Sunteți pe pagina 1din 64

NOTIE DE CURS

ECONOMETRIE FINANCIAR
Conf. Univ. Dorina Lazar
Cluj Napoca
2010
Daca prezenta la curs este obligatorie, atunci studentii
vor absenta de la examen. Daca prezenta la curs este
UNIVERSITATEA BABE-BOLYAI CLUJ-NAPOCA
FACULTATEA DE TIINE ECONOMICE
I GESTIUNEA AFACERILOR



1
facultativa, atunci se vor prezenta la examen si absentii
de la curs.
Descrierea cursului
Cursul i propune o introducere n problematica econometriei financiare. Are ca i obiectiv nsuirea de
ctre studeni a metodelor econometrice utile n modelarea variabilelor din domeniul financiar respectiv
n testarea unor ipoteze clasice formulate de teoria financiara. Tematica disciplinei cuprinde tehnici
statistice de analiz i previziune precum i metode specifice econometriei seriilor de timp.
Dintre tehnicile clasice de previziune se abordeaz modelele liniare univariate de tip autoregresiv-medie
mobil respectiv modele de tip Garch. Din econometria seriilor de timp sunt dezbtute tehnici ce i
gsesc aplicabilitate direct n gestiunea eficient a portofoliilor, finane internationale, gestiunea
riscului, fundamentate pe regresia clasic respectiv pe conceptul de cointegrare.
Organizarea temelor n cadrul cursului
Cursul este structurat pe 3 parti, tematicile abordate fiind prezentate n cele ce urmeaz.
PARTEA I: Metode statistice de netezire, cu aplicaii n analiza tehnic. Teste de radacin unitate
1. Metode statistice de netezire (filtre). Aplicatii in analiza tehnica
2. Estimarea tendintei utiliznd mediile mobile
3.Componenta sezonier. Desesonalizarea prin raportare la mediile mobile
4. Metode de netezire exponenial
5. Teste de nestaionalitate (teste de radacina unitate, unit roots)
PARTEA 2: Modelarea si previziunea seriilor financiare prin modele de tip autoregresiv medie
mobila ARIMA(p,d, q) respectiv GARCH(p,q)
1. Principalele concepte pe care se fundamenteaz metodologia Box-Jenkins
2. Modelul autoregresiv. Proprietile funciei de autocorelaie respectiv de autocorelaie parial
3. Modelul medie mobil. Proprietile funciei de autocorelaie respectiv de autocorelaie parial
4. Etapele elaborrii unui model ARIMA (autoregresiv integrat medie mobil)
5. Elaborarea previziunilor
6. Extinderi ale modelelor ARIMA
PARTEA 3: Elaborarea modelor econometrice pentru serii financiare staionare respectiv
nestaionare. Valoarea la risc
1. Elaborarea unui model econometric, pentru serii staionare
2. Regresii cu serii de timp. Regresii false
3. Analiza cauzalitii dintre variabile
4. Modele vector autoregresiv VAR
5. Serii cointegrate. Metodologia Engle-Granger (cointegrare ntr-o singur ecuaie)
6. Cointegrare n sisteme de ecuaii. Metodologia Johansen
7. Valoarea la risc
Materiale bibliografice obligatorii
1. Campbell, J.Y., Lo, A.W., MacKinlay, A.C., The Econometrics of Financial Markets, Princeton
University Press, Princeton, New Jersey, 1996. CD- Suport electronic.
2
2. Mills, T.C., The econometric modelling of financial time series, Cambridge University Press, 1999.
Biblioteca Catedrei de Statistic, Previziuni, Matematic.
3. Pecican, E.S., Econometria pentru economiti, Editura Economic, 2004. Biblioteca facultii.
a) Notite de curs suplimentare
1. Note Econometrie Financiara
http://home.tiscalinet.ch/paulsoderlind/Courses/OldCourses/FinEcmtAll.pdf
2. TimeSeries for Macroeconomics and Finance, Cochrane J.
http://faculty.chicagogsb.edu/john.cochrane/research/Papers/time_series_book.pdf
3. Econometrie des Series Temporelles (cu exemple rezolvate in Eviews)
http://www.univ-orleans.fr/deg/masters/ESA/CH/churlin_E.htm#_Cours_dEconomtrie_des_Sries_Temp
4. Time series econometrics http://faculty.washington.edu/ezivot/econ584/584notes.htm
5. Cours de series temporelles (si Eviews)
http://perso.univ-rennes1.fr/arthur.charpentier/TS1.pdf
http://perso.univ-rennes1.fr/arthur.charpentier/TS2.pdf
b) Tutoriale Eviews
1. www.dofin.ase.ro/acodirlasu/lect/econmsbank/econometriemsbank2007.pdf
2. www.clarku.edu/faculty/mcallan/Common/Guides/ Econ366 _ timeseries _mine.pdf
3. www.staff.city.ac.uk/r.a.batchelor/Eviews2.pdf
Materiale i instrumente necesare pentru curs
Suport electronic de curs, materiale multiplicate, calculator i acces la internet, Eviews - soft statistic
specializat n econometria seriilor de timp.
Calendar al cursului
Acest calendar al temelor este orientativ.
S

p
t

n
a
PROIECTE Tutorial (AT) Activiti asistate (AA)
Tema cURS Lucrari practice
1 Metode statistice de netezire (filtre).
Aplicatii in analiza tehnica
Baze de date i softuri destinate econometriei
2 Medii mobile i metode de neteire exponentiala
utilizate in analiza tehnica
3 Predictibilitatea ratei rentabilitatii.
Teste de radacin unitate (mers
aleator)
Estimare funcie de autocorelaie si teste de
mers aleator
4 Teste de radacin-unitate. Testarea eficientei
pietelor financiare
5 Filtre in analiza
tehnica. Teste de
eficienta
informaional
Modelarea si previziunea seriilor
financiare prin modele de tip
autoregresiv medie mobila
ARIMA(p,d, q)
Identificarea (specificarea ) unui model
ARIMA
6 Estimarea, validarea unui model ARIMA.
Previziuni
7 Previziunea seriilor de timp financiare
prin modele de tip GARCH(p,q)
Distributie marginala, distributie conditionata.
Teste de neliniaritate
8 Elaborare modele de tip GARCH(p,q)
9 Modele de
previziune:
ARIMA(p,d, q)
Modele de regresie pentru serii
financiare stationare
Etape in elaborarea unui model de regresie
liniara. Testul Granger de cauzalitate
3
respectiv
GARCH(p,q)
1
0
Modele econometrice clasice din teoria
financiara
1
1
Econometria seriilor financiare
integrate
Analiza relaiilor de cointegrare. Teste de
cointegrare
1
2
Aplicatii in finante ale modelelor de corecie a
erorilor (VEC)
1
3
Analiza statistica a activelor cu
venituri fixe si produse derivate
Analiza statistica a activelor cu venituri fixe.
Modele de determinare a pretului unei optiuni
1
4
Elaborare modele
econometrice
clasice, in teoria
financiara
Valoarea la risc
PARTEA I
Metode statistice de netezire, cu aplicaii n analiza tehnic. Teste de nestationalitate
Obiectivele modulului:
- Utilizarea mediilor mobile n scopul netezirii, evidenierii tendinei
- Aplicarea unei metode adecvate de netezire exponenial, pentru netezirea seriei respectiv generarea
de previziuni
- Detectarea sezonalitii i desezonalizarea unei serii de timp
- Aplicarea testelor de tip radacin unitate in scopul testarii stationalitatii respectiv a identificarii
evoluiilor de tip mers aleator
- Determinarea naturii tendinei, determinist sau/i stochastic, prezente ntr-o serie de timp.
Se recomand studiul problematicii modulului n ordinea numerotrii paragrafelor din coninutul
informaional al acestuia.
Coninutul informaional al modulului
1. Componentele deterministe ale unei serii de timp
O serie de timp const ntr-o secven de observaii asupra unei variabile Y , ordonate dup parametrul
timp. Frecvent, msurtorile asupra variabilei sunt efectuate la intervale egale de timp, seria cronologic
fiind prezentat sub forma:

,
`

.
|
T t
Y Y Y Y
T t
Y
... ...
... ... 2 1
:
2 1
Seria de timp format cu valorile observate constituie o realizare a secvenei de variabile aleatoare
T
Y Y Y ,...., ,
2 1
, adic a unui proces aleator (proces stochastic) de tip discret. Evoluia unei variabile n
timp este reprezentat printr-un proces aleator.
Proces aleator de tip discret = secven de variabile aleatoare
) (
t
Y
unde Z t , ordonate dup
parametrul timp. Pentru fiecare moment de timp t, Y
t
e o variabil aleatoare i dispunem de regul de o
singur observaie relativ la aceasta. n cele ce urmeaz vom utiliza aceeai notaie respectiv Y
t
att
pentru variabila aleatoare ataat momentului t ct i pentru valoarea observat la acest moment de timp.
Scopul analizei seriilor de timp const n nelegerea i modelarea mecanismului de generare a
termenilor seriei; odat elaborat, modelul este utilizat pentru obinerea de previziuni.
4
Previziune = inferen asupra variabilei, n afara perioadei observate. Vom nota prin
h T
Y

+
previziunea variabilei Y efectuat la momentul T pentru un orizontul de timp h.

Baza de date trebuie s fie adecvat cantitativ i calitativ. n analiza seriilor cronologice este necesar
ca lungimea perioadei observate s fie suficient de lung pentru a face posibil estimarea unui model
adecvat calitativ, care s surprind mecanismul real de generare al fenomenului, respectiv s permit
identificarea unor componente ale evoluiei pe termen lung. De regul se impune utilizarea unor serii
cronologice cu cel puin 15 termeni, respectiv pentru serii sezoniere este de dorit ca perioada observat
s acopere cel puin cinci cicluri sezoniere.
n acelai timp datele trebuie s rmn comparabile n timp. Condiiile n care evolueaz
fenomenul este necesar s rmn n esen aceleai. Astfel, nu este indicat a se utiliza n elaborarea de
modele, serii cronologice ce acoper perioade de schimbri economice sau politice majore, rzboi, sau
alte evenimente excepionale; n analiza evoluiei majoritii indicatorilor economici pentru ara noastr
este indicat ca datele s nceap dup 1989. nainte de aplicarea tehnicilor specifice de analiz i
previziune, dac este necesar, unii indicatori vor fi exprimai n preuri comparabile. Atunci cnd
cronograma indic prezena unor valori aberante, corespunztoare unor greve, calamiti naturale sau
altor evenimente punctuale, acestea vor fi nlocuite cu valorile medii ce ar fi fost nregistrate n
circumstane normale.
Frecvena msurtorilor este condiionat i de practic. Spre exemplu, vnzrile unui magazin pot
fi nregistrate zilnic, profitul poate fi observat lunar i / sau anual respectiv indicele bursier la ncheierea
zilei de cotaie. n general, acolo unde sunt disponibile, poate fi util utilizarea unor date ct mai
frecvente. Datele anuale nu fac posibil observarea caracterului sezonier specific anumitor indicatori
respectiv modelarea unor dependene n care timpul de reacie al variabilei efect este scurt.
Atunci cnd elaborm previziuni, bazate pe metode statistice, pornim de la ipoteza c fenomenul va
continua s aib acelai comportament ca i n trecut. Este important ca analistul s se ntrebe n ce
msur aceast presupunere este realist, respectiv s in seama de ateptrile sale. Se spune pe bun
dreptate c previziunea rmne n acelai timp tiin i art.
Componentele unei serii de timp. n abordarea tradiional, fluctuaiile din seriile de timp sunt
privite ca o rezultant a suprapunerii urmtoarelor componente: tendina T, componenta ciclic C,
sezonier S respectiv componenta reziduu sau eroare

:
) , , , (
t t t t t
S C T f Y
Primele trei componente sunt considerate deterministe, sistematice, determinate de factori cu aciune
continu asupra fenomenului, n timp ce componenta rezidual are caracter aleator fiind efectul aciunii
unor factori imprevizibili, accidentali.
Modelul clasic de descompunere a seriilor de timp este de regul:
aditiv: t t t t t
S C T Y + + +
sau
multiplicativ: t t t t t
S C T Y
.
Deseori cele doua componente tendinta-ciclu sunt tratate ca si o singura componenta, ce surprinde
evolutia pe termen lung, si se noteaza prin T, astfel
) , , (
t t t t
eroareE S T f Y
.
n acest context, tehnicile de analiz a seriilor de timp au ca obiective:
separarea fiecrei componente i modelarea comportamentului su, respectiv
previziunea evoluiei fiecrei componente, iar apoi compunerea acestora n scopul obinerii de
previziuni privind evoluia fenomenului Y. Principiul de la baza acestei tehnici este descompune
pentru a modela iar apoi recompune.
5
Previziunile utiliznd modelul de descompunere se obin prin compunerea previziunilor realizate pentru
fiecare component determinist prezent n serie, innd seama de forma modelului, aditiv respectiv
multiplicativ:
S C T Y

+ + respectiv S C T Y

.
Menionm deasemenea c uneori, n principal n econometrie unde variabilele incluse ntr-un model
sunt n prealabil desezonalizate, este necesar eliminarea componentei sezoniere din seria de timp,
obinndu-se seria ajustat sezonier d:
S
Y
d
.
Tendina sau tendina general red evoluia fenomenului pe termen lung, avnd alura unor funcii
neperiodice, lent variabile n timp. Factori cu aciune permanent asupra fenomenului (ex. creterea
populaiei, progresul tehnic, inflaia) imprim, pe o perioad lung de timp, o tendin de regul
cresctoare sau descresctoare majoritii indicatorilor economici. Un caz particular il constituie aici
seriile de timp ce fluctueaza in jurul unei medii constante (tendinta este orizontala, paralela cu axa OX);
spunem ca aceste serii sunt stationare, in medie)
Componenta ciclic este observabil analiznd evoluia fenomenului pe termen lung, i se manifest
sub forma unor oscilaii cu perioad i amplitudine ce variaz de regul n timp, un ciclu acoperind
civa ani de zile. Evoluiile ciclice apar n principal urmare a ciclurilor economice sau a pulsaiilor din
cererea unui produs, componenta fiind prezent n evoluia unor indicatori macroeconomici de rezultate
sau din domeniul financiar dar i n alte domenii.
Componenta sezonier se evideniaz sub forma unor cicluri de durat mai mic sau egal cu un an,
i apare n principal datorit ritmului impus de schimbarea anotimpurilor dar i de activiti economice
respectiv sociale (regulariti n plata salariilor, srbtori, vacane, obiceiuri, tradiii, etc.).
Componenta aleatoare sau rezidual se manifest prin fluctuaii aparent aleatoare n jurul
componentelor deterministe, fiind efectul aciunii unor factori cu aciune punctual n timp, de tipul
evenimentelor politice sau meteorologice.
2. Estimarea tendintei utiliznd mediile mobile
Atunci cnd cronograma seriei nu ofer indicii foarte clare privind prezena respectiv forma tendinei,
este indicat a se utiliza n prealabil o tehnic de netezire ce atenueaz amplitudinea fluctuaiilor aleatoare
din serie, scopul fiind evidenierea (estimarea) tendinei. Metoda mediilor mobile, netezirea
exponenial dar i alte filtre de netezire sunt utilizate frecvent n practic. Consideram n acest paragraf
c seria prezint doar tendin i component aleatoare, iar modelul de descompunere este unul aditiv:
t t t
T Y +
.
Metoda mediilor mobile. Media mobil se definete ca o combinaie liniar de puteri pozitive i
negative ale operatorului de ntrziere L:
i
i
m
m i
L MM


2
1
cu
1
2
1


i
m
m i

unde
R N m m
m m

2 1
, ... , , ,
2 1

iar operatorul de ntrziere L este definit prin:
1

t t
Y LY
O medie mobil este centrat dac m
1
=m
2
=m. Media mobil este simetric dac este centrat i
coeficientii simetrici sunt egali
m i
i i
, ... , 1 ,


. O medie mobil simetric se noteaz prin
]} , ... , [ ]; 1 2 {
0 1

+
+
m m
m
, indicndu-se ordinul acesteia respectiv coeficienii. Transformrile
utilizate frecvent n practic sunt mediile mobile simetrice:

m
m i
i
i
L MM
6
fiecare valoare observat fiind nlocuit cu o medie ponderat a termenilor adiaceni.
Metoda mediilor mobile, utilizat n acest context, are ca i obiective conservarea tendintei T i
reducerea amplitudinii componentei eroare:
eliminarea componentei aleatoare
0 ) (
t
f
respectiv
conservarea tendinei t t
T T f ) (
.
Pornind de la cele dou cerine se pune problema determinrii adecvate a ordinului mediei mobile
1 2 + m
respectiv a coeficienilor
0
, ... ,
m
.
Se va aborda n continuare problema determinrii unor condiii suficiente pentru ca media mobil s
conserve o tendinta liniar. n acest sens se cunoate urmtoarea proprietate ce specific condiii
suficiente pentru ca o medie mobil s conserve polinoame de un anumit grad.
Proprietate (Gourieroux & Monfort, 1990). O medie mobil centrata si simetrica conserv
polinoame de grad mai mic sau egal cu p dac = 1 este rdcin de ordin
1 + p
a ecuaiei
caracteristice:
0 ...
2
1
+ + +
+
m m
m m m

n ceea ce privete transformarea componentei eroare printr-o medie mobil:
i t i
m
m i
t
u


se observ c atunci cnd t

constituie o secvena de variabile aleatoare necorelate i de aceeai varian


2
, noile variabile x
u
au media respectiv variana:
2 2 2 *
) ( ; 0
i
m
m i
x t
u Var Eu



.
Prin aplicarea unei medii mobile, variana componentei eroare este diminuat atunci cnd
1
2
<


i
m
m i

.
Raportul de reducere a varianei erorii se definete prin:
2 2 2 *
/
i
m
m i


i msoar capacitatea mediei mobile de a reduce aceast component.


Mediile aritmetice centrate. Cele mai simple medii mobile simetrice sunt mediile aritmetice:
m T m m t
m
Y Y Y Y Y
Y
m t m t t m t m t
t
+ +
+
+ + + + + +

+ +
,..., 2 , 1 ;
1 2
... ...
1 1
;
Mediile aritmetice constituie un caz particular de medie mobil centrat i simetric, coeficienii fiind
toi egali cu
1 2
1
+

m
i

. Coeficienii acesteia s-au dedus din urmtoarele cerine (Gourieroux &


Monfort, 1990):
media mobil las invariant o constant, condiie echivalent cu
1


i
m
m i

respectiv
minimizeaz raportul de reducere a varianei componentei eroare
2
i
m
m i


.
Se arat c mediile aritmetice las invariant tendina liniar, dar nu i tendine polinomiale de grad mai
mare sau egal cu doi.
Observaii. a) Pentru o medie aritmetic, raportul de reducere a varianei erorii este egal cu
1 2
1
+ m
,
astfel c secvena rezultat n urma aplicrii mediilor mobile este cu att mai neted cu ct ordinul
mediei mobile este mai mare;
7
b) Tendina seriei se estimeaz prin seria mediilor mobile
t t
Y T
.
n practic, alegerea ordinului mediei mobile pentru eliminarea componentei aleatoare rmne n sarcina
analistului, fiind indicat un ordin mai mare dac amplitudinea fluctuaiilor aleatoare este mai mare.
Oricum, oscilaiile din componenta aleatoare fiind neregulate, eliminarea acesteia se realizeaz doar
parial. Prin aplicarea unei medii mobile, indiferent de ordinul acesteia, amplitudinea fluctuaiilor se
reduce.
Medii mobile centrate. Mediile aritmetice necesit un numar impar
1 2 + m p
de observaii, n
calculul fiecrei medii. Dac ordinul mediei mobile MM(p)este un numar par
m p 2
atunci de regula
se utilizeaza mediile mobile centrate i simetrice, definite astfel:
m
Y Y Y Y Y
Y
m t m t t m t m t
t
2
5 , 0 ... ... 5 , 0
1 1 + + +
+ + + + + +
,
m T m m t + + .... , 2 , 1
n cazul particular p = 4 mediile mobile centrate sunt date de relaiile:
4
5 , 0 5 , 0
2 1 1 2 + +
+ + + +

t t t t t
t
Y Y Y Y Y
Y
sau
2 1 1 2
125 , 0 5 . 0 5 . 0 5 . 0 125 . 0
+ +
+ + + +
t t t t t
t Y Y Y Y Y Y
Rezult:
4
5 , 0 5 , 0
5 4 3 2 1
3
Y Y Y Y Y
Y
+ + + +

.
4
5 , 0 5 , 0
4
5 , 0 5 , 0
1 2 3 4
2
6 5 4 3 2
4
T T T Y T
T
Y Y Y Y Y
Y
Y Y Y Y Y
Y
+ + + +

+ + + +

Astfel, se realizeaz o coresponden ntre valorile observate t


Y
i mediile mobile
t Y .
Alte tipuri de medii mobile. Deasemenea, n scopul netezirii seriei sunt utilizate i alte cazuri
particulare de medii mobile, precum mediile lui Henderson (sau filtrul Henderson) de ordin 5, 7, 9, 13,
23 (Makridakis et all, 1998). Acestea sunt medii centrate, simetrice, spre exemplu mediile lui Henderson
de ordin 9 au coeficienii
} ] 33 . 0 , 267 . 0 , 119 . 0 , 01 . 0 , 041 . 0 [ ]; 9 {[
:
4 3 2
1 1 2 3 4
041 . 0 01 , 0 0119 , 0
267 . 0 33 . 0 267 . 0 119 , 0 01 , 0 041 , 0
+ + +
+
+
+ + + + +
t t t
t t t t t t
t
Y Y Y
Y Y Y Y Y Y Y
Mediile mobile ponderate acord o importan diferit observaiilor, de regul ponderea mai mare
corespunde observaiei corespunztor creia i se ataeaz valoarea netezit; un exemplu de medie
mobil pnderat este i urmtoarea:

9
2 3 2
2 1 1 2 + +
+ + + +

t t t t t
t
Y Y Y Y Y
Y .
Mediile mobile sunt deasemenea cele mai populare tehnici de netezire utilizate n analiza tehnic.
Analiza tehnic este utilizata de ctre investitorii pe piaa de capital, n scopul identificrii tendinei
Exist mai multe tipuri de medii mobile utilizate n acest context. Singura diferen semnificativ ntre
diversele tipuri de medie mobile este ponderea acordat datelor recente; acestea sunt de regul medii
asimetrice.
Media mobil simpl asimetric MMA(p) asociaz ponderi egale tuturor preurilor i se
calculeaz nsumnd preurile de nchidere ale unei aciuni pentru ultimele p perioade i mprind
totalul la numrul de perioade ales:
8
p
Y Y Y
Y
t p t p t
t
+ + +

+
...
1
.
Ordinul (lungimea) mediei mobile p trebuie s se potriveasc cu ciclul pieei pe care dorim s l
urmrim. n general, funcie de ciclului de pia ce se dorete a fi urmat, se alege lungimea mediei
mobile: termen foarte scurt implic o lungime a mediei mobile este ntre 5 -13 zile, termen scurt 14 -25
zile, termen mediu 50-100 zile, termen lung 100-200 zile.
Pe de alt parte, dac o aciune are un ciclu de cretere-scdere de 40 de zile, media mobil ideal se
va baza pe 21 de zile de tranzacionare; practica sugereaz urmtoarea regul: ordinul mediei mobile =
lungimea cilcului bursier/2 +1.
Cea mai simpla strategie sugereaza un semnal de cumprare atunci cnd preul aciunii crete peste
media sa mobil (pretul depaseste media mobila de jos in sus, pe o tendinta de crestere), iar semnalul de
vnzare este generat de scderea preului sub media mobil (pretul scade sub media mobila pe scadere,
de sus in jos, pe o tendinta de scadere). In evolutia cursului de regula se pot observa perioade prelungite
de aprecieri sau corectii succesive, inertie explicata uneori prin mecanisme psihologice, reactii partiale
ale investitorilor la aparitia unor informatii noi (ceea ce contrazice teoria pietelor eficiente, modificarile
de pret nefiind independente). Decizia de a cumpara intervine atunci cand pretul inregistreaza o tendinta
de crestere respectiv cea de a vinde atunci cand apar scaderi succesive de pret.
De asemenea se poate compara o medie mobila pe termen scurt cu una pe termen lung (ex. MMA(1)
si MMA(200)). Benzile Bollinger sunt de asemenea utilizate in delimitarea semnalelor de
vanzare/cumparare si constau n doua linii obinute adaugnd/scznd la/din media mobila abaterea
medie ptratic (deviaia standard) a preurilor pe intervalul considerat.
3. Componenta sezonier. Desesonalizarea prin raportare la mediile mobile
Presupunem n acest paragraf c seria cronologic prezint tendin, sezonalitate i o component
aleatoare.
Modelul de descompunere. Pentru alegerea modelului de descompunere este indicat a se analiza
cronograma seriei. n general, este adecvat un model aditiv atunci cnd amplitudinea oscilaiilor este
aproximativ constant respectiv multiplicativ dac amplitudinea crete sau scade n timp. Frecvent n
practic este mai adecvat modelul multiplicativ.
Perioada componentei sezoniere, notat cu p, reprezint numrul unitilor de timp din cadrul unui
ciclu sezonier. Majoritatea seriilor sezoniere din domeniul economic au durata unui ciclu de un an, p
fiind egal cu 4 n cazul datelor trimestriale respectiv 12 n cazul datelor lunare. Prin extensie pot fi
studiate i fenomene cu durata unui ciclu mai mic de un an. Cronograma seriei respectiv natura
variabilei sugereaz de regul perioada p. Pentru descoperirea unor oscilaii ascunse se apeleaz la
metode specifice analizei spectrale (Tertico .a., 1985).
Estimarea i eliminarea componentei sezoniere utiliznd mediile mobile. Pentru eliminarea
componentei sezoniere (desezonalizarea seriei), n scopul separrii ei, se aplic datelor o medie mobil
de ordin p egal cu perioada componentei sezoniere. n acest context mediile mobile sunt transformri
liniare f utilizate n scopul desezonalizrii seriei respectiv al atenurii amplitudinii fluctuaiilor aleatoare:
eliminarea componentei sezoniere
0 ) (
t
S f
,
eliminarea componentei aleatoare
0 ) (
t
f
respectiv
conservarea tendinei i a componentei ciclice t t
T T f ) (
.
n cele ce urmeaz estimarea componentei sezoniere se realizeaz prin intermediul coeficienilor
sezonalitii. n vederea determinrii coeficienilor sezonalitii vom utiliza urmtoarele notaii:
i indice pentru ciclu sezonier, variind de la 1 la n;
j indice pentru sezon, variind de la 1 la p.
Modelul de descompunere aditiv respectiv multiplicativ are forma:
9
ij j ij ij
S T y + +
respectiv ij j ij ij
S T y
Sezonalitatea se manifest sub forma unor abateri de la componentele evoluiei pe termen lung (tendin
i componenta ciclic). Indicii respectiv coeficienii sezonalitii cuantific aceste abateri de la tendin
- ciclu, urmare a aciunii factorilor sezonieri. n funcie de ipoteza considerat privind componenta
tendin - ciclu n practic ntlnim n principal dou metode de calcul a acestora: metoda comparrii cu
mediile mobile respectiv metoda comparrii cu tendina.
Se consider, n acest context, c seria prezint component pe termen lung tendin-ciclu, dar nu se
emite o ipotez privind forma acestora. Componenta evoluiei pe termen lung tendin- ciclu este privit
ca o medie curent a seriei
t t
Y TC
, estimat prin mediile mobile ij Y . n cazul modelului
multiplicativ
ij j ij ij
S T y
,
metoda se ntlnete n literatur i sub denumire de metoda raportrii la mediile mobile i const n
urmtoarele:
calculul mediilor mobile ij Y
de ordin p egal cu perioada componentei sezoniere;
calculul rapoartelor
ij
ij ij
Y Y S /
ce cuantific abaterea datelor observate de la tendin. Dac
fixm indicele j, aceste rapoarte constituie estimaii pentru indicele sezonalitaii aferent sezonului
j
S
;
determinarea unui indice mediu pentru fiecare sezon ca o medie a estimaiilor precedente:
p j S
n
I
n
i
ij j
,..., 2 , 1 ;
1
1
1
1

,
aceasta justificndu-se prin necesitatea eliminrii efectului aleator din ij
S
. Pentru a nu fi afectai
de valorile extreme, uneori nainte de calculul mediei, aceste valori se elimin, sau n loc de
medie se consider valoarea median a estimaiilor ij
S
;
determinarea componentei sezoniere j
S
, etap ce const ntr-o corecie adus indicilor medii
j
I
astfel nct media lor s fie 1:

,
`

.
|

p
i
i j j
I
p
I S
1
1
/ p j ,..., 2 , 1
.
Aceast cerin impus indicilor sezonalitii este natural, variaiile sezoniere se compenseaz
n medie pe parcursul unui an.
Valorile rezultate
) ..., , , (
2 1 j
S S S
se numesc indici ai sezonalitii i constituie componenta sezonier.
n cazul modelului aditiv
ij ij ij ij
S T y + +
determinarea componentei sezoniere decurge analog, dar avnd n vedere forma aditiv de
descompunere, coeficienii ce intervin se determin astfel:
ij
ij ij
Y Y S

1
1
1
1
n
i
ij j
S
n
C
iar ajustarea coeficienilor medii j
C
, pentru a obine componenta sezonier j
S
sau coeficienii
sezonalitii se face astfel nct media lor s fie zero:

p
j
j
C
p
1
0
1
.
4 . Metode de netezire exponenial
10
Tehnicile de netezire sunt utilizate pentru a genera valori netezite (atenuarea fluctuaiilor aleatoare


din date) din care s-a eliminat componenta aleatoare) respectiv pentru obinerea de previziuni. Valoarea
netezita corespunzatoare valorii observate t
Y
se va nota prin t
S
. Deasemenea vom nota prin ) ( Y

t
h
previziunea variabilei Y efectuat la momentul t, pe baza datelor disponibile n acest moment
1
Y
,
2
Y
, ..., t
Y
, pentru un orizontul de timp h. O alta notatie intalnita in literatura de specialitate pentru ) ( Y

t
h
este
h t
Y

+
, aceasta fiind de fapt o previziune pentru variabila aleatoare h t
Y
+ . Previziunea pentru
urmatoarea perioada este considerata egala cu valoarea netezita curenta:
t
S ) 1 ( Y

t

Daca seria de timp este generat de un proces staionar n medie (proces aflat n echilibru n jurul unei
constante) atunci, media ultimilor t termeni ai seriei poate fi utilizat pentru generarea previziunii
aferente urmatoarei perioade:
t
Y Y Y
Y Y
t t
t
1 1
...
) 1 (

+ + +


.
Deasemenea daca seria contine doar tendinta si componenta aleatoare atunci o medie mobila, de tipul
mediei aritmetice simple calculat pentru ultimele k observaii poate fi considerat previziune pentru
urmatoarea perioad de timp:

k
Y Y Y
S Y
k t t t
t t
1 1
...
) 1 (

+
+ + +
.
Gradul de netezire al seriei este mai mare pe masura ce k creste. Observam caci termenii seriei netezite
sunt generati de o relatie de recurenta:
k
Y Y
S S
k t t
t t

+
1
unde 1 + k t .
Pentru primii k termeni ai seriei nu pot fi determinate valorile netezite corespunzatoare. n acest caz
numrul termenilor din medie rmne constant, iar observaiile au toate aceeai pondere.
O extensie natural a acestei abordri (de previziune cu ajutorul mediilor mobile) o constituie
previziunea utiliznd medii mobile ponderate:
1 1 1 1 0
... ) 1 (

+ +
+ + +
k t k t t t t t
Y Y Y S Y unde
1
1
0

k t
i
i

.
De regula ponderile alocate observatiilor recente sunt mai mari. n acest capitol vom discuta o clas de
metode ce atribuie termenilor seriei ponderi descresctoare exponenial, pe msur ce observaiile sunt
mai ndeprtate n timp, numite metode de netezire exponenial.
Metodele din aceast clas implic utilizarea unor coeficieni de netezire, cu valori ntre 0 i 1, ce
faciliteaz alocarea unor ponderi inegale termenilor seriei.

a) Metoda de netezire exponenial simpl (pentru serii staionare)
Acest model este adecvat pentru netezirea i previziunea seriilor de timp ce fluctueaz aleator n jurul
unei valori constante (staionare n medie), nu au tendin sau component sezonier):
t t
m Y +
Se presupune aici caci constanta m ramane relativ stabila pe intervale succesive de timp.
Considerm t momentul prezent. Pentru a previziona urmtoarea valoare
1 + t
Y
, utiliznd datele
disponibile pn la acest moment
1
Y ,
2
Y , ...,
t
Y
se utilizeaz relaia de recuren:
t t t
Y c Y c Y

) 1 (

1
+
+
t=1,2,....
unde
[ ] 1 , 0 c
este constanta de netezire. Aceasta metoda poate fi privita ca o metoda de netezire.
Relatia de recurenta se aplica succesiv pentru fiecare observatie din seria de timp. Valoarea previzionata
pentru urmtoarea perioad
1

+ t
Y se calculeaz ca o medie ponderata intre observatia curenta
t
Y
(ultima
11
valoare disponibil) si previziunea precedent
t
Y

(efectuat la pasul anterior). Cand


1 c
valorile
previzionate sunt egale cu ultima observaie.
Atunci cnd se utilizeaz n scopul netezirii, valoarea netezit t
S
asociat valorii observate t
Y
este
generat de o relaie similar:
1
) 1 (

+
t t t
S c Y c S
ntruct previziunea pentru urmtoarea perioad este considerat egal cu valoarea netezit curent:
t t
S Y
+1 t

) 1 ( Y

.
Pentru perioada observat, seria cu valorile previzionate
1

Y ,
2

Y , ...,
1

T
Y , sau echivalent
1
S ,
2
S
, ...,
T
S
este seria valorilor netezite.
Intuitiv, implicaiile metodei devin mai evidente dac utilizm succesiv relaia de recuren anterioar
pentru
t
Y
,
1 t
Y
, ...,
2
Y :
[ ] + + +
+

1 1 1
) 1 ( ) 1 ( ) 1 (

t t t t t t
Y c cY c cY Y c Y c Y
1 1
1
2
2
1

) 1 ( ) 1 ( ) 1 ( ) 1 ( Y c Y c c Y c c Y c c cY
t t
t t t
+ + + + +



Astfel, valoarea previzonat se determin ca o media ponderat a tuturor observaiilor, ponderea fiecrei
observaii descrete exponenial pe msur ce ne ndeprtm de prezent, innd seama de urmtoarele:
Y
t
pondere c
Y
t-1
pondere c(1-c)
Y
t-2
pondere c(1-c)
2
. ................................................
Y
1
pondere c(1-c)
t-1
Atunci cnd se utilizeaz pentru n scopul netezirii, valoarea netezit
t
S
asociat valorii observate
t
Y

este generat de o relaie similar:
1
) 1 (

+
t t t
S c Y c S
Cea mai mare pondere o are observaia curent Y
t
. Suma ponderilor asociate tuturor observaiilor tinde
spre 1 atunci cand numrul observaiilor este mare. Atunci cnd este utilizat n scopul netezirii, metoda
produce valori mai netede atunci cnd c este aproape de zero, ponderile asociate valorilor curente, n
relaia de recuren:
1
) 1 (

+
t t t
S c Y c S
fiind mici.
Deasemenea, o alt form a relaiei de recuren este urmtoarea:
)

(

1 t t t t
Y Y c Y Y +
+
sau
) (
1 1
+
t t t t
S Y c S S
unde
t t t
Y Y e

este eroarea de previziune, la momentul t. Se poate vedea c previziunea pentru


urmtoarea perioad este egal cu valoarea curent ajustat n funcie de ultima eroare de previziune.
Utilizarea oricreia din cele trei forme ale relaiilor ce definesc aceast metoda necesit:
- o valoare iniial
1

Y . De regul pentru aceasta se consider prima valoare observat


1 1

Y Y
sau media seriei sau media primilor termeni ai seriei;
- o valoare adecvat pentru constanta de netezire c. Cand c are o valoare apropiat de 1 atunci se
acord o pondere mai mare observaiilor recente, fiind adecvat pentru serii netede. Atunci cnd
c este aproape de 0 previziunea depinde ntr-o mai mare msur de valorile nregistrate n trecut,
fiind adecvat pentru serii cu o amplitudine mare a fluctuaiilor.
De regul softurile statistice selecteaz o valoare optim pentru c, fiind aceea valoare pentru care
unul din indicatorii sintetici ai erorilor de previziune (MSE, MAE, MAPE or SSE) este minim.
Frecvent se minimizeaz media ptratelor erorilor de previziune
12
SSE =
( ) min
1

1
1
0
2
1
1
0
2
1 1


+ +
T
t
t
T
t
t t
e
T
Y Y
T
eroarea de previziune fiind:
1 1 1

+ + +

t t t
Y Y e .
Previziunile nafara perioadei observate sunt constante, pentru orice orizont de previziune 0 > h :
T T T T
Y c cY Y h Y

) 1 (

) (

1
+
+
.
b) Metoda Holt de netezire exponenial (pentru serii cu tendin)
Metode de netezire exponenial simpl a fost extins de ctre Holt pentru serii ce prezint tendin (i
component aleatoare). Ideea: ajustarea seriei n vecintatea originii previziunii cu o dreapt, tendina
fiind presupus liniar pe poriuni:
t t h t
hb a Y +
+

unde nivelul seriei a


t
(termenul liber din ecuaia dreptei de ) respectiv panta dreptei b
t
se modific
conform unor relaii de recuren asemntoare cu cele din cazul metodei de netezire exponeniale
simple:
( ) ) ( 1
1 1
+ +
t t t t
b a Y a
( ) ( )
1 1
1

+
t t t t
b a a b
.
Pentru previziune, panta t
b
se nmulete cu orizontul de previziune i se adun la nivelul seriei t
a
.
Pentru perioada observat, previziunile se fac pas cu pas, astfel orizontul de previziune este unu.
Valoarea previzionat pentru urmtoarea perioad:
t t t
b a Y +
+1

Atunci cnd devine disponibil o nou observaie t


Y
(i originea previziunii devine t) parametrii
dreptei, termenul liber t
a
asimilat cu nivelul seriei respectiv panta dreptei t
b
se ajusteaz conform
relaiilor de recuren prezentate. Nivelul seriei la momentul t notat prin t
a
este o medie ponderat ntre
nivelul su previzionat anterior
t t t
Y b a

1 1
+

i noua observaie disponibil. Panta dreptei la
momentul t notat t
b
este o medie ponderat ntre panta estimat prin diferena ntre ultimele valori
netezite ale nivelului seriei i panta estimat la momentul precedent.
Utilizarea relaiilor de recuren necesit valori iniiale pentru t
a
respectiv t
b
. Variante de
iniializare ntlnite n practic:
-
1 1
Y a
i
0
1
b
-
1 1
Y a
i
1 2 1
Y Y b
sau
3 / ) (
1 4 1
Y Y b
.
Constantele de netezire
[ ] 1 , 0 ,
sunt determinate de regul din condiia minimizrii erorilor de
previziune, fiind acele valori pentru care unul din indicatorii sintetici ai erorilor de previziune (MSE,
MAE, MAPE or SSE) este minim. De regul aceste constante se determin din condiia minimizrii
mediei ptratelor erorilor de previziune este minim:
MSE =
( ) min
1

1
1
0
2
1
1
0
2
1 1


+ +
T
t
t
T
t
t t
e
T
Y Y
T
eroarea de previziune fiind:
1 1 1

+ + +

t t t
Y Y e .
Previziunile nafara perioadei observate, pentru un orizont de timp h, se situeaz pe dreapta ce are ca
i parametri ultimele estimaii:
T T h T T
hb a Y h Y +
+

) (

.
13
c) Metoda Holt-Winters de netezire exponenial (pentru serii cu tendin i sezonalitate).
Metoda Holt-Winters este adecvat seriilor ce prezint tendin i component sezonier. Metoda
implic trei ecuaii de recuren, i prin urmare trei constante de netezire, una pentru nivelul seriei, una
pentru panta dreptei de tendin respectiv una pentru coeficienii sezonalitii. Notm cu p perioada
componentei sezoniere.
Tendina seriei este modelat local printr-o dreapt, n mod similar cu metoda Holt. innd seama de
modelul de descompunere a seriei, aditiv sau multiplicativ, exist dou variante ale metodei.
1) Modelul multiplicativ
Previziunile sunt generate n baza unei ecuaii de forma:
h p t t t h t
S b h a Y
+ +
+ ) (

unde nivelul seriei t


a
, panta dreptei de tendin t
b
respectiv componenta sezonier t
S
sunt generate
de relaiile de recuren:
( )( )
1 1
1

+ +
]
]
]
]

t t
p t
t
t
b a
S
Y
a
( ) ( )
1 1
1

+
t t t t
b a a b
( )
p t
t
t
t
S
a
Y
S

+
]
]
]

1
.
Componenta sezonier este reprezentat aici prin indici de tipul indicilor sezonalitii. Estimaia pentru
componenta sezonier, la momentul t, este o medie ponderat ntre indicele sezonalitii estimat prin
raportul ntre valoarea curent i nivelul seriei t t
a Y /
i ultima valoare a indicelui generat pentru
respectivul sezon p t
S
(calculat la momentul t-p, unde p este perioada componentei sezoniere). Ecuaia
pentru panta dreptei de tendin este identic cu cea din metoda Holt. n ecuaia pentru nivelul seriei se
utilizeaz valoarea desezonalizat curent p t t
S Y

/
estimat prin valoarea curent mprit la cea mai
recent estimaie a indicelui sezonalitii pentru respectivul sezon.
Ca i valori iniiale, necesare n relaiile de recuren, sunt sugerate urmtoarele:
- media datelor ce acoper primul ciclu sezonier

p
k
k p
Y
p
a
1
1
, fiind astfel eliminat
sezonalitatea din nivelul seriei
1
a

-
) ... (
1
2 1 2 1 1
p
Y Y
p
Y Y
p
Y Y
p
b
p p p p
p

+ +

+ +
, fiecare termen din sum fiind o estimaie
pentru panta dreptei aferent unui sezon;
- indicii sezonalitii sunt estimai prin indicii sezonalitii determinai prin metoda raportrii la
mediile mobile, varianta multiplicativ. O alt variant de lucru este urmtoarea:
p
a
Y
S
1
1

,
p
a
Y
S
2
2

, ...,
p
p
p
a
Y
S
.
Cele trei constante de netezire
[ ] 1 , 0 , ,
sunt determinate din condiia de minimizare a erorilor
de previziune (MSE, MAPE, SSE).
Previziunile nafara perioadei observate, pentru un orizont de timp h, sunt calculate utiliznd
ultimele estimaii, pentru
T
a ,
T
b respectiv h p T
S
+ , determinate din relaiile de recuren:
h p T T T h T
S b h a Y
+ +
+ ) (

.
2) Modelul aditiv
Avnd n vedere compunerea aditiv a celor dou componente tendin i component sezonier,
previziunile sunt generate n baza unei ecuaii de forma:
14
h p t t t h t
S b h a Y
+ +
+ +

unde nivelul seriei t


a
, panta dreptei de tendin t
b
respectiv componenta sezonier t
S
sunt generate
de relaiile de recuren:
( )( )
1 1
1 ) (

+ +
t t p t t t
b a S Y a
( ) ( )
1 1
1

+
t t t t
b a a b
( )
p t t t t
S a Y S

+ 1 ) (
.
Pentru iniializarea coeficienilor sezonalitii se poate utiliza metoda raportrii la mediile mobile,
varianta aditiva sau diferenele:
p
a Y S
1 1 , p
a Y S
2 2 , ..., p p p
a Y S
.
Previziunile nafara perioadei observate, pentru un orizont de timp h, sunt calculate innd seama de
forma aditiv a modelului:
h p T T T h T
S b h a Y
+ +
+ +

.
5. Teste de nestaionalitate (teste de radacina unitate, unit roots)
Concepte de baz
Considerm n continuare o clas particular de procese aleatoare, numite procese staionare. Fie un
proces aleator
) (
t
Y
unde Z t . Pentru observaia aferent momentului t, variabila aleatoare
t
Y
, se
definesc:
- media variabilei
( )
t t
Y E

- variana ( ) ] ) [(
2 2
t t t t
Y E Y Var
- covariana dintre dou variabile t
Y
i s
Y
, prin
( ) ( ) ( ) [ ]
s s t t s t ts
Y Y E Y Y , cov .
Deoarece dispunem de o singur observaie pentru fiecare variabil t
Y
este imposibil de estimat aceste
elemente. Estimarea devine posibil pentru o clas particular de procese aleatoare, numite procese
staionare.
Definiie. Un proces staionar de ordinul doi dac verific urmtoarele trei condiii:
(1)
( ) t Y E
t
,
media este constant n timp (staionalitate n medie)
(2 ( )
2

t
Y Var variana este constant n timp (staionalitate n varian)
(3)
( ) s t Y Y
k s t
, , cov
unde
t s k
covariana dintre dou variabile este funcie
doar de lungimea intervalului de timp ce separ cele 2 variabile. Pentru un proces staionar, funcia de
autocovarian devine:
( ) ( ) [ ]
s t k
Y Y E
unde
t s k
.
Un proces staionar se afl ntr-o state de echilibru (are proprietatea de a reveni la medie ori de cte
ori se ndeprteaz prea mult de la aceasta).
n cronogram, o serie staionar se manifest sub forma unor fluctuaii cu amplitudine relativ
constant (varian constant) n jurul unei medii constante, independente de timp (staionalitate n
medie). Nestaionalitatea n medie este specific seriilor cu tendin, iar nestaionalitatea n varian se
observ prin modificarea n timp a amplitudinii fluctuaiilor.
Zgomot alb (white noise). Un caz particular de proces staionar, este cel de tip zgomot alb (denumire
luat din tehnic), acesta fiind o succesiune de variabile aleatoare
N t
t
,
independente i identic
repartizate, cu medie zero. Astfel:
-
( ) 0
t
E
15
- ( ) ) (
2 2
t t
E Var


-
( ) s t Cov
s t
, 0 ,
.
Funcia de autocorelaie (AC)
Considerm un proces staionar. Funcia de autocorelaie
k
r
se definete prin:
( ) ( ) [ ]
( ) [ ]
2
0




t
k t t k
k
Y E
Y Y E
r
, Z k
i msoar corelaia liniar dintre dou variabile Y
t
i Y
t-k
separate de k uniti de timp.
Pentru k=1 respectiv k=2 coeficientul de autocorelaie devine
( ) ( ) [ ]
( ) [ ]
2
1
1


t
t t
Y E
Y Y E
r
( ) ( ) [ ]
( ) [ ]
2
2
2


t
t t
Y E
Y Y E
r
Observaii:
1.

( )
( ) ( )
k t t
k t t
k
Y Var Y Var
Y Y
r

, cov

regsim coeficientul de corelaie liniar dintre Y
t
i Y
t-
k
2.
[ ] 1 , 1 +
k
r
3. ( ) ( )
2 2
0

t t
Y Var Y E
4. k k
r r

funcia de autocorelaie este o funcie par.


Pentru un proces de tip zgomot alb, funcia de autocorelaie devine:

'

0 0
0 1
k
k
r
k
.
variabille fiind necorelate.
Estimarea funciei de autocorelaie este o etap important n faza de identificare a unui model de tip
ARIMA modelului. Graficul funciei de autocorelaie se numete corelogram i ofer informaii
importane privind comportamentul seriei.
Estimarea funciei revine la calculul unor coeficieni de autocorelaie (corelaie liniar) pentru fiecare
cuplu (Y
t
, Y
t-k
):
k = 1 (Y
t
, Y
t-1
).
1
r
k = 2 (Y
t
, Y
t-2
).
2
r
.................................................................
k = M (Y
t
, Y
t-M
)
M
r
Prezint importana calculul primelor T/4 autocorelaii (spre exemplu, dac lungimea seriei este T=80
M = 80/4 = 20).
Estimarea coeficienilor de autocorelaie
16
In practic dispun de o serie cronologic Y
1
, , Y
T
(eantion finit n timp, i o singur observaie
pentru fiecare variabila aleatoare t
Y
). In ipoteza staionalitii, media

i variana
2
procesului pot
fi estimate utiliznd aceast singur realizare, prin media respectiv variana de eantionare:

T
t
t
Y
T
Y
1
1


T
t
t
Y Y
T
s
1
2 2
) (
1
.
Coeficientul de autocorelaie
k
r
se estimeaz prin:
( )( )
( )

T
t
t
T
k t
k t t
k
T Y Y
k T Y Y Y Y
r
1
2
1
/
) /(

respectiv
( )( )
( )

T
t
t
T
k t
k t t
k
Y Y
Y Y Y Y
r
1
2
1

dac lungimea seriei este suficient de mare (i astfel T-k nu difer foarte mult de T).

Testarea semnificativitii coeficieilor de autocorelaie
Testarea semnificativitii coeficientului de autocorelaie
k
r
:
H
0
:
0
k
r
(nu difer semnificativ de zero)
H
1
:
0
k
r

se realizeaz utiliznd un statistica Student
( )
k
k
r ar V
r
t

converge asimtotic (cnd T ) la legea normal


) 1 , 0 ( N
Pentru variana estimatorului coeficientului de autocorelaie Bartlett a furnizat urmtoarea expresie (vezi
curs C. Hurlin):
( ) ( ) [ ]
2
1
2
1
1
1
2
2 1
1
2 1
1

+ + +
,
`

.
|
+
k
k
i
i k
r r
T
r
T
r ar V
.
Decizia: pentru un nivel de semnificaie

, ipoteza nul H
0
nu se respinge dac
[ ]
tab tab calc
t , t t
sau
echivalent ( ) ( ) [ ]
k tab k tab k
r ar V t r ar V t r ,

.
Observaie. Uneori pentru variana estimatorului se utilizeaz expresia ( ) T r ar V
k
/ 1

(expresie
adecvat de fapt doar atunci cnd seria este de tip zgomt alb). Astfel pentru T suficient de mare (pentru a
putea aproxima legea tudent prin legea normal), o valoare absolut pentru coeficientul de autocorelaie
mai mare dect T / 96 . 1 (nivelul de semnificaie fiind fixat la 5%) indic faptul ca acesta difer
semnificativ de zero.
Funcia de autocorelaie parial (PAC)
Deseori corelaia intre doua variabile este determinat de faptul c ambele sunt corelate cu o a treia
variabil. In acest context o mare parte din corelaia intre dou variable Y
t
i Y
t-k
poate apare urmare a
17
unui efect indirect, de corelare a ambelor variabile cu variabilele intermediare
1 2 1
, ,
k t t t
Y Y Y
.
Pentru a se evita acest fapt se utilizeaz coeficientul de autocorelaie parial, acesta msurnd efecul
direct al lui Y
t-k
asupra variabilei Y
t
(se izoleaz influena variabilei Y
t-k
). Definitia acestuia este similar
cu a coeficientului de corelaie parial din econometrie.
Coeficientul de autocorelaie partial ntre dou variabile separate de k uniti de timp notat prin k
c

este coeficientul de regresie a variabilei k t
Y
n modelul autoregresiv AR(k):
t k t k t t t
Y c Y a Y a a Y + + + + +


2 2 1 1 0
i msoar informaia adiional adus de variabila k t
Y
n exoplicarea comportamentului prezent t
Y

(cu cte uniti se modific t
Y
dac k t
Y
crete cu o unitate iar celelalte variabile 1 2 1
, ,
k t t t
Y Y Y

rmn nemodificate). Astfel, coeficientul de autocorelaie parial msoar corelaia ntre t
Y
i k t
Y
,
n condiiile n care celelalte variabile 1 2 1
, ,
k t t t
Y Y Y
sunt meninute constante (se izoleaz
influena variabilei k t
Y
). Astfel, coeficientul de autocorelaie parial ntre t
Y
i 2 t
Y
, adic
2
c ,
este egal cu coeficientul de autocorelaie
2
r dac t
Y
i 2 t
Y
sunt ambele necorelate cu 1 t
Y
.
Funcia de autocorelaie parial const n setul de coeficieni k
c
, unde k=1, 2, 3, ..... Pentru k=1
coeficientul de autocorelaie i coeficientul de autocorelaie parial coincid
1 1
c r . Coeficienii de
autocorelaie parial nregistreaz valori ntre -1 i 1.

Estimarea coeficienilor de autocorelaie parial
O estimare direct a coeficienilor de autocorelaie parial const n estimarea coeficienilor de
regresii pentru mai multe regresii. Astfel,
1
c se estimeaz cu coeficientul de regresie a variabilei 1 t
Y

n modelul autoregresiv AR(1):
t t t
Y c a Y + +
1 1 0
2
c este coeficientul de regresie a variabilei 2 t
Y
n modelul autoregresiv AR(2):
t t t t
Y c Y a a Y + + +
2 2 1 1 0
3
c
este coeficientul de regresie a variabilei 3 t
Y
n modelul autoregresiv AR(3):
t t t t
Y c Y a a Y + + +
2 2 1 1 0
.............................................................
k
c
este coeficientul de regresie a variabilei
k t
Y

n modelul autoregresiv AR(k):


t k t k t t t
Y c Y a Y a a Y + + + + +


2 2 1 1 0
.

In practic (inclusiv n algoritmii de calcul implementai n softurile de statistic) acetia nu sunt de
regul calculai n acest mod, ci se utilizeaz ecuaiile Yule-Walker, ce redau relaiile dintre coeficienii
de autocorelaie i coeficienii de autocorelaie parial.
Testarea semnificativitii coeficineilor de autocorelaie parial
Testarea semnificativitii coeficientului de autocorelaie parial
k
c
:
H
0
:
0
k
c
(nu difer semnificativ de zero)
H
1
:
0
k
c

se realizeaz utiliznd statistica Student
( )
k
k
r ar V
r
t

converge asimtotic (cnd T ) la legea normal


) 1 , 0 ( N
.
Pentru variana estimatorului coeficientului de autocorelaie parial se urmtoarea expresie:
18
( )
T
c ar V
k
1

.
Decizia: pentru un nivel de semnificaie

, ipoteza nul H
0
nu se respinge dac
[ ]
tab tab calc
t , t t
sau
echivalent [ ] T t T t c
tab tab k
/ , / .
Procese nestaionare
Un proces este nestaionar dac nu verific una sau mai multe din cerinele din definitia procesului
staionar. n economie majoritatea seriilor sunt nestaionare, media respectiv variana acestora nefiind
constant n timp.
Detectarea nestaionaritii:
- din cronogram i corelogram respectiv
- utilizarea unor teste de staionaritate (numite i teste de rdcin unitate); acestea vor fi discutate
n capitolul urmtor.
Din cronogram:
- seria este nestaionar n medie dac media nu este constant n timp. O serie ce prezint spre
exemplu o tendin determinist (ce poate fi modelat prin funcii elementare) este nestaionar;
- seria este nestaionar n varian dac variana nu este constant n timp.
In acest paragraf avem n vedere un proces (serie) nestationar n medie. Exist dou tipuri de procese
(serii) nestaionare:
a) serii nestaionare dar staionare relativ la o tendin determinist TS (time stationary).
Exemplu: o serie ce fluctueaz staionar n jurul unei tendine deterministe liniare:
t t
bt a Y + +
unde t

este un proces staionar;


b) serii nestaionare generate de un proces pentru care polinomul autoregresiv din reprezentarea
autoregresiv AR(p) are rdcini unitare (are radacini unitate unit root, sau pe cercul unitate). Spunem
c seria este staionar prin difereniere DS (differency stationary) sau c are tendin stochastic
(seria hoinrete); seria are radacin unitate. Exemplul tipic aici este mersul aleator t t t
Y Y +
1 .
Polinomul in L asociat prii autoregresive
( ) L
din modelulul AR(p):
( )
t t
Y L
unde
( ) L L 1
t t
Y L ) 1 (
1 0 1 x x
il are pe unu ca i rdcin. Multe serii din economie au un comportament de mers aleator; t
Y
este
nestaionar dar t t
Y
devine stationar. Dac este necesar a se diferenia seria de d ori pn devine
staionar,
t
d
t
d
t
Y L Y Z ) 1 ( fiind staionar, polinomul autoreresiv l are pe 1 ca i rdcin
multipla de ordin d si spunem c seria este integrat de ordin d, notnd I(d).
Din corelogram (graficul funciei de autocorelaie): autocorelaiile
k
r
unei serii staionare se
apropie rapid de zero, odat ce k crete (tind exponenial spre zero). Pentru o serie nestaionar
autocorelaiile sunt mari i pozitive pentru un numar mare de valori ale lui k. Pentru a testa dac o serie
este nestaionar cu tendin stochastic (are rdcin unitar) se pot utiliza testele Dickey-Fuller ADF.
5.2. Teste de tip Dickey-Fuller (DF) . Testele dezvoltate n continuare sunt destinate detectrii
nestaionalitii de tip DF, adic a detectrii rdcinii unitate n reprezentarea procesului. Testele
Dickey-Fuller sunt utile:
pentru a testa dac o serie este staionar (relativ la medie sau relativ la o tendint determinist);
pentru a identifica natura tendinei seriei (seria poate avea tendint determinist sau/i tendint
stochastic) respectiv pentru a determina ordinul de integrare.
19
Dac
t
Y
are o radcin unitate atunci n ecuaia de regresie:
t t t
Y a Y +
1 1
ne ateptm ca
1
a s fie aproape de 1, sau echivalent ne ateptm ca 1
1
a s fie aproape de zero
n regresia:
t t t
Y Y +
1
(V1)
(obinut scznd
1 t
Y
din ambii membri, n ecuaia anterioar). Pornind de la aceast idee, iniial
testul Dickey-Fuller, (pentru detectarea unei rdcini unitate) a fost dezvoltat pentru testarea ipotezei:
1 :
1 0
a H
1 :
1 1
< a H
n modelul autoregresiv de ordinul unu:
t t t
Y a Y +
1 1
unde erorile
t

sunt presupuse independente i identic distribuite, cu medie 0 i varian


2

. Astfel,
testul faciliteaz alegerea ntre un proces de tip mers aleator (proces nestaionar) i un proces
autoregresiv de ordinul unu (proces staionar). Dac ipoteza nul este adevarat seria conine o rdcin
unitate, n caz contrar seria fiind staionar de tip AR(1). Varianta
1
1
> a
corespunde unor procese
explozive, ce nu-i gsesc aplicabilitate.
Ipoteza nul din testul Dickey-Fuller este o ipotez privind semnificativitatea coeficientului
termenului 1 t
Y
:
0 :
0
H
0 :
1
< H
n ecuaia de regresie t t t
Y Y +
1 , unde 1
1
a . Raportul Student
) var( /
aferent
coeficientului

, utilizat n mod obinuit pentru testarea unei ipoteze relativ la un coeficient de regresie,
nu urmeaz legea Student. Distribuia asimptotic a acestei variabile a fost studiat de ctre Dickey
(1975) i Fuller (1976), iar mai recent MacKinnon (1991) obine prin simulare valori critice mai precise.
Pentru un nivel de semnificaie de 5% spre exemplu, valoarea critic rezultat este 1.95:
05 . 0 ) 95 . 1 ( < DF P
.
Menionm c valoarea critic, pentru acest nivel de semnificaie, este de 1.64 n cazul legii normale
05 . 0 ) 64 . 1 ( < z P
, astfel c utilizarea testului z sau t n testarea ipotezei 0
H
conduce prea frecvent
la respingerea ipotezei nule.
Distribuia asimptotic a statisticii t de tip Student difer dup cum se include sau nu o constant n
regresie. In cazul prezenei unei constante n forma autoregresiv:
t t t
Y a a Y + +
1 1 0
testul privind semnificativitatea coeficientului
1
a se realizeaz n ecuaie
t t t
Y a Y + +
1 0
(V2)
Deasemenea o alt variant interesant a testului faciliteaza alegerea ntre un process nestaionar cu
tendin stochastic (proces integrat) i unul cu tendin determinist. Aceasta se realizeaz prin testarea
ipotezei de rdcin unitate:
1 :
1 :
1 1
1 0
<

a H
a H
pentru un proces de tipul:
t t t
Y a bt a Y + + +
1 1 .
Testarea ipotezei anterioare este echivalent i aici cu o ipotez privind semnificativitatea coeficientului
lui
1 t
Y
n ecuaia de regresie:
20
t t t
Y bt a Y + + +
1
(V3)
Fuller (1976) a studiat comportamentul asimptotic al statisticii t i n acest caz obinnd, prin simulare,
valorile critice corespunztoare acestei variante a testului. Spre exemplu la un nivel de semnificaie de
5% valoarea critic obinut este de 3.41:
05 . 0 ) 41 . 3 ( < DF P
.
Acest test faciliteaz selecia ntre dou procese nestaionare de tipul:
t t t
Y bt a Y + + +
1
, respectiv
t t t
Y a bt a Y + + +
1 1
, cu
1
1
< a
.
Procesul generat de prima ecuaie conine o rdcin unitate (
) 1
, seria are tendin stochastic. Cel
de-al doilea proces aleator, pentru care
1
1
< a
, nu are rdcin unitate i este obinut prin nsumarea
dintre o tendin determinist liniar i un proces staionar de tip autoregresiv AR(1); seria este astfel
staionar n jurul unei tendine deterministe liniare.
Distribuiile asimtotice anterioare sunt valabile n ipoteza n care t

este de tip zgomot alb. Altfel


este necesar o abordare ce ine seama i de autocorelaiile reziduurilor din ecuaia de regresie n care se
testeaz semnificativitatea coeficientului lui
1 t
Y
.Un proces AR(1) cu erori autocorelate de ordin p-1
poate fi pus ntr-o reprezentare AR(p) cu erori de tip zgomot alb. Se ine seama apoi de reprezentarea de
tip Sims-Stock-Watson (1990) a unui model AR(p), scris utiliznd diferenele de ordinul unu, din care
se obine forma general a ecuaiei de regresie utilizate n forma general a testului.
n forma general, testul Dickey-Fuller mbuntit ADF (Augmented Dickey-Fuller) se efectueaz
relativ la coeficientul termenului 1 t
Y
:
0 :
0
H
0 :
1
< H
n ecuaia de regresie urmtoare:


+ + + +
1
1
1
p
i
t i t i t t
Y Y bt a Y .
Distribuia asimptotic a raportului t asociat coeficientului este aceeai cu cea din cazul AR(1), astfel
c se utilizeaz aceleai valori critice. La aplicarea testului, p este selectat astfel nct reziduurile din
ecuaia de regresie s rmn necorelate. Au fost dezvoltate trei variante ale testului DF, aferente
respectiv regresiilor:


+ +
1
1
1
p
i
t i t i t t
Y Y Y (V1)


+ + +
1
1
1
p
i
t i t i t t
Y Y a Y (V2)


+ + + +
1
1
1
p
i
t i t i t t
Y Y bt a Y (V3)
Distribuiile asimtotice i deci valorile critice sunt specifice fiecrei variante. Valorile critice nu depind
ns de numrul de ntrzieri p.
Decizia asupra ipotezei nule, un anumit nivel de semnificaie:
t
calc
< t*
tab
H
0
se respinge seria nu are rdcin unitate (este
staionar relativ la medie n V1 i V2, sau staionar relativ la o tendin determinist n
varuianta V3)
t
calc
> t*
tab
H
0
se accept seria are o rdcin unitate (este nestaionar,
cu tendin stochastic).
21
Testul ADF este de test de nestaionalitate stochastic (dac H
0
este adevrat, seria este nestaionar de
tip DF).
Alegerea ntre cele trei variante rmne totui o problem. O soluie logic pare a fi efectuarea
testului n varianta general (V3), dar includerea unor regresori cu coeficieni nesemnificativi reduce
puterea testului; astfel, testul poate indica prezena unei rdcini unitate cnd n realitate seria nu o
conine. Principiul general const n a alege o variant conform cu datele:
- dac seria prezint o tendin (determinist sau stochastic) se aplic varianta general (V3);
- dac seria nu are o tendin vizibil i are medie diferit de zero, se aplic varianta (V2) respectiv
- dac seria fluctueaz n jurul lui zero se aplica testul n varianta (V1).
Dup aplicarea testului este indicat a se examina i semnificativitatea coeficienilor de regresie (din
ecuaia de regresie aferent testului aplicat) n principal atunci cnd nu suntem siguri asupra variantei
adecvate respectiv asupra valorii lui p. Dac se consider necesar, se poate aplica din nou testul cu o alt
specificare pentru ecuaia de regresie. Pentru alegerea odinului p se poate utiliza de asemenea criteriile
de informaie (AIC, SC,...)
Dac ipoteza nul nu este respins atunci se aplica n continuare testul DF pentru detectarea rdcinii
unitate n diferenele de ordin unu. Pentru determinarea ordinului de integrare se aplic testul succesiv
pentru datele iniiale, diferenele de ordin unu i eventual doi; seriile din domeniul economic necesit de
regul o singur difereniere. Dac pentru datele iniiale H
0
se accept, iar pentru datele difereniate
t
Y
ipoteza nul H
0
se respinge Y
t
e nestaionar dar diferenele de ordin 1 sunt staionare Y
t
este integrat de ordin 1 sau
( ). 1 I Y
t

Dac ipoteza nul H


0
se accept att pentru datele iniiale Y
t
ct
i pentru cele diferereniate
t
Y
dar se respenge pentru datele de dou ori diofereniate
t
2
Y seria
este integrat de ordinul doi sau
( ). 2 I Y
t

Tendin determinist versus tendin stochastic. O serie poate avea tendint determinist sau/i
tendin stochastic; o serie ce are att tendin determinist ct i tendin stochastic se comport ca i
o serie cu tendin stochastic. Graficul de mai jos red comparativ dou serii de timp nestaionare cu i
respectiv fr rdcin unitate (prima serie are att tendin determinist ct i tendin stochastic):
t t
u t Y + + 1 . 0 10
, unde
t t t
u u +
1
, i
t t
u t Y + + 1 . 0 10
, unde
t t t
u u +
1
9 . 0
obinute prin simulare. Pentru eroarea
) 1 , 0 ( N
t

au fost generate 200 de valori aleatoare. n cazul
seriei staionare relativ la o tendin determinist valorile fluctueaz staionar n jurul tendinei, n timp
ce seria cu rdcin unitate se ndeprteaz de la tendina determinist iar amplitudinea fluctuaiilor
crete sau descrete n timp.
Observaie. Variana erorii n cazul seriei staionare relativ la tendina determinist liniar rmne
constant n timp.
22
Diferenele de ordin unu pentru ambele tipuri de procese:
t t
u bt a Y + +
, t t t
u u +
1 ;
t t
u bt a Y + +
, t t t
u u +
1 , cu
1 <
,
sunt staionare:
t t
b Y +
, respectiv
t t
u b Y +
.
Prin urmare, prin analiza seriilor difereniate nu se poate face distincie ntre cele dou tipuri de
nestaionalitate. Exist o diferen esenial ntre cele dou serii de timp:
- dac seria conine rdcini unitate atunci ocurile ( t

) asupra seriei sunt permanente, deoarece


(Johnston i DiNardo, 1994): t t s t
u u +
+ 1 . Dac o serie macroeconomic este de tip DS atunci
impactul ocurilor conjuncturale are un efect permanent asupra nivelului seriei. Originea nestaionalitii
unui mers aleator const n acumularea de ocuri aleatoare, deoarece: 0 1 2 1
... Y Y
t t t t
+ + + + +


;
- n cazul seriilor staionare relativ la tendin influena ocurilor asupra urmtoarelor abateri de la
tendina determinist se diminueaz n timp:
t
s
t s t
u u +
+ 1
.
Pentru a detectarea naturii tendinei unei serii nestaionare se poate utiliza varianta V3 a testului
ADF:


+ + + +
1
1
1
p
i
t i t i t t
Y Y bt a Y (V3)
H
0
: 0
H
1
: 0 <
Dac H
0
se accept seria are rdcin unitate seria are tendina stochastic. Dac H
0
se respinge
seria nu are rdcin unitate, prin urmare nu are tendin stochastic. Pentru a detecta prezen unei
tendinei deterministe se va testa semnificativitatea coeficientilor de regresie a, b n ecuaia de regresie
aferent testului aplicat V3, utiliznd testul Student clasic. De asemenea dac se estimeaz tendina
determinist iar reziduul este staionar atunci seria este stationar relativ la tendin.
Existena sau nu a unei rdcini unitate ntr-o serie nestaionar determin natura tendinei.
Cunoaterea naturii tendinei unei variabile nestaionare este important n previziune respectiv n
modelarea econometric. Staionalitatea/nestaionalitatea respectiv detectarea naturii nestaionalitii
determin tipul de modelare i proprietile asimtotice ale metodelor econometrice de estimare.
23
6. Aplicatii
a) Testarea ipotezei de mers aleator a cursului pietelor de capital. In ipoteza de eficien
informaional n form slab (ipoteza de mers aleator) a pietei de capital, cursul oricarui titlu este un
proces de tip mers aleator. Cursul unui titlu, notat prin t
C
urmeaz un model de mers aleatoriu, cu
constanta, dac 1 1 + +
+ +
t t t
C C
cu 1 + t

independente si identic repartizate (iid) i de speran


finit. Mersul aleator este un proces nestaionar, insa diferenele de ordinul nti sunt stationare; notand
1

t t t
C C Z
, procesul
{
t
Z
este staionar.
Daca se considera rentabilitatile logaritmice 1
) 1
ln ln
)
ln(


t t
t
t
t
C C
C
C
R
, atunci in termeni de
rentabilitati, ipoteza de mers aleator devine:
t t
R +
unde t

este o secventa de variabile aleatoare independente si identic repartizate, iar

o constanta.
n testarea ipotezei de mers aleator se parcurg trei etape (Todea, 2005):
1. Studiul staionaritii seriilor de rentabiliti;
2. Testarea ipotezei de non-corelaie liniar a rentabilitilor;
3. Testarea existenei unor corelatii neliniare n seria rentabilitilor.
Pentru a testa dac seriile de rentabiliti sunt staionare se utilizeaza teste clasice de radacina
unitate, precum testele ADF, testul KPSS, s.a.. Dac se respinge ipoteza nul de nestaionaritate, se trece
la etapa 2, iar dac aceasta se accepta, este respins din start ipoteza de mers aleator i astfel eficiena
informaional n forma slab. Existenta unor tendinte in evolutia cursurilor bursiere, efecte sezoniere
(ex. efectul lunii ianuarie, efectul de talie, s.a.) neaga ipoteza eficientei informationale a pietelor
bursiere. Acestea dispar partial odata cu maturizarea pietei.
In ultima perioada teoria pietei eficiente a pierdut din importanta, tot mai multi specialiti
sustinand ca preturile sunt predictibile. In ultima perioada teoria pietei eficiente a pierdut din importanta,
tot mai multi specialisti sustinand ca preturile sunt predictibile. Teoria pietelor adaptive pare a fi deseori
validata empiric, rentabilitatile bursiere inregistrand un comportament episodic, perioade mai lungi de
eficienta urmate de perioade in care se manifesta corelari liniare dar mai cu seama neliniare.
b) Aspecte statistice specifice ratei rentabilitatilor
1) Riscul unui activ financiar este caracterizat prin dispersia rentabilitilor sale de la valoarea
medie. Msurile statistice cel mai frecvent utilizate sunt variana respectiv abaterea medie ptratic.
Riscul unui activ financiar, pe un orizont de T perioade, se poate estima prin abaterea medie patratica:
( ) ( )
2
1
1
1

T
t
i t
R R
T
R , unde
t
R
reprezint rentabilitatea activului n perioada t; R
reprezint media rentabilitilor activului pe orizontul de calcul.
Literatura de specialitate apreciaz c o bun estimare a riscului se poate obine utiliznd rentabiliti
lunare pe o perioad de trei ani.
2) Distributia empirica a rentabilitatilor. Asimilarea conceptelor de rentabilitatea i risc cuplului
medie-varian presupune c distribuia ratelor de rentabilitate s urmeze o lege normal. O astfel de
lege are o serie de proprieti utile, cum ar fi: depinde doar de medie i varian, este simetric, 95%
dintre observaii sunt cuprinse ntre 2 t .
Identificarea legii de probabilitate este o problem deosebit de important n teoria modern a
portofoliilor. De natura acestei legi depinde modul n care se msoar riscul activului financiar.
Distribuiile empirice ale rentabilitilor sunt insa de regula mai ascuite dect cele ale legii normale i
prezint cozi (frecventa cu care se inregistreaza variatiile extreme sunt mai mari decat in cazul legii
normale); legea Pareto este mai abecvata decat cea normala.
24
Coeficientul de asimetrie
3

respectiv de boltire
4
i analiza histogramei ofer o prim imagine
asupra formei distribuiei rentabilitatilor. Coeficienii de asimetrie respectiv boltire sunt calculai n baza
momentelor centrate:
3
3
3

;
4
4
4


unde j

este momentul centrat de ordin j.


Pentru testarea normalitii se recomand, n literatura de specialitate, utilizarea testului Jarque-
Bera (1981), bazat pe coeficienii de asimetrie i boltire. Valoarea calculat a acestei statistici este
furnizat implicit de majoritatea softurilor odat cu alte statistici descriptive. Dac un eantion de T
observaii provine dintr-o distribuie normal atunci coeficientul de asimetrie calculat n baza
observaiilor urmeaz asimptotic legea normal N(0, 6/T) iar coeficientul boltirii legea N(3,24/T). Jarque
i Bera obin prin nsumarea celor dou variabile normale independente statistica:
) 2 ( ) 3 (
24
1

6
1
2 2
4
2
3
+ T T JB
,
ce urmeaza legea ) 2 (
2
. Valoarea critic corespunztoare nivelului de semnificaie se determin din
tabelul de distribuie a legii
2
, numrul gradelor de libertate fiind 2. Zona critic este
>

) (
2
JB P
.
Sarcini i teme ce vor fi notate
Temele aferente modulului:
- Medii mobile utilizate n analiza tehnic
- Metode de neteire exponentiala aplicate in netezire si previziune
- Teste de radacin-unitate (prima etapa in testarea ipotezei de mers aleator a pietelor financiare)
- Analiza statistica a distributiei ratei rentabilitatilor.
Proiectul individual presupune utilizarea metodelor abordate n cadrul acestor teme, pentru serii din
domeniul financiar.
Bibliografie
Bibliografie obligatorie
1. Campbell, J.Y., Lo, A.W., MacKinlay, A.C., The Econometrics of Financial Markets, Princeton
University Press, Princeton, New Jersey, 1996.
2. Pecican, E.S., Econometria pentru economiti, Editura Economic, 2004.
3. Todea A., Eficiena informaional a pieelor de capital. Studii empirice pe piaa romneasc, Ed.
Casa Crii de Stiin, Cluj-Napoca, 2005.
Bibliografie optional
1. Harris R., Sollis R., Applied time series modeling and forecasting, John Wiley & Sons, 2003.
2. Makridakis S., Wheelwright S.C., Hyndman R.J., Forecasting. Methods and Applications, John
Wiley & Sons Inc., 1998.
3. Mills, T.C., The econometric modelling of financial time series, Cambridge University Press,
1999.
PARTEA 2
Modelarea si previziunea seriilor financiare prin modele de tip autoregresiv medie
mobila ARIMA(p,d, q) respectiv GARCH(p,q)
Obiectivele modulului:
25
- Identificarea unui model de tip ARIMA(p,d, q)
- Aplicarea modelelor de tip ARIMA n previziunea seriilor financiare respectiv filtrarea corelaiilor
liniare din seria de timp
- Modelarea seriilor financiare prin modele de tip GARCH(p,q)
Se recomand studiul problematicii modulului n ordinea numerotrii paragrafelor din coninutul
informaional al acestuia.
Coninutul informaional al modulului
1. M odele de tip autoregresiv medie mobil ARIMA(p,d, q)
Box & Jenkins (1970) au propus o metodologie de previziune a unei variabile, utiliznd ca i baz de
date doar trecutul i prezentul acesteia. Aceste modele se bucur de o larg popularitate datorit:
- calitii previziunilor generate;
- flexibilitii modelelor;
- rigurozitii privind fundamentarea matematic a modelului;
- este o metod adecvat i pentru previziunea unor variabile cu o evoluie neregulat.
Observaie: s-au introdus ntr-o perioad n care modelele econometrice clasice, n principal cele
macroeconomice cu mai multe ecuaii au condus frecvent la previziuni mai slabe dect metodele simple
univariante.
Un model de tip autoregresiv-medie mobil ARMA(p,q) are o component de tip autoregresiv
respectiv o component de tip medie mobil:
t q t q t t p t p t t t
b b b Y a Y a Y a a Y + + + + +


2 2 1 1 2 2 1 1 0
unde p este ordinul prii autoregresive, q ordinul mediei mobile iar t

este un proces de tip zgomot alb


(acesta fiind o succesiune de variabile aleatoare independente i identic repartizate, cu medie zero).
Atunci cnd q=0 se obtine modelul autoregresiv de ordin p, notat AR(p):
p t p t t t
Y a Y a Y a a Y

+ + + +
2 2 1 1 0
iar pentru p=0, se obtine modelul medie mobil de ordin q:
t q t q t t t
b b b a Y +


2 2 1 1 0 .

La baza elaborrii unor astfel de modele stau urmtoarele considerente:
- evoluia fenomenelor economice se afl sub impulsul resurselor existente, a capacitilor deja create, a
experienei acumulate, a tradiiei, obinuinei (spre exemplu n consum). Variabilele din economie au
caracter inerial, fiind prezent o puternic component autoregresiv (n prinipal n evoluia
indicatorilor macroeconomici). Ar fi imposibil de imaginat sore exemplu o economie n care datele din
seria de timp ce red evoluia preului unui produs sunt extrase aleator dintr-o urn. Partea autoregresiva
surprinde mecanismele interne de generare ale procesului;
- component de tip medie mobil este efectul unor evenimente nepredictibile, asupra variabilei, efecte
asimilate treptat n timp. Aceast component este justificat prin intervenia unor schimbri brute,
neateptate n rndul factorilor exteriori corelai cu variabila (ex.greve, diverse tiri, schimbarea brusc a
vremii pentru varibile din agricultur). Spre exemplu efectul unei tiri importante, dar neateptate,
privind activitatea unei societi se va repercuta asupra cursului actiunilor sale la burs n urmtoarele
sptmni. Partea medie modil surprinde asimilarea treptat a ocurilor (abaterilor accidentale) din
afara sistemului.
Modelele ARMA sunt adecvate seriilor staionare. Acestea au fost generalizate pentru serii
nestationare ce devin staionare prin difereniere, modelele rezultate fiind denumite modele
autoregresive-integrate-medie mobil ARIMA(p, d, q) unde d este ordinul de difereniere necesar pentru
staionalizarea seriei.
26
Considerm un proces aleator cu medie zero. Vom indica modul de scriere a modelelor utiliznd
operatorul de ntrziere 1

t t
Y LY
.
ARMA(p,q): t q t q t t P t P t t t
b b b Y a Y a Y a Y + + + +


2 2 1 1 2 2 1 1
( ) ( )
t
q
q t
p
p
L b L b Y L a L a L a
1
2
2 1
1 1
sau
( ) ( )
t t
L Y L
unde
( ) L
p
p
L a L a L a
2
2 1
1
iar
q
q
L b L b L
1
1 ) (
sunt polinoame de gradul p
respectiv q n L.
Ct de generale sunt aceste modele? Teorema de reprezentare a lui World arat c orice proces
staionar poate fi scris ca i un proces de tip medie mobila cu un numr infinit (mare) de termeni.
Dac seria este nestaionar i devine stationar dup d diferenieri,
X
t
ARIMA(p,d,q) (adic
t
d
t
d
X L X ) 1 ( ARMA(p,q)) foma restrns este:
( ) ( )
t t
d
L X L L ) 1 (
.
Caz particular: mersul aleator ARIMA(0,1,0).
Exist dou modaliti de generare a unor serii nestaionare.
a) Seriile nestaionare n medie cu tendin determinist polinomial devin staionare dac sunt
difereniate de un numr de ori egal cu gradul polinomului de tendin.. De regul seriile din economie
devin taionare dup una sau dou diferenieri (astfel d=1 sau d=2). Spre exemplu daca seria are o
tendin determinist liniar atunci seria devine staionar dup o singur difereniere:
t t
bt a Y + +
t t
b Y +
unde t

este un proces staionar (prin urmare i t



). In acest caz valorile fluctueaz n jurul unei
drepte, sunt staionare relativ la dreapta de tendin. Dac seria are o tendin polinomiala de gradul 2
atunci sunt necesare dou diferenieri pentru ca seria s devin staionar. Dac seria este staionar
relativ la o tendin determinist se spune ca seria este staionar relativ la tendin.
O alta modalitate de transformare a acestora n serii staionare const n extragerea tendinei
deterministe din date (dupa estimarea ei prin functii elemenare).
b) Un alt tip de proces nestaionar este generat de de o ecuaie de tipul AR(1) unde coficientul
variabilei este unu:
t t t
Y Y +
1 sau t t t
Y a Y + +
1 0
t

fiind zgomot alb. Acesta se numete mers aleator i n evoluia acestuia se observ periade cu
aparente tendine de cretere sau descretere care apoi i schimb brusc, nepredictibil direcia. Spunem
c un astfel de proces are tendin stochastic, fiind rezultatul acumulrii unor socuri aleatoare ce nu au
o baza sistematic. Aceste evoluii sunt specifice variabilelor financiare i n principal seriilor ce redau
evoluia cursului unor aciuni. Variana unui proces de tip mers aleator far termen liber nu este
constant i crete odat cu t iar pentru forma cu termen liber att media ct i variana variaz n timp
(cresc odat cu t). Spre exemplu daca valoarea de pornire la momentul t=0 este 0
Y
atunci:
0 1 2 1
... Y Y
t t t t
+ + + + +


iar variana crete odat cu t, deoarece ( )
2

t Y Var
t
.
Mersul aleator constituie un prototip pentru o clas de proces nestaionare numite procese integrate;
trebuie evidentiat i importana practica a acestui model, fiind ntlnit specific mai ales seriilor din
dmeniul financiar. Observm c i in acest caz dup o singur difereniere seria devine staionar:
t t
Y
respectiv
t t
a Y +
0
.
Polinomul in L asociat prii autoregresive din modelulul AR(p):
( )
t t
Y L
t t
Y L ) 1 (
1 0 1
27
are o singur rdcin pe cercul unitate (n modul egal cu 1). Seria este staionar prin difereniere
sau este integrat de ordinul 1 (sau are o radcin unitate, unit root), i se noteaz prin I(1). Rdcinile
unitate, adic rdcinile polinomului autoregresiv ce se afl pe cercul unitate se refer doar la comonenta
stochastic a seriei. Majoritatea seriilor din economie sunt nestaionare n medie t
Y
dar diferena de
ordin nti t t t t t
Y L Y Y Y Z ) 1 (
1

devine staionar. Dac sunt necesare dou diferenieri
succesive pentru ca seria s devin staionar:
t t t t t t t t t t
Y L Y Y Y Y Y Y Y Z Y
2
2 1 2 1 1
2
) 1 ( 2 ) ( ) ( +

spunem c seria este integrat de ordin doi I(2).
In general, un proces (serie) este integrat de ordin d, notat prin I(d), dac este necesar a fi difereniat
de d ori pn devine staionar;
t
d
t
d
t
Y L Y Z ) 1 ( este staionar.
Modelele de tip ARIMA acoper o clas larg de procese nestaionare. Att seriile cu tendin
determinist polinomiala ct i cele cu tendin stochastic pot fi transformate n serii staionare prin
difereniere.

2. Modelul autoregresiv. Proprietile funciei de autocorelaie respectiv de autocorelaie parial
a) Funcia de autocorelaie
Considerm un model autoregresiv de ordinul unu AR(1) sau ARIMA(1,0,0):

t t t
Y a a Y + +
1 1 0
unde
1
1
< a
iar t

este zgomot alb cu media E


( ) 0
t

i variana
2
) (


t
Var . Procesul este staionar dac
coeficientul
1
1
< a
.
Observaii. a) Dac
1
1
> a
procesul este nestaionar, i are o evoluie exploziv, exponenial. Un
asemenea comportament este rar ntlnit n practic (cretere exponeniala, pe termen nelimitat).
b) Dac 1
1
a regsim mersul aleator.
c) Pentru procesul este de tip zgomot alb de medie 0
a
.
Fr a restrnge generalitatea considerm un model autoregresiv de ordinul unu AR(1) cu medie zero
(dac media procesului

este diferit de zero se realizeaz substituia



t t
Y X
) :
t t t
Y a Y +
1 1 unde
1
1
< a
.
Proprietate. Dac
1
1
< a
atunci procesul AR(1)este staionar. Funcia de autocorelaie a unui
proces autoregresiv de ordinul unu AR(1) are expresia:
k
k
a r
1
.
Demonstraie.
( )
( )
j t
t
j
j t
t t t t t t t t
t t t t t t t t t
a a a a a Y a a a
Y a a Y a a Y a Y

+ + + + + + + +
+ + + + +


1
0
1 1
1
1 3
3
1 2
2
1 1 1 2 3 1
2
1 1 1
2
2
1 1 1 1 2 1 1 1 1

Astfel:
E(Y
t
) = 0 (erorile au media zero), deci independent de t

( ) ( ) ( ) ( ) ( ) ( )
+ + + + k t t k t t k t t k t t k t t
Y Y E Y E Y E Y Y E Y Y Cov Y Y Cov , ,
( )( ) + + + + + +
+
+ +

1
1
1 1 1 1
1
1 1 1

k t
k t k t
t
t t
a a a a E
( )( )
1
1
1 2 `
2
1 1 `
1
1 1 1 1 1
1
1 1 1

+

+
+ +

+ + + + + + + + + +
k t
t
k
t
k
t
k
k t k t
t
t t
a a a a a a a E
( )
( )
2
1
1 2
1
2
1
2
1
2
1

+

+
+ + +
t k
t
k
t
k
a a a E =
( )
( )
( )
( )
1 2
1 1
2 1 2
1 1
2
1 .
+
+ + + +
t k t k k
a a a a

.
Covariana devine:
28
( )
k t t
Y Y Cov ,

'

1 ,
1 ,
1
1
1
2
1
2
1
2
1
1
2
a t
a
a
a
a
t
k

Dac
1 a
1
<
atunci
( )
2
1
1 2
1
, cov
a
a
Y Y
k
k
t
k t t



+

independent de t.

( )
2
1
2
0
1
1
a
Y Var
t




fiind independent de t.
Observatie. In cazul
1
1
a
regasim variana unui proces nestaionar de tip mers aleator.
Prin urmare, funcia de autocorelaie este independent de t i are expresia:
k k
k
a r
1
0

.
Observatie. Atunci cnd a
1
> 0 funcia de autocorelaie
k
r
descrete exponenial, iar pentru a
1
< 0 descrete sinusoidal (dini de ferstru, valorile negative alterneaz cu cele pozitive).
Un proces AR(1) n care apare i constanta:
t t t
Y a a Y + +
1 1 0
are media egal cu
1
0
1
) (
a
a
Y E
t


respectiv variana
2
1
2
1
1
) (
a
Y Var
t

.
Astfel, dac seria fluctueaz n jurulunei valori diferit de zero, media fiind nenul, n ecuaia modelului
se va introduce i termenul constant.
Utiliznd scrierea cu operatorul L, un model AR(1) devine
t t
Y L a ) 1 (
1
iar condiia de staionalitate
1 a
1
<
este echivalent cu cerina ca radcina polinomului de gradul unu
( )
1
1 La L , notata cu x s aib modulul mai mare dect unu:
1
1 xa =0 rezult , adic
1
/ 1 a x
Operatorul L face posibila scrierean succint a unui filtru cu un numr infinit de termeni. Spre exemplu
pentru AR(1) rezult:

+ + +


t t t
L a L a
L a
Y L a ) 1 (
1
1
) 1 (
2 2
1 1
1
1


+ + +
2
2
1 1 1 t t t
a a
iar condiia de stabilitate a procesului revine la condiia de convergen a seriei format cu coeficienii
filtrului

1
1
i
i
a
; regsim aceeai condiie de stabilitate, seria fiind convergent atunci cnd
1 a
1
<
.
Redm, fr demonstratie, urmtoarea proprietate, ce indic condiiile ce trebuie verificate de
coeficienii unui model AR(p) pentru ca acesta s fie staionar.
Proprietate. Un model AR(p):
( )
t t
Y L
este staionar atunci cnd rdcinile polinomului
( ) L
p
p
L a L a L a
2
2 1
1
( rdcini reale sau
complexe) sunt n modul mai mari dect unu (se mai spune ca sunt in exteriorul cercului unitate) .
29
b) Funcia de autocorelatie partial
Din definiia funciei de autocorelaie parial rezult cci coeficienii de autocorelaie pariala a unui
model AR(p) sunt egali cu zero, pentru k mai mare dect p (ordinul modelului).
t p t p t t t
Y a Y a Y a a Y + + + + +


2 2 1 1 0
Spre exemplu 1 + p
c
este coeficientul de regresie a variabilei 1 p t
Y
n modelul autoregresiv AR(p+1):
t p t p p t p t t t
Y a Y a Y a Y a a Y + + + + + +
+ 1 1 2 2 1 1 0

.
ori acesta este nul deoarece pentru un model AR(p) coeficientul 1 + p
a
=0.

3. Modelul medie mobil. Proprietile funciei de autocorelaie respectiv de autocorelaie parial
Intr-un model de tip medie mobil sunt utilizate erorile nregistrate n trecut ca i variabile explicative:
t q t q t t t
b b b a Y +


2 2 1 1 0 .

a) Funcia de autocorelaie
Considerm un model medie mobil de ordinul unu MA(1) sau ARIMA(0,0,1) cu medie zero:
1 1

t t t
b Y
Proprietate. Un model de tipul MA(1) este staionar iar funcia sa de autocorelaie se anuleaz
pentru 2 k .
Demonstraie. Media procesului este nul:
( ) ( ) ( ) 0 E b E Y E
1 t 1 t t



Variana procesului:
( ) ( )
2
1
2
1 b Y Var
t
+

deoarece:
( ) ( ) ( ) [ ] ( ) ( ) ( ) [ ]
1 1 1
2
2 2
t t t t t t t t
b b E Y E Y E Y E Y Var
( ) ( ) ( ) ( ) ( )
2
1
2 2
1
2
1 1 1 1 1
2
1 b b E b E b E E
t t t t t t
+ + +

rezult
( ) ( )
2
1
2
1 b Y Var
t
+

Covariana:
( ) ( ) ( )
( ) { ( ) ( )

'




1 p e n t r u 0
1 p e n t r u
,
2
1
2
1 1 2 1 1 1 1
1 1 1 1
k
k b E b b b E
b b E Y Y C o v
t t t t t
k t k t t t k t t




rezult funcia de autocorelatie:

'

1 k ,
1
2 k , 0
2
1
1
b
b r
k
Semnul coeficientului de autocorelatie
1
r este invers semnului lui
1
b .

Proprietate. Funcia de autocorelaie a unui model de tipul MA(q) se anuleaz pentru
1 + q k
.
30
Demonstraie.
q t q t t t t
b b b Y


2 2 1 1
Media este nul:
( ) 0
t
Y E
Variana procesului:
( ) ( )
2 2
2
2
1
2
... 1
q t
b b b Y Var + + + +

.
Covariana:
( ) ( ) ( )

'

+
+ + +


+

1 p e n t r u 0
, . . . , 2 , 1 p e n t r u ) b b . . . b b ( - b
,
q k - q 1 k 1 k
2
2 2 1 1 2 2 1 1
q k
q k
b b b b b b E Y Y C o v
q k t q k t k t k t q t q t t t k t t



rezult funcia de autocorelatie:

'

+ + + +
+ + +

+
1 p e n t r u 0
, . . . , 2 , 1 p e n t r u
. . . 1
b b . . . b b b -
2 2
2
2
1
q k - q 1 k 1 k
q k
q k
b b b r
q k
Funcia de autocorelatie parial a unui model medie mobil se comport in mod similar cu funcia de
autocorelaie a modelelor autoregresive.
Dac procesul are medie nenul atunci modelul include i un termen liber, acesta fiind egal cu
media:
q t q t t t
b b m Y

+
1 1
deoarece
( ) m m Y E
t
+ + + 0 0
.
4. Etapele elaborrii unui model ARIMA (autoregresiv integrat medie mobil)
Etapele (metodologia) de elaborare a unui model ARIMA (p,d,q)
1. Identificarea modelului se precizeaz valorile adecvate pentru p, d respectiv
2. Estimarea parametrilor modelului estimarea coeficienilor ai, bi,
2


3. Testarea validitii modelului i respecificarea acestuia. Daca modelul nu este valid atunci se
respecifica modelul (alte valori plauzibile pentru p,d,q) i se reiau etapele anterioare.
4. Utilizarea modelului in generarea de peviziuni (odat ce a trecut testele devalidare).
Modelarea ARIMA presupune n esen urmatoarele:
- verificarea staionalitii. Dac se constat c seria este nestaionar atunci se difereniaz pn cnd
devine staionar, rezultnd ordinul de difereniere d (de regul d = 1, 2);
- innd seama de forma funciei de autorelaie i de autocorelaie parial (estimate) k
r
i k
c
pentru
seria difereniat se stabilesc valori plauzibile pentru p respectiv q adecvate;
- se estimeaz modelul selectat;
- se testeaz validitatea modelului. Aici avem doua grupe de teste:
31
-
t

este de tip zgomot alb? teste privind comportamentul reziduurilor


- teste privind semnificaia coeficienilor ai, bi;
- generarea previziunilor, n baza modelului estimat.
Identificare
model
Estimarea parametrilor
modelului
Teste de validitate
NU
DA
Previziuni
stabilire valori
p,q,d
a
i
, b
i
= ? -rez. zgomot alb
- semnif. coef.
a) Identificarea (specificarea) modelului
Este etapa cea mai important dar i cea mai dificil. Sunt utile funciile de autocorelaie i de
autocorelaie parial estimate. Forma acestora indic modele posibile (teoretice), adic cele mai
plauzibile valori pentru p, q i d. Comparnd funciile estimate cu cele teoretice specifice fiecrui model
i se vor alege unu sau mai multe modele teoretice ce par adecvate.
a1) Stabilirea ordinului de difereniere. Dac o serie este nestaionar n medie (media nu este
constant n timp) se vor calcula diferenele de ordin 1 eventual 2, n scopul stabilirii ordinului de
difereniere d.
Observaie. Dac seria este uor nestaionar i n varian este indicat, inainte de modelare, a se
logaritma datele iniiale, reducnd astfel amplitudinea fluctuaiilor seriei. Se va lucra n continuare cu
datele logaritmate. De regul seriile din domeniul financiar au un astfel de comportament.
a2) Stabilirea valorilor plauzibile pentru p respectiv q.
Dup eventuale diferenieri i alte transormri aplicate datelor iniiale (exemplu logaritmare), n scopul
staionarizrii seriei, se trece la stabilirea unui model adecvat, de tip autoregresiv medie mobil
ARMA(p,q), pentru datele obinute n urma diferenierii (care sunt staionare). Dac nu pare adecvat un
model AR(p) sau MA(q) cu numr mic de paramarametri ( p respectiv q 4) atunci se va ncerca un
model mixt ARMA ce combin ambele pri.
Se au n vedere urmtoarele proprieti ale funciile de autocorelaie i de autocorelaie parial, expuse
pentru cele mai frecvente modele.
Model Funcia de autocorelaie k
r
Funcia de autocorelaie
parial c
k
AR(1)
t 1 t 1 t
Y a Y +

- descrete exponenial dac
a
1
> 0
- descrete sinusoidal, dac
a
1
< 0
- c
1
semnificativ (> 0 dac
a
1
> 0 i <0 dac a
1
< 0);
- c
k
= 0, k 2
AR(2)
t 2 t 2 1 t 1 t
Y a Y a Y + +

descrete exponenial sau
sinusoidal. Forma exact
depinde de semnul i valoarea
coeficienilor a
1
i a
2
- c
1
i c
2
semnificativi
- c
k
= 0, k 3
AR(p)
t p t p 1 t 1 t
Y a Y a Y + + +


descrete exponenial sau
sinusoidal. Forma funciei
depinde de semnul i valoarea
-c
1
, , c
p
semnificativi
-c
k
= 0, k p+1
32
coeficienilor a
1
, , a
p
MA(1)
1 t 1 t t
b Y


1
r semnificativ (> 0 dac b
1
<
0i 0 < dac b
1
> 0);
r
k
= 0, k 2
exponenial dac b
1
> 0
sinusoidal dac b
1
< 0
MA(2)
2 t 2 1 t 1 t t
b b Y


2 1
, r r semnificativ
r
k
= 0, k 3
descrete exponenial sau
sinusoidal. Forma exact
depinde de semnul i
valoarea coeficienilor b
1
,
b
2
MA(q)
q t q 1 t 1 t t
b b Y


q
r r , ,
1

semnificativi
r
k
= 0, k p+1
descrete exponenial sau
sinusoidal. Forma funciei
depinde de semnul i
valoarea coeficienilor b
1
,
, b
q
ARMA(1,1)
1 1 1 1
+
t t t t
b Y a Y
descrete exponenial.
Semnul lui
1
r depinde de cel
al diferenei a
1
b
1
descrete exponenial
dac b
1
> 0 respectiv
sinudoidal dac b
1
< 0
ARMA (p,q) descrete exponenial sau
sinusoidal ncepnd cu k=q-p
descrete exponenial sau
sinusoidal ncepnd cu
k=q-p
n practic dispunem doar de estimaii pentru funcia de autocorelaie respectiv autocorelaie
parial. Prin urmare, vom cuta:
- cea mai mic valoare a lui k ncepnd de la care funcia de autocorelaie parial nu difer
semnificativ de zero (ncepnd de la care ipoteza nul H
0
:
0
k
c
nu se respinge). Obinem
astfel valoarea plauzibil pentru p ordinul modelului autoregresiv AR(p);
- cea mai mic valoare a lui k ncepnd de la care funcia de autocorelaie nu difer semnificativ
de zero (ncepnd de la care ipoteza nul H
0
:
0
k
r
nu se respinge). Obinem astfel valoarea
plauzibil pentru q, ordinul modelului medie mobila MA(q).
n principiu nu este dificil s distingem ntre un model AR(p) i un model MA(q), n schimb
determinarea ordinelor p, q pentru un model mixt este un proces relativ incert. Exist i posibilitatea
selectrii modelului ce minimizeaza diferite criterii construite utiliznd funcia de verosimilitate (ex:
criteriul Akaike AIC, criteriul Schwarz SC).
AR(p) este adecvat variabilelor dependente exclusiv de trecutul lor, cu pronunat caracter inerial
(exemplu: consumul de bunuri de strict necesitate unde se creeaz obinuin). MA(q) e adecvat
variabilelor sensibile la modificri ale variabilelor exogene, determinnd abateri accidentale de la
evoluia medie. In economie, undele ambele efecte sunt prezente, modelele mixte s-au dovedit a fi
deseori adecvate.
Observaie. Dac exist mai multe modele ce par a fi adecvate atunci se va reine cel cu numar
minim de coeficieni.
b) Estimarea parametrilor modelului
Forma restrns a unui model ARMA(p,q) cu medie zero este:

( ) ( )
t t
L Y L
respectiv a unui model ARIMA(p,q):
( ) ( )
t t
d
L X L L ) 1 ( .
Considerm un model
) ( p AR
:
33
t p t p t t
Y a Y a Y + + +


1 1
Metoda clasic a celor mai mici ptrate

t
t
2


min conduce la estimatori, pentru parametrii
1
a ,
2
a
,..., p
a
, regsind ecuaiile Yule-Walker; acestea sunt relaii ntre coeficienii de autocorelaie i
parametrii coeficienii modelului.
Considerm un model
( ) 2 AR
cu medie zero:
2 2 1 1
+
t t t
Y a Y a Y
Inmulim aceast relaie cu 1 t
Y
i trecem la medie. Se obine:
) ( ) ( ) (
2 2 1 1 1 1
+
t t t t t t
Y Y E a Y Y E a Y Y E
sau
( ) ( ) ( )
1 2 2 1 1 1 1
, cov , cov , cov

+
t t t t t t
Y Y a Y Y a Y Y
deoarece
t Y E
t
, 0 ) (
. Imprind relaia anterioar la variana procesului
( )
t
Y var
, rezult:
1 2 1 1
r a a r +
.
Analog, dac se nmulete relaia 2 2 1 1
+
t t t
Y a Y a Y
cu 2 t
Y
rezult
2 1 1 2
a r a r +
Astfel, dac n prealabil s-au calculat estimaii pentru coeficienii de autocorelaie, din sistemul de
ecuaii
1 2 1 1
r a a r +
2 1 1 2
a r a r +
putem obine estimaii pentru coeficienii modelului
2 1
, a a

.
In mod similar, pentru un model AR(p) rezult sistemul de ecuaii ce fac legtura ntre coeficienii de
autocorelaie i coeficienii modelului, numite ecuaiile Yule-Walker:
( ) ( ) ( ) ( )
i t p t P i t t i t t i t t
Y Y a Y Y a Y Y a Y Y

+ + + , cov ... , cov , cov , cov
2 2 1 1
pentru i=1,2,...,p, respectiv
p i p i i i
r a r a r a r

+ + + ...
2 2 1 1 , i=1,2,...,p
unde
1
0
r
. Dac n prealabil s-au calculat estimaii pentru coeficienii de autocorelaie
1
r ,
2
r , ...,
p
r
, din acest sistem de ecuaii rezult estimaii pentru coeficienii modelului p
a a a

,..., ,
2 1 .
Metoda clasic a celor mai mici ptrate

t
t
2


min respectiv ecuaiile Yule-Walker conduc la
estimatori ce nu sunt eficieni deoarece exist coliniaritate ntre variabilele explicative din model
p t t t
Y Y Y

,..., ,
2 1 .
Dac modelul include i o component medie mobil, fiind MA(q) sau ARMA(p,q) atunci apare o
neliniaritate n raport cu parametrii (avnd n vedere relaia
( )
( )
t t
Y
L
L


.
De regul se utilizeaz metoda verosimilitii maxime; se recurge aici la utilizarea unor olgoritmi de
optimizare neliniar (ex. algoritmul Newton-Raphson), acetia fiind metode iterative specifice rezolvrii
modelelor neliniare n raport cu parametrii. Se presupune c erorile din model sunt o succesiune de
variabile aleatoare independente, identic repartizate, cu medie zero i normal distribuite. Ipoteza
normalitii erorilor
) , 0 (
2

N
t

este necesar pentru a putea specifica o form funcional a funciei
de verosimilitate.
Funcia de verosimilitate asociat seriei observaiilor Y=(Y
1
, , Y
T
) este:

34
Y b a Y b a
i i i i
T 1 '
2
2 / 1 2 / 2
) ] , ( [
2
1
e x p { ) ] , ( d e t [ ) 2 (


Maximizarea acesteia conduce la valori pentru coeficienii i i
b a ,
ce asigur cea mai mare probabilitate
de apariie a observaiilor Y
1
, , Y
T
.
c) Teste de validitate i respecificarea modelului
Pentru a vedea dac modelul estimat surprinde adecvat modul de generare a datelor (caracterul inerial
respectiv cel de asimilare a ocurilor) este util n prealabil o analiza comparativ a funciei de
autocorelaie k
r
respectiv de autocorelaie parial k
c
estimate, pentru seria iniial Y
t
respectiv pentru
seria generat de model
t
Y

. O asemnare ntre corelogramele acestora indic faptul c model surprinde


adecvat mecanismul de generare a datelor. Deasemenea se pot analiza radacinile unitate ale
polinoamelor autoregresive respectiv medie mobil.
Se parcurg aici dou grupe de teste: teste de semnificativitate a coeficienilor modelului respectiv
teste referitoare la reziduuri (pentru a vedea dac sunt de tip zgomot alb).
c1) Teste privind semnificativitatea si stabilitatea coeficienilor
Considerm un model staionar ARMA(p,q) cu medie diferit de zero:

( ) ( )
t t
L a Y L +
0
Pornind de la matricea de varian-covarian a estimatorilor obinui prin metoda verosimilitii maxime
(estimatori ce sunt convergeni) se pot construi statistici de tip Student, pentru a testa semnificativitatea
coeficienilor i
a
respectiv i
b
. Distribuia asimtotic a acestor statistici este dat de legea normal.
Se testeaz dac i
a
(sau i
b
) difer semnificativ de zero:
0 :
0

i
a H

0 :
1

i
a H

utiliznd statistica
( )
i
i
a Var
a
t

ce urmeaz asimtotic legea normal N(0,1).


Pentru un nivel de semnificaie % 5 , daca
[ ]
tab tab calc
t t t + ,
atunci ipoteza nul H
0
nu se respinge.
Prin urmare variabila corespunztoare se eliminin din model, i se respecific respectiv reestimeaz
modelul.
Pentru teste asupra coeficienilor se pot utiliza aici i alte teste precum testul Wald, sau teste de tip
LM (Multiplicatorul lui Lagrange) pentru omisiunea unor variabile, teste de stabilitate a coeficienilor.
Testul Chow este utilizat pentru testarea stabilitii parametrilor unei regresii, adic pentru a afla
dac parametrii pot fi utilizai i n afara eantiotinului de date. Utilizarea acestui test impune ca seriile
cronologice pentru care se aplic s fie staionare. Ipoteza nul este constana parametrilor.
Fie n volumul eationului. Acesta se mparte n dou : n
1
i n
2
, (n
2
= n-n
1
). Nu exist regul strict
referitoare la aceast mprire. De obicei, n
2
se ia 10%, 15% sau 20% din n. Se va prezenta testul, n
forma general, pentru regresia econometric multipl, n cazul seriilor cronologice aplicndu-se
analog. Mai nti se estimeaz prin metoda celor mai mici ptrate, pe baza a n
1,
estimatorul :
1 1
1
1 1 1
) ( Y X X X b

35
Unde

,
`

.
|
kn n
k
k
X X
X X
X X
X
... 1
... ... ... ...
... 1
... 1
:
2
2 22
1 21
este matricea variabilelor exogene, iar Y :

,
`

.
|
n
Y
Y
Y
...
2
1
, vectorul
coloan a variabilei endogene. Prin mprirea eantionului n n
1
i n
2
, se vor mprii i X i Y n dou.
n continuare, se va utiliza
1
b
i se va calcula o predicie pentru Y, utilizndu-se de data aceasta cele n
2
observaii. Se obine
1 2 2

b X Y . n final se obine vectorul erorilor de previziune


) (

1 2 2 2 2
b X Y Y Y d i se analizeaz distribuia acestuia.
Procedura practic de realizare a testului const n urmtoarele :
1. Folosind cele n
1
observaii, se realizeaz regresia Y
1
i X
1
. Se obin reziduurile restricionate
1 1 1
e e RSS .
2. Se realizeaz regresia lui Y n raport cu X pe toate cele
2 1
n n n +
observaii, obinndu-se
reziduurile nerestricionate
2 2 2
e e RSS .
3. Se construiete statistica
) , (
) /(
/ ) (
1 2
1 1 1
2 1 1 2 2
k n n F
k n e e
n e e e e
F

.
La un nivel de semnificaie ales, dac tab calc
F F >
este respins constana parametrilor.
c2) Teste privind reziduurile
Dac modelul este bine specificat, atunci reziduurile din modelul estimat sunt generate de un proces de
tip zgomot alb (succesiune de variabile aleatoare independente, identic repartizate), cu medie zero i
normal distribuit.
Autocorelarea reziduurilor. Pentru detectarea unor dependene n seria reziduurilor se examineaz
funcia de autocorelaie k
r
i de autocorelaie parial k
c
a reziduurilor. Dac reziduurile sunt
necorelate, atunci aceti coeficieni nu trebuie s fie semnificativ diferii de zero.
Se utilizeaz statistica student
( )
k
k
r ar V
r
t

ce converge asimtotic la legea normal


) 1 , 0 ( N
, cu
variana estimatorului coeficientului de autocorelaie estimat prin
( )
T
r ar V
k
1

. Pentru un nivel de
semnificaie % 5 , ipoteza necorelrii reziduurilor nu se respinge dac
[ ] 96 . 1 , 96 . 1
calc
t
sau
echivalent [ ] T T r
k
/ 96 . 1 , / 96 . 1 . Identic decurge i testarea semnificativitii autocorelaiilor
pariale ale reziduurilor.
Se utilizeaz aici i teste mai puternice de autocorelaie, fiind teste globale de semnificativitate a
coeficienilor de autocorelaie a reziduurilor, testndu-se o ipoteza de forma:
0 ... :
2 1 0

M
r r r H

] , 1 [ :
1
M k H pentru care
0
k
r
Testul Ljung-Box sau statistica Q:
( )

+
M
j
j
q p M
j T
r
T T Q
1
2
2

) 2 (
36
Dac
2
tab calc
Q > atunci se respinge ipoteza nul, fiind necesar respecificarea modelului. Atunci cnd
Q nu difer semnificativ de zero, primele M autocorelaii sunt nesemnificative. In practica M se
consider arbitrar, sugerndu-se valori ntre 10 i 20.
Un alt test ce se bucur de popularitate este testul LM.
Testul LM pentru erori de tipul AR(p) and MA(q) (testul Breusch-Godfrey). Considerm un model
cu erori corelate de tip AR(p):
t t t
u X Y +
t p t p t t
u a u a u + + +


1 1
unde t

este un proces de tip zgomot alb. Ipoteza nula (nu exist autocorelaie pn la ordnul p)
respectiv alternativa sunt:
0 ... :
2 1 0

p
a a a H
0 : :
1

i
a i H
Seria reziduurilor

t t t
X Y u este obinut n urma estimrii ecuaiei de regresie, prin metoda celor
mai mici ptrate. Utiliznd aceste reziduuri se estimeaz regresia auxiliar:
t p t p t t t
u u X u + + + +


1 1

t=p+1,...,T
Atunci cnd ipoteza nul este adevrat, statistica:
) (
2 2
p R T LM
urmeaz legea ) (
2
p , unde
2
R
este coeficientul de determinaie din regresia auxiliar. Ipoteza nul se
respinge atunci cnd LM depete valoarea critic, pentru un anumit nivel de semnificaie
2
R
. Testul
LM rmne acelai i atunci cnd erorile sunt de tip MA(q).
Investigarea normalitii reziduurilor. Pentru testarea normalitii erorilor se recomand, n
literatura de specialitate, utilizarea testului Jarque-Bera (1981), bazat pe coeficienii de asimetrie i
boltire:
) 2 ( ) 3 (
24
1

6
1
2 2
4
2
3
+ T T JB
.
Investigarea heteroscedasticitii reziduurilor. Testul multiplicatorilor lui Lagrange pentru
heteroscedasticitate de tip ARCH(p) presupune:
- estimarea reziduurilor t t
e
din ecuaia ce definete modelul;
- estimarea regresiei auxiliare (ce fundamenteaz testul):
2 2
1 1 0
2
...
p t p t t
e e e

+ + +
;
- testarea ipotezei nule n ecuaia de regresie auxiliar:
0 ... :
2 1

p o
H
(nu exist efect ARCH).
Dac ipoteza nul este adevarat, statistica LM definit prin:
) (
2 2
p R T LM ,
unde
2
R
este coeficientul de determinaie aferent regresiei auxiliare iar T este lungimea seiei de
timp, urmeaz asimptotic legea ) (
2
p . Ipoteza omoscedasticitii (varian constant n timp) se
respinge dac LM calculat este superior valorii critice.
5. Elaborarea previziunilor
Odat elaborat i validat, modelul ARIMA este utilizat pentru generarea de previziuni. Se elaboreaz:
a) previziuni punctuale
b) intervale de previziune.
a) Previziuni punctuale
37
Pentru un orizont de previziune h, atam momentului T+h, unde T este originea efecturii previziunii,
variabila aleatoare h T
Y
+ . O previziune punctual, notat
h T
Y
+

este dat de media (sau sperana


matematic) variabilei h T
Y
+ , aceast medie fiind condiionat de istoricul variabilei. In general
) ,..., , | (
1 1
Y Y Y Y E Y
T T h T h T + +

h T q h T q h T h T p h T p h T h T h T
b b b Y a Y a Y a a Y
+ + + + + + + +
+ + + + +

2 2 1 1 2 2 1 1 0

Previziunile se obin n baza informaiilor disponibile pn la momentul T. Previziunile punctuale se
obin pas cu pas, pentru calculul unei previziuni fiind necesare valorile previzionate aferente perioadelor
anterioare pentru termenii autoregresivi
i h T
Y
+
dar i pentru erorile
i h T +

. Reguli de urmat:
- termenii autoregresivi
i h T
Y
+
pentru 0 > i h (adic ... ,
2 1 + + T T
Y Y se substituie cu
previziunile obinute la paii anteriori;
- termenii autoregresivi
i h T
Y
+
pentru 0 < i h se nlocuiesc cu valorile nregistate, aici fiind
cunoscui termenii seriei (
1 T
Y ,
2 T
Y , ...);
- termenii eroare
i h T +

pentru 0 > i h (adic ... ,


2 1 + + T T
) se nlocuiesc cu zero, (se
nlocuiesc cu media acestora
( ) 0 E
S T

+

, deoarece erorile sunt de tip zgomot alb, cu media 0;


previziunile optime sunt date de media acestora).
- termenii eroare i h T +

pentru 0 < i h (adic


... ,
2 1 T T

) se nlocuiesc cu reziduurile
estimate din model (spre exemplu
t t t
Y Y

, pentru
) T t <
.

Exemplu. Se consider modelul ARMA(1,1):
1 1
8 , 0 5 , 0 50

+ + +
t t t t
Y Y
lungimea seriei fiind T=70 iar
3 . 40
70
Y
iar reziduul aferent ultimei observaii este
5 , 1
70

.
Previziuni punctuale:
h = 1;
( )
71 70 70 70 71
8 , 0 Y 5 , 0 50 1 Y Y + + +

95 , 68 5 , 1 8 , 0 3 , 40 5 , 0 50 Y
71
+
h=2;
47 , 84 95 , 68 5 , 0 50 Y
72
+
.
Dac seria a fost difereniat / logaritmat n prealabil atunci se va ine seama ca acest aspect n
elaborarea previziunii (de regul se aplic operaia invers transformrii). In general este util scrierea
concentrat a modelului, utiliznd operatorul de difereniere L.
b) Determinarea intervalului de previziune
Eroarea de previziune:
h T h T h T
Y Y e
+ + +

.
Presupunem c erorile modelului sunt normal distribuite
( )

, 0 N
t

. Eroarea de previziune urmeaz
de asemenea legea normal:
( ) ( )
h T h T h T h T
e V N Y Y e
+ + + +
, 0
rezult
( )
) 1 , 0 ( N
e V
Y Y
h T
h T h T

+
+ +
.
Din distribuia legii normale de probabilitate, pentru o probabilitate P fixat se determin k astfel nct:
( )
P k
e V
Y Y
k
h T
h T h T

,
`

.
|
<

<
+
+ +
rezult intervalul de previziune: ( ) ( ) [ ]
h T h T h T h T
e V k Y e V k Y
+ + + +
+

;
38
Calculul varianei erorii de preziune
( )
h T
e V
+
necesit punerea modelului sub forma mediei
mobile cu un numar infinir de termeni (orice model ARMA poate fi pus n aceast form):
... c c Y
2 t 2 1 t 1 t t
+ + +


sau
( )
t t
L C Y

unde ... 1 ) (
2
2 1
+ + + L c L c L C este polinomul coeficienilor.
Din forma redus a modelui ARMA
( ) ( )
t t
L Y L
rezult
( )
( )
t t
L
L
Y

, astfel coeficienii
polinomului C se obine egalnd coeficienii termenilor de forma L
j
, j=1,2, n egalitatea
( ) ) ( ) ( L L C L
.
Utiliznd forma medie mobil:
...
2 2 1 1
+ + +
t t t t
c c Y
...
1 1
+ +
+ + T h T h h T
c c Y
rezult
...) ( ...
1 1 2 2 1 1
+ + + + +
+ + + + T h T h t t t h T h T h T
c c c c Y Y e
( )

,
`

.
|
+

+
1
1
2 2
1
h
j
j h T
c e V

.
Pentru dispersia erorii de previziune
2

se utilizeaz estimaia sa
2

.
Observaie. Calitatea modelului de a genera previziuni adecvate poate fi verificat pe baza unor
previziuni de prob, utiliznd ultimele observaii disponibile ca i secven martor de observaii. n
etapa elaborrii modelului se are n vedere seria cronologic ce nu conine aceast secven martor i se
msoar acurateea previziunii printr-un indicator sintetic de tip MSE, MAPE sau RMSE (ce trebuie s
fie minim).
6. Corelatii neliniare
Identificarea dinamicilor nonliniare, este deosebit de important spre exemplu in testarea eficientei
pietei de capital, deoarece lipsa dependenelor liniare nu implic neaprat faptul c rentabilitile au o
evoluie aleatoare. Formele de dependen mai complexe nu pot fi detectate i modelate prin modele
liniare clasice. Prin modelara nonliniar se rezolv acele paradigme de care a fost dominat decenii
ntregi literatura financiar, crezndu-se c seriile finaciare urmeaz modele liniare.
Existena dinamicilor nonliniare a fost pus n eviden att pe pieele emergente ct i pe pieele
mature. Posibilii factori care contribuie la formarea dependenelor nonliniare n seria rentabilitilor
titlurilor de pe piee mature ar fi : comportamentul iraional al investitorilor, dificulti n realizarea de
arbitraje, eterogenitatea obiectivelor investitorilor i diversitatea percepiilor actorilor pieei.
Nonliniaritatea rentabilitilor titlurilor de pe pieele emergente are mai multe cauze printre care:
prezena unor investitori mai puin sofisticai, lichiditate sczut, volatilitate ridicat, un comportament
nu tocmai raional al investitorilor. n general, investitorii sunt mai sensibili la nregistrarea unor pierderi
dect la ctiguri, au aversiune fa de pierderi. Cei care au avut pierderi n perioade anterioare, ar putea
adopta o atitudine de atracie fa de risc pentru a putea recupera pierderile. Acest comportament duce la
o ncorporare neliniar a informaiei n curs. De asemenea unii investitori, asteapt reaciile celorlali
participani deoarece nu au capacitatea sau suficiente resurse de a analiza noua informaie.
Testul BDS (1987) este un test non-parametric, de portmanteau avnd ca i ipotez nul H
0
: seria
este i.i.d. cu alternativa nespecificat. Aceasta poate fi una dintre variantele: seria este nestaionar,
prezint dependene liniare, sau prezint dependene non-liniare. Denumirea testului provine de la
iniialele autorilor si Brock, Dechert i Scheinkman.
39
n spatele testului st urmtoarea metodologie. Mai nti se alege o distan, fie aceasta i o pereche
de puncte. Probabilitatea ca pentru orice perechi de puncte, distana dintre acestea s fie mai mic sau
egal cu , va fi constant dac observaiile seriei sunt i.i.d. Notm aceast probabilitate cu c
1
().
Se formeaz n continuare mulimea perechilor de puncte, alegnd pe rnd observaiile consecutive
din eantion:
{{X
k
, X
l
}, {X
k+1
, X
l+1
}, {X
k+2
, X
l+2
}, , {X
k+m-1
, X
l+m-1
}}
Unde m este numrul de puncte consecutive din mulime. Se va nota cu c
m
() probabilitatea ca fiecare
pereche de puncte s satisfac condiia de mai sus. Dac observaiile sunt independente, probabilitatea
c
m
() va fi produsul probabilitilor individuale ale fiecrei perechi de puncte.
) ( ) (
1

m
m
c c
Probabilitile
) (
m
c
i ) (
1
c sunt estimate prin
) (
,
r c
T m i. Sub ipoteza nul, statistica BDS este
distibuit asimptotic dup o lege normal standardizat
) 1 , 0 ( N
i este definit ca:
[ ] ( )
) (
) ( ) (
) , (
,
, 1 ,
r
r C r C T
r m BDS
T m
m
T T m

Numrtorul
) (
2
,
r
T m

este estimatorul varianei termenului [ ] ( )


m
T T m
r C r C T ) ( ) (
, 1 ,
. Trebuie
menionat c testul este sensibil la alegerea valorilor lui m i r. n practic se ia m numrul de
dimensiuni sau numrul de observaii-puncte ce se includ n test cuprins ntre 2 i 6, iar pentru r, valorile
abaterii medii ptratice se iau ntre 0,5 i 1,5.
7. Extinderi ale modelelor ARIMA
a) Modele de tip autoregresiv medie mobil pentru evoluii sezoniere SARIMA
Notm prin s perioada componentei sezoniere. Dac seria este nestaionar relativ la componenta
sezonier (amplitudinea oscilaiilor crete sau scade n timp) atunci se determin diferenele sezoniere de
ordin 1:
s t t t
Y Y X


In general se noreaz cu D numrul de diferenieri sezoniere necesare pentru a staionaliza componenta
sezonier (de regul D=1).
Etapa de identificare:
1. se identific o combinaie de valori plauzibile pentru d i D care staionalizeaz seria;
2. din graficele funciilor de autocorelaie respectiv autocorelaie parial a seriei
difereniate (care este staionar) se identific valori plauzibile pentru gradele
polinomului autoregresiv p, polinomului medie mobil q respectiv pentru gradele
polinomului autoregresiv sezonier P i a polinomului medie mobil sezonier Q:
( )
s
L
Ps
P
s s
L a L a L a
2
2 1
1 iar
Qs
q
s s
L b L b L
2
1
1 ) (
. Notaia
general SARIMA(p,d,q)(P,D,Q). Ordinele polinoamelor sezoniere P, Q sunt
identificate n mod similar cu p, q analiznd funtiile de autocorelaie k
r
respectiv de autocorelaie
parial k
c
pentru k=s, 2s, ....
b) Modele de tip GARCH
40
In abordarea tradiional de tip Box-Jenkins previziunile sunt bazate pe media condiionat a variabilei
,...) , | (
2 1 t t t
Y Y Y E
. Abordarea de tip ARCH ia n considerare, n elaborarea previziunilor, i
informaiile coninute n variana condiionat a procesului (momentul condiionat de ordinul doi). Este
specific seriilor cu varian variabil n timp (nestaionare relativ la varian). Erorile nu au aceeai
varian (adic nu verific condiia de homoscedasticitate) intervale de timp cu erori de preziune mari
(n perioade de instabilitate economic) fiind urmate de intervale cu valori mici. Engle (1982) a introdus
pentru prima dat acest tip de modele, considernd c variana erorii depinde de termeni de tipul
i t
Y


i
2
i t
.
Avem aici dou tipuri de ecuaii: ecuaia mediei condiionate ce poate include i variabile exogene
respectiv ecuaia varianei condiionate.
Analiza evoluiei pe termen lung a variabilelor financiare sau economice, relev deseori faptul ca
variana acestora variaz n timp. Modelele de tip ARCH sunt o clas de modele populare n domeniul
financiar (evoluia ratei inflaiei, ratei dobnzii, ratei rentabilitii activelor .a.). Volatilitatea ridicat
apare deseori n perioade cu turbulene politice sau economice sau ca rspuns la anumite evenimente
punctuale.
Dependena de timp a varianei empirice n seria ratei rentabilitii aciunilor a fost observat pentru
prima dat de Kendall (1953), seria de timp disponibil atunci fiind mprit n dou subeantioane de
date, n scopul analizei omogenitii varianei n timp. Autorul observa: este o situaie neobinuit
pentru o serie de timp: media rmne constant dar variana pare a crete n timp. n consecin spre
exemplu n modelul de tip mers aleator, pentru logaritmul indicelui
t
P
preului aciunilor
t t
P p ln
,
erorile, egale cu ratele rentabilitii (
t
r
t
p
) nu au mai fost considerate identic distribuite:
t t t
r p p +
1
, ) , (
2
t t
o N r
Primul pas n direcia modelrii varianei condiionate a fost fcut de Engle n 1982, care a propus
un model de tip ARCH, specificat prin intermediul primelor dou momente condiionate:
) ,... , ( ) / (
2 1 1 p t t t t
p
t t
r r r g R r E


,
) , . . . , ( } / ) ] / ( { [ ) / v a r (
2 1 1
2
1 / 1 p t t t t
p
t
p
t t t
p
t t
r r r h R R r E r E R r


,
unde
} ,... , {
2 1 1 p t t t
p
t
r r r R


.
Iniial, variana condiionat a fost exprimat ca o medie ponderat a ptratului erorilor
) / (
1
p
t t t t
R r E r

, adic n funcie de ocurile trecute, aceasta fiind forma ARCH(p):


+
p
i
i t i
p
t t
R r
1
2
1
) / var( ,
0 , 0
0
>
i
a a
.
Studiile empirice au artat ns c o reprezentare adecvat necesit un p destul de mare. Pentru
evitarea numrului mare de parametri necesar a fi estimai, Bollerslev (1986) a propus o form mixt
analoag cu cea din procesele autregresive medie mobil (notaia consacrat GARCH):


+ +
q
i
i t i
p
i
i t i t
p
t t
h h R r
1
2
1
2
1
) / var( .
Modelele GARCH gsesc suport empiric n domeniul financiar, specificarea pentru cel mai simplu
model din aceast clas GARCH(1,1) sugernd intuitiv urmtorul comportament:
41
- dac rentabilitatea activului a fost mult mai mare sau mult mai mic dect cea ateptat atunci i
variana estimat pentru urmtoarea perioad va fi mai mare, incertitudinea privind nivelul ratei n
urmtoarea perioad crescnd (termenii medie mobil
2
i t
);
- de asemenea deviaiile mari ale rentabilitii tind a fi urmate de abateri mari (termenii autoregresivi
2
i t
h

).
O serie de alte forme sunt propuse n literatur pentru modelarea varianei, cele mai uzuale includ i
alte variabile explicative n ecuaia varianei condiionate sau impun anumite restricii privind parametrii
din aceast ecuaie.
Un proces heteroscedastic presupune specificarea unui model pentru media condiionat ca o funcie
de variabile exogene i termenul eroare ) , 0 (
2
t t
N , respectiv a unui model pentru variana erorii.
Forma general a unei ecuaii de tip GARCH(p,q) pentru variana erorii este:

+ +
q
j
j t j
p
i
i t i t
1
2
1
2 2

unde p este ordinul prii medie mobil ARCH (unde intervin ptratele reziduurilor din ecuaia mediei)
iar q ordinul parii autoregresive GARCH. Variana condiionat este variana erorii t

, din ecuaia
mediei, condiionat de informaiile disponibile:
) ,..., / ( ) ,..., / (
1
2
1
2
p t t t p t t t t
E Var


Astfel, este necesar aici a se specifica dou grupe de ecuaii: ecuaia mediei condiionate respectiv
ecuaia varianei condiionate. Exemplele clasice sunt modelul ARMA(p,q) cu erori heteroscedastice
GARCH:

'

) ' , ' (
) , (
2
q p GARCH
q p ARMA y
t
t

sau regresia cu erori heteroscedastice GARCH (scriere matricial):

'

+
) ' , ' (
2
q p GARCH
Xb y
t

n specificarea unei forme GARCH pentru varian sunt utile instrumentele utilizate pentru
identificarea ordinului prii autoregresive p respectiv medie mobil q relativ la modelele ARMA(p,q).
Variabila pentru care dorim specificarea unui model de aceast form este n acest context ptratul
reziduurilor
2
t
e .
Sarcini i teme ce vor fi notate
Temele aferente modulului:
- Identificarea (specificarea ) unui model ARIMA
- Estimarea, validarea unui model ARIMA. Previziuni
- Distributia marginala, distributia conditionata
- Elaborarea modelelor de tip GARCH(p,q)
Proiectul individual presupune utilizarea metodelor abordate in cadrul acestor teme, pentru serii din
domeniul financiar.
Bibliografie
Bibliografie obligatorie
1. Harris R., Sollis R., Applied time series modeling and forecasting, John Wiley & Sons, 2003.
2. Mills, T.C., The econometric modelling of financial time series, Cambridge University Press,
1999.
42
3. Pecican, E.S., Econometria pentru economiti, Editura Economic, 2004.
Bibliografie optional
1. Campbell, J.Y., Lo, A.W., MacKinlay, A.C., The Econometrics of Financial Markets, Princeton
University Press, Princeton, New Jersey, 1996.
2. Makridakis S., Wheelwright S.C., Hyndman R.J., Forecasting. Methods and Applications, John
Wiley & Sons Inc., 1998.
3. Analiza Riscului de Portofoliu prin Utilizarea Modelelor GARCH
www.kmarket.ro/documentare/arhiva/ analizarisc .doc
PARTEA 3
Elaborarea modelor econometrice pentru serii financiare staionare respectiv
nestaionare. Valoarea la risc
Obiectivele modulului
- Elaborarea unui model econometric, pentru serii staionare
- Modele de tip vector autoregresiv
- Analiza relaiilor de cointegrare. Teste de cointegrare
- Modele de tip vector error corection (VEC)
- Valoarea la risk.
Se recomand studiul problematicii modulului n ordinea numerotrii paragrafelor din coninutul
informaional al acestuia.
Coninutul informaional al modulului
1. Elaborarea unui model econometric, pentru serii staionare
Atunci cnd seriile de timp ce intervin sunt staionare, pentru elaborarea modelului pot fi utilizate
tehnicile din econometria clasic.
a) Influente instantanee. Un model econometric liniar multiplu explic comportamentul variabilei
dependente Y funcie de mai muli factori de influen i
X
:
t kt k t t t
X a X a X a a Y + + + + + ...
2 2 1 1 0 .
sau n form matricial:
43
) 1 , ( ) 1 , 1 ( ) 1 , ( ) 1 , ( T k
a
k T
X
T
Y +
+

unde T este numrul observaiilor, k numrul variabilelor explicative, X matricea observaiilor relativ la
variabilele explicative (prima coloan este 1, i corespunde coeficientului 0
a
), iar a este vectorul
coeficienilor de estimat.
Estimarea coeficienilor modelului se realizeaz prin metoda celor mai mici ptrate, minimiznd
suma patratelor erorilor:

'
1
2
T
t
t
S Xa X a Y X a Y Y Xa Y Xa Y ' ' ' ' 2 ' ) ( )' ( +
.
Pentru minimizarea expresiei S derivm n raport cu a i rezult:
0 ' 2 ' 2 +

a X X Y X
a
S
Y X X X a ' ) ' (
1

Teste de validitate i respecificarea modelului. Se utilizeaza aici testele de validitate prezentate la


modelele ARMA. Se aplic dou grupe de teste: teste de semnificativitate a coeficienilor modelului
respectiv teste referitoare la reziduuri. Dac modelul este valid, reziduurile sunt de tip zgomot alb.
a) Teste privind semnificativitatea coeficienilor. Presupunem c erorile sunt distribuite dupa legea
normal. Se testeaz dac i
a
difer semnificativ de zero:
0 :
0

i
a H

0 :
1

i
a H
utiliznd statistica
( )
i
i
a Var
a
t

ce urmeaz legea Student cu T-k-1 grade de libertate.


Pentru un nivel de semnificaie % 5 , daca
[ ]
tab tab calc
t t t + ,
atunci ipoteza nul H
0
nu se respinge.
Prin urmare variabila corespunztoare se eliminin din model, i se respecific respectiv reestimeaz
modelul. Pentru teste asupra coeficienilor se pot utiliza aici i alte teste precum testul Wald, sau teste de
tip LM (Multiplicatorul lui Lagrange) pentru omisiunea unor variabile. Testul Chow este utilizat pentru
testarea stabilitii parametrilor unei regresii, adic pentru a afla dac parametrii pot fi utilizai i
b) Teste privind reziduurile. Dac modelul este bine specificat, atunci reziduurile din modelul
estimat sunt generate de un proces de tip zgomot alb (succesiune de variabile aleatoare independente,
identic repartizate), cu medie zero i normal distribuit. Se aplic aici testele prezentate la validarea unui
model de tip ARMA, privind:
- autocorelarea reziduurilor (testul Ljung-Box Q, testul LM privind corelaia serial)
- normalitatea erorilor (testul Jarque-Bera)
- investigarea heteroscedasticitii reziduurilor (testul LM pentru heteroscedasticitate de tip ARCH).
b)Influente esalonate in timp. In urma estimarii unui model cu influente instantanee, erorile raman
corelate. Se includ si variabile cu intarzieri esalonate: trecutul variabilei dependente + prezentul si
trecutul variabilelor explicative exogene, rezultand modele de tip ADL (autoregresive distributed lag).
In cazul unei singure variabile explicative exogene, modelul ADL(p, q) se scrie:



+ + +
p
i
q
j
t j t j i t i t
X Y Y
1 0

44
Modelul se estimeaza si valideaza utilizand testele discutate (privind semnificativitatea coeficientilor
respectiv testele privind reziduurile).
Specificarea dinamic a unui model include specificarea efectului ntrziat a variabilelor explicative
(strucura dinamic a prii sistematice din model) dar i specificarea dinamic a termenului eroare
(partea nesistemaic din model). Considerm un model liniar clasic de regresie, cu o singur ecuaie:
t t t
u X Y +
t=1,2, ...,T
unde
t
X
este vectorul celor K variabile explicative (de dimensiune 1xK), iar

este vectorul
coeficienilor modelului (de dimensiune Kx1) .
Atunci cnd erorile din model sunt corelate, fiind generate spre exemplu de un proces ARMA,
estimatorii obinui pentru coeficieni prin metoda celor mai mici ptrate respectiv prin metoda
verosimilitii maxime rmn nedeplasai dar sunt ineficieni. De asemenea estimatorul matricii de
varian-covarian a estimatorului

este deplasat, astfel toate testele bazate pe matricea de varian-


covarian estimat devin ineficieni (ex. testul t, testul F, testele bazate pe
2
R
....). Un model greit
speficat conduce la previziuni inadecvate, iar pentru generarea unor previziuni eficiente este necesar a se
ine seama i de informaiile coninute n reziduuri u (faptul c reziduurile precedente ajut la
previziunea reziduurilor curente). De asemenea dac apar variabile de tip autoregresiv
i t
Y

ca i
variabile explicative atunci estimatorii obinui prin metoda celor mai mici ptrate sunt deplasai. Printre
cauzele autocorelrii erorilor se afl i specificarea greit a dinamicii prii sistematice din model.
Pentru detectarea autocorelaiei erorilor sunt utile testul Durbin-Watson, corelograma rezidurilor,
testul Ljung-Box, testul LM.
Atunci cnd erorile din modelul de regresie sunt corelate, este necesar respecificarea modelului,
soluiile clasice fiind respecificarea variabilelor explicative sau a formei modelului dar i respecificarea
prii nesistematice, adic a erorii. Aceast ultim soluie se are n vedere n cele ce urmeaz. Exist
implementate n softurile statistice proceduri de estimare adecvate pentru estimarea unor modele de
regresie cu erori de tip ARMA.
Metoda celor mai mici ptrate n dou etape notat TSLS n EViews este adecvat pentru estimarea
unui model de regresie cu erori autocorelate sau a unor modele n care exist corelaii ntre variabilele
explicative i termenul eroare. Ca i variabile explicative pot figura aici i termeni de tip autoregresiv
pentru variabila dependent. Aceast metod se bazeaz pe metoda variabilelor instrumentale; se caut
aici alte variabile explicative care s fie corelate cu variabilele explicative iniiale dar necorelate cu
eroarea. Atunci cnd se estimeaz modele cu erori ARMA in Eviews sunt incluse automat ca i
variabile instrumentale termenii de tip autoregresiv pentru variabila dependent respectiv pentru
variabilele independente, corespunztori ordinului speficat pentru eroare.
In Eviews este de asemenea implementata procedura Newey-West, adecvata pentru estimarea
modelului atunci cand erorile sunt heteroscedastice respectiv autocorelate.
8. Aplicatie. Modelul de piata
Relaia dintre rentabilitatea unui titlu i rentabilitatea pieei poate fi evideniat prin intermediul
modelului de pia. Variaiile cursului oricrui titlu sunt, mai mult sau mai putin, legate de variaiile
pietei n ansamblul ei. Anumite titluri sunt mai volatile, mai sensibile dect altele la micrile pieei.
Cursul unui titlu poate varia sub influena unor factori care afecteaz piaa n ansamblul ei (factori
macroeconomici, politici, legislativi, externi), caz n care vorbim despre riscul de pia. Dar riscul
titlului poate varia i datorit unor factori strict legai de societate, acesta fiind riscul specific. Relaia
dintre rentabilitatea unui titlu i rentabilitatea pieei poate fi evideniat prin intermediul modelului de
pia:
t t t
RA RA + +
45
unde
t
RA
- rata de rentabilitate a actiunii n perioada t,
t
RP
- rata de rentabiliate a pieei, n perioada t,
- parametru propriu fiecrei aciuni, se mai numete coeficient de volatilitate sau simplu beta.
Conform teoriei moderne a portofoliilor, este elementul central pentru c el msoar riscul
sistematic al acelui titlu sau portofoliu. n funcie de valoarea pe care acesta o ia, aciunile sau
portofoliile se pot mpri n:
aciuni cu volatilitate unitara: variaza in acelasi sens si in aceeasi proportie cu piata.
Achiziionarea unei astfel de aciuni presupune expunerea investitorului exact la riscul
pieei;
actiuni cu volabilitate subunitara: variaza in acelasi sens dar intr-o proportie mai mica
decat piata. Expunerea la riscul pieei este mai mic, ele fiind aciunile defensive;
actiuni cu volatilitate supraunitara: variaza in acelasi sens,intr-o proportie mai mare decat
piata. Sunt aciunile ofensive ce amplific variaia pieei i sunt atractive cnd se
anticipeaz o tendin ascendent a pieei.
Micrile cursului unui titlu cu beta supraunitar vor amplifica micarea pieei n ansamblul ei; al unui
titlu cu beta cuprins ntre 0 i 1 vor amortiza micrile pieei iar un titlu cu beta negativ va reprezenta o
valoare de refugiu n raport cu indicele.
Distincia dintre risc sistematic i risc specific poate fi evideniat pornind de la modelul de pia, prin
aplicarea varianei, astfel:
) ( ) ( ) ( ) ( ) ( ) (
2 2 2 2 2
+ + RP RA V RP V RA V
t t t
adic (Riscul total)
2
= (Risc sistematic)
2
+ (Risc specific)
2
. Riscul sistematic este egal cu beta nmulit cu
abaterea medie ptratic a rentabilitatii pieei:
) (RM
. Riscul specific este egal cu abaterea medie
ptratic a reziduului
) (
, aceasta fiind msura variabilitii proprii a titlului.
Un portofoliu este cu att mai riscant cu ct titlurile care l conin vor avea un beta mai mare. Gradul
de independen a variaiilor de curs ntre ele au o mare importan n reducerea riscului portofoliului. n
general, dou aciuni nu vor varia de o manier total independent; covariana lor este n general mai
mare dect 0. n acest caz, reducerea riscului nu este aa de mare ca i n cazul n care cele dou aciuni
variaz independent. Componenta de pia a unui portofoliu va varia de o manier sistematic dat de
incertitudinile pieei. Este imposibil s se elimine acest risc i orice investitor i-l va asuma mai mult sau
mai puin. Componenta indepndent a portofoliului, dat de factorii specifici societilor cotate, poate fi
eliminat prin diversificarea portofoliului.
n cadrul modelului de pia, prezint importan testarea semnificaiei lui

. n cazul n care acesta


nu difer semnificativ de 0, piaa nu va avea o influen semnificativ asupra rentabilitii titlului
respectiv, titlul nu este expus riscului de pia.
Estimarea si validarea modelului se realizeaza prin tehnicile specifice econometriei clasice, ratele
rentabilitilor fiind de regul staionare. Ipotezele ale modelului de pia sunt, n fapt ipotezele
econometrice clasice ale unui model econometric liniar simplu.
Critici aduse lui beta: este instabil, efect de interval. Beta reflect riscul de pia al societii
emitente. n funcie de deciziile pe care societatea le ia, variaz i risul de pia. Astfel, creterea ratei de
ndatorare a societii va crete riscul financiar i implicit riscul de pia, msurat prin beta. Adoptarea
unor proiecte de activitate riscante de ctre societate, va duce la creterea riscului acestora.
3. Analiza cauzalitii dintre variabile
nainte de specificarea unui model actuarial pentru investiii este important de testat natura relaiilor
existente ntre variabile. Ne vom referi n continuare, pentru simplitatea expunerii, la dou variabile Y
respectiv X.
n sensul abordrii propuse de Granger (1969) X este cauza pentru Y, sau X explic pe Y, dac X
ajut la predicia lui Y. Procedura presupune a se cuantifica ct din nivelul current al variabilei Y poate fi
46
explicat prin valorile sale istorice iar apoi a se vedea dac adugnd variabile de tipul
i t
x

variaia
explicat crete.
Testul Granger identifica daca variabila X aduce informatii aditionale (pe langa trecutul lui Y) ce
pot fi utile in previziunea lui X. Se au in vedere informatiile continute in trecutul lui X. Se presupune ca
cele doua variabile sunt stationare.
Analiza cauzalitii ntre dou variabile presupune parcurgerea etapelor de mai jos.
1) Pentru a testa dac X este cauz pentru Y, n sens Granger, se estimeaz ecuaia de regresie:



+ + +
k
i
k
j
t j t j i t i t
X Y Y
1 1

, (u)
unde k este fixat astfel nct erorile s fie zgomot alb. Relativ la aceast ecuaie, ipoteza nul respectiv
alternativa sunt:
0 ... :
2 1 0

l
H
, X nu este cauz pentru Y,
0 :
1

i
H
.
Testarea ipotezei precedente se realizeaz utiliznd un test de tip Fisher-Snedecor construit astfel:
) 1 2 , (
) 1 2 /( ) 1 (
/ ) (
) 1 2 /(
/ ) (
2
2 2

k n k F
k n R
k R R
k T SSR
k SSR SSR
F
u
r u
u
u r
,
unde u
SSR
i
2
u
R
reprezint suma ptratelor reziduurilor respectiv coeficientul de determinaie n
ecuaia fr restricii (u) iar
r
SSR
i
2
r
R sunt aceleai elemente dar n ecuaia de regresie cu restricii (r)
ce include doar termenii de tip i t
y
:

+ +
k
i
t i t i t
Y Y
1

. (r)
Se respinge ipoteza nul dac valoarea calculat pentru statistica F este mai mare dect valoarea critic.
2) Analog, se testeaz dac Y este cauz pentru X pornind de la regresia:



+ + +
k
i
k
j
t j t j i t i t
Y X X
1 1

, (u)
Ipoteza nul respectiv alternativa sunt:
0 ... :
2 1 0

l
H
, Y nu este cauz pentru X
0 :
1

i
H
.
Testul F are aceeai form:
) 1 2 , (
) 1 2 /( ) 1 (
/ ) (
) 1 2 /(
/ ) (
2
2 2

k n k F
k n R
k R R
k T SSR
k SSR SSR
F
u
r u
u
u r
,
r
SSR
i
2
r
R referindu-se la ecuaia de regresie cu restricii (r):

+ +
k
i
t i t i t
X X
1

. (r)
3) n urma aplicrii celor dou teste sunt posibile patru concluzii:
i) cauzalitate unidirecional: X este cauz pentru Y (X

Y) dac ipoteza nul se respinge la 1)


i se accept la 2);
ii) cauzalitate unidirecional: Y este cauz pentru X (Y

X) dac ipoteza nul se respinge la 2)


i se accept la 1);
iii) cauzalitate bidirecional: X

Y dac ipoteza nul se respinge att la 1) ct i la 2).


47
iv) cele dou variabile sunt independente dac ipoteza nul se accept la 1) i la 2).

4. Modele vector autoregresiv VAR
Reprezentarea autoregresiv AR(p) este extins pentru un vector de variabile dependente VAR(p). In
scrierea matriciala, pentru dou variabile, un model VAR(1) are forma:

,
`

.
|
+

,
`

.
|

,
`

.
|
+

,
`

.
|

,
`

.
|

t
t
t
t
t
t
Y
Y
a a
a a
b
b
Y
Y
2
1
1 2
1 1
2 2 2 1
1 2 1 1
2
1
2
1

48
sau
t t t
AY B Y + +
1
unde
t
Y
este vectorul variabilelor dependente (2x1), B vectorul termenilor
liberi (2x1), A matricea coeficienilor (2x2) iar

vectorul erorilor (perturbaiilor). Prezentul


variabilelor este dependent de propriul trecut.
Un sistem econometric cu ecuaii simultane poate fi pus n forma VAR. Aceste modele sunt destinate
previziunii (avantaj: nu sunt necesare previziuni ale variabilelor, nafara sistemului) i se utilizeaz
deasemenea pentru a analiza impactul unor perturbaii (ocuri) aleatoare asupra variabilelor sistemului.
Fiecare variabil este exprimat funcie de trecutul celorlalte variabile din sistem. Forma general
VAR(p) este redat prin ecuaia vectorial:
t p t p t t t
Y A Y A Y A B Y + + + + +

...
2 2 1 1
unde
t
Y
este vectorul variabilelor dependente (kx1),
i
A
(kxk) matrici ale coeficienilor iar
t

este
vectorul (kx1) inovaiilor (erorilor);
)' ,..., , (
2 1 kt t t t
Y Y Y Y
adic transpusa vectorului. Se presupune
ca inovaiile sunt necorelate cu trecutul acestora respectiv cu variabilele din partea dreapta a ecuaiei.
Pentru estimarea coeficienilor se utilizeaz metoda celor mai mici ptrate pentru fiecare ecuaie n
parte, fr a se pierde din eficient.
Se utilizeaz atunci cnd ne intereseaz interaciunea dintre variabile. Se definesc i aici condiii de
stabilitate, staionalitate a modelului. In operatorul intarziere modelul se scrie:
t t
B Y L + ) (
unde
p
p k
L A L A L A I L .... ) (
2
2 1
, prin k
I
fiind notat matricea unitate. Modelul VAR(p)
este stabil dac rdcinile ecuaiei
0 ) .... det( )) ( det(
2
2 1

p
p k
z A z A z A I z
sunt nafara cercului unitate (au modulul mai mare dect unu). Un model stabil este staionar, respectiv
mediile, varianele i autocovarianele fiind independente de timp.
Inainte de elaborarea unui model se recomand eliminarea tendinei i a sezonalitii din date, dac
exist; o metod alternativ const n introducerea unui termen t n ecuaia vectorial pentru a extrage
tendina determinist. Pentru validare se aplic teste specifice, similare cu cele din cazul unui model
autoregresiv cu o singur ecuaie: erorile trebuie s fie necorelate, s aib aceeai varian (constant n
timp), iar pentru elaborarea de previziuni este necesar i normalitatea erorilor.
Testul Granger de cauzalitate, numit i test de exogeneitate slab, ne indic dac o variabil
endogen poate fi tratat ca exogen. Intr-un model VAR cu 2 variabile,
2
Y nu este cauz de tip
Granger pentru
1
Y
dac toate matricile coeficienilor sunt triunghiulare, cu 0 deasupra diagonalei
principale.
5 . Serii cointegrate . Meto dologia Engle-Granger (cointegrare ntr-o singur ecuaie)
Regresii false
!!!Regresii false = regresii cu variabile nestationare cu radacina unitate, ce nu sunt cointegrate.
Noiunea de cointegrare este strns legat de cea de regresii false cu serii de timp. Atunci cnd se
estimeaz regresii cu serii de timp n economie deseori din R
2
este mare (R

1) iar statistica Durbin-


Watson este mic DW

0 (erorile sunt corelate). In general, R

1, DW
calc

0 i R
2
> DW
calc
poate fi un semnal ca regresia este fals; dependena este exagerat iar estimatorii sunt suspeci. Aceasta
se ntmpl deoarece variabilele din economie sunt deseori nestaionare i se comport ca i un proces
de tip mers aleator (au rdcin unitate). Dac dou serii sunt I(1) atunci deseori se respinge ipoteza
49
inexistenei unei relaii ntre ele chiar cnd aceasta un exist. Genernd dou serii de tip mers aleator
independente i estimnd ecuaia de regresie dintre ele, Engle i ranger au observat c ipoteza conform
creia panta dreptei de regresie este nesemnificativ s-a respins n 76% din cazuri, utiliznd testul t; au
sugerat ca regresia s fie estimat pentru seriile difereniate.
Pentru a exista o relaie pe termen lung ntre variabile, acestea trebuie s fie cointegrate. Un test de
cointegrare poate fi aplicat, pentru a se evita regresiile false. Engle i Granger (1987) au observat faptul
c o combinaie liniar a dou sau mai multe serii nestaionare poate fi staionar.
Definiie. Dou serii
t t
X Y ,
integrate de acelai ordin I(d) sunt cointegrate de ordin CI(d,b) daca
exist o combinatie liniara t t t
bX aY Z +
ce are un ordin mai mic de integrare I(d-b).
Consideram in continuare doua variabile
t t
X Y ,
integrate de ordinul unu I(1). Daca exista relatie de
cointegrare intre ele atunci metoda celor mai mici patrate t t t
X a a Y + +
1 0 o identifica. Astfel, dou
serii nestaionare Y i X, integrate de ordinul 1, adic I(1), pentru care reziduul din MMP:
) (
1 0 t t t
X a a Y +
este staionar
t
I(0) sunt cointegrate. Vectorul (1,
1
a ) se numete vector de cointegrare. Astfel
diferena t t
X a Y
1

rmne stabil n jurul unei medii fixe 0


a
(media lui t

este zero). Dac


constanta este zero, relaia ce le menine legate pe termen lung este una de proporionalitate t t
X a Y
1

.
Variabilele rmn legate pe termen lung prin relaia de echilibru t t
X a a Y
1 0
+
iar deviaiile de la
aceasta au loc doar pe termen scurt; aceast relaie de echilibru poate fi interpretat ca o relaie echilibru
pe termen lung, deranjat doar de ocuri aleatoare (

) cu efect pe termen scurt. Relaia


t t t
X a a Y + +
1 0 se numete relaie de cointegrare ntre cele dou variabile. Relatia de echilibru pe
termen lung este neleas n sensul de stabilitate a relaiei de dependent.
Dou serii cointegrate au o tendin stochastic comun (tendine de evoluie similare), adic
hoinresc mpreun (analogie n evoluie). Relaia de dependen dintre ele este stabil.
Exemple. Posibile relaii de cointegrare sugerate de teoria economic, variabilele fiind de regul
considerate n form logaritmat:
- ntre venit PIB i consum C. Raportul C/PIB este constant pe termen lung, astfel ln(C)-ln(PIB) este
staionar iar ln(C) i ln(PIB) sunt cointegrate. In mod similar PIB i nvestiiile;
- cererea de moned, preuri, venit
- ntre cursul valutar, preurile domestice respectiv preurile din ara strin, cursul real avnd
comportament staionar (conform teoriei paritii de cumprare);
- cusul diferitelor aciuni;
- rentabilitatea activelor i rata inflaiei, diferena acestora adic rata real a rentabilitii, ce are
comportament staionar;
- ratele dobnzii pentru diferite maturiti, diferena fa de rata activului fr risc (rata pe termen
scurt) reflectnd prima de risc a investitorilor;
- logaritmul indicelui preului aciunilor respectiv al dividendelor diferena reprezentnd logaritmul
randamentului
) 0 ( ln ln I D P
t t

.
- logaritmul indicelui preurilor t
Q ln
respectiv al salariului t
S ln
, diferena
) 0 ( ln ln I Q S
t t

reprezentnd logaritmul indicelui salariului real;
- cursurile aciunilor (de regul n form logaritmat) etc.
Aceste posibile relaii de cointegrare trebuie confirmate i de datele empirice.
La nivel macroeconomic, de regul se manifest relaii bidimensionale de cauzalitate ntre
variabilele macroeconomice (n principal cele monetare sau financiare) i evoluia pieei financiare.
Piea bursier este privit ca un barometru al economiei. Evoluiile pozitive din economie se reflect de
regul n evoluia cursului aciunilor. Studiile empirice relev corelaii inverse ntre rentabiliti i rata
50
nflaiei respectiv masa monetar. Alte variabile a cror influen asupra rentabilitilor a fost analizat:
rata de cretere a produciei industriale, rata dobnzii, rata omajului i ctigul salarial.
Abordri n teoria cointegrrii:
- abordari bazate pe o singur ecuaie, cea mai cunoscut fiind metoda n dou etape propus de
Engle i Granger;
- abordarea multivariat de tip VAR respectiv VECM; n acest caz ne asteptm la existena mai
multor relaii de cointegrare. n cazul general dat fiind un grup de mai multe variabile nestaionare
suntem interesai dac acestea sunt cointegrate, i dac sunt, care este relaia de echilibru pe termen lung
dintre ele. Pentru analiza cointegrrii ntre mai multe procese nestaionare, cu rdcin unitate, se
apeleaz la metodologia dezvoltat de Johansen i Juseliu (1990), implementat n softurile de statistic.

Metodologia Engle-Granger :
Etapa 1. Testarea existenei unei relaii de cointegrare ntre dou variabile:
a) se testeaz dac ambele variabile sunt integrate
( ) 1 I X , Y
t t

de ordin 1, utiliznd teste de tip unit
root, precum testul ADF
b) se estimeaz regresia liniar t t 1 0 t
X a a Y + +
prin MMP pentru a obine o estimatie a relaiei
(vectorului) de cointegrare. Interesant este c estimatorii obinui pentru 0
a
i
1
a sunt superconsisteni
(n acest caz, cnd ambele variabile sunt I(1)), chiar dac erorile sunt corelate. Erorile standard nu sunt
ns de ncredere, astfel nu se pot realiza inferene privind modelul pe termen lung. Dac exist o relaie
de cointegrare atunci MMP o va depista, iar dac nu exist atunci regresia este fals. Se extrag apoi
estimaiile pentru reziduuri
t 1 0 t t
X a a Y


;
c) se testeaz dac reziduurile
t

sunt staionare. Dac ipoteza existenei rdcinii unitate n seria


reziduurilor este respins, atunci ntre cele dou procese exist relaia de cointegrare. Dac reziduurile
sunt staionare cele dou serii sunt cointegrate, relaia de cointegrare fiind cea estimat
t t 1 0 t
X a a Y + +

iar relaia de echilibru pe termen lung este t 1 0 t
X a a Y

+
.
Dup estimarea coeficienilor de regresie i prin urmare a reziduurilor t

, se aplic testul ADF au


un alt test de tip unit root pentru detectarea nestaionalitii reziduurilor (detectarea rdcinii unitate).
Valorile critice ns nu sunt cele clasice deoarece seria reziduurilor a rezultat prin estimare. Valorile
adecvate testului ADF de cointegrare au fost obinute de ctre MacKinnon de asemenea prin simulare i
pot fi gsite n Johnston i DiNardo (1994).
Exemple de valori critice pentru ADF pentru cointegrare, % 5
T lunginea seriei ADF (p=4)
50 -3,29
100 -3,17
200 -3,25
Dac t
calc
<
*
tab
t H
0
se respinge t

sunt staionare X
t
, Y
t
cointegrate (exist o relaie de
dependen stabil ntre ele numit relaie de cointegrare.
De asemenea se poate utiliza testul Durbin-Watson pentru cointegrare (CRDW) propus de
Bhargava si Sargan. Se calculeaza statistica Durbin-Watson iar daca d
calc
>
*
tab
d X
t
, Y
t
sunt
cointegrate; valorile tabelate sunt: 0.386 pentru

=5%, 0.322 pentru

=1%. Observatie: d=2(1-


1
r ),
1
r fiind coeficientul de autocorelatie a reziduurilor de ordinul 1.
Etapa 2. Elaborarea unui model de tip ECM
Dou serii cu tendine stochastice ce sunt cointegrate evolueaz mpreun n timp, acest echilibru pe
termen lung fiind "deranjat" doar de ocuri aleatoare cu efect pe termen scurt. Dac exist, relaiile de
51
echilibru pe termen lung dintre variabile este necesar a fi ncoporate n modelul dinamic, destinat
previziunii. Astfel, ne asigurm c modelul va genera, atunci cnd este utilizat n simulare, pentru
variabilele cointegrate serii ce vor evolua mpreun. Dac se ignor existena cointegrrii i se
modeleaz diferenele de ordin nti ca i variabile staionare, atunci cele dou serii vor evolua
independent, fiecare dup tendina sa stochastic, i prin urmare neconform cu datele istorice.
Relaia pe termen scurt dintre dou variabile cointegrate, cu relaia de cointegrare
t t
X a a + +
1 0 t
Y
, poate fi descris printr-un model de corecie a erorilor (error correction model),
forma simpl a acestuia fiind:
t t t t
X a a Y X + + +

) ( Y
1 1 0 1 1 t , sau
t t t
X Y + + +
1 1 t

.
Reziduurile din ecuaia de cointegrare
1 1 1




t t t
X b a Y (ce surprind dezechilibrele pe termen
lung) sunt luate n considerare n modelul dinamic, fiind introduse ca un factor. Astfel, modificrile
variabilei Y pe termen scurt depind de cele ale variabilei Xi de abaterea lui Y de la valoarea sa de
echilibru pe termen lung 1
+
t
bX a
din perioada precedent.
Dezechilibrul dintr-o perioada este corectat in perioada imediat urmatoare; spre exemplu un
dezechilibru intre cerere si oferta din perioada anterioara determina o modificare a pretului
(dezechilibrul a determinat o corectie a pretului in perioada curenta). Coeficientul

indica in ce
proportie un dezechilibru aparut in evolutia celor doua variabile (abatere de la relatia de cointegrare), se
regaseste intr-o corectie a variabilei Y in perioada imediat urmatoare.
Observm c n acest model coeficienii de regresie
2 1
,
sunt coeficieni ai unor variabile
staionare, fiind aplicabile tehnicile clasice de estimare i validare.
Observaie. Forma ecuaiei ECM rezult din modelul dinamic:
t t t t
Y X X + + + +
1 1 1 2 1 t
Y
unde t

este zgomot alb. Rezult forma ECM:


t t t t
X a a Y X Y +

) )[ 1 (
1 1 0 1 1 1 t
unde
) 1 /(
1 0
a
i
) 1 /( ) (
1 2 1 1
+ a
. Cele dou ecuaii sunt echivalente, dar forma ECM are
avantajul de a ncorpora i dezechilibrele pe ermen lung, de la ecuaia de cointegrare (atunci cnd
variabilele sunt cointegrate) iar coeficientul
1
1
ofer informaii privind viteza de ajustare.
Ecuaia anterioar poate include i un termen determinist n t, respectiv ali termeni de tipul i t
X


sau i t
Y

:
t
n
i
i t i
m
i
i t i t
Y X t Y + + + + +


1 1
1 t

.
astfel nct termenul eroare
t

s fie de tip zgomot alb. Forma final a modelului rezult utiliznd


procedurile obinuite de validare i estimare. Coeficientul

msoar viteza de ajustare la dezechilibrele


pe termen lung.
O alt modalitate de a detecta existenta unei relaii de cointegrare const n testarea semnificativitii
coeficientului

(cu alternativa mai mic dect zero) n modelul ECM; dac acesta este nesemnificativ
atunci nu exist o relaie de cointegrare ntre variabile.
Dei se estimeaz o relaie de echilibru pe termen lung ntre dou variabile cointegrate, este
important de considerat i relaia pe termen scurt dintre acestea, deoarece sistemul poate s nu fie
ntotdeauna n echilibru.
Metodologia nu este aplicabil pentru studiul cointegrrii ntre mai multe vriabile.
n concluzie, relativ la estimarea regresiei ntre dou variabile relativ la care baza de date este
format din serii de timp sunt utile reperele urmtoare:
52
Dac variabilele nu au radacina unitate, adica sunt staionare relativ la o constanta sau staionare
relativ la tendin (determinist) modelul este specificat pentru variabilele observate. Forma
general a modelului dinamic adecvate n acest scop este:



+ + + +
p
i
q
o j
t j t j i t i t
X Y t Y
1

.
Termenul t se include doar dac una din variabile este staionar relativ la tendin. In acest
caz testele clasice din regresie, bazate pe metoda c.m.mici ptrate sunt asimptotic valide (dac
numrul datelor e suficient de mare).
Dac variabilele au o singura radacina unitate adica sunt nestaionare dar devin stationare dup o
singur difereniere i nu sunt cointegrate, atunci, regresia se va estima pentru diferene. Modelul
dinamic are forma:



+ + +
p
i
q
o j
t j t j i t i t
Y Y Y
1

.
Dac variabilele au o singura radacina unitate adica sunt nestaionare dar devin stationare dup o
singur difereniere i nu sunt cointegrate, atunci regresia:
t t
X a a + +
1 0 t
Y
furnizeaz un estimator (super)consistent pentru relaia de cointegrare pe termen lung dintre
variabile (Johnston i DiNardo, 1994). Relaia, pe termen scurt, dintre variabile este modelat
estimat utiliznd un model dinamic de tip corecie a erorilor:
t
n
i
i t i
m
i
i t i t
Y X t + + + + +


1 1
1 t
Y
unde
t t
X a a
1 0 t 1
Y

Aceast ecuaie ncorporeaz att dinamica pe termen scurt ct i cea pe termen lung.
6. Cointegrare n sisteme de ecuaii. Metodologia Johansen
In general, abordarea Engle-Granger este adecvat doar pentru dou variabile. Dac avem n variabile i
n-1 dintre ele nu sunt (slab) exogene, i/sau exist mai multe relaii de cointegrare ntre variabile atunci
abordarea prin intermediul unei singure ecuaii nu este adecvat (Harris and Sollis, 2003).
In modelele multivariate toate variabilele sunt abordate simultan, i se urmrete explicarea
comportamentului unei variabile funcie de trecutul su i a celorlalte variabile. Pentru un vector
t
Y
(kx1) de k poteniale variabile endogene specificm un model autoregresiv VAR(p):
t p t p t t t
Y A Y A Y A B Y + + + + +

...
2 2 1 1
Atunci cnd ecuaia
0 ) .... det( )) ( det(
2
2 1

p
p k
z A z A z A I z
are rdcini n interiorul cercului unitate, unele sau toate variabile din vectorul t
Y
sunt nestaionare I(1),
iar ntre ele pot exista relaii de cointegrare.
Definiie. Un vector de variabile integrate de acelai ordin I(d) este cointegrat CI(d,b) cu vectorul de
cointegrare

dac
t
Y
'
este integrat de ordin mai mic I(d-b). Astfel, exist anumite combinaii liniare
ale variabilelor din vector ce sunt integrate de un ordin mai mic.
Observaie. Pentru un vector ce conine dou variabile integrate I(1) t
Y
=(
) ,
t t
X Y
pentru care
reziduul din regresia t t t
X Y +
este staionar I(0), vectorul de cointegrare este
) , 1 (
;
t t t
X Y Y
'
adic reziduul
t t t
X Y
este staionar.
53
Dac toate variabilele din vectorul
t
Y
=(
'
2 1
) ,..., ,
kt t t
Y Y Y sunt staionare I(0), atunci se aplic
metodologia clasic VAR, pentru elaborarea acestui model. Dac cel puin una din variabile este
nestaionar I(1) atunci exist dou posibiliti: (1) nu exist nici o relaie de echilibru (sau de
cointegrare) ntre elementele lui
t
Y
caz n care pentru evitarea unor regresii false in sistem se va estima
un model VAR pentru diferente, respectiv (2) exist una sau mai multe relaii de echilibru (sau de
cointegrare) ntre elementele lui
t
Y
, cnd se are n vedere reprezentarea VECM a modelui (aceasta
fiind o reprezentare VAR cu restricii, ce include si reziduurile din ecuatiile de cointegrare).
Presupunem in continuare caci
t
Y
sunt I(1).
Abordarea Johansen const n identificarea a r combinaii liniare de cointegrare, printre cele k
variabile integrate, i ncorporarea lor ntr-un model dinamic.
Cum pot fi identificate aceste relaii de cointegrare?
Dac t
Y
sunt cointegrate atunci reprezentarea VAR pentru diferente nu este prea adecvat pentru
analiz deoarece relaiile de cointegrare nu apar explicit. Relaiile de cointegrare devin vizibile n
reprezentarea VECM, reprezentare echivalent cu VAR, aceasta fiind:
t p t p t t t
Y Y Y Y + + + +
+ 1 1 1 1 1
...
unde


p
i
i
I A
1
iar
) ... (
2 2 1
A A A
i i i
+ + +
+ + .
Justificare. Considerm k=2.
t t t t t
Y A Y I A B Y Y + + +
2 2 1 1 1
) (
t t t t t
Y I A A Y Y I A B Y + + + +
2 1 2 2 1 1
) ( ) )( (
t t t t
Y I A A Y I A B Y + + + +
2 1 2 1 1
) ( ) (
Este mai convenabil s apar 1 t
Y
pentru a putea evidenia eventual reziduul din perioada anterioar,
astfel:
t t t t t t
Y I A A Y I A A Y I A A Y I A B Y + + + + + + +
1 1 2 1 1 2 2 1 2 1 1
) ( ) ( ) ( ) (
t t t t
B Y A Y I A A Y + + +
1 2 1 2 1
) (
sau
t t t t
B Y Y Y + + +
1 1 1
unde
I A A +
2 1
iar
2 1
A
.
Aceast reprezentare echivalent are mai multe avantaje (Juselius, 2003): se reduce efectul
multicoliniaritii, informaiile pe termen lung sunt sintetizate n matricea , avem o interpretare mai
intuitiv a coeficienilor (surprind efetul pe termen lung respectiv scurt), este o reprezentare adcvat
atunci cnd ne intereseaz modificrile fa de perioada anterioar.
Legtura ntre rangul matricii i numrul relaiilor de cointegrare
Coeficienii i

conin informaii despre ajustarea pe termen scurt, iar pentru a identifica eventuale
relaii de echilibru pe termen lung ntre elementele vectorului t
Y
ne concentrm asupra matricii .
Rangul matricii indic numrul relaiilor de cointegrare prezente ntre cele k variabile din
vectorul t
Y
.
Cum t
Y
sunt I(1) rezult t
Y
staionare, astfel rangul matricii, notat cu r, trebuie s fie mai mic
dect numrul variabilelor r=rang( )<k (altfel n partea stng avem o variabil nestaionar iar n
partea dreapt una nestaionar); dac spre exemplu k
I
atunci membrul stng al ecuaiilor este o
variabil staionar t
Y
iar n cel drept avem o variabil nestaionar 1 t
Y
plus variabile staionare (
i t
Y

respectiv reziduul). Astfel 0 sau rang( )<k. Rangul matricii este egal cu numrul de linii
(sau coloane) liniar independente. Avem rang( )=k doar atunci cnd toate variabilele sunt staionare;
n acest caz nu se pune problema cointegrrii.
54
n cazul nestaionalitii de tip I(1), forma VECM are sens doar atunci cnd
1

t
Y
definete
combinaii liniare staionare, adic ntre variabile exist relaii de cointegrare.
Atunci cnd matricea (kxk) are rang redus 1 1 k r aceasta poate fi descompus n dou
matrici

(kxr) i

(kxr) fiecare cu rangul r:


'
.
Astfel n ipoteza unor variabile I(1) reprezentarea VECM(p-1) a unui vector cointegrat cu r relaii de
cointegrare este:
t p t p t t t
B Y Y Y Y + + + + +
+ 1 1 1 1 1
'
...
sau
t p t p t t t
B Y Y Y + + + + +
+ 1 1 1 1 1
...
unde
1 1
'


t t
Y
este staionar I(0) fiind vectorul rx1 relaiilor de cointegrare,

(kxr) este matricea


vectorilor de cointegrare (r vectori de cointegrare, fiecare coloan reprezentnd coeficienii unui vector
de cointegrare); acetia formeaz o baz n spaiul vectorilor de cointegrare, orice combinaie liniar a
vectorilor din baz fiind de asemenea un vector de cointegrare. Avem n aceast reprezentare un VAR(p-
1) n care toate variabilele sunt staionare. Matricea coeficienilor de ajustare

din 1 t

reprezint
viteza cu care t
Y
se ajusteaz la dezechilibre in relaia de cointegrare.
Descomunerea
'
nu este unic deoarece pentru orice matrice M(rxr) nesingular avem
' ' ' 1 ' 1 '
) )( ( ) )( ( ab M M M M

unde M a iar
' 1
M b . Pentru a obine valori
unice sunt necesare anumite restricii, precum normalizarea (se mpart toi coeficienii vectorului de
cointegrare la unul dintre ei) sau restricii sugerate de teoria economic.
Prin urmare, avem urmtoarele cazuri:
1) r=rang( )=k, caz n care
1 t
Y
sunt staionare (relativ la medie sau la o tendinta
determinista) i se va elabora un model VAR pentru variabilele observate
t
Y
(ce poate
contine si o tendinta determinista t), utiliznd inferenele standard;
2) 1 1 k r cnd exist r combinaii liniare a variabilelor ce sunt staionare prin urmare r
relaii de cointegrare,
t
Y
fiind cointegrate. Reprezentarea VECM este valid, toate
variabilele ce intervin fiind staionare. Reprezentarea VAR n
t
Y
este consistent dar
ineficient, iar reprezentarea VAR pentru diferene este greit (Cochran, 2005);
3) r=0 cnd nu exist combinaii liniare staionare i se va elabora un model VAR pentru
diferene t
Y
(acestea fiind staionare).
Testarea numrului relaiilor de cointegrare i estimarea acestora
Johansen (1988) a obinut estimaii pentru

(kxr) i

(kxr) utiliznd pocedura cunoscut ca i


regresia rangului redus. Estimatorii de maxim verosimilitate ML pentru

sunt obinui ca i vectori


proprii corespunztori celor mai mari r valori proprii.
Testele sunt bazate pe estimarea reprezentrii VECM:
t p t p t t t
B Y Y Y Y + + + + +
+ 1 1 1 1 1
...
i se definesc utiliznd cele mai mari valori proprii ale matricii . In scopul stabilirii numrului
relaiilor de cointegrare sunt estimate valorile proprii (sau rdcinile caracteristice) ale matricii :
1 2 1

...



k
. Aceste valori proprii sunt deasemenea egale cu patratul corelaiei canonice ntre
t
Y
i 1 t
Y
corectat de diferenele i t
Y

, astfel c iau valori ntre 0 i 1. Numrul valorilor proprii


semnificativ diferite de zero indic numrul relaiilor de cointegrare. Rangul matricii este egal cu
numrul valorilor proprii diferite de zero.
Urmtoarele dou teste, de tip LR(likelihood ratio), sunt utilizate pentru determinarea numrului r
de valori proprii semnificativ diferite de zero, adic a numrului relaiilor de cointegrare:
55
1. testul sau statistica trace

+

k
r i
i trace
) ( T (r) LR
1

1 ln
Se testeaz succesiv, pentru r=0,1, ...,k-1 urmtoarele ipoteze:
:
0
H
cel mult r relaii de cointegrare (rangul matricii este cel mult r)
pn la primul r pentru care ipoteza nul se accept. Cnd ipoteza nul 0
H
se accept valoarea statisticii
LR este aproape de zero, adic ultimele k-
r
valori proprii sunt nesemnificative
k r

,...,
1 +
. Ipoteza
nul se respinge atunci cnd valoarea calculat este mai mare dect cea critic.
2. testul maximum eigenvalue
) ( T ) (r,r LR
r 1 max

1 ln 1
+
+ sau
) 1 ( ) ( 1
max
+ + r LR r LR ) (r,r LR
trace trace
Ipoteza nul respectiv alternativa sunt:
:
0
H
r relaii de cointegrare (rangul matricii este cel mult r)
:
1
H
r+1 relaii de cointegrare
pentru r=0,1, ...,k-1.
Valorile critice sunt determinate de mai muli autori, printre care Johansen and Juselius (1990),
MacKinnon-Haug-Michelis (1999). Valorile critice difer dup cum se seriile au constant i/sau
tendin determinist respectiv ecuaiile de cointegrare conin constant i/sau tendin determinist.
Forma general a modelului:
t t p t p t t t
Bx Y Y Y Y + + + + +
+ 1 1 1 1 1
...
poate include i tendine deterministe, de tip t, prin vectorul variabilelor deterministe t
x
.
Pentru selecia numrului de ntrzieri, n analizele de tip VECM sau VAR, se pot utilize criteriile
AIC (Akaike Information Criterion), SIC (Schwarz Information Criterion), sau HQ (Hannan-Quinn
Information Criterion). Se alege aceea valoare pentru p ce minimezeaz valoarea acestor funcii, n
modelul VAR.
Acest abordare faciliteaz testarea unor restricii, utiliznd teste de tip LR distribuite dup legea
2

, restricii eventual sugerate de teoria economic, asupra elementelor matricii vectorilor de cointegrare
sau a matricii coeficienilor de ajustare

; regsim aici i testele de exogeneitate (slab sau tare).


Modelul dinamic VECM poate fi utilizat pentru generarea de previziuni respectiv pentru a analiza
impactul unor perturbaii (ocuri) aleatoare asupra variabilelor sistemului.
Tendine stochastice comune. Conceptele de cointegrare i de tendina stochactic comun sunt
echivalente. Ambele reprezentari sunt insa convenabile, admitand interpretari intuitive diferite. Fie
t
X
un vector de n variabile integrate de ordinul 1.
Cointegrarea nseamn c exista anumite combinatii liniare a celor n variabile ce sunt stationare;
aceste combinatii in elementele vectorului t
X
impreuna, fiind relaii nspre care sistemul se ajusteaz
pe termen lung. Pe de alta parte un vector de n serii de timp ce sunt cointegrate, cu rangul de cointegrare
r, poate fi scris ca o combinatie liniara de r n k tendine comune de tip mers aleator plus o
componenta staionar:
t t t
L C A X X ) (
*
0
+ +
t t t
+ +
1
unde
t
L C ) (
*
un proces staionar, matricea A(nxk) are rangul k, iar t

este un mers aleator nultivariat


de dimensiune kx1. Tendinele comune sunt fore ce conduc sistemul.

7. Valoarea la risc
Evaluarea riscului investiional poate fi realizat prin: indicatori agregai de tip Value-at-risk (VaR),
modele din teoria financiar respectiv modele statistice. VaR indic pierderea maxim potenial pe un
56
portofoliu de instrumente financiare, la o probabilitate fixat a priori

i pentru un anumit orizont de


timp:
) ( ) (
1


F VaR
unde F este funcia de repartiie asociat distribuiei pierdere. Este un concept utilizat pe scar larg de
ctre asigurtori, bnci, societi de investiii, pentru a msura riscul de pia al portofoliului de active
deinute. Este o msur statistic a riscului. Metodele statistice utilizate pentru estimarea VaR sunt:
metoda varian-covarian ce are la baz distribuia normal de probabilitate, simularea istoric
respectiv simularea Monte Carlo.
Value-at-Risk (VaR) este o metodologie de gestiune a riscului, care a cunoscut n ultimii ani o ampl
atenie att din partea cercettorilor din mediul academic ct i a practicienilor. VaR ofer o cuantificare
statistic a diferitelor componente ale riscului intr-un singur indicator cantitativ. Noiunea de value at
risk a aprut n anii 1980, cnd pe pieele financiare s-a nregistrat o volatilitate ridicat, marile companii
financiare avnd nevoie de o metod nou pentru a msura riscul portofoliilor deinute.
In ultimele dou decenii, metodologia VaR a fost adoptat, de ctre entiti financiare, bnci, fonduri
de investiii, societati de asigurare, ca un instrument uzual in evaluarea riscului de piata. Recomandrile
Acordului de la Basel
1
, privind utilizarea modelelor VaR n determinarea capitalului necesar bncilor
pentru acoperirea riscului de pia, a confirmat importana acestei metodologii. Utilizarea metodologiei
VaR este de asemenea recomandata n lucrarea Derivatives: Practices and Principles, publicat n
1993, de ctre Group of Thirty (G30).
n anul 1989, preedintele bncii de investiii J.P. Morgan, a cerut angajailor s dezvolte o tehnic
financiar capabil s-i ofere n fiecare zi, o expresie cantitativ exact a nivelului riscurilor cu care se
confrunt banca. n acest fel, n 1994, a aprut n cadrul J.P. Morgan departamentul RiskMetrics,
specializat numai pe studiul i analiza riscului, iar msura de risc pe care departamentul a lansat-o a fost
value-at-risk, prin produsul RiskMetricsError: Reference source not found. Conceptul de VaR a devenit
o component cheie a unui management de risc performant.
Conceptul Value at Risk. n economie i finane, VaR reprezint pierderea maxim probabil,
exprimat n uniti monetare, ce poate fi nregistrat pe un portofoliu, pentru o anumit perioad de
timp i pentru un anumit nivel de ncredere.
Exemplu. Avem un portofoliu tranzacionabil. i cunoatem valoarea de pia astzi, dar nu putem ti
ce valoare va avea a doua zi. VaR-ul portofoliului este de 10 milioane euro, calculat la un nivel de
ncredere de 95%, pentru un interval de timp de 1 zi. Astfel, n condiii normale de tranzacionare,
deintorul portofoliului, poate avea o ncredere de 95% c valoarea portofoliului nu poate scdea cu mai
mult de 10 milioane euro, ntr-o zi.
Pentru calculul VaR trebuie fixai urmtorii parametri:
orizontul de timp (h) pentru care se estimeaz riscul, ce poate fi zile, sptmni, luni, trimestre,
ani etc.
nivelul de ncredere (), care este de regul peste 90%.
Definiie
2
. Fiind dat un nivel de ncredere (0,1), VaR-ul unui portofoliu la nivelul de ncredere ,
este definit ca fiind cel mai mic numr l, astfel nct probabilitatea ca pierderea L s depeasc valoare
l nu este mai mare dect (1 ):
1
Basel Committee on Banking Supervision (2005). Amendment to the Capital Accord to incorporate market risks,
noiembrie, www.bis.org.
2
McNeil, A.I., Frey, R. and Embrechts, P. (2005), Quantitative Risk Management: Concepts, Techniques, and
Tools, Princeton University Press.
57
.
n termeni probabilistici, VaR este o cuantil a distribuiei pierdere. De asemenea se definete conceptul
de VaR incremental, n contextul descompunerii unui portofoliu pe elemente constitutive
3
.
Metode de estimare a VaR. Din literatura de specialitate se desprind cinci metode principale pentru
estimarea VaR:
metoda parametric, ce presupune cunoscuta legea de probabilitate a rentabilitatilor; este
cunoscut i sub denumirea de metoda delta-normal sau metoda varian-covarian, atunci
cand se lucreaza cu distributia normala de probabilitate
metoda simulrilor istorice
metoda simulrilor Monte Carlo
metoda delta-gama
metoda testrii condiiilor extreme (sau a analizei scenariilor).
primele trei metode de calcul fiind cele mai utilizate.
Metoda varian-covarian are la baz ipoteza conform creia rentabilitatile instrumentelor din
portofoliu sunt normal distribuite. Astfel, cum rentabilitatea portofoliului este o combinaie liniar de
variabile normal distribuite rezult c i acesta urmeaz o distribuie normal. O alt condiie necesar
pentru implementarea aceastei metode presupune meninerea constant a ponderilor instrumentelor n
portofoliu pn la orizontul de risc. Expresia de calcul pentru VaR n ipoteza distribuiei normale a
rentabilitaii portofoliului, cu media r si abaterea standard

, este:
) (
0
r c V VaR +
unde 0
V
este valoarea iniial a portofoliului, iar c este quantila distribuiei normale de probabilitate
aferent nivelului de risc 1 (ex. c=-1.65 pentru 1 =5%).
Metoda simulrilor istorice presupune c rentabilitatile viitoare pot fi estimate pornind de la valorile
nregistrate n trecut. Distribuia rentabilitatii portofoliului nregistrat n trecut este utilizat pentru
estimarea VaR-ului potenial al portofoliului. Metoda simulrilor Monte Carlo este una din cele mai
eficiente metode de estimare a VaR. Aceast metod implic specificarea unui model de proces
stochastic ce genereaz evoluia preului instrumentelor financiare. Pentru a obine rezultate valide,
trebuie ales un model care s caracterizeze cel mai bine evoluia rentabilitatii instrumentelor. Odat
stabilit modelul ce guverneaz evoluia preului, prin simulare se obin un numr mare de posibile
evoluii ale cursului. In studiul empiric din paragraful urmtor, preul unei aciuni se considera a fi
generat de un model de tip mers aleator:
) (
1 1
+ +
t t t
C C C
unde i sunt media i deviaia standard calculate pentru orizontul de timp stabilit, este variabila
aleatoare ce urmeaz legea normala de probabilitate
) 1 , 0 ( N
.
Parametrii modelului sunt estimai pe baza datelor istorice disponibile. Se genereaz scenarii pentru
variabila aleatoare , utiliznd generatoare de numere pseudo-aleatoare. La finalul fiecrui scenariu vom
obine o posibil valoare a preului la orizontul de timp ales. Cu aceste valori simulate se construiete o
distribuie empirica a rentabilitatii, din care este calculat VaR-ul.
3
Kevin, D.(2003), Beyond Value at Risk, John Wiley & Sons Inc
58
Pentru estimarea VaR prin metoda simulrilor Monte Carlo, pentru un singur instrument din
portofoliu, se au in vedere doar rentabilitatea medie i volatilitatea instrumentului, i variabila aleatoare
. Cnd se genereaza scenarii pentru mai multe titluri din portofoliu, n scopul estimrii VaR-ului
portofoliului, trebuie luat n calcul i corelaiile ce exist ntre instrumentele din portofoliu. Pentru a
obine rezultate de ncredere, trebuie generat un numr ct mai mare de scenarii.
Studiu empiric. n continuare vom prezenta modul de aplicare a metodei simulrilor Monte Carlo n
estimarea VaR pentru un portofoliu. Un studiu similar este realizat n lucrarea
4
.
Definirea portofoliului. Plecnd de la indicele BET se consider un portofoliu neoptimizat, identic
ca structur cu acesta. Astfel se obine un portofoliu compus din cele zece titluri care alctuiesc coul
indicele BET la data de 24 martie 2008, ponderile acestora n valoarea total a portofoliului fiind
aceleai cu procentele de alocare ale titlurilor n compoziia indicelui la aceast dat. Structura indicelui
BET la 24 martie 2008 este prezentat n tabelul 1.
Tabelul 1. Structura indicelui BET, la 24 martie 2008
Titlu
SNP BRD TLV TGN RRC TEL BIO IMP ATB BRK
Pond.
16.79% 16.37% 29.37% 7.16% 9.15% 5.38% 3.90% 3.37% 3.34% 5.18%
La data de 24 martie, se investete 1 milion de lei n acest portofoliu. Astfel, la data de 7 aprilie 2008, se
obine un portofoliu compus din zece titluri, cu o valoare de pia de 1 067 476.45 lei, iar structura
portofoliului este redat n tabelul 2.
Tabelul 2. Structura portofoliului, la 7 aprilie 2008
Nr. Titlu Pondere 07-04-2008 Capitalizare 07-04-2008
1 SNP 16.53% 176 456.25
2 BRD 17.89% 190 943.02
3 TLV 28.64% 305 741.58
4 TGN 7.21% 76 916.20
5 RRC 8.46% 90 327.49
6 TEL 5.15% 55 019.68
7 BIO 3.91% 41 758.51
8 IMP 3.67% 39 196.82
9 ATB 3.53% 37 684.37
10 BRK 5.01% 53 432.54
Total 100.00% 1 067 476.45
Pentru a determina cu un nivel de ncredere de 95%, riscul aferent deinerii acestui portofoliu, la un
orizont de timp de 10 zile, i anume la data de 21 aprilie 2008, se va estima, utiliznd metoda simulrii
Monte Carlo, VaR-ul acestui portofoliu, calculnd nti VaR-ul fiecrui titlu ce compune acest
portofoliu.
Pentru a calcula VaR-ul portofoliului trebuie s inem cont i de corelaiile dintre componentele
portofoliului. Pentru a calcula aceste corelaii, trebuie determinate volatilitile rentabilitatilor. Se vor
utiliza date istorice, pentru estimarea volatilitilor. Datele folosite au un istoric ncepnd cu 28 ianuarie
2008 pn la 7 aprilie 2008 (51 zile de tranzacii).
Considernd preul de nchidere din fiecare zi de tranzacionare, se deteremin rentabilitatile
logaritmice
) ln(
1

t
t
t
C
C
r
. Se obin astfel 50 de rentabilitati continue zilnice pentru fiecare titlu.
4
Rosoaga, A., Utilizarea metodologiei Value-at-Risk n gestiunea riscului si optimizarea portofoliilor,
http://www.sorec.ro/pdf/OEcoN3/12_A.Rosoaga.pdf
59
Se calculeaz apoi rentabilitatea medie i volatilitatea acestor rentabilitati; au fost considerate
ponderi egale pentru fiecare rentabilitate. n tabelul 3 sunt prezentate aceste valori pentru fiecare aciune
din portofoliu.
Tabelul 3. Media i abaterea standard pentru rentabilitatile zilnice
Titlu Rentabilitatea medie zilnica Volatilitatea rentabilitatilor zilnice
SNP 0.13% 2.52%
BRD 0.27% 2.99%
TLV 0.15% 2.04%
TGN -0.27% 2.02%
RRC -0.22% 1.71%
TEL -0.33% 2.49%
BIO -0.62% 3.03%
IMP -0.77% 2.92%
ATB -0.38% 3.10%
BRK -0.44% 2.56%
Doar titlurile BRD, SNP i TLV au o rentabilitate medie zilnic pozitiv, titlul IMP are cea mai mic
rentabilitate medie. De asemenea, se observ c titlurile Se observ c, cele mai riscante titluri ar fi ATB
i BIO, avnd cea mai mare volatilitate i o rentabilitate medie negativ.
Simularea Monte Carlo. Sunt utilizate rentabilitati logaritmice, i nu preurile, pentru aplicarea
simulrii Monte Carlo, pentru a obine o compunere continu. Astfel, se genereaz un numr de 1000 de
scenarii, pentru fiecare titlu, pentru a simula evoluia rentabilitatii zilnice, pe intervalul de timp de 10
zile, pentru care dorim s realizm estimarea.
Modelul stochastic ce st la baza simulrii evoluiei zilnice a rrentabilitatilor este:
+ r
,
unde: r - rentabilitatea,
- media rentabilitatilor zilnice,


- abaterea standard a rentabilitatilor,
- variabil aleatoare ce urmeaz o distribuie standard normal de probabilitate.
Folosind soft-ul Excel, pachetul Data Analysis, Random Number Generator, generm valorile
variabilei aleatoare , distribuite standard normal, pe care le grupm n matrici cu 1000 de coloane i 10
linii, pentru cele 1000 de scenarii, din cele 10 zile.
Utiliznd aceste matrici i modelul de mai sus, au fost obinute, pentru fiecare titlu din portofoliu,
cte 1000 de scenarii privind evoluia rentabilitatilor zilnice, pentru fiecare din cele 10 zile.
Rentabilitatile fiind continue, rentabilitatea din ziua a 10-a fa de ziua 0, se obine adunnd cele 10
rentabilitati zilnice. Spre exemplu, cteva valori ale rrentabilitatii din ziua a 10-a fa de ziua 0, obinute
prin simulare, pentru BRD, sunt redate n tabelul 4; valorile sunt ordonate cresctor. Histograma
rentabilitailor obinute prin simulare este prezentat n figura 1.
Tabelul 4. Scenarii privind rentabilitatile BRD
Scenariu 1 2 3 4 ... ... 998 999 1000
Rentab.
10 / 0
-29.27 -26.30 -24.49 -24.09 .... .... 25.40 25.83 26.60
VaR-ul titlului BRD la un orizont de timp de 10 zile este valoarea cuantil ce corespunde nivelului
de ncredere de 95%. Acestea este VaR-ul individual al titlului.
Figura 1. Distribuia empiric a rentabilitatii BRD, peste 10 zile
60
0
20
40
60
80
100
120
- 30 - 20 - 10 0 10 20
Series: R
Sample 1 1000
Observations 1000
Mean -1.124860
Median -0.975000
Maximum 26.66000
Minimum -29.27000
Std. Dev. 9.511949
Skewness 0.080615
Kurtosis 2.725130
Jarque-Bera 4.231197
Probability 0.120561
Pentru a determina VaR-ul unui titlu, ca i componen n portofoliul, exprimat in procente, se
nmulesc VaR-urile individuale cu ponderea titlului n portofoliu. Pentru a cuantifica VaR-ul, n suma
investit n fiecare component a portofoliului, se nmulete VaR-ul individual al fiecrui titlu cu
valoarea capitalizat a acestuia.
Tabelul 5. Valori estimate pentru VaR
Simbol
VaR individual (la 0
aciune)
VaR componena n
portofoliu (lei)
VaR componena n
portofoliu
SNP 16.89% 29 808.24 2.79%
BRD 14.50% 27 681.79 2.59%
TLV 12.78% 39 070.39 3.66%
TGN 7.23% 5 562.27 0.52%
RRC 7.91% 7 141.13 0.67%
TEL 7.12% 3 919.87 0.37%
BIO 8.20% 3 422.43 0.32%
IMP 8.60% 3 369.65 0.32%
ATB 12.63% 4 758.28 0.45%
BRK 8.42% 4 500.89 0.42%
Total 129 234.92 12.11%
Rezultatele obinute sunt redate n tabelul 5. Interpretnd datele din acest tabel, constatm c cel mai
riscant titlu este SNP (16.89%), urmat de BRD (14.50%), iar cel mai puin riscant este TEL (7.12%).
Dac lum n considerare ponderea in portofoliu a fiecrei aciune, cele mai riscante sunt aciunilor
TLV, acestea aducnd o pierdere n valoarea portofoliului, de 39 070.39 lei. Suma VaR-urilor
componentelor este 129,234.92 lei. VaR-ul portofoliului, exprimat in procente, se determin n baza
urmtoarei formule, ce ia n considerare i corelaiile care exist ntre titluri
5
:

10
1
10
1
,
i j
j i j i j i p
w w V V VaR
unde: w - ponderile aciunilor i, respectiv j,
V - VaR-urile individuale ale titlurilor i, respectiv j,
- coeficientul de corelaie ntre rentabilitatile aciunilor i, j.
Pe baza celor 50 de rentabilitati zilnice, folosind soft-ul Excel, pachetul Data Analysis, Correlation,
s-a calculat matricea de corelaie a celor zece titlurilor ce compun portofoliul. Utiliznd formula de mai
sus, am obinut VaR-ul portofoliu, egal cu 109 673.74 lei, sau 10.27% din valoarea capitalizat. Riscul
portofoliului este mai redus dect suma riscurilor individuale ale componentelor sale, diferena dintre
aceste valori, n sum de 19,561.18 lei, fiind consecin a diversificrii portofoliului. Daca toi
coeficienii de corelaie sunt egali cu 1 (corelaie perfect ntre rentabilitati), atunci VaR-portofoliu este
egal cu suma VaR-urilor individuale, atunci cand acestea sunt exprimate in unitati monetare.
5
Kevin, D.(2003), Beyond Value at Risk, John Wiley & Sons Inc
61
Suma VaR-uri componente 129 234.92 lei
VaR Portofoliu 109 673.74 lei
Diferena 19 561.18 lei
Calcul VaR incremental. De asemenea prezint interes investigarea contribuiei fiecrei aciuni la
VaR-portofoliu. VaR-ul incremental ne arat cu ct se reduce riscul portofoliului prin eliminarea unei
componente din portofoliu. In prima etap se determin VaR-urile pentru cele zece portofolii ce se obin
prin eliminarea, pe rnd a cte unei poziii, folosind formula de calcul a VaR-ului portofoliului. VaR-
urile incrementale, obinute prin diferena ntre VaR portofoliu ce include titlul i VaR portofoliu fr
titlu, sunt redate n tabelul 6.
Tabelul 6. Estimaii pentru VaR incremental
Simbol VaR incremental (LEI)
SNP 39.093,22
BRD 39.390,87
TLV 56.456,77
TGN 11.715,93
RRC 12.071,26
TEL 8.842,68
BIO 6.733,53
IMP 6.076,98
ATB 6.943,48
BRK 8.534,91
Prin eliminarea componentei TLV se obine cea mai semnificativ reducere a riscului portofoliului;
observm c aceast aciune deine o pondere mare n portofoliu. Prin eliminarea componentei IMP, se
obine cea mai mic reducere a riscului.
Metodologia bazat pe simularea Monte-Carlo presupune alegerea unui model adecvat pentru
descrierea comportamentului preului activelor. Majoritatea metodologiilor de estimare a VaR au la baz
ipoteza distribuiei normale a rentabilitii. Studiile empirice, n cele mai multe cazuri, nu susin aceast
ipotez, distribuia ratei rentabilitii activelor fiind mai boltit dect cea a legii normale. Astfel,
estimarea VaR considernd ratele rentabilitii normal distribuite poate subestima substanial valoarea
acesteia. Metodologia VaR este un instrument ce poate fi utilizat zilnic de ctre orice manager de
portofoliu. Dup cum se poate observa din studiul empiric, VaR-ul incremental ofer indicii cu privire la
ce poziii pot fi eliminate complet, pentru a reduce riscul portofoliului.
Sarcini i teme ce vor fi notate
Temele aferente modulului:
- Elaborarea unui model econometric, pentru serii staionare. Modele econometrice clasice
din teoria financiara
- Analiza relaiilor de cointegrare. Teste de cointegrare
- Modele de tip vector error corection (VEC). Aplicaii n finane
- Valoarea la risk.
Proiectul individual presupune utilizarea metodelor abordate in cadrul acestor teme, pentru serii din
domeniul financiar.
Bibliografie
62
Bibliografie obligatorie
1. Harris R., Sollis R., Applied time series modeling and forecasting, John Wiley & Sons, 2003.
2. Mills, T.C., The econometric modelling of financial time series, Cambridge University Press,
1999.
3. Pecican, E.S., Econometria pentru economiti, Editura Economic, 2004.
4. Tutorial cointegrare http://www.staff.city.ac.uk/r.a.batchelor/Eviews2.pdf
Bibliografie optional
1. Armeanu, D. and Blu, F.O. (2007), Aplicarea metodologiei VaR portofoliilor valutare deinute
de banci, Economie teoretica si aplicata, 2, 83-92.
2. Codirlau, A. (2007), Managementul riscului financiar-valutar, Teza de doctorat.
www.dofin.ase.ro/acodirlasu/wp/phd2007/phdpaper.pdf.
3. Drago, C., Bazele econometriei i elemente de modelare econometric, Ed. Mediamira, 2007.
4. Florea I., Parpucea I., Buiga A., Lazar D., Statistic inferenial, Presa Universitar Clujean,
2000.
5. Gourieroux, C., Scaillet, O., Szafarz, A., Econometrie de la finance, Economica, Paris, 1997.
6. Pecican, E.S., Piata valutara, banci si econometrie, Ed. Economic, 2000
7. Stancu, I. and Blu, F. (2006), Utilizarea metodologiei VaR pentru msurarea i prevenirea
riscului valutar, Economie teoretica si aplicata, 3, 51-56.
Bibliografia complet a cursului
1. Armeanu, D. and Blu, F.O. (2007), Aplicarea metodologiei VaR portofoliilor valutare deinute
de banci, Economie teoretica si aplicata, 2, 83-92.
2. Campbell, J.Y., Lo, A.W., MacKinlay, A.C., The Econometrics of Financial Markets, Princeton
University Press, Princeton, New Jersey, 1996.
3. Drago, C., Bazele econometriei i elemente de modelare econometric, Ed. Mediamira, 2007.
5. Florea I., Parpucea I., Buiga A., Lazar D., Statistic inferenial, Presa Universitar Clujean,
2000.
6. Gourieroux, C., Scaillet, O., Szafarz, A., Econometrie de la finance, Economica, Paris, 1997.
7. Harris R., Sollis R., Applied time series modeling and forecasting, John Wiley & Sons, 2003.
8. Makridakis S., Wheelwright S.C., Hyndman R.J., Forecasting. Methods and Applications, John
Wiley & Sons Inc., 1998.
9. Mills, T.C., The econometric modelling of financial time series, Cambridge University Press,
1999.
10. Pecican, E.S., Econometria pentru economiti, Editura Economic, 2004.
11. Pecican, E.S., Piata valutara, banci si econometrie, Ed. Economic, 2000.
12. Stancu, I. and Blu, F. (2006), Utilizarea metodologiei VaR pentru msurarea i prevenirea
riscului valutar, Economie teoretica si aplicata, 3, 51-56.
13. Todea A., Investiii, Ed. Casa Crii de Stiin, Cluj-Napoca, 2006.
14. Todea A., Eficiena informaional a pieelor de capital. Studii empirice pe piaa romneasc, Ed.
Casa Crii de Stiin, Cluj-Napoca, 2005.
15. Codirlau, A. (2007), Econometrie aplicat utiliznd EViews 5.1
http://www.dofin.ase.ro/acodirlasu/lect/econmsbank/econometriemsbank2007.pdf.
Baze de date pentru serii de timp
- www.bnr.ro. (In Statistica/Sectiunea statistica a buletinului lunar: gasim evolutii lunare a principalilor
indicatori macroeconomici si financiari); caiete de studii cu diverse studii econometrice (la publicatii)
- evolutie indici bursieri http://finance.yahoo.com/
63
- istoric curs actiuni http://www.tranzactiibursiere.ro/detalii/istoric
- Eurostat: http://epp.eurostat.ec.europa.eu/
- www.kmarket.ro; www.insse.ro
- Time series data library http://www-personal.buseco.monash.edu.au/~hyndman/TSDL/
- http://www.ceicdata.com/;
- http://www.forecasters.org/ - pagina International Institute of Forecasters
- http://www-marketing.wharton.upenn.edu/forecast/data.html
- http://econdata.net/
Glosar de termeni
Serie de timp: secven de observaii asupra unei variabile, ordonate dup parametrul timp
Proces aleator de tip discret: secven de variabile aleatoare
) (
t
Y
unde Z t , ordonate dup
parametrul timp.
Media mobil: o combinaie liniar de puteri pozitive i negative ale operatorului de ntrziere
1

t t
Y LY
Netezire exponenial (simpl): valoarea previzionata pentru urmtoarea perioad
1

+ t
Y se calculeaz ca
o medie ponderata intre observatia curenta si previziunea precedent
t
Y

(efectuat la pasul anterior)


Proces staionar de ordinul doi: verific urmtoarele trei condiii (1) media este constant n timp
(staionalitate n medie), (2) variana este constant n timp (staionalitate n varian, (3) covariana
dintre dou variabile este funcie doar de lungimea intervalului de timp ce separ cele 2 variabile
Zgomot alb (white noise): succesiune de variabile aleatoare
N t
t
,
independente i identic
repartizate, cu medie zero.
Funcia de autocorelaie: msoar corelaia liniar dintre dou variabile Y
t
i Y
t-k
separate de k uniti de
timp.
Proces nestaionar: nu verific una sau mai multe din cerinele din definitia procesului staionar
Mers aleator: un proces nestaionar, pentru care diferenele de ordinul nti sunt stationare, independente
i identic distribuite
Serie nestaionar, staionar relativ la o tendin determinist: serie ce fluctueaz staionar n jurul
unei tendine deterministe
Serie nestaionar, staionar prin difereniere (differency stationary): generate de un proces pentru
care polinomul autoregresiv din reprezentarea autoregresiv AR(p) are rdcini unitare (are radacini
unitate unit root, sau pe cercul unitate). Spunem c seria are tendin stochastic
Proces (serie) integrat de ordin d: este necesar a fi difereniat de d ori pentru a devini staionar;
t
d
t
d
t
Y L Y Z ) 1 ( este staionar. Polinomul autoregresiv l are pe 1 ca i rdcin multipla de
ordin d
Cauzalitate de tip Granger: X este cauza pentru Y, sau X explic pe Y, dac X ajut la predicia lui Y
Serii cointegrate de ordin CI(d,b): dou serii
t t
X Y ,
integrate de acelai ordin I(d) pentru care exist


astfel nct reziduul din regresie t t t
X Y
are un ordin mai mic de integrare I(d-b)
Valoare la risc: VaR reprezint pierderea maxim probabil, exprimat n uniti monetare, ce poate fi
nregistrat pe un portofoliu, pentru o anumit perioad de timp i pentru un anumit nivel de ncredere.
64