2017. 11. 27.

Statisztikai adatok
ökonometriai elemzése
Idősori modellek elmélete és alkalmazása
Előadók:
Dr. Hajdu Ottó
Dr. Dombi ákos

Budapest

Idősorok modell-elemzési elvei

1. Determinisztikus elv:
Ismeret a folyamat komponenseire:
1. A komponensek becslése, elemzése,
2. A komponensek összesítése, feltételes előrevetítése
2. Sztochasztikus elv:
Öngeneráló hatások érvényesülnek a stacioner,
„stabil lefutású” , trendmentes folyamatban:
1. A Múlt hatása érvényesül a Jelenbeli folyamatban,
2. Tanulás a múltbéli hibákból,
3. Konklúzió:  Rövidtávú előrejelzés

Szerző: Hajdu Ottó 2

Determinisztikus idősorok modellezése, komponensei

Helyközi buszutazás iránti kereslet, millió fő
Buszutazások Dekompozíció:
160
Observed Y=
Y = 120, + 1,46t - 0,0227t^2
Trend_(t)
150
+
vagy S1,
vagy S2,
140
vagy S3,
vagy S4
+
Millió Fő

130
Véletlen_(t)

120 ahol
S1+S2+S3+S4=0
Time: t = 1,2, … , 64
110
Feladat:
Dekompozíció,
100
1996 1998 2000 2002 2004 2006 2008 2010
Előrejelzés,
Negyedévek: 1995Q1 - 2010Q4 Kiigazítás

Szerző: Hajdu Ottó 3

1
 2017. 11. 27.

A determinisztikus szezonális modell

állandó, additív szezonhatással

Y    1t  2t 2  S1D1  S2D2  S3D3  S4 D4  


 S1 S2 S3

Y    1t  2t 2  S 1 K 1  S 2 K 2  S 3 K 3  
  
D D4 D2 D4 D3 D4
1

Q D1 D2 D3 D4 Q K1=D1-D4 K2=D2-D4 K3=D3-D4

1. 1 0 0 0 1. 1 0 0
2. 0 1 0 0 2. 0 1 0
3. 0 0 1 0 3. 0 0 1
4. 0 0 0 1 4. -1 -1 -1

Szerző: Hajdu Ottó 4

Additív, állandó szezonális dekompozíció

kontraszt változókkal
Dependent variable: Buszutazások R-squared 0.931 S1 = 9.52

Coefficient Std. Error t-ratio p-value S2 = 2.57,

const 118.17 1.37 86.01 0
time 1.53 0.10 15.67 0 S3 = -17.21,
time2 -0.02 0.00 -15.69 0
S4 =
K1 9.52 0.77 12.38 0
K2 2.57 0.77 3.35 0.001 -S1 –S2 –S3
K3 -17.21 0.77 -22.40 0
S4 = 5.11 = 5.11

Q1: K1=1, Q2: K2=1, Q3: K3=1, Q4: K1 = K2 = K3 = -1, egyébként 0

Buszutazások = 118.17 + 1.53 t -0.02 t^2 +

+ 9.52·D1 + 2.57·D2 -17.21·D3 + 5.11·D4
Szerző: Hajdu Ottó 5

Szezonálisan kiigazított buszutazások

Seasonally Adjusted = Buszutazások - 9.52D1 - 2.57D2 +17.21D3 - 5.11D4
Szezonálisan kiigazított buszutazások
150

145 Konjunktúra Dekonjunktúra

140
AdjustedBusz MFő

135

130

125

120
1996 1998 2000 2002 2004 2006 2008 2010
Negyedévek

Szerző: Hajdu Ottó 6

2
 2017. 11. 27.

Szezonhatás strukturális töréssel

Dependent variable: Buszutazás R-squared 0.963

Coefficient Std. Error t-ratio p-value

Fel (1,0) 119.65 1.02 116.88 0
Lef (0,1) 166.10 2.02 82.43 0
time * Fel 1.00 0.06 16.24 0
time * Lef -0.62 0.04 -14.64 0
K1 9.57 0.57 16.74 0 S1 = 9.57
K2 2.62 0.57 4.60 0 S2 = 2.62,
K3 -17.21 0.57 -30.23 0 S3 = -17,21,
S4 = 5.02 S4 = 5.02

Buszutazás = 119.65·Fel +166.1·Lef +1· t*Fel -0.62 ·t*Lef

+ 9.57·D1 + 2.62·D2 -17.21·D3 + 5.02·D4
Szerző: Hajdu Ottó 7

Sztochasztikus idősori modellek

1. Rövidtávú, stabil, stacioner ARMA előrejelzés

2. A „Fehér Zaj”
3. Korrelogram
4. Stacionaritás
5. Nemstacioner ARIMA modellek

Szerző: Hajdu Ottó 8

OTP napi átlagár alakulás: 95.12.11- 06.11.10

OTP 95.12.11 - 06.11.10
9000

8000

7000

6000

5000
AtlAr

4000

3000

2000

1000

0
1996 1998 2000 2002 2004 2006

Szerző: Hajdu Ottó 9

3
 2017. 11. 27.

Az „Autoregressive - Moving Average” modell

1. Az ARMA(p,q) modell:
Yt   1Yt1  2Yt2  ... pYtp 

ARp
 
1t1  2t2  ...  q tq  t : WN 0,2 
   
MAq 

Innováció

2. Cél: Parsimonious ARMA modellt becsülni kevés (lehetőleg p =

0,1,2,3, q = 0,1,2,3) paraméterekkel, például ARMA(2,2):

yt  0.002  0.61 yt 1  0.05 yt 2  0.40 et 1 0.13 et 2  et

p 0 p 0 p  0.6 p  0.01 p  0.2

Szerző: Hajdu Ottó 10

OTP napi hozam stacionaritás: 95.12.11- 06.11.10

Hozam = Log difference OTP
0,25

Hozam: y = ( Árt – Árt-1 ) / Árt-1 = Diff(1) / Lag(-1)

0,2

0,15

0,1

0,05
ld_AtlAr

-0,05

-0,1
Nincs Trend, Szűk sávban marad, Stacioner
-0,15

Korábbi érték ok-okozati kapcsolata
T = 2717 későbbivel feltehető. Kérdés: Szignifikáns?
-0,2

-0,25
1996 1998 2000 2002 2004 2006

Szerző: Hajdu Ottó 11

Stacioner idősori folyamat

Az Y jelenség időbeni lefutása stabil, előrejelezhető, nincs trendhatás:
Időfüggetlen: i) várható érték, ii) variancia, iii) autokorreláció

Minta
Autokorreláció:
Y1 ~ ( m, Var : y1 Lag(1)
Y2 ~ ( m, Var : y2 y1 Lag(2)
Y3 ~ ( m, Var : y3 y2 y1 AutoCorr(k) 
Y4 ~ ( m, Var : y4 y3 y2 Corr Yt ,Ytk  k
Yt ~ ( m, Var : yt yt-1 yt-2 bármely "t " esetén

Yˆnrövidtáv
Yn ~ ( m, Var : yn yn-1 yn-2

Cél: Rövidtávú előrejelzés:

Szerző: Hajdu Ottó 12

4
 2017. 11. 27.

White-Noise (fehér zaj) folyamat

Ötös lottó átlagos heti nyerőszám Trendmentes,

80
idõfüggetlen
átlag, variancia :
Átlagos nyerőszám

70

60

50 Stacioner,
40

30 Autokorrelálatlan
20
folyamat
10 corr Yt ,Yt k   0,
t, 
bármely   esetén
0
1 171 341 511 681 851 1021 1191 1361 1531 1701 1871 2041 2211 2381

N = 2559 hét k  0

Szerző: Hajdu Ottó 13

ACF: 5-ösLottó
AutoCorrelation Function (ACF), 5-Lottó Ljung  Box _ Q :
Lag Corr. S.E. Q p
1 +.023 .0198 1.31 .2519

H0 :
2 +.006 .0198 1.41 .4933
3 +.002 .0197 1.42 .7003

AC(1)  AC(2) 
4 +.019 .0197 2.33 .6750
5 -.002 .0197 2.34 .8007

...  AC(K )  0
6 -.036 .0197 5.64 .4650
7 +.016 .0197 6.32 .5026
8 -.012 .0197 6.67 .5730
9 -.008 .0197 6.84 .6542
10 -.000 .0197 6.84 .7408
K
rk2
  n  k
11 +.009 .0197 7.04 .7960
12 -.022 .0197 8.28 .7626 Q  n n2
13 +.009 .0197 8.50 .8094 k 1
14
15
+.005 .0197
-.017 .0197
8.56
9.28
.8582
.8623
~ Chi2K becs. par.
16 -.024 .0197 10.75 .8244
17 -.015 .0197 11.37 .8365
18 +.005 .0197 11.45 .8744
19 -.008 .0197 11.62 .9011
ahol
20 +.011 .0197
0
-1,0 -0,5 0,0 0,5 1,0
11.95
0
.9179

rk  lin.corr yt , yt k 
Szerző: Hajdu Ottó 14

Fehér Zaj – OLS teszt

H0 : 1  2  ...  k  0 |Y ~ ARk
OLS, n = 2559 - 6 = 2553
Dependent variable: Átlagos heti nyerőszám az 5ösLottón
Variable Coefficient Std. Error t-statistic p-value
const 44.96 2.082 21.600 0.000
AR(1) 0.021 0.020 1.070 0.285
AR(2) 0.007 0.020 0.337 0.736
AR(3) 0.002 0.020 0.094 0.925
AR(4) 0.020 0.020 0.962 0.336
AR(5) -0.001 0.020 -0.057 0.955
AR(6) -0.036 0.020 -1.829 0.068
R2 = 0.002183 H0: f1 = f2 = ... = f6 =0
Wald-F 0.93 DF = (6, 2546) p = 0.472
2553*R2 = Chi2 5.57 DF = 6 p = 0.473

Szerző: Hajdu Ottó 15

5
 2017. 11. 27.

Partial AutoCorrelation Function (PACF), 5-Lottó

rt , t 6 . t 1 ... t 5    0.036
Lag Corr. S.E.

     

1 +.023 .0198
2 +.006 .0198 
3
4
+.002 .0198
+.019 .0198

R1,2,3,4,5,6  R1,2,3,4,5
5 -.002 .0198
2 2
6 -.036 .0198
7 +.018 .0198 
8
9
-.012 .0198
-.008 .0198
1  R1,2,3,4,5
2

10 +.001 .0198
11 +.008 .0198

t2
12 -.023 .0198

 
13 +.012 .0198

t 2  DF
14 +.003 .0198
15 -.018 .0198
16 -.022 .0198
17 -.014 .0198

 1.829 
18 +.004 .0198
2
19 -.006 .0198


20 +.012 .0198

 1.829  2553
0
2
-1,0 -0,5 0,0 0,5 1,0

Yt    1 Yt 1  2 Yt 2  ...  6 Yt 6  t
6 6 6

Szerző: Hajdu Ottó 16

ARMA modellezés
1. Identifikálás: ARMA(p,q) meghatározása

1. Stacionaritás vizsgálat
1. Stacionaritási tesztek
2. Korrelogram
3. Stacioner transzformáció
1. Stacionaritás vizsgálat

2. Stacioner ARMA(p,q) rendek behatárolása:

1. ,  modellszelekció (Akaike, Schwarz, HQ, MSE,…)
2. Korrelogram elemzés ?

2. WN diagnosztika esetén: előrejelzés

Szerző: Hajdu Ottó 17

AR(1) folyamat: ACF, PACF

1. A folyamat: Yt  Yt1 WNt
Yt1  Yt2 WNt1
2. Y végtelen számú WN kombinációja:

Yt      2Yt2  WNt1 WNt

3. ACF(k=2) autokorreláció stacionaritás mellett:

Corr Yt ,Yt2   2  AC(k)  k

4. PAC(k):
PAC (1)  , PAC (2, 3,...)  0

Szerző: Hajdu Ottó 18

6
 2017. 11. 27.

AR(1) ACF: 3 + 0.7Yt-1+ e

Lag Corr. S.E. Q p AR(1) PACF: 3 + 0.7Yt-1+ e
1 +.734 .0521 198.6 0.000 Lag Corr. S.E.
2 +.563 .0520 315.9 0.000 1 +.734 .0523
3 +.434 .0519 385.9 0.000 2 +.053 .0523
4 +.329 .0518 426.1 0.000 3 +.010 .0523
5 +.262 .0518 451.7 0.000 4 -.013 .0523
6 +.184 .0517 464.3 0.000 5 +.026 .0523
7 +.148 .0516 472.5 0.000 6 -.050 .0523
8 +.118 .0516 477.8 0.000 7 +.038 .0523
9 +.120 .0515 483.2 0.000 8 +.001 .0523
10 +.103 .0514 487.2 0.000 9 +.061 .0523
11 +.088 .0513 490.1 0.000 10 -.023 .0523
12 +.110 .0513 494.8 0.000 11 +.005 .0523
13 +.089 .0512 497.8 0.000 12 +.073 .0523
14 +.070 .0511 499.7 0.000 13 -.047 .0523
15 +.042 .0510 500.3 0.000 14 -.016 .0523
0 0 15 -.026 .0523
-1.0 -0.5 0.0 0.5 1.0
0
-1.0 -0.5 0.0 0.5 1.0

MA(1) ACF: Diff.WN t = et – et-1 MA(1) PACF: Diff.WN t = et - et-1

Lag Corr. S.E. Q p Lag Corr. S.E.
1 -.490 .0198 611.4 0.000 1 -.490 .0198
2 -.007 .0198 611.5 0.000 2 -.326 .0198
3 -.011 .0198 611.8 0.000 3 -.258 .0198
4 +.020 .0198 612.8 0.000 4 -.186 .0198
5 +.007 .0198 612.9 0.000 5 -.127 .0198
6 -.045 .0198 618.1 0.000 6 -.160 .0198
7 +.041 .0198 622.4 0.000 7 -.112 .0198
8 -.015 .0198 623.0 0.000 8 -.103 .0198
9 -.003 .0198 623.0 0.000 9 -.101 .0198
10 -.001 .0198 623.0 0.000 10 -.098 .0198
11 +.019 .0198 624.0 0.000 11 -.062 .0198
12 -.031 .0198 626.4 0.000 12 -.091 .0198
13 +.021 .0198 627.4 0.000 13 -.071 .0198
14 +.005 .0198 627.5 0.000 14 -.048 .0198
15 -.005 .0198 627.6 0.000 15 -.040 .0198
0 0 0
-1.0 -0.5 0.0 0.5 1.0 -1.0 -0.5 0.0 0.5 1.0

Szerző: Hajdu Ottó 19

MA(1) Moving Average folyamat

A modell:
Yt    t  t 1  ~ WN 0, 2 ,   1  
Yt 1    t 1  t 2

1 : VárhatóÉrték Yt   
2 : Cov Yt ,Yt1   Var t 1   2
3 : Var Yt   Var Yt 1   2  22


AC(1)  , AC(2,3,...)  0
1  2
MA(1) mindig stacioner! Korrelogram: az AR(1) duálisa

Szerző: Hajdu Ottó 20

ACF AR(2) szimulált folyamat PACF AR(2) szimulált folyamat

Lag Corr. S.E. Q p Lag Corr. S.E.
1 +.632 .0521 147.3 0.000 1 +.632 .0523
2 +.312 .0520 183.3 0.000 2 -.145 .0523
3 +.145 .0519 191.1 0.000 3 +.018 .0523
4 +.065 .0518 192.6 0.000 4 -.003 .0523
5 +.043 .0518 193.3 0.000 5 +.024 .0523
6 +.009 .0517 193.3 0.000 6 -.041 .0523
7 +.012 .0516 193.4 0.000 7 +.041 .0523
8 +.020 .0516 193.5 0.000 8 +.002 .0523
9 +.054 .0515 194.6 0.000 9 +.059 .0523
10 +.046 .0514 195.4 0.000 10 -.033 .0523
11 +.044 .0513 196.2 0.000 11 +.034 .0523
12 +.081 .0513 198.7 0.000 12 +.069 .0523
13 +.056 .0512 199.9 0.000 13 -.055 .0523
14 +.014 .0511 200.0 0.000 14 -.020 .0523
15 -.027 .0510 200.3 0.000 15 -.028 .0523
0 0 0
-1.0 -0.5 0.0 0.5 1. 0 -1.0 -0.5 0.0 0.5 1.0

ACF: AR(2) Postai Éves Csomagszám PACF: AR(2) Postai Éves Csomagszám
Lag Corr. S.E. Q p Lag Corr. S.E.
1 +.779 .1442 29.16 .0000 1 +.779 .1491
2 +.472 .1426 40.10 .0000 2 -.343 .1491
3 +.254 .1409 43.34 .0000 3 +.080 .1491
4 +.143 .1392 44.39 .0000 4 +.026 .1491
5 +.095 .1375 44.86 .0000 5 +.007 .1491
6 +.039 .1358 44.94 .0000 6 -.093 .1491
7 -.012 .1340 44.95 .0000 7 +.013 .1491
8 -.068 .1323 45.21 .0000 8 -.088 .1491
9 -.149 .1305 46.51 .0000 9 -.130 .1491
10 -.207 .1286 49.10 .0000 10 -.012 .1491
11 -.155 .1268 50.60 .0000 11 +.181 .1491
12 -.042 .1249 50.71 .0000 12 +.036 .1491
13 +.051 .1230 50.88 .0000 13 +.011 .1491
14 +.045 .1211 51.02 .0000 14 -.119 .1491
15 -.002 .1191 51.02 .0000 15 +.024 .1491
0 0 0
-1.0 -0.5 0.0 0.5 1. 0 -1.0 -0.5 0.0 0.5 1.0

Szerző: Hajdu Ottó 21

7
 2017. 11. 27.

Stacioner AR(1) tulajdonságok

  
1. A modell:
Yt    Yt 1  t ~ WN 0, 2 ,  1
2. Várható érték: 
m    m  m 
1 
3. Variancia: 2
varYt   2 varYt  2  0
1 2

4. Statikus modell autoregressziv eltérésváltozóval:

Yt    vt | ahol : vt   v
t 1 WNt
Yt 1
Lásd később ADF teszt

Szerző: Hajdu Ottó 22

Nem-stacionaritás (Random Walk)

1. Egységgyök folyamat:
Yt  1Yt1  yt

Yt 2 yt 1
2. Az Y0 kezdőpontból minden t-függő:


t
Yt  Y 0  i 1
yi

3. Időfüggő várható érték, variancia és autokovariancia

4. Difft = Yt – Yt-1 = yt lehet stacioner ARMA!

Szerző: Hajdu Ottó 23

Random Walk with Drift

350

Y0 = 10
300

Yt = Yt-1 + 0.5 + WNt (0,16)

250

200

150
Expected
100

50

0
Yt = 10 + 0.5t + WNt (0,16) , t = 1,2 , ... , 365
-50
0 25 50 75 100 125 150 175 200 225 250 275 300 325 350

Szerző: Hajdu Ottó 24

8
 2017. 11. 27.

Random Walk with Drift modell

1. Sztochasztikus trend, D „drift” - paraméterrel:

Yt  Yt1  D WNt

D Yt 2 WNt 1
2. A lineáris trend körül bolyong, növekvő kilengésekkel:

Y 0   i 1 D 
t t
Yt   WN
 
i 1 i
E Yt : DeterminisztikusTrend SztochasztikusTag
i .Shock :Nem hal el !

3. Időfüggő variancia és autokovariancia  NEM Stacioner:

Var Yt   t  2, Covt,tk  t  k   2
Szerző: Hajdu Ottó 25

Stacionaritási esetek
1. „Detrended, seasonally adjusted” stacionaritás:

Yt  Trendt  CiklusC  yt
Stacioner
1. „Quadratic” trend és Q szezon mellett :
t = 1,2,...,n 

Trendt  0  1t  2t 2 C : Q  1,2, 3, 4 
2. Differencia stacionaritás:
  

Yt Yt 1  Trendt  CiklusC  y t

Stacioner

Szerző: Hajdu Ottó 26

Stacionaritási-transzformációk
1. Differencia stacionaritás(DSP) esetén :
1. Elsőrendű differenciázás : DYt = Yt – Yt-1
2. Másodrendű differenciázás: DDYt = D2Yt
3. Logaritmálás és differenciázás: DlogYt
4. d-rendben integrált Y: DdYt stacioner

2. Trendstacionaritás (TSP) esetén :

Tisztítás a trendtől: Yt –Trend(t)

3. Szezonalitás esetén:
1. Szezonális differenciázás: D4Yt = (Yt – Yt-4)
2. Szezonális kiigazítás: Y - Szezonhatás

Szerző: Hajdu Ottó 27

9
 2017. 11. 27.

A Dickey - Fuller „egységgyök” teszt

1. Folyamat a szinten:
Yt  Trendt  CiklusC  Yt 1 WN t
2. Hipotézis:
H 0 :   1, H1 :   1
3. Dickey-Fuller regresszió:

Yt Yt1  Trendt    1Yt 1 WNt

4. DF - teszt:
H0 : *    1  0, H1 : *  0

Szerző: Hajdu Ottó 28

Augmented Dickey-Fuller teszt

1. Folyamat a szinten (ciklussal):

Yt  Trendt CiklusC Yt1  ARt p

2. Hipotézis:
H0 :   1
3. Dickey-Fuller regresszió (p-rendű):
p
DYt  Trendt  CiklusC  *Yt 1   k DYt k WN t
k 1

4. A p-rend megállapítása: pmax= int (12[ n / 100 ].25) értékről lefelé

haladó szelektálás!

Szerző: Hajdu Ottó 29

USD / 100JapánYen (napi adatok) ACF: USD / 100JPY

Lag Corr. S.E. Q p
99.01.04 - 04.12.01. (n=1430) 1 +.994 .0264 1414. 0.000
1.40
2 +.987 .0264 2813. 0.000
1.35 3 +.981 .0264 4195. 0.000
4 +.976 .0264 5562. 0.000
1.30
5 +.969 .0264 6912. 0.000
1.25 6 +.963 .0264 8247. 0.000
7 +.957 .0264 9565. 0.000
1.20
8 +.951 .0264 109E2 0.000
1.15 9 +.945 .0263 122E2 0.000
10 +.939 .0263 134E2 0.000
1.10
11 +.933 .0263 147E2 0.000
1.05 12 +.926 .0263 159E2 0.000

1.00 13 +.920 .0263 171E2 0.000

1999_1_4

1999_5_21

1999_10_7

2000_02_25

2000_07_17

2000_12_01

2001_04_26

2001_09_14

2002_04_22

2002_09_12

2003_02_04

2003_06_25

2003_11_12

2004_04_05

2004_08_23

14 +.914 .0263 183E2 0.000

15 +.908 .0263 195E2 0.000
0 0
-1.0 -0.5 0.0 0.5 1.0

ACF: Diff_USD / 100JPY PACF: Diff_USD / 100JPY

Lag Corr. S.E. Q p Lag Corr. S.E.
1 -.043 .0264 2.69 .1008 1 -.043 .0265
2 +.000 .0264 2.69 .2602 2 -.001 .0265
3 -.022 .0264 3.38 .3373 3 -.022 .0265
4 +.028 .0264 4.49 .3436 4 +.026 .0265
5 -.000 .0264 4.49 .4810 5 +.002 .0265
6 +.028 .0264 5.66 .4625 6 +.028 .0265
7 -.034 .0264 7.30 .3987 7 -.030 .0265
8 +.027 .0264 8.34 .4014 8 +.024 .0265
9 +.001 .0264 8.34 .5006 9 +.004 .0265
10 -.002 .0263 8.35 .5952 10 -.005 .0265
11 +.012 .0263 8.56 .6620 11 +.015 .0265
12 +.030 .0263 9.85 .6295 12 +.029 .0265
13 -.016 .0263 10.20 .6777 13 -.012 .0265
14 -.025 .0263 11.07 .6808 14 -.027 .0265
15 -.024 .0263 11.87 .6887 15 -.024 .0265
0 0 0
-1.0 -0.5 0.0 0.5 1. 0 -1.0 -0.5 0.0 0.5 1.0

Szerző: Hajdu Ottó 30

10
 2017. 11. 27.

Dickey-Fuller(1lag) regresszió
Becsült modellek: Augmented Dickey_Fuller teszt
Y: Diff_USD/JPY Coeff t-stat. p
const 0.007365 2.13
USD/JPY(-1) -0.006874 -2.168 0.745
t 0.000003 1.311
t2 0.000000 -1.566
Diff_USD/JPY(-1) -0.040864 -1.549

Y: Diff_Diff_USD/JPY
const -0.000042 -0.064
Diff_USD/JPY(-1) -1.044740 -27.317 0.000
t 0.000001 0.408
t2 0.000000 -0.658
Diff_Diff_USD/JPY(-1) 0.002282 0.086

Szerző: Hajdu Ottó 31

Nevezetes stacioner ARMA(#,#) folyamatok kritériumai

ARMA(2,0):
2  1, 2 1  1, 2  1  1

ARMA(0,2):
2  1, 2  1 1, 2 1  1

ARMA(1,1):
  1,  1

Szerző: Hajdu Ottó 32

A Box-Jenkins-metódus:
Integrált folyamatok ARIMA modelljei

1. Identifikálás: ARIMA(p,d,q) meghatározása

1. Stacionaritás-vizsgálat: ACF, ADF
1. Transzformációk ha szükségesek
2. Integráltság rendje: d = 0,1,2,
3. Esetleges logaritmálás
2. ARMA(p=? q=?) rendek behatárolása:
modellszelekció:
1. Korrelogram, Akaike, Schwarz, HQ, MSE
kritériumok
3. Diagnosztika: reziduum ~ WN: N(0,σ2) ?
2. Előrejelzés WN esetén

Szerző: Hajdu Ottó 33

11
 2017. 11. 27.

OTP napi átlagár alakulás: 95.12.11- 06.11.10

OTP 95.12.11 - 06.11.10
9000

8000

7000

6000

5000
AtlAr

4000

3000

2000

1000

0
1996 1998 2000 2002 2004 2006

Szerző: Hajdu Ottó 34

OTP napi hozam stacionaritás: 95.12.11- 06.11.10

Hozam = Log difference OTP
0,25

0,2

Dickey – Fuller p = 0.0000

0,15

0,1

0,05
ld_AtlAr

-0,05

-0,1

-0,15

-0,2

-0,25
1996 1998 2000 2002 2004 2006

Szerző: Hajdu Ottó 35

OTP napi hozam identifikálás: 1995.12.11 - 2006.11.10.

ACF for ld_AtlAr

0,2 +- 1,96/T^0,5
0,15
0,1
0,05
0
-0,05
-0,1
-0,15
-0,2

0 10 20 30 40 50
lag

PACF for ld_AtlAr

0,2 +- 1,96/T^0,5
0,15
0,1
0,05
0
-0,05
-0,1
-0,15
-0,2

0 10 20 30 40 50
lag

Szerző: Hajdu Ottó 36

12
 2017. 11. 27.

OTP Log-hozam: 95.12.11 - 06.11.10

25
Test statistic for normality: ld_AtlAr
Chi-square(2) = 4172.232 [0.0000] N(0.0010419,0.024401)

20

A minta „L”
Likelihoodja:
15
az üres (null)
modell esetén.
Density

10 Alpha, phi, sigma

megváltoztatja a

5
Sűrűségfüggvényt 

és így a Likelihoodot is
0
-0.3 -0.2 -0.1 0 0.1 0.2
Hozam

Szerző: Hajdu Ottó 37

A Conditional ML paraméterbecslés AR(1)

1. A várható érték kezelése:
Yt   fYt1 t ~ N ,   
2. A minta: y  y1, y,...,yT 
3. A Likelihood: 
1 y fyt 1 
T
1   t 
L yt | , f,    
  
e 
 max
t  
4. y1 rögzített feltétel!

5. A -2Log-likelihood minimálása:
T
OLS :  yt    fyt 1   min  

ˆCML

 MSE
t 

6. Rövidül az idősor!

Szerző: Hajdu Ottó 38

Conditional ML paraméterbecslés ARMA(p,q)

1. A reziduum a mintában:
t  yt    f1yt1  fyt ...  fpytp
 1t1  t ...  q tq
2. A Likelihood:
1
T
1
L , f, ,  
 t
 e  
 max
t  p 1 
3. Feltételes induló értékek:
y 1 , y  ,..., y p
 1     ...  q  

Szerző: Hajdu Ottó 39

13
 2017. 11. 27.

OTP napi hozam: CML ARIMA(2,1,2) előrejelzés, 06.11.13

Log(Y)_ARIMA(2,1,2) = log_Diff_ARMA(2,2)
Hozam Coefficient Std. Error z p-value Time ln_Ár logDiff resid_logDiff
alpha 0.0004 0.0002 2.2973 0.0216 WN
phi_1 0.7596 0.0667 11.3907 0.0000 T 8.932345 -0.004217
phi_2 -0.0075 0.0566 -0.1317 0.8952 T-1 8.936561 0.010177
T-2 8.926385
theta_1 -0.5523 0.0667 -8.2754 0.0000 T -0.007246
theta_2 -0.1939 0.0596 -3.2511 0.0012 T-1 0.011317
T+1 -0.001077
T+1 8.931267

lnYt lnYt1 
1 lnYt1 lnYt2  2 lnYt2 lnYt3 1t1 2t2 t

OTP _ pred.ÁrT 1  e 8.931267  7564.84 Ft


tény:7573

Szerző: Hajdu Ottó 40

Előrejelzés a differenciával
1. ARIMA(p,1,q): dYt Yt Yt1
2. Előrejelzés:
 Y
Yˆt  dY t
t1
3. OTP pred.lnÁr:
ˆ  8.932345
ln ÁrT 1      8.931267
0.001077
 
tényadat pred .változás pred .ln Ár
4. ARIMA(p,2,q):
ddYt  d2Yt Yt  2Yt1 Yt2

Yˆt  d2Y t  2Yt1 Yt2

Szerző: Hajdu Ottó 41

Modellszelekciós kritériumok a „training” mintán

az OTP részvény hozama

AICAkaike  2ln Likelihood  2k

HQCHannan _Quinn  2ln Likelihood  2k loglog T  
BICBayes  2ln Likelihood  k log T  
Kritérium Conditional ML
Log-likelihood 6379.97
Akaike AIC -12747.94
Schwarz BIC -12712.5
Hannan-Quinn HQC -12735.13

Szerző: Hajdu Ottó 42

14
 2017. 11. 27.

Az előrejelzés értékelése: a hiba

az OTP hozam példa eredményeivel
Mean Error (a torzítás):
1 T
1 T
ME 
T
 y t 
 ft 
T
e t
  0.3500
Mean Percentage Error: t 1 t 1

1 T
et
MPE 
T
 100 y
t 1
 3.9935
t
Mean Absolute Error (az átlagos hiba):
1 T
MAE 
T
| e
t 1
t
|  0.3726

Mean Absolute Percentage Error (információvesztés):

1 T |e |
MAPE  100 yt  4.2403
T t 1 t
Szerző: Hajdu Ottó 43

Az előrejelzés értékelése a négyzetes hibával

az OTP hozam példa eredményeivel
Mean Square Error:
1 T 2
MSE  e  0.2773
T t 1 t
Az MSE dekompozíció:
    
2
Var e  Mean e2  Mean(e)
 
MSE 2
Bias  f y 
Az MSE dekompozíció faktorai:

     
2 2
MSE  f  y  sf  r  sy  1  r 2 sy2
    
Bias

Regression
 Disturbance

Var e  Var yf  sy2 s2f 2rsysf

Szerző: Hajdu Ottó 44

Az OTP előrejelzés értékelése

(prediction: 2006.11.13 – 2008.10.27)

Forecast evaluation statistics

Mean Squared Error 0.2773

Root Mean Squared Error 0.5266
Bias proportion, UM 0.44183
Regression proportion, UR 0.47222
Disturbance proportion, UD 0.08594

Theil’s U = 18.715

Szerző: Hajdu Ottó 45

15
 2017. 11. 27.

Az előrejelzés Theil - értékelése

A Theil - U:
2 2
1 T 1  yt 1  ft 1  1 T 1  yt 1  y t 
Theil  U 
T
  yt
 /   
t 1   T t 1  yt 

ahol a „naive” modell esetén:

Theil  Unaive  1 | ft 1  yt

Szerző: Hajdu Ottó 46

16