LT

Modeliranje financijskih serija 1

U prvom radu analizirali smo dnevne cijene dionica Dalekovoda (DLKV) u vremenskom
rasponu od 18/10/2002 do 03/06/2005. Prije daljnje analize smo prvo napravili linijski
grafikon cijena.
DLKV
800
700
600
500
400
300
200
100
0
IV

II

2002

III

IV

II

2003

III

IV

2004

II
2005

Meutim, s obzirom da je statistika analiza cijena esto zahtjevna jer varijanca cijena raste s
vremenom, niz cijena pretvorili smo u vremenski niz dnevnih oscilacija logaritamskih prinosa
dionice. Odluili smo se za logaritamske prinose zbog nekih njihovih prednosti, kao to su
npr. aditivnost logaritamskih prinosa te injenice da oni ne ovise o frekvenciji prikupljanja
podataka. Tada smo opet napravili graf, ali ovaj put graf dnevnih oscilacija prinosa.
RDLKV
80
60
40
20
0
-20
-40
-60
IV
2002

II

III
2003

IV

II

III
2004

IV

II
2005

LT
Nakon toga, preli smo na deskriptivnu analizu naeg vremenskog niza. Radi se o razdoblju
od 18/10/2002 do 03/06/2005, a promatrane su dnevne oscilacije tako da je ukupan broj
opservacija 685.
400

Series: RDLKV
Sample 10/18/2002 6/03/2005
Observations 685

350
300
250
200
150
100
50

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

0.362760
0.000000
63.50355
-50.15041
4.784988
1.802920
65.62819

Jarque-Bera
Probability

112319.8
0.000000

0
-50

-40

-30

-20

-10

10

20

30

40

50

60

Aritmetika sredina niza iznosi 0,36%, a standardna devijacija 4,78%. To nam govori da je
prosjean dnevni prinos dionice DLKV za promatrano razdoblje iznosio 0,36% uz prosjeno
odstupanje od prosjenog prinosa 4,78%. Maksimalan dnevni prinos iznosi 63,5%, a najmanji
-50,15% tako da je raspon varijacije distribucije 113,65%. U prvih 50% promatranih radnih
dana prinos dionice iznosio je 0,00% (<0,001) ili manje, a u preostalih 50% promatranih
radnih dana iznosio je 0,00% ili vie.
Distribucija prinosa ve se iz vizualne analize moe pretpostaviti da nije normalna, a uz
provedene testove to smo i potvrdili. Mjera asimetrije (skewness) iznosi 1,8 te nam govori da
je distribucija prinosa dionice pozitivno asimetrina, a mjera zaobljenosti (kurtosis) iznosi
65,63, te poto je vea od 3 nam govori da je distribucija prinosa dionice iljastija od
normalne distribucije.
Za dodatnu provjeru koristimo Jarque-Bera test. U naem sluaju p vrijednost (probability)
izosi 0,00 (<0.001), te ju usporeujemo se razinom signifikantnosti alfa. Poto ona nije
definirana koristiti emo razinu signifikantnosti od 5%, odnosno = 0,05. Usporedimo li
vrijednosti, vidimo da je > p, stoga zakljuujemo da uz razinu signifikantnosti od 5%
odbacujemo pretpostavku o normalnoj distribuiranosti prinosa dionice DLKV.

LT

Dodatno

Konzistentnost svojstvo OLS procjenitelja koje govori da poveanjem veliine uzorka,

procijenjeni parametri pribliavaju se stvarnoj vrijednosti

Nepristranost svojstvo procjenitelja koje govori da ak i u malim uzorcima,

procijenjeni parametri su u prosjeku jednaki stvarnim vrijednostima parametara

Efikasnost svojstvo procjenitelja koje govori da ne postoji linearan procjenitelj koji je

nepristran i ima manju varijancu oko procijenjene vrijednosti parametara

Logaritamski prinosi interpretiraju se kao kontinuirani sloeni prinosi, a koriste se

relativno esto zbog njihovih dobrih svojstava. Za razliku od jednostavnih prinosi,
logaritamski se mogu zbrajati (svojstvo aditivnosti). Takoer, oni ne ovise o
frekvencijama prikupljanja podataka (time resolution), a prinosi unutar imovine mogu se
jednostavno usporeivati. Meutim oni imaju i neke nedostatke, a prvenstveno se istie
injenica da nisu aditivni unutar portfelja.

Karakteristike financijskih serija varijable ije se serije najee promatraju su cijene,

prinosi, volatilnost (rizinost), obujam prometa itd. Serije imaju razliite karakteristike.
Broj podataka moe biti iznimno velik (financijska ekonomija), ali i nedovoljan
(makroekonomske analize). Vremenska skala im je najee u regularnim vremenskim
intervalima, a podatci su najee real-time ili tick-by-tick. Neka specifina svojstva su:
pojava outlier-a (netipinih vrijednosti) i trendova, vraanje na prosjenu razinu (meanreversion), te grupiranje volatilnosti (volatility clustering).