DS 005 0 01

VYTAUTO DIDŽIOJO UNIVERSITETAS
INFORMATIKOS FAKULTETAS
MATEMATIKOS IR STATISTIKOS KATEDRA
Reda Kulikauskien÷
BALTIJOS ŠALIŲ BIRŽŲ INDEKSŲ STATISTINIS TYRIMAS
Magistro baigiamasis darbas
Taikomosios matematikos studijų programa, valstybinis kodas 62101P107

Matematikos studijų kryptis
Vadovas Doc. dr. Ričardas Krikštolaitis _________ __________

(Parašas) (Data)
Apginta Doc. dr. Kęstutis Šidlauskas __________ __________

(Parašas) (Data)
Kaunas, 2009
TURINYS
SANTRAUKA.....................................................................................................................................3
ABSTRACT........................................................................................................................................4
1. ĮVADAS...........................................................................................................................................5
2. ANALITINö DALIS......................................................................................................................6
2.1. Indeksas...................................................................................................................................6
2.1.1. Indeksų rūšys....................................................................................................................6
2.1.2. OMX Baltijos šalių VP rinkos indeksų šeima................................................................6
2.1.3. Indekso skaičiavimo formul÷.........................................................................................10
2.2. Finansin÷s laiko eilut÷s..........................................................................................................11
2.2.1. Finansinių duomenų stilizuoti faktai............................................................................11
2.2.2. Trendo komponent÷s vertinimas bei eliminavimas.....................................................14
2.3.Martingalai..............................................................................................................................17
2.4.Binominis modelis...................................................................................................................17
2.4.1. Binominio modelio aprašymas......................................................................................17
2.4.2. Ribinis per÷jimas............................................................................................................19
3. PROJEKTINö DALIS.................................................................................................................21
3.1.Finansinių duomenų analiz÷..................................................................................................21
3.1.1. Baltijos šalių indeksų analiz÷.........................................................................................21
3.1.2. Baltijos šalių indekso sud÷ties analiz÷..........................................................................23
3.1.3. OMX Vilniaus indekso sud÷ties analiz÷.......................................................................25
3.1.4. Koreliacijų tyrimas.........................................................................................................26
3.1.4.1. Baltijos šalių indeksų koreliacijos tyrimas..........................................................27
3.1.4.2. Vilniaus indekso koreliacijos tyrimas...................................................................29
1
3.2.Vilniaus indekso prognozavimas binominio modelio pagalba...........................................30
3.3.Duomenų glodinimas..............................................................................................................34
3.3.1. Tiesinis trendas...............................................................................................................36
3.3.2. Parabolinis trendas.........................................................................................................37
3.4.Laiko eilučių prognozavimo metodai....................................................................................37
3.4.1. Paprastasis ir svertinis slenkamųjų metodas...............................................................38
3.4.2. Paprastojo eksponentinio glodinimo metodas.............................................................40
3.4.3. Autoregresinis metodas..................................................................................................42
3.4.4. ARIMA prognozavimo modelis.....................................................................................43
3.5. Prognozavimo metodų palyginimas.....................................................................................45
4. IŠVADOS......................................................................................................................................47
LITERATŪROS SĄRAŠAS............................................................................................................48
PRIEDAI...........................................................................................................................................49
2
SANTRAUKA
Magistro darbo autor÷: Reda Kulikauskien÷
Magistro darbo pavadinimas: Baltijos šalių biržų indeksų statistinis tyrimas
Vadovas: Doc. dr. Ričardas Krikštolaitis
Darbas pristatytas: Vytauto Didžiojo Universitetas, Informatikos fakultetas,

Matematikos ir statistikos katedra, Kaunas, 2009 birželis
Puslapių skaičius: 48
Lentelių skaičius: 19
Paveikslų skaičius: 18
Priedų skaičius: 6
Darbe apžvelgiamos OMX Baltijos šalių vertybinių popierių (VP) rinkos akcijų indeksų
sudarymo ir skaičiavimo taisykl÷s, bei pagrindiniai metodai: binominis ir finansinių laiko eilučių
modeliai. Šie modeliai skirti prognozuoti akcijų kainos ar indekso reikšm÷s pokyčius. Binominis
modelis ir penki laiko eilučių modeliai praktiškai bus pritaikomi OMX Vilniaus visų akcijų grąžos
indekso prognozavimui. Be prognozavimo, dar bus atliekamas pradinių duomenų glodinimas,
statistinis tyrimas, koreliacijos koeficientų analiz÷. Siekiama išnagrin÷ti OMX Baltijos šalių
lyginamojo indekso ir OMX Vilniaus indekso sud÷tį. Tai daroma, kad lengviau būtų suprasti
indeksus, jų pokyčius, ir kad prognozavimas duotų kuo geresnių rezultatų.
Reikšminiai žodžiai: OMX Baltijos šalių lyginamasis indeksas, OMX Vilniaus indekso
prognozavimas, kasdieniai indeksų pokyčiai.
3
ABSTRACT
Author: Reda Kulikauskien÷
Full title: Statistical investigation of Baltic stock exchanges indeles
Supervisor: Doc. dr. Dr. Ričardas Krikštolaitis
Presented at: Vytautas Magnus University, Faculty of Informatics,

Mathematics and statistics, Kaunas, June 2009
Number of pages: 48
Number of tables: 19
Number of pictures: 18
Number of appendixes: 6
This work is an overview of OMX Baltic securities market and the calculation of the rules,
and basic methods of binomial and financial time series models. These models predict the stock
price or index value changes. Binomial model and the five time series models will be adapted in
practice for the OMX Vilnius securities market stock index forecasting. Without forecasting, will be
carried out the initial data anti-aliasing, a statistical study, the analysis of the correlation
coefficients. The aim is, to consider the comparative OMX Baltic index and OMX Vilnius Index
composition. This is done to make it easier to understand the index, their changes, and that the
forecast would bring best results.
Keywords: OMX Baltic benchmark index, the OMX Vilnius Stock index forecasting, daily index
chantes.
4
1. ĮVADAS
Akcijų rinka, tai diskretaus laiko tolydžių būsenų procesas, kurį lemia įvairūs veiksniai.
Vienos bendrov÷s akcijos negali atspind÷ti visos šalies akcijų rinkos pad÷ties. Taigi norint
investuotojams suteikti galimybę lengvai įvertinti ne atskirų akcijų, sektoriaus ar regiono būklę yra
stebimas indeksas, kuris ir apibūdina akcijų kursų svyravimus visoje rinkoje.
Indeksas – tai statistinis rodiklis, parodantis tam tikros akcijų rinkos kitimą laiko atžvilgiu.
Tai ir yra pagrindin÷ indekso paskirtis – pad÷ti nustatyti rinkos tendencijas. Tendencijas galima
nustatyti tik tada, kai yra ilgalaikiai indekso matavimai: turi būti daugiamet÷ indekso statistika. Kuo
daugiau metų indeksas skaičiuojamas, tuo tiksliau galima prognozuoti indekso raidą, o kartu ir
rinkos, kurią jis atspindi raidą. Indeksas turi atspind÷ti pokyčius tų rinkų, kurioms jie taikomi. Kuo
dažniau fiksuojami rinkos pokyčiai, tuo indeksas informatyvesnis: jis gali būti skaičiuojamas
kiekvieną valandą, kiekvieną dieną ar kiekvieną m÷nesi. Darbe bus nagrin÷jami kiekvienos darbo
dienos indeksų pokyčiai, laiko atžvilgiu apimantys laikotarpį 2000.01.03 – 2008.07.03.
Akivaizdu, kad investavimas į vertybinius popierius yra tik vienas iš alternatyvių
finansinių išteklių panaudojimo būdų. Pasinaudodami indeksu galime matyti ar akcijų rinka
išgyvena pakilimą ar nuosmukį, remiantis matematiniais prognozavimo metodais galima bandyti
nusp÷ti būsimus akcijų rinkos pokyčius ateityje ir tuo remiantis planuoti savo veiksmus.
Darbo tikslas – išnagrin÷ti OMX Baltijos šalių indeksus ir atlikti statistinį tyrimą. Šiam
tikslui pasiekti formuluojami tokie uždaviniai:
1. Išanalizuoti indeksus, jų klasifikaciją ir skaičiavimą.
2. Atlikti OMX Baltijos lyginamojo ir OMX Vilniaus grąžos indeksų statistinį tyrimą.
3. Išnagrin÷ti binominį ir finansinių laiko eilučių modelius bei praktiškai juos pritaikyti
OMX Vilniaus visų akcijų grąžos indekso prognozavimui.
Prognozavimas tokioje dinamiškoje aplinkoje kelia nemažai sunkumų. Jau nebepakanka
žinoti kelių skaičiavimo formulių, tod÷l vis dažniau finansų specialistai priversti kreiptis į
matematikus, o šie taikydami tikimybių teorijos ir optimizavimo metodus sprendžia iškylančius
uždavinius.
Indeksai yra lyg šalies ekonominio gyvenimo barometrai, parodantys investuotojams
kokios nuotaikos vyrauja rinkoje. Investavimas į vertybinius popierius – tai pinigų panaudojimo
būdas, kai perkami vertybiniai popieriai (akcijos, obligacijos) siekiant gauti materialinę naudą.
Kiekvieno investuotojo tikslas – aplenkti rinkos indeksą.
5
2.ANALITINö DALIS
2.1. Indeksas
2.1.1. Indeksų rūšys
Grąžos indeksas (GI): Norint atspind÷ti tikrąją indekso vertę, skaičiuojant grąžos indeksą,
įvertinami dividendai, t. y. pirmą dieną “be teis÷s” gauti dividendus indekso skaičiavimo formul÷s
vardiklyje dividendai atimami iš praeitos dienos kainos. Dividendai įvertinami proporcingai indekso
sud÷tyje esančių akcijų skaičiui. Būtent grąžos indeksai ir bus nagrin÷jami šiame darbe.
Kainos indeksas (PI): Kainos indekse dividendai n÷ra įvertinami (n÷ra atimami). Taigi,
kainos indeksas tik parodo jį sudarančių akcijų kainos kitimą.
Skirtumas tarp akcijų grąžos indekso ir kainos indekso yra aiškinamas tuo, kad akcijų
grąžos indekse įvertinamas dividendinis pajamingumas.
Riboto akcijų skaičiaus indeksas (Cap): Riboto akcijų skaičiaus indeksą sudarančių akcijų
svoriui nustatyta didžiausia leistina riba. Jei akcijų skaičius indekse viršija nustatytą ribą, tai jis
sumažinamas iki didžiausios leistinos ribos.
2.1.2. OMX Baltijos šalių VP rinkos indeksų šeima
OMX Baltijos šalių VP rinkos indeksų šeimą sudaro Baltijos šalių VP lyginamasis ,
prekybinis, visų akcijų ir sektoriniai indeksai.
2.1 paveikslas. VP indeksų šeima
Visų indeksų reikšm÷s yra susijusios, t. y. jų skaičiavimui naudojama praeitos sesijos akcijų
kaina. Indeksų skaičiavimas pagrįstas visų akcijų, įtrauktų į indeksus, kapitalizacijų pokyčiais per
tam tikrą laiko tarpą.
6
OMX Baltijos šalių biržų VP rinkos lyginamasis indeksas
OMX Baltijos šalių VP rinkos lyginamąjį indeksą (OMX Baltic Benchmark index) sudaro
visų sektorių didžiausios kapitalizacijos ir likvidžiausių bendrovių akcijos, suklasifikuotos pagal
ekonominius veiklos sektorius, kuriomis prekiaujama OMX Baltijos šalių VP biržose. Bendrovių
akcijų svoris šiame indekse priklauso nuo tos bendrov÷s akcijų rinkos vert÷s ir jų skaičiaus rinkoje,
t.y. į indeksą įtraukiama tik ta akcinio kapitalo dalis, kuri laisvai cirkuliuoja rinkoje. Tikimasi, kad
šis indeksas pad÷s nebrangiai susidaryti efektyvų savo akcijų portfelį. Taigi OMXBB bus ypač
parankus investicinių produktų valdytojams ir kaip palyginamasis indeksas investuotojams. Siekiant
užtikrinti pelningo investavimo nedidel÷mis sandorio sąnaudomis galimybes, OMXBB indeksas
atnaujinamas du kartus per metus – sausio 1 d. ir liepos 1 d. Indeksas pristatomas kaip kainos
indeksas ir kaip grąžos indeksas, o taip pat kaip dar vienas šio indekso variantas, vadinamas
OMXBBCAP, kai indekso reikšm÷ apskaičiuojama kaip kainos (PI) ir grąžos (GI) indeksas, bet
ribojant vienos bendrov÷s akcijų lyginamąjį svorį indekse. Darbe nagrin÷sime šį indeksą tik kaip
grąžos. OMXBB skaičiuojami eurais. OMXBB ir OMXBBCAP indeksų bazin÷ data yra 1999 m.
gruodžio 31 d., o bazin÷ reikšm÷ yra 100 punktų. Indekso reikšm÷s pristatomos su 60 sekundžių
pav÷lavimu. Šis indeksas parodo bendrą VP rinkos tendenciją ir pristatomas kaip ekonomiškai
efektyvus indeksas, pagal kurį investuotojai gali sudaryti VP portfelį.
Prekybinis indeksas
(OMXB 10) yra prekybinis indeksas. Jį sudaro 10 pačių likvidžiausių Baltijos šalių
bendrovių akcijų OMX Baltijos šalių VP biržose. Kadangi į indeksą įtraukiama nedaug bendrovių,
visos indeksą sudarančios akcijos pasižymi itin dideliu likvidumu, tod÷l šio indekso akcijos labai
tinka išleidžiant išvestines finansines priemones. Bendrov÷s akcijų svoris šiame indekse priklauso
nuo laisvų tos bendrov÷s akcijų skaičiaus ir jų rinkos vert÷s, o konkrečios bendrov÷s akcijų svoris
indekse negali būti didesnis kaip 15 proc. OMXB10 indekso sud÷tis atnaujinama kas pusę metų,
sausio 1 d. ir liepos 1 d. OMXB10 indekso bazin÷ data yra 1999 m. gruodžio 31 d., o bazin÷
reikšm÷ yra 100 punktų. Indeksas skaičiuojamas eurais ir pristatomas kaip kainos indeksas PI.
Indekso reikšm÷s pristatomos realiu laiku.
7
OMX Baltijos šalių sektoriniai ir visų akcijų indeksai
OMX Baltijos šalių visų akcijų ir sektorinių akcijų indeksų sud÷tis prižiūrima kiekvieną
dieną, kad nuolat atspind÷tų akcijų skaičiaus pokyčius ir naujai įtrauktų į biržos prekybos sąrašus
akcijų pokyčius.
OMX Sektoriniai indeksai (PI, GI)
Sektoriniai indeksai parodo tendencijas konkrečiame sektoriuje ir leidžia palyginti tame
pačiame sektoriuje dirbančias konkuruojančias bendroves. Į indeksus įtraukiamos visos Baltijos
šalių VP biržų Oficialiajame ir Papildomajame sąraše esančios bendrov÷s (bendrov÷s, kuriose
vienas akcininkas valdo 90 proc. ir daugiau išleistų akcijų, neįtraukiamos). Sektoriniai indeksai
skaičiuojami eurais kaip kainos (PI) ir grąžos (GI) indeksai kiekvienam GICS sektoriui atskirai.
OMX Baltijos šalių VP rinkos sektorinių indeksų bazin÷ data yra 1999 m. gruodžio 31 d., o bazin÷
reikšm÷ – 100 punktų. Indekso reikšm÷s pristatomos vieną kartą pasibaigus prekybai.
Visų akcijų indeksai
Visų akcijų indeksai (OMX Baltic, OMX Tallinn, OMX Riga, OMX Vilnius) skaičiuojami
kiekvienoje Baltijos šalių biržoje atskirai, o taip pat ir bendrai visai Baltijos šalių VP rinkai. Į juos
įtraukiamos visos Baltijos šalių biržų Oficialiajame ir Papildomajame sąraše esančios bendrov÷s.
Šie indeksai atspindi dabartinę kiekvienos Baltijos šalies ar bendros Baltijos šalių VP rinkos
situaciją ir jos pokyčius.
Visų akcijų indeksas OMX Baltic (OMXB) – PI, GI
OMX Baltic – tai visų akcijų indeksas, kurį sudaro visos Baltijos šalių VP biržų
Oficialiajame ir Papildomajame sąraše kotiruojamos bendrov÷s, išskyrus tas bendroves, kuriose
vienas akcininkas valdo 90 proc. ir daugiau išleistų akcijų. Indeksu siekiama atspind÷ti kiekvienos
biržos ar visos Baltijos šalių VP rinkos einamąją pad÷tį ir jos pokyčius. OMXB indekso bazin÷ data
yra 1999 m. gruodžio 31 d., o bazin÷ reikšm÷ – 100 punktų. Indeksas skaičiuojamas eurais ir
pateikiamas kaip kainos indeksas (PI) ir kaip grąžos indeksas (GI). Indekso reikšm÷s pristatomos su
60 sekundžių pav÷lavimu.
OMX Tallinn indeksas (OMXT) – GI
OMX Tallinn indeksas – tai visų akcijų indeksas, kurį sudaro visos Talino VP biržos
vienas akcininkas valdo 90 proc. ir daugiau išleistų akcijų. Indeksu siekiama atspind÷ti Talino VP
rinkos einamąją pad÷tį ir jos pokyčius. OMXT indekso bazin÷ data yra 1996 m. birželio 3 d., o
8
bazin÷ reikšm÷ –100 punktų. Indeksas pristatomas kaip grąžos indeksas (GI). Indekso reikšm÷s
pristatomos realiu laiku.
OMX Riga visų akcijų indeksas (OMXR) – GI
OMX Riga indeksas – tai visų akcijų indeksas, kurį sudaro visos Rygos VP biržos
vienas akcininkas valdo 90 proc. ir daugiau išleistų akcijų. Indeksu siekiama atspind÷ti Rygos VP
rinkos einamąją pad÷tį ir jos pokyčius. OMXR indekso bazin÷ data yra 1999 m. gruodžio 31 d., o
OMX Vilnius visų akcijų indeksas (OMXV) – GI
OMX Vilnius indeksas – tai visų akcijų indeksas, kurį sudaro visos Vilniaus VP biržos
vienas akcininkas valdo 90 proc. ir daugiau išleistų akcijų. Indeksu siekiama atspind÷ti Vilniaus VP
rinkos einamąją pad÷tį ir jos pokyčius. OMXV indekso bazin÷ data yra 1999 m. gruodžio 31 d., o
Baltijos šalių vertybinių popierių biržos turi bendrus prekybos sąrašus (žemiau nurodyta jų
struktūra), į kuriuos yra įtraukiami visose Baltijos biržose listinguojamų bendrovių vertybiniai
popieriai. Tačiau teisiniu požiūriu, kiekvienos šalies bendrov÷s yra listinguojamos vietin÷je rinkoje,
t.y., Latvijos bendrovių vertybiniai popieriai yra įtraukti į Rygos vertybinių popierių biržos
prekybos sąrašus, Estijos bendrovių vertybiniai popieriai – į Talino vertybinių popierių biržos
prekybos sąrašus, Lietuvos bendrovių vertybiniai popieriai – į Vilniaus vertybinių popierių biržos
prekybos sąrašus, o kiekvienos šalies rinkos priežiūrą vykdo tos šalies vertybinių popierių rinkos
priežiūros institucija.
Vertybinių popierių, kuriais prekiaujama Vilniaus, Talino ir Rygos vertybinių popierių
biržose, prekybos sąrašų struktūra:
• Baltijos Oficialusis prekybos sąrašas
• Baltijos Papildomasis prekybos sąrašas
• Baltijos skolos vertybinių popierių prekybos sąrašas
Baltijos Oficialusis prekybos sąrašas
Į Baltijos šalių biržų Oficialųjį prekybos sąrašą yra įtraukiami Vilniaus, Talino ir Rygos
biržų Oficialiuose prekybos sąrašuose esančių bendrovių vertybiniai popieriai. Tam, kad bendrov÷
būtų įtraukta į Oficialųjį prekybos sąrašą, ji turi būti aktyviai vykdžiusi savo veiklą mažiausiai 3
9
metus, o į prekybos sąrašus traukiamų akcijų kapitalizacija arba, jei to negalima įvertinti, bendrov÷s
kapitalas ir rezervai, įskaitant pelną ar nuostolius, per paskutinius finansinius metus turi būti ne
mažesni kaip keturi milijonai eurų. Paskutinių finansinių metų finansin÷ atskaitomyb÷ turi būti
parengta pagal Tarptautinius finansin÷s atskaitomyb÷s standartus. Akcijos, kurios traukiamos į
Oficialųjį prekybos sąrašą, jau turi būti viešai išplatintos tiek, kad laisvos akcijos rinkoje sudarytų
ne mažiau kaip 25 proc. Įstatinio kapitalo dalies, kurią sudaro tos klas÷s akcijos, arba kad laisvų
akcijų rinkos vert÷ sudarytų ne mažiau kaip 25 mln.eurų.
Baltijos papildomas prekybos sąrašas
Į Papildomąjį prekybos sąrašą traukiamos bendrovių, kurioms n÷ra taikomi kiekybiniai
reikalavimai (laisvų akcijų skaičiaus ir kapitalizacijos), vertybiniais popieriai. Papildomojo
prekybos sąrašo bendrov÷ms yra taikomi mažesni įtraukimo reikalavimai negu Oficialaus prekybos
sąrašo bendrov÷ms.
Baltijos skolos vertybinių popierių prekybos sąrašas
Į Baltijos šalių biržų Skolos vertybinių popierių sąrašą yra traukiami šie vertybiniai
popieriai: Lietuvos ir Latvijos Vyriausybių skolos vertybiniai popieriai, Lietuvos, Latvijos ir Estijos
bendrovių, savivaldos organų, hipotekos išleisti skolos vertybiniai popieriai su skirtingais išpirkimo
terminais. Prekiauti skolos vertybiniais popieriais galima tiek nacionaline (Estijos kronos, Latvijos
latai, Lietuvos litai), tiek užsienio valiuta (JAV doleris, euras).
2.1.3. Indekso skaičiavimo formul÷
Pagrindinis indekso skaičiavimo tikslas – kuo geriau atspind÷ti portfelio, kurį sudaro į indeksą
įtrauktos akcijos, vert÷s pokyčius.
OMX Baltijos šalių VP rinkos indeksai skaičiuojami naudojant tokią formulę:
∑q
i =1
i ,t ⋅ p i ,t ⋅ ri.t
It = n
⋅ I t −1 (2.1)
∑q
i =1
i ,t ⋅ pi ,t −1 ⋅ ri ,t −1 ⋅ j i ,t
Čia:
I t = Indekso reikšm÷ t laiku
q i ,t = i – tosios bendrov÷s akcijų skaičius indekse t laiku
pi ,t = i – tosios bendrov÷s akcijų kaina kotiravimo valiuta t laiku
10
ri ,t = i – tosios bendrov÷s akcijų kainos, išreikštos kotiravimo (nacionaline) valiuta t laiku,
keitimo į indekso skaičiavimo valiutą kursas

ji ,t = i – tųjų akcijų koregavimo koeficientas d÷l bendrov÷s akcinių įvykių t laiku.
Formul÷ parodo indekso reikšmę laikotarpio t pabaigoje, kurią sudaro ankstesn÷s indekso
reikšm÷s ir rinkos kapitalizacijos periodinio pokyčio procentais (pakoreguoto akcinių įvykių atveju)
suma, padauginta iš buvusios indekso reikšm÷s, t.y. I t = (1 + R ) ⋅ I t −1 , kur R atitinka periodinį
portfelio, kurį sudaro į indeksą įtrauktos akcijos, vert÷s pokytį procentais.
2.2. Finansin÷s laiko eilut÷s
Paprastai finansinių laiko eilučių analiz÷s objektu yra finansiniai duomenys, pavyzdžiui,
akcijų ar obligacijų kainos, indeksų reikšm÷s, valiutų keitimo kursai ir pan.
Kai duomenys renkami reguliariais laiko intervalais, reikšmę įgyja ne tik patys duomenys,
bet ir jų gavimo tvarka. Pavyzdžiui, valiutos kursas, akcijų kainos, indekso prognozavimas
neįmanomas neturint duomenų, susietų su laiku.
Statistiniai duomenys surinkti reguliariais laiko intervalais yra vadinami laiko eilut÷mis.
Analizuojant laiko eilutes sprendžiami du pagrindiniai uždaviniai:
1. Nagrin÷jamų duomenų prigimties nustatymas, t.y. išskyrimas pagrindinių faktorių,
veiksnių, darančių įtaką duomenims. Šio uždavinio sprendimui naudojama keletas metodų:
duomenų glodinimas, tinkamos kreiv÷s parinkimas ir autokoreliacija.
2. Ateities rezultatų prognozavimas. Čia labiausiai paplitę yra slenkamųjų vidurkių ir
autoregresijos metodai.
Šiems uždaviniams spręsti bei min÷tiems metodams analizuoti ir skirtas šis skyrelis.
2.2.1. Finansinių duomenų stilizuoti faktai
„Laiko eilut÷s“ sąvoka atspindi tai, kad duomenys yra interpretuojami kaip kryptinga
atsitiktinių dydžių seka X t , t = 0,1,2,… , kurioje t indeksas yra diskretaus laiko kintamasis. Taip
pat svarbus faktorius yra duomenų periodiškumas – stebimi tiek žemo dažnio (kassavaitiniai,
kasm÷nesiniai,...) duomenys, tiek ir aukšto dažnio (kasdieniniai, kasvalandiniai) ar net ultra aukšto
dažnio duomenys (kelių sekundžių trukm÷s laiko intervalai ar net nuosekliai fiksuojami visi
11
pokyčių momentai). Mano surinkti duomenys yra aukšto dažnio (kasdieniniai), kiekvienos darbo
dienos užfiksuotas Baltijos šalių biržų indeksas.
Finansų rinkos tyrimas siekia paaiškinti stebimą kainą ir jos kitimo savybes remiantis
ekonomin÷s, politin÷s ar kitokios informacijos pasirodymo aplinkyb÷mis. Iš pirmo žvilgsnio
atrodytų, jog tokių finansinių instrumentų, kaip pavyzdžiui grūdų pardavimo sandoriai, IBM
akcijos, indeksai ar valiutų kursai, kainų savyb÷s tur÷tų skirtis, nes yra sąlygojamos skirtingų
aplinkybių. Tačiau tyrimai rodo priešingai. Paskutiniojo šimtmečio empiriniai kainų kitimo tyrimai
parod÷, kad statistiniu požiūriu tokie finansiniai instrumentai turi daug bendrų bruožų. Šios
skirtingiems finansiniams instrumentams būdingos savyb÷s dažnai vadinamos stilizuotais faktais.
Tegul S t žymi akcijos kainą momentu t. Matyt paprasčiausi finansinių duomenų stilizuoti
faktai yra pastovaus augimo ir sezoniškumo efektai. Pirmasis iš jų atspindi akcijų kainų augimą, o
antrasis – tokių faktorių, kaip metų laikai, Kal÷dos ir pan., įtaką kainoms. Sezoniškumo efektas
aprašomas periodine funkcija ir paprastai eliminuojamas iš kainos standartiniais metodais, tačiau
sezoniškumas darbe plačiai nenagrin÷jamas, kadangi indeksui sezoniškumas įtakos kaip ir neturi.
Taigi, indeksas priklauso nuo augimo efekto, vadinamo trendu mt , ir nuo įvairiausių atsitiktinių
poveikių, vadinamų triukšmu Z t .
Remiantis ekonominiais argumentais akcijų kainos S = {S t : 0 ≤ t ≤ T } elgesys aprašomas

funkcija
S t = mt ⋅ e Z t . (2.2)
Išskiriami du pagrindiniai trendo funkcijos mt modeliavimo būdai. Pirmuoju iš jų, trendas
nusakomas neatsitiktine funkcija mt = Ae µt , čia µ ir A yra konstantos. Tokiu atveju kainos

logaritmas turi pavidalą
ln S t = α + µt + Z t (2.3)
čia α = lnA. Antruoju būdu, trendas mt modeliuojamas remiantis buvusia kainos reikšme
S t -∆ ir parametru µ taip, kad
mt = S t − ∆ e µ∆ . (2.4)
Šiuo atveju trendą aprašo atsitiktin÷ funkcija ir tod÷l ekonometrijoje šis modelis vadinamas
stochastinio trendo modeliu. Stochastinio trendo atveju kainos logaritmas turi pavidalą:
ln S t = ln S t − ∆α + µ∆ + Z t . (2.5)
Tolesn÷ analiz÷ reikalauja subtilesnių metodų triukšmo komponentei Z t tirti.
12
Duotam laiko intervalui ∆ ∈ (0, T ] , toliau vadinamam dažniu, logaritmine grąža arba
tiesiog grąža, kai aišku pagal kontekstą, vadinsime kainos transformaciją r (t , ∆ ) = ln S t∆ − ln S (t −1)∆ ,
t = 1,…,N, N = [T / ∆ ] ≤ T / ∆ ] . Daugelyje ekonometrinių modelių laikoma, kad ∆ = 1. Tokiu

atveju naudosime žym÷jimą rt = r (t ,1). Dažniausiai logaritmin÷s grąžos skaičiuojamos kasdieniams
duomenims.
Viena iš svarbiausių finansinių duomenų empirin÷s analiz÷s sąlygų yra statistinių savybių
invariantiškumas laiko atžvilgiu. Jei praeities duomenų savyb÷s netur÷tų nieko bendro su dabarties
ir ateities kainų kitimu, tai tokių duomenų tyrin÷jimas būtų beprasmis. Tod÷l svarbia statistin÷s
analiz÷s prielaida yra funkcijos r (⋅, ∆) stacionarumo hipotez÷: bet kuriems t1 ,..., t k ir s, vektorių
{r (t1 , ∆ ),..., r (t k , ∆ ) } ir {r (t1 + s, ∆ ),..., r (t k + s, ∆ ) } tikimybiniai skirstiniai yra lygūs, tai nuo t
nepriklauso nei funkcija F∆ (u ) = P(r (t , ∆ ) > u ), u > 0, vadinama skirstinio uodega, nei funkcija
C∆ (s ) = Cov(r (t , ∆ ), r (t + s, ∆ )) vadinama kovariacija, jei egzistuoja antrasis grąžos momentas).
Stacionarumo prielaida n÷ra vienintel÷ būtina triukšmo komponent÷s tyrimo sąlyga.
Toliau trumpai aprašomi keli svarbiausi stilizuot faktai susiję su skirstinio uodegos ir
kovariacijos elgesiu.
• „Sunkios uodegos“: Dideli kainų pokyčiai pasirodo žymiai dažniau nei tuo atveju, kai
skirstinys normalusis. Toks efektas gal÷tų būti paaiškinamas tuo, kad logaritmin÷s
grąžos skirstinys turi sunkią uodegą, t.y. kuriam nors baigtiniam skaičiui a > 0,
F∆ (u ) ≈ u − a , kai u → ∞ . Tyrimai parod÷, kad finansinių duomenų logaritmines grąžas
geriau aproksimuoja tie skirstiniai turintys sunkias uodegas, kurių skaičius a ∈ (2, 4).
Taip pat pasteb÷ta, kad uodegų charakteris keičiasi, pereinant nuo vieno logaritmin÷s
grąžos dažnio prie kito. Išsamiausiai ištirtos kasdienių domenų logaritmin÷s grąžos.
• Asimetrija. To paties absoliutinio dydžio grąžas lydi nevienodo dydžio kintamumo
reikšm÷s – kintamumas yra didesnis po kainos kritimo (t.y.neigiamos grąžos). Tai
paprastai aiškinama tuo, kad investuotojai „jautriau“ reaguoja į neigiamą informaciją,
nei į teigiamą. D÷l šios asimetrijos kovariacija tarp grąžos ir būsimų kintamumo
reikšmių yra neigiama.
• Kintamumo klasterizacija. Tik÷tina, kad finansiniuose duomenyse didelio kintamumo
periodai ir mažo kintamumo periodai seka vienas paskui kitą, t.y. stebima kintamumų
klasterizacija.
13
• Taylor‘o efektas. Grąžos rt tarpusavyje yra beveik nekoreliuotos, o jų absoliutinių
dydžių laipsniai rt
δ
( δ > 0 ) turi nenulinę koreliaciją. Stipriausia koreliacija, kai δ = 1.
δ δ
• Ilgalaik÷ atmintis. Koreliacijos tarp rt ir rs įvertis, did÷jant |t-s|, gęsta l÷tai (kaip
laipsnin÷ funkcija). Tas pats teisinga ir koreliacijai tarp kintamumo įverčių. Šio
fenomeno paaiškinimas yra vienas aktualiausių šiuolaikin÷s ekonometrijos uždavinių.
Vienas pagrindinių finansinių laiko eilučių analiz÷s uždavinių yra paieška tokių modelių,
kurie kaip galima adekvačiau pasižym÷tų savyb÷mis panašiomis į aptinkamus stilizuotus faktus.
2.2.2. Trendo komponent÷s vertinimas bei eliminavimas
Paprastai pirmas žingsnis finansinių duomenų analiz÷je yra duomenų grafinis

pavaizdavimas. Toks duomenų pavaizdavimas leidžia „įtarti“ koks modelis tur÷tų būti naudojamas.
Populiariausias yra kainos arba kokios nors jos transformacijos išskaidymas į trendo, sezonin÷s
komponent÷s ir triukšmo komponentes:
X t = mt + s t + Z t , (2.6)
čia mt yra l÷tai besikeičianti funkcija (trendo komponent÷), atspindinti akcijų kainų
augimą; st yra periodin÷ funkcija su žinomu periodu d , atspindinti tokių sezoninių faktų, kaip metų
laikai, savait÷s dienos ir pan., įtaką kainoms, kadangi min÷jau jog sezoniškumas neturi didel÷s
įtakos indeksams tai laikysime, kad st = 0 ; Z t yra atsitiktin÷ triukšmo komponent÷, matematiškai
aprašoma stacionaraus proceso pagalba.
Pradinis uždavinys įvertinti ir eliminuoti trendo komponentes, taip kad liekanos pasidarytų
„panašios“ į stacionaraus proceso realizacijos elgesį. Toliau aptariami trys dažniausiai sutinkami
metodai.
Trendo eliminavimas mažiausių kvadratų metodu (determinuotas trendo metodas). Šiuo
būdu komponent÷ aprašoma, kaip tam tikra determinuota funkcija (pavyzdžiui, logaritmin÷,
polinomin÷ ir t.t.), kurios parametrai įvertinami mažiausių kvadratų metodu.
Tarkime, kad sezonin÷s dalies n÷ra, t.y.
X t = mt + Z t , (2.7)
ir trendas mt gali būti nusakytas kokia nors parametrine funkcija, pavyzdžiui kvadratine
funkcija mt = a 0 + a1t + a 2 t 2 . Tuomet įverčiai aˆ 0 , aˆ1 , aˆ 2 gaunami minimizuojant liekanų kvadratų
sumą
14
2 2
( ( )) .
n n
∑ (X t
t =1
− m t ) = ∑ X t − a 0 + a1 t + a 2 t 2
t =1
(2.8)
Suglodinimas slenkamuoju vidurkiu. Tarkime, seka X t nusakoma (2.7) lygybe. Tegul q
yra neneigiamas sveikas skaičius ir tegul Yt yra empirinis 2q + 1 dydžių X t vidurkis

q
1
Yt = ∑ X t + j . Jeigu laikysime, kad mt yra „panaši“ į tiesinę funkciją kiekviename intervale
2q + 1 j = − q
[t − q, t + q ] ir paklaidų vidurkis yra artimas nuliui, tai gausime

q q
1 1
Yt = ∑ t + j 2q + 1 j∑
2q + 1 j = − q
m +
=− q
Z t + j ≈ mt , q + 1 ≤ t ≤ n − q. (2.9)
Tokiu atveju laikysime, kad trendo mt įvertis yra

q
1
mˆ t = ∑
2q + 1 j = − q
X t + j , kai q + 1 ≤ t ≤ n − q. (2.10)
Likusioms X t reikšm÷ms, (kai t ≤ q ir t > n − q ) formul÷je (2.10) toks trendo mt įvertis
netinka ir šios reikšm÷s aproksimuojamos vienpusiu slenkamuoju vidurkiu

n −t
mt = ∑ α (1 − α ) X t + j , t = 1,..., q ,
j
(2.11)
j =0
t −1
mt = ∑ α (1 − α ) X t − j , t = n − q + 1,..., n .
j
(2.12)
j =0
Empiriškai nustatyta , kad α reik÷tų paimti iš intervalo [0,1; 0,3] .

Šio metodo skaičiavimai bus taikomi praktin÷je dalyje ir pateikiami grafikai atitinkantys
realius tiriamus duomenis.
Šį suglodinimo metodą galima laikyti „žemo dažnio“ filtru, kuris iš duomenų X t „išima“
dažnai svyruojančią komponentę Zˆ t = X t − mˆ t ir palieka l÷tai besikeičiančią dalį m̂t . Šį metodą

∞
galima interpretuoti kaip bendro tiesinio filtro m̂t = ∑ j = −∞ a j X t + j atskirą atvejį.
Eksponentinis suglodinimas. Vienas iš suglodinimo metodo trūkumų yra, tas, kad pagal
(2.10) lygybę, šį filtrą galima taikyti tik tai duomenų daliai, kuri n÷ra arti imties taškų. Min÷tas
suglodinimas imties galuose gali būti taikomas ir visai imčiai. Toks metodas vadinamas
eksponentiniu suglodinimu. Nagrin÷kime filtrą
∞ j
mˆ = ∑ α (1 − α ) X t − j , (2.13)
j =0
15
čia 0 < α < 1 . Aišku, norint jį taikyt imčiai X 1 ,..., X n , reikia nagrin÷ti “nupjautas” sumas.
Praktiškai eksponentiškai suglodintas trendas gaunamas iš rekurentinių lygybių
mˆ 1 = X 1
mˆ t = αX t + (1 − α )mˆ t −1 , t = 2,..., n .
Iš šių lygybių matome, kad su α = 1 eksponentinis suglodinimas “neveikia”, nes mˆ t = X t
su visais t = 1,..., n; tuo tarpu su α = 0 gaunasi “maksimalus” suglodinimas - mˆ t = X 1 su visais
t = 1,..., n. Dažnai parametrą α siūloma parinkti optimaliai – minimizuojant liekanų sumą :
∑ (X − mˆ j ) .
n 2
j=2 j (2.14)
Skirtumų panaudojimas. Tai yra vienas populiariausių metodų, naudojamas, kaip

alternatyva ankstesniems metodams. Jo esm÷ – trendo eliminavimas nagrin÷jant skirtumus
(„diferencijuojant“ duomenis) X t − X t −1 . Šis metodas taikytinas tada, kai svarbu yra ne tik įvertinti
trendą, kiek žinant iš anksto jo formą, jį eliminuoti ir toliau tirti „mikroskopinę“ komponentę.
Nusakysime šį metodą tiksliau. Apibr÷žiame skirtuminį operatorių ∇ lygybe:
∇ t = X t − X t −1 = (1 − B ) X t , kur B yra postūmio operatorius, t.y. BX t = X t −1 . Operatorių B ir ∇
laipsniai apibr÷žiami lygyb÷mis B j X t = X t − j ir ∇ j X t = ∇(∇ j −1 X t ) , , j ≥ 1 su ∇X t ≡ X t . Jei
skirtuminį operatorių taikysime tiesinio trendo modeliui su mt = at + b tai gausime
∇X t = ∇mt + ∇Z t = a + ∇Z t . Panašiai gauname, kad bendro polinominio trendo atveju su
mt = ∑ j = 0 a j t j
k
∇ k X t = k! a k + ∇ k Z t . (2.15)
Taigi skirtumų panaudojimas gali būti interpretuojamas kaip aukšto dažnio filtras, kuris
„nufiltruoja” žemo dažnio signalą mt (l÷tai besikeičiančią dalį), palikdamas aukšto dažnio signalą..
Tokiu būdu galime eliminuoti bet kokį polinominį trendą. Deja, kiekvieną kartą panaudojus
skirtumus prarandame vieną steb÷jimą.
16
2.3. Martingalai
Tarkime, { Ω , F, IF, P} yra baigtin÷ tikimybin÷ erdv÷, t.y. Ω = {ϖ 1 ,...ϖ M }- baigtin÷ rinkos
būsenų aib÷, F = 2 Ω , IF – šeima σ algebrų F0 = {Ο

/ , Ω} ⊂ F1 ⊂ ... ⊂ FN= F. Be to tarkime, kad
kiekvienas elementarusis įvykis pasirodo su teigiama tikimybe: P(w) > 0.

2.3.1. Apibr÷žimas. Tarkime, {M n , n = 0,1,..., N } yra suderintasis atsitiktinis procesas.
Tada, jeigu su visais n = 0,1,...,N – 1
E (M n +1 | Fn )= Mn, (2.16)
tai {M }n vadinamas martingalu.
2.3.1. Teiginys. Tarkime, {M n , n = 0,1,..., N } yra martingalas ir {H n , n = 0,1,..., N } -
numatomoji seka. Tada seka {X n , n = 0,1,..., N } su
 X 0 = H0M 0,

 X n = H 0 M 0 + H 1∆M 1 + L + H n ∆M n , n ≥ 1
yra martingalas.
2.3.2.Teiginys. Seka {M n , n = 0,1,..., N } yra martingalas tada ir tik tada, kai su bet kuria
numatomąja seka {H n , n = 0,1,..., N }

N
E ∑ H n ∆M n = 0. (2.17)
n =1
2.4. Binominis modelis
2.4.1. Binominio modelio aprašymas
Binominis modelis paprastai taikomas realiems duomenims, dažniausiai akcijų kainų

prognozavimui. Kartais dar vadinamas CRR modeliu, kadangi pasiūlytas Dž. Kokso, S. Roso ir M.
Rubinšinskio (John C. Cox, Stephon A.Ross, Marc Rubinstein). Binominis modelis nusako
diskrečią finansų rinką su S n0 = (1 − r ) ir S n1+1 ≡ S n +1 = ρ n +1 S n , S 0 > 0 ; čia ρ n , n = 1,…,N, įgyja
n
tik dvi reikšmes: 1 + a ir 1 + b (-1 < a < b). Reikšm÷ ρ n = 1 + a atitinka akcijos kainos “kritimą”,
o reikšm÷ ρ n = 1 + b – „kilimą“.
17
Formaliai Binominis modelis aprašomas taip. Tarkime, Ω = {1 + a,1 + b} – aib÷ visų sekų
N
ω = ( x1 ,..., x N ) ; čia kiekvienas xi yra arba 1+a, arba 1+b, F= 2 Ω visų Ω poaibių σ algebra ir
ρ i (ω ) = xi su i = 1,…,N.
Kiekvienas ω ∈ Ω atitinka vieną binominio medžio šaką (laužtę). Kaip įprasta laikykime
F0 = {Ο
/ , Ω}, Fn = σ (S1 ,..., S n ) = σ (ρ1 ,..., ρ n ), n = 1,..., N , ir tarkime, kad P – koks nors matas
mačiojoje erdv÷je ( Ω ,F ):
P{(x1 ,..., x N )} = P{ρ1 = x1 ,..., ρ N = x N }, (x1 ,..., xN ) ∈ Ω . (2.18)

Pabandysime išsiaiškinti, kada taip nustatyta rinka yra nearbitražin÷ ir pilnoji.
~
{ }
Pirmiausia pastebime, kad S n ≡ (1 + r ) S n yra martingalas kokio nors mato P atžvilgiu
−n
tada ir tik tada, su visais n E (ρ n +1 | Fn ) = 1+ r .

2.4.1.1 Lema. Jei aprašytoji rinka yra nearbitražin÷, tai r ∈ (a, b ) .
Iš šios lemos išplaukia, kad tuo atveju, kai r ∉ (a, b ) , egzistuoja arbitražo strategija. Ją
nesunku sukonstruoti. Pavyzdžiui, tarkime, kad r ≤ a . Nuliniu momentu parduodame S 0 obligacijų
(Φ 0
0 )
= − S 0 ir perkame 1 akciją. Laikome, kad S 00 = 1 . Tada
V 0 = − S 0 ⋅ 1 + 1 ⋅ S 0 = 0. (2.19)
Toliau nepriklausomai laikome portfelį iki pat momento N. Tada jo vert÷ momentu n = N:
V N = − S 0 (1 + r ) + S 0 (1 + b ) (1 + a )
N Y N −Y
(
= S 0 (1 + b ) (1 + a )
Y N −Y
− (1 + r ) ;
N
) (2.20)
čia Y = ∑n 1{ρ n =1+ b} - akcijos kainos “pakilimų” skaičius. Taigi P{V N > 0} > 0 , t.y. Φ -
arbitražin÷ strategija. Panašūs samprotavimai tinka atveju r ≥ b .

b−r
Sakykime, kad r ∈ (a, b ) , ir pažym÷kime p* = .
b−a
Toliau suformuluotas teiginys, kuris nusako nearbitražin÷s binomin÷s rinkos kriterijų.
~
{ }
2.4.1.1 Teorema. S n yra martingalas mato P* atžvilgiu tada ir tik tada, kai ρ1 ,..., ρ N
yra nepriklausomi vienodai pasiskirstę atsitiktiniai dydžiai ir
P * {ρ1 = 1 + a} = p* = 1 − P * {ρ1 = 1 + b} .
(Įrodymą galima rasti Remigijaus Leipaus knygoje „Finansų rinkos“ 79 psl.).
2.4.1.1 Teiginys. Tarkime rinka aprašoma CRR modeliu. Tuomet europietiško pirkimo
opciono su įvykdymo kaina K vert÷ momentu n (n ∈ {0,..., N }) randama iš formul÷s:
C n = S nφ (k 0 , N − n; ~
p ) − K (1 − r ) φ (k 0 , N − n; p *);
−(N −n )
(2.21)
18
Čia :
 S n (1 + b )N − n 1+ a
k 0 = k 0 (S n ) = 1 + ln / ln ,
 K 1 + b 
n
φ (k , n; p ) = ∑ C nj p j (1 − p )n − j ,
j =k
~ 1+ a
p = p*
1+ r
(Įrodymas Remigijaus Leipaus knygoje „Finansų rinkos“ 81 psl.).
2.4.2. Ribinis per÷jimas
Iki šiol nemin÷jome, kokį kalendorinį laiko tarpą atitinka kiekvienas diskretaus modelio
periodas. Tarkime, nagrin÷jamas prekybos laikotarpis yra T metų. Antra vertus, realiai prekyba
vyksta tolydžiai (arba beveik tolydžiai), o ne kasdieną, valandą ar minutę; be to, kainos gali įgyti
daugiau negu dvi galimas reikšmes. Tokį modelį galime aproksimuoti binominiu modeliu,
suskaidant prekybos intervalą [0,T] į N lygių dalių ir parenkant N pakankamai didelį.
Nagrin÷kime diskretų N periodų modelį, atitinkantį sud÷tinių palūkanų schemą su N
išmok÷jimų per laiko tarpą T ir vieno periodo [(i – 1) T/N, iT/N], i = 1,…,N, palūkanomis r = rN .
Tarkime,
lim (1 + rN ) = e RT .
N
(2.22)
N →∞
Sakykime, R yra tolydžiosios sud÷ties metin÷s palūkanos, t.y. 1 Lt investicijos momentu 0

“išauga” iki e RT litų momentu T. Tuomet atitinkamas sud÷tinių palūkanų su N konvertavimų per
laiko tarpą T modelis gaunamas, kai rN = e RT / N − 1 . Aišku, kad ribos lygyb÷ galios ir tuo atveju kai
rN = RT / N .
Sakykime, akcijų kainų šuoliai aprašomi parametrais a = a N ir b = bN , kur

T
−σ
1 + a N = (1 + rN )e N
,
(2.23)
T
σ
1+ bN = (1+ rN )e N
,σ > 0 .
19
2.4.2.1 Teiginys. Tarkime, rinka aprašoma binominiu modeliu, kurio parametrai r = rN ,
a = a N ir b = bN apibr÷žti (2.22) ir (2.23) lygyb÷mis. Sakykime, P0( N ) žymi europietiškojo

pardavimo opciono su įvykdymo kaina K ir įvykdymo data N vertę nuliniu momentu. Tada
lim P0( N ) = Ke − RT Φ(− d 2 ) − S 0 Φ(− d1 ) ; (2.24)
N →∞
x u2
1 −
čia Φ( x ) = ∫e 2
du - standartinio normaliojo dydžio pasiskirstymo funkcija,
2π −∞
1
ln(S 0 / K ) + RT + σ 2T
d1 = 2 ,
σ T
d 2 = d1 − σ T .
Iš pirkimo-pardavimo pariteto lygyb÷s C 0( N ) − P0( N ) = S 0 − K (1 + r )

−N
išplaukia, kad
atitinkamam pirkimo opcionui galioja lygyb÷
lim C 0( N ) = S 0 Φ(− d1 ) − Ke − RT Φ(− d 2 ) (2.25)
N →∞
Pastebime, kad (2.22) ir (2.25) formulių dešiniosios pus÷s yra panašaus pavidalo.
(2.24) (arba (2.25)) formul÷, dar vadinama Bleko - Šoulso formule, nusakanti
europietiškojo pardavimo (arba pirkimo) opciono vertę, plačiai naudojama įvairiems finansiniams
skaičiavimams.
20
3. PROJEKTINö DALIS
3.1. Finansinių duomenų analiz÷
3.1.1. Baltijos šalių indeksų duomenų analiz÷
Duomenų rinkimas ir jų analizavimas yra pradin÷ stadija, kad toliau būtų galima atlikti
išsamesnius statistinius tyrimus, skaičiavimus, prognozavimus. Duomenys suprantami kaip
rinkinys atskirų faktų, sudarančių statistinę informaciją. Nors dažnai atrodo, kad duomenų rinkimas
– lengviausias statistinių tyrimų etapas, tačiau praktikoje nekvalifikuotas duomenų rinkimas
labiausiai iškreipia statistinių tyrimų galutinius rezultatus.
Duomenims gauti pasinaudota vidiniais duomenų šaltiniais, kurie rasti internetiniame
puslapyje http://www.nasdaqomxbaltic.com/ .
Surinkti duomenys atitinka laikotarpį 2000.01.03 – 2008.07.03. Nagrin÷jami bus OMX
Baltijos lyginamasis, OMX Vilnius, OMX Talinas ir OMX Ryga grąžos indeksai. Pradiniai
duomenys, atvaizduojantys indeksą pateikti žemiau esančiame grafike.
3.1 paveikslas. Baltijos šalių indeksai laikotarpiu 2000.01.03 – 2008.07.03
Čia m÷lyna spalva žymi Rygos, pilka – Talino, Žalia – Vilniaus, o oranžin÷ – Baltic
Benchmark GI indeksus.
Nestabiliausias indeksas yra Rygos, jis turi didžiausius šuolius. Šis indeksas per dieną yra
kritęs 13,68 %, o pakilęs beveik 10 %. Iš paveikslo 3.1 matome, kad tai vyko 2001 m. Didžiausi bei
mažiausi kiekvienos šalies indekso pokyčiai per tiriamąjį laikotarpį pateikti 1 priedo pirmame
paveiksle. Jame pateiktas paveikslas tik parodo koks yra užfiksuotas didžiausias ir mažiausias
21
dienos pokytis, kiekvienoje biržoje tiriamu laikotarpiu, tačiau jis neatspindi koks didžiausias ir
mažiausias pokytis užfiksuotas kiekvienoje biržoje per metus. Taigi 3.2 paveiksle pateiksime visų
tiriamų indeksų didžiausius ir mažiausius pokyčius kiekvienais metais atskirai:
3.2 paveikslas. Baltijos šalių indeksų didžiausių ir mažiausių dienos pokyčių histograma.
Jei gerai įsižiūr÷sime į histogramą tai pasteb÷sime, didžiausi pokyčiai užfiksuoti 2000
metais. Taip pat iš šios histogramos labai aiškiai matosi, kad Rygos indeksas labiausiai
„šokin÷jantis“. Nuo 2000 metų indekso svyravimai vis mažesni, tačiau jei paimtume visus 2008
metus, o ne iki liepos 3 d., tai pamatytume kitą situaciją. Nes 2008 metų pabaiga v÷l suk÷l÷ indeksų
nestabilumą. Ši histograma pateikta 1 priedo antrame paveiksle. Kad pamatytume, ar tai buvo tik
vienos dienos neramumai panagrin÷kime vidutinį indekso pokytį per metus. Taigi, kitas 3.3
paveikslas atvaizduoja Baltijos šalių vidutinį pokytį per metus:
3.3 paveikslas. Baltijos šalių indeksų vidutinis pokytis per metus
22
3.3 paveikslas taip pat atvaizduoja OMXBBGI indekso stabilumą ir visą Baltijos šalių
akcijų indeksų rinką. Atskirų šalių indeksai leidžia spręsti tik apie tos šalies, o Baltijos apie viso
regiono finansinę rinką. OMX Vilniaus biržos indekso kilimas didžiausias užregistruotas 2003
metais. Žiūrint į OMXBBGI kreivę, dar galime pasteb÷ti, kad iki 2004 m. pokytis vis augo, o nuo
2004 m. jau indekso vert÷ ÷m÷ kristi. Ir dar geltona ir šviesiai m÷lyna linijos skiriasi viena nuo kitos
labai nežymiai. Tai rodo, kad Talino rinka stabiliausia palyginus su Vilniaus ar Rygos.
OMX Vilniaus indekso kasdieniai pokyčiai bus vieni pagrindinių duomenų, nes būtent
šiam indeksui atliksime prognozavimą skirtingiems laikotarpiams, bei naudojant skirtingus
prognozavimo modelius. Viso laikotarpio OMX Vilniaus indekso grafikas atrodo taip:
OMXV dienos pokytis (%) OMXV dienos pokytis (%)
6
4
2
0
indekso
pokytis
-2
(%)
-4
-6
-8
-10
00.01.03
00.07.03
01.01.03
01.07.03
02.01.03
02.07.03
03.01.03
03.07.03
04.01.03
04.07.03
05.01.03
05.07.03
06.01.03
06.07.03
07.01.03
07.07.03
08.01.03
08.07.03
data
3.4 paveikslas. OMX Vilniaus pokytis laikotarpiu 2000.01.03 – 2008.07.03
OMX Vilniaus indekso pokytis kinta intervale (-4; 4). Iš šio intervalo ribų išeina tik keturis
kartus. Vieną dieną 2000.12.04, šio indekso dienos pokytis beveik siek÷ -10 %.
3.1.2. Baltijos šalių indekso sud÷ties analiz÷
OMX Baltic (OMXB) atspindi trijų Baltijos šalių vertybinių popierių rinką, nes į jį bus
traukiamos visos Baltijos biržų Oficialiajame ir Einamajame prekybos sąrašuose esančios
bendrov÷s. Šio indekso sud÷ties palyginimas 2007 - 2009 m. pateiktas priede Nr.2. Tačiau mums
svarbesnis yra Baltijos šalių lyginamasis grąžos indeksas, kadangi būtent šis indeksas pateikiamas
kaip atspindys visos Baltijos šalių rinkos.
Šio indekso sud÷tis 2007 m. - 2009 m. panagrin÷sime detaliau ir palyginsime.
23
2007 m. OMX Baltijos lyginamąjį grąžos indeksą sudaro 29 bendrovių akcijos. Iš jų 11
Estijos, 14 Lietuvos ir 4 Latvijos įmon÷s. Estijos bendrovių įtaka Baltijos šalių indeksui net 59,84
%, iš jų net 20,64 % užima viena bendrov÷ TAL1T - Tallink Grupp, antra pagal įtakojimą yra
ETLAT – Eesti Telekom, ši bendrov÷ sudaro 10,97 %, trečia būtų OEG1T – Olympic
Entertainment Group, kuri sudaro 7,40 %. Lietuvos įmon÷s sudaro 32,38 %. Didžiausią įtaką turi
TEO – 6,33 %, ji būtų ketvirta, pagal didžiausią reikšmę turinčių bendrovių sąrašą. Latvijos
bendrov÷s bendrai sudaro tik 7,77 %, iš jų 3,53 % priklauso LSC1R.
2009 m. OMX Baltijos lyginamąjį grąžos indeksą sudaro 34 bendrovių akcijos. Iš jų 14
Estijos bendrovių bendrai sudarančių 51,79 %, 15 Lietuvos – 40,78% ir 5 Latvijos – 7,43 %
didžiausios ir likvidžiausios bendrov÷s. Estijos sud÷tyje pirmos dvi įmon÷s išlieka tos pačios, tai
TAl1T – 20,31 % ir ETLAT, kurios įtaka sumaž÷jo iki 7,88 %, tai yra daugiau nei 3 %. O Vilniaus
užimama dalis OMXBBGI indekse smarkiai išaugo net daugiau nei 8 %. Latvijos įtaka lyginant su
2007 m. beveik nepasikeit÷ nors ir prisid÷jo dar viena įmon÷, tokiu atveju tos įmon÷s, tur÷jusios
didžiausią reikšmę, pačio indekso atžvilgiu tik sumaž÷jo iki 2,73 %.
Toliau pateikiamas grafikas, kuriame atsispindi kiekvienos šalies reikšm÷, bendram
Baltijos šalių lyginamajam indeksui 2007 ir 2009 metais.
OMXBBGI sud÷ties palyginimas 2007-2009 m.
60,00%
50,00%
užimama dalis (%)
40,00%
30,00%
20,00%
10,00%
0,00%
Estija Lietuva Latvija
2007 59,84% 32,38% 7,77%
2009 51,79% 40,78% 7,43%
Valstyb÷
3.5 paveikslas. Baltijos šalių lyginamojo indekso sud÷ties palyginimas 2007 ir 2009 m.
Iš 3.5 paveikslo aiškiai matyti, kad 2009 m. Estijos reikšm÷ OMXBBGI indeksui
sumaž÷jo, tačiau vis tiek išliko didžiausią įtaką turinti valstyb÷, kuri sudaro virš 50 % viso indekso.
Lietuvos reikšm÷ šiam indeksui nors ir išaugo lyginant su 2007 m., tačiau nuo Estijos atsilieka.
Latvijos reikšm÷ beveik nepasikeit÷. Galime pasteb÷ti, kad jeigu Estijos įtaka maž÷s, o Lietuvos
24
did÷s tokiais pačiais tempais kaip nuo 2007 iki 2009 m., tai 2011 m. tur÷tume aplenkti Estija, ir
labiausiai nuo OMX Vilniaus tur÷tų priklausyti Baltijos šalių lyginamasis indeksas. O kol kas
akivaizdus lyderis yra OMX Talino VP rinka.
3.1.3. OMX Vilniaus indekso sud÷ties analiz÷
2007 m. Vilniaus indeksą sudar÷ 34 įmonių akcijos, 2008 m. – 35, o 2009 – 33 bendrov÷s.
Panagrin÷sime detaliau. 2007-2009 metų skritulin÷s diagramos, iš kurių labai gerai matosi Vilniaus
indekso sud÷tis ir kokia bendrov÷ kokią procentinę dalį užima pateikta 3 priede.
Sud÷tis labai panaši. Lyginant 2007 ir 2008 metus prisid÷jo dvi naujos bendrov÷s: Limarko
Laivininkyst÷s Kompanija (LLK1L) ir Agrowill Group (AVG1L). Jos n÷ra reikšmingos, nes šių
įmonių akcijos sudaro iki 1,53 % OMX Vilniaus indekso sud÷ties. Ir taip pat pašalinta Alytaus
tekstil÷ (ATK1L), šios įmon÷s akcijos sudar÷ tik 0,03 % Vilniaus indekso. O 2009 m. iš sud÷ties
pašalinta Dvarčionių keramika ir Vilniaus Vingis, jų reikšm÷ šiam indeksui buvo labai maža,
nesiek÷ net 0,3 %. Taigi įmonių įtraukimas ar išbraukimas negal÷tų tur÷ti didel÷s reikšm÷s
indeksui. 3 priede pateiktos diagramos, iš kurių labai gerai matosi, kad trys didžiausią reikšmę
turinčios įmon÷s taip ir išliko tarp trijų pirmųjų Vilniaus indekso sud÷tyje 2007 – 2009 m. Tai Rytų
Skirstomieji Tinklai, TEO LT ir Lietuvos Dujos:
3.6 paveikslas. Vilniaus indekso palyginimas su trimis didžiausią įtaką darančiomis įmon÷mis
Paveiksle 3.6 oranžin÷ – OMX Vilniaus indeksas, o m÷lyna spalva žymi Lietuvos dujų
akcijas, pilka - Rytų skirstomųjų tinklų, o žalia – TEO LT akcijas. Iš grafiko matome, kad Vilniaus
indekso ir šių įmonių kreiv÷s kinta panašiai. Šių įmonių reikšmę panagrin÷sime detaliau:
25
2007-2009 m. pastovių įmonių palyginimas
25,00% RST1L
TEO1L
RST1L
20,00%
RST1L TEO1L
TEO1L LDJ1L
15,00% LDJ1L LDJ1L
10,00%
5,00%
0,00%
1 2 3
RST1L 14,93% 18,26% 22,07%
TEO1L 14,42% 15,49% 21,29%
LDJ1L 12,63% 12,26% 13,63%
3.7 paveikslas. OMXV didžiausią dalį sudarančių įmonių palyginimas 2007 - 2009 m.
Labai gerai iš 3.7 paveikslo matosi, kaip tų trijų įmonių reikšm÷ Vilniaus indeksui vis
auga. 2007 m. šios įmon÷s bendrai sudar÷ 41,98 %, 2008 m. – 46,01 %, o 2009 m. jos sudar÷ net
56,98 %. Atliksim koreliacijos tyrimą, kaip stipriai įtakoja jos Vilniaus indeksą.
3.1.4. Koreliacijos tyrimas
Du svarbiausi statistinių ryšių tyrimo uždaviniai:

1. Nustatyti, ar ryšys yra.
2. Įvertinti ryšio stiprumą.
Koreliacijos koeficientus įprasta pateikti vadinamosios koreliacijų matricos forma. Mūsų
atveju tai keturių kintamųjų matrica. Atliksime koreliacijų tyrimus:
• OMX Baltijos šalių lyginamojo indekso pokyčių koreliacija su OMX Vilniaus, OMX
Rygos, OMX Talino indeksų kasdieniais pokyčiais.
• Vilniaus indekso pokyčių ir trijų daugiausiai įtakos turinčių bendrovių: Rytų
Skirstomųjų tinklų, TEO LT ir Lietuvos Dujų akcijų pokyčiais.
Statistinio ryšio koeficientas matematiškai sukonstruotas taip, kad jų galimos reikšm÷s yra
nuo -1 iki 1. Realiai statistinio ryšio koeficiento reikšm÷s būna didesn÷s už -1 ir mažesn÷s už 1.
V. Čekanavičius ir G. Murauskas koreliacijas apibūdina taip:
• Nuo 0,3 iki -0,3 – labai silpna arba jokios;
• Nuo 0,3 iki 0,5 (nuo -0,3 iki -0,5) – silpna;
26
• Nuo 0,5 iki 0,7 (nuo -0,5 iki -0,7) – vidutin÷;
• Nuo 0,7 iki 0,9 (nuo -0,7 iki -0,9) – stipri;
• Nuo 0,9 iki 1,0 (nuo -0,9 iki -1,0) – labai stipri.
Ar atitiks koreliacijos tyrimo rezultatai sud÷ties tyrimo išvadas? Paskaičiuosime Pirsono,
Spirmeno, Kendalo tau ir Gama koreliacijos koeficientus.
3.1.4.1. Baltijos šalių lyginamojo indekso koreliacijos tyrimas
Tiesin÷s koreliacijos koeficientas:

Svarbus statistinių ryšių atvejis yra tiesiniai ryšiai. Tai tokie ryšiai, kuriuos bent jau
apytiksliai galima išreikšti ties÷s lygtimi
y = ax + b (3.1)
Čia a ir b – pastovūs dydžiai, x – argumentas, y – funkcija.
Tokiems ryšiams aptikti ir įvertinti dažniausiai naudojamas Pirsono (Pearson) tiesinis
koreliacijos koeficientas. Keturių kintamųjų koreliacin÷ matrica su Pirsono koreliacijos
koeficientais atrodo taip:
3.1 lentel÷. Pirsono koreliacijos koeficientai.
Iš 3.1 lentel÷s matome, kad labai stiprus ryšys yra tarp Talino ir Baltijos kasdienio indekso
pokyčio, koreliacijos koeficientas 0,93. Kiti ryšiai labai silpni. Nors Lietuvos bendrov÷s sudaro apie
40 % Baltijos šalių lyginamojo indekso sud÷ties, tačiau koreliacija rodo, kad tiesinis ryšys yra
silpnokas. Taigi labiausiai OMX Baltijos lyginamasis indeksas priklauso nuo Talino indekso
pokyčių.
Rangin÷s koreliacijos koeficientai:

Spirmeno rangin÷s koreliacijos koeficientai naudojasi ranginių kintamųjų ryšiams tirti.
Spirmeno koeficientas tinka ir kiekybiniams kintamiesiems, ypač tuo atveju, kai Pirsono tiesin÷s
koreliacijos koeficientais nenorima naudotis arba jis tiesiog netinka.
27
3.2 lentel÷. Spirmeno koreliacijos koeficientai.
Palyginus 3.1 ir 3.2 lenteles galima pasteb÷ti, kad Pirsono ir Spirmeno koreliacijos
koeficientai skiriasi labai nežymiai. Išlieka ta pati išvada, kad stipriausias ryšys tarp Baltijos ir
Talino kasdienio indekso pokyčio.
Kendalo koreliacijos koeficientas dažnai skaičiuojamas kartu su dvimat÷mis dažnių
lentel÷mis. Jį įprasta naudoti, kai tiriamas ryšys dviejų ranginių kintamųjų, turinčių nedidelį
kategorijų skaičių.
3.3 lentel÷. Kendalo koreliacijos koeficientai.
Dar vienas ranginių kintamųjų ryšiui tirti naudojamas Gama koreliacijos koeficientas.
3.4 lentel÷. Gama koreliacijos koeficientai
Palyginus 3.3 ir 3.4 lenteles, galime pasteb÷ti, kad Kendalo ir Gama koreliacijų
koeficientai beveik identiški, skiriasi tik tūkstantosios dalel÷s. Šie ryšiai silpnesni palyginus su
Spirmeno ar Pirsono koreliacijos koeficientais. Vilniaus ir Rygos indekso pokyčio įtaka OMX
Baltijos šalių indeksui sumaž÷jo (galima sakyti, kad ryšio net neliko), tačiau vis d÷lto tarp OMX
Baltijos šalių ir OMX Talino išliko stiprus ryšys.
Apibendrinant koreliacijos tyrimą gal÷tume pasakyti, kad tiesin÷ priklausomyb÷ šiuo atveju
yra stipriausia, o iš rangin÷s koreliacijos koeficientų stipriausi ryšiai nustatyti skaičiuojant
Spirmeno koreliacijos koeficientą.
28
3.1.4.2. Vilniaus indekso koreliacijos tyrimas
Tiesin÷s koreliacijos koeficientas (Pirsono):

Keturių kintamųjų koreliacin÷ matrica su Pirsono koreliacijos koeficientais atrodo taip:
3.5 lentel÷. Pirsono koreliacijos koeficientai.
Mus labiausiai domina OMX Vilniaus indekso ryšiai su Rytų Skirstomaisiais Tinklais,
TEO LT ir Lietuvos Dujomis. Iš 3.5 lentel÷s matome, kad ryšiai vidutiniai. Visos trys bendrov÷s
labai panašiai įtakoja OMX Vilniaus indeksą, RST ir TEO koreliacijos koeficientas su OMXV toks
pats. Jei grįžtume prie 3.7 paveikslo, kur stulpeline histograma buvo atvaizduota šio bendrovių
procentin÷ reikšm÷ Vilniaus indeksui, pasteb÷tume kad nors ir nedaug TEO nusileidžia Rytų
skirstomiesiems tinklams tačiau šiek tiek turi mažesnę įtaką. Kiti ryšiai silpni, kaip ir tur÷tų būti. Jie
statistiškai n÷ra reikšmingi.
Rangin÷s koreliacijos koeficientai:

Panagrin÷sime Spirmeno, tada Kendalo tau ir Gama rangines koreliacijas.
3.6 lentel÷. Spirmeno koreliacijos koeficientai.
Iš 3.6 lentel÷s galima pasteb÷ti, kad Pirsono ir Spirmeno koreliacijos koeficientai skiriasi
labai nežymiai, RST ir OMXV didžiausiais koreliacijos koeficientas. Lyginant Pirsono ir Spirmeno
koeficientus galime pasteb÷ti, kad Lietuvos dujų įtaka OMX Vilniausi indeksui, pagal Spirmeną
didesn÷ nei TEO. Nors Pirsono koeficientas rod÷, jog LDJ įtaka mažiausia lyginant šių trijų
bendrovių koreliacijos koeficientus.
Paskaičiavus Kendalo koreliacijos koeficientus gaunama tokia koreliacin÷ matrica:
29
3.7 lentel÷. Kendalo koreliacijos koeficientai.
Gama koreliacijos koeficientų keturių kintamųjų matrica atrodo taip:
3.8 lentel÷. Gama koreliacijos koeficientai
Palyginus 3.7 ir 3.8 lenteles, galime pasteb÷ti, kad Kendalo ir Gama koreliacijų
koeficientai labai panašūs. Šie ryšiai silpnesni palyginus su Spirmeno ar Pirsono koreliacijos
koeficientais. Tačiau visi ranginiai koreliacijų koeficientai rodo, kad nors ir nežymiai, bet LDJ
koreliacijos koeficientas didesnis nei TEO.
Apibendrinant koreliacijos tyrimą gal÷tume pasakyti, kad tiesin÷ priklausomyb÷ šiuo atveju
yra stipriausia, o iš rangin÷s koreliacijos koeficientų geriausiai tiktų Spirmeno koreliacijos
koeficientas.
3.2. Vilniaus indekso prognozavimas binominio modelio pagalba
Prognozavimas bus atliekamas OMX Vilniaus indeksui. Pirmiausiai šį modelį

pritaikysime visiems turimiems duomenims, kurie apima laikotarpį nuo 2000.01.03 iki 2008.07.03.
Prognozavimo atskaitos tašku laikoma 2008.07.03 dienos indekso reikšm÷, kuri buvo 417,98
punktų. Toks atskaitos taškas pasirinktas, kad pateiktume prognozes dar iki kriz÷s.
Prognozę pateiksim:
• Po 2 dienų (2008.07.08);
• Po 1 savait÷s (2008.07.11);
• Po 2 savaičių (2008.07.18);
• Po 1 m÷nesio (2008.08.03);
30
• Po 3 m÷nesių (2008.10.03);
Rezultatas pasiekiamas taip:
1. Pasinaudojus STATISTICA galimyb÷mis kasdienis indekso pokytis yra suskirstomas į
intervaliukus, kas 0,2%. Dienos indekso pokytis gali pakisti tik 15% į vieną arba į kitą pusę.
Didžiausias indekso šuolis buvo 4,69%, o didžiausias nuosmukis siek÷ net -9,71%.
Gauta lentel÷ pateikta 4 priede. Be indekso pokyčio suskirstymo į intervaliukus dar
pateiktas dažnis (kiek tokių pokyčių yra tame intervale); kaupiamas dažnis parodo, kad tiriamą
laikotarpį atitinka 2154 dienų; CDF (cumulative distribution function), kuris bus reikalingas
tolesniam skaičiavimui.
2. Pasinaudojus STATISTICA galimyb÷mis nubraižom dažnių histogramą ir patikrinam, ar
iš pirmo žvilgsnio į normalųjį skirstinį panašus skirstinys tikrai yra normalusis.
3.8 paveiksle pateikta histograma, kaip pasiskirstę indekso pokyčiai.
3.8 paveikslas. Histograma atvaizduojanti kaip pasiskirstę indekso pokyčiai
3. Naudodamasi Makro komandomis, parašoma programa, kuri pateikta 5 priede. Programa

skirta prognoz÷ms gauti.
Trumpas programos algoritmas:
1. Atsitiktinai sugeneruojamas skaičius iš intervalo [0;1];
2. Sugeneruotas skaičius yra lyginamas su CDF stulpeliu. Radus tą „laiptuką“, į kurį
patenka sugeneruotas skaičius, atspausdinamas intervalo vidurys. Tai bus tikimyb÷,
kaip kis indeksas.
3. Pasinaudojus tikimybe, apskaičiuojama sekančios dienos indekso vert÷.
4. Fiksuojamos mums reikalingų dienų prognoz÷s.
31
Procedūrą kartojam 1000 kartų. Tada yra skaičiuojamas vidurkis (fiksuotų dienų, kurioms
rengiama prognoz÷). Gautas vidurkis ir bus tos dienos prognoz÷. 3.9 paveiksle pateikiamas visų
1000 prognozių vaizdas:
3.9 paveikslas. Visų 1000 prognozių vaizdas
5. Gautų prognozių rezultatai, bei palyginimas su tikrąja indekso verte:

Prognozavimo data Prognoz÷ Tikra indekso vert÷
Po 2 dienų (2008.07.08) 418,65 421,41
Po 1 savait÷s (2008.07.11) 419,05 422,34
Po 2 savaičių (2008.07.18) 419,33 417,83
Po 1 m÷nesio (2008.08.03) 419,36 417,15
Po 3 m÷nesių (2008.10.03) 419,87 415,55
3.9 lentel÷. Vilniaus indekso prognozavimo rezultatai, imant visą tiriamą laikotarpį
Galime pasteb÷ti, jog prognoz÷ tikrai nedaug skiriasi nuo tikros indekso vert÷s. Taip pat,
kuo ilgesniam laikotarpiui prognozuojam, tuo prognoz÷ darosi netikslesn÷. Iš prognozių matomas
nedidelis indekso reikšm÷s did÷jimas, taip yra d÷l to, kad OMX Vilniaus kasdieninis pokytis turi
tendenciją augti. Tai rodo ne tik paveiksl÷lis, kuriame pateikti pradiniai duomenys grafiškai, bet ir
teigiamas OMX Vilniaus kasdienio pokyčio vidurkis, kuris yra 0,07. O šio modelio prognozavimas
ir paremtas priešistore.
Šiuo atveju prognoz÷ yra tūkstančio prognozių aritmetinis vidurkis. Kyla klausimas ar
pa÷mus dešimties tūkstančių prognozių vidurkį ji nebūtų dar tikslesn÷. Atlikus pakartotinius
skaičiavimus gautus rezultatus iškart palyginsime su prognoze pateikta 3.9 lentel÷je ir su tikra
indekso vert÷ prognozuojamai dienai:
32
Prognozavimo data Prognoz÷ imant Prognoz÷ imant Tikra indekso
1000 vidurkį 10000 vidurkį vert÷
Po 2 dienų (2008.07.08) 418,65 418,59 421,41
Po 1 savait÷s (2008.07.11) 419,05 418,95 422,34
Po 2 savaičių (2008.07.18) 419,33 419,28 417,83
Po 1 m÷nesio (2008.08.03) 419,36 419,59 417,15
Po 3 m÷nesių (2008.10.03) 419,87 419,91 415,55
3.10 lentel÷. Vilniaus indekso prognozavimo rezultatų palyginimas su tikra indekso vert÷
Palyginus rezultatus, galime pasteb÷ti, kad prognoz÷s tiek imant 1000 tiek 10000 skiriasi
nežymiai, ir galima apsieiti ir su mažesniu kiekiu skaičiavimų, taip sutaupydami laiko.
Nor÷dami pažiūr÷ti kas būtų jei paimtum÷me laikotarpį nuo 2007.07.03 iki 2008.09.14. Ar
tikrai tada binominio modelio taikymas netur÷tų prasm÷s, kadangi nuo 2008.09.15 jau prad÷tas
fiksuoti žymus visų akcijų ir indekso kritimas, kuris rodo kriz÷s pradžią. Gautus prognoz÷s
rezultatus palyginkime su tikromis indekso reikšm÷mis:
Prognozavimo data Prognoz÷ imant Prognoz÷ imant Tikra indekso
1000 vidurkį 10000 vidurkį vert÷
Po 2 dienų (2008.09.16) 413,57 413,37 393,29
Po 1 savait÷s (2008.09.19) 413,21 412,60 374,79
Po 2 savaičių (2008.09.26) 411,99 411,42 349,78
Po 1 m÷nesio (2008.11.12) 409,04 408,73 205,33
Po 3 m÷nesių (2008.12.12) 400,29 398.11 170,46
3.11 lentel÷. Vilniaus indekso prognozavimo rezultatai, kai duomenys imami
2007.07.03 - 2008.09.14
Žiūrint į prognozes, matomas indekso kritimas. Lyginant su tikra verte tų dienų ji labai
skiriasi, bet tai normalu, nes tokio staigaus nuosmukio nuprognozuoti niekas negali. dabar pasaulin÷
kriz÷ ir indeksas smarkiai krenta. Prognoz÷ labai skiriasi nuo tikrov÷s, bet nereikia labai tuo
steb÷tis, nes surinkti duomenys yra iki rugs÷jo m÷nesio, kai kriz÷s dar nebuvo, ir visų akcijų kainos,
tuo pačiu ir pats indeksas tebekilo.
Metodas tikslus, pakankamai patikimas, tačiau pakankamai sud÷tingas ir užima nemažai
laiko, patartina prognozuoti ramiu periodu, tada jis tikrai pasiteisina.
33
3.3. Duomenų glodinimas
Kaip ir daugelis statistinių duomenų, laiko eilučių duomenys jungia savyje sisteminę
komponentę ir atsitiktinį triukšmą (nepaaiškinamą išsibarstymą), kuris labai apsunkina sistemin÷s
komponent÷s nustatymą. Tod÷l dažnai prieš pradedant laiko eilučių tyrimą, tenka naudoti įvairią
duomenų filtravimo techniką, leidžiančią labiau išryškinti sisteminę komponentę. Vienas iš pačių
paprasčiausių ir plačiausiai paplitusių yra duomenų glodinimas slenkamųjų vidurkių metodu. Pagal
šį metodą kiekvienas laiko eilut÷s narys yra pakeičiamas jį supančių narių vidurkiu, kuris
vadinamas glodinimo pokyčiu. Aišku, naudojant duomenų glodinimą yra prarandama dalis
informacijos, tačiau pagal suglodintus duomenis lengviau ir tiksliau galima atlikti ateities prognozę.
Vizualiai glodinimas dantytą pradinių duomenų kreivę pakeičia glodžiąja kreive.
Geriausiai atlikti glodinimą parenkant nelyginį plotį, nes atliekant glodinimą pagal lyginį
plotį, glodinimo procedūra darosi sud÷tingesn÷. Tokiu atveju pirmiausiai reikia gauti suglodintą
seką kaip ir nelyginio pločio atveju. Toliau turime gauti dar vieną seką imdami dviejų gretimų
narių vidurkį. Pastaroji seka ir duos duomenis, suglodintus pagal lyginį plotį.
Didinant glodinimo plotį vingių skaičius suglodintame grafike maž÷ja.
Pateiksime Vilniaus indekso reikšmes užfiksuotas VVP biržoje laikotarpiu 2007.01.03 –
2008.07.03 ir slenkamojo vidurkio trendo įvertį, imant skirtingus pločius:
3.10 paveikslas. Grafinis pradinių ir suglodintų reikšmių vaizdas, kai plotis=7
34
Nesunku pasteb÷ti, kad didinant glodinimo plotį vingių skaičius suglodintame grafike
maž÷ja. Trendo įvertis parodo bendrą did÷jimo ar maž÷jimo tendenciją.
Turint suglodintus duomenis galima pereiti prie sistemin÷s komponent÷s analiz÷s. Laiko
eilut÷se gali būti išskirti keturi pagrindiniai veiksniai, darantys įtaką sisteminei komponentei. Tai:
trendas, sezoniškumas, cikliškumas ir atsitiktinumo komponent÷.
Svarbiausia yra trendo komponent÷, tai pagrindinį d÷mesį ir skirsime šios
komponent÷s analizei.
35
Trendas – tai yra laiko eilučių komponent÷, išreiškianti bendrą did÷jimo ar maž÷jimo
tendenciją, Sezonin÷ komponent÷ atspindi reguliarius nukrypimus nuo trendo.
Laiko eilučių trendas, išreiškiantis bendrą did÷jimo ir maž÷jimo tendenciją, dažniausiai yra
sudarytas naudojant mažiausių kvadratų metodą ir regresinę analizę. Trendas yra nusakomas
algebrine funkcija. Ji, kaip ir regresijos atveju, gali būti parinkta įvairiausių pavidalu. Trendo lygties
koeficientams ir tikslumo įverčiams nustatyti naudojame koreliacin÷s ir regresin÷s analiz÷s
metodus. Apžvelgsime keletą labiausiai paplitusių trendo formų.
3.3.1. Tiesinis trendas
Tiesinis trendas taikomas, kai matavimo gretimų reikšmių skirtumai yra artimi vienas
kitam. Tiesinio trendo lygtis: Y = b0 + b1 ⋅ t
Čia b0 ir b1 - nežinomieji trendo koeficientai, o trendo kintamasis laiko eilut÷se reiškia

sunumeruotus matavimo momentus. Nežinomieji trendo komponent÷s koeficientai nusakomi
tY − t ⋅ Y
analogiškai tiesin÷s regresijos koeficientams naudojant formules: b1 = 2
, b0 = Y − b1 t.
t −t
2
1 n 1 n 2
Čia tY = ∑ t iYi ,
n i =1
t2 = ∑ ti
n i =1
Tiesinio trendo grafikas:
3.13 paveikslas. Tiesinio trendo grafikas ir jo lygtis
36
3.3.2. Parabolinis trendas
Nagrin÷sime tik antrosios eil÷s parabolinį trendą. Jis yra tinkamas laiko eilučių, kurių
duomenų antrieji skirtumai vienas nuo kito nedaug skiriasi, aproksimavimo modelis. Antrieji
skirtumai gaunami atimant gretimas pirmųjų skirtumų reikšmes.
Antrosios eil÷s parabolin÷s regresijos lygtis (parabolinis trendas) užrašomas taip:
Y = b0 + b1 ⋅ t + b2 ⋅ t 2 . (3.2)
Čia b0 , b1 ir b2 yra nežinomi koeficientai .
3.14 paveikslas. Parabolinio trendo grafikas ir jo lygtis
Palyginus 3.13 ir 3.14 grafikus matome, kad parabolinis aproksimavimas tinka labiau nei
tiesinis.
3.4. Laiko eilučių prognozavimo metodai
Šiame skyrelyje panagrin÷sime keletą laiko eilučių prognozavimo metodų, kai duomenis
generuojantis procesas yra stacionarus, t.y kai proceso vidurkis ir autokoreliacijos funkcija
nesikeičia keičiantis laikui.
Norint taikyti šiame skyrelyje nagrin÷jamus prognozavimo metodus nestacionariems
procesams, reikia naudoti jų transformacijas, kurios juos suveda į stacionarųjį pavidalą, t.y.
panaikinti trendą. Ši procedūra vadinama diferencijavimu. Trendą galima panaikinti ir
37
paprasčiausiai iš kiekvieno nagrin÷jamos sekos nario atimant atitinkamą trendo reikšmę. Tačiau
diferencijavimas yra labiau tinkanti procedūra čia nagrin÷jamiems prognozavimo metodams.
Išdiferencijuoti laiko eilutę y t galima atlikus pakeitimą z t = y t − y t −1 , t.y nagrin÷jant pirmuosius
proceso skirtumus. Jeigu ir po tokio pakeitimo procesas nepasidaro stacionarusis, galima nagrin÷ti
antruosius skirtumus xt = z t − z t −1 ir t.t.
Naudojant laiko eilučių prognozavimo metodu reikia visada žiūr÷ti, ar parinktas metodas
leidžia pakankamai tiksliai prognozuoti. Prognozavimo klaida yra apibr÷žiama kaip skirtumas tarp
stebimos laiko eilut÷s reikšm÷s ir prognozuotos. Tų skirtumų kvadratų suma vadinama
prognozavimo tikslumu. Prognozuoti patartina metodu, duodančiu didžiausią prognozavimo
tikslumą.
Laiko eilut÷ms n÷ra reikalingas toks didelis duomenų kiekis kaip binominiam modeliui,
taigi visiems laiko eilučių prognozavimo modeliams imsim laikotarpį 2007.01.03 – 2008.07.03.
3.4.1. Paprastasis ir svertinis slenkamųjų vidurkių metodas
Tai vienas paprasčiausių prognozavimo metodų. Prognozuojama reikšm÷ geriausiai

reprezentuojama n prieš tai steb÷tų reikšmių aritmetiniu vidurkiu. Simboliškai tai galima užrašyti
y t −1 + y t − 2 + K + yt − n
formule: yˆ t = . (3.3)
n
Šis metodas vadinamas paprastuoju slenkamųjų vidurkių prognozavimo metodu. Jei
laukiamas nedidelis duomenų pasikeitimas, reik÷tų naudoti didesnį d÷menų skaičių
Norint gauti tikslesnį rezultatą reik÷tų imti skirtingus n. Prognozavimą atliksime sekančiai
dienai , t.y. 2008.07.04 .
Paprastoji Paprastoji Paprastoji
yˆ t = ( y t − 1 + y t − 2 + y t − 3 ) / n prognoz÷, kai prognoz÷, kai prognoz÷, kai Tikra indekso vert÷
n=3 n=5 n = 10
2008.07.04 422,09 423,66 427,26 421,7
Prognozavimo tikslumas 0,149511 3,849444 30,92472
3.12 lentel÷. Paprastosios slenkamųjų vidurkių prognoz÷s rezultatų palyginimas
Lentel÷je 3.12 pateiktos paprastosios slenkamųjų vidurkių prognoz÷s rezultatai ir tų

prognozių tikslumas, bei palyginimas su tikrąja tos dienos indekso verte. Iš lentel÷s matoma, kad
visos prognoz÷s pakankamai geros, nors paklaidos did÷ja imant didesnį n. Tiksliausia prognoz÷, kai
vidurkis skaičiuojamas iš 3 paskutinių indekso reikšmių, kurios paklaida tik 0,15.
38
Dar naudojamas patobulintas paprastasis slenkamųjų vidurkių metodas. Jo esm÷ remiasi
faktu, kad dažniausiai paskutiniosios laiko eilut÷s reikšm÷s turi didesnę įtaką prognozuojamam
rezultatui nei ankstesnis. Tod÷l yra imamas svertinis prieš tai steb÷tų reikšmių vidurkis:
yˆ t = (d 1 y t −1 + d 2 y t − 2 + K + d n y t −3 ) , (3.4)
Kur koeficientai (svoriai) tenkina lygybę d 1 + d 2 + K + d n = 1 . Šis prognozavimo metodas

vadinamas svertiniu slenkamųjų vidurkių metodu.
Norint gauti tikslesnį rezultatą reik÷tų išbandyti įvairius svertinius koeficientus. Taip ir
padarysime. O prognozę pateiksime kitai dienai , t.y. 2008.07.04 .
Pirmiausiai paimsime n = 3 su tokiais svoriais:
Sud÷tin÷
Sud÷tin÷ prognoz÷, Sud÷tin÷ prognoz÷,
prognoz÷,
kai svoriai : kai svoriai :
kai svoriai :
Kai n=3 d1 = 0,1 , d1 = 0,2 , d1 = 0,2 , Tikra indekso vert÷
d 2 = 0,2 d 2 = 0,2 d 2 = 0,3
d 3 = 0,7 d 3 = 0,6 d 3 = 0,5
2008.07.04 419,81 420,444 421,042 421,7
Prognozavimo
3,5721 1,577536 0,432964
tikslumas
3.13 lentel÷. Sud÷tinio slenkamųjų vidurkių metodo prognozavimo rezultatų palyginimas
Gautos pakankamai geros prognoz÷s. Iš 3.13 lentel÷s matome, kad tiksliausia prognoz÷ tai
imami svoriai d1 = 0,2 , d 2 = 0,3 , d 3 = 0,5 . Tada prognozuojama reikšm÷ nuo tikrosios indekso
vert÷s skiriasi tik šešiomis šimtosiomis dalimis.
Dar kartą atliksime prognozę , kai n = 5 , su skirtingais svoriais:
Sud÷tin÷ prognoz÷, Sud÷tin÷ prognoz÷, Sud÷tin÷ prognoz÷,
kai svoriai : kai svoriai : kai svoriai :
d1 = 0,1, d1 = 0,1, d1 = 0,1,
Kai n=5 d 2 = 0,1, d 2 = 0,1, d 2 = 0,2, Tikra indekso vert÷
d 3 = 0,2, d 3 = 0,2, d 3 = 0,2,
d 4 = 0,3, d 4 = 0,2, d 4 = 0,2,
d 5 = 0,3. d 5 = 0,4. d 5 = 0,3.
2008.07.04 424,519 424,5437 424,557 421,7
Prognozavimo
7,946761 8,08644 8,162449
tikslumas
39
Palyginus 3.12, 3.13 ir 3.14 lenteles galime pasteb÷ti, kad tiksliausias prognozes gavome
paprastuoju slenkamųjų vidurkių metodu imdami trijų paskutinių dienų vidurkį ir svertiniu
slenkamųjų vidurkių metodu, kai imamas taip pat trijų paskutinių dienų vidurkis su svoriais
d1 = 0,2 , d 2 = 0,3 , d 3 = 0,5 . Dar galime pateikti grafinį šių geriausių prognozių vaizdą:
3.15 paveikslas. Grafinis paprastosios ir sud÷tin÷s prognoz÷s vaizdas 2008.07.04.
Šiame paveiksl÷lyje pateikti tiksliausių prognozių paskutiniai momentai. 3.15 paveiksle 15

pirmųjų skaičių žymi paskutines reikšmes ir prognozes slenkamųjų vidurkių metodu, o 16 skaičiumi
jau atvaizduota prognoz÷, bei tikra tos dienos indekso reikšm÷. M÷lyna atvaizduoja tikrąją indekso
vertę, raudona – paprastąją slenkamųjų vidurkių prognozę, o žalia – svertinę. Matome kiek nedaug
prognoz÷s skiriasi nuo tikrosios tos dienos indekso vert÷s.
Apibendrinant paprastąjį ir sud÷tinį slenkamųjų vidurkių metodą galima pasakyti, kad šis
metodas pakankamai tikslus. Reikalingi tik trijų paskutinių dienų rezultatai, norint gauti geras
prognozes. Šis metodas tikslus ir paprastas.
3.4.2. Paprastojo eksponentinio glodinimo metodas
Paprastojo eksponentinio glodinimo metodas šiandien yra plačiai naudojama

prognozavimo technika. Šis metodas skiriasi nuo slenkamųjų vidurkių metodo tik svorių suteikimo
ankstesn÷ms reikšm÷ms metodika. Jis irgi taikytinas tik stacionarioms laiko eilut÷ms.
Prognozuojama reikšm÷ yra apskaičiuojama pagal formulę: yˆ t = α ( y t −1 − yˆ t −1 ) + yˆ t −1 , kur α
( 0 ≤ α ≤ 1 ) vadinama glodinimo konstanta. Ji susijungia su slenkamųjų vidurkių metodo narių

40
2
skaičiumi n apytiksliai tokia pereinamybe: α = . Tod÷l kai α artimas vienetui, turime nedidelį
n +1
duomenų glodinimą, o kai α mažas – gana smarkų glodinimą.
Eksponentinio glodinimo metodas turi dar vieną pranašumą prieš slenkamųjų vidurkių
metodą. Eksponentiniam glodinimui atlikti reikia tik paskutinio laiko momento matavimo reikšm÷s
ir jo prognoz÷s, o slenkamųjų vidurkių metodui kartais reikia visos eil÷s prieš tai buvusių duomenų,
tačiau kartais užtenka vos trijų paskutinių dienų, kad būtų galima atlikti prognozavimą. Ir tai
padaryti pakankamai tiksliai.
Pritaikysime eksponentinio glodinimo procedūrą indekso prognozavimui. Imsime su
skirtingomis α reikšm÷mis, kai α =0,1 , kai α =0,3 ir α =0,5. Ir atvaizduosime grafiškai.
Tiksliausia prognoz÷ gaunama, kai α =0,1, jos grafinis vaizdas ir pateiktas 3.16 paveiksle.:
3.16 paveikslas. Grafinis prognoz÷s palyginimas, kai α =0,1 su tikra indekso reikšm÷
Šis prognozavimo būdas taip pat pakankamai tikslus. Tik prognoz÷ pateikia labai trumpam
laikui, dienai arba dviems dienoms į priekį. Šiuo atveju mes tur÷jom 15 paskutinių darbo dienų
fiksuotą indekso reikšmę, o prognozę atlikome 16 dienai, t.y. 2008.07.04 ir palyginom su tikra tos
dienos prognoze. Su kitomis α reikšm÷mis, kai α =0,3 ir α =0,5 prognoz÷s pateiktos 6 priede.
Kai α =0,1 Prognoz÷ Indekso reikšm÷
2008.07.04 421,36 421,70
Prognozavimo tikslumas 0,1156
41
Iš pateiktos prognoz÷s palyginimo su tikra reikšme, galime pasteb÷ti, kad prognoz÷ labai
tiksli. Tai rodo ir prognozavimo tikslumas, kuris yra tik 0,1.
3.4.3. Autoregresinis prognozavimas
Jei laiko eilut÷s stebimos reikšm÷s stipriai koreliuotos tarpusavyje, tai ateities reikšmę
galima prognozuoti naudojantis praeityje steb÷tomis reikšm÷mis. Priklausomyb÷ dažniausiai imama
nuo reikšmių, turinčių didžiausią įtaką.
Jei n÷ra tiksliai žinoma, nuo kurių praeities duomenų yra ženkliausia mūsų laiko eilut÷s
priklausomyb÷, galima pasinaudoti autokoreliaciniais priklausomyb÷s koeficientų skaičiavimais.
Postūmiai, kuriems esant gauname didžiausias koreliacin÷s funkcijos reikšmes, rodo duomenų
eilut÷s narius, turinčius didžiausią įtaką prognozuojamam rezultatui.
Autoregresinio prognozavimo lygtis: yˆ t = b0 + b1 yt −1 + b2 yt −3 , kur b yra nežinomi
koeficientai.
Autokoreliacija rodo, kad ieškome ryšio tarp to paties kintamojo dviejų sekų,
besiskiriančių tik pradin÷s atskaitos tašku. Autokoreliacijos metodu yra nustatoma autokoreliacijos
funkcija, pateikianti koreliacijos tarp pradinių duomenų ir pastumtų duomenų sekos koeficientą.
Pabandysim atlikti prognozę turimiems duomenims 2007.01.03 – 2008.07.03.
Taigi ieškosime autoregresinio prognozavimo lygties yˆ t = b0 + b1 yt −1 + b2 yt −3 , čia b yra
nežinomi koeficientai. Pasinaudojus Statistica galimyb÷mis randame koeficientus:
b0 b1 b2
Koeficientai 0,696423 1,033823 -0,035637
3.16 lentel÷. Nežinomų koeficientų reikšm÷s
Įstačius gautus koeficientus gaunama tokia autoregresin÷s prognoz÷s lygtis:

yˆ t = 0,696423 + 1,033823 * y t −1 + (−0,035637) * yt −3 .
Įstatę gautas reikšmes gauname prognozę liepos 4 d.:
Prognoz÷ Tikra indekso reikšm÷
2008.07.04 417,69 421.70
Prognozavimo tikslumas 16,06191
3.17 lentel÷. Autoregresin÷s prognoz÷s palyginimas su tikra tos dienos reikšme
42
Autoregresinio prognozavimo metodas n÷ra labai tikslus. Prognozę pateikia tik sekančiai
dienai.
3.4.4. ARIMA prognozavimo modelis
ARIMA iššifruojamas kaip autoregresinis integruotas slenkamųjų vidurkių metodas

(AutoRegressive Integrated Moving Average). Jo esm÷ sujungti autoregresinį prognozavimo
metodą su slenkamųjų vidurkių metodu. Šis metodas pirmą kartą buvo pritaikytas George Box‘o ir
Gwilym Jenkins‘o tyrimuose, tod÷l dažnai vadinamas Box – Jenkins prognozavimu. D÷l šio metodo
sud÷tingumo efektyvus pritaikymas galimas tik naudojant specialias kompiuterines programas.
Viena iš tokių yra STATISTICA.
Jei p raide žym÷sime autoregresinio prognozavimo lygties narių skaičių, o q raide –
slenkamųjų vidurkių narių skaičių, tai ARIMA (p,d,q) žym÷s ARIMA modelį, turintį p
autoregresinių narių ir q slenkamųjų vidurkių narių skaičių, o d – yra skaičius, kiek kartų eilut÷
buvo diferencijuojama, kol tapo stacionari.
Praktikoje retai yra naudojamas ARIMA modelis su parametru, didesniu nei 2.
Konkrečios ARIMA prognozavimo lygties išraiška gana sud÷tinga, tai pateiksime tik
modelio ARIMA (1,0,1) prognoz÷s procesui y t lygtį:
yˆ t = c + p1 y t −1 + a t − q1 at −1 (3.5)
čia c – konstanta, p ir q – parametrai, kurių modulis ne didesnis už 1, o a žymi baltąjį
triukšmą, suteikiantį prognozuojamam procesui atsitiktinumo komponentę. Baltasis triukšmas
kiekvienam t yra atsitiktinis dydis, turintis standartinį normalųjį skirstinį.
Taikant ARIMA prognozavimo modelį stacionariems procesams naudojant STATISTICA.
Pirmiausia reikia nustatyti ar tai stacionarus procesas. Kadangi šie duomenys stacionarūs tai d = 0.
Antras žingsnis – nustatyti autoregresinio ir slenkamųjų vidurkių prognozavimo lygčių
narių skaičių, t.y. p ir q parametrus. Jie yra parenkami naudojantis autokoreliacijos ir dalin÷s
autokoreliacijos funkcijomis. Dalin÷s autokoreliacijos funkcija kitaip negu paprastoji
autokoreliacijos funkcija skaičiuojama neatsižvelgiant į tarpinių narių įtaką.
Taikysime prognozavimo modelį ARIMA su skirtingais parametrais p ir q. Tiksliausios
prognoz÷s gautos taikant modelį ARIMA (1,0,1). Taigi šio modelio palyginimą su tikromis indekso
reikšm÷mis pateiksime 3.18 lentel÷je:
43
Data Tikra indekso vert÷ ARIMA (1,0,1) Prognoz÷s tikslumas
2008.07.04 421.70 420,1342 2,451638
2008.07.08 421.41 420,1340 1,628116
2008.07.09 422.34 420,1338 4,86724
2008.07.10 417.83 420,1336 5,306629
2008.07.11 417.15 420,1334 8,900715
2008.07.14 415.55 420,1332 21,00573

3.18 lentel÷. ARIMA prognozių rezultatai ir palyginimas su tikromis indekso reikšm÷mis
Iš klaidos matome, kad kuo toliau tuo prognozavimo tikslumas didesnis, tai reiškia kad
prognoz÷ su kiekviena diena vis netikslesn÷. Tiksliausia prognoz÷ gauta po dviejų dienų.
Šio metodo privalumas tas, kad matome ir paklaidą, ir prognozę ir dar grafinį vaizdą.
Grafinį prognozuojamo indekso vaizdą 3.17 paveikslas, gauname v÷l pasinaudojus
programos STATISTICA galimyb÷mis.:
3.17 paveikslas . Grafinis prognoz÷s ARIMA (1,0,1) vaizdas
44
3.5. Prognozavimo metodų palyginimas
OMX Vilniaus indeksas buvo prognozuotas šešiais metodais. Prognozavimui binominiu

modeliu imami duomenys nuo 2000.01.03 iki 2008.07.03, o laiko eilučių modeliams – nuo
2007.01.03 iki 2008.07.03. Prognozavimas atliekamas nuo 2008.07.04. Daugelis metodų pateikia
prognozę tik kitai dienai, ARIMA modelis prognozes pateikia ilgesniam laikotarpiui, o binominis
modelis tai gali prognozuoti neribotam laikotarpiui, tačiau tai daryti n÷ra tikslinga, nes su kiekviena
diena paklaidos vis did÷ja. Geriausiai metodų palyginimui naudoti vidutinį prognozavimo tikslumą.
Jis gaunamas iš tikros reikšm÷s at÷mus prognoz÷s rezultatą ir pak÷lus kvadratu. Binominio ir
ARIMA modelio vidutinis prognozavimo tikslumas gaunamas pa÷mus 5 dienų skirtumų kvadratų
sumos vidurkį, nes tiksliausios prognoz÷s pateikiamos savaitei.
Sud÷tin÷
prognoz÷,
Paprasta kai svoriai : Eksponentinio
BINOMINIU ARIMA
metodas
modeliu
prognoz÷, d1 = 0,2 , glodinimo, kai Autoregresinis
(1,0,1)
kai n=3 alfa=0,1
d 2 = 0,3
d 3 = 0,5
Vidutinis
prognozavimo 7,46765 0,1521 0,432964 0,1156 16,06191 4,6308
tikslumas
3.19 lentel÷. Prognozavimo metodų palyginimas
Iš 3.19 lentel÷s matomas kiekvieno modelio tikslumas. Taigi tiksliausi prognozavimo

rezultatai gauti pačiais paprasčiausiais prognozavimo metodais: eksponentinio glodinimo,
paprastuoju slenkamųjų vidurkių ir svertinių slenkamųjų vidurkių metodais.
Trumpai aptarsime kiekvieno prognozavimo metodo rezultatus, jų pliusus ir minusus:
Indekso prognozavimas binominio modelio pagalba.
Sudarytas algoritmas šiam modeliui realizuoti STATISTICA paketu ir atliktas
modeliavimas (1000 kartų ir 10000 kartų) imant skirtingų laikotarpių duomenis. Prognoz÷s
pateikiamos:
• Po 2 dienų;
• Po 1 savait÷s;
• Po 2 savaičių;
• Po 1 m÷nesio;
45
• Po 3 m÷nesių;
Šiuo modeliu prognozavimą galima atlikti tokiam laikui kokiam tik reikia. Prognoz÷s
rezultatai parod÷, kad šis metodas n÷ra tiksliausias, tačiau jis stabilus. Šio metodo prognoz÷s
geriausios iki dviejų savaičių.
Paprastasis ir svertinis slenkamųjų vidurkių metodai;
Prognozių rezultatai labai tikslūs, be to labai paprasta šiuos metodus naudoti
prognozavimui. Bet šis metodas turi minusą: imant kasdienius duomenis prognozavimas atliekamas
tik vienai dienai;
Eksponentinio glodinimo metodas;
Šis metodas pasirod÷ pats tiksliausiais. Dar vienas pliusas, kad šiam metodui yra reikalingi
tik paskutinio laiko momento reikšm÷s. Minusas, kad prognozuoja tik sekančiai dienai.
Autoregresinis prognozavimas;
Prognozių rezultatai patys netiksliausi, metodo pritaikymas pakankamai sud÷tingas, nes jis
tinka tuo atveju, kai tiksliai nežinoma, nuo kurių praeities duomenų yra ženkliausia mūsų laiko
eilučių priklausomyb÷.
ARIMA prognozavimo modelis;
Prognozavimas atliekamas ilgesniam laikotarpiui nei daugelis metodų, tačiau tik su
kiekviena diena klaida vis did÷ja. Metodas pakankamai sud÷tingas, jo taikymui reikalingos
specialios programos. Šiuo konkrečiu atveju, prognoz÷ gali būti atliekama daugiausiai dviems
savait÷ms.
Visi šie metodai turi savo pliusų ir minusų, prognozuojant ramiu periodu visi jie
pakankamai tikslūs.
46
4. IŠVADOS
Darbe buvo atlikta OMX Baltijos šalių indeksų kasdienio pokyčio analiz÷, Baltijos šalių
lyginamojo ir Vilniaus grąžos indeksų sud÷ties tyrimas, sudarytos koreliacin÷s matricos ir atliktas
koreliacijos koeficientų skaičiavimas bei palyginimas, atliktas duomenų glodinimas su skirtingais
pločiais. Išanalizuoti binominis ir finansinių laiko eilučių modeliai, bei praktiškai pritaikyti Vilniaus
indekso prognozavimui. Apibendrinant darbą galima padaryti tokias išvadas:
1. Išnagrin÷jus Baltijos šalių lyginamąjį grąžos indeksą pasteb÷ta, kad OMX Talino VP
rinka labiausiai įtakoja šį indeksą. Estijos bendrov÷s sudaro virš 50 % šio indekso
reikšm÷s, Lietuvos apie 40 %, o Latvijos nesiekia net 8 %.
2. Išnagrin÷jus OMX Vilniaus indekso sud÷tį pasteb÷ta, jog trys didžiausią reikšmę
turinčios įmon÷s taip ir išliko pirmaujančiomis OMX Vilniaus indekso sud÷tyje 2007-
2009 m. Tai Rytų skirstomieji tinklai, TEO LT ir Lietuvos dujos. 2009 m. bendrai šios
įmon÷s sudaro 56,98 %.
3. Atlikus tiesin÷s ir rangin÷s koreliacijos tyrimą tarp OMX Baltijos šalių lyginamojo
grąžos indekso dienos pokyčio ir OMX Rygos, OMX Talino ir OMX Vilniaus grąžos
indeksų pokyčių gauta, jog tiesin÷ priklausomyb÷ šiuo atveju yra stipriausia su OMX
Talino indekso pokyčiu. Pirsono koreliacijos koeficientas 0,93.
4. Atlikus tiesin÷s ir rangin÷s koreliacijos tyrimą tarp OMX Vilniaus indekso kasdienio
pokyčio ir trijų didžiausią įtaką turinčių įmonių: Rytų skirstomieji tinklai, TEO LT ir
Lietuvos dujos. Stipriausias tiesinis Pirsono koreliacijos koeficientas, su Rytų
skirstomaisiais tinklais ir TEO LT 0,68, su Lietuvos dujomis 0,63.
5. Atliktas duomenų glodinimas, bei pritaikytas tiesinis ir parabolinis trendai. Parabolinis
trendas geriau aproksimavo duomenis nei tiesinis.
6. Atliktas OMX Vilniaus indekso prognozavimas šešiais metodais: binominiu,
paprastuoju ir svertinių slenkamųjų vidurkių, eksponentinio glodinimo, autoregresiniu,
ARIMA. Tiksliausi prognozavimo rezultatai gauti pačiais paprasčiausiais
prognozavimo metodais: eksponentinio glodinimo, paprastuoju slenkamųjų vidurkių ir
svertinių slenkamųjų vidurkių metodais. Tačiau šiais metodais prognoz÷ gaunama tik
vienai dienai, norint prognozuoti ilgesniam laikotarpiui geriau naudotis sud÷tingesniais
metodais: ARIMA ar binominiu modeliu.
47
LITERATŪROS SĄRAŠAS
1. Remigijus Leipus. Finansin÷s laiko eilut÷s. Vilnius, 2003 m. 4 – 21 p.

2. Remigijus Leipus. Finansų rinkos.: diskretaus laiko stochastiniai modeliai. Vilniaus
universiteto leidykla, 1999 m. 60 – 89 p.
3. CoxJ.C, Ross S.A.,Rubinstein M. Option princing: a simplified approach. Journal of
Financial Economics. 1979 m. 229 - 263 p.
4. F. Boshuizen, A. W. Van Vaart, H. Van Zanten, K. Banachewich and P. Zareba. Stochastic
processes for finance risk management tools. Vilnius, 2006 m. 5 – 8 p.
5. Fabio Trojani. Introduction to Probability Theory and Stochastic Processes for Finance.4 -
5 p.
6. Sean Fanning, Jay Parekh. Stochastic Processes and their Applications to Mathematical
Finance. August 17, 2004 m. 3 – 5 p.
7. Vydas Čekanavičius, Gediminas Murauskas. Statistika ir jos taikymai. I dalis. Leidykla
TEV, Vilnius 2000 m. 124 - 126 p. ISBN 9986-546-93-1..
8. Virgilijus Sakalauskas. Statistika su statistica, leidykla „Margi raštai“ 1998. 160 - 204 p.
ISBN 9986-09-83.
9. Virgilijus Sakalauskas. Duomenų analiz÷ su STATISTICA, leidykla „Margi raštai“ 2003. 14
-57 p. ISBN 9986092566
10. http://www.nasdaqomxbaltic.com
11. http://www.indexfund.lt
12. http://www.traders.lt
48
PRIEDAI
1 Priedas
1. Didžiausias ir mažiausio dienos pokytis laikotarpiu 2000.01.02 – 2008.07.03
Baltijos šalių šuolių palyginimas
15
10
5
pokytis (%)
0
OMXV pokytis (%) OMXR pokytis(%) OMXTpokytis (%) OMXBBGI pokytis (%)
-5
-10
max min
-15
OMX
3. Didžiausio ir mažiausio dienos pokyčio per metus

histograma 2000-2008 metų.
Baltijos šalių didžiausio ir mažiausio pokyčio per metus palyginimas
15
10
5
pokytis (%)
-5
OMXV pokytis (%)

-10 OMXR pokytis(%)
OMXT pokytis
OMXBBGI pokytis (%)
-15
2000 2001 2002 2003 2004 2005 2006 2007 2008
metai
49
2 Priedas
2007 m.-2009 m. Baltijos šalių įtakos OMXB indeksui

palyginimas
50,00%
45,00%
40,00%
35,00%
30,00%
25,00%
20,00%
15,00%
10,00%
5,00%
0,00%
OMXT OMXV OMXR
2007 49,51% 36,56% 13,93%
2009 44,98% 39,65% 15,37%
50
3 Priedas
2007-2009 metų Vilniaus sud÷ties palyginimas.
2007 sud÷tis:
RST1L TEO1L
OMXV sud÷tis 2007m
0,08% LDJ1L SRS1L
0,08% 0,03%
0,11%
0,25%
0,18%
0,21%
0,37%
0,40%
0,42%
0,53%
0,83%
0,90%
0,55%
0,71%
0,79% SAN1L UKB1L
1,02% 14,93%
1,69%
1,85% IVL1L APG1L
1,93%
1,94%
SAB1L KNF1L
2,01% PTR1L PZV1L
2,10%
RSU1L CTS1L
2,82%
SNG1L ALT1L
14,42%
UTR1L LJL1L
4,53%
ZMP1L GRG1L
VDG1L KNR1L
4,56%
VBL1L VNG1L
DKR1L VLP1L
5,58%
12,63% GUB1L KBL1L
SRS2L PRM1L
6,84%
KTK1L LNS1L
6,91% 7,82%
ATK1L
2008m.
RST1L TEO1L
2008 OMXV sud÷tis
0,07% LDJ1L SAN1L
0,10% 0,03%
0,19%
0,14%
0,28%
0,27%
0,31%
0,36%
0,37%
0,51%
0,63%
0,66%
0,67%
0,73%
0,74% SRS1L IVL1L
0,84%
1,01%
1,17% 18,26%
1,21%
1,53%
UKB1L SAB1L
1,53%
KNF1L PZV1L
1,86%
2,28% APG1L RSU1L
2,58% LLK1L CTS1L
3,12%
AVG1L PTR1L
ALT1L LJL1L
3,27%
15,49% GRG1L ZMP1L
KNR1L VBL1L
5,48%
SNG1L VDG1L
UTR1L VLP1L
6,31% SRS2L DKR1L
VNG1L GUB1L
12,26%
6,99% KBL1L PRM1L
8,76%
KTK1L LNS1L
51
2009m.
2009m OMX Vilvius Sudtis RST1L TEO1L LDJ1L

0,06%
0,16% 0,06%
0,21%
0,17%
0,19%
0,23%
0,34%
0,41%
0,44%
0,50%
0,82%
0,85%
0,55%
0,63%
0,70% KNF1L SAN1L SAB1L
1,01%
1,09%
1,46%
1,60% 22,07%
1,66% UKB1L SRS1L PZV1L
1,72%
1,73% LLK1L APG1L RSU1L
2,48%
IVL1L CTS1L LJL1L

3,35%
VBL1L KNR1L AVG1L

3,61%
ALT1L ZMP1L PTR1L

4,20%
UTR1L VDG1L GRG1L

21,29%
6,08%
SNG1L SRS2L KBL1L
6,70%
GUB1L PRM1L VLP1L
13,63% LNS1L KTK1L
52
4 Priedas
Procentinis indekso pokyčio grupavimas STATISTICA galimyb÷mis:
Sukauptas Sukauptas
Intervalas Dažnis Dažnis/2204 CDF
dažnis Dažnis/2204
-9,80000<=x<-9,60000 1 1 0,04643 0,0464 0,0005
-9,60000<=x<-9,40000 0 1 0,00000 0,0464 0,0005
-9,40000<=x<-9,20000 0 1 0,00000 0,0464 0,0005
-9,20000<=x<-9,00000 0 1 0,00000 0,0464 0,0005
-9,00000<=x<-8,80000 0 1 0,00000 0,0464 0,0005
-8,80000<=x<-8,60000 0 1 0,00000 0,0464 0,0005
-8,60000<=x<-8,40000 0 1 0,00000 0,0464 0,0005
-8,40000<=x<-8,20000 0 1 0,00000 0,0464 0,0005
-8,20000<=x<-8,00000 0 1 0,00000 0,0464 0,0005
-8,00000<=x<-7,80000 0 1 0,00000 0,0464 0,0005
-7,80000<=x<-7,60000 0 1 0,00000 0,0464 0,0005
-7,60000<=x<-7,40000 0 1 0,00000 0,0464 0,0005
-7,40000<=x<-7,20000 0 1 0,00000 0,0464 0,0005
-7,20000<=x<-7,00000 0 1 0,00000 0,0464 0,0005
-7,00000<=x<-6,80000 0 1 0,00000 0,0464 0,0005
-6,80000<=x<-6,60000 0 1 0,00000 0,0464 0,0005
-6,60000<=x<-6,40000 0 1 0,00000 0,0464 0,0005
-6,40000<=x<-6,20000 0 1 0,00000 0,0464 0,0005
-6,20000<=x<-6,00000 0 1 0,00000 0,0464 0,0005
-6,00000<=x<-5,80000 0 1 0,00000 0,0464 0,0005
-5,80000<=x<-5,60000 0 1 0,00000 0,0464 0,0005
-5,60000<=x<-5,40000 0 1 0,00000 0,0464 0,0005
-5,40000<=x<-5,20000 0 1 0,00000 0,0464 0,0005
-5,20000<=x<-5,00000 0 1 0,00000 0,0464 0,0005
-5,00000<=x<-4,80000 0 1 0,00000 0,0464 0,0005
-4,80000<=x<-4,60000 0 1 0,00000 0,0464 0,0005
-4,60000<=x<-4,40000 0 1 0,00000 0,0464 0,0005
-4,40000<=x<-4,20000 1 2 0,04643 0,0929 0,0009
-4,20000<=x<-4,00000 0 2 0,00000 0,0929 0,0009
-4,00000<=x<-3,80000 1 3 0,04643 0,1393 0,0014
-3,80000<=x<-3,60000 2 5 0,09285 0,2321 0,0023
-3,60000<=x<-3,40000 4 9 0,18570 0,4178 0,0042
-3,40000<=x<-3,20000 0 9 0,00000 0,4178 0,0042
-3,20000<=x<-3,00000 0 9 0,00000 0,4178 0,0042
-3,00000<=x<-2,80000 4 13 0,18570 0,6035 0,0060
53
-2,80000<=x<-2,60000 8 21 0,37140 0,9749 0,0097
-2,60000<=x<-2,40000 6 27 0,27855 1,2535 0,0125
-2,40000<=x<-2,20000 7 34 0,32498 1,5785 0,0158
-2,20000<=x<-2,00000 5 39 0,23213 1,8106 0,0181
-2,00000<=x<-1,80000 12 51 0,55710 2,3677 0,0237
-1,80000<=x<-1,60000 21 72 0,97493 3,3426 0,0334
-1,60000<=x<-1,40000 26 98 1,20706 4,5497 0,0455
-1,40000<=x<-1,20000 40 138 1,85701 6,4067 0,0641
-1,20000<=x<-1,00000 45 183 2,08914 8,4958 0,0850
-1,00000<=x<-,800000 70 253 3,24977 11,7456 0,1175
-,800000<=x<-,600000 108 361 5,01393 16,7595 0,1676
-,600000<=x<-,400000 163 524 7,56732 24,3268 0,2433
-,400000<=x<-,200000 200 724 9,28505 33,6119 0,3361
-,200000<=x<0,000000 229 953 10,63138 44,2433 0,4424
0,000000<=x<,2000000 297 1250 13,78830 58,0316 0,5803
,2000000<=x<,4000000 245 1495 11,37419 69,4058 0,6941
,4000000<=x<,6000000 195 1690 9,05292 78,4587 0,7846
,6000000<=x<,8000000 134 1824 6,22098 84,6797 0,8468
,8000000<=x<1,000000 81 1905 3,76045 88,4401 0,8844
1,000000<=x<1,200000 64 1969 2,97122 91,4113 0,9141
1,200000<=x<1,400000 56 2025 2,59981 94,0111 0,9401
1,400000<=x<1,600000 41 2066 1,90344 95,9146 0,9591
1,600000<=x<1,800000 26 2092 1,20706 97,1216 0,9712
1,800000<=x<2,000000 12 2104 0,55710 97,6787 0,9768
2,000000<=x<2,200000 17 2121 0,78923 98,4680 0,9847
2,200000<=x<2,400000 6 2127 0,27855 98,7465 0,9875
2,400000<=x<2,600000 4 2131 0,18570 98,9322 0,9893
2,600000<=x<2,800000 6 2137 0,27855 99,2108 0,9921
2,800000<=x<3,000000 3 2140 0,13928 99,3500 0,9935
3,000000<=x<3,200000 6 2146 0,27855 99,6286 0,9963
3,200000<=x<3,400000 0 2146 0,00000 99,6286 0,9963
3,400000<=x<3,600000 3 2149 0,13928 99,7679 0,9977
3,600000<=x<3,800000 2 2151 0,09285 99,8607 0,9986
3,800000<=x<4,000000 1 2152 0,04643 99,9071 0,9991
4,000000<=x<4,200000 0 2152 0,00000 99,9071 0,9991
4,200000<=x<4,400000 0 2152 0,00000 99,9071 0,9991
4,400000<=x<4,600000 0 2152 0,00000 99,9071 0,9991
4,600000<=x<4,800000 2 2154 0,09285 100,0000 1,0000
4,800000<=x<5,000000 0 2154 0,00000 100,0000 1,0000
54
5 Priedas
Programos tekstas
Sub Main
Dim masyvas As Spreadsheet
Set masyvas=ActiveSpreadsheet
For M=1 To 1000

sk=0
t=1
x = 417.98
masyvas.Cells(1,21)=x
masyvas.Cells(1,37+M)=x
While t < 66
tarpinis=0
masyvas.Cells(t,19)=Rnd(1)
sk=masyvas.Cells(t,19)
For k=1 To 40
If sk > (masyvas.Cells(k,17)) Then
tarpinis =masyvas.Cells(k+1,12)
End If
Next k
masyvas.Cells(t,20)=tarpinis
x=x+(x*(masyvas.Cells(t,20)/100))
masyvas.Cells(t+1,21)=x
masyvas.Cells(t+1,37+M)=x
t=t + 1
Wend
sd=masyvas.Cells(2,21)
masyvas.Cells(M,23)=sd
d2=masyvas.Cells(3,21)
masyvas.Cells(M,24)=d2
sav1=masyvas.Cells(6,21)
masyvas.Cells(M,27)=sav1
sav2=masyvas.Cells(11,21)
masyvas.Cells(M,32)=sav2
men1=masyvas.Cells(22,21)
55
masyvas.Cells(M,33)=men1
Next M
'vidurkis kiekvieno stulpelio

For l=1 To 13
suma=0
vidurkis=0
For i=1 To 1000
suma=suma+masyvas.Cells(i,22+l)
Next i
vidurkis=suma/1000
masyvas.Cells(1001,22+l)=vidurkis
Next l
'dispersija atskitu prognoz÷s stulpelio

For h=1 To 13
dispersija=0
suma1=0
For j=1 To 1000
suma1=suma1+(masyvas.Cells(j,22+h)-masyvas.Cells(1001,22+h))^2
Next j
dispersija=suma1/1000
masyvas.Cells(1002,22+h)=dispersija
Next h
End Sub
56
6 Priedas
57

DS 005 0 01

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

DS 005 0 01

Uploaded by

Copyright:

Available Formats

VYTAUTO DIDŽIOJO UNIVERSITETAS

BALTIJOS ŠALIŲ BIRŽŲ INDEKSŲ STATISTINIS TYRIMAS

Magistro baigiamasis darbas

Taikomosios matematikos studijų programa, valstybinis kodas 62101P107

Vadovas Doc. dr. Ričardas Krikštolaitis _________ __________

Apginta Doc. dr. Kęstutis Šidlauskas __________ __________

2.1.1. Indeksų rūšys....................................................................................................................6

2.1.2. OMX Baltijos šalių VP rinkos indeksų šeima................................................................6

2.1.3. Indekso skaičiavimo formul÷.........................................................................................10

2.2. Finansin÷s laiko eilut÷s..........................................................................................................11

2.2.1. Finansinių duomenų stilizuoti faktai............................................................................11

2.2.2. Trendo komponent÷s vertinimas bei eliminavimas.....................................................14

2.4.1. Binominio modelio aprašymas......................................................................................17

2.4.2. Ribinis per÷jimas............................................................................................................19

3.1.Finansinių duomenų analiz÷..................................................................................................21

3.1.1. Baltijos šalių indeksų analiz÷.........................................................................................21

3.1.2. Baltijos šalių indekso sud÷ties analiz÷..........................................................................23

3.1.3. OMX Vilniaus indekso sud÷ties analiz÷.......................................................................25

3.1.4. Koreliacijų tyrimas.........................................................................................................26

3.1.4.1. Baltijos šalių indeksų koreliacijos tyrimas..........................................................27

3.1.4.2. Vilniaus indekso koreliacijos tyrimas...................................................................29

3.3.1. Tiesinis trendas...............................................................................................................36

3.3.2. Parabolinis trendas.........................................................................................................37

3.4.Laiko eilučių prognozavimo metodai....................................................................................37

3.4.1. Paprastasis ir svertinis slenkamųjų metodas...............................................................38

3.4.2. Paprastojo eksponentinio glodinimo metodas.............................................................40

3.4.3. Autoregresinis metodas..................................................................................................42

3.4.4. ARIMA prognozavimo modelis.....................................................................................43

3.5. Prognozavimo metodų palyginimas.....................................................................................45

Magistro darbo autor÷: Reda Kulikauskien÷

Magistro darbo pavadinimas: Baltijos šalių biržų indeksų statistinis tyrimas

Vadovas: Doc. dr. Ričardas Krikštolaitis

Darbas pristatytas: Vytauto Didžiojo Universitetas, Informatikos fakultetas,

Author: Reda Kulikauskien÷

Full title: Statistical investigation of Baltic stock exchanges indeles

Supervisor: Doc. dr. Dr. Ričardas Krikštolaitis

Presented at: Vytautas Magnus University, Faculty of Informatics,

2.1.1. Indeksų rūšys

2.1.2. OMX Baltijos šalių VP rinkos indeksų šeima

2.1 paveikslas. VP indeksų šeima

2.1.3. Indekso skaičiavimo formul÷

q i ,t = i – tosios bendrov÷s akcijų skaičius indekse t laiku

pi ,t = i – tosios bendrov÷s akcijų kaina kotiravimo valiuta t laiku

keitimo į indekso skaičiavimo valiutą kursas

2.2. Finansin÷s laiko eilut÷s

2.2.1. Finansinių duomenų stilizuoti faktai

poveikių, vadinamų triukšmu Z t .

Remiantis ekonominiais argumentais akcijų kainos S = {S t : 0 ≤ t ≤ T } elgesys aprašomas

Išskiriami du pagrindiniai trendo funkcijos mt modeliavimo būdai. Pirmuoju iš jų, trendas

nusakomas neatsitiktine funkcija mt = Ae µt , čia µ ir A yra konstantos. Tokiu atveju kainos

S t -∆ ir parametru µ taip, kad

Tolesn÷ analiz÷ reikalauja subtilesnių metodų triukšmo komponentei Z t tirti.

t = 1,…,N, N = [T / ∆ ] ≤ T / ∆ ] . Daugelyje ekonometrinių modelių laikoma, kad ∆ = 1. Tokiu

2.2.2. Trendo komponent÷s vertinimas bei eliminavimas

Paprastai pirmas žingsnis finansinių duomenų analiz÷je yra duomenų grafinis

funkcija mt = a 0 + a1t + a 2 t 2 . Tuomet įverčiai aˆ 0 , aˆ1 , aˆ 2 gaunami minimizuojant liekanų kvadratų

Suglodinimas slenkamuoju vidurkiu. Tarkime, seka X t nusakoma (2.7) lygybe. Tegul q

yra neneigiamas sveikas skaičius ir tegul Yt yra empirinis 2q + 1 dydžių X t vidurkis

[t − q, t + q ] ir paklaidų vidurkis yra artimas nuliui, tai gausime

Tokiu atveju laikysime, kad trendo mt įvertis yra

Likusioms X t reikšm÷ms, (kai t ≤ q ir t > n − q ) formul÷je (2.10) toks trendo mt įvertis

netinka ir šios reikšm÷s aproksimuojamos vienpusiu slenkamuoju vidurkiu

Empiriškai nustatyta , kad α reik÷tų paimti iš intervalo [0,1; 0,3] .

Vadovas Doc. dr. Ričardas Krikštolaitis _ __

Apginta Doc. dr. Kęstutis Šidlauskas