Анализ на времеви редове – прогнозиране на стойности (с gretl)

При анализа на времеви редове стационарността на времевия ред е важно

условие, за да сме сигурни, че през целия период, който разглеждаме, върху
променливата оказват влияние едни и същи сили.

След като заредим данните за времевия ред, който ще изследваме, първо

проверяваме как изглежда графиката му, за да установим (на пръв поглед) дали има
наличие на тренд (=> редът е нестационарен). За да потвърдим дали в действителност
редът е нестационарен, правим проверка за наличие на единичен корен:

Променлива –> Проверка за единичен корен (нестационарност) –>

Разширен критерий на Дики-Фулър

(Проверка за единичен корен – ако има единичен корен, коефициентите на

автокорелация няма да намаляват с увеличаване на лага и случайните колебания от
предишни периоди ще имат незатихващ ефект върху следващите стойности.)

Ако p-value е по-голямо от нивото на съгласие (α=0,05), нямаме основание да

отхвърлим нулевата хипотеза за наличие на единичен корен, т.е. времевият ред е
нестационарен.
След като установим, че имаме нестационарност, взимаме първите разлики на
данните. От тяхната графика виждаме дали е налице тренд и за да потвърдим извода
отново правим проверка за стационарност. Ако p-value е по-малко от нивото на
съгласие, имаме основание да отхвърлим нулевата хипотеза за наличие на единичен
корен и приемаме, че редът е стационарен.

При анализа на времеви редове най-простият модел е AR(I)MA моделът, с

помощта на който могат да се изследват процеси, при които текущата стойност зависи
линейно от предходните стойности и от величина с характеристики на бял шум.

Модел –> Динамични редове –> ARIMA

За да построим модела, трябва да определим неговата размерност, т.е.

параметрите p и q. За целта използваме корелограмата на разликите. За определяне на
дълбочината на AR частта на модела гледаме графиката на частичната автокорелация
(pacf). Броят на лаговете, за които коефициентите на частична автокорелация са
значими определя размерността. Броят на лаговете, при които коефициентите на
автокорелация (acf) са значими пък ни дава размерността на MA частта на модела. I
има стойност 0, ако работим с разликите или стойност d, ако работим с първоначалните
данни, като d показва колко пъти да се интегрира редът, т.е. колко пъти да се вземе
разликата. След като построим модела тълкуваме получените коефициенти.
 Когато работим с финансови данни, разликите представляват възвръщаемост и
следователно е очаквано да получим, че константата не е статистически значима. Ако
беше значима, това ще означава, че имаме някаква фиксирана стартова възвръщаемост,
в което няма практическа логика. (Напр. започваме с 5% възвръщаемост или с -5%,
което на практика не е реалистично.)

gretl: модел 1
Графики –> Графика на емпиричните и изгладените значения –> В
зависимост от времето

От графиката виждаме, че изгладените стойности не описват добре емпиричните

данни, което се дължи на факта, че при ARIMA моделите се допуска, че е налице
хомоскедастичност, т.е. волатилността е константа. На практика при финансовите
данни обикновено се наблюдава промяна на волатилността в различните периоди (по
време на криза волатилността е по-висока отколкото в периоди на икономически ръст).
Освен това се наблюдава клъстеризация на волатилността, което означава, че има
тенденция големите разлики да се следват от големи разлики и малките разлики да се
следват от малки разлики. За да проверим дали е налице хетероскедастичност правим
проверка за наличие на ARCH процес.

gretl: модел 1
Проверки –> Критерий за проверка на ARCH процеси

Ако е налице ARCH процес, преминаваме към прилагане на GARCH модел, с

помощта на който да отчетем промяната във волатилността. В най-простия си вид
GARCH(1,1) моделът има следния вид:

σ 2tn=α 0 +α 1 ε t 2
n−1
+ β σ 2t
n−1

Горният запис означава, че условната вариация на остатъците (грешките) в

текущия период зависи от квадрата на остатъчната стойност (грешката) в предходния
период и от стойността на вариацията в предходния период. (Или, с други думи, рискът
в текущия период зависи от риска в предходния и от случайните колебания в
предходния период.) Можем да гледаме на GARCH модела като на ARIMA модел, но
приложен по отношение на стандартното отклонение.

За да определим размерността на GARCH модела, запазваме като променлива

остатъчните стойности на модела и използваме тяхната корелограма, за да определим p
и q. В случай че коефициентите на автокорелация и частична автокорелация не са
значими, и най-простият GARCH модел ще ни свърши работа – GARCH(1,1).

Модел –> Динамични редове –> GARCH

 gretl: модел 2
Графики –> Графика на остатъците –> В зависимост от времето

От графиката виждаме, че след като вземем предвид наличието на

хетероскедастичност се получава модел, който по-добре описва изследваната величина.
Остава да направим прогноза за бъдещите стойности.

Анализ –> Прогнози…