Documente Academic
Documente Profesional
Documente Cultură
Danielsson, Jon, Marcela Valenzuela, and Ilknur Zer (2016).“Learning from History: Volatility and Financial Crises,” Finance and Economics
Discussion Series 2016-093. Washington: Board of Governors of the Federal Reserve System, https://doi.org/10.17016/FEDS.2016.093
Serii de timp
Serii de timp – aplicații pentru piețele financiare 2
Danielsson, Jon, Marcela Valenzuela, and Ilknur Zer (2016).“Learning from History: Volatility and Financial Crises,” Finance and Economics
Discussion Series 2016-093. Washington: Board of Governors of the Federal Reserve System, https://doi.org/10.17016/FEDS.2016.093
Serii de timp
Serii de timp – aplicații pentru piețele financiare 3
Stylized facts – Cont (2001)
▪ Seriile de timp ale prețurilor de tranzacționare ale acțiunilor sau altor
instrumente financiare nu sînt staționare și au cel puțin un trend local.
▪ Randamentele au distribuții leptokurtice (Kurtosis>3).
▪ Randamentele nu evoluează după un proces de tip white noise, întrucît
valorile funcției de autocorelație sînt semnificativ diferite de zero.
Serii de timp
Serii de timp – aplicații pentru piețele financiare 4
Volatility Clustering
Serii de timp
Serii de timp – aplicații pentru piețele financiare 5
Varianța condiționată vs. Varianța necondiționată
Serii de timp
Serii de timp – aplicații pentru piețele financiare 6
Procese ARCH (Auto Regressive Conditional Heteroskedasticity)
Engle, R. 1982. Autoregressive Conditional Heteroscedasticity
with Estimates of the Variance of United Kingdom Inflation,
Econometrica, Vol. 50, No. 4 (Jul., 1982), pp. 987-1007.
▪
rt = + t
rt = log Pt − log Pt −1
▪
▪ - risk premium
E[ t | t −1 ] = 0
▪
▪ Var[ t | t −1 ] ct
Varianța condiționată a lui t este o funcție liniară de t− k .
2
▪
Serii de timp
Serii de timp – aplicații pentru piețele financiare 7
ARCH(1)
N (0, t2 ) .
▪ De asemenea, E[ t2 | t −1 ] = t2 .
Alte notații pentru ARCH(1)
Serii de timp
Serii de timp – aplicații pentru piețele financiare 8
Proprietăți
t este leptokurtică.
t2 = + 1 t2−1 + t .
Serii de timp
Serii de timp – aplicații pentru piețele financiare 9
ARCH(q)
Proprietăți
Serii de timp
Serii de timp – aplicații pentru piețele financiare 10
GARCH(p,q)
cu 0, 1 0,..., q 0, 1 0,... p 0 .
▪ De regulă se prespune că
Zt = t / t N (0,1) t | t −1 N (0, t2 ) .
De asemenea, E[ t | t −1 ] = t .
2 2
▪
Dacă t un proces GARCH(p,q), atunci t este un proces
2
▪
ARMA(m,q), unde m=max(p,q).
Serii de timp
Serii de timp – aplicații pentru piețele financiare 11
Modelul EGARCH(p,q)
q p
log( 2 t ) = + i ( t −i + (| t −i | − E | t −i |)) + j log( 2 t − j )
i =1 j =1
i =1 j =1
Serii de timp
Serii de timp – aplicații pentru piețele financiare 12
ARMA-GARCH
▪ Ecuația mediei:
rt = + 1rt −1 ++ P rt − P + 1 t −1 + + Q t −Q + t .
q p
▪ Ecuația varianței: t = +
2
i 2t −i + j 2t − j .
i =1 j =1
Serii de timp
Serii de timp – aplicații pentru piețele financiare 13
Estimarea modelelor ARCH-GARCH
▪ Se estimează modelul simplu rt = f () + t , unde f ( )
poate fi o formă funcțională sau doar un termen liber.
▪ Se verifică ipoteza de zgomot alb a reziduurilor.
▪ Se verifică ipoteza de homoskedasticitate a reziduurilor,
folosind de exemplu testul Breusch-Goddfrey, ARCH etc.
Respingerea ipotezei nule este un semn de prezență a
efectelor ARCH-GARCH.
Analiza corelogramei pătratelor reziduurilor t - dacă t nu
2 2
▪
este zgomot alb, atunci este plauzibilă prezența efectelor
ARCH-GARCH.
▪ Estimarea mai multor clase de modele ARCH-GARCH și
reținerea modelului optim, conform criteriilor
informaționale (e.g. Akaike).
▪ Predicția varianței condiționate pe baza celui mai bun model.
Serii de timp
Serii de timp – aplicații pentru piețele financiare 14
▪ Software: , , , .
Serii de timp
Serii de timp – aplicații pentru piețele financiare 15
▪ Calculul randamentelor logaritmice, pe baza prețului de
închidere.
CLOSE LOGRETURN
12,000 .15
10,000 .10
8,000 .05
6,000 .00
4,000 -.05
2,000 -.10
0 -.15
97 98 99 00 01 02 03 04 05 06 07 08 09 10 11
97 98 99 00 01 02 03 04 05 06 07 08 09 10 11
Serii de timp
Serii de timp – aplicații pentru piețele financiare 16
▪ Unit root test – serie staționară.
t-Statistic Prob.*
Serii de timp
Serii de timp – aplicații pentru piețele financiare 17
▪ Corelograma – AR(1), MA(1), ARMA(1,1)?
Serii de timp
Serii de timp – aplicații pentru piețele financiare 18
AR (1): rt = 1rt −1 + t .
Serii de timp
Serii de timp – aplicații pentru piețele financiare 19
▪ Corelograma reziduurilor
t t2
Serii de timp
Serii de timp – aplicații pentru piețele financiare 20
▪ Teste de homoskedasticitate
Heteroskedasticity Test: ARCH
Modele ARMA-GARCH
Serii de timp
Serii de timp – aplicații pentru piețele financiare 22
Hannan-
Schwarz Quinn Log
Model Akaike info criterion criterion criter. likelihood
GARCH(1,1) -5.06603 -5.05882 -5.06345 8626.376
EGARCH(1,1) -5.47347 -5.46446 -5.47025 9320.848
EGARCH(1,2) -5.47976 -5.46895 -5.4759 9332.551
Serii de timp
Serii de timp – aplicații pentru piețele financiare 23
▪ Predicția varianței conditionate
Serii de timp
Serii de timp – aplicații pentru piețele financiare 24
.10
.05
.00
-.05
-.10
-.15
-.20
97 98 99 00 01 02 03 04 05 06 07 08 09 10 11
VALUE_AT_RISK LOGRETURN
Serii de timp
Serii de timp – aplicații pentru piețele financiare 25
3. Concluzii
▪ Riscul activelor financiare poate fi modelat prin intermediul
seriilor de timp cu volatilitate stochastică.
▪ În procesul de modelare ARMA/GARCH există o importantă
componentă euristică.
Serii de timp