Documente Academic
Documente Profesional
Documente Cultură
TEZĂ DE DOCTORAT
MODELAREA ŞI PREVIZIONAREA
CURSULUI DE SCHIMB
CIPRIAN NECULA
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
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
2
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
3
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
4
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
8
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
9
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
I.1 Introducere
10
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
11
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
12
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
⎧⎪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
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 )
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 ) )
⎧⎪ 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 )
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
17
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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 )})
⎧⎪ 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
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
- 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
21
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
22
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
dreapta cu limite la stânga) Lt se numeşte proces Levy dacă sunt îndeplinite următoarele
condiţii:
• L0 = 0 ;
⎡ ⎛ ⎞⎤
[ ]
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 ⎠⎥⎦
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 ⎠⎥⎦
24
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
⎧ ⎫
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
∂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 )
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 ]
⎡ 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
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)
2 ⎣ ∂S ∂S ⎦
[( )
+ π t , St −e ΔLt − π (t , St − ) ]
∂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)
29
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
⎢ ∫
∂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)
2π
T
−∞
C (ζ ; K ) = KC (ζ + ln K ;1) (3.19)
30
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
(
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 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
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
)
⎝ ⎠
π δ 2 +(x − μ)
2
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 )
33
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
35
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
q-q plot
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
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.
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.
—, 1995, Normal inverse Gaussian distributions and the modelling of stock returns, Technical
report, Aarhus University.
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.
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.
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.
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.
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
⎤
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 ⎭
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
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
⎧ ∂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
Ideea este de a utiliza această aproximare pentru a evalua integrala din 3.18.
• 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 )
47
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
q-q plot
q-q plot
48
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
q-q plot
q-q plot
49
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
q-q plot
50
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
51
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
II.1 Introducere
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
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
54
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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:
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).
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;
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;
Coeficientul de corelaţie nu este o măsură robustă a corelaţiei. O singură
observaţie aberantă poate influenţa semnificativ mărimea coeficientului de
corelaţie;
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 ) ;
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)
56
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
ρτ ( X , Y ) =
2
n(n − 1) i < j
[
∑ sign (X i − X j )(Yi − Y j ) ] 2.3
(X i − X j )(Yi − Y j ) < 0 .
2. ρ S ( X , Y ) = ρ S (Y , X ) , ρτ ( X , Y ) = ρτ (Y , X ) ;
57
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
58
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
59
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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:
coeficientul de corelaţie Spearman:
ρ S = 12 ∫∫ u1u2 dC (u1 , u2 ) − 3 2.10
[0 ,1] 2
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:
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
Figura 2.2 Distribuţiile bidimensionale generate de copula produs şi diverse distribuţii marginale
62
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
Figura 2.4 Distribuţiile bidimensionale generate de copula Frank şi diverse distribuţii marginale
63
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
0
0 1
Figura 2.5 Structura de dependenţă a funcţiei copula de tip Clayton
distr. normală
distr. normală
distr. hiperbolică
distr. hiperbolică
Figura 2.6 Distribuţiile bidimensionale generate de copula Clayton şi diverse distribuţii marginale
64
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
0
0 1
Figura 2.7 Structura de dependenţă a funcţiei copula de tip Gumbel
distr. normală
distr. normală
distr. hiperbolică
distr. hiperbolică
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 :
0
0 1
Figura 2.9 Structura de dependenţă a mixturii de funcţii copula
distr. normală
distr. normală
distr. hiperbolică
distr. hiperbolică
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
0
0 1
Figura 2.11 Structura de dependenţă a funcţiei copula t
distr. normală
distr. normală
distr. hiperbolică
distr. hiperbolică
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
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 :
69
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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:
metoda EML (exact maximum likelihood)
metoda IFM (inference functions for marginals)
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
72
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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 ))
( ( ) ( )) ( ( ) ( ))
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
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
JPY
EUR EUR
EUR EUR
75
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
DAX
SP500 SP500
SP500 SP500
76
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
PX
BUX BUX
BUX BUX
77
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
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)
JPY
EUR EUR
EUR EUR
79
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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%.
De exemplu în cazul funcţiei copula de tip Frank primii trei paşi ai algoritmului sunt:
se generează două numere aleatoare independente v1 ,v2 distribuite uniform pe
intervalul (0,1) ;
se consideră u1 = v1 ;
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
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.
t 3.65% 5.47%
81
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
rentabilitate
risc risc
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
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
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.
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
Schweitzer, B., and E. Wolff, 1981, "On nonparametric measures of dependence for random
variables," Annals of Statistics 9, 879-885.
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)
GBP
EUR EUR
EUR EUR
89
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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)
CHF
EUR EUR
EUR EUR
90
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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)
GOLD
EUR EUR
EUR EUR
91
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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)
NIKKEI
SP500 SP500
SP500 SP500
92
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
93
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
III.1 Introducere
94
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
95
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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).
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
yt = Et −1 ( yt ) + ε t (2.1)
Modelele de tip GARCH presupun că varianţa condiţionată nu este constantă în timp. Astfel
putem să scriem:
ε t = ztσ t (2.2)
In continuare vom prezenta câteva modele pentru ecuaţia mediei condiţionate şi pentru
ecuaţia varianţei condiţionate.
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
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)
98
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
ARCH(q)
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)
99
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
q p
Modelul IGARCH(p,q) presupune că ∑α i + ∑ β i = 1 . In acest caz polinomul
i =1 i =1
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
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
[ ]
q p
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)
⎛ 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
⎛ 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).
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)
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 ]
1 T ⎡ ⎛ z t2 ⎞⎤
− ∑⎢ t
2 t =1 ⎢⎣
( )
ln σ 2
+ (1 + ν ) ln ⎜ (ν − 2) ⎟⎟⎥
⎜ 1 +
⎝ ⎠⎥⎦
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⎠
i =1 ⎩ ⎣ k =1 ⎦⎭
n
+ ∑θ i εˆt + h−i|t (2.17)
i =1
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
• GARCH(p,q)
[ ] [ ] [ ]
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
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)
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
(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
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.
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.
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
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
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).
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
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.
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
118
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
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
120
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
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
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
123
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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)
z2
z1 z1
z1 z1
124
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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)
z2
z1 z1
z1 z1
125
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
126
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
( ( ) ( ) )
T
L(a ) = ∑ ln c F1 zˆ1t , F2 zˆ2t ;θ t (a ) 3.8
t =1
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:
funcţia copula Frank Cα t :
unde T ( x ) = x
⎧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
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⎠
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)
a) copula Frank
dinamic static
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
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
7 0.8
6
0.7
0.6
4
3
0.5
2
0.4
1
0 0.3
129
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
130
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
III.4 Concluzii
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
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.
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
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.
133
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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.
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.
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.
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.
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
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.
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.
136
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
CU DISCONTINUITĂŢI
137
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
IV.1 Introducere
138
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
139
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
dyt ⎛ dyt ⎞
= ⎜⎜ ⎟⎟ + JdN t (1)
yt ⎝ yt ⎠ c
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
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)
∞
max
* *
Et ∫ exp{− φ (s − t )}U cs , cs* ds
c , c ,α ,α , β
( ) (6)
t
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
u ′( yτ* ) *
∞
s = Et ∫ exp{− φ (τ − t )}
*
2 yτ dτ (11)
u ′( yt* )
t
t
Demonstraţie:
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
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
∂U
∂c
( )
c, c * = u ′(ct ) = λt Pt (16)
∂U
∂c *
( ) ( )
c, c * = u ′ ct* = λt et Pt* (17)
λt et S t* = exp(− φdt )Et [V ′(Wt + dt )et + dt (S t*+ dt + Pt*+ dtYt *dt )] (19)
De asemenea, avem că
λt = V ′(Wt ) (21)
Pt ct = nt
(22)
Pt*ct* = nt*
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
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 ).
*
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
Demonstraţie:
145
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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 )
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)
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 ⎦
1 + φdt = Et ⎢ t + dt
( )
⎡ y u ′ yt + dt mt ⎤
(1 + Rt dt )⎥ (42)
⎣ yt u ′ yt ( )
mt + dt ⎦
( )
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 ( ) ⎦
2
mt dm ⎛ dm ⎞
= 1 − t + ⎜⎜ t ⎟⎟ (44)
mt + dt mt ⎝ mt ⎠
147
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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
1 ⎛ dqt + δ t dt + ε t δ t*dt ⎞
μq = Et ⎜ ⎟⎟ (47)
dt ⎜⎝ qt ⎠
iar cea nominală de:
Demonstraţie:
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 ⎠⎥⎦
⎛ dyt ⎞ ⎛ dyt ⎞
⎜⎜ ⎟⎟ dN t = 0, ⎜⎜ ⎟⎟ dN t* = 0, dN t dN t* = 0, dN t2 = dN t (52)
⎝ yt ⎠c ⎝ yt ⎠c
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
1 ⎛ dε t ⎞ 1 ⎛ de ⎞
με = Et ⎜ ⎟⎟, μ e = Et ⎜⎜ t ⎟⎟ (56)
dt ⎜⎝ ε t ⎠ dt ⎝ et ⎠
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
( ⎡ 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:
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
⎣ u ′( y (1 + J )) ⎦ ⎣ u ′( y )
t * t
t ⎦ t
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
151
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
*
c1−γ c1−γ
u (c ) = , u (c ) = (63)
1− γ 1− γ *
= (μ y − λE [J ])dt + σ y dω yt + JdN t
dyt
(64)
yt
(
ln (1 + J ) ~ Norm μ J ,σ J2 ) (65)
dmt
= μ m dt + σ m dωmt , dω mt dω yt = 0 (66)
mt
152
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
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 ⎠ ⎦
r = φ + a1 (γ ) (70)
R = φ + a1 (γ − 1) + μ m − σ m2 (71)
2 yt
st = (72)
φ + a1 (γ − 1)
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*
⎥⎦
⎧⎪ 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
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*
⎥⎦
⎧⎪
(
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:
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
(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:
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)
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
∂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
∂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
( )
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:
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
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) [ ]
⎦ ⎩ ⎭
157
Ciprian Necula – Modelarea şi previzionarea cursului de schimb
∂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 *
⎣ ⎝ ⎠ ⎦
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
*
) ⎭
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
⎧ 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
* *
)
⎣ ⎝ ⎠ ⎦
⎩ (
Q y, m, y , m , ε
* *
) ⎭
q.e.d.
( ) ( )
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
⎡ y u ′( yT ) mt ⎤
( )
Ct = C et , yt , yt* , mt , mt* = Et ⎢exp(− φτ ) T
yt u ′( yt ) mT
max(eT − K ,0)⎥ (93)
⎣ ⎦
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
Demonstraţie:
Folosind teorema lui Bayes media din relaţia se poate scrie sub forma:
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)
Se notează cu:
σn X −σn X
~ Norm(0,1)
*
Z := (103)
σ n2 + σ n2 *
{
eT = et exp{(μ n − μ n )τ }exp σ n2 + σ n2* Z τ } (104)
⎡ 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 *
[ (
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 ⎠
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 ⎠
⎡ 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
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
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.
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.
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.
—, 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
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.
Merton, R. C., 1973a, "An Intertemporal Capital Asset Pricing Model," Econometrica
41, 867-887.
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.
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.
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