sub numele de „jump-diffusion”. Mişcarea browniană are o proprietate importantă şi anume
faptul că este singurul proces Levy cu traiectorii continue. Toate celelalte procese Levy au
traiectorii discontinue (există t astfel încât Lt ≠ Lt − , unde Lt − este limita la stânga in punctul
t). Mai mult, există procese Levy care nu sunt continue în nici un punct, acestea purtând
numele de procese „pure-jump”, un astfel de exemplu fiind procesul bazat pe distribuţia
hiperbolică.
Fie un proces „jump-diffusion”:
⎛ Nt ⎞
Lt = bt + σWt + ⎜⎜ ∑ J k − λtE [J ]⎟⎟ (3.1)
⎝ k =1 ⎠
unde b,σ sunt constante, Wt este o mişcare browniană, N t este un proces Poisson cu

parametru λ independent mişcarea browniană (i.e. N t ~ Poisson(λt ) , E [N t ] = λt ), iar J k


reprezintă o serie de variabile aleatoare iid cu o distribuţie cu densitate D şi cu medie finită
E [J ] (aceste variabile aleatoare reprezintă amplitudinea saltului). Se observă că Lt este

martingal doar dacă b = 0 .


Funcţia caracteristică a lui Lt este:

⎡ ⎛ ⎞⎤
[ ]
Nt
ϕt (u ) = E eiuL = exp(iubt )E[exp(iuσWt )]E ⎢exp⎜⎜ iu ∑ J k − iutλE [J ]⎟⎟⎥
t

⎣⎢ ⎝ k =1 ⎠⎦⎥

⎛ u 2σ 2 ⎞
= exp(iubt )exp⎜⎜ −
2 ⎠
[ ([
⎟⎟ exp λt E eiuJ − 1 − iuJ ])]

23
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

⎛ u 2σ 2 ⎞ ⎡ ⎤
= exp(iubt ) exp⎜⎜ −
2 ⎠
(
⎟⎟ exp ⎢tλ ∫ eiux − 1 − iux D(x )dx ⎥ )
⎝ ⎣ R ⎦
⎡⎛ u 2σ 2 ⎞⎤
= exp ⎢t ⎜⎜ iub −
2
( )
+ ∫ eiux − 1 − iux λD( x )dx ⎟⎟⎥ (3.2)
⎢⎣ ⎝ R ⎠⎥⎦

Formula 3.2 este un caz particular, pentru jump-diffusions, a teoremei Levy-


Khintchine care arată faptul că orice proces Levy este caracterizat în mod unic de un triplet
(b,σ ,ν ) , unde b poartă numele de drift şi caracterizează trendul procesului, σ se numeşte

difuzie şi caracterizează partea continuă a traiectoriei (dată de mişcarea browniană), iar ν (⋅)
poartă numele de măsură Levy şi caracterizează partea discontinuă a traiectoriei (salturile). In
cazul procesului cu salturi Poisson analizat mai sus avem că ν ( x ) = λD( x ) . Insă salturile
Poisson sunt cel mai simplu exemplu de salturi care pot apărea în cadrul unui proces Levy. Un
exemplu mai complicat apare în cazul distribuţiei hiperbolice. Mai mult în teorema Levy-
Khintchine se arată că funcţia caracteristică a unui proces Levy oarecare cu triplet (b,σ ,ν )
este:
⎡⎛
ϕt (u ) = exp ⎢t ⎜⎜ iub −
u 2σ 2
2
( ) ⎞⎤
+ ∫ eiux − 1 − iux1{ x <1} ν ( x )dx ⎟⎟⎥ (3.3)
⎢⎣ ⎝ R ⎠⎥⎦

Teorema Levy-Khintchine este legată şi de aşa numita descompunere Levy-Ito. Astfel


s-a arătat că orice proces Levy cu triplet (b,σ ,ν ) se poate descompune într-un trend liniar
(bt ) , o parte continuă dată de mişcarea browniană ( σWt ) şi o parte discontinuă formată dintr-
un proces cu salturi pentru care numărul mediu de salturi într-un interval de lungime 1 este dat
1
de ν (R ) < ∞ , iar amplitudinea satului are o distribuţie cu densitatea ν (⋅) . Mai exact
ν (R )
partea discontinuă se împarte în salturi „mici” (<1) şi salturi „mari” (>=1). Vom presupune,
pentru simplificare, că avem doar salturi „mari” (i.e. 1{ x <1}ν ( x ) = 0 ) . Se observă că mişcarea

browniană este un proces Levy cu triplet (0,1,0) .

24
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Un proces Levy Lt cu (b, σ ,ν ) are următoarea ecuaţie de dinamică:

dLt = bdt + σdWt + ΔLt (3.4)


partea continua saltul la mom t

⎧ ⎫
unde E [ΔLt ] = ⎨∫ xν ( x )dx ⎬dt
⎩R ⎭
Un rezultat important pentru matematica financiară este lema Ito, care bineînţeles este
diferită în cazul proceselor Levy de cea din calculul stocastic clasic. Fie f (t , x ) o funcţie
continuă şi pentru care există derivatele de ordinul 1 şi 2, şi fie Lt un proces Levy cu triplet

(b,σ ,ν ) (deci cu ecuaţia de dinamica dată de 3.4).


Avem că ecuaţia de dinamică pentru X t := f (t , Lt ) este:

∂f
(t , Lt − )dt + ∂f (t , Lt − )bdt + ∂f (t , Lt − )σdWt + 1 σ 2 ∂ f2 (t , Lt − )dt +
2
df (t , Lt ) =
∂t ∂L ∂L 2 ∂L
+ [ f (t , Lt − + ΔLt ) − f (t , Lt − )] (3.5)

Bineînţeles că în cazul proceselor Ito (i.e. procese Levy cu tripletul (b, σ ,0 ) şi care nu
au salturi) formula 3.5 se reduce la cazul clasic al formulei Ito.

Modelul de piaţă bazat pe procese Levy presupune că rata dobânzii fără risc este
constantă, iar cursul activului suport ( St ) urmează un proces Levy exponenţial:

St = S0 exp(Lt ) (3.6)

⎛ σ2 ⎞
unde Lt este un proces Levy cu tripletul ⎜⎜ μ − , σ ,ν ⎟⎟ .
⎝ 2 ⎠
Aplicând lema lui Ito rezultă că ecuaţia de dinamică a cursului activului suport este:
[
dSt = St − μdt + σdWt + e ΔLt − 1 ( )]
= St − [μdt + σdWt ] + ΔSt (3.7)
Modelele clasice sunt cazuri particulare ale acestui model. Astfel în cazul modelului
⎛ σ2 ⎞
Black-Scholes (1973) Lt este un proces Levy cu tripletul ⎜⎜ μ − , σ ,0 ⎟⎟ . Modelul lui Merton
⎝ 2 ⎠
(1976) utilizează un proces „jump-diffusion” cu salturi Poisson cu parametru λ , iar
amplitudinea saltului este distribuită normal cu medie μ J şi varianţă σ J2 . Deci în acest caz

25
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

⎛ σ2
Lt este un proces Levy cu tripletul ⎜⎜ μ −
2
(
, σ , λφ μ J , σ J2 )⎞⎟⎟ , unde φ (μ , σ ) este densitatea de
J
2
J
⎝ ⎠
repartiţie a unei variabile normale cu medie μ J şi varianţă σ J2 . Un model asemănător cu cel al
lui Merton a fost propus de către Kou (2002). In cadrul acestui model se utilizează un proces
cu salturi Poisson, dar amplitudinea salturilor are o distribuţie exponenţială.
Pentru a evalua opţiuni în cadrul modelului de piaţă Levy, avem nevoie de măsura
neutră la risc. Aşa cum se ştie cursul actualizat al activului suport (i.e. St e − rt ) trebuie să fie
martingal faţă de măsura neutră la risc.
In general modelul de piaţă bazat pe procese Levy este viabil (i.e. măsura neutră la risc
există), dar nu este complet (i.e. măsura neutră la risc nu este unică). Eberlein şi Jacod (1997)
determină măsurile de martingal echivalente care apar în cazul modelului Levy, iar Selivanov
(2005) analizează condiţiile de existenţă şi unicitate a măsurii neutre la risc în cadrul acestui
model. Autorul ajunge la concluzia că măsura neutră la risc e unică doar în cazul mişcării
browniene şi în cazul proceselor „jump-diffusion”.
In aceste condiţii este convenabil să se aleagă o măsură neutră la risc astfel încât, faţă
de această măsură cursul activului suport să urmeze tot un proces Levy exponenţial şi
bineînţeles cursul actualizat să fie martingal. Măsura neutră la risc cu aceste proprietăţi este
unică. Pentru a determina această măsură de martingal, în literatura de specialitate se
utilizează transformarea Esscher.
Prin transformarea Esscher de parametru θ se obţine o probabilitate Pθ echivalentă cu
dPθ
P şi care are densitatea (derivata Radon- Nikodym) |F = Z t , unde
dP t
exp(θLt ) exp(θLt )
Zt = = (3.8)
E[exp(θLt )] ϕt (− iθ )

O proprietate importantă este aceea că şi faţă de noua probabilitate Pθ , Lt este în


continuare un proces Levy. De exemplu să arătăm că are creşteri independente, sau altfel spus
să arătăm că ∀A, B mulţimi, B ∈ Fs avem Pθ ({Lt − Ls ∈ A}∩ B ) = Pθ ({Lt − Ls ∈ A})Pθ (B ) .

Intr-adevăr folosind faptul că Z t e proces Levy faţă de P , precum şi formula Bayes (care dă
legătura dintre mediile unei variabile aleatoare calculate faţă de două probabilităţi echivalente)
avem:

26
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

[ ] [
Pθ ({Lt − Ls ∈ A} ∩ B ) = E θ 1{Lt − Ls ∈ A}1B = E 1{Lt − Ls ∈ A}1B Z t ]
⎡ Z ⎤
= E ⎢1{Lt − Ls ∈ A} t 1B Z s ⎥
⎣ Zs ⎦

⎡ Z ⎤ ⎡ Z ⎤
= E ⎢1{Lt − Ls ∈ A} t ⎥ E [1B Z s ] = E ⎢1{Lt − Ls ∈ A} t ⎥ E [Z s ]E [1B Z s ]
⎣ Zs ⎦ ⎣ Zs ⎦
1

⎡ ⎤
Z
[ ]
= E ⎢1{Lt − Ls ∈ A} t Z s ⎥ E [1B Z s ] = E 1{Lt − Ls ∈ A} Z t E[1B Z s ]
Zs ⎦

[ ]
= E θ 1{Lt − Ls ∈ A} E θ [1B ]

= Pθ ({Lt − Ls ∈ A})Pθ (B ) q.e.d.

Considerăm că Lt este proces Levy cu triplet (b, σ ,ν ) faţă de P . Trebuie să

determinăm tripletul faţă de Pθ , deci trebuie să determinăm forma Levy-Khintchine a


procesului faţă de Pθ :
⎡ exp(θLt ) ⎤ ϕt (u − iθ )
[ ] [
ϕtθ (u ) = Eθ eiuL = E eiuL Z t = E ⎢eiuL
t t
] t
⎥=
ϕt (− iθ ) ⎦ ϕt (− iθ )
(3.9)

Efectuând calculele în 3.9 se obţine că faţă de Pθ , parametrul de difuzie ( σ ) rămâne
(
neschimbat, tripletul fiind b + θσ 2 , σ , eθxν ( x ) . )
*
In continuare vom determina θ * astfel încât P* = Pθ să fie probabilitatea neutră la
risc, adică cursul actualizat să fie martingal faţă de P* . Folosind formula Bayes avem:
⎡ ⎤
[ ] *
[ ] Z
E * e− rt St | Fs = Eθ e − rt St | Fs = E ⎢e − rt St t | Fs ⎥
Zs
⎣ ⎦
⎡ exp(θLt ) 1 ⎤
= E ⎢e − rt S0 exp(Lt ) | Fs ⎥
⎣ exp(θLs ) ϕt − s (− iθ ) ⎦

⎡ exp(θ (Lt − Ls )) ⎤
= E ⎢e − rs S0 exp(Ls ) exp(− r (t − s )) exp(Lt − Ls ) | Fs ⎥
⎣ ϕt − s (− iθ ) ⎦
⎡ exp(θ (Lt − Ls )) ⎤
= e − rs S s E ⎢exp(− r (t − s )) exp(Lt − Ls ) | Fs ⎥
⎣ ϕt − s (− iθ ) ⎦
indep ⎡ exp(θ (Lt − Ls )) ⎤
= e −rs S s E ⎢exp(− r (t − s ))exp(Lt − Ls )
⎣ ϕt −s (− iθ ) ⎥⎦

27
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

stationar ⎡ exp(θ (Lt − s ))⎤


= e − rs S s E ⎢exp(− r (t − s )) exp(Lt − s ) ⎥
⎣ ϕt − s (− iθ ) ⎦

exp(− r (t − s ))
= e− rs S s E [exp((1 + θ ) Lt − s )]
ϕt − s (− iθ )
exp(− r (t − s ))
= e− rs S s ϕt − s (− i (θ + 1) )
ϕt − s (− iθ )

ϕ (− i (θ + 1) ) ⎤
t −s

= e S s ⎢exp(− r ) 1
− rs
⎥ (3.10)
⎣ ϕ1 (− iθ ) ⎦

Din 3.10 rezultă că e− rt St este martingal faţă de P* dacă şi numai dacă θ * este soluţia
ecuaţiei:
ϕ1 (− i(θ + 1) )
= exp(r ) (3.11)
ϕ1 (− iθ )
Deci probabilitatea neutră la risc este o probabilitate obţinută prin
transformarea Esscher de parametru θ * care este soluţia ecuaţiei 3.11, sau folosind 3.9, a
ecuaţiei:
ϕ1θ (− i ) = exp(r ) (3.12)
Aşa cum am văzut mai sus, această transformare păstrează proprietăţile procesului sau
~
altfel spus Lt este în continuare proces Levy şi faţă de P* . Vom nota cu b , σ ,ν~ tripletul ( )
asociat lui Lt faţă de P* (parametrul de difuzie nu se modifică). Din 3.12 rezultă că există
următoarea relaţie între elementele tripletului:
~ σ2
b+
2 R
( )
+ ∫ e x − 1ν~ (x )dx = r (3.13)

Aplicând lema lui Ito şi ţinând seama de 3.13, ecuaţia de dinamică a cursului faţă de
măsura neutră la risc este:
⎡⎛ ⎞ ⎤
( ) (
dSt = St − ⎢⎜⎜ r − ∫ e x − 1 ν~ ( x )dx ⎟⎟dt + σdWt * + e ΔLt − 1 ⎥ ) (3.14)
⎣⎢⎝ R ⎠ ⎥⎦

28
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Relaţia de mai sus arată faptul că rentabilitatea aşteptată a unui activ tranzacţionabil
⎡ dS ⎤
faţă de măsura neutră la risc ( E * ⎢ t ⎥ ) este egală cu rentabilitatea fără risc, acelaşi rezultat ca
⎣ St − ⎦
şi în cazul modelului clasic.

Fie un derivativ al lui S cu payoff la scadenţă (T) egal cu Π (ST ) . Conform teoremei
fundamentale a evaluării activelor, preţul acestui derivativ la momentul t este:
π t = π (t , St ) = E * [e − r (T −t )Π (ST ) | Ft ] (3.15)

Aplicând lema lui Ito obţinem:


∂π
dπ t = (t , St − )dt + ∂π (t , St − )St −b~dt + ∂π (t , St − )St −σdWt* +
∂t ∂S ∂S
1 ⎡ ∂ 2π ∂π ⎤
+ ⎢ 2 (t , St − )St − + (t , St − )St − ⎥σ 2dt +
2

2 ⎣ ∂S ∂S ⎦
[( )
+ π t , St −e ΔLt − π (t , St − ) ]

Folosind 3.13 avem că:

∂π ⎡ ⎤
dπ t = (t , St − )dt + ∂π (t , St − )St − ⎢r − ∫ e x − 1 ν~(x )dx⎥ dt + ∂π (t , St − )St −σdWt* +
( )
∂t ∂S ⎣ R ⎦ ∂S

σ 2 ∂ 2π
+ (t , St − )St2− dt + [π (t , St −eΔL ) − π (t , St − )]
t

2 ∂S 2

= Lπ (t , St − )dt +
∂π
∂S
[( )
(t , St − )St −σdWt* + π t , St −eΔLt − π (t , St − ) ] (3.16)

unde L este un operator integro-diferenţial:


∂π ⎡ ⎤ ∂π 1 2 2 ∂ 2π
Lπ = ( )
+ ⎢r − ∫ e x − 1 ν~ ( x )dx ⎥ S + σ S
∂S 2
∂t ⎣ R ⎦ ∂S 2

Deoarece derivativul este un activ tranzacţionabil, rentabilitatea aşteptată faţă de


⎡ dπ ⎤ ⎡ ⎤
măsura neutră la risc ( E * ⎢ t ⎥ = Lπ t − dt + ⎢ ∫ (π (t , St −e x ) − π (t , St − ))ν~ ( x )dx ⎥ dt ) trebuie se fie
⎣ πt− ⎦ ⎣R ⎦
egală cu rentabilitatea fără risc (i.e. rdt ).

29
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

De aici rezultă ecuaţia de evaluare a derivativului în cadrul modelului Levy:

⎧ ∂π ⎡ ~ ( x )dx ⎤ S ∂π + 1 σ 2 S 2 ∂ π + π t , Se x − π (t , S )ν~ ( x )dx = rπ (t , S )


( ) [( ) ]
2

⎢ ∫
∂S 2 ∫R
⎪ + r − e x
− 1 ν ⎥
⎨ ∂t ⎣ R ⎦ ∂S 2 (3.17)

⎩π (T , S ) = Π (S )

Ecuaţia 3.17 este o ecuaţie integro-diferenţială care este greu de rezolvat chiar şi prin
metode numerice.
In lucrarea de faţă vom utiliza o metodă numerică de evaluare a opţiunilor europene de
tip call, metodă introdusă de către Raible (2000). Considerăm o opţiune cu scadenţă T şi
( )
notăm cu C (ζ ; K ) prima opţiunii call cu preţ de exerciţiu K , iar ζ = − ln e rT S . Raible (2000)

a arătat că pentru o constantă reală H astfel încât ϕ1* (iH ) < ∞ avem:


eζH − rT 1
C (ζ ;1) = ∫ e (H + iu )(H + 1 + iu ) ϕ (iH − u )du
ζ iu *
(3.18)

T
−∞

unde ϕ1* e funcţia caracteristică a lui L1 faţă de P* .


De asemenea mai avem şi relaţia:

C (ζ ; K ) = KC (ζ + ln K ;1) (3.19)

Metodologia este descrisă pe larg în Anexa 2.

In capitolul următor vom analiza modelul hiperbolic, model care se încadrează în


cadrul modelului bazat pe procese Levy.

30
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

I.4 Modelul de piaţă financiară bazat pe procese hiperbolice


generalizate

In ultima perioadă, literatura de specialitate s-a axat în special pe modelul Levy bazat
pe procesul hiperbolic generalizat. Astfel, au fost dezvoltate modele nu numai pentru
evaluarea opţiunilor pe acţiuni, dar şi pentru modelarea ratei dobânzii şi a derivativelor pe rata
dobânzii sau pentru analiza riscului de credit.
Procesul hiperbolic generalizat, Lt , este un proces Levy pentru care L1 urmează o

distribuţie hiperbolică generalizată GH (λ , α , β , δ , μ ) cu funcţia de densitate:

(
ρGH ( x; λ , α , β , δ , μ ) = a ( λ , α , β , δ , μ ) δ 2 + ( x − μ ) )
2 1/ 2 λ −1/ 4

⎛ ⎞ β (x−μ)
⋅B ⎜⎜ λ − 0.5,α δ 2 + x 2 − 2 xμ + μ 2 ⎟⎟ e (4.1)
⎝ ⎠

unde
1/ 2 λ

⎜ α 2 − β 2 ⎞⎟⎠
a ( λ ,α , β , δ , μ ) = ⎝
⎛ ⎞
2πα λ −1/ 2δ λ B ⎜⎜ λ , δ α 2 − β 2 ⎟⎟
⎝ ⎠

iar B ( λ ,i ) reprezintă funcţia Bessel de tip 3 şi de ordin λ . Parametrul μ influenţează în

special media distribuţiei, fiind un parametru de locaţie, parametrul β influenţează


indicatorul de asimetrie, iar λ indicatorul kurtosis. De asemenea, parametrul λ determină si
subclasa distribuţiei.
Media acestei distribuţiei este
⎛ ⎞
βδ B ⎜⎜ λ + 1, δ α 2 − β 2 ⎟⎟
E [ L1 ] = μ + ⎝


2 ⎞⎟
α −β2 2
B λ,δ α − β


2

⎝ ⎠

iar varianţa
⎛ ⎞
δ B ⎜⎜ λ + 1, δ α 2 − β 2 ⎟⎟
VAR [ L1 ] = ⎝


+
2 ⎞
α −β
2 2
B λ, δ α − β


2


⎝ ⎠

⎛ ⎜ ⎛ 2 ⎟⎞
⎞ ⎛ ⎞
β 2δ 2 ⎜ B ⎜⎝ λ + 2, δ α − β ⎟⎠ B ⎜⎝ λ + 1, δ α − β ⎟⎠ ⎟
2 2 ⎟ 2⎜ 2

+ 2 −
α − β 2 ⎜⎜ B ⎛⎜ λ , δ α 2 − β 2 ⎞⎟ ⎛ ⎞ ⎟
B2 ⎜ λ, δ α 2 − β 2 ⎟ ⎟
⎝ ⎜






⎠ ⎠

31
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Funcţia caracteristică a acestei distribuţii este:


λ ⎛ 2 ⎞⎟
⎛ ⎞ B ⎜ λ , δ α 2 − ( β + iu )
iμ u ⎜ α 2 − β 2 ⎟ ⎜⎜⎝ ⎟⎟
ϕGH ( u ) = e ⎠
(4.2)
⎜ α 2 − β + iu 2 ⎟ ⎛ ⎞
⎝ ( ) ⎠ B ⎜⎜⎝ λ , δ α 2 − β 2 ⎟⎟⎠

Fiind un proces Levy funcţia caracteristică 4.2 are o scriere în forma Levy-Khintchine
tripletul distribuţiei hiperbolice generalizate fiind (E [L1 ],0,ν GH ) , unde ν GH este măsura Levy
asociată. Forma acestei măsuri este cunoscută, dar este foarte complicată (Prause 2000). Aşa
cum se observă procesul hiperbolic generalizat nu are componenta de difuzie ( σ = 0 ), el
fiind un proces de tip „pure-jump”.
Diverşi autori au analizat subclase ale distribuţiei hiperbolice generalizate. Astfel dacă
considerăm λ = 1 se obţine distribuţia hiperbolică simplă H (α , β , δ , μ ) :

ρ H ( x;α , β , δ , μ ) = ⎛
α2 − β2
2αδ B 1, δ α − β


2 2 ⎞⎟

(
exp −α δ 2 + ( x − μ ) + β ( x − μ )
2
)
⎝ ⎠

iar dacă λ = −1 / 2 se obţine distribuţia NIG (α , β , δ , μ ) („normal inverse gaussian”) :


⎛ 2⎞
B ⎜⎜⎜1, α δ 2 + ( x − μ ) ⎟
αδ
( )
⎟⎟
ρ NIG ( x; α , β , δ , μ ) = exp δ α 2 − β 2 + β ( x − μ ) ⎝ ⎠

π δ 2 +(x − μ)
2

Numele distribuţiei hiperbolice provine din faptul că log-densitatea acestei distribuţii


reprezintă ecuaţia unei hiperbole, în timp ce log-densitatea distribuţie normale reprezintă
ecuaţia unei parabole.
Distribuţia NIG este singura distribuţie din clasa distribuţiilor hiperbolice generalizate
care este închisă la convoluţii. Asta înseamnă că dacă considerăm două variabile aleatoare
independente X 1 ~ NIG (α , β , δ1 , μ1 ) şi X 2 ~ NIG (α , β , δ 2 , μ2 ) atunci distribuţia sumei este tot
de tip NIG X 1 + X 2 ~ NIG (α , β , δ1 + δ1 , μ1 + μ 2 ) .
Aşa cum am precizat în capitolul anterior în matematica financiară un loc central îl
ocupă determinarea măsurii neutre la risc, care în cazul proceselor Levy se obţine printr-o
transformare Esscher. Procesul hiperbolic generalizat este închis la transformarea Esscher.
Astfel, dacă Lt este proces GH (λ , α , β , δ , μ ) faţă de P , el devine un proces de tip

GH (λ , α , β + θ , δ , μ ) faţă de Pθ . Această proprietate este foarte importantă din punct de

32
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

vedere al evaluării derivativelor deoarece arată că faţă de măsura neutră la risc procesul este
tot hiperbolic, distribuţia faţă de măsura neutră la risc a acestuia putând fi determinată
folosind parametrii estimaţi ai procesului faţă de probabilitatea pieţei, iar parametrul θ al
transformării Esscher ca soluţie a ecuaţiei 3.12. Estimarea parametrilor distribuţiei hiperbolice
generalizate se poate realiza prin MLE.
O altă caracteristică importantă a distribuţiei hiperbolice generalizată este aceea că
aceasta este o mixtură de distribuţii normale în care varianţa poate lua valori conform unei
densităţi de repartiţie a unei variabile continue din clasa distribuţiilor GIG (λ , δ , γ ) -
„generalized inverse gaussian”- clasă care cuprinde şi distribuţia gamma.
Astfel dacă
(
X | Σ = σ 2 ~ N μ + βσ 2 , σ 2 )
şi
Σ ~ GIG (λ , δ , γ )
atunci

(
X ~ GH λ , β 2 + γ 2 , β , δ , μ . )
Deci modele bazate pe distribuţia hiperbolică generalizată pot fi considerate o
generalizare a modelelor care presupun că logaritmul cursului unui activ financiar este o
mixtură de distribuţii normale în care însă varianţa poate lua un număr finit de valori, urmând
o distribuţie discretă.
O altă proprietate interesantă a modelelor de evoluţie a cursului bazat pe procese
hiperbolice este aceea că evoluţia cursului poate fi „privită” ca o mişcare browniană
geometrică, dar care evoluează nu după „timpul fizic” ci după un „timp operaţional” care ia în
considerare intensitatea activităţii de tranzacţionare. Astfel, dacă Wt este o mişcare

browniană. iar τ (t ) este un proces Levy astfel încât τ (1) ~ GIG , atunci procesul
X t = μt + βτ (t ) + Wτ (t )

este un proces hiperbolic generalizat.


Procesul τ (t ) fiind crescător (un proces Levy crescător poartă numele de
subordonator) el poate fi interpretat ca un „timp operaţional”, un timp care se „scurge” cu
viteze diferite. Conceptul de timp operaţional a fost introdus în finanţe de către Praetz (1972).
Clark (1973) şi Epps (1973) au legat timpul operaţional de volumul de tranzacţionare.

33
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In continuare vom prezenta rezultatele estimării distribuţiei hiperbolice


generalizate pentru o serie de active financiare de referinţă: indicele SP500, indicele
Nikkei, indicele DAX, indicele BET, cursul EURUSD, cursul EURRON şi cursul USDRON.
Analiza s-a realizat pe date zilnice, pe o seria de rentabilităţi având un număr de 2500
înregistrări (aproximativ perioada ian. 1997-dec. 2007). Pentru cursul EURUSD s-au utilizat
şi date intraday cu frecvenţă de 5 minute, seria utilizată având 10.000 de înregistrări.
Estimarea econometrica a parametrilor a fost realizata utilizând metoda MLE. Algoritmul de
estimare a fost implementat cu ajutorul programului econometric Maple.

Tabelul 4.1. Parametrii estimaţi ai distribuţiei hiperbolice

λ α β δ μ
SP500 0.814 132.094 9.075 0.0045 -0.00099
Nikkei -0.415 141.294 -15.170 0.0233 0.00301
DAX 1.007 84.666 0.741 0.0032 -0.00016
BET -0.597 43.253 -5.382 0.0097 0.00323
EURUSD -3.889 148.020 -28.702 0.0197 0.00129
EURUSD 5 min -0.466 17.366 0.586 0.0207 0.00021
EURRON -1.221 56.870 -5.506 0.0050 0.00044
USDRON -1.622 60.208 -5.139 0.0080 0.00018

Tabelul 4.1 prezintă rezultatul estimărilor pentru cele 8 serii de date. Parametrul cel
mai important al distribuţiei hiperbolice generalizate, λ , acoperă o plajă largă de valori de la
-3.889 la 1.007. Acest parametru împarte distribuţia hiperbolică generalizată în mai multe
subclase. Aşa cum se observă pentru seria de date pentru SP500 sau DAX distribuţia
hiperbolică generalizată estimată este mai apropiată de subclasa distribuţiilor hiperbolice
simple ( λ ≈ 1 ). Indicele Nikkei şi indicele BET se încadrează spre subclasa proceselor NIG
( λ ≈ −0.5 ).
Distribuţia hiperbolică generalizată aproximează foarte bine distribuţia empirică a
rentabilităţii activelor financiare analizate. Acest lucru se poate observa din tabelul 4.2 care
prezintă principalii indicatorii statistici (medie, varianţă, skewness şi kurtosis) empirici şi cei
calculaţi pe baza distribuţiei estimate.

34
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Tabelul 4.2. Indicatorii statistici empirici şi cei calculaţi pe baza distribuţiei GH


media varianta skewnwess kurtosis
empirici 0.000086 0.000119 0.250 5.607
SP500
estimati 0.000086 0.000119 0.250 5.606
empirici 0.000441 0.000171 -0.180 3.958
Nikkei
estimati 0.000441 0.000171 -0.180 3.960
empirici 0.000062 0.000297 0.035 5.712
DAX
estimati 0.000062 0.000297 0.035 5.711
empirici 0.002163 0.000202 -0.565 10.945
BET
estimati 0.002163 0.000202 -0.565 10.944
empirici 0.000250 0.000037 -0.104 3.625
EURUSD
estimati 0.000250 0.000037 -0.104 3.625
EURUSD 5 min empirici 0.000950 0.001255 0.170 11.235
(media si var
x100) estimati 0.000950 0.001255 0.170 11.235
empirici 0.000290 0.000028 -0.357 15.624
EURRON
estimati 0.000290 0.000028 -0.357 15.615
empirici -0.000025 0.000039 -0.189 8.996
USDRON
estimati -0.000025 0.000039 -0.189 8.999

Pentru o analiză mai ştiinţifică a faptului că distribuţia hiperbolică modelează foarte


bine datele financiare au fost utilizate testele de „goodness of fit” Kolmogorov-Smirnov şi
Anderson-Darling, teste care sunt prezentate în tabelul 4.3. Atât metrica KS cât şi AD arată că
distribuţia hiperbolică oferă o aproximare mai bună decât cea normală pentru distribuţia
empirică a rentabilităţii.
Tabelul 4.3. Teste de „goodness of fit”
KS AD
normal GH normal GH
SP500 0.058 0.042 2.656 1.261
Nikkei 0.045 0.033 1.597 0.905
DAX 0.085 0.040 3.790 1.350
BET 0.077 0.041 3.704 1.542
EURUSD 0.040 0.031 1.567 1.072
EURUSD 5 min 0.108 0.086 ∞ 3.883
EURRON 0.091 0.059 4.288 1.623
USDRON 0.079 0.040 3.471 1.194

35
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura 4.1. Distribuţia rentabilităţii zilnice pentru SP500

q-q plot

Faptul că distribuţia hiperbolică este mai adecvată decât cea normală pentru a modela
datele financiare se deduce şi din figura 4.1. In această figură cu albastru este reprezentată
distribuţia empirică, cu verde distribuţia hiperbolică generalizată estimată, iar cu roşu
distribuţia normală cu aceeaşi medie şi varianţă. Din figura care reprezintă log-densitatea
(logpdf) se observă că distribuţia hiperbolică aproximează foarte bine capetele distribuţiei
empirice. Diferenţa dintre distribuţia hiperbolică şi cea normală este şi mai evidentă pentru
date intraday sau în cazul unei pieţe emergente. In figura 4.2 sunt prezentate graficele de
densitate pentru EURUSD pe interval de 5 minute, iar în figura 4.3 pentru indicele BET.
Graficele pentru celelalte serii de date financiare sunt prezentate în anexa 3.

36
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura 4.2. Distribuţia rentabilităţii pentru EURUSD 5 minute

q-q plot

Figura 4.3. Distribuţia rentabilităţii pentru BET

q-q plot

37
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura 4.4. Diferenţa dintre preţul hiperbolic şi preţul Black-Scholes pentru o opţiune CALL

SP500 BET

Figura 4.4 prezintă diferenţă dintre prima unei opţiuni CALL obţinută prin modelul
hiperbolic şi cea obţinută prin modelul Black-Scholes, graficul fiind făcut în funcţie de
„moneyness”. Aşa cum se observă această diferenţă este pozitivă, ea fiind mai mare dacă
distribuţia hiperbolică estimată are un kurtosis mai mare (de exemplu pentru BET). Acest
lucru se întâmplă datorită faptului că diferenţele dintre capetele distribuţiei hiperbolice si cele
ale distribuţiei normale sunt mai mari.

38
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

I.5 Concluzii

In această lucrare am prezentat o serie de modele de evaluare a opţiunilor, modele


candidate de a înlocui modelul Black-Scholes ca model de bază în acest domeniu. Pentru
început am prezentat modele cu volatilitate stocastică în timp continuu şi am analizat modul in
care parametrii acestui model influenţează distribuţia teoretică a cursului activului suport. Am
ajuns la concluzia că volatilitatea volatilităţii are un impact mare asupra kurtosis-ului, în timp
ce corelaţia dintre activ şi volatilitate influenţează skewness-ul.
In continuare ne-am axat pe analiza modelului de evaluare bazat pe procese Levy, s-au
prezentat elementele de calcul stocastic necesare, am determinat transformarea care permite
trecerea la măsura neutră la risc şi am dedus ecuaţia de evaluare a derivativelor în cadrul
acestui model.
In ultimul capitol a fost analizat modelul de piaţă care utilizează procesul hiperbolic ca
motor al evoluţiei cursului activului suport. De asemenea, au fost prezentate proprietăţile
acestui model, proprietăţi care fac acest tip de proces să fie adecvat pentru modelarea cursului
activelor financiare.
Au fost estimati parametrii distribuţiei hiperbolice generalizate pentru o serie de active
financiare atât de pe piaţa internă cât şi de pe cea internaţională şi am ajuns la concluzia că
această distribuţie aproximează mult mai bine distribuţia empirică decât o face distribuţia
normală. Am ajuns la această concluzie prin compararea indicatorilor statistici de medie,
varianţă, skewness şi kurtosis, prin utilizarea testelor de „goodness-of-fit”, dar şi prin metode
vizuale cum ar fi graficele de tip „qq plot”. In ceea ce priveşte diferenţa dintre prima unei
opţiuni CALL obţinută prin modelul hiperbolic şi cea obţinută prin modelul Black-Scholes s-a
constatat că aceasta este, în general, pozitivă.
Proprietăţile distribuţiei hiperbolice generalizate în ceea ce priveşte probabilitatea
evenimentelor extreme, precum şi faptul că aceasta distribuţie aproximează foarte bine

39
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

capetele distribuţiei empirice fac ca modelul hiperbolic de piaţă financiară să poată fi folosit
atât la evaluarea opţiunilor cât mai ales la cuantificarea riscului de piaţă utilizând metodologia
VaR.
In partea a doua a tezei de doctorat autorul îşi propune să analizeze şi dependenţa
dintre seriile de date folosind funcţiile copulae pentru a modela structura de dependenţa dintre
două serii cu densităţi marginale hiperbolice.

40
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Bibliografie
/////////////////////
(Engle 1982),(Bollerslev 1986; Duan 1996),(Heston and Nandi 1999),(Merton 1976),(Merton 1973), (Eberlein
2001), (Raible 2000),(Bakshi and Chen 1997b),(Bakshi, Cao and Chen 1997),(Revuz and Yor 1991),(Hull
1993),(Bates 1996; Bates 2000),(Ball and Roma 1994),(Bakshi and Madan 2000),(Duffie, Pan and Singleton
2000),(Scott 1997),(Madan, Carr and Chang 1998),(Bibby and Sorensen 2002),(Barndorff-Nielsen 1997),(Ozkan
2002),(Bjork 1998),(Keller 1997),(Mandelbrot 1963),(Musiela and Rutkowski 1997),(Protter 1992),(Samuelson
1965),(Madan and Seneta 1990),(Kou 2002),(Eberlein and Jacod 1997),(Selivanov 2005),(Sato 1999),(Clark
1973),(Epps and Epps 1976),(Praetz 1972)/////////////////

Bakshi, G., C. Cao, and Z. Chen, 1997, "Empirical Performance of Alternative Option Pricing
Models," Journal of Finance 52, 2003-2049.

Bakshi, G., and Z. Chen, 1997a, "An Alternative Valuation Model for Contingent Claims,"
Journal of Financial Economics 44, 123-165.

—, 1997b, "Equilibrium Valuation of Foreign Exchange Claims," Journal of Finance 52,


799-826.

Bakshi, G., and D. Madan, 2000, "Spanning and derivative-security valuation," Journal of
Financial Economics 55, 205–238.

Ball, C., and A. Roma, 1994, "Stochastic Volatility Option Pricing," Financial and
Quantitative Analysis 29, 589-607.

Barndorff-Nielsen, O. E., 1977, "Exponentially decreasing distributions for the logarithm of


particle size," Proceedings of the Royal Society London 353,, 401–419.

—, 1995, Normal inverse Gaussian distributions and the modelling of stock returns, Technical
report, Aarhus University.

—, 1997, "Normal inverse Gaussian distributions and stochastic volatility modelling,"


Scandinavian Journal of Statistics 24, 1-13.

Bates, D., 1996, "Jumps and Stochastic Volatility: Exchange Rate Processes Implicit in
Deutsche Mark Options," Review of Financial Studies 9, 69-107.

41
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

—, 2000, "Post-`87 Crash Fears in the S&P 500 Futures Option Market," Journal of
Econometrics 94, 181-238.

Bibby, B. M., and M. Sorensen, 1997, "A hyperbolic diffusion model for stock prices,"
Finance & Stochastics 1, 25-41.

—, 2002, Hyperbolic processes in finance, working paper.

Bjork, T., 1998, Arbitrage Theory in Continuous Time, Oxford University Press.

Black, F., and M. Scholes, 1973, "The pricing of options and corporate liabilities," Journal of
Political Economy 81, 637-659.

Bollerslev, T., 1986, "Generalized Autoregresive Conditional Heteroskedasticity," Journal of


Econometrics 31, 307-327.

Clark, P. K., 1973, "A Subordinated Stochastic Process with Finite Variance for Speculative
Prices," Econometrica 41.

Cox, J. C., J. E. Ingersoll, and S. A. Ross, 1985, "A Theory of the Term Structure of Interest
Rates," Econometrica 53, 385-407.

Duan, J. C., 1996, "The GARCH option pricing model," Mathematical Finance 5, 13-32.

Duffie, D., J. Pan, and K. Singleton, 2000, "Transform Analysis and Option Pricing for Affine
Jump-Diffusions," Econometrica 68, 1343-1376.

Eberlein, E., 2001, Application of generalized hyperbolic Levy motions to finance, working
paper, University of Freiburg.

Eberlein, E., and J. Jacod, 1997, "On the range of options prices," Finance & Stochastics 1,
131–140.

Eberlein, E., and U. Keller, 1995, "Hyperbolic distributions in finance," Bernoulli 1, 281–299.

Engle, R. F., 1982, "Autoregressive Conditional Heteroskedasticity with Estimates of the


Variance of UK Inflation," Econometrica 50, 987-1008.

42
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Epps, T. W., and M. L. Epps, 1976, "The Stochastic Dependence of Security Price Changes
and Transaction Volumes: Implications for the Mixture-of-Distributions Hypothesis,"
Econometrica 44, 305-321.

Heston, S., 1993, "A Closed-Form Solution for Options with Stochastic Volatility with
Applications to Bond and Currency Options," Review of Financial Studies 6, 327-343.

Heston, S., and S. Nandi, 1999, A Closed-Form GARCH Option Pricing Model, Review of
Financial Studies, Federal Reserve Bank of Atlanta.

Hull, J., 1993, Options, Futures, and other Derivative Securities, Prentice Hall, Englewood
Cliffs.

Hull, J., and A. White, 1987, "The Pricing of Options with Stochastic Volatilities," Journal of
Finance 42, 281-300.

Keller, U., 1997, Realistic modelling of financial derivatives, PhD Dissertation, University of
Freiburg.

Kou, S. G., 2002, "A jump diffusion model for option pricing," Management Scence. 48,
1086–1101.

Madan, D. B., P. P. Carr, and E. C. Chang, 1998, "The variance gamma process and option
pricing," European Finance Review 2, 79-105.

Madan, D. B., and E. Seneta, 1990, "The variance gamma model for share market returns,"
Journal of Business 63, 511–524.

Mandelbrot, B., 1963, "The variation of certain speculative prices," Journal of Business 36,
394–419.

Merton, R. C., 1973, "Theory of Rational Option Pricing," Bell Journal of Economics and
Management Science 4, 141-183.

—, 1976, "Option Pricing When Underlying Stock Returns Are Discontinuous," Journal of
Financial Economics 3, 125-144.

43
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Musiela, M., and M. Rutkowski, 1997, Martingale Methods in Financial Modelling, Springer
Verlag.

Necula, C, 2004, "Option Pricing in a fractional Brownian motion environment,",


Mathematical Reports, 56, 3, 259-273

Ozkan, F., 2002, Levy Processes in Credit Risk and Market Models, PhD Dissertation,
University of Freiburg.

Praetz, P. D., 1972, "The Distribution of Share Prices," Journal of Business 45, 49-55.

Prause, K., 2000, The Generalized Hyperbolic Model: Estimation, Financial Derivatives, and
Risk Measures, PhD Dissertation, University of Freiburg.

Protter, P., 1992, Stochastic Integration and Differential Equations, Springer Verlag.

Raible, S., 2000, Lévy Processes in Finance: Theory, Numerics, and Empirical Facts, PhD
Dissertation, University of Freiburg.

Revuz, D., and M. Yor, 1991, Continuous Martingales and Brownian Motion, Springer
Verlag.

Samuelson, P., 1965, "Rational theory of warrant pricing," Industrial Management Review 6,
13–32.

Sato, K. I., 1999, Levy processes and infinitely divisible distributions, Cambridge University
Press.

Scott, L. O., 1997, "Pricing Stock Options in a Jump-diffusion Model with Stochastic
Volatility and Interest Rates: Application of Fourier Inversion Methods," Mathematical
Finance 7, 345-358.

Selivanov, A. V., 2005, "On the martingale measures in exponential Levy models," Theory
Probab. Appl. 49, 727-752.

Stein, E., and J. Stein, 1991, "Stock Price Distributions with Stochastic Volatility: an Analytic
Approach," Review of Financial Studies 4, 727-752.

44
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Anexe

Anexa 1. Metodologie de evaluare a opţiunilor bazată pe transformarea Fourier inversă

Valoarea la momentul t a unei opţiuni call europene cu preţ de exerciţiu X şi scadenţă


T este:

E ⎡⎢exp⎧⎨− ∫ r(u)du ⎫⎬ ⋅ max(S |
T
C (t ) = T − X ,0) F ⎥
⎣ ⎩ t ⎭ t⎦


E ⎡⎢exp⎧⎨− ∫ r(u)du ⎫⎬ ⋅ (S |
T
= T − X ) ⋅ 1{S } Ft ⎥ A.1.1
⎩ ⎭ T >X
⎣ t ⎦
⎤ ⎡ ⎧ ⎤
E ⎡⎢exp⎧⎨− ∫ r(u)du ⎫⎬ ⋅ S ⎫
} | Ft ⎥ − X ⋅ E ⎢exp ⎨− ∫ r (u )du ⎬ ⋅ 1{ |
T T
= ⋅ 1{S } Ft ⎥
⎩ ⎭ T T >X ⎩ ⎭ ST > X
⎣ t ⎦ ⎣ t ⎦
Considerăm măsurile P* , P** echivalente cu măsura neutră la risc definite astfel:

⎧ T ⎫
dP* = ST ⋅ exp ⎨− ∫ r (u )du ⎬dP
⎩ 0 ⎭

⎧ T ⎫
dP** = B(T , T ) ⋅ exp ⎨− ∫ r (u )du ⎬dP A.1.2
⎩ 0 ⎭

Exprimând mediile faţă de noile probabilităţi obţinem că:

C (t ) = S t ⋅ E * ⎡⎢⎣1{ ST > X
| ⎤
} Ft ⎥⎦ − X ⋅ B (t , T ) ⋅ E * * ⎡⎢⎣1{ ST > X
| ⎤
} Ft ⎥⎦

= S t ⋅ Π 1 (t ) − X ⋅ B(t , T ) ⋅ Π 2 (t ) A.1.3

Pentru modele simple cum ar fi Black-Scholes Π 1 (t ), Π 2 (t ) se pot calcula direct. Insă


pentru alte modele acest lucru nu este posibil.
Valoarea opţiunii este soluţia unei ecuaţii diferenţiale cu derivate parţiale (ecuaţia de
evaluare) de forma:
∂C
+ LC − r ⋅ C = 0 A.1.4
∂t
unde operatorul diferenţial L este diferit de la model la model. Făcînd schimbarea de
variabilă L = ln S se obţine ecuaţia:

45
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

∂C ~
+ L C − r ⋅C = 0 A.1.5
∂t
~
unde operatorul diferenţial L este afin (coeficienţii săi sunt polinoame de grad 1).
Înlocuind în această ecuaţie relaţia A.1.3 se obţin ecuaţii cu derivate parţiale pentru
Π 1 (t ), Π 2 (t ) :

⎧ ∂Π 1
⎪ + L1Π 1 = 0
⎨ ∂t
⎪Π 1 (T ) = 1{S > X }
⎩ T

⎧ ∂Π 2
⎪ + L2 Π 2 = 0
⎨ ∂t A.1.6
⎪Π 2 (T ) = 1{S > X }
⎩ T

Ecuaţiile A.1.6 sunt ecuaţii înainte Fokker-Planck. De aici rezultă că Π 1 (t ), Π 2 (t ) sunt


funcţii de probabilitate cu valori intre 0 şi 1. Se ştie că funcţiile caracteristice asociate acestora
f1 , f 2 verifică aceleaşi ecuaţii diferenţiale dar cu alte condiţii limită:

⎧ ∂f1
⎪ + L1 f1 = 0
⎨ ∂t
⎪ f (T ; φ ) = e iφL
⎩ 1
⎧ ∂f 2
⎪ + L2 f 2 = 0
⎨ ∂t A.1.7
⎪ f (T ; φ ) = e iφL
⎩ 2
In general ecuaţiile A.1.7 sunt mai uşor de rezolvat decât ecuaţiile A.1.6. Aflarea
propriu zisă a funcţiilor de probabilitate Π 1 (t ), Π 2 (t ) se face folosind transformarea Fourier
inversă:

1 1

⎡ e − iφ ln X f j (t , φ )⎤
Π j (t ) = + ⋅ ∫ Re ⎢ ⎥dφ , j = 1,2 A.1.8
2 π 0 ⎣ iφ ⎦
Această metodologie este foarte folosită în ultima perioadă. Ea a fost introdusă de
Heston (1993) şi a fost folosită printre alţii de Bakshi şi Chen (1997a,b), Bakshi, Cao şi Chen
(1997), Bates(1996, 2000), Scott(1997), Duffie, Pan şi Singleton (2000).

46
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Anexa 2. Metodologie de evaluare a opţiunilor pentru modelul Levy

Metoda se bazează pe aproximarea unei integrale prin sume şi calcului rapid al


acesteia folosind FFT (Fast Fourier Transform). Alegând 2 N − 1 intervale de lungime
Δu putem aproxima o integrală astfel.

⎛ N −1 i ⋅n⋅Δu ⋅ x ⎞
∫ e iux
g (u )du ≈ Δu Re⎜ ∑e gn ⎟ (A.2.1)
−∞ ⎝ n=0 ⎠
g (0)
unde g 0 = , g n = g (nΔu ), i = 1,..., N
2
Suma din relatia A.2.1 poate fi cuantificata folosind FFT.

Ideea este de a utiliza această aproximare pentru a evalua integrala din 3.18.

Metoda presupune parcurgerea următorilor paşi:

• Se alege H astfel încât ϕ1* (iH ) < ∞ (autorii recomandă pentru modelul bazat pe
procese hiperbolice un H = 25 );
• Se alege lungimea intervalului Δu , precum şi N care trebuie să fie putere a lui 2;
• Se determină g n :

⎧1 1
⎪⎪ 2 H (H + 1) ϕT (iH ), n = 0
*

gn = ⎨
1
⎪ ϕT* (iH − nΔu ), n = 1,..., N − 1
⎪⎩ (H + inΔu )(H + 1 + inΔu )

• Se aplică FFT secvenţei g n şi se obţine seria Gk , k = − N / 2,..., N / 2 ;

• Fie Δζ = 2π / ( NΔu ) şi ζ k = kΔζ , k = − N / 2,..., N / 2 . Prima opţiunii call cu preţ de

exerciţiu 1 şi în cazul în care cursul activului suport ( S ) verifică e rT S = e −ζ k este dat


de:
eζ k H − rT
Ck = Δu Re(Gk )
π

47
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Anexa 3. Distribuţia rentabilităţii pentru datele financiare utilizate


Figura A.3.1. Distribuţia rentabilităţii pentru Nikkei

q-q plot

Figura A.3.2. Distribuţia rentabilităţii pentru DAX

q-q plot

48
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura A.3.3. Distribuţia rentabilităţii pentru EURRON

q-q plot

Figura A.3.4. Distribuţia rentabilităţii pentru USDRON

q-q plot

49
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura A.3.5. Distribuţia rentabilităţii pentru EURUSD

q-q plot

50
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

II. MODELAREA DEPENDENŢEI DINTRE


RENTABILITĂŢILE DIFERITELOR ACTIVE FINANCIARE DE

PE PIAŢA INTERNAŢIONALĂ DE CAPITAL

51
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

II.1 Introducere

Modelarea rentabilităţii activelor financiare este o problemă centrală a finanţelor


moderne. In general, pentru modelarea unei serii unidimensionale de rentabilităţi se utilizează
distribuţia normală datorită faptului că aceasta este foarte uşor de utilizat. Insă este cunoscut
faptul că distribuţia rentabilităţii are proprietatea de a fi leptocurtotică. Pentru a fi în
concordanţă cu evidenţele empirice, au fost introduse modele care utilizează distribuţii
parametrice care reflectă aceste proprietăţi. Astfel, pentru modelarea rentabilităţii s-au utilizat
in literatura de specialitate distribuţia Student, distribuţii α - stabile şi mai recent distribuţii
hiperbolice generalizate.
In ceea ce priveşte modelarea distribuţiei bidimensionale sau multidimensionale şi a
dependenţei dintre seriile de date financiare, aceasta este importantă pentru teoria
portofoliului sau pentru măsurarea cât mai exactă a riscului de piaţă şi a riscului de credit. Cea
mai utilizată măsură a dependenţei dintre seriile financiare este corelaţia. Insă este greu de
crezut că distribuţiile multidimensionale empirice au o structură de dependenţă constantă aşa
cum presupune conceptul de corelaţie. Recent a fost introdus în studiul finanţelor conceptul
de funcţie copula. O funcţie copula este o funcţia care face legătura dintre distribuţia
multidimensională şi distribuţiile marginale corespunzătoare. Astfel, funcţiile copula au fost
utilizate pentru calculul VaR (Embrechts, McNeal and Straumamm 1999), pentru măsurarea
riscului de credit (Li 1999), precum şi pentru cuantificarea riscului operaţional (Ceske and
Hernandez 1999).

52
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In cadrul acestei lucrări sunt analizate proprietăţile funcţiilor copula, precum şi metode
de estimare şi simulare a distribuţiilor bidimensionale folosind funcţii copula şi utilizarea
acestora în managementul riscului. In prima parte a lucrării sunt prezentate noţiunile teoretice
legate de modelarea dependenţei folosind funcţii copula. In a doua secţiune vor fi estimate,
utilizand functii copula, distribuţiile bidimensionale pentru o gamă largă de active
financiare de pe piaţa internaţională de capital şi vor fi prezentate rezultate privind
cuantificarea riscului de piata prin intermediul VaR şi CVaR, precum şi determinarea
pe baza distribuţiilor estimate anterior a frontierei portofoliilor eficiente în cazul în care
este utilizat CVaR ca măsură a riscului .

53
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

II.2 Conceptul de dependenţă şi funcţiile copula

Corelaţia este cel mai cunoscut concept în ceea ce priveşte dependenţa dintre seriile
de date. Aceasta este folosită în toate ştiinţele inclusiv în finanţe. Corelaţia este doar una
dintre masurile dependenţei dintre seriile de date, fiind în acelaşi timp unul din conceptele
cele mai prost înţelese. In continuare se prezintă câteva noţiuni privind corelaţia.
Noţiunea de corelaţie liniară a fost introdusă în anul 1896. Corelaţia dintre două
variabile aleatoare X , Y este definită astfel:
Cov( X , Y )
ρ ( X ,Y ) = 2.1
σ X2 σ Y2

unde Cov( X , Y ) reprezintă covarianţa dintre X , Y , iar σ 2 reprezintă varianţa


variabilei aleatoare.
Proprietăţile coeficientului de corelaţie sunt:
1. − 1 ≤ ρ ( X , Y ) ≤ 1 ;
2. ρ ( X , Y ) = ρ (Y , X ) ;
3. Dacă X , Y sunt independente atunci ρ ( X , Y ) = 0 ;
4. ρ (aX + b, cY + d ) = sign(ac )ρ ( X , Y ) ;
5. Dacă Y = aX + b (dependenţă liniară perfectă) atunci ρ ( X , Y ) = ±1 .

In prezent conceptul de corelaţie este central in teoria financiară. Teoria modernă a


portofoliului, modelul CAPM utilizează coeficientul de corelaţie în modelarea
dependenţei dintre seriile de date financiare. De asemenea, corelaţia este utilizată în
modelele de evaluare a derivativelor, în cazul în care există mai multe active suport
(opţiuni coş, opţiuni curcubeu, etc.). Conceptul de corelaţie este important şi pentru
metodele moderne de cuantificare a riscului de piaţă sau a riscului de credit.
Popularitatea conceptului de corelaţie ca măsură a dependenţei dintre seriile financiare
se bazează pe faptul că:
ƒ Coeficientul de corelaţie este foarte uşor de calculat;

54
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

ƒ Datorită proprietăţilor lor faţă de o combinaţie liniară de variabile aleatoare,


varianţa, covarianţă şi coeficientul de corelaţie pot fi folosite cu uşurinţă în
calcului dependenţei portofoliilor de active financiare;
ƒ Coeficientul de corelaţie este o măsură perfectă a dependenţei dacă seriile de
date au o distribuţie normală multidimensională (sau un alt tip de distribuţie
sferică). Deoarece distribuţia normală este utilizată pe scară largă în teoria
financiară, acest lucru a atras după sine şi popularitatea corelaţiei ca măsură a
dependenţei;

Dacă distribuţia reală nu este normală, coeficientul de corelaţie nu reprezintă


întotdeauna o măsură bună a dependenţei. Poate apărea aşa-numitul fenomen de corelaţie
falsă (spurious correlation).
In continuare se prezintă câteva presupuneri greşite care se fac atunci când se
utilizează corelaţia în contextul în care distribuţia seriilor de date nu este normală
multidimensională:
ƒ Cunoaşterea distribuţiei marginale a două serii de date şi a coeficientului de
corelaţie conduce la cunoaşterea distribuţiei comune bidimensionale. Această
presupunere este greşită dacă distribuţia bidimensională nu este normală.
Astfel, dacă seriile de date sunt ambele distribuite normal, iar coeficientul de
corelaţie calculat este ρ nu înseamnă neapărat că distribuţia bidimensională
este normală cu parametru ρ . Pot exista mai feluri de distribuţii pentru care
coeficientul de corelaţie calculat să fie ρ , parametrul de corelaţie
nedeterminând în mod unic distribuţia multidimensională ;
ƒ Pentru un set dat de distribuţii marginale coeficientul de corelaţie poate lua
toate valorile între 1 şi -1 prin alegerea convenabilă a distribuţiei
bidimensionale. Dacă ambele serii sunt distribuite normal atunci pentru orice
valoare ρ a coeficientului de corelaţie putem alege drept distribuţie
multidimensională distribuţia normală bidimensională cu parametru ρ . Dar,
în general, în cazul în care distribuţiile marginale nu sunt normale afirmaţia
este greşită. Astfel, (Hoffding 1940) a arătat că valoarea 1 sau -1 pentru
coeficientul de corelaţie nu poate fi atinsă decât dacă distribuţiile marginale
sunt de acelaşi tip. Dacă distribuţiile marginale sunt de tipuri diferite atunci

55
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

coeficientul de corelaţie poate lua valori într-un interval închis strict inclus în
intervalul deschis (− 1,1) .
In ciuda popularităţii sale, utilizarea corelaţiei ca măsură a dependenţei are şi unele
dezavantaje:
ƒ Legat de a doua presupunere greşită menţionată mai sus, este posibil să avem
două serii de date, cu distribuţii de tip diferit, care sunt perfect corelate şi
pentru care coeficientul de corelaţie nu este 1 (sau -1 dacă in cazul în care sunt
perfect corelate negativ).
ƒ Pentru a putea calcula coeficientul de corelaţie, varianţa celor două variabile
aleatoare trebuie să fie finită. Recent, in literatura financiară s-a utilizat
distribuţia α - stabilă ca model pentru seriile de rentabilităţi financiare. Pentru
distribuţia α - stabilă sau alte tipuri de distribuţii leptocurtotice este posibil ca
varianţa să nu fie finită;
ƒ Aşa cum am menţionat mai sus o proprietate a coeficientului de corelaţie este
aceea că dacă variabilele sunt independente atunci coeficientul de corelaţie este
zero. Reciproca este adevărată doar în cazul distribuţiei normale
multidimensionale;
ƒ Coeficientul de corelaţie nu este o măsură robustă a corelaţiei. O singură
observaţie aberantă poate influenţa semnificativ mărimea coeficientului de
corelaţie;
ƒ Coeficientul de corelaţie nu este invariant la o transformare crescătoare şi
( )
neliniară. De exemplu ρ X 3 ,Y 3 nu este neapărat egal cu ρ ( X , Y ) ;
ƒ Coeficientul de corelaţie nu este o măsură bună a dependenţei neliniare. Astfel
dacă X este o variabilă aleatoare distribuită uniform şi Y = X 3 atunci
ρ ( X , Y ) < 1 chiar dacă între Y şi X există o dependenţă deterministă (dar
neliniară)

Datorită acestor dezavantaje, în literatura de specialitate au fost propuse alte tipuri de


măsuri ale dependenţei, cele mai cunoscute fiind coeficientul de corelaţie Spearman ( ρ S ) şi

coeficientul de corelaţie al lui Kendall ( ρτ ) cunoscuţi şi sub numele de coeficienţi de


corelaţie în ranguri.

56
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Coeficientul de corelaţie Spearman ( ρ S ) se calculează după următoarea relaţie:

12 n
⎛ n + 1 ⎞⎛ n +1⎞
ρS ( X ,Y ) =
(
n n2 − 1 ) ∑ ⎜⎝ rang ( X ) −
i =1
i
2 ⎠⎝
⎟⎜ rang (Yi ) − ⎟
2 ⎠
2.2

unde n reprezintă mărimea seriilor de date, iar rang ( X i ) reprezintă rangul elementului

i din seria X (i.e. poziţia elementului respectiv în seria ordonată crescător).


Coeficientul de corelaţie al lui Kendall ( ρτ ) are următoarea formulă de calcul:

ρτ ( X , Y ) =
2
n(n − 1) i < j
[
∑ sign (X i − X j )(Yi − Y j ) ] 2.3

In timp ce coeficientul de corelaţie ( ρ ) reprezintă o măsură a dependenţei liniare,


coeficientul de corelaţie Spearman ( ρ S ) şi coeficientul de corelaţie al lui Kendall ( ρτ )
reprezintă măsuri ale gradului de concordanţă dintre cele două serii de date. Gradul de
concordanţă se referă la faptul că unei valori „mari” ale unuia din serii tinde să îi fie asociată
o valoare „mare” în cealaltă serie şi invers unei valori „mici” într-o serie tinde să îi
corespundă o valoare „mică” în cea de a doua serie. Două perechi de observaţii ( X i , Yi ) şi

(X j , Yj ) se numesc concordante dacă (X i − X j )(Yi − Y j ) > 0 şi discordante dacă

(X i − X j )(Yi − Y j ) < 0 .

Proprietăţile coeficienţilor de corelaţie în ranguri sunt:


1. − 1 ≤ ρ S ( X , Y ) ≤ 1 , − 1 ≤ ρτ ( X , Y ) ≤ 1 ;

2. ρ S ( X , Y ) = ρ S (Y , X ) , ρτ ( X , Y ) = ρτ (Y , X ) ;

3. Dacă X , Y sunt independente atunci ρ S ( X , Y ) = ρτ ( X , Y ) = 0 ;

4. Dacă f , g sunt funcţii crescătoare (liniare sau neliniare) atunci:


ρ S ( f ( X ), g (Y )) = ρ S ( X , Y ) , ρτ ( f ( X ), g (Y )) = ρτ ( X , Y )

Avantajul principal al coeficienţilor de corelaţie în ranguri faţă de coeficientul de


corelaţie liniară îl reprezintă faptul că aceştia sunt invarianţi faţă de transformări crescătoare
liniare sau neliniare. Un alt avantaj este acela că dacă variabilele sunt perfect concordante
atunci atat coeficientul Spearman cat şi coeficientul Kendall sunt egali cu 1. Aşa cum am
prezentat mai sus, un dezavantaj major al corelaţiei liniare il reprezintă faptul că este posibil
ca mărimea coeficientului liniar de corelaţie să nu fie 1 deşi între două variabile există o

57
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

dependenţă deterministă (dar neliniară). Dezavantajul major al coeficienţilor de corelaţie în


ranguri îl constituie faptul că sunt greu de utilizat pentru portofolii de active financiare.
O altă măsură de dependenţă utilizată în literatura de specialitate este aşa-numitul
coeficient de dependenţă în coadă.
Coeficientul de dependenţă în coada superioară (upper tail) a două serii de date X , Y
este dat de următoarea limită (dacă există):
λU = lim P[Y > FY−1 (α ) | X > FX−1 (α )] 2.4
α →1

iar coeficientul de dependenţă în coada inferioară (lower tail) este definit prin
λL = lim P[Y < FY−1 (α ) | X < FX−1 (α )] 2.5
α →0

Dacă coeficientul de dependenţă în coada este egal cu zero se spune că seriile X şi Y


sunt asimptotic independente in coadă (superioară sau inferioară), iar dacă coeficientul este
pozitiv se spune că seriile X şi Y sunt asimptotic dependente in coadă.
Un coeficient δ ( X , Y ) care măsoară gradul de asociere între două serii de date X,Y se
numeşte măsură de concordanţă dacă îndeplineşte următoarele proprietăţi (Nelsen 1999):
1. se poate calcula pentru orice densităţi marginale;
2. − 1 ≤ δ ( X , Y ) ≤ 1 ;
3. δ ( X , Y ) = δ (Y , X ) ;
4. dacă X , Y sunt independente atunci δ ( X , Y ) = 0 ;
5. δ ( X , X ) = 1 , δ ( X ,− X ) = −1 ;
6. δ ( X ,−Y ) = δ (− X , Y ) = −δ ( X , Y ) ;
Se observă că cei doi coeficienţi de corelaţie în ranguri îndeplinesc aceste condiţii, iar
coeficientul de corelaţie liniară îndeplineşte toate condiţiile mai puţin condiţia 1.
O măsură mai puternică a dependenţei dintre două serii financiare este dată în definiţia
următoare. Astfel, un coeficient δ ( X , Y ) care măsoară gradul de asociere între două serii de
date X,Y se numeşte măsură de dependenţă dacă îndeplineşte următoarele proprietăţi
(Nelsen 1999):
1. se poate calcula pentru orice densităţi marginale;
2. 0 ≤ δ ( X , Y ) ≤ 1 ;
3. δ ( X , Y ) = δ (Y , X ) ;
4. δ ( X , Y ) = 0 dacă şi numai dacă X , Y sunt independente;

58
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

5. δ ( X , Y ) = 1 dacă şi numai dacă există o funcţie monotonă f astfel încât


Y = f ( X ) a.s.;
6. Dacă f , g sunt funcţii crescătoare (liniare sau neliniare) atunci
δ ( f ( X ), g (Y )) = δ ( X , Y )

Se observă că pătratul coeficientului de corelaţie în ranguri îndeplineste condiţiile


1,2,3 şi 6, iar pătratul coeficientului de corelaţie liniară proprietăţile 2 şi 3. O măsură de
concordanţă ia valori între -1 şi 1, în timp ce o măsură de dependenţă ia valori între 0 şi 1. In
plus, o măsură de dependenţă presupune echivalenţa dintre lipsa dependenţei (coeficient 0) şi
independenţa seriilor de date. Deci o măsură de concordanţă ne poate preciza dacă cele două
serii sunt slab corelate sau dacă sunt puternic corelate pozitiv sau negativ. Dar nu putem
asocia lipsa corelaţiei cu independenţa. Pe de altă parte însă o măsură de dependenţă ne poate
informa dacă seriile sunt slab corelate sau sunt puternic corelate (fără a putea preciza dacă e
vorba de corelaţie pozitivă sau negativă), dar o valoare nula a coeficientului de dependenta
este echivalentă cu independenţa seriilor de date. In plus, o măsură de dependenţă este
invariantă faţă de transformări crescătoare liniare sau neliniare.
In ultima perioadă, pentru studiul dependenţei dintre seriile de date, a fost introdus în
finanţe conceptul de funcţie copula. Deoarece în cadrul acestei lucrări ne axăm pe analiza
dependenţei a două serii de date financiare, în continuare sunt prezentate noţiunile teoretice
privind funcţiile copula bidimensionale.
Funcţiile copula pot fi definite în mai multe moduri. O primă definiţie este aceea că o
copula bidimensională reprezinta funcţia de repartiţie a unei distribuţii bidimensionale care
are ca margini distribuţii uniforme pe intervalul (0,1) . In mod echivalent, o funcţie copula
(C ) este o funcţie care îndeplineşte următoarele condiţii:

1. C : [0,1] → [0,1] ;
2

2. C (u ,0) = C (0, u ) = 0 ;
3. C (u ,1) = C (1, u ) = u ;

( )
2 2

∑∑ (− 1)
i1 + i 2
4. C u1i1 , u2i2 ≥ 0 .
i1 =1 i 2 =1

Suma din cadrul condiţiei 4 reprezintă de fapt o probabilitate şi anume


P[u11 ≤ x ≤ u12 , u21 ≤ y ≤ u22 ] , probabilitate care bineînţeles trebuie să fie pozitivă.

59
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

O funcţie copula bidimensională face legătura dintre funcţia de repartiţie a distribuţiei


bidimensionale şi cele două funcţii de repartiţie ale distribuţiilor marginale şi astfel surprinde
doar dependenţă dintre cele două serii de date. Acest rezultat a fost demonstrat de către Sklar
(Sklar 1959).
Astfel, dacă notăm cu F funcţia de repartiţie bidimensională şi cu F1 şi F2 funcţiile
de repartiţie marginale, există o funcţie copula unică (C) astfel încât:
F ( x1 , x2 ) = C (F1 ( x1 ), F2 ( x2 )) 2.6
Invers, dacă se cunosc funcţiile de repartiţie pentru distribuţia bidimensională şi pentru
cele două distribuţii marginale, atunci copula asociată care caracterizează structura de
dependenţă a seriilor de date este (Sklar 1959):
(
C (u1 , u2 ) = F F1−1 (u1 ), F2−1 (u2 ) 2.7 )

O proprietate importantă a funcţiilor copula este invarianţa acestora faţă de


transformări crescătoare liniare sau neliniare. Astfel dacă C este funcţia copula asociată
vectorului aleator (X ,Y ) şi f , g două funcţii crescătoare atunci C este funcţia copula
asociată şi vectorului aleator ( f ( X ), g (Y )) .
Funcţiile copula s-au dovedit a fi un instrument foarte folositor în finanţe. Astfel,
problema complicată a determinării densităţii comune a două serii de rentabilităţi financiare
poate fi descompusă, folosind conceptul de copula, în două probleme mai simple:
ƒ estimarea distribuţiei marginale pentru fiecare serie în parte;
ƒ estimarea funcţiei copula care modelează structura de dependenţă dintre cele
două serii de date.
Funcţiile copula pot fi utilizate pentru măsurarea gradului dependenţă. Astfel, dacă
notăm cu C funcţia copula asociată unui vector aleator ( X , Y ) se pot defini două măsuri de
dependenţă pentru aceste serii de date (Schweitzer and Wolff 1981):
ƒ coeficientul de dependenţă σ :
σ = 12 ∫∫ C (u1 , u2 ) − u1u2 du1d 2 2.8
[0 ,1]2

ƒ coeficientul de dependenţă Φ :

∫∫ C (u , u ) − u u
2
Φ = 90 1 2 1 2 du1d 2 2.9
[0 ,1]2

60
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Folosind funcţia copula asociată a două serii de date pot fi calculaţi şi coeficienţii de
corelaţie în ranguri:
ƒ coeficientul de corelaţie Spearman:
ρ S = 12 ∫∫ u1u2 dC (u1 , u2 ) − 3 2.10
[0 ,1] 2

ƒ coeficientul de corelaţie Kendall:


ρτ = 4 ∫∫ C (u1 , u2 )dC (u1 , u2 ) − 1 2.11
[0 ,1]2

De asemenea, pot fi calculaţi şi coeficienţii de dependenţă în coadă:


ƒ coeficientul de dependenţă în coada inferioară:
C (u, u )
λL = lim 2.12
α →0 u
ƒ coeficientul de dependenţă în coada superioară:
1 − 2u + C (u , u )
λU = lim 2.13
α →1 1− u

In continuare vor fi prezentate cele mai importante tipuri de funcţii copula


bidimensionale şi vom analiza structura de dependenţă pentru fiecare dintre ele.
Două funcţii copula importante sunt funcţiile Frechet:
ƒ copula Frechet inferioară:
C − (u1 , u2 ) = max(u1 + u2 − 1,0) 2.14
ƒ copula Frechet superioară:
C + (u1 , u2 ) = min(u1 , u2 ) 2.15

Importanţă acestor funcţii copula constă în faptul că oricare ar fi o altă funcţie copula
bidimensională C avem că:
C− ≺ C ≺ C+ 2.16
unde relaţia de ordine ≺ este definită astfel:

C1 ≺ C2 ⇔ C1 (u1 , u2 ) ≤ C2 (u1 , u2 ), ∀(u1 , u2 ) ∈ [0,1]


2

61
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Copula produs apare în cazul în care cele două variabile aleatoare sunt independente:
C ⊥ (u1 , u2 ) = u1u2 2.16

0
0 1
Figura 2.1 Structura de dependenţă a funcţiei copula produs
distr. normală

distr. normală
distr. hiperbolică

distr. hiperbolică

distr. hiperbolică distr. normală

Figura 2.2 Distribuţiile bidimensionale generate de copula produs şi diverse distribuţii marginale

62
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Copula de tip Frank cu parametru α ≠ 0 este definită astfel:

CαF (u1 , u2 ) = −
1 ⎛
ln⎜⎜1 +
( )(
e −αu1 − 1 e −αu 2 − 1 ⎞
⎟⎟
) 2.17
α ⎝ e −α − 1 ⎠

0
0 1
Figura 2.3 Structura de dependenţă a funcţiei copula de tip Frank
distr. normală

distr. normală
distr. hiperbolică

distr. hiperbolică

distr. hiperbolică distr. normală

Figura 2.4 Distribuţiile bidimensionale generate de copula Frank şi diverse distribuţii marginale

63
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Copula de tip Clayton cu parametru α > 0 poate fi folosită pentru a modela


dependenţa în coada inferioară:

[ ⎞
]
1
CαC (u1 , u2 ) = max⎜ u1−α + u2−α − 1 α ,0 ⎟

2.18
⎝ ⎠

0
0 1
Figura 2.5 Structura de dependenţă a funcţiei copula de tip Clayton
distr. normală

distr. normală
distr. hiperbolică

distr. hiperbolică

distr. hiperbolică distr. normală

Figura 2.6 Distribuţiile bidimensionale generate de copula Clayton şi diverse distribuţii marginale

64
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Copula de tip Gumbel cu parametru α > 1 poate fi folosită pentru a modela


dependenţa în coada superioară:

[ ] ⎞⎟⎟
1
CαG (u1 , u2 ) = exp⎜⎜ − (− ln u1 ) + (− ln u2 )
α α α 2.19
⎝ ⎠

0
0 1
Figura 2.7 Structura de dependenţă a funcţiei copula de tip Gumbel
distr. normală

distr. normală
distr. hiperbolică

distr. hiperbolică

distr. hiperbolică distr. normală

Figura 2.8 Distribuţiile bidimensionale generate de copula Gumbel şi diverse distribuţii marginale

65
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Pentru a modela atât dependenţa în coada superioară cât şi în coada inferioară poate fi
folosită o mixtură între copula Clayton şi copula Gumbel :

,α 1 ,α 2 (u1 , u2 ) = θCα 1 (u1 , u2 ) + (1 − θ )Cα 2 (u1 , u2 )


Cθmix C G
2.20

0
0 1
Figura 2.9 Structura de dependenţă a mixturii de funcţii copula
distr. normală

distr. normală
distr. hiperbolică

distr. hiperbolică

distr. hiperbolică distr. normală

Figura 2.10 Distribuţiile bidimensionale generate de o mixtură de funcţii copula şi diverse distribuţii marginale

66
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

O altă funcţie copula folosită pentru modelarea dependenţei în coadă (inferioară şi


superioară) este copula – t de parametru gr. de libertate ν şi corelaţie ρ (copula asociată
distribuţiei t bidimensională) :
Cνt , ρ (u1 , u 2 ) = t 2,ν , ρ (tν−1 (u1 ), tν−1 (u 2 )) 2.21

0
0 1
Figura 2.11 Structura de dependenţă a funcţiei copula t
distr. normală

distr. normală
distr. hiperbolică

distr. hiperbolică

distr. hiperbolică distr. normală

Figura 2.12 Distribuţiile bidimensionale generate de copula t şi diverse distribuţii marginale

67
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

O altă funcţie copula foarte cunoscută este copula gaussiană de parametru ρ (copula
asociată distribuţiei normale bidimensionale) :
(
C ρg (u1 , u 2 ) = φ 2, ρ φ −1 (u1 ), φ −1 (u 2 ) ) 2.22

0
0 1
Figura 2.13 Structura de dependenţă a funcţiei copula gaussiană
distr. normală

distr. normală
distr. hiperbolică

distr. hiperbolică

distr. hiperbolică distr. normală

Figura 2.14 Distribuţiile bidimensionale generate de copula gaussiană şi diverse distribuţii marginale

68
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Primele patru funcţii copula prezentate mai sus fac parte din clasa funcţiilor copula
arhimediene. O copula arhimediană C este generată de o funcţie ψ :

C (u1 , u 2 ) = ψ −1 (ψ (u1 ) +ψ (u 2 )) 2.23


unde funcţia generator ψ are următoarele proprietăţi:
1. ψ (1) = 0 ;
2. ψ ′ > 0 ;
3. ψ ′′ < 0 .
Astfel generatorii pentru copulele arhimediene prezentate anterior sunt:
ƒ pentru copula produs:
ψ (t ) = − ln t
ƒ pentru copula Frank:
e −α t − 1
ψ (t ) = − ln −α
e −1
ƒ pentru copula Clayton:
ψ (t ) = t −α − 1
ƒ pentru copula Gumbel:
ψ (t ) = (− ln t )α
Folosind funcţia generator se pot construi şi funcţii copula arhimediene
multidimensionale:
C (u1 , u 2 ,..., u n ) = ψ −1 (ψ (u1 ) + ψ (u 2 ) + ... +ψ (u n )) 2.24

Avantajul principal al funcţiilor copula arhimediene este că indiferent de numărul de


dimensiuni numărul de parametri este acelaşi, numărul acestora fiind dat de tipul funcţiei
generator.
Pe de altă parte numărul de parametri ai funcţiilor copula t sau gaussiană cresc odată
cu creşterea numărului de dimensiuni, creşterea fiind de tip pătratic (i.e. proporţional cu n 2
unde n reprezintă numărul de dimensiuni).

69
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

II.3 Estimarea distribuţiei bidimensionale şi aplicaţii în


managementul riscului

Aşa cum am menţionat în capitolul anterior utilizarea funcţiilor copula reduce


problema estimării distribuţiei comune a două serii de rentabilităţi la două probleme mai
simple şi anume:
ƒ estimarea distribuţiei marginale a fiecărei serii de rentabilităţi în parte ;
ƒ estimarea funcţiei copula care modelează structura de dependenţă dintre cele
două serii de rentabilităţi.

Pentru modelarea unei serii de rentabilităţi au fost utilizate în literatura de specialitate


o gamă largă de distribuţii parametrice începând cu distribuţia normală şi terminând cu
diverse distribuţii care au proprietatea de „cozi groase” (leptocurtotice), cum ar fi distribuţia
α - stabilă şi distribuţia hiperbolică generalizată. In această lucrare vom folosi o estimare
neparametrică a distribuţiei marginale folosind un kernel de tip gaussian.
In ceea ce priveşte al doilea pas şi anume estimarea funcţiei copula se pot utiliza două
tipuri de estimări:
ƒ estimarea neparametrică care conduce la aşa numita funcţie copula empirică ;
ƒ estimarea parametrică a diverselor tipuri de funcţii copula prezentate în
capitolul anterior.

Funcţia copula empirică ( Ĉ ) se defineşte astfel (Deheuvels 1979):


⎛t t ⎞ 1 T
Cˆ ⎜ 1 , 2 ⎟ = ∑1⎧ t (t1 ) t (t 2 ) ⎫ 3.1
⎝ T T ⎠ T t =1 ⎨⎩ x1 ≤ x1 , x 2 ≤ x2 ⎬⎭

unde T este lungimea celor două serii de date, iar x (t ) 1 ≤ t ≤ T reprezintă statistica de
ordine (i.e. elementul de pe poziţia t în seria aranjată în ordine crescătoare).
O formulă echivalentă de calcul a funcţiei copula empirică este:
t t
⎛t t ⎞ 1 2 ⎛i i ⎞
Cˆ ⎜ 1 , 2 ⎟ = ∑∑ cˆ⎜ 1 , 2 ⎟ 3.2
⎝ T T ⎠ i1 =1 i2 =1 ⎝ T T ⎠
unde

70
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

(
⎧ 1 (t ) ( t )
⎛ t t ⎞ ⎪ , x 1 , x2 2 ∈ x1 , x2
ˆc⎜ 1 , 2 ⎟ = ⎨ T 1
t t
) {( )}
t =1...T

⎝ T T ⎠ ⎪0, in rest

După apariţia lucrării lui Deheuvels (1979) în literatura de specialitate au fost propuse
şi alte metode de estimare a funcţiei copula empirice, metode care generează funcţii copula
mai „line” decât metoda lui Deheuvels. Astfel, Gijbels şi Mielniczuk (1990) au utilizat o
metodă neparametrică de estimare a unei funcţii copula bidimensională, metodă utilizată mai
târziu în testul de goodness-of-fit introdus de Fermanian (2005). Fermanian şi Scaillet (2003)
au propus un estimator bazat pe un kernel bidimensional, iar Muller şi Stadtmuller (1999) au
utilizat un estimator kernel multidimensional.
Estimatorul kernel al funcţiei copula empirice ( Ĉ ) este definit astfel:

1 T ( )
⎛ u − Fˆ x i ⎞ ( )
⎛ u − Fˆ2 x2i ⎞
Cˆ (u1 , u2 ) = ∑ Gu1 , h ⎜⎜ 1 1 1 ⎟⎟Gu 2 , h ⎜⎜ 2 ⎟ 3.3
T i =1 h h ⎟
⎝ ⎠ ⎝ ⎠
unde T reprezintă lungimea seriei de date, Gu , h (⋅) este o funcţie de tip kernel cu

parametru de „bandwidth” h, iar Fˆ1 , Fˆ2 reprezintă funcţiile de repartiţie empirice ale celor
două densităţi marginale. Funcţiile de repartiţie empirice se pot obţine fie prin estimare
parametrică fie prin estimare neparametrică folosind un kernel unidimensional.
Spre deosebire de distribuţiile marginale sau de distribuţia comună care sunt direct
observabile, funcţia copula modelează structura de dependenţă care nu este direct observabilă.
Ca urmare, alegerea unei clase parametrice de funcţii copula este dificilă şi funcţia copula
empirică poate juca un rol important. Astfel funcţia copula estimată prin metode
neparametrice poate prezenta informaţii esenţiale pentru identificarea unui model parametric.
O altă metodă neparametrică care poate fi aplicată pentru funcţiile copula arhimediene
a fost propusă de Genest şi Rivest (1993). Astfel dacă notăm cu:
1 T
Kˆ (u ) = ∑1{η ≤ u } 3.4
T t =1 i
1 T
unde ηi = ∑1 t i t i , autorii au arătat că
T − 1 t =1 {x1 ≤ x1 , x2 ≤ x2 }
ψˆ (u )
Kˆ (u ) = u − 3.5
ψˆ ′(u )
unde ψˆ (⋅) este un estimator al funcţiei generator a funcţiei copula arhimediană.

71
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Astfel folosind relaţiile 3.4 şi 3.5 se poate obţine funcţia generator şi ca urmare o
funcţie copula arhimediană empirică:
Cˆ (u1 , u2 ) = ψˆ −1 (ψˆ (u1 ) + ψˆ (u2 )) 3.6
Estimarea parametrică a funcţiilor copula se poate realiza prin mai multe metode:
ƒ metoda EML (exact maximum likelihood)
ƒ metoda IFM (inference functions for marginals)
ƒ metoda CML (canonical maximum likelihood)
Metoda EML (exact maximum likelihood) de estimare parametrică presupune
estimarea comună a parametrilor funcţiei copula şi a parametrilor celor două densităţi
marginale.
Vom nota cu c(⋅,⋅) funcţia de densitate a funcţiei copula C (⋅,⋅) , iar relaţia de definiţie
este:
∂ 2C
c(u1 , u2 ) = (u1, u2 ) 3.7
∂u1∂u2
De exemplu, în cazul copulei t densitatea acesteia este dată de:
ν +2
2 −
⎛ν + 2 ⎞ ⎛ν ⎞ ⎛ ⎞
1 2
( )
2
Γ⎜ ⎟Γ⎜ ⎟ ⎜⎜1 + η1 + η22 ⎟⎟
1 ⎝ 2 ⎠ ⎝ 2 ⎠ ⎝ νρ ⎠
cνt , ρ (u1 , u2 ) = ν +1 ν +1
ρ 2 − −
⎛ ν + 1 ⎞ ⎛ ν ⎞⎛ η1 ⎞ ⎛ η22 ⎞
2 2 2
Γ⎜ ⎟ Γ⎜ ⎟⎜⎜1 + ⎟⎟ ⎜⎜1 + ⎟⎟
⎝ 2 ⎠ ⎝ 2 ⎠⎝ ν ⎠ ⎝ ν ⎠
unde ηi = tν−1 (ui ) .

Fie θ = (α1 ,..., α n , β1 ,..., β m ) vectorul de parametri unde α = (α1 ,..., α n ) reprezintă

parametrii funcţiei copula, iar β = (β1 ,..., β m ) este vectorul de parametri ai distribuţiilor
marginale.
Dacă notăm cu F1 , F2 funcţiile de repartiţie şi cu f1 , f 2 funcţiile de densitate pentru
distribuţiile marginale, funcţia de verosimilitate este:

( ( ) ( )) ( ( ) ( ))
T T
L(θ ) = ∑ ln c F1 x1t , F2 x2t + ∑ ln f1 x1t + ln f 2 x2t 3.7
t =1 t =1

Estimatorul EML este acel estimator care maximizează funcţia 3.7:


θ EML = arg max L(θ ) 3.8

72
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

De exemplu în cazul funcţiei copula gaussiană avem un singur parametru pentru


funcţia copula, ρ , iar estimatorul EML al acestui parametru este:

ρ EML =
1 T 2

T t =1
(ηt1 + ηt22 )
( )
unde ηti = φ −1 F̂i (xit ) .
Metoda EML este cea mai „corectă” metodă din punct de vedere statistic fiind un caz
particular al metodei MLE şi moştenind astfel toate proprietăţile acestei metode generale
privind consistenţa, eficienţa şi normalitatea asimptotică a estimatorilor obţinuţi:
T (θ EML − θ 0 ) → N (0, J −1 (θ 0 ))

unde θ 0 este valoarea reală a parametrilor, iar J matricea Fisher.


Pe de altă parte este dificilă din punct de vedere computaţional datorită numărului
mare de parametri care trebuie estimaţi simultan. De exemplu, dacă se modelează distribuţiile
marginale folosind distribuţia hiperbolică generalizată şi structura de dependenţă folosind
funcţia copula t trebuie estimaţi simultan 12 parametri.
O metodă parametrică mai eficientă din punct de vedere numeric este metoda IFM
(inference functions for marginals). Aceasta presupune separarea funcţiei de verosimilitate în
două funcţii, dintre care una depinde doar de parametrii distribuţiilor marginale, β :

( ( ) ( )) ( ( ) ( ))
T T
L(θ ) = ∑ ln c F1 x1t , F2 x2t + ∑ ln f1 x1t + ln f 2 x2t
t =1 t =1

= L1 (α , β ) + L2 (β ) 3.9
Primul pas al metodei presupune estimarea parametrilor β :
β IFM = arg max L2 (β ) 3.10
iar apoi estimarea parametrilor α cunoscând parametrii β :
α IFM = arg max L1 (α , β IFM ) 3.11
In general avem că θ IFM ≠ θ EML .
Metoda CML (canonical maximum likelihood) este similară cu metoda IFM cu
diferenţa că în acest caz distribuţiile marginale nu sunt modelate parametric ele fiind estimate
prin metode neparmetrice cum ar fi estimarea kernel. In acest caz avem de estimat doar un set
de parametri şi anume parametrii asociaţi funcţiei copula, α .
In acest caz funcţia de verosimilitate este:

73
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

( ( ) ( ))
T
L(α ) = ∑ ln c Fˆ1 x1t , F2 x2t 3.12
t =1

unde Fˆ1 , Fˆ2 reprezintă funcţiile de repartiţie empirice ale distribuţiilor marginale.
Estimatorul CML este cel mai simplu de utilizat din punct de vedere numeric, fiind dat
de:
α CML = arg max L (α ) 3.13

In cadrul acestei lucrări se va utiliza metoda CML pentru estimarea parametrilor


diverselor clase de funcţii copula prezentate mai sus.
In contextul metodelor de estimare parametrice şi neparametrice trebuie să vorbim şi
despre metode de alegere a modelului care se potriveşte cel mai bine din punct de vedere
statistic seriilor de date. In această lucrare, se utilizează un test de goodness-of-fit bazat pe
testul Kolmogorov-Smirnov sau Anderson-Darling.
Astfel fie F1 , F2 funcţiile de repartiţie ale distribuţiilor marginale şi C funcţia copula
asociată. Definim variabilele aleatoare de date:
∂C
Z1 = F1 ( X 1 ) , Z 2 = (F1 ( X 1 ), F2 ( X 2 )) F1 ( X 1 )
∂u1

In aceste condiţii se ştie că variabilele aleatoare φ −1 (Z1 ), φ −1 (Z 2 ) sunt independente şi


distribuite normal N (0,1) . Ca urmare variabila aleatoare

S = φ −1 (Z1 ) + φ −1 (Z 2 )
2 2
3.14

este distribuită χ 2 (2) . Astfel un test de goodness-of-fit se poate obţine prin construirea
seriei de date asociată variabilei S şi verificarea, folosind testul Kolmogorov-Smirnov sau
testul Anderson-Darling, a ipotezei că seria este distribuită χ 2 (2) .
In continuare vom prezenta rezultatele estimării distribuţiei bidimensionale a
rentabilităţii zilnice pentru o serie de active financiare de referinţă de pe piaţa
internaţională de capital: indicii SP500, Nikkei, DAX, BUX, PX, GOLD şi cursurile de
schimb EURUSD, USDJPY, GBPUSD şi USDCHF. Analiza s-a realizat pe date zilnice,
seriile de rentabilităţi având un număr de 2500 înregistrări (aproximativ perioada ian. 1997-
dec. 2007). Pentru cursul EURUSD şi USDJPY s-au utilizat şi date intraday cu frecvenţă
de 1 oră, seria utilizată având aproximativ 4000 de înregistrări. Estimarea parametrilor
funcţiilor copula s-a realizat utilizând metoda CML prezentată mai sus. Algoritmul de
estimare a fost implementat cu ajutorul programului econometric Maple.

74
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In perioada analizată s-a înregistrat o dependenţă pozitivă între rentabilităţile zilnice


ale EUR şi JPY (folosind cursul faţă de USD), coeficientul liniar de corelaţie fiind 0.5321,
coeficientul Spearman 0.5403, iar coeficientul Kendall 0.3844 .
Aşa cum se observă din tabelul 3.1 (criteriul AIC, statisticile KS şi AD) funcţia copula
t modelează cel mai bine datele privind cursurile EURUSD şi USDJPY.

Tabelul 3.1 Parametrii estimaţi pentru rentabilităţile EUR şi JPY


GOF
Copula Parametrii AIC
KS AD
4.2097
Frank -395.24 0.0398 3.9620
(0.2139)
0.8729
Clayton -310.70 0.0638 9.2854
(0.0580)
1.5596
Gumbel -352.10 0.0493 6.8983
(0.0380)
0.3615 1.3450 1.5919
mixtura C-G -389.05 0.0471 5.1128
(0.0646) (0.2326) (0.0623)
0.5612
gaussiana -382.64 0.0555 8.4714
(0.0184)
0.5722
t 8 -402.20 0.0436 4.4482
(0.0203)

a) distr. empirică b) distr. generată de copula empirică


JPY

JPY

EUR EUR

c) distr. generată de copula Frank d) distr. generată de copula t


JPY
JPY

EUR EUR

Figura 3.1 Distribuţia bidimensională a rentabilităţilor EUR şi JPY

75
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

O dependenţă pozitivă există şi între indicii bursieri. Astfel în perioada analizată


pentru rentabilităţile zilnice ale SP500 şi DAX coeficientul liniar de corelaţie a fost 0.6463,
coeficientul Spearman 0.5442, iar coeficientul Kendall de 0.3964 .
Aşa cum se observă din tabelul 3.2 şi în acest caz funcţia copula t modelează cel mai
bine seriile de date.

Tabelul 3.2 Parametrii estimaţi pentru rentabilităţile indicilor SP500 şi DAX


GOF
Copula Parametrii AIC
KS AD
4.6459
Frank -378.83 0.0515 5.4849
(0.2385)
1.0504
Clayton -336.31 0.0816 15.3852
(0.0684)
1.7858
Gumbel -488.79 0.0499 5.7242
(0.0485)
0.2149 1.2269 1.8933
mixtura C-G -493.28 0.0499 4.7762
(0.0635) (0.5234) (0.0708)
0.6316
gaussiana -436.75 0.0711 9.8665
(0.0169)
0.6212
t 3 -523.63 0.0424 3.0579
(0.0219)

a) distr. empirică b) distr. generată de copula empirică


DAX

DAX

SP500 SP500

c) distr. generată de copula mixtura d) distr. generată de copula t


DAX
DAX

SP500 SP500

Figura 3.2 Distribuţia bidimensională a rentabilităţilor indicilor SP500 şi DAX

76
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Dependenţa punernic pozitivă se păstrează şi în cazul pieţelor financiare emergente.


Pentru rentabilităţile zilnice ale indicilor BUX (Ungaria) şi PX (Cehia) coeficientul liniar de
corelaţie a fost 0.4871, coeficientul Spearman 0.4342, iar coeficientul Kendall de 0.3 .
Funcţiile copula care modelează cel mai bine dependenţa acestor doi indici sunt
funcţia copula t şi o mixtură dintre copula Clayton şi copula Gumbel.

Tabelul 3.3 Parametrii estimaţi pentru rentabilităţile indicilor BUX şi PX


GOF
Copula Parametrii AIC
KS AD
3.1309
Frank -203.26 0.0426 3.0129
(0.2181)
0.7268
Clayton -212.48 0.0523 4.2524
(0.0581)
1.4049
Gumbel -194.29 0.0440 2.9859
(0.0364)
0.6773 0.7158 1.6396
mixtura C-G -236.20 0.0391 2.7288
(0.0797) (0.0834) (0.1394)
0.4841
gaussiana -227.44 0.0439 3.5328
(0.0231)
0.4691
t 6 -238.85 0.0325 1.5272
(0.0267)

a) distr. empirică b) distr. generată de copula empirică


PX

PX

BUX BUX

c) distr. generată de copula mixtura d) distr. generată de copula t


PX
PX

BUX BUX

Figura 3.3 Distribuţia bidimensională a rentabilităţilor indicilor BUX şi PX

77
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Estimările pentru celelalte perechi de rentabilităţi zilnice estimate sunt prezentate în


anexă.
In urma analizei unei game largi de active financiare s-a observat că există două clase
de funcţii copula care modelează cu succes dependenţa dintre rentabilităţile financiare, şi
anume funcţia copula t şi mixturile dintre copula Clayton şi copula Gumbel. La acesta
concluzie s-a ajuns prin utilizarea criteriul informaţional AIC, precum şi prin analiza
statisticilor de „goodness-of-fit” Kolmogorov-Smirnov şi Anderson-Darling. De asemenea,
funcţia copula de tip Frank asigură o aproximare bună a dependenţei având în plus
avantajul faptului că depinde doar de un singur parametru.
Tabelul 3.4 prezintă diferite măsuri de dependenţă (coeficientul de corelaţie al lui
Spearman ( ρ S ), coeficientul de dependenţă σ (formula 2.8), coeficientul de dependenţă în

coada inferioară ( λL ) şi coeficientul de dependenţă în coada superioară ( λU ) ) calculate


folosind cele două clase estimate de funcţii copula.
Tabelul 3.4 Masuri de dependenţă calculate folosind funcţii copula estimate

Copula
GOF
ρS σ λL λU
KS AD
mixtura C-G 0.0471 5.1128 0.5400 0.5412 0.6052 0.2901
EUR - JPY
t 0.0436 4.4482 0.5541 - 0.1562 0.1562
mixtura C-G 0.0367 2.3083 0.7575 0.7587 0.3660 0.4829
EUR - GBP
t 0.0401 3.3243 0.7556 - 0.3427 0.3427
mixtura C-G 0.0262 1.7380 0.9467 0.9479 0.4048 0.5364
EUR - CHF
t 0.0433 4.6063 0.9491 - 0.7210 0.7210
mixtura C-G 0.0398 2.6134 0.5666 0.5678 0.6850 0.2637
EUR - GOLD
t 0.0409 2.8468 0.5664 - 0.1630 0.1630
mixtura C-G 0.0499 4.7762 0.6248 0.6260 0.3781 0.4380
SP500 - DAX
t 0.0424 3.0579 0.6031 - 0.4050 0.4050
mixtura C-G 0.0499 4.7762 0.1821 0.1834 0.3781 0.4380
SP500 - NIKKEI
t 0.0458 2.8545 0.1706 - 0.0692 0.0692
mixtura C-G 0.0391 2.7288 0.4366 0.4378 0.6328 0.1529
BUX - PX
t 0.0325 1.5272 0.4521 - 0.1628 0.1628
mixtura C-G 0.0442 5.4419 0.5982 0.5994 0.6205 0.3703
EUR - JPY (1 H)
t 0.0407 4.3357 0.5964 - 0.2850 0.2850

Ambele clase de funcţii copula modelează dependenţa atât în coada inferioară cât şi
superioară. De fapt aceste două tipuri de funcţii copula sunt singurele pentru care atât
coeficientul de dependenţă în coada inferioară cât şi coeficientul de dependenţă în coada
inferioară sunt diferite de zero.
Funcţiile copula pot fi utilizate şi pentru analiza dependenţei la nivel intraday dintre
seriile de rentabilităţi financiare.

78
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Astfel, în perioada analizată s-a înregistrat o dependenţă pozitivă între rentabilităţile pe


o oră ale EUR şi JPY, coeficientul liniar de corelaţie fiind 0.6209, coeficientul Spearman
0.5529, iar coeficientul Kendall 0.3975. Rezultatele sunt comparabile cu cele privind
rentabilităţile zilnice ale aceloraşi active financiare.

Tabelul 3.5 Parametrii estimaţi pentru rentabilităţile pe o oră pentru EUR şi JPY
GOF
Copula Parametrii AIC
KS AD
4.5142
Frank -621.61 0.0411 6.4069
(0.1822)
1.0332
Clayton -578.44 0.0647 15.3391
(0.0517)
1.6821
Gumbel -681.29 0.0478 8.6093
(0.0347)
0.3312 1.1040 1.8785
mixtura C-G -735.82 0.0442 5.4419
(0.0485) (0.1569) (0.0634)
0.6150
gaussiana -690.73 0.0616 11.3596
(0.0136)
0.6145
t 5 -755.59 0.0407 4.3357
(0.0161)

a) distr. empirică b) distr. generată de copula empirică


JPY

JPY

EUR EUR

c) distr. generată de copula mixtura d) distr. generată de copula t


JPY
JPY

EUR EUR

Figura 3.4 Distribuţia bidimensională a rentabilităţilor pe o oră pentru EUR şi JPY

79
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In continuare vom determina frontiera portofoliilor eficiente formate din două


active financiare utilizând diverse funcţii copula pentru a modela dependenţa dintre cele
două serii de date privind rentabilităţile. Parametrii funcţiilor copula au fost estimaţi anterior
(vom folosi parametrii din tabelul A.1 din anexă).

Deoarece VaR nu este o măsură a riscului coerentă vom folosi CVaR (Conditional Var
cunoscută şi sub numele de Expected Shortfall). Pentru calculul CVaR se utilizează metoda
Monte Carlo. Astfel VaR 95% se determină ca fiind cuantila de 5% a distribuţiei simulate a
portofoliului format din cele două active financiare, iar CVaR 95% reprezintă media
pierderilor mai mari decât VaR 95%.

Algoritmul de generare de perechi de numere aleatoare dacă se cunoaşte structura de


dependenţă dată de o funcţie copula C este următorul:
ƒ se generează două numere aleatoare independente v1 ,v2 distribuite uniform pe
intervalul (0,1) ;
ƒ se consideră u1 = v1 ;
∂C
ƒ se consideră u2 = g −1 (v2 ) , unde g (u ) = (v1, u ) ;
∂u1

ƒ astfel perechea (u1 ,u2 ) are o structură de dependenţă dată de C ;

ƒ se determină x1 = F1−1 (u1 ) şi x2 = F2−1 (u2 ) unde F1 , F2 reprezintă funcţiile de


repartiţie a distribuţiilor marginale ;
ƒ astfel perechea (x1 , x2 ) provine dintr-o distribuţie bidimensională cu o structură
de dependenţă dată de C şi distribuţii marginale cu funcţiile de repartiţie
F1 , F2 .

De exemplu în cazul funcţiei copula de tip Frank primii trei paşi ai algoritmului sunt:
ƒ se generează două numere aleatoare independente v1 ,v2 distribuite uniform pe
intervalul (0,1) ;
ƒ se consideră u1 = v1 ;

ƒ se consideră u2 = −
1 ⎛
ln⎜⎜1 +
(
v2 e −α − 1 ) ⎞
⎟⎟ ;
α ⎝ v 2 + (1 − v2 )e −αv1 ⎠

80
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Pentru a analiza şi influenţa distribuţiilor marginale asupra calculului VaR şi CVaR


vom utiliza pentru o funcţie copula două seturi de distribuţii marginale:
ƒ distribuţiile marginale empirice determinate prin metoda kernel ;
ƒ distribuţiile normale cu media şi dispersia aceleaşi cu cele ale distribuţiilor
empirice.

Tabelul 3.6 prezintă backtesting-ul pentru calculul VaR 95% pentru un portofoliu
format din două active financiare pentru diferite funcţii copula şi cele două variante de
distribuţii marginale prezentate mai sus.

Tabelul 3.6 Backtesting pentru VaR 95%


Procentul de depăşiri a VaR 95%
Copula
distr. empirice distr. normale
Frank 5.54% 5.91%

Clayton 5.92% 6.68%

Gumbel 5.83% 6.40%

mixtura C-G 5.37% 5.86%

gaussiana 4.34% 5.08%

t 3.65% 5.47%

Se observă că în cazul în care se utilizează distribuţiile empirice (care sunt


leptocurtotice) nivelul de depăşiri al nivelului VaR 95% calculat este mai mic decât în cazul
în care sunt utilizate distribuţiile marginale normale.

Surprinzător este faptul că distribuţia normală bidimensională (funcţia copula


gaussiană cu distribuţii marginale normale) reprezintă o aproximare foarte bună a distribuţiei
bidimensionale empirice în ceea ce priveşte calculul VaR 95%. In acest caz, procentul de
depăşiri este de aproximativ 5% fiind mai mic decât în cazul unor modele mai complicate
cum ar fi o mixtură de funcţii copula Clayton şi Gumbel cu distribuţii marginale estimate
neparametric.

81
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

a) copula Frank b) copula mixtură


rentabilitate

rentabilitate
risc risc

c) copula gaussiană d) copula t

rentabilitate
rentabilitate

risc risc

Figura 3.5 Frontiera portofoliilor eficiente pentru diferite funcţii copula şi distribuţii marginale empirice
(albastru) respectiv distribuţii marginale normale (verde)

Aşa cum se observă din figura 3.5 în cazul în care se utilizează distribuţiile marginale
empirice se obţine o valoare a riscului (măsurat prin CVaR) mai mare decât în cazul în care se
utilizează distribuţiile marginale normale. Acest lucru se datorează faptului că distribuţia
empirică acordă o probabilitate mai mare evenimentelor extreme.
Astfel, utilizarea distribuţiei normale pentru modelarea seriilor de rentabilităţi
financiare subestimează riscul unui portofoliu format cu aceste active financiare indiferent de
tipul funcţiei copula utilizată pentru a aproxima structura de dependenţă a celor două serii de
date.

82
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

II.4 Concluzii

In cadrul acestei lucrări au fost analizate diferite concepte privind măsurarea


dependenţei dintre două serii de date financiare, precum şi avantajele şi dezavantajele
coeficientului de corelaţie liniară şi a altor tipuri de coeficienţi de dependenţă.
In continuare au fost prezentate proprietăţile funcţiilor copula, funcţii utilizate în
ultima perioadă pentru a modela structura de dependenţă a două serii de date. Funcţiile copula
s-au dovedit a fi un instrument foarte folositor în finanţe. Astfel, problema complicată a
determinării densităţii comune a două serii de rentabilităţi financiare poate fi descompusă,
folosind conceptul de copula, în două probleme mai simple: estimarea distribuţiei marginale
pentru fiecare serie în parte, respectiv estimarea funcţiei copula care modelează structura de
dependenţă dintre cele două serii de date.
Au fost prezentate de asemenea diferite metode de estimare parametrică şi
neparametrică pentru funcţiile copula şi au fost analizate rezultatele estimării distribuţiei
bidimensionale pentru o serie de active financiare de referinţă de pe piaţa internaţională
de capital. S-a ajuns la concluzia că există două clase de funcţii copula care modelează bine
dependenţa dintre rentabilităţile financiare şi anume funcţia copula t şi mixturile dintre copula
Clayton şi copula Gumbel. La acesta concluzie s-a ajuns prin utilizarea criteriului
informaţional AIC, precum şi prin utilizarea statisticilor de „goodness-of-fit” Kolmogorov-
Smirnov şi Anderson-Darling. De asemenea, funcţia copula de tip Frank asigură o aproximare
bună a dependenţei având în plus avantajul faptului că depinde doar de un singur parametru.

83
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In ultima parte a lucrării a fost determinată frontiera portofoliilor eficiente formate din
două active financiare pentru diferite funcţii copula şi distribuţii marginale empirice, respectiv
distribuţii marginale normale.
In cazul în care se utilizează distribuţiile marginale empirice se obţine o valoare a
riscului (măsurat prin CVaR) mai mare decât în cazul în care se utilizează distribuţiile
marginale normale.
Astfel utilizarea distribuţiei normale pentru modelarea seriilor de rentabilităţi
financiare subestimează riscul unui portofoliu format cu aceste active indiferent de tipul
funcţiei copula utilizată pentru a aproxima structura de dependenţă a celor două serii de date.

84
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Bibliografie
(Adcock 2002),(Anderson and Darling 1954),(Belkacem, Véhel and Walter 2000),(Bennett and Kennedy 2004),(Breymann, A. Dias and
Embrechts 1954),(Cappiello, Engle and Sheppard 2003),(Ceske and Hernandez 1999),(Charpentier 2003),(Chen and Fan 2002),(Dias and
Embrechts 2003),(Embrechts, Hoeing and Juri 2001),(Engle and Sheppard 2001),(Fermanian 2005),(Frees and Valdez 1998),(Frey and
McNeil 2001),(Genest 1987),(Genest and MacKay 1986),(Genest and Rivest 1993),(Hoffding 1940),(Jean 1971),(Klaassen and Wellner
1997),(Longin and Solnik 2001),(Loretan and Phillips 1994),(Ortobelli et al. 2001),(Ortobelli, Huber and Schwartz 2002),(Patton
2002),(Rockinger and Jondeau 2001),(Schweitzer and Wolff 1981),(Tokat, Rachev and Schwartz 2002),(Zinchenko 2001),(Bowman, Hall
and Prvan 1998),(Chen and Fan 2002),(Fermanian and Scaillet 2003),(Gijbels and Mielniczuk 1990),(Joe 1997),(Muller and Stadtmuller
1999)

Adcock, C. J., 2002, Asset Pricing and Portfolio Selection Based on the Multivariate Skew-
Student Distribution, University of Sheffield Working Paper.

Anderson, T. W., and D. A. Darling, 1954, "A test of goodness of fit," J. Amer. Statist. Assoc.
49, 765-769.

Belkacem, L., J. Véhel, and C. Walter, 2000, "CAPM, risk and portfolio selection in α-stable
markets," Fractals 8, 99–115.

Bennett, M. N., and J. E. Kennedy, 2004, "Quanto pricing with copulas," Journal of
Derivatives 12, 26-45.

Bowman, A., P. Hall, and T. Prvan, 1998, "Bandwidth selection for the smoothing of
distribution functions," Biometrika 85, 799–808.

Breymann, W., A. Dias, and P. Embrechts, 1954, "Dependence structures for multivariate
high-frequency data in finance," Quant. Finance 3, 1-14.

Cappiello, L., R. Engle, and K. Sheppard, 2003, Asymetric dynamics in the correlations of
global equity and bond returns, Working paper 204, European Central Bank.

Ceske, R., and J. Hernandez, 1999, "Where theory meets practice," Risk Magazine
(Operational Risk Report) 12, 17-20.

Charpentier, A., 2003, Tail dependence for Archimedian copulas, Working paper, CREST,
Laboratoire de Finance et Assurance.

Chen, X., and Y. Fan, 2002, Estimation of copula-based semiparametric time series models,
Working paper, New York University.

85
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Deheuvels, P., 1979, "La fonction de dependance empirique et ses proprietes. Un test non
paramtrique d'independance.," Acad. Roy. Belg. Bull. Cl. Sci. 65, 274-292.

Dias, A., and P. Embrechts, 2003, Dynamic copula models for multivariate high-frequency
data in finance, Working paper, ETH Zurich, Departement of Mathematics.

Embrechts, P., A. Hoeing, and A. Juri, 2001, Using copulae to bound the value-at-risk for
functions of dependent risks, ETH preprint.

Embrechts, P., A. J. McNeal, and D. Straumamm, 1999, Correlation and dependency in risk
management: properties and pitfalls, ETH preprint.

Engle, R., and K. Sheppard, 2001, Theoretical and empirical properties of dynamic
conditional correlation multivariate GARCH, Working paper 2001-15, UCSD.

Fermanian, J. D., 2005, "Goodness-of-fit tests for copulas," Journal of Multivariate Analysis
95, 119-152.

Fermanian, J. D., and O. Scaillet, 2003, "Nonparametric estimation of copulas for time
series," Journal of Risk 5, 25–54.

Frees, E. W., and E. Valdez, 1998, "Understanding relationships using copulas," N. Am.
Actuar. J. 2, 1-25.

Frey, R., and A. McNeil, 2001, Modelling dependent defaults, Preprint, ETH Zurich.

Genest, C., 1987, "Frank's family of bivariate distributions," Biometrika 74, 549-555.

Genest, C., and J. MacKay, 1986, "The joy of copulas: Bivariate distributions with uniform
marginals," American Statistics 40, 280-285.

Genest, C., and L. P. Rivest, 1993, "Statistical inference procedures for bivariate
Archimedean copulas," J. Amer. Statist. Assoc. 88, 1034-1043.

Gijbels, I., and J. Mielniczuk, 1990, "Estimating the density of a copula function," Comm.
Statist. Theory Methods 19, 445-464.

86
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Hoffding, D., 1940, "Massstabinvariante Korrelationstheorie," Schriften des Mathematischen


Seminars und des Instituts fur Angewandte Mathematik der Universitat Berlin 5, 181-233.

Jean, W. H., 1971, "The extension of portfolio analysis to three or more parameters," Journal
of Financial and Quantitative Analysis 505–515.

Joe, H., 1997, Multivariate Models and Dependence Concepts, Chapman and Hall, London.

Klaassen, C., and J. A. Wellner, 1997, "Efficient estimation in the bivariate normal copula
model: normal margins are least favourable," Bernoulli 3, 55-77.

Li, D. X., 1999, On default correlation: a copula function approach, RiskMetrics Working
Paper.

Longin, F., and B. Solnik, 2001, "Extreme correlation of international equity markets," J.
Finance LVI 2, 649-676.

Loretan, M., and P. C. B. Phillips, 1994, "Testing the covariance stationarity of heavy-tailed
time series: An overview of the theory with applications to several financial data sets," J.
Empirical Finance 2, 211-248.

Muller, H. G., and U. Stadtmuller, 1999, "Multivariate boundary kernels and a continuous
least squares principle," Journal of the Royal Statistical Society, Series B 61, 439–458.

Nelsen, R. B., 1999, An Introduction to Copulas, Springer-Verlag, New York.

Ortobelli, S., I. Huber, M. Höchstötter, and S. Rachev, 2001, "A comparison among Gaussian
and non-Gaussian portfolio choice models," Proceeding IFAC SME.

Ortobelli, S., I. Huber, and E. Schwartz, 2002, "Portfolio selection with stable distributed
returns," Mathematical Methods of Operation Research 55, 265–300.

Patton, A. J., 2002, Modelling time-varying exchange rate dependence using the conditional
copula, Working paper, UCSD.

87
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Rockinger, M., and E. Jondeau, 2001, Conditional dependency of financial series: An


application of copulas, Working paper, HEC School of Management, Departement of
Finance.

Schweitzer, B., and E. Wolff, 1981, "On nonparametric measures of dependence for random
variables," Annals of Statistics 9, 879-885.

Sklar, A., 1959, "Fonctions de répartition à n dimensions et leurs marges," Publications de


l’Institut de Statistique de l’Université de Paris 8, 229–231.

Tokat, Y., S. Rachev, and E. Schwartz, 2002, "The stable non-Gaussian asset allocation: a
comparison with the classical Gaussian approach," Journal of Economic Dynamics and
Control, to appear.

Zinchenko, N. M., 2001, "Heavy-tailed Models in Finance and Insurance: A Survey," Theory
of Stochastic Processes 2, 346-362.

88
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Anexe
Estimarea distribuţiei bidimensionale pentru rentabilităţile EUR şi GBP
Tabelul A.1 Parametrii estimaţi pentru rentabilităţile zilnice pentru EUR şi GBP
GOF
Copula Parametrii AIC
KS AD
7.1426
Frank -900.56 0.0252 1.6168
(0.2576)
1.6355
Clayton -718.20 0.0799 17.4145
(0.0760)
2.1605
Gumbel -892.07 0.0439 4.6661
(0.0537)
0.2730 2.3648 2.3945
mixtura C-G -938.20 0.0367 2.3083
(0.0456) (0.3486) (0.0852)
0.7689
gaussiana -933.88 0.0502 6.5173
(0.0098)
0.7708
t 7 -955.12 0.0401 3.3243
(0.0112)

a) distr. empirică b) distr. generată de copula empirică


GBP

GBP

EUR EUR

c) distr. generată de copula mixtura d) distr. generată de copula t


GBP
GBP

EUR EUR

Figura A.1 Distribuţia bidimensională a rentabilităţilor zilnice pentru EUR şi GBP

89
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Estimarea distribuţiei bidimensionale pentru rentabilităţile EUR şi CHF

Tabelul A.2 Parametrii estimaţi pentru rentabilităţile zilnice pentru EUR şi CHF
GOF
Copula Parametrii AIC
KS AD
19.1454
Frank -2446.74 0.0317 1.2192
(0.9165)
5.4781
Clayton -2160.04 0.1071 25.0710
(0.1755)
4.6816
Gumbel -2400.03 0.0642 11.9833
(0.1195)
0.3742 8.8179 5.1905
mixtura C-G -2555.49 0.0262 1.7380
(0.0372) (0.7596) (0.2036)
0.9517
gaussiana -2536.23 0.0679 12.4869
(0.0020)
0.9535
t 5 -2587.39 0.0433 4.6063
(0.0024)

a) distr. empirică b) distr. generată de copula empirică


CHF

CHF

EUR EUR

c) distr. generată de copula mixtura d) distr. generată de copula t


CHF
CHF

EUR EUR

Figura A.2 Distribuţia bidimensională a rentabilităţilor zilnice pentru EUR şi CHF

90
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Estimarea distribuţiei bidimensionale pentru rentabilităţile EUR şi GOLD

Tabelul A.3 Parametrii estimaţi pentru rentabilităţile zilnice pentru EUR şi GOLD
GOF
Copula Parametrii AIC
KS AD
4.2664
Frank -380.34 0.0380 2.3144
(0.2209)
0.9211
Clayton -314.11 0.0710 7.5955
(0.0614)
1.5877
Gumbel -351.71 0.0530 4.5418
(0.0401)
0.4342 1.5203 1.6201
mixtura C-G -395.15 0.0398 2.6134
(0.0614) (0.2146) (0.0706)
0.5787
gaussiana -384.00 0.0577 5.6901
(0.0183)
0.5844
t 8 -396.86 0.0409 2.8468
(0.0204)

a) distr. empirică b) distr. generată de copula empirică


GOLD

GOLD

EUR EUR

c) distr. generată de copula mixtura d) distr. generată de copula t


GOLD
GOLD

EUR EUR

Figura A.3 Distribuţia bidimensională a rentabilităţilor zilnice pentru EUR şi GOLD

91
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Estimarea distribuţiei bidimensionale pentru rentabilităţile SP500 şi NIKKEI

Tabelul A.4 Parametrii estimaţi pentru rentabilităţile zilnice pentru SP500 şi NIKKEI
GOF
Copula Parametrii AIC
KS AD
1.1125
Frank -25.02 0.0633 6.2255
(0.2137)
0.2272
Clayton -28.91 0.0636 5.8274
(0.0465)
1.1088
Gumbel -20.64 0.0575 5.2005
(0.0269)
0.2149 1.2269 1.8933
mixtura C-G -32.71 0.0499 4.7762
(0.0635) (0.5234) (0.0708)
0.1668
gaussiana -20.95 0.0646 6.6142
(0.0335)
0.1784
t 6 -41.65 0.0458 2.8545
(0.0368)

a) distr. empirică b) distr. generată de copula empirică


NIKKEI

NIKKEI

SP500 SP500

c) distr. generată de copula mixtura d) distr. generată de copula t


NIKKEI
NIKKEI

SP500 SP500

Figura A.4 Distribuţia bidimensională a rentabilităţilor zilnice pentru SP500 şi NIKKEI

92
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

III. TEHNICI DE FILTRARE UTILIZATE ÎN ESTIMAREA


VOLATILITĂŢII

93
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

III.1 Introducere

Seriile de date financiare cu frecvenţă zilnică prezintă câteva proprietăţi caracteristice.


Una dintre cele mai importante este aceea a existenţei fenomenului de „volatility clustering”.
Acest fenomen, remarcat pentru prima oară de către Mandelbrot (1963), se referă la faptul că
pe piaţă de capital a fost observată apariţia unor perioade cu volatilitate mare şi a unor
perioade cu volatilitate redusă (modificări mari ale valorilor seriei tind să fi urmate de
modificări mari şi modificări mici tind să fi urmate de modificări mici). Astfel, varianţa
condiţionată a seriei de date nu este constantă, ea fiind variabilă în timp (heteroskedasticite
condiţionată).
De asemenea, fenomenul de „volatility clustering” implică si posibilitatea
previzionării volatilităţii condiţionate. Volatilitatea activelor financiare este importantă pentru
determinarea gradului de adecvare a capitalului unei bănci folosind modele de tip Value at
Risk.
Pe lângă fenomenul de heteroscedasticite condiţionată s-a constatat ( Fama (1965)) că
distribuţia rentabilităţii zilnice a activelor financiare este leptocurtotică (momentul centrat şi
normalizat de ordinul 4 este mai mare decât cel al unei variabile distribuită normal). Black
(1976) a adus în discuţie o altă proprietate şi anume „efectul de asimetrie” („leverage effect”)
care constă în faptul că volatilitatea tinde să fie mai mare după o scădere a cursului unei
acţiuni decât după o creştere a acestuia.
Pentru a modela heteroscedasticitea condiţionată Engle (1982) a introdus procesul
ARCH ( AutoRegressive Conditional Heteroskedasticity ) care utilizează reziduurile din

94
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

ecuaţia mediei condiţionate în ecuaţia pentru varianţa condiţionată, deschizând astfel un


capitol important în modelarea volatilităţii seriilor de date financiare.
In prima parte a lucrării vor fi prezentate şi analizate modelele clasice de tip GARCH,
precum şi modul în care pot fi utilizate aceste procese stocastice pentru modelarea seriei
zilnice a cursului de schimb EUR/RON şi USD/RON şi pentru obţinerea de previziuni pe
termen scurt pentru evoluţia cursului de schimb folosind intervale de încredere
dinamice bazate pe previziunea volatilităţii cursului de schimb.
In ultima parte a lucrării a fost fundamentat un nou model bidimensional de tip
Copula-GARCH. Acest tip de proces modelează dependenţa dintre seriile de date utilizând,
în locul conceptului clasic de corelaţie liniară, conceptul de funcţie copula. Jondeau şi
Rockinger (2006) au introdus un model de tip Copula-GARCH utilizând procese GARCH
unidimensionale şi funcţiile copula Planket, gaussiană şi t. Deoarece copula Planket şi copula
gaussiană nu modelează dependenţa în coadă, autorii s-au axat pe procesele bidimensionale
bazate pe copula t. Acest model nu poate fi extins cu uşurinţă pentru mai multe dimensiuni
pentru că numărul de parametri ai copulei t creşte odată cu creşterea numărului de dimensiuni,
creşterea fiind pătratică. Patton (2006a, 2006b) utilizează funcţia copula de tip Clayton, iar Hu
(2006) utilizează funcţia copula de tip Gumbel. Funcţia copula de tip Clayton surprinde doar
dependenţa în coada inferioară, iar funcţia copula Gumbel doar dependenţa în coada
superioară.
Analizele efectuate în prezenta lucrare au evidenţiat faptul că structura de dependenţă
a seriilor de rentabilităţi financiare este modelată cel mai bine prin intermediul unei funcţii
copula cu dependenţă atât în coada inferioară cât şi cea superioară. Din acest motiv, în această
lucrare, ne-am axat pe fundamentarea unui model Copula-GARCH în care structura de
dependenţă este modelată prin intermediul unei mixturi dintre copula Clayton şi copula
Gumbel. Acest model poate fie extins cu uşurinţă pentru mai multe dimensiuni, numărul de
parametri care caracterizează copula mixtură rămânând nemodificat.

95
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

III.2 Modele clasice de tip GARCH

Pentru a modela heteroscedasticitea condiţionată Engle (1982) a introdus procesul ARCH (


AutoRegressive Conditional Heteroskedasticity ) care utilizează reziduurile din ecuaţia mediei
condiţionate în ecuaţia pentru varianţa condiţionată. S-a constatat însă că pentru a surprinde
dinamica varianţei condiţionate este nevoie de un proces ARCH cu un număr foarte mare de
parametri, estimarea acestui model fiind dificilă. Bollerslev (1986) introduce procesul
GARCH ( Generalized AutoRegressive Conditional Heteroskedasticity ) care poate modela
varianţa condiţionată folosind un număr redus de parametri.

Cele două modele au fost extinse pentru a lua în considerare şi efectul de asimetrie. Astfel, au
apărut modelul EGARCH (Exponential GARCH) al lui Nelson (1991), modelul TARCH
(Threshold ARCH) propus de către Glosten, Jagannathan şi Runkle (1993) şi Zakoian
(1994), precum şi modelul APARCH ( Asymmetric Power ARCH) propus de Ding, Granger
şi Engle (1993).

Pentru a obţine o distribuţie teoretică asemănătoare cu cea empirică au apărut modele


GARCH care folosesc distribuţii leptocurtotice. Astfel, distribuţia Student a fost utilizată de
către Bollerslev (1987), Kaiser (1996) şi Beine, Laurent şi Lecourt (2000), iar Nelson (1991)
propune „Generalised Error Distribution” (GED). De asemenea, Lambert şi Laurent
(2000,2001) folosesc un model GARCH care utilizează distribuţia Student asimetrică
introdusă de Fernandez and Steel (1998).

Numeroase studii printre care menţionăm pe cele ale lui Harvey (1993), Ding, Granger şi
Engle (1993) şi Briedt, Crato şi de Lima (1998) au concluzionat că volatilitatea seriilor de
date financiare este persistentă. Pentru a modela această persistenţă au fost propuse procese
GARCH cu memorie lungă. In această categorie se încadrează modelele FIGARCH
(Fractionally Integrated GARCH) dezvoltate de Baillie, Bollerslev şi Mikkelsen (1996),
Bollerslev şi Mikkelsen (1996) şi Chung (1999).

96
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In această parte a lucrării ne propunem să modelăm seria zilnică a cursului de schimb


EUR/RON şi USD/RON folosind modele econometrice clasice de tip GARCH şi să
obţinem previziuni pe termen scurt pentru evoluţia acestuia folosind intervale de
încredere dinamice bazate pe previziunea volatilităţii cursului de schimb.

Fie yt seria luată în consideraţie. Presupunem că:

yt = Et −1 ( yt ) + ε t (2.1)

unde Et (⋅) reprezintă media condiţionată de informaţiile de la momentul t , iar ε t reprezintă

partea nepredictibilă având proprietatea că E (ε t ) = 0, E (ε t ε s ) = 0, ∀t ≠ s .

Modelele de tip GARCH presupun că varianţa condiţionată nu este constantă în timp. Astfel
putem să scriem:
ε t = ztσ t (2.2)

unde z t i.i.d. (nu neapărat normal) cu E (z t ) = 0,Var (z t ) = 1 , iar σ t2 reprezintă


varianţa condiţionată.

In continuare vom prezenta câteva modele pentru ecuaţia mediei condiţionate şi pentru
ecuaţia varianţei condiţionate.

Ecuaţia mediei condiţionate


ARMA(m,n)

Cele mai întâlnite modalităţi de modelare a mediei condiţionate sunt procesele ARMA(m,n) .
Astfel:

Ψ (L )( yt − μ ) = Θ(L )ε t (2.3)

m n
unde Ψ (L ) = 1 − ∑ψ i Li , Θ(L ) = 1 − ∑θ i Li , iar μ este o constantă.( Li xt := xt −i )
i =1 i =1

97
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Modele ARMA pot fi extinse pentru a lua în considerare şi variabile exogene. In cazul
modelelor ARMAX(m,n) avem:

Ψ (L )( yt − μ t ) = Θ(L )ε t (2.4)

s
unde μ t = a0 + ∑ ai xi ,t , xi , i = 1...s fiind s variabile exogene.
i =1

De asemenea, trebuie menţionate şi procesele de tip ARIMA(m,1,n) folosite în cazul seriilor


nestaţionare:
Ψ (L )(1 − L )( yt − μ t ) = Θ(L )ε t (2.5)

ARFIMA(m,d,n)

Pentru a surprinde proprietatea de memorie lungă prezentă in unele serii de date financiare
(prezenţa autocorelaţiei între observaţii separate de perioade mari de timp) Granger (1980) şi
Granger şi Joyeux (1980) au propus modele cu integrare fracţionară. In cazul unui model
ARFIMA(m,d,n) putem scrie:

Ψ (L )(1 − L ) ( yt − μ t ) = Θ(L )ε t
d
(2.6)

unde 0 ≤ d ≤ 1 reprezintă coeficientul de integrare fracţionară, iar



Γ(d + 1) ∞
(1 − L )d = ∑ Lk = 1 − ∑ χ k Lk (2.7)
k = 0 Γ (k + 1)Γ(d − k + 1) k =1

Se observă că modelul surprinde proprietatea de memorie lungă prin intermediul operatorului


(1 − L )d care reprezintă de fapt o sumă infinită de lag-uri ale seriei de date. Bineînţeles că în
practică această sumă infinită trebuie trunchiată.

98
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Ecuaţia varianţei condiţionate

ARCH(q)

Modelul ARCH(q) introdus de Engle(1982) presupune că:


q
σ t2 = ω + ∑ α i ε t2−i (2.8)
i =1

unde ω ≥ 0 şi α i ≥ 0 .

După cum se observă varianţa condiţionată depinde de pătratul reziduurilor anterioare din
ecuaţia mediei condiţionate. ARCH(q) este primul proces utilizat în finanţe pentru a modela
fenomenul de „volatility clustering”. Dacă la momentul t − i a avut loc o variaţie mare a
cursului activului financiar atunci, conform modelului ARCH(q), la momentul t varianţa
condiţionată va fi mare. Ca urmare creşte probabilitatea ca şi la momentul t să existe o variaţie
mare a rentabilităţii. Astfel, vor exista perioade cu volatilitate mare şi perioade cu volatilitate
redusă.

q
In cazul în care ω > 0 şi ∑α
i =1
i < 1 procesul ARCH(q) este staţionar cu varianţă

ω
necondiţionată σ 2 = E ε t2 =( ) q
.
1 − ∑α i
i =1

GARCH(p,q)

Bollerslev (1986) propune procesul GARCH(p,q) , proces menit să surprindă dinamica


varianţei condiţionate folosind un număr redus de parametri. In cazul acestui model ecuaţia
varianţei condiţionate este:
q p
σ t2 = ω + ∑ α i ε t2−i + ∑ β iσ t2−i (2.9)
i =1 i =1

unde ω ≥ 0 , α i ≥ 0, i = 1...q şi β i ≥ 0, i = 1... p .

99
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Ecuaţia 2.8 mai poate fi scrisă şi sub forma:


σ t2 = ω + α (L )ε t2 + β (L )σ t2 (2.10)
q p
unde α (L ) = ∑ α i Li , β (L ) = ∑ β i Li .
i =1 i =1

Rezultă din 2.10 că:


σ t2 = ω (1 − β (L ))−1 + α (L )(1 − β (L ))−1 ε t2 (2.11)
care este un proces ARCH( ∞ ).

Ca urmare procesul GARCH(p,q) este echivalent cu un proces ARCH( ∞ ), însă are un număr
mic de parametri care trebuie estimaţi.

q p
In cazul în care ω > 0 şi ∑α i + ∑ β i < 1 procesul GARCH(p,q) este staţionar cu varianţă
i =1 i =1

ω
necondiţionată σ 2 = E ε t2 = ( ) q p
.
1 − ∑α i − ∑ β i
i =1 i =1

Insă, de cele mai multe ori, în cazul seriilor de date financiare se constată faptul că
q p

∑α i + ∑ β i ≥ 1 . Astfel, influenţa lui σ t2 asupra lui σ t+2 h se păstrează pentru valori mari ale
i =1 i =1

lui h . Ca urmare se observă o anumită persistenţă în volatilitate. Această persistenţă poate


fi modelată utilizând procesul IGARCH(p,q). O altă modalitate este de a folosi procese cu
integrare fracţionară, însă ne vom ocupa de acestea în mod separat.

q p
Modelul IGARCH(p,q) presupune că ∑α i + ∑ β i = 1 . In acest caz polinomul
i =1 i =1

1 − α (L ) − β (L ) are o rădăcină egală cu 1. Fie ϕ (L ) = [1 − α (L ) − β (L )](1 − L ) .


−1

Din 2.10 rezultă că:


[1 − α (L ) − β (L )]ε t2 = ω + [1 − β (L )](ε t2 − σ t2 )

Deci:

100
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

[
σ t2 = ω [1 − β (L )]−1 + 1 − ϕ (L )(1 − L )[1 − β (L )]−1 ε t2 ] (2.12)

TARCH(p,q)

Acest model propus de Glosten, Jagannathan, and Runkle (1993) presupune că:

σ = ω + ∑ (α i ε )+ ∑ β σ
q p

t
2 2
t −i + γ i d t −i ε 2
t −i i
2
t −i (2.13)
i =1 i =1

⎧1, ε t < 0
unde d t = ⎨ .
⎩0, ε t ≥ 0

Se observă că modelul ia în considerare efectul de asimetrie prezent în unele serii financiare.


Astfel, datorită variabilei dummy d t o scădere are un impact diferit faţă de cel al unei creşteri.

Folosind acest model se poate testa existenţă efectului de asimetrie ( coeficienţii γ i


semnificativ diferiţi de zero).

APARCH(p,q)

Ding, Granger, and Engle (1993) au introdus modelul APARCH(p,q). In cazul acestui model
nu există o ecuaţie pentru varianţa condiţionată ( σ t2 ), ci pentru o funcţie putere al cărui
exponent este estimat în cadrul modelului. Astfel:

( ) + ∑β σ
q p
δ
σ tδ = ω + ∑ α i ε t −i − γ i ε t −i i
δ
t −i (2.14)
i =1 i =1

unde δ > 0 şi − 1 < γ i < 1 .

Modelul ia în considerare efectul de asimetrie prin intermediul parametrilor γ i .

[ ]
q p

∑α i E ( z − γ i z ) + ∑ β i < 1 procesul APARCH(p,q) este staţionar şi


δ
Dacă
i =1 i =1

ω
( )
E ε tδ =
[ ]
q p
1 − ∑α i E ( z − γ i z ) − ∑ β i
δ

i =1 i =1

101
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

[
Valoarea lui κ i = E ( z − γ i z )
δ
] depinde de forma distribuţiei aleasă pentru a modela z t din

ecuaţia 2.2

Astfel pentru:

• distribuţia normală: κ i =
(1 + γ i ) + (1 − γ i )
δ δ δ −1
⎛ δ +1⎞
Γ⎜
2 2

2π ⎝ 2 ⎠
• distributia Student cu ν grade de libertate:
⎛ δ + 1 ⎞ ⎛ν − δ ⎞ δ +1
Γ⎜ ⎟Γ ⎜ ⎟(ν − 2) 2
κi =
(1 + γ i ) + (1 − γ i )
δ δ
⎝ 2 ⎠ ⎝ 2 ⎠
(ν − 2)π ⎛ν ⎞
2Γ⎜ ⎟
⎝2⎠
• distribuţia GED cu ν grade de libertate:
δ −ν
{(1 + γ ) } ⎛ δ +1⎞ δ
2
⎛1⎞ −
+ (1 − γ i ) 2
δ δ ν
Γ⎜ ⎟λ Γ⎜ ⎟ ⋅ 2 ν
⎝ν ⎠
i
κi = ⎝ 2 ⎠ ,λ=
⎛1⎞ ⎛3⎞
Γ⎜ ⎟ Γ⎜ ⎟
⎝ν ⎠ ⎝ν ⎠
• distribuţia Student asimetrică cu ν grade de libertate şi coeficient de asimetrie ξ :

⎛ δ + 1 ⎞ ⎛ν − δ ⎞ δ +1
Γ⎜ ⎟Γ⎜ ⎟(ν − 2) 2
{
κ i = ξ −(δ +1) (1 + γ i )δ + ξ δ +1 (1 − γ i )δ } ⎝ 2 ⎠ ⎝ 2 ⎠
⎛ 1⎞ ⎛ν ⎞
⎜⎜ ξ + ⎟⎟ (ν − 2)π Γ⎜ ⎟
⎝ ξ⎠ ⎝2⎠

EGARCH(p,q)

In cazul modelului EGARCH(p,q) ecuaţia propusă de Nelson (1991) pentru varianţa


condiţionată este:

⎛ ε ⎛ ε ε ⎞⎞
ln σ t2 = ω + α (L )⎜ γ 1 t + γ 2 ⎜⎜ t − E t ⎟ ⎟ + β (L )ln σ t2
⎟⎟ (2.15)
⎜ σt
⎝ ⎝ σt σt ⎠⎠
q p
unde α (L ) = ∑ α i Li , β (L ) = ∑ β i Li , iar E z t depinde de forma distribuţiei:
i =1 i =1

102
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

2
• distribuţia normală: E z t =
π

• distributia Student cu ν grade de libertate:


⎛ 1 +ν ⎞
Γ⎜ ⎟ ν −2
⎝ 2 ⎠
E zt =
⎛ν ⎞
1 + Γ⎜ ⎟(ν − 1) π
⎝2⎠
• distribuţia GED cu ν grade de libertate:
2
⎛2⎞ ⎛1⎞ −
1 Γ⎜ ⎟ Γ⎜ ⎟ ⋅ 2 ν
ν
E z t = λ 2ν ⎝ ⎠ , λ = ⎝ν ⎠
⎛1⎞ ⎛3⎞
Γ⎜ ⎟ Γ⎜ ⎟
⎝ν ⎠ ⎝ν ⎠
• distribuţia Student asimetrică cu ν grade de libertate şi coeficient de asimetrie ξ :

⎛ 1 +ν ⎞
4ξ 2 Γ⎜ ⎟ ν −2
⎝ 2 ⎠
E zt =
1 ⎛ν ⎞
ξ + Γ⎜ ⎟(ν − 1) π
ξ ⎝2⎠

FIGARCH(p,d,q)

Aşa cum am menţionat mai sus o modalitate de a modela persistenţa în volatilitate este
modelul IGARCH(p,q). O altă modalitate este modelul FIGARCH(p,d,q) introdus de Baillie,
Bollerslev şi Mikkelsen (1996) şi Chung (1999).

Pentru un model GARCH avem:


[1 − α (L ) − β (L )]ε t2 = ω + [1 − β (L )](ε t2 − σ t2 )

Modelul FIGARCH presupune că 1 − α (L ) − β (L ) = ϕ (L )(1 − L ) unde 0 ≤ d ≤ 1 . Ca urmare


d

rezultă că:
ϕ (L )(1 − L )d ε t2 = ω + [1 − β (L )](ε t2 − σ t2 )
Deci ecuaţia varianţei este:

103
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

[
σ t2 = ω [1 − β (L )]−1 + 1 − ϕ (L )(1 − L )d [1 − β (L )]−1 ε t2] (2.16)

Estimarea modelelor de tip GARCH

Modelele se tip GARCH sunt estimate prin metoda verosimilităţii maxime („maximum
likelihood estimation”). Funcţia de verosimilitate („likelihood function”) depinde de tipul
densităţii luate în considerare pentru z t din ecuaţia 2.2:

• distribuţia normală:

L=−
1 T

2 t =1
[ ( )
ln (2π ) + ln σ t2 + z t2 ]

• distribuţia Student cu ν grade de libertate:


⎧ ⎡ ⎛ ν + 1 ⎞⎤ ⎡ ⎛ ν ⎞⎤ 1 ⎫
L = T ⋅ ⎨ln ⎢Γ⎜ ⎟⎥ − ln ⎢Γ⎜ ⎟⎥ − ⋅ ln[π (ν − 2 )]⎬
⎩ ⎣ ⎝ 2 ⎠⎦ ⎣ ⎝ 2 ⎠⎦ 2 ⎭

1 T ⎡ ⎛ z t2 ⎞⎤
− ∑⎢ t
2 t =1 ⎢⎣
( )
ln σ 2
+ (1 + ν ) ln ⎜ (ν − 2) ⎟⎟⎥
⎜ 1 +
⎝ ⎠⎥⎦

• distribuţia GED cu ν grade de libertate:


2
⎛1⎞ −
T ⎡
ν
⎤ Γ⎜ ⎟ ⋅ 2 ν
⎛ ν ⎞ 1 zt ⎛ν + 1 ⎞ ⎝ν ⎠
⎟ ln (2 ) − ln Γ⎜ ⎟ − ln (σ t )⎥ , λ =
⎛1⎞ 1
L = ∑ ⎢ln⎜ ⎟ − −⎜ 2

t =1 ⎢ ⎝ λ ⎠ 2 λ ⎝ ν ⎠ ⎝ν ⎠ 2 ⎥⎦ ⎛3⎞
⎣ Γ⎜ ⎟
⎝ν ⎠
• distribuţia Student asimetrică cu ν grade de libertate şi coeficient de asimetrie ξ :

⎧ ⎛ ⎞ ⎫
⎪⎪ ⎡ ⎛ ν + 1 ⎞⎤ ⎜ ⎟ ⎪⎪
⎡ ⎛ ν ⎞⎤ 1 2 ⎟
L = T ⋅ ⎨ln ⎢Γ⎜ ⎟⎥ − ln ⎢Γ⎜ ⎟⎥ − ⋅ ln[π (ν − 2 )] + ln⎜ + ln (s )⎬
⎪ ⎣ ⎝ 2 ⎠⎦ ⎣ ⎝ 2 ⎠⎦ 2 ⎜ 1⎟ ⎪
⎜ ξ+ ⎟
⎪⎩ ⎝ ξ ⎠ ⎪⎭
1 T ⎡ ⎛ (sz t + m )2 − 2 dt ⎞⎤
( )
− ∑ ⎢ln σ t + (1 + ν )ln⎜⎜1 +
2 t =1 ⎣⎢
2

(
ν − 2 )
ξ ⎟⎥

⎝ ⎠⎦⎥

104
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

⎧ m ⎛ν + 1 ⎞
⎪⎪1, z t ≥ − s Γ⎜ ⎟ ν −2
⎝ 2 ⎠ ⎛ 1⎞ ⎛ 1 ⎞
dt = ⎨ , m= ⎜⎜ ξ − ⎟⎟ , s = ⎜⎜ ξ 2 + 2 − 1⎟⎟ − m 2
⎪− 1, z < − m ⎛ν ⎞ ⎝ ξ⎠ ⎝ ξ ⎠
Γ⎜ ⎟ π
⎪⎩ t
s ⎝2⎠

Previzionarea mediei condiţionate


In cazul în care media condiţionată este modelată folosind un proces ARFIMA(m,d,n)
(ecuaţia 2.6) previziunea pentru h perioade este:
⎡ ∞

yˆ t + h|t = Et [ yt + h ] = ⎢ μˆ t + h|t + ∑ χ i ( yˆ t + h−i|t − μˆ t + h|t )⎥ +
⎣ i =1 ⎦
⎧ ⎡ ∞
⎤⎫
+ ∑ψˆ i ⎨ yˆ t + h−i|t − ⎢ μˆ t + h|t + ∑ χ k ( yˆ t + h−k −i|t − μˆ t + h|t )⎥ ⎬ +
m

i =1 ⎩ ⎣ k =1 ⎦⎭
n
+ ∑θ i εˆt + h−i|t (2.17)
i =1

unde μˆ t + h|t = Et [μ t + h ] , yˆ t +i|t = yt +i , i < 0 , εˆt +i|t = ε t +i , i < 0 , εˆt +i|t = 0, i ≥ 0

In continuare prezentăm relaţiile care permit obţinerea previziunilor pentru h perioade pentru
unele dintre cele mai utilizate procese pentru media condiţionată:

• AR(1)
yˆ t + h|t = Et [ yt + h ] = μˆ t + h|t + ψ 1 ( yˆ t + h−1|t − μˆ t + h|t ) (2.18)

• ARMA(1,1)
yˆ t + h|t = Et [ yt + h ] = μˆ t + h|t + ψ 1 ( yˆ t + h −1|t − μˆ t + h|t ) + θ1εˆt + h −1|t (2.19)

• ARFIMA(0,d,0)

yˆ t + h|t = Et [ yt + h ] = μˆ t + h|t + ∑ χ i ( yˆ t + h−i|t − μˆ t + h|t ) (2.20)
i =1

• ARFIMA(1,d,1)
⎡ ∞

ˆyt + h|t = Et [ yt + h ] = ⎢ μˆ t + h|t + ∑ χ i ( yˆ t + h−i|t − μˆ t + h|t )⎥ +
⎣ i =1 ⎦
⎧ ⎡ ∞
⎤⎫
+ ψˆ 1 ⎨ yˆ t + h−1|t − ⎢ μˆ t + h|t + ∑ χ k ( yˆ t + h−k −1|t − μˆ t + h|t )⎥ ⎬ + θ1εˆt + h−1|t
⎩ ⎣ k =1 ⎦⎭
(2.21)

105
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Previzionarea varianţei condiţionate

In continuare prezentăm ecuaţiile pentru previziunea pe h perioade a varianţei


condiţionate pentru principalele modele de tip GARCH:

• GARCH(p,q)

σˆ t2+ h|t = Et [σ t2+ h ] = ωˆ + ∑ αˆ i ε t2+ h −i|t + ∑ βˆiσˆ t2+ h −i|t


q p
(2.22)
i =1 i =1

[ ] [ ] [ ]
unde ε t2+i|t = Et ε t2+i = σ t2+i|t , i > 0 , ε t2+i|t = Et ε t2+i = ε , i ≤ 0 , σ t2+i|t = Et σ t2+i = σ t2+i , i ≤ 0
2
t +i

• TARCH(p,q)

σˆ t2+ h|t = Et [σ t2+ h ] = ωˆ + ∑ (αˆ i ε t2+ h−i|t + γˆi d t + h−i|t ε t2+ h−i|t ) + ∑ βˆiσ t2+ h−i|t
q p
(2.23)
i =1 i =1

[ ] 1
[ ]
unde d t +i|t = Et d t +i = d t +i , i ≤ 0 , d t +i|t = Et d t +i = , i > 0 pentru distribuţiile simetrice şi
2
[ ]
d t +i|t = Et d t +i =
1
1+ ξ 2
, i > 0 pentru distribuţia Student asimetrică (cu coeficient de asimetrie

ξ)
• APARCH(p,q)

( )⎦
σˆ tδ+ h|t = Et [σ tδ+ h ] = ωˆ + ∑ αˆ i Et ⎡⎢ ε t + h−i − γˆi ε t + h−i ⎤⎥ + ∑ βˆiσˆ tδ+ h−i|t
q p
δ
(2.24)
i =1 ⎣ i =1

( δ
) (
unde Et ⎡ ε t +i − γˆi ε t +i ⎤ = ε t +i − γˆi ε t +i
⎢⎣ ⎥⎦
δ

⎢⎣
) ,i ≤ 0 δ
( )
şi Et ⎡ ε t +i − γˆi ε t +i ⎤ = κ iσˆ tδ+i|t , i > 0 , iar κ i
⎥⎦
depinde de tipul distribuţiei luate în considerare

Previzionarea cursului de schimb folosind intervale de încredere dinamice

In această secţiune utilizăm date zilnice pentru cursul de schimb EUR/ROL şi USD/ROL.
Datele din perioada 1 ianuarie 1999 – 31 decembrie 2003 sunt folosite pentru estimarea
diferitelor modele utilizate, iar perioada 1 ianuarie 2004 – 30 aprilie 2004 va fi
considerată pentru analiza performanţelor „out of sample” a modelelor. A fost utilizată
această perioadă pentru a surprinde momentul schimbării monedei de referinţă de la
USD la EUR de către Banca Centrală. In continuare vom utiliza denumirea din acea
perioadă a cursurilor de schimb, respectiv EUR/ROL şi USD/ROL.

106
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In cadrul analizei utilizăm modele de tip GARCH cu diferite specificaţii pentru media
condiţionată şi pentru varianţa condiţionată a seriei rentabilităţii cursului de schimb calculat
după formula:
rt = (ln Pt − ln Pt −1 ) ⋅100 (2.25)

Compararea modelelor este realizată folosind criteriile informaţionale. De asemenea, ne axăm


şi pe analiza stabilităţii parametrilor acestor modele.

In ceea ce priveşte previzionarea cursului de schimb vom utiliza intervale de încredere


dinamice bazate pe previziunea pentru varianţa condiţionată. Astfel intervalul cu
probabilitate 95% pentru rentabilitatea pe o zi va fi:
(rˆ
t +1|t + z 0.025σˆ t +1|t , rˆt +1|t + z 0.975σˆ t +1|t ) (2.26)

unde rˆt +1|t este previziunea pe o zi a rentabilităţii, σˆ t +1|t previziunea pe o zi a

volatilităţii, iar z 0.025 şi z 0.975 sunt cuantilele de 2,5% respectiv de 97,5% a distribuţiei luată în
considerare.
Ca urmare, intervalul cu probabilitate de 95% în care se va afla ln Pt +1 este:

(ln P + rˆ
t t +1|t + z 0.025σˆ t +1|t , ln Pt + rˆt +1|t + z 0.975σˆ t +1|t ) (2.27)

Dacă se doreşte previzionarea cursului pe o perioadă h , mai mare de o zi, se poate folosi
previziunea pentru rentabilitatea pe h zile
h
Rˆ t + h|t = ∑ rˆt +i|t (2.28)
i =1

precum şi previziunea pe h zile a volatilităţii


h
Vˆt +2 h|t = ∑ σˆ t2+i|t (2.29)
i =1

In aceste condiţii intervalul cu probabilitate 95% pentru rentabilitatea pe h zile este:


(Rˆ t +1|t + z 0.025Vˆt +1|t , Rˆ t +1|t + z 0.975Vˆt +1|t ) (2.30)

iar intervalul pentru ln Pt + h este

(ln P + Rˆ
t t + h|t + z 0.025Vˆt + h|t , ln Pt + Rˆ t + h|t + z 0.975Vˆt + h|t ) (2.31)

107
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Previzionarea cursului de schimb EUR/ROL

Au fost efectuare teste de normaliate şi teste de existenţă a efectelor de tip GARCH pentru
rentabilitatea cursului de schimb EUR/ROL. Testul Jarque-Bera respinge ipoteza de
normalitate. Existenţa autocorelaţiei în pătratul rentabilităţii (conform testului Box Pierce Q),
precum şi existenţa efectelor de tip ARCH (conform testului ARCH LM a lui Engle)
sugerează folosirea pentru a modela rentabilitatea cursului de schimb EUR/ROL a modelelor
de tip GARCH.

Primul model estimat este un model clasic GARCH(1,1) cu distribuţie normală şi având în
ecuaţia mediei o constantă. Parametrii modelului sunt semnificativi, iar procesul GARCH
estimat este staţionar deşi se observă existenţa persistenţei în volatilitate (suma dintre
parametrii alfa şi gamma ai modelului este apropiată de 1). Testul BoxPierce Q pentru
pătratul reziduurilor standardizate precum şi testul ARCH arată că ecuaţia varianţei
condiţionate este corect specificată. De asemenea, testul BoxPierce Q pentru seria reziduurilor
standardizate implică faptul că ecuaţia mediei este corect specificată. Faptul că este de ajuns o
constantă în ecuaţia medie condiţionate pentru a explica evoluţia rentabilităţii cursului de
schimb EUR/ROL sugerează faptul că previzionarea cursului de schimb este foarte dificilă.
Ne vom ocupa mai târziu în studiul nostru de ecuaţia mediei. In continuare ne vom concentra
asupra ecuaţiei varianţei condiţionate. In cazul modelului estimat testul Nyblom respinge
ipoteza că parametrii ecuaţiei varianţei sunt constanţi în timp.

Ca urmare a fost introdusă o variabilă dummy care ia în considerare faptul că Banca


Centrala a modificat moneda de referinţă la începutul anului 2003. In continuare am
estimat un model GARCH(1,1) cu distribuţie normală cu variabila dummy în ecuaţia varianţei
condiţionate. Parametrii modelului sunt constanţi în timp (testul Nyblom). In plus conform
criteriilor informaţionale acest model este superior modelului anterior.

In figura 2.1 este prezentată previzionarea „in sample” a rentabilităţii cursului de schimb
EUR/ROL rezultată în cazul acestui model.

108
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura 2.1. Intervalele de încredere “in sample” pentru rentabilitatea cursului EUR/ROL pentru
modelul GARCH(1,1) dummy – distribuţie normală – constantă în medie

Aşa cum se observă volatilitatea cursului de schimb EUR/ROL s-a redus din momentul în
care Banca Centrală a introdus euro ca moneda de referinţă, intervalele de încredere
micşorându-se. Acest lucru se datorează intervenţiilor Băncii Centrale pe piaţa valutară prin
vânzarea şi cumpărarea de euro.

S-a constatat că distribuţia reziduurilor celor două modele GARCH cu distribuţie normală nu
este normală. Această distribuţie este leptocurtotică şi asimetrică. In continuare vom folosi
distribuţii teoretice care prezintă aceste proprietăţi.

Ca urmare am estimat modele GARCH(1,1) cu distribuţie GED , cu distribuţie Student şi cu


distribuţie Student asimetrică. Testul Pearson indică în cazul modelului GARCH(1,1) cu
distribuţie Student asimetrică o probabilitate ridicată ca distribuţia empirică a reziduurilor să
coincidă cu cea teoretică.

109
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Tabelul 2.1. Indicatori ai calităţii estimării pentru modele pentru rentabilitatea cursului EUR/ROL de
tip GARCH(1,1) cu constantă în medie şi diferite distribuţii
Tipul distribuţiei
Indicator Student
normală GED Student
asimetrică
AIC 1.932326 1.908004 1.894860 1.889276
BIC 1.952563 1.932288 1.919145 1.917608
Pearson p value 0.021586 0.059488 0.056443 0.176441
Nyblom 0.970891 1.42561 1.32591 1.43361
AIC – criteriul informaţional al lui Akaike Pearson – testul Pearson pentru
compararea distribuţiilor
BIC – criteriul informaţional al lui Schwartz Nyblom – testul de stabiliate Nyblom

Figura 2.2. Intervalele de încredere pentru previziunea “out of sample” a cursului de schimb
EUR/ROL pentru modelul GARCH(1,1) dummy – distribuţie Student asimetrică – constantă
în medie

In plus folosind criteriul informaţional modelul cu distribuţie Student asimetrică este superior
celorlalte modele GARCH(1,1) (tabelul 2.1). Acest lucru se explică şi prin faptul că această
distribuţie teoretică pe lângă faptul că este leptocurtotică este şi asimetrică, modelând astfel
mai bine distribuţia empirică despre care s-a constatat că prezintă aceste proprietăţi.

In figura 2.2 şi figura 2.3 sunt prezentate previzionarea „in sample” respectiv „out of sample”
a cursului de schimb EUR/ROL în cazul acestui model.

110
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura 2.2. Intervalele de încredere pentru previziunea “in sample” a cursului de schimb EUR/ROL
pentru modelul GARCH(1,1) dummy – distribuţie Student asimetrică – constantă în medie

Figura 2.3. Intervalele de încredere pentru previziunea “out of sample” a cursului de schimb
EUR/ROL pentru modelul GARCH(1,1) dummy – distribuţie Student asimetrică – constantă
în medie

111
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Se observă că intervalele de încredere se măresc pe măsură ce se creşte perioada pe care se


face previzionarea. De asemenea datorită faptului că în ecuaţia mediei condiţionate a
rentabilităţii este folosită doar o constantă previziunea pe o perioadă mare de timp este
inexactă, aşa cum se poate vedea şi în cazul perioadei „out of sample” (figura 2.3).

In continuare s-a încercat modelarea mediei condiţionate folosind procese autoregresive.


Singura specificaţie semnificativă găsită este un proces cu memorie lungă ARFIMA(1,d,0) .

Figura 2.4. Intervalele de încredere “in sample” pentru rentabilitatea cursului EUR/ROL pentru
modelul GARCH(1,1) dummy – distribuţie normală – ARFIMA(1,d,0) în ecuaţia mediei

Parametrii modelului sunt semnificativi şi stabili în timp. Testele Box Pierce Q şi ARCH
sugerează faptul că ecuaţia mediei şi varianţei condiţionate sunt corect specificate. Insă aşa
cum se observă în figura 2.4 amplitudinea seriei previziunilor este mică în comparaţie cu
amplitudinea seriei rentabilităţilor. Mai mult din punct de vedere al criteriilor informaţionale
acest model nu este superior modelelor care considerau doar o constantă în ecuaţia mediei.

Mai departe au fost folosite alte specificaţii pentru ecuaţia varianţei condiţionate. Pentru
început s-a testat existenţa efectului de levier în seria rentabilităţii cursului de schimb

112
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

EUR/ROL folosind modele GARCH asimetrice. Estimările modelelor de tip TARCH şi


APARCH au condus la concluzia că parametrul care măsoară asimetria nu este semnificativ
din punct de vedere statistic, modelele fiind de fapt simetrice.

Figura 2.5. Intervalele de încredere “in sample” pentru rentabilitatea cursului EUR/ROL pentru
modelul FIGARCH(1,d,0) dummy – distribuţie Student asimetrică – constantă în medie

In toate modelele utilizate până în acest moment a fost observată o mare persistenţă a
volatilităţii (suma parametrilor alfa şi gamma este aproape de 1). Pentru a surprinde această
proprietate au fost utilizate modele GARCH integrate. Pentru început s-a folosit un model de
tip IGARCH(1,1). Parametrii sunt semnificativi şi stabili în timp. Totuşi acest model nu este
superior modelului GARCH(1,1).

Ca urmare s-a încercat modelarea proprietăţii de persistenţă a volatilităţii utilizând un proces


cu memorie lungă. Astfel, s-a estimat pentru ecuaţia varianţei condiţionate un model
FIGARCH cu distribuţie Student asimetrică. Testele Box Pierce şi ARCH arată că ecuaţiile
mediei şi varianţei sunt corect specificate. Parametrii sunt stabili în timp (testul Nyblom). De
asemenea testul Pearson nu poate respinge ipoteza că distribuţia empirică a reziduurilor şi cea
teoretică considerată coincid. In plus conform criteriilor informaţionale acest model este cel
mai bun din cele estimate pentru cursul EUR/ROL.

113
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura 2.5 prezintă intervalele de încredere pentru previziunea „in sample” a rentabilităţii
pentru acest model. Se observă şi în acest caz că intervalele se micşorează după trecerea la
moneda euro ca monedă de referinţă, fapt care indică o reducere a volatilităţii.

Figura 2.6. Intervalele de încredere pentru previziunea “out of sample” a cursului de schimb EUR/ROL
pentru modelul FIGARCH(1,d,0) dummy – distribuţie Student asimetrică – constantă în medie

Insă datorită faptului că în ecuaţia mediei avem doar o constantă previziunea pentru un
interval mai mare de timp este foarte departe de valoarea reală observată (figura 2.6).

In concluzie în ceea ce priveşte cursul de schimb EUR/ROL modelele de tip GARCH pot fi
folosite pentru obţinerea unor previziuni pe baza de intervale de încredere dinamice. Acestea
depind de volatilitatea previzionată prin modelul GARCH ele fiind mai mici în perioadele cu
volatilitate redusă. Previziunea punctuală (obţinută folosind media condiţionată) nu are o
valoare practică prea mare datorită faptului că în cazul rentabilităţii cursului de schimb
EUR/ROL nu s-a găsit specificaţie semnificativă pentru ecuaţia mediei condiţionate alta decât
o constantă. De asemenea pentru previziunile pe un termen mai lung (5 zile, 10 zile, 20 zile)
mărimea intervalului de încredere este mare şi deci fără nici o valoare în practică.

114
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Previzionarea cursului de schimb USD/ROL

Spre deosebire de rentabilitatea cursului EUR/ROL, în cazul cursului USD/ROL se observă


faptul că testul Box Pierce Q nu poate respinge ipoteza că în perioada analizată nu există
autocorelaţie în seria de date a rentabilităţii cursului de schimb USD/ROL. Ca urmare, este
posibil să găsim specificaţii pentru media condiţionată altele decât o constantă, lucru care va
influenţa considerabil calitatea previziunilor.

Am început analiza cu un model simplu GARCH(1,1) cu distribuţie normală ecuaţia mediei


condiţionate fiind specificată printr-o constantă. Parametrii modelului sunt semnificativi, însă
testul Nyblom respinge ipoteza stabilităţii în timp a constantei din ecuaţia mediei. De
asemenea testul Box Pierce Q detectează existenţa autocorelaţiei în seria reziduurilor
standardizate, rezultând că ecuaţia mediei nu este corect specificată.

Ca şi în cazul cursului EUR/ROL vom introduce o variabilă dummy care marchează trecerea
de la dolar la euro ca monedă de referinţă. Am estimat un model în care variabila dummy a
fost introdusă atât în ecuaţia mediei cât şi cea a varianţei însă parametrii acestui model nu sunt
semnificativi. Ca urmare s-a renunţat la variabila dummy din cadrul ecuaţiei mediei.

Conform criteriilor informaţionale acest model este mai bun decât precedentul, însă nici în
acest caz constanta din ecuaţia mediei nu este stabilă în timp. Mai mult, ecuaţia varianţei
condiţionate nu pare a fi corect specificată (testul ARCH efectuat pe seria reziduurilor
standardizate), dar acest lucru se întâmplă datorită faptului că nici ecuaţia mediei nu este
corect specificată.

In continuare am folosit câteva specificaţii pentru media condiţionată. Astfel am utilizat


procese ARMA(1,1) precum şi procese cu memorie lungă ARFIMA(0,d,0) şi
ARFIMA(1,d,1). Parametrii acestor modele sunt semnificativi, iar ecuaţiile mediei şi a
varianţei condiţionate sunt corect specificate (testul Box Pierce acceptă ipoteza că nu
existenţă corelaţie serială în seria reziduurilor standardizate şi nici în seria pătratelor
reziduurilor standardizate).

115
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Tabelul 2.2. Indicatori ai calităţii estimării pentru modele pentru rentabilitatea cursului USD/ROL de
tip GARCH(1,1) cu distribuţie normală şi cu diferite specificaţii pentru media condiţionată
Ecuaţia mediei
Indicator
constantă ARMA(1,1) ARFIMA(0,d,0) ARFIMA(1,d,1)
AIC -0.414207 -0.509035 -0.505314 -0.505098
BIC -0.393970 -0.480702 -0.481029 -0.472718
Pearson p value 0.0 0.0 0.0 0.0
Nyblom 5.4289 1.95196 2.96452 4.37618
AIC – criteriul informaţional al lui Akaike Pearson – testul Pearson pentru
compararea distribuţiilor
BIC – criteriul informaţional al lui Schwartz Nyblom – testul de stabiliate Nyblom

Figura 2.7. Intervalele de încredere “in sample” pentru rentabilitatea cursului USD/ROL pentru
modelul GARCH(1,1) dummy – distribuţie normală – ARMA(1,1) în ecuaţia mediei

Din punct de vedere a criteriilor informaţionale cele trei modele sunt net superioare modelului
care are doar o constantă în ecuaţia mediei condiţionate. Totuşi parametrii modelelor cu
memorie lungă nu sunt stabili în timp (vezi tabelul 2.2).

116
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figura 2.7 prezintă intervalele de încredere „in sample” pentru rentabilitatea cursului de
schimb USD/ROL în cazul în care media condiţionată este modelată folosind procesul
ARMA(1,1). Se observă că în perioada în care dolarul a fost moneda de referinţă intervalele
de încredere sunt mai mici datorită faptului că volatilitatea era mai redusă. După schimbarea
la euro ca monedă de referinţă datorită faptului că intervenţiile Băncii Centrale se axează pe
moneda euro volatilitatea cursului EUR/ROL a scăzut (vezi figura 2.1), iar cea a cursului
USD/ROL a crescut (figura 2.7).

Figura 2.8. Intervalele de încredere pentru previziunea “out of sample” a cursului de schimb USD/ROL
pentru modelul GARCH(1,1) – distribuţie normală – ARMA(1,1) în ecuaţia mediei

Eroarea pătratică medie pentru previziunea „out of sample” a rentabilităţii pe o zi pentru acest
model este 0.5239. Din figura 2.8 se observă că previziunile pe perioade mai mari de o zi sunt
mult mai bune decât în cazul cursului EUR/ROL. O explicaţie ar fi că în acest caz ecuaţia
mediei este un proces ARMA(1,1) şi nu doar o constantă. In particular valorile reale ale
cursului au fost in toată perioada „out of sample” în intervalul de încredere previzionat.

Testul Pearson pentru modelele GARCH(1,1) cu distribuţie normală estimate mai sus
respinge ipoteza că distribuţia empirică a reziduurilor este identică cu distribuţia normală. Mai
mult se observă că această distribuţie empirică este leptocurtotică şi asimetrică.

117
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Tabelul 2.3. Indicatori ai calităţii estimării pentru modele pentru rentabilitatea cursului USD/ROL de
tip GARCH(1,1) cu diferite specificaţii pentru distribuţie media condiţionată şi media condiţionată
Specificaţii (distribuţie – ec medie condiţionată)
Indicator normală - Student asim - Student asim - Student asim -
ARMA(1,1) ARMA(1,1) ARFIMA(0,d,0) ARFIMA(1,d,1)
AIC -0.509035 -0.585705 -0.575650 -0.586440
BIC -0.480702 -0.549278 -0.543270 -0.545966
Pearson p value 0.0 0.151041 0.057063 0.286138
MSE 0.5239 0.5213 0.5354 0.5163
AIC – criteriul informaţional al lui Akaike BIC – criteriul informaţional al lui Schwartz
MSE – eroarea medie pătratică la previzionarea „out of sample” Pearson – testul Pearson pentru compararea
a rentabilităţii pe o zi distribuţiilor

Figura 2.9. Intervalele de încredere pentru previziunea “in sample” a cursului de schimb
USD/ROL pentru modelul GARCH(1,1) dummy – distribuţie Student asimetrică –
ARFIMA(1,d,1) în ecuaţia mediei

Ca urmare se vor utiliza modele GARCH(1,1) cu distribuţie Student asimetrică cu ecuaţia


mediei dată de un proces ARMA(1,1), ARFIMA(0,d,0) sau ARFIMA(1,d,1). Modelele din
această categorie sunt superioare celor care folosesc distribuţia normală atât prin prisma
criteriilor informaţionale cât şi datorită faptului că testul Pearson detectează faptul că
distribuţia empirică este o distribuţie Student asimetrică (vezi tabelul 2.3).

118
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In cazul modelului GARCH(1,1) cu distribuţie Student simetrică şi cu un proces


ARFIMA(1,d,1) în ecuaţia mediei amplitudinea seriei previziunilor „in sample” a cursului de
schimb USD/ROL este asemănătoare cu cea a seriei valorilor observate atât pentru
previziunile pe termen scurt cât şi pentru cele pe termen mai lung (vezi figura 2.9). De
asemenea se observă şi în acest caz faptul că volatilitatea cursului USD/ROL a crescut după
introducerea monedei euro ca monedă de referinţă.

Figura 2.10. Intervalele de încredere pentru previziunea “out of sample” a cursului de schimb
USD/ROL pentru modelul GARCH(1,1) dummy – distribuţie Student asimetrică – ARFIMA(1,d,1)
în ecuaţia mediei

Eroarea pătratică medie pentru previziunea „out of sample” a rentabilităţii pe o zi pentru acest
model este 0.5163, iar valorile observate s-au aflat în intervalele previzionate (figura 2.10).

In continuare au fost estimate modele asimetrice pentru a testa existenţa efectului de levier în
seria rentabilităţii cursului de schimb USD/ROL. Parametrii de asimetrie a modelelor utilizate
(TARCH şi APARCH) nu sunt semnificativ diferiţi de zero şi astfel se infirmă existenţa
acestui efect. Astfel s-a utilizat un model APARCH(1,1) cu un proces ARFIMA(1,d,1). Acest
model nu este superior modelului GARCH(1,1) corespunzător nici prin prisma criteriilor

119
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

informaţionale. De asemenea, eroarea pătratică medie a previziunii „out of sample” a


rentabilităţii pe o zi (0.5223) este mai mare decât în cazul modelelor anterioare.

Figura 2.11. Intervalele de încredere “in sample” pentru rentabilitatea cursului USD/ROL pentru
modelul FIGARCH(1,d,1) dummy – distribuţie normală – ARFIMA(1,d,1) în ecuaţia mediei

Si în cazul cursului de schimb USD/ROL se observă o mare persistenţă în volatilitate. Am


estimat în consecinţă modele GARCH integrate. Astfel s-a utilizat un model IGARCH(1,1) cu
ecuaţia medie dată de un proces ARFIMA(1,d,1), şi un model cu aceeaşi ecuaţie a mediei însă
în care ecuaţia varianţei condiţionate este specificată printr-un proces FIGARCH(1,d,1).

120
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Figurile 2.11 şi 2.12 prezintă rezultatele în cazul modelului FIGARCH(1,d,1) cu ecuaţie a


mediei ARFIMA(1,d,1). Eroarea pătratică medie pentru acest model în perioada „out of
sample” pentru previziunea rentabilităţii pe o zi este 0.5146 , fiind cea mai mică eroare atinsă
dintre toate modelele estimate. Totuşi există rezerve în privinţă acestui model datorită faptului
că parametrii săi nu sunt stabili în timp, iar criteriile informaţionale nu îl identifică ca fiind cel
mai bun model.

Figura 2.12. Intervalele de încredere pentru previziunea “out of sample” a cursului de schimb
USD/ROL pentru modelul FIGARCH(1,d,1) dummy – distribuţie normală – ARFIMA(1,d,1) în
ecuaţia mediei

In cazul cursului de schimb USD/ROL, datorită faptului că au fost găsite specificaţii pentru
media condiţionată (diferite de cazul simplu al unei constante) se pot obţine previziuni
punctuale care pot fi folosite în practică. In plus, previziunea bazată pe intervale de încredere
este mai precisă chiar şi pentru perioade mai mari de timp.

121
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

III.3 Modelul Copula-GARCH

In acest capitol este dezvoltat un nou model bidimensional de tip Copula-GARCH,


procese în care structura de dependenţă este modelată utilizând funcţii copula. Utilizarea
funcţiilor copula în finanţe permite descompunerea estimării distribuţiilor multidimensionale
în două probleme mai simple şi anume:
• estimarea fiecărei distribuţii marginale în parte ;
• estimarea parametrilor funcţiei copula .

Modelul Copula-GARCH presupune modelarea fiecărei serii de rentabilităţi utilizând


modele GARCH şi utilizarea reziduurilor normalizate pentru estimarea funcţiei copula care
aproximează structura de dependenţă.
Vom prezenta un model Copula-GARCH static şi unul dinamic:
• modelul static are ca ipoteză faptul că structura de dependenţă (condiţionată)
nu se modifică în timp şi astfel parametrii funcţiei copula sunt constanţi în timp
;
• modelul dinamic introduce ecuaţii şi pentru evoluţia parametrilor funcţiei
copula implicând faptul că structura de dependenţă (condiţionată) se poate
modifică de-a lungul seriei de date ;

Deoarece ne axăm în principal pe analiza dependenţei, pentru aproximarea procesului


descris de rentabilitatea fiecărei serii de date s-a utilizat cel mai simplu proces posibil şi
anume GARCH(1,1) cu ecuaţia mediei egală cu o constantă. Pentru a surprinde proprietatea
că distribuţia rentabilităţii este leptocurtotică şi în acelaşi timp pentru a păstra redus numărul
de parametri, reziduurile au fost modelate utilizând distribuţia Student.

Bineînţeles că modelul poate fi extins, putând fi utilizate pentru modelarea celor două
distribuţii marginale toate tipurile de procese de tip GARCH prezentate în capitolul anterior,
precum şi prin utilizarea unor ecuaţii mai complicate pentru ecuaţia mediei condiţionate. De
asemenea, pot fi folosite şi alte tipuri de distribuţii leptocurtotice cum ar fi distribuţia α -
stabilă sau distribuţia hiperbolică generalizată.

122
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Modelul static Copula-GARCH(1,1)

Fie x1t , x2t două serii de rentabilităţi. Modelul static Copula-GARCH(1,1) este definit
prin următoarele ecuaţii:
⎧ x1t = μ1 + ε 1t
⎪ε = σ z
⎪ 1t 1t 1t
⎨ 3.1
z
⎪ 1t iid t (ν 1 )
⎪σ 2 = ω + α ε 2 + β σ 2
⎩ 1t 1 1 1t −1 1 1t −1

⎧ x2 t = μ 2 + ε 2 t
⎪ε = σ z
⎪ 2t 2t 2t
⎨ 3.2
⎪ z2t iid t (ν 2 )
⎪σ 2 = ω + α ε 2 + β σ 2
⎩ 2t 2 2 2 t −1 2 2 t −1

z1t , z2t sunt caracterizate de copula Cθ 3.3

θ este constant 3.4

Pentru modelarea structurii de dependenţă a seriilor de date au fost utilizate o gamă


largă de funcţii copula parametrice:
• funcţii copula arhimediene: copula Frank, copula Clayton, copula Gumbel,
copula mixtură ;
• funcţia copula gaussiană ;
• funcţia copula t .
Copulele arhimediene (Frank, Clayton, Gumbel şi mixtură) au avantajul faptului că
numărul de parametri este constant indiferent de numărul seriilor de date considerate. Pe de
altă parte numărul de parametri ai funcţiilor copula t sau gaussiană creşte odată cu creşterea
numărului de dimensiuni, creşterea fiind de tip pătratic.

Pentru estimarea modelului Copula-GARCH static au fost utilizate două perechi de


date financiare: rentabilităţile zilnice EUR şi JPY (folosind cursul faţă de USD) şi
rentabilităţile zilnice ale indicilor SP500 şi DAX. Analiza s-a realizat pe date zilnice pe o
serie de un număr de 2500 înregistrări (aproximativ perioada ian 1997-dec 2007). Parametrii
modelelor GARCH unidimensionale sunt semnificativi şi îndeplinesc condiţiile de existenţă.
Algoritmul de estimare a fost implementat cu ajutorul programului econometric Maple.

123
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Reziduurile pentru perechea EUR - JPY prezintă o puternică dependenţă pozitivă


coeficientul liniar de corelaţie fiind 0.5434, coeficientul Spearman 0.5511, iar coeficientul
Kendall 0.3917 .

Tabelul 3.1 Parametrii estimaţi ai funcţiilor copula pentru perechea EUR şi JPY
GOF
Copula Parametrii AIC
KS AD
4.2879
Frank -411.43 0.0391 3.1575
(0.2139)
0.8818
Clayton -317.06 0.0612 8.7015
(0.0579)
1.5750
Gumbel -367.82 0.0501 5.7836
(0.0383)
0.3802 1.2304 1.6970
mixtura C-G -403.31 0.0429 3.6516
(0.0655) (0.1996) (0.0698)
0.5728
gaussiana -399.39 0.0510 7.1025
(0.0179)
0.5806
t 9 -417.59 0.0428 3.9329
(0.0197)

a) distr. empirică b) distr. generată de copula Frank


z2

z2

z1 z1

c) distr. generată de copula mixtură d) distr. generată de copula t


z2
z2

z1 z1

Figura 3.1 Distribuţia bidimensională a reziduurilor pentru perechea EUR şi JPY

124
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

O dependenţă pozitivă există şi între reziduurile pentru perechea SP500 şi DAX.


Astfel coeficientul liniar de corelaţie este 0.5333, coeficientul Spearman 0.5115, iar
coeficientul Kendall de 0.3633 .

Tabelul 3.2 Parametrii estimaţi ai funcţiilor copula pentru perechea SP500 şi DAX
GOF
Copula Parametrii AIC
KS AD
3.9444
Frank -300.42 0.0447 2.7880
(0.2283)
0.7727
Clayton -308.59 0.0657 7.7741
(0.0611)
1.6054
Gumbel -310.94 0.0427 2.7381
(0.0427)
0.2149 1.2269 1.8933
mixtura C-G -330.22 0.0212 0.5426
(0.0575) (0.6935) (0.0718)
0.5574
gaussiana -315.23 0.0557 5.1065
(0.0202)
0.5628
t 5 -348.13 0.0344 1.5933
(0.0234)

a) distr. empirică b) distr. generată de copula Frank


z2

z2

z1 z1

c) distr. generată de copula mixtura d) distr. generată de copula t


z2
z2

z1 z1

Figura 3.2 Distribuţia bidimensională a reziduurilor pentru perechea SP500 şi DAX

125
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In urma analizei rezultatelor privind estimările funcţiilor copula se observă faptul că


există trei clase de funcţii copula care surprind cu succes dependenţa dintre reziduurile
normalizate şi anume funcţia mixtură, funcţia Frank şi funcţia copula t. La acesta
concluzie s-a ajuns prin utilizarea criteriului informaţional AIC, precum şi a statisticilor de
„goodness-of-fit” Kolmogorov-Smirnov şi Anderson-Darling. Funcţia copula de tip Frank are
în plus avantajul faptului că depinde doar de un singur parametru.

Modelul dinamic Copula-GARCH(1,1)

Modelul dinamic Copula-GARCH(1,1) este definit prin relaţiile 3.1, 3.2 (i.e. ecuaţiile
pentru distribuţiile marginale sunt aceleaşi ca la modelul static), iar:
z1t , z2t sunt caracterizate de copula Cθt 3.5

θ t = f (θt −1 , z1t −1 , z2t −1 ) 3.6

Pentru ecuaţia de dinamică a fost utilizată pentru început o specificaţie de forma:


θ t = T (a1 + a2θt −1 + a3 z1t −1 z2t −1 ) 3.6a

unde T (⋅) reprezintă o transformare care să asigure faptul că parametrul considerat se


încadrează în intervalul de existenţă.
Pentru seriile analizate s-a observat faptul că parametrul a2 este nesemnificativ din
punct de vedere statistic. Ca urmare a fost utilizată următoarea ecuaţie de dinamică:
θ t = T (a1 + a3 z1t −1 z2t −1 ) 3.6b

O altă specificaţie posibilă pentru parametrul dinamic al funcţiei copula este:


θ t = T (a1 + a2θt −1 + a3 z1t −1 z2t −1 + a4 z12t −1 + a5 z22t −1 ) 3.6c
Nu s-a utilizat această specificaţie datorită numărului mare de parametri.

Pe cazul general se poate apela la o ecuaţie de dinamică de forma:


⎛ p q r s

θ t = T ⎜⎜ a0 + ∑ a1iθt −i + ∑ a2i z12t −i + ∑ a3i z22t − i + ∑ a4i z1t −i z2t − i ⎟⎟ 3.7
⎝ i =1 i =1 i =1 i =1 ⎠

126
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Pentru estimarea parametrilor se utilizează metoda IFM (inference functions for


marginals). Aceasta presupune estimarea mai întâi a parametrilor proceselor GARCH care
modelează distribuţiile marginale. In al doilea pas se estimează parametrii funcţiei copula.
Astfel, dacă notăm cu F1 , F2 funcţiile de repartiţie ale reziduurilor şi cu zˆ1t , zˆ2t seriile de
reziduuri, funcţia de verosimilitate este :

( ( ) ( ) )
T
L(a ) = ∑ ln c F1 zˆ1t , F2 zˆ2t ;θ t (a ) 3.8
t =1

unde c(⋅,⋅) funcţia de densitate a copulei considerate.

Aşa cum s-a observat în cazul modelului static sunt trei tipuri de funcţii copula care
aproximează cu succes structura de dependenţă: funcţia copula de tip Frank, mixtura dintre o
funcţie copula de tip Clayton şi o funcţie de tip Gumbel şi funcţia copula t. Pentru fiecare
dintre aceste funcţii copula am utilizat o specificaţie dinamică astfel:
ƒ funcţia copula Frank Cα t :

α t = T (a0 + a1 z1t −1 z2t −1 ) 3.9

unde T ( x ) = x

ƒ funcţia mixtură Cθ t ,αCt ,αGt = θ t CαClayton


Ct + (1 − θ t )CαGumbel
Gt :

⎧θ t = ct = θˆ

⎨αGt = ct = αˆG 3.10
⎪αC = T (a + a z z )
⎩ t 0 1 1t −1 2 t −1

unde T ( x ) = x 2 , iar θˆ, αˆG sunt valorile estimate pentru modelul static
ƒ funcţia copula t Cν t , ρ t :

⎧ν t = ct = νˆ
⎨ 3.11
⎩ ρt = T (a0 + a1 z1t −1 z2t −1 )
⎛ x⎞
unde T ( x ) = tanh⎜ ⎟ , iar νˆ este valoarea estimată pentru modelul static
⎝2⎠

In continuare prezentăm estimările realizate pentru perechea de rentabilităţi EUR –


JPY, respectiv pentru perechea SP500 – DAX.

127
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In tabelul 3.3 sunt prezentate rezultatele estimării modelului dinamic pentru perechea
EUR - JPY.

Tabelul 3.3 Parametrii estimaţi ai ecuaţiei de dinamică pentru perechea EUR şi JPY
AIC model AIC model
Copula Parametrii ec. de dinamica
dinamic static
4.0783 0.4578
Frank -414.90 -411.43
(0.2139) (0.1820)
1.0308 0.2292
mixtura C-G -412.66 -403.31
(0.0884) (0.0746)
1.2712 0.1191
t -420.87 -417.59
(0.0592) (0.0409)

Se observă că introducerea ecuaţiei de dinamică pentru parametrul funcţiei copula


îmbunătăţeşte modelul, obţinându-se o valoare mai redusă pentru statistica AIC decât în cazul
modelului static.

a) copula Frank

dinamic static

b) copula mixtura c) copula t

1
8
0.9

7 0.8

6 0.7

5 0.6

0.5
4
0.4
3
0.3
2
0.2
1
0.1

0 0

dinamic static dinamic static

Figura 3.3 Evoluţia parametrilor dinamici pentru perechea EUR şi JPY

128
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In tabelul 3.4 sunt prezentate rezultatele estimării modelului dinamic pentru perechea
SP500 - DAX.

Tabelul 3.4 Parametrii estimaţi ai ecuaţiei de dinamică pentru perechea SP500 şi DAX
AIC model AIC model
Copula Parametrii ec de dinamica
dinamic static
3.6736 0.6870
Frank -310.29 -300.42
(0.2265) (0.1914)
0.4564 0.6484
mixtura C-G -361.56 -330.22
(0.0069) (0.1008)
1.2244 0.1438
t -352.86 -348.13
(0.0679) (0.0464)

Si în acest caz modelul dinamic este mai bun decât cel static din punct de vedere al
criteriului informaţional AIC.

a) copula Frank

dinamic static

b) copula mixtura c) copula t


0.9
8

7 0.8

6
0.7

0.6
4

3
0.5

2
0.4
1

0 0.3

dinamic static dinamic static

Figura 3.4 Evoluţia parametrilor dinamici pentru perechea SP500 şi DAX

129
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Modelul dinamic Copula-GARCH poate fi utilizat pentru îmbunătăţirea simulărilor


privind cuantificarea riscului de piaţă. Astfel, utilizarea structurii dinamice de dependenţă va
conduce la obţinerea unor simulări mai exacte a evoluţiei viitoare a celor două serii de
rentabilităţi financiare. Acestea pot fi utilizate pentru calculul VaR prin intermediul metodei
Monte Carlo.

130
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

III.4 Concluzii

In cadrul acestei lucrări au fost prezentate tehnici de estimare a volatilităţii, analiza


axându-se în principal asupra modelelor de tip GARCH.
In prima parte au fost analizate procesele clasice utilizate pentru modelarea şi
estimarea volatilităţii seriilor unidimensionale de rentabilităţi: GARCH, EGARCH,
TGARCH, APARCH, IGARCH şi FIGARCH. De asemenea, a fost modelată seria zilnică a
cursului de schimb EUR/RON şi USD/RON utilizând modele econometrice clasice de tip
GARCH şi au fost obţinute previziuni pe termen scurt pentru evoluţia acestuia utilizând
intervale de încredere dinamice bazate pe previziunea volatilităţii cursului de schimb.
In ultima parte a fost introdus un nou proces bidimensional de tip Copula-GARCH,
proces în care structura de dependenţă este modelată prin utilizarea conceptului de funcţie
copula. A fost analizat atât un model static cât şi unul dinamic. Modelul dinamic presupune
existenţa unor ecuaţii pentru evoluţia parametrilor funcţiei copula, implicând astfel faptul că
structura de dependenţă a seriilor de date nu este constantă în timp.
In urma estimării modelului static s-a constatat că sunt trei tipuri de funcţii copula
care aproximează cu succes structura de dependenţă a seriilor considerate: funcţia
copula de tip Frank, mixtura dintre o funcţie copula de tip Clayton şi o funcţie de tip
Gumbel şi funcţia copula t.

131
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In cadrul modelului dinamic, pentru fiecare dintre funcţiile copula menţionate mai sus
a fost utilizată o specificaţie dinamică a parametrilor care depinde de reziduurile normalizate
ale celor două serii unidimensionale. Introducerea ecuaţiei de dinamică pentru parametrul
funcţiei copula îmbunătăţeşte conduce la îmbunătăţirea modelului, obţinându-se o valoare mai
mică pentru statistica AIC decât în cazul modelului static.
Modelul dinamic Copula-GARCH poate fi utilizat pentru îmbunătăţirea simulărilor
privind cuantificarea riscului de piaţă.

132
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Bibliografie

Alexander, C şi E. Lazăr (2003): “Symmetric Normal Mixture GARCH”, ISMA Centre


Discussion Papers in Finance, 2003-09.

Andersen, T., şi T. Bollerslev (1997): “Answering the Critics: Yes, ARCH Models Do
Provide Good Volatility Forecasts,” NBER Working Paper Series, 6023.

Bai, X, Russell, J.R. şi G.C. Tiao (2003): „The Kurtosis of GARCH and Stochastic Volatility
Models“, forthcoming Journal of Econometrics.

Baillie, R., şi T. Bollerslev (1989): “The Message in Daily Exchange Rates: A Conditional-
Variance Tale,” Journal of Business and Economic Statistics, 7, 297–305.

Baillie, R., T. Bollerslev, şi H. Mikkelsen (1996): “Fractionally Integrated Generalized


Autoregressive Conditional Heteroskedasticity,” Journal of Econometrics, 74, 3–30.

Ball, C.A. şi Torous, W.N. (1983): “A Simplified Jump Process for Common Stock Returns”,
Journal of Financial and Quantitative Analysis,18,53-65

Barndorff-Nielsen , O.E. şi N. Shepard (2001): „Non-Gaussian Ornstein-Uhlenbeck based


Models and Some of Their Uses in Financial Economics”, Journal of the Royal Statistical
Society Series B,63,167-241.

Barndorff-Nielsen, O.E. (1997) : „Exponentially Decreasing Distributions for the Logarithmic


of Particle Size”, Proceeings of the Royal Society of London, 353,401-40

Beine, M., S. Laurent, şi C. Lecourt (2000): “Accounting for Conditional Leptokurtosis and
Closing Days Effects in FIGARCH Models of Daily Exchange Rates,” forthcoming in
Applied Financial Economics.

Black, F. (1976): “Studies of Stock Market Volatility Changes,” Proceedings of the American
Statistical Association, Business and Economic Statistics Section, pp. 177–181.

Bollerslev, T. (1986): “Generalized autoregressive condtional heteroskedasticity,” Journal of


Econometrics, 31, 307–327.

133
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Bollerslev, T. (1987): “A Conditionally Heteroskedastic Time Series Model for Speculative


Prices and Rates of Return,” Review of Economics and Statistics, 69, 542–547.

Bollerslev, T., şi H. O. Mikkelsen (1996): “Modeling and Pricing Long-Memory in Stock


Market Volatility,” Journal of Econometrics, 73, 151–184.

Breidt, F. J., N. Crato, şi P. de Lima, 1998, The detection and estimation of long memory in
stochastic volatility, Journal of Econometrics, 83, 325–348.

Chung, C.-F. (1999): “Estimating the fractionnally intergrated GARCH model,” National
Taiwan University working paper.

Chung, C.-F. şi R. T. Baillie, (1993), Small sample bias in conditional sum of squares
estimation of fractionally integrated ARMA models, Empirical Economics, 18, 791–806.

Day, T., and C. Lewis (1992): “Stock Market Volatility and the Information Content of Stock
Index Options,” Journal of Econometrics, 52, 267–287.

Ding, Z., C. W. J. Granger, and R. F. Engle (1993): “A Long Memory Property of Stock
Market Returns and a New Model,” Journal of Empirical Finance, 1, 83–106.

Doornik, J. A. (1999): An Object Oriented Matrix Programming Language. Timberlake


Consultant Ltd., third edn.

Eberlein, E. şi Keller, U. (1995): „Hyperbolic distributions in Finance“, Bernoulli, 1, 281-299.

Engle, R. (1982): “Autoregressive conditional heteroscedasticity with estimates of the


variance of United Kingdom inflation,” Econometrica, 50, 987–1007.

Engle, R., şi T. Bollerslev (1986): “Modeling the Persistence of Conditional Variances,”


Econometric Reviews, 5, 1–50.

Fama, E. (1965): “The Behaviour of Stock Market Prices,” Journal of Business, 38, 34–105.

Fernandez, C., and M. Steel (1998): “On Bayesian modelling of fat tails and skewness,”
Journal of the American Statistical Association, 93, 359–371.

Fornari, F., şi A. Mele (1996): “Modeling the changing asymmetry of conditional variances,”
Economics Letters, 50, 197–203.

Franses, P., J. Neele, şi D. Van Dijk (1998): “Forecasting volatility with switching persistence
GARCH models,” Working Paper, Erasmus University, Rotterdam.

134
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Glosten, L., R. Jagannathan, şi D. Runkle (1993): “On the relation between expected return on
stocks,” Journal of Finance, 48, 1779–1801.

Granger, C. (1980): “Long Memory Relationships and the Aggregation of Dynamic Models,”
Journal of Econometrics, 14, 227–238.

Granger, C., şi R. Joyeux (1980): “An Introduction to Long-Memory Time Series Models and
Fractional Differencing,” Journal of Time Series Analysis, 1, 15–29.

Hansen, B. (1994): “Autoregressive Conditional Density Estimation,” International Economic


Review, 35, 705–730.

Harvey, A. C., (1993): “Long-memory in stochastic volatility”, Manuscript, London School


of Economics.

Hsieh, D. (1989): “Modeling Heteroskedasticity in Daily Foreign Exchange Rates,” Journal


of Business and Economic Statistics, 7, 307–317.

Hu, L., (2006). Dependence Patterns across Financial Markets. Applied Financial Economics,
10, 717-729.

Jarque, C., şi A. Bera (1987): “A Test for Normality of Observations and Regression
Residuals,” International Statistical Review, 55, 163–172.

Jondeau, E., and Rockinger, M., (2006). The Copula-GARCH model of conditional
dependencies. Journal of International Money and Finance, 25, 827-853.

Kaiser, T. (1996): “One-Factor-GARCH Models for German Stocks - Estimation and


Forecasting,” Universiteit Tubingen, Working Paper.

Kon, S.J. (1984): “Models of Stock Returns – A Comparison”, The Journal of Finance, 39,
147-165.

Lambert, P., şi S. Laurent (2000): (2001): “Modelling Financial Time Series Using GARCH-
Type Models and a Skewed Student Density,” Mimeo, Universite de Liege.

Lambert, P., şi S. Laurent (2000): “Modelling Skewness Dynamics in Series of Financial


Data,” Discussion Paper, Institute de Statistique, Louvain-la-Neuve.

Laurent, S., şi J.-P. Peters (2001): “G@RCH 2.0 : An Ox Package for Estimating and
Forecasting Various ARCH Models,” Proceedings 8th Forecasting Financial Markets,
London, May 2001.

135
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Mandelbrot, B. (1963): “The Variation of Certain Speculative Prices,” Journal of Business,


36, 394–419.

Nelson, D. (1991): “Conditional heteroskedasticity in asset returns: a new approach,”


Econometrica, 59, 349–370.

Patton, A. (2006a). Modelling Asymmetric Exchange Rate Dependence. International


Economic Review, 47, 527-556.

Patton, A. (2006b). Estimation of Multivariate Models for Time Series of Possibly Different
Lengths. Journal of Applied Econometrics, 21, 147-173.

Peters, J. (2000): “Development of a package in the Ox environment for GARCH models and
two empirical applications,” Mimeo, Universite de Liege.

Roberts, M.C. (2001): “Commodities, Options and Volatility: an Analytic Approach”, Review
of Financial Studies,4, 727-752.

Tse, Y. (1998): “The Conditional Heteroscedasticity of the Yen-Dollar Exchange Rate,”


Journal of Applied Econometrics, 193, 49–55.

Vlaar, P., şi F. Palm (1993): “The message in weekly exchange rates in the european
monetary system: mean reversion, conditional heteroskedasticity and jumps,” Journal of
Business and Economic Statistics, 11, 351–360.

Zakoian, J.-M. (1994): “Threshold Heteroscedastic Models,” Journal of Economic Dynamics


and Control, 18, 931–9

136
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

IV. EVALUAREA DERIVATIVELOR PE VALUTĂ ÎN


CONTEXTUL UNUI MODEL DE ECHILIBRU GENERAL

CU DISCONTINUITĂŢI

137
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

IV.1 Introducere

In cadrul modelelor clasice pentru evaluarea opţiunilor (Black and Scholes


1973; Merton 1973a), derivativul financiar este redundant, în sensul că acesta poate fi
replicat utilizând celelalte active financiare de pe piaţă (activul suport şi obligaţiunea
zero cupon fără risc). Acest lucru este o consecinţă a faptului că modelele de piaţă
financiară considerate sunt complete. In aceste condiţii exista o unica măsură neutră la
risc şi astfel există un singur preţ „corect” al unui derivativ. Aceste modele au la bază
ipoteza că rentabilitatea activului suport este normal distribuită, dinamica acestuia
fiind generată de un proces de difuzie bazat pe mişcarea browniană.
Numeroase studii empirice au evidenţiat faptul că rentabilitatea activelor
financiare este caracterizată printr-o distribuţie leptocurtotică. Pentru a surprinde
această proprietate au fost propuse în literatura de specialitate o serie de modele
bazate pe procese de salt de tip Poisson sau alte procese de tip Levy mai complexe,
cum ar fi procesele hiperbolice generalizate. Aceste modele de piaţă financiară nu
sunt însă complete şi astfel există o infinitate de măsuri neutre la risc. In aceste
condiţii este dificilă determinarea unui singur preţ „corect” al unui derivativ. O soluţie
la această problemă este de a evalua derivativul în contextul unui model de echilibru
general.
In această lucrare este dezvoltat un model de echilibru general în timp
continuu pentru o economie cu două ţări de tip Lucas (Lucas 1978; Lucas 1982).
Modelul presupune faptul că PIB-ul în cele două ţări este generat de un proces
stocastic de tip jump-diffusion. In secţiunea 2 este prezentat modelul de echilibru

138
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

general şi sunt prezentate rezultatele referitoare la determinarea cursului de schimb,


la evaluarea activelor financiare, la determinarea ratelor de dobândă nominală şi
reală din cele două ţări, precum şi la determinarea mărimii primei de risc a
activelor financiare în contextul acestui model. Astfel, în ceea ce priveşte expresia
primei de risc, pe lângă termenu care apare în modelele de echilibru general clasice
(cum ar fi CCAPM – Breeden 1979, 1986), în cazul acestui nou model mai apare un
termen suplimentar care cuantifică prima de risc datorată riscului introdus de către
şocurile (partea discontinuă din ecuaţia PIB-ului) care pot apărea în cele două ţări In
secţiunea 3 este analizată situaţia în care PIB-ul şi masa monetară au rata de
creştere şi volatilitatea constantă, iar salturile sunt distribuite log-normal. In
aceste condiţii se obţin ecuaţiile fundamentale de evaluare a activelor financiare,
precum şi ecuaţia de dinamică a cursului de schimb real şi nominal. Distribuţia
rezultată din model a cursului de schimb reprezintă o mixtură de distribuţii log-
normale, distribuţia rentabilităţii fiind astfel leptocurtotică. De asemenea, este
determinată o nouă formulă de evaluare pentru opţiunile pe valută în contextul
acestui model de echilibru general.

139
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

IV.2 Model de echilibru general cu discontinuităţi

Se consideră o economie cu două ţări de tip Lucas (Lucas 1978; Lucas 1982).
PIB-ul în ţara Home este 2 yt unde yt are o ecuaţia de dinamică caracterizată printr-o

parte continuă ( )
dyt
yt c
modelată printr-un proces de difuzie bazat pe mişcarea

browniană şi o parte discontinuă modelată prin intermediul unui proces Poisson


compus care cuantifică salturile care apar în urma unor evenimente rare. Astfel,
ecuaţia de dinamică este de tip jump-diffusion:

dyt ⎛ dyt ⎞
= ⎜⎜ ⎟⎟ + JdN t (1)
yt ⎝ yt ⎠ c

unde J este o variabilă aleatoare cu densitate de repartiţie ϕ J , reprezentând

amplitudinea saltului, iar N t este un proces Poisson independent de mişcarea

browniana şi care are intensitate λ :

e − λt (λt )
n
P( N t = n ) = p(n ) = (2)
n!

*
Analog, ecuaţia de dinamică a PIB-ului în ţara Foreign (cu se vor nota
variabilele în ţara Foreign) este dată de :

dyt* ⎛ dyt* ⎞
*
= ⎜⎜ * ⎟⎟ + J *dN t* (3)
yt ⎝ yt ⎠ c

unde N t* este un proces Poisson cu intensitate λ* . Procesele N t şi N t* nu sunt

corelate.
In ceea ce priveşte masa monetară ( M t = 2mt , M t* = 2mt* ) presupunem că
urmează un proces de difuzie generat de către o mişcare browniană, care poate să fie
corelată cu mişcarea browniană care influenţează dinamica PIB-ului. Astfel,
presupunem că nu există discontinuităţi (salturi) în procesul descris de către masa
monetară:

140
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

dmt ⎛ dmt ⎞
= ⎜⎜ ⎟⎟ (4)
mt ⎝ mt ⎠ c
Există un agent economic reprezentativ în fiecare din cele două ţări având
aceeaşi funcţie de utilitate:

( )
U c, c * = u (c ) + u c * ( ) (5)

In fiecare ţară există o singură acţiune (indicele bursier) care plăteşte


dividende în valoare de 2 yt Pt , unde Pt reprezintă nivelul preţului în ţara Home. De
asemenea, pe piaţa de capital a fiecărei ţări se tranzacţionează şi alte active financiare
(zero-net-supply). In fiecare ţară se produce un singur bun, acesta putând fi
achiziţionat doar în valuta ţării de origine a bunului respectiv. Modelul presupune
perfecta mobilitate a capitalului şi a bunurilor.
Problema de maximizare a consumatorului din ţara Home este dată de|:


max
* *
Et ∫ exp{− φ (s − t )}U cs , cs* ds
c , c ,α ,α , β
( ) (6)
t

unde φ este factorul subiectiv de percepere a timpului, α ,α * reprezintă


numărul de acţiuni din ţara Home, respectiv Foreign pe care agentul economic le
deţine în portofoliu, iar β reprezintă numărul de unităţi dintr-un activ financiar care
plăteşte un flux real de dividende δ t exprimat în bunul de consum din ţara Home şi un

flux real de dividende δ t* exprimat în bunul de consum din ţara Foreign.

Propoziţia 1. La echilibru avem că:


a) nivelul preţului este:
mt mt*
Pt = , Pt = *
*
(7)
yt yt
b) cursul nominal de schimb este:

et =
( )
yt*u ′ yt* mt*
(8)
yt u ′( yt ) mt
c) cursul real de schimb este:

εt =
( )
u ′ yt*
(9)
u ′( yt )

141
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

d) cursul real al acţiunii din ţara Home este:



u ′ yτ
st = Et ∫ exp{− φ (τ − t )}
( )
2 yτ dτ (10)
t
u ′ yt ( )
e) cursul real al acţiunii din ţara Foreign este:

u ′( yτ* ) *

s = Et ∫ exp{− φ (τ − t )}
*
2 yτ dτ (11)
u ′( yt* )
t
t

f) cursul real (exprimat în unităţi de bun de consum din ţara Home) al


unui activ financiar este:

qt = Et ∫ exp{− φ (τ − t )}
( )[
u ′ yτ
δτ + ε τ δτ* dτ] (12)
t
( )
u ′ yt

Demonstraţie:

Metodologia utilizată pentru obţinerea rezultatelor constă în rezolvarea unei


probleme de programare dinamică în timp discret, prin împărţirea orizontului de timp
în intervale egale de lungime dt . Prin trecere la limită se obţin rezultatele pentru
cazul în care timpul este continuu (Bakshi and Chen 1996; Grossman and Shiller
1982).
Averea la momentul t a agentului reprezentativ din ţara Home exprimată în
valuta din ţara Home este dată de:

Wt = Pt ct + et Pt*ct* + α t S t + α t*et S t* + β t Qt (13)

unde S t reprezintă cursul acţiunii din ţara Home, S t* cursul acţiunii din ţara

Foreign (exprimat în valuta ţării Foreign), iar Qt este cursul unui activ financiar care

plăteşte un flux real de dividende δ t exprimat în bunul de consum din ţara Home şi un

flux real de dividende δ t* exprimat în bunul de consum din ţara Foreign.

Agentul economic deţine o sumă nt de valută din ţara Home şi o sumă nt* de

valută din ţara Foreign, astfel încât să poată achiziţiona bunuri şi servicii:

Pt ct ≤ nt
(14)
Pt *ct* ≤ nt*

142
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Averea la momentul t + dt este:


[ (
Wt + dt = nt − Pt ct + et + dt nt* − Pt *ct* + )]
( ) (
+ α t S t + dt + Pt + dt 2 yt dt + α t*et + dt S t*+ dt + Pt*+ dt 2 yt*dt + ) (15)
+ β [Qt t + dt ]
+ Pt + dt δ t dt + et + dt Pt *+ dt δ t*dt +
+ (M t + dt − M t )

Notând cu V (⋅) funcţia valoare şi cu λt multiplicatorul Lagrange, condiţiile de


optim sunt:

∂U
∂c
( )
c, c * = u ′(ct ) = λt Pt (16)

∂U
∂c *
( ) ( )
c, c * = u ′ ct* = λt et Pt* (17)

λt S t = exp(− φdt )Et [V ′(Wt + dt )(S t + dt + Pt + dt Yt dt )] (18)

λt et S t* = exp(− φdt )Et [V ′(Wt + dt )et + dt (S t*+ dt + Pt*+ dtYt *dt )] (19)

λt Qt = exp(− φdt )Et {V ′(Wt + dt )[(S t + dt + Pt + dtδ t dt ) + et + dt (S t*+ dt + Pt *+ dt δ t* dt )]} (20)

De asemenea, avem că

λt = V ′(Wt ) (21)

Întrucât pe piaţa de capital există active financiare fără risc (obligaţiunile


emise de către stat) care au randament pozitiv, rezultă că agenţii economici vor deţine
exact cantitatea de moneda necesară pentru achiziţionarea de bunuri şi servicii.

Pt ct = nt
(22)
Pt*ct* = nt*

Intr-o economie de tip Lucas se presupune că există un echilibru de tip


„perfect-pooling” (Lucas 1982). Astfel avem că:

ct = yt , ct* = yt*
1 1 (23)
α t = , α t* = , β t = 0
2 2

143
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Utilizând relaţia (22), precum şi relaţia echivalentă existentă pentru agentul


economic reprezentativ din ţara Foreign rezultă expresia preţurilor în cele două ţări
(relaţia (7)).
Utilizând relaţiile (16), (17) şi (23) rezultă că mărimea cursului nominal de
schimb este:

et =
( )
u ′ yt* Pt
(24)
u ′( yt ) Pt *

Relaţia (8) privind legătura dintre cursul nominal şi PIB-ul, respectiv masa
monetară din cele două ţări rezultă din ecuaţiile (24) şi (7). Expresia pentru cursul real
rezultă din definiţia acestuia (i.e. ε = e PP ).
*

Utilizând relaţia (21), ecuaţiile (18), (19) şi (20) se rescriu astfel:

St ⎡ ⎛S ⎞⎤
u ′( yt ) = exp(− φdt )Et ⎢u ′( yt + dt )⎜⎜ t + dt + 2 yt dt ⎟⎟⎥ (25)
Pt ⎣⎢ ⎝ Pt + dt ⎠⎦⎥

⎡ ⎞⎤
( ) PS ( )⎛⎜⎜ SP
*
u ′ yt* t
= exp(− φdt )Et ⎢u ′ yt*+ dt t + dt
*
+ 2 yt*dt ⎟⎟⎥ (26)
t ⎢⎣ ⎝ t + dt ⎠⎥⎦
respectiv

Qt ⎡ ⎛Q ⎞⎤
u ′( yt ) = exp(− φdt )Et ⎢u ′( yt + dt )⎜⎜ t + dt + δ t dt + ε t + dt δ t* dt ⎟⎟⎥ (27)
Pt ⎢⎣ ⎝ Pt + dt ⎠⎥⎦

Prin rezolvarea „înainte” a ecuaţiilor (25), (26) şi (27) şi prin trecere la limită
se obţin relaţiile (10), (11), respectiv (20)
q.e.d.
Corolarul 1. La echilibru avem următoarele rezultate:
a) cursul nominal al acţiunii din ţara Home este:

yτ u ′ yτ mt
S t = Et ∫ exp{− φ (τ − t )}
( )
2 Pτ yτ dτ (28)
t
yt u ′ yt mτ ( )
b) cursul nominal al acţiunii din ţara Foreign este:
yτ*u ′( yτ* ) mt* * *

S = Et ∫ exp{− φ (τ − t )}
*
2 Pτ yτ dτ (29)
yt*u ′( yt* ) mτ*
t
t

144
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

c) cursul nominal al unui activ financiar care plăteşte un flux real de


dividende δ t exprimat în bunul de consum din ţara Home şi un flux

real de dividende δ t* exprimat în bunul de consum din ţara Foreign.:



yτ u ′ yτ mt
Qt = Et ∫ exp{− φ (τ − t )}
( ) [
Pτ δ τ + eτ Pτ*δ τ* dτ ] (30)
t
y t u ′ y t m( )
τ
d) cursul nominal al unui activ financiar care generează un singur cash-
( )
flow, Π T = f yT , yT* , eT , PT , PT* , este:

Q(t , T ) = exp{− φ (T − t )}Et ⎢ τ


( )
⎡ y u ′ yτ mt ⎤
ΠT ⎥ (31)
( )
⎣ yt u ′ yt mτ ⎦
e) cursul real al unei obligaţiuni reale emisă de către stat şi scadenţă T
(i.e. obligaţiune care plăteşte la scadenţă 1 unitate din bunul de consum
din ţara Home) este:

b(t , T ) = exp{− φ (T − t )}Et ⎢


( )
⎡ u ′ yT ⎤
(32)
( )

⎣ u ′ yt ⎦
f) cursul nominal al unei obligaţiuni nominale emisă de către stat şi
scadenţă T (i.e. obligaţiune care plăteşte la scadenţă 1 unitate
monetară din valuta Home) este:

B(t , T ) = exp{− φ (T − t )}Et ⎢ T


( )
⎡ y u ′ yT mT ⎤
(33)
( ) ⎥
⎣ yt u ′ yt mt ⎦

Demonstraţie:

Rezultatele rezultă imediat din Propoziţia 1. Se observă că factorul stocastic de

actualizare în cazul în care se utilizează valori reale este


( )
u ′ yτ
, iar în cazul în care se
( )
u ′ yt

utilizează valori nominale este


( )
yτ u ′ yτ mt
.
( )
yt u ′ yt mτ
q.e.d.

145
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Propoziţia 2. La echilibru avem că:


a) rata reală a dobânzii este:

y u ′′( yt ) 1 ⎛ dyt ⎞ 1 yt2u ′′′( yt ) 1 ⎛ dyt ⎞


2

rt = φ − t Et ⎜ ⎟⎟ − Et ⎜⎜ ⎟⎟
u ′( yt ) dt ⎜⎝ yt ⎠c 2 u ′( y t ) dt y
⎝ t ⎠c
u ′( yt (1 + x )) − u ′( yt )
− λ∫ ϕ J ( x )dx (34)
R
u ′( yt )

b) rata nominală a dobânzii este:

⎡ y u ′′( yt )⎤ 1 ⎛ dyt ⎞ ⎡ yt u ′′( yt ) 1 yt2u ′′′( yt )⎤ 1 ⎛ dyt


2

Rt = φ − ⎢1 + t ⎥ Et ⎜⎜ ⎟⎟ − ⎢ + ⎥ Et ⎜⎜ ⎟⎟
⎣ u ′( y t ) ⎦ dt ⎝ yt ⎠c ⎣ u ′( y t ) 2 u ′( y t ) ⎦ dt ⎝ yt ⎠c
⎞ ⎡ yt u ′′( yt ) ⎤ 1 ⎛ dyt ⎞ ⎛ dmt ⎞
2
1 ⎛ dm ⎞ 1 ⎛ dmt
+ Et ⎜⎜ t ⎟⎟ − Et ⎜⎜ ⎟⎟ + ⎢1 + ⎥ Et ⎜ ⎟ ⎜ ⎟
dt ⎝ mt ⎠ dt ⎝ mt ⎠ ⎣ u ′( yt ) ⎦ dt ⎜⎝ yt ⎟⎠ c ⎜⎝ mt ⎟⎠ (35)

u ′( yt (1 + x ))(1 + x ) − u ′( yt )
− λ∫ ϕ J ( x )dx
R
u ′( yt )

Demonstraţie:

Relaţia dintre rata reală a dobânzii şi preţul obligaţiunii reale este dată de:

rt dt = b(t , t + dt ) − 1
−1
(36)

Utilizând aproximarea exp(φdt ) ≈ 1 + φdt , relaţia (32) se poate rescrie sub


forma:

1 + φdt = Et ⎢
(
⎡ u ′ yt + dt ) ⎤
(1 + rt dt )⎥ (37)
⎣ u ′ yt ( ) ⎦

Prin aplicarea Lemei Ito pentru procese Levy funcţiei u ′( y ) obţinem că:

2
⎛ dy ⎞ 1 2 ⎛ dy ⎞
( ) ( )
du ′ yt = yt u ′′ yt ⎜⎜ t ⎟⎟ + yt u ′′′( yt )⎜⎜ t ⎟⎟ + [u ′( yt (1 + J )) − u ′( yt )]dN t (38)
⎝ yt ⎠c 2 ⎝ yt ⎠c

Rezultă că:

146
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

(
u ′ yt + dt ) ( ) ⎛⎜ dy
y u ′′ yt
=1+ t t
⎞ 1 yt2u ′′′( yt ) ⎛ dyt
⎟⎟ + ⎜⎜
⎞ ⎡ u ′( yt (1 + J )) − u ′( yt )⎤
2

⎟⎟ + ⎢ ⎥ dN t (39)
( )
u ′ yt u ′ yt( ) ⎜⎝ y t ⎠c 2 u ′ ( )
y t ⎝ yt ⎠c ⎣ u ( )
′ y t ⎦

Utilizând convenţiile de calcul provenite din rezultatele clasice privind variaţia


pătratică a proceselor stocastice de tip Levy, respectiv
2
⎛ dyt ⎞ ⎛ dyt ⎞
⎜⎜ ⎟⎟ dt = 0, ⎜⎜ ⎟⎟ dt = 0, dN t dt = 0 (40)
⎝ yt ⎠c ⎝ yt ⎠c

se obţine relaţia (34).


Relaţia dintre rata nominală a dobânzii şi preţul obligaţiunii nominale este dată
de:
Rt dt = B(t , t + dt ) − 1
−1
(41)

Relaţia (33) se rescrie sub forma:

1 + φdt = Et ⎢ t + dt
( )
⎡ y u ′ yt + dt mt ⎤
(1 + Rt dt )⎥ (42)
⎣ yt u ′ yt ( )
mt + dt ⎦

Aplicând Lema Ito pentru procese Levy funcţiei yu ′( y ) avem că:

( )
yt + dt u ′ yt + dt ( )
⎡ yt u ′′ yt ⎤⎛ dyt ⎞ ⎡ yt u ′′ yt
⎜ ⎟
( )
1 yt2u ′′′( yt ) ⎤⎛ dyt ⎞
2

= 1 + ⎢1 + ⎟ + ⎢ u′ y + 2 u′ y ⎥⎜⎜ ⎟⎟
( )
yt u ′ yt ⎣ u ′ y ( )
t
⎥⎜
y
⎦⎝ t ⎠ c ⎣ t ( ) t ( )
⎦ ⎝ yt ⎠c (43)
⎡ u ′( yt (1 + J ))(1 + J ) − u ′( yt ) ⎤
+⎢ ⎥ dN t
⎣ u ′ yt ( ) ⎦

De asemenea, prin utilizarea Lemei Ito clasice se obţine:

2
mt dm ⎛ dm ⎞
= 1 − t + ⎜⎜ t ⎟⎟ (44)
mt + dt mt ⎝ mt ⎠

Utilizând convenţiile de calcul stocastic (40) se obţine ecuaţia (35).


q.e.d.

147
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Ecuaţiile de dinamică pentru cursul real ( q ), respectiv nominal ( Q ) al unui


activ financiar, care plăteşte un flux real de dividende δ t exprimat în bunul de

consum din ţara Home şi un flux real de dividende δ t* exprimat în bunul de consum
din ţara Foreign, vor avea o parte continuă, precum şi o parte care cuantifică salturile
generate de şocurile care pot apărea în cele două ţări:

dqt ⎛ dqt ⎞
=⎜ ⎟ + J q dN t + J q* dN t* (45)
qt ⎜⎝ qt ⎟⎠ c

dQt ⎛ dQt ⎞
=⎜ ⎟⎟ + J Q dN t + J Q* dN t* (46)
Qt ⎜⎝ Qt ⎠c

Rentabilitatea reală aşteptată este dată de:

1 ⎛ dqt + δ t dt + ε t δ t*dt ⎞
μq = Et ⎜ ⎟⎟ (47)
dt ⎜⎝ qt ⎠
iar cea nominală de:

1 ⎛ dQt + Pt δ t dt + et Pt*δ t*dt ⎞


μQ = Et ⎜ ⎟⎟ (48)
dt ⎜⎝ Qt ⎠

Propoziţia 3. La echilibru avem că:


a) prima reală de risc este:
yt u ′′( yt ) 1 ⎛ dyt ⎞ ⎛ dqt ⎞ ⎡ u ′( yt (1 + J )) − u ′( yt ) ⎤
μ q − rt = − Et ⎜ ⎟⎟ ⎜⎜ ⎟⎟ − λE ⎢ J q (49)
u ′( yt )

u ′( yt ) dt ⎜⎝ yt ⎠ c ⎝ qt ⎠c ⎣ ⎦

b) prima nominală de risc este:


⎡ yt u ′′( yt )⎤ 1 ⎛ dyt ⎞ ⎛ dQt ⎞ 1 ⎛ dm ⎞ ⎛ dQt ⎞
μ Q − Rt = − ⎢1 + ⎥ Et ⎜ ⎟⎟ ⎜⎜ ⎟⎟ + Et ⎜⎜ t ⎟⎟ ⎜⎜ ⎟⎟
⎣ u ′( yt ) ⎦ dt ⎜⎝ yt ⎠ c ⎝ Qt ⎠ c dt ⎝ mt ⎠ c ⎝ Qt ⎠c
(50)
⎡ u ′( yt (1 + J ))(1 + J ) − u ′( yt )⎤
− λE ⎢ J Q
⎣ u ′ yt ( ) ⎥

Demonstraţie:

Din ecuaţiile (27), (32) şi (36) rezultă că:

148
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

⎡ u ′( yt + dt ) ⎛ dqt + δ t dt + ε t δ t*dt ⎞⎤
Et ⎢ ⎜⎜ − rt dt ⎟⎟⎥ = 0 (51)
⎢⎣ u ′( yt ) ⎝ qt ⎠⎥⎦

Utilizând relaţia (39), precum şi regulile de calcul stocastic

⎛ dyt ⎞ ⎛ dyt ⎞
⎜⎜ ⎟⎟ dN t = 0, ⎜⎜ ⎟⎟ dN t* = 0, dN t dN t* = 0, dN t2 = dN t (52)
⎝ yt ⎠c ⎝ yt ⎠c

se obţine ecuaţia (50).

Din relaţiile (27), (33) şi (41) rezultă că:


⎡ y u ′( yt + dt ) mt ⎛ dQt + Pt δ t dt + et Pt*δ t* dt ⎞⎤
Et ⎢ t + dt ⎜⎜ − Rt dt ⎟⎟⎥ = 0 (53)
⎣⎢ yt u ′( yt ) mt + dt ⎝ Qt ⎠⎦⎥

Ecuaţia (50) se obţine utilizând relaţiile (43) şi (44).


q.e.d.

Ecuaţiile de dinamică pentru cursul de schimb real ( ε ), respectiv nominal ( e )


sunt de forma:

dε t ⎛ dε ⎞
= ⎜⎜ t ⎟⎟ + J ε dN t + J ε*dN t* (54)
εt ⎝ εt ⎠c
respectiv
det ⎛ det ⎞
= ⎜⎜ ⎟⎟ + J e dN t + J e*dN t* (55)
et ⎝ et ⎠ c

Deprecierea anticipată în termen reali, respectiv nominali este:

1 ⎛ dε t ⎞ 1 ⎛ de ⎞
με = Et ⎜ ⎟⎟, μ e = Et ⎜⎜ t ⎟⎟ (56)
dt ⎜⎝ ε t ⎠ dt ⎝ et ⎠

Propoziţia 4. La echilibru avem că:


a) salturile din cursul de schimb real sunt:

Jε =
( )
u ′ yt
− 1, J ε* =
( ( ))
u ′ yt* 1 + J *
−1 (57)
(
u ′ yt (1 + J ) ) u ′ yt*( )

149
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

b) deprecierea anticipată în termeni reali este:

( ⎡ yt u′′( yt ) ⎤ 1 ⎛ dyt ⎞
με − rt − rt = ⎢ ) ⎜ ⎟
yt u′′( yt ) yt*u ′′ yt* 1 ⎛ dyt ⎞ ⎛ dyt* ⎞
2 2
( )
⎟ − u′( y ) u ′ y * dt Et ⎜⎜ y ⎟⎟ ⎜⎜ y * ⎟⎟
*
Et ⎜
⎣ u ′( yt ) ⎥
⎦ dt y
⎝ t ⎠c t t ⎝ t ⎠c ⎝ t ⎠ ( ) (58)
⎡ u′( yt (1 + J )) − u′( yt ) ⎤
− λE ⎢ J ε
⎣ u′ yt

⎦ ( )
c) salturile din cursul de schimb nominal sunt:

Je =
u ′ yt ( ) − 1, J e* =
u ′ yt* 1 + J * 1 + J *
−1
( ( ))( ) (59)
( )
u ′ yt (1 + J ) (1 + J ) u ′ yt* ( )
d) deprecierea anticipată în termeni nominali este:

2
1 ⎧⎪⎛ dm ⎞ ⎡ y u ′′( yt ) ⎤⎛ dyt ⎞ ⎫⎪
( )
μ e − Rt − Rt* = Et ⎨⎜⎜ t ⎟⎟ + ⎢1 + t
dt ⎪⎝ mt ⎠ c ⎣
⎥⎜ ⎟ ⎬
u ′( yt ) ⎦⎜⎝ yt ⎟⎠ c ⎪
⎩ ⎭
⎡ y u ′′( yt ) ⎤ ⎡ yt u ′′ yt ⎤ 1 ⎛ dyt
* *
( ) ⎞ ⎛ dyt* ⎞
− ⎢1 + t ⎥ ⎢1 + ′ * ⎥ Et ⎜⎜ ⎟⎟ ⎜⎜ * ⎟⎟ (60)
⎣ u ′( y t ) ⎦⎣ u yt ⎦ dt ⎝ yt ( ) ⎠ c ⎝ yt ⎠
1 ⎛ dm ⎞ ⎛ dmt* ⎞ ⎡ u ′( yt (1 + J ))(1 + J ) − u ′( yt ) ⎤
− Et ⎜⎜ t ⎟⎟ ⎜⎜ * ⎟⎟ − λE ⎢ J e
dt ⎝ mt ⎠ c ⎝ mt ⎠ ⎣ u ′ yt

⎦ ( )

Demonstraţie:

Aplicând lema Ito funcţiei din relaţia (9) se obţine:

dε t
=
yt*u ′′ yt* ( ) ⎛⎜ dy *
t
⎞ y u ′′( yt ) ⎛ dyt
⎟⎟ − t ⎜
( ) ⎛⎜ dy ⎞⎟
⎟⎟ +
2
⎞ 1 yt* u ′′′ yt* *
t
2

εt u ′ yt* ( ) ⎜⎝ y *
t ⎠c u ′( yt ) ⎜⎝ yt ( ) ⎜⎝ y ⎟⎠ ⎠ c 2 u ′ yt
* *
t c

1 ⎧⎪ y u ′′′( y ) ⎡ y u ′′( y ) ⎤ ⎫⎪⎛ dy ⎞ y u ′′(y ) y u ′′( y ) ⎛ dy


2 2
2 * *
⎞ ⎛ dyt* ⎞
− ⎨ t
− 2⎢ t
⎬⎜⎜
t
⎟⎟ − t t
⎜⎜ t t t t t
⎟⎟ ⎜⎜ * ⎟⎟ (61)
2 ⎪ u ′( y )
⎩ ⎣
t u ′( y ) ⎥
⎦ ⎪⎭⎝ y ⎠ t u ′( y ) u ′(
t y ) ⎝ y
c
*
t t t ⎠ c ⎝ yt ⎠ c
⎡ u ′( y ) ⎤ ⎡ u ′( y (1 + J )) ⎤ * *
+⎢ t
− 1⎥ dN + ⎢ − 1⎥ dN t *

⎣ u ′( y (1 + J )) ⎦ ⎣ u ′( y )
t * t
t ⎦ t

Prin aplicarea operatorului de medie condiţionată şi prin utilizarea ecuaţia ratei


reale de dobândă (relaţia (34)) pentru cele două ţări se obţine relaţia (58).
Pentru a determina rata anticipată de depreciere nominală se utilizează lema
Ito pentru funcţia din ecuaţia (8) :

150
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

det ⎡ yt*u ′′( yt* )⎤⎛ dyt* ⎞ ⎡ yt u ′′( yt ) ⎤⎛ dyt ⎞ ⎛ dmt ⎞ ⎛ dmt* ⎞
= ⎢1 + ⎥⎜ ⎟ − ⎢1 + ⎥⎜ ⎟⎟ + ⎜⎜ ⎟⎟ − ⎜⎜ * ⎟⎟
et ⎣ u ′(yt* ) ⎦⎜⎝ yt* ⎟⎠ c ⎣ u ′( yt ) ⎦⎜⎝ yt ⎠ c ⎝ mt ⎠ c ⎝ mt ⎠ c
1 ⎡ yt* u ′′( yt* ) yt*u ′′( yt* )⎤⎛ dyt* ⎞
2 2

+ ⎢ +2 ⎥⎜ ⎟
2 ⎣⎢ u ′( yt* ) u ′( yt* ) ⎦⎥⎜⎝ yt* ⎟⎠ c

1 ⎧⎪ yt2u ′′′( yt ) ⎡ yt u ′′( yt ) ⎤ yt u ′′( yt ) ⎫⎪⎛ dyt


2 2

− ⎨ − 2⎢ ⎥ − 2 − 2⎬⎜⎜ ⎟⎟
2 ⎪ u ′( yt ) ⎣ u ′( yt ) ⎦ u ′( yt ) ⎪⎭⎝ yt ⎠c

⎡ y u ′′( yt )⎤ ⎡ yt*u ′′( yt* )⎤⎛ dyt ⎞ ⎛ dyt* ⎞
− ⎢1 + t ⎥ ⎢1 + ′ * ⎥⎜⎜ ⎟⎟ ⎜⎜ * ⎟⎟
⎣ u ′( y t ) ⎦⎣ u ( y t ) ⎦ ⎝ t ⎠ c ⎝ yt ⎠ c
y
2
⎛ dm* ⎞ ⎛ dm ⎞ ⎛ dm* ⎞
+ ⎜⎜ *t ⎟⎟ − ⎜⎜ t ⎟⎟ ⎜⎜ *t ⎟⎟
⎝ mt ⎠ c ⎝ mt ⎠ c ⎝ mt ⎠ c
⎡ y u ′′( yt )⎤⎛ dyt ⎞ ⎛ dmt ⎞ ⎡ yt*u ′′( yt* )⎤⎛ dyt* ⎞ ⎛ dmt* ⎞
− ⎢1 + t ⎥⎜ ⎟⎟ ⎜⎜ ⎟⎟ − ⎢1 + ⎥⎜ ⎟ ⎜ ⎟
⎣ u ′( yt ) ⎦⎜⎝ yt ⎠ c ⎝ mt ⎠c ⎣ u ′( yt* ) ⎦⎜⎝ yt* ⎟⎠ c ⎜⎝ mt* ⎟⎠
⎡ u ′( yt ) ⎤ ⎡ u ′( yt* (1 + J * ))(1 + J * ) ⎤ *
+⎢ − 1⎥ dN t + ⎢ − 1⎥ dN t
⎣ u ′( yt (1 + J ))(1 + J ) ⎦ ⎣ u ′( yt* ) ⎦ (62)

Relaţia (60) se obţine prin aplicarea operatorului de medie condiţionată şi prin


utilizarea ecuaţiilor privind rata nominală a dobânzii din cele două ţări (ecuaţia (35)).
q.e.d.

151
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

IV.3 Evaluarea derivativelor în contextul modelului de


echilibru general

In continuare vom presupune că funcţiile de utilitate pentru consumul din cele


două bunuri de consum sunt de tip CRRA cu parametrul de aversiune la risc diferit:

*
c1−γ c1−γ
u (c ) = , u (c ) = (63)
1− γ 1− γ *

Rata de creştere a PIB-ului şi volatilitatea acestuia sunt constante:

= (μ y − λE [J ])dt + σ y dω yt + JdN t
dyt
(64)
yt

iar amplitudinea salturilor este modelată printr-o distribuţie log-normală:

(
ln (1 + J ) ~ Norm μ J ,σ J2 ) (65)

Rata de creştere a masei monetare şi volatilitatea acesteia sunt constante.


Pentru a păstra relativ redus gradul de complexitate a ecuaţiilor de evaluare a activelor
financiare se presupune că PIB-ul şi masa monetară nu sunt corelate, rezultatele
putând fi extinse cu uşurinţă în cazul general:

dmt
= μ m dt + σ m dωmt , dω mt dω yt = 0 (66)
mt

De asemenea, se presupune că nu există corelaţie între variabilele din ţări


diferite:

dω y dω *y = 0, dωm dωm* = 0 (67)

152
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In continuare se vor utiliza următoarele două notaţii:

γ (γ + 1) ⎡ ⎛ σ J2 ⎞ ⎛ 2 σJ ⎞
2

a1 (γ ) := γμ y − 2

σ − λ ⎢γ exp⎜ μ J + ⎟ + exp⎜ − γμ + γ ⎟ − (γ + 1)⎥ (68)
2 ⎟⎠ ⎜ 2 ⎟⎠
y J
2 ⎣ ⎝ ⎝ ⎦

⎡ ⎛ 2 σJ ⎞
2

a2 (γ ) := λ ⎢exp⎜⎜ − γμ J + γ ⎟⎟ − 1⎥ (69)
⎣ ⎝ 2 ⎠ ⎦

Corolarul 2. In cazul economiei caracterizată prin relaţiile (63)-(67) avem


că:
a) rata reală a dobânzii este constantă:

r = φ + a1 (γ ) (70)

b) rata nominală a dobânzii este constantă:

R = φ + a1 (γ − 1) + μ m − σ m2 (71)

c) cursul real al acţiunii din ţara Home este:

2 yt
st = (72)
φ + a1 (γ − 1)

d) ecuaţia de dinamică a cursului real de schimb este:

dε t
εt
[( )
= r − r * + γ 2σ y2 + a2 (γ ) − a2* γ * dt ( )]
(73)
+ γ σ y dω y − γ σ dω + (1 + J )
* *
y
*
y [ γ
] ⎢⎣
(
− 1 dN t + ⎡ 1 + J * )
−γ *
− 1⎤ dN t*
⎥⎦

e) cursul real de schimb la momentul T este:

⎧⎪ 2
γ 2σ y2 γ * σ *y
2

(
ln ε T = ln ε t + ⎨ r − r +
*
) 2

2
+ a2 (γ ) − a2* γ * ( )⎪⎬(T − t )
⎪⎩ ⎪⎭
(74)
NT*
[ ] [ ] ∑ln(1+ J ) − γ ∑ln(1+ J )
NT
+ γ σ y ω y (T ) − ω y (t ) − γ *σ *y ω*y (T ) − ω *y (t ) + γ i
* *
i
i = Nt +1 i = Nt* +1

153
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

f) ecuaţia de dinamică a cursului nominal de schimb este:

det
et
[( )
= R − R * + σ m2 + (γ − 1) σ y2 + a2 (γ − 1) − a2* γ * − 1 dt
2
( )]
+ (γ − 1) σ y dω y + σ m dωm − γ * − 1 σ *y dω *y − σ m* dωm* ( ) (75)

[
+ (1 + J )
γ −1
]
− 1 dN t + ⎡ 1 + J *
⎢⎣
( )(
*
− γ −1 )
− 1⎤ dN t*
⎥⎦

g) cursul nominal de schimb la momentul T este:

⎧⎪
(
ln eT = ln et + ⎨ R − R +
*
(γ −1)2σ y2 +σ m2 γ * −1 2σ *y 2 +σ m* 2
) −
( )
⎫⎪
+ a2 (γ −1) − a2* γ * −1 ⎬(T − t ) ( )
⎪⎩ 2 2 ⎪⎭
( ) [ ]( ) [
+ γ −1 σ y ωy (T ) − ωy (t ) − γ * −1 σ *y ω*y (T ) − ω*y (t ) ] (76)
+ σ [ω (T ) − ω (t )]−σ [ω (T ) − ω (t )]
m m m
*
m
*
m
*
m
NT*
+ (γ −1) ∑ln(1+ J ) − (γ −1) ∑ln(1+ J )
NT
* *
i i
i = Nt +1 i = Nt* +1

Demonstraţie:

Relaţiile (70) şi (71) rezultă din Propoziţia 1.


Relaţia (72) se obţine prin calculul efectiv al mediei din cadrul ecuaţiei (10)
(Naik and Lee 1990).
Ecuaţiile de dinamică (73) şi (75) rezultă din Propoziţia 4. Se observă că dacă
γ = γ * = 1 (i.e. funcţii de utilitate logaritmice) nu există salturi în cursul de schimb
nominal, dinamica acestuia fiind exclusiv determinată de partea nominală a celor două
ţări.
Relaţiile (74) şi (76) rezultă prin utilizarea lemei Ito pentru funcţia ln ε ,
respectiv ln e .
q.e.d.

Propoziţia 5. In cazul economiei caracterizată prin relaţiile (63)-(67) avem


că distribuţia logaritmului din cursul nominal de schimb este o mixtură de
distribuţii normale, densitatea de repartiţie fiind dată de:

ϕ ln e
T − ln et (x ) = ∑∑ p(n ) p * (n* )ϕ n,n (x ) * (77)
n *
n

154
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

unde ϕ n ,n* reprezintă densitatea de repartiţie a unei variabile aleatoare

distribuită Norm((μ n − μ n* )(T − t ), (σ n2 + σ n2* )(T − t )) cu

(γ −1)2σ y2 + σ m2 n
μn = R + + a2 (γ −1) + (γ −1)μJ
2 T −t
(78)
μn = R* +
(γ *
) 2
−1 σ *y + σ m*
2 2

( )
+ a2* γ * −1 +
n *
(
γ * −1 μJ*)
*
2 T −t
şi
⎛ n ⎞
σ n2 = (γ − 1)2 ⎜ σ y2 + σ J2 ⎟ + σ m2
⎝ T −t ⎠
(79)
⎛ 2 n* * 2 ⎞
σ 2
n*
(
= γ − 1 ⎜⎜ σ *y +
*
)
2

T −t
σ J ⎟⎟ + σ m*
2

⎝ ⎠

Demonstraţie:

Se observă că distribuţia variabilei ln (eT ) − ln (et ) condiţionată de faptul că în

perioada de timp considerată se înregistrează n salturi în ţara Home şi n* salturi în


ţara Foreign este dată de:

ln
eT
et
( (
| N T − N t = n, N T* − N t* = n* ~ Norm (μ n − μ n* )(T − t ), σ n2 + σ n2* (T − t ) ) ) (80)

Relaţia (77) rezultă prin aplicarea Teoremei lui Bayes.


q.e.d.

Propoziţia 6. In cazul economiei caracterizată prin relaţiile (63)-(67) avem


următoarele ecuaţii fundamentale de evaluare a activelor financiare:
a) în cazul în care activul financiar generează cash-flow-uri reale care
depind numai de PIB-ul din ţara Home (i.e. de forma δ ( y ) ) atunci
cursul real q(t , y ) al acestui activ financiar verifică următorul PIDE:

155
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

∂q ∂q 1 ∂ 2q
∂t
( )
+ δ ( y ) + μ y − λE [J ] − γσ y2 y + σ y2 y 2 2
∂y 2 ∂y
(81)
q( y (1 + x )) − q( y )
+ λ∫ ϕ J ( x )dx = rq
R (1 + x )γ

b) în cazul în care activul financiar generează cash-flow-uri reale care


depind atât de PIB-ul din ţara Home cât şi de cel din ţara Foreign (i.e.
( )
de forma δ y, y * , ε ) atunci cursul real q t , y, y * , ε al acestui activ ( )
financiar verifică următorul PIDE::

∂q
∂t
( ) ( ∂q
∂y
) ∂q
+ δ y, y * , ε + μ y − λE [J ] − γσ y2 y + μ *y − λ* E J * y * *
∂y
( [ ])
[( ) ( )]
+ r − r * + a2 (γ ) − a2* γ * ε
∂q
∂ε
1 2 2 ∂ q 1 * 2 *2 ∂ q 1 2 2
( 2 ∂ q
)
2 2 2
*2 * 2
+ σyy + σy y + γ σy +γ σy ε
2 ∂y 2 2 ∂y *
2
2 ∂ε 2
(82)
∂ 2q ∂ 2q
+ γσ yε2
− γ *σ *y2 y *ε *
∂y∂ε ∂y ∂ε
y

+ λ∫
( ) (
q y (1 + x ), y * , ε (1 + x ) − q y, y * , ε
γ
ϕ J ( x )dx
)
(1 + x )γ
[( )− q(y, y ,ε )]ϕ
R

+ λ* ∫ q y, y * (1 + x ), ε (1 + x ) (x )dx = rq
−γ * *
J*
R

c) în cazul în care activul financiar generează cash-flow-uri nominale


care depind numai de variabilele din ţara Home (i.e. de forma Γ( y, m ) )
atunci cursul nominal Q(t , y, m ) al acestui activ financiar verifică
următorul PIDE:

∂Q ∂Q ∂Q
∂t
(
+ Γ( y, m ) + μ y − λE [J ] − (γ − 1)σ y2 y
∂y
)
+ μ m − σ m2 m
∂m
( )
1 ∂ 2q 1 ∂ 2q
+ σ y2 y 2 2 + σ m2 m 2 (83)
2 ∂y 2 ∂m 2
Q( y (1 + x ), m ) − Q( y, m )
+ λ∫ ϕ J (x )dx = RQ
R (1 + x )γ −1

156
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

d) în cazul în care activul financiar generează cash-flow-uri nominale


care depind atât de variabilele din ţara Home cât şi de cele din ţara
( )
Foreign (i.e. de forma Γ y, m, y * , m* , e ) atunci cursul nominal

( )
Q t , y, m, y * , m* , e al acestui activ financiar verifică următorul PIDE:

∂Q
∂t
( ) (
+ Γ y , m, y * , m * , e + μ y − λE [J ] − (γ − 1)σ y2 − σ m2 y
∂Q
∂y
) (∂Q
+ μ *y − λ* E J * y * *
∂y
[ ])
(
+ μ m − σ m2 m
∂Q
)
∂m
∂Q
∂m
[( )
+ μ m* m * * + R − R * + a2 (γ − 1) − a2* γ * − 1 e
∂Q
∂e
( )]
1 ∂ Q 1 2 2 ∂ Q 1 2 2 ∂ Q 1 * 2 *2 ∂ Q
2 2 2 2
+ σ y2 y 2 2 + σ *y y * + σ ym + σm m
2 ∂y 2 ∂y *
2
2 ∂m 2 2 ∂m *
2

[ ]
(γ − 1)2 σ y2 + γ * − 1 2 σ *y 2 e 2 ∂ Q2
( )
2
1
+ (84)
2 ∂e
∂Q ∂Q ∂ 2Q ∂ 2Q
( )
2 2
+ (γ − 1)σ y ye
2
+ σ m me
2
− γ −1 σ y y e * − σ m m e *
* *2 * *2 *

∂y∂e ∂m∂e ∂y ∂e ∂m ∂e

+ λ∫
( ) (
Q y (1 + x ), m, y * , m* , e(1 + x ) − Q y, m, y * , m* , e
γ −1
ϕ J (x )dx
)
(1 + x )γ −1
[( )− Q(y, m, y , m , e)]ϕ
R
( )
+ λ* ∫ Q y, m, y * (1 + x ), m* , e(1 + x ) (x )dx = RQ
− γ * −1 * *
J*
R

Demonstraţie:

Aplicând lema Ito pentru q(t , y ) rezultă următoarea ecuaţie de dinamică:

2
∂q ∂q ⎛ dy ⎞ 1 ∂ 2 q 2 ⎛ dy ⎞
dq = dt + y⎜⎜ ⎟⎟ + y ⎜⎜ ⎟⎟ + [q( y (1 + J )) − q ( y )]dN (85)
∂t ∂y ⎝ y ⎠ c 2 ∂y
2
⎝ y ⎠c

Din Propoziţia 3 rezultă că la echilibru rentabilitatea aşteptată este:

1 ⎡ dq + δ ( y )dt ⎤ ⎧ q( y (1 + J )) − q( y )
Et ⎢
dt ⎣ q ⎥ = μq = r + γ
y ∂q 2
q ∂y
σ y − λE ⎨
q( y )
(1 + J )−γ − 1 ⎫⎬ (86) [ ]
⎦ ⎩ ⎭

Ecuaţia de evaluare (81) rezultă din egalarea expresiilor privind rentabilitatea


aşteptată rezultate din relaţiile (85) şi (86).
Se observă că expresia cursului acţiunii din ţara Home (relaţia (72)) verifică
ecuaţia de evaluare.

157
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In cazul în care cash-flow-urile reale depind de PIB-urile din ambele ţări,


( )
cursul va fi de forma q t , y, y * . Aplicând lema Ito acestei funcţii rezultă:

∂q ∂q ⎛ dy ⎞ ∂q ⎛ dy * ⎞ ∂q ⎛ dε ⎞
dq = dt + y ⎜⎜ ⎟⎟ + * y * ⎜⎜ * ⎟⎟ + ε ⎜ ⎟
∂t ∂y ⎝ y ⎠ c ∂y ⎝ y ⎠ c ∂ε ⎝ ε ⎠ c
2 2 2
1 ∂ 2 q 2 ⎛ dy ⎞ 1 ∂ 2 q *2 ⎛ dy * ⎞ 1 ∂ 2 q 2 ⎛ dε ⎞
+ y ⎜ ⎟ + y ⎜⎜ * ⎟⎟ + ε ⎜ ⎟
2 ∂y 2 ⎜⎝ y ⎟⎠ c 2 ∂y *2 ⎝ y ⎠ c 2 ∂ε
2
⎝ ε ⎠c
∂ 2q ⎛ dy ⎞ ⎛ dε ⎞ ∂ 2q ⎛ dy * ⎞ ⎛ dε ⎞
+ yε ⎜⎜ ⎟⎟ ⎜ ⎟ + * y *ε ⎜⎜ * ⎟⎟ ⎜ ⎟ (87)
∂y∂ε ⎝ y ⎠ c ⎝ ε ⎠ c ∂y ∂ε ⎝ y ⎠c ⎝ ε ⎠c
[( ) (
+ q y (1 + J ), y * , ε (1 + J ) − q y, y * , ε dN
γ
)]
( ) (
+ ⎡⎢q⎛⎜ y, y * 1 + J * , ε 1 + J * )
−γ *
(
⎞⎟ − q y, y * , ε )⎤⎥ dN *

⎣ ⎝ ⎠ ⎦

Pentru a obţine ecuaţia de evaluare (82), se utilizează Propoziţia 3,


rentabilitatea reală aşteptată fiind dată de:

y ∂q 2 ε ∂q 2
μq = r + γ σy +γ 2 σy
q ∂y q ∂e
( ) (
⎧ q y (1 + J ), y * , ε (1 + J )γ − q y, y * , ε
− λE ⎨
)[⎫
(1 + J )−γ − 1 ⎬ ]
(88)

⎩ (
q y, y , ε
*
) ⎭

In cazul în care activul financiar generează cash-flow-uri nominale care


depind numai de variabilele din ţara Home, cursul nominal va fi de forma Q(t , y, m ) .
Lema Ito conduce la următoarea dinamică a cursului nominal:

2 2
∂Q ∂Q ⎛ dy ⎞ ∂Q ⎛ dm ⎞ 1 ∂ 2Q 2 ⎛ dy ⎞ 1 ∂ 2Q 2 ⎛ dm ⎞
dQ = dt + y⎜⎜ ⎟⎟ + m⎜ ⎟ + y ⎜⎜ ⎟⎟ + m ⎜ ⎟
∂t ∂y ⎝ y ⎠ c ∂m ⎝ m ⎠ c 2 ∂y
2
⎝ y ⎠ c 2 ∂m
2
⎝ m ⎠ c (89)
+ [q ( y (1 + J ), m ) − q ( y, m )]dN

Pe de altă parte, rentabilitatea aşteptată în condiţii de echilibru este, conform


Propoziţiei 3:

⎧ q( y (1 + J ), m ) − q( y, m )
μ Q = R + (γ − 1)
y ∂Q 2 m ∂Q 2
Q ∂y
σy +
Q ∂m
σ m − λE ⎨
q( y, m )
(1 + J )−γ − 1 ⎫⎬ (90)[ ]
⎩ ⎭

158
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Cazul care prezintă cea mai mare dificultate în ceea ce priveşte evaluarea
activelor financiare este acela în care cash-flow-urile nominale depind atât de
variabilele din ţara Home cât şi de cele din ţara Foreign. Derivativele pe valută se în
cadrează în acest caz. Cursul nominal al activului financiar va fi de forma
( )
Q t , y, m, y * , m* , e . Ecuaţia de dinamică este dată de:

∂Q ∂Q ⎛ dy ⎞ ∂Q ⎛ dy * ⎞ ∂Q ⎛ dm ⎞ ∂Q * ⎛ dm* ⎞
dQ = dt + y ⎜⎜ ⎟⎟ + * y * ⎜⎜ * ⎟⎟ + m⎜ ⎟ + m ⎜⎜ * ⎟⎟
∂t ∂y ⎝ y ⎠ c ∂y ⎝ y ⎠ c ∂m ⎝ m ⎠ c ∂m
*
⎝ m ⎠c
2 2 2
∂Q ⎛ de ⎞ 1 ∂ 2 Q 2 ⎛ dy ⎞ 1 ∂ 2 Q *2 ⎛ dy * ⎞ 1 ∂ 2 Q 2 ⎛ de ⎞
+ e⎜ ⎟ + y ⎜ ⎟ + y ⎜⎜ * ⎟⎟ + e ⎜ ⎟
∂e ⎝ e ⎠ c 2 ∂y 2 ⎜⎝ y ⎟⎠ c 2 ∂y *2 ⎝ y ⎠ c 2 ∂e
2
⎝ e ⎠c
2 2
1 ∂ 2 Q 2 ⎛ dm ⎞ 1 ∂ 2 Q *2 ⎛ dy * ⎞
+ m ⎜ ⎟ + m ⎜⎜ * ⎟⎟
2 ∂m 2 ⎝ m ⎠ c 2 ∂m*2 ⎝ y ⎠c
∂ 2 Q ⎛ dy ⎞ ⎛ de ⎞ ∂ 2Q ⎛ dy * ⎞ ⎛ de ⎞
+ ye⎜⎜ ⎟⎟ ⎜ ⎟ + * y *e⎜⎜ * ⎟⎟ ⎜ ⎟ (91)
∂y∂e ⎝ y ⎠ c ⎝ e ⎠ c ∂y ∂e ⎝ y ⎠c ⎝ e ⎠c
∂ 2Q ⎛ dm ⎞ ⎛ de ⎞ ∂ 2 q * ⎛ dy * ⎞ ⎛ de ⎞
+ me⎜ ⎟ ⎜ ⎟ + * y e⎜⎜ * ⎟⎟ ⎜ ⎟
∂m∂e ⎝ m ⎠ c ⎝ e ⎠ c ∂y ∂e ⎝ y ⎠c ⎝ e ⎠c
[(
+ Q y (1 + J ), m, y * , m* , e(1 + J )
(γ −1)
)− Q(y, m, y , m , e)]dN
* *

− (γ * −1) ⎞
( ) (
+ ⎡⎢Q⎛⎜ y, m, y * 1 + J * , m* , e 1 + J * ) ( ⎤ *
⎟ − Q y, m, y , m , e ⎥ dN
* *
)
⎣ ⎝ ⎠ ⎦

In condiţii de echilibru rentabilitatea aşteptată a unui astfel de activ financiar


este:
y ∂Q 2 e ∂Q 2 m ∂Q 2 e ∂Q 2
μ Q = R + (γ − 1) σ y + (γ − 1)2 σy + σm + σm
Q ∂y Q ∂e Q ∂m Q ∂e
( ) (
⎧ Q y (1 + J ), m, y * , m* , e(1 + J )(γ −1) − Q y, m, y * , m* , ε
− λE ⎨
)[ ⎫
(1 + J )−(γ −1) − 1 ⎬]
(92)

⎩ (
Q y, m, y , m , ε
* *
) ⎭

q.e.d.

Evident că dacă cash-flow-ul generat de către activul financiar este de forma


( ) ( )
Γ y, m, y * , m* , e = ΓH ( y, m ) + eΓF y * , m* , atunci şi cursul activului financiar va avea

( ) ( )
forma Q t , y, m, y * , m* , e = QH (t , y, m ) + eQF t , y * , m* . In această situaţie se poate
arăta că funcţiile QH şi QF verifică ecuaţiile de evaluare „mai simple” (ecuaţia (83))
pentru ţara Home, respectiv Foreign.

159
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

In continuare vom considera o opţiune call pe valută cu scadenţă T = t + τ şi


preţ de exerciţiu K . Conform Corolarului 1, prima acestui activ financiar este:

⎡ y u ′( yT ) mt ⎤
( )
Ct = C et , yt , yt* , mt , mt* = Et ⎢exp(− φτ ) T
yt u ′( yt ) mT
max(eT − K ,0)⎥ (93)
⎣ ⎦

Propoziţia 7. In cazul economiei caracterizată prin relaţiile (63)-(67) prima


unei opţiuni call pe valută este dată de:

Ct = ∑∑ p(n ) p * n* Cn ,n* ( ) (94)


n n*
unde
⎧⎪ ⎛ σ n2* ⎞ ⎫⎪
( ⎧ ⎛
) ⎞ ⎫
⎟τ ⎬Φ d * − K exp⎨− ⎜ μ n − σ n ⎟τ ⎬Φ d * ( )
2
C n , n* ⎜
= et exp⎨− μ n* − (95)
⎜ 2 ⎟⎠ ⎭
⎪⎩ ⎜⎝ 2 ⎟⎠ ⎪⎭ 1, n , n 2,n , n
⎩ ⎝

ln
et
K
( )
+ μ n − μ n* + σ n2 τ
d1,n ,n* = (96)
σ n2 + σ n2* τ

ln
et
K
( )
+ μ n − μ n* + σ n2 τ
d 2, n , n* = (97)
σ n2 + σ n2* τ

iar Φ (⋅) reprezintă funcţia de repartiţie a unei variabile distribuită normal


standard.

Demonstraţie:

Folosind teorema lui Bayes media din relaţia se poate scrie sub forma:

Ct = ∑∑ p(n ) p * n* Cn ,n* ( ) (98)


n n*
unde

160
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

⎡ y u ′( yT ) mt ⎤
Cn , n* = Et ⎢exp(− φτ ) T max(eT − K ,0) | N T − N t = n, N T* − N t* = n* ⎥
⎣ yt u ′( yt ) mT ⎦
⎡ y u ′( yT ) mt ⎤
= Et ⎢exp(− φτ ) T eT 1eT ≥ K | N T − N t = n, N T* − N t* = n* ⎥ (99)
⎣ yt u ′( yt ) mT ⎦
⎡ y u ′( yT ) mt ⎤
− KEt ⎢exp(− φτ ) T 1eT ≥ K | N T − N t = n, N T* − N t* = n* ⎥
⎣ yt u ′( yt ) mT ⎦

Utilizând relaţiile (76) şi (80) cursul valutar la scadenţă se poate scrie sub
forma:
{
eT = et exp{(μ n − μ n )τ }exp (σ n X − σ n* X ) τ } (100)
unde
X , X i.i.d . Norm(0,1) (101)

De asemenea, avem că:


yT u ′( yT ) mt
exp(− φτ )
yt u ′( yt ) mT
(
= exp(− μ nτ )exp − σ n X τ ) (102)

Se notează cu:
σn X −σn X
~ Norm(0,1)
*
Z := (103)
σ n2 + σ n2 *

Cu această nouă variabilă aleatoare cursul la scadenţă devine:

{
eT = et exp{(μ n − μ n )τ }exp σ n2 + σ n2* Z τ } (104)

In continuare se evaluează următoarea medie condiţionată:

⎡ y u ′( yT ) mt ⎤
Et ⎢exp{− φ (T − t )} T 1eT ≥ K | N T − N t = n, N T* − N t* = n * ⎥ =
⎣ yt u ′( yt ) mT ⎦
( )[ (
= exp − μ nτ E exp − σ n X τ 1Z ≥ −α ) ] (105)

unde

ln
et
K
(
+ μn − μn τ )
α= (106)
σ n2 + σ n2* τ

161
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Avem că:
⎛ 0⎞ ⎛ 1 ρ ⎞⎞
( X , Z ) ~ Norm2 ⎜⎜ ⎛⎜⎜ ⎟⎟, ⎜⎜ ⎟⎟ (107)
⎝ ⎠ ⎝ρ
⎝ 0 1 ⎟⎠ ⎟⎠
unde
σn
ρ= (108)
σ + σ n2
2
n *

In aceste condiţii rezultă că:

[ (
E exp − σ n X τ 1Z ≥ −α ) ]
( )
∞ ∞
1 ⎛ 1 x 2 − 2 ρxy + y 2 ⎞
=
(
2π 1 − ρ 2 ) ∫∫
− ∞ −α
exp − σ n τ x exp⎜⎜ −
⎝ 2 1− ρ 2
⎟⎟dxdy

( )
∞ ∞
1 ⎛ 1 ⎞ 1 ⎛ 1 x 2 − 2 ρxy + ρ 2 y 2 ⎞
= ∫
−α 2π
exp⎜ − y 2 ⎟ ∫
⎝ 2 ⎠ − ∞ 2π 1 − ρ 2
exp − σ n τ x exp⎜⎜ −
( ⎝ 2 ) 1− ρ 2
⎟⎟dxdy

Dar,

(
exp − σ n τ x exp⎜⎜ − )
⎛ 1 x 2 − 2 ρxy − ρ 2 y 2 ⎞
1− ρ 2
⎟⎟
⎝ 2 ⎠
⎧ ⎡ 2 2
⎤⎫ (109)
⎪ 1 ⎢⎛⎜ x ⎞⎟ ρy ⎛ ρy ⎞
= exp⎨− + 2σ n τ x − 2
x
+⎜ ⎟ ⎥ ⎪⎬
⎪ 2 ⎢⎣⎜⎝ 1 − ρ ⎟⎠
2
1− ρ 2 1 − ρ 2 ⎜⎝ 1 − ρ 2 ⎟

⎥⎪
⎩ ⎦⎭

Pe de altă parte:

2 2
⎛ x ⎞ x ρy ⎛ ρy ⎞
⎜ ⎟ + 2σ τ x − 2 +⎜ ⎟
⎜ 1− ρ 2 ⎟ n
1− ρ 2 1 − ρ 2 ⎜⎝ 1 − ρ 2 ⎟
⎝ ⎠ ⎠
2
⎛ ⎞
=⎜
x
⎜ 1− ρ 2
(
⎟ + 2σ τ x + σ 2τ 1 − ρ 2 − σ 2τ 1 − ρ 2
⎟ n n n ) ( ) (110)
⎝ ⎠
2
⎛ x ⎞ ρy ⎛ ρy ⎞
− 2⎜ + σ n τ 1− ρ 2 −σ n τ 1− ρ 2 ⎟ +⎜ ⎟
⎜ 1− ρ 2 ⎟ 1− ρ 2 ⎜ 1− ρ 2 ⎟
⎝ ⎠ ⎝ ⎠

162
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

2 2
⎛ x ⎞ ⎛ x ⎞ ρy ⎛ ρy ⎞
=⎜ + σ n τ 1 − ρ 2 ⎟ − 2⎜ + σ n τ 1− ρ 2 ⎟ +⎜ ⎟
⎜ 1− ρ 2 ⎟ ⎜ 1− ρ 2 ⎟ 1− ρ 2 ⎜ 1− ρ 2 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
(
+ 2 ρσ n τ y − σ n2τ 1 − ρ 2 )
2
⎛ ρy ⎞
=⎜
x
⎜ 1− ρ 2
+ σ n τ 1− ρ 2 − ⎟ + 2 ρσ τ y − σ 2τ 1 − ρ 2
⎟ n n ( )
⎝ 1− ρ 2 ⎠

Utilizând o schimbare de variabilă convenabilă, avem că:


∞ ⎧ ⎛ ⎞
2

1 ⎪ 1 x ρy ⎪
∫ exp⎨− ⎜ + σ n τ 1− ρ 2 − ⎟ ⎬dx = 1 (111)
−∞ 2π (1 − ρ 2 ) ⎪⎩ 2 ⎜⎝ 1 − ρ
2
1− ρ 2 ⎟
⎠ ⎪⎭

Astfel:

[ ( ) ]

E exp − σ n X τ 1Z ≥ −α = exp⎜ σ n2τ (1 − ρ 2 )⎟ ∫
⎛1 ⎞ 1 ⎛ 1 ⎞
exp⎜ − y 2 − ρσ n τ y ⎟dy
⎝2 ⎠−α 2π ⎝ 2 ⎠

( )

⎛1 ⎞ 1 ⎧ 1 2⎫
= exp⎜ σ n2τ ⎟ ∫ exp⎨− y + ρσ n τ ⎬dy (112)
⎝2 ⎠−α 2π ⎩ 2 ⎭
⎛1 ⎞
= exp⎜ σ n2τ ⎟Φ d 2, n ,n* ( )
⎝2 ⎠

Pentru a evalua media

⎡ y u ′( yT ) mt ⎤
Et ⎢exp(− φτ )eT T 1eT ≥ K | N T − N t = n, N T* − N t* = n* ⎥
⎣ yt u ′( yt ) mT ⎦ (113)
[ (
= exp(− μ n*τ )E exp − σ n X τ 1Z ≥ −α ) ]
se utilizează faptul că

ρ ⎞⎞
(X , Z ) ~ Norm ⎛⎜⎜ ⎛⎜⎜ 0 ⎞⎟⎟, ⎛⎜⎜ 1 ⎟⎟ (114)
⎝⎝ 0⎠ ⎝ ρ 1 ⎟⎠ ⎟⎠
2

unde
σn
ρ= (115)
σ + σ n22
n *

q.e.d.

163
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Corolarul 3. In cazul economiei caracterizată prin relaţiile (63)-(67) prima


unei opţiuni call pe valută se poate scrie sub forma („closed form solution”):

Ct = et B * (t , T ) Π1 − K B(t , T ) Π 2 (116)

unde
⎧⎪ ⎛ σ 2* ⎞ ⎫⎪
( )
Π1 = ∑∑ p(n ) p * n* exp⎨− ⎜ μ n* − n − R * ⎟τ ⎬Φ d1, n ,n* ( ) (117)
n n* ⎪⎩ ⎜⎝ 2 ⎟ ⎪
⎠ ⎭

⎧ ⎛ σ2 ⎞ ⎫
(
Π 2 = ∑∑ p(n ) p * (n* )exp⎨− ⎜⎜ μ n − n − R ⎟⎟τ ⎬Φ d 2,n , n*
2
) (118)
n n* ⎩ ⎝ ⎠ ⎭

164
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

IV.4 Concluzii

In această lucrare a fost fundamentat un nou model de echilibru general cu


discontinuităţi într-o economie de tip Lucas cu două ţări, PIB-ul din cele două ţări
fiind generat de un proces Levy de tip jump-diffusion. Scopul acestei lucrări este de
prezenta o explicaţie a faptului că distribuţia rentabilităţii cursului de schimb nominal
este leptocurtotică. Astfel, plecând de la fundamente microeconomice a rezultat faptul
că distribuţia rentabilităţii cursului este o mixtură de distribuţii normale.
Modelul prezintă o flexibilitate ridicată, putându-se obţine o gamă variată de
distribuţii pentru cursul de schimb (inclusiv distribuţia normală, în cazul în care
funcţiile de utilitate sunt logaritmice). In plus, modelul permite determinarea la
echilibru a ratelor de dobândă şi a primelor de risc ale activelor financiare. Astfel,
se pot determina ecuaţiile de evaluare a activelor financiare în contextul acestui
model de echilibru general. In final a fost determinată o nouă formula de evaluare a
opţiunilor pe valută. Prima opţiunii call obţinută în cadrul modelului are forma
clasică („closed form solution”), cele două probabilităţi din cadrul formulei putând fi
cuantificate prin metode numerice. Spre deosebire de modele bazate pe procese
hiperbolice generalizate care presupun utilizare transformării Fourier inversă pentru
determinarea primei opţiunii call, în cadrul modelului dezvoltat în această lucrare
determinarea primei derivativului se reduce la evaluarea unei sume duble.

165
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Bibliografie
(Arditti and John 1980; Bailey and Stulz 1989; Bakshi, Cao and Chen 1997; Bakshi and Chen 1997a; Bakshi and Chen 1997b; Bakshi and Madan 2000; Bakshi and Chen
1996; Ball and Roma 1994; Bates 1996; Bates 2000; Bick 1987; Bjork 1998; Black and Scholes 1973; Breeden 1979; Breeden 1986; Breeden and Litzenberger 1978; Cont
and Tankov 2004; Cox and Huang 1989; Cox, Ingersoll and Ross 1985a; Cox, Ingersoll and Ross 1985b; Detemple and Selden 1991; Duffie, Pan and Singleton 2000;
Fleming and Rishel 1975; Grossman and Shiller 1982; Heston 1993; Hull 1993; Hull and White 1987; Jacod and Shiryaev 2003; Kou 2002; Lucas 1978; Lucas 1982;
Merton 1973a; Merton 1973b; Merton 1976; Musiela and Rutkowski 1997; Naik and Lee 1990; Oksendal 2000; Protter 1992; Revuz and Yor 1991; Samuelson 1965; Scott
1997; Singleton 2001; Stapleton and Subrahmanyam 1978; Stein and Stein 1991; Stulz 1987; Vasicek 1977)

Arditti, F., and K. John, 1980, "Spanning the State Space with Options," Journal of
Financial and Quantitative Analysis 18, 1-9.

Bailey, W., and R. Stulz, 1989, "The pricing of Stock Index Options in a General
Equilibrium Model," Journal of Financial and Quantitative Analysis 24, 1-12.

Bakshi, G., C. Cao, and Z. Chen, 1997, "Empirical Performance of Alternative Option
Pricing Models," Journal of Finance 52, 2003-2049.

Bakshi, G., and Z. Chen, 1997a, "An Alternative Valuation Model for Contingent
Claims," Journal of Financial Economics 44, 123-165.

—, 1997b, "Equilibrium Valuation of Foreign Exchange Claims," Journal of Finance


52, 799-826.

Bakshi, G., and D. Madan, 2000, "Spanning and derivative-security valuation,"


Journal of Financial Economics 55, 205–238.

Bakshi, G. S., and Z. Chen, 1996, "Inflation, Asset Prices, and the Term Structure of
Interest Rates in Monetary Economies," The Review of Financial Studies 9, 241-275.

Ball, C., and A. Roma, 1994, "Stochastic Volatility Option Pricing," Financial and
Quantitative Analysis 29, 589-607.

Bates, D., 1996, "Jumps and Stochastic Volatility: Exchange Rate Processes Implicit
in Deutsche Mark Options," Review of Financial Studies 9, 69-107.

—, 2000, "Post-`87 Crash Fears in the S&P 500 Futures Option Market," Journal of
Econometrics 94, 181-238.

166
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Bick, A., 1987, "On the consistency of the Black-Scholes model with a general
equilibrium framework," Journal of Financial and Quantitative Analysis 22, 259–
276.

Bjork, T., 1998, Arbitrage Theory in Continuous Time, Oxford University Press.

Black, F., and M. Scholes, 1973, "The pricing of options and corporate liabilities,"
Journal of Political Economy 81, 637-659.

Breeden, D., 1979, "An Intertemporal Asset Pricing Model With Stochastic
Consumption and Investment Opportunities," Journal of Financial Economics 7, 265–
296.

—, 1986, "Consumption, Production, Inflation and Interest Rates: A Synthesis,"


Journal of Financial Economics 16, 3-40.

Breeden, D., and R. Litzenberger, 1978, "Price of state contingent claims implicit in
option prices," Journal of Business 51, 621–652.

Cont, R., and P. Tankov, 2004, Financial modeling with jump processes, CRC Press.

Cox, J. C., and C. Huang, 1989, "Optional consumption and portfolio policies when
assets prices follow a diffusion process," Journal of Economic Theory 49, 33-83.

Cox, J. C., J. E. Ingersoll, and S. A. Ross, 1985a, "An Intertemporal General


Equilibrium Model of Asset Prices," Econometrica 53, 363-384.

—, 1985b, "A Theory of the Term Structure of Interest Rates," Econometrica 53, 385-
407.

Detemple, J., and L. Selden, 1991, "A general equilibrium analysis of option and
stock market interactions," International Economic Review 32, 279 –303.

Duffie, D., J. Pan, and K. Singleton, 2000, "Transform Analysis and Option Pricing
for Affine Jump-Diffusions," Econometrica 68, 1343-1376.

Fleming, W., and R. Rishel, 1975, Deterministic and Stochastic Optimal Control,
Springer Verlag.

167
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Grossman, S., and R. Shiller, 1982, "Consumption correlatedness and risk


measurement in economies with non-traded assets and heterogeneous information,"
Journal of Financial Economics 10, 195-210.

Heston, S., 1993, "A Closed-Form Solution for Options with Stochastic Volatility
with Applications to Bond and Currency Options," Review of Financial Studies 6,
327-343.

Hull, J., 1993, Options, Futures, and other Derivative Securities, Prentice Hall,
Englewood Cliffs.

Hull, J., and A. White, 1987, "The Pricing of Options with Stochastic Volatilities,"
Journal of Finance 42, 281-300.

Jacod, J., and A. N. Shiryaev, 2003, Limit Theorems For Stochastic Processes (2nd
Edition), Springer Verlag.

Kou, S. G., 2002, "A jump diffusion model for option pricing," Management Scence.
48, 1086–1101.

Lucas, R., 1978, "Asset Prices in an Exchange Economy," Econometrica 46, 1429-
1445.

—, 1982, "Interest Rates and Currency Prices in a Two-Country World,"


Econometrica 10, 335-360.

Merton, R. C., 1973a, "An Intertemporal Capital Asset Pricing Model," Econometrica
41, 867-887.

—, 1973b, "Theory of Rational Option Pricing," Bell Journal of Economics and


Management Science 4, 141-183.

—, 1976, "Option Pricing When Underlying Stock Returns Are Discontinuous,"


Journal of Financial Economics 3, 125-144.

Musiela, M., and M. Rutkowski, 1997, Martingale Methods in Financial Modelling,


Springer Verlag.

168
Ciprian Necula – Modelarea şi previzionarea cursului de schimb

Naik, V., and M. Lee, 1990, "General Equilibrium Pricing of Options on the Market
Portfolio with Discontinuous Returns," The Review of Financal Studies 3, 493-521.

Oksendal, B., 2000, Stochastic Differential Equations (5th Edition), Springer Verlag.

Protter, P., 1992, Stochastic Integration and Differential Equations, Springer Verlag.

Revuz, D., and M. Yor, 1991, Continuous Martingales and Brownian Motion,
Springer Verlag.

Samuelson, P., 1965, "Rational theory of warrant pricing," Industrial Management


Review 6, 13–32.

Scott, L. O., 1997, "Pricing Stock Options in a Jump-diffusion Model with Stochastic
Volatility and Interest Rates: Application of Fourier Inversion Methods,"
Mathematical Finance 7, 345-358.

Singleton, K. J., 2001, "Estimation of Affine Asset Pricing Models Using the
Empirical Characteristic Function," Journal of Econometrics 102, 111-141.

Stapleton, R. C., and M. G. Subrahmanyam, 1978, "A Multiperiod Equilibrium Asset


Pricing Model," Econometrica 46, 1077-1096.

Stein, E., and J. Stein, 1991, "Stock Price Distributions with Stochastic Volatility: an
Analytic Approach," Review of Financial Studies 4, 727-752.

Stulz, R. M., 1987, "An Equilibrium Model of Exchange Rate Determination and
Asset Pricing with Nontraded Goods and Imperfect Information," The Journal of
Political Economy 95, 1024-1040.

Vasicek, O., 1977, "An Equilibrium Characterization of the Term Structure," Journal
of Financial Economics 5, 177-188.

169