You are on page 1of 26

In studiul pietelor de capital, este foarte important sa se determine evolutia viitoare randamentelor, pornind de la un set de informatii din trecut,

multime care include deseori comportamentul preturilor, raportul PER, capitalizarea bursiera etc. Metoda celor mai mici patrate si in particular regresia lineara reprezinta o mare realizare in domeniul econometriei. The method of least squares or ordinary least squares (OLS) is used to approximately solve overdetermined systems. particularly regression analysis. east s!uares can be interpreted as a method of fitting data. The best fit in the least" s!uares sense is that instance of the model for #hich the sum of squared residuals has its least value, a residual being the difference bet#een an observed value and the value given by the model. The method #as first described by $arl %riedrich &auss around '()*.+', east s!uares corresponds to the maximum li-elihood criterion if the experimental errors have a normal distribution and can also be derived as a method of moments estimator. Regression analysis is available in most statistical soft#are pac-ages. east s!uares is often applied in statistical contexts,

Maximum likelihood estimation .MLE/ is a popular statistical method used for fitting a mathematical model to data. The modeling of real #orld data using estimation by maximum li-elihood offers a #ay of tuning the free parameters of the model to provide a good fit. The method #as pioneered by geneticist and statistician 0ir R. 1. %isher bet#een ')'2 and ')22. The method of maximum li-elihood corresponds to many #ell"-no#n estimation methods in statistics. %or example, suppose you are interested in the heights of 1mericans. 3ou have a sample of some number of 1mericans, but not the entire '

population, and record their heights. %urther, you are #illing to assume that heights are normally distributed #ith some un-no#n mean and variance. The sample mean is then the maximum li-elihood estimator of the population mean, and the sample variance is a close approximation to the maximum li-elihood estimator of the population variance .see examples belo#/. %or a fixed set of data and underlying probability model, maximum li-elihood pic-s the values of the model parameters that ma-e the data 4more li-ely4 than any other values of the parameters #ould ma-e them. Maximum li-elihood estimation gives a uni!ue and easy #ay to determine solution in the case of the normal distribution and many other problems, although in very complex problems this may not be the case. If a uniform prior distribution is assumed over the parameters, the maximum li-elihood estimate coincides #ith the most probable values thereof. Modelarea riscului activelor are o semnificatie deosebita in cadrul teoriilor pietelor financiare. In particular, specialistii au acordat o larga atentie randamentelor reziduale, avand in vedere ca aceastea au o infleunta deosebita asupra randamentelor studiate. Randamentele reziduale Randamentele reziduale reprezinta acea parte a randamentelor care nu au fost capturate de catre variabila independenta a unui anumit model. 5e exemplu6
rit = i + i rmt + it

unde6 rit " randamentul titlului individual i in perioada de timp t;

i " termenul constant7 i " riscul relativ de piata al unui titlu individual7
rmt " randamentul portofoliului de piata7

it " termenul eroare.


Randamentele reziduale sunt reprezentate tocmai de termenul it al ecuatiei, indicand care este partea de randament a unui titlu individual ce nu a fost influentata de randamentul portofoliului de piata. 5eseori, aceste randamente reziduale au o pondere foarte importanta in cadrul randamentului individual.

Caracteristicile Seriilor Financiare 1deseori in practica, seriile financiare se dovedesc a nu urma o distributie normala, asa cum este specificat in ma8oritatea modelelor teoretice. Pentru verificarea acestei ipoteze se realizeaz9 testele de normalitate pentru seria randamentelor activului suport, respectiv ac:iunile ER0TE6

" 0-e#ness " ;urtosis " <ar!ue"=era " >> Plot


Skewness este momentul statistic centrat de ordinul trei. M9soar9 distribu:iei seriei ?n 8urul mediei, calcul@ndu"se dup9 formula6
S= 1 N
3

asimetria

yi y i =1

unde6 A B nr de observatii y B valoarea seriei


y

" media Pentru distribu:ia normal9 0-e#ness"ul este zero. Cn 0-e#ness pozitiv arat9

" varian:a
c9 distribu:ia seriei prezint9 asimetrie spre dreapta, respectiv are coada din dreapta mai lung. Pentru un 0-e#ness negativ situa:ia este invers9. Kurtosis m9soar9 gradul de aplatizare a distribu:iei seriei. ;urtosisul se calculeaz9 dup9 formula6
1 K= N
4

yi y i =1

Pentru distribu:ia normal9 ;urtosisul .cel care arata cat de ingrosate sunt extremitatile sau cat de mult se abat valorile maxime si minime de la media lor/ este D.Pentru ; mai mic dec@t D distribu:ia este mai aplatizat9 dec@t cea normal9 .platy-urtic/, iar pentru un ; mai mare dec@t D distribu:ia este mai ?nalt9 .lepto-urtic/. 0eriile sunt mai degraba leptocurtice, adica exista o abatere larga a valorilor extreme de la media lor. in seriile finaciare indicatorul ia valori mult mai mari .vom vedea acest lucru in exemplul practic propus/.

Testul ar!ue"#era m9soar9 diferen:a dintre 0-e#ness Ei ;urtosis"ul seriei fa:9 de cele corespunz9toare distribu:iei normale. 0tatistica testului se calculeaz9 astfel6
#= N k 2 S + . K D/ 2 F

unde6

0 " 0-e#ness ;" ;urtosis - B num9rul de coeficien:i estima:i care sunt folosi:i pentru a crea seriile 0ub ipoteza nul9 a unei distribu:ii normale statistica <ar!ue"=era este distribuit9

2 cu 2 grade de libertate. Probabilitatea ataEat9 testului reprezint9 probabilitatea ca statistica <ar!ue"=era s9 fie mai mare dec@t valoarea observat9 sun ipoteza nul9. 1Eadar, o probabilitate mic9 duce la respingerea ipotezei nule .de normalitate/.
40 Series: ERSTE Sample 10/16/1908 4/13/1909 Observatio s 12! "ea "e#ia "a$im%m "i im%m St#. &ev. S'e( ess )%rtosis *ar+%e-,era -robabilit. 0 -0.25 0.00 0.25 -0.001496 0.000000 0.430000 -0.260000 0.0!184! 1.3!4431 13.28515 599.!604 0.000000

30

20

10

Gistograma randamentelor Pentru actiunea ER0TE 0-e#nessul este ',D(**D' ceea ce arat9 o asimetrie spre dreapta a distribu:iei randamentelor semn ca in anumite zile s"au inregistrat cotatii foarte mari. ;urtosisul este 'D,2HI'I ceea ce arat9 c9 distribu:ia este mai ?nalt9 dec@t cea normal9. Jaloarea testului <ar!ue"=era de I)),(FK*, iar probabilitatea ataEat9 testului este de KL. Jalorile testelor sunt destul de departate de cele corespunz9toare distribu:iei normale, motiv datorit9 c9ruia putem afirma c9 seria nu este normal distribuit9. 0itua:ie specific9 pie:elor financiare, ?n general, 0-e#nessul este negativ indic@nd o asimetrie spre st@nga, .>>/"plot .>uantile">uantile/ este o metod9 simpl9 folosit9 pentru a compara dou9 distribu:ii7 concret, reprezint9 graficul unei distribu:ii empirice fa:9 de o distribu:ie teoretic9 .?n cazul nostru, distribu:ia normal9/. 5ac9 distribu:ia empiric9 ar fi normal9, ar

trebui ca graficul >> rezultat s9 fie prima bisectoare, in cazul nostru distribu:ia este mult diferit9 de cea normal9.
4

2 /ormal 0%a tile

-2

-4 -0.4

-0.2

0.0

0.2

0.4

0.6

ERSTE

%ig. 2. >>"plot

&estiunea riscului portofoliilor de investitii a condus la necesitatea incercarii de modelare a sa. In particular, s"a investigat modul in care poate fi modelata dispersia conditionala Aumim prin dispersie conditionala dispersia unei serii de date care nu are o evolutie uniforma pe tot intervalul, variaz9 ca amplitudine ?n timp. 1cest fenomen poarta numele in econometrie de heteroschedasticitate .The term means 4differing variance4 and comes from the &ree- 4hetero4 .MdifferentM/ and 4s-edasis4 .MdispersionM// si reprezinta o incalcare a supozitiilor care stau la baza metodei celor mai mici patrate, respectiv cea de homoschedasticitate 0eriile financiare mai prezinta 2 probleme deosebit de importante6 '. corelatie seriala regasita in reziduuri7 2. heteroschedasticitate, adica evolutia neuniforma a dispersiei respectivei serii de"a lungul perioadei de timp analizate. Modelele !"#C$ % Moti&atie The standard #arning is that in the presence of heteros-edasticity, the regression coefficients for an ordinary least s!uares regression are still unbiased, but the standard errors and confidence intervals estimated by conventional procedures #ill be too narro#, giving a false sense of precision. Go#ever, the #arnings about heteros-edasticity have usually been applied only to cross sectional models, not to time series models. 1 recent developments in estimation of standard errors, -no#n as Nrobust standard errors,O has also reduced the concern over heteros-edasticity. If the sample size I

is large, then robust standard errors give !uite a good estimate of standard errors even #ith heteros-edasticity. Even if the sample is small, the need for a heteros-edasticity correction that doesnPt affect the coefficients, but only narro#s the standard errors some#hat, can be debated. Go#ever, sometimes the -ey issue is the variance of the error terms itself. This !uestion often arises in financial applications #here the dependent variable is the return on an asset or portfolio and the variance of the return represents the ris- level of those returns. These are time series applications, but it is nonetheless li-ely that heteros-edasticity is an issue. Even a cursory loo- at financial data suggests that some time periods are ris-ier than others7 that is, the expected value of error terms at some times is greater than at others. Moreover, these ris-y times are not scattered randomly across !uarterly or annual data. Instead, there is a degree of autocorrelation in the ris-iness of financial returns. 1R$G and &1R$G models, #hich stand for autoregressive conditional heteros-edasticity and generalized autoregressive conditional heteros8edasticity, have become #idespread tools for dealing #ith time series heteros-edastic models such as 1R$G and &1R$G. The goal of such models is to provide a volatility measure B li-e a standard deviation "" that can be used in financial decisions concerning ris- analysis, portfolio selection and derivative pricing. Modelele &1R$G sunt proiectate tocmai pentru a modela serii economice ce prezinta caracteristicile prezentate mai sus. 5enumirea &1R$G reprezinta6 o & B generalizat; o 1R B autoregresi$; o $ B conditional; o G B %eterosc%edasticitate& Primul model a fost realizat de catre Robert Engle in ')H2. In fapt, acesta a fost un model 1R$G. Modelul cuprinde o ecuatie pentru medie si una pentru dispersie, respectiv6
y t = xt + t

t2 = + t2' + t2'

unde6 yt B variabila dependenta in perioada curenta7 xt B variabila independenta perioada curenta7

" coeficient care arata influenta variabilei independente asupra variabilei dependente7 t B termenii reziduali in perioada curenta7

t2 " dispersia variabilei dependente in perioada curenta7


" constanta ecuatiei dispersiei7 " coeficientul N1R$GO7 t"' B termenii reziduali din perioada precedenta7

t2' " dispersia variabilei dependente in perioada precedenta7


" coeficientul N&1R$GO. Modelul descris mai sus este in fapt modelul &1R$G .','/ in care primul numar arata ca asupra dispersiei actioneaza termeni reziduali din perioada precedenta, iar cel de" al doilea numar arata ca dispersia din perioada precedenta are influenta asupra dispersiei curente. In fapt, pentru serii foarte mari, modelul &1R$G .','/ poate fi generalizat la modelul &1R$G .p,!/. 0pre deosebire de metoda celor mai mici patrate, modelul &1R$G include in ecuatia sa atat termenii eroare .adesea denumiti QsocuriO/ cat si fenomenul de heteroschedasticitate. 5e asemenea este util in cazul in care seriile nu sunt distribuite normal, ci mai degraba au extremitati ingrosate. Au mai putin important este faptul ca intervalele de confidenta pot varia in timp si deci intervale mai precise pot fi obtinute prin modelarea dispersiei randamentelor reziduale. R interesanta abordare a modelelor &1R$G este cea a posibilei existente a unui efect de levier. In fapt, modelul &1R$G .','/ este un model simetric si presupune ca termenii reziduali au acelasi semn. In realitate insa adeseori seriile financiare prezinta asimetrie. Cn model foarte util in acest caz este modelul E&1R$G sau altfel spus modelul &1R$G exponential introdus de catre Aelson .'))'/6
log t2 = + log t2' +

( )

t ' + t ' t ' t '

.'/

Efectul de levier poate fi testat prin testarea inegalitatii SK si K . Aotam ca acest model este asemanator modelului &1R$G .','/. Totusi, se remarca prezenta termenului log care transforma modelul intr"unul non"linear. 5e asemenea termenii reziduali sunt raportati la dispersie, devenind practic reziduuri standardizate.

$el mai adesea, pe pie:ele financiare volatilitatea este modelat9 prin procese de tip 1R$G, &1R$G, de exemplu &1R$G.','/6
t' = + t'1 + t'1

unde6 i2 " varian:a condi:ional9 la momentul i

t2 ' " p9tratul abaterii randamentelor de la momentul t"' fa:9 de medie


1cesta este adesea interpretat ?n context financiar, atunci c@nd agentul sau traderul previzioneaz9 varian:a pentru o anumit9 perioad9 prin calcularea unei medii ponderate a unei medii pe termen lung .constanta/, varian:a previzionat9 pentru ultima perioad9 .termenul &1R$G/, Ei informa:ia observat9 ?n perioada anterioar9 .termenul 1R$G/. 5ac9 rentabilitatea activului a fost neaEteptat de mare atunci va creEte varian:a aEteptat9 pentru perioada urm9toare. Modelul este consistent cu fenomenul de Qvolatility clusteringO adesea observat pe pie:ele financiare, unde schimb9rile mari ?n randamente sunt urmate de regul9 de schimb9ri viitoare mari. Jolatilitatea este diferit9 de la o perioad9 la alta, exist@nd perioade cu o volatilitate foarte mare urmate de perioade cu volatilitate foarte mic9. 1pare fenomenul de Qvolatility clusteringO, considerat consecin:9 a distribu:iei leptocurtotice, care const9 ?n tendin:a perioadelor de volatilitate foarte mare sau foarte mic9 s9 se grupeze laolalt9. Explica:ia economic9 a acestui fenomen este c9 apari:ia unor Eocuri anormal de mari ?n perioada curent9 va ridica imediat nivelul volatilit9:ii, :in@ndu"l astfel Ei ?n perioadele urm9toare, ?n func:ie de expecta:iile pie:ei asupra intensit9:ii Eocurilor respective
0.6 0.4 0.2 0.0 -0.2 -0.4 10/15

11/12

12/10

1/0!

2/04

3/04

4/01

ERSTE

%ig. D. &raficul volatilitatii

5ispersia seriei pare a nu fi constanta de"a lungul perioadei si de aceea avem un prim indiciu al heteroschedasticitatii. In particular, seria pare a fi mai volatila spre inceputul si sfarsitul perioadei. a mi8locul intervalului de timp analizat, respectiv sfarsitul anului 2KKH, randamentele par a fi uniformizate. R informatie suplimentara asupra randamentelui este data de graficul distributiei cumulative. Rbservam ca marea H

parte a randamentelor sunt plasate intre BK.K2 si K.K2. Totusi exista extremitati pronuntate atat la stanga cat si la dreapta, inca un indiciu al faptului ca seria nu este normal distribuita si o indicatie a posibilei semnaturi Q1R$GO.
Empiri1al 2&3 o4 ERSTE 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 0.0 0.2 0.4

(igura 3) *istri+utia ,umulati$a a Randamentelor -ilnice 1naliza grafica este foarte utila in descrierea seriilor si fenomenelor economice. Totusi, pentru certitudinea analizei, testele statistice sunt mult mai indicate. Jom testa prezenta efectelor 1R$G cu a8utorul corelogramei radicalului randamentelor zilnice. 0a notam ca numarul de lag"uri utilizate este 'K. In coloana notata 1$ remarcam coeficientii de corelatie seriala, in timp ce in ultima coloana avem probabilitatea de acceptare a ipotezei Qnu exista e.ecte /R,0O .aceasta fiind de fapt ipoteza nula/. $oeficientii de autocorelatie nu inregistreaza valori prea mari, cu exceptia primului lag. Ei isi modifica semnul trecand de la o corelatie seriala negativa la una pozitiva. Jaloarea probabilitii ipotezei nule este K, indicand ca putem respinge ipoteza nula si furnizand informatia ca exista efecte 1R$G.

Tabelul '6 $orelograma randamentelor 'denti(icarea Ecuatiei )olatilitatii R prima incercare este sa cautam un model standard &1R$G.','/.

Tabelul 26 &1R$G .','/

'K

5up9 cum reiese din Tabelul 2., reac:ia "K,KD.

a volatilit9:ii prezente vis"a"vis de

Eocurile pe randament este K,II, iar persisten:a volatilit9:ii din perioadele anterioare este Pentru a verifica volatilitatea modelului, ?ntr"o prim9 faz9 ne uit9m la statistica 5urbin"Tatson, care m9soar9 corela:ia serial9 de ordinul ?nt@i a reziduurilor. Un general, aceast9 statistic9 poate fi aproximat9 prin 2V.'" /, unde este coeficientul de corela:ie a reziduurilor. Pentru un model bine specificat, este zero, deci statistica 5urbin" Tatson tinde la 2. Un cazul nostru, 5urbin"Tatson este 2,('. TotuEi, pentru a ne asigura c9 exist9 corela:ie mai mare de ordinul ?nt@i, vom aplica corelograma reziduurilor standardizate. Tabelul D. $orelograma reziduurilor standardizate

5in tabelul D. se observ9 c9 to:i coeficien:ii de corela:ie par:ial9 Ei total9 dep9Eesc limitele admise pentru lagurile de la ' la 'K, ceea ce indic9 faptul c9 mai exist9 corela:ie ?ntre reziduri.

''

0e poate observa ca volatilitatea nu este constanta. Mentionam ca in anumite studii .$ezi (renc%1 1234/, in care se analizeaza efectul de #ee-end, se dovedeste faptul ca, in general, randamentele tind sa creasca catre sfarsitul saptamanii, urmand ca in prima zi de tranzactionare a saptamanii .respectiv luni/ sa inceapa cu o usoara corectie negativa a cotatiilor si in consecinta cu o oarecare diminuare a randamentelor. Pornind de la ecuatia &1R$G .','/, au fost realizate incercari succesive de gasire a ecuatiei dorite. In final, modelul standard sau clasic &1R$G .','/ a fost abandonat si modelul asimetric E&1R$G .','/ a fost adoptat. 1cest model prezinta un avanta8 particular prin faptul ca nu este unul linear. Pentru modelarea volatilitatii se considera in fapt logaritmul dispersiei mai degraba decat dispersia. 5e asemenea reziduurile sunt standardizate in interiorul modelului ceea ce prezinta un mare avanta8. Ecuatia care modeleaza cel mai bine volatilitatea portofoliului construit este6

'2

In ecuatia .'/ E&1R$G.'/ este log.t2/ Rbservam ca efectul 1R$G .in ecuatie coeficientul / si &1R$G sunt semnificative din punct de vedere statistic. Totusi ecuatia ne indica faptul ca nu exista un efect de levier. $oeficientul este pozitiv si in plus nu este semnificativ din punct de vedere statistic. 5eci efectul de asimetrie nu este evident. Remarcam insa succesul unui model &1R$G non"linear in modelarea volatilitatii portofoliului nostru. Pentru a valida aceasta ecuatie trebuie sa recurgem la teste aplicate termenilor reziduali. 1sa cum s"a precizat la sectia de metodologie, vom face analiza corelogramei radicalului reziduurilor standardizate, precum si un test rezidual 1R$G" M. $orelograma este urmatoarea6

'D

$orelograma indica faptul ca s"a mai redus corelatia termenilor reziduali. Mentionam ca daca valoarea probabilitatii este mai ridicata de K.KI putem accepta ipoteza nula Qnu exista efecte 1R$G rezidualeO. Rbservam in ultima coloana a tabelului ca acest lucru este valabil pentru aproape toti cei 'K termeni. Pentru a intari cele spuse, vom aplica si un test 1R$G" M6

'*

5in nou, valoarea probabilitatii trebuie sa fie mai mare decat K.KI pentru a ne asigura ca nu exista efecte reziduale asupra dispersiei seriei. Jaloarea de K.IK ne indica inca o data ca nu exista efecte 1R$G reziduale. Jom completa analiza termenilor reziduali cu testul Thite pentru a verifica urmele de heteroschedasticitate. Pentru a ne asigura ca nu mai exista efecte de heteroschedasticitate .sau efecte &1R$G/ reziduale din nou valoarea probabilitatii trebuie sa fie mai mare de K.KI. In acest caz coeficientul vizat este 0T5WREXI5Y2."'/. Jaloarea probabilitatii pentru acest coeficient de K.IK( indica faptul ca putem accepta ipoteza nula Qnu exista efecte &1R$G rezidualeO.

'I

In concluzie modelul E&1R$G .','/ aplicat este cel indicat pentru a modela volatilitatea portofoliului. Testele pentru termenii reziduali prezentate mai sus intaresc validitatea modelului propus.

1TEATIE 6 1cest material nu este unul ori*inal, fiind o colectie de citate din diferite surse bibliografice. 5e asemenea, scopul acestui material nu este acela de a face o analiza a volatilitatii ac:iunilor ER0TE, ci de a exemplifica folosirea testelor de normalitate si a modelului &1R$G. =ibliografie6 '. 2. D. *. I. 1b-en, P.1.7 Ei 0. Aandi .2KKK/. NRptions and JolatilityO. %ederal =anReserve of 1tlanta B Economic Revie#. 1c-ert, .%.7 Ei 3.0.Tian .2KKK/. NEvidence on the Efficiency of Index Rptions Mar-etsO %ederal =an- Reserve of 1tlanta B Economic Revie# .trimestrul I/. =ollerslev, T. .')HF/, Q&eneralized 1utoregressive $onditional Geteros-edasticityO, <ournal of Econometrics, vol. D', pag. H'"H( $ampbell, <. 3., o, 1. T. si Mac-inley, $. 1. .'))(/, QThe Econometrics of %inancial Mar-etsO, Ed. Princeton Cniversity Press, pag. *()"*)K 5arasteanu, $. $. .2KKD/, Q1naliza Riscului de Portofoliu prin Ctilizarea Modelelor &1R$G6 0tudiu de $azO, Pagina Pietei de $apital din Romania .###.-mar-et.ro/ F. (. Engle, R., Aelson, 5. si =ollerslev, T. .'))*/, Q1R$G modelsO, Gandboo- of Econometrics, Ed. R. Engle and Mc%adden, pag. 2)I)"DKDH %ama, E. %., %ischer, a#rence, <., Michael $. si Roll, R. .')F)/, QThe ad8ustment of stoc- prices to ne# informationO, International Economic Revie#, vol. 'K, nr. ', pag. '"2' H. ). 'K. ''. %rench, ;. R. .')HK/, Q0toc- returns and the #ee-end effectO, <ournal of %inancial Economics, vol. H, pag. II"F) Todea, 1. .2KK'/, Q$aracterul instabil al riscului de piata evidentiat empiric pe piata romaneascaO, Pagina Pietei de $apital din Romania .###.-mar-et.ro/ ###.bnro.ro, ###.bvb.ro, 'F

'2. 'D.

###.-mar-et.ro, ###. #i-ipedia.org

Realizarea bazei de date

'(

&raficul randamentelor
0.6 0.4 0.2 0.0 -0.2 -0.4 10/15

11/12

12/10

1/0!

2/04

3/04

4/01

ERSTE

Realizarea Testelor de normalitate

'H

Rezultatul testului de normalitate


40 30 Series: ERSTE Sample 10/16/1908 4/13/1909 O bservatio s 12! "ea "e#ia "a$im%m "i im%m St#. &ev. S'e( ess )%rtosis *ar+%e-,era -robabilit. 0 -0.25 0.00 0.25 -0.001496 0.000000 0.430000 -0.260000 0.0!184! 1.3!4431 13.28515 599.!604 0.000000

20

10

Realizarea graficului >uantile">uantile

')

&raficul >">
4

2 /ormal 0%a tile

-2

-4 -0.4

-0.2

0.0

0.2

0.4

0.6

ERSTE

Realizarea graficului pentru distributia cumulativa

2K

5istributia cumulativa
Empiri1al 2&3 o4 ERSTE 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 0.0 0.2 0.4

Realizarea corelogramei

2'

Realizarea ecuatiei &arch

Ecuatia

22

$orelograma reziduurilor

&raficul volatilitatii

2D

E"&arch

$orelograma reziduurilor

2*

1R$G Test

2I

Test Thite

2F

You might also like