Modelowanie Zmiennosci I Ryzyka Metody Ekonometrii Finansowej

##7#52#aMjE4MTc5NTNBMzY2NDYyNg==
3%2)! !+!$%-)#+!
$ 7ITKOWSKA 0/$34!79 %+/./-%42)) ) 4%/2)) 02/'./:/7!.)!

0ODRÇCZNIK Z PRZYKADAMI I ZADANIAMI
4 "EDNARSKI %,%-%.49 -!4%-!49+) 7 .!5+!#( %+/./-)#:.9#(

0ODRÇCZNIK DLA STUDENTÐW EKONOMII
0OD RED + 7INIARSKIEJ 0/$34!79 2!#(5.+/7/i#)
0OD RED + 7INIARSKIEJ :")°2 :!$!® : 0/$34!7 2!#(5.+/7/i#)
0OD RED + 7INIARSKIEJ 2!#(5.+/7/i£ :!!7!.3/7!.!
+ 7INIARSKA 2!#(5.+/7/i£ "5$%4/7!

- +ACZURAK +OZAK
% 7ALIÎSKA -)§$:9.!2/$/7% 34!.$!2$9 2!#(5.+/7/i#)

/GÐLNE ZASADY POMIARU I PREZENTACJI POZYCJI BILANSU I RACHUNKU WYNIKÐW
- !NDRZEJEWSKI + *ONAS :!34/3/7!.)% 4%#(.)+ +/-054%2/79#( 7 2!#(5.+/7/i#)

0 -ODKOWSKI 3YSTEMY DLA MAYCH I yREDNICH PRZEDSIÇBIORSTW
0 $ITTMANN 02/'./:/7!.)% 7 02:%$3)§")/2347)%

-ETODY I ICH ZASTOSOWANIE
- #IECHAN +UJAWA 2!#(5.%+ +/3:4°7 *!+/i#)

7YKORZYSTANIE W ZARZDZANIU PRZEDSIÇBIORSTWEM
3 3OJAK ( *Ð|WIAK 2!#(5.%+ +/3:4°7 $/#%,/79#(
$0 $OYLE +/.42/,! +/3:4°7

%LEMENT ZARZDZANIA STRATEGICZNEGO
0OD RED - 0OSZWY 2/:,)#:%.)! 0/$!4+/7% 02:%$3)§")/2#9
" +OOSOWSKA ! 4OKARSKI 342!4%')% &).!.3/7!.)! $:)!!,./i#) 02:%$3)§")/2347

- 4OKARSKI % #HOJNACKA
7 2OGOWSKI 2!#(5.%+ %&%+497./i#) ).7%349#*)
&).!.3% ) ).7%349#*%
$ 7ÇDZKI !.!,):! 73+!l.)+/7! 302!7/:$!.)! &).!.3/7%'/
0OD RED % .OWAKA 342!4%')#:.% :!2:$:!.)% +/3:4!-)
0ENA OFERTA WYDAWNICZA JEST DOSTÇPNA NA STRONIE WWWPROFINFOPL
Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

Modelowanie Doman.indb 2 2009-04-07 14:34:17
0ROJEKT GRAFICZNY OKADKI I ZDJÇCIE
"ARBARA 7IDAK
2EDAKTOR
!NNA -ARIA 4HOR
+OREKTA
,ILIANNA 2UDNIK
2EDAKTOR TECHNICZNY
*ANINA "UREK
3KAD I AMANIE
7YDAWNICTWO aJAKq !NDRZEJ #HOCZEWSKI
#OPYRIGHT BY 7OLTERS +LUWER 0OLSKA 3P Z OO

!LL RIGHTS RESERVED
)3".

ISBN PDF-a: 978-83-264-1903-4
7YDANE PRZEZ
7OLTERS +LUWER 0OLSKA 3P Z OO
2EDAKCJA +SIEK
7ARSZAWA UL 0OCKA A
TEL
+RAKÐW UL :ACISZE

TEL
E MAIL KSIAZKI WOLTERSKLUWERPL

WWWWOLTERSKLUWERPL
+SIÇGARNIA INTERNETOWA WWWPROFINFOPL

3PIS TREyCI
7STÇP
%MPIRYCZNE WASNOyCI FINANSOWYCH SZEREGÐW CZASOWYCH

0ROCESY STOCHASTYCZNE I SZEREGI CZASOWE
0OJÇCIE STACJONARNOyCI SZEREGU CZASOWEGO
&UNKCJA AUTOKORELACJI
4ESTOWANIE NORMALNOyCI ROZKADU
0ROCENTOWE LOGARYTMICZNE STOPY ZWROTU
&AKTY EMPIRYCZNE
/D TEORII DO PRAKTYKI
5WAGI
:ALENOyCI LINIOWE W SZEREGACH STÐP ZWROTU INSTRUMENTÐW FINANSOWYCH

4ESTY "OXAs0IERCEoA I ,JUNGAs"OXA
3ZEREGI LINIOWE
-ODELE AUTOREGRESJI
-ODELE yREDNIEJ RUCHOMEJ
-ODELE !2-!
5WAGI
-ODELOWANIE HETEROSKEDASTYCZNOyCI WARUNKOWEJ

/GÐLNA STRUKTURA MODELU ZMIENNOyCI
4ESTOWANIE EFEKTU !2#(
-ODEL !2#(
-ODELE '!2#(

3PIS TREyCI
2OZKADY BÇDU STOSOWANE W MODELACH '!2#(

4ESTOWANIE JAKOyCI DOPASOWANIA MODELU
/CENA JAKOyCI PROGNOZ
5WAGI
2ODZINA MODELI TYPU '!2#(

2OZSZERZENIA MODELU '!2#(P Q
%STYMACJA MODELI !2 '!2#( METOD NAJWIÇKSZEJ WIARYGODNOyCI
5WAGI
$UGA PAMIÇÃ I PERSYSTENCJA W FINANSOWYCH SZEREGACH CZASOWYCH

-ODEL !2)-!
-ODEL !2&)-!
$UGA PAMIÇÃ I PERSYSTENCJA W SZEREGACH ZMIENNOyCI
4ESTOWANIE STACJONARNOyCI I DUGIEJ PAMIÇCI
5WAGI
:MIENNOyÃ CEN INSTRUMENTÐW FINANSOWYCH

0OJÇCIE ZMIENNOyCI W UJÇCIU STATYCZNYM I DYNAMICZNYM
:MIENNOyÃ ZREALIZOWANA
%FEKTY MIKROSTRUKTURY RYNKU A ZMIENNOyÃ ZREALIZOWANA
4EORIA ZMIENNOyCI ZREALIZOWANEJ
5WAGI
-ODELE DWULINIOWE

#HARAKTERYSTYKA MODELI DWULINIOWYCH
-ODELE DWULINIOWE A ZGRUPOWANIA ZMIENNOyCI
5WAGI
-ODELE ZMIENNOyCI STOCHASTYCZNEJ

#HARAKTERYSTYKA MODELI ZMIENNOyCI STOCHASTYCZNEJ
%STYMACJA MODELU 368

3PIS TREyCI
0ROGNOZOWANIE ZMIENNOyCI ZA POMOC MODELI 36

0ORÐWNANIE WYNIKÐW UZYSKANYCH ZA POMOC MODELI '!2#( I 36
5WAGI
7ARTOyÃ ZAGROONA

-ETODY NIEPARAMETRYCZNE SZACOWANIA WARTOyCI ZAGROONEJ
7YZNACZANIE WARTOyCI ZAGROONEJ ZA POMOC KWANTYLI WARUNKOWYCH
:ASTOSOWANIE PARAMETRYCZNYCH MODELI ZMIENNOyCI DO WYZNACZANIA 6A2
-ETODOLOGIA 2ISK-ETRICS
4EST +UPCA
4EST $14 %NGLEoA I -ANGANELLEGO
5WAGI
2EGRESJA KWANTYLOWA I MODELE #!6IA2

+WANTYLE REGRESYJNE
-ODELE #!6IA2
%STYMACJA MODELI #!6IA2
5WAGI
-ODELE PRZECZNIKOWE

-ODELE PROGOWE
-ODELE WYGADZONEGO PRZEJyCIA
-ODEL (AMILTONA
-ODELE -3 !2 '!2#(
5WAGI
-ODELOWANIE DYNAMIKI ZALENOyCI WARUNKOWYCH

/GÐLNY WIELOWYMIAROWY MODEL ZMIENNOyCI
:ALENOyCI LINIOWE W SZEREGACH WIELOWYMIAROWYCH
-ODEL 6%#
-ODEL "%++
-ODEL STAYCH KORELACJI WARUNKOWYCH
-ODELE DYNAMICZNYCH KORELACJI WARUNKOWYCH

3PIS TREyCI
-ODELE / '!2#( I '/ '!2#(

4EST STAOyCI KORELACJI
5WAGI
7ARTOyÃ ZAGROONA PORTFELA

-ETODA SYMULACJI HISTORYCZNEJ
3ZACOWANIE WARTOyCI ZAGROONEJ PORTFELA ZA POMOC WIELOWYMIAROWYCH
MODELI '!2#(
+OHERENTNE MIARY RYZYKA
5WAGI
:AKOÎCZENIE
$ODATEK
,ITERATURA
)NDEKS

7STÇP
%KONOMETRIA FINANSOWA JEST DZIEDZIN KTÐRA ROZWINÇA SIÇ Z KLASYCZNEJ EKONO

METRII ANALIZY SZEREGÐW CZASOWYCH ORAZ FINANSÐW 3ZEROKO ROZUMIANA OBEJMUJE
CA TEMATYKÇ MODELOWANIA RYNKÐW FINANSOWYCH CZASAMI JEDNAK SPROWADZA
SIÇ J DO ANALIZY FINANSOWYCH SZEREGÐW CZASOWYCH KTÐRA NIEWTPLIWIE ZALICZA
SIÇ DO JEJ GÐWNYCH NURTÐW
0OWSTANIE EKONOMETRII FINANSOWEJ DATUJE SIÇ NA ROK W KTÐRYM PRESTI
OWE CZASOPISMO a%CONOMETRICAq OPUBLIKOWAO ARTYKU 2OBERTA %NGLEoA WPRO
WADZAJCY MODELE !2#( *EST TO O TYLE CIEKAWE E PRACA TA NIE DOTYCZYA
RYNKÐW FINANSOWYCH A JEDYNIE WYKORZYSTYWAA W MODELOWANIU INFLACJI MODEL
WYCHWYTUJCY ZGRUPOWANIA ZMIENNOyCI CHARAKTERYSTYCZNE DLA WIÇKSZOyCI SZE
REGÐW STÐP ZWROTU Z INSTRUMENTÐW FINANSOWYCH
/CZYWIyCIE JU WCZEyNIEJ PUBLIKOWANE BYY WYNIKI KTÐRE MONA BY DZISIAJ
ZALICZYÃ DO EKONOMETRII FINANSOWEJ .A PEWNO NALEAOBY W TYM KONTEKyCIE
WYMIENIÃ WYNIKI ZAWARTE W PRACACH &AMY ORAZ -ANDELBROTA Z LAT I
88 WIEKU KTÐRE STWORZYY PODSTAWY DO POWSTANIA W ODPOWIEDNIM MOMENCIE
NOWEJ DYSCYPLINY
%KONOMETRIA FINANSOWA ROZWIJA SIÇ OBECNIE BARDZO GWATOWNIE CO JEST
SPOWODOWANE NIE TYLKO WZROSTEM AKTYWNOyCI OyRODKÐW AKADEMICKICH W KTÐ
RYCH JEST UPRAWIANA ALE RÐWNIE ZWIÇKSZENIEM MOLIWOyCI KOMPUTERÐW PO
ZWALAJCYCH NA DOKONYWANIE NAWET BARDZO ZOONYCH OBLICZEÎ GROMADZENIE
I PRZETWARZANIE OGROMNEJ LICZBY DANYCH A TAKE CIGYM ZAPOTRZEBOWANIEM
ZGASZANYM PRZEZ PRAKTYKÐW WYNIKAJCYM Z ROZWOJU RYNKÐW FINANSOWYCH
!TRAKCYJNOyÃ EKONOMETRII FINANSOWEJ JAKO DYSCYPLINY BADAWCZEJ JEST ZWIZA
NA W DUYM STOPNIU Z JEJ INTERDYSCYPLINARNOyCI $O OSIGNIÇCIA SUKCESU W JEJ
UPRAWIANIU POTRZEBA BOWIEM JEDNOCZESNEJ ZNAJOMOyCI BARDZO ZAAWANSOWANYCH
I ZRÐNICOWANYCH METOD ILOyCIOWYCH ORAZ DOyÃ SZCZEGÐOWEJ WIEDZY NA TEMAT
FUNKCJONOWANIA RYNKÐW FINANSOWYCH POCZONEJ Z CIG OBSERWACJ RZECZYWI
STOyCI TYCH RYNKÐW *EST TO TRUDNE ALE JAK NASZE DOyWIADCZENIA DYDAKTYCZNE
POKAZUJ CZÇSTO FASCYNUJCE WYZWANIE DLA MODYCH LUDZI

7STÇP
.INIEJSZA KSIKA POWSTAA NA PODSTAWIE MATERIAU BADAWCZEGO PRZEDSTA

WIONEGO PRZEZ AUTORÐW W ICH MONOGRAFII OPUBLIKOWANEJ W ROKU A TAKE
W PÐ|NIEJSZYCH PRACACH 3TANOWI ONA ZNACZNIE ROZSZERZON I UPORZDKOWAN
WERSJÇ WYKADÐW Z MODELOWANIA ZMIENNOyCI I RYZYKA PROWADZONYCH PRZEZ
-AGORZATÇ $OMAN OD LAT NA KIERUNKU INFORMATYKA I EKONOMETRIA W !KADE
MII %KONOMICZNEJ W 0OZNANIU ORAZ Z EKONOMETRII FINANSOWEJ PROWADZONYCH
PRZEZ 2YSZARDA $OMANA DLA SPECJALNOyCI MATEMATYKA FINANSOWA I AKTUARIALNA
NA 5NIWERSYTECIE IM !DAMA -ICKIEWICZA .ASZE DOyWIADCZENIA POKAZUJ E
PRZY RACZEJ DUYM ZAANGAOWANIU SUCHACZY I WYKADOWCY PRZEDSTAWIONY
MATERIA MONA ZREALIZOWAÃ W TRAKCIE SEMESTRALNEGO WYKADU
+SIKA JEST JEDNAK TAKE W STOSOWNYM STOPNIU OBRAZEM NASZYCH DOyWIAD
CZEÎ Z TEORII I PRAKTYKI MODELOWANIA PONIEWA OBOJE PRACUJEMY AKTYWNIE NA
UKOWO W TEJ DZIEDZINIE 7 RAMACH OGRANICZONYCH OBJÇTOyCI WYKADU KSIKA
MOE BYÃ RÐWNIE TRAKTOWANA JAKO MONOGRAFIA PRZEDSTAWIAJC WYBRANE ASPEKTY
WIEDZY W ZAKRESIE MODELOWANIA ZMIENNOyCI
.IEKTÐRYM CZYTELNIKOM WYBÐR TREyCI PRZEDSTAWIONYCH W TEJ KSICE MOE WY
DAWAÃ SIÇ NIEKONSEKWENTNY #ZASAMI SZCZEGÐOWO TUMACZYMY POJÇCIA UWAANE
ZA ATWE A KIEDY INDZIEJ DOyÃ SZYBKO PRZECHODZIMY DO PORZDKU DZIENNEGO NAD
RZECZAMI ZOONYMI *EST TO JEDNAK ZAMIERZONE I WYNIKA Z NASZYCH DOyWIAD
CZEÎ ZWIZANYCH Z PROWADZONYMI WYKADAMI .IE JEST NICZYM NADZWYCZAJNYM
ZWASZCZA NA KIERUNKACH EKONOMICZNYCH SWOBODNE POSUGIWANIE SIÇ POJÇCIEM
ESTYMATORA BEZ CHOÃBY POPRAWNEJ INTUICJI TEGO CZYM JEST ZMIENNA LOSOWA
7YCHODZC ZATEM Z ZAOENIA E W TRAKCIE WYKADU ZAMIAST DUGO DOCHODZIÃ
CZY STUDENCI ROZUMIEJ PODSTAWOWE POJÇCIA LEPIEJ JEST SZYBKO I KRÐTKO JE WY
JAyNIÃ PRZEDSTAWIAMY NA PRZYKAD W PIERWSZYM ROZDZIALE W SPOSÐB INTUICYJNY
NIEZBÇDNE INFORMACJE NA TEMAT PRAWDOPODOBIEÎSTWA I ZBIORÐW INFORMACJI
7 TEGO TYPU KSICE KTÐRA Z ZAOENIA MA BYÃ DOSTÇPNA DLA SZEROKIEGO
GRONA CZYTELNIKÐW KONIECZNE S PEWNE UPROSZCZENIA I ODWOANIA DO INTUICJI
+OMPROMIS POMIÇDZY yCISOyCI A KOMUNIKATYWNOyCI WYDAJE NAM SIÇ NIEZBÇD
NY 3TARAMY SIÇ WIÇC ZNALE|Ã PEWN RÐWNOWAGÇ #ZASAMI KIEDY NA ZAOONYM
POZIOMIE ZAAWANSOWANIA NIE MONA PRECYZYJNIE WYJAyNIÃ PEWNYCH SUBTELNOyCI
WOLIMY O NICH NIE WSPOMINAÃ NI RYZYKOWAÃ MAO PRECYZYJNE ROZWAANIA
:AKADAMY BOWIEM E CZYTELNIK ZAINTERESOWANY GÇBSZYMI ROZWAANIAMI
TEORETYCZNYMI SIÇGNIE PO KOLEJNE POZYCJE Z LITERATURY A CZYTELNIK NAKIEROWANY
NA ZASTOSOWANIA PRAKTYCZNE NABIERZE DOyWIADCZENIA PRZY SAMODZIELNYM PRO
WADZENIU OSZACOWAÎ : MODELOWANIEM JEST BOWIEM TAK JAK Z PYWANIEM .IE
MONA SIÇ TEGO NAUCZYÃ aNA SUCHOq 4YLKO SAMODZIELNE SZACOWANIE PARAMETRÐW
KOLEJNYCH MODELI I ZASTANAWIANIE SIÇ NAD INTERPRETACJ UZYSKANYCH WYNIKÐW
POZWALA NA ZROZUMIENIE ZALENOyCI WYSTÇPUJCYCH POMIÇDZY ZMIENNYMI I SPO
SOBU ODDZIAYWANIA JEDNYCH ZMIENNYCH NA DRUGIE CZYLI PO PROSTU NA DOBRE
ZROZUMIENIE MECHANIZMÐW MODELI

7STÇP
0RZYJMUJEMY TE ZASADÇ E W TRAKCIE LEKTURY CZYTELNIK NABIERA DOyWIADCZE

NIA 7 ZWIZKU Z TYM WYJAyNIENIA W POCZTKOWYCH ROZDZIAACH S DOKADNIEJSZE
NI W DALSZYCH 4EMPO WYKADU ROyNIE A LICZBA WYJAyNIANYCH SZCZEGÐÐW MALEJE
Z ROZDZIAU NA ROZDZIA
7 ROZDZIALE PRZEDSTAWIAMY PODSTAWOWE WIADOMOyCI NA TEMAT ANALIZY
SZEREGÐW CZASOWYCH ORAZ DOKONUJEMY PRZEGLDU TAK ZWANYCH FAKTÐW EMPI
RYCZNYCH DOTYCZCYCH FINANSOWYCH SZEREGÐW CZASOWYCH 7ASNOyCI TE STANOWI
PODSTAWÇ DO KONSTRUKCJI I STOSOWANIA KONKRETNYCH MODELI : TEGO POWODU
DOBRE ZROZUMIENIE MATERIAU PRZEDSTAWIONEGO W TYM ROZDZIALE JEST BARDZO
ISTOTNE JAKO POZWALAJCE NA WYROBIENIE WAyCIWEJ INTUICJI
2OZDZIA POyWIÇCONY JEST PRZEDSTAWIENIU MODELI !2 -! I !2-!
%KONOMETRIA FINANSOWA KONCENTRUJE SIÇ PRZEDE WSZYSTKIM NA ZALENOyCIACH
NIELINIOWYCH *EDNAK PRZY STOSOWANIU WIÇKSZOyCI TESTÐW WYKRYWAJCYCH ISTNIE
NIE TYCH ZALENOyCI ORAZ SZACOWANIU MODELI ZMIENNOyCI ISTOTNE ZNACZENIE MA
POPRAWNA SPECYFIKACJA yREDNIEJ WARUNKOWEJ
7 ROZDZIALE OMAWIAMY OGÐLN KONSTRUKCJÇ MODELU ZMIENNOyCI I WPRO
WADZAMY MODELE !2#(Q ORAZ '!2#(P Q #HARAKTERYZUJEMY RÐWNIE
ROZKADY BÇDU ZWYKLE STOSOWANE W MODELACH '!2#( 0ONADTO ROZDZIA TEN
ZAWIERA PRZEGLD TESTÐW KTÐRE MONA WYKORZYSTYWAÃ JAKO NARZÇDZIA OCENY
DOPASOWANIA MODELU ORAZ MIAR JAKOyCI PROGNOZ
2OZDZIA ZAWIERA ROZWINIÇCIE TEORII DOTYCZCEJ MODELI '!2#( STANO
WICYCH NAJPOPULARNIEJSZ RODZINÇ MODELI ZMIENNOyCI 0RZEDSTAWIAMY KOLEJNE
ROZSZERZENIA I MODYFIKACJE KLASYCZNEGO MODELU '!2#(P Q ORAZ ICH ZASTO
SOWANIA W PRAKTYCE MODELOWANIA 0REZENTUJEMY TE METODY ESTYMACJI MODELI
'!2#(
7 ROZDZIALE ZAJMUJEMY SIÇ BADANIEM WYSTÇPOWANIA ZALENOyCI DUGOOKRE
SOWYCH W SZEREGACH STÐP ZWROTU Z INSTRUMENTÐW FINANSOWYCH 0RZEDSTAWIAMY
MODELE KTÐRE MOG WYCHWYCIÃ TO ZJAWISKO I OMAWIAMY WYBRANE TESTY DUGIEJ
PAMIÇCI I STACJONARNOyCI
2OZDZIA POyWIÇCONY JEST TEMATYCE ZMIENNOyCI ZREALIZOWANEJ STANOWICEJ
JEDEN Z GÐWNYCH W NURTÐW EKONOMETRII FINANSOWEJ !NALIZUJEMY PEWNE ASPEKTY
TEORETYCZNE I PRAKTYCZNE TEGO POJÇCIA I W TYM KONTEKyCIE ROZWAAMY PROBLEMY
JAKOyCI PROGNOZ ZMIENNOyCI ORAZ ADEKWATNEJ MIARY ZMIENNOyCI
"ARDZO KRÐTKI ROZDZIA ZAWIERA PODSTAWOWE INFORMACJE O MODELACH DWULI
NIOWYCH I WYJAyNIA ICH ZNACZENIE W MODELOWANIU ZALENOyCI NIELINIOWYCH
2OZDZIA DOTYCZY MODELI ZMIENNOyCI STOCHASTYCZNEJ :ARÐWNO KLASA MODELI
DWULINIOWYCH JAK I KLASA MODELI ZMIENNOyCI STOCHASTYCZNEJ S POSTRZEGANE
JAKO KONKURENCYJNE DLA MODELI '!2#( *EDNAK O ILE W WYPADKU MODELI
DWULINIOWYCH WALKA JEST PRZEGRANA O TYLE MODELE ZMIENNOyCI STOCHASTYCZNEJ
ZDOBYWAJ CORAZ WIÇKSZ POPULARNOyÃ PRZEDE WSZYSTKIM W ZASTOSOWANIACH
ZWIZANYCH Z WYCEN INSTRUMENTÐW POCHODNYCH

7STÇP
2OZDZIA JEST PIERWSZYM Z TRZECH POyWIÇCONYCH MODELOWANIU WARTOyCI

ZAGROONEJ 6ALUE AT 2ISK s 6A2 $EFINIUJEMY W NIM PODSTAWOWE POJÇCIA
I OMAWIAMY METODÇ OBLICZANIA 6A2 WYKORZYSTUJC OSZACOWANIA ZMIENNOyCI
A TAKE PRZEDSTAWIAMY TESTY POZWALAJCE NA OCENÇ JAKOyCI PROGNOZ 6A2
7 ROZDZIALE WPROWADZAMY METODÇ REGRESJI KWANTYLOWEJ I PRZEDSTAWIAMY
ZASTOSOWANIE WYWODZCYCH SIÇ Z NIEJ MODELI #!6IA2 DO SZACOWANIA WARTOyCI
ZAGROONEJ
2OZDZIA ZAWIERA ROZWAANIA NA TEMAT MODELI PRZECZNIKOWYCH POZWA
LAJCYCH NA MODELOWANIE DYNAMIKI SZEREGÐW CZASOWYCH W SYTUACJI GDY JEST ONA
NIEJEDNORODNA /MAWIAMY W NIM MODELE PRZECZNIKOWE (AMILTONA ORAZ MO
DELE '!2#( Z PRZECZANIEM TYPU -ARKOWA A TAKE CHOÃ MNIEJ DOKADNIE
MODELE WYGADZONEGO PRZEJyCIA
7 ROZDZIALE PRZECHODZIMY DO yWIATA MODELI WIELOWYMIAROWYCH I CHARAK
TERYZUJEMY KILKA WYBRANYCH TYPÐW MODELI - '!2#( ZWRACAJC SZCZEGÐLN
UWAGÇ NA ICH UPROSZCZONE WERSJE KTÐRE MOG BYÃ PRZYDATNE W ZASTOSOWANIACH
PRAKTYCZNYCH W DYNAMICZNEJ ANALIZIE ZALENOyCI WYSTÇPUJCYCH POMIÇDZY IN
STRUMENTAMI DUYCH PORTFELI
2OZDZIA STANOWI NATURALN KONTYNUACJÇ ROZDZIAU I JEST POyWIÇCONY
PROBLEMOWI SZACOWANIA WARTOyCI ZAGROONEJ DLA PORTFELA
0RZEDOSTATNI PODROZDZIA KADEGO ROZDZIAU ZAWIERA PREZENTACJÇ PRAKTYCZ
NEGO DZIAANIA OPISANYCH W OBEJMUJCYM ROZDZIALE METOD I MODELI %STYMACJA
MODELI I OBLICZENIA WYKONYWANE S DLA WYBRANYCH SZEREGÐW Z POLSKIEGO RYNKU
FINANSOWEGO 7 WIÇKSZOyCI PRZYKADÐW WYSTÇPUJ SZEREGI PROCENTOWYCH LOGA
RYTMICZNYCH STÐP ZWROTU INDEKSÐW 7)' I 7)' KURSU WALUTOWEGO 53$
0,. AKCJI SPÐEK !GORA I 0+. /RLEN ORAZ STOPY PROCENTOWEJ 7)"/2 -
POCHODZCE Z LAT s 3ZEREGI S ZRÐNICOWANE I ZOSTAY WYBRANE TAK
ABY MONA BYO NA ICH PRZYKADZIE DOBRZE ZILUSTROWAÃ PRAKTYCZNE PROBLEMY
POJAWIAJCE SIÇ W PROCESIE MODELOWANIA .IE BEZ ZNACZENIA JEST TAKE TO E
BARDZIEJ SZCZEGÐOW ANALIZÇ WASNOyCI TYCH SZEREGÐW MONA ZNALE|Ã WE WSPO
MNIANEJ MONOGRAFII AUTORÐW NINIEJSZEJ KSIKI Z ROKU
7SZYSTKIE OBLICZENIA PRZEDSTAWIONE W KSICE ZOSTAY WYKONANE ZA POMOC
PAKIETÐW ' 2#(v 4IME 3ERIES -ODELLING V I 3SF0ACK DZIAAJCYCH
W yRODOWISKU /Xv ORAZ PROGRAMU -!4,!"
+OÎCZCE KADY ROZDZIA UWAGI I KOMENTARZE ZAWIERAJ ODNIESIENIA DO LITE
RATURY I WSKAZÐWKI DOTYCZCE |RÐDE POZWALAJCYCH NA POSZERZENIE PRZEDSTAWIO
NYCH TREyCI A CZASAMI JESZCZE NA PEWNE SPOSTRZEENIA DOTYCZCE DYSKUSYJNYCH
ASPEKTÐW TEORETYCZNYCH BD| PRAKTYCZNYCH ROZWAANEJ TEMATYKI 0RZEDSTAWIONY
TU WYBÐR LITERATURY W ADNYM RAZIE NIE JEST PENY 7SKAZANE POZYCJE MAJ TYLKO
DAÃ CZYTELNIKOWI INFORMACJÇ O KSIKACH I ARTYKUACH W KTÐRYCH MOE ZNALE|Ã
WIÇCEJ WIADOMOyCI NA TEMAT INTERESUJCYCH GO ZAGADNIEÎ 2ÐWNIE DANE NA

7STÇP
TEMAT PRAC OPISUJCYCH BADANIA ODNOSZCE SIÇ DO POLSKIEGO RYNKU FINANSOWEGO

NIE S PENE #HODZIO NAM RACZEJ O TO BY WSKAZAÃ GRUPY BADAWCZE I OSOBY
ZAJMUJCE SIÇ W 0OLSCE OMAWIANYMI ZAGADNIENIAMI
.AJWANIEJSZE SZEREGI CZASOWE WYKORZYSTYWANE W PRZYKADACH EMPIRYCZ
NYCH STANOWICYCH ILUSTRACJE DO PRZEDSTAWIANYCH ROZWAAÎ TEORETYCZNYCH S
DOSTÇPNE NA STRONIE INTERNETOWEJ HTTPKMSUEPOZNANPLDOMAN-ODELOWA
NIE3ZEREGIZIP
0ONIEWA MATERIA ZAWARTY W TEJ KSICE POWSTA W RAMACH WYKADÐW DO
WYBORU NIE BYOBY JEJ GDYBY NIE LICZNE GRUPY STUDENTÐW CO ROKU ZGASZAJCYCH
CHÇÃ WYSUCHANIA TYCH WYKADÐW "ARDZO IM DZIÇKUJEMY NIE TYLKO ZA TO E
WYBRALI NASZE WYKADY ALE TAKE ZA TO E PRZEZ SWOJE PYTANIA I WTPLIWOyCI
ZMUSZALI NAS DO CIGEJ PRACY NAD ICH TREyCI 3ZCZEGÐLNE PODZIÇKOWANIA NALE
SIÇ STUDENTOM KTÐRZY W ROKU AKADEMICKIM STUDIOWALI W !KADEMII
%KONOMICZNEJ W 0OZNANIU NA )6 ROKU SPECJALNOyCI CYBERNETYKA EKONOMICZNA
I WYSTPILI Z INICJATYW URUCHOMIENIA WYKADÐW Z ZAKRESU MODELOWANIA ZMIEN
NOyCI I RYZYKA
ADNA KSIKA ANI ADEN WYKAD NIE S DOSKONAE 5WANY CZYTELNIK ZAWSZE
ZNAJDZIE BÇDY CZY USTERKI :APEWNE NIEJEDEN SPECJALISTA PRZEGLDAJC NASZ
KSIKÇ POMYyLI MONA TO BYO ZROBIÃ LEPIEJq .A PEWNO MONA BYO $LATEGO
TE BÇDZIEMY WDZIÇCZNI CZYTELNIKOM ZA WSZELKIE UWAGI I KOMENTARZE KTÐRE
PROSIMY NADSYAÃ NA ADRES MALGORZATADOMAN UEPOZNANPL LUB RYDOMAN
AMUEDUPL


%MPIRYCZNE WASNOyCI
FINANSOWYCH SZEREGÐW CZASOWYCH
'ÐWNYM CELEM ANALIZY FINANSOWYCH SZEREGÐW CZASOWYCH JEST STWORZENIE APA

RATU TEORETYCZNEGO I PRAKTYCZNEGO WYKORZYSTYWANEGO W DYNAMICZNEJ WYCENIE
SZEROKO ROZUMIANYCH INSTRUMENTÐW FINANSOWYCH NP PAPIERÐW WARTOyCIOWYCH
WALUT OBCYCH INSTRUMENTÐW POCHODNYCH INDEKSÐW GIEDOWYCH 3ZCZEGÐLN
CECH ODRÐNIAJC FINANSOWE SZEREGI CZASOWE OD INNYCH SZEREGÐW EMPIRYCZ
NYCH JEST NIEPEWNOyÃ ZAWARTA NIE TYLKO W DANYCH ALE TAKE ZWIZANA Z BRAKIEM
JEDNOZNACZNEGO OKREyLENIA UYWANYCH POJÇÃ NP ZMIENNOyCI CENY INSTRUMENTU
FINANSOWEGO KTÐRA JEST WIELKOyCI NIEOBSERWOWALN BEZPOyREDNIO 4YPOWYM
DLA WIÇKSZOyCI EMPIRYCZNYCH BADAÎ W EKONOMII PROBLEMEM POWIÇKSZAJCYM
JESZCZE TÇ NIEPEWNOyÃ JEST KONIECZNOyÃ WNIOSKOWANIA STATYSTYCZNEGO NA PODSTA
WIE JEDNEGO TYLKO SZEREGU OBSERWACJI KTÐRY WCALE NIE MUSI POCHODZIÃ OD CIGU
ZMIENNYCH LOSOWYCH O JEDNAKOWYM ROZKADZIE :ASTOSOWANIE ANALIZY SZEREGÐW
FINANSOWYCH W PRAKTYCE FINANSÐW WYMAGA CZÇSTO OCENY ROZKADÐW WARUNKOWYCH
TYCH ZMIENNYCH W CELU OKREyLENIA NP JAK ZMIENIA SIÇ OCENA POZIOMU RYZYKA
W ZALENOyCI OD ZMIANY W CZASIE WPYWAJCYCH NA NIE CZYNNIKÐW
0ODSTAWOWYM OBIEKTEM BADAÎ W ANALIZIE FINANSOWYCH SZEREGÐW CZASOWYCH
S SZEREGI STÐP ZWROTU STÐP ZMIAN CEN INSTRUMENTÐW FINANSOWYCH 3 KU TEMU
POWODY DWOJAKIEGO RODZAJU 0IERWSZY JEST POCHODN
TEGO E s Z PUNKTU WIDZENIA PRZECIÇTNEGO INWESTORA SZEREGI STÐP ZWROTU
s RYNEK FINANSOWY MOE BYÃ TRAKTOWANY JAKO BLISKI DO CEN INSTRUMENTÐW
FINANSOWYCH JAKO
SKONALE KONKURENCYJNEMU A ZATEM WIELKOyÃ INWESTYCJI PODSTAWOWY OBIEKT
NIE WPYWA NA ZMIANY CEN 7 KONSEKWENCJI STOPA ZWROTU BADAÎ
NIE ZALEY OD SKALI I ZAWIERA PEN INFORMACJÇ ROZSTRZY
GAJC O PODJÇCIU INWESTYCJI $RUGI POWÐD JEST NATURY PRAKTYCZNEJ I WIE SIÇ
Z TYM E SZEREGI STÐP ZWROTU MAJ BARDZIEJ UYTECZNE DLA ANALIZY STATYSTYCZNEJ
WASNOyCI NI SZEREGI CEN
7 TYM ROZDZIALE PO KRÐTKIM OMÐWIENIU WSTÇPNYCH POJÇÃ PRZEDSTAWIAMY
PODSTAWOWE WASNOyCI I ZALENOyCI OBSERWOWANE W SZEREGACH STÐP ZWROTU

Z INSTRUMENTÐW FINANSOWYCH :NAJOMOyÃ TYCH FAKTÐW JEST NAJWANIEJSZYM

CZYNNIKIEM POZWALAJCYM NA KONSTRUOWANIE I DOBÐR MODELI WYKORZYSTYWANYCH
W OPISIE I WYJAyNIANIU MECHANIZMÐW RYNKÐW FINANSOWYCH ORAZ ICH PROGNOZOWA
NIU 7IEDZC ZE WSTÇPNYCH ANALIZ E W SZEREGU CZASOWYM WYSTÇPUJE OKREyLONY
TYP ZALENOyCI MOEMY TO SKUTECZNIE WYKORZYSTYWAÃ W SPECYFIKACJI MODELU
0ROCESY STOCHASTYCZNE I SZEREGI CZASOWE
.ASZE ROZWAANIA BÇDZIEMY PROWADZIÃ W RAMACH PEWNEGO FORMALNEGO PO

DEJyCIA KTÐRE PRZEDSTAWIMY TU NA DWA SPOSOBY INTUICYJNIE Z MYyL O CZYTEL
NIKACH KTÐRZY NIE ZALICZYLI ODPOWIEDNIO ZAAWANSOWANEGO KURSU Z RACHUNKU
PRAWDOPODOBIEÎSTWA ORAZ yCIyLE DLA TYCH KTÐRZY S Z T TEMATYK BARDZIEJ
ZAZNAJOMIENI
"ÇDZIEMY ZAKADAÃ E OBSERWOWANE W KOLEJNYCH ODSTÇPACH CZASU CENY
INSTRUMENTÐW FINANSOWYCH S REALIZACJAMI ZMIENNYCH LOSOWYCH OKREyLONYCH
NA TEJ SAMEJ PRZESTRZENI PROBABILISTYCZNEJ Ω  0 0OJÇCIE PRZESTRZENI PROBA
BILISTYCZNEJ WYJAyNIONE JEST W TABELI
4ABELA /KREyLENIE PRZESTRZENI PROBABILISTYCZNEJ
:MIENNA 7YJAyNIENIE INTUICYJNE $EFINICJA FORMALNA
8 JEST ZBIOREM aWSZYSTKICH MOLIWYCH STANÐW yWIATAq JEyLI JEST ZBIOREM ZDARZEÎ ELEMENTAR
MYyLIMY TYLKO O KONKRETNYM INSTRUMENCIE FINANSOWYM TO 8 NYCH
MOE BYÃ ZBIOREM JEGO WSZYSTKICH MOLIWYCH CEN
 JEST ZBIOREM ROZWAANYCH ZDARZEÎ CZYLI ZBIOREM PODZBIORÐW JEST σ CIAEM PODZBIORÐW ZBIORU 8
ZBIORU 8 KTÐRY MUSI SPENIAÃ PEWNE NATURALNE OGRANICZENIA
0 JEST FUNKCJ KTÐRA ZDARZENIOM ZE ZBIORU  PRZYPORZDKOWUJE JEST σ ADDYTYWN MIAR PROBABI
PRAWDOPODOBIEÎSTWO ICH ZAJyCIA LISTYCZN
7IELKOyCI OBSERWOWANE NA RYNKACH FINANSOWYCH NP

DEFINICJA ZMIENNEJ
CENY INSTRUMENTÐW FINANSOWYCH CZY WIELKOyÃ OBROTU S
LOSOWEJ
Z REGUY TRAKTOWANE JAKO REALIZACJE ZMIENNYCH LOSOWYCH
:MIENNA LOSOWA JEST FUNKCJ OKREyLON NA ZBIORZE WSZYSTKICH MOLIWYCH STANÐW
yWIATA 8 PRZYJMUJC WARTOyCI ZE ZBIORU LICZB RZECZYWISTYCH  ZMIENNE LOSOWE
JEDNOWYMIAROWE LUB ZBIORU N ZMIENNE LOSOWE WIELOWYMIAROWE WEKTORY
LOSOWE 7ARTOyÃ ZMIENNEJ LOSOWEJ ZALEY WIÇC OD ZDARZENIA ELEMENTARNEGO
KTÐRE SIÇ ZREALIZUJE CZYLI OD STANU yWIATA KTÐRY ZAISTNIEJE :MIENN LOSOW
CHARAKTERYZUJE JEJ ROZKAD PRAWDOPODOBIEÎSTWA CZYLI INFORMACJA O TYM Z JA
KIM PRAWDOPODOBIEÎSTWEM ZMIENNA LOSOWA PRZYJMUJE WARTOyCI Z PRZEDZIAÐW

W WYPADKU ZMIENNEJ LOSOWEJ JEDNOWYMIAROWEJ ALBO Z ODPOWIEDNICH POD

ZBIORÐW ZBIORU N W WYPADKU WEKTORA LOSOWEGO
2ODZINÇ 8T T ZMIENNYCH LOSOWYCH OKREyLONYCH NA
PROCES
TEJ SAMEJ PRZESTRZENI PROBABILISTYCZNEJ 8  0 NAZYWA
STOCHASTYCZNY
SIÇ PROCESEM STOCHASTYCZNYM :AZWYCZAJ PRZYJMUJE SIÇ
E ZBIÐR INDEKSÐW  JEST PODZBIOREM PRZEDZIAU ; +d I INTERPRETUJE SIÇ GO
JAKO CZAS 'DY ZBIÐR  JEST PRZELICZALNY MÐWIMY E ROZPATRYWANY PROCES JEST
PROCESEM Z CZASEM DYSKRETNYM A GDY  JEST PRZEDZIAEM MÐWIMY O PROCESIE
Z CZASEM CIGYM .A PROCES STOCHASTYCZNY MONA PATRZEÃ JAK NA ODWZOROWA
NIE 8 ´Ω →  T ω m 8Tω TAKIE E DLA DOWOLNYCH T ORAZ X ZBIÐR
\ωΩ 8T ω b X^ NALEY DO σ CIAA  $LA USTALONEGO ω8 PROCES STOCHA
STYCZNY 8 WYZNACZA ODWZOROWANIE  →  t 5 X t (X 0 ) KTÐRE NAZYWA SIÇ REALI
ZACJ LUB TRAJEKTORI PROCESU 8 ODPOWIADAJC ZDARZENIU ELEMENTARNEMU ω
7 EKONOMETRII FINANSOWEJ ALE NIE TYLKO REALIZACJÇ PROCESU STOCHASTYCZNE
GO 8 KTÐRA GDY  {1, 2 , ...} JEST CIGIEM XT OBSERWACJI X X b NAZYWA SIÇ
SZEREGIEM CZASOWYM I OZNACZA XT 0OWSZECHNA JEST TAKE KONWENCJA KTÐRA
BÇDZIE RÐWNIE STOSOWANA W TEJ KSICE NAZYWANIA SZEREGIEM CZASOWYM NIE
TYLKO REALIZACJI PROCESU STOCHASTYCZNEGO Z CZASEM DYS
KRETNYM ALE RÐWNIE SAMEGO PROCESU W SYTUACJACH GDY ZMIENN LOSOW
I JEJ REALIZACJÇ
NIE PROWADZI TO DO NIEPOROZUMIEÎ 0RZY TEJ KONWENCJI
OZNACZAMY TYM
PROCES STOCHASTYCZNY 8 OZNACZA SIÇ TAK SAMO JAK SZEREG SAMYM SYMBOLEM
CZASOWY SYMBOLEM XT A ZMIENN LOSOW 8T OZNACZA
SIÇ TAK JAK JEJ REALIZACJÇ SYMBOLEM XT
*EDNYM Z NAJWANIEJSZYCH POJÇÃ W STATYSTYCZNEJ ANALIZIE SZEREGÐW CZASOWYCH

JEST STACJONARNOyÃ
3ZEREG RT NAZYWAMY yCIyLE STACJONARNYM JEyLI DLA
yCISA
KADEGO CIGU T T b TK INDEKSÐW ORAZ DLA KADEJ
STACJONARNOyÃ
LICZBY CAKOWITEJ S CZNY ROZKAD WEKTORA LOSOWEGO RT
RT b RTK JEST TAKI SAM JAK CZNY ROZKAD WEKTORA RT+S RT+S b RTK+S
3ABA KOWARIANCYJNA STACJONARNOyÃ SZEREGU R T
KOWARIANCYJNA
OZNACZA E ZMIENNE RT MAJ SKOÎCZONY DRUGI MOMENT
STACJONARNOyÃ
%RT < d ORAZ %RT = N I COVRT RT+L = HL DLA DOWOLNYCH
INDEKSÐW T I L /ZNACZA TO W SZCZEGÐLNOyCI E WSZYSTKIE RT MAJ TÇ SAM SKOÎ
CZON WARIANCJÇ H A KOWARIANCJA MIÇDZY RT I RS ZALEY JEDYNIE OD | T − S |
/PRACOWANO WIELE TESTÐW STACJONARNOyCI SZEREGÐW CZASOWYCH .IE BÇDZIE
MY SIÇ JEDNAK NIMI TU ZAJMOWAÃ ZE WZGLÇDU NA TO E W LITERATURZE FINANSOWEJ

POWSZECHNIE PRZYJMUJE SIÇ ZAOENIE I STANOWICE GÐWNY PRZEDMIOT NASZYCH

BADAÎ SZEREGI RT GDZIE RT JEST STOP ZWROTU Z INSTRUMENTU FINANSOWEGO TZN
¥ P ´
rt ln ¦ t µ A 0T JEST CEN INSTRUMENTU W MOMENCIE T S SABO STACJONARNE
§ Pt 1 ¶
&UNKCJA AUTOKORELACJI
2OZWAMY SABO STACJONARNY SZEREG CZASOWY RT &UNKCJA AUTOKORELACJI AUTO

CORRELATION FUNCTION s !#& PRZYPORZDKOWUJE LICZBIE CAKOWITEJ L WSPÐCZYNNIK
KORELACJI SL MIÇDZY ZMIENNYMI RT I RT−L
cov( rt , rt l ) cov( rt , rt l ) H
Sl l
var( rt ) var( rt l ) var( rt ) H0
: DEFINICJI TEJ WYNIKA E S= SL=SL ORAZ − bSLb
FUNKCJA
AUTOKORELACJI !#& -ÐWIMY E W SZEREGU RT NIE WYSTÇPUJE AUTOKORELACJA
JEyLI S= ORAZ SL= DLA WSZYSTKICH L >
3ZEREG CZASOWY RT NAZYWA SIÇ yCISYM BIAYM SZUMEM STRICT WHITE NOISE
JEyLI ZMIENNE RT TWORZ CIG NIEZALENYCH ZMIENNYCH LOSOWYCH O TYM SAMYM
ROZKADZIE INDEPENDENT AND IDENTICALLY DISTRIBUTED s IID ZE SKOÎCZON yRED
NI I WARIANCJ *EyLI PONADTO ZMIENNE RT MAJ ROZKAD
yCISY BIAY SZUM NORMALNY Z ZEROW yREDNI TO SZEREG RT NAZYWA SIÇ
GAUSSOWSKIM BIAYM SZUMEM
*EyLI ZMIENNE RT TWORZ SZEREG KOWARIANCYJNIE STACJONARNY
BIAY SZUM
I WARTOyCI SL FUNKCJI AUTOKORELACJI SZEREGU RT S RÐWNE
ZERU DLA WSZYSTKICH L > TO RT NAZYWA SIÇ BIAYM SZU
MEM WHITE NOISE
$LA DANEGO CIGU OBSERWACJI RT 4T = NIECH R OZNACZA yREDNI Z PRÐBY TZN
1 T
r ¤
T t 1
rt 7ÐWCZAS WSPÐCZYNNIK AUTOKORELACJI Z PRÐBY Z OPÐ|NIENIEM L
OKREyLA SIÇ WZOREM

T
¤ (r
tl 1
t r )( rt l r)
>
Sl T
¤(r
t 1
t r)
2
0RZY PEWNYCH OGÐLNYCH ZAOENIACH > SL JEST ZGODNYM ESTYMATOREM WSPÐ

CZYNNIKA AUTOKORELACJI SL .A PRZYKAD JEyLI RT JEST CIGIEM IID SPENIAJ
CYM WARUNEK %RT < d TO DLA DOWOLNEGO CAKOWITEGO L > > SL MA ROZKAD
1
ASYMPTOTYCZNIE NORMALNY ZE yREDNI I WARIANCJ &AKT TEN MOE BYÃ WY
T

KORZYSTANY W PRAKTYCE DO TESTOWANIA HIPOTEZY ZEROWEJ

HIPOTEZA ZEROWA
( SL = PRZECIW ALTERNATYWIE (A SL x 2OZKAD
)SL
STATYSTYKI TESTOWEJ POSTACI T > S l JEST ASYMPTOTYCZNIE
STANDARDOWY NORMALNY 0OZWALA TO WYLICZYÃ PROCENTOWE PRZEDZIAY UFNOyCI
KTÐRE NA WYKRESACH FUNKCJI AUTOKORELACJI Z PRÐBY W CAEJ KSICE ZAZNACZONE
S POZIOMYMI LINIAMI
/GÐLNIEJ JEyLI RT JEST SZEREGIEM SABO STACJONARNYM SPENIAJCYM WARUNEK
q
rt N ¤Z FGDZIE Z = A FJ JEST GAUSSOWSKIM BIAYM SZUMEM TO >
i t i
q
SL MA
i 0
1 ¥ 2´
ROZKAD ASYMPTOTYCZNIE NORMALNY Z ZEROW yREDNI I WARIANCJ
T§
¦¦1 2 S i µµ ¤
DLA L > Q i 1 ¶
7IÇCEJ INFORMACJI NA TEMAT ROZKADÐW ASYMPTOTYCZNYCH WSPÐCZYNNIKÐW
AUTOKORELACJI Z PRÐBY MONA ZNALE|Ã NA PRZYKAD W KSICE "ROCKWELLA I $AVISA

0RZY BADANIACH ZALENOyCI POMIÇDZY DWOMA RÐNYMI SZEREGAMI RT I ST WY
ZNACZA SIÇ ICH KORELACJE Z PRÐBY Z OPÐ|NIENIEM L 7IELKOyCI TE S OKREyLONE
WZOREM
T
¤ (r
tl 1
t r )( st l s)
>
S r, s ( l )
T T
¤t 1
( rt r)
2
¤( s
t 1
t s)
2
*EDNO Z PIERWSZYCH PYTAÎ KTÐRE STAWIA SIÇ PRZY ANALIZIE WASNOyCI SZEREGÐW
CZASOWYCH DOTYCZY ICH ROZKADÐW $UGO PRZYJMOWANE NA OGÐ ZE WZGLÇDÐW
PRAKTYCZNYCH W LITERATURZE FINANSOWEJ ZAOENIE E SZEREGI STÐP ZWROTU MAJ
ROZKAD NORMALNY JEST ZWYKLE NIEPRAWDZIWE 4ESTOWANIE NORMALNOyCI ROZKADU
STÐP ZWROTU JEST ZWYKLE TYLKO FORMALNOyCI DLATEGO W BADANIACH FINANSOWYCH
STÐP ZWROTU STOSUJE SIÇ PRZEWANIE TYLKO NAJPROSTSZE
TEST *ARQUEoAs"ERY
METODY SPRAWDZANIA TEJ WASNOyCI /MAWIAMY TU DWIE HIPOTEZA ZEROWA
Z NICH TEST *ARQUEoAs"ERY I WYKRES KWANTYL KWANTYL ROZKAD JEST
:AÐMY E MAMY CIG OBSERWACJI PRÐBÇ R b R4 NORMALNY
4EST *ARQUEoAs"ERY NAJPOPULARNIEJSZY TEST NORMALNOyCI OPARTY JEST

NA STATYSTYCE
T 2 T
JBT b1 b2 3 2
6 24
GDZIE B JEST EMPIRYCZNYM WSPÐCZYNNIKIEM SKOyNOyCI

T
3
¤r
t 1
t r
b1 3
¥ T 2
´2
¤
¦ rt r
¦ t 1
µ
µ
§ ¶
A B JEST KURTOZ EMPIRYCZN

T
4
¤ r
t 1
t r
KURTOZA EMPIRYCZNA b2 2
¥ T
2
´
¤
¦ rt r
¦ t 1
µ
µ
§ ¶
3TATYSTYKA *"4 PRZY HIPOTEZIE ZEROWEJ POSTULUJCEJ NORMALNOyÃ MA ROZKAD
ASYMPTOTYCZNY D
7YKRES KWANTYL KWANTYL 1 1 PLOT
2OZWAMY CIG OBSERWACJI UPORZDKOWANY NIEMALEJCO R b R bb bR4
1´
.IECH QJ BÇDZIE KWANTYLEM RZÇDU ¥¦ j µ T ZMIENNEJ LOSOWEJ : MAJCEJ
§ 2¶
¥ 1´
STANDARDOWY ROZKAD NORMALNY TZN P( Z b q( j ) ) ¦ j T 7YKRES KWAN
§ 2 µ¶
TYL KWANTYL DLA PRÐBY \R b R4^ JEST ZBIOREM Γ = [Q J R J  | J = 4]
*EyLI PRÐBA \R b R4^ POCHODZI Z ROZKADU NORMALNEGO TO ZBIÐR Γ POWINIEN
W PRZYBLIENIU ZAWIERAÃ SIÇ W PROSTEJ &AKT TEN MONA TESTOWAÃ WYZNACZAJC
WSPÐCZYNNIK KORELACJI Z PRÐBY DLA CIGÐW Q Q b Q4 I R R b R4
*OHNSON I 7ICHERN
7 DALSZYM CIGU CZÇSTO ZAMIAST OKREyLENIA STOPA ZWROTU RATE OF RETURN BÇ

DZIEMY STOSOWAÃ KRÐTSZE I DOyÃ POWSZECHNIE STOSOWANE W LITERATURZE PRZED
MIOTU OKREyLENIE ZWROT RETURN : POWODÐW GÐWNIE NUMERYCZNYCH PROBLEMY
Z DZIAANIAMI NA LICZBACH BLISKICH ZERU WSZYSTKIE ROZWAANE PRZEZ NAS ZWROTY
S PROCENTOWYMI ZWROTAMI LOGARYTMICZNYMI TZN ZWROT ZA OKRES OD MOMENTU
T − DO T OKREyLONY JEST WZOREM
rt 100 (ln Pt ln Pt 1 )
GDZIE 0T OZNACZA CENÇ INSTRUMENTU FINANSOWEGO W CHWILI T

)LUSTRACJA $ZIENNE ZWROTY LOGARYTMICZNE INDEKSU 7)' W OKRESIE s

s
s
s

)LUSTRACJA $ZIENNE ZWROTY PROSTE INDEKSU 7)' W OKRESIE s

s
s
s

4AK OKREyLONE ZWROTY S POWSZECHNIE STOSOWANE W BADANIACH NAUKOWYCH

DOTYCZCYCH FINANSOWYCH SZEREGÐW CZASOWYCH /DMIENNE PODEJyCIE OBSERWUJE
SIÇ W PRAKTYCE BANKÐW RÐNYCH INSTYTUCJI FINANSOWYCH I POSZCZEGÐLNYCH IN
WESTORÐW W KTÐRYCH CZÇyCIEJ UYWANE S WYGODNIEJSZE W ANALIZIE PORTFELOWEJ
ZWROTY PROSTE

Pt Pt 1
Rt
Pt 1
POWODY STOSOWANIA :NANE S LICZNE ARGUMENTY UZASADNIAJCE STOSOWANIE

ZWROTÐW ZWROTÐW LOGARYTMICZNYCH W BADANIACH TEORETYCZNYCH
LOGARYTMICZNYCH +ORZYyCI NATURY PRAKTYCZNEJ S NASTÇPUJCE
r ATWOyÃ WYLICZANIA ZWROTU ZA OKRES DUSZY PRZEZ AGREGACJÇ ZWROTÐW Z POD
OKRESÐW
¥ P ´
rt [ k ] ln ¦ t µ rt rt 1 ! rt k 1
§ Pt k ¶
r PRZYJMOWANIE PRZEZ ZWROT LOGARYTMICZNY WARTOyCI Z CAEJ OSI RZECZYWISTEJ CO
JEST ISTOTNE GDY STOSUJEMY W MODELOWANIU ROZKADY PRAWDOPODOBIEÎSTWA
Z NIEOGRANICZONYM NOyNIKIEM ZWROT PROSTY PRZYJMUJE WARTOyCI NALECE DO
PRZEDZIAU ;− d
r LEPSZE WASNOyCI STATYSTYCZNE
r PROCES LOGARYTMU CENY WYSTÇPUJE CZÇSTO W STOCHASTYCZNYCH RÐWNANIACH
RÐNICZKOWYCH RÐWNANIACH DYFUZJI BÇDCYCH PODSTAW MODELOWANIA
ZMIENNOyCI W WARUNKACH CZASU CIGEGO
*EELI WARTOyCI BEZWZGLÇDNE ANALIZOWANYCH ZWROTÐW NIE S ZBYT WYSOKIE TO

1 2 1 3 1 4
Z ROZWINIÇCIA ln(1 x ) x x x x PRAWDZIWEGO DLA ] X]<
2 3 4
WYNIKA E RÐNICA MIÇDZY ZWROTEM LOGARYTMICZNYM A ZWROTEM PROSTYM JEST
NIEWIELKA PRZY CZYM W PORÐWNANIU Z WARTOyCI BEZWZGLÇDN ZWROTU PROSTEGO
WARTOyÃ BEZWZGLÇDNA ZWROTU LOGARYTMICZNEGO JEST NIEDOSZACOWANA W WYPADKU
ZWROTÐW DODATNICH I PRZESZACOWANA W WYPADKU ZWROTÐW UJEMNYCH &AKT TEN
PRZEDSTAWIAJ ILUSTRACJE I
&AKTY EMPIRYCZNE
-ÐWIC OGÐLNIE O WASNOyCIACH SZEREGÐW ZWROTÐW CEN

ZRÐNICOWANIE INSTRUMENTÐW FINANSOWYCH TRZEBA MIEÃ yWIADOMOyÃ
CHARAKTERU
TEGO E MATERIA STATYSTYCZNY NA PODSTAWIE KTÐREGO
SZEREGÐW
W ZALENOyCI ODFORMUUJE SIÇ OPINIE JEST W ISTOCIE BARDZO NIEJEDNORODNY
SEGMENTU RYNKU .IEUNIKNIONE JEST ZRÐNICOWANIE CHARAKTERU SZEREGÐW
W ZALENOyCI OD SEGMENTU RYNKU Z KTÐREGO POCHODZ .A
PRZYKAD ZWROTY CEN AKCJI MAJ NIECO INNE WASNOyCI NI ZWROTY NOTOWAÎ INDEK
SÐW ALBO ZWROTY KURSÐW WALUTOWYCH 7AyCIWOyCI SZEREGU ZALE RÐWNIE OD
CZÇSTOTLIWOyCI OBSERWACJI -ONA JEDNAK WYRÐNIÃ PEWN GRUPÇ CECH POJAWIA

&AKTY EMPIRYCZNE
JCYCH SIÇ W WYNIKACH BADAÎ EMPIRYCZNYCH KTÐRE TO CECHY S CHARAKTERYSTYCZNE

DLA PRZEWAAJCEJ WIÇKSZOyCI FINANSOWYCH SZEREGÐW ZWROTÐW LOGARYTMICZNYCH
0RAWIDOWOyCI TE WYCHWYCONE W WYNIKU ANALIZY STATYSTYCZNEJ WSKAZUJ NA TO
E MIMO SWOJEJ RÐNORODNOyCI SZEREGI ZWROTÐW FINANSO
WYCH MAJ ISTOTNE CECHY WSPÐLNE ,ITERATURA NA TEMAT STYLIZED FACTS
TYCH WASNOyCI NOSZCYCH W JÇZYKU ANGIELSKIM NAZWÇ
STYLIZED FACTS JEST BOGATA
/MÐWIMY OBECNIE NAJCZÇyCIEJ OPISYWANE FAKTY EMPIRYCZNE *AKO ILUSTRACJE
TYCH FAKTÐW PODAJEMY PRZYKADY POCHODZCE GÐWNIE Z POLSKIEGO RYNKU FINAN
SOWEGO 3 TO ZARÐWNO PRZYKADY POTWIERDZAJCE OMAWIAN PRAWIDOWOyÃ
JAK I yWIADCZCE O WYSTÇPUJCYCH ZWASZCZA NA POLSKIM RYNKU FINANSOWYM
ODSTÇPSTWACH OD NIEJ 0RZEDSTAWIONE TU PRZYKADY DOTYCZ NA OGÐ DZIENNYCH
STÐP ZWROTU ALE OMAWIANE WASNOyCI W MNIEJSZYM LUB WIÇKSZYM STOPNIU DO
TYCZ TE DANYCH O INNYCH CZÇSTOTLIWOyCIACH
"RAK AUTOKORELACJI

!UTOKORELACJA W SZEREGACH ZWROTÐW JEST Z REGUY STATYSTYCZNIE NIEISTOTNA Z WY
JTKIEM ZWROTÐW yRÐDDZIENNYCH W KTÐRYCH ZWYKLE POJAWIA SIÇ ONA JAKO EFEKT
TZW MIKROSTRUKTURY RYNKU .A ILUSTRACJACH I PRZEDSTAWIONO PRZYKADY
DOTYCZCE BRAKU AUTOKORELACJI
)LUSTRACJA "RAK AUTOKORELACJI W SZEREGACH ZWROTÐW FINANSOWYCH 0RZYKAD POTWIERDZAJCY

PRAWIDOWOyÃ ZWROTY INDEKSU 7)' W OKRESIE s

s
s
s


)LUSTRACJA "RAK AUTOKORELACJI W SZEREGACH ZWROTÐW FINANSOWYCH 0RZYKAD SPRZECZNOyCI Z REGU
ZWROTY INDEKSU 7)' W OKRESIE s

s
s
s

'RUBE OGONY ROZKADÐW I LEPTOKURTOZA

"ADANIA EMPIRYCZNE POWSZECHNIE POTWIERDZAJ WYSTÇPO
GRUBE OGONY WANIE GRUBYCH OGONÐW W BEZWARUNKOWYCH ROZKADACH
ROZKADÐW STÐP
ZWROTU ZWROTÐW INSTRUMENTÐW FINANSOWYCH ILUSTRACJE I
4YPOWE OSZACOWANIA KURTOZY MIESZCZ SIÇ W GRANICACH
OD DO CO WSKAZUJE NA DUE ODSTÇPSTWO OD ROZKADU NORMALNEGO )NDEKS
OGONA ROZKADU ROZUMIANY JAKO RZD K NAJWYSZEGO MOMENTU BEZWZGLÇDNEGO
KTÐRY JEST SKOÎCZONY LUB K = d GDY WSZYSTKIE MOMENTY S SKOÎCZONE PRZYJMUJE
ZWYKLE WARTOyCI POMIÇDZY A CO WYKLUCZA ROZKAD NORMALNY
'RUBE OGONY ROZKADÐW STÐP ZWROTU OZNACZAJ STOSUNKOWO DUE PRAWDO
PODOBIEÎSTWO WYSTÇPOWANIA OBSERWACJI EKSTREMALNYCH

&AKTY EMPIRYCZNE
)LUSTRACJA 'RUBE OGONY ROZKADÐW I LEPTOKURTOZA 0RZYKAD POTWIERDZAJCY REGUÇ ZWROTY
NOTOWAÎ SPÐKI +'(- W OKRESIE s EMPIRYCZNA KURTOZA EMPIRYCZNA
SKOyNOyÃ

s s s s s s s
)LUSTRACJA 7YKRES KWANTYL KWANTYL DLA ZWROTÐW NOTOWAÎ SPÐKI +'(-
W OKRESIE s

s
s
s
s s s s s

)LUSTRACJA !SYMETRIA SPADKÐW I WZROSTÐW 0RZYKAD ZGODNOyCI Z REGU ZWROTY INDEKSU -)$7)'
W OKRESIE s

s
s
s
s
s
s

)LUSTRACJA !SYMETRIA SPADKÐW I WZROSTÐW 0RZYKAD NA SPRZECZNOyÃ Z REGU ZWROTY SUBINDEKSU
7)' BANKI W OKRESIE s

s
s
s
s
s
s
s
s


&AKTY EMPIRYCZNE
!SYMETRIA SPADKÐW I WZROSTÐW

7 SZEREGACH NOTOWAÎ AKCJI I INDEKSÐW GIEDOWYCH ZNACZNE RUCHY W DÐ CZÇSTO
S CO DO WARTOyCI BEZWZGLÇDNEJ WIÇKSZE NI ZNACZNE WZROSTY ILUSTRACJE I
#ECHA TA RZADKO POJAWIA SIÇ W SZEREGACH KURSÐW WALUTOWYCH
$ENIE DO NORMALNOyCI PRZY AGREGACJI

0RZY ZWIÇKSZANIU JEDNOSTKI SKALI CZASOWEJ WZGLÇDEM KTÐREJ OBLICZANE S ZWROTY
ROZKAD ZWROTÐW UPODABNIA SIÇ DO NORMALNEGO A ZATEM KSZTAT ROZKADU ZALEY
OD SKALI CZASOWEJ ILUSTRACJA
)LUSTRACJA $ENIE DO NORMALNOyCI PRZY AGREGACJI 0RZYKAD ZGODNOyCI Z REGU ZWROTY PIÇCIOMI
NUTOWE A PIÇTNASTOMINUTOWE B GODZINNE C I DZIENNE D INDEKSU 7)'
A B

m m m m m m m m m m m m m m m m
C D

m m m m m m m m m m m m m m

)LUSTRACJA 7AHLIWOyÃ 0RZYKAD POTWIERDZAJCY REGUÇ DZIENNA ZMIENNOyÃ KURSU WALUTOWEGO
53$0,. W OKRESIE s WYESTYMOWANA ZA POMOC MODELU !0!2#(
7IDOCZNE POWTARZAJCE SIÇ OKRESY PODWYSZONEJ ZMIENNOyCI

)LUSTRACJA 7AHLIWOyÃ 0RZYKAD NIEZGODNOyCI Z REGU DZIENNA ZMIENNOyÃ KURSU WALUTOWEGO
53$%52 W OKRESIE s WYESTYMOWANA ZA POMOC MODELU 36


&AKTY EMPIRYCZNE
7AHLIWOyÃ ZMIENNOyCI

:WROTY WYKAZUJ s NIEZALENIE OD SKALI CZASU s WYSOKI POZIOM WAHLIWOyCI
ILUSTRACJE I 0RZEJAWIA SIÇ ON NP W TYM E W SZEREGACH ZMIENNOyCI
BEZ WZGLÇDU NA PRZYJÇTY SPOSÐB JEJ ESTYMOWANIA POJAWIAJ SIÇ OKRESY ZNACZNIE
PODWYSZONEGO JEJ POZIOMU
:GRUPOWANIA ZMIENNOyCI

0O DUYCH RUCHACH CEN WYSTÇPUJ CZÇSTO DUE ZMIANY
ZGRUPOWANIA
I PODOBNIE PO MAYCH MAE .IEZALENIE OD STOSOWANEJ ZMIENNOyCI
MIARY ZMIENNOyCI CHARAKTERYSTYCZNE DLA SZEREGÐW ZWRO A WYSTÇPOWANIE
TÐW JEST WYSTÇPOWANIE OKRESÐW PODWYSZONEJ ZMIENNO DODATNIEJ
AUTOKORELACJI
yCI PO KTÐRYCH NASTÇPUJ OKRESY ZMIENNOyCI OBNIONEJ
W SZEREGACH
ILUSTRACJA *EST TO ZWIZANE Z DODATNI AUTOKORE ZMIENNOyCI
LACJ WYSTÇPUJC W SZEREGACH ZMIENNOyCI I UWIDACZNIA
SIÇ W POSTACI ZGRUPOWAÎ ZMIENNOyCI VOLATILITY CLUSTERS
)LUSTRACJA :WROTY LOGARYTMICZNE INDEKSU 7)' W OKRESIE s

s
s
s
s
s
s


0OWRACANIE ZMIENNOyCI DO yREDNIEJ

#ZASAMI FORMUUJE SIÇ PRZEKONANIE E PO OKRESIE PODWYSZONEJ ZMIENNOyCI
NASTÇPUJE JEJ POWRÐT DO PEWNEGO NORMALNEGOq POZIOMU ORAZ E PODOBNY
POWRÐT WYSTÇPUJE PO OKRESIE ZANIONEJ ZMIENNOyCI 7 DUGIM OKRESIE ZMIEN
NOyÃ POWINNA POWRACAÃ DO OKREyLONEGO yREDNIEGO POZIOMU 5WAA SIÇ E
JEST TO CHARAKTERYSTYCZNA CECHA ZMIENNOyCI ACZKOLWIEK NIE JEST JASNE JAKI JEST
TEN NORMALNYq POZIOM ANI CZY JEST ON STAY W CZASIE I NIE ZALEY OD ZMIAN
INSTYTUCJONALNYCH
'RUBE OGONY ROZKADÐW WARUNKOWYCH

2OZKADY WARUNKOWE ZWROTÐW RÐWNIE CECHUJ SIÇ GRUBYMI OGONAMI 7ASNOyÃ
TA NIE ZANIKA ZUPENIE NAWET PO MODYFIKACJI SZEREGU UWZGLÇDNIAJCEJ ZGRUPO
WANIA ZMIENNOyCI NP PRZEZ ZASTOSOWANIE MODELI TYPU '!2#( 3ZEREGI RESZT
TYCH MODELI NADAL WYKAZUJ GRUBE OGONY W NIECO MNIEJSZYM STOPNIU
0OWOLNE ZANIKANIE AUTOKORELACJI W SZEREGACH ZWROTÐW BEZWZGLÇDNYCH

!UTOKORELACJA Z PRÐBY W SZEREGACH WARTOyCI BEZWZGLÇDNYCH STÐP ZWROTU ZA
NIKA WOLNO W TEMPIE FUNKCJI POTÇGOWEJ O WYKADNIKU OD OKOO − DO −
ILUSTRACJA #ZÇSTO UZNAJE SIÇ TO ZA OZNAKÇ WYSTÇPOWANIA ZALENOyCI
DUGOTERMINOWEJ
)LUSTRACJA 0OWOLNE ZANIKANIE AUTOKORELACJI W SZEREGACH ZWROTÐW BEZWZGLÇDNYCH &UNKCJA

AUTOKORELACJI Z PRÐBY DLA ZWROTÐW BEZWZGLÇDNYCH INDEKSU 7)' MALEJE W TEMPIE FUNKCJI POTÇGOWEJ
O WYKADNIKU OKOO s

s
Y X


&AKTY EMPIRYCZNE
%FEKT D|WIGNI

:MIENNOyÃ W WYPADKU WIÇKSZOyCI STOSOWANYCH MIAR JEST UJEMNIE SKORELOWANA
Z WIELKOyCI ZWROTU ILUSTRACJE I
)LUSTRACJA %FEKT D|WIGNI 0RZYKAD SPRZECZNOyCI Z REGU WYKRESY PUNKTOWE ZMIENNOyCI
WYESTYMOWANEJ ZA POMOC MODELU '!2#( I ZWROTÐW DLA KURSU %520,. /PÐ|NIENIA DLA ZWROTÐW
ZMIENIAJ SIÇ OD DO /KRES s -AYM BEZWZGLÇDNYM WARTOyCIOM ZWROTÐW
ODPOWIADA MAA ZMIENNOyÃ A DUYM s DUA "RAK UJEMNEJ KORELACJI MIÇDZY ZWROTAMI A ZMIENNOyCI

ZWROT

ZMIENNOyÃ
)LUSTRACJA %FEKT D|WIGNI 0RZYKAD ZGODNOyCI Z REGU -OSTOSTAL 5JEMNE KORELACJE MIÇDZY
ZMIENNOyCI WYESTYMOWAN ZA POMOC MODELU '!2#( A WIELKOyCI ZWROTU /KRES s
+ORELACJE POMIÇDZY WOLUMENEM A OPÐ|NIONYM ZWROTEM JASNE SUPKI KORELACJE POMIÇ
DZY ZWROTEM A OPÐ|NIONYM WOLUMENEM CIEMNE SUPKI .A OSI POZIOMEJ LICZBY OPÐ|NIEÎ

s
s
s


)LUSTRACJA +ORELACJA MIÇDZY ZMIENNOyCI A WIELKOyCI OBROTU 0RZYKAD ZGODNOyCI Z REGU
-OSTOSTAL $ODATNIE KORELACJE MIÇDZY ZMIENNOyCI WYESTYMOWAN ZA POMOC MODELU '!2#(
A WIELKOyCI WOLUMENU OBROTU /KRES s +ORELACJE POMIÇDZY WOLUMENEM
A OPÐ|NION ZMIENNOyCI CIEMNE SUPKI KORELACJE POMIÇDZY ZMIENNOyCI A OPÐ|NIONYM WOLUME
NEM JASNE SUPKI .A OSI POZIOMEJ LICZBY OPÐ|NIEÎ

s
s
s

)LUSTRACJA +ORELACJA MIÇDZY ZMIENNOyCI A WIELKOyCI OBROTU 7)' 3TOSUNKOWO SABY ZWIZEK
MIÇDZY ZMIENNOyCI WYESTYMOWAN ZA POMOC MODELU '!2#( A WIELKOyCI WOLUMENU OBROTU /KRES
s +ORELACJE POMIÇDZY WOLUMENEM A OPÐ|NION ZMIENNOyCI JASNE SUPKI KORELACJE
POMIÇDZY ZMIENNOyCI A OPÐ|NIONYM WOLUMENEM CIEMNE SUPKI .A OSI POZIOMEJ LICZBY OPÐ|NIEÎ

s
s
s


&AKTY EMPIRYCZNE
+ORELACJA MIÇDZY ZMIENNOyCI A WIELKOyCI OBROTU

7IELKOyÃ OBROTU JEST SKORELOWANA ZE WSZYSTKIMI MIARAMI ZMIENNOyCI ILUSTRACJE
I
:MIANY STRUKTURALNE

7 SZEREGACH STÐP ZWROTU Z INSTRUMENTÐW FINANSOWYCH CZÇSTO WYSTÇPUJ ZMIANY
STRUKTURALNE ILUSTRACJA KTÐRE MOG BYÃ WYWOANE PRZEZ ZMIANY W OTO
CZENIU RYNKU ZMIANY PRZEPISÐW PRAWNYCH KRYZYSY FINANSOWE ITP 7YSTÇ
POWANIE TAKICH ZMIAN ZNACZNIE UTRUDNIA MODELOWANIE I ZWIÇKSZA ZNACZENIE
ODPOWIEDNIEGO DOBORU DUGOyCI OKRESU PRÐBY JEyLI MODEL MA BYÃ WYKORZYSTANY
DO PROGNOZOWANIA
)LUSTRACJA :MIANA STRUKTURALNA OKOO OBSERWACJI W SZEREGU STÐP ZWROTU SPÐKI .ETIA
/KRES s

s
s
s


+AD ANALIZÇ EKONOMETRYCZN DANYCH FINANSOWYCH

WYBÐR SZEREGÐW NALEY W MIARÇ MOLIWOyCI ROZPOCZÃ OD PRZEANALIZO
WANIA WYKRESÐW BADANYCH SZEREGÐW 3ZEREGI STÐP ZWROTU
KTÐRYCH BADANIE BÇDZIE PRZYKADEM PREZENTOWANYCH PRZEZ NAS METOD OPISANE
ZOSTAY W TABELI I PRZEDSTAWIONE NA ILUSTRACJACH ORAZ s 2OZ
WAAMY DZIENNE NOTOWANIA KURSU WALUTOWEGO 53$0,. INDEKSÐW GIEDOWYCH
7)' I 7)' SPÐEK !GORA I 0+. /RLEN ORAZ STOPY PROCENTOWEJ 7)"/2
- 7 KILKU PRZYPADKACH WYRÐNIAMY SZEREGI ZWROTÐW Z PODOKRESÐW PO TO
BY LEPIEJ ZILUSTROWAÃ PEWNE ASPEKTY ICH DYNAMIKI
7YBÐR WAyNIE TYCH SZEREGÐW BY PODYKTOWANY TYM E WYKAZUJ ONE ZRÐNI
COWAN I INTERESUJC DYNAMIKÇ A TAKE A MOE NAWET PRZEDE WSZYSTKIM TYM
E S ONE DOSKONALE ZNANE AUTOROM GDY STANOWIY MIÇDZY INNYMI PRZEDMIOT
ICH BADAÎ $OMAN I $OMAN
4ABELA :ESTAWIENIE SZEREGÐW CZASOWYCH WYKORZYSTYWANYCH W ILUSTRACJACH EMPIRYCZNYCH
)NSTRUMENT .AZWA SZEREGU /KRES ,ICZBA

STÐP ZWROTU OBSERWACJI
7)'D s
7)'
7)'K s
7)'D s
7)'
7)'K s
53$0,.D s
53$0,.
53$0,.K s
!GORA !GORA s
0+. /RLEN 0+./RLEN s
7)"/2 - 7)"/2- s
3PRÐBUJMY TERAZ ZASTANOWIÃ SIÇ JAKIE TYPOWE WASNOyCI EMPIRYCZNE MONA

ZAOBSERWOWAÃ W WYPADKU ROZWAANYCH PRZEZ NAS SZEREGÐW 4ABELA PRZED
STAWIA ICH STATYSTYKI OPISOWE A WYKRESY NA ILUSTRACJACH s s OSZACOWANIA
FUNKCJI AUTOKORELACJI ORAZ PORÐWNANIE ROZKADÐW EMPIRYCZNYCH Z ROZKADEM
NORMALNYM

)LUSTRACJA 53$0,.D $ZIENNE PROCENTOWE LOGARYTMICZNE STOPY ZWROTU

/KRES s

s
s
s
s

)LUSTRACJA !GORA $ZIENNE PROCENTOWE LOGARYTMICZNE STOPY ZWROTU

/KRES s

s
s
s
s


)LUSTRACJA 0+. /RLEN $ZIENNE PROCENTOWE LOGARYTMICZNE STOPY ZWROTU

/KRES s

s
s
s
s

)LUSTRACJA 7)"/2- $ZIENNE PROCENTOWE LOGARYTMICZNE ZMIANY POZIOMU

/KRES s

s
s
s
s
s
s


4ABELA 3TATYSTYKI OPISOWE ANALIZOWANYCH SZEREGÐW STÐP ZWROTU
3ZEREG iREDNIA /DCHYLENIE -AXIMUM -INIMUM 3KOyNOyÃ +URTOZA

STANDARDOWE
7)'D − −
7)'K −
7)'D − −
7)'K − −
53$0,.D −
53$0,.K − −
!GORA − −
0+./RLEN − −
7)"/2 - − − −
.AWET POBIENE SPOJRZENIE NA RYSUNKI POZWALA STWIER

ZRÐNICOWANIE
DZIÃ E ZACHOWANIA STÐP ZWROTU POCHODZCYCH Z RÐNYCH
ZACHOWANIA STÐP
SEGMENTÐW RYNKU FINANSOWEGO S BARDZO ODMIENNE ZWROTU
.AJBARDZIEJ JEST TO WIDOCZNE W WYPADKU STÐP ZMIAN STOPY
PROCENTOWEJ 7)"/2 - .IEMNIEJ NA WSZYSTKICH WYKRESACH ZAUWAYÃ MONA
WYSTÇPOWANIE ZGRUPOWAÎ ZMIENNOyCI ORAZ OBECNOyÃ POJEDYNCZYCH OBSERWACJI
O WIELKOyCI ZNACZNIE ODBIEGAJCEJ OD PRZECIÇTNEJ -ONA TE WYRÐNIÃ PEWNE
PRZEJAWY ASYMETRII
)LUSTRACJA 7)'D A HISTOGRAM EMPIRYCZNA FUNKCJA GÇSTOyCI FUNKCJA GÇSTOyCI ROZKADU
NORMALNEGO Z EMPIRYCZN yREDNI I WARIANCJ B WYKRES KWANTYL KWANTYL
A

s s s s s
B

s
s
s s s s s

)LUSTRACJA 7)'K /SZACOWANIE FUNKCJI AUTOKORELACJI

s
s
s

)LUSTRACJA 7)'K A HISTOGRAM EMPIRYCZNA FUNKCJA GÇSTOyCI FUNKCJA GÇSTOyCI ROZKADU
A

s s s s

s
s s s s s s

)LUSTRACJA 7)'D /SZACOWANIE FUNKCJI AUTOKORELACJI

s
s
s

)LUSTRACJA 7)'D A HISTOGRAM EMPIRYCZNA FUNKCJA GÇSTOyCI FUNKCJA GÇSTOyCI ROZKADU
A

s s s s s s
B

s
s s s s s s s

)LUSTRACJA !GORA /SZACOWANIE FUNKCJI AUTOKORELACJI

s
s
s

)LUSTRACJA !GORA A HISTOGRAM EMPIRYCZNA FUNKCJA GÇSTOyCI FUNKCJA GÇSTOyCI ROZKADU
A

s s s s s s s

B

s
s s s s

)LUSTRACJA 0+. /RLEN /SZACOWANIE FUNKCJI AUTOKORELACJI

s
s
s

)LUSTRACJA 0+. /RLEN A HISTOGRAM EMPIRYCZNA FUNKCJA GÇSTOyCI FUNKCJA GÇSTOyCI ROZKADU
A

s s s s
B
s
s s s s s s

)LUSTRACJA 53$0,.D /SZACOWANIE FUNKCJI AUTOKORELACJI

s
s
s

)LUSTRACJA 53$0,.D A HISTOGRAM EMPIRYCZNA FUNKCJA GÇSTOyCI FUNKCJA GÇSTOyCI ROZKADU
A

s s s
B

s
s s s s s s s

)LUSTRACJA 7)"/2- /SZACOWANIE FUNKCJI AUTOKORELACJI

s
s
s

)LUSTRACJA 7)"/2- A HISTOGRAM EMPIRYCZNA FUNKCJA GÇSTOyCI FUNKCJA GÇSTOyCI ROZKADU
A

s s s s s
B

s
s
s s s s s s

5WAGI
"IORC POD UWAGÇ ZASTOSOWANIA W MODELOWANIU RYNKÐW FINANSOWYCH NAJLEPSZ

KSIK Z RACHUNKU PRAWDOPODOBIEÎSTWA W JÇZYKU POLSKIM JEST PODRÇCZNIK
*AKUBOWSKIEGO I 3ZTENCLA *EST ON DOyÃ ZAAWANSOWANY GDY JEST PRZE
ZNACZONY GÐWNIE DLA STUDENTÐW KIERUNKÐW MATEMATYCZNYCH JEDNAK JEGO FORMA
POZWALA RÐWNIE NA DOyÃ ATWE PRZYSWOJENIE SOBIE NIEZBÇDNYCH ZAGADNIEÎ PRZEZ
MNIEJ WPRAWIONEGO CZYTELNIKA
0ROCESY yCISEGO BIAEGO SZUMU I BIAEGO SZUMU S RÐNIE DEFINIOWANE W LITE
RATURZE 0RZYJÇTE TU OKREyLENIA S ZGODNE ZE STOSOWANYMI PRZEZ 4SAYA
3ZEROKI PRZEGLD FAKTÐW EMPIRYCZNYCH DOTYCZCYCH FINANSOWYCH SZEREGÐW
CZASOWYCH MONA ZNALE|Ã W PRACACH #ONTA ORAZ %NGLEoA I 0ATTONA
$OBRYM |RÐDEM JEST TE MONOGRAFIA 4SAYA
3POyRÐD PREZENTOWANYCH TU FAKTÐW NAJWIÇKSZE ZNACZENIE
ZNACZENIE W MODELOWANIU SZEREGÐW STÐP ZWROTU MA WYSTÇPOWANIE
WYSTÇPOWANIA ZGRUPOWAÎ ZMIENNOyCI ORAZ GRUBE OGONY ROZKADÐW
ZGRUPOWAÎ
ZWASZCZA WARUNKOWYCH )CH WYSTÇPOWANIE JEST RACJ BYTU
ZMIENNOyCI
I GRUBYCH OGONÐW MODELI ZMIENNOyCI KTÐRYM POyWIÇCONA JEST WIÇKSZOyÃ
PRZEDSTAWIONYCH W TEJ KSICE ROZWAAÎ


:ALENOyCI LINIOWE W SZEREGACH STÐP ZWROTU
INSTRUMENTÐW FINANSOWYCH
-ODELE EKONOMETRII FINANSOWEJ KONCENTRUJ SIÇ GÐWNIE NA BADANIU ANALIZIE

I MODELOWANIU ZALENOyCI NIELINIOWYCH WYSTÇPUJCYCH W FINANSOWYCH SZEREGACH
CZASOWYCH PRZEDE WSZYSTKIM STÐP ZWROTU Z INSTRUMENTÐW FINANSOWYCH *EDNAK
DEFINICJA ZALENOyCI NIELINIOWEJ JEST BARDZO OGÐLNA I SPROWADZA SIÇ DO STWIER
DZENIA E JEST TO ZALENOyÃ KTÐRA NIE JEST LINIOWA 7 TYM ROZDZIALE POyWIÇCIMY
WIÇC TROCHÇ MIEJSCA NA ZDEFINIOWANIE SZEREGÐW LINIOWYCH OMÐWIENIE METOD
TESTOWANIA ZALENOyCI LINIOWYCH I OPIS MODELI Z RODZINY !2-! WYCHWYTUJCYCH
TE ZALENOyCI )NFORMACJE KTÐRE BÇD TU PRZEDSTAWIONE S RÐWNIE WANE DLA
ZROZUMIENIA MECHANIZMÐW OPISYWANYCH PRZEZ ROZWAANE W KOLEJNYCH ROZDZIA
ACH MODELE ZMIENNOyCI
4ESTY "OXAs0IERCEoA I ,JUNGAs"OXA
7 ANALIZIE FINANSOWYCH SZEREGÐW CZASOWYCH CZÇSTO POJAWIA SIÇ KONIECZNOyÃ

ZBADANIA CZY POMIÇDZY ELEMENTAMI SZEREGU WYSTÇPUJ ZALENOyCI LINIOWE TZN
KONIECZNOyÃ CZNEGO TESTOWANIA CZY DLA SZEREGU RT AUTOKORELACJE O RÐNYCH
OPÐ|NIENIACH S RÐWNE ZERU 0ONIEJ PRZEDSTAWIAMY DWA NAJCZÇyCIEJ STOSOWANE
W TAKIEJ SYTUACJI TESTY
TEST "OXAs0IERCEoA
4EST "OXAs0IERCEoA HIPOTEZA ZEROWA
WSPÐCZYNNIKI
4EST TEN OPIERA SIÇ NA STATYSTYCE WALIZKOWEJ AUTOKORELACJI S
PORTMANTEAU STATISTIC RÐWNE ZERU
m
Q ( m) T ¤S
l 1
>2
l
GDZIE >
SL JEST WSPÐCZYNNIKIEM AUTOKORELACJI Z PRÐBY OKREyLONYM WZOREM

(IPOTEZA ZEROWA MA POSTAÃ ( S=S==SM= A HIPOTEZ ALTERNA

TYWN JEST (A SIx DLA PEWNEGO I \ M^ 0RZY ZAOENIU E RT JEST
SZEREGIEM IID ORAZ ISTNIEJ MOMENTY CZWARTEGO RZÇDU STATYSTYKA 1 M MA
ASYMPTOTYCZNIE ROZKAD DM
4EST ,JUNGAs"OXA
3TATYSTYKA 1M TESTU ,JUNGAs"OXA JEST MODYFIKACJ STATYSTYKI 1 M MAJC

NA CELU UZYSKANIE WIÇKSZEJ MOCY TESTU DLA SKOÎCZONYCH PRÐB
m >2
Sl
TEST ,JUNGAs"OXA Q( m) T (T ¤T
2)
l

HIPOTEZA ZEROWA l 1
WSPÐCZYNNIKI
!SYMPTOTYCZNY ROZKAD STATYSTYKI 1M JEST TAKI SAM JAK
AUTOKORELACJI S
STATYSTYKI 1 M
RÐWNE ZERU
7 PRAKTYCE WYBÐR MAKSYMALNEGO OPÐ|NIENIA M MA
ZNACZNY WPYW NA WYNIKI TESTU :WYKLE PRZEPROWADZA SIÇ GO DLA KILKU RÐNYCH
WARTOyCI M 3YMULACJE WSKAZUJ E STOSUNKOWO DOBRE WYNIKI DAJE WYBÐR
M zLN4
3ZEREGI LINIOWE
7 LITERATURZE PRZEDMIOTU MONA SPOTKAÃ RÐNE DEFINICJE SZEREGU LINIOWEGO

0RZYJMUJC PODEJyCIE ZAPROPONOWANE PRZEZ 4SAYA O SZEREGU CZASOWYM
RT MÐWIMY E JEST LINIOWY JEELI MOE BYÃ PRZEDSTAWIONY W POSTACI
d
LINIOWY SZEREG
CZASOWY
rt N ¤Z F
i 0
i t i
GDZIE μ JEST STA Z= A FT JEST yCISYM BIAYM SZUMEM Z ZEROW yREDNI
3TRUKTURA DYNAMICZNA LINIOWEGO SZEREGU RT JEST WYZNACZONA PRZEZ WSPÐCZYNNIKI
WAGI ZI
:E WZGLÇDU NA CHARAKTER TEJ KSIKI NIE WNIKAMY W KWESTIE DOTYCZCE
NIESKOÎCZONYCH SUM NIEZALENYCH ZMIENNYCH LOSOWYCH #ZYTELNIKÐW ZAINTE
RESOWANYCH TYMI ZAGADNIENIAMI ODSYAMY DO KSIKI *AKUBOWSKIEGO I 3ZTENCLA
LUB DO BARDZIEJ MATEMATYCZNIE ZAAWANSOWANYCH POZYCJI POyWIÇCONYCH
ANALIZIE SZEREGÐW CZASOWYCH "ROCKWELL I $AVIS (AMILTON 3HUMWAY
I 3TOFFER

-ODELE AUTOREGRESJI
*EyLI SZEREG LINIOWY RT OKREyLONY PRZEZ JEST KOWARIANCYJNIE STACJONARNY

TO
%RT = N A
ORAZ
d
var( rt ) T 2F ¤Z
i 0
2
i B
GDZIE T F JEST WARIANCJ ZMIENNEJ FT

!UTOKOWARIANCJA Z OPÐ|NIENIEM L JEST W TEJ SYTUACJI RÐWNA
d
H l cov( rt , rt l ) T 2F ¤Z Z
j 0
j j l
7SPÐCZYNNIKI ZI ZWIZANE S ZATEM ZE WSPÐCZYNNIKAMI AUTOKORELACJI

SZEREGU RT W NASTÇPUJCY SPOSÐB
d
H
¤Z Z
i 0
i i l
Sl l d

H0
1 ¤
i 1
Z 2i
GDZIE L r
-ODELE AUTOREGRESJI
*AK MONA BYO ZAUWAYÃ NA ILUSTRACJI DZIENNE STOPY ZWROTU RT INDEKSU
7)' WYKAZUJ STATYSTYCZNIE ISTOTN WARTOyÃ AUTOKORELACJI Z OPÐ|NIENIEM
CO MONA INTERPRETOWAÃ JAKO DOWÐD NA ISTNIENIE ZALENOyCI LINIOWEJ POMIÇDZY
ZWROTAMI RTs I RT 0OWINNIyMY ZATEM PODJÃ PRÐBÇ WYKORZYSTANIA TEJ INFORMACJI
W MODELOWANIU ZWROTU RT 0ROSTY MODEL WYKORZYSTUJCY ZALENOyÃ TEGO TYPU
JEST OKREyLONY RÐWNANIEM
RT = A + ARTs + FT
GDZIE FT JEST yCISYM BIAYM SZUMEM Z ZEROW yREDNI I WARIANCJ T F
*EST TO MODEL AUTOREGRESJI RZÇDU CZYLI INACZEJ MODEL
!2 MODEL !2
:AUWAMY E MAMY ZALENOyCI
%RT] RTs = A + ARTs A
VARRT] RTs = VARFT = TF B

KTÐRE OZNACZAJ E WARUNKOW WARTOyCI OCZEKIWAN

WARUNKOWA
ZMIENNEJ RT POD WARUNKIEM E ZNAMY RTs JEST A + ARTs
WARTOyÃ
PONIEWA ODPOWIEDNIA WARUNKOWA WARTOyÃ OCZEKIWANA
OCZEKIWANA RT
ZMIENNEJ FT JEST RÐWNA JEJ WARTOyCI OCZEKIWANEJ CZYLI WYNO
SI ZERO GDY INFORMACJA O PROCESIE RT NIE MA WPYWU NA OCZEKIWANIA DOTYCZCE FT
: TYCH SAMYCH POWODÐW WARUNKOWA WARIANCJA ZMIENNEJ RT POD WARUNKIEM
E ZNAMY RTs JEST RÐWNA WARIANCJI yCISEGO BIAEGO SZUMU FT
.ATURALNYM UOGÐLNIENIEM MODELU !2 JEST MODEL !2P OKREyLONY
RÐWNANIEM
MODEL !2P RT = A + A RTs + b + AP RTsP + FT
7ASNOyCI MODELI !2P

0RZEDYSKUTUJEMY TERAZ DOKADNIE WASNOyCI MODELI !2 I !2 CO
POWINNO ROZWINÃ INTUICJÇ POZWALAJC NA LEPSZE ZROZUMIENIE ZALENOyCI
OPISYWANYCH PRZEZ OGÐLNE MODELE !2P 7 OBU SZCZEGÐOWO ROZWAANYCH
PRZYPADKACH OKREyLIMY WARUNKI STACJONARNOyCI PROCESU I OPISZEMY DYNAMIKÇ
AUTOKORELACJI
+OWARIANCYJNA STACJONARNOyÃ MODELU !2

0RZYJMIJMY E SZEREG RT JEST KOWARIANCYJNIE STACJONARNY 7TEDY Z RÐWNANIA
OTRZYMUJEMY
%RT = A + A%RTs
7OBEC KOWARIANCYJNEJ STACJONARNOyCI
%RT = %RTs = N
A ZATEM
a0
E( rt ) N
1 a1
7YNIKA STD E WARTOyÃ OCZEKIWANA ZMIENNEJ RT ISTNIEJE POD WARUNKIEM E
A x ORAZ E RT MA yREDNI ZERO TYLKO WTEDY GDY A =
+ORZYSTAJC Z ZALENOyCI A = s A N MONA ZAPISAÃ MODEL !2 W PO
STACI
RT s N=ARTs s N +FT
STOSUJC KOLEJNE PODSTAWIENIA DOSTAJEMY
d
rt N Ft a1 F t 1 a12 F t 2 ¤a F
i 0
i
1 t i


-ODELE AUTOREGRESJI
:ATEM RT s N JEST LINIOW FUNKCJ ZMIENNYCH FTsI DLA I r +ORZYSTAJC Z TEJ

WASNOyCI I Z NIEZALENOyCI ZMIENNYCH FT OTRZYMUJEMY RÐWNOyÃ %;RT s N FT+= =
I WOBEC STACJONARNOyCI COVRTs FT = %;RT s N FT= = 3TD PODNOSZC OBUSTRON
NIE DO KWADRATU I BIORC WARTOyÃ OCZEKIWAN W OTRZYMUJEMY
VARRT =AVARRTs + TF
Z CZEGO WYNIKA I
T 2F
var( rt )
1 a12
POD WARUNKIEM E A<

:ATEM KOWARIANCYJNA STACJONARNOyÃ MODELU !2 IMPLIKUJE E s < A<
*EST TAKE ODWROTNIE *EyLI s < A< TO s POSUGUJC SIÇ REPREZENTACJ
s MONA WYKAZAÃ E SZEREG RT JEST KOWARIANCYJNIE STACJONARNY
+OWARIANCYJNA STACJONARNOyÃ MODELU !2 OKREyLONEGO RÐWNANIEM
JEST ZATEM RÐWNOWANA WARUNKOWI s < A<
!#& DLA MODELU !2

-NOC RÐWNOyÃ PRZEZ FT BIORC OBUSTRONNIE WARTOyCI OCZEKIWANE I KO
RZYSTAJC Z TEGO E %;RTs s N FT= = OTRZYMUJEMY %;FTRT s N = = TF 0OZWALA
TO WYPROWADZIÃ ZALENOyÃ
«® a H 2
TF dla l 0
Hl ¬ 1 1
® a1 H l 1 dla l 0
Z KTÐREJ WYNIKA E DLA KOWARIANCYJNIE STACJONARNEGO MODELU !2 OKREyLO
NEGO PRZEZ !#& SPENIA ZALENOyÃ
SL = ASLs DLA L >
0ONIEWA S = WIÇC SL = A DLA L r
7 CELU POGÇBIENIA U CZYTELNIKA PEWNEJ INTUICJI DOTYCZCEJ ZACHOWAÎ OMA
WIANYCH PROCESÐW PRZEDSTAWIAMY NA ILUSTRACJACH I SYMULOWANE TRAJEK
TORIE PROCESÐW !2 Z DODATNIM I UJEMNYM WSPÐCZYNNIKIEM PRZY OPÐ|NIONEJ
ZMIENNEJ ORAZ OSZACOWANE NA ICH PODSTAWIE FUNKCJE !#& ILUSTRACJE I
!NALIZUJC WYKRESY TRZEBA MIEÃ yWIADOMOyÃ E NA UZYSKANE SYMULACJE ZNACZNY
WPYW MA JAKOyÃ UYWANEGO GENERATORA LICZB LOSOWYCH

)LUSTRACJA 0RZYKADOWA TRAJEKTORIA PROCESU !2 Z A = εT ^ .

s
s
s

)LUSTRACJA 0RZYKADOWA TRAJEKTORIA PROCESU !2 Z A s εT ^ .

s
s
s


-ODELE AUTOREGRESJI
)LUSTRACJA /SZACOWANIE !#& DLA TRAJEKTORII Z ILUSTRACJI

s
s
s


s
s
s


+OWARIANCYJNA STACJONARNOyÃ MODELU !2

-ODEL !2 MA POSTAÃ
RT = A + ARTs +A RTs+FT
:AKADAJC KOWARIANCYJN STACJONARNOyÃ MOEMY s PODOBNIE JAK W PRZY

PADKU !2 s WYLICZYÃ
a0
E( rt ) N
1 a1 a2
POD WARUNKIEM E A + A x
7YKORZYSTUJC TO E A = s A A N MOEMY DALEJ NAPISAÃ
RT s N=ARTs s N +ARTs s N +FT
-NOC TO RÐWNANIE PRZEZ RTs s N DLA L > I WYLICZAJC WARTOyÃ OCZEKIWAN

DOSTAJEMY ZALENOyÃ
HL = AHLs + AHLs
DLA L >
*EST TO TZW RÐWNANIE MOMENTÐW DLA KOWARIANCYJNIE STACJONARNEGO MODELU
!2 $ZIELC JE OBUSTRONNIE PRZEZ H OTRZYMUJEMY
SL = ASLs + ASLs
DLA L >
:ATEM DLA !2
S0 1 A
a1
S1 B
1 a2
S l a1S l 1 a2S l C
2
DLA L r
3TD WYNIKA E DLA KOWARIANCYJNIE STACJONARNEGO PROCESU !2 SPENIONE
JEST RÐWNANIE
s A, s A, SL =
GDZIE , OZNACZA OPERATOR OPÐ|NIENIA LAG OPERATOR LUB INACZEJ OPERATOR PRZE
SUNIÇCIA WSTECZ BACK SHIFT OPERATOR OKREyLONY WZOREM ,RT = RTs
7IELOMIAN A, = s A, s A, WYSTÇPUJCY PO PRAWEJ STRONIE RÐWNANIA
ODGRYWA KLUCZOW ROLÇ W BADANIU KOWARIANCYJNEJ STACJONARNOyCI SZEREGU
RT OKREyLONEGO PRZEZ MODEL !2 *EyLI WSZYSTKIE PIERWIASTKI WIELOMIANU

-ODELE AUTOREGRESJI
A, MAJ MODUY WIÇKSZE OD TO PROCES RT JEST KOWARIANCYJNIE STACJONARNY

.IE WCHODZC W SZCZEGÐY PRZEDSTAWIONE NP W KSICE (AMILTONA
WSPOMNIJMY JEDYNIE E GDY SPENIONY JEST POWYSZY WARUNEK TO SZEREG RT MA
REPREZENTACJÇ GDZIE SZEREG POTÇGOWY
d
Z ( L) 1 ¤Z L
i 1
i
i
OKREyLONY JEST PRZEZ RÐWNOyÃ

A, Z, =
d
PRZY CZYM ¤| Z | d 'WARANTUJE TO KOWARIANCYJN STACJONARNOyÃ SZEREGU R
i 1
i T
A JEGO yREDNIA WARIANCJA I KOWARIANCJA WYRAAJ SIÇ RÐWNIE ZA POMOC WZORÐW

A B I
.A ZAKOÎCZENIE TYCH ROZWAAÎ PRZEDSTAWIAMY NA ILUSTRACJACH I WYKRE
SY SYMULOWANEJ TRAJEKTORII PROCESU !2 ORAZ OSZACOWANEJ NA JEJ PODSTAWIE
FUNKCJI AUTOKORELACJI
7YNIKI DOTYCZCE ROZWAANYCH MODELI !2 I !2

KOWARIANCYJNA
UOGÐLNIAJ SIÇ W NATURALNY SPOSÐB NA PRZYPADEK MODELU STACJONARNOyÃ
!2P OKREyLONEGO RÐWNANIEM 7 TYM WYPADKU MODELI !2P
SZEREG RT JEST KOWARIANCYJNIE STACJONARNY JEyLI WSZYSTKIE
PIERWIASTKI WIELOMIANU
A, = s A , s b s AP,P
MAJ MODUY WIÇKSZE OD *EyLI TAK JEST TO
a0
E (rt ) N
1 a1 ap
A FUNKCJA AUTOKORELACJI SPENIA RÐWNANIE
s A, s b s AP,P SL =
: WARUNKU WYNIKA E DLA KOWARIANCYJNIE STACJONARNEGO SZEREGU TYPU
!2P SL m PRZY L m d

)LUSTRACJA 0RZYKADOWA TRAJEKTORIA PROCESU !2 Z A = ORAZ A = FT ^ .

s
s
s
s
s



-ODELE AUTOREGRESJI
)DENTYFIKOWANIE MODELI !2 W PRAKTYCE s 0!#&

I KRYTERIA INFORMACYJNE
7 PRAKTYCE RZD P MODELU !2P JEST NIEZNANY I TRZEBA GO WYZNACZYÃ EM
PIRYCZNIE -ONA TO OSIGNÃ STOSUJC FUNKCJÇ AUTOKORELACJI CZSTKOWEJ LUB
KRYTERIA INFORMACYJNE
0!#& CZYLI FUNKCJÇ AUTOKORELACJI CZSTKOWEJ PARTIAL FUNKCJA
AUTOCORRELATION FUNCTION STACJONARNEGO SZEREGU RT DE AUTOKORELACJI
FINIUJE SIÇ ZA POMOC WSPÐCZYNNIKÐW AUTOKORELACJI SL CZSTKOWEJ 0!#&
W NASTÇPUJCY SPOSÐB
A =S
A =S s S s S
s 1
Ss ¤a
j 1
s 1, jS s j
as , s s 1
1 ¤a
j 1
s 1, jS j
S = b GDZIE AS J = ASs J s AS S ASs SsJ DLA J = b Ss

/SZACOWANIA >
AJ J WSPÐCZYNNIKÐW AUTOKORELACJI CZSTKOWEJ Z PRÐBY MONA
OTRZYMAÃ ROZWAAJC MODELE !2 KOLEJNYCH RZÇDÐW
RT = A + A RTs + E T
RT = A + A RTs + A RTs + E T
RT = A + A RTs + A RTs + A RTs + E T
ITD
2ÐWNANIA TE MOG BYÃ ESTYMOWANE ZA POMOC METODY NAJMNIEJSZYCH
KWADRATÐW /SZACOWANIE PARAMETRU > A W PIERWSZYM RÐWNANIU JEST NAZYWANE
WARTOyCI 0!#& Z PRÐBY Z OPÐ|NIENIEM > A W DRUGIM RÐWNANIU s WARTOyCI
0!#& Z PRÐBY Z OPÐ|NIENIEM ITD
7YNIKA STD E 0!#& Z OPÐ|NIENIEM WSKAZUJE DODATKOWY WKAD WARTOyCI
RTs DO RT PONAD TO CO JU ZOSTAO WNIESIONE ZA POyREDNICTWEM RTs W MODELU
!2 RT = A + ARTs + E T 0!#& Z OPÐ|NIENIEM POKAZUJE DODATKOWY WKAD
WARTOyCI RTs DO RT PONAD TO CO ZOSTAO WNIESIONE PRZEZ MODEL !2 ITD :ATEM
DLA MODELU !2P 0!#& Z PRÐBY Z OPÐ|NIENIEM P NIE POWINNO SIÇ ZEROWAÃ NA
TOMIAST Z OPÐ|NIENIAMI WIÇKSZYMI OD P POWINNO BYÃ BLISKIE ILUSTRACJA
-ONA WYKAZAÃ E DLA STACJONARNEGO GAUSSOWSKIEGO MODELU !2P 0!#&
Z PRÐBY MA NASTÇPUJCE WASNOyCI
r >
AP P JEST ZBIENE DO AP GDY DUGOyÃ PRÐBY 4 DY DOd
AJ J DY DO DLA WSZYSTKICH J > P
r >
AJ J JEST RÐWNA 4 DLA J > P
r ASYMPTOTYCZNA WARIANCJA ZMIENNYCH >

)LUSTRACJA /SZACOWANIA !#& I 0!#& DLA TRAJEKTORII Z ILUSTRACJI

!#& 0!#&

s
s
s

.AJCZÇyCIEJ WYBORU KONKRETNEGO MODELU JAKO NAJLEPIEJ OPISUJCEGO SZEREG

DANYCH DOKONUJE SIÇ OPIERAJC SIÇ NA KRYTERIACH INFORMACYJNYCH :DEFINIOWANE
PONIEJ KRYTERIA INFORMACYJNE WYKORZYSTUJ FUNKCJÇ WIARYGODNOyCI KTÐR OZNA
CZAMY TU PRZEZ , $LA PRZYPOMNIENIA JEyLI DANA JEST PRÐBA \R b R4^ TO
,R =FR b R4 R
GDZIE F JEST GÇSTOyCI CZNEGO ROZKADU ZMIENNYCH \R b R4^ A R JEST WEKTOREM
PARAMETRÐW OKREyLAJCYM JEDNOZNACZNIE TEN ROZKAD
0RZY ESTYMACJI PARAMETRÐW MODELI SZEREGÐW CZASOWYCH METOD NAJWIÇKSZEJ
WIARYGODNOyCI NA OGÐ KORZYSTA SIÇ Z RÐWNOyCI
T
f ( r1 , rT ; R) f1 ( r1 ; R) f (r | r
t 2
t t t 1, , r1 ; R)
7 WYPADKU MODELU !2P
FTRT] RTs b RR =GRT s %RT] RTs b R R
GDZIE G JEST FUNKCJ GÇSTOyCI ZMIENNEJ FT

-ODELE AUTOREGRESJI
.AJBARDZIEJ POPULARNE JEST KRYTERIUM INFORMACYJNE

KRYTERIUM
!KAIKE !KAIKE )NFORMATION #RITERION s !)# INFORMACYJNE
ln L(>
R) k !KAIKE
AIC 2 2
T T
GDZIE K JEST LICZB PARAMETRÐW MODELU A ,> R JEST WARTOyCI FUNKCJI WIARYGOD
NOyCI DLA OBSERWACJI \R b R4^ WYLICZON DLA OSZACOWANIA > R WEKTORA PARAME
TRÐW KTÐRE J MAKSYMALIZUJE
3TOSOWANIE KRYTERIUM INFORMACYJNEGO !)# DO WYBORU RZÇDU MODELU !2
POLEGA NA WYZNACZANIU JEGO WARTOyCI DLA MODELI !2L L = b 0 I WYBRANIU
TAKIEGO RZÇDU L DLA KTÐREGO !)# MA NAJMNIEJSZ WARTOyÃ
/PRÐCZ KRYTERIUM !)# DO NAJCZÇyCIEJ STOSOWANYCH
POZOSTAE KRYTERIA
NALE JESZCZE SKORYGOWANE KRYTERIUM !KAIKE !)#C
INFORMACYJNE
ORAZ KRYTERIA 3CHWARZA "AYESIAN )NFORMATION #RITERION
s ")# (ANNANAs1UINNA (s1 I 3HIBATY 3H OKREyLONE WZORAMI
ln L(>
R) T k
AICc 2 2
T T k 2
ln L(>
R) k ln T
BIC 2
T T
ln L(>
R) k ln(ln T )
H Q 2 2
T T
ln L(>
R) ¥ T 2k ´
Sh 2 ln ¦ µ
T § T ¶
0RZEDSTAWIONE KRYTERIA INFORMACYJNE RÐNI SIÇ REGU WEDUG KTÐREJ WY
LICZAJ aKARÇq ZA LICZBÇ PARAMETRÐW MODELU .A PRZYKAD Z TEGO E DLA 4 r
LN4 > WYNIKA I KRYTERIUM ")# aKARZEq BARDZIEJ ZA LICZBÇ PARAMETRÐW MODELU
NI KRYTERIUM !)# JEyLI 4 r
.ALEY PODKREyLIÃ E CHOCIA PODANE TU DEFINICJE KRYTERIÐW INFORMACYJNYCH
NALE DO NAJCZÇyCIEJ SPOTYKANYCH W LITERATURZE EKONOMETRYCZNEJ TO JEDNAK
CZASAMI KRYTERIA INFORMACYJNE DEFINIOWANE S INACZEJ .A PRZYKAD $AVIDSON
UYWA NASTÇPUJCYCH DEFINICJI
AIC ln L(>
R) k
BIC ln L(>
R) 1
2 k ln T
H Q ln L(>
R) k ln(ln T )
7 TAKIEJ SYTUACJI PRZECIWNIE NI POPRZEDNIO WIÇKSZA WARTOyÃ KRYTERIUM
OZNACZA E MODEL JEST LEPSZY

%STYMACJA PARAMETRÐW MODELI !2P

$O ESTYMOWANIA MODELU !2P OKREyLONEGO RÐWNANIEM ZWYKLE STOSO
WANA JEST METODA NAJMNIEJSZYCH KWADRATÐW -.+ ROZPOCZYNAJCA SIÇ OD
OBSERWACJI Z INDEKSEM P+ $OKADNIEJ PRZY DANYCH P PIERWSZYCH OBSERWACJACH
MAMY ZALENOyÃ
RT = A + ARTs +b+ AP RTsP + FT
T=P+ b 4
KTÐRA MOE BYÃ ESTYMOWANA ZA POMOC -.+ /SZACOWANY MODEL MA POSTAÃ
>rt >
a0 >
a1 rt 1
>
a p rt p
>
A RESZTAMI S F t rt >
rt /SZACOWANIEM WARIANCJI ZMIENNYCH FT JEST
T
¤F
t p 1
>2
t
>2
TF
T 2p 1
7 PRAKTYCE ESTYMACJÇ PARAMETRÐW PRZEPROWADZA SIÇ NUMERYCZNIE WYKORZY
STUJC ODPOWIEDNIE PROGRAMY KOMPUTEROWE /PRÐCZ OSZACOWANIA> R PARAMETRU
>
R PODAJ ONE RÐWNIE JEGO BD STANDARDOWY SR 3TATYSTYKA t
R
>
R 0 SUY DO
sS>R
TESTOWANIA HIPOTEZY ( R= R PRZECIWKO ALTERNATYWIE
HIPOTEZA ZEROWA ( RxR 0RZY PRAWDZIWEJ HIPOTEZIE ZEROWEJ MA ONA ROZ
( R=R KAD T 3TUDENTA Z . s K STOPNIAMI SWOBODY T. s K GDZIE
. JEST DUGOyCI CIGU OBSERWACJI WYKORZYSTYWANYCH DO
ESTYMACJI A K s LICZB ESTYMOWANYCH PARAMETRÐW 0ODAWANA PRZEZ PROGRAM
KOMPUTEROWY P WARTOyÃ JEST RÐWNA PRAWDOPODOBIEÎSTWU 0]8] r ] T] GDZIE
8 _ T. s K *EyLI R= TO MÐWI SIÇ E OSZACOWANIE PARAMETRU JEST ISTOTNE NA
POZIOMIE α JEyLI P WARTOyÃ JEST MNIEJSZA OD α
-ODEL JEST DOBRZE DOPASOWANY JEyLI OSZACOWANIA WSZYSTKICH JEGO PARA
METRÐW S STATYSTYCZNIE ISTOTNE NA MOLIWIE NISKIM POZIOMIE ISTOTNOyCI α
:AZWYCZAJ PRZYJMUJE SIÇ α = LUB α =
/CENA DOPASOWANIA MODELU

.A ILUSTRACJI PRZEDSTAWIONO WYKRESY STÐP ZWROTU Z INDEKSU 7)' ORAZ
OSZACOWANIA ICH yREDNIEJ WARUNKOWEJ OTRZYMANE ZA POMOC MODELU !2
ATWO ZAUWAYÃ E MODEL SABO WYJAyNIA RZECZYWIST DYNAMIKÇ SZEREGU *AK
SIÇ PÐ|NIEJ PRZEKONAMY JEST TO ZWIZANE Z TYM E W SZEREGACH FINANSOWYCH
STÐP ZWROTU DOMINUJC ROLÇ ODGRYWAJ ZALENOyCI NIELINIOWE

-ODELE AUTOREGRESJI
)LUSTRACJA :WROTY Z INDEKSU 7)' LINIA SZARA -ODEL !2 OSZACOWANIA yREDNIEJ WARUNKOWEJ
LINIA CZARNA /KRES s

s
s
s
s
s
s

*EyLI MODEL !2P DOBRZE OPISUJE DYNAMIKÇ BADANEGO SZEREGU TO CIG RESZT
POWINIEN BYÃ REALIZACJ yCISEGO BIAEGO SZUMU .ALEY TO SPRAWDZIÃ ZA POMOC
ODPOWIEDNICH TESTÐW :WRACAMY UWAGÇ E OMAWIANE PRZEZ NAS DOTYCHCZAS
TESTY DOTYCZ JEDYNIE ZALENOyCI LINIOWYCH W TESTOWANYCH SZEREGACH 0ONIEWA
W DEFINICJI MODELU !2P JEST MOWA O yCISYM BIAYM SZUMIE WIÇC POWINNO
SIÇ STOSOWAÃ TESTY WYKRYWAJCE TAKE ZALENOyCI NIELINIOWE 0RZYKADY TAKICH
TESTÐW POJAWI SIÇ W KOLEJNYCH ROZDZIAACH
0ROGNOZOWANIE
:AÐMY E MAMY DOPASOWANY MODEL !2P I CHCEMY W CHWILI H PROGNOZOWAÃ
WARTOyÃ ZMIENNEJ RH+L GDZIE Lr L s HORYZONT PROGNOZY /ZNACZMY PRZEZ >RHL
PROGNOZÇ ZMIENNEJ RH+L ODPOWIADAJC STOSOWANIU BÇDU yREDNIOKWADRATOWEGO
JAKO FUNKCJI STRATY /ZNACZA TO E PROGNOZA >RHL JEST ZMIENN LOSOW WYBRAN
TAK BY
E[ rh l rh ( l )]2 b min E[ rh
>
l g ( rh , , r1 )]2
g
GDZIE G RH b R JEST DOWOLN FUNKCJ MIERZALN WZGLÇDEM σ CIAA H GENERO
WANEGO PRZEZ INFORMACJE NA TEMAT PROCESU RT DO MOMENTU H WCZNIE

:MIENN > RHL LUB JEJ REALIZACJÇ NAZYWAMY PROGNOZ L KROKÐW NA

PRZÐD ZMIENNEJ RT ROZPOCZYNAJC SIÇ W MOMENCIE H -ONA WYKAZAÃ E
rh ( l ) E( rh l | h)
>
0ROGNOZA KROK NAPRZÐD

: MODELU !2P MAMY
RH+ = A + ARH +b+ APRH+sP + FH+
*EyLI PRZYJMIEMY E FUNKCJ STRATY JEST BD yREDNIOKWADRATOWY TO PROGNO
ZA PUNKTOWA ZMIENNEJ RH+ PRZY DANYM MODELU I OBSERWACJACH DO MOMENTU H
WCZNIE JEST WARUNKOW WARTOyCI OCZEKIWAN
p
rh (1) E( rh 1 | h) a0
>
¤a r
i 1
i h 1 i
"D PROGNOZY MA POSTAÃ
eh (1) rh 1
>rh (1) F h 1
7ARIANCJA BÇDU PROGNOZY JEST RÐWNA VAREH = VARFH+ = T F *EyLI ZMIENNE
FT MAJ ROZKAD NORMALNY TO PROCENTOW PROGNOZ PRZEDZIAOW JEDEN KROK
NAPRZÐD ZMIENNEJ RH+ JEST PRZEDZIA O KOÎCACH >rh (1) p 1, 96T F
0ROGNOZA KROKI NAPRZÐD

7 MODELU !2P MAMY
RH+ = A + ARH+ +b+ APRH+sP + FH +
"IORC WARUNKOW WARTOyÃ OCZEKIWAN OTRZYMUJEMY
rh (2 ) E( rh 2 | h) a0
>
a1>
rh (1) a2 rh a p rh 2 p
eh (2 ) rh 2 rh (2 ) a1 ( rh
>
1
> rh (1)) Fh 2 Fh 2 a1 F h 1
7ARIANCJA BÇDU PROGNOZY JEST RÐWNA VAREH = + A T F CZYLI
VAREH r VAREH /ZNACZA TO E ZE WZROSTEM HORYZONTU ROyNIE BD
PROGNOZY CZEGO MONA BYO OCZEKIWAÃ
0ROGNOZA KILKA KROKÐW NAPRZÐD

/GÐLNIE MAMY
RH+L = A + ARH+Ls +b+ APRH+LsP + FH+L
3TD PROGNOZA L KROKÐW NAPRZÐD MA POSTAÃ
p
>
rh ( l ) a0 ¤ a r (l
i 1
>
i h i)
GDZIE >rh ( i) rh i GDY Ib

0ROGNOZY MONA WIÇC WYZNACZAÃ REKURENCYJNIE "D PROGNOZY JEST RÐWNY

eh ( l ) rh l >
rh ( l ) -ONA WYKAZAÃ E DLA STACJONARNYCH MODELI !2P >
RHL
JEST ZBIENE DO %RT PRZY Lm d WASNOyÃ POWROTU DO yREDNIEJ 7 TEJ SYTUACJI
WARTOyÃ BÇDU PROGNOZY JEST ZBIENA DO VARRT
*EELI ZALENOyCI LINIOWE WI ZE SOB NAWET ZMIENNE

BARDZO ODLEGE W CZASIE TO W MODELU !2P KONIECZNE MODEL !2d
JEST ROZWAANIE BARDZO DUEJ LICZBY OPÐ|NIEÎ 'RANICZ
NYM PRZYPADKIEM JEST MODEL !2d
RT = A + ARTs + ARTs +b+ FT
*EST TO MODEL NIEREALISTYCZNY GDY MA NIESKOÎCZENIE WIELE PARAMETRÐW
-ONA JEDNAK ZAOYÃ E PARAMETRY TE S WARTOyCIAMI PEWNYCH FUNKCJI SKOÎ
CZONEJ LICZBY ZMIENNYCH 0RZYJMIJMY NA PRZYKAD E
RT = A s BRTs s B RTs s B RTs s b+ FT
:APISZMY W POSTACI
RT + BRTs + B RTs + B RTs +b = A + FT
7ÐWCZAS DLA RTs MAMY
RTs + BRTs + B RTs + B RTs +b = A + FTs
3TD MNOC PRZEZ B I ODEJMUJC OD MOEMY OTRZYMAÃ RÐW
NANIE
RT = A s B + FT s BFTs
W KTÐRYM Z DOKADNOyCI DO STAEJ RT JEST PEWN yREDNI
ZABURZEÎ SZOKÐW FT I FTs *EST TO PRZYKAD MODELU yRED MODEL -!
NIEJ RUCHOMEJ -! MOVING AVERAGE KTÐREGO OGÐLNA
POSTAÃ JEST NASTÇPUJCA
RT = C +FT s BFTs
GDZIE C JEST STA AFT JEST yCISYM BIAYM SZUMEM Z ZEROW yREDNI
/GÐLNIE MODEL -!Q JEST POSTACI

RT = C + FT s BFTs s b s BQFTsQ

7ASNOyCI MODELI -!

0ROCESY OPISYWANE PRZEZ MODELE -! S KOWARIANCYJNIE STACJONARNE PONIEWA
S SKOÎCZONYMI KOMBINACJAMI LINIOWYMI ZMIENNYCH TWORZCYCH yCISY BIAY
SZUM 7 WYPADKU MODELU PRAWDZIWE S RÐWNOyCI
%RT = C A
VARRT = + B + B +b+ BQ TF B
A FUNKCJA AUTOKORELACJI MA NASTÇPUJC POSTAÃ

DLA -!
S=
b1
S1 2
1 b1
SL= DLA L >
DLA -!
S=
b1 b1 b2
S1 2 2
1 b1 b2
b2
S2 2 2
1 b1 b2
SL= DLA L >
/GÐLNIE DLA MODELU -!Q WARTOyÃ !#& Z OPÐ|NIE

MODEL -!Q
NIEM Q JEST RÐNA OD ZERA A DLA KADEGO OPÐ|NIENIA
L > Q JEST RÐWNA ZERO ILUSTRACJA 4Ç WASNOyÃ MONA
WYKORZYSTAÃ DO IDENTYFIKACJI RZÇDU MODELU -!
0RZYKADOW TRAJEKTORIÇ PROCESU -! PRZEDSTAWIONO NA ILUSTRACJI

)LUSTRACJA 0RZYKADOWA TRAJEKTORIA PROCESU -! Z B ORAZ εT ^ .

s
s
s
s

)LUSTRACJA /SZACOWANIA !#& I 0!#& DLA TRAJEKTORII Z ILUSTRACJI

!#& 0!#&

s
s
s


%STYMACJA MODELI -!

-ODELE -! ZWYKLE ESTYMUJE SIÇ ZA POMOC METODY NAJWIÇKSZEJ WIARYGODNOyCI
-OLIWE S PRZY TYM DWA PODEJyCIA
0RZY PIERWSZYM PODEJyCIU PRZYJMUJE SIÇ E POCZTKOWE
METODA
WIARYGODNOyCI
ZABURZENIA TJ FT DLA T b S RÐWNE ZERO A ZABURZENIA
WARUNKOWEJ POTRZEBNE DO WYLICZENIA WARTOyCI FUNKCJI WIARYGODNOyCI S
OTRZYMYWANE REKURENCYJNIE F = R s C F = R s C + BF
4AKIE PODEJyCIE JEST NAZYWANE METOD WIARYGODNOyCI WARUNKOWEJ
7 DRUGIM PODEJyCIU TRAKTUJE SIÇ POCZTKOWE ZABURZENIA FT DLA T b JAKO
DODATKOWE PARAMETRY I ESTYMUJE SIÇ JE CZNIE Z INNYMI PARAMETRAMI MODELU
4O PODEJyCIE NAZYWA SIÇ METOD WIARYGODNOyCI DOKAD
METODA
WIARYGODNOyCI
NEJ /SZACOWANIA OTRZYMANE METOD WIARYGODNOyCI
DOKADNEJ DOKADNEJ UWAA SIÇ ZA BARDZIEJ POPRAWNE ALE WYMAGAJ
ONE DUSZYCH OBLICZEÎ *EyLI DUGOyÃ PRÐBY JEST DUA TO
OSZACOWANIA OTRZYMANE ZA POMOC OBU TYPÐW METODY NAJWIÇKSZEJ WIARYGOD
NOyCI NIE RÐNI SIÇ BARDZO OD SIEBIE
)LUSTRACJA POZWALA NA PORÐWNANIE STÐP ZWROTU Z INDEKSU 7)' Z ICH
yREDNI WARUNKOW OSZACOWAN ZA POMOC MODELU -! 0ODOBNIE JAK NA ILU
STRACJI WIDZIMY E MODEL OPISUJE TYLKO NIEWIELK CZÇyÃ DYNAMIKI SZEREGU
)LUSTRACJA :WROTY Z INDEKSU 7)' LINIA SZARA -ODEL -! OSZACOWANIA yREDNIEJ WARUNKOWEJ
LINIA CZARNA /KRES s

s
s
s
s
s
s


0ROGNOZOWANIE ZA POMOC MODELI -!

-ODEL -! JEST MODELEM O SKOÎCZONEJ PAMIÇCI A ZATEM UZYSKIWANE ZA JEGO
POMOC PROGNOZY BARDZO SZYBKO ZBIEGAJ DO yREDNIEJ
7 WYPADKU MODELU -! WZORY OPISUJCE PROGNOZY I ICH BÇDY S NASTÇ
PUJCE
r PROGNOZA KROK NAPRZÐD
rh (1) E( rh 1 | h) c0
> b1 F h
>
eh (1) rh 1 rh (1) F h 1
VAREH =T
F
r PROGNOZA KROKI NAPRZÐD

rh (2 ) E( rh 2 |  h) c0
>
eh (2 ) rh 2 rh (2 ) F h
>
2 b1 F h 1
VAREH = + B T

F
r OGÐLNIE PROGNOZA L KROKÐW NAPRZÐD L >

rh ( l ) c0
>
eh ( l ) rh l rh ( l ) F h
>
l b1 F h l 1
VAREHL = + B T

F
!NALOGICZNIE DLA MODELI -! MAMY

r PROGNOZA KROK NAPRZÐD
rh (1) E( rh 1 | h) c0
> b1 F h b2 F h 1
eh (1) rh 1
>rh (1) F h 1
VAREH =T
F
r PROGNOZA KROKI NAPRZÐD

rh (2 ) c0
> b2 F h
eh (2 ) rh 2
> rh (2 ) F h 2 b1 F h 1
VAREH = + B T

F
r PROGNOZA L KROKÐW NAPRZÐD

rh ( l ) c0 DLA L >
>
/GÐLNIE W WYPADKU MODELU -!Q PROGNOZY O WIÇCEJ NI Q KROKÐW NAPRZÐD

S RÐWNE yREDNIEJ C

-ODELE !2-!
/MÐWIMY TERAZ GRUPÇ MODELI LINIOWYCH KTÐRE CZ ZE SOB SPECYFIKACJE MO

DELI !2 I -! DZIÇKI CZEMU MOG OPISAÃ DUGOTRWAE ZALENOyCI ZA POMOC
MNIEJSZEJ LICZBY PARAMETRÐW 0ODOBNIE JAK POPRZEDNIO NAJPIERW ROZWAYMY
DOKADNIEJ NAJPROSTSZY Z TEJ RODZINY MODEL !2-! 0RZYKADOWA TRAJEKTORIA
Z TAKIEGO MODELU ZOSTAA PRZEDSTAWIONA NA ILUSTRACJI
)LUSTRACJA 0RZYKADOWA TRAJEKTORIA PROCESU !2-! Z A = B = ORAZ FT _.

s
s
s
s

-ODEL !2-!

-ODEL TEN JEST OPISANY ZA POMOC RÐWNANIA
RT s ARTs = A + FT s BFTs
GDZIE FT JEST yCISYM BIAYM SZUMEM Z ZEROW yREDNI I A x B
3TACJONARNOyÃ MODELU !2-!

*EyLI SZEREG RT JEST KOWARIANCYJNIE STACJONARNY TO Z RÐWNANIA OTRZYMUJEMY
BIORC OBUSTRONNIE WARTOyÃ OCZEKIWAN
a0
E( rt ) N
1 a1

-ODELE !2-!
(1 2 a1 b1 b12 )T 2F
var( rt ) H 0
1 a12
:ATEM WARUNKIEM SABEJ STACJONARNOyCI JEST s < A <
!#& DLA !2-!

0RZYJMIJMY DLA UPROSZCZENIA RACHUNKÐW W RÐWNANIU E A = I POMNÐ
MY RÐWNANIE RT s ARTs = FT s BFTs OBUSTRONNIE PRZEZ RTsL /TRZYMUJEMY WTEDY
RT RTsL s ARTsRTsL = FT RTsL s BFT s RTsL
$LA L = BIORC OBUSTRONNIE WARTOyÃ OCZEKIWAN I WYKORZYSTUJC FAKT E
%RT FT = TF DOSTAJEMY ZWIZEK DLA KOWARIANCJI
H s AH= s BTF
$LA L = OTRZYMUJEMY NATOMIAST H s AH = 4AK SAMO DLA WSZYSTKICH
L>
HL s AHL s=
$ZIELC OBUSTRONNIE RÐWNANIA I OTRZYMUJEMY NASTÇPUJCE
RELACJE DLA !#& MODELU !2-!
b1T 2F
S1 a1 A
H0
S l a1S l 1 DLA L > B
7YNIKA Z TEGO E PRZY L m d !#& DY DO ZERA W TEMPIE WYKADNICZYM
0!#&
-ONA WYKAZAÃ E 0!#& DLA PROCESU !2-! NIE ZNIKA PRZY ADNYM
OPÐ|NIENIU 0ODOBNIE ZACHOWUJE SIÇ 0!#& DLA -! s POZA TYM E WYKAD
NICZE ZANIKANIE WARTOyCI 0!#& DLA PROCESU !2-! ZACZYNA SIÇ DOPIERO
OD OPÐ|NIENIA A NIE JAK DLA -! OD OPÐ|NIENIA
-ODEL !2-! Q

/GÐLNA POSTAÃ MODELU !2-!P Q JEST NASTÇPUJCA
p q
rt a0 ¤
i 1
ai rt i Ft ¤b F
i 1
i t i
GDZIE FT JEST yCISYM BIAYM SZUMEM Z ZEROW yREDNI A P I Q S NIEUJEMNYMI

LICZBAMI CAKOWITYMI

2ÐWNOyÃ MOEMY ZAPISAÃ ZA POMOC OPERATORA OPÐ|NIENIA ,K

, RT = RTsK JAKO
K
s A, s b s AP,P RT = A + s B, s b s BQ,Q FT

7IELOMIAN A, y s A, s A, s b s AP,P NAZYWAMY WIELOMIANEM !2
A WIELOMIAN B, y s B, s B, s b s BQ,Q s WIELOMIANEM -! DAMY BY
WIELOMIANY A, I B, NIE MIAY WSPÐLNYCH CZYNNIKÐW GDY W PRZECIWNYM
WYPADKU RZD P Q MODELU !2-!P Q MONA ZREDUKOWAÃ
-ODEL !2-!P Q JEST KOWARIANCYJNIE STACJONARNY GDY WSZYSTKIE PIERWIAST
KI WIELOMIANU A, MAJ MODUY WIÇKSZE OD 'DY SPENIONY JEST TEN WARUNEK
WTEDY yREDNIA PROCESU !2-!P Q OKREyLONEGO WZOREM JEST RÐWNA
a0
E( rt )
1 a1 ap
)DENTYFIKACJA MODELI !2-!

!#& I 0!#& NIE NIOS INFORMACJI UYTECZNYCH PRZY WYBORZE RZÇDU MODELU
!2-! 0RZY WYBORZE MODELU !2-! MONA KIEROWAÃ SIÇ WSKAZANIAMI KRY
TERIÐW INFORMACYJNYCH PRZEDSTAWIONYCH PRZY OMAWIANIU IDENTYFIKACJI MODELI
!2 :AZWYCZAJ DLA PEWNYCH WYBRANYCH DODATNICH LICZB CAKOWITYCH 0 I 1
WYLICZA SIÇ WARTOyCI KRYTERIÐW !)# LUB ")# DLA MODELI !2-!P Q GDZIE
bP b0 ORAZ bQ b1 0ODEJyCIE TAKIE WYMAGA ESTYMOWANIA ZA POMOC ME
TODY NAJWIÇKSZEJ WIARYGODNOyCI WIELU MODELI I W PEWNYCH WYPADKACH MOE
PROWADZIÃ DO NADMIERNEGO DOPASOWANIA CZYLI WYBRANIA MODELU ZE ZBYT DU
LICZB PARAMETRÐW
0ARAMETRY WYBRANEGO MODELU !2-!P Q MOG BYÃ ESTYMOWANE ZA POMO
C METODY NAJWIÇKSZEJ WIARYGODNOyCI WARUNKOWEJ LUB DOKADNEJ $ODATKOWO
SPRAWDZA SIÇ JAKOyÃ DOPASOWANIA MODELU STOSUJC TEST
ESTYMACJA
PARAMETRÐW "OXAs0IERCEoA LUB ,JUNGAs"OXA DO RESZT *EyLI SPECY
WYBRANEGO MODELU FIKACJA MODELU JEST POPRAWNA TO STATYSTYKA 1M MA
!2-! ASYMPTOTYCZNIE ROZKAD DM s P s Q
0ROGNOZOWANIE ZA POMOC MODELI !2-!

0ROGNOZA KROK NAPRZÐD ZA POMOC MODELU !2-!P Q MA POSTAÃ
p q
rh (1) E( rh 1 | h) a0
>
¤
i 1
ai rh 1 i ¤b F
i 1
i h 1 i
PRZY CZYM BD PROGNOZY WYNOSI eh (1) rh 1 rh (1) F h

>
1 I MA WARIANCJÇ
VAREH = TF

-ODELE !2-!
/GÐLNIE W WYPADKU PROGNOZY L KROKÐW NAPRZÐD MAMY

p q
rh ( l ) E( rh l | h) a0
>
¤i 1
ai >
rh ( l i) ¤b F
i 1
i h(l i)
GDZIE
>
rh ( l i) rh l i JEyLI L s Ib
FHL s I = JEyLI L s I>
FHL s I = FH+LsI JEyLI L s Ib
0ROGNOZY KILKA KROKÐW NAPRZÐD MOG WIÇC BYÃ WYZNACZANE REKURENCYJNIE
)NNE REPREZENTACJE MODELU !2-!

2OZWAMY MODEL !2-!P Q W POSTACI $LA DANYCH WIELOMIANÐW
A, y s A, s A, s b s AP,P I B, y s B, s B , s b s BQ ,Q OZNACZMY
b( L)
1 Z1L Z 2 L2 ! y Z ( L)
a( L)
a( L)
1 Q 1 L Q 2 L2 ! y Q( L)
b( L)
7ZORY I NALEY ROZUMIEÃ W TEN SPOSÐB E JEyLI Z, POMNOYMY
FORMALNIE PRZEZ A, TO OTRZYMANY FORMALNY SZEREG POTÇGOWY MA DLA KADEGO
K = b TAKIE SAME WSPÐCZYNNIKI PRZY ,K JAK WIELOMIAN B, .A PRZYKAD
JEyLI A, = s A, I B, = s B, TO
1 b1 L
Z( L) 1 ( a1 b1 ) L a1 ( a1 b1 ) L2 a12 ( a1 b1 ) L3 !
1 a1 L
1 a1 L
Q( L) 1 ( a1 b1 ) L b1 ( a1 b1 ) L2 a12 ( a1 b1 ) L3 !
1 b1 L
:AUWAMY RÐWNIE E Z, Q, = ORAZ
a0 a0

b(1) 1 b1 ! bq
a0 a0

a(1) 1 a1 ! a p
3TOSUJC MODEL !2-! P Q MONA ZAPISAÃ W POSTACI

a0
rt Q 1 rt 1 Q 2 rt 2 Q 2 rt 2 ! F t
1 b1 ! bq
2EPREZENTACJA ZWANA REPREZENTACJ !2 POKAZUJE ZALENOyÃ BIE
CEGO ZWROTU RT OD OPÐ|NIONYCH ZWROTÐW RTsI GDZIE I > 7SPÐCZYNNIKI QI NOSZ
NAZWÇ Q WAG MODELU !2-! !BY WKAD OPÐ|NIONYCH ZWROTÐW RTsI W RT MALA

WRAZ ZE WZROSTEM I WSPÐCZYNNIKI QI POWINNY DYÃ DO ZERA GDY I ROyNIE *EST

d
TAK GDY ¤| Q | d -ODEL !2-! MAJCY TAK WASNOyÃ NAZYWA SIÇ ODWRA
i 1
i
CALNYM 7 MODELU !2P B, = CZYLI QI = DLA I > P

ODWRACALNY MODEL A WIÇC MODEL TEN JEST ODWRACALNY $LA INNYCH MODELI
!2-!
!2-! WARUNKIEM DOSTATECZNYM ODWRACALNOyCI JEST
TO BY WSZYSTKIE PIERWIASTKI WIELOMIANU B, MIAY MODUY WIÇKSZE OD .A
PRZYKAD MODEL -! RT = s B, FT JEST ODWRACALNY JEyLI ] B]> CZYLI
] B ]<
3TOSUJC MODEL !2-! P Q MONA ZAPISAÃ W POSTACI
RT = N+FT + ZFTs + ZFTs + b = N+Z, FT
GDZIE N=&RT = A s A s b s AP
2EPREZENTACJA ZWANA REPREZENTACJ -! POKAZUJE BEZPOyREDNIO
WPYW PRZESZEGO ZABURZENIA SZOKU FTsI I > NA BIECY ZWROT 7SPÐCZYNNIKI
ZI NOSZ NAZWÇ FUNKCJI ODPOWIEDZI NA IMPULS IMPULSE
FUNKCJE ODPOWIEDZI
RESPONSE FUNCTION $LA KOWARIANCYJNIE STACJONARNEGO
NA IMPULS
MODELU !2-! WSPÐCZYNNIKI ZI ZNIKAJ W TEMPIE
WYKADNICZYM WRAZ ZE WZROSTEM I CO OZNACZA E WPYW SZOKÐW FTsI NA ZWROT RT
MALEJE Z UPYWEM CZASU :ATEM DLA STACJONARNEGO MODELU !2-! SZOK FTsI NIE
WYWIERA TRWAEGO WPYWU NA SZEREG *EyLI A x TO REPREZENTACJA -! ZAWIERA
SKADNIK STAY KTÐRYM JEST yREDNIA PROCESU RT RÐWNA A s A s b s AP
2EPREZENTACJA MOE BYÃ WYKORZYSTANA DO WYZNACZENIA WARIANCJI
BÇDU PROGNOZY .A PODSTAWIE MAMY
rh (l ) E (rh l | h ) N Zl Fh
>
Zl 1Fh 1 !
:ATEM
EHL = FH+L + ZFH+Ls + b + ZLsFH+L
A STD
VAREHL = + Z + b + ZLs TF
0ONIEWA >RHL JEST WARUNKOW WARTOyCI OCZEKIWAN ZMIENNEJ RH+L W PO
CZTKU PROGNOZY A Z WYNIKA E DLA STACJONARNEGO PROCESU !2-!
>
RHL mN PRZY Lmd ZATEM STACJONARNY PROCES !2-!
POWRACANIE
DO yREDNIEJ
MA WASNOyÃ KTÐRA NOSI NAZWÇ POWRACANIA DO yREDNIEJ
MEAN REVERTING 0ONADTO Z I WYNIKA E
VAREHL m VARRT PRZY Lmd

0RZEDSTAWIONE W PODROZDZIALE OSZACOWANIA !#& DLA ANALIZOWANYCH SZERE

GÐW W ZASADZIE WSKAZYWAY NA MOLIWOyÃ ISTNIENIA ZALENOyCI LINIOWEJ JEDYNIE
W WYPADKU SZEREGÐW 7)'D ORAZ 7)"/2- !NALIZUJC ILUSTRACJE I
MOEMY OCENIÃ WARTOyCI 0!#& DLA TYCH SZEREGÐW I NA TEJ PODSTAWIE MOEMY
PRÐBOWAÃ WNIOSKOWAÃ NA TEMAT TYPU MODELU LINIOWEGO OPISUJCEGO yREDNI
WARUNKOW DLA KADEGO Z ROZWAANYCH SZEREGÐW ZWROTÐW
)LUSTRACJA 7)'D /SZACOWANIE 0!#&

s
s
s

4ABELA PRZEDSTAWIA PROCEDURÇ WYBORU MODELU !2-!P Q W ZALENOyCI

OD STOSOWANEGO KRYTERIUM INFORMACYJNEGO :E WZGLÇDU NA ZGODNOyÃ Z OBLICZE
NIAMI PRZEDSTAWIANYMI W KOLEJNYCH ROZDZIAACH ROZWAAMY TYLKO PIERWSZYCH
OBSERWACJI SZEREGU 7)'D .AJOGÐLNIEJSZA POSTAÃ SZACOWANEGO RÐWNANIA
BYA NASTÇPUJCA
RT = ARTs + A RTs + FT s B FTs s B FTs

)LUSTRACJA 7)"/2- /SZACOWANIE 0!#&

s
s
s

4ABELA 0ROCEDURA WYBORU MODELU !2-! OPARTA NA KRYTERIACH INFORMACYJNYCH
P Q ")# !)# (ANNANAs1UINNA 3HIBATY

*AK CZÇSTO ZDARZA SIÇ W PRAKTYCE KRYTERIA WSKAZAY NAM RÐNE MODELE +RY
TERIUM 3CHWARZA ")# WSKAZAO JAKO NAJLEPSZY MODEL !2 4ABELA POKA
ZUJE OSZACOWANIA PARAMETRÐW .AJBARDZIEJ ROZBUDOWANY MODEL !2-!
WYBRANY PRZEZ KRYTERIA !KAIKE I 3HIBATY MOEMY ODRZUCIÃ ZE WZGLÇDU NA
NIEISTOTNE OSZACOWANIA DWÐCH PARAMETRÐW 7YNIKI OSZACOWAÎ !#& I 0!#&

WYDAJ SIÇ RÐWNIE WSPIERAÃ MODEL !2 0RZYGLDAJC SIÇ ILUSTRACJI
MOEMY PORÐWNAÃ OSZACOWANIA yREDNIEJ WARUNKOWEJ STOPY ZWROTU Z MODELI
!2 I !2-! .IE POWINNIyMY PRZY TYM ZAPOMINAÃ O ILUSTRACJI
4ABELA /SZACOWANIA PARAMETRÐW MODELI !2-! WSKAZANYCH PRZEZ KRYTERIA INFORMACYJNE
7 NAWIASACH BÇDY STANDARDOWE
0ARAMETR !2-! !2-! !2-!

s s
A

A

s s
B

s
B

)LUSTRACJA 7)'D 0ORÐWNANIE OSZACOWAÎ W PRÐBIE yREDNICH WARUNKOWYCH UZYSKANYCH

ZA POMOC MODELI !2 I !2-! DLA STÐP ZWROTU
!2-! !2

s
s
s
s
s


/GÐLNA ZASADA WYBORU MODELU JEST NASTÇPUJCA *EELI

ZASADA WYBORU
MODELU MYyLIMY O WYKORZYSTANIU MODELU DO PROGNOZOWANIA
TO ROZSDNIE JEST STOSOWAÃ ZASADÇ OSZCZÇDNOyCI MODELU
I KIEROWAÃ SIÇ KRYTERIUM ")# ORAZ ODRZUCAÃ MODELE Z NIEISTOTNYMI OSZACOWA
NIAMI PARAMETRÐW #ZÇSTO BOWIEM PROSTSZE A NAWET NIECO GORZEJ DOPASOWANE
MODELE WYKAZUJ WIÇKSZ ELASTYCZNOyÃ PRZY DOSTOSOWYWANIU SIÇ DO ZMIENIAJ
CYCH SIÇ DANYCH I s DZIÇKI TEMU s POZWALAJ NA UZYSKANIE LEPSZEJ JAKOyCI PROGNOZ
*EELI NATOMIAST ZALEY NAM NA WYCHWYCENIU SZCZEGÐLNEGO TYPU ZALENOyCI
WYSTÇPUJCYCH NA RYNKACH FINANSOWYCH I yWIADOMIE WPROWADZAMY DO MODELU
DODATKOWE ZMIENNE OBJAyNIAJCE TO ROZSDNIEJ JEST STOSOWAÃ KRYTERIA MNIEJ
RESTRYKCYJNE JEyLI CHODZI O LICZBÇ PARAMETRÐW
5WAGI
0RZEDSTAWIONE TU PODEJyCIE DO OPISU MODELI !2 -! I !2-! W DUEJ MIERZE

NAyLADUJE PODRÇCZNIK 4SAYA *EST TO JEDEN Z NAJLEPSZYCH A NAWET PO
PROSTU NAJLEPSZY ISTNIEJCY PODRÇCZNIK Z ZAKRESU ANALIZY FINANSOWYCH SZEREGÐW
CZASOWYCH 7YDAWAO NAM SIÇ E BARDZIEJ SENSOWNYM ROZWIZANIEM BÇDZIE
PODPORZDKOWANIE SIÇ ZAPROPONOWANEJ TAM LOGICE WYKADU NI WYMYyLANIE
CZEGOy INNEGO PO TO TYLKO EBY SIÇ ODRÐNIÃ "ARDZO OBSZERNE I yCISE A JEDNO
CZEyNIE PRZYSTÇPNE PRZEDSTAWIENIE METOD ANALIZY SZEREGÐW CZASOWYCH MONA
ZNALE|Ã W KSICE (AMILTONA
3POyRÐD PODRÇCZNIKÐW W JÇZYKU POLSKIM Z KTÐRYCH MONA KORZYSTAÃ PRZY
STUDIOWANIU TEMATYKI OMAWIANEJ W TYM ROZDZIALE NALEY WYMIENIÃ KSIKI
7ELFE ORAZ /SIÎSKIEJ


-ODELOWANIE HETEROSKEDASTYCZNOyCI
WARUNKOWEJ
:MIENNOyÃ INSTRUMENTU FINANSOWEGO AKCJI OBLIGACJI

KURSU WALUTOWEGO INDEKSU GIEDOWEGO ROZUMIANA ZMIENNOyÃ
INSTRUMENTU
JAKO WARIANCJA WARUNKOWA LUB WARUNKOWE ODCHYLENIE FINANSOWEGO
STANDARDOWE JEGO ZWROTU NALEY DO NAJWANIEJSZYCH
POJÇÃ W NOWOCZESNYCH FINANSACH I EKONOMETRII FINANSOWEJ 0RZYKADOWO JEST
TO NAJWANIEJSZA WIELKOyÃ WYKORZYSTYWANA PRZY WYCENIE OPCJI ODGRYWA ONA
TAKE KLUCZOW ROLÇ W SZACOWANIU WARTOyCI ZAGROONEJ 6ALUE AT 2ISK s 6A2
STOSOWANEJ W ILOyCIOWYM ZARZDZANIU RYZYKIEM 3PECYFICZN CECH ZMIENNOyCI
JEST TO E NIE JEST ONA BEZPOyREDNIO OBSERWOWALNA I JEJ SZACOWANIE WYMAGA
PRZYJÇCIA ODPOWIEDNIEGO MODELU 7 MODELOWANIU ZMIENNOyCI INSTRUMENTÐW
FINANSOWYCH WAN ROLÇ ODGRYWAJ CHARAKTERYSTYCZNE CECHY ICH DZIENNYCH
ZWROTÐW 0RZEJAWIAJ SIÇ ONE NA PRZYKAD W ISTNIENIU SKUPISK ZMIENNOyCI
ZMIENNOyÃ BYWA WYSOKA W PEWNYCH OKRESACH A NISKA
HETEROSKEDA
W INNYCH W SZCZEGÐLNOyCI NIE JEST ONA STAA LECZ EWOLUUJE STYCZNOyÃ
W CZASIE 4Ç WASNOyÃ ZWROTÐW NAZYWA SIÇ HETEROSKEDA WARUNKOWA
STYCZNOyCI WARUNKOW
-ETODOLOGICZNA KONCEPCJA I KONKRETNA SPECYFIKACJA MODELU W KTÐRYM WA
RUNKOWE WARIANCJE ZALE NIETRYWIALNIE OD PRZESZYCH STANÐW GOSPODARKI I EWO
LUUJ W CZASIE POJAWIA SIÇ PO RAZ PIERWSZY W PRACY %NGLEoA DOTYCZCEJ
ZMIENNOyCI INFLACJI W 7IELKIEJ "RYTANII :APROPONOWANY PRZEZ %NGLEoA MODEL
AUTOREGRESYJNEJ HETEROSKEDASTYCZNOyCI WARUNKOWEJ !UTOREGRESSIVE #ONDITIONAL
(ETEROSKEDASTICITY s !2#( PODLEGA NASTÇPNIE LICZNYM ROZSZERZENIOM I MO
DYFIKACJOM ZNAJDUJC ZASTOSOWANIA W MODELOWANIU FINANSOWYCH I MAKROEKO
NOMICZNYCH SZEREGÐW CZASOWYCH A PRZEDE WSZYSTKIM W ANALIZIE ZMIENNOyCI
CEN SZEROKO ROZUMIANYCH INSTRUMENTÐW FINANSOWYCH 0OJAWIY SIÇ TE LICZNE
INNE MODELE ZMIENNOyCI O SPECYFIKACJACH BARDZO ODMIENNYCH OD SPECYFIKACJI
!2#( 7SZYSTKIE JE CZY JEDNAK PEWNA WSPÐLNA FILOZOFIA KTÐR PRZEDSTAWIMY
W PIERWSZYM PODROZDZIALE TEGO ROZDZIAU s CAY ROZDZIA STANOWI BOWIEM
WPROWADZENIE DO TEMATYKI MODELI '!2#( 0ODAJEMY TU TYLKO INFORMACJE

NIEZBÇDNE DO PRZEPROWADZANIA PRZEZ CZYTELNIKA PIERWSZYCH SAMODZIELNYCH

PRÐB MODELOWANIA ZMIENNOyCI "ARDZIEJ ZAAWANSOWANE ZAGADNIENIA ZWIZANE
Z MODELAMI '!2#( PRZEDSTAWIAMY W KOLEJNYCH ROZDZIAACH
*AK JU WSPOMNIELIyMY W PODROZDZIALE W SZEREGACH STÐP ZWROTÐW ZALENO

yCI LINIOWE NIE WYSTÇPUJ WCALE ALBO S SABE 0OWSZECHNA JEST JEDNAK OPINIA
O ISTNIENIU SILNYCH POWIZAÎ NIELINIOWYCH W TEGO TYPU SZEREGACH $LA PRZYKADU
PRZEDSTAWIONE NA ILUSTRACJACH s WYKRESY !#& I 0!#& DLA KWADRATÐW STÐP
ZWROTU INDEKSU 7)' WSKAZUJ NA ISTNIENIE SILNYCH I DOyÃ TRWAYCH POWIZAÎ
7ASNOyÃ TA NAZYWANA EFEKTEM !2#( STANOWI PODSTAWÇ DO KONSTRUKCJI
WIÇKSZOyCI MODELI ZMIENNOyCI ROZUMIANEJ s JAK WSPOMNIANO POWYEJ s JAKO
WARIANCJA WARUNKOWA LUB WARUNKOWE ODCHYLENIE STANDARDOWE STOPY ZWROTU
Z INSTRUMENTU FINANSOWEGO
)LUSTRACJA 7)' /SZACOWANIE !#& DLA KWADRATÐW ZWROTÐW


)LUSTRACJA 7)' /SZACOWANIE 0!#& DLA KWADRATÐW ZWROTÐW

s
s
s

.IECH RT BÇDZIE ZWROTEM Z INSTRUMENTU FINANSOWEGO W MOMENCIE T :MIENN

RT MONA PRZEDSTAWIÃ W POSTACI SUMY
RT = NT + YT
GDZIE NT = %RT |Ts JEST yREDNI WARUNKOW POD WARUNKIEM ZBIORU Ts INFOR
MACJI NA TEMAT PROCESU RT CZASAMI TAKE NA TEMAT INNYCH PROCESÐW DOSTÇPNEJ
DO CHWILI T s WCZNIE
iCIyLEJ MÐWIC Ts  JEST T CIAEM GENEROWANYM PRZEZ ZMIENNE RK K bT s
A CZASAMI JESZCZE PRZEZ INNE ZMIENNE :MIENNA YT SPENIA ZATEM Z DEFINICJI
WARUNEK
TT=VARRT|Ts = %YT |Ts
iREDNI WARUNKOW NT OPISUJE SIÇ ZAZWYCZAJ ZA POMOC ZALENOyCI WYSTÇPU
JCYCH W MODELU !2-!P Q CZASAMI WCZAJC DO NICH DODATKOWE ZMIENNE
OBJAyNIAJCE -OG TO BYÃ ZMIENNE ZWIZANE Z RYNKIEM FINANSOWYM NP FUNKCJE
WOLUMENU OBROTU CZY STOPY ZWROTU Z INNYCH INSTRUMENTÐW FINANSOWYCH 3TOSUJE
SIÇ TE CZASAMI WIELKOyCI Z OTOCZENIA MAKROEKONOMICZNEGO RYNKU LUB ZMIENNE
ZERO JEDYNKOWE POZWALAJCE NA WYCHWYCENIE ZMIAN STRUKTURALNYCH CZY ZJAWISK
SEZONOWYCH W BADANYM SZEREGU iREDNIA WARUNKOWA MA ZAZWYCZAJ POSTAÃ

k p q
N t a0 ¤E x ¤ a r
i 1
i i ,t
i 1
i t i ¤b y
i 1
i t i

GDZIE XI T S DODATKOWYMI ZMIENNYMI OBJAyNIAJCYMI

-ODELE HETEROSKEDASTYCZNOyCI WARUNKOWEJ OPISUJ EWOLUCJÇ W CZASIE ZMIEN
NEJ TT :ALENOyÃ OPISUJCA TÇ EWOLUCJÇ JEST WYRÐNIKIEM RÐNYCH MODELI ZMIEN
NOyCI /GÐLNIE MODELE HETEROSKEDASTYCZNOyCI WARUNKOWEJ DZIEL SIÇ NA DWIE
KATEGORIE $O PIERWSZEJ NALE TE W KTÐRYCH EWOLUCJA ZMIENNOyCI TT OPISANA
JEST ZA POMOC PEWNEJ FUNKCJI DETERMINISTYCZNEJ 7 DRUGIEJ NATOMIAST EWOLUCJA
ZMIENNEJ TT OKREyLONA JEST ZA POMOC ZALENOyCI TYPU STOCHASTYCZNEGO
:MIENN YT OKREyLON W NAZYWA SIÇ CZÇSTO SZOKIEM LUB INNOWACJ ZWROTU
Z INSTRUMENTU FINANSOWEGO W MOMENCIE T -ODEL DLA NT NOSI NAZWÇ RÐW
NANIA yREDNIEJ WARUNKOWEJ NATOMIAST MODEL OPISUJCY TT NAZYWA SIÇ RÐWNA
NIEM ZMIENNOyCI DLA ZWROTU RT -ONA ZATEM POWIEDZIEÃ E W MODELOWANIU
HETEROSKEDASTYCZNOyCI WARUNKOWEJ ROZSZERZA SIÇ MODEL DLA yREDNIEJ WARUNKOWEJ
MODELU SZEREGU CZASOWEGO O RÐWNANIE DYNAMICZNE STERUJCE EWOLUCJ W CZASIE
WARIANCJI WARUNKOWEJ ZWROTU INSTRUMENTU FINANSOWEGO
4ESTOWANIE EFEKTU !2#(
0RZED PRZYSTPIENIEM DO MODELOWANIA NALEY ZBADAÃ

TEST -C,EODAs,I CZY W ROZWAANYCH SZEREGACH RZECZYWIyCIE WYSTÇPUJE
EFEKT !2#( 4ESTOWANIU PODDAJE SIÇ SZEREG RESZT
YT = RT s %RT|Ts GDZIE yREDNIA WARUNKOWA MODELOWANA JEST ZAZWYCZAJ ZA
POMOC DOPASOWANEGO MODELU !2-! 3ZCZEGÐLN POPULARNOyCI PRZY TESTO
WANIU EFEKTU !2#( CIESZ SIÇ DWA TESTY 0IERWSZY Z NICH ZWANY TESTEM -C,E
ODAs,I POLEGA NA ZASTOSOWANIU STATYSTYKI 1M ,JUNGAs"OXA DO
SZEREGU YT $RUGIM JEST TEST %NGLEoA NAZYWANY TE TESTEM !2#(
4EST %NGLEoA OPIERA SIÇ NA REGRESJI
TEST %NGLEoA
HIPOTEZA ZEROWA p
NIE MA EFEKTU !2#(
2
yt B0 ¤B k 1
2
k yt k et
GDZIE T = P + b 4 A 4 JEST DUGOyCI SZEREGU RESZT

3TATYSTYK TESTOW DLA HIPOTEZY ZEROWEJ ( α = = αP = JEST N2 GDZIE
N = 4 s P A 2 JEST TZW WSPÐCZYNNIKIEM DETERMINACJI Z REGRESJI OKREy
LONYM WZOREM

-ODEL !2#(
¤e
t p 1
>2
t
2
R 1 2
T ¥ 2 1 T ´
¤ ¦ yt
¦
1§
¤
n t p
y t2 µ
µ
t p 1 ¶
0RZY PRAWDZIWEJ HIPOTEZIE ZEROWEJ ORAZ POD WARUNKIEM ISTNIENIA MOMENTU

%YT STATYSTYKA N2 MA ASYMPTOTYCZNIE ROZKAD DP *EyLI HIPOTEZA ZEROWA
ZOSTANIE ODRZUCONA OZNACZA TO I W SZEREGU ZWROTÐW WYSTÇPUJE AUTOREGRESYJNA
HETEROSKEDASTYCZNOyÃ WARUNKOWA 7YNIKI ZALE ZWYKLE OD PRZYJMOWANEJ LICZBY
OPÐ|NIEÎ .AJCZÇyCIEJ PRZY TESTOWANIU EFEKTU !2#( W DZIENNYCH ZWROTACH FI
NANSOWYCH PRZYJMUJE SIÇ JAKO OPÐ|NIENIA P = .IE JEST TO JEDNAK REGUA
BEZWZGLÇDNA 7 ZASADZIE WYBÐR TYCH OPÐ|NIEÎ POWINIEN BYÃ KADORAZOWO DO
BIERANY DO BADANEGO SZEREGU $OTYCZY TO ZWASZCZA SYTUACJI W KTÐRYCH ZALENOyÃ
POJAWIA SIÇ DOPIERO PRZY WIÇKSZEJ LICZBIE OPÐ|NIEÎ
-ODEL !2#(
-ODEL !2#( %NGLE OPISUJE ZALENOyCI DRUGIEGO STOPNIA W SZEREGU YT

NIEWYKAZUJCYM AUTOKORELACJI ZA POMOC FUNKCJI KWADRATOWEJ OD OPÐ|NIO
NYCH WARTOyCI YT I 2ÐWNANIA MODELU !2#(Q S NASTÇPUJCE
YT = TT FT
q
T 2t X ¤B y
i 1
2
i t i
GDZIE FT JEST CIGIEM NIEZALENYCH ZMIENNYCH LOSOWYCH O TYM SAMYM ROZKADZIE

ZE yREDNI ZERO I WARIANCJ JEDEN ORAZ X > I αI r DLA I = b Q
: POSTACI RÐWNANIA ZMIENNOyCI WYNIKA MIERZALNOyÃ ZMIENNEJ TT
WZGLÇDEM ZBIORU INFORMACJI T CIAA Ts CO W ZWIZKU Z OZNACZA E
TT =%YT|Ts A ZATEM TT JEST WARIANCJ WARUNKOW ZWROTU RT

2ÐWNANIE IMPLIKUJE ZALENOyÃ SKUTKUJC TYM E DUE WARTOyCI Y Ts
I = b Q POCIGAJ ZA SOB DU ZMIENNOyÃ TT /ZNACZA TO E W SZEREGU

GENEROWANYM PRZEZ PROCES !2#( PRAWDOPODOBIEÎSTWO WYSTPIENIA PO DUEJ

ZMIANIE KOLEJNYCH DUYCH ZMIAN JEST WIÇKSZE NI PRAWDOPODOBIEÎSTWO WYST
PIENIA MNIEJSZYCH ZMIAN 4A CECHA MODELI !2#( CZYNI JE SZCZEGÐLNIE PRZYDAT
NYMI W MODELOWANIU FINANSOWYCH SZEREGÐW CZASOWYCH CHARAKTERYZUJCYCH SIÇ
WYSTÇPOWANIEM SKUPISK ZMIENNOyCI ZOB PODROZDZIA

iREDNIA BEZWARUNKOWA ZMIENNEJ YT W MODELU !2#(Q JEST RÐWNA ZERU

%YT = %%YT|Ts =%TT%FT =
0ODOBNIE JAK TO CZYNILIyMY W WYPADKU MODELI LINIOWYCH PRZYJRZYMY SIÇ
TERAZ DOKADNIEJ WASNOyCIOM NAJPROSTSZEGO MODELU !2#( OKREyLONEGO
RÐWNANIAMI
WASNOyCI MODELU YT = TT FT
!2#(
TT =X+α YTs
*EyLI SZEREG YT JEST KOWARIANCYJNIE STACJONARNY TO

VARYT = %YT = %%YT|Ts = %X+α YTs = X+α%YTs = X+ α VARYT
A ZATEM
X
var( y t )
1 B1
O ILE bα< 0RZY ZAOENIU E ZMIENNE FT W MAJ ROZKAD NORMALNY
%YT|Ts = %YT|Ts
= X+α YTs
A ZATEM
%YT = %%YT|Ts = %X+α YTs = %X+ Xα YTs + α Y Ts
*EyLI YT JEST SZEREGIEM STACJONARNYM CZWARTEGO RZÇDU ORAZ %YT = M TO

¥ B1 ´
m4 3X 2 ¦ 1 2 2
µ 3B 1 m4
§ 1 B 1 ¶
A ZATEM
2
3X (1 B 1 )
m4 2
(1 B 1 )(1 3B 1 )
: POWYSZEJ RÐWNOyCI WYNIKA E W TAKIEJ SYTUACJI s α > ORAZ BEZWA

RUNKOWA KURTOZA ZMIENNEJ YT JEST WIÇKSZA OD GDY
4
E( y t ) X 2 (1 B 1 )(1 B 1 ) 2 2
(1 B 1 )
2
3 2 2
3 3
(var( y t )) (1 B 1 )(1 3B 1 )X (1 3B 12 )
&AKT TEN JEST W ZGODZIE Z WYNIKAMI BADAÎ EMPIRYCZNYCH KTÐRE WSKAZUJ E
ROZKADY ZWROTÐW FINANSOWYCH MAJ OGONY GRUBSZE NI W WYPADKU ROZKADU
NORMALNEGO
: POWYSZYCH WYLICZEÎ WSKAZUJCYCH NIEWTPLIWIE NA ZALETY MODELU !2#(
WYNIKAJ JEDNAK RÐWNIE OGRANICZENIA I SABOyCI MODELI !2#( .AJWANIEJSZE
Z NICH S NASTÇPUJCE

-ODELE '!2#(
r 7 MODELU !2#( ZMIENNOyÃ ZALEY OD KWADRATÐW

WCZEyNIEJSZYCH SZOKÐW ZABURZEÎ A WIÇC ZAKADA OGRANICZENIA
I SABOyCI MODELI
SIÇ E UJEMNE I DODATNIE SZOKI O RÐWNEJ WARTOyCI BEZ !2#(
WZGLÇDNEJ MAJ TAKI SAM WPYW NA ZMIENNOyÃ 7 BA
DANIACH EMPIRYCZNYCH NATOMIAST CZÇSTO POJAWIAJ SIÇ EFEKTY ASYMETRYCZNE
r 7 WYPADKU INNOWACJI GAUSSOWSKICH MODEL !2#( GENERUJE PROCES
MAJCY SKOÎCZON KURTOZÇ BEZWARUNKOW TYLKO JEyLI 0 b B 1 1 / 3 $LA
MODELI WYSZEGO RZÇDU WARUNKI GWARANTUJCE SKOÎCZON KURTOZÇ S BARDZIEJ
SKOMPLIKOWANE
r -ODELE !2#( NIE WYJAyNIAJ CO JEST |RÐDEM ZMIENNOyCI FINANSOWYCH
SZEREGÐW CZASOWYCH 0ROPONUJ JEDYNIE PEWIEN SPOSÐB OPISU EWOLUCJI WA
RIANCJI WARUNKOWEJ W CZASIE
r "ARDZO CZÇSTO ADEKWATNY OPIS PROCESU ZMIENNOyCI INSTRUMENTU FINANSOWE
GO ZA POMOC MODELU !2#( WYMAGA ZASTOSOWANIA MODELU Z DU LICZB
PARAMETRÐW
7YMIENIONE TU OGRANICZENIA SPOWODOWAY E MODELE !2#( ZACZÇTO NA
RÐNE SPOSOBY ROZBUDOWYWAÃ CO DOPROWADZIO DO POWSTANIA NAJBARDZIEJ
ZNANEJ RODZINY MODELI ZMIENNOyCI s '!2#( KTÐRA CAY CZAS ZWIÇKSZA SWOJ
LICZEBNOyÃ
-ODELE '!2#(
0RZY STOSOWANIU MODELU !2#(Q CZÇSTO KONIECZNE BYO PRZYJMOWANIE DU

YCH OPÐ|NIEÎ DUEJ WARTOyCI RZÇDU Q I W ZWIZKU Z TYM ESTYMOWANIE DUEJ
LICZBY PARAMETRÐW 3TANOWIO TO OCZYWIST NIEDOGODNOyÃ 2EMEDIUM NA TEGO
TYPU PROBLEMY OKAZA SIÇ UOGÐLNIONY MODEL AUTOREGRESYJNEJ HETEROSKEDASTYCZ
NOyCI WARUNKOWEJ 'ENERALIZED !UTOREGRESSIVE #ONDITIONAL (ETEROSKEDASTICITY
s '!2#( ZAPROPONOWANY W ROKU PRZEZ "OLLERSLEVA W KTÐRYM DO
RÐWNANIA ZMIENNOyCI WPROWADZONE ZOSTAY DODATKOWO JEJ OPÐ|NIONE WARTOyCI
"OLLERSLEV -ODYFIKACJA TA ZREDUKOWAA LICZBÇ KONIECZNYCH DO ESTY
MOWANIA PARAMETRÐW TAK RADYKALNIE E NAJCZÇyCIEJ STOSOWANYM W PRAKTYCE
MODELEM '!2#( JEST TRÐJPARAMETROWY MODEL '!2#( 7 CELU WY
CHWYCENIA PEWNYCH SPECYFICZNYCH ZALENOyCI MIÇDZY ZWROTAMI A ZMIENNOyCI
PODSTAWOWY MODEL '!2#( ULEGA DALSZYM ROZSZERZENIOM POLEGAJCYM NA
DOCZANIU DODATKOWYCH PARAMETRÐW STRUKTURALNYCH W RÐWNANIU ZMIENNOyCI
LUB NA TRANSFORMACJI POSTACI TEGO RÐWNANIA *EDN Z NAJWIÇKSZYCH ZALET MODELI
Z RODZINY '!2#( JEST MOLIWOyÃ ROZBUDOWYWANIA OKREyLAJCYCH JE RÐWNAÎ
PRZEZ WPROWADZENIE RÐNEGO TYPU ZMIENNYCH EGZOGENICZNYCH DODATKOWYCH

ZMIENNYCH OBJAyNIAJCYCH 4AK PRZEKSZTACONY MODEL POZWALA NA PRZYKAD

NA POWIZANIE DYNAMIKI ZMIENNOyCI Z PROCESAMI ZACHODZCYMI W OTOCZENIU
GOSPODARCZYM RYNKU I DOKONANIE SENSOWNEJ INTERPRETACJI WYCHWYCONYCH ZA
LENOyCI
0ROSTY SPOSÐB BUDOWANIA MODELI ATWOyÃ ICH ESTYMACJI
ZALETY MODELI
ORAZ ISTNIEJCA NATURALNA INTERPRETACJA SPOWODOWAY E
'!2#(
MODELE Z RODZINY '!2#( S NAJPOWSZECHNIEJ STOSOWA
NYMI MODELAMI ZMIENNOyCI INSTRUMENTÐW FINANSOWYCH : PUNKTU WIDZENIA
TEORETYCZNO STATYSTYCZNEGO MODELE '!2#( MONA TRAKTOWAÃ JAKO GRUPÇ NIE
LINIOWYCH MODELI SZEREGÐW CZASOWYCH KTÐRE POZWALAJ NA DOyÃ WYCZERPUJC
ANALIZÇ DYNAMIKI GENERUJCYCH TE SZEREGI PROCESÐW : TEGO WZGLÇDU S ONE
BARDZO POPULARNE -ODELE TE MAJ OCZYWIyCIE RÐWNIE SABOyCI ZWRÐCIMY NA
NIE UWAGÇ PRZY OMAWIANIU ICH WASNOyCI
-ODEL '!2#(P Q OPISUJE SIÇ RÐWNANIAMI
YT = TT FT
SPECYFIKACJA
q p
MODELU '!2#(
T 2t X ¤B y
i 1
2
i t i ¤C T
j 1
j
2
t j
GDZIE FT _ IID X > α r ORAZ βJ r

2ÐWNANIE WARIANCJI WARUNKOWEJ UZALENIA ZMIEN
INTERPRETACJA
PARAMETRÐW MODELU
NOyÃ OD JEJ WARTOyCI Z PRZESZOyCI ORAZ OD WARTOyCI
'!2#( ZAOBSERWOWANYCH KWADRATÐW STÐP ZWROTU 0ARAMETRY
αI DECYDUJ ZATEM O WPYWIE JAKI NA ZMIENNOyÃ MAJ
NOWE NAPYWAJCE INFORMACJE ZAWARTE W KWADRATACH YTsI NATOMIAST PARAMETRY
βJ CHARAKTERYZUJ TÇ CZÇyÃ DYNAMIKI KTÐRA OBRAZUJE OCZEKIWANIA RYNKU DOTY
CZCE TEGO E PROCES ZMIENNOyCI BÇDZIE PRZEBIEGA W PRZYSZOyCI PODOBNIE
JAK DOTYCHCZAS
'DY WSZYSTKIE PIERWIASTKI WIELOMIANU s β, GDZIE β, y β, + + βP,P
MAJ MODU WIÇKSZY OD RÐWNANIE MONA PRZEDSTAWIÃ W POSTACI MODELU
!2#(d
d
X B( L) 2 X
T 2t
1 C(1) 1 C( L)
yt
1 C1 ! C p ¤E y
i 1
2
i t i
$LA PROCESU GENEROWANEGO PRZEZ MODEL '!2#(P Q ZMIENNOyÃ TT ZALEY

ZATEM TEORETYCZNIE OD NIESKOÎCZONEJ LICZBY OPÐ|NIONYCH KWADRATÐW ZWRO
TÐW YTsI CHOCIA OCZYWIyCIE SIA TEJ ZALENOyCI ZMNIEJSZA SIÇ WRAZ ZE WZROSTEM
OPÐ|NIENIA
.IECH UT = YT s TT 7ÐWCZAS %UT|Ts = 0ROCES UT
CIG RÐNIC O TAKIEJ WASNOyCI NAZYWA SIÇ CIGIEM RÐNIC MARTYNGA
MARTYNGAOWYCH
OWYCH WZGLÇDEM CIGU T CIA T 7 SZCZEGÐLNOyCI TAKI

-ODELE '!2#(
PROCES UT JEST NIESKORELOWANY -ODEL '!2#(P Q MOE BYÃ WIÇC RÐWNIE

INTERPRETOWANY JAKO MODEL TYPU !2-!M P DLA YT OKREyLONY RÐWNANIEM
m p
y t2 X ¤i 1
B i C i yt2 i ¤C u
i 1
i t i ut
GDZIE M = MAXP Q αI = DLA I > Q ORAZ βI = DLA I > P

7 ODRÐNIENIU OD DEFINICJI MODELU !2-! PODANEJ W PROCES UT JEST
TUTAJ BIAYM SZUMEM Z ZEROW yREDNI ALE NIEKONIECZ
NIE yCISYM BIAYM SZUMEM : PODANEGO W ROZDZIALE KOWARIANCYJNA
STACJONARNOyÃ
WARUNKU KOWARIANCYJNEJ STACJONARNOyCI MODELU !2-! W MODELU '!2#(
W POCZENIU Z WARUNKAMI αI r βJ r WYNIKA I PRZY
ZAOENIU E
q p
¤ i 1
Bi ¤C
j 1
j 1
PROCES YT GENEROWANY PRZEZ MODEL '!2#(P Q JEST KOWARIANCYJNIE STACJO

NARNY .A PODSTAWIE WZORU W TAKIEJ SYTUACJI WARIANCJA PROCESU YT JEST
RÐWNA
X
E y t2 q p
1 ¤B ¤C
i 1
i
j 1
j
0ROGNOZA T HL ZMIENNOyCI NA L DNI NAPRZÐD WYLICZANA PROGNOZY

ZA POMOC MODELU '!2#(P Q WYRAA SIÇ WZOREM ZMIENNOyCI
q p
T 2h ( l ) E(T 2h l | h) X ¤ i 1
B i y h2 ( l i) ¤C T
j 1
j
2
h(l j)
GDZIE
YHL s I = THL s I DLA L s I >
YHL s I = YH+LsI I THL s I = TH+LsI DLA L s I b
7 SZCZEGÐLNOyCI DLA MODELU '!2#(
TH L = %TH+|H = X+α +β THL s
GDZIE L >
:ALETY ALE TAKE I NIEDOSTATKI MODELI '!2#(P Q ATWIEJ MONA PRZEyLE
DZIÃ ANALIZUJC NAJPROSTSZY I NAJBARDZIEJ POPULARNY Z TYCH MODELI '!2#(
7 WYPADKU TEGO MODELU WZORY NA AUTOKORELACJE SZEREGU YT WYPROWADZONE
W PRACY "OLLERSLEVA PRZY ZAOENIU KOWARIANCYJNEJ STACJONARNOyCI
α +β < MAJ POSTAÃ
B 12C 1
S1 B 1
1 2B 1C 1 C 12

SK = α +β K s
S
DLA K = b
:E WZORÐW TYCH WYNIKA E KORELACJA ZANIKA W TEMPIE WYKADNICZYM CHOCIA
GDY α +β JEST BLISKIE ZANIKANIE TO JEST BARDZO WOLNE
0RZEZ ITERACJÇ WZORU MONA ATWO OTRZYMAÃ WZÐR NA PROGNOZÇ ZMIEN
NOyCI L DNI NAPRZÐD Z MODELU '!2#( W POSTACI
l 2
T 2h ( l ) X ¤ (B
i 0
1 C 1 ) i (B 1 C 1 ) l 1T 2h (1)
*EyLI MODEL JEST KOWARIANCYJNIE STACJONARNY CZYLI JEyLI α +β < TO POWYSZE
RÐWNANIE JEST RÐWNOWANE Z NASTÇPUJCYM
TH L = T + α +β L s
TH s T
X
GDZIE T 2 JEST WARIANCJ BEZWARUNKOW
1 B 1 C1
7PYW ZMIENNOyCI TH + NA PROGNOZÇ TH L MALEJE ZATEM WRAZ Z WYDUANIEM
HORYZONTU PROGNOZY L RÐWNIE W TEMPIE WYKADNICZYM PRZY CZYM W GRANICY
PRZY ZAOENIU KOWARIANCYJNEJ STACJONARNOyCI OTRZYMUJEMY WARIANCJÇ BEZWA
RUNKOW ZMIENNEJ YT
*EDN Z WANIEJSZYCH WASNOyCI MODELU '!2#( JEST TO E BEZWARUN
KOWY MOMENT CZWARTEGO RZÇDU DLA YT JEST SKOÎCZONY JEyLI
α +β + α <
*EyLI PONADTO INNOWACJE FT Z RÐWNANIA MAJ ROZKAD NORMALNY TO KUR
TOZA ZMIENNEJ YT WYRAA SIÇ WZOREM
2
3(1 (B 1 C 1 ) )
L 2 2
1 (B 1 C 1 ) 2 B 1
I WOBEC TEGO JEST DLA α > WIÇKSZA OD /ZNACZA TO E ROZKAD BEZWARUN
KOWY ZMIENNEJ YT NIE JEST NORMALNY I LEPIEJ OD ROZKADU NORMALNEGO ODDAJE
WASNOyCI EMPIRYCZNYCH SZEREGÐW ZWROTÐW FINANSOWYCH CHARAKTERYZUJCYCH SIÇ
ZWYKLE GRUBYMI OGONAMI ROZKADÐW /TRZYMUJEMY PRZY
WARUNEK KONIECZNY TYM WARUNEK KONIECZNY ISTNIENIA KURTOZY WYRAAJCY SIÇ
ISTNIENIA KURTOZY
NIERÐWNOyCI
α +β + α <
CO STANOWI PRZYKAD DOyÃ ISTOTNEGO OGRANICZENIA MODELU
*EELI KORZYSTAMY Z MOLIWOyCI O KTÐREJ WSPOMNIANO NA POCZTKU TEGO POD
ROZDZIAU I WPROWADZAMY DO RÐWNANIA WARIANCJI WARUNKOWEJ DODATKOWE
ZMIENNE OBJAyNIAJCE S T b SM T MOG TO BYÃ TE SAME ZMIENNE CO ZMIENNE XI T
W RÐWNANIU ALBO INNE TO PRZYJMUJE ONO POSTAÃ

m q p
T 2t X ¤
k 1
X k s k ,t ¤
i 1
B i y t2 i ¤C T
j 1
j
2
t j
.ALEY PRZY TYM PODKREyLIÃ E W POWYSZEJ SPECYFI OGÐLNA SPECYFIKACJA

KACJI MODELU PRZESTAJE OBOWIZYWAÃ OGRANICZENIE X> RÐWNANIA DLA
:ASTÇPUJE SIÇ JE WARUNKIEM ZMIENNOyCI
m
X ¤X
k 1
k s k ,t 0
DLA T = b 4
:AOENIE O NORMALNOyCI ROZKADU INNOWACJI FT W RÐWNANIU JEST RÐW

NOWANE Z TYM E ROZKAD WARUNKOWY ZMIENNEJ YT JEST NORMALNY ZE yREDNI
ZERO I WARIANCJ TT 2OZKAD BEZWARUNKOWY JEDNAK NIE JEST NORMALNY GDY NA
PRZYKAD CHARAKTERYZUJE SIÇ WARTOyCI KURTOZY WIÇKSZ NI 7yRÐD ZNANYCH
FAKTÐW DOTYCZCYCH EMPIRYCZNYCH WASNOyCI FINANSOWYCH SZEREGÐW CZASOWYCH
WYMIENIA SIÇ JEDNAK RÐWNIE OBSERWOWAN CZÇSTO PODWYSZON KURTOZÇ ROZ
KADÐW WARUNKOWYCH 7 CELU LEPSZEGO DOPASOWANIA MODELI '!2#( W TAKICH
SYTUACJACH "OLLERSLEV ZAPROPONOWA JAKO ALTERNATYWNY ROZKAD ZMIENNEJ
FT STANDARYZOWANY ROZKAD T 3TUDENTA Z O STOPNIAMI SWOBODY O > NIE MUSI BYÃ
LICZB CAKOWIT *EST TO ROZKAD SYMETRYCZNY O ZEROWEJ WARTOyCI OCZEKIWANEJ
I JEDNOSTKOWEJ WARIANCJI KTÐREGO FUNKCJA GÇSTOyCI DANA JEST WZOREM
( O 1)
2
((( O 1) / 2 ) ¥ z ´ 2
g( z) ¦1 µ
Q( O 2 ) (( O / 2 ) ¦§ O 2 µ¶
d
GDZIE Γ JEST STANDARDOW FUNKCJ GAMMA TZN (( u) x u 1 e x dx , u 0 W SZCZE °
GÐLNOyCI (U + = U(U ORAZ ((1 / 2) Q 0
2OZKAD TEN PRZY LICZBIE STOPNI SWOBODY DCEJ DO NIESKOÎCZONOyCI JEST

ZBIENY DO STANDARDOWEGO ROZKADU NORMALNEGO ILUSTRACJA
$LA N > STANDARYZOWANY ROZKAD T 3TUDENTA MA MOMENT RZÇDU CZWARTEGO
3( O 2 )
RÐWNY +URTOZA ROZKADU WARUNKOWEGO ZMIENNEJ YT JEST WIÇC WIÇKSZA
O 4
NI W WYPADKU ROZKADU NORMALNEGO INNOWACJI FT ,ICZBA STOPNI SWOBODY O
NIE MUSI BYÃ OKREyLONA Z GÐRY LECZ MOE BYÃ ESTYMOWANA WRAZ Z POZOSTAYMI
PARAMETRAMI MODELU
3POyRÐD INNYCH STOSOWANYCH ROZKADÐW INNOWACJI FT DO NAJBARDZIEJ PO
PULARNYCH NALEY WPROWADZONY PRZEZ .ELSONA UOGÐLNIONY ROZKAD

)LUSTRACJA 'ÇSTOyÃ STANDARDOWEGO ROZKADU NORMALNEGO LINIA CIGA I STANDARYZOWANEGO

ROZKADU T 3TUDENTA Z SZEyCIOMA STOPNIAMI SWOBODY LINIA PRZERYWANA

s s s s
BÇDU 'ENERALIZED %RROR $ISTRIBUTION s '%$ *EGO FUNKCJA GÇSTOyCI WYRAA

SIÇ WZOREM
¥ 1 O´
O exp ¦ z/M µ
f ( z) § 2 ¶
( O 1) / O
1
M 2 ( (1 / O)
« 2 º2
® 2 O ((1 / O) ®
GDZIE M ¬ »
® (( 3 / O) ®
¼
$LA O = ZACHODZI RÐWNOyÃ M = A GÇSTOyÃ OKREyLONA WZOREM JEST
GÇSTOyCI STANDARDOWEGO ROZKADU NORMALNEGO 0RZY O < ROZKAD '%$ MA
OGONY GRUBSZE A PRZY O > CIEÎSZE NI STANDARDOWY ROZKAD NORMALNY ILU
STRACJA
/PISANE POWYEJ ROZKADY UWZGLÇDNIAJ WASNOyÃ GRUBYCH OGONÐW ALE S
SYMETRYCZNE %MPIRYCZNE SZEREGI FINANSOWE CHARAKTERYZUJ SIÇ JEDNAK CZÇSTO
SKOyNOyCI 7 CELU WYCHWYCENIA TEGO ZJAWISKA PRZY MODELOWANIU STOSUJE SIÇ
SKOyNY ROZKAD T 3TUDENTA &ERN¾NDEZ /SIEWALSKI I 3TEEL &ERN¾NDEZ

)LUSTRACJA 'ÇSTOyÃ STANDARDOWEGO ROZKADU NORMALNEGO I ROZKADU '%$

'%$ N
'%$ N
.

s s s s
I 3TEEL ,AMBERT I ,AURENT (ANSEN 0RZY ZAOENIU E O >
ORAZ Y> MÐWIMY I ZMIENNA : MA STANDARYZOWANY SKOyNY ROZKAD T 3TUDENTA
Z LICZB STOPNI SWOBODY V I WSPÐCZYNNIKIEM ASYMETRII Y : ^ 3+34 Y V
JEyLI JEJ GÇSTOyÃ ILUSTRACJA WYRAA SIÇ WZOREM
« 2 m
®Y sg Y sz m , gdy z
® Y 1 s
f z ¬
2 m
®
1
sg sz m Y , gdy z r
® Y Y s
GDZIE G JEST GÇSTOyCI STANDARYZOWANEGO ROZKADU T 3TUDENTA Z V STOPNIAMI
SWOBODY OKREyLON WZOREM A
¥ O 1´
(¦ µ O 2
2 ¶
m § 1
Y Y A
¥ O´
Q(¦ µ
§2¶
s Y2 2
Y 1 m2 B

)LUSTRACJA 'ÇSTOyÃ STANDARYZOWANEGO SKOyNEGO ROZKADU T 3TUDENTA

X N
X N
X N
X N

s s s s
0RZEZ NIESTANDARYZOWANY SKOyNY ROZKAD T 3TUDENTA Z V STOPNIAMI SWOBODY

I WSPÐCZYNNIKIEM ASYMETRII Y ROZUMIEMY ROZKAD ZMIENNEJ 8 O GÇSTOyCI
« 2
®Y 1
g Y z , gdy z 0
® Y
h z ¬
® 2
1
g z Y , gdy z r 0
® Y Y
GDZIE G OZNACZA GÇSTOyÃ STANDARYZOWANEGO ROZKADU T 3TUDENTA

$LA V > WARTOyÃ OCZEKIWANA ZMIENNEJ O GÇSTOyCI H WYRAA SIÇ WZOREM
d
¥ 1´ ((( O 1) 2) ( O 2) ¥ 1´

m ¦Y
§ Y ¶0°
µ 2 xg ( x ) dx
Q (( O 2)
¦Y
§
µ
Y¶

7ARIANCJA JEST NATOMIAST RÐWNA

¥d 2 ´ 2
¥d ´ ¥ 2 1 ´ ¥d ´
s ¦ 2 x 2 g ( x ) dx µ
2
¦¦ ° ¦ °
¦ 2 xg ( x ) dx µ
µ µµ ¦¦ Y
§ Y2
µµ
¶ ¦°
2 ¦ 2 xg ( x ) dx µ
µ
§0 §0 ¶ ¶ §0 ¶
d
2
°2x g ( x ) dx Y 2 Y 2
1 m2
0
:ATEM ROZKAD O GÇSTOyCI MA RZECZYWIyCIE ZEROW yREDNI I JEDNOST

KOW WARIANCJÇ
7SPÐCZYNNIK ASYMETRII Y> SPENIA RÐWNOyÃ
WSPÐCZYNNIK
P X r 0| Y 2 ASYMETRII
Y
P X 0| Y
GDZIE 8 MA GÇSTOyÃ OKREyLON WZOREM $LA Y= GÇSTOyÃ STANDARYZOWANEGO
SKOyNEGO ROZKADU T 3TUDENTA Z V STOPNIAMI SWOBODY V > I WSPÐCZYNNIKIEM
ASYMETRII Y STAJE SIÇ GÇSTOyCI OKREyLONEGO WCZEyNIEJ STANDARYZOWANEGO
ROZKADU T 3TUDENTA Z V STOPNIAMI SWOBODY
/CENA DOPASOWANIA MODELU '!2#( POWINNA OBEJMOWAÃ BADANIE CZY RESZTY

y
STANDARYZOWANE > F t >t S GENEROWANE PRZEZ CIG NIEZALENYCH ZMIENNYCH
Tt
LOSOWYCH O ZAOONYM W MODELU ROZKADZIE TO ZNACZY CZY SPENIAJ ZAOENIE
DOTYCZCE INNOWACJI FT 0ONIEJ OMAWIAMY ZESTAW TESTÐW CZÇSTO STOSOWANY
W PRAKTYCE CHOÃ OCZYWIyCIE NIEJEDYNY MOLIWY
4ESTOWANIE NIEZALENOyCI RESZT STANDARYZOWANYCH

7 PRAKTYCE PRZY BADANIU NIEZALENOyCI RESZT STANDARYZOWANYCH POPRZESTAJE
SIÇ NA OGÐ NA BADANIU ZA POMOC TESTU "OXAs0IERCEoA LUB ,JUNGAs"OXA CZY
ZERUJ SIÇ WARTOyCI SL L x FUNKCJI AUTOKORELACJI !#& DLA RESZT STANDARYZO
WANYCH I KWADRATÐW RESZT STANDARYZOWANYCH I s EWENTUALNIE s NA ZASTOSOWANIU
TESTU %NGLEoA 7 PENI POPRAWNE PODEJyCIE DO TEGO ZAGADNIENIA WYMAGAOBY
ZASTOSOWANIA TESTU WASNOyCI IID NA PRZYKAD WYWODZCEGO SIÇ Z TEORII CHAOSU
TESTU "$3 "ROCK I IN $OMAN I $OMAN

4ESTOWANIE ZALENOyCI ASYMETRYCZNYCH

$LA STANDARDOWEGO MODELU '!2#(P Q DODATNIE I UJEMNE INNOWACJE
YTsI O TEJ SAMEJ WARTOyCI BEZWZGLÇDNEJ KREUJ TAK SAM WIELKOyÃ ZMIENNOyCI
TT 0ONADTO INNOWACJE WIÇKSZE CO DO WARTOyCI BEZWZGLÇDNEJ GENERUJ WIÇCEJ
ZMIENNOyCI W STOPNIU PROPORCJONALNYM DO KWADRATU WARTOyCI INNOWACJI *EyLI
ZATEM W RZECZYWISTOyCI INNOWACJE UJEMNE PRZYCZYNIAJ SIÇ DO ZWIÇKSZANIA
ZMIENNOyCI BARDZIEJ NI INNOWACJE DODATNIE O TEJ SAMEJ WARTOyCI BEZWZGLÇDNEJ
TO PROGNOZY ZMIENNOyCI Z MODELU '!2#(P Q WYZNACZANE PO WYSTPIENIU
INNOWACJI UJEMNYCH KTÐRE MOEMY INTERPRETOWAÃ JAKO ZE WIADOMOyCI BÇD
NIEDOSZACOWANE *EST TE ODWROTNIE PROGNOZY WYZNACZANE BEZPOyREDNIO
PO DOBRYCH WIADOMOyCIACH BÇD PRZESZACOWANE .A DODATEK JEyLI DUE CO
DO WARTOyCI BEZWZGLÇDNEJ INNOWACJE KREUJ WIÇCEJ ZMIENNOyCI NI WYNIKA TO
Z ZALENOyCI KWADRATOWEJ TO STANDARDOWY MODEL '!2#(P Q BÇDZIE NIEDO
SZACOWYWA PROGNOZOWAN ZMIENNOyÃ PO BEZWZGLÇDNIE DUYCH INNOWACJACH
ORAZ BÇDZIE WYZNACZA PRZESZACOWANE PROGNOZY ZMIENNOyCI PO INNOWACJACH
MAYCH W SENSIE BEZWZGLÇDNYM
0OWYSZE SPOSTRZEENIA SKONIY %NGLEoA I .GA DO ZAPROPONOWANIA
TRZECH TESTÐW DIAGNOSTYCZNYCH MODELI ZMIENNOyCI NAZWANYCH PRZEZ AUTORÐW
ODPOWIEDNIO TESTEM OBCIENIA ZNAKÐW 3IGN "IAS 4EST s 3" TESTEM OBCIENIA
WIELKOyCI UJEMNYCH .EGATIVE 3IZE "IAS 4EST s .3" I TESTEM OBCIENIA WIELKO
yCI DODATNICH 0OSITIVE 3IZE "IAS 4EST s 03" 3TATYSTYKI KADEGO Z TYCH TESTÐW
BADAJ CZY DODATNIE I UJEMNE INNOWACJE WYWIERAJ RÐNY
TESTY OBCIENIA WPYW NA KREOWANIE ZMIENNOyCI 7 NAJPROSTSZEJ WERSJI
ZNAKÐW HIPOTEZA STATYSTYKI 3" .3" I 03" WYLICZANE S ODPOWIEDNIO
ZEROWA BRAK JAKO T STATYSTYKI DLA PARAMETRÐW B B I B OTRZYMANYCH
ASYMETRII ZA POMOC KLASYCZNEJ METODY NAJMNIEJSZYCH KWADRATÐW
Z REGRESJI
>2
F t b0 b1 St 1 b2 St 1 y t 1 b3 St 1 y t 1 Ot
yt
GDZIE >
Ft OZNACZA RESZTY STANDARYZOWANE ZA POMOC ZMIENNOyCI WYZNACZO
Tt
NYCH Z WYESTYMOWANEGO MODELU 3Ts JEST ZMIENN ZERO JEDYNKOW PRZYJMUJC
WARTOyÃ GDY YT JEST UJEMNE A 3T+ = s 3Ts
*EyLI MODEL ZMIENNOyCI JEST DOBRZE WYSPECYFIKOWANY TO RESZTY STANDARYZO
WANE > F T POWINNY BYÃ REALIZACJ CIGU IID
0RZY PRAWDZIWOyCI HIPOTEZY ZEROWEJ STWIERDZAJCEJ PRAWIDOW SPECYFI
KACJÇ STATYSTYKI 3" .3" I 03" MAJ ASYMPTOTYCZNIE ROZKAD STANDARDOWY
NORMALNY
-ONA RÐWNIE PRZEPROWADZIÃ TEST CZNY Z HIPOTEZ ZEROW ( B = B =
= B = ZE STATYSTYK TESTOW N 2 GDZIE N JEST DUGOyCI SZEREGU A 2 OZNACZA

WSPÐCZYNNIK DETERMINACJI Z REGRESJI 7 TYM WYPADKU STATYSTYKA TESTOWA

MA ASYMPTOTYCZNIE ROZKAD D Z TRZEMA STOPNIAMI SWOBODY
: PRZEDSTAWIONYCH OKREyLEÎ WYNIKA E GÐWNYM
CELEM TESTU 3" JEST BADANIE ZRÐNICOWANIA WPYWU WY TEST 3"
WIERANEGO PRZEZ UJEMNE I DODATNIE INNOWACJE NA POZIOM
ZMIENNOyCI KTÐREGO NIE MOE PROGNOZOWAÃ TESTOWANY MODEL ZMIENNOyCI
4EST .3" KONCENTRUJE SIÇ NA RÐNICACH WPYWU DUYCH
I MAYCH INNOWACJI UJEMNYCH NA ZMIENNOyÃ NIEPROGNO TEST .3"
ZOWALNYCH PRZEZ BADANY MODEL
: KOLEI TEST 03" BADA ZRÐNICOWANIE WPYWU DUYCH
I MAYCH INNOWACJI DODATNICH NA ZMIENNOyÃ KTÐRE NIE TEST 03"
JEST WYJAyNIONE PRZEZ MODEL
0OWYSZE TESTY DIAGNOSTYCZNE MONA RÐWNIE STOSOWAÃ W CELU UZYSKANIA
DODATKOWYCH STATYSTYK OPISUJCYCH DYNAMIKÇ WARUNKOWEJ HETEROSKEDASTYCZNO
yCI INNOWACJI YT PRZED DOPASOWANIEM KONKRETNEGO MODELU ZMIENNOyCI 7 TYM
WYPADKU ZAMIAST REGRESJI STOSUJEMY REGRESJÇ
ET = B + B3sTs + B 3sTs YTs + B3+Ts YTs + VT
GDZIE ET = RT s N T PRZY CZYM N I T OZNACZAJ yREDNI Z PRÐBY I ODCHYLENIE
STANDARDOWE Z PRÐBY DLA SZEREGU ZWROTÐW RT
4EST 3" BADA WÐWCZAS CZY ZMIENNOyÃ REPREZENTOWANA PRZEZ ESTYMATOR ET
ZALEY OD ZNAKÐW INNOWACJI KTÐRE J POPRZEDZAY 4ESTY .3" I 03" BADAJ
NATOMIAST CZY WPYW UJEMNYCH I DODATNICH INNOWACJI NA ZMIENNOyÃ ZALEY
RÐWNIE OD ICH WIELKOyCI
2ÐNEGO RODZAJU EFEKTY ASYMETRII WYSTÇPUJCE W SZEREGACH ZWROTÐW Z INSTRU
MENTÐW FINANSOWYCH NALE DO NAJTRUDNIEJSZYCH DO WYCHWYCENIA 7 NASTÇPNYM
ROZDZIALE OPISUJEMY KILKA RÐNYCH TYPÐW MODELI Z RODZINY '!2#( STANOWI
CYCH ROZSZERZENIA KLASYCZNEGO MODELU '!2#(P Q I SKONSTRUOWANYCH MIÇDZY
INNYMI W CELU OPISANIA TEGO TYPU WASNOyCI SZEREGÐW STÐP ZWROTU
4ESTOWANIE STABILNOyCI PARAMETRÐW

:AGADNIENIE STABILNOyCI PARAMETRÐW MODELU JEST JEDNYM Z NAJISTOTNIEJSZYCH
PRZY PROGNOZOWANIU W HORYZONCIE CZASOWYM DUSZYM NI KILKUDNIOWY 0OD
STAWOWYM PROBLEMEM JEST WTPLIWOyÃ CZY EWENTUALNE ZMIANY PARAMETRÐW
SPOWODOWANE S TYM E MODEL |LE OPISUJE BADANE ZJAWISKO I WYCHWYTYWANE
ZALENOyCI S PRZYPADKOWE CZY TE SAMO ZJAWISKO W PEWNYM OKRESIE ZMIENIA
SIÇ RADYKALNIE CO MUSI ZNALE|Ã ODBICIE W ZMIANACH PARAMETRÐW BD| NAWET
TYPIE MODELU

4ESTOWANIE NIESTABILNOyCI PARAMETRÐW MA DUG HISTORIÇ W EKONOMETRII

I STATYSTYCE 0ARAMETRY S CZÇSTO ZREDUKOWANYMI FORMAMI ZMIENNYCH NIEOB
SERWOWALNYCH #HOCIA WIARA W TO E TE ZMIENNE NIEOBSERWOWALNE S STAE
W OKRESIE OBSERWACJI JEST RZECZ SENSOWN TO JEDNAK W RZECZYWISTOyCI ZDARZA
SIÇ TO RZADKO 7 WIELU PRZYPADKACH PODANE JEST PODDANIE STAOyCI PARAME
TRÐW TESTOWI SPECYFIKACJI
.AJPOPULARNIEJSZYM TESTEM STOSOWANYM DO BADANIA CZY
TEST #HOWA WYSTÇPUJE ZMIANA PARAMETRÐW JEST TEST #HOWA
0ROCEDURA TEGO TESTU POLEGA NA PODZIALE OKRESU OBSERWA
CJI PEWNYM Z GÐRY USTALONYM PUNKTEM I PORÐWNANIU ZA POMOC ODPOWIEDNIEJ
STATYSTYKI MAJCEJ s PRZY ZAOENIU PRAWDZIWOyCI HIPOTEZY ZEROWEJ s ASYMP
TOTYCZNY ROZKAD & OSZACOWAÎ PARAMETRÐW OTRZYMANYCH DLA OBU OKRESÐW
:ALET TESTU #HOWA JEST JEGO PROSTOTA -A ON JEDNAK POWAN SABOyÃ KTÐR
JEST KONIECZNOyÃ USTALANIA Z GÐRY PUNKTU PODZIAU CIGU OBSERWACJI 7ADY TEJ
NIE MAJ TESTY STABILNOyCI OPRACOWANE PRZEZ .YBLOMA
TEST .YBLOMA I (ANSENA 3 TO BARDZO UYTECZNE TESTY
HIPOTEZA ZEROWA
STABILNOyÃ STABILNOyCI PARAMETRÐW ESTYMOWANEGO MODELU KTÐRE
PARAMETRÐW MOG BYÃ WYLICZANE DLA PENEGO WEKTORA PARAMETRÐW
A TAKE DLA POSZCZEGÐLNYCH PARAMETRÐW
/ZNACZMY PRZEZ LT T TY SKADNIK LOGARYTMICZNEJ FUNKCJI WIARYGODNOyCI ESTY
MOWANEGO MODELU
LT = LN FRT|TsR
JEyLI LOGARYTMICZNA FUNKCJA WIARYGODNOyCI DANA JEST WZOREM
T
L(R) ¤ ln f ( r : 
t 1
t t t 1; R)
.IECH
CT = s LT
a
uct ¥ uct uct ´
qt ¦ , , µ
u R ¦§ uR1 uR p µ¶
GDZIE ‘ OZNACZA TRANSPONOWANIE MACIERZY QT JEST ZATEM MACIERZ WYMIARU

P´ CZYLI WEKTOREM KOLUMN WYMIARU P 3TATYSTYKA .YBLOMAs(ANSENA DLA
TESTOWANIA STABILNOyCI PENEGO WEKTORA PARAMETRÐW R MA POSTAÃ
1
T ¥ T ´
1
NH ( p)
T ¤ ¤ sat ¦ q t qat µ s t
¦ µ
t 1 § t 1 ¶
GDZIE
t
st ¤q
j 1
j

0RZY TESTOWANIU STABILNOyCI POSZCZEGÐLNYCH PARAMETRÐW MODELU STATYSTYKI

TESTU .YBLOMAs(ANSENA MAJ POSTAÃ
1
1 ¥ T 2 ´ T
NH (1)
T ¤
¦¦ q j ,t µµ ¤s 2
j ,t
§ t 1 ¶ t 1
GDZIE J = b P A QJ T SJ T OZNACZAJ J TE WIERSZE ODPOWIEDNICH WEKTORÐW KOLUMN

0RZY ZAOENIU PRAWDZIWOyCI HIPOTEZY ZEROWEJ O STAOyCI PARAMETRÐW W CZA
SIE STATYSTYKI .(P I .( MAJ WYSOCE NIESTANDARDOWE ROZKADY ASYMPTO
TYCZNE KTÐRYCH PODSTAWOWE KWANTYLE ZOSTAY PODANE PRZEZ (ANSENA
4ESTOWANIE ZGODNOyCI ROZKADU

*EDNYM Z TESTÐW POZWALAJCYCH NA PORÐWNANIE ROZKADU EMPIRYCZNEGO RESZT
STANDARYZOWANYCH Z TEORETYCZNYM ROZKADEM INNOWACJI
JEST TEST 0EARSONA 7 PIERWSZYM KROKU RESZTY S KLASY TEST 0EARSONA
HIPOTEZA ZEROWA
FIKOWANE WEDUG ICH WIELKOyCI I ZGODNIE Z TYM DZIELONE ZGODNOyÃ
NA KATEGORIE ZAWIERAJCE DANE Z OKREyLONEGO PRZEDZIAU ROZKADÐW
WIELKOyCI .IECH N BÇDZIE LICZB OBSERWACJI R s LICZB ROZ
WAANYCH KATEGORII PI I = b R s OBSERWOWANYMI UDZIAAMI OBSERWACJI I TEJ
KATEGORII A PITI = b R s TEORETYCZNYM PRAWDOPODOBIEÎSTWEM WYSTPIENIA
OBSERWACJI Z I TEJ KATEGORII (IPOTEZA ZEROWA JEST NASTÇPUJCA
( P = PT P = PT b PR = PRT
3TATYSTYKA TESTOWA JEST WYLICZANA JAKO
r 2
( ni Eni )
P( g ) ¤
i 1
Eni

GDZIE NI JEST LICZB OBSERWACJI W PRÐBIE WPADAJCYCH DO I TEJ KATEGORII A %NI

JEST OCZEKIWAN LICZB OBSERWACJI W TEJ KATEGORII PRZY ZAOENIU E HIPOTEZA
ZEROWA JEST PRAWDZIWA
7ARTOyÃ STATYSTYKI 0EARSONA JEST ZATEM MAA GDY WSZYSTKIE OBSERWOWANE
UDZIAYq S BLISKIE OCZEKIWANYM I JEST DUA GDY JEDEN LUB WIÇCEJ UDZIAÐW
ODBIEGA OD OCZEKIWANYCH *EyLI SZEREG RESZT JEST IID TO PRZY ZAOENIU PRAWDZI
WOyCI HIPOTEZY ZEROWEJ O ZGODNOyCI Z ZAOONYM ROZKADEM ROZKAD ASYMP
TOTYCZNY STATYSTYKI 0G MA KWANTYLE ZAWARTE POMIÇDZY KWANTYLAMI DR s
I DR s K s GDZIE K JEST LICZB SZACOWANYCH PARAMETRÐW
7YBÐR LICZBY KATEGORII R NIE JEST OCZYWISTY .A PRZYKAD DLA 4 = SUGERUJE
SIÇ R = 0RZYJMUJE SIÇ E LICZBA KOMÐREK POWINNA ROSNÃ ZE WZROSTEM LICZBY
OBSERWACJI 4 WEDUG STOPY 4

*EDNYM Z PODSTAWOWYCH WYMAGAÎ JAKIE STAWIA SIÇ MODELOM ZMIENNOyCI JEST

DOSTARCZANIE PROGNOZ DOBREJ JAKOyCI 0ROBLEM KTÐRY POJAWIA SIÇ PRZY OCENIE
PROGNOZ ZMIENNOyCI JEST ZWIZANY Z TYM E ZMIENNOyÃ JEST WIELKOyCI NIEOB
SERWOWALN 7 ZWIZKU Z TYM JEJ PROGNOZY TRZEBA PORÐWNYWAÃ Z WARTOyCIAMI
WYBRANYCH ESTYMATORÐW ZMIENNOyCI :E WZGLÇDU NA DEFINICJÇ ZMIENNOyCI JAKO
WARIANCJI WARUNKOWEJ STOPY ZWROTU NATURALN MIAR ZMIENNOyCI WYDAWAA SIÇ
WARTOyÃ KWADRATU ZAOBSERWOWANEJ STOPY ZWROTU /KAZAO SIÇ JEDNAK E SPRAWA
JEST BARDZIEJ SKOMPLIKOWANA $OKADNIEJ PROBLEM TEN OMÐWIMY W ROZDZIALE
4U PRZEDSTAWIMY JEDYNIE ZESTAW MIAR NAJCZÇyCIEJ STOSOWANYCH PRZY OCENIE
JAKOyCI PROGNOZ yREDNIEJ WARUNKOWEJ I ZMIENNOyCI 7ELFE
7 PONISZYCH FORMUACH > Y4+ I JEST PROGNOZ Y4+I WIELKOyCI ZAOBSERWOWAN
4 OZNACZA LICZBÇ OBSERWACJI W PRÐBIE . JEST LICZB PROGNOZ NA OKRES POZA
PRÐB A I s DUGOyCI HORYZONTU PROGNOZY
7 WYPADKU PROGNOZ ZMIENNOyCI MIAR DO KTÐREJ PRZY
MIARY PROGNOZ WIZUJE SIÇ NAJWIÇKSZE ZNACZENIE JEST WSPÐCZYNNIK 2
REGRESJI -INCERAs:ARNOWITZA
Y4+ I = A + BY
>
4+ I + U4+ I
GDZIE I = b .
7YSOKIE WARTOyCI TEGO WSPÐCZYNNIKA WSKAZUJ E PROGNOZY ZMIENNO
yCI DOBRZE ODDAJ CHARAKTER DYNAMIKI PRZYSZEJ ZMIENNOyCI TZN INFORMUJ
O SPODZIEWANYCH WZROSTACH I SPADKACH ZMIENNOyCI CO MA DUE ZNACZENIE DLA
INWESTORÐW PRZY PODEJMOWANIU DECYZJI DOTYCZCYCH ZABEZPIECZANIA SIÇ PRZED
RYZYKIEM
0ONADTO STOSUJE SIÇ WIELE INNYCH BÇDÐW PROGNOZ
r BD yREDNIOKWADRATOWY MEAN SQUARE ERROR s -3%
N
1 2
MSE
N ¤ y
i 1
T i
>
yT i
r MEDIANOWY BD KWADRATOWY MEDIAN SQUARE ERROR s -ED3%

2 N
MedSE mediana [ y
T i y>T i ] i 1
r BD yREDNI MEAN ERROR s -%

N
1
ME
N ¤ y
i 1
T i
>
yT i

r yREDNI BD BEZWZGLÇDNY MEAN ABSOLUTE ERROR s -!%

N
1
MAE
N ¤y i 1
T i
>
yT i
r PIERWIASTEK BÇDU yREDNIOKWADRATOWEGO ROOT MEAN SQUARE ERROR s 2-3%

N
1 2
RMSE
N ¤ y
i 1
T i
>
yT i
r yREDNI BEZWZGLÇDNY BD PROCENTOWY MEAN ABSOLUTE PERCENTAGE ERROR s

-!0%
N >
1 yT yT
MAPE
N ¤ i 1
i
yT i
i
r SKORYGOWANY yREDNI BEZWZGLÇDNY BD PROCENTOWY ADJUSTED MEAN ABSOLUTE

PERCENTAGE ERROR s !-!0%
N >
1 yT yT
AMAPE
N ¤i 1
yT
i
i
>
yT
i
r UDZIA PRAWIDOWYCH ZNAKÐW PERCENTAGE OF CORRECT SIGNS s 0#3

N
1
PCS
N ¤ max sign y
i 1
T i yT i
>
,0
r WSPÐCZYNNIK ROZBIENOyCI 4HEILA 4HEILoS INEQUALITY COEFFICIENT s 4)#

N
1 2
N ¤ y
i 1
T i
>
yT i
TIC
N N
1 1
N ¤
i 1
yT2 i
N ¤y i 1
>2
T i
r LOGARYTMICZNA FUNKCJA STRATY LOGARITHMIC LOSS FUNCTION s ,,&

N 2
1 ¥ >xT ´
LLF
N ¤ ¦ ln
i 1 §
xT
i
i
µ
¶
4YLKO NIEDOyWIADCZONY CZYTELNIK MÐGBY ODNIEyÃ

POWODY STOSOWANIA
WRAENIE E PRZEDSTAWIONE TU MIARY BÇDÐW POWIELAJ
TYLU RÐNYCH MIAR
INFORMACJE DOTYCZCE TRAFNOyCI PROGNOZ :RÐNICOWANA JAKOyCI PROGNOZY
KONSTRUKCJA TYCH MIAR POZWALA NA WYCHWYCENIE RÐNYCH
ASPEKTÐW JAKOyCI PROGNOZ .A PRZYKAD -3% I -!% I 2-3% NIOS W PEWNYM
SENSIE PODOBN INFORMACJÇ ALE W RÐNY SPOSÐB REAGUJ NA WYSTÇPOWANIE OBSER
WACJI NIETYPOWYCH "LISKIE SIEBIE WARTOyCI TYCH BÇDÐW WSKAZUJ E W SZEREGU

PROGNOZ NIE MA POJEDYNCZYCH PROGNOZ OBCIONYCH DUYM BÇDEM NATOMIAST

WARTOyCI -3% ZNACZNIE WIÇKSZE NI -!% UJAWNIAJ OBECNOyÃ BÇDÐW O WAR
TOyCIACH WYJTKOWO DUYCH
$UE WARTOyCI BÇDU -!% W ZESTAWIENIU Z MAYMI WARTOyCIAMI -% WSKA
ZUJ NA PODOBNE UDZIAY PROGNOZ PRZESZACOWANYCH I NIEDOSZACOWANYCH *EyLI
NATOMIAST OBA TE BÇDY S DUE CO DO WARTOyCI BEZWZGLÇDNEJ TO s W ZALENOyCI
OD ZNAKU -% s PROGNOZY S ALBO SYSTEMATYCZNIE PRZESZACOWANE ZNAK UJEMNY
ALBO NIEDOSZACOWANE ZNAK DODATNI
3TOSUJC MIARY -!0% !-!0% ORAZ WSPÐCZYNNIK ROZBIENOyCI 4HEILA NA
RÐNE SPOSOBY ODNOSIMY NIEDOSKONAOyÃ PROGNOZY DO OBSERWOWANYCH WARTOyCI
PROGNOZ I REALIZACJI PROGNOZOWANYCH ZMIENNYCH
5DZIA PRAWIDOWYCH ZNAKÐW MA SENS TYLKO PRZY PROGNOZOWANIU ZMIENNYCH
KTÐRE MOG PRZYJMOWAÃ WARTOyCI UJEMNE I DODATNIE -IARÇ TÇ STOSUJEMY ZATEM
PRZY OCENIE PROGNOZ yREDNIEJ ALE NIE ZMIENNOyCI
: PUNKTU WIDZENIA ZASTOSOWAÎ PROGNOZ ZMIENNOyCI W ZARZDZANIU RYZYKIEM
DUE ZNACZENIE JAKO NARZÇDZIE OCENY ICH JAKOyCI MA LOGARYTMICZNA FUNKCJA
STRATY *EJ KONSTRUKCJA BOWIEM POWODUJE E NIEDOSZACOWANIE ZMIENNOyCI JEST
KARANE ZNACZNIE BARDZIEJ NI PRZESZACOWANIE
0ODSUMOWUJC ROZWAANIA Z TEGO ROZDZIAU MONA PO

ETAPY BUDOWY
MODELU ZMIENNOyCI WIEDZIEÃ E BUDOWANIE MODELU ZMIENNOyCI DLA SZEREGU
ZWROTÐW POWINNO OBEJMOWAÃ NASTÇPUJCE KROKI
.ALEY WYSPECYFIKOWAÃ RÐWNANIE yREDNIEJ WARUNKOWEJ WYKORZYSTUJC WSKA
ZANIA TESTÐW NA ZALENOyCI LINIOWE W DANYCH I JEyLI JEST TO NIEZBÇDNE NALEY
ZA POMOC DOPASOWANEGO MODELU NP !2-! OCZYyCIÃ SZEREG ZWROTÐW
Z WSZYSTKICH ZALENOyCI LINIOWYCH
3ZEREG RESZT Z DOPASOWANEGO MODELU LINIOWEGO NALEY PRZETESTOWAÃ NA
OBECNOyÃ HETEROSKEDASTYCZNOyCI WARUNKOWEJ TYPU AUTOREGRESYJNEGO
*EyLI EFEKTY HETEROSKEDASTYCZNOyCI WARUNKOWEJ TYPU AUTOREGRESYJNEGO S
STATYSTYCZNIE ISTOTNE NALEY WYSPECYFIKOWAÃ MODEL ZMIENNOyCI I PRZEPROWA
DZIÃ CZN ESTYMACJÇ RÐWNANIA yREDNIEJ I RÐWNANIA ZMIENNOyCI 7IÇKSZOyÃ
PAKIETÐW OBLICZENIOWYCH POZWALA NA JEDNOCZESN ESTYMACJÇ yREDNIEJ WA
RUNKOWEJ I WARIANCJI WARUNKOWEJ *EST TO LEPSZE ROZWIZANIE NI PROCEDURA
DWUSTOPNIOWA -ODELE W KTÐRYCH JEDNOCZEyNIE JEST
!2-! '!2#(
SZACOWANA SKADOWA LINIOWA W POSTACI !2-! ORAZ
ZMIENNOyÃ ZA POMOC MODELI '!2#( NAZYWAMY MO
DELAMI !2-! '!2#(

0O ESTYMACJI NALEY OCENIÃ JAKOyÃ DOPASOWANIA MODELU RESZTY STANDARYZO

WANE ISTOTNOyÃ OSZACOWAÎ PARAMETRÐW KRYTERIA INFORMACYJNE *EyLI JEST TO
KONIECZNE POPRAWIÃ DOPASOWANIE
7 BADANIACH KTÐRYCH WYNIKI PREZENTUJEMY PONIEJ DO ESTYMACJI MODELI
WYKORZYSTANE ZOSTAY DANE OPISANE W PODROZDZIALE POCHODZCE Z OKRESU
DO GRUDNIA WCZNIE 0OZOSTAE DANE OD STYCZNIA DO MAJA
POSUYY DO WYZNACZANIA I OCENY PROGNOZ POZA OKRESEM PRÐBY
:GODNIE Z OPISAN PROCEDUR NAJPIERW PRZEPROWADZONY ZOSTA TEST %NGLEoA
DLA WSZYSTKICH SZEREGÐW PRZEDSTAWIONYCH W TABELI 2OZWAANA LICZBA
OPÐ|NIEÎ WYNOSI 7ARTOyCI STATYSTYK TESTOWYCH ZAMIESZCZONE
ZOSTAY W TABELI
4ABELA 7YNIKI TESTU %NGLEoA DLA ROZWAANYCH SZEREGÐW STÐP ZWROTU 7YRÐNIONE POLA WSKA
ZUJ PRZYPADKI W KTÐRYCH HIPOTEZA ZEROWA O BRAKU EFEKTU !2#( NIE ZOSTAA ODRZUCONA NA POZIOMIE
ISTOTNOyCI
,ICZBA
OPÐ|NIEÎ !2#( !2#( !2#( !2#( !2#( !2#( !2#(
3ZEREG s s s s s s
7)'D

7)'K
7)'D
7)'K
53$0,.D
53$0,.K
!GORA
0+./RLEN
7)"/2 -
0RZY ESTYMACJI MODELI '!2#( NALEY PRZYWIZYWAÃ DU WAGÇ DO ISTOTNOyCI

OSZACOWANIA PARAMETRU ω 3POGLDAJC NA WZÐR MOEMY ATWO ZAUWAYÃ
E JEyLI DLA KOWARIANCYJNIE STACJONARNEGO PROCESU '!2#( PRZYJMIEMY E ω
JEST RÐWNE ZERO TO WARIANCJA STOPY ZWROTU JEST TAKE RÐWNA ZERO /ZNACZA TO
E PROCES NIE JEST LOSOWY #O WIÇC W TAKIM WYPADKU MODELUJEMY
7IÇKSZOyÃ ROZWAANYCH SZEREGÐW WYKAZUJE SILNY EFEKT !2#( JU PRZY
OPÐ|NIENIU 7 TAKIEJ SYTUACJI DO OPISU ZMIENNOyCI NA OGÐ WYSTARCZA MODEL
'!2#( 7 MODELOWANIU ZMIENNOyCI W WYPADKU SZEREGU 0+./RLEN
MOG POJAWIÃ SIÇ TRUDNOyCI %FEKT !2#( JEST TU BOWIEM BARDZO SABY 3YTUA
CJA W KTÐREJ s TAK JAK TU s EFEKT TEN ZUPENIE ZANIKA PRZY ZWIÇKSZANIU LICZBY
OPÐ|NIEÎ WYSTÇPUJE RZADKO
5WAGÇ ZWRACA FAKT E W WYPADKU KRÐTKICH SZEREGÐW STÐP ZWROTU Z INDEKSÐW
7)'K I 7)'K EFEKT !2#( POJAWIA SIÇ DOPIERO PRZY OPÐ|NIENIU .A

TYM PRZYKADZIE MOEMY ZAUWAYÃ JAKIE ZNACZENIE MA SEKWENCYJNE STOSOWA

NIE TESTU PRZY ZWIÇKSZAJCEJ SIÇ LICZBIE OPÐ|NIEÎ :ASTOSOWANIE STANDARDOWEJ
PROCEDURY DLA OPÐ|NIEÎ NIE POZWOLIOBY NAM NA PRECYZYJNE OKREyLE
NIE POSTACI ZALENOyCI $LA PORÐWNANIA PRZYJRZYJMY SIÇ PRZEDSTAWIONEMU NA
ILUSTRACJI WYKRESOWI !#& DLA KWADRATÐW SZEREGU 7)'K
)LUSTRACJA 7)'+ /SZACOWANIE !#& DLA KWADRATÐW STOP ZWROTU

s
s
s

7 TABELACH I PRZEDSTAWIAMY OSZACOWANIA PARAMETRÐW WYBRANYCH

MODELI
7 CAEJ KSICE STOSUJEMY NASTÇPUJCE OZNACZENIA *EyLI ROZKAD INNOWACJI
εT Z RÐWNANIA JEST JEDNYM Z ROZKADÐW O GÇSTOyCIACH LUB
TO PRZEZ $& DEGREE OF FREEDOM OZNACZAMY
PARAMETRY $& I !3 OSZACOWANIE PARAMETRU STOPNI SWOBODY V NATOMIAST
!3 ASYMMETRY JEST OSZACOWAN WARTOyCI PARAMETRU
ASYMETRII LNξ 0USTE MIEJSCA W TABELI OZNACZAJ E ODPOWIEDNIE PARAMETRY
NIE BYY UWZGLÇDNIANE W MODELU
$LA SZEREGU ZWROTÐW INDEKSU 7)' PRZEDSTAWIAMY TRZY MODELE DWA NA
PODSTAWIE SZEREGU OBSERWACJI 7)'D I JEDEN NA PODSTAWIE KRÐTKIEGO SZEREGU
7)'K TABELA
7 WYPADKU DUGIEGO SZEREGU OBSERWACJI NAJLEPSZY OKAZA SIÇ MODEL !2
'!2#( Z ROZKADEM BÇDU T 3TUDENTA *EST TO ZGODNE Z WYNIKAMI PO

WSZECHNIE SPOTYKANYMI W LITERATURZE OPISUJCEJ DANE Z ODPOWIEDNIEGO OKRESU

/SIEWALSKI I IN +OLEJNY MODEL RÐNI SIÇ OD POPRZEDNIEGO TYM E
WPROWADZONO DODATKOWY REGRESOR W RÐWNANIU WARIANCJI WARUNKOWEJ BÇDCY
SZTUCZN ZMIENN SWITCH KTÐRA PRZYJMUJE WARTOyÃ DLA OBSERWACJI OD DO
ORAZ DLA OBSERWACJI OD DO ILUSTRACJA 7YKRESY PRZEDSTAWIONE
W PODROZDZIALE POZWALAJ PRZYPUSZCZAÃ E W DYNAMICE SZEREGÐW '07
NASTPIA ZNACZNA ZMIANA W MAJU ROKU 0O OSZACOWANIU MODELU ZMIENNA
OKAZAA ISTOTNA A OSZACOWANIE ODPOWIADAJCEGO JEJ PARAMETRU MODELU WY
KAZAO WARTOyÃ UJEMN CO WSKAZUJE E W TYM OKRESIE NASTPIO ZMNIEJSZENIE
ZMIENNOyCI INDEKSU 7)'
-ODEL DLA SZEREGU 7)'K WSKAZUJE NA WYRA|N ZMIANÇ DYNAMIKI KORELACJA
MIÇDZY KWADRATAMI ZWROTÐW POJAWIA SIÇ DOPIERO PRZY OPÐ|NIENIU *EST TO
ZGODNE Z PRZEDSTAWIONYMI WYNIKAMI TESTU %NGLEoA .A WYKAZYWAN PRZEZ MODEL
ZALENOyÃ MONA PATRZEÃ W TEN SPOSÐB E NP ZMIENNOyÃ INDEKSU W PITEK ZALEY
OD ZMIENNOyCI W MINIONY PONIEDZIAEK &AKT TEN I JESZCZE INNE PRZEDSTAWIONE
W DALSZEJ CZÇyCI PRACY WYNIKI WSKAZUJ NA BARDZO ZWOLNIONE W ROZWAANYM
OKRESIE REAKCJE RYNKU NA NAPYWAJCE INFORMACJE 2ZADKO SPOTYKANY W PRAKTYCE
NORMALNY ROZKAD BÇDU POZOSTAJE W ZGODZIE Z WYNIKAMI PRZEDSTAWIONYMI NA
ILUSTRACJI
4ABELA 7)' /SZACOWANIA PARAMETRÐW MODELI !2-! '!2#(
3ZEREG 7)'D 7)'D 7)'K

-ODEL !2 '!2#( !2 '!2#( +SWITCH '!2#(
2OZKAD BÇDU T 3TUDENTA T 3TUDENTA NORMALNY
A s s
A

X
X s s s
B s
B s s
C s
$& s
4ABELA 7)' 3TATYSTYKI OPISOWE RESZT STANDARYZOWANYCH Z DOPASOWANYCH MODELI '!2#(
-ODEL !2 '!2#( !2 '!2#( + SWITCH '!2#(

iREDNIA s
/DCHYLENIE

STANDARDOWE
3KOyNOyÃ s s
+URTOZA

)LUSTRACJA :WROTY INDEKSU 7)' A I ZMIENNOyÃ INDEKSU 7)' B DLA SZEREGU 7)'D
WYESTYMOWANA ZA POMOC MODELU !2 '!2#( Z DODATKOW ZMIENN OBJAyNIAJC SWITCH
/KRESY DUYCH WAHAÎ STÐP ZWROTU POKRYWAJ SIÇ Z WYSOKIMI WARTOyCIAMI OSZACOWAÎ ZMIENNOyCI

s
s
s
s
s


$OKONAJMY TERAZ OCENY JAKOyCI OSZACOWAÎ MODELI 4ABELA PRZEDSTAWIA

STATYSTYKI OPISOWE RESZT STANDARYZOWANYCH Z OSZACOWANYCH MODELI iREDNIE
S BLISKIE ZERA A ODCHYLENIA STANDARDOWE BLISKIE *EDYNE CO MOE BUDZIÃ
NIEPOKÐJ TO WSPÐCZYNNIK SKOyNOyCI 7 TABELI PREZENTUJEMY SYNTETYCZNIE
WYNIKI TESTÐW PRZEPROWADZONYCH NA RESZTACH STANDARYZOWANYCH
4ABELA 7YNIKI TESTÐW NA RESZTACH STANDARYZOWANYCH
!2 '!2#(
-ODEL !2 '!2#( '!2#(
+ SWITCH
STATYSTYKA 1 "OXAs0IERCEoA DLA RESZT STANDARYZOWANYCH
1
1
1
1
STATYSTYKA 1 "OXAs0IERCEoA DLA KWADRATÐW RESZT STANDARYZOWANYCH
1
1
1
1
STATYSTYKA TESTU %NGLEoA
!2#( s
!2#( s
!2#( s
!2#( s
!2#( s
INNE STATYSTYKI
STATYSTYKA

.YBLOMA WEK
NIESTABILNY NIESTABILNY STABILNY
TOR PARAMETRÐW
STATYSTYKA
.YBLOMA NIESTABILNY NIESTABILNY WSZYSTKIE PARAMETRY
NIESTABILNE PARAMETR B PARAMETR B POJEDYNCZO STABILNE
PARAMETRY
ODRZUCONA HIPOTEZA ZEROWA ODRZUCONA HIPOTEZA ZEROWA
TESTY OBCIE TESTU .3" s WARTOyÃ STATY TESTU .3" s WARTOyÃ STATY
BRAK EFEKTÐW ASYMETRII
NIA ZNAKÐW STYKI STYKI
P WARTOyÃ P WARTOyÃ
TEST 0EARSONA WYNIK DYSKUSYJNY ROZKAD ZGODNY Z ZAOONYM ROZKAD ZGODNY Z ZAOONYM
: TABELI WYNIKA E WSZYSTKIE TRZY MODELE DOBRZE OPISUJ ZALENOyCI

MIÇDZY STOPAMI ZWROTU I POMIÇDZY ICH KWADRATAMI NIE WYSTÇPUJE KORELA
CJA W SZEREGACH RESZT STANDARYZOWANYCH ANI EFEKT !2#( -ONA PRZYJÃ

E ROZKAD BÇDU W ZASADZIE JEST ZGODNY Z ZAOONYM MOE POZA MODELEM

!2 '!2#( 7 SZEREGACH RESZT Z PIERWSZYCH DWÐCH MODELI WYSTÇPUJE
EFEKT ASYMETRII KTÐRY NIE ZNIKA PRZY PRÐBIE ZASTOSOWANIA SKOyNEGO ROZKADU
T 3TUDENTA A OSZACOWANIE PARAMETRU SKOyNOyCI TEGO ROZKADU JEST STATYSTYCZNIE
NIEISTOTNE 4EN EFEKT SPRÐBUJEMY WYCHWYCIÃ W NASTÇPNYM ROZDZIALE ZA POMOC
BARDZIEJ ROZBUDOWANYCH MODELI
7 TABELI PREZENTUJEMY WYNIKI OSZACOWAÎ MODELU DLA INDEKSU 7)'
3 ONE PODOBNE JAK W WYPADKU INDEKSU 7)' 5WAGÇ ZWRACA POJAWIENIE SIÇ
'%$ JAKO ROZKADU BÇDU W WYPADKU SZEREGU 7)'K :AMIAST OCENIAÃ
PONOWNIE JAKOyÃ DOPASOWANIA MODELU NA ILUSTRACJI PREZENTUJEMY OSZACO
WANIA ZMIENNOyCI W PRÐBIE A NA ILUSTRACJI WYKRESY STU CZTERECH PROGNOZ
ZMIENNOyCI UZYSKANYCH ZA POMOC MODELU !2 '!2#( 7 JEDNYM
I DRUGIM WYPADKU DOKONUJEMY PORÐWNAÎ Z KWADRATAMI ODPOWIEDNICH STÐP
ZWROTU ATWO ZAUWAYÃ E O ILE OSZACOWANIA W PRÐBIE S DOyÃ TRAFNE TO JAKOyÃ
PROGNOZ NIE JEST NAJLEPSZA 0OTWIERDZAJCE TO WARTOyCI MIAR JAKOyCI PROGNOZ
ZNAJDUJ SIÇ W TABELI 'ÇBSZ DYSKUSJÇ NA TEMAT PROGNOZ ZMIENNOyCI PRZE
PROWADZIMY W ROZDZIALE
4ABELA 7)' /SZACOWANIA PARAMETRÐW MODELI !2-! '!2#(
3ZEREG 7)'D 7)'K

-ODEL !2 '!2#( '!2#(
2OZKAD BÇDU T 3TUDENTA '%$
A s
X

B s
B s
C s
$&
4ABELA 7)'D -IARY JAKOyCI PROGNOZ UZYSKANYCH ZA POMOC MODELU !2 '!2#(
W ODNIESIENIU DO KWADRATÐW STÐP ZWROTU JAKO ESTYMATORA ZMIENNOyCI
2 -3% -ED3% -% -!% 2-3% -!0% !-!0% 4)# ,,&

s

)LUSTRACJA 7)'D +WADRATY STÐP ZWROTU ORAZ OSZACOWANIA ZMIENNOyCI W PRÐBIE UZYSKANE ZA
POMOC MODELU !2 '!2#(

KWADRATY ZWROTÐW

!2 '!2# (

)LUSTRACJA 0ROGNOZY ZMIENNOyCI DLA SZEREGU 7)'D UZYSKANE ZA POMOC MODELU
!2 '!2#( PRZEDSTAWIONEGO W TABELI ODNIESIONE DO KWADRATU STOPY ZWROTU

!2 '!2 # (
KWADRAT ZWROTU 7)'D


5WAGI
,ITERATURA DOTYCZCA KLASYCZNYCH MODELI '!2#(P Q JEST NIEZWYKLE BOGATA

/PRÐCZ WYMIENIONYCH WCZEyNIEJ WPROWADZAJCYCH TE MODELE ARTYKUÐW %N
GLEoA I "OLLERSLEVA NALEY PRZYNAJMNIEJ WSPOMNIEÃ O ARTYKULE
PRZEGLDOWYM "OLLERSLEVA %NGLEoA I .ELSONA 3POyRÐD PODRÇCZNIKÐW
OPRÐCZ KSIKI 4SAYA WARTO POLECIÃ TAKE DWIE INNE 'OURIEROUX
'OURIEROUX *ASIAK
7 JÇZYKU POLSKIM WYDANO KILKA KSIEK W KTÐRYCH MONA ZNALE|Ã RÐNEGO
TYPU ROZWAANIA NA TEMAT MODELI '!2#( "RZESZCZYÎSKI I +ELM /SIE
WALSKI $OMAN I $OMAN /SIÎSKA 0IPIEÎ I BARDZO WIELE
ARTYKUÐW POyWIÇCONYCH ZASTOSOWANIU TYCH MODELI EBY WYMIENIÃ TYLKO WCZE
yNIEJSZE /SIEWALSKI I 0IPIEÎ "RZESZCZYÎSKI I 7ELFE "RZESZCZYÎSKI
I +ELM 0IONTEK "RUZDA &ISZEDER I 2OMAÎSKI $OMAN
I $OMAN
2OZWAANIA DOTYCZCE ROZKADÐW BÇDU STOSOWANYCH W MODELACH '!2#(
ZNALE|Ã MONA W WIELU PRACACH 0ROPOZYCJA ZASTOSOWANIA ROZKADU T 3TUDENTA
ZOSTAA PRZEDSTAWIONA W PRACY "OLLERSLEVA A UOGÐLNIONEGO ROZKADU
BÇDU '%$ W ARTYKULE .ELSONA 3KOyNY ROZKAD T 3TUDENTA POJAWI
SIÇ PO RAZ PIERWSZY W PRACY (ANSENA ORAZ W WERSJI ZBLIONEJ DO
W ARTYKULE /SIEWALSKIEGO I 0IPIENIA A
7 LITERATURZE POLSKIEJ DOTYCZCEJ MODELI '!2#( I OGÐLNIE EKONOMETRII
FINANSOWEJ BARDZO SILNY JEST NURT BAYESOWSKI REPREZENTOWANY GÐWNIE PRZEZ
ZESPÐ *ACKA /SIEWALSKIEGO #ZYTELNIK ZAINTERESOWANY TEMATYK MODELOWANIA
ZMIENNOyCI MOE ROZSZERZYÃ SWOJ WIEDZÇ POZNAJC KSIKI /SIEWALSKIEGO
CZY 0IPIENIA A TAKE INNE PRACE TYCH AUTORÐW 7ARTO PORÐWNAÃ
WYNIKI DOTYCZCE RYNKU POLSKIEGO UZYSKANE ZA POMOC METOD BAYESOWSKICH
Z TYMI KTÐRE PRZEDSTAWIANE S W PRACACH OPARTYCH NA WNIOSKOWANIU KLASYCZNYM
3ZCZÇyLIWIE DLA BADACZY I CZYTELNIKÐW S ONE ZE SOB ZGODNE


2ODZINA SKADAJCA SIÇ Z ROZMAITYCH WARIANTÐW MODELI '!2#( JEST BARDZO

LICZNA 0REZENTACJI RÐNEGO RODZAJU ROZSZERZEÎ I WARIANTÐW MODELU '!2#(P Q
POyWIÇCONY JEST TEN I NASTÇPNY ROZDZIA 0OPULARNOyÃ MODELI TYPU '!2#(
WYNIKA Z PROSTOTY I INTUICYJNOyCI ICH KONSTRUKCJI ORAZ ATWOyCI Z JAK MONA JE
ESTYMOWAÃ
3TANDARDOWE MODELE '!2#(P Q NIE S W STANIE WYCHWYCIÃ I OPISAÃ WIELU

WASNOyCI OBSERWOWANYCH W EMPIRYCZNYCH SZEREGACH STÐP ZWROTU PRZEDE
WSZYSTKIM RÐNEGO RODZAJU EFEKTÐW ASYMETRII $ENIE DO BARDZIEJ PRECY
ZYJNEGO OPISANIA DYNAMIKI ZMIENNOyCI ZAOWOCOWAO POWSTANIEM WYJTKOWO
LICZNEJ I RÐNORODNEJ RODZINY MODELI 7 TYM PODROZDZIALE PRZEDSTAWIAMY JEJ
NAJBARDZIEJ ZNANYCH PRZEDSTAWICIELI
-ODEL '*2 '!2#(

:A POMOC STANDARDOWYCH MODELI '!2#( NIE MONA OPISAÃ ZJAWISKA ZAOBSER
WOWANEGO PO RAZ PIERWSZY PRZEZ "LACKA POLEGAJCEGO NA TYM E OKRESY
PODWYSZONEJ ZMIENNOyCI NA GIEDZIE CZÇSTO ROZPOCZYNAJ SIÇ OD DUYCH ZWROTÐW
UJEMNYCH CO SUGEROWAOBY E DODATNIE I UJEMNE ZWROTY WYWIERAJ ASYMETRYCZNY
WPYW NA POZIOM PRZYSZEJ ZMIENNOyCI 7EDUG "LACKA WYJAyNIENIE TEGO FAKTU
JEST NASTÇPUJCE GDY WARTOyÃ AKCJI FIRMY SPADA WTEDY ROyNIE STOSUNEK ZADUENIA
DO KAPITAU CO Z KOLEI PROWADZI DO PODWYSZENIA ZMIENNOyCI CEN AKCJI 0ONIE
WA STOSUNEK ZADUENIA DO KAPITAU NALEY DO WSKA|NIKÐW D|WIGNI FINANSOWEJ
WYSTÇPOWANIE ASYMETRYCZNYCH ODDZIAYWAÎ ZWROTÐW UJEMNYCH I DODATNICH NA

POZIOM ZMIENNOyCI NAZYWA SIÇ POWSZECHNIE EFEKTEM

EFEKT D|WIGNI D|WIGNI 7ARIANTEM MODELU '!2#( UWZGLÇDNIAJCYM
POWYSZ ASYMETRIÇ JEST ZAPROPONOWANY PRZEZ 'LOSTENA
*AGANNATHANA I 2UNKLEoA MODEL '*2 '!2#(
MODEL '*2 '!2#( 7ARIANCJA WARUNKOWA W MODELU '*2 '!2#(P Q
OKREyLONA JEST RÐWNANIEM
q p
2
Tt X ¤
i 1
2
B i yt i H i I yt i 0 yt
2
i ¤C T
j 1
j
2
t j
GDZIE ) JEST FUNKCJ WSKA|NIKOW TZN )YTs < = JEyLI YTs < ORAZ
)YTs < = JEyLI YTs r 3POSÐB W JAKI '*2 '!2#( UWZGLÇDNIA ASYMETRIÇ
WPYWU ZWROTÐW RÐNYCH ZNAKÐW NA ZMIENNOyÃ JEST LEPIEJ WIDOCZNY W RÐWNO
WANYM ZAPISIE RÐWNANIA TEGO MODELU
q p
T 2t X ¤ B
i 1
i I yt i b 0 B i I yt i 0 y t2 i ¤C T
j 1
j
2
t j
7 TEJ POSTACI MODELU PARAMETRY αsI OPISUJ REAKCJÇ ZMIENNOyCI NA WYST

PIENIE ZWROTÐW UJEMNYCH A α+I NA WYSTPIENIE ZWROTÐW DODATNICH :ALENOyCI
MIÇDZY PARAMETRAMI W RÐWNANIACH I S NASTÇPUJCE
α+I = αI
ORAZ
αsI = αI + γI
$ODATNIE OSZACOWANIE PARAMETRU γI OZNACZA ZATEM WZROST ZMIENNOyCI PO
WYSTPIENIU ZWROTU UJEMNEGO
-ODEL '*2 '!2#( OPISANY RÐWNANIAMI I JEST KOWARIAN
CYJNIE STACJONARNY GDY ,ING -C!LEER
1
B 1 C1 H1 1
2
*EyLI FT _ . TO MOMENT CZWARTEGO RZÇDU ZMIENNEJ YT ISTNIEJE GDY
3 2
C 12 2C 1 B 1 3B 12 C 1 H 1 3B 1 H 1 H1 1
2
$LA γI = OTRZYMUJEMY WARUNEK OBOWIZUJCY DLA MODELU
'!2#(
0ONIEWA ZMIENNOyÃ TT OPISANA RÐWNANIEM NIE ZALEY W SPOSÐB AFI
NICZNY OD SWOICH OPÐ|NIONYCH WARTOyCI I OD OPÐ|NIONYCH WARTOyCI YT WIÇC JEJ
PROGNOZA NIE WYRAA SIÇ W TAK PROSTY SPOSÐB JAK W WYPADKU STANDARDOWEGO
MODELU '!2#(P Q /ZNACZMY 3Ts = )YT < /DPOWIEDNI WZÐR NA PROGNOZÇ
L DNI NAPRZÐD MA POSTAÃ

q p
T 2h ( l ) X ¤
i 1
B i y h2 ( l i) H i Sh l i |h
2
y h ( l i) ¤C T
j 1
j
2
h(l j)
GDZIE YHL s I I THL s I OKREyLONE S TAK JAK W NATOMIAST

s
3H+LsI ] H = %3 H+LsI
s
|H
s
$LA K r 3H+K ] H ZALEY OD WYBRANEGO ROZKADU INNOWACJI FT *EyLI ROZKAD
TEN JEST SYMETRYCZNY A ZATEM W WYPADKU ROZKADÐW NORMALNEGO T 3TUDENTA
I '%$ TO PRAWDOPODOBIEÎSTWO E FT JEST UJEMNE WYNOSI 12 A WIÇC Sh k | h 12
*EyLI NATOMIAST ZMIENNA FT MA STANDARYZOWANY SKOyNY ROZKAD T 3TUDENTA O V STOP
s
NIACH SWOBODY ZE WSPÐCZYNNIKIEM ASYMETRII Y TO 3 H+K ] H ZALEY OD Y ORAZ V
3TOSOWANE S RÐWNIE INNE WARIANTY MODELU '*2 .A PRZYKAD W PROGRAMIE
43- $AVIDSONA POSTAÃ MODELU '!2#( UWZGLÇDNIAJCEGO ASYMETRYCZNE
ODDZIAYWANIE ZABURZEÎ DODATNICH I UJEMNYCH JEST NASTÇPUJCA
q p
T 2t X ¤
i 1
B i (1 N I (y t-i 0)) y t2 i ¤C T
j 1
j
2
t j
-ODEL !0!2#(

-ODEL '*2 JEST SZCZEGÐLNYM PRZYPADKIEM MODELU !0!2#( !SYMMETRIC
0OWER !2#( WPROWADZONEGO PRZEZ $INGA 'RANGERA
I %NGLEoA $ING I IN -ODEL !0!2#(P Q OKREy SPECYFIKACJA
MODELU !0!2#(
LONY JEST RÐWNANIAMI ORAZ
q p
E
T Et X ¤ B i yt i H i yt i ¤C T j
E
t j
i 1 j 1
GDZIE E> s < γI < I = b Q

$ODATKOW ZALET MODELU !0!2#( OPRÐCZ OBECNOyCI WSPÐCZYNNIKÐW
ASYMETRII JEST MOLIWOyÃ DOPASOWANIA WYKADNIKA E TAKIEGO E PRZY PEWNYCH
DODATKOWYCH ZAOENIACH ISTNIEJE BEZWARUNKOWY MOMENT RZÇDU EDLA PROCESU
TT -ODEL !0!2#(P Q OBEJMUJE JAKO SZCZEGÐLNE PRZYPADKI SIEDEM INNYCH
ROZSZERZEÎ MODELU !2#(
STANDARDOWY MODEL !2#( %NGLE GDY E= γI = βJ = J = b P
STANDARDOWY MODEL '!2#( "OLLERSLEV E= γI = I = b P
MODEL 43 '!2#( 4AYLOR 3CHWERT E= γI = I = b P
MODEL '*2 '!2#( 'LOSTEN I IN GDY E=
MODEL 4!2#( :AKOIAN GDY E=

MODEL .!2#( (IGGINS I "ERRA GDY γI = βJ = I = b P

MODEL ,OG !2#( 'EWEKE 0ENTULA GDY Em
q p
E
*EyLI ω > I ¤ BiE Ft H iF t ¤C j 1 TO ISTNIEJE STACJONARNE ROZWIZANIE
i 1 j 1
RÐWNANIA ORAZ
X
E T Et q
E
p
1 ¤ BiE Ft H iF t ¤ Cj
i 1 j 1
*EELI ROZKAD ZMIENNEJ FT JEST NORMALNY TO DOSTAJEMY
¨ 1 H E E· ¥E 1´ E
ª i 1 Hi (¦
¹ § 2 µ¶
2
E F t H iF t
E

2 Q

.ATOMIAST DLA STANDARYZOWANEGO SKOyNEGO ROZKADU T 3TUDENTA

MAMY
¥E 1´ ¥ O E´ 1 E
(¦ µ( ¦ µ O 2
E F t H iF t
E
[
Y
1 E
1 Hi
E
Y 1 E
1 Hi
E
] § 2 ¶ § 2 ¶
O

Y Y 1
Q O 2 ( ¥¦ µ´
§2¶
A DLA UOGÐLNIONEGO ROZKADU BÇDU '%$

E O
¨ 1 H E E· ¥E 1´ E
ª i 1 Hi
¹
2 O
(¦ µM
§ O ¶
E F t H iF t
E

1
( ¥¦ ´µ

§O¶
1
« 2 ¥ 1 ´ º2
®2 O (¦ µ ®
®
GDZIE M ¬ § O¶®
»
® (¥ 3 ´ ®
® ¦ µ ®
§ O¶ ¼
5WAGA #ZASAMI STOSUJE SIÇ MODEL !0!2#(P Q W INNEJ POSTACI POR
$AVIDSON
q p
T It X ¤ B i (1 N I (y t i 0)) y tI i ¤C T j
I
t j
i 1 j 1
GDZIE I >

-ODEL %'!2#(

(ISTORYCZNIE PIERWSZYM WARIANTEM MODELU '!2#( UWZGLÇDNIAJCYM EFEKT
ASYMETRII BY '!2#( WYKADNICZY %'!2#( WPROWADZONY PRZEZ .ELSONA
7 POSTACI ZAPROPONOWANEJ PRZEZ "OLLERSLEVA
I -IKKELSENA WARIANCJA WARUNKOWA MODELU SPECYFIKACJA
MODELU %'!2#(
%'!2#(P Q OKREyLONA JEST RÐWNANIEM
1
ln T 2t X ª̈1 C L ·¹ ª̈1 B L ·¹ g F t 1
GDZIE α, y α, + α, + b + αQ,Q A − β, y − β, − β, − b − βP,P JEST
WIELOMIANEM KTÐREGO WSZYSTKIE PIERWIASTKI MAJ MODUY WIÇKSZE OD
&UNKCJA G UWZGLÇDNIAJCA ZARÐWNO WIELKOyÃ JAK I ZNAK INNOWACJI FT WYRAA
SIÇ WZOREM
GFT = γFT + γ|FT|s %|FT|
7 SZCZEGÐLNOyCI ODCHYLENIE ZMIENNEJ |FT J| OD JEJ WARTOyCI OCZEKIWANEJ
WPYWA NA ZMIANÇ WARIANCJI WARUNKOWEJ ZWROTU W SPOSÐB ZALENY OD KIERUNKU
I SIY TEGO ODCHYLENIA 7ARTOyÃ OCZEKIWANA %|FT|ZALEY OD PRZYJÇTEGO ROZKADU
INNOWACJI FT .A OGÐ PARAMETR γ JEST DODATNI CZYLI IM WIÇKSZE ODCHYLENIE STOPY
ZWROTU OD WARTOyCI OCZEKIWANEJ TYM WIÇKSZA ZMIENNOyÃ
$LA ROZKADU NORMALNEGO MAMY
2
E Ft
Q
DLA STANDARYZOWANEGO SKOyNEGO ROZKADU T 3TUDENTA Z V STOPNIAMI SWOBODY
I PARAMETREM ASYMETRII Y
2 ¥1 O´
4Y ( ¦ µ O 2
§ 2 ¶
E Ft
¥ O´

Y Y 1 (¦ µ O 1 Q
§2¶
A DLA ROZKADU '%$ 1
¥2´
2 O M (¦ µ
§O¶
E Ft
1
( ¥¦ ´µ
§ O¶
GDZIE TAK SAMO JAK WE WZORZE
1
« 2 ¥ 1 ´ º2
®2 O (¦ µ ®
® § O¶®
M¬ »
® (¥ 3 ´ ®
® ¦ µ ®
§ O¶ ¼

7 ZWIZKU Z ZASTOSOWAN TRANSFORMACJ LOGARYTMICZN NIE MA POTRZEBY

WPROWADZANIA OGRANICZEÎ NA PARAMETRY αI βJ γ γ GWARANTUJCYCH DODATNIOyÃ
WARIANCJI WARUNKOWEJ TT
-ODEL '!2#( -

7 ROKU %NGLE ,ILIEN I 2OBINS %NGLE I IN PRZEDSTAWILI TZW MODEL
'!2#( IN -EAN '!2#( - OPISUJCY BEZPOyREDNIE ZALENOyCI POMIÇDZY
ZWROTEM Z INSTRUMENTU FINANSOWEGO A ZMIENIAJCYM SIÇ W CZASIE RYZYKIEM
MIERZONYM WARIANCJ WARUNKOW CZYLI s W PRZYJÇTEJ TU TERMINOLOGII s ZMIEN
NOyCI "YA TO ODPOWIED| NA POSTULOWAN W LICZNYCH TEORIACH FINANSOWYCH
BEZPOyREDNI ZALENOyÃ POMIÇDZY WIELKOyCI ZWROTU A RYZYKIEM :APROPONO
WANY MODEL WCZA DO RÐWNANIA yREDNIEJ WARUNKOWEJ
'!2#( IN -EAN s ZMIENNEJ REPREZENTUJCEJ ZWROT FUNKCJÇ KTÐREJ ARGUMEN
WPYW ZMIENNOyCI
TEM JEST ZMIENNOyÃ -ODEL '!2#( -P Q NAJCZÇyCIEJ
NA STOPÇ ZWROTU
PRZYBIERA POSTAÃ
n
rt mt ¤a r
i 1
i t i cT t
2
yt
YT = TTFT
q p
T 2t X ¤i 1
B i y t2 i ¤C T
j 1
j
2
t j
GDZIE MT + CTT = %RT |Ts

0ARAMETR C ZGODNIE Z JEGO INTERPRETACJ EKONOMICZN
PREMIA ZA RYZYKO NOSI NAZWÇ PARAMETRU PREMII ZA RYZYKO #ZASAMI W RÐW
NANIU ZAMIAST WARIANCJI WARUNKOWEJ WYSTÇPUJE
WARUNKOWE ODCHYLENIE STANDARDOWE TT
%STYMACJA MODELI !2 '!2#(

METOD NAJWIÇKSZEJ WIARYGODNOyCI
$O ESTYMOWANIA PARAMETRÐW MODELI '!2#( STOSUJE SIÇ TECHNIKI OPARTE NA

METODZIE NAJWIÇKSZEJ WIARYGODNOyCI 0RZY DANYCH OBSERWACJACH R b R4 MAK
SYMALIZUJE SIÇ FUNKCJÇ
T
L R ¤ ln f r |
t 1
t t t 1; R

%STYMACJA MODELI !2 '!2#( METOD NAJWIÇKSZEJ WIARYGODNOyCI
GDZIE R JEST WEKTOREM PARAMETRÐW MODELU

1 ¥r E rt | t 1; R ´
ft rt |t 1; R g¦ t µµ
T t R ¦§ T t R ¶
A G OZNACZA FUNKCJÇ GÇSTOyCI INNOWACJI FT Z RÐWNANIA
:A OSZACOWANIE WEKTORA PARAMETRÐW R PRZYJMUJE SIÇ TAKI WEKTOR R Z PRZE
STRZENI PARAMETRÐW DLA KTÐREGO FUNKCJA OSIGA WARTOyÃ MAKSYMALN
7 WYPADKU MODELU '!2#(P Q ESTYMACJÇ MONA TAKE ATWO PRZEPRO
WADZIÃ WYKORZYSTUJC PAKIET 3OLVER PROGRAMU %XCEL
7 WIELU KLASYCZNYCH MONOGRAFIACH (AMILTON 'REENE PODANE
S WARUNKI ZGODNOyCI I ASYMPTOTYCZNEJ NORMALNOyCI ESTYMATORÐW PARAMETRÐW
DLA PRZYPADKU FT _ IID.
0RAWDZIWY ROZKAD RESZT STANDARYZOWANYCH JEST JEDNAK OGÐLNIE NIEZNANY
*EyLI PRZYJMIEMY KONKRETN FUNKCJÇ GÇSTOyCI NIEODPOWIADAJC PRAWDZIWEMU
ROZKADOWI TO NIE MAMY GWARANCJI E ESTYMATORY NAJWIÇKSZEJ WIARYGODNOyCI
I ICH WARIANCJE BÇD ZGODNE .EWEY I 3TEIGERWALD WYKAZALI E DLA MODELI
ZMIENNOyCI ZGODNOyÃ ZACHODZI WTEDY GDY ZARÐWNO PRAWDZIWA JAK ZAOONA
GÇSTOyÃ JEST SYMETRYCZNA 0OKAZALI RÐWNIE E ESTYMATORY NIE S ZGODNE JEyLI
PRAWDZIWA GÇSTOyÃ JEST ASYMETRYCZNA A ZAOONA SYMETRYCZNA ORAZ yREDNIA
WARUNKOWA NIE JEST ZEROWA 7 METODZIE QUASI NAJWIÇKSZEJ WIARYGODNOyCI
1UASI -AXIMUM ,IKELIHOOD %STIMATION s 1-,% ESTYMUJE SIÇ PARAMETRY
MODELU '!2#(P Q MAKSYMALIZUJC LOGARYTMICZN FUNKCJÇ WIARYGODNOyCI
Z INNOWACJAMI GAUSSOWSKIMI FUNKCJA G W JEST GÇSTOyCI STANDARDOWEGO
ROZKADU NORMALNEGO BEZ ZAOENIA I RESZTY STANDARYZOWANE S REALIZACJAMI
PROCESU GAUSSOWSKIEGO 0RZY PEWNYCH DODATKOWYCH ZAOENIACH MONA W TEN
SPOSÐB OTRZYMAÃ ZGODNE ESTYMATORY PARAMETRÐW JEDNAK ZMIENIA SIÇ ASYMP
TOTYCZNA MACIERZ KOWARIANCJI W TYM SENSIE E PRZY 4 md ZACHODZI ZBIENOyÃ
WEDUG DYSTRYBUANT
1´
R R0) m N ¥¦ 0, 2 D OP 2 D

> > 1 >
T (> µ
§ ¶
GDZIE
2
> 1 u L R
2 D >
T u R u R' R R
T ¨ u ln ft rt | t 1; R · ¨ u ln ft rt | t 1; R ·
OP 1
>
T
¤ ©© uR
¸
>
R R ¸¹
©
uR' >¸
R R ¸¹

t 1 ª ª©
:GODNOyCI I ASYMPTOTYCZNEJ NORMALNOyCI ESTYMATORÐW QUASI NAJWIÇKSZEJ
WIARYGODNOyCI DLA MODELU '!2#( POyWIÇCONE S PRACE ,EE I (ANSEN

,UMSDAINE 5ZYSKANE TAM WYNIKI ZOSTAY ROZSZERZONE NA MODEL

'!2#(P Q W PRACY "ERKESA (ORVATHA I +OKOSZKI
7 WIÇKSZOyCI BADAÎ EMPIRYCZNYCH FUNKCJA GÇSTOyCI WE WZORZE JEST
GÇSTOyCI STANDARDOWEGO ROZKADU NORMALNEGO LUB JEDN Z GÇSTOyCI OKREyLONYCH
WZORAMI LUB :ALENE OD WEKTORA PARAMETRÐW WIELKOyCI
%RT |Ts R TT R OKREyLONE S PRZEZ ROZWAANY MODEL yREDNIEJ WARUNKOWEJ
I WARIANCJI WARUNKOWEJ :A NIEOBSERWOWALNE WARTOyCI POCZTKOWE ZMIENNYCH
WYSTÇPUJCYCH W ZALENOyCIACH REKURENCYJNYCH DEFINIUJCYCH yREDNI LUB WA
RIANCJÇ WARUNKOW PRZYJMUJE SIÇ yREDNI I WARIANCJÇ TYCH ZMIENNYCH Z PRÐBY
0RZY MODELOWANIU ZMIENNOyCI STOSUJEMY OGÐLNE ZASADY OPISANE NA KOÎCU POD

ROZDZIAU 7YBORU MODELU '!2#( DOKONUJEMY OPIERAJC SIÇ NA KRYTERIACH
INFORMACYJNYCH PRZEDE WSZYSTKIM 3CHWARZA ")# ALE TAKE !KAIKE 3HIBATY
I (ANNANAs1UINNA 3TOSUJEMY ZASADÇ PREMIOWANIA OSZCZÇDNOyCI MODELU TZN
JEyLI WARTOyCI KRYTERIÐW INFORMACYJNYCH NIE RÐNI SIÇ LUB RÐNI SIÇ NIEWIELE
TO WYBIERAMY MODEL PROSTSZY 0ONADTO W ZASADZIE ODRZUCAMY MODELE Z NIE
ISTOTNYMI OSZACOWANIAMI PARAMETRÐW 4RZEBA JEDNAK MIEÃ yWIADOMOyÃ FAKTU
E Z REGUY WARTOyCI KRYTERIÐW RÐNI SIÇ BARDZO MAO DLA KILKU MODELI Z ROZ
WAANEJ RODZINY A DECYZJA O WYBORZE KONKRETNEGO MODELU ZAWSZE JEST NIECO
OBCIONA PRZEKONANIAMI BADACZA $OPASOWANIE MODELU BADAMY OCENIAJC
y
RESZTY STANDARYZOWANE > F t >t TAK JAK TO OPISANO W PODROZDZIALE *EELI
Tt
MODEL JEST DOBRZE DOPASOWANY TO RESZTY STANDARYZOWANE POWINNY BYÃ REALIZACJ
yCISEGO BIAEGO SZUMU O ZAOONYM W MODELU ROZKADZIE
3ZACUJC MODELE '!2#( TRZEBA MIEÃ NA UWADZE FAKT E DO JEDNEGO
SZEREGU ZWROTÐW MONA Z REGUY DOPASOWAÃ KILKA RÐNYCH MODELI -A TO TÇ
WADÇ E UZYSKANY OPIS NIE JEST JEDNOZNACZNY ALE RÐWNIE TÇ ZALETÇ E MONA
ANALIZOWAÃ ZA POMOC JEDNEGO TYPU MODELI RÐNE ASPEKTY DYNAMIKI RYNKU
$UE ZNACZENIE MA ZWASZCZA MOLIWOyÃ WPROWADZANIA DO MODELU RÐNEGO
TYPU ZMIENNYCH OBJAyNIAJCYCH
7 PODROZDZIALE STWIERDZILIyMY E MODEL !2 '!2#( NIE POTRAFI
DOSTATECZNIE OPISAÃ ZACHOWAÎ ASYMETRYCZNYCH W SZEREGU STÐP ZWROTU 7)'D
$YSPONUJEMY OBECNIE TRZEMA RÐNYMI MODELAMI KTÐRE ZOSTAY SKONSTRUOWANE
W CELU WYCHWYCENIA TEGO TYPU EFEKTÐW :OBACZMY JAK WYGLDAJ OSZACOWANIA
TYCH MODELI W WYPADKU SZEREGU 7)'D TABELA

4ABELA 7)'D /SZACOWANIA PARAMETRÐW MODELI UWZGLÇDNIAJCYCH EFEKTY ASYMETRII -NIEJSZYM
PISMEM OZNACZONO OSZACOWANIA NIEISTOTNE 5WAGA 0ARAMETRY W MODELU %'!2#( MIMO TYCH
SAMYCH OZNACZEÎ MAJ INNE INTERPRETACJE POR I
-ODEL !2 '*2 '!2#( !2 !0!2#( !2 %'!2#(

2OZKAD BÇDU T 3TUDENTA T 3TUDENTA T 3TUDENTA

A

X

s
B

C

E s s

s
H

H s s

$&

7 WYPADKU MODELI '*2 I !0!2#( PARAMETRY OPISUJCE ZACHOWANIA ASY

METRYCZNE MAJ OSZACOWANIA NIEISTOTNE 7 MODELU %'!2#( NIEISTOTNE JEST
Z KOLEI OSZACOWANIE PARAMETRU α 0RZEDSTAWIONE W TABELI WYNIKI TESTÐW
PRZEPROWADZONYCH NA RESZTACH STANDARYZOWANYCH WYKAZUJ JEDNAK E EFEKT
ASYMETRII ZOSTA WYCHWYCONY I OGÐLNIE WASNOyCI RESZT Z TYCH MODELI WYDAJ SIÇ
BARDZIEJ ZGODNE Z ZAOONYMI
4ABELA 7YNIKI TESTÐW NA RESZTACH STANDARYZOWANYCH
-ODEL !2 '*2 '!2#( !2 !0!2#( !2 %'!2#(

3TATYSTYKA 1 "OXAs0IERCEoA DLA RESZT STANDARYZOWANYCH
1
1
1
1
3TATYSTYKA 1 "OXAs0IERCEoA DLA KWADRATÐW RESZT STANDARYZOWANYCH
1
1
1
1

3TATYSTYKA TESTU %NGLEoA

!2#( s
!2#( s
!2#( s
!2#( s
!2#( s
3TATYSTYKA .YBLOMA
3TATYSTYKA
.YBLOMA
DLA WEKTORA NIESTABILNY NIESTABILNY NIESTABILNY
PARAMETRÐW
3TATYSTYKA
.YBLOMA NIESTABILNY NIESTABILNY NIESTABILNY
NIESTABILNE PARAMETR A PARAMETR A PARAMETR A
PARAMETRY
4ESTY OBCIENIA ZNAKÐW
3"
.3"
03"
%FEKT CZNY
ROZKAD ZGODNY ROZKAD ZGODNY ROZKAD ZGODNY
4EST 0EARSONA
Z ZAOONYM Z ZAOONYM Z ZAOONYM
7 TABELI PRZEDSTAWIONE ZOSTAY WARTOyCI KRYTERIÐW INFORMACYJNYCH WYLI

CZONE DLA WSZYSTKICH MODELI KTÐRE OSZACOWALIyMY DLA SZEREGU STÐP ZWROTU IN
DEKSU 7)' +RYTERIA ")# I (ANNANAs1UINNA WSKAZUJ WYBÐR MODELU '!2#(
A POZOSTAE DWA KRYTERIA MODEL '!2#( ZE ZMIENN SWITCH W RÐWNANIU WA
RIANCJI 7 TEJ SYTUACJI ZDECYDOWALIBYyMY SIÇ RACZEJ NA WYBÐR MODELU '!2#(
JAK CZYNI WIÇKSZOyÃ BADACZY OPISUJCYCH TEN SZEREG :AUWAMY JESZCZE E
OSZACOWANIA ZMIENNOyCI W PRÐBIE PRZEDSTAWIONE NA ILUSTRACJI PRAWIE SIÇ NIE
RÐNI CHOÃ JU PROGNOZY ILUSTRACJA WYKAZUJ PEWNE ZRÐNICOWANIE
4ABELA 7)'D 7ARTOyCI KRYTERIÐW INFORMACYJNYCH DLA ROZWAANYCH MODELI
-ODEL ")# !)# (ANNANAs1UINNA 3HIBATY

'!2#(
'!2#(+SWITCH
'*2
!0!2#(
%'!2#(

)LUSTRACJA 7)'D /SZACOWANIA ZMIENNOyCI W PRÐBIE 0ORÐWNANIE MODELI '!2#( !0!2#(
I %'!2#(

!0!2#(

%'!2#(
'!2#(

)LUSTRACJA 7)'D 0ORÐWNANIE PROGNOZ ZMIENNOyCI UZYSKANYCH ZA POMOC RÐNYCH MODELI
Z RODZINY '!2#(

'!2#( '!2#( SWITCH
'*2 !0!2#(
%'!2#(


7YNIKI TESTU !2#( DLA SZEREGU 0+./RLEN BYY DOyÃ NIETYPOWE :MIENNOyÃ
NOTOWAÎ SPÐKI 0+. /RLEN OPISUJE MODEL !0!2#( Z PARAMETREM γ
RÐWNYM ZERO ORAZ PARAMETREM E NIECO MNIEJSZYM OD TABELA 7YJAyNIA
TO NASZE WCZEyNIEJSZE WTPLIWOyCI :ALENOyÃ NIE WYSTÇPUJE W KWADRATACH ALE
W POTÇGACH WARTOyCI BEZWZGLÇDNYCH ZWROTÐW Z MNIEJSZYM WYKADNIKIEM *EST
TO RZADKO SPOTYKANY INTERESUJCY TYP DYNAMIKI 7YKRES OSZACOWAÎ ZMIENNOyCI
W PRÐBIE PRZEDSTAWIONY JEST NA ILUSTRACJI 7 WYPADKU !GORY NAJLEPIEJ DOPA
SOWANYM MODELEM OKAZA SIÇ '!2#( ZE SKOyNYM ROZKADEM T 3TUDENTA
TABELA
4ABELA 0ARAMETRY MODELI DOPASOWANYCH DO SZEREGÐW ZWROTÐW NOTOWAÎ SPÐEK !GORA
ORAZ 0+. /RLEN
3ZEREG !GORAD 0+./RLEND

-ODEL '!2#( !0!2#(
2OZKAD BÇDU SKOyNY T 3TUDENTA T 3TUDENTA
X
B
C
E s
!3 s
$&
)LUSTRACJA 0+. /RLEN /SZACOWANIA ZMIENNOyCI W PRÐBIE ZA POMOC MODELU !0!2#(


7 SZEREGU 53$0,.D MOGLIyMY SIÇ SPODZIEWAÃ ZMIANY STRUKTURALNEJ ZE

WZGLÇDU NA TO E W ROZWAANYM OKRESIE NASTPIO UWOLNIENIE KURSU ZOTEGO
PRZEJyCIE OD REIMU PEZAJCEGO PASMA DO KURSU CAKOWICIE PYNNEGO 2ZE
CZYWIyCIE OKAZAO SIÇ E NAJLEPIEJ DOPASOWANY JEST MODEL ZE SZTUCZN ZMIENN
OBJAyNIAJC SWITCH PRZYJMUJC WARTOyCI DO DNIA KWIETNIA ROKU
I WARTOyCI OD TEGO DNIA 4RZEBA PODKREyLIÃ E RESZTY STANDARYZOWANE Z MO
DELI BEZ ZMIENNEJ SWITCH NIE WYKAZYWAY ZADOWALAJCYCH WASNOyCI $YNAMIKÇ
SZEREGU 53$0,.F OPISUJE SIÇ ZA POMOC MODELU '!2#( ZE SKOyNYM
ROZKADEM T 3TUDENTA
0RZYJRZYJMY SIÇ OSZACOWANIOM PARAMETRÐW TYCH MO
MODEL '*2
DELI PRZEDSTAWIONYM W TABELI :WRACAJ UWAGÇ NIECO W WYPADKU KURSÐW
NISZE NI W WYPADKU SZEREGÐW GIEDOWYCH OSZACOWANIA WALUTOWYCH
PARAMETRU β /ZNACZA TO E PROCES ZMIENNOyCI WYKAZUJE
W TYM WYPADKU MNIEJSZ PERSYSTENCJÇ /SZACOWANIE PARAMETRU γ W MODELU
'*2 JEST UJEMNE ZATEM REAKCJA ZMIENNOyCI NA ZWROT UJEMNY JEST SABSZA NI
NA ZWROT DODATNI +URS WALUTOWY 53$0,. KTÐRY TU BADAMY OZNACZA CENÇ
DOLARA W ZOTYCH WIÇC ZWROT UJEMNY WSKAZUJE NA SPADEK TEJ CENY I UMOCNIENIE
SIÇ WALUTY 0,. A ZWROT DODATNI OSABIENIE 0,. 5JEMNA WARTOyÃ OSZACOWANIA
PARAMETRU JEST ZATEM W TYM WYPADKU NATURALNA
4ABELA -ODELE DOPASOWANE DO ROZWAANYCH SZEREGÐW ZWROTÐW KURSU 53$0,.
3ZEREG 53$0,.D 53$0,.K

-ODEL '*2 '!2#( +SWITCH '!2#(
2OZKAD BÇDU T 3TUDENTA SKOyNY T 3TUDENTA
A s
X
X s
B
C
H s s
!3 s
$&

5WAGI
0ROBLEM WYBORU METODY ESTYMACJI PARAMETRÐW PRZYJÇTEGO MODELU OPISUJCEGO

PROCES GENERUJCY DANY SZEREG CZASOWY ZWYKLE WZBUDZA WIELE EMOCJI JU NA
POZIOMIE SAMEGO PODEJyCIA DO OKREyLENIA CZYM W ISTOCIE S PARAMETRY 0OZA
RAMY TEJ KSIKI WYKRACZA OCZYWIyCIE PRÐBA ROZSTRZYGANIA CZY ISTNIEJ PRAWDZIWE
WARTOyCI PARAMETRÐW CO PRZYJMUJE SIÇ W TZW PODEJyCIU KLASYCZNYM CZY TE
PARAMETRY S ZMIENNYMI LOSOWYMI CO POSTULUJE PODEJyCIE BAYESOWSKIE 2ÐNE
METODY ESTYMACJI NIEZALENIE OD TEGO CZY WYWODZ SIÇ Z PODEJyCIA KLASYCZNEGO
CZY BAYESOWSKIEGO MAJ SWOICH ZWOLENNIKÐW I KRYTYKÐW
7 TEJ PRACY WYCHODZC OD PODEJyCIA KLASYCZNEGO STOSUJEMY DO ESTYMO
WANIA PARAMETRÐW MODELI '!2#( TECHNIKI OPARTE NA METODZIE NAJWIÇKSZEJ
WIARYGODNOyCI KTÐRE s JAK NAM SIÇ WYDAJE s CIESZ SIÇ NAJWIÇKSZ POPULARNOyCI
W BADANIACH EMPIRYCZNYCH PODOBNYCH DO PRZEDSTAWIANYCH PRZEZ NAS .ALEY
JEDNAK PODKREyLIÃ E WIELU ZWOLENNIKÐW MA RÐWNIE BAYESOWSKA ANALIZA MO
DELI '!2#( /BSZERN BIBLIOGRAFIÇ DOTYCZC TYCH ZAGADNIEÎ MONA ZNALE|Ã
W KSICE /SIEWALSKIEGO
*AK JU WSPOMNIANO W POPRZEDNIM ROZDZIALE LITERATURA NA TEMAT MODELI
Z RODZINY '!2#( JEST BARDZO OBSZERNA .IEMAL CODZIENNIE W INTERNECIE
POJAWIAJ SIÇ NOWE ARTYKUY DOTYCZCE TYCH MODELI 7SPOMNIANA JU TUTAJ NIE
JEDNOKROTNIE KSIKA 4SAYA RÐWNIE JEST W TEJ DZIEDZINIE WARTOyCIOWYM
|RÐDEM PODSTAWOWYCH INFORMACJI


$UGA PAMIÇÃ I PERSYSTENCJA W FINANSOWYCH
SZEREGACH CZASOWYCH
0YTANIE O WYSTÇPOWANIE ZALENOyCI DUGOOKRESOWYCH W SZEREGACH ZWROTÐW

NALEY DO NAJISTOTNIEJSZYCH PYTAÎ DOTYCZCYCH ANALIZY DYNAMIKI RYNKÐW FINAN
SOWYCH I MOLIWOyCI PROGNOZOWANIA ICH PRZYSZYCH ZACHOWAÎ 7 WYPADKU
SZEREGÐW KOWARIANCYJNIE STACJONARNYCH MONA NADAÃ OPISOWI TEGO ZJAWISKA
POSTAÃ SFORMALIZOWAN UYWAJC POJÇCIA PAMIÇCI PROCESU
*AK JU WSPOMNIELIyMY WCZEyNIEJ W LITERATURZE Z DZIEDZINY FINANSÐW ZWYKLE
PRZYJMUJE SIÇ E SZEREGI ZWROTÐW INSTRUMENTÐW FINANSOWYCH S KOWARIANCYJNIE
STACJONARNE
/ PROCESIE KOWARIANCYJNIE STACJONARNYM RT MÐWI SIÇ
"HANSALI +OKOSZKA E MA KRÐTK PAMIÇÃ JEyLI PAMIÇÃ KRÐTKA
JEGO FUNKCJA AUTOKOWARIANCJI HH = COVRT RTs H JEST BEZ
WZGLÇDNIE SUMOWALNA A FUNKCJA GÇSTOyCI SPEKTRALNEJ
d
1
f (M ) :
2Q ¤ H ( h)exp(
h d
ihM )
NIE ZNIKA
d
¤H
h d
h d FM x
DLA s QbMbQ
$LA PROCESÐW KOWARIANCYJNIE STACJONARNYCH WARUNKIEM DOSTATECZNYM

POSIADANIA KRÐTKIEJ PAMIÇCI JEST ZANIKANIE FUNKCJI AUTOKORELACJI W TEMPIE WY
KADNICZYM &ORMALN POSTAÃ TEGO OSTATNIEGO WARUNKU MONA ZAPISAÃ JAKO
|S k |b Cr k
GDZIE S JEST FUNKCJ AUTOKORELACJI ROZWAANEGO PROCESU # > I < R <

A K = b 0RZYKADAMI TAKICH PROCESÐW S STACJONARNE PROCESY !2-!P Q

-ÐWIMY E KOWARIANCYJNIE STACJONARNY PROCES RT MA

PAMIÇÃ DUGA DUG PAMIÇÃ LUB E CHARAKTERYZUJE SIÇ DUGOOKRESOW
ZALENOyCI JEyLI ISTNIEJE LICZBA D 0 d 12 TAKA E PRO
CES XT ZDEFINIOWANY PRZEZ ZALENOyÃ
x t (1 L) d rt
MA KRÐTK PAMIÇÃ 7YSTÇPUJCA W UAMKOWA POTÇGA OPERATORA PIERWSZYCH

RÐNIC s , D JEST OKREyLONA WZOREM
d

(1 L) d 1 ¤d L
j 1
j
j
j 1 d
GDZIE D = D A d j dj 1 DLA J >
j
0RZY H md FUNKCJA AUTOKOWARIANCJI PROCESU RT Z DUG PAMIÇCI MA PO
STAÃ
(1 2 d )
H h ~ % ( h) h
GDZIE % JEST FUNKCJ ZMIENIAJC SIÇ POWOLI W NIESKOÎCZONOyCI CZYLI SPENIAJC

WARUNEK
% ( t s)
m 1 DLA KADEGO S > PRZY T md
%( t )
0RZYKADEM TAKIEJ FUNKCJI OPRÐCZ FUNKCJI STAEJ MOE BYÃ %T =LN T
-ODEL !2)-!
2OZWAMY MODEL !2-!P Q OKREyLONY RÐWNANIEM LUB RÐWNOWANIE

RÐWNANIEM
s A, s b s AP ,P RT = A + s B, s b s BQ ,Q FT
*EyLI WYSTÇPUJCY W TYM RÐWNANIU WIELOMIAN A, = s A, s b s AP ,P MA

PIERWIASTEK RÐWNY TO PROCES OPISANY ZA POMOC TEGO MODELU JEST NIESTACJO
NARNY /BECNOyÃ PIERWIASTKA JEDNOSTKOWEGO POWODUJE E ZMIENNE TWORZCE
PROCES RT MAJ PIERWSZE JEyLI A x I DRUGIE MOMENTY ZALENE OD CZASU )NN
KONSEKWENCJ ISTNIENIA PIERWIASTKA JEDNOSTKOWEGO JEST TO E WPYW PRZESZYCH
SZOKÐW NA SZEREG CZASOWY JEST TRWAY PERSYSTENCJA

-ODEL !2)-!
.AJATWIEJ MONA TO SPRAWDZIÃ W PRZYPADKU NAJPROSTSZYM A, y s ,

GDY
RT = RTs + FT
3ZEREG TAK ZDEFINIOWANY NOSI NAZWÇ BDZENIA LOSO
WEGO RANDOM WALK : RÐWNOWANEJ REPREZENTACJI BDZENIE LOSOWE
RH+L = RH + FH+L + b + FH+

WYNIKA NATYCHMIAST TRWAY WPYW PRZESZYCH ZABURZEÎ ORAZ WZÐR NA PROGNOZÇ
>
R L
H = RH
DLA DOWOLNIE DUGIEGO HORYZONTU L
:AUWAMY E JEyLI WIELOMIAN A, MA DOKADNIE JEDEN PIERWIASTEK JED
NOSTKOWY I W KOLE JEDNOSTKOWYM NIE MA PIERWIASTKÐW RÐNYCH OD TO MOE
BYÃ PRZEDSTAWIONY W POSTACI
A, = A , s ,
GDZIE A , JEST WIELOMIANEM RZÇDU P s KTÐRY MA WSZYSTKIE PIERWIASTKI POZA
KOEM JEDNOSTKOWYM 0ROCES ZRÐNICOWANY WT = s , RT MOE BYÃ WTEDY
OPISANY ZA POMOC KOWARIANCYJNIE STACJONARNEGO MODELU !2-!
*EyLI PIERWIASTKÐW JEDNOSTKOWYCH JEST WIÇCEJ NA PRZYKAD N TO UZYSKUJEMY
PRZEDSTAWIENIE
A, = A , s , N
CO OZNACZA E PO N KROTNYM ZRÐNICOWANIU PROCES MOE

BYÃ OPISANY ZA POMOC KOWARIANCYJNIE STACJONARNEGO MODEL !2)-!
MODELU !2-! /TRZYMANE W TEN SPOSÐB RÐWNANIE
a( L)(1 L) n a0 b( L)
OPISUJE AUTOREGRESYJNY ZINTEGROWANY MODEL yREDNIEJ RUCHOMEJ !2)-! !U
TOREGRESSIVE )NTEGRATED -OVING !VERAGE :APIS !2)-!P N Q OZNACZA MODEL
DLA PROCESU KTÐRY PO N KROTNYM ZRÐNICOWANIU MOE BYÃ OPISANY ZA POMOC
MODELU !2-!P Q
.A ILUSTRACJACH I PRZEDSTAWIONO WYKRESY PRZYKADOWYCH REALIZACJI
PROCESÐW !2)-!

)LUSTRACJA 0RZYKADOWA TRAJEKTORIA PROCESU !2)-! Z A = ORAZ B = FT ^ .

s
s
s
s

)LUSTRACJA 0RZYKADOWA TRAJEKTORIA PROCESU !2)-! Z A = ORAZ B = s FT ^ .


-ODEL !2&)-!
-ODEL !2&)-!
7 WYPADKU SZEREGÐW STACJONARNYCH OPISYWANYCH PRZEZ MODEL !2-!P Q

ZE WZROSTEM OPÐ|NIENIA !#& ZANIKA WYKADNICZO $LA PROCESÐW PIERWIASTKA
JEDNOSTKOWEGO !#& Z PRÐBY WRAZ Z WYDUANIEM SZEREGU ZMIERZA DO NIE
ZALENIE OD WYBRANEGO OPÐ|NIENIA 4SAY )STNIEJ SZEREGI CZASOWE DLA
KTÐRYCH FUNKCJA AUTOKORELACJI ZE WZROSTEM OPÐ|NIENIA ZANIKA POWOLI W TEMPIE
WIELOMIANOWYM *AK JU WSPOMNIANO TAK WAyCIWOyÃ MAJ PROCESY O DUGIEJ
PAMIÇCI 0RZYKADEM MOE BYÃ PROCES RT OKREyLONY RÐWNANIEM
d
(1 L) rt F t
GDZIE s < D < A FT JEST yCISYM BIAYM SZUMEM
0RZY POWYSZYM OGRANICZENIU NA D OTRZYMANY PROCES JEST KOWARIANCYJNIE
STACJONARNY I MA REPREZENTACJÇ -!∞
d
rt Ft ¤Z F
i 1
i t i

d(1 d )...( k 1 d )
GDZIE Z k
k!
$LA PROCESU !#& MA POSTAÃ
d(1 d ) ( k 1 d )
Sk
(1 d )(2 d ) ( k d )
GDZIE K = b
d ((1 d ) 2 d 1
7 SZCZEGÐLNOyCI GDY K m ∞ S1 GDZIE Γ JEST
ORAZ S k z k
1 d (( d )
FUNKCJ GAMMA %ULERA ZOB CZYLI ρK ∼ KDs
*EyLI SZEREG s , D RT MOE BYÃ OPISANY ZA POMOC
MODELU STACJONARNEGO I ODWRACALNEGO !2-!P Q TO PROCES !2&)-!
RT NAZYWAMY PROCESEM !2&)-!P D Q CZYLI AUTOREGRE
SYJNYM UAMKOWO ZINTEGROWANYM PROCESEM yREDNIEJ RUCHOMEJ !UTOREGRESSIVE
&RACTIONALLY )NTEGRATED -OVING !VERAGE 0ROCESY TAKIE ZOSTAY WPROWADZO
NE W ROKU PRZEZ 'RANGERA I *OYEUX 'RANGER *OYEUX 0ROCES
!2&)-!P D Q JEST KOWARIANCYJNIE STACJONARNY JEyLI s < D < PRZY CZYM
DLA D > MA ON DUG PAMIÇÃ
0RZYKADOW REALIZACJÇ PROCESU !2&)-! D ORAZ WYLICZONE DLA NIEJ
OSZACOWANIA FUNKCJI AUTOKORELACJI PRZEDSTAWIONO ODPOWIEDNIO NA ILUSTRACJACH
I

)LUSTRACJA 0RZYKADOWA TRAJEKTORIA PROCESU !2&)-! Z A = ORAZ B = s D =

FT ^ .

s
s
s
s
s

)LUSTRACJA /SZACOWANIA FUNKCJI AUTOKORELACJI I FUNKCJI AUTOKORELACJI CZSTKOWEJ DLA TRAJEKTORII
Z ILUSTRACJI

!#& 0!#&

s
s
s


*EDNYM Z LEPIEJ ZNANYCH FAKTÐW EMPIRYCZNYCH DOTYCZCYCH ZMIENNOyCI JEST

CZÇSTE WYSTÇPOWANIE ZALENOyCI DUGOTERMINOWYCH W SZEREGACH ZMIENNOyCI
0RAWIE ZAWSZE WOLNO GASNCA FUNKCJA AUTOKORELACJI CHARAKTERYZUJE SZEREGI
BEZWZGLÇDNYCH WARTOyCI STÐP ZWROTU POR A CZASAMI MONA TO ZAOB
SERWOWAÃ W SZEREGACH KWADRATÐW ZWROTÐW ILUSTRACJA : DRUGIEJ STRONY
PRÐBY ZNALEZIENIA WyRÐD DOTYCHCZAS OMAWIANYCH MODELI Z RODZINY '!2#(
TAKIEGO ZA POMOC KTÐREGO MONA BY OPISAÃ aSZALONq DYNAMIKÇ ZMIAN STÐP
PROCENTOWYCH OKAZUJ SIÇ NIESKUTECZNE $WIE KOLEJNE GRUPY MODELI PRZEDSTA
WIONE W TYM PODROZDZIALE POZWALAJ NA CZÇyCIOWE ROZWIZANIE WYMIENIONYCH
PROBLEMÐW
)LUSTRACJA !GORA /SZACOWANIE FUNKCJI AUTOKORELACJI DLA SZEREGU KWADRATÐW STÐP ZWROTU
/KRES s

s
s
s


-ODEL )'!2#(

7 PRAKTYCZNYCH ZASTOSOWANIACH ZWIZANYCH Z MODELOWANIEM DANYCH O WYSO
KIEJ CZÇSTOTLIWOyCI DOyÃ CZÇSTO WYSTÇPUJE SYTUACJA W KTÐREJ SUMA OSZACOWAÎ
PARAMETRÐW αI ORAZ βJ W STANDARDOWYM MODELU '!2#( JEST BLISKA TZN
q p
>
¤
i 1
>
Bi ¤C
j 1
j z1
:GODNIE Z TERMINOLOGI POCHODZC Z PRACY %NGLEoA I "OLLERSLEVA

q p
MODEL '!2#(P Q W KTÐRYM ¤ i 1
Bi ¤Cj 1
j 1 NAZYWA SIÇ ZINTEGROWANYM
)NTEGRATED 'ENERALIZED !UTOREGRESSIVE #ONDITIONAL (ETEROSKEDASTICITY s )'!2#(

*EyLI SZEREG H JEST GENEROWANY PRZEZ PROCES )'!2#( TO WARIANCJA BEZWA
RUNKOWA ZMIENNEJ YT JEST NIESKOÎCZONA A ZATEM PROCES YT NIE JEST KOWARIAN
CYJNIE STACJONARNY -OE BYÃ ON JEDNAK yCIyLE STACJONARNY .ELSON
WYKAZA BOWIEM E WARUNKIEM WYSTARCZAJCYM yCISEJ STACJONARNOyCI MODELU
'!2#( JEST NIERÐWNOyÃ

E ln(B 1 F 2t C 1 ) 0
: NIERÐWNOyCI *ENSENA *AKUBOWSKI I 3ZTENCEL MAMY
% LNαεT + β < LN %αεT + β = LNα + β
-ODEL )'!2#( JEST ZATEM yCIyLE STACJONARNY
0RZYJMUJC E α + β = WE WZORZE OKREyLAJCYM PROGNOZÇ L DNI
NAPRZÐD W MODELU '!2#( OTRZYMAMY DLA MODELU )'!2#( ZA
LENOyÃ
T 2h ( l ) X( h 1) T 2h (1)
7YNIKA Z NIEJ TAK ZWANA PERSYSTENCJA CHARAKTERYZUJ
)'!2#( CA MODEL )'!2#( POLEGAJCA NA TRWAEJ ZALENOyCI
s PERSYSTENCJA
W ZMIENNOyCI PROGNOZY σHL OD σH 3TANOWI TO WYRA|N RÐNICÇ
JAKOyCIOW W STOSUNKU DO WASNOyCI KOWARIANCYJNIE STA
CJONARNEGO MODELU '!2#( GDZIE ZALENOyÃ TA ZANIKA W TEMPIE WYKADNICZYM
WRAZ Z WYDUANIEM HORYZONTU PROGNOZY L
7 KOWARIANCYJNIE STACJONARNYM MODELU '!2#( ZARÐWNO AUTOKORELACJA
ZMIENNYCH YT JAK I WPYW AKTUALNEJ ZMIENNOyCI NA JEJ PROGNOZOWANE WARTOyCI
ZANIKAJ W TEMPIE WYKADNICZYM POR 0ROCES )'!2#( CECHUJE NATO
MIAST PERSYSTENCJA CZYLI TRWAY WPYW OBECNEJ ZMIENNOyCI NA JEJ PROGNOZY
0ODZIA PROCESÐW ZMIENNOyCI ZA POMOC TYCH KRYTERIÐW NA DWIE KLASY BYBY
NIENATURALNIE RYGORYSTYCZNY 7 WYPADKU PROCESÐW LINIOWYCH PROCESY !2&)-!
WYPENIAJ LUKÇ MIÇDZY WYKAZUJCYMI KRÐTK PAMIÇÃ PROCESAMI !2-!

A ZACHOWUJCYMI TRWAY WPYW SZOKÐW PROCESAMI !2)-! 0ODOBN ROLÇ

WyRÐD MODELI ZMIENNOyCI SPENIAJ PROCESY &)'!2#(
-ODEL &)'!2#(

:INTEGROWANY UAMKOWO MODEL '!2#( &)'!2#(
ZOSTA WPROWADZONY PRZEZ "AILLIEoGO "OLLERSLEVA I -IK &)'!2#( ""-
KELSENA Z ZAMYSEM MODELOWANIA DUGOOKRE
SOWYCH ZALENOyCI W PROCESIE ZMIENNOyCI 7ARIANCJA WARUNKOWA W MODELU
&)'!2#(P D Q OKREyLONA JEST WZOREM
1 C ( L) T 2t X 1 C L G L 1 L
d
y t2
GDZIE
β, ≡ β, + b + βP ,P
φ, ≡ − φ, − − φQ,Q
≤D<
:AUWAMY E DLA D = PO PODSTAWIENIU φI = βI + αI OTRZYMUJEMY RÐWNANIE
DEFINIUJCE STANDARDOWY MODEL '!2#(P Q *EyLI NATOMIAST α, = α, + +
αQ ,Q ORAZ ZACHODZI RÐWNOyÃ α + β = TO DLA D = PRZEZ PODSTAWIENIE
WE WZORZE
G( L) 1 B ( L) C ( L) 1 L
1

OTRZYMUJEMY RÐWNANIE DEFINIUJCE MODEL )'!2#(P Q
/RYGINALNA DEFINICJA MODELU &)'!2#(P D Q SPOTKAA SIÇ Z KRYTYK
RÐNYCH AUTORÐW +WESTIONOWANE BYY TE UZASADNIENIA HIPOTEZ DOTYCZCYCH
STACJONARNOyCI MODELU &)'!2#(P D Q PRZEDSTAWIONE W PRACY JEGO TWÐRCÐW
"AILLIE I IN 7 ROKU #HUNG ZAPROPONOWA
INN SPECYFIKACJÇ MODELU &)'!2#( #HUNG &)'!2#( #HUNG
/KREyLONA JEST ONA PRZEZ RÐWNANIE
G L (1 L) d ( y t2
T 2 ) 1 C( L) ( y t2 T 2t )
W KTÐRYM σ JEST PARAMETREM 7 RÐWNOWANEJ POSTACI RÐWNANIA
T 2t T 2 M( L)( y t2 T 2 )
d
WYSTÇPUJE TEORETYCZNIE NIESKOÎCZONE SUMOWANIE M( L) ¤M L
i 1
i
i
KTÐRE s ZGOD
NIE Z PROPOZYCJ #HUNGA s W PRAKTYCZNYCH OBLICZENIACH OBCINA SIÇ PRZY

I = T s PRZYJMUJC YT s σ = DLA T <

-ODEL (9'!2#(

)NNE PODEJyCIE DO ROZWIZANIA PROBLEMÐW ZE STACJONARNOyCI MODELU &)
'!2#( ZAPROPONOWA $AVIDSON 0RZEDSTAWI ON UOGÐLNION
WERSJÇ MODELU &)'!2#( KTÐR NAZWA HI
(9'!2#( s MODEL
ZAGNIEDAJCY PERBOLICZNYM MODELEM '!2#( (YPERBOLIC !2#(
'!2#( )'!2#( s (9'!2#( 7 MODELU (9'!2#( RÐWNANIE DLA
ORAZ &)'!2#( ""- ZMIENNOyCI PRZYJMUJE POSTAÃ
1 2
C( L) T t X 1
C( L) G( L) 1 B (1 L) d 1 2
yt
GDZIE α > ORAZ D >
0ROCES OPISANY ZA POMOC MODELU (9'!2#( JEST STACJONARNY GDY α <
.ATOMIAST GDY α = MODEL (9'!2#( SPROWADZA SIÇ DO MODELU &)'!2#(
A GDY α = OTRZYMUJEMY KLASYCZNY MODEL '!2#(
4ESTOWANIE STACJONARNOyCI I DUGIEJ PAMIÇCI
7 TYM PODROZDZIALE PRZEDSTAWIAMY TESTY STACJONARNOyCI ORAZ WYBRANE TESTY

STATYSTYCZNE KTÐRE STOSOWANE S DO OCENIANIA CZY W SZEREGACH CZASOWYCH WY
STÇPUJ ZALENOyCI DUGOOKRESOWE KTÐRE MOG BYÃ WYCHWYCONE PRZEZ OPISANE
W TYM ROZDZIALE MODELE
4EST 0HILLIPSAs0ERRONA

4EST 0HILLIPSAs0ERRONA 0HILLIPS 0HILLIPS I 0ERRON
TEST 0HILLIPSA 0ERRONA
HIPOTEZA ZEROWA JEST TESTEM NIEPARAMETRYCZNYM TESTUJCYM HIPO
PROCES PIERWIASTKA TEZÇ ZEROW POSTULUJC E DANY SZEREG JEST GENEROWANY
JEDNOSTKOWEGO PRZEZ PROCES
rt B rt 1 ut
GDZIE UT JEST PROCESEM O ZEROWEJ yREDNIEJ SPENIAJCYM PEWNE OGRANICZENIA
DOTYCZCE AUTOZALENOyCI I MOMENTÐW WYSZEGO RZÇDU 0HILLIPS 0HILLIPS
I 0ERRON
+LASA DOPUSZCZALNYCH SZEREGÐW UT OBEJMUJE NA PRZYKAD STACJONARNE PROCESY
!2-!P Q "OX I *ENKINS Z BÇDAMI NIE TYLKO GAUSSOWSKIMI ALE RÐW
NIE INNYMI SPENIAJCYMI PEWNE BARDZO OGÐLNE ZAOENIA (IPOTEZA ZEROWA
TESTU 0HILLIPSAs0ERRONA POSTULUJE WIÇC ISTNIENIE PIERWIASTKA JEDNOSTKOWEGO
W PROCESIE GENERUJCYM SZEREG

4ESTOWANIE STACJONARNOyCI I DUGIEJ PAMIECI
7 WYPADKU DRUGIEGO Z PRZEDSTAWIANYCH W TYM ROZDZIALE TESTÐW TESTU +033

+WIATKOWSKI I IN HIPOTEZ ZEROW JEST KOWARIANCYJNA STACJONARNOyÃ
WZGLÇDEM POZIOMU LUB TRENDU NATOMIAST ISTNIENIE PIERWIASTKA JEDNOSTKOWEGO
JEST HIPOTEZ ALTERNATYWN
0ROCEDURA TESTU 0HILLIPSAs0ERRONA POLEGA NA ESTYMACJI REGRESJI RT = α +
+ ρRTs + βT + UT NA PODSTAWIE OBSERWACJI R b R4 7SPOMNIANA HIPOTEZA ZEROWA
JEST RÐWNOWANA Z KONIUNKCJ WARUNKÐW ρ = I β= 0RZYJÇTE PRZEZ 0HILLIPSA
I 0ERRONA ZAOENIA O PROCESIE UT OBEJMUJ W SZCZEGÐLNOyCI ISTNIENIE
GRANIC T
lim T
T md
1
¤ Eu
t 1
2
t Tu
2

1 2
lim T E u1 u2 ! uT T2
T md
7IELKOyÃ σ OKREyLON RÐWNANIEM NAZYWA SIÇ

WARIANCJ DUGOOKRESOW PROCESU UT 3TATYSTYKA STOSO WARIANCJA
DUGOOKRESOWA
WANEJ PRZEZ NAS WERSJI TESTU 0HILLIPSAs0ERRONA BÇDCA PROCESU UT
SKORYGOWAN T STATYSTYK DLA PARAMETRU ρ MA POSTAÃ
> 2 >2 >
>
T >
ST 1 T (T T T u,T )T ST
>
Zt ,T >u,T > >

T T T ST> 2 T T sT
7E WZORZE >

S4 JEST ESTYMATOREM KLASYCZNEJ METODY NAJMNIEJSZYCH
KWADRATÐW -.+ PARAMETRU ρ > TS JEST -.+ BÇDEM STANDARDOWYM DLA >
>
4
S
T
1
A sT2 T 3 ¤t 1
>2
ut GDZIE >
UT S -.+ RESZTAMI ESTYMOWANEJ REGRESJI
0ONADTO PRZY ZAOENIU E ISTOTNYCH JEST TYLKO Q PIERWSZYCH AUTOKOWARIAN

CJI STOSOWANY JEST ESTYMATOR .EWEYAs7ESTA .EWEY I 7EST WIELKOyCI σ
MAJCY POSTAÃ
q
¨ j ·>
>2
T T >2
T u,T 2 ©1
j 1 ª
¸ H j ,T
q 1¹ ¤
GDZIE T
>
H j ,T T 1 >>
¤
ut ut j
t j 1
>2 >
T u,T H 0 ,T
:WYKLE PRZY OBLICZANIU STATYSTYKI :T 4 PRZYJMUJE SIÇ ZA 0ERRONEM E

1
¥ T ´4
Q JEST RÐWNE CZÇyCI CAKOWITEJ Z WIELKOyCI 4 ¦ µ
§ 100 ¶
0HILLIPS I 0ERRON WYZNACZYLI ROZKAD ASYMPTOTYCZNY STATYSTYKI :T OKRE
yLONEJ WZOREM $LA 4 DCEGO DO NIESKOÎCZONOyCI ZACHODZI ZBIENOyÃ
WEDUG ROZKADU

V
Zt,T }}
m Zt
Q
GDZIE
1
¨ 1 ·
1 ¨ ·
©
©
1 ° W ( r )dr ¸
2
¸ © W (1) ¸
©1
0
¸ © ¸
©
1 1
¸ © ¸
V ;0 1 0=
2
© 1 ;W (1)=2 1 ¸
[ ]
°
© W ( r ) dr
©0
° ;W ( r ) =
0
dr °
0
rW r dr ¸
¸ © 2 ¸

© ¸ © 1 ¸
1
1 1 ©W (1) W ( r ) dr ¸
©
© ° rW ( r )dr
¸
¸ © ° ¸
2 3 ª 0 ¹
ª 0 ¹
1
¨ 1 ·
1
©
©
1 ° W ( r ) dr
0
2
¸
¸
©1 1 1
¸ ¨0 ·
© 2 ¸ ©1 ¸
Q ;0 1 0= °
© W ( r ) dr ° ;W ( r ) = dr ° rW ( r ) dr ¸ © ¸

©0 0 0 ¸ ©ª0 ¸¹
© 1 ¸
© 1 1 ¸
© 2 ° rW ( r ) dr 3 ¸
ª 0 ¹
7YSTÇPUJCY W ROZKADACH GRANICZNYCH PROCES STOCHASTYCZNY Z CZASEM

CIGYM 7 JEST STANDARDOWYM RUCHEM "ROWNA CZYLI PROCESEM O NIEZALENYCH
PRZYROSTACH GAUSSOWSKICH 7S s 7T ∼ . S s T STARTUJCYM Z ZERA I MAJ
CYM CIGE TRAJEKTORIE *AKUBOWSKI I 3ZTENCEL
7YZNACZONE METOD -ONTE #ARLO OSZACOWANIA PODSTAWOWYCH KWANTYLI
ROZKADU STATYSTYKI 0HILLIPSAs0ERRONA :T DLA MAYCH PRÐB ORAZ ICH WARTOyCI
ASYMPTOTYCZNE MONA ZNALE|Ã NP W KSIKACH &ULLERA I (AMILTONA
$LA WYGODY CZYTELNIKA ODPOWIEDNI TABELÇ ZAMIESZCZAMY RÐWNIE
W $ODATKU
4EST +033

'DY TESTOWANIE HIPOTEZY POSTULUJCEJ NIESTACJONARNOyÃ NIE DAJE ZDECYDOWANYCH
ROZSTRZYGNIÇÃ RZECZ ROZSDN JEST PRZEPROWADZENIE TESTU W KTÐRYM HIPOTEZ
ZEROW JEST STACJONARNOyÃ .AJBARDZIEJ ZNANYM W EKONOMETRII TESTEM SKON
STRUOWANYM W TYM CELU JEST WSPOMNIANY JU WYEJ TEST +033 ZAPROPONOWANY
PRZEZ +WIATKOWSKIEGO 0HILLIPSA 3CHMIDTA I 3HINA

4ESTOWANIE STACJONARNOyCI I DUGIEJ PAMIECI
:AÐMY E PROCES GENERUJCY TESTOWANY SZEREG MONA PRZEDSTAWIÃ W PO

STACI
rt B C t z t ut
GDZIE ZT = ZTs + VT Z = VT ∼ IID σV A UT JEST PROCESEM KOWARIANCYJNIE STACJO
NARNYM Z DUGOOKRESOW WARIANCJ σ WYRAAJC SIÇ WZOREM
4ESTOWANE S DWIE HIPOTEZY ZEROWE
(μ σV = I β =
TEST +033
(τ σV = HIPOTEZA ZEROWA
(IPOTEZA ( μ POSTULUJE STACJONARNOyÃ PROCESU R T STACJONARNOyÃ
WZGLÇDEM
WZGLÇDEM POZIOMU α NATOMIAST HIPOTEZA (τ POSTULUJE POZIOMU ALBO
TRENDOSTACJONARNOyÃ TRENDOSTACJONARNOyÃ
/ZNACZMY PRZEZ EI RESZTY Z REGRESJI SZEREGU RT NA STA
t
I TREND CZASOWY ORAZ NIECH St ¤ e 3TATYSTYKA TESTU +033 MA POSTAÃ
i 1
i
1 T
St2
w
T2
¤
t 1
>2
TT

0ODOBNIE JAK W WYPADKU TESTU 0HILLIPSAs0ERRONA ESTYMATOR > T4 WARIANCJI

DUGOOKRESOWEJ σ OKREyLONY JEST WZOREM :GODNIE Z SUGESTIAMI ZAWAR

TYMI W PRACY .EWEY I 7EST WE WZORZE PRZYJMUJE SIÇ TYM RAZEM
Q RÐWNE CZÇyCI CAKOWITEJ Z 3 T 13
0RZY ZAOENIU PRAWDZIWOyCI HIPOTEZY ZEROWEJ (μ JEyLI 4 → ∞ TO ZACHODZI
ZBIENOyÃ WEDUG ROZKADÐW
1
w m [V ( r )]2 dr
°
0
GDZIE 6R JEST STANDARDOWYM MOSTEM "ROWNA *AKU

MOST "ROWNA
BOWSKI I 3ZTENCEL OKREyLONYM RÐWNOyCI
V ( r ) W ( r ) rW (1)
*EELI PRAWDZIWA JEST HIPOTEZA ZEROWA (τ TO DLA 4 → ∞ ZACHODZI ZBIENOyÃ
WEDUG ROZKADÐW
1
w m [V2 ( r )]2 dr
°
0
PRZY CZYM PROCES 6R WYSTÇPUJCY W POSTACI ROZKADU MOST "ROWNA
GRANICZNEGO JEST TZW MOSTEM "ROWNA DRUGIEGO POZIOMU DRUGIEGO POZIOMU
/KREyLONY JEST ON WZOREM

¥1 1 ´
V2 ( r ) W ( r ) rW ( r ) 6 r(1 r ) W (1) W ( s) ds µ
¦
¦2 µ
°
§ 0 ¶
0ODSTAWOWE KWANTYLE ROZKADÐW ASYMPTOTYCZNYCH PODAJEMY +WIATKOWSKI
I IN W $ODATKU
4EST ,O
)DEA TESTU ,O POCHODZI OD ANALIZY PRZESKALOWANEGO ZA
TEST ,O HIPOTEZA
ZEROWA BRAKSIÇGU I WYKADNIKA (URSTA STOSOWANYCH W TEORII CHAOSU
ZALENOyCI
3TATYSTYKA ,O TESTUJCA HIPOTEZÇ ZEROW O BRAKU
DUGOOKRESOWYCH DUGOOKRESOWEJ ZALENOyCI W SZEREGU RT T = b 4
PRZECIWKO ALTERNATYWIE STWIERDZAJCEJ TAK ZALENOyÃ JEST OKREyLONA WZOREM
1 ¨ k k ·
QT ( q) © max
sT2 ,qT ©ª1b k bT
>
¤
j 1
( rj r ) min
1b k bT
¤(r
j 1
j r )¸
¸¹

T
1
GDZIE r
T ¤r
j 1
j S 4 Q JEST ESTYMATOREM WARIANCJI DUGOOKRESOWEJ PROCESU RT
A>
DANYM WZOREM ANALOGICZNYM DO

T q
1 ¥ j ´>
>2
sT, q
T ¤
j 1
( rj r )2 2 ¤ ¦§ 1
j 1
µ Hj
q 1¶

PRZY CZYM
T j
1
>
Hj
T ¤(r
i 1
i r )( ri j r)
*EyLI PRAWDZIWA JEST HIPOTEZA ZEROWA O BRAKU ZALENOyCI DUGOOKRESOWEJ

TO PRZY Q DCYM DO NIESKOÎCZONOyCI W TAKI SPOSÐB E Q4 → GDY 4 → ∞
I PRZY PEWNYCH DODATKOWYCH ZAOENIACH O PROCESIE RT ZACHODZI ZBIENOyÃ
WEDUG ROZKADU
QT ( q) m U R / S y max V ( t ) min V ( t )
0b t b1 0b t b1
GDZIE 6T JEST STANDARDOWYM MOSTEM "ROWNA OKREyLONYM RÐWNANIEM

$YSTRYBUANTA &5 ZMIENNEJ 523 ZDEFINIOWANEJ W MA POSTAÃ JAWN
23
&ELLER
d 2 2
FU R / S ( x ) 1 2 ¤ (1
k 1
4 k 2 x 2 )e 2k x

0ODSTAWOWE KWANTYLE ROZKADU ZMIENNEJ 523 PODANE S W PRACY ,O

:AMIEyCILIyMY JE RÐWNIE W $ODATKU

4EST '0(

*EDNYM Z NAJCZÇyCIEJ STOSOWANYCH TESTÐW NA WYSTÇPOWA
NIE DUGIEJ PAMIÇCI W SZEREGU CZASOWYM JEST TEST '0( TEST '0( HIPOTEZA
ZEROWA D NIE
'EWEKE I 0ORTERs(UDAK 7NIOSKOWANIE OPARTE WYSTÇPUJE DUGA
JEST NA ESTYMACJI SEMIPARAMETRYCZNEGO PARAMETRU IN PAMIÇÃ
TEGRACJI UAMKOWEJ D JAKO WSPÐCZYNNIKA Z RÐWNANIA
REGRESJI W KTÐRYM ZMIENN OBJAyNIAN JEST LOGARYTM PERIODOGRAMU
$LA DANEGO CIGU OBSERWACJI RT T = b 4 ESTYMUJE SIÇ D Z RÐWNANIA RE
GRESJI
ln I (M k ) c dX k F k
¨T · M
GDZIE K = b M DLA M ≤ © ¸ GDZIE X k 2 ln(2 sin k ) λK = πK4 A PERIO
2
ª ¹ 2
DOGRAM ZDEFINIOWANY JEST WZOREM
2
T
1
I (M )
2 QT ¤ r exp(
t 1
r iMt )
%STYMATOR 2OBINSONA PARAMETRU DUGIEJ PAMIÇCI

/SZACOWANIE SEMIPARAMETRYCZNEGO ESTYMATORA PARAMETRU DUGIEJ PAMIÇCI D
2OBINSON MOE BYÃ PRZYDATNE JAKO WARTOyÃ POCZTKOWA PRZY ESTYMACJI
MODELU !2&)-! P D Q %STYMATOR 2OBINSONA JEST WYLICZANY NA PODSTAWIE
APROKSYMACJI SPEKTRUM PROCESU /TRZYMUJE SIÇ GO JAKO ROZWIZANIE PROBLEMU
MINIMALIZACJI
®« 1
m ¥
I (M j ) ´ º®
¤
> >
(C , d ) arg min ¬ ¦ ln CM j 2 d µ»
C ,d ® m j1 ¦§ CM j 2 d µ¶ ®
¼
GDZIE )λJ JEST WARTOyCI PERIODOGRAMU SZEREGU RT T = b 4 DLA CZÇSTOTLIWO
yCI HARMONICZNEJ λJ = π J4 J = b M ≤ ;4= A SZEROKOyÃ PASMA M SPENIA
WARUNEK 1 m m 0 PRZY 4 → ∞
m T
7 TABELI PRZESTAWIONO WYNIKI TESTU '0( DLA WYBRANYCH SZEREGÐW STÐP ZWRO
TU .ALEY PAMIÇTAÃ E W WYPADKU KWADRATÐW STÐP ZWROTU REZULTATY TE MOG
BYÃ TRAKTOWANE TYLKO INFORMACYJNIE I NIE MA PROSTEJ ZALENOyCI POMIÇDZY OSZA
COWANIEM PARAMETRU D NA PRZYKAD Z TESTU '0( A PARAMETREM OZNACZANYM

ZA POMOC TEGO SAMEGO SYMBOLU W MODELU &)'!2#( .AJBARDZIEJ OBIECUJCO

WYGLDA SYTUACJA !GORY *EDNAK WYNIKI TESTÐW NIE PRZEKADAJ SIÇ NA OSZACOWA
NIA MODELI .IE UDAO SIÇ ZADOWALAJCO OSZACOWAÃ W WYPADKU TEGO SZEREGU ANI
MODELU !2&)-! DLA yREDNIEJ ANI MODELU &)'!2#( DLA ZMIENNOyCI
4ABELA 7YNIKI TESTU '0( DLA ANALIZOWANYCH SZEREGÐW STOP ZWROTU I KWADRATÐW STOP ZWROTU
7YRÐNIONE ZOSTAY ISTOTNE OSZACOWANIA PARAMETRU D
7)"/2
3ZEREG %520,.D 7)'D 7)'D 53$0,.D !GORA 0+./RLEN
-
3TOPY ZWROTU
+WADRATY STÐP ZWROTU
3POyRÐD MODELI Z RODZINY '!2#( W ZASADZIE TYLKO MODELE )'!2#( NA

DAJ SIÇ DO MODELOWANIA DYNAMIKI WIÇKSZOyCI STÐP PROCENTOWYCH 7 TABELI
PRZEDSTAWIONO OSZACOWANIA PARAMETRÐW MODELU !2-! )'!2#(
DOPASOWANEGO DO ROZWAANEGO PRZEZ NAS SZEREGU STÐP ZMIAN STOPY PROCENTO
WEJ 7)"/2 - :WRACA UWAGÇ BARDZO NISKA LICZBA STOPNI SWOBODY ROZKADU
T 3TUDENTA WSKAZUJCA NA BARDZO GRUBE OGONY ROZKADU WARUNKOWEGO 7YNIKI
TESTÐW NA RESZTACH STANDARYZOWANYCH KTÐRYCH NIE PREZENTUJEMY TU SZCZEGÐ
OWO WSKAZUJ E MODEL DOBRZE OPISA ZALENOyCI W yREDNIEJ I ZMIENNOyCI
0ARAMETRY MODELU NIE S JEDNAK STABILNE A HIPOTEZA O ZGODNOyCI ROZKADU RESZT
STANDARYZOWANYCH Z ROZKADEM ZAOONYM ZOSTAA ODRZUCONA $LA PORÐWNANIA
W TEJ SAMEJ TABELI POKAZUJEMY TE NIEZBYT SATYSFAKCJONUJCE WYNIKI ESTYMACJI
MODELU (9'!2#(
.A ILUSTRACJI PREZENTUJEMY OSZACOWANIA ZMIENNOyCI W PRÐBIE A NA
ILUSTRACJI PROGNOZY ZMIENNOyCI W ODNIESIENIU DO KWADRATÐW STÐP ZWROTU
UZYSKANE ZA POMOC MODELU )'!2#(
4ABELA 7)"/2- /SZACOWANIA PARAMETRÐW MODELU )'!2#(
-ODEL !2-! )'!2#( (9'!2#(

2OZKAD BÇDU T 3TUDENTA T 3TUDENTA
A s s
A s
B s s
X
B ALBO G
D s
LN B s
C
$&

)LUSTRACJA 7)"/2- :MIENNOyÃ W PRÐBIE WYESTYMOWANA ZA POMOC MODELU )'!2#(

OPISANEGO W TABELI /KRES s

KWADRATY

ZWROTÐW
)'!2#(

)LUSTRACJA 7)"/2- 0ROGNOZY ZMIENNOyCI /KRES s
KWADRATY ZWROTÐW PROGNOZY


2OZWAYMY TERAZ DODATKOWO SZEREG STÐP ZWROTU KURSU %520,. ILUSTRACJA

0ODOBNIE JAK W WYPADKU KURSU 53$0,. WYRÐNIAMY SZEREGI %520,.D
ORAZ SZEREG %520,.K 7 WYPADKU DUGIEGO SZEREGU STÐP ZWROTU KURSU WA
LUTOWEGO %520,. WAyCIWYM MODELEM OKAZA SIÇ !2 &)'!2#( D
TABELA CO WYDAJE SIÇ WSKAZYWAÃ NA EFEKT DUGIEJ PAMIÇCI W TYM SZEREGU
*EDNAK DLA SZEREGU KRÐTKIEGO %520,.K EFEKT DUGIEJ PAMIÇCI ZANIKA 7YDAJE
SIÇ TO WSKAZYWAÃ NA WYSTÇPOWANIE W SZEREGU DUGIM RACZEJ ZMIAN STRUKTURAL
NYCH WYWOANYCH NA PRZYKAD ZMIANAMI REIMU KURSOWEGO NI EFEKTU DUGIEJ
PAMIÇCI
:JAWISKO MYLENIA PRZEZ TESTY I MODELE TYCH DWU RÐNYCH TYPÐW ZACHOWAÎ
JEST SZCZEGÐOWO OPISYWANE W LITERATURZE 7RÐCIMY DO TEGO W UWAGACH A TAK
E W ROZDZIALE :MIENNOyÃ KURSU %520,. WYESTYMOWANO NA PODSTAWIE
MODELI DOPASOWANYCH DO SZEREGÐW ZWROTÐW %520,.D ORAZ %520,.K
PRZEDSTAWIONO NA ILUSTRACJI
4ABELA -ODELE DOPASOWANE DO ROZWAANYCH SZEREGÐW ZWROTÐW KURSU %520,.
3ZEREG %520,.D %520,.K

-ODEL &)'!2#( D '!2#(
2OZKAD BÇDU SKOyNY T 3TUDENTA SKOyNY T 3TUDENTA
A s s

X LUB T
D
B LUB G
C
!3
$&

)LUSTRACJA :WROTY KURSU %520,. /KRES s
s
s
s
s

)LUSTRACJA :MIENNOyÃ KURSU %520,. WYESTYMOWANA NA PODSTAWIE MODELI DOPASOWANYCH

DO SZEREGÐW ZWROTÐW %520,.D ORAZ %520,.K /KRES s

%520,. %520,.K


5WAGI
0ROBLEM ISTNIENIA EFEKTU DUGIEJ PAMIÇCI W DANYCH FINANSOWYCH NALEY DO NAJ

INTENSYWNIEJ ANALIZOWANYCH W LITERATURZE Z ZAKRESU ANALIZY SZEREGÐW CZASOWYCH
A TAKE EKONOMETRII FINANSOWEJ
#ZYTELNIKÐW ZAINTERESOWANYCH STANEM NAJNOWSZYCH OSIGNIÇÃ W TEORII I ZASTO
SOWANIACH ZALENOyCI DUGOOKRESOWYCH ODSYAMY DO OPUBLIKOWANYCH OSTATNIO
DWÐCH ZBIORÐW ARTYKUÐW +IRMAN I 4EYSSIERE RED $ONKHAN I IN
7 JÇZYKU POLSKIM ANALIZIE RELACJI DUGOOKRESOWYCH POyWIÇCONA JEST MONO
GRAFIA 3YCZEWSKIEJ 7YNIKI BADAÎ DUGIEJ PAMIÇCI ZWIZANE Z POLSKIM
RYNKIEM FINANSOWYM MONA ZNALE|Ã NA PRZYKAD W PRACACH +WIATKOWSKIEGO
&ISZEDERA 0IONTKA ORAZ - $OMAN
#HCIELIBYyMY RÐWNIE WSPOMNIEÃ E W LITERATURZE POyWIÇCONEJ ANALIZIE FINAN
SOWYCH SZEREGÐW CZASOWYCH LICZNE S PUBLIKACJE PODAJCE W WTPLIWOyÃ TWIERDZE
NIE I POWOLI ZNIKAJCA FUNKCJA AUTOKORELACJI KWADRATÐW STÐP ZWROTU yWIADCZY
O WYSTÇPOWANIU DUGIEJ PAMIÇCI W SZEREGACH ZMIENNOyCI *U WCZESNE PRACE
$IEBOLDA ORAZ ,AMOUREUX I ,ASTRAPESA WSKAZUJ E EFEKT DUGIEJ
PAMIÇCI MOE BYÃ PRZESZACOWANY W SYTUACJI GDY W BADANYM SZEREGU WYSTÇPUJ
ZMIANY STRUKTURALNE .IECO PÐ|NIEJ POKAZANO $IEBOLD I )NOUE E ZJAWISKA
DUGIEJ PAMIÇCI I WYSTÇPOWANIA ZMIAN STRUKTURALNYCH MOG BYÃ ATWO MYLONE
W BADANIACH EMPIRYCZNYCH !NDERSEN I "OLLERSLEV FORMUUJ OPINIÇ E
DUGA PAMIÇÃ W ZMIENNOyCI JEST EFEKTEM AGREGACJI RÐNYCH SKADOWYCH PROCESU
ZMIENNOyCI -IKOSCH I 3TARICA TWIERDZ WRÇCZ E PRZYCZYN WYKRYWANIA
DUGIEJ PAMIÇCI W ZMIENNOyCI S ZMIANY STRUKTURALNE W SZEREGACH ZWROTÐW 4Ç
OPINIÇ CZÇyCIOWO PODWAAJ WYNIKI "EINEoA I ,AURENTA
7IÇCEJ INFORMACJI NA TEMAT MODELOWANIA ZMIAN STRUKTURALNYCH W SZEREGACH
STÐP ZWROTU PODAJEMY W ROZDZIALE


:MIENNOyÃ PRZENIKA FINANSE 4O ZDANIE ROZPOCZYNAJCE FUNDAMENTALN PRACÇ

!NDERSENA I "OLLERSLEVA WYDAJE SIÇ NAJBARDZIEJ LAPIDARN ODPOWIEDZI
NA PYTANIE DLACZEGO BADANIE ZMIENNOyCI INSTRUMENTÐW FINANSOWYCH NALEY
DO NAJAKTYWNIEJ ROZWIJAJCYCH SIÇ DZIEDZIN BADAWCZYCH W ZAKRESIE FINANSÐW
I EKONOMETRII FINANSOWEJ W CIGU OSTATNICH KILKUNASTU LAT :MIENNOyÃ JEST
KLUCZOWYM PARAMETREM PRZY WYCENIE INSTRUMENTÐW POCHODNYCH OPTYMALI
ZACJI PORTFELA I SZACOWANIU WARTOyCI NARAONEJ NA RYZYKO 7YCENÇ INSTRUMEN
TÐW FINANSOWYCH KOMPLIKUJ DWIE CHARAKTERYSTYCZNE
CECHY PROCESU ZMIENNOyCI 0IERWSZ Z NICH JEST DOBRZE EWOLUCJA
ZMIENNOyCI CEN
UDOKUMENTOWANY FAKT EWOLUCJI ZMIENNOyCI CEN INSTRU
INSTRUMENTÐW
MENTÐW FINANSOWYCH W CZASIE ORAZ JEJ SILNA PERSYSTENCJA FINANSOWYCH
I TENDENCJA DO TWORZENIA SKUPISK -ANDELBROT
%NGLE $RUG ZE WSPOMNIANYCH CECH JEST NIEOB
SERWOWALNOyÃ ZMIENNOyCI KTÐRA WYMUSZA POSZUKIWANIE
NIEOBSERWOWALNOyÃ
RÐNEGO RODZAJU MIAR ZMIENNOyCI -ONA WYRÐNIÃ TRZY ZMIENNOyCI
PODSTAWOWE PODEJyCIA DO KONSTRUKCJI TAKICH MIAR KORZY
STAJCE Z MODELI ZMIENNOyCI IMPLIKOWANE PRZEZ CENY RYNKOWE ORAZ OPARTE NA
POJÇCIU ZMIENNOyCI ZREALIZOWANEJ WYLICZANEJ NA PODSTAWIE ZWROTÐW O WYSOKIEJ
CZÇSTOTLIWOyCI 7yRÐD PARAMETRYCZNYCH MODELI ZMIENNOyCI NAJPOPULARNIEJSZE
S PRZEDSTAWIONE JU PRZEZ NAS UOGÐLNIONE MODELE AUTOREGRESYJNEJ HETEROSKE
DASTYCZNOyCI WARUNKOWEJ '!2#( ORAZ MODELE ZMIENNOyCI STOCHASTYCZNEJ
3TOCHASTIC 6OLATILITY s 36 O KTÐRYCH BÇDZIEMY MÐWIÃ W ROZDZIALE
:MIENNOyÃ VOLATILITY W ODNIESIENIU DO CENY IN
STRUMENTU FINANSOWEGO JEST MIAR NIEPEWNOyCI CO DO ZMIENNOyÃ
PRZYSZYCH ZMIAN TEJ CENY 0OJÇCIE ZMIENNOyCI OBECNE
JEST WE WSZYSTKICH NOWOCZESNYCH TEORIACH DOTYCZCYCH FINANSÐW I PROCESÐW
PODEJMOWANIA DECYZJI 0OWSZECHNOyÃ I SZEROKIE STOSOWANIE TEGO POJÇCIA NIE
OZNACZA JEDNAK E JEST ONO ROZUMIANE JEDNOZNACZNIE

0OJÇCIE ZMIENNOyCI W UJÇCIU

STATYCZNYM I DYNAMICZNYM
: MATEMATYCZNEGO PUNKTU WIDZENIA NATURALNYMI MIARAMI NIEPEWNOyCI ZWI

ZANEJ Z PRZYSZ ZMIAN CENY S MIARY ROZPROSZENIA ZWROTU Z ROZPATRYWANEGO
INSTRUMENTU WOKÐ ZWROTU OCZEKIWANEGO PRZEZ INWESTORA 3TATYSTYKA MATE
MATYCZNA OFERUJE SZEREG MIAR ROZPROSZENIA Z KTÐRYCH DO NAJPOPULARNIEJSZYCH
NALE WARIANCJA I ODCHYLENIE STANDARDOWE 0RZEGLD STOSOWANYCH W FINANSACH
MIAR ZMIENNOyCI POTWIERDZA POWSZECHNOyÃ STOSOWANIA WARIANTÐW TYCH WAyNIE
STATYSTYK DO ESTYMOWANIA ZMIENNOyCI "ARDZIEJ SZCZEGÐOWA SPECYFIKACJA MIAR
ZMIENNOyCI ZALEY OD PRZYJMOWANYCH MODELI TEORETYCZNYCH OPISUJCYCH ZWROTY
Z INSTRUMENTU FINANSOWEGO JAKO PROCESY STOCHASTYCZNE
!NALIZA STOCHASTYCZNA ZWROTÐW MOE BYÃ PROWADZONA
STATYCZNE PODEJyCIE W DWÐCH UJÇCIACH 0IERWSZE Z NICH ZWANE STATYCZNYM LUB
DO SZACOWANIA
HISTORYCZNYM JEST BARDZO POPULARNE ALE NIESTETY CZÇSTO
ZMIENNOyCI
ZMIENNOyÃ JAKO WEWNÇTRZNIE SPRZECZNE :AKADA ONO CZASAMI NIEJAWNIE
WARIANCJA Z PRÐBY E ZWROTY HISTORYCZNE NIE ZAWIERAJ UYTECZNYCH INFOR
MACJI PROGNOSTYCZNYCH CZEGO PRAKTYCZNYM WYRAZEM JEST
WYLICZANIE PEWNYCH WIELKOyCI NA PODSTAWIE ZWROTÐW PRZESZYCH W TAKI SPOSÐB
JAKBY BYY ONE REALIZACJAMI ZMIENNYCH NIEZALENYCH 4AK WYLICZONE STATYSTYKI
WYKORZYSTUJE SIÇ JEDNAK NASTÇPNIE JAKO WSKA|NIKI KSZTATOWANIA SIÇ ZWROTÐW
W PRZYSZOyCI CO JEST WYRAZEM PRZEKONANIA E PRZYSZE ZWROTY S FUNKCJ
ZWROTÐW PRZESZYCH 0RZY TAKIM PODEJyCIU ZMIENNOyÃ INSTRUMENTU FINANSOWEGO
W MOMENCIE T ESTYMOWANA JEST JAKO
2
1 ¥ n
1 n ´
>2
Tt
n 1 j1 ¦ ¤
¦ rt j
n ¤ rt j µ
µ

§ j 1 ¶
GDZIE N JEST USTALON DUGOyCI RUCHOMEGO OKNA OBSERWACJI
.IEJAWNIE ZAKADA SIÇ TUTAJ E NA ODCINKU DUGOyCI N ZWROTY S NIEZALENE
LUB CO NAJMNIEJ NIESKORELOWANE I MAJ JEDNAKOWY ROZKAD
0ODSTAW PODEJyCIA ALTERNATYWNEGO DYNAMICZNEGO JEST PRZEKONANIE O MO
LIWOyCI WNIOSKOWANIA DOTYCZCEGO PRZYSZYCH ZWROTÐW I ICH CHARAKTERYSTYK NA
PODSTAWIE PRZESZYCH CEN I OPÐ|NIONYCH WARTOyCI INNYCH ZMIENNYCH OBJAyNIA
JCYCH SZCZEGÐLNIE W SYTUACJI WYSTÇPOWANIA ZALENOyCI NIELINIOWYCH MIÇDZY
TYMI WIELKOyCIAMI 0RZYKADEM TAKIEGO TYPU ZALENOyCI MOE BYÃ OMAWIANY
W ROZDZIALE EFEKT !2#( POLEGAJCY NA WYSTÇPOWANIU AUTOKORELACJI W SZE
REGACH KWADRATÐW NIESKORELOWANYCH ZWROTÐW
!DEKWATNYM NARZÇDZIEM BADAWCZYM PRZY UJÇCIU DYNAMICZNYM S ROZKADY
WARUNKOWE I MOMENTY WARUNKOWE TAKIE JAK WARUNKOWA WARTOyÃ OCZEKIWANA

0OJÇCIE ZMIENNOyCI W UJÇCIU STATYCZNYM I DYNAMICZNYM
I WARUNKOWA WARIANCJA 3 TO ZMIENNE LOSOWE MIERZALNE WZGLÇDEM σ CIA ZBIO

RÐW INFORMACJI GENEROWANYCH PRZEZ NAPYWAJCE INFORMACJE NA TEMAT PROCESU
CENY 7 ZWIZKU Z TYM ROZKADY TYCH ZMIENNYCH MOG EWOLUOWAÃ W CZASIE CO
POWODUJE E W KADYM MOMENCIE T NIEZBÇDNE JEST WYLICZENIE NOWYCH OSZA
COWAÎ ICH PARAMETRÐW NA PODSTAWIE PRZESZYCH OBSERWACJI 2OZPATRYWANIE
ROZKADÐW WARUNKOWYCH JEST NIEODZOWNE W SYTUACJI GDY MAMY PODSTAWY ZA
KADAÃ E NA OBECNE ZWROTY W JAKIMy STOPNIU WPYWAJ ZWROTY HISTORYCZNE ORAZ
E PRZYSZE ZWROTY ZALE OD OBECNYCH I PRZESZYCH W TYM SENSIE E WARTOyCI
TYCH OSTATNICH MOG BYÃ PRZYDATNE PRZY PROGNOZOWANIU #HOCIA APROKSYMACJA
MOMENTÐW WARUNKOWYCH JEST TRUDNIEJSZA NI MOMENTÐW BEZWARUNKOWYCH
TO s WEDUG POWSZECHNEGO PRZEKONANIA s PROGNOZY UZYSKIWANE PRZY UYCIU
MOMENTÐW WARUNKOWYCH S DOKADNIEJSZE
0RZYPOMNIJMY E GDY ROZPATRUJEMY CZAS DYSKRETNY PROCES STOCHASTYCZ
NY CENY INSTRUMENTU FINANSOWEGO JEST CIGIEM ZMIENNYCH LOSOWYCH OKRE
yLONYCH NA PRZESTRZENI PROBABILISTYCZNEJ Ω  0 WYPOSAONEJ W FILTRACJÇ
CZYLI CIG σ CIA  TAKICH E ZACHODZ ZAWIERANIA [ ,8] =  ⊂  ⊂ ⊂ 
/ ZDARZENIACH NALECYCH DO σ CIAA  ZAKADA SIÇ I W MOMENCIE T O KADYM
Z NICH WIADOMO CZY NASTPIA JEGO REALIZACJA CZY TE NIE 7 ZWIZKU Z TYM
MONA JE INTERPRETOWAÃ JAKO ZBIÐR INFORMACJI KTÐRE NAPYNÇY DO MOMENTU T
WCZNIE I S DOSTÇPNE W TYM MOMENCIE DLA INWESTORA
:GODNIE Z TERMINOLOGI PRZYJÇT W ROZDZIALE ZMIENNOyÃ σT INSTRUMENTU
FINANSOWEGO W MOMENCIE T OKREyLONA JEST JAKO
T 2t E(( rt E( rt | t 1)) 2 | t 1)
:MIENNOyÃ σ T JEST ZATEM WARIANCJ WARUNKOW
ZWROTU RT WZGLÇDEM σ CIAA Ts 7 SZCZEGÐLNOyCI JEST ZMIENNOyÃ
JAKO WARIANCJA
ONA Ts MIERZALNA CZYLI PROCES STOCHASTYCZNY σT JEST

WARUNKOWA
PROGNOZOWALNY /ZNACZA TO E WARTOyÃ ZMIENNOyCI σT
MOE BYÃ OKREyLONA NA PODSTAWIE INFORMACJI KTÐRE NAPYNÇY DO MOMENTU
T s WCZNIE 7 PEWNYCH MODELACH NP ZMIENNOyCI STOCHASTYCZNEJ O KTÐRYCH
MÐWIMY W ROZDZIALE ZMIENNOyCI σT NAZYWA SIÇ RÐWNIE WARIANCJÇ WARUNKOW
ZWROTU WZGLÇDEM σ CIAA WIÇKSZEGO OD Ts ZAWIERAJCEGO INFORMACJE NA TEMAT
DODATKOWYCH NIEZALENYCH ZABURZEÎ 0RZY TAKIM UJÇCIU ZMIENNOyÃ σT RÐWNIE
W MOMENCIE T JEST ZMIENN LOSOW
$ODAJMY E W FINANSACH INACZEJ NI W EKONOMETRII FINANSOWEJ PRZEZ
ZMIENNOyÃ CZÇSTO ROZUMIE SIÇ NIE WARIANCJÇ WARUNKOW σT LECZ WARUNKOWE
ODCHYLENIE STANDARDOWE σT

*AK MONA BYO ZAUWAYÃ W ROZDZIALE JEELI TRAKTUJEMY KWADRAT ZWROTU DZIEN
NEGO JAKO ESTYMATOR DZIENNEJ ZMIENNOyCI TO JAKOyÃ PROGNOZ ZMIENNOyCI JEST NIE
ZADOWALAJCA /KAZUJE SIÇ E WYNIKA TO Z SAMYCH WAyCIWOyCI MODELI '!2#(
7 TYM ROZDZIALE OMÐWIMY PROBLEMY KTÐRE S Z TYM ZWIZANE I NIEKTÐRE PRÐBY
ICH ROZWIZANIA
$O NIEDAWNA OCENIAJC JAKOyÃ PROGNOZ ZMIENNOyCI STANDARDOWO PRZYJMO
WANO ZA ZREALIZOWAN JEJ WARTOyÃ KWADRAT STOPY ZWROTU PO ODJÇCIU yREDNIEJ
WARUNKOWEJ YT 5ZASADNIANO TO TYM E W MODELU '!2#( YT = σTεT A PONIEWA
%εT = ORAZ σT I εT S NIEZALENE WIÇC YT JEST NIEOBCIONYM ESTYMATOREM
WARIANCJI WARUNKOWEJ #ZYNNIK εT POWODUJE JEDNAK ZNACZNE ZANIECZYSZCZENIE
SZUMEM ZWIÇKSZA WARIANCJÇ ESTYMATORA CO s JAK SIÇ WYDAJE s JEST GÐWN PRZY
CZYN OGÐLNIE POTWIERDZANEJ SABEJ MOLIWOyCI PROGNOSTYCZNEJ TEGO PODEJyCIA
3PEKTAKULARNIE OBJAWIA SIÇ TO PODCZAS PRÐBY STOSOWANIA WSPÐCZYNNIKA DETERMI
NACJI 2 -INCERAs:ARNOWITZA ZOB POROZDZIA JAKO OCENY JAKOyCI PROGNOZY
*AK WYKAZALI !NDERSEN I "OLLERSLEV PRZY ZAOENIU ISTNIENIA SKOÎCZONEGO
BEZWARUNKOWEGO MOMENTU CZWARTEGO RZÇDU DLA YT ZASTÇPUJC W RÐWNANIU RE
GRESJI σN++J PRZEZ YN++J MAMY DLA MODELU TEORETYCZNEGO RÐWNOyÃ
B 12
R2
1 C 12 2B 1C 1
0ONIEWA WARUNEK ISTNIENIA SKOÎCZONEGO BEZWARUNKO
JAKOyÃ PROGNOZ
ZMIENNOyCI WEGO MOMENTU CZWARTEGO RZÇDU MA POSTAÃ α+ β +
Z MODELI '!2#( + α < WIÇC OTRZYMUJEMY W NASZEJ SYTUACJI OGRANI
2
W ODNIESIENIU DO CZENIE Z GÐRY DLA WSPÐCZYNNIKA DETERMINACJI R 13
KWADRATU STOPY 7 PRAKTYCE WARTOyCI 2 OTRZYMYWANE DLA EMPIRYCZNYCH
2
ZWROTU R 13
DANYCH FINANSOWYCH S RZÇDU KILKU SETNYCH !NDERSEN
I "OLLERSLEV JAKO PIERWSI ZASUGEROWALI E PROBLEM MOE LEEÃ W NIEADEKWATNYM
DOBORZE MIARY ZMIENNOyCI
7 SWOJEJ FUNDAMENTALNEJ PRACY ZATYTUOWANEJ !NSWERING THE SKEPTICS 9ES
STANDARD VOLATILITY MODELS DO PROVIDE ACCURATE FORECASTS !NDERSEN I "OLLERSLEV
PROPONUJ NOWE PODEJyCIE DO POJÇCIA ZMIENNOyCI INSTRUMENTU FINANSO
WEGO :AKADAJC E PROCES PT LOGARYTMÐW CEN INSTRUMENTU FINANSOWEGO JEST
CIGYM PROCESEM DYFUZJI DANYM PRZEZ STOCHASTYCZNE RÐWNANIE RÐNICZKOWE
3OBCZYK 0ROTTER
dpt T t dWt
GDZIE T ≥ 7T OZNACZA STANDARDOWY RUCH "ROWNA A σT JEST PROCESEM yCIyLE
STACJONARNYM WYKAZUJ E POPRAWNA MIARA DZIENNEJ ZMIENNOyCI CENY W DNIU
T + WYRAA SIÇ WZOREM

1
T 2t 1,1 T 2t U dU
°
0
.IEOBSERWOWALNE WIELKOyCI σT+ MONA PRZYBLIAÃ

DZIENNA ZMIENNOyÃ
PRZEZ DZIENNE SUMY KWADRATÐW ZWROTÐW yRÐDDZIENNYCH ZREALIZOWANA
WYLICZANYCH Z ODPOWIEDNIO DOBRANYMI CZÇSTOTLIWOyCIAMI WARIANCJA
W PRAKTYCE NAJCZÇyCIEJ STOSUJE SIÇ ZWROTY PIÇCIOMINU ZREALIZOWANA
TOWE 7 TYM CELU !NDERSEN I "OLLERSLEV WPROWADZILI
POJÇCIE TZW DZIENNEJ ZMIENNOyCI ZREALIZOWANEJ OBECNIE W LITERATURZE CZÇyCIEJ
UYWA SIÇ W TEJ SYTUACJI OKREyLENIA aWARIANCJA ZREALIZOWANAq ZDEFINIOWANEJ
JAKO SUMA KWADRATÐW ZWROTÐW yRÐDDZIENNYCH 7IELKOyÃ TÇ BÇDZIEMY OZNACZAÃ
SYMBOLEM 2EALT I DEFINIOWAÃ NASTÇPUJCO
D
Real1 t ¤r
d 0
2
t ,d
GDZIE RT D S yRÐDDZIENNYMI STOPAMI ZWROTU PRZY CZYM ZWROT R D ODPOWIADA

OKRESOWI POMIÇDZY OSTATNIM ROZWAANYM NOTOWANIEM DNIA Z DNIA POPRZED
NIEGO JEST TO ZWYKLE KURS ZAMKNIÇCIA A PIERWSZYM ROZWAANYM NOTOWANIEM
W DNIU T KURS OTWARCIA PONADTO T OZNACZA NUMER DNIA D s NUMER KOLEJNEGO
ZWROTU W CIGU DNIA A $ JEST LICZB NOTOWAÎ yRÐDDZIENNYCH O ROZWAANEJ CZÇ
STOTLIWOyCI OBSERWOWANYCH W CIGU DNIA
7 TEJ CHWILI POPRZESTANIEMY NA TYM RACZEJ INTUICYJNYM PRZEDSTAWIENIU IDEI
!NDERSENA I "OLLERSLEVA :AINTERESOWANY CZYTELNIK DOKADNIEJSZE ROZWAANIA
TEORETYCZNE ZNAJDZIE W PODROZDZIALE
:AKOÎCZMY TE WSTÇPNE UWAGI SPOJRZENIEM NA WYKRESY PRZEDSTAWIONE NA
ILUSTRACJACH I 0OKAZUJ ONE JESZCZE JEDN MOTYWACJÇ KRYJC SIÇ ZA PO
JÇCIEM ZMIENNOyCI ZREALIZOWANEJ .A PIERWSZEJ ILUSTRACJI WIDZIMY NOTOWANIA
SPÐKI 02/+/- DLA KTÐRYCH PRZEZ KILKA DNI KURS ZAMKNIÇCIA UTRZYMYWA SIÇ
NA STAYM POZIOMIE /CENIAJC ZMIENNOyÃ NA PODSTAWIE NOTOWAÎ DZIENNYCH
UZNALIBYyMY J ZA RÐWN ZERU PODCZAS GDY CENA ZMIENIAA SIÇ DOyÃ ZNACZNIE
: PODOBN SYTUACJ MAMY DO CZYNIENIA W WYPADKU %LEKTRIMU W DNIU LIPCA
R 7YLICZENIE ZMIENNOyCI ZREALIZOWANEJ NA PODSTAWIE NOTOWAÎ yRÐDDZIEN
NYCH POZWALA NA UNIKNIÇCIE TEGO TYPU PUAPEK PRZY OCENIANIU ZMIENNOyCI
0OJAWIENIE SIÇ POJÇCIA ZMIENNOyCI ZREALIZOWANEJ BYO SILNYM BOD|CEM DO
PROWADZENIA BADAÎ POyWIÇCONYCH ZMIENNOyCI W OGÐLE A ANALIZIE WAyCIWOyCI
ZMIENNOyCI ZREALIZOWANEJ W SZCZEGÐLNOyCI 3TOSOWANA PRZEZ !NDERSENA I "OL
LERSLEVA DZIENNA ZMIENNOyÃ ZREALIZOWANA OKREyLONA ZOSTAA JAKO SUMA
KWADRATÐW ZWROTÐW yRÐDDZIENNYCH O USTALONYCH CZÇSTOTLIWOyCIACH &AKTYCZNIE
WE WSPOMNIANEJ PRACY ANALIZA OPARTA BYA NA ZWROTACH PIÇCIOMINUTOWYCH
I PRZEPROWADZONA ZOSTAA DLA SZEREGÐW NOTOWAÎ KURSÐW WALUTOWYCH 2ADYKALNA
POPRAWA JAKOyCI PROGNOZ ZMIENNOyCI UZYSKIWANYCH ZA POMOC MODELI '!2#(

)LUSTRACJA .OTOWANIA TICK BY TICK SPÐKI 02/+/- W OKRESIE OD DO LUTEGO

#ENA T

#ENA TICK BY TICK #ENA ZAMKNIÇCIA
lRÐDO 0 "ARAÎSKI :MIENNOyÃ ZREALIZOWANA JAKO MIARA ZMIENNOyCI INSTRUMENTÐW FINANSOWYCH ;PRACA MAGISTERSKA=
7YDZIA )NFORMATYKI 'OSPODARKI %LEKTRONICZNEJ !% W 0OZNANIU 0OZNAÎ
)LUSTRACJA .OTOWANIA INTRADAY SPÐKI %,%+42)- W DNIU OD LIPCA ORAZ CENY ZAMKNIÇCIA
W DNIACH I LIPCA

+URS INTRADAYD T +URS ZAMKNIÇCIAD +URS MAKSYMALNY 0,. +URS MINIMALNY 0,.
lRÐDO 0 "ARAÎSKI :MIENNOyÃ ZREALIZOWANA JAKO MIARA ZMIENNOyCI INSTRUMENTÐW FINANSOWYCH ;PRACA MAGISTERSKA=
7YDZIA )NFORMATYKI 'OSPODARKI %LEKTRONICZNEJ !% W 0OZNANIU 0OZNAÎ

PO PORÐWNANIU ICH Z DZIENN ZMIENNOyCI ZREALIZOWAN ZAMIAST Z KWADRATEM

ZWROTU DZIENNEGO KRYTERIUM OCENY JAKOyCI PROGNOZY BY WSPÐCZYNNIK DETER
MINACJI W REGRESJI -INCERAs:ARNOWITZA STANOWIA WYSTARCZAJC ZACHÇTÇ DO
ROZWINIÇCIA SZEROKO ZAKROJONYCH BADAÎ EMPIRYCZNYCH :ASTOSOWANIE POJÇCIA
ZMIENNOyCI ZREALIZOWANEJ DO SZEROKIEJ GRUPY SZEREGÐW ZWROTÐW FINANSOWYCH
UJAWNIO JEDNAK WIELE WTPLIWOyCI I PROBLEMÐW PRAKTYCZNYCH
*EELI ANALIZUJEMY ZMIENNOyÃ ZREALIZOWAN NA PODSTAWIE NOTOWAÎ GIE
DOWYCH TO POWSTAJE TRUDNOyÃ ZWIZANA Z TYM E GIEDA FUNKCJONUJE TYLKO
W OKREyLONYCH GODZINACH I W ZWIZKU Z TYM ROZWAANE PRZEZ NAS ZWROTY
yRÐDDZIENNE NIE MOG BYÃ JEDNORODNE WZGLÇDEM CZASU 7 TAKIM WYPADKU
ZMIENNOyÃ ZREALIZOWANA JEST NP SUM KWADRATÐW ZWROTÐW PIÇCIOMINUTOWYCH
I KWADRATU TZW ZWROTU NOCNEGO /DSTÇP CZASOWY MIÇDZY OSTATNIM NOTOWA
NIEM DANEGO DNIA A PIERWSZYM NASTÇPNEGO JEST DUGI CO POWODUJE E ZWROT
POMIÇDZY DNIAMI MA INN NATURÇ NI ZWROTY yRÐDDZIENNE 7 MODYFIKACJI
WZORU WYRÐNIAMY TEN ZWROT TAK WIÇC SKADNIKAMI SUMY DEFINIUJCEJ
ZMIENNOyÃ ZREALIZOWAN S KWADRAT ZWROTU NOCNEGO RT . ORAZ KWADRATY
ZWROTÐW yRÐDDZIENNYCH RT D
D
Real1 t rt2, N ¤r
d 1
2
t ,d
0RZYKAD
0ONIEJ PRZEDSTAWIAMY PRZYKAD BARDZO OPTYMISTYCZNYCH WYNIKÐW DOTYCZCYCH
JAKOyCI PROGNOZ ZMIENNOyCI DLA INDEKSU 7)' $OMAN 2 A 4ABELA
PRZEDSTAWIA OSZACOWANIA PARAMETRÐW MODELU '!2#( DLA DZIENNYCH
ZWROTÐW INDEKSU 7)' )LUSTRACJE s ORAZ TABELE I POKAZUJ
OPISAN PRZEZ !NDERSENA I "OLLERSLEVA RADYKALN POPRAWÇ JAKOyCI PROGNOZ
UZYSKANYCH ZA POMOC MODELU '!2#( W ODNIESIENIU DO MIARY ZMIENNOyCI
2EAL NASTÇPUJC ZE WZROSTEM CZÇSTOTLIWOyCI ZWROTÐW WYKORZYSTANYCH PRZY
WYLICZANIU 2EAL "ADANIE ZOSTAO PRZEPROWADZONE DLA DANYCH Z OKRESU OD
STYCZNIA R DO GRUDNIA R OKRES PRÐBY I OD STYCZNIA R
DO SIERPNIA R OKRES PROGNOZY 2OZWAANY W NICH SZEREG JEST ZATEM
PODZBIOREM TEGO KTÐRY WYKORZYSTUJEMY W ILUSTRACJACH EMPIRYCZNYCH 0ORÐWNU
JC TE WYNIKI Z PRZEDSTAWIONYMI W CZÇyCI TEGO ROZDZIAU POyWIÇCONEJ PRAKTYCE
MODELOWANIA CZYTELNIK POWINIEN ODDAÃ SIÇ REFLEKSJOM NA TEMAT WPYWU DOBORU
OKRESU PRÐBY I OKRESU PROGNOZY NA JAKOyÃ PROGNOZ

4ABELA /SZACOWANIA PARAMETRÐW MODELU '!2#( PROCENTOWYCH LOGARYTMICZNYCH ZWROTÐW

DZIENNYCH NOTOWAÎ INDEKSU 7)' W OKRESIE s 7 NAWIASACH PODANO BÇDY
STANDARDOWE ESTYMACJI W OKRGYCH s METODA NAJWIÇKSZEJ WIARYGODNOyCI W KWADRATOWYCH
s METODA QUASI NAJWIÇKSZEJ WIARYGODNOyCI
2OZKAD WARUNKOWY X B C O
s
NORMALNY s
; = ; = ; = s

T 3TUDENTA
; = ; = ; = ; =
4ABELA /CENA PROGNOZY ZMIENNOyCI ZREALIZOWANEJ INDEKSU 7)' OTRZYMANEJ ZA POMOC MODELU
'!2#( Z ROZKADEM WARUNKOWYM NORMALNYM
(ORYZONT #ZÇSTOTLIWOyÃ 2 -!% -% 2-3% !-!0% 4)#

PROGNOZY ZWROTU
DZIEÎ s
MINUT s
DZIEÎ
MINUT s
MINUT s
DZIEÎ s
MINUT s
DNI
MINUT s
MINUT s
DZIEÎ s
MINUT s
DNI
MINUT s
MINUT s
DZIEÎ s
MINUT s
DNI
MINUT s
MINUT s
DZIEÎ s
MINUT s
DNI
MINUT s
MINUT s

4ABELA /CENA PROGNOZY ZMIENNOyCI ZREALIZOWANEJ INDEKSU 7)' OTRZYMANEJ ZA POMOC MODELU
'!2#( Z WARUNKOWYM ROZKADEM T 3TUDENTA
(ORYZONT #ZÇSTOTLIWOyÃ 2 -!% -% 2-3% !-!0% 4)#

PROGNOZY :WROTU
DZIEÎ s
MINUT s
DZIEÎ
MINUT s
MINUT s
DZIEÎ s
MINUT s
DNI
MINUT s
MINUT s
DZIEÎ s
MINUT s
DNI
MINUT s
MINUT s
DZIEÎ s
MINUT s
DNI
MINUT s
MINUT s
DZIEÎ s
MINUT s
DNI
MINUT s
MINUT s

)LUSTRACJA +WADRATY ZWROTÐW DZIENNYCH LINIA PRZERYWANA I PROGNOZY σT JEDEN DZIEÎ NAPRZÐD
OTRZYMANE ZA POMOC MODELU '!2#( LINIA CZARNA ORAZ MODELU T '!2#( LINIA SZARA

)LUSTRACJA $ZIENNA ZMIENNOyÃ ZREALIZOWANA DLA ZWROTÐW PÐGODZINNYCH LINIA PRZERYWANA
I PROGNOZY σT JEDEN DZIEÎ NAPRZÐD OTRZYMANE ZA POMOC MODELU '!2#( LINIA CZARNA
ORAZ MODELU T '!2#( LINIA SZARA


)LUSTRACJA $ZIENNA ZMIENNOyÃ ZREALIZOWANA DLA ZWROTÐW PÐGODZINNYCH LINIA PRZERYWANA
I PROGNOZY TT PIÇÃ DNI NAPRZÐD OTRZYMANE ZA POMOC MODELU '!2#( LINIA CZARNA ORAZ MODELU
T '!2#( LINIA SZARA

2ÐNE MIARY ZMIENNOyCI ZREALIZOWANEJ

0ODSTAWOW PRZYCZYN ODEJyCIA OD TRAKTOWANIA KWADRATU ZWROTU DZIENNEGO
JAKO ESTYMATORA ZMIENNOyCI BY FAKT ZNACZNEGO ZANIECZYSZCZENIA TEGO ESTYMA
TORA SZUMEM LOSOWYM *EDNAK DUGI OKRES JAKIEMU ODPOWIADA ZWROT NOCNY
W OPISANEJ POWYEJ SYTUACJI POWODUJE E ZA POyREDNICTWEM TEGO ZWROTU MIARA
ZMIENNOyCI 2EAL JEST RÐWNIE ZNACZNIE OBCIONA SZUMEM 7 WYPADKU POL
SKIEGO RYNKU FINANSOWEGO EFEKT ZANIECZYSZCZENIA ZWROTU NOCNEGO SZUMEM JEST
POTÇGOWANY PRZEZ OGROMNY NAPYW INFORMACJI GOSPODARCZYCH POJAWIAJCYCH
SIÇ PO ZAMKNIÇCIU GIEDY NP PO PUBLIKOWANE S PRZEZ '53 I ."0 DANE
MAKROEKONOMICZNE 7SZYSTKO TO SPRAWIA E CHOÃ 2EAL JEST ZNACZNIE LEPSZYM
ESTYMATOREM ZMIENNOyCI NI KWADRAT ZWROTU DZIENNEGO TO JEDNAK UWAA SIÇ
I NADAL JEST TO ESTYMATOR BARDZO ZANIECZYSZCZONY SZUMEM
!LTERNATYWNA MIARA ZMIENNOyCI ZREALIZOWANEJ OZNACZANA PRZEZ NAS SYMBO
LEM 2EAL ZAPROPONOWANA ZOSTAA W R CHOÃ PODOBNE PODEJyCIE POJAWIO
SIÇ JU WCZEyNIEJ W PRACY !NDERSENA I "OLLERSLEVA -IARA TA JEST RÐWNA SU
MIE KWADRATÐW ZWROTÐW yRODDZIENNYCH BEZ UWZGLÇDNIANIA ZWROTU NOCNEGO

D
Real2 t ¤r
d 1
2
t ,d
7 PRACY !NDERSENA "OLLERSLEVA $IEBOLDA I %BENSA JEST ONA NAZY

WANA ZMIENNOyCI DZIENN "ADANIA EMPIRYCZNE WYKAZUJ JEDNAK E MIARA
TA DAJE BARDZO ZANIONE OSZACOWANIA ZMIENNOyCI ZREALIZOWANEJ 7 ZWIZKU
Z TYM -ARTENS ZAPROPONOWA PRZESKALOWANIE 2EAL ZA POMOC PEWNEGO
WSPÐCZYNNIKA WPROWADZAJC NOW MIARÇ ZMIENNOyCI ZREALIZOWANEJ OZNACZAN
PRZEZ NAS SYMBOLEM 2EAL I OKREyLONEJ JAKO
D
MODYFIKACJA
-ARTENSA
Real 3 t 1 c ¤r
d 1
2
t ,d
/PINIE NA TEMAT WARTOyCI STAEJ C S RÐNE -ARTENS USTALA JEJ WARTOyÃ
W WYPADKU NOTOWAÎ KONTRAKTÐW FUTURES NA INDEKS 30 NA OKOO
POWOUJC SIÇ NA WYNIKI SYMULACJI .IE PODAJE JEDNAK ADNEGO UZASADNIENIA
T2
TEORETYCZNEGO (OL I +OOPMAN PRZYJMUJ E c 2co GDZIE σ CO OZNACZA
T oc
EMPIRYCZN WARIANCJÇ ZWROTU MIÇDZY KURSEM ZAMKNIÇCIA A KURSEM OTWARCIA
W DNIU NASTÇPNYM A σOC JEST EMPIRYCZN WARIANCJ ZWROTU DZIENNEGO
0RZESKALOWANIE TAKIE WYDAJE SIÇ NATURALNE GDY CHODZI O UWZGLÇDNIENIE
WPYWU ZWROTU NOCNEGO NA ZMIENNOyÃ BEZ WPROWADZANIA DO JEJ MIARY SZUMU
NIEODCZNIE ZWIZANEGO Z TYM ZWROTEM -IAR ZMIENNOyCI ZREALIZOWANEJ 2EAL
WEDUG (OL I +OOPMANA JEST ZATEM
¥ T 2co ´ D 2
Real 3 t ¦ 1
¦ 2
T oc
¤
µµ rt ,d
§ ¶ d 1
7ARTOyÃ OKREyLONEJ WYEJ WIELKOyCI C ZALEY OD ANALIZOWANEGO SZEREGU
I W BADANIACH EMPIRYCZNYCH WAHA SIÇ OD KILKU SETNYCH DO PRAWIE *EJ OSZA
COWANIA S JEDNAK ZWYKLE DOyÃ STABILNE
%FEKTY MIKROSTRUKTURY RYNKU

A ZMIENNOyÃ ZREALIZOWANA
+OLEJNYM ISTOTNYM PROBLEMEM ZWIZANYM ZE STOSOWANIEM ZMIENNOyCI ZREALI
ZOWANEJ JEST ZAGADNIENIE WYBORU CZÇSTOTLIWOyCI DLA WYSTÇPUJCYCH W JEJ OKREy
LENIU ZWROTÐW yRÐDDZIENNYCH 0ONIEWA SAMA IDEA ZMIENNOyCI ZREALIZOWANEJ
WYWODZI SIÇ Z TEORII PROCESÐW STOCHASTYCZNYCH Z CZASEM CIGYM WYDAWAÃ BY
SIÇ MOGO E NALEY STOSOWAÃ ZWROTY OBSERWOWANE W MOLIWIE NAJKRÐTSZYCH

%FEKTY MIKROSTRUKTURY RYNKU A ZMIENNOyÃ ZREALIZOWANA
ODSTÇPACH CZASU *EDNAK OKAZUJE SIÇ E ZBYT CZÇSTE PO

BIERANIE OBSERWACJI MOE PROWADZIÃ DO ZAFASZOWANIA WYBÐR
CZÇSTOTLIWOyCI
OSZACOWAÎ ZMIENNOyCI ZE WZGLÇDU NA TAK ZWANE EFEKTY
DLA ZWROTÐW
MIKROSTRUKTURY RYNKU O KTÐRYCH POBIENIE WSPOMINAMY yRÐDDZIENNYCH
W TYM PODROZDZIALE ,ITERATURA POyWIÇCONA WYBOROWI
OPTYMALNEJ CZÇSTOTLIWOyCI JEST BARDZO OBSZERNA .IEMNIEJ PROBLEM TEN POZOSTAJE
CIGLE JESZCZE OTWARTY 0ANUJE JEDNAK ZGODA E RACZEJ NIE POWINNO SIÇ WYKORZY
STYWAÃ ZWROTÐW WYLICZANYCH CZÇyCIEJ NI CO MINUT ANI RZADZIEJ NI CO GODZINÇ
7YBÐR ZAWSZE MUSI BYÃ DOKONYWANY DLA KONKRETNEGO RYNKU Z UWZGLÇDNIENIEM
JEGO SPECYFIKI A ZWASZCZA PYNNOyCI I WPYWU AKTYWNOyCI ANIMATORÐW RYNKU
'DY PRÐBUJEMY STOSOWAÃ MODELE Z CZASEM CIGYM DO OPISU RZECZYWIyCIE
ISTNIEJCYCH RYNKÐW ZWYKLE POJAWIA SIÇ WIELE PROBLEMÐW OKREyLANYCH WSPÐLN
NAZW EFEKTÐW MIKROSTRUKTURY RYNKU 7YKRYWA SIÇ JE
EFEKTY
PRZY OKAZJI ANALIZY DANYCH WYSOKIEJ CZÇSTOTLIWOyCI #HOÃ
MIKROSTRUKTURY
TEGO TYPU DANE WYDAJ SIÇ BYÃ NIEZWYKLE UYTECZNE PRZY RYNKU
WERYFIKACJI MODELI Z CZASEM CIGYM TO JEDNAK MAJ
ONE SPECYFICZNE WAyCIWOyCI WYMAGAJCE OD BADACZA SZCZEGÐLNEJ UWAGI PRZY
DOBORZE MODELU I INTERPRETACJI DANYCH 0ROBLEM EFEKTÐW MIKROSTRUKTURY RYNKU
POJAWIA SIÇ JAK JU WSPOMNIANO RÐWNIE PRZY WYBORZE ESTYMATORA DZIENNEJ
ZMIENNOyCI ZREALIZOWANEJ
$O SZCZEGÐOWYCH ASPEKTÐW MIKROSTRUKTURY RYNKU ZALICZA SIÇ PYNNOyÃ
KOSZTY TRANSAKCYJNE ZMIENNOyÃ CEN STOPIEÎ ODZWIERCIEDLANIA INFORMACJI PRZEZ
CENY ASYMETRIÇ INFORMACJI INTENSYWNOyÃ PROCESU NAPYWU INFORMACJI ORAZ ZYSKI
TRANSAKCYJNE 7SZYSTKIE TE ELEMENTY S POWIZANE Z PODSTAWOW FUNKCJ RYNKU
KTÐR JEST UATWIENIE SPOTKAÎ KUPUJCYCH I SPRZEDAJCYCH O ODPOWIADAJCYCH
SOBIE OCZEKIWANIACH I UMOLIWIENIE DOKONANIA TRANSAKCJI *EDNOCZEyNIE ELE
MENTY TE MAJ OGROMNY WPYW NA WAyCIWOyCI DYNAMICZNE SZEREGÐW ZWROTÐW
W SZCZEGÐLNOyCI ZWROTÐW O WYSOKIEJ CZÇSTOTLIWOyCI : JEDNEJ STRONY ANALIZA
DANYCH O WYSOKIEJ CZÇSTOTLIWOyCI DOSTARCZA NAM INFORMACJI NA TEMAT MIKRO
STRUKTURY RYNKU POZWALAJC TYM SAMYM NA BUDOWANIE BARDZIEJ ADEKWATNYCH
MODELI I DOKADNIEJSZY WGLD W RÐNEGO RODZAJU ZALENOyCI WYSTÇPUJCE NA
RYNKU A Z DRUGIEJ STRONY yWIADOMOyÃ ISTNIENIA EFEKTÐW MIKROSTRUKTURY ZABEZPIE
CZA PRZED BEZKRYTYCZNYM PRZYJMOWANIEM POZORNYCH ZALENOyCI WYSTÇPUJCYCH
W SZEREGACH ZWROTÐW I SZEREGACH ZMIENNOyCI
"ADAJC WAyCIWOyCI SZEREGÐW ZWROTÐW INSTRUMENTÐW FINANSOWYCH Z REGUY
ANALIZUJEMY OBSERWACJE POBIERANE W RÐWNYCH ODSTÇPACH CZASU *EDNAK W RZE
CZYWISTOyCI TRANSAKCJE NIE S ZSYNCHRONIZOWANE NP ZMIANY CEN RÐNYCH AKCJI
DOKONUJ SIÇ Z RÐNYMI CZÇSTOTLIWOyCIAMI I NAWET W WYPADKU AKCJI JEDNEJ SPÐKI
INTENSYWNOyÃ TRANSAKCJI ZMIENIA SIÇ W CIGU DNIA CZY TYGODNIA 3ZCZEGÐLNIE JEST
TO WIDOCZNE W WYPADKU RYNKU O STOSUNKOWO MAEJ PYNNOyCI JAKIM JEST '07
W 7ARSZAWIE 5WANIEJSZA ANALIZA NOTOWAÎ yRODDZIENNYCH DLA SPÐEK NOTOWANYCH

NA '07 POKAZUJE E NIERZADKO FAKTYCZNA ZMIANA CENY NASTÇPUJE W ODSTÇPACH

NIE KRÐTSZYCH NI GODZINNE *EDYNIE W WYPADKU KILKU NAJWIÇKSZYCH SPÐEK MA
SENS ANALIZA ZWROTÐW KILKUMINUTOWYCH ZWYKLE PIÇCIOMINUTOWYCH *EDNAK NAWET
WTEDY GDY W KADYCH PIÇCIU MINUTACH NASTÇPUJE ZMIANA CENY TRANSAKCJA Z KTÐR
ZWIZANY JEST UZYSKANY ZWROT ZWYKLE NIE DOKONUJE SIÇ DOKADNIE W MOMENCIE
UPYWU TYCH PIÇCIU MINUT 0RZYJMOWANE MILCZCO ZAOENIE E ZMIANY CEN S
RÐWNO ODLEGE W CZASIE MOE PROWADZIÃ DO BÇDNYCH WNIOSKÐW NP ZWIZANYCH
Z PROGNOZOWALNOyCI ZWROTÐW KTÐRE W RZECZYWISTOyCI S NIESKORELOWANE %FEKTEM
NIEREGULARNOyCI HANDLU MOG BYÃ POZORNE KORELACJE POMIÇDZY ZWROTAMI RÐNYCH
SPÐEK AUTOKORELACJE ZWROTÐW PORTFELA ORAZ W NIEKTÐRYCH PRZYPADKACH UJEMNE
AUTOKORELACJE W SZEREGACH ZWROTÐW POSZCZEGÐLNYCH SPÐEK
2OZWAMY NA PRZYKAD ZWROTY DZIENNE WYLICZANE NA PODSTAWIE KURSÐW
ZAMKNIÇCIA DLA AKCJI DWÐCH SPÐEK Z KTÐRYCH PIERWSZ HANDLUJE SIÇ ZNACZNIE
INTENSYWNIEJ NI DRUG A KTÐRYCH ZWROTY S NIEZALENE *EELI NA KRÐTKO PRZED
ZAMKNIÇCIEM GIEDY NAPYNIE ISTOTNA DLA RYNKU INFORMACJA TO MONA PRZYPU
yCIÃ E ZNAJDZIE ONA ODZWIERCIEDLENIE W CENACH AKCJI PIERWSZEJ SPÐKI JESZCZE
TEGO SAMEGO DNIA PODCZAS GDY DLA DRUGIEJ SPÐKI EFEKT WYWOANY T INFORMACJ
WYSTPI DOPIERO NASTÇPNEGO DNIA RANO 7IELOKROTNE
POZORNA KORELACJA POWTÐRZENIE TAKIEGO ZDARZENIA MOE DOPROWADZIÃ DO
POWSTANIA POZORNEJ KORELACJI ZWROTÐW TYCH AKCJI Z OPÐ|
NIENIEM JEDNODNIOWYM TZN STWORZYÃ WRAENIE E NOTOWANIA DRUGIEJ SPÐKI
PODAJ ZA NOTOWANIAMI SPÐKI PIERWSZEJ 0RZYKAD TEN CHOÃ BARDZO UPROSZ
CZONY JEST DOyÃ PRAWDOPODOBNY W WARUNKACH POLSKIEGO RYNKU FINANSOWEGO
ZE WZGLÇDU NA PRZEPISY I ZWYCZAJE DOTYCZCE PUBLIKOWANIA ISTOTNYCH INFORMACJI
EKONOMICZNYCH W GODZINACH POPOUDNIOWYCH 7 TAKIM WYPADKU ANALIZA DA
NYCH EMPIRYCZNYCH PROWADZI NAS DO BÇDNEGO WNIOSKU O PROGNOZOWALNOyCI
W RZECZYWISTOyCI NIEPROGNOZOWALNYCH ZWROTÐW RT )STOT PRZEDSTAWIONEGO
PRZYKADU JEST ZWRÐCENIE UWAGI NA FAKT I GDY HANDEL ODBYWA SIÇ W NIERÐWNYCH
ODSTÇPACH CZASU A OBSERWACJE S CZYNIONE W ODSTÇPACH RÐWNYCH ROZKADY
ZWROTÐW OBSERWOWANYCH MOG MIEÃ ZUPENIE INNE WAyCIWOyCI NI ROZKADY
aPRAWDZIWYCHq ZWROTÐW
7YDAWAÃ BY SIÇ MOGO E W OPISANYCH WYEJ WARUNKACH ROZWIZANIEM JEST
ANALIZA NIEREGULARNIE ROZOONYCH ZWROTÐW TICK BY TICK *EDNAK I TAKIE PODEJyCIE
NIESIE PEWNE TRUDNOyCI ZWASZCZA W ISTOTNYM DLA NAS
DZIAALNOyÃ
ANIMATORÐW KONTEKyCIE OCENY ZMIENNOyCI INSTRUMENTÐW FINANSOWYCH
RYNKU A ZAWYONE 0ROBLEMY O KTÐRYCH TERAZ BÇDZIE MOWA S ZWIZANE
OSZACOWANIA PRZEDE WSZYSTKIM Z RYNKAMI NA KTÐRYCH ISTOTN ROLÇ
ZMIENNOyCI ODGRYWAJ ANIMATORZY RYNKU )CH DZIAALNOyÃ ZWIZANA
ZREALIZOWANEJ
Z OBOWIZKIEM STAEGO PODTRZYMYWANIA PYNNOyCI RYNKU
MA DWOJAKIEGO RODZAJU WPYW NA WAyCIWOyCI OBSERWOWANYCH ZWROTÐW 0RZEDE
WSZYSTKIM SZTUCZNIE ZAWYA ZMIENNOyÃ $ZIEJE SIÇ TO W NASTÇPUJCY SPOSÐB

*EELI W DANYM KRÐTKIM OKRESIE NA RYNEK NIE NAPYWAJ NOWE INFORMACJE TO

CENA AKCJI MOE ODBIJAÃ SIÇq POMIÇDZY CENAMI BID I ASK MIMO E NIE DOCHODZI
DO ADNEJ TRANSAKCJI : TEGO POWODU PRZYJMOWANIE W RÐWNANIU ZMIENNOyCI ZRE
ALIZOWANEJ KWADRATÐW ZWROTÐW WYLICZANYCH W BARDZO KRÐTKICH ODSTÇPACH CZASU
PROWADZI DO BÇDNYCH OSZACOWAÎ ZMIENNOyCI ZREALIZOWANEJ )M RYNEK JEST MNIEJ
PYNNY TYM WIÇKSZY UDZIA W TAK LICZONEJ ZMIENNOyCI ZREALIZOWANEJ MA POZORNA
ZMIENNOyÃ WYWOANA DZIAALNOyCI ANIMATORÐW RYNKU $RUGI ASPEKT WPYWU
ANIMATORÐW RYNKU NA WAyCIWOyCI OBSERWOWANYCH ZWROTÐW JEST ZWIZANY ZE
SPREADEM BIDASK %FEKTEM ISTNIENIA SPREADU MOG BYÃ ZNOWU POZORNE UJEMNE
KORELACJE OBSERWOWANYCH ZWROTÐW A TAKE SKOyNOyÃ WYSTÇPUJCA W ROZKADACH
ZWROTÐW BÇDCA WYNIKIEM NIESYMETRYCZNEGO STOSUNKU ANIMATORÐW RYNKU DO
CEN KUPNA I SPRZEDAY !UTOKORELACJE W OBSERWOWANYCH SZEREGACH ZWROTÐW
MOG RÐWNIE BYÃ EFEKTEM WPYWU KOSZTÐW TRANSAKCYJNYCH
:NACZCYM CZYNNIKIEM WYWOUJCYM EFEKTY MIKROSTRUKTURY RYNKU ZAKÐCA
JCE WERYFIKACJÇ MODELI Z CZASEM CIGYM PRZEZ BADANIA EMPIRYCZNE JEST TO E
ZARÐWNO MOLIWE POMIARY CEN JAK I CZASU TWORZ ZBIORY DYSKRETNE 0ONADTO
ZNACZENIE MA RÐWNIE FAKT ZAWIERANIA WIELU TRANSAKCJI NAWET PO RÐNYCH
CENACH W TEJ SAMEJ CHWILI
7SZYSTKIE WYMIENIONE TU ZJAWISKA WPYWAJ NA ROZKADY OBSERWOWANYCH
ZWROTÐW A CO ZA TYM IDZIE s RÐWNIE NA WAyCIWOyCI ZMIENNOyCI ZREALIZOWANEJ
$OBÐR WAyCIWEJ DUGOyCI PRZEDZIAU CZASOWEGO NA PODSTAWIE KTÐREGO WYLICZA
NE S ZWROTY WYMAGA UWZGLÇDNIENIA TYCH WSZYSTKICH ASPEKTÐW I NIEWTPLIWIE
MUSI BYÃ UZALENIONY OD SPECYFIKI RYNKU /DSTÇP POWINIEN BYÃ TAK DOBRANY BY
NIE WYSTPIY AUTOKORELACJE I TAK DUGI BY NIE POJAWIA SIÇ POZORNA ZMIENNOyÃ
NA SKUTEK DZIAAÎ ANIMATORÐW RYNKU 0ROBLEM TEN JEST ZAGADNIENIEM NATURY
PRAKTYCZNEJ I NIE MOE BYÃ ROZWIZANY TYLKO ZA POMOC OKREyLENIA WAyCIWOyCI
ZMIENNOyCI ZREALIZOWANEJ JAKO ESTYMATORA PRAWDZIWEJ ZMIENNOyCI ACZKOLWIEK
PROWADZONE PRZEZ WIELU BADACZY INTENSYWNE PRACE DOTYCZCE TEJ KWESTII MAJ
OCZYWIyCIE OGROMNE ZNACZENIE
.AJOGÐLNIEJ RZECZ BIORC ZMIENNOyÃ VOLATILITY CENY INSTRUMENTU FINANSOWEGO

OPISUJE SIÇ WAHAÎ ZWROTU Z TEGO INSTRUMENTU W ROZPATRYWANYM PRZEDZIALE CZASU
7 SYTUACJI GDY TRANSAKCJE NA RYNKACH FINANSOWYCH ODBYWAJ SIÇ W DOWOLNYCH
CHWILACH ZWROTY INSTRUMENTÐW FINANSOWYCH A TAKE POMIARY ICH ZMIENNOyCI
MOG TEORETYCZNIE DOTYCZYÃ DOWOLNIE KRÐTKICH PRZEDZIAÐW CZASU 3TANOWI TO
SILNY ARGUMENT PRZEMAWIAJCY ZA MODELOWANIEM CEN INSTRUMENTÐW FINANSO
WYCH JAKO PROCESÐW STOCHASTYCZNYCH Z CZASEM CIGYM +ONSEKWENCJ ZAOENIA

BRAKU MOLIWOyCI ARBITRAU SKOÎCZONYCH WARTOyCI OCZEKIWANYCH ZWROTÐW ORAZ

NIEISTNIENIA KOSZTÐW TRANSAKCYJNYCH JEST MODELOWANIE PROCESU LOGARYTMÐW CEN
INSTRUMENTU FINANSOWEGO ZA POMOC OBIEKTU TEORII PROCESÐW STOCHASTYCZNYCH
ZWANEGO SEMIMARTYNGAEM SPECJALNYM 0ROTTER
SEMIMARTYNGA
)STOTA TEGO PODEJyCIA SPROWADZA SIÇ DO MOLIWOyCI PRZED
SPECJALNY
STAWIENIA PROCESU ZWROTÐW LOGARYTMICZNYCH CENY W JED
NOZNACZNEJ POSTACI JAKO SUMY MARTYNGAU LOKALNEGO I PROCESU PROGNOZOWALNEGO
O SKOÎCZONEJ WARIACJI 0IERWSZY SKADNIK ODPOWIADA NIEPROGNOZOWALNEJ INNOWACJI
ZWROTU DRUGI NATOMIAST ZAWIERA LOKALNIE DETERMINISTYCZNY DRYF STERUJCY yREDNI
NATYCHMIASTOW ZWROTU
$LA DOKADNIEJSZEGO ZOBRAZOWANIA OMAWIANYCH TU POJÇÃ NIEZBÇDNE JEST
WPROWADZENIE PODSTAWOWYCH ELEMENTÐW FORMALIZMU TEORII PROCESÐW STOCHA
STYCZNYCH Z CZASEM CIGYM $OKADNIEJSZE DEFINICJE MONA ZNALE|Ã W LITERATURZE
PRZEDMIOTU NP 0ROTTER 3HIRYAEV (UNT I +ENNEDY ,IPCER
I 3ZIRIAJEW 3OBCZYK 7 DALSZYM CIGU POSTARAMY SIÇ OGRANICZYÃ
WPROWADZANY FORMALIZM DO NIEZBÇDNEGO MINIMUM
.IECH PT OZNACZA PROCES LOGARYTMÐW CEN USTALONEGO INSTRUMENTU FINANSO
WEGO GDZIE T PRZEBIEGA PEWIEN ODCINEK CZASU ; 4= UTOSAMIANY Z PRZEDZIAEM
LICZB RZECZYWISTYCH 3TANDARDOWO ZAKADAMY E PROCES PT OKREyLONY JEST
NA PRZESTRZENI PROBABILISTYCZNEJ Ω  0 ZE STOWARZYSZON FILTRACJ  T∈; 4=
σ PODCIA σ CIAA  GDZIE T GENEROWANE JEST PRZEZ ZBIÐR INFORMACJI NA TEMAT
PROCESU CEN DOSTÇPNYCH DO MOMENTU T WCZNIE :AKADAMY PONADTO E FILTRA
CJA SPENIA ZWYKE WARUNKI ZUPENOyCI I PRAWOSTRONNEJ CIGOyCI A ROZWAANE
PROCESY STOCHASTYCZNE MAJ TRAJEKTORIE PRAWOSTRONNIE CIGE Z LEWOSTRONNYMI
GRANICAMI NP 0ROTTER 3HIRYAEV 0RZY OZNACZENIU RT = PT s P
ZAOENIE E PROCES PT JEST SEMIMARTYNGAEM SPECJALNYM JEST RÐWNOWANE
DANIU BY ISTNIAA JEDNOZNACZNA DEKOMPOZYCJA
RT = !T + -T
GDZIE !T JEST PROCESEM PROGNOZOWALNYM O SKOÎCZONEJ WARIACJI TZN KADA
TRAJEKTORIA JEST FUNKCJ O SKOÎCZONEJ WARIACJI NA PRZEDZIALE ; 4= !LEXIEWICZ
A -T JEST MARTYNGAEM LOKALNYM 0ROTTER 3HIRYAEV
)STNIENIE POWYSZEGO JEDNOZNACZNEGO ROZKADU JEST WARUNKIEM BARDZO OGÐL
NYM I OBEJMUJE PRAKTYCZNIE WSZYSTKIE MODELE UYWANE W STANDARDOWEJ TEORII
WYCENY INSTRUMENTÐW FINANSOWYCH 0RZYKADOWO OPISOWI TAKIEMU PODLEGAJ
PROCESY )TÑ PROCESY SKOKOWE ORAZ MIESZANE PROCESY DYFUZJI ZE SKOKAMI *A
JUGA :AOENIE BRAKU MOLIWOyCI ARBITRAU IMPLIKUJE E WYSTÇPOWANIE
I WIELKOyÃ SKOKÐW S NIEPROGNOZOWALNE A ZATEM SKADOWA MARTYNGAOWA -T
ZAWIERA SKOKI ORAZ WSZYSTKIE SKADNIKI O NIESKOÎCZONEJ WARIACJI 7 ISTOCIE MAMY
DALSZ DEKOMPOZYCJÇ
-T = - #T + - *T

GDZIE -#T JEST CIGYM MARTYNGAEM LOKALNYM O NIESKOÎCZONEJ WARIACJI

A -*T JEST MARTYNGAEM SKOMPENSOWANYCH SKOKÐW
$LA DOWOLNEGO SEMIMARTYNGAU 8T STOWARZYSZONY PROCES WARIACJI KWA
DRATOWEJ ;8 8=T T ∈ ; 4= MONA ZDEFINIOWAÃ WZOREM
t
WARIACJA
[ X , X ] t X ( t) 2 X (0) 2 2 X ( s ) dX ( s)
° KWADRATOWA
0
GDZIE 8Ss OZNACZA GRANICÇ LEWOSTRONN A < T ≤ 4
0RZY PRZYJÇTYCH ZAOENIACH POWYSZA CAKA STOCHASTYCZNA BÇDCA UOGÐLNIE

NIEM KLASYCZNEJ CAKI )TÑ JEST DOBRZE ZDEFINIOWANA 0ROTTER 3HIRYAEV
7ARIACJA KWADRATOWA ;8 8= JEST PROCESEM ROSNCYM O SKOÎCZONEJ WARIACJI NA
PRZEDZIALE ; 4= : PUNKTU WIDZENIA ZASTOSOWAÎ TEGO PROCESU DO MIERZENIA ZMIEN
NOyCI CENY INSTRUMENTU FINANSOWEGO BARDZO WANA JEST NASTÇPUJCA WASNOyÃ PRO
CESU ;8 8= DLA DOWOLNEGO CIGU LOSOWYCH PODZIAÐW PRZEDZIAU ; 4= = τM ≤
τM ≤ TAKIEGO E SUPJ≥ τM J + s τM J → ORAZ SUPJ≥ τM J → 4 PRZY M → ∞
Z PRAWDOPODOBIEÎSTWEM CIG ZMIENNYCH LOSOWYCH
¤ j r1
( X ( t U m, j ) X ( t U m, j 1 )) 2
DY WEDUG PRAWDOPODOBIEÎSTWA JEDNOSTAJNIE ZE WZGLÇDU NA T ∈ ; 4= DO

;8 8=T GDZIE T ∧ τ = MINT τ
*EyLI ZA 8T PRZYJMIEMY PROCES LOGARYTMÐW CENY INSTRUMENTU FINANSOWEGO
TO INTUICYJNIE POWYSZA WASNOyÃ WARIACJI KWADRATOWEJ OZNACZA E ;8 8=T JEST
RÐWNE ZMIENNOyCI CENY ROZWAANEGO INSTRUMENTU REALIZUJCEJ SIÇ W SPOSÐB
CIGY W PRZEDZIALE CZASU [ T] : PODANEJ WAyCIWOyCI WYNIKA TAKE UZASADNIE
NIE PRZYJÇCIA TERMINU WARIACJA KWADRATOWAoo QUADRATIC VARIATION JAKO NAZWY
PROCESU STOCHASTYCZNEGO ;8 8= 7 yWIETLE PRZYWOANEJ WAyCIWOyCI TEGO PRO
CESU NAZWA TA JEST ZUPENIE NATURALNA JEyLI UWZGLÇDNIMY TO E W MATEMATYCE
A DOKADNIEJ W TEORII FUNKCJI WARIACJ LUB WAHANIEM FUNKCJI F ;A B= → 2
NAZYWA SIÇ KRES GÐRNY ZBIORU WSZYSTKICH SUM W POSTACI
n
¤ f (t )
i 1
i f ( ti 1 )
GDZIE A = T < b< TN = B POR !LEXIEWICZ
$RUGA WASNOyÃ WARIACJI KWADRATOWEJ KTÐRA WRAZ Z WYEJ PRZYTOCZON

STANOWI TEORETYCZN PODSTAWÇ ZASTOSOWANIA TEGO POJÇCIA DO ZDEFINIOWANIA
ZMIENNOyCI ZWROTU EX POST W WARUNKACH CZASU CIGEGO JEST NASTÇPUJCA

*EyLI - JEST MARTYNGAEM Z LOKALNIE CAKOWALNYM KWADRATEM TO ZACHODZI

RÐWNOyÃ
%-T s -T s H
⏐ TsH = %[- -]T s [- -]TsH⏐ TsH
,EWA STRONA POWYSZEJ RÐWNOyCI JEST W ROZWAANEJ SYTUACJI RÐWNA WARIANCJI

WARUNKOWEJ VAR-T ⏐TsH *EyLI ZATEM ZDEFINIUJEMY WARIACJÇ KWADRATOW
VT H W PRZEDZIALE ;TsH T= JAKO
VT H = [- -]T s [- -]TsH
TO MOEMY POWIEDZIEÃ E WARIANCJA WARUNKOWA VAR-T ⏐TsH RÐNI SIÇ

OD WARIACJI KWADRATOWEJ VT H JEDYNIE O WIELKOyÃ MAJC ZEROW yREDNI
WARUNKOW 0ONIEWA W WYPADKU CZASU DYSKRETNEGO ZMIENNOyÃ INSTRUMENTU
FINANSOWEGO W MOMENCIE T NP T TYM DNIU OKREyLAMY JAKO VARRT⏐Ts LUB
var( rt | t 1) GDZIE RT JEST ZWROTEM A Ts OZNACZA ZBIÐR INFORMACJI DOSTÇPNYCH
DO MOMENTU Ts WCZNIE WIÇC Z TEGO PUNKTU WIDZENIA WARIACJA KWADRATOWA
VT H W yWIETLE WYEJ WYMIENIONYCH JEJ WAyCIWOyCI JEST JAK NAJBARDZIEJ NATU
RALNYM KANDYDATEM DO MIANA ZMIENNOyCI INSTRUMENTU FINANSOWEGO W DNIU T
W KONTEKyCIE CZASU CIGEGO : TYCH TE POWODÐW !NDERSEN "OLLERSLEV $IE
BOLD I ,ABYS A PROPONUJ PRZYJÇCIE WARIACJI KWADRATOWEJ VT H JAKO
MIARY ZMIENNOyCI CENY INSTRUMENTU FINANSOWEGO LUB W NIEKTÐRYCH PRACACH
ZWROTU TEJ CENY NA PRZEDZIALE ;TsH T= .ATOMIAST "ARNDORFF .IELSEN I 3HEPHARD
OKREyLAJ TAK ZDEFINIOWAN ZMIENNOyÃ MIANEM ZMIENNOyCI AKTUALNEJ
ACTUAL VOLATILITY
0RZEDSTAWIONE WYEJ Z KONIECZNOyCI BARDZO SKRÐTOWE PODEJyCIE DO MIERZE
NIA ZMIENNOyCI INSTRUMENTU FINANSOWEGO NA IDEALNYM BEZARBITRAOWYM RYNKU
Z CZASEM CIGYM KOÎCZYMY POKAZUJC JAK WYRAA SIÇ WARIACJA KWADRATOWA CZYLI
W NASZYM UJÇCIU ZMIENNOyÃ W WYPADKU GDY LOGARYTMICZNA CENA INSTRUMENTU FI
NANSOWEGO EWOLUUJE ZGODNIE Z DYNAMIK OKREyLON PRZEZ STOCHASTYCZNE RÐWNANIE
DYFUZJI ZE SKOKAMI "ARNDORFF .IELSEN I 3HEPHARD *AJUGA
DPT = μ + βσT DT + σT D7T + KT D*T
7 POWYSZYM RÐWNANIU ≤ T ≤ 4 7T JEST STANDARDOWYM RUCHEM "ROWNA

A *T OZNACZA PROCES 0OISSONA PRZY CZYM *T = LUB *T = W ZALENOyCI OD
TEGO CZY W MOMENCIE T NASTÇPUJE SKOK A KT OZNACZA INTENSYWNOyÃ SKOKU
0RZY PRZYJÇTYCH ZAOENIACH O RYNKU FINANSOWYM ZACHODZI RÐWNOyÃ ZMIEN
NYCH LOSOWYCH
h
v 2 ( t , h) T 2 ( t h s) ds
° ¤ t hb sb t
k 2 ( s) J ( s)
0

"ARNDORFF .IELSEN I 3HEPHARD WYKORZYSTALI TEN ZWIZEK ROZWIJAJC

TEORIÇ POZWALAJC BADAÃ WYSTÇPOWANIA SKOKÐW W PROCESIE Z CZASEM CIGYM
GENERUJCYM CENY INSTRUMENTÐW FINANSOWYCH
0RZYJRZYJMY SIÇ TERAZ JAKOyCI PROGNOZ OTRZYMANYCH ZA POMOC OSZACOWANYCH WE

WCZEyNIEJSZYCH ROZDZIAACH MODELI '!2#( I PORÐWNAJMY JE Z OSZACOWANIAMI
4ABELA ZAWIERA WARTOyCI WSPÐCZYNNIKA + C WYBRANYCH SZEREGÐW POL
SKIEGO RYNKU FINANSOWEGO WYLICZONE NA PODSTAWIE OBSERWACJI W PRÐBIE -ONA
ZAUWAYÃ E W WYPADKU KURSÐW WALUTOWYCH JEGO WARTOyCI S WYRA|NIE NISZE
/GÐLNA OBSERWACJA JEST TAKA E IM PYNNIEJSZY RYNEK TYM MNIEJSZA WARTOyÃ C
7 WYPADKU NAJWANIEJSZYCH INDEKSÐW Z DUYCH GIED I W WYPADKU GÐWNYCH
KURSÐW WALUTOWYCH W ZASADZIE NIE MA POTRZEBY WYLICZANIA ZMIENNOyCI 2EAL
MONA STOSOWAÃ 2EAL
2
T co
4ABELA 7ARTOyCI WSPÐCZYNNIKA 1 c 1 2
T oc
)NSTRUMENT C
7)'
7)'
%520,.
53$0,.
0+./RLEN
7YKRESY NA ILUSTRACJI PRZEDSTAWIAJ ZMIENNOyCI ZREALIZOWANE 2EAL 2EAL

I 2EAL ODPOWIADAJCE ZWROTOM PIÇCIOMINUTOWYM INDEKSU 7)' W OKRESIE OD
DO )LUSTRACJA ZAWIERA ZESTAWIENIE WYKRESÐW ZMIENNOyCI
ZREALIZOWANEJ 2EAL INDEKSU 7)' W TYM SAMYM OKRESIE ODPOWIADAJCEJ ZWRO
TOM PIÇCIOMINUTOWYM PIÇTNASTOMINUTOWYM PÐGODZINNYM I GODZINNYM

)LUSTARCJA 7)' :MIENNOyCI ZREALIZOWANE WYLICZONE NA PODSTAWIE PIÇCIOMINUTOWYCH STÐP

ZWROTU W OKRESIE s

2EAL 2EAL 2EAL

)LUSTRACJA :MIENNOyÃ ZREALIZOWANA 2EAL INDEKSU 7)' W ZALENOyCI OD CZÇSTOTLIWOyCI ZWROTÐW
/KRES s

2EALH 2EALM

2EALM 2EALM


:OBACZMY TERAZ JAKA JEST JAKOyÃ PROGNOZ WYLICZONYCH ZA POMOC MODELI

Z RODZINY '!2#( OSZACOWANYCH PRZEZ NAS W POPRZEDNICH ROZDZIAACH /CE
NY PROGNOZ DOKONAMY PRZYJMUJC ZA PUNKT ODNIESIENIA WARTOyCI ZMIENNOyCI
ZREALIZOWANYCH 2EAL I 2EAL
/PRÐCZ MODELI OPISANYCH W TABELI ROZWAAMY JESZCZE PROGNOZY Z CZWAR
TEGO MODELU s DOPASOWANEGO DO SZEREGU 7)'K s MODELU !2#( ZE
ZMIENNOyCI ZREALIZOWAN 2EAL Z OPÐ|NIENIEM JAKO DODATKOW ZMIENN
OBJAyNIAJC W RÐWNANIU WARIANCJI WARUNKOWEJ TABELA )LUSTRACJA ORAZ
TABELE I POZWALAJ NA OCENÇ JAKOyCI PROGNOZ INDEKSU 7)' DOKONANYCH
ZA POMOC CZTERECH RÐNYCH MODELI
.ALEY PODKREyLIÃ E ZMIENNOyÃ ZREALIZOWAN CZÇSTO WPROWADZA SIÇ DO RÐW
NANIA WARIANCJI WARUNKOWEJ W CHARAKTERZE ZMIENNEJ OBJAyNIAJCEJ 3TOI ZA TYM
PRZEKONANIE E ZMIENNOyÃ ZREALIZOWANA JEST LEPSZYM
ZMIENNOyÃ
ESTYMATOREM PRAWDZIWEJq ZMIENNOyCI NI OSZACOWANIA ZREALIZOWANA JAKO
Z MODELU '!2#( 7 ROZDZIALE PRZY OKAZJI ANALIZY ZMIENNA OBJAyNIAJCA
MODELI ZMIENNOyCI STOCHASTYCZNEJ ZWRÐCIMY UWAGÇ NA W RÐWNANIU WARIANCJI
CIEKAWY EFEKT SUBSTYTUCJI POMIÇDZY TYMI DWIEMA MIARAMI WARUNKOWEJ
ZMIENNOyCI
4ABELA /SZACOWANIA PARAMETRÐW MODELI DOPASOWANYCH DO SZEREGÐW ZWROTÐW INDEKSÐW 7)'
I 7)' ZE ZMIENNOyCI ZREALIZOWAN W RÐWNANIU WARIANCJI WARUNKOWEJ
3ZEREG 7)'K 7)'K

'!2#( +2EAL '!2#( +2EAL
-ODEL
Z OPÐ|NIENIEM Z OPÐ|NIENIEM
2OZKAD BÇDU .ORMALNY '%$
A s
X s
X
B
B ALBO B s s
C s s
$& s

4ABELA "ÇDY PROGNOZ I WSPÐCZYNNIK 2 REGRESJI -INCERAs:ARNOWITZA DLA PROGNOZ ZMIENNOyCI
INDEKSU 7)' WYESTYMOWANYCH NA PODSTAWIE DUGIEGO SZEREGU OBSERWACJI 7)'D ZA POMOC MODELI
PRZEDSTAWIONYCH W TABELI
!2 '!2#( !2 '!2#( !2 '!2#(+SWITCH !2 '!2#(+SWITCH

2EAL 2EAL 2EAL 2EAL

2
-3%
-ED3%
-% s s s s
-!%
2-3%
-!0%
!-!0%
4)#
,,&
INDEKSU 7)' NA PODSTAWIE KRÐTKIEGO SZEREGU OBSERWACJI 7)'K I MODELI PRZEDSTAWIONYCH W TABELACH
I
'!2#( '!2#( '!2#( +2EAL '!2#( +2EAL

2EAL 2EAL 2EAL 2EAL

2
-3%
-ED3%
-% s s s s
-!%
2-3%
-!0%
!-!0%
4)#
,,&

)LUSTRACJA 0ROGNOZY ZMIENNOyCI INDEKSU 7)' UZYSKANE ZA POMOC MODELI PRZEDSTAWIONYCH
W TABELACH I

7)' 2EAL 7)' 7)'D 7)'D SWITCH 2EAL

/SZACOWANIA ZMIENNOyCI OPARTE NA DUGICH SZEREGACH ZWROTÐW S ZNACZNIE

ZAWYONE "ÇDY PROGNOZY S W WIÇKSZOyCI WYPADKÐW NISZE W STOSUNKU DO MIA
RY 2EAL .AJMNIEJSZYMI BÇDAMI CECHUJE SIÇ PROGNOZA UZYSKANA NA PODSTAWIE
MODELU '!2#( DOPASOWANEGO DO KRÐTKIEGO SZEREGU ZWROTÐW .AJWYSZ
WARTOyÃ 2 DAJE PROGNOZA NA PODSTAWIE MODELU '!2#( Z DODATKOW
ZMIENN OBJAyNIAJC 2EAL 7PROWADZENIE TEJ ZMIENNEJ SPOWODOWAO E SZEREG
NIECO GORZEJ OPISUJE POZIOM ZMIENNOyCI ALE LEPIEJ ODDAJE KIERUNKI JEJ ZMIAN
0ROGNOZY ZMIENNOyCI UZYSKANE DLA NOTOWAÎ INDEKSU 7)' S PODOBNEJ
JAKOyCI JAK PROGNOZY UZYSKANE DLA GÐWNEGO INDEKSU 7)' :ARÐWNO WYKRESY
NA ILUSTRACJI JAK I WYNIKI ZAMIESZCZONE W TABELI WSKAZUJ E DLA INDEKSU
7)' LEPSZE PROGNOZY DOSTAJEMY NA PODSTAWIE MODELI DOPASOWANYCH DO
DUGIEGO SZEREGÐW ZWROTÐW 7)'D

)LUSTRACJA 0ROGNOZY ZMIENNOyCI INDEKSU 7)' UZYSKANE ZA POMOC MODELI PRZEDSTAWIONYCH
W TABELACH I

7)'D 7)'K 7)'K 2EAL 2EAL 2EAL

INDEKSU 7)' NA PODSTAWIE MODELI OPISANYCH W TABELACH I ZWROTY PIÇCIOMINUTOWE
!2 !2 '!2#( '!2#( '!2#( '!2#( '!2#(

'!2#( +2EAL +2EAL
2EAL 2EAL 2EAL 2EAL 2EAL 2EAL

2
-3%
-ED3%
-% s s s s s s
-!%
2-3%
-!0%
!-!0%
4)#
,,&

7 WYPADKU KURSÐW WALUTOWYCH MAMY NIECO INN SYTUACJÇ NI PODCZAS ANA
LIZY SZEREGÐW GIEDOWYCH $LA WSZYSTKICH PIÇCIU ROZWAANYCH KURSÐW PROGNOZA
ZMIENNOyCI JEST PRZEWANIE NIEDOSZACOWANA *EDNOCZEyNIE TRZEBA ZAUWAYÃ
E PROGNOZY S LEPSZE NI TO BYO W WYPADKU SZEREGÐW ANALIZOWANYCH POWYEJ
ZWASZCZA JEyLI CHODZI O WSPÐCZYNNIK DETERMINACJI -INCERAs:ARNOWITZA 2 4O
E BÇDY -3% -ED3E -% ORAZ -!% S NISZE NI DLA INDEKSU 7)' JEST
SPOWODOWANE PRZEDE WSZYSTKIM NISZYM POZIOMEM ZMIENNOyCI KURSÐW
0RZEDSTAWIONE NA ILUSTRACJI WYKRESY PROGNOZ ZMIENNOyCI KURSU 53$
0,. I ZMIENNOyCI ZREALIZOWANEJ 2EAL TABELA POZWALAJ NA WYSUNIÇCIE TEZY
E PIERWSZYCH PROGNOZ JEST DOyÃ TRAFNYCH 0RZYJÇTY PRZEZ NAS OKRES PROGNOZY
NA PODSTAWIE JEDNEGO NIEESTYMOWANEGO PONOWNIE MODELU JEST DUGI : REGUY
MODEL REESTYMUJE SIÇ CO KILKADZIESIT DNI
)LUSTRACJA 0ROGNOZY ZMIENNOyCI KURSU 53$0,. UZYSKANE ZA POMOC MODELI PRZEDSTAWIONYCH
W TABELI

2EAL
53$0,.K
53$0,. SWITCH


KURSU 53$0,. NA PODSTAWIE MODELI PRZEDSTAWIONYCH W TABELI W ODNIESIENIU DO ZMIENNOyCI
2EAL
-ODEL '*2 SWITCH '!2#(

3ZEREG 53$0,.D 53$0,.K

2
-3%
-ED3%
-%
-!%
2-3%
!-!0%
4)#
5ZYSKANE PRZEZ NAS PROGNOZY ZMIENNOyCI KURSU %520,. S GORSZEJ JA

KOyCI NI DLA 53$0,. CHOÃ NP 2 JEST PORÐWNYWALNE TABELA 2ÐNICA
MIÇDZY WYNIKAMI DLA OBU MODELI JEST NIEWIELKA ILUSTRACJA .IECO LEPSZEJ
JAKOyCI PROGNOZY DAJE MODEL '!2#( DOPASOWANY DO KRÐTKIEGO SZEREGU
ZWROTÐW 0ODOBNIE BYO DLA 53$0,.
4ABELA /CENA JAKOyCI PROGNOZ ZMIENNOyCI UZYSKANYCH Z PRZEDSTAWIONYCH W TABELI MODELI
DOPASOWANYCH DO SZEREGÐW ZWROTÐW %520,.D I %520,.K W ODNIESIENIU DO ZMIENNOyCI 2EAL
-ODEL &)'!2#( D '!2#(

3ZEREG %520,.D %520,.K
2
-3%
-ED3%
-%
-!%
2-3%
-!0%
!-!0%
4)#
,,&

)LUSTRACJA 0ROGNOZY ZMIENNOyCI KURSU %520,. UZYSKANE ZA POMOC MODELI PRZEDSTAWIONYCH
W TABELI

2EAL %520,. %520,.K

0ODSUMOWUJC PRZEDSTAWIONE W TYM ROZDZIALE PRZYKADY PODROZDZIAY

I MUSIMY STWIERDZIÃ E CHOÃ ZASTOSOWANIE ZMIENNOyCI ZREALIZOWANEJ
POPRAWIA JAKOyÃ PROGNOZ TO JEDNAK NIE ZAWSZE WYNIKI S TAKIE JAKIE CHCIE
LIBYyMY UZYSKAÃ 0ROGNOZOWANIA OPIERA SIÇ BOWIEM ZWYKLE NA ZAOENIU E
PRZYSZOyÃ CHOÃ W PEWNYM STOPNIU BÇDZIE PODOBNA DO PRZESZOyCI I W ZWIZKU
Z TYM MODELE OSZACOWANE NA PODSTAWIE DANYCH Z PRZESZOyCI OKA SIÇ UYTECZ
NE 2ZECZYWISTOyÃ NIE ZAWSZE DOSTOSOWUJE SIÇ DO NASZYCH OCZEKIWAÎ ,UDZIE
ZAJMUJCY SIÇ MODELOWANIEM I PROGNOZOWANIEM CZÇSTO POWTARZAJ OPINIÇ
PROGNOZOWANIE JEST SZTUK MÐWIENIA JAK BÇDZIE I WYJAyNIANIA DLACZEGO TAK NIE
BYO 3ENS STOSOWANIA MODELI I PROGNOZOWANIA CZÇSTO BARDZO NIEDOSKONAEGO
ZA ICH POMOC POLEGA NA TYM E STOSUJC MODEL MOEMY TE OCENIÃ PRAWDO
PODOBIEÎSTWO WIELKOyCI POPENIANYCH BÇDÐW :ACHOWUJEMY W TEN SPOSÐB
PEWN KONTROLÇ NAD NIEUCHRONNYM RYZYKIEM ZWIZANYM Z FUNKCJONOWANIEM
RYNKÐW FINANSOWYCH

5WAGI
:ASTANÐWMY SIÇ PRZEZ CHWILÇ NAD IDE KTÐRA KRYJE SIÇ ZA PROPOZYCJ !NDERSENA
I "OLLERSLEVA .A PIERWSZY RZUT OKA ROZWAANIA ZAWARTE W ICH PRACY !NDERSEN
I "OLLERSLEV MOG WYDAWAÃ SIÇ DZIWNE 5ZYSKUJEMY ZEJ JAKOyCI PROGNOZY
WIÇC ZAMIAST PRACOWAÃ NAD METODAMI PROGNOZOWANIA ZMIENIAMY WIELKOyCI
Z KTÐRYMI PORÐWNUJEMY TE PROGNOZY 4RZEBA JEDNAK UyWIADOMIÃ SOBIE E
WARIANCJA WARUNKOWA JEST WIELKOyCI NIEOBSERWOWALN I E OCENIAJC JAKOyÃ
PROGNOZY ZAWSZE PORÐWNUJEMY J TYLKO Z WARTOyCI PEWNEGO ESTYMATORA
ZMIENNOyCI 0OMYS !NDERSENA I "OLLERSLEVA SPROWADZA SIÇ ZATEM DO TEGO BY
JAK NAJTRAFNIEJ WYBRAÃ ESTYMATOR ZMIENNOyCI Z KTÐRYM BÇDZIEMY PORÐWNYWAÃ
PROGNOZY *EyLI OSZACOWANIA ZMIENNOyCI UZYSKANE ZA POMOC RÐNYCH METOD
NP ZMIENNOyÃ ZREALIZOWANA I OSZACOWANIA Z MODELU '!2#( S BLISKIE MO
EMY MIEÃ WIÇKSZ PEWNOyÃ E OBIE WIELKOyCI S RÐWNIE BLISKIE PRAWDZIWEJ
NIEOBSERWOWALNEJ WARTOyCI WARIANCJI WARUNKOWEJ
"ADANIA NAD ZMIENNOyCI ZREALIZOWAN WI SIÇ NIEODCZNIE Z ANALIZ SZE
REGÐW FINANSOWYCH O ULTRAWYSOKIEJ CZÇSTOTLIWOyCI NALEC DO GÐWNEGO NURTU
EKONOMETRII FINANSOWEJ 7yRÐD BADACZY ZAJMUJCYCH SIÇ TYMI ZAGADNIENIAMI
MONA WYRÐNIÃ DWIE DOMINUJCE GRUPY *EDNA Z NICH SKUPIONA JEST WOKÐ
!NDERSENA I "OLLERSLEVA A DRUG KIERUJ "ARNDORFFs.IELSEN I 3HEPHARD


-ODELE DWULINIOWE
7 TYM ROZDZIALE PRZEDSTAWIAMY MODELE KTÐRE POJAWIY SIÇ WCZEyNIEJ NI MO

DELE '!2#( OPISUJ PODOBNE ZACHOWANIA ALE ZOSTAY PRZEZ MODELE '!2#(
PRAWIE CAKOWICIE WYPARTE 3 ONE JEDNAK INTERESUJCE PO PIERWSZE JAKO ILU
STRACJA FAKTU E TO SAMO ZJAWISKO MONA OPISAÃ NA WIELE RÐNYCH SPOSOBÐW
A PO DRUGIE DLATEGO E WPROWADZAJ ZALENOyCI NIELINIOWE TAKE DO RÐWNANIA
yREDNIEJ WARUNKOWEJ -ODELE TE NOSZ NAZWÇ MODELI DWULINIOWYCH
-ODELE DWULINIOWE PO RAZ PIERWSZY ROZWAANE BYY W PRACACH 'RANGERA I !N
DERSENA ORAZ 3UBBY 2AO *AKO SZCZEGÐLNE PRZYPADKI OBEJMUJ ONE
LINIOWY MODEL yREDNIEJ RUCHOMEJ -! ORAZ LINIOWY MODEL AUTOREGRESYJNY !2
.A MODEL DWULINIOWY MONA RÐWNIE PATRZEÃ JAK NA MODEL !2-! ZE ZMIENIAJCY
MI SIÇ W CZASIE WSPÐCZYNNIKAMI CZÇyCI AUTOREGRESYJNEJ -ODELE DWULINIOWE MOG
STANOWIÃ ALTERNATYWNY W STOSUNKU DO MODELI '!2#( APARAT MODELUJCY ZGRUPO
WANIA ZMIENNOyCI WYSTÇPUJCE W SZEREGACH STÐP ZWROTU INSTRUMENTÐW FINANSOWYCH
-OE TO BYÃ PRZYCZYN BÇDNYCH SPECYFIKACJI MODELE '!2#( S PRZYJMOWANE
ZAMIAST MODELI DWULINIOWYCH I NA ODWRÐT 7EISS : PUNKTU WIDZENIA TEORII
MODELI NIELINIOWYCH WANOyÃ KLASY MODELI DWULINIOWYCH POLEGA NA TYM E ZA ICH
POMOC MONA NA DANYM SKOÎCZONYM PRZEDZIALE CZASU APROKSYMOWAÃ Z DOWOLN
DOKADNOyCI KADY DYNAMICZNY MODEL NIELINIOWY "ROCKETT
"ÇDZIEMY ROZWAAÃ GRUPÇ MODELI DWULINIOWYCH W KTÐRYCH ZABURZENIE MOE BYÃ
PROCESEM WARUNKOWO HETEROSKEDASTYCZNYM OPISYWANYM PRZEZ MODEL '!2#(
#HARAKTERYSTYKA MODELI DWULINIOWYCH

-ODEL DWULINIOWY W OGÐLNEJ POSTACI DANY JEST ZA POMOC RÐWNANIA
m ¥ pm ´
rt a0 ¤ b0 j ut
j ¦
¦
i 1 §
a¤
i ¤
C ij ui j µ rt i ut
µ

j 1 j 1 ¶
GDZIE ZAZWYCZAJ ZAKADA SIÇ E UT JEST BIAYM SZUMEM Z ZEROW yREDNI

-ODELE DWULINIOWE
+OWARIANCYJNA STACJONARNOyÃ PROCESU OPISANEGO RÐWNANIEM PRZY

ZAOENIU E ZMIENNE UT S NIEZALENE I MAJ JEDNAKOWY ROZKAD DLA KTÐREGO
ISTNIEJ WSZYSTKIE MOMENTY MOE BYÃ OPISANA PRZEZ UKAD DOyÃ ZOONYCH
OGRANICZEÎ NAOONYCH NA PARAMETRY 4ONG
"ÇDZIEMY ROZWAAÃ MODELE DWULINIOWE O NASTÇPUJCEJ SPECYFIKACJI
A, RT = A + λ, UTs ψ, RTs + θ, UT
GDZIE
A, ≡ s A, s b s AP,P λ, ≡ + λ , + + λRs,Rs
ψ, ≡ ψ + ψ , +b + ψP ,Ps ORAZ θ, ≡ s θ, sb s θQ ,Q
/ ZMIENNYCH UT ZAKADAMY E TWORZ BIAY SZUM O ZEROWEJ yREDNIEJ I WARIANCJI
σ W SZCZEGÐLNOyCI MOG BYÃ MODELOWANE ZA POMOC MODELI KLASY '!2#(

7 TAKIEJ SYTUACJI MÐWIMY O MODELACH ", '!2#( -ODEL DWULINIOWY JEST

NATURALNYM UOGÐLNIENIEM MODELU !2-!P Q OTRZYMYWANEGO Z RÐWNANIA
GDY WIELOMIAN ψ, JEST ZEROWY / ILE JEDNAK INNE TEGO TYPU UOGÐLNIENIE
STANDARDOWE MODELE !2-! '!2#( WPROWADZAJ NIELINIOWOyÃ W WARIANCJI
WARUNKOWEJ O TYLE W WYPADKU MODELU DWULINIOWEGO STRUKTURA NIELINIOWA PO
JAWIA SIÇ RÐWNIE W yREDNIEJ WARUNKOWEJ :NACZENIE SPECYFIKACJI DWULINIOWEJ
BIERZE SIÇ ZATEM Z FAKTU E MOE ONA SUYÃ DO MODELOWANIA NIELINIOWOyCI
W yREDNIEJ ZA POMOC STOSUNKOWO PROSTEJ STRUKTURY ALGEBRAICZNEJ JAK JEST
WIELOMIAN STOPNIA DRUGIEGO -ODELE DWULINIOWE S JEDNAK RZADZIEJ STOSOWANE
NI INNE OMAWIANE W TEJ PRACY TYPY MODELI "YÃ MOE JEST TO ZWIZANE Z TYM E
W BADANIACH EMPIRYCZNYCH TRUDNO JEST ODRÐNIÃ PROCESY DWULINIOWE OD PROCESÐW
OPISYWANYCH PRZEZ BARDZO POPULARNE MODELE !2-! '!2#( 7EISS
:NACZENIE MODELI DWULINIOWYCH WYNIKA MIÇDZY INNYMI Z FAKTU E MOG ONE

W INNY SPOSÐB NI OMÐWIONE W POPRZEDNIM ROZDZIALE MODELE '!2#( WYJA
yNIAÃ ZJAWISKO ZGRUPOWAÎ ZMIENNOyCI W SZEREGACH STÐP ZWROTU INSTRUMENTÐW
FINANSOWYCH WIZANE ZWYKLE Z FAKTEM WYSTÇPOWANIA AUTOKORELACJI W KWADRA
TACH ZWROTÐW CZYLI Z EFEKTEM !2#(
0RZYPUyÃMY E KOWARIANCYJNIE STACJONARNY SZEREG RT MOE BYÃ OPISANY ZA
POMOC PROSTEGO MODELU DWULINIOWEGO
RT = ψ RTs UTs + UT
GDZIE UT JEST GAUSSOWSKIM BIAYM SZUMEM Z WARIANCJ σ ORAZ σ ψ <

7TEDY WARTOyÃ OCZEKIWANA ZMIENNEJ RT JEST RÐWNA ZERU ORAZ
RT = ψ RTs UTs + ψ RTs UTs UT + UT

:ATEM
T2
E( rt2 ) Z 22 E( rt2 2 ) E( ut2 1 ) 2 Z 2 E( rt 2 ut 1 ut ) E( ut2 )
1 T 2 Z 22
/STATNIA RÐWNOyÃ WYNIKA Z NIEZALENOyCI ZMIENNYCH UTs I RTsK DLA K ≥
ZAOENIA KOWARIANCYJNEJ STACJONARNOyCI PROCESU RT ORAZ Z DAJCEJ SIÇ BEZPO
yREDNIO SPRAWDZIÃ RÐWNOyCI %RT RTs = /GÐLNIE MONA SPRAWDZIÃ E SZEREG
RT JEST BIAYM SZUMEM *EDNAKE KWADRATY ZMIENNYCH RT S SKORELOWANE -AMY
BOWIEM
4
T
E( rt2 rt2 k ) Z 22 E( rt2 2 rt2 k ut2 1 )
1 Z 22 T 2
DLA K = b 3TD DLA K = DOSTAJEMY

3Z 22 T 6 T4 2 2 2 T 6 Z 22
E( rt2 rt2 1 ) I cov( rt , rt 1 )
(1 Z 22 T 2 ) 2 2 2
1 Z 2T (1 T 2 Z 22 ) 2
.ATOMIAST DLA K ≥
4
T
E( rt2 rt2 k ) Z 22 T 2 E( rt2 2 rt2 k )
1 Z 22 T 2
COVRT RTsK = ψ σCOVRTs RTsK
: RÐWNOyCI s WYNIKA E ZMIENNE RT S DODATNIO SZEREGOWO SKORE
LOWANE PRZY WSZYSTKICH OPÐ|NIENIACH $OKADNIEJ MÐWIC
2 T 6 Z 22
cov( rt2 , rt2 1 )
(1 T 2 Z 22 ) 2
cov( rt2 , rt2 2 ) T 2 Z 22 var( rt2 )
2 T 8 Z 42
cov( rt2 , rt2 3 )
(1 T 2 Z 22 ) 2
cov( rt2 , rt2 4 ) T 4 Z 42 var( rt2 )
7YLICZAJC Z RÐWNOyCI WARIANCJÇ WARUNKOW ZMIENNEJ RT POD WARUN
KIEM INFORMACJI DOSTÇPNEJ DO OKRESU T s OTRZYMUJEMY
%RT⏐Ts = %ψ RTs UTs + ψ RTs UTs UT + UT ⏐ Ts =

= σ + + ψ R Ts
7ARIANCJA WARUNKOWA JEST ZATEM FUNKCJ OPÐ|NIONYCH WARTOyCI PROCESU
0OWYSZY PRZYKAD POKAZUJE MECHANIZM ZA POMOC KTÐREGO PROCESY DWU
LINIOWE MOG GENEROWAÃ ZGRUPOWANIA ZMIENNOyCI W MODELOWANYCH SZEREGACH
CZASOWYCH 0OWODUJE TO E W BADANIACH EMPIRYCZNYCH PROCESY DWULINIOWE
BYWAJ CZASAMI MYLONE Z PROCESAMI '!2#(

-ODELE DWULINIOWE
0ODSTAWOW WTPLIWOyCI POJAWIAJC SIÇ PRZY STOSOWANIU MODELI DWULINIOWYCH

JEST TO E BARDZO CZÇSTO OSZACOWANIA TYCH SPOyRÐD ICH PARAMETRÐW KTÐRE DE
CYDUJ O FAKTYCZNEJ NIELINIOWOyCI W NASZYM WYPADKU ψ ψ λ S NIEISTOTNE
*EDNAK OSZACOWANIA ZMIENNOyCI W PRÐBIE OTRZYMYWANE ZA POMOC SPECYFIKACJI
", '!2#( ZE STANDARDOWYM MODELEM '!2#( S DOyÃ DOBREJ JAKOyCI
GDY ZESTAWIAMY JE ZE ZMIENNOyCI ZREALIZOWAN A JAKOyÃ PROGNOZ ZMIENNOyCI
JEST PORÐWNYWALNA Z JAKOyCI PROGNOZ OTRZYMANYCH ZA POMOC MODELI '!2#(
Z BARDZIEJ ROZBUDOWAN STRUKTUR
7 PRZEDSTAWIANYCH TU PRZYKADACH ESTYMUJEMY MODELE KTÐRYCH RÐWNANIE
JEST NASTÇPUJCE
RT = A + A RTs + UTs + λ UTs ψ RTs + ψ RTs + UT
PRZY CZYM DLA BÇDU UT W RAMACH PROCEDURY JEDNOSTOPNIOWEJ SZACUJEMY JESZCZE
MODEL '!2#(
4ABELE I ZAWIERAJ OSZACOWANIA PARAMETRÐW MODELI DWULINIOWYCH
DOPASOWANYCH DO SZEREGÐW ZWROTÐW INDEKSÐW 7)' I 7)' -ODELE OPISUJCE
DUGIE SZEREGI ZWROTÐW INDEKSÐW 7)'D I 7)'D MAJ ISTOTNE OSZACOWANIA
PARAMETRÐW DECYDUJCYCH O NIELINIOWOyCI W yREDNIEJ
.A ILUSTRACJACH s PRZEDSTAWIONE S OSZACOWANIA ZMIENNOyCI W PRÐBIE
ORAZ PROGNOZY DLA INDEKSÐW 7)' I 7)' ATWO Z NICH ODCZYTAÃ E MODELE
DWULINIOWE PRZESZACOWUJ ZMIENNOyÃ 0OTWIERDZAJ TO WARTOyCI BÇDÐW PRO
GNOZY PRZEDSTAWIONE W TABELI
4ABELA /SZACOWANIA PARAMETRÐW MODELI ", '!2#( DOPASOWANYCH DO SZEREGÐW ZWROTÐW
INDEKSÐW 7)' I 7)'
3ZEREG 7)'D 7)'D 7)'K

2OZKAD BÇDU T 3TUDENTA T 3TUDENTA T 3TUDENTA
A s s s
A
A s s s
Z s
Z s s
M s s
X
B
C
$&

)LUSTRACJA 7)'D :MIENNOyÃ W PRÐBIE WYESTYMOWANA ZA POMOC MODELU ", '!2#(

)LUSTRACJA 7)'K :MIENNOyÃ W PRÐBIE WYESTYMOWANA ZA POMOC MODELU ", '!2#(
ORAZ ZMIENNOyÃ ZREALIZOWANA 2EAL

2EAL
", '!2#(


-ODELE DWULINIOWE
4ABELA /CENA JAKOyCI PROGNOZ ZMIENNOyCI UZYSKANYCH ZA POMOC MODELI OPISANYCH W TABELI
3ZEREG 7)'D 7)'D 7)'K

2
-3%
-ED3%
-% s s s
-!%
2-3%
-!0%
!-!0%
4)#
,,&
)LUSTRACJA 7)' 0ROGNOZY ZMIENNOyCI UZYSKANE ZA POMOC MODELU ", '!2#( DOPASOWANEGO
DO DUGIEGO SZEREGU ZWROTÐW 7)'D /KRES s

", 2EAL


)LUSTRACJA 7)' 0ROGNOZY ZMIENNOyCI UZYSKANE ZA POMOC MODELU ", '!2#( DOPASOWANEGO
DO KRÐTKIEGO SZEREGU ZWROTÐW 7)'K /KRES s

2EAL ", '!2#(

7 WYPADKU KURSU 53$0,. TABELA UZYSKALIyMY WYNIKI MNIEJ ZADOWA

LAJCE /TRZYMALIyMY SENSOWNE DOPASOWANIE MODELU GORZEJ BYO Z ISTOTNOyCI
OSZACOWAÎ PARAMETRÐW ZWIZANYCH Z NIELINIOWOyCI )NTERESUJCY JEST FAKT E
DLA SZEREGU 53$0,.D NAJBARDZIEJ ADEKWATNYM MODELEM OPISUJCYM RESZTY
OKAZA SIÇ MODEL 4!2#( POR PODROZDZIA *AKOyÃ PROGNOZ ILU
STRACJA I TABELA JEST PORÐWNYWALNA Z JAKOyCI PROGNOZ UZYSKIWANYCH ZA
POMOC MODELI '!2#(
4ABELA /SZACOWANIA PARAMETRÐW MODELI ", '!2#( DLA SZEREGÐW ZWROTÐW KURSU WALUTOWEGO
53$0,.
3ZEREG 53$0,.D 53$0,.K

2OZKAD BÇDU T 3TUDENTA T 3TUDENTA
A s
B
Z s
M s s
X
B
C
H s s
$&

-ODELE DWULINIOWE
)LUSTRACJA 0ROGNOZY ZMIENNOyCI KURSU WALUTOWEGO 53$0,. OTRZYMANE ZA POMOC MODELI
", '!2#( DOPASOWANYCH DO SZEREGÐW ZWROTÐW 53$0,.D I 53$0,.K ORAZ ZMIENNOyÃ ZREALIZOWANA
/KRES s

", 53$0,.K
2EAL
", 53$0,.

4ABELA /CENA JAKOyCI PROGNOZ ZMIENNOyCI UZYSKANYCH ZA POMOC MODELI OPISANYCH W TABELI
3ZEREG 53$0,.D 53$0,.K

2
-3%
-ED3%
-%
-!%
2-3%
-!% s s
!-!0%
4)#
,,& s s

5WAGI
5WAGI
*AK JU WSPOMNIANO WCZEyNIEJ MODELE DWULINIOWE ZOSTAY SKUTECZNIE WYPARTE

Z PRAKTYCZNYCH ZASTOSOWAÎ PRZEZ MODELE '!2#( .IEMNIEJ MAJ ONE SWOICH
ZWOLENNIKÐW I CIGLE POJAWIAJ SIÇ W BADANIACH .IECO INFORMACJI NA ICH TEMAT
ZNALE|Ã MONA W KSICE 4SAYA
7YDAJE SIÇ E MODELE ", '!2#( ZE WZGLÇDU NA BOGATSZY OPIS yREDNIEJ
WARUNKOWEJ JAKIEGO MOG DOSTARCZYÃ DZIÇKI WYSTÇPUJCYM W JEJ SPECYFIKACJI
ZALENOyCIOM NIELINIOWYM MAJ SZANSÇ BYÃ SKUTECZNIEJSZYM NARZÇDZIEM SZA
COWANIA WARTOyCI ZAGROONEJ *EST TO POWSZECHNIE STOSOWANA MIARA RYZYKA
INWESTYCJI FINANSOWYCH O KTÐREJ PISZEMY W ROZDZIALE
:ASTOSOWANIA MODELI ", '!2#( DO OPISU SZEREGÐW OBSERWACJI Z POLSKIEGO
RYNKU FINANSOWEGO MONA ZNALE|Ã NA PRZYKAD W PRACACH "RUZDA $OMAN
I $OMAN


+OLEJNA ROZWAANA PRZEZ NAS KLASA MODELI MODELE ZMIENNOyCI STOCHASTYCZNEJ

STOCHASTIC VOLATILITY s 36 PODOBNIE JAK KLASA PRZEDSTAWIONA W POPRZEDNIM
ROZDZIALE STANOWI BEZPOyREDNI KONKURENCJÇ DLA MODELI '!2#( -A ONA
NAD NIMI TÇ PRZEWAGÇ E s JAK TO WYJAyNIAMY DOKADNIEJ DALEJ s JEST DOBRZE
POWIZANA Z TEORETYCZNYMI MODELAMI MATEMATYKI FINANSOWEJ I NIE MONA JEJ
ZARZUCIÃ BRAKU ZNACZENIA DLA ROZWOJU TEORII CO CZASAMI CZYNI SIÇ W STOSUNKU
DO MODELI '!2#(
7 MODELACH '!2#( ZARÐWNO WARIANCJA WARUNKOWA JAK I yREDNIA WA
RUNKOWA OBSERWOWANEGO SZEREGU CZASOWEGO YT ZALE OD TEGO SAMEGO CIGU
ZABURZEÎ 0ONADTO WARIANCJA WARUNKOWA σT JEST MIERZALNA WZGLÇDEM σ CIAA
GENEROWANEGO PRZEZ HISTORIÇ PROCESU DO MOMENTU T s WCZNIE INTUICYJNIE
ZBIÐR INFORMACJI O PROCESIE /ZNACZA TO E PRZY DANYM ZBIORZE Ts σT JEST FUNK
CJ DETERMINISTYCZN +ONKURENCYJNA KLASA MODELI ZMIENNOyCI STOCHASTYCZNEJ
36 RÐNI SIÇ PRZYJÇCIEM ZAOENIA E ZMIENNOyÃ σT PODLEGA DODATKOWEMU
RÐWNOCZESNEMU ZABURZENIU I WOBEC TEGO NAWET PRZY DANYM ZBIORZE INFORMA
CJI Ts NIE JEST WIELKOyCI DETERMINISTYCZN -ODELE 36 MAJ SWÐJ POCZTEK
ZARÐWNO W FINANSACH MATEMATYCZNYCH JAK I W EKONOMETRII FINANSOWEJ
*EDNYM Z ISTOTNYCH MANKAMENTÐW CIGLE JESZCZE POWSZECHNIE STOSOWANEGO
W FINANSACH PRZEZ PRAKTYKÐW MODELU "LACKAs3CHOLESA WYCENY OPCJI EUROPEJ
SKIEJ JEST NIEREALISTYCZNE ZAOENIE O STAOyCI PARAMETRU ZMIENNOyCI &AKT TEN
BY GÐWNYM POWODEM WPROWADZENIA PRZEZ (ULLA I 7HITEoA MODELU
WYCENY OPCJI W KTÐRYM ZMIENNOyÃ JEST PROCESEM STOCHASTYCZNYM Z CZASEM
CIGYM -ODEL 36 JEST WERSJ MODELU (ULLAs7HITEoA ODPOWIADAJC CZASOWI
DYSKRETNEMU
/BECNOyÃ DODATKOWEGO PROCESU INNOWACJI ISTOTNIE ZWIÇKSZA ELASTYCZNOyÃ
MODELU 36 W ZAKRESIE OPISYWANIA EWOLUCJI ZMIENNOyCI σT W PORÐWNANIU Z MO
DELAMI KLASY '!2#( : DRUGIEJ JEDNAK STRONY OKOLICZNOyÃ TA BARDZO UTRUDNIA
ESTYMACJÇ PARAMETRÐW I OBLICZANIE PROGNOZ ZMIENNOyCI 0RZEGLD PRAC OBRAZU
JCYCH ROZWÐJ BADAÎ ZWIZANYCH Z MODELAMI ZMIENNOyCI STOCHASTYCZNEJ ZAWARTY

JEST MIÇDZY INNYMI W ARTYKULE KTÐREGO AUTORAMI S 'HYSELS (ARVEY I 2ENAULT

0RZYJMUJE SIÇ E HISTORIA PROCESÐW ZMIENNOyCI STOCHASTYCZNEJ JEST DUSZA
NI MODELI '!2#( I E PO RAZ PIERWSZY TEGO TYPU PROCES POJAWI SIÇ W PRACY
#LARKA OPISUJCEJ ZWROTY JAKO FUNKCJÇ LOSOWEGO NAPYWU INFORMACJI
.IECH RT OZNACZA PROCENTOWY ZWROT LOGARYTMICZNY Z ROZWAANEGO INSTRUMENTU

FINANSOWEGO 0RZY MODELOWANIU ZMIENNOyCI ZA POMOC MODELI 36 BÇDZIEMY
BADAÃ JEDYNIE SZEREG YT = RT s μT GDZIE μT = %RT ⏐Ts JEST yREDNI WARUNKOW PRZY
CZYM Ts OZNACZA ZBIÐR INFORMACJI NA TEMAT RT DOSTÇPNYCH DO DNIA T s WCZNIE
7 WYPADKU DANYCH EMPIRYCZNYCH yREDNIA WARUNKOWA JEST CZÇSTO POMIJANA JAKO
NIEISTOTNA LUB MODELUJE SIÇ J JAKO STACJONARNY PROCES !2-!P Q
7 CELU ZAPEWNIENIA POPRAWNEGO OKREyLENIA WARIANCJI WARUNKOWEJ σT >
ZAMIAST SAMEJ ZMIENNOyCI σT MODELUJE SIÇ JEJ LOGARYTM σT
0ODSTAWOWY MODEL 36 WPROWADZONY PRZEZ -ELINO SPECYFIKACJA
I 4URNBULLA ORAZ 4AYLORA OKREyLONY JEST MODELU 36
RÐWNANIAMI
YT = σT εT
σT = σ EXPHT
HT = φ HTs + σHηT

GDZIE εT I ηT MAJ STANDARDOWY ROZKAD NORMALNY ORAZ S SZEREGOWO I WZAJEMNIE
NIEZALENE
:MIENNOyÃ σT JEST WIÇC NIE TYLKO FUNKCJ ELEMENTÐW ZBIORU INFORMACJI Ts
ALE ZALEY RÐWNIE OD DODATKOWYCH ZABURZEÎ ηT
(EURYSTYCZNA INTERPRETACJA MODELU 36 JEST TAKA E ZMIENNE ηT REPREZENTUJ
ZABURZENIA INTENSYWNOyCI NAPYWU NOWYCH INFORMACJI MIERZONEJ PRZEZ σT NA
TOMIAST εT REPREZENTUJ ZABURZENIA ZWIZANE Z TREyCI NOWYCH INFORMACJI
*EyLI ⏐φ⏐< TO HT JEST STACJONARNYM PROCESEM !2 PRZY CZYM
¥ 2 ´
TI
HT ∼ N ¦ 0, µ :ATEM σ T MA ROZKAD LOG NORMALNY ZE yREDNI
¦ 1 G2 µ
§ ¶
¥ T 2I ´
E(T t ) T # exp ¦
2 2
2
µ
¦ 2(1 G ) µ
§ ¶
0ARAMETROM MODELU MONA NADAÃ PEWNE INTERPRETACJE "LISKA WARTOyÃ
BEZWZGLÇDNA PARAMETRU φ yWIADCZY O PERSYSTENCJI ZMIENNOyCI $UE WARTOyCI

PARAMETRU SKALUJCEGO σ WSKAZUJ NA WYSOKI POZIOM ZMIENNOyCI -AE WARTO

yCI φ PRZY JEDNOCZEyNIE DUYM σH IMPLIKUJ NISK PROGNOZOWALNOyÃ PROCESU
)DEÇ MODELI ZMIENNOyCI STOCHASTYCZNEJ MONA WYWIEyÃ
MODEL
"LACKAs3CHOLESA Z UOGÐLNIEÎ MODELU "LACKAs3CHOLESA 7 KLASYCZNYM
MODELU "LACKAs3CHOLESA WYCENY OPCJI EUROPEJSKIEJ
ZAKADA SIÇ E PROCES 3T CENY AKCJI JEST OPISANY STOCHASTYCZNYM RÐWNANIEM
RÐNICZKOWYM
D3T = μ3TDT + σ3TD7T
GDZIE μ ∈  REPREZENTUJE OCZEKIWAN STOPÇ ZWROTU Z AKCJI σ > JEST WSPÐ
CZYNNIKIEM ZMIENNOyCI A 7T JEST JEDNOWYMIAROWYM STANDARDOWYM RUCHEM
"ROWNA
)NACZEJ MÐWIC PROCES CENY 3T JEST MODELOWANY ZA POMOC GEOMETRYCZNEGO
RUCHU "ROWNA 0RZY PRZEJyCIU DO OBSERWACJI DYSKRETNYCH OZNACZA TO E ZWROTY
LOGARYTMICZNE LN3T 3Ts S NIEZALENE I MAJ JEDNAKOWY ROZKAD NORMALNY
7IÇKSZOyÃ FAKTÐW EMPIRYCZNYCH WSKAZYWAA JEDNAK
MODEL ZMIENNOyCI
E ZAOENIE POWYSZE JEST NIEREALISTYCZNE 7 ZWIZKU
STOCHASTYCZNEJ
Z CZASEM CIGYM Z TYM W KONTEKyCIE CZASU CIGEGO ZACZÇTO ROZWAAÃ
UOGÐLNIONY MODEL "LACKAs3CHOLESA ZWANY RÐWNIE MO
DELEM ZMIENNOyCI STOCHASTYCZNEJ /PISANY JEST ON PRZEZ UKAD STOCHASTYCZNYCH
RÐWNAÎ RÐNICZKOWYCH
D3T = μ3T T DT + σT 3T D7T
DσT = AσT DT + ησT D7T + ησT D7T

GDZIE 7T I 7T S STANDARDOWYMI JEDNOWYMIAROWYMI RUCHAMI "ROWNA
2ÐWNANIE MONA INTERPRETOWAÃ W TEN SPOSÐB E s POZA PROCESEM
7T s NA SYSTEM WPYWA JESZCZE DODATKOWE |RÐDO LOSOWOyCI 7T A ZMIENNOyÃ
NATYCHMIASTOWA σT JEST SAMA PROCESEM DYFUZJI &UNKCJA η MODELUJE KORELACJÇ
NATYCHMIASTOW MIÇDZY PROCESAMI LN3T A σT
3ZCZEGÐLNYM PRZYPADKIEM MODELU OPISANEGO RÐWNANIAMI s JEST
MODEL (ULLAs7HITEoA OKREyLONY PRZEZ UKAD
D3T = μ3T DT + σT 3T D7T
DσT = AσT DT + BσTD7T

GDZIE ZAKADA SIÇ E PROCESY RUCHU "ROWNA 7T I 7T S NIEZALENE
/DPOWIEDNIKIEM MODELU s DLA PROCESÐW Z CZASEM DYSKRETNYM
JEST MODEL
LN3T 3Ts = μT + σTεT
LNσT = α + φ LNσTs + σHηT

W KTÐRYM PROCESY εT ηT S WZAJEMNIE NIEZALENE ORAZ εT ηT ∼IID . -ODEL

TEN JEST RÐWNOWANY Z MODELEM 36 ZDEFINIOWANYM RÐWNANIAMI s
7YKAZANY WYEJ NATURALNY ZWIZEK MODELI 36 ZE STOSOWANYMI W MATEMA
TYCE FINANSOWEJ MODELAMI DYFUZJI s STANOWI SILNY ARGUMENT NA RZECZ
TRAKTOWANIA MODELI 36 JAKO NARZÇDZIA DOSTARCZAJCEGO OPISU EWOLUUJCEJ
W CZASIE ZMIENNOyCI KTÐRY JEST ADEKWATNY W STOPNIU CO NAJMNIEJ TAKIM JAK
OPIS OTRZYMANY ZA POMOC MODELI KLASY '!2#(
3TANDARDOWY MODEL 36 s MONA ROZSZERZYÃ
MODEL 36
WPROWADZAJC DO RÐWNANIA LOGARYTMICZNEJ ZMIENNOyCI Z DODATKOWYMI
DODATKOWE ZMIENNE OBJAyNIAJCE ZMIENNYMI
*EDN Z MOLIWYCH SPECYFIKACJI JEST MODEL 368 K OBJAyNIAJCYMI
W KTÐRYM RÐWNANIE PRZYJMUJE POSTAÃ
HT = φ HTs + γ1 s φ, XTsK + σHηT
GDZIE ηT ∼IID . A , OZNACZA OPERATOR OPÐ|NIENIA
3PECYFIKACJA WARUNKÐW POCZTKOWYCH DLA PROCESU LOGARYTMICZNEJ ZMIENNO
yCI MODELU 368K ZAKADA E NIEOBSERWOWALNE WIELKOyCI XsK S STAE I ZNANE
¥ 2
TI ´
:ATEM H ∼ N ¦ H x1 k , µ
¦
§ 1 G 2 µ¶
-ONA RÐWNIE ROZWAAÃ OGRANICZONY MODEL 368K NAKADAJC WARUNEK
φ = -ODEL TEN W KTÐRYM RÐWNANIE LOGARYTMICZNEJ ZMIENNOyCI PRZY
BIERA POSTAÃ
HT = γ XTsK + σHηT
BÇDZIEMY OZNACZAÃ PRZEZ 3628K
/BECNOyÃ INNOWACJI σHηT UATWIA DOPASOWANIE MODELU 36 DO DANYCH EMPIRYCZ

NYCH ALE Z DRUGIEJ STRONY FAKT TEN ZNACZNIE UTRUDNIA ESTYMACJÇ PARAMETRÐW
0ONIEWA σT NIE DA SIÇ ZREKONSTRUOWAÃ NA PODSTAWIE HISTORII PROCESU ZWROTÐW
NIE MONA BEZPOyREDNIO STOSOWAÃ STANDARDOWYCH TECHNIK METODY NAJWIÇKSZEJ
WIARYGODNOyCI 3POWODOWAO TO E JESZCZE DO NIEDAWNA MODELE 36 MIMO ICH
NIEWTPLIWEJ METODOLOGICZNEJ ATRAKCYJNOyCI STOSUNKOWO RZADKO BYY WYKORZY
STYWANE W BADANIACH EMPIRYCZNYCH
/GÐLNIE TECHNIKI STOSOWANE PRZY ESTYMACJI MODELI 36 MONA PODZIELIÃ NA
DWIE GRUPY W ZALENOyCI OD PODEJyCIA DO KONSTRUKCJI FUNKCJI WIARYGODNOyCI
4ECHNIKI NALECE DO PIERWSZEJ GRUPY MAJ NA CELU KONSTRUKCJÇ PENEJ FUNKCJI

WIARYGODNOyCI -ETODY NALECE DO GRUPY DRUGIEJ s NIE WYKORZYSTUJ FUNKCJI

WIARYGODNOyCI LUB OPIERAJ SIÇ NA JEJ APROKSYMACJI $O GRUPY TEJ NALE METODY
ZAPROPONOWANE PRZEZ 4AYLORA ORAZ (ARVEYA 2UIZ I 3HEPHARDA
)NTENSYWNY ROZWÐJ METOD OPARTYCH NA WYKORZYSTANIU PENEJ FUNKCJI WIARYGOD
NOyCI NASTPI W LATACH .AJWANIEJSZE Z OTRZYMANYCH WYNIKÐW OPISANE S
W PRACACH *ACQUIERA 0OLSONA I 2OSSIEGO +IMA 3HEPHARDA I #HIBA
3ANDMANNA I +OOPMANA ORAZ &RIDMANA I (ARRISA
+OOPMAN I (OL (OL ZASUGEROWALI PODEJyCIE
PODEJyCIE
+OOPMANA I (OL
OPARTE NA ZASTOSOWANIU LOSOWANIA Z FUNKCJ WANOyCI
/SIEWALSKI DO NIEGAUSSOWSKICH I NIELINIOWYCH
MODELI PRZESTRZENI STANÐW $URBIN I +OOPMAN -ETODY TE ZOSTAY ZA
PROPONOWANE W PRACACH 3HEPHARDA I 0ITTA ORAZ $URBINA I +OOPMANA
0RZY TYM UJÇCIU KLASY MODELI 36 ORAZ MODELI 368 MOG BYÃ
TRAKTOWANE JAKO SZCZEGÐLNE PRZYPADKI NIELINIOWYCH MODELI PRZESTRZENI STANÐW
$URBIN I +OOPMAN
7PROWAD|MY OZNACZENIA Y = Y b Y4 ′ Q = θ b θ4 ′ GDZIE 4 JEST LICZB
OBSERWACJI θT = γ∗ + HT I γ∗ = LNσ :ATEM WOBEC SPECYFIKACJI s
σT = EXPθT :AKADAMY E ZMIENNOyÃ LOGARYTMICZNA HT SPENIA WARUNEK
*EyLI PRZEZ Y OZNACZYMY WEKTOR PARAMETRÐW NIEWCZONYCH DO WEKTORA STANU
OKREyLONEGO PONIEJ TO MODEL 368 OKREyLONY WZORAMI I DANY
JEST ZA POMOC GÇSTOyCI
T
2
p( y | θ, ψ ) N ( 0, T
t 1
t)
3YMBOL . σT OZNACZA TU JAK ZWYKLE GÇSTOyÃ ROZKADU NORMALNEGO

O yREDNIEJ I WARIANCJI σT
7EKTOR STANU JEST DANY WZOREM A T = γ∗ γ HT ′ PRZY CZYM θT = A T
2ÐWNANIE PRZEJyCIA DLA WEKTORA STANU MA POSTAÃ
¨1 0 0· ¥ 0 ´
© ¸ ¦ µ
αt 1 ©0 1 0¸ α t ¦ 0 µ ηt 1

© ¸ ¦T µ
ª0 xt G¹ § I¶
GDZIE X∗T = s φ, XT = XT s φ XTs A ZABURZENIA ηT S NIEZALENE I MAJ STANDAR
DOWY ROZKAD NORMALNY 0OCZTKOWY WEKTOR STANU A OKREyLONY JEST PRZEZ
WARUNEK
« ¨ · º
¥H ´ ® ¥ 0 ´ ©L 0 0 ¸ ®
¦ µ ®
¦ H µ~ N ¬
¦ µ ©
0 , 0 L 0 ¸ ®»
¦ µ © ¸ ®
¦h µ ® ¦0µ
§ 1¶ ® § ¶ © 0 0 T 2I / 1 G 2 ¸ ®
ª ¹ ¼
DLA PEWNEJ DOWOLNIE DUEJ WARTOyCI κ 7ARIANCJA H JEST ZATEM RÐWNA BEZWA
RUNKOWEJ WARIANCJI STACJONARNEGO PROCESU !2 MODELUJCEGO HT

7EKTOR PARAMETRÐW Y OKREyLONY JEST JAKO

¥ G ´
¦ µ
ψ ¦TI µ

¦T µ
§ F¶
'ÇSTOyÃ WARUNKOWA WEKTORA Y PRZY DANYM Q MA ZATEM POSTAÃ
T
p( y | θ, ψ ) N (0,exp(R ))
t 1
t θT = A T
I WOBEC TEGO MOE BYÃ WYLICZONA BEZPOyREDNIO PRZY DANEJ REALIZACJI WEKTORA Q
7 PREZENTOWANEJ METODZIE ESTYMACJI CZCEJ ELEMENTY PODEJyCIA KLASYCZ
NEGO I BAYESOWSKIEGO FUNKCJA WIARYGODNOyCI DLA MODELU 368 WYZNACZANA JEST
ZA POMOC TECHNIK -ONTE #ARLO Z ZASTOSOWANIEM LOSOWAÎ Z FUNKCJ WANOyCI
2IPLEY /SIEWALSKI 0RZY WPROWADZONYCH WYEJ OZNACZENIACH
OGÐLN POSTAÃ FUNKCJI WIARYGODNOyCI ZAPISUJE SIÇ NASTÇPUJCO
L(ψ; y ) p( y | ψ ) ° p( y , θ|ψ)dθ ° p( y |θ, ψ) p(θ|ψ)dθ
*AKO FUNKCJÇ WANOyCI p (θ| y , ψ ) WYKORZYSTYWAN DO SYMULACJI WYBIERA
SIÇ WARUNKOW GÇSTOyÃ GAUSSOWSK GQ⏐Y Y W TAKI SPOSÐB BY POKRYWAY SIÇ
PIERWSZE I DRUGIE POCHODNE WZGLÇDEM Q FUNKCJI PQ⏐Y Y I GQ⏐Y Y
0ROSTA I EFEKTYWNA PROCEDURA POZWALAJCA LOSOWAÃ Z APROKSYMACYJNEGO
MODELU GAUSSOWSKIEGO GQ⏐Y Y ZOSTAA PRZEDSTAWIONA W PRACY $URBINA I +O
OPMANA
0O ZASTOSOWANIU FUNKCJI WANOyCI GQ⏐Y Y FUNKCJA WIARYGODNOyCI
PRZYJMUJE POSTAÃ
p(θ| ψ ) « p(θ| ψ ) º
L(ψ; y ) p( y | θ, ψ )
° g (θ| y , ψ ) dθ E ¬ p( y | θ, ψ ) »
g (θ| y , ψ ) g (θ| y , ψ ) ¼
GDZIE E OZNACZA WARTOyÃ OCZEKIWAN ODPOWIADAJC FUNKCJI WANOyCI GQ⏐Y Y
0ONIEWA W ROZWAANYM PRZYPADKU WEKTOR STANU JEST GENEROWANY PRZEZ
RÐWNANIE STANU Z LINIOWEGO MODELU GAUSSOWSKIEGO WIÇC FUNKCJA WIARYGODNOyCI
APROKSYMACYJNEGO MODELU GAUSSOWSKIEGO OKREyLONA JEST WZOREM
g ( y , θ| ψ ) g ( y | θ, ψ ) p(θ| ψ )
L g (ψ; y ) g ( y | ψ )
g (θ| y , ψ ) g (θ| y , ψ )
ZATEM
p(θ| ψ ) L g ( ψ; y )

g θ| ψ g ( y | θ, ψ )
0O PODSTAWIENIU DO OTRZYMUJEMY

« p( y | θ, ψ ) º
L(ψ; y ) Lg (ψ; y ) E ¬ »
g ( y | θ, ψ ) ¼

&UNKCJÇ WIARYGODNOyCI ,G Y Y APROKSYMACYJNEGO MODELU GAUSSOWSKIEGO

OBLICZA SIÇ ZA POMOC FILTRU +ALMANA ZOB $URBIN I +OOPMAN 'ÇSTOyCI
WARUNKOWE PQ⏐Y Y GQ⏐Y Y MOG BYÃ ATWO WYLICZONE PRZY DANYCH WARTO
yCIACH PARAMETRÐW Q I Y &UNKCJA WIARYGODNOyCI MODELU 368 JEST RÐWNOWANA
FUNKCJI WIARYGODNOyCI APROKSYMACYJNEGO MODELU GAUSSOWSKIEGO POMNOONEJ
PRZEZ CZYNNIK KORYGUJCY 7ARTOyÃ TEGO CZYNNIKA USTALA SIÇ ZA POMOC SYMULACJI
.ATURALNYM ESTYMATOREM FUNKCJI WIARYGODNOyCI MODELU 368 JEST WIÇC
>
L(ψ; y ) Lg (ψ; y ) w
M i
1 p( y | θ , ψ )
GDZIE w
M
i 1
¤w i wi i
g ( y | θ , ψ)
PRZY CZYM QI OZNACZA PRÐBÇ LOSOW Z ROZ
KADU O GÇSTOyCI GQ⏐Y Y

$OKADNOyÃ TEGO ESTYMATORA ZALEY OD WASNOyCI WAG WI 'EWEKE
0ONIEWA SYMULOWANE PRÐBY S NIEZALENE OD SIEBIE WARIANCJA ODPOWIADAJCA
SYMULACJI ZMNIEJSZA SIÇ WRAZ ZE WZROSTEM LICZBY SYMULACJI - 4RANSFORMACJA LO
>
GARYTMICZNA FUNKCJI WIARYGODNOyCI L( Z ; y ) WPROWADZA OBCIENIE KTÐRE JEDNAK
MOE BYÃ SKORYGOWANE Z DOKADNOyCI RZÇDU /- s 3HEPHARD I 0ITT
$URBIN I +OOPMAN 0O UWZGLÇDNIENIU TEGO FAKTU OTRZYMUJEMY
2
> sw
ln L(ψ; y ) ln Lg (ψ; y ) ln w
2 Mw 2
M
2
GDZIE sw ( M 1)
1
¤(w
i 1
i w) 2
+ONSTRUKCJA APROKSYMACYJNEGO LINIOWEGO MODELU GAUS

KONSTRUKCJA SOWSKIEGO JEST ISTOTNYM ETAPEM W PROCESIE ESTYMACJI
APROKSYMACYJNEGO
MODELU 368 I W ZWIZKU Z TYM ZOSTANIE TERAZ OMÐ
LINIOWEGO MODELU
GAUSSOWSKIEGO WIONA DOKADNIEJ 3ZUKANY MODEL TO MODEL ZE yREDNI
%YT = θT + CT I WARIANCJ 6YT = (T TZN
YT = θT + UT UT ∼ .CT (T T= b 4
0RZY TYM WIELKOyCI CT I (T POWINNY BYÃ DOBRANE W TAKI SPOSÐB E yREDNIA

I WARIANCJA ZMIENNEJ YT OKREyLONEJ ZALENOyCI ORAZ yREDNIA I WARIANCJA
PRAWDZIWEGO MODELU DANEGO RÐWNANIAMI I S ODPOWIEDNIO
TAK BLISKIE SIEBIE JAK TO TYLKO JEST MOLIWE :GODNIE Z $URBIN I +OOPMAN
MONA TO OSIGNÃ PRZYRÐWNUJC PIERWSZE I DRUGIE POCHODNE WZGLÇDEM Q LO
GARYTMÐW GÇSTOyCI PY⏐Q Y I G Y⏐Q Y W PUNKCIE > θ E (θ) θ g (θ| y , ψ )dθ °

/ZNACZMY ZATEM
1¨ 2
pt ln p( y t | θ, ψ ) ln 2 Q Rt y t exp( R t ) ·
2ª ¹
ORAZ
1¨ 1 2
g t ln g ( y t | θ, ψ ) ln 2 Q ln H t H t ( yt ct R t )
2ª
7ÐWCZAS
upt 1¨ u 2 pt 1 2

2
1 y t exp( Rt ) · 2
y t exp( Rt )
uRt 2ª ¹ uR t 2
2
ug t 1
u gt 1
H t ( yt ct Rt ) 2
Ht
uRt uR t
0RZYRÐWNUJC ODPOWIEDNIE POCHODNE OTRZYMAMY
1
ct H t ¨1 y t2 exp( Rt ) · y t Rt
2 ª ¹
2 exp(Rt )
Ht 2
yt
-ODEL DLA y t y t ct JEST WIÇC RÐWNOWANY Z MODELEM
y t Rt ut UT ∼ .0 (T
-ODEL APROKSYMACYJNY WYZNACZA SIÇ ITERACYJNIE
ZACZYNAJC ITERACJE OD R t 0 I WYZNACZAJC H t ORAZ y t ITERACYJNE
WYZNACZANIE
WEDUG WZORÐW I +OLEJNE WARTOyCI R t MODELU
OTRZYMUJE SIÇ STOSUJC FILTR +ALMANA $URBIN I +OOPMAN APROKSYMACYJNEGO
A DO UZYSKANIA ZBIENOyCI DO Rt E (Rt )
>
*EDNODNIOWA PROGNOZA σ4 1 ZMIENNOyCI JEST Z DEFINICJI WARUNKOW WARTOyCI

OCZEKIWAN ZMIENNEJ σ4+ PRZY DANYM ZBIORZE 4 INFORMACJI O PROCESIE ZWROTÐW
DO MOMENTU 4 WCZNIE 3TOSUJC FUNKCJÇ WIARYGODNOyCI OTRZYMAN ZA POMOC
METOD OPISANYCH W POPRZEDNIM PUNKCIE WYLICZA SIÇ J JAKO
>
T T2 (1) >
T # 2 exp( hT 1|T
1
2 pT 1|T )
GDZIE >T #2 JEST OSZACOWANIEM NAJWIÇKSZEJ WIARYGODNOyCI PARAMETRU σ
>
hT 1|T s ESTYMATOREM DLA H4+ PRZY DANYCH 4 OBSERWACJACH A P4+\4 s JEGO BÇDEM
yREDNIOKWADRATOWYM

%STYMATORY >hT 1|T I P4+\4 WYLICZA SIÇ ZA POMOC METOD SYMULACYJNYCH WPRO
WADZONYCH PRZEZ $URBINA I +OOPMANA
*EyLI HORYZONT PROGNOZY JEST RÐWNY L DNIOM L ≥ TO PROGNOZA JEST ZDEFI
NIOWANA WZOREM
>
T T2 ( l ) >
T # 2 exp( hT l|T
1
2 pT l|T )
>
7ARTOyCI hT l|T ORAZ P4+\4 WYLICZA SIÇ WÐWCZAS JAKO
> >l 1
hT l|T G hT 1|T

l 2
> ( l 1) >2 i > 2
pT l|T G2 pT 1|T ¤G
i 0
TI
GDZIE > TH S ODPOWIEDNIO OSZACOWANIAMI NAJWIÇKSZEJ WIARYGODNOyCI PARA

G I>
METRÐW F ORAZ σH
¥ T >2 ´
> #2 I
*EyLI L → ∞ TO σ L DY DO T

4 exp ¦ µ CZYLI DO OSZACOWANIA WA
¦ 2(1 > 2
G ) µ¶
§
RIANCJI BEZWARUNKOWEJ
$ZIENNE PROGNOZY DLA MODELU 368 OKREyLONE S PODOBNYMI WZORAMI JAK
>
DLA MODELU 36 PRZY CZYM DO OBLICZENIA hT 1|T I P4+\4 NIEZBÇDNA JEST ZNAJOMOyÃ
WARTOyCI X4 DODATKOWEJ ZMIENNEJ OBJAyNIAJCEJ *EyLI NIE S ZNANE WARTOyCI
DODATKOWEJ ZMIENNEJ OBJAyNIAJCEJ WYKRACZAJCE POZA MOMENT 4 TO DLA L ≥
>
NIE MONA WYZNACZYÃ hT 1|T ANI P4+\4 *EDNYM Z MOLIWYCH SPOSOBÐW OBEJyCIA
TEJ TRUDNOyCI JEST PRZYJÇCIE ZAOENIA E WARTOyCI TE NIE ZMIENIAJ SIÇ PODCZAS
KOLEJNYCH DNI HANDLOWYCH
0ORÐWNANIE WYNIKÐW UZYSKANYCH

ZA POMOC MODELI '!2#( I 36
-ODELE '!2#( I MODELE ZMIENNOyCI STOCHASTYCZNEJ 36 POSTRZEGANE S JAKO

BEZPOyREDNIO KONKURENCYJNE KLASY MODELI ZMIENNOyCI 0OCZTKOWA PRZEWAGA
MODELI '!2#( ZWIZANA Z ATWIEJSZ ESTYMACJ I ZNACZNIE KRÐTSZYM CZASEM WY
ZNACZANIA PROGNOZ TRACI ZNACZENIE WRAZ Z ROZWOJEM MOLIWOyCI OBLICZENIOWYCH
:ANIM ZAJMIEMY SIÇ PRAKTYK ESTYMACJI I INTERPRETOWANIA MODELI 36 DOKONAJMY
NA PRZYKADACH BEZ WCHODZENIA W SZCZEGÐY PORÐWNANIA OSZACOWAÎ ZMIENNOyCI
W PRÐBIE I PROGNOZ UZYSKANYCH ZA POMOC MODELI Z OBU TYCH GRUP
:E WZGLÇDU NA DODATKOWY PROCES LOSOWY WYSTÇPUJCY W SPECYFIKACJI MODELU
MODELE 36 S BARDZIEJ ELASTYCZNE I POWINNY LEPIEJ OPISYWAÃ ZMIENNOyÃ W PRÐBIE

*EyLI CHODZI O JAKOyÃ PROGNOZ SPRAWA NIE JEST TAK OCZYWISTA 0ONIEJ PRZEDSTA
WIAMY PORÐWNANIE OSZACOWAÎ ZMIENNOyCI W PRÐBIE ORAZ PROGNOZ ZMIENNOyCI
UZYSKANYCH ZA POMOC MODELI '!2#( I 36 DLA WYBRANYCH SZEREGÐW Z POLSKIE
GO RYNKU FINANSOWEGO :AMIESZCZONE W TYM PODROZDZIALE RYSUNKI POZWALAJ
NA PORÐWNANIE DYNAMIKI ZMIENNOyCI UZYSKANEJ ZA POMOC MODELI Z OBU KLAS
$OKONUJC PORÐWNANIA PROGNOZ NALEY JEDNAK PAMIÇTAÃ E W WYPADKU MO
DELI '!2#( BYY ONE WYLICZANE NA CAY OKRES PROGNOZY ZA POMOC JEDNEGO
OSZACOWANEGO NA PODSTAWIE PRÐBY MODELU .ATOMIAST W PRZYJÇTYM PRZEZ NAS
PODEJyCIU WYZNACZANIE KOLEJNYCH PROGNOZ JEDNODNIOWYCH ZA POMOC MODELU
36 OBEJMUJE KADORAZOWO PONOWN ESTYMACJÇ PARAMETRÐW NA PODSTAWIE PRÐBY
ZAWIERAJCEJ KOLEJN OBSERWACJÇ *EST TO NIEZBÇDNE ZE WZGLÇDU NA KONIECZNOyÃ
WYLICZANIA ZA POMOC METOD SYMULACYJNYCH $URBIN I +OOPMAN ESTYMA
>
TORA PROGNOZY hT 1|T I JEGO BÇDU yREDNIOKWADRATOWEGO PT+\T ZOB
)LUSTRACJE I PRZEDSTAWIAJ ODPOWIEDNIO ZESTAWIENIE PROGNOZ ZMIEN
NOyCI INDEKSU 7)' OSZACOWANYCH ZA POMOC MODELU '!2#( TABELA
ORAZ MODELU 36 TABELA 0RZY OSZACOWANIACH W PRÐBIE ILUSTRACJA
UWAGÇ ZWRACAJ RÐNICE W GADKOyCI WYKRESÐW ZMIENNOyCI OTRZYMANYCH
Z RÐNYCH MODELI 7YKRES ODPOWIADAJCY MODELOWI 36 JEST WYRA|NIE MNIEJ
POSTRZÇPIONY 0ORÐWNANIE JAKOyCI PROGNOZ NA PODSTAWIE DANYCH ZAWARTYCH
W TABELACH I WSKAZUJE NA WYRA|NIE WYSZ ZDOLNOyÃ PROGNOSTYCZN MO
DELU 36 W TYM WYPADKU *EST TO WIDOCZNE RÐWNIE NA ILUSTRACJI
)LUSTRACJA 7)'K 0ORÐWNANIE ZMIENNOyCI W PRÐBIE UZYSKANYCH ZA POMOC MODELI '!2#( I 36

2EAL
'!2#(
36

Q


)LUSTRACJA 7)'K 0ORÐWNANIE PROGNOZ UZYSKANYCH ZA POMOC MODELI '!2#( I 36

2EAL
'!2# (
36

.A ILUSTRACJACH I POKAZANE S PORÐWNANIA OSZACOWAÎ ZMIENNOyCI

W PRÐBIE I PROGNOZ W PRZYPADKU KRÐTKIEGO SZEREGU ZWROTÐW KURSU WALUTOWEGO
53$0,. 53$0,.K UZYSKANE ZA POMOC MODELU '!2#( TABELA
I 36 TABELA 7 WYPADKU ESTYMACJI W PRÐBIE RÐNICE S NIEWIELKIE .A
ILUSTRACJI WIDAÃ WYRA|NIE E JAKOyÃ PROGNOZ NIEZALENIE OD MODELU OBNIA
SIÇ POCZWSZY OD OBSERWACJI -IARY JAKOyCI PROGNOZ WSKAZUJ E TYM RAZEM
NIECO LEPSZA JEST PROGNOZA UZYSKANA ZA POMOC MODELU '!2#(
"ARDZIEJ OBSZERNE I SZCZEGÐOWE PORÐWNANIE PRZYDATNOyCI MODELI '!2#(
I 36 W MODELOWANIU ZMIENNOyCI SZEREGÐW Z POLSKIEGO RYNKU KAPITAOWEGO
INDEKSY GIEDOWE ZOSTAO PRZEDSTAWIONE W PRACACH 0AJOR $OMAN -
$OMAN 2 $OMAN I $OMAN /SIEWALSKI I IN

)LUSTACJA 53$0,.K 0ORÐWNANIE OSZACOWAÎ ZMIENNOyCI W PRÐBIE UZYSKANYCH ZA POMOC MODELI
'!2#( I 36

'!2# (
36

)LUSTRACJA 53$0,.K 0ORÐWNANIE PROGNOZ ZMIENNOyCI UZYSKANYCH ZA POMOC MODELI '!2#( I 36

'!2#( 36 2EAL


%STYMACJA MODELI 36 I PROGNOZOWANIE ZA ICH POMOC ZMIENNOyCI S JAK TO

WIDZIELIyMY W PODROZDZIAACH I ZADANIAMI BARDZIEJ ZOONYMI NI
W WYPADKU MODELI '!2#( :APEWNE W ZWIZKU Z TYM MAO JEST GOTOWYCH
PAKIETÐW STATYSTYCZNYCH UMOLIWIAJCYCH ESTYMACJÇ TYCH MODELI 0REZENTOWANE
W TYM ROZDZIALE OSZACOWANIA MODELI ZMIENNOyCI STOCHASTYCZNEJ A TAKE PRO
GNOZY ZMIENNOyCI ZOSTAY WYLICZONE PRZY UYCIU ZMODYFIKOWANYCH PRZEZ NAS
PROGRAMÐW SVMODELOX SIVMODELOX I SVXMODELOX TOWARZYSZCYCH PAKIETOWI
3SF0ACK +OOPMAN I IN 0ODOBNIE JAK W WYPADKU WIÇKSZOyCI PROGRAMÐW
PRACUJCYCH W yRODOWISKU /X $OORNIK W CHARAKTERZE METODY OPTYMA
LIZACYJNEJ STOSOWANY JEST ALGORYTM "&'3 &LETCHER
$O WYKORZYSTYWANYCH W PRZYKADACH SZEREGÐW STÐP ZWROTU INDEKSÐW 7)'
7)' NOTOWAÎ SPÐKI 0+. /RLEN I KURSU WALUTOWEGO 53$0,. PRÐBO
WALIyMY DOPASOWAÃ TRZY PRZEDSTAWIONE W TYM ROZDZIALE WERSJE MODELU 36
$ODATKOW ZMIENN OBJAyNIAJC W RÐWNANIACH BYA ZMIENNA XT = LN2EALT
4RZEBA ZAZNACZYÃ E PRZY PODEJMOWANIU PRÐB ESTYMACJI MODELI 368 NALEY
MIEÃ yWIADOMOyÃ E DOyÃ CZÇSTO POJAWIAJ SIÇ PRZY ICH SZACOWANIU PROBLEMY
NUMERYCZNE KTÐRE MOG OZNACZAÃ E DANY MODEL NIE OPISUJE POPRAWNIE DY
NAMIKI ROZPATRYWANEGO SZEREGU
4ABELA /SZACOWANIA PARAMETRÐW MODELI ZMIENNOyCI STOCHASTYCZNEJ DOPASOWANYCH DO SZERE

GÐW ZWROTÐW INDEKSU 7)' POD OSZACOWANIAMI PODANE S KOÎCE PRZEDZIAÐW UFNOyCI
3ZEREG 7)'D 7)'K 7)'K 7)'K

-ODEL 36 36 3628LN2EAL 368LN2EAL
s
G s
s

TI

T

H s s
0ORÐWNANIE OSZACOWAÎ PARAMETRÐW MODELI 36 DOPASOWANYCH DO SZEREGÐW

ZWROTÐW 7)'D I 7)'K TABELA PROWADZI DO PODOBNYCH WNIOSKÐW JAK
OTRZYMANE ZA POMOC MODELI '!2#( /BSERWUJEMY
SUBSTYTUCJA MIÇDZY ZNACZNY SPADEK WARTOyCI PARAMETRU φ OZNACZAJCY
ZMIENNOyCI
ZREALIZOWAN
ZMNIEJSZENIE PERSYSTENCJI ZMIENNOyCI *EDNOCZEyNIE
A ZMIENNOyCI WZRASTA σH CO yWIADCZY O SPADKU MOLIWOyCI PROGNOZO
Z MODELU 36 WANIA ZMIENNOyCI MIMO E SAMA ZMIENNOyÃ ZMNIEJSZA

SIÇ PARAMETR SKALUJCY σ MALEJE O POOWÇ 7 MODELU 368 DODATKOWA

ZMIENNA OBJAyNIAJCA LN2EAL WYSTÇPUJE Z DUYM DODATNIM WSPÐCZYNNIKIEM
CO OZNACZA E ISTOTNY WPYW NA POZIOM ZMIENNOyCI W DANYM DNIU MA ZMIENNOyÃ
Z DNIA POPRZEDNIEGO CZYLI FAKTYCZNIE POTWIERDZA ISTNIENIE SILNEJ PERSYSTENCJI
ZMIENNOyCI :WRACA UWAGÇ FAKT PRAWIE PENEJ SUBSTYTUCJI MIÇDZY ZMIENNYMI
HTs A XTs = LN2EALTs W WYPADKU SZEREGU 7)'K 7OBEC TEGO E JEDNOCZEyNIE
σ JEST BLISKIE JEDNOyCI MONA TEN FAKT TRAKTOWAÃ JAKO ARGUMENT NA RZECZ TEZY
E 2EAL DOBRZE SZACUJE PRAWDZIW ZMIENNOyÃ
0RZEDSTAWIONE NA ILUSTRACJI WYKRESY ZMIENNOyCI ZREALIZOWANEJ LN2EAL
ORAZ OSZACOWAÎ ZMIENNOyCI NA PODSTAWIE MODELU 36 DLA SZEREGU 7)'K POKA
ZUJ E DOPASOWANIE W PRÐBIE JEST DOBRE /CZYWIyCIE NIE WYCHWYTUJE WSZYSTKICH
OBSERWACJI NIETYPOWYCH ALE POPRAWNIE OPISUJE TENDENCJE
)LUSTRACJA 7)'K 0ORÐWNANIE W PRÐBIE ZMIENNOyCI WYESTYMOWANEJ ZA POMOC MODELU 36

Z LOGARYTMEM ZMIENNOyCI ZREALIZOWANEJ

36 2EAL

7 TABELI PRZEDSTAWIONO BÇDY PROGNOZY I WSPÐCZYNNIK 2 REGRESJI -IN

CERAs:ARNOWITZA DLA PROGNOZ OTRZYMANYCH Z WYESTYMOWANYCH MODELI

4ABELA 7)' /CENA JAKOyCI PROGNOZ ZMIENNOyCI OTRZYMANYCH ZA POMOC MODELI ZMIENNOyCI
STOCHASTYCZNEJ
3ZEREG 7)'D 7)'K 7)'K 7)'K
-ODEL 36 36 3628LN2EAL 368 LN2EAL
2
-3%
-ED3% s
-% s s s s
-!%
2-3%
-!0%
!-!0%
4)#
,,&
,EPSZE PROGNOZY DAJ MODELE OSZACOWANE NA PODSTAWIE KRÐTKIEGO SZEREGU

ZWROTÐW 7)'K .IE JEST PRZY TYM WIDOCZNA WYRA|NA RÐNICA MIÇDZY MODELAMI
3628 A 368 Z DODATKOW ZMIENN OBJAyNIAJC LN2EAL 7YKRES NA ILUSTRA
CJI UWIDACZNIA TO E PODSTAWOWY MODEL 36 W WIÇKSZYM STOPNIU NI 368
PRZESZACOWUJE PROGNOZOWAN ZMIENNOyÃ
)LUSTRACJA 7)'K 0ORÐWNANIE PROGNOZ Z MODELI 36 ORAZ 368 ZE ZMIENNOyCI ZREALIZOWAN 2EAL

36
2EAL
3628


7 PRZYPADKU SPÐKI 0+. /RLEN OPRÐCZ CAEGO SZEREGU STÐP ZWROTU OPISA
NEGO W ROZDZIALE KTÐRY OZNACZAMY TU PRZEZ 0+./RLEND BADAMY RÐWNIE
KRÐTSZY SZEREG 0+./RLENK ZAWIERAJCY DANE OD LUTEGO R $LA TEGO
OSTATNIEGO SZEREGU PREZENTUJEMY OSZACOWANIA MODELU 3628 Z LOGARYTMEM
ZMIENNOyCI ZREALIZOWANEJ JAKO DODATKOW ZMIENN OBJAyNIAJC 7YNIKI ES
TYMACJI I OCENÇ OSZACOWAÎ PROGNOZ PRZEDSTAWIONO W TABELACH I ORAZ
NA ILUSTRACJI
4ABELA /SZACOWANIA PARAMETRÐW MODELI ZMIENNOyCI STOCHASTYCZNEJ DOPASOWANYCH DO SZEREGÐW

ZWROTÐW NOTOWAÎ SPÐKI 0+. /RLEN POD OSZACOWANIAMI PODANE S KOÎCE PRZEDZIAÐW UFNOyCI
3ZEREG 0+./RLEND 0+./RLENK

-ODEL 36 36282EAL

G s

TI

T

H s
4ABELA /CENA JAKOyCI PROGNOZ ZMIENNOyCI OTRZYMANYCH ZA POMOC MODELI ZMIENNOyCI
STOCHASTYCZNEJ
3ZEREG 0+./RLEND 0+./RLENK

-ODEL 36 36282EAL
2
-3%
-ED3%
-% s s
-!%
2-3%
-!0%
!-!0%
4)#
,,&
-ODELE ZMIENNOyCI STOCHASTYCZNEJ DOPASOWANE DO SZEREGÐW ZWROTÐW KURSU

WALUTOWEGO 53$0,. NIE WYKAZUJ DUEGO ZRÐNICOWANIA PARAMETRÐW TABELA
.IEZALENIE OD OKRESU Z KTÐREGO POCHODZ DANE WYKORZYSTANE W ESTYMA
CJI WARTOyCI φ S BLISKIE σH JEST MAE 0ARAMETR σ WZRASTA PO UWOLNIENIU
KURSU WALUTOWEGO CO JEST ZWIZANE ZE WZROSTEM ZMIENNOyCI )NTERESUJCY JEST

FAKT E WARTOyÃ OSZACOWANIA PARAMETRU σH JEST NISZA DLA MODELI DOPASOWA
NYCH DO KRÐTKICH SZEREGÐW CZYLI ESTYMOWANYCH NA PODSTAWIE DANYCH Z OKRESU
WOLNEGO KURSU WALUTOWEGO /ZNACZA TO E PROGNOZOWANIE ZMIENNOyCI KURSU
JEST W TYM WYPADKU ATWIEJSZE NI GDY BIERZEMY POD UWAGÇ CAY SZEREG OB
SERWACJI .IE JEST TO ZWIZANE WYCZNIE Z NIEJEDNORODNOyCI ZE WZGLÇDU NA
SYSTEM KURSOWY DUGICH SZEREGÐW ZWROTÐW 7YDAJE SIÇ E Z REGUY ATWIEJ JEST
PROGNOZOWAÃ ZMIENNOyÃ DLA WOLNYCH KURSÐW WALUTOWYCH NI PODLEGAJCYCH
OGRANICZENIOM
)LUSTRACJA 0+. /RLEN 0ORÐWNANIE PROGNOZ ZMIENNOyCI Z RÐNYCH MODELI 36

36 0+./RLEND

3628

2EAL

4ABELA /SZACOWANIA PARAMETRÐW MODELI ZMIENNOyCI STOCHASTYCZNEJ DOPASOWANYCH DO SZERE

GÐW ZWROTÐW KURSÐW WALUTOWYCH %520,. I 53$0,. POD OSZACOWANIAMI PODANE S KOÎCE
PRZEDZIAÐW UFNOyCI
3ZEREG %520,.D %520,.K 53$0,. 53$0,.K

-ODEL 36 36 36 36

G

TI

T


.A ILUSTRACJI ZOSTA PRZEDSTAWIONY WYKRES ZMIENNOyCI WYESTYMOWANEJ

ZA POMOC MODELU 36 DOPASOWANEGO DO KRÐTKIEGO SZEREGU ZWROTÐW KURSU
53$0,. 7IDOCZNE NA WYKRESIE PIKI POKAZUJ E MODELE WYCHWYCIY ZNACZ
NY WZROST ZMIENNOyCI NA PRZEOMIE CZERWCA I LIPCA R "Y ON ZWIZANY
Z OSABIENIEM 0,. WZGLÇDEM 53$ NA SKUTEK INFORMACJI NA TEMAT DUEJ LUKI
W BUDECIE 0OLSKI NIEPEWN SYTUACJ PRZED WYBORAMI ORAZ NIEKORZYSTNYMI IN
FORMACJAMI NA TEMAT OBROTÐW BIECYCH *EDNOCZEyNIE POJAWIY SIÇ NA RYNKACH
FINANSOWYCH WTPLIWOyCI CO DO WYPACALNOyCI !RGENTYNY I 4URCJI 7SZYSTKIE TE
CZYNNIKI WYWOAY GWATOWNY WZROST ZMIENNOyCI -NIEJ WIÇCEJ W POOWIE LIPCA
PO PUBLIKACJI DANYCH NA TEMAT INFLACJI I PRZYJÇCIU PRZEZ 3EJM NOWELIZACJI USTAWY
BUDETOWEJ ZMIENNOyÃ POWRÐCIA DO SWOJEGO NORMALNEGO POZIOMU
0ROGNOZY ZMIENNOyCI KURSÐW WALUTOWYCH UZYSKANE ZA POMOC MODELI
ZMIENNOyCI STOCHASTYCZNEJ S BARDZO CZÇSTO PODOBNIE JAK W WYPADKU MODELI
'!2#( ZANIONE 7ARTOyCI WSPÐCZYNNIKA DETERMINACJI 2 W REGRESJI -IN
CERAs:ARNOWITZA S DOyÃ WYSOKIE
)LUSTRACJA 53$0,.K :MIENNOyÃ W PRÐBIE WYESTYMOWANA ZA POMOC MODELU 36

/KRES OD DO

)LUSTRACJA I TABELA POKAZUJ E PROGNOZY DOyÃ POPRAWNIE ODDAJ

KIERUNKI ZMIAN ZMIENNOyCI NIE PRZEWIDUJC JEDNAK WAyCIWIE JEJ POZIOMU
-NIEJSZE BÇDY PROGNOZY S ZWIZANE Z MODELEM KRÐTSZEGO SZEREGU OBEJMU

JCEGO OKRES WOLNEGO KURSU WALUTOWEGO *EDNAK RÐNICE POMIÇDZY PROGNO

ZAMI OTRZYMANYMI Z MODELI WYESTYMOWANYCH NA PODSTAWIE RÐNYCH OKRESÐW
OBSERWACJI S NIEWIELKIE
)LUSTRACJA 53$0,. 0ROGNOZY ZMIENNOyCI KURSU W OKRESIE s NA PODSTAWIE

MODELI 36 DOPASOWANYCH DO SZEREGÐW RÐNEJ DUGOyCI I ZMIENNOyÃ ZREALIZOWANA 2EAL

36 53$0,.K

2EAL

36 53$0,.D

4ABELA 53$0,. /CENA JAKOyCI PROGNOZ ZMIENNOyCI OTRZYMANYCH ZA POMOC MODELI ZMIENNOyCI
STOCHASTYCZNEJ MIARY -!0% I ,,& NIE MOGY BYÃ WYLICZONE W ZWIZKU Z WYSTÇPOWANIEM ZEROWEJ
3ZEREG 53$0,.D 53$0,.K

-ODEL 36 36

2
-3%
-ED3%
-%
-!%
2-3%
-!0% s s
!-!0%
4)#
,,& s s

5WAGI
5WAGI
0RZEDSTAWIONE TU INFORMACJE NA TEMAT MODELI 36 NALEY TRAKTOWAÃ TYLKO JAKO

WPROWADZENIE W BOGATY yWIAT MODELI ZMIENNOyCI STOCHASTYCZNEJ +LASA TYCH
MODELI JEST BOGATA A ICH KONSTRUKCJA I WYRAFINOWANE METODY ESTYMACJI SPRA
WIAJ E JEST TE BARDZO INTERESUJCA
:WRACAMY JEDNAK UWAGÇ E W LITERATURZE CZÇSTO A MOE NAWET CZÇyCIEJ
POD NAZW MODELE ZMIENNOyCI STOCHASTYCZNEJ LUB MODELE 36 ROZUMIE SIÇ
MODELE Z CZASEM CIGYM OPISYWANE ZA POMOC STOCHASTYCZNYCH RÐWNAÎ
RÐNICZKOWYCH BÇDCE UOGÐLNIENIAMI MODELU "LACKAs3CHOLESA WYCENY OPCJI
POR PODROZDZIA :AINTERESOWANYCH MODELAMI ZMIENNOyCI STOCHASTYCZNEJ
W OBU WSPOMNIANYCH ZNACZENIACH ODSYAMY DO ZBIORU ARTYKUÐW POD REDAKCJ
3HEPHARDA
7 JÇZYKU POLSKIM ISTNIEJE OBSZERNA MONOGRAFIA !NNY 0AJOR POyWIÇ
CONA MODELOM ZMIENNOyCI STOCHASTYCZNEJ I WIELE ARTYKUÐW ANALIZUJCYCH TÇ
GRUPÇ MODELI NA GRUNCIE BAYESOWSKIM 0AJOR /SIEWALSKI IN


7ARTOyÃ ZAGROONA
.A POOWÇ LAT UBIEGEGO WIEKU MONA DATOWAÃ POCZTEK OKRESU W KTÐRYM
NA yWIATOWYM RYNKU FINANSOWYM OBSERWUJE SIÇ ZNACZNY WZROST ZMIENNOyCI I s CO
ZA TYM IDZIE s ZWIÇKSZAJCY SIÇ POZIOM RYZYKA ROZUMIANEGO OGÐLNIE JAKO STOPIEÎ
NIEPEWNOyCI CO DO PRZYSZEGO ZWROTU NETTO lRÐDA TEJ NIEPEWNOyCI ZNAJDUJ
SWÐJ WYRAZ W CZÇSTO SPOTYKANEJ W LITERATURZE KLASYFIKACJI RYZYKA WYRÐNIAJCEJ
JEGO CZTERY PODSTAWOWE TYPY RYZYKO KREDYTOWE RYZYKO OPERACYJNE RYZYKO
PYNNOyCI I RYZYKO RYNKOWE POR *AJUGA *AJUGA I *AJUGA 4ARCZYÎSKI
I -OJSIEWICZ
2YZYKO KREDYTOWE WIE SIÇ Z MOLIW STRAT SPOWODOWAN NIEZDOLNOyCI
PARTNERA W INTERESACH DO WYWIZANIA SIÇ Z PRZYJÇTYCH ZOBOWIZAÎ 2YZYKO
OPERACYJNE DOTYCZY STRAT KTÐRE MOG BYÃ PONIESIONE W WYNIKU NIESPRAWNEGO
DZIAANIA SYSTEMÐW ZARZDZANIA LUB NIEWYSTARCZAJCEJ KONTROLI 2YZYKO PYN
NOyCI ZWIZANE JEST Z KONIECZNOyCI REALIZACJI NIEOCZEKIWANYCH DUYCH PRZE
PYWÐW PATNOyCI W KRÐTKIM OKRESIE NA WYMUSZONYCH SYTUACJ NIEKORZYSTNYCH
WARUNKACH 2YZYKO RYNKOWE SZACUJE NIEPEWNOyÃ PRZYSZYCH DOCHODÐW SPOWO
DOWAN ZMIANAMI WARUNKÐW RYNKOWYCH 7 DZIAALNOyCI PROWADZONEJ NA RYNKU
FINANSOWYM NAJBARDZIEJ ISTOTNE JEST RYZYKO RYNKOWE GDY DOTYCZY POTENCJALNEJ
STRATY EKONOMICZNEJ SPOWODOWANEJ SPADKIEM WARTOyCI RYNKOWEJ PORTFELA
7 OSTATNICH KILKUNASTU LATACH PROBLEM ZARZDZANIA RYZYKIEM STA SIÇ SZCZE
GÐLNIE WIDOCZNY ZE WZGLÇDU NA NASTÇPUJCE W TYM CZASIE GOyNE KATASTROFY
FINANSOWE 7 ZWIZKU Z TYM PRZEDMIOTEM SZCZEGÐLNEGO ZAINTERESOWANIA
ZARÐWNO INSTYTUCJI NADZORUJCYCH RYNKI FINANSOWE JAK I BADACZY TYCH RYNKÐW
ORAZ PRAKTYKÐW ZAJMUJCYCH SIÇ INWESTYCJAMI FINANSOWYMI STAY SIÇ TECHNIKI
ILOyCIOWE POZWALAJCE NA OSZACOWANIE MOLIWYCH STRAT NA KTÐRE NARAONE S
PRZEDSIÇBIORSTWA DOKONUJCE TYCH INWESTYCJI
3TANDARDOW MIAR ZA POMOC KTÐREJ ANALITYCY FINAN
WARTOyÃ ZAGROONA SOWI ZARÐWNO ZATRUDNIENI W INSTYTUCJACH FINANSOWYCH
JAK I INSTYTUCJACH KONTROLUJCYCH KWANTYFIKUJ RYZYKO
RYNKOWE JEST OBECNIE TZW WARTOyÃ ZAGROONA 6ALUE AT 2ISK s 6A2 WARTOyÃ

7ARTOyÃ ZAGROONA
NARAONA NA RYZYKO .AJKRÐCEJ MÐWIC 6A2 W ODNIESIENIU DO PORTFELA

SZACUJE JAKA JEGO CZÇyÃ W DANYM OKRESIE ZAGROONA JEST STRAT PRZY DANYM
POZIOMIE ISTOTNOyCI $OKADNIEJ 6A2 JEST LICZB ZDEFINIOWAN W TAKI SPOSÐB
E PRAWDOPODOBIEÎSTWO I PORTFEL STRACI NA WARTOyCI WIÇCEJ NI JEGO 6A2
W KONKRETNYM HORYZONCIE CZASOWYM JEST RÐWNE Z GÐRY ZADANEJ LICZBIE α
7IELKA POPULARNOyÃ JAK 6A2 ZDOBY WyRÐD PRAKTYKÐW FINANSOWYCH WYNIKA
Z PROSTOTY KONCEPCJI INSTRUMENT TEN SPROWADZA OCENÇ RYZYKA RYNKOWEGO ZWI
ZANEGO Z PORTFELEM DO WYZNACZENIA JEDNEJ LICZBY s STRATY ZAGRAAJCEJ Z DANYM
PRAWDOPODOBIEÎSTWEM
7YLICZANIE WIELKOyCI 6A2 JEST WANE ZARÐWNO DLA OCENY KONDYCJI INSTYTUCJI
PRZYJMUJCYCH NA SIEBIE RYZYKO JAK I DLA ORGANÐW KONTROLUJCYCH TE INSTYTUCJE
:NALAZO TO WYRAZ W DYREKTYWACH "AZYLEJSKIEGO +OMITETU .ADZORU "ANKOWEGO
"ASEL #OMMITTEE ON "ANKING 3UPERVISION KTÐRY W ROKU W POPRAWCE DO
TZW "AZYLEJSKIEJ 5GODY +APITAOWEJ )NTERNATIONAL #ONVERGENCE OF #APITAL
-EASUREMENT AND #APITAL 3TANDARDS OKREyLI ILOyCIOWE WYMAGANIA DOTYCZCE
OBLICZANIA 6A2 PRZEZ BANKI I INNE INSTYTUCJE FINANSOWE
7 LISTOPADZIE ROKU ZOSTAA OPUBLIKOWANA NOWA
WERSJA TEGO DOKUMENTU O NAZWIE )NTERNATIONAL #ONVER "ASEL ))
GENCE OF #APITAL -EASUREMENT AND #APITAL 3TANDARDS
! 2EVISED &RAMEWORK "ASEL ))
0RZY OBLICZANIU 6A2 NEGATYWNE KONSEKWENCJE DLA DZIAANIA INSTYTUCJI IM
PLIKUJE TAK SAMO JEGO PRZESZACOWANIE JAK I NIEDOSZACOWANIE 7 PIERWSZYM
WYPADKU KONSEKWENCJ MOE BYÃ SUBOPTYMALNA ALOKACJA KAPITAU POWODUJCA
NIEPOTRZEBNE OBNIENIE ZYSKU :ANIONA PROGNOZA 6A2 MOE NATOMIAST SKUT
KOWAÃ ZACHWIANIEM STABILNOyCI FINANSOWEJ W RAZIE ZISZCZENIA SIÇ NIEKORZYSTNYCH
OKOLICZNOyCI
-IMO E 6A2 WYDAJE SIÇ PROSTYM I INTUICYJNIE JASNYM
POJÇCIEM TO METODY JEGO SZACOWANIA NIE S JEDNOZNACZ PODZIA MODELI
SZACOWANIA
NIE OKREyLONE GDY WI SIÇ Z WYZNACZANIEM KWANTYLA
WARTOyCI NARAONEJ
NIEZNANEGO NA OGÐ ROZKADU ZWROTU Z INSTRUMENTU FI NA RYZYKO
NANSOWEGO W ROZPATRYWANYM PRZEDZIALE CZASU )STNIEJCE
MODELE SZACOWANIA WARTOyCI NARAONEJ NA RYZYKO MONA OGÐLNIE PODZIELIÃ NA
TRZY KATEGORIE
r PARAMETRYCZNE 2ISK-ETRICS MODELE '!2#(
r NIEPARAMETRYCZNE SYMULACJE HISTORYCZNE MODELE HYBRYDOWE
r SEMIPARAMETRYCZNE TEORIA WARTOyCI EKSTREMALNYCH REGRESJA KWANTYLOWA
#!6IA2 MODELE '!2#( DOPASOWANE METOD QUASI NAJWIÇKSZEJ WIARY
GODNOyCI

7ARTOyÃ ZAGROONA
-ETODY NIEPARAMETRYCZNE SZACOWANIA WARTOyCI

ZAGROONEJ
7ARTOyÃ ZAGROON 6A2 OKREyLA SIÇ ZWYKLE *AJUGA I IN ZA POMOC
RÐWNOyCI
00T ≤ 0Ts s 6A2 = α
GDZIE 0T JEST WARTOyCI ANALIZOWANEGO INSTRUMENTU FINANSOWEGO W MOMENCIE T

:ATEM 6A2 NA POZIOMIE ISTOTNOyCI α CZÇSTO TE MÐWI SIÇ NA POZIOMIE UFNOyCI
s α JEST TAK WIELKOyCI STRATY I PRAWDOPODOBIEÎSTWO E W MOMENCIE T
ZOSTANIE ONA PONIESIONA LUB PRZEKROCZONA JEST RÐWNE MAEJ LICZBIE α
:WRÐÃMY UWAGÇ NA TO E PROSTOTA TEGO OKREyLENIA JEST BARDZO ZUDNA
7YLICZENIE 6A2 NA PODSTAWIE WZORU WYMAGA BOWIEM ZBUDOWANIA
MODELU PROBABILISTYCZNEGO KTÐRY POZWOLIBY NA WYLICZANIE PRAWDOPODO
BIEÎSTWA 0
-ONA OKREyLIÃ RÐWNIE 6A2 JAKO PROCENTOW STRATÇ WARTOyCI INSTRUMEN
TU *EyLI ROZWAAMY PROCENTOWE LOGARYTMICZNE STOPY ZWROTU RT = LN PT s
s LN PTs TO WERSJA PROCENTOWA OKREyLENIA JEST W PRZYBLIENIU RÐWNOWANA
ZAPISOWI
0RT ≤ s 6A2 = α
A ZATEM LICZBA PRZECIWNA DO 6A2 JEST α KWANTYLEM ROZ

6A2 JAKO KWANTYL KADU PROCENTOWEGO ZWROTU LOGARYTMICZNEGO RT
ROZKADU STÐP
*EDN Z NAJBARDZIEJ POWSZECHNYCH NIEPARAMETRYCZNYCH
ZWROTU
METOD SZACOWANIA 6A2 JEST TZW SYMULACJA HISTORYCZNA
SYMULACJA 7 PODEJyCIU TYM PROCEDURA OBLICZANIA 6A2 JEST BARDZO
HISTORYCZNA PROSTA GDY NIE S CZYNIONE ADNE ZAOENIA O ROZKADZIE
ZWROTÐW
*AK W POPRZEDNICH ROZDZIAACH NIECH RT OZNACZA SZEREG DZIENNYCH ZWROTÐW
PROCENTOWYCH LOGARYTMICZNYCH ROZWAANEGO INSTRUMENTU 3YMULACJA HI
STORYCZNA OPARTA JEST NA POJÇCIU RUCHOMEGO OKNA 7 CELU WYLICZENIA 6A2 NA
DZIEÎ 4 + USTALA SIÇ OKNO KOÎCZCE SIÇ ZWROTEM R4 MAJCE USTALON DUGOyÃ
:AZWYCZAJ JEST TO OKRES OD SZEyCIU MIESIÇCY DO DWÐCH LAT .A PODSTAWIE ZWROTÐW
ZAWARTYCH W OKNIE WYLICZA SIÇ α KWANTYL EMPIRYCZNY 6A2 NA DZIEÎ 4 + NA
POZIOMIE ISTOTNOyCI α DLA ZAJMUJCEGO POZYCJÇ DUG W DANYM INSTRUMENCIE
FINANSOWYM NP INWESTORA POSIADAJCEGO PAKIET AKCJI JEST LICZB PRZECIWN
DO TEGO KWANTYLA $LA STRONY ZAJMUJCEJ POZYCJÇ KRÐTK NP INWESTORA KTÐ
RY POYCZY OD KOGOy PAKIET AKCJI 6A2 NA POZIOMIE ISTOTNOyCI α JEST RÐWNY
KWANTYLOWI EMPIRYCZNEMU RZÇDU s α

-ETODY NIEPARAMETRYCZNE SZACOWANIA WARTOyCI ZAGROONEJ
7 CELU WYZNACZENIA 6A2 NA NASTÇPNY DZIEÎ OKNO PRZESUWA SIÇ O JEDN

OBSERWACJÇ I CAA PROCEDURA JEST POWTARZANA -IMO E W PODEJyCIU TYM NIE MA
WYRA|NYCH ZAOEÎ DOTYCZCYCH ROZKADU ZWROTÐW TO ZAOENIE TAKIE WYSTÇPUJE
W SPOSÐB NIEJAWNY PRZYJMUJE SIÇ E ROZKAD NIE ZMIENIA SIÇ W OBRÇBIE OKNA
0IERWSZ KONSEKWENCJ TEGO UKRYTEGO ZAOENIA JEST LOGICZNA SPRZECZNOyÃ ME
TODY SYMULACJI HISTORYCZNEJ *EyLI ZAKADA SIÇ E WSZYSTKIE ZWROTY W OBRÇBIE
OKNA MAJ TAKI SAM ROZKAD TO Z WASNOyCI PRZECHODNIOyCI RELACJI POSIADANIA
TAKIEGO SAMEGO ROZKADU WYNIKA E WSZYSTKIE ROZPATRYWANE ZWROTY MAJ TAKI
SAM ROZKAD .IE MA ZATEM SENSU USTALANIE DUGOyCI OKNA 0OZA TYM ESTYMATOR
KWANTYLA EMPIRYCZNEGO JEST ZGODNY JEyLI DUGOyÃ OKNA DY DO NIESKOÎCZONOyCI
4RZECI PROBLEM RÐWNIE WIE SIÇ Z USTALANIEM DUGOyCI OKNA GDY PROGNOZY
6A2 OPARTE NA SYMULACJI HISTORYCZNEJ S SENSOWNE TYLKO WTEDY GDY DANE HI
STORYCZNE WYKORZYSTANE DO ICH OBLICZENIA MAJ W PRZYBLIENIU TEN SAM ROZKAD
#HARAKTERYSTYCZNE DLA SZEREGÐW ZWROTÐW SKUPISKA ZMIENNOyCI WYSTÇPUJ JEDNAK
NIEREGULARNIE I MAJ ZRÐNICOWAN DUGOyÃ 7 ZWIZKU Z TYM WAyCIWY DOBÐR
OKNA MUSIABY SPENIAÃ DWA WYKLUCZAJCE SIÇ WARUNKI /KNO POWINNO BYÃ
DOSTATECZNIE DUE BY WNIOSKOWANIE STATYSTYCZNE BYO UPRAWNIONE A Z DRUGIEJ
STRONY NA TYLE KRÐTKIE BY NIE OBEJMOWAÃ OBSERWACJI SPOZA BIECEGO SKUPISKA
ZMIENNOyCI 0ONADTO POJAWIA SIÇ DODATKOWY PROBLEM ZWIZANY Z WAHANIAMI
POZIOMU ZMIENNOyCI +IEDY TYLKO KILKA OSTATNICH DANYCH W OKNIE POCHODZI
Z OBSZARU O WYSZEJ BD| NISZEJ NI DOTYCHCZAS ZMIENNOyCI SI RZECZY DOKO
NUJEMY PROGNOZ NA OKRES MAJCY NOW DYNAMIKÇ GÐWNIE NA PODSTAWIE DANYCH
Z OKRESU O ZMIENNOyCI NISZEJ BD| WYSZEJ NI OBECNA 6A2 OSZACOWANY NA
PODSTAWIE SYMULACJI HISTORYCZNYCH MOE RÐWNIE ZAWIERAÃ PROGNOZOWALNE
SKOKI SPOWODOWANE DYSKRETNOyCI ZWROTÐW EKSTREMALNYCH *EyLI NA KOÎCU
OKNA W DNIU 4 WYSTPI EKSTREMALNY ZWROT UJEMNY TO
WPYW ZWROTÐW
MONA PRZEWIDZIEÃ E 6A2 SZACOWANY NA DZIEÎ 4 +
NA WARTOyÃ 6A2
WZROyNIE A PRZYNAJMNIEJ NIE ZMALEJE : KOLEI PRZY
WYCHODZENIUq ZWROTU R4 Z OKNA WYSTPI SYTUACJA ODWROTNA 4A OSTATNIA OKO
LICZNOyÃ W PEWNYM SENSIE DYSKWALIFIKUJE METODÇ SYMULACJI HISTORYCZNEJ GDY
DOWODZI E O PROGNOZIE 6A2 MOE DECYDOWAÃ WARTOyÃ ZWROTU BARDZO ODLEGEGO
O DUGOyÃ OKNA
.A ILUSTRACJACH I PRZEDSTAWIAMY OSZACOWANIA WARTOyCI ZAGROONEJ DLA
INDEKSU 7)' OTRZYMANE ZA POMOC SYMULACJI HISTORYCZNEJ 0RZEZ 6A2 SHORT
OZNACZAMY 6A2 DLA POZYCJI KRÐTKIEJ A PRZEZ 6A2 LONG LICZBÇ PRZECIWN DO
SZACOWANEJ WARTOyCI ZAGROONEJ DLA POZYCJI DUGIEJ 0OZWALA TO NA PODSTAWIE
JEDNEGO RYSUNKU OCENIAÃ JAKOyÃ OSZACOWAÎ 6A2 JEDNOCZEyNIE DLA POZYCJI DU
GIEJ I KRÐTKIEJ /ZNACZENIA TE BÇDZIEMY STOSOWAÃ W TYM I DALSZYCH ROZDZIAACH
KSIKI

7ARTOyÃ ZAGROONA
)LUSTRACJA 7)' /SZACOWANIA 6A2 ZA POMOC SYMULACJI HISTORYCZNEJ DUGOyÃ OKNA
OBSERWACJI POZIOM ISTOTNOyCI /KRES s

s
s
s
ZWROT 6A2 LONG 6A2 SHORT

s
s
s

)LUSTRACJA 7)' /SZACOWANIA 6A2 ZA POMOC SYMULACJI HISTORYCZNEJ DUGOyÃ OKNA
OBSERWACJI POZIOM ISTOTNOyCI /KRES s

s
s
ZWROT 6A2 LONG 6A2 SHORT

s
s


7YZNACZANIE WARTOyCI ZAGROONEJ ZA POMOC KWANTYLI WARUNKOWYCH
7YZNACZANIE WARTOyCI ZAGROONEJ

ZA POMOC KWANTYLI WARUNKOWYCH
&INANSOWE SZEREGI ZWROTÐW WYKAZUJ PEWNE WAyCIWOyCI

6A2 JAKO KWANTYL
MAJCE ISTOTNY WPYW NA OSZACOWANIA 6A2 ZGRUPOWA WARUNKOWEGO
NIA ZMIENNOyCI GRUBE OGONY KTÐRE S ODZWIERCIEDLANE ROZKADU STÐP
ZWROTU
W ZMIENIAJCYCH SIÇ W CZASIE ROZKADACH WARUNKOWYCH
: TEGO POWODU METODY BARDZIEJ WYRAFINOWANE NI SYMULACJA HISTORYCZNA
UWZGLÇDNIAJCE DYNAMIKÇ ZWROTÐW PREFERUJ MODELOWANIE 6A2 ZA POMOC
KWANTYLI ROZKADÐW WARUNKOWYCH
.IECH T BÇDZIE ZBIOREM INFORMACJI DOSTÇPNYCH W DNIU T *EDNODNIOWY
WARUNKOWY 6A2 NA POZIOMIE ISTOTNOyCI DLA STRONY ZAJMUJCEJ POZYCJÇ DUG
W ROZWAANYM INSTRUMENCIE MONA FORMALNIE ZDEFINIOWAÃ JAKO LICZBÇ PRZE
CIWN DO α KWANTYLA WARUNKOWEGO ZWROTU
6A2LT+α = SUP{V 0RT+ ≤ s V ⏐T ≥ α}
$LA STRONY ZAJMUJCEJ POZYCJÇ KRÐTK KTÐRA PONOSI STRATÇ GDY CENA INSTRU
MENTU WZRASTA JEDNODNIOWY 6A2 NA POZIOMIE ISTOTNOyCI α DEFINIUJEMY JAKO
LICZBÇ 6A2ST+α OKREyLON WZOREM
6A2ST+α = SUP{V 0RT+ ≥ V⏐T ≥ α}
0RZY POWYSZYM PODEJyCIU UNIKAMY NIEJEDNOZNACZNOyCI W DEFINICJI 6A2
W SYTUACJI GDY DYSTRYBUANTA ROZKADU WARUNKOWEGO RT+⏐T NIE JEST ROSNCA LUB
NIE JEST CIGA 0OZA TYM PRZYPADKIEM DEFINICJE I MAJ RÐWNOWANE
POSTACIE
0RT+ ≤ s 6A2LT+α ⏐T = α
0RT+ ≥ 6A2ST+α ⏐T = α

:E WZORÐW I WYNIKA E 6A2ST+α DLA INSTRUMENTU O PROCESIE
ZWROTU RT POKRYWA SIÇ Z 6A2LT+α DLA INSTRUMENTU O PROCESIE ZWROTU sRT
7 ZWIZKU Z TYM ROZWAANIA TEORETYCZNE PROWADZONE S NA OGÐ JEDYNIE DLA
POZYCJI DUGIEJ *EDNAK ZE WZGLÇDU NA CZÇSTO WYSTÇPUJC W ROZKADACH ZWROTÐW
ASYMETRIÇ ROZKADY ZMIENNYCH RT I s RT NIE S JEDNAKOWE OSZACOWAÎ EMPIRYCZ
NYCH 6A2 DOKONYWAÃ BÇDZIEMY ODDZIELNIE DLA POZYCJI DUGIEJ I KRÐTKIEJ
0ROCENTOWY ZWROT LOGARYTMICZNY APROKSYMUJE PROCENTOW ZMIANÇ WARTOyCI
POZYCJI FINANSOWEJ ZATEM PRZY NASZYM UJÇCIU 6A2LT+α WYRAONY JEST W PRO
CENTACH

7ARTOyÃ ZAGROONA
:ASTOSOWANIE PARAMETRYCZNYCH MODELI ZMIENNOyCI

DO WYZNACZANIA 6A2
:AÐMY E PROCENTOWY ZWROT LOGARYTMICZNY Z ROZWAANEGO INSTRUMENTU

FINANSOWEGO GENEROWANY JEST PRZEZ PROCES
RT = μT + YT
YT = σT εT
GDZIE μT = %RT⏐Ts A εT ∼ IID
0RZYPUyÃMY E DYSTRYBUANTA ZMIENNEJ εT JEST ROSNCA I CIGA *EyLI Zα OZNACZA
α KWANTYL ZMIENNEJ εT TO JEDNODNIOWY 6A2 DLA DUGIEJ LUB KRÐTKIEJ POZYCJI NA
POZIOMIE ISTOTNOyCI α WYRAA SIÇ ODPOWIEDNIO WZOREM
6A2LT+α = s μT s σT Zα
6A2ST+α = μT + σT Zsα

PRZY CZYM μT I σT OZNACZAJ PROGNOZY JEDEN DZIEÎ NAPRZÐD ODPOWIEDNIO
yREDNIEJ WARUNKOWEJ I ZMIENNOyCI 0RZY NASZYCH ZAOENIACH DLA ROZKADU SY
METRYCZNEGO ZACHODZI RÐWNOyÃ Zα = s Zsα :ATEM s6A2LT+α I 6A2ST+α S
W TAKIM WYPADKU SYMETRYCZNE WZGLÇDEM PROGNOZY μT yREDNIEJ WARUNKOWEJ
0RZY POWYSZYM PODEJyCIU DO WYZNACZANIA 6A2 OGROMNE ZNACZENIE MA
JAKOyÃ PROGNOZ ZMIENNOyCI :ALEY ONA OD ZDOLNOyCI PROGNOSTYCZNYCH PRZY
JÇTEGO MODELU ZMIENNOyCI .A PRZYKAD SPOyRÐD MO
6A2 A PROGNOZY
DELI '!2#( TEORETYCZNIE NAJWIÇKSZE W TYM WZGLÇDZIE
ZMIENNOyCI
MOLIWOyCI TECHNICZNE MA MODEL !0!2#( ZE SKOyNYM
ROZKADEM T 3TUDENTA GDY MOE ON UWZGLÇDNIAÃ POTENCJALN ASYMETRIÇ INNO
WACJI STANDARYZOWANYCH I EFEKT D|WIGNI A PONADTO ZAGNIEDA SIEDEM INNYCH
MODELI Z RODZINY '!2#( JAKO SZCZEGÐLNE PRZYPADKI 0RZY SZACOWANIU 6A2
NAPOTYKAMY PONOWNIE PROBLEMY ZWIZANE Z WPYWEM DOBREGO DOPASOWANIA
MODELU W PRÐBIE NA JAKOyÃ PROGNOZ ORAZ ZWIZAN Z TYM KWESTIÇ STABILNOyCI
WSPÐCZYNNIKÐW MODELU 0EWNE ROZWIZANIE STANOWI TU CZÇSTA REESTYMACJA
PARAMETRÐW *EDNAK W TAKIM WYPADKU POZOSTAJ WTPLIWOyCI CO DO WYBORU DU
GOyCI OKNA NA PODSTAWIE KTÐREGO MODEL JEST SZACOWANY 0OWYSZE SPOSTRZEENIA
POZWALAJ NA ZAPROPONOWANIE JAKO KOLEJNEGO KRYTERIUM ADEKWATNOyCI MODELU
ZMIENNOyCI JAKOyCI OSZACOWAÎ WARTOyCI NARAONEJ NA RYZYKO UZYSKANYCH NA
PODSTAWIE PROGNOZ ZMIENNOyCI OTRZYMANYCH ZA POMOC TEGO MODELU

4EST +UPCA
-ETODOLOGIA 2ISK-ETRICS
7 SWEJ NAJPROSTSZEJ POSTACI POPULARNA I POWSZECHNIE

STOSOWANA PRZEZ PRAKTYKÐW METODOLOGIA SZACOWANIA 2ISK-ETRICS
WARTOyCI ZAGROONEJ s 2ISK-ETRICS SPROWADZA SIÇ
DO ZASTOSOWANIA MODELU POSTACI
RT = σT εT
εT ∼ IID
σT = s λ RTs +λσTs

GDZIE < λ <
0ARAMETR λ NIE JEST ESTYMOWANY 0RZY SZACOWANIU 6A2 NA DZIEÎ NAPRZÐD
PRZYJMUJE SIÇ E λ = 3ZCZEGÐOWE INFORMACJE I ANALIZY MONA ZNALE|Ã
W DOKUMENCIE TECHNICZNYM 2ISK-ETRICS
:AUWAMY E MODEL OKREyLONY RÐWNANIAMI s ODPOWIADA MO
DELOWI )'!2#( Z USTALONYM WSPÐCZYNNIKIEM s λ PRZY KWADRACIE STOPY
ZWROTU ORAZ STA ω RÐWN ZERU -ILCZCO PRZYJÇTE JEST TE ZAOENIE E yREDNIA
WARUNKOWA STOPY ZWROTU JEST RÐWNA ZERO
-IMO E METODA TA JEST MAO WYRAFINOWANA BARDZO CZÇSTO DAJE ZADOWA
LAJCE REZULTATY CHOÃ JEST TE BARDZO KRYTYKOWANA 2ÐWNANIE REKURENCYJNE
MONA PRZEKSZTACIÃ DO POSTACI
m
2
T t (1 M ) ¤M
i 1
i 1 2
rt i M mT t
2
m
$LA DUYCH WARTOyCI M SKADNIK λMσTsM JEST NA TYLE MAY E MONA GO

POMINÃ W TAKIEJ SYTUACJI σT JEST W PRZYBLIENIU yREDNI WAON OPÐ|NIONYCH
KWADRATÐW ZWROTÐW PRZY CZYM WAGI MALEJ WYKADNICZO W TEMPIE λ .A PRZYSZ
ZMIENNOyÃ MAJ ZATEM WPYW MALEJCY WYKADNICZO ZE WZROSTEM OPÐ|NIENIA
KWADRATY ZWROTÐW Z DOWOLNIE DALEKIEJ PRZESZOyCI
4EST +UPCA
-ODEL WYKORZYSTYWANY DO SZACOWANIA 6A2 ZWASZCZA JEELI MA BYÃ STOSOWANY

W PRAKTYCE POWINIEN BYÃ WERYFIKOWANY W SPOSÐB STATY
STYCZNY POZWALAJCY NA PORÐWNANIE GO Z INNYMI MOLI TESTOWANIE
WSTECZNE 6A2
WYMI DO WYKORZYSTANIA METODAMI 0ODSTAWOW TECHNIK

7ARTOyÃ ZAGROONA
WERYFIKACJI MODELU JEST TZW BACKTESTING CZYLI TESTOWANIE WSTECZNE -ETODA TA

SPROWADZA SIÇ DO OCENY LICZBY PRZEKROCZEÎ OSZACOWAÎ 6A2 Z PRZESZOyCI *EELI
SZACUJEMY 6A2 NA POZIOMIE ISTOTNOyCI RÐWNYM α TO PO PORÐWNANIU WYZNACZO
NYCH PRZEZ MODEL POZIOMÐW WARTOyCI ZAGROONEJ Z RZECZYWIyCIE ZREALIZOWANYMI
ZWROTAMI Z PORTFELA W CAEJ PRÐBIE UDZIA PRZEKROCZEÎ STRATY WYZNACZONEJ PRZEZ
MODEL PRZEZ RZECZYWIyCIE ZREALIZOWAN STRATÇ POWINIEN WYNOSIÃ α
*EELI UDZIA BÇDÐW JEST ZNACZNIE WIÇKSZY OD ZAOONEGO TO ZNACZY E
MODEL NIEDOSZACOWUJE WIELKOyÃ 6A2 WYZNACZANY PRZEZ NIEGO POZIOM STRATY
JEST ZA MAY W WYNIKU CZEGO ZA CZÇSTO ZDARZAJ SIÇ PRZEKROCZENIA :BYT MAA
LICZBA PRZEKROCZEÎ OZNACZA Z KOLEI E MODEL PRZESZACOWUJE WARTOyÃ ZAGROO
N WYZNACZA WIÇKSZ WARTOyÃ PRZYSZEJ MOLIWEJ STRATY NI JEST KONIECZNE CO
POWODUJE I LICZBA PRZEKROCZEÎ JEST ZA MAA
)STOTNE ZNACZENIE MA TAKE ROZKAD PRZEKROCZEÎ W TESTOWANEJ PRÐBIE -ODEL
MOE BYÃ UZNANY ZA POPRAWNY JEyLI BÇDY S ROZMIESZCZONE W MIARÇ RÐWNOMIER
NIE W CAEJ PRÐBIE .IE POWINNA POJAWIAÃ SIÇ SYTUACJA W KTÐREJ PRZEKROCZENIA
WYSTÇPUJ SERIAMI W KRÐTKICH ODSTÇPACH CZASU /ZNACZAOBY TO E MODEL OGÐLNIE
PRZESZACOWUJE 6A2 ALE NIE SPENIA SWEJ FUNKCJI ZABEZPIECZAJCEJ W TRUDNYCH
MAJCYCH SZCZEGÐLNE ZNACZENIE PRZY ZARZDZANIU RYZYKIEM SYTUACJACH NA
PRZYKAD PRZY WZROyCIE ZMIENNOyCI NA RYNKU
7 NAJBARDZIEJ POPULARNYM TEyCIE ZA WSKA|NIK JAKOyCI OSZACOWAÎ 6A2 PRZYJ
MUJE SIÇ JEDNAK UDZIA PRZEKROCZEÎ ZREALIZOWANYCH ZWROTÐW : DEFINICJI UDZIA FL
PRZEKROCZEÎ DLA POZYCJI DUGIEJ JEST RÐWNY STOSUNKOWI LICZBY ZWROTÐW MNIEJSZYCH
OD s6A2LT+α DO LICZBY WSZYSTKICH ROZPATRYWANYCH ZWROTÐW 0ODOBNIE JEST
W WYPADKU POZYCJI KRÐTKIEJ FS JEST STOSUNKIEM LICZBY ZWROTÐW PRZEKRACZAJCYCH
6A2ST+α DO LICZBY WSZYSTKICH ROZPATRYWANYCH ZWROTÐW 0ONIEWA WYLICZANIE
EMPIRYCZNEGO UDZIAU PRZEKROCZEÎ JEST RÐWNOWANE
TEST +UPCA Z OKREyLANIEM CIGÐW ZOONYCH Z ZER I JEDYNEK MOLIWE
HIPOTEZA ZEROWA JEST TESTOWANIE HIPOTEZY ZEROWEJ ( F = α PRZECIWKO
UDZIA PRZEKROCZEÎ
ZGODNY Z ZAOONYM ALTERNATYWIE ( F ≠ α PRZY CZYM F OZNACZA FL ALBO FS *EST
TO TEST ILORAZU WIARYGODNOyCI ZE STATYSTYK
¥ ¥¥ N ´N ¥ N´
T N ´ ´
LR 2 ¦ ln ¦ ¦ µ ¦ 1
¦ ¦§ T ¶ § µ
T ¶
N

µ ln B (1 B )
µ
T N
µ
µ

§ § ¶ ¶
GDZIE . JEST LICZB PRZEKROCZEÎ 6A2 PRZY LICZBIE OBSERWACJI 4
7 LITERATURZE POyWIÇCONEJ MODELOM 6A2 TEST TEN NOSI NAZWÇ TESTU +UPCA
+UPIEC 0RZY PRAWDZIWEJ HIPOTEZIE ZEROWEJ STATYSTYKA ,2 MA ASYMPTO
TYCZNIE ROZKAD χ .ALEY ZWRÐCIÃ UWAGÇ NA FAKT E HIPOTEZA ZEROWA TESTU
+UPCA JEST ODRZUCANA ZARÐWNO W WYPADKU MODELU WYLICZAJCEGO 6A2 W SPO
SÐB NADMIERNIE NIEFRASOBLIWY NIEDOSZACOWANIE POTENCJALNEJ STRATY JAK I DLA
MODELU NADMIERNIE KONSERWATYWNEGO PRZESZACOWANIE 6A2

7 REZULTATACH BADAÎ EMPIRYCZNYCH PREZENTOWANYCH W PODROZDZIALE

OPRÐCZ WYNIKÐW TESTU +UPCA PRZEDSTAWIAMY WYLICZENIA WARTOyCI DWÐCH MIAR
RYZYKA 0IERWSZ Z NICH JEST TZW OCZEKIWANY NIEDOBÐR
OCZEKIWANY
EXPECTED SHORT FALL s %3& ZDEFINIOWANY JAKO WARTOyÃ NIEDOBÐR
OCZEKIWANA STRATY POD WARUNKIEM E STRATA BÇDZIE WIÇK
SZA NI 6A2 3CAILLET $RUGA ZE STOSOWANYCH MIAR %3& JEST yREDNI
ARYTMETYCZN STOSUNKÐW WARTOyCI ZWROTÐW DLA KTÐRYCH NASTPIO PRZEKROCZE
NIE DO ODPOWIEDNICH WARTOyCI 6A2 CZYLI yREDNIM STOSUNKIEM ZREALIZOWANEJ
STRATY DO STRATY OCZEKIWANEJ 7IÇCEJ INFORMACJI O TYCH I INNYCH MIARACH RYZYKA
ZAMIESZCZAMY W ROZDZIALE
4EST +UPCA OCENIA MODEL UWZGLÇDNIAJC ZARÐWNO ZBYT DU JAK I ZBYT MA
LICZBÇ PRZEKROCZEÎ CO JEST JEGO ZALET *EGO WAD JEST JEDNAK TO E NIE
UWZGLÇDNIA ROZOENIA PRZEKROCZEÎ W PRÐBIE $OBRZE DZIAAJCY MODEL 6A2
POWINIEN CHARAKTERYZOWAÃ SIÇ BRAKIEM AUTOKORELACJI W SZEREGACH WARTOyCI
FUNKCJI WKA|NIKOWEJ OPISUJCEJ PRZEKROCZENIA )RT < s 6A2LTα DLA POZYCJI
DUGIEJ I ANALOGICZNIE )RT > 6A2STα DLA POZYCJI KRÐTKIEJ :APROPONOWANY
PRZEZ %NGLEoA I -ANGANELLEGO TEST KWANTYLI
DYNAMICZNYCH $YNAMIC 1UANTILE 4EST s $14 ZOSTA TEST KWANTYLI
DYNAMICZNYCH s $14
SKONSTRUOWANY WAyNIE W CELU OCENY OSZACOWAÎ 6A2
POD TYM KTEM
0RZYJMUJEMY NASTÇPUJCE OZNACZENIA (IT LTα = )RT < s 6A2LTα s α ORAZ
(IT STα = )RT > 6A2LTα s s α 7 CELU SKRÐCENIA ZAPISU PRZYJMIEMY E
(ITTα OZNACZA (IT LTα GDY ROZWAAMY POZYCJÇ DUG I (IT STα DLA POZYCJI
KRÐTKIEJ
4EST $14 BADA CZNIE DWIE HIPOTEZY
( %(ITTα =
( ZMIENNA (ITTα JEST NIESKORELOWANA ZE ZMIENNYMI WCZONYMI DO
ZBIORU INFORMACJI
%NGLE I -ANGANELLI TWIERDZ E CZNE TESTOWANIE HIPOTEZ ( I (
MOE BYÃ PRZEPROWADZONE NA PODSTAWIE SZTUCZNEJ REGRESJI
(ITTα = 8 L + εT
GDZIE 8 JEST MACIERZ O WYMIARACH 4 × K W KTÐREJ W PIERWSZEJ KOLUMNIE S
JEDYNKI NASTÇPNE P KOLUMN ZAWIERA ZMIENNE (ITTs b (ITTsP A K s P s POZO
STAYCH KOLUMN s DODATKOWE ZMIENNE NIEZALENE W TYM 6A2T

7ARTOyÃ ZAGROONA
%NGLE I -ANGANELLI POKAZUJ PONADTO E STATYSTYKA TESTU $14

> >
λ aXa X λ

B(1 B )
>
GDZIE L OZNACZA OSZACOWANIE -.+ WEKTORA PARAMETRÐW L MA ASYMPTOTYCZNIE
ROZKAD χK
0RZEDSTAWIMY TERAZ I PRZETESTUJEMY WYLICZENIA 6A2 DLA INDEKSU 7)'

ORAZ KURSU 53$0,. OPARTE NA OSZACOWANIACH ZMIENNOyCI WYZNACZONYCH
W POPRZEDNICH ROZDZIAACH 7 PREZENTOWANYM TU PRZYKADZIE EMPIRYCZNYM
WYZNACZAMY WARTOyÃ ZAGROON NA POZIOMIE ISTOTNOyCI α RÐWNYM
I :ARÐWNO STATYSTYKA +UPCA JAK I WARTOyCI OCZEKIWANEGO NIEDOBORU
%3& %3& S STOSOWANE I DO OSZACOWAÎ 6A2 W PRÐBIE I DO PROGNOZ 6A2
/ ILE TEST +UPCA MOE BYÃ PRZYDATNY W USTALANIU RANKINGU MODELI 6A2 O TYLE
MIARY %3& I %3& FORMALNIE NIE S DO TEGO CELU PRZEZNACZONE .IOS ONE
JEDNAK UYTECZNE DLA INWESTORA INFORMACJE O TYM ILE MOE yREDNIO STRACIÃ
JEELI MODEL ZAWIEDZIE
:ACZNIEMY OD PRZEDSTAWIENIA OSZACOWAÎ WARTOyCI ZAGROONEJ DLA INDEKSU
7)' 7YLICZEÎ 6A2 DOKONUJEMY WYKORZYSTUJC OSZACOWANIA ZMIENNOyCI
W PRÐBIE OKRES PRÐBY s I JEDNODNIOWE PROGNOZY ZMIEN
NOyCI NA OKRES MIESIÇCY OKRES PROGNOZY s /KRES PROG
NOZY JEST WIÇC KRÐTSZY OD ZAZWYCZAJ PRZYJMOWANEGO OKRESU DUGOyCI JEDNEGO
ROKU 7YKRESY PRZEDSTAWIAJ 6A2 NA POZIOMIE ISTOTNOyCI *AK JU ZAZNA
CZALIyMY NA WSZYSTKICH WYKRESACH s6A2LT+α OZNACZONY JEST PRZEZ a6A2
LONGq A 6A2ST+α PRZEZ a6A2 SHORTq
3POyRÐD MODELI '!2#( DOPASOWANYCH DO SZEREGÐW ZWROTÐW INDEKSU
7)' DO SZACOWANIA 6A2 WYBRANY ZOSTA !2 '!2#( OPISANY
W TABELI /SZACOWANIA WARTOyCI ZAGROONEJ ZA POMOC WYESTYMOWANEJ
Z TEGO MODELU ZMIENNOyCI W PRÐBIE S DOBREJ JAKOyCI ILUSTRACJA TABELA
(IPOTEZA ZEROWA TESTU +UPCA NIE ZOSTAA ODRZUCONA W ADNYM PRZYPADKU
5DZIA PRZEKROCZEÎ JEST BLISKI ZAOONEMU 7 WYPADKU OSZACOWAÎ NA PODSTAWIE
PROGNOZ ZMIENNOyCI DLA DUGIEJ POZYCJI 6A2 JEST PRZESZACOWANY 7YRA|NIE JEST
TO WIDOCZNE NA ILUSTRACJI

)LUSTRACJA 7)' :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE ZMIENNOyCI W PRÐBIE WYESTYMOWA
NEJ Z MODELU !2 s'!2#( POZIOM ISTOTNOyCI /KRES s

6A2 LONG 7)'D 6A2 SHORT
s
s
s
s
s

)LUSTRACJA 7)' :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE PROGNOZ ZMIENNOyCI Z MODELU
!2 '!2#( POZIOM ISTOTNOyCI /KRES PROGNOZY s

s
s
s

s


7ARTOyÃ ZAGROONA
4ABELA 7)' /CENA JAKOyCI OSZACOWAÎ 6A2 OPARTYCH NA ZMIENNOyCI WYESTYMOWANEJ
ZA POMOC MODELU !2 s'!2#(
-ODEL ,ICZBA
5DZIA
I LICZBA 0OZY PRZE 3TATYSTYKA P
α PRZEKRO %3& %3&
OBSER CJA KRO +UPCA WARTOyÃ
CZEÎ
WACJI CZEÎ
KRÐTKA

'!2#(
KRÐTKA

KRÐTKA
7 PRÐBIE
DUGA
'!2#(
DUGA

DUGA
KRÐTKA

'!2#(
KRÐTKA

KRÐTKA
0ROGNOZA
DUGA
'!2#(
DUGA s s

DUGA s s
.IEOCZEKIWANIE TRAFNE OSZACOWANIA 6A2 UZYSKUJE SIÇ OPIERAJC SIÇ NA

ZMIENNOyCI WYZNACZONEJ ZA POMOC MODELI DWULINIOWYCH OMÐWIONYCH W ROZ
DZIALE TABELA :ASKOCZENIE WYRAONE W PIERWSZYM ZDANIU TEGO AKAPITU
ZWIZANE JEST Z FAKTEM E MODELE DWULINIOWE DOyÃ TRUDNO DOPASOWYWAY SIÇ
DO ROZWAANYCH SZEREGÐW I PROGNOZY ZMIENNOyCI UZYSKANE PRZY ICH UYCIU
MIAY NIE NAJLEPSZ JAKOyÃ
4ABELA 7)'D /CENA JAKOyCI OSZACOWAÎ 6A2 OPARTYCH NA ZMIENNOyCI WYESTYMOWANEJ
ZA POMOC MODELU DWULINIOWEGO
-ODEL ,ICZBA
5DZIA
α PRZEKRO %3& %3&
CZEÎ
WACJI CZEÎ
KRÐTKA
", KRÐTKA
KRÐTKA

7 PRÐBIE
DUGA
", DUGA
DUGA

KRÐTKA
", KRÐTKA
KRÐTKA

0ROGNOZA
DUGA
", DUGA s s
DUGA s s
5DZIA PRZEKROCZEÎ 6A2 OSZACOWANEGO DLA INDEKSU 7)' NA PODSTAWIE

ZMIENNOyCI W PRÐBIE Z MODELU DWULINIOWEGO TABELA PRAWIE IDEALNIE
POKRYWA SIÇ Z POZIOMEM ISTOTNOyCI 4EST +UPCA NIE ODRZUCA HIPOTEZY ZEROWEJ
W ADNYM PRZYPADKU )LUSTRACJA DOBRZE OBRAZUJE JAKOyÃ TYCH OSZACOWAÎ
0ODOBNIE JEST W WYPADKU PROGNOZ ZMIENNOyCI I POZYCJI KRÐTKIEJ *EDNAK DLA
POZYCJI DUGIEJ WYSTÇPUJE PRZESZACOWANIE 6A2 CO JEST WIDOCZNE RÐWNIE NA
ILUSTRACJI
7IDZIMY WIÇC E OSZACOWANIA 6A2 DLA INDEKSU 7)' DOKONANE OPISAN
W PODROZDZIALE METOD OPART NA ESTYMOWANIU ZMIENNOyCI ZA POMOC
RÐNEGO TYPU MODELI ZMIENNOyCI S DOyÃ DOBRE JEyLI DOKONYWANE S W PRÐBIE
.IECO GORSZE S W WYPADKU PROGNOZ ZMIENNOyCI *EST TO NATURALNE ZWASZCZA
JEyLI WE|MIE SIÇ POD UWAGÇ FAKT E OKRES NA KTÐRY WYZNACZALIyMY PROGNOZY
CECHOWA SIÇ STA ALE NIE W PENI WYCHWYTYWAN PRZEZ MODELE TENDENCJ DO
OBNIANIA SIÇ ZMIENNOyCI : TEGO WZGLÇDU WYZNACZONE WIELKOyCI 6A2 DOyÃ CZÇ
STO S PRZESZACOWANE ZWASZCZA W WYPADKU POZYCJI DUGIEJ *AKOyÃ OSZACOWAÎ
6A2 UZYSKANYCH ZA POMOC MODELI !2 '!2#( I DWULINIOWEGO JEST
PORÐWNYWALNA
0RZEDSTAWIMY TERAZ PODOBN ANALIZÇ DLA KURSU WALUTOWEGO 53$0,.
7ARTOyCI 6A2 WYZNACZONE DLA KURSU 53$0,. NA PODSTAWIE OSZACOWAÎ
ZMIENNOyCI UZYSKANYCH ZA POMOC MODELU DWULINIOWEGO TABELE I
ZARÐWNO W PRÐBIE JAK I NA PODSTAWIE PROGNOZY S TRAFNE 5DZIA PRZEKROCZEÎ
JEST BARDZO BLISKI ZAOONEMU .A ILUSTRACJACH s WIDAÃ E PRZEKROCZENIA
S ROZOONE DOyÃ RÐWNOMIERNIE 7 WYPADKU OSZACOWAÎ DOKONYWANYCH DLA
POZYCJI DUGIEJ NA PODSTAWIE PROGNOZY ZMIENNOyCI 6A2 JEST NIEDOSZACOWANY
ALE TEST NIE ODRZUCA HIPOTEZY ZEROWEJ 7YNIKI UZYSKANE ZA POMOC MODELU
DWULINIOWEGO DOPASOWANEGO DO KRÐTKIEGO SZEREGU ZWROTÐW S NIECO GORSZE
ALE RÐWNIE AKCEPTOWALNE

7ARTOyÃ ZAGROONA
)LUSTRACJA 7)' :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE ZMIENNOyCI W PRÐBIE WYLICZONEJ
Z MODELU DWULINIOWEGO

s
s
s
s 6A2 LONG 7)'D 6A2 SHORT
s

)LUSTRACJA 7)'D :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE PROGNOZ ZMIENNOyCI Z MODELU
DWULINIOWEGO

s
s
s
s


4ABELA 53$0,. /CENA JAKOyCI OSZACOWAÎ 6A2 OPARTYCH NA ZMIENNOyCI WYESTYMOWANEJ
ZA POMOC MODELU DWULINIOWEGO DLA KRÐTKIEGO SZEREGU ZWROTÐW TABELA
-ODEL ,ICZBA
5DZIA
α PRZEKRO %3& %3&
CZEÎ
WACJI CZEÎ
KRÐTKA
", KRÐTKA
KRÐTKA
7 PRÐBIE
DUGA
", DUGA
DUGA
KRÐTKA
", KRÐTKA
KRÐTKA
0ROGNOZA
DUGA
", DUGA
DUGA
ZA POMOC MODELU DWULINIOWEGO DLA KRÐTKIEGO SZEREGU ZWROTÐW
-ODEL ,ICZBA
5DZIA
α PRZEKRO %3& %3&
CZEÎ
WACJI CZEÎ
KRÐTKA
", KRÐTKA
KRÐTKA
7 PRÐBIE
DUGA
", DUGA
DUGA
KRÐTKA
", KRÐTKA
KRÐTKA
0ROGNOZA
DUGA
", DUGA
DUGA

7ARTOyÃ ZAGROONA
)LUSTRACJA 53$0,. :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE ZMIENNOyCI W PRÐBIE WYZNACZONEJ
ZA POMOC MODELU DWULINIOWEGO DOPASOWANEGO DO DUGIEGO SZEREGU ZWROTÐW

6A2 LONG 53$0,. 6A2 SHORT
s
s
s
s

)LUSTRACJA 53$0,. :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE PROGNOZ ZMIENNOyCI WYZNACZONYCH
ZA POMOC MODELU DWULINIOWEGO DOPASOWANEGO DO DUGIEGO SZEREGU ZWROTÐW


s
s
s
s


)LUSTRACJA 53$0,. :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE ZMIENNOyCI W PRÐBIE WYZNACZONEJ
ZA POMOC MODELU DWULINIOWEGO DOPASOWANEGO DO KRÐTKIEGO SZEREGU ZWROTÐW

6A2 LONG 53$0,.K 6A2 SHORT
s
s
s
s

)LUSTRACJA 53$0,. :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE PROGNOZ ZMIENNOyCI WYZNACZONYCH
ZA POMOC MODELU DWULINIOWEGO DOPASOWANEGO DO KRÐTKIEGO SZEREGU ZWROTÐW

s
s
s
6A2 LONG 53$0,.F 6A2 SHORT
s


7ARTOyÃ ZAGROONA
)LUSTRACJA 53$0,. :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE PROGNOZ ZMIENNOyCI UZYSKANYCH
ZA POMOC MODELU 36 DLA KRÐTKIEGO SZEREGU ZWROTÐW

s
s
s
s

)LUSTRACJA 53$0,. :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE PROGNOZ ZMIENNOyCI UZYSKANYCH


s
s
s
s


"IORC POD UWAGÇ OCENY ZMIENNOyCI KURSU 53$0,. UZYSKANE ZA POMOC

MODELU ZMIENNOyCI STOCHASTYCZNEJ 36 DLA KRÐTKIEGO SZEREGU ZWROTÐW TABELA
I ILUSTRACJE I DOSTAJEMY PONOWNIE LEPSZE WYNIKI TESTU +UPCA
DLA 6A2 Z OKRESU PROGNOZY NI DLA OKRESU PRÐBY .IE MA WYRA|NEGO ZRÐNI
COWANIA MIÇDZY JAKOyCI OSZACOWAÎ WARTOyCI ZAGROONEJ DLA POZYCJI KRÐTKIEJ
I DUGIEJ
-ODEL ,ICZBA 5DZIA
3TATYSTY P
I LICZBA 0OZYCJA B PRZE PRZEKRO %3& %3&
KA +UPCA WARTOyÃ
OBSERWACJI KROCZEÎ CZEÎ
KRÐTKA
36 KRÐTKA
KRÐTKA

7 PRÐBIE
DUGA
36 DUGA
DUGA
KRÐTKA
36 KRÐTKA
KRÐTKA

0ROGNOZA
DUGA
36 DUGA
DUGA
-ODEL '*2 '!2#( NALEA DO NAJLEPIEJ DOPASOWANYCH MODELI

ZMIENNOyCI DLA ZWROTÐW KURSU 53$0,. TABELA 2ÐWNIE OSZACOWANIA
6A2 UZYSKANE Z WYKORZYSTANIEM OTRZYMANYCH ZA JEGO POMOC OSZACOWAÎ
ZMIENNOyCI W PRÐBIE ORAZ PROGNOZ S BARDZO DOBREJ JAKOyCI TABELA 7 WY
PADKU PROGNOZ LICZBA PRZEKROCZEÎ DLA POZYCJI KRÐTKIEJ JEST NIECO NISZA OD
ZAOONEJ A DLA POZYCJI DUGIEJ s NIECO WYSZA )LUSTRACJE I POZWALAJ
NA OCENÇ ROZOENIA PRZEKROCZEÎ W CAYM ANALIZOWANYM OKRESIE

7ARTOyÃ ZAGROONA
)LUSTRACJA 53$0,. :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE ZMIENNOyCI W PRÐBIE UZYSKANEJ
ZA POMOC MODELU '*2 Z DODATKOW ZMIENN OBJAyNIAJC SWITCH DUGI SZEREG ZWROTÐW

s
s
s
s 6A2 LONG 53$0,. 6A2 SHORT
s

ZA POMOC MODELU '*2 Z DODATKOW ZMIENN OBJAyNIAJC SWITCH
-ODEL 0OZY B ,ICZBA 5DZIA 3TATYSTYKA P %3& %3&

I LICZBA CJA PRZE PRZEKRO +UPCA WARTOyÃ
OBSER KRO CZEÎ
WACJI CZEÎ
7 PRÐBIE KRÐTKA
'*2
SWITCH KRÐTKA

KRÐTKA
DUGA
'*2
SWITCH DUGA

DUGA
0ROGNOZA KRÐTKA
'*2
SWITCH KRÐTKA

KRÐTKA
DUGA
'*2
SWITCH DUGA

DUGA

5WAGI
)LUSTRACJA 53$0,. :WROTY I OSZACOWANIA 6A2 NA PODSTAWIE PROGNOZY ZMIENNOyCI UZYSKANEJ
ZA POMOC MODELU '!2#( Z DODATKOW ZMIENN OBJAyNIAJC SWITCH DUGI SZEREG ZWROTÐW


s
s
s
s

7YDAJE SIÇ E UZYSKANE PRZEZ NAS OSZACOWANIA WARTOyCI ZAGROONEJ DLA KURSU
WALUTOWEGO 53$0,. S TRAFNIEJSZE NI W WYPADKU INDEKSU 7)' 3ZCZEGÐL
NIE DOBRE REZULTATY UZYSKUJEMY STOSUJC OSZACOWANIA ZMIENNOyCI OTRZYMANE
ZA POMOC RODZINY '!2#( ORAZ MODELI DWULINIOWYCH 0ROGNOZY ZMIENNOyCI
DOTYCZCE KURSÐW WALUTOWYCH CHARAKTERYZOWAY SIÇ WYSZYMI NI PROGNOZY DLA
INDEKSÐW WARTOyCIAMI WSPÐCZYNNIKA 2 I s PRAWDOPODOBNIE W ZWIZKU Z TYM
s DLA 53$0,. UZYSKALIyMY LEPSZE OSZACOWANIA 6A2 NI DLA 7)'
:AUWAMY NA KONIEC E CHOÃ NIE BYLIyMY ZBYT ZADOWOLENI Z NIEKTÐRYCH
PROGNOZ ZMIENNOyCI TO JEDNAK OTRZYMALIyMY AKCEPTOWALNE OSZACOWANIA 6A2
-OEMY TO POTRAKTOWAÃ JAKO DODATKOWY ARGUMENT POTWIERDZAJCY SENSOWNOyÃ
BARDZIEJ POWSZECHNEGO STOSOWANIA MODELI ZMIENNOyCI I DALSZEGO ROZWIJANIA
ICH TEORII

7ARTOyÃ ZAGROONA
5WAGI
3POyRÐD LICZNYCH KSIEK POyWIÇCONYCH ILOyCIOWEMU ZARZDZANIU RYZYKIEM WAR

TO WYMIENIÃ PORADNIK *ORIONA 'ODNA POLECENIA JEST DOyÃ ZAWANSOWANA
MATEMATYCZNIE KSIKA -C.EILA &REYA I %MBRECHTA /GROMN LICZBÇ
INTERESUJCYCH NOWSZYCH I STARSZYCH ARTYKUÐW MONA ZNALE|Ã NA PRZYKAD NA
STRONACH WWWGLORIAMUNDIORG ORAZ WWWRISKMETRICSCOM
7YNIKI DOTYCZCE SZACOWANIA 6A2 W KONTEKyCIE POLSKIEGO RYNKU FINANSOWE
GO MONA ZNALE|Ã NA PRZYKAD W PRACACH *AJUGA RED 0IONTEK 0APLA
0IONTEK I 0APLA (UMEÎCZUK &ISZEDER 0IPIEÎ


*AK WIDZIELIyMY W POPRZEDNIM ROZDZIALE SZACOWANIE WARTOyCI ZAGROONEJ

MONA SPROWADZIÃ DO WYZNACZANIA ODPOWIEDNIEGO KWANTYLA WARUNKOWEGO
ROZKADU STÐP ZWROTU Z ANALIZOWANEGO INSTRUMENTU FINANSOWEGO .IE JEST TO
JEDYNY POWÐD DLA KTÐREGO OPIS KWANTYLI ROZKADÐW WARUNKOWYCH MOE BYÃ
INTERESUJCY $OTYCHCZAS WYZNACZALIyMY TE KWANTYLE WYKORZYSTUJC OSZACO
WANIA WARUNKOWEGO ODCHYLENIA STANDARDOWEGO DLA ODPOWIEDNIEGO ROZKADU
/BECNIE PRZEDSTAWIMY METODÇ BEZPOyREDNIEGO OPISU KWANTYLI WARUNKOWYCH
ZA POMOC MODELI W KTÐRYCH KWANTYLE S FUNKCJAMI
REGRESJA
ZMIENNYCH OBSERWOWALNYCH -ETODA O KTÐREJ MÐWIMY
KWANTYLOWA
JEST NAZYWANA REGRESJ KWANTYLOW
+WANTYLE REGRESYJNE
/BOK OMÐWIONEGO WCZEyNIEJ HISTORYCZNEGO PODEJyCIA DO BEZPOyREDNIEGO

WYZNACZANIA KWANTYLI ROZKADU ZWROTÐW INSTRUMENTU FINANSOWEGO ISTNIEJ
BARDZIEJ WYRAFINOWANE METODY WYZNACZANIA EWOLUCJI TYCH KWANTYLI W CZASIE
0ODSTAWOWYM NARZÇDZIEM UYWANYM PRZEZ TE METODY JEST POJÇCIE KWANTYLA
REGRESYJNEGO WPROWADZONE PRZEZ +OENKERA I "ASSETA
7 CELU WYTWORZENIA ODPOWIEDNICH INTUICJI PRZYPOMNIJMY POWSZECHNIE
ZNANY FAKT E PRZY DANYM ZBIORZE OBSERWACJI RT T = b 4 yREDNIA Z PRÐBY
T
R JEST WARTOyCI B DLA KTÐREJ MINIMALN WARTOyÃ PRZYJMUJE SUMA ¤(r
t 1
t b) 2
T
NATOMIAST MEDIANA R MINIMALIZUJE WARTOyÃ ¤t 1
|rt b| :ALENOyÃ DLA MEDIANY
MONA UOGÐLNIÃ PODAJC SPOSÐB WYLICZANIA DOWOLNEGO KWANTYLA

WYZNACZANIE )DEA KWANTYLA REGRESYJNEGO WYWODZI SIÇ WAyNIE Z FAKTU

KWANTYLI E α KWANTYL EMPIRYCZNY>RA SZEREGU RT T = b 4 MONA
EMPIRYCZNYCH OTRZYMAÃ JAKO
«® 1 ¥ ´ º®
rB arg min ¬
>
b T
¦ ¤ Br
¦ t:r r b t
b ¤ (1 B ) rt b µ»
µ®

® § t t:rt b ¶¼
+OENKER I "ASSET UOGÐLNILI POWYSZY WYNIK NA PRZYPADEK W KTÐRYM ZMIENNE
RT MOG BYÃ OPISANE ZA POMOC MODELU REGRESJI LINIOWEJ
RT = X Ta BA + UT A
DLA WEKTORA REGRESORÐW XT = X T XK T a WEKTORA PARAMETRÐW BA = B A
BK A a ORAZ BÇDU UT A TAKIEGO E 1AUT A|XT = GDZIE 1AUT A|XT OZNACZA
α KWANTYL ROZKADU WARUNKOWEGO ZMIENNEJ UT A 7 TEJ
WYZNACZANIE SYTUACJI α KWANTYL REGRESYJNY ZMIENNEJ RT CZYLI 1ART|XT
KWANTYLI >
JEST RÐWNY RT = XaTBα GDZIE OSZACOWANIE BA PARAMETRU
WARUNKOWYCH
Bα MONA OTRZYMAÃ MINIMALIZUJC WZGLÇDEM B FUNKCJÇ
OBIEKTOW
«® 1 ¥ ´ ®º
¬ ¦ ¤
® T ¦§ t:rt r xatβ
B rt x a
t β ¤
t:rt xatβ
(1 B ) rt x β
t µ»
a
µ®

¶¼
'DY RT JEST SZEREGIEM ZWROTÐW INSTRUMENTU FINANSOWEGO ZA WSPÐRZÇDNE
WEKTORA REGRESORÐW X T PRZYJMUJE SIÇ ZWYKLE OPÐ|NIONE WARTOyCI TYCH ZWROTÐW
RT ORAZ INNE PRZYDATNE ZMIENNE OBJAyNIAJCE
0RZEDSTAWIONA WYEJ METODA ESTYMACJI KWANTYLI REGRESYJNYCH ZOSTAA ROZ
SZERZONA PRZEZ 7HITEoA OBEJMUJC MODELE POSTACI
rt f ( x t , β B ) ut ,B
W KTÐRYCH 1AUT A|Ts = A X T JEST WEKTOREM MIERZALNYM WZGLÇDEM T ALGEBRY
Ts INTUICYJNE ZNAMY JEGO ROZKAD PRZY DANYM ZBIORZE INFORMACJI Ts 0RZY
TYM F MOE NIE BYÃ FUNKCJ DWULINIOW 7ARUNKI DOSTATECZNE ZGODNOyCI I ASYMP
>
TOTYCZNEJ NORMALNOyCI ESTYMATORÐW BA WEKTORA PARAMETRÐW BA MODELU
UZYSKANYCH JAKO
«® 1 ¥ ´ º®
arg min ¬
β
® T
¦ ¤ Br
¦ t:r r f (x ,β ) t
f (x t ,β B ) ¤
t:rt f (x t ,β B )
(1 B ) rt f (x t ,β B ) µ»
µ®

§ t t B ¶¼
PRZEDSTAWIONE ZOSTAY PRZEZ %NGLEoA I -ANGANELLEGO

-ODELE #!6IA2
-ODELE #!6IA2
)NTERESUJC KLAS MODELI OPISUJCYCH ZMIENIAJCY SIÇ W CZASIE KWANTYL ZWROTU

INSTRUMENTU FINANSOWEGO JAKO NIELINIOWY PROCES AUTOREGRESYJNY JEST RODZINA
WARUNKOWYCH AUTOREGRESYJNYCH MODELI 6A2 #!6IA2 #ONDITIONAL !UTORE
GRESSIVE 6ALUE AT 2ISK WPROWADZONA PRZEZ %NGLEoA I -ANGANELLEGO
5 PODSTAW MODELI #!6IA2 LEY OBSERWACJA E ROZKADY KWADRATÐW ZWROTÐW
GIEDOWYCH CHARAKTERYZUJ SIÇ AUTOKORELACJ CZEGO WIDOCZNYM OBJAWEM S NA
PRZYKAD SKUPISKA ZMIENNOyCI 7 KONSEKWENCJI 6A2 KTÐRY JEST SILNIE ZWIZANY
Z ODCHYLENIEM STANDARDOWYM ROZKADU ZWROTÐW POWINIEN WYKAZYWAÃ PODOBNE
ZACHOWANIA .ATURALNYM SPOSOBEM SFORMALIZOWANIA TEJ
WASNOyCI JEST ZASTOSOWANIE SPECYFIKACJI TYPU AUTOREGRE SPECYFIKACJA
MODELU #!6IA2
SYJNEGO .AJBARDZIEJ OGÐLNA SPECYFIKACJA DLA MODELU
#!6IA2 NA POZIOMIE ISTOTNOyCI α MA POSTAÃ
p
VaR t (B ) f ( x t , β B ) C 0 ¤ C VaR
i 1
i t i (B ) l(C p 1 , , C p q | t 1)
GDZIE Ts OZNACZA ZBIÐR T CIAO INFORMACJI DOSTÇPNYCH W CHWILI Ts A

BA = B b BP+Q a
7 ZASTOSOWANIACH PRAKTYCZNYCH PRZEDSTAWIONY WYEJ OGÐLNY MODEL REDUKUJE
SIÇ ZWYKLE DO MODELU RZÇDU PIERWSZEGO
VaRt (B ) C0 C1 VaRt 1 (B ) l C2 , rt 1 ,VaRt 1 (B )
3KADNIK AUTOREGRESYJNY β6A2Tsα ZAPEWNIA AGODNIEJSZ EWOLUCJÇ 6A2
W CZASIE 3KADNIK Lβ RTs 6A2Tsα WIE NATOMIAST POZIOM 6A2 W MOMENCIE
T Z POZIOMEM ZWROTU W MOMENCIE Ts -IERZY ON ZATEM JAK BARDZO POWINIEN
SIÇ ZMIENIÃ 6A2 POD WPYWEM NOWYCH INFORMACJI O ZWROCIE
*EST WIELE MOLIWYCH KONKRETNYCH SPECYFIKACJI MODELI #!6IA2 0ONIEJ
PRZEDSTAWIAMY NIEKTÐRE Z NICH
-ODEL ADAPTACYJNY

-ODEL ADAPTACYJNY ADAPTIVE s !$ JEST OKREyLONY OD
MODEL !$
POWIEDNIO DLA POZYCJI DUGIEJ I KRÐTKIEJ RÐWNANIAMI
l l l
VaRt (B ) VaRt 1 (B ) C ¨( I (rt 1 b VaRt 1 (B )) B ·
ª ¹
ORAZ
s s s
VaRt (B ) VaRt 1 (B ) C ¨ I (rt 1 r VaRt 1 (B )) B ·
ª ¹

3TRATEGIA ODPOWIADAJCA TEMU PROSTEMU MODELOWI POLEGA NA TYM E W RA

ZIE PRZEKROCZENIA WYZNACZONEJ WIELKOyCI 6A2 NALEY ZWIÇKSZYÃ TÇ WARTOyÃ
A W RAZIE NIEPRZEKROCZENIA POWINNIyMY NIEZNACZNIE J ZMNIEJSZYÃ
:AUWAMY E MODEL !$ NIE UWZGLÇDNIA WIELKOyCI ZWROTÐW A TYLKO SAM
FAKT ZAISTNIENIA BD| NIEZAISTNIENIA PRZEKROCZENIA 7 SZCZEGÐLNOyCI NIE JEST
EFEKTYWNIE WYKORZYSTANA INFORMACJA O POJAWIENIU SIÇ ZWROTU EKSTREMALNEGO
0OZA TYM POZIOM KOREKTY USTALANY JEST DOyÃ ARBITRALNIE
3YMETRYCZNY MODEL Z BEZWZGLÇDN WARTOyCI

+OLEJNY ROZWAANY PRZEZ NAS MODEL TZW SYMETRYCZNY MODEL Z WARTOyCI BEZ
WZGLÇDN 3YMMETRIC !BSOLUTE 6ALUE s 3!6 JEST BARDZIEJ
MODEL 3!6 ZOONY :AWIERA ON TRZY PARAMETRY I OPISUJE SIÇ GO OD
POWIEDNIO DLA POZYCJI DUGIEJ I KRÐTKIEJ RÐWNANIAMI
l l
VaRt (B ) C0 C1 VaRt 1 (B ) C2 rt 1

ORAZ
s s
VaRt (B ) C0 C1 VaRt 1 (B ) C2 rt 1

7 MODELU TYM WYKORZYSTYWANA JEST PENA INFORMACJA O BEZWZGLÇDNEJ WAR

TOyCI ZWROTU
-ODEL ASYMETRYCZNY Z WARTOyCI BEZWZGLÇDN

4RZECI Z PRZEDSTAWIANYCH MODELI MODEL ASYMETRYCZNY
Z WARTOyCI BEZWZGLÇDN !SYMMETRIC !BSOLUTE 6ALUE
MODEL !3-
s !3- DANY JEST ODPOWIEDNIO DLA POZYCJI DUGIEJ
I KRÐTKIEJ RÐWNANIAMI
l l
VaRt (B ) C0 C1 VaRt 1 (B ) C2 rt 1 C3
ORAZ
s s
VaRt (B ) C0 C1 VaRt 1 (B ) C2 rt 1 C3
7YKORZYSTUJE ON INFORMACJÇ NA TEMAT BEZWZGLÇDNYCH ODCHYLEÎ ZWROTÐW OD

PEWNEGO POZIOMU KTÐREGO WIELKOyÃ PODLEGA ESTYMACJI

0OyREDNI MODEL '!2#(

3POyRÐD INNYCH MODELI #!6IA2 WARTO WSPOMNIEÃ O POyREDNIM MODELU
'!2#( ).$)2%#4 '!2#( 7 NAJPROSTSZYM PRZYPADKU MODEL ).$)2%#4
'!2#( MA ZNAJOM SPECYFIKACJÇ WYRAAJC SIÇ ZARÐWNO W WYPADKU
POZYCJI DUGIEJ JAK I KRÐTKIEJ RÐWNANIEM
2 2
VaRt (B ) C1 C2 (VaRt 1 (B )) C3rt 1
3PECYFIKACJA MODELU ).$)2%#4 '!2#( JEST POPRAWNA JEyLI SZEREG ZWROTÐW

JEST RZECZYWIyCIE GENEROWANY PRZEZ MODEL '!2#( *EDNAK W TYM WYPADKU
BARDZIEJ EFEKTYWNA JEST BEZPOyREDNIA ESTYMACJA MODELU '!2#( ZA POMOC
METODY NAJWIÇKSZEJ WIARYGODNOyCI I WYZNACZANIE 6A2 W OPARCIU O ROZKAD RESZT
STANDARYZOWANYCH W SPOSÐB PRZEDSTAWIONY W ROZDZIALE
'ÐWNYM PROBLEMEM PRZY ESTYMACJI NIELINIOWYCH

NIERÐNICZKOWALNOyÃ
KWANTYLI REGRESYJNYCH JEST TO E FUNKCJA OBIEKTOWA W ZA
FUNKCJI OBIEKTOWEJ
GADNIENIU MINIMALIZACJI NIE JEST RÐNICZKOWALNA
.IE MONA WIÇC STOSOWAÃ TRADYCYJNYCH ALGORYTMÐW OPARTYCH NA TECHNIKACH
ZWIZANYCH Z RÐNICZKOWALNOyCI -OLIWE S RÐNE ROZWIZANIA TEGO PROBLE
MU 0ODEJyCIE PRZEDSTAWIONE W PIERWSZEJ WERSJI PRACY %NGLEoA I -ANGANELLEGO
WYKORZYSTYWAO ESTYMACJÇ PARAMETRÐW MODELI #!6IA2 PRZY UYCIU
ALGORYTMU GENETYCZNEGO ZA POMOC KTÐREGO TEORETYCZNIE MONA WYZNACZYÃ
OPTIMUM LOKALNE NAWET DLA BARDZO SKOMPLIKOWANYCH FUNKCJI OBIEKTOWYCH
7 OPUBLIKOWANEJ WERSJI TEJ PRACY %NGLE I -ANGANELLI AUTORZY PRZED
STAWIAJ INN METODÇ ESTYMACJI KTÐREJ IDEA OPIERA SIÇ NA APROKSYMACJI NIE
RÐNICZKOWALNEJ FUNKCJI OBIEKTOWEJ ZA POMOC ODPOWIEDNIO DOBRANEJ FUNKCJI
GADKIEJ TAK E STAJE SIÇ MOLIWE WYKORZYSTANIE ROZWINIÇCIA 4AYLORA /PTYMA
LIZACJA PRZEPROWADZANA JEST ZA POMOC ALGORYTMU SYMPLEKS .ELDERAs-EADA
I METODY QUASI NEWTONOWSKIEJ "ÇDY STANDARDOWE WYZNACZA SIÇ PRZY UYCIU
ESTYMATORÐW OPARTYCH NA ALGORYTMIE K NAJBLISZYCH SSIADÐW
%NGLE I -ANGANELLI W OSTATECZNEJ WERSJI SWOJEJ PRACY %NGLE I -ANGANELLI
NIE STOSUJ JU ALGORYTMU GENETYCZNEGO JEDNAK METODY OPTYMALIZACJI
WYKORZYSTUJCE ALGORYTMY GENETYCZNE S OBECNIE PRZEDMIOTEM CIGLE ROSN
CEGO ZAINTERESOWANIA BADACZY PRACUJCYCH W BARDZO RÐNYCH DZIEDZINACH
5YWANA W NICH TECHNIKA RANDOMIZACJI POZWALA OBEJyÃ TRUDNOyCI ZWIZANE
Z WIELOWYMIAROWOyCI SKUTKUJCE ROSNC NIEEFEKTYWNOyCI METOD OPARTYCH

NA APARACIE TRADYCYJNYM )DEA ZWIZANA Z OPTYMALIZACJ ZA POMOC ALGORYTMU

GENETYCZNEGO WYWODZI SIÇ Z PRAW RZDZCYCH PROCESEM DOBORU NATURALNEGO
I PEWNYCH ZASAD GENETYKI
0UNKTEM WYJyCIOWYM ALGORYTMU GENETYCZNEGO JEST PEW
ALGORYTM
GENETYCZNY
NA POPULACJA POCZTKOWYCH PRÐB WEKTORA PARAMETRÐW
KTÐRY MA BYÃ OPTYMALIZOWANY !LGORYTM INTERPRETUJE
WARTOyÃ FUNKCJI OBIEKTOWEJ NA KADEJ Z TYCH PRÐB JAKO MIARÇ JEJ DOPASOWANIA
DO OPTIMUM 4WORZENIE NOWEJ POPULACJI Z WYJyCIOWYCH WARTOyCI PRÐBNYCH
PRZEBIEGA W TRZECH KROKACH
2EPRODUKCJA OPARTA NA DOPASOWANIU 7 RAMACH TEGO KROKU WYBIERA SIÇ
CZONKÐW POPULACJI DO REPRODUKCJI NA PODSTAWIE DOPASOWANIA OKREyLONEGO
ZGODNIE Z PEWNYM USTALONYM KRYTERIUM 3TOSUJE SIÇ PRZY TYM ZASADÇ PRZE
TRWANIA NAJLEPIEJ DOPASOWANYCH :ATEM NAJLEPIEJ DOPASOWANYM CZONKOM
STAREJ POPULACJI PRZYPISUJE SIÇ WIÇKSZE PRAWDOPODOBIEÎSTWO PRZETRWANIA
I REPRODUKCJI
+RZYOWANIE BÇDCE PROCESEM KOJARZENIA I USTALANIA REGU REPRODUKCJI
7 TYM KROKU BUDUJE SIÇ NOW KOMBINACJÇ PARAMETRÐW NA PODSTAWIE SKADO
WYCH ISTNIEJCYCH WEKTORÐW *EST WIELE RÐNYCH METOD KRZYOWANIA A KADA
Z NICH POLEGA NA TWORZENIU KOMBINACJI WARTOyCI PARAMETRÐW POCHODZCYCH
OD DWOJGA LUB WIÇKSZEJ LICZBY RODZICÐW W PEWIEN SPECYFICZNY DLA DANEJ
METODY SPOSÐB
-UTACJA 0EWNYM GENOM PRZYPISUJE SIÇ MOLIWOyÃ LOSOWYCH ZMIAN CO STWA
RZA WARUNKI DO POPRAWY CECH POPULACJI W SENSIE ZWIÇKSZENIA DOPASOWANIA
CZONKÐW TEJ POPULACJI -UTACJA JEST KLUCZOWYM SPOSOBEM ZAPEWNIENIA
RÐNORODNOyCI W POPULACJI MIMO E ZBYT DALEKO POSUNIÇTA MUTACJA MOE
BYÃ SZKODLIWA
7YMIENIONE TU TRZY CECHY SPRAWIAJ E ALGORYTMY GE
ZALETY ALGORYTMU NETYCZNE RÐNI SIÇ RADYKALNIE OD TRADYCYJNYCH METOD
GENETYCZNEGO
SZUKANIA OPTIMUM 0OZWALAJ ONE ALGORYTMOWI ROZWIJAÃ
POKOLENIA KTÐRE BADAJ INTERESUJCY NAS OBSZAR W TAKI SPOSÐB E MOG UNIKNÃ
ZABLOKOWANIA SIÇ W JAKIMy OPTIMUM LOKALNYM *EST TO UYTECZNE ZWASZCZA
PRZY TRUDNYCH PROBLEMACH OPTYMALIZACYJNYCH SZCZEGÐLNIE TAKICH W KTÐRYCH
WYSTÇPUJ LICZNE LOKALNE MINIMA I MAKSIMA 0ODCZAS GDY TRADYCYJNE PROCEDURY
MINIMALIZUJCE CZÇSTO ZADOWALAJ SIÇ WYSZUKANIEM JEDYNIE LOKALNEGO OPTIMUM
ALGORYTMY GENETYCZNE OGÐLNIE RZECZ BIORC S W STANIE WYZNACZYÃ OPTIMUM
GLOBALNE 'OLDBERG

0ODOBNIE JAK W POPRZEDNIM ROZDZIALE WYLICZENIA WIELKOyCI 6A2 ZOSTAY WYKONANE

DLA INDEKSU 7)' I DLA KURSU WALUTOWEGO 53$0,. POZYCJA DUGA I KRÐTKA
0ORÐWNAMY MECHANIZM DZIAANIA TRZECH TYPÐW MODELI #!6IA2 OMÐWIONYCH
W PODROZDZIALE 7 KADYM WYPADKU DOPASOWUJEMY JE DO DUGICH I KRÐTKICH
SZEREGÐW ZWROTÐW 5ZYSKANE OSZACOWANIA 6A2 OCENIAMY ZA POMOC UDZIAU
PRZEKROCZEÎ TESTU +UPCA ORAZ MIAR %3& I %3& 7SZYSTKIE OSZACOWANIA 6A2
ZESTAWIONE S ZE ZWROTAMI NA ODPOWIEDNICH WYKRESACH CO POZWOLI NAM NA PO
BIEN ALE SYNTETYCZN OCENÇ JAKOyCI WYLICZEÎ $ODATKOWO WYKRESY POKAZUJ
RÐNICE W DZIAANIU POSZCZEGÐLNYCH MODELI #!6IA2 ORAZ ZMIENIAJCY SIÇ WRAZ
ZE ZWIÇKSZANIEM SKOMPLIKOWANIA MODELU CHARAKTER DYNAMIKI KWANTYLI WARUN
KOWYCH WYZNACZAJCYCH SZEREGI WARUNKOWEJ WARTOyCI ZAGROONEJ
:E WZGLÇDU NA TO E UWAAMY METODÇ SZACOWANIA PARAMETRÐW MODELI PRZY
UYCIU ALGORYTMÐW GENETYCZNYCH ZA INTERESUJC ALTERNATYWÇ DLA KLASYCZNYCH
NARZÇDZI OPTYMALIZACYJNYCH PREZENTUJEMY CZYTELNIKOWI WYNIKI UZYSKANE WAyNIE
ZA POMOC TEJ METODY !LGORYTM GENETYCZNY UYWANY W PREZENTOWANYCH TUTAJ
PRZYKADOWYCH OBLICZENIACH NOSI NAZWÇ $IFFERENTIAL %VOLUTION $% A JEGO AUTO
RAMI S + 0RICE I 2 3TORN /BLICZENIA ZOSTAY WYKONANE W -ATLABIE
/SZACOWANIA PARAMETRÐW MODELI #!6IA2 !$ WYESTYMOWANYCH DLA IN
DEKSU 7)' NA PODSTAWIE DUGIEGO I KRÐTKIEGO SZEREGU ZWROTÐW ILUSTRACJA
PRZEDSTAWIONO W TABELI A OCENY JAKOyCI WYLICZEÎ 6A2 W TABELACH
I
4ABELA /SZACOWANIA PARAMETRÐW MODELI #!6IA2 !$ DOPASOWANYCH DO SZEREGÐW 7)'D

I 7)'K
3ZEREG -ODEL 0OZIOM ISTOTNOyCI 0OZYCJA C

KRÐTKA
7)'D !$ KRÐTKA
KRÐTKA
DUGA
7)'D !$ DUGA
DUGA
KRÐTKA s
7)'K !$ KRÐTKA s
KRÐTKA s
DUGA s
7)'K !$ DUGA s
DUGA s

4ABELA 7)' /CENA JAKOyCI OSZACOWAÎ 6A2 UZYSKANYCH ZA POMOC MODELU #!6IA2 !$
NA PODSTAWIE DUGIEGO SZEREGU ZWROTÐW
-ODEL 0OZYCJA B ,ICZBA 5DZIA 3TATYSTY P %3& %3&

I LICZBA PRZEKRO PRZEKRO KA WARTOyÃ
OBSERWACJI CZEÎ CZEÎ +UPCA
KRÐTKA

!$
KRÐTKA

KRÐTKA
7 PRÐBIE
DUGA s
!$
DUGA s

DUGA s
KRÐTKA

!$
KRÐTKA

KRÐTKA
0ROGNOZA
DUGA
!$
DUGA

DUGA
4ABELA 7)' /CENA JAKOyCI OSZACOWAÎ 6A2 UZYSKANYCH ZA POMOC MODELU #!6IA2 !$
NA PODSTAWIE KRÐTKIEGO SZEREGU ZWROTÐW
-ODEL 0OZYCJA B ,ICZBA 5DZIA 3TATYSTYKA P %3& %3&

I LICZBA PRZEKRO PRZEKRO +UPCA WARTOyÃ
OBSERWACJI CZEÎ CZEÎ
KRÐTKA

!$
KRÐTKA

KRÐTKA
7 PRÐBIE
DUGA
!$
DUGA

DUGA
KRÐTKA

!$
KRÐTKA

KRÐTKA s s
0ROGNOZA
DUGA s
!$
DUGA s

DUGA s s

:ARÐWNO W PRÐBIE JAK I W OKRESIE PROGNOZY JAKOyÃ OSZACOWAÎ 6A2 JEST DOyÃ
DOBRA PRZY CZYM LEPSZE REZULTATY UZYSKALIyMY POSUGUJC SIÇ DUGIM SZEREGIEM
ZWROTÐW 7 WYPADKU KRÐTKIEGO SZEREGU ZWROTÐW PROGNOZY 6A2 S PRZESZA
COWANE ZWASZCZA DLA POZIOMU ISTOTNOyCI 7YKRESY OSZACOWAÎ 6A2 NA
ILUSTRACJACH I POKAZUJ SPECYFICZNY PRZEDZIAAMI LINIOWY CHARAKTER
OSZACOWAÎ UZYSKANYCH ZA POMOC MODELU ADAPTACYJNEGO
)LUSTRACJA 7)' 6A2 W PRÐBIE WYLICZONY ZA POMOC MODELU #!6IA2 !$ DLA DUGIEGO SZEREGU
ZWROTÐW


s
s
s

+RÐTKI SZEREG ZWROTÐW INDEKSU 7)' OBEJMUJE OKRES PO

W KTÐRYM WYSTÇPOWA BARDZO WYRA|NIE EFEKT SYSTEMATYCZNEGO OBNIANIA SIÇ
ZMIENNOyCI I SPOWALNIANIA DYNAMIKI RYNKU 5ZYSKANE NA PODSTAWIE TYCH DA
NYCH OSZACOWANIA 6A2 S ZAWYONE I ZWASZCZA W WYPADKU DUGIEJ POZYCJI
PRAWIE STAE ILUSTRACJE I 0RAWDÇ MÐWIC JEST TO PRZYKAD BARDZO |LE
DZIAAJCEGO MODELU .A ILUSTRACJI WYRA|NIE WIDAÃ E ZMIENNOyÃ MALEJE
A OSZACOWANIA 6A2 ROSN 7YNIKA TO Z UJEMNYCH OSZACOWAÎ PARAMETRU β KTÐRE
NIE POWINNY WYSTÇPOWAÃ 4UTAJ ALGORYTM GENETYCZNY ZAWIÐD

)LUSTRACJA 7)' 0ROGNOZA 6A2 UZYSKANA ZA POMOC MODELU #!6IA2 !$ DLA DUGIEGO
SZEREGU ZWROTÐW


s
s
s
s

)LUSTRACJA 7)' 6A2 W PRÐBIE WYLICZONY ZA POMOC MODELU !$ DLA KRÐTKIEGO
SZEREGU ZWROTÐW

s
s
s
s
6A2 LONG 7)'K 6A2 SHORT

s
s


)LUSTRACJA 7)' 0ROGNOZA 6A2 WYLICZONA ZA POMOC MODELU #!6IA2 !$ DOPASOWANEGO
DO KRÐTKIEGO SZEREGU ZWROTÐW


s
s
s
s
s
s

+OLEJNYM ZASTOSOWANYM PRZEZ NAS MODELEM Z GRUPY #!6IA2 JEST MODEL

SYMETRYCZNY Z WARTOyCI BEZWZGLÇDN 3!6 *EST ON BARDZIEJ ROZBUDOWANY NI
MODEL ADAPTACYJNY I UWZGLÇDNIA INFORMACJE O WIELKOyCI ZWROTU /SZACOWANIA
PARAMETRÐW MODELI DOPASOWANYCH DO SZEREGÐW ZWROTÐW INDEKSU 7)'
ZOSTAY PRZEDSTAWIONE W TABELI
7 WYPADKU DUGIEGO SZEREGU ZWROTÐW 7)'D OSZACOWANIA 6A2 S BARDZO
DOBRE W CAYM OKRESIE PRÐBY ZARÐWNO DLA POZYCJI KRÐTKIEJ JAK I DUGIEJ $LA
PROGNOZ DOBRE S OSZACOWANIA DOTYCZCE POZYCJI KRÐTKIEJ TABELA NATO
MIAST WYRA|NIE PRZESZACOWANE S PROGNOZY ODNOSZCE SIÇ DO POZYCJI DUGIEJ
*EST TO WIDOCZNE RÐWNIE NA WYKRESACH ILUSTRACJE I

4ABELA /SZACOWANIA PARAMETRÐW MODELI #!6IA2 3!6 DOPASOWANYCH DO SZEREGÐW 7)'D
I 7)'K
3ZEREG -ODEL 0OZIOM ISTOTNOyCI 0OZYCJA C C C

KRÐTKA
7)'D 3!6 KRÐTKA
KRÐTKA
DUGA
7)'D 3!6 DUGA
DUGA
KRÐTKA s
7)'K 3!6 KRÐTKA s
KRÐTKA s
DUGA
7)'K 3!6 DUGA
DUGA s
4ABELA 7)' /CENA JAKOyCI OSZACOWAÎ 6A2 UZYSKANYCH ZA POMOC MODELU #!6IA2 3!6

KRÐTKA
3!6
KRÐTKA

KRÐTKA
7 PRÐBIE
DUGA
3!6
DUGA

DUGA
KRÐTKA

3!6
KRÐTKA

KRÐTKA
0ROGNOZA
DUGA s
3!6
DUGA s s

DUGA s s

)LUSTRACJA 7)'D 6A2 W PRÐBIE WYLICZONY ZA POMOC MODELU #!6IA2 3!6 DLA DUGIEGO
SZEREGU ZWROTÐW


s
s
s

)LUSTRACJA 7)'D 0ROGNOZA 6A2 WYLICZONA ZA POMOC MODELU #!6IA2 3!6 DOPASOWANEGO
DO DUGIEGO SZEREGU ZWROTÐW

s
s
s
s


0ROGNOZY 6A2 OTRZYMANE Z MODELU #!6IA2 3!6 DLA KRÐTKIEGO SZEREGU

ZWROTÐW S NIETRAFNE CHOÃ OSZACOWANIA W PRÐBIE NADAL S DOBREJ JAKOyCI TA
BELA 7YKORZYSTANIE BARDZIEJ SKOMPLIKOWANEGO MODELU ZWIÇKSZYO LICZBÇ
ZAAMAÎ NA KRZYWEJ OBRAZUJCEJ PROGNOZY 6A2 ALE NIE POPRAWIO JAKOyCI TYCH
PROGNOZ ILUSTRACJE I
4ABELA 7)' /CENA JAKOyCI OSZACOWAÎ 6A2 UZYSKANYCH ZA POMOC MODELU #!6IA2 3!6

KRÐTKA
3!6
KRÐTKA

KRÐTKA
7 PRÐBIE
DUGA
3!6
DUGA

DUGA
KRÐTKA
3!6
KRÐTKA

KRÐTKA s s
0ROGNOZA
DUGA
3!6
DUGA s s

DUGA s s
:ASTOSOWANIE MODELI ASYMETRYCZNYCH Z WARTOyCI BEZWZGLÇDN #!6IA2

!3- NIE WPYNÇO ZNACZCO NA POPRAWÇ OSZACOWAÎ 6A2 TABELA /CENÇ
ICH JAKOyCI PRZEDSTAWIONO W TABELI 7YNIKI TESTÐW DLA PROGNOZ W PRZYPADKU
KRÐTKICH SZEREGÐW S IDENTYCZNE JAK DLA MODELU #!6IA2 3!6 7 POZOSTAYCH
PRZYPADKACH UDZIAY PRZEKROCZEÎ S PRAWIE NIEZMIENIONE W PORÐWNANIU
Z WYLICZENIAMI DLA MODELU 3!6 .A ILUSTRACJACH I PRZEDSTAWIAJCYCH
ZESTAWIENIE 6A2 I ZWROTÐW ODPOWIEDNIO W OKRESIE PRÐBY I W OKRESIE PROGNOZY
WYRA|NIE WIDOCZNE JEST TO W WYPADKU DUGIEGO SZEREGU ZWROTÐW

)LUSTRACJA 7)' 6A2 W PRÐBIE WYLICZONY ZA POMOC MODELU #!6IA2 3!6 DLA KRÐTKIEGO
SZEREGU ZWROTÐW

s
s
s
s
s 6A2 LONG 7)'K 6A2 SHORT
s

)LUSTRACJA 7)' 0ROGNOZA 6A2 WYLICZONA ZA POMOC MODELU #!6IA2 3!6 DOPASOWANEGO


s
s
s
s
s
s


)LUSTRACJA 7)' 6A2 W PRÐBIE WYLICZONY ZA POMOC MODELU #!6IA2 !3- DLA DUGIEGO
SZEREGU ZWROTÐW


s
s
s
s
s
s

)LUSTRACJA 7)' 0ROGNOZA 6A2 WYLICZONA ZA POMOC MODELU #!6IA2 !3- DOPASOWANEGO
DO DUGIEGO SZEREGU ZWROTÐW

s
s
s
s


4ABELA 0ARAMETRY MODELI #!6IA2 !3- DOPASOWANYCH DO SZEREGÐW 7)'D I 7)'K
3ZEREG -ODEL 0OZIOM ISTOTNOyCI 0OZYCJA β β β β

KRÐTKA s
7)'D !3- KRÐTKA s
KRÐTKA s
DUGA
7)'D !3- DUGA s
DUGA
KRÐTKA s
7)' !3- KRÐTKA s
KRÐTKA s
DUGA s s
7)' !3- DUGA s s
DUGA s
4ABELA 7)' /CENA JAKOyCI OSZACOWAÎ 6A2 UZYSKANYCH ZA POMOC MODELU #!6IA2 !3-

KRÐTKA
!3-
KRÐTKA

KRÐTKA
7 PRÐBIE
DUGA
!3-
DUGA

DUGA
KRÐTKA
!3-
KRÐTKA

KRÐTKA
0ROGNOZA
DUGA
!3-
DUGA s s

DUGA s s

.A ILUSTRACJI PRZEDSTAWIAJCEJ ZESTAWIENIE OSZACOWAÎ 6A2 W PRÐ

BIE OTRZYMANYCH NA PODSTAWIE MODELU #!6IA2 !3- DLA KRÐTKIEGO SZEREGU
ZWROTÐW ZWRACA UWAGÇ CHARAKTERYSTYCZNY OSCYLUJCY WYKRES 6A2 DLA POZYCJI
DUGIEJ 0ROGNOZÇ 6A2 WYLICZON ZA POMOC TEGO MODELU PRZEDSTAWIONO NA
ILUSTRACJI -ODEL !3- JEST NAJBARDZIEJ ZOONYM SPOyRÐD PREZENTOWA
NYCH TU MODELI #!6IA2 STD TE W OSZACOWANIACH 6A2 POJAWIA SIÇ WIÇKSZA
DYNAMIKA *EDNAK JAK JU WSPOMNIELIyMY NIE WPYWA TO ZNACZCO NA POPRAWÇ
JAKOyCI OSZACOWAÎ 6A2 KTÐRE s ZWASZCZA W WYPADKU DUGIEJ POZYCJI s S ZBYT
KONSERWATYWNE TABELA
)LUSTRACJA 7)' 6A2 W PRÐBIE WYLICZONY ZA POMOC MODELU #!6IA2 !3- DLA KRÐTKIEGO
SZEREGU ZWROTÐW

s
s
s
s
s 6A2 LONG 7)'K 6A2 SHORT
s


4ABELA 7)' /CENA JAKOyCI OSZACOWAÎ 6A2 UZYSKANYCH ZA POMOC MODELU #!6IA2 !3-

KRÐTKA
!3-
KRÐTKA

KRÐTKA
7 PRÐBIE
DUGA
!3-
DUGA

DUGA
KRÐTKA
!3-
KRÐTKA s s

KRÐTKA s s
0ROGNOZA
DUGA
!3-
DUGA

DUGA s s
)LUSTRACJA 7)' 0ROGNOZA 6A2 WYLICZONA ZA POMOC MODELU #!6IA2 !3- DOPASOWANEGO

s
s
s
s


5WAGI
%NGLE I -ANGANELLI PRZEDSTAWILI WYNIKI EKSPERYMENTÐW -ONTE #ARLO

yWIADCZCE O TYM E REGRESJA KWANTYLOWA W POCZENIU Z ALGORYTMEM GENE
TYCZNYM DAJE SATYSFAKCJONUJCE REZULTATY 7 PRACACH %NGLE I -ANGANELLI
ORAZ -ANGANELLI I %NGLE ZAPREZENTOWANE ZOSTAY RÐWNIE REZULTATY
SYMULACJI -ONTE #ARLO KTÐRYCH CELEM BYA OCENA MOLIWOyCI RÐNYCH METODO
LOGII SZACOWANIA WARTOyCI ZAGROONEJ 7YNIKA Z NICH E W WYPADKU SZEREGÐW
GENEROWANYCH PRZEZ PROCESY Z GRUBYMI OGONAMI ROZKADÐW NAJLEPSZE OKAZAY
SIÇ MODELE #!6IA2 : NASZYCH BADAÎ PRZEPROWADZONYCH NA WYBRANYCH SZE
REGACH POLSKIEGO RYNKU FINANSOWEGO WYNIKA E WYZNACZENIE 6A2 ZA POMOC
MODELI #!6IA2 POWINNO BYÃ POWANIE BRANE POD UWAGÇ RÐWNIE W KONTEKyCIE
TEGO RYNKU
-ETODY REGRESJI KWANTYLOWEJ NALE DO STOSUNKOWO NOWYCH I ICH ZASTO
SOWANIA W EKONOMETRII FINANSOWEJ DOPIERO SIÇ POJAWIAJ .IEMNIEJ WYDAJE
SIÇ E POTENCJALNE ICH ZNACZENIE W ROZWOJU ILOyCIOWYCH METOD ZARZDZANIA
RYZYKIEM JEST DUE )STNIEJE MONOGRAFIA +OENKERA POyWIÇCONA REGRESJI
KWANTYLOWEJ


-ODELE PRZECZNIKOWE
*EDNYM ZE ZJAWISK NAJBARDZIEJ CHARAKTERYSTYCZNYCH DLA FINANSOWYCH SZEREGÐW

ZWROTÐW JEST WYSTÇPOWANIE ZGRUPOWAÎ ZMIENNOyCI :WYKLE ANALIZUJC SZEREG
MONA WYRÐNIÃ OKRESY OBNIONEJ BD| PODWYSZONEJ ZMIENNOyCI 7I SIÇ
ONE NA OGÐ Z WYSTÇPUJCYMI NA RYNKU FINANSOWYM FAZAMI LOKALNEGO SPOKOJU
I OKRESAMI BURZLIWYCH ZAWIROWAÎ I STANOWI DOWÐD NA NIEMOLIWOyÃ ADEKWAT
NEGO OPISU DYNAMIKI RYNKU ZA POMOC MODELI LINIOWYCH 0RZEDSTAWIONE W PO
PRZEDNICH ROZDZIAACH MODELE '!2#( I MODELE ZMIENNOyCI STOCHASTYCZNEJ
DAJ JEDN Z MOLIWOyCI OPISU TEGO ZJAWISKA 5PRAWNIONE JEST JEDNAK RÐWNIE
ODMIENNE SPOJRZENIE NA OKRESOWE ZMIANY POZIOMU ZMIENNOyCI I s WYSTÇPUJCE
RÐWNOLEGLE s ZMIANY WIELKOyCI ZWROTÐW 4EN INNY SPOSÐB
MODELE
WYCHWYCENIA NIE TYLKO OKRESOWYCH ZMIAN W yREDNIEJ
PRZECZNIKOWE
I ZMIENNOyCI ALE TAKE POJEDYNCZYCH SKOKÐW CZY SPAD
KÐW UMOLIWIAJ TZW MODELE PRZECZNIKOWE
-ODELE PRZECZNIKOWE KTÐRYM POyWIÇCONY JEST NINIEJSZY ROZDZIA OPISUJ
SYTUACJÇ W KTÐREJ ZWROTY INSTRUMENTU FINANSOWEGO MOG BYÃ MODELOWANE ZA
POMOC MODELU Z PARAMETRAMI NALECYMI DO PEWNEGO SKOÎCZONEGO PODZBIORU
PRZESTRZENI PARAMETRÐW PRZY CZYM OKREyLONY JEST PROCES STOCHASTYCZNY CHARAK
TERYZUJCY MOLIWOyCI PRZEJyCIA OD JEDNEGO WEKTORA PARAMETRÐW DO DRUGIEGO
*EyLI PRZYJMIEMY HIPOTEZÇ E WYMIENIONE WCZEyNIEJ CHARAKTERYSTYCZNE CECHY
ZWROTÐW S SKUTKIEM PRZESKAKIWANIAq UKADU GENERUJCEGO SZEREG MIÇDZY
KILKOMA REIMAMI TO MONA ZA POMOC MODELI PRZECZNIKOWYCH SZUKAÃ
ODPOWIEDZI NA NASUWAJCE SIÇ PYTANIA O RÐNICE MIÇDZY REIMAMI PRAWDOPO
DOBIEÎSTWA PRZEJyCIA I CZAS TRWANIA SYSTEMU W OBRÇBIE KADEGO REIMU )STNIEJE
TE PEWNA SZANSA NA POPRAWÇ PROGNOZ ZMIENNOyCI ORAZ UZYSKANIE SENSOWNYCH
PROGNOZ ZWROTÐW 4RZEBA MIEÃ JEDNAK yWIADOMOyÃ FAKTU E PROGNOZOWANIE
ZA POMOC MODELI PRZECZNIKOWYCH JEST TRUDNE CHOCIABY Z TEGO POWODU E
PROGNOZOWALNOyÃ W POSZCZEGÐLNYCH REIMACH MOE BYÃ ODMIENNA

-ODELE PRZECZNIKOWE
/GÐLNIE MONA WYRÐNIÃ DWIE KLASY MODELI PRZECZ

KLASY MODELI
PRZECZNIKOWYCH NIKOWYCH 0IERWSZA CHARAKTERYZUJE SIÇ TYM E REIM
OBOWIZUJCY W MOMENCIE T OKREyLONY JEST PRZEZ PEWN
ZMIENN OBSERWOWALN 7 WYPADKU DRUGIEJ KLASY MODELI PRZECZNIKOWYCH
PRZECZANIE MIÇDZY REIMAMI STEROWANE JEST PRZEZ PEWIEN NIEOBSERWOWALNY
PROCES STOCHASTYCZNY 0ISZEMY O TYM DOKADNIEJ W PODROZDZIALE
-ODELE PROGOWE

'ÐWNYM REPREZENTANTEM PIERWSZEJ Z WYMIENIONYCH
AUTOREGRESYJNY
POWYEJ KLAS MODELI PRZECZNIKOWYCH JEST AUTOREGRE
MODEL PROGOWY 4!2
SYJNY MODEL PROGOWY 4!2 THRESHOLD AUTOREGRESSIVE
PRZEDSTAWIONY PRZEZ 4ONGA ORAZ 4ONGA I ,IMA
7 WERSJI 3%4!2 3ELF %XCITING 4!2 TEGO MODELU ZAKADA SIÇ E GRANICA
MIÇDZY REIMAMI DANA JEST PRZEZ USTALON WARTOyÃ PROGOW OPÐ|NIONEJ WARTOyCI
MODELOWANEGO SZEREGU 0RZYKADEM TAKIEGO MODELU JEST
RT = A + A RTs s )RTs > C + A + A RTs )RTs > C + εT
GDZIE ) OZNACZA FUNKCJÇ WSKA|NIKOW
-ODELE WYGADZONEGO PRZEJyCIA

/PISANY W POPRZEDNIM PODROZDZIALE MODEL 3%4!2 SPOTKA SIÇ Z KRYTYK ZE
WZGLÇDU NA TO E WARTOyCI PROGOWE S PUNKTAMI NIECIGOyCI yREDNIEJ WA
RUNKOWEJ 7 ODPOWIEDZI NA TÇ KRYTYKÇ #HAN I 4ONG ORAZ 4ERÁSVIRTA
ZAPROPONOWALI MODEL AUTOREGRESYJNY Z GADKIM
MODEL 34!2 PRZEJyCIEM 34!2 3MOOTH 4RANSITION !2 W KTÐRYM
PRZEJyCIE POMIÇDZY REIMAMI ODBYWA SIÇ ZA POMOC
FUNKCJI ZMIENIAJCEJ SIÇ W SPOSÐB GADKI OD DO PRZY ROSNCEJ WARTOyCI OPÐ|
NIONEJ OBSERWACJI 7 PRZYPADKU MODELI WYGADZONEGO PRZEJyCIA 34 3MOOTH
4RANSITION PRZECZANIE MA ZATEM CHARAKTER STOPNIOWEGO RACZEJ AGODNEGO
PRZEJyCIA Z JEDNEGO STANU DO DRUGIEGO
7 NAJBARDZIEJ POPULARNYM PRZYPADKU FUNKCJA PRZEJyCIA JEST FUNKCJ LOGI
STYCZN
1
G( x; H , c)
1 exp( H ( x U))
A MODEL 34!2 ODPOWIADAJCY MODELOWI MA POSTAÃ
RT = A + A RTs s 'RTs γ C + A + A RTs 'RTs γ C + εT

-ODEL (AMILTONA
0ONIEWA JESTEyMY ZAINTERESOWANI PRZEDE WSZYSTKIM

TEMATYK MODELOWANIA ZMIENNOyCI ROZWAYMY TERAZ MODEL 34 '!2#(
MODEL 34 '!2#( ,UNDBERGH I 4ERÁSVIRTA KTÐRY
POZWALA NA OPIS ZMIAN ZARÐWNO W yREDNIEJ WARUNKOWEJ JAK I W WARIANCJI WA
RUNKOWEJ *EGO SPECYFIKACJA OKREyLONA JEST NASTÇPUJCO
RT = A + A RTs 'T + A + A RTs s 'T + YT
YT = σT ε T
εT ∼ IID
σT = ω1 +α YTs + β σTs 'T + ω2 +α YTs +

+ β σTs s 'T
GDZIE JEST RÐWNANIEM WARIANCJI WARUNKOWEJ A
1
Gt
1 exp( H ( z t U))
7YSTÇPUJCA WE WZORZE ZMIENNA ZT ORAZ PARAMETR τ ODPOWIADAJ
ZA PRZECZANIE MIÇDZY REIMAMI *EyLI PARAMETR WYGADZANIA γ JEST DODATNI
TO NIERÐWNOyÃ ZT <τ OZNACZA PRZEWAGÇ REIMU PIERWSZEGO 'T > A ZT > τ
PRZEWAGÇ REIMU DRUGIEGO 'T<
3ZCZEGÐLNE ZNACZENIE W EKONOMETRII FINANSOWEJ MAJ MODELE 34 '!2#(
Z CZASEM JAKO ZMIENN PRZECZAJC ZT = T 7 TAKIEJ SYTUACJI PARAMETR τ WY
ZNACZA DATÇ ODPOWIADAJC MOMENTOWI ZMIANY STRUKTURALNEJ ZMIANY REIMU
W SZEREGU OBSERWACJI
-ODEL (AMILTONA
7 WYPADKU DRUGIEJ KLASY MODELI PRZECZNIKOWYCH ZAKADA SIÇ E REIM WY

STÇPUJCY W MOMENCIE T JEST OKREyLONY PRZEZ NIEOBSERWOWALNY PROCES PRZYJ
MUJCY - WARTOyCI - .AJBARDZIEJ POPULARNYM MODELEM W TEJ KLASIE
JEST POCHODZCY OD (AMILTONA MODEL PRZECZNIKOWY TYPU -ARKOWA
WYSPECJALIZOWANY DO OPISU APERIODYCZNYCH PRZEJyÃ POMIÇDZY RÐNYMI REIMA
MI 0ROCES ST JEST TUTAJ JEDNORODNYM AÎCUCHEM -ARKOWA RZÇDU PIERWSZEGO
/ZNACZA TO E
0ST = KT | STs = KTs S = K = 0ST = KT | STs = KTs
A WIÇC REIM BIECY ST ZALEY JEDYNIE OD REIMU STs

-ODELE PRZECZNIKOWE
-ODEL JEST ZATEM OPISANY PRZEZ OKREyLENIE PRAWDOPODOBIEÎSTW PRZEJyCIA

Z JEDNEGO STANU DO INNEGO 7 ORYGINALNYM MODELU (AMILTONA W ZALENOyCI OD
REIMU ZMIENIAA SIÇ SPECYFIKACJA yREDNIEJ WARUNKOWEJ ZWROTU *EDNOCZEyNIE
POJAWIY SIÇ MODELE PRZECZNIKOWE TYPU -ARKOWA W KTÐRYCH PRZECZENIA DO
TYCZ WIELKOyCI WARIANCJI ZWROTU LUB yREDNIEJ I WARIANCJI JEDNOCZEyNIE 3CHWERT
4URNER 3TARTZ I .ELSON .IECO PÐ|NIEJ (AMILTON I 3USMEL
ZAPROPONOWALI MODEL !2#( Z PRZECZENIEM TYPU -ARKOWA PRZEZNACZONY DO
MODELOWANIA NAGYCH DYSKRETNYCH ZMIAN W PROCESIE GENERUJCYM ZMIENNOyÃ
EWOLUUJC W CZASIE
3PECYFIKACJA MODELU

-ODELEM (AMILTONA BÇDZIEMY NAZYWAÃ MODEL STANOWICY POCZENIE OPI
SANYCH UJÇÃ (AMILTONA I (AMILTONAs3USMELA /ZNACZA TO E DOPUSZCZAMY
ZMIANÇ REIMU ZARÐWNO W yREDNIEJ WARUNKOWEJ JAK
SPECYFIKACJA I W PROCESIE ZMIENNOyCI /GRANICZAMY SIÇ DO ROZWAA
MODELU (AMILTONA
NIA DWÐCH MOLIWYCH REIMÐW 7 TAKIEJ SYTUACJI MONA
PRZYJÃ INTERPRETACJÇ E JEDEN Z REIMÐW ODPOWIADA RYNKOWI USPOKOJONEMU
A DRUGI RYNKOWI O PODWYSZONEJ AKTYWNOyCI -ODEL MA POSTAÃ
RT s MST = ARTs s MSTs + + APRTsP s MSTsP + YT
YT = σT ε T
σT = ωST 1 + α YTsωSTs + + αP YTsP ωSTsP

GDZIE εT ^ IID
7 POWYSZYCH RÐWNANIACH ZMIENNA ST PRZYJMUJE WARTOyCI LUB A M
M ω1 ω2 S PARAMETRAMI PODLEGAJCYMI ESTYMACJI 0RZEDMIOTEM ESTY
MACJI S RÐWNIE PRAWDOPODOBIEÎSTWA PRZEJyCIA
0ST = | STs = = P
0ST = | STs = = P
0ST = | STs = = P
0ST = | STs = = P
: INTERPRETACJI PARAMETRÐW PIJ WYNIKA E POWINNY BYÃ ONE NIEUJEMNE ORAZ

POWINNY ZACHODZIÃ ZWIZKI P + P = I P + P = :AKADAMY E ZMIENNE ST

-ODEL (AMILTONA
TWORZ AÎCUCH -ARKOWA O DWÐCH STANACH Z PRAWDOPODOBIEÎSTWAMI PRZEJyCIA

PIJ I J \ ^ )NTERESUJCYMI PARAMETRAMI MODELU PRZECZNIKOWEGO TYPU
-ARKOWA S RÐWNIE BEZWARUNKOWE PRAWDOPODOBIEÎ
BEZWARUNKOWE
STWA TEGO E PROCES ZNAJDUJE SIÇ W KADYM Z DWÐCH PRAWDOPODOBIEÎ
REIMÐW TZN 0ST = I DLA I = *EELI P x I P x STWA ZNAJDOWANIA
TO BEZWARUNKOWE PRAWDOPODOBIEÎSTWA 0ST = I I = SIÇ PROCESU W DA
PRZEBYWANIA PROCESU W I TYM REIMIE WYZNACZONE S NYM REIMIE
JEDNOZNACZNIE I DANE S WZORAMI
1 p22
P( st 1)
2 p11 p22
1 p11
P( st 2 )
2 p11 p22
/DWROTNOyÃ PRAWDOPODOBIEÎSTWA 0ST = I OZNACZANA SYMBOLEM MTRI MOE

BYÃ W TAKIEJ SYTUACJI INTERPRETOWANA JAKO OCZEKIWANY CZAS POWROTU PROCESU
DO REIMU I *AKUBOWSKI I 3ZTENCEL (AMILTON 3YMBOLEM DI
OZNACZAMY OCZEKIWANY DALSZY CZAS TRWANIA SYSTEMU W REIMIE I WYRAAJCY SIÇ
W ROZWAANYM PRZEZ NAS PRZYPADKU DWÐCH REIMÐW I J = WZOREM
1 1
d( i )
1 pii pij
/CZEKIWANY CZAS TRWANIA JEST ISTOTNY Z PUNKTU WIDZE
OCZEKIWANY CZAS
NIA ZASTOSOWAÎ OMAWIANYCH TU MODELI W INWESTOWANIU POWROTU PROCESU
PONIEWA POZWALA OCENIÃ JAKI JEST yREDNI OKRES W KTÐRYM DO REIMU
SYSTEM POZOSTANIE W TYM SAMYM NP CHARAKTERYZUJCYM
SIÇ NISK ZMIENNOyCI REIMIE
%STYMACJA
0ARAMETRY MODELU PRZECZNIKOWEGO (AMILTONA MOG BYÃ ESTYMOWANE ZA POMOC
TECHNIK NAJWIÇKSZEJ WIARYGODNOyCI 0ONIEWA JEDNAK PROCES -ARKOWA ST JEST
NIEOBSERWOWALNY TO ESTYMACJA NIE PRZEBIEGA W SPOSÐB STANDARDOWY 0RZEDMIOTEM
ESTYMACJI JEST W RZECZYWISTOyCI NIE TYLKO OSZACOWANIE PARAMETRÐW W RÐWNANIU
AUTOREGRESJI I W RÐWNANIU WARIANCJI WARUNKOWEJ W OBU REIMACH ORAZ WYLICZENIE
PRAWDOPODOBIEÎSTW PRZEJyCIA Z JEDNEGO REIMU DO DRUGIEGO ALE RÐWNIE WYZNA
CZENIE PRAWDOPODOBIEÎSTW WARUNKOWYCH PRZEBYWANIA PROCESU W KADYM REIMIE
W DOWOLNYM MOMENCIE ,OGARYTM FUNKCJI WIARYGODNOyCI MA POSTAÃ
T ¨ 2 2 ·
L ¤ ln ©© ¤ ¤ f ( r | s t t j0 , , st p j p , t 1; θ)P( st j0 , , st p j p |t 1; θ) ¸
t 1 ¸
ª j0 1 j p 1 ¹

-ODELE PRZECZNIKOWE
7E WZORZE Ts REPREZENTUJE HISTORIÇ PROCESU ZWROTÐW DO MOMENTU

T s F RT | ST = J STsP = JP Ts R GDZIE JK \ ^ OZNACZA GÇSTOyÃ WARUNKOW
ZMIENNEJ RT POD WARUNKIEM REALIZACJI CIGU REIMÐW ST = J STsP = JP I HISTORII
Ts A R = M M A AP ω ω α αP P P a
0OSTAÃ FUNKCJI F RT | ST = J STsP = JP Ts ZALEY OD FUNKCJI GÇSTOyCI G PO
STULOWANEGO ROZKADU BÇDU εT STANDARDOWY NORMALNY LUB OKREyLONY JEDNYM
ZE WZORÐW s TZN
1 ¥ rt N t ( j0 , , j p ) ´
f ( rt | st j0 , , st p j p , t 1; θ) g¦ µ
T t ( j0 , , j p ) ¦ T t ( j0 , , j p ) µ
§ ¶
GDZIE
NT J JP = MJ + ARTs s M J + + APRTsP s M JP
TT J JP = ω J + α YTsω J + + αP YTsP ω JP
$O WYLICZENIA LOGARYTMICZNEJ FUNKCJI WIARYGODNOyCI NIEZBÇDNA JEST

ZNAJOMOyÃ PRAWDOPODOBIEÎSTW 0ST = J STsP = JP | Ts TEGO E W MOMENTACH
T Ts T s P PROCES ZNAJDOWA SIÇ W REIMACH J J JP 7 TYM CELU WYKO
RZYSTYWANE S ZALENOyCI
P( st j0 , , st p j p | t )
f ( rt | st j0 , , st p j p , t 1) P( st j0 , , st p j p |t 1)
2 2
¤ ¤ f (r | s
i0 1 i p 1
t t i0 , , st p i p , t 1) P( st i0 , , st p i p | t 1)
ORAZ
P( st j0 , , st p j p | t 1)
2
p j1 j0 ¤
i p 1 1
P( st 1 j1 , , st p j p , st p 1 i p 1 | t 1)
PRZY CZYM DRUGA Z NICH JEST KONSEKWENCJ WAyCIWOyCI -ARKOWA

!BY ZAPOCZTKOWAÃ ITERACJÇ NA OGÐ ZAKADA SIÇ E
1 p22
P( s1 1| 0 ) A
2 p11 p22
1 p11
P( s1 2 |0 ) B
2 p11 p22
CO OZNACZA PRZYJÇCIE ZA 0S = |  I 0S = |  BEZWARUNKOWYCH PRAWDO

PODOBIEÎSTW I OBOWIZYWANIA REIMU LUB

-ODEL (AMILTONA
*AKO PRODUKT UBOCZNY ESTYMACJI OTRZYMUJEMY CIGI 0ST = | Ts T = 4

PRAWDOPODOBIEÎSTW ZNAJDOWANIA SIÇ SYSTEMU W REIMIE W MOMENCIE T POD
WARUNKIEM INFORMACJI O PROCESIE ZWROTÐW DO MOMENTU T s
2 2
P( st 1| t 1) ¤ ¤ P( s t 1, st 1 j1 , , st p j p | t 1)
j1 1 j p 1
/CZEKIWANE yREDNIE WARUNKOWE > rt E( rt | t 1) ZWROTÐW I OCZEKIWANE ZMIEN

T t E(T t | t 1) DLA MODELU s MONA WYRAZIÃ WZORAMI
2 2
NOyCI >
2 2 ¥ p ´
>
rt ¤ ¤ P( st j0 , , st p j p |t 1) ¦ m j0
¦ ¤a r n t n m jn µ
µ
j0 1 j p 1 § n1 ¶
2 2 ¥ p 2 ´
yt
>2
Tt ¤ ¤ P( s t j0 , , st p j p |t 1)X j0 ¦ 1 ¤B X j n
n
µ
¦ µ
j0 1 j p 1 § n1 n ¶
0ONIEWA ZMIENNE ST NIE S OBSERWOWALNE W BADANIACH EMPIRYCZNYCH ZRE

ALIZOWANE RESZTY YT Z MODELU s OBLICZAMY JAKO RT s >
RT
0ROGNOZOWANIE
$O PROGNOZOWANIA ZA POMOC MODELU PRZECZNIKOWEGO TYPU -ARKOWA UY
WA SIÇ WZORÐW ANALITYCZNYCH NA yREDNI I WARIANCJÇ LUB STOSUJE SIÇ SYMULACJE
-ONTE #ARLO $LA MODELU (AMILTONA ANALITYCZNE WZORY NA PROGNOZY ZWROTU
T T2 ( l ) E(T T2 l | T ) L DNI NAPRZÐD MAJ POSTAÃ
R4L I ZMIENNOyCI >
>
2 2 ¥ p ´
>
rT ( l ) ¤ ¤ P( sT l j0 , , sT l p j p |T ) ¦ m j0 ¤ a r (l
n
>
T n) m jn µ
¦ µ
j0 1 j p 1 § n1 ¶
2 2 ¥ p >2
T T ( l n) ´
>2
T T ( l) ¤ ¤ P( sT l j0 , , sT l p j p |T )X j0 ¦ 1 ¤ Bn µ
¦ X jn µ¶
j0 1 j p 1 § n1
GDZIE > T T2 ( k ) yT2 k DLA K b A RESZTY YT WYLICZANE S JAKO RT s >

rT ( k ) rT k > RT PRZY
CZYM >RT DANE JEST WZOREM
7YSTÇPUJCE WE WZORACH PRAWDOPODOBIEÎSTWA 0S4+L = J S4+LsP = JP | 4
WYZNACZA SIÇ REKURENCYJNIE KORZYSTAJC Z ZALENOyCI I 0ROGNOZY
S WIÇC W ISTOCIE yREDNIMI WAONYMI PROGNOZ PO WSZYSTKICH MOLIWYCH KONFI
GURACJACH REIMÐW WYSTÇPUJCYCH W OKRESIE OD 4 + L s P
DO 4 + L A WAGAMI S PRAWDOPODOBIEÎSTWA REALIZACJI PROGNOZY I WAGI
ODPOWIEDNICH KONFIGURACJI

-ODELE PRZECZNIKOWE
-ODELE -3 !2 '!2#(
2OZWAMY RAZ JESZCZE POWSZECHNIE STOSOWANY MODEL ZWROTÐW PRZYROSTÐW

ZMIAN CENY RT INSTRUMENTU FINANSOWEGO
RT = NT + YT
YT = TT FT
GDZIE NT = %RT | Ts JEST yREDNI WARUNKOW ODPOWIADAJC INFORMACJI NA TEMAT
PROCESU ZWROTÐW DOSTÇPNEJ DO MOMENTU T s A FT S NIEZALENYMI ZMIENNYMI
LOSOWYMI Z ZEROW yREDNI I JEDNOSTKOW WARIANCJ
3PECYFIKACJA MODELU

/MÐWIMY TERAZ MODEL PRZECZNIKOWY TYPU -ARKOWA -3 !2 '!2#( -AR
KOV 3WITCHING !2 '!2#( W KTÐRYM ZAKADA SIÇ E
NT =NT RST A
TT =TT RST B
GDZIE ST JEST JEDNORODNYM AÎCUCHEM -ARKOWA Z DWUELEMENTOW DLA UPROSZ
CZENIA PRZESTRZENI STANÐW [ ] A RST JEST WEKTOREM PARAMETRÐW MODELU
WAyCIWYCH DLA REIMU ST
3PECYFIKACJA MODELU -3 !2M '!2#(P Q JEST NASTÇPUJCA POR $A
VIDSON A
m
rt G 0 ( st ) ¤ G ( s )r
i 1
i t t i yt
YT = TTFT
q p
T 2t X( st ) ¤i 1
B i ( st ) y t2 i ¤ C ( s )T
i 1
i t
2
t i
GDZIE FT S NIEZALENYMI ZMIENNYMI LOSOWYMI MAJCYMI ZEROW yREDNI JED

NOSTKOW WARIANCJÇ POTENCJALNIE ZALENYMI OD PEWNYCH PARAMETRÐW KTÐRE
RÐWNIE MOG PODLEGAÃ PRZECZANIU NP ILOyÃ STOPNI SWOBODY LUB PARAMETR
ASYMETRII W SKOyNYM ROZKADZIE T 3TUDENTA

-ODELE -3 !2 '!2#(
%STYMACJA MODELU -3 !2 '!2#(

0ARAMETRY MODELU -3 !2M '!2#(P Q MOG BYÃ ESTYMOWANE ZA POMOC
TECHNIK METODY NAJWIÇKSZEJ WIARYGODNOyCI 0ONIEWA JEDNAK PROCES REIMÐW
ST NIE JEST OBSERWOWALNY ESTYMACJA PODOBNIE JAK W WYPADKU MODELU (AMIL
TONA NIE MOE PRZEBIEGAÃ W SPOSÐB STANDARDOWY 0RZEDMIOTEM ESTYMACJI S
PARAMETRY W RÐWNANIACH yREDNIEJ I WARIANCJI WARUNKOWEJ PRAWDOPODOBIEÎSTWA
PRZEJyCIA PARAMETRY ROZKADU INNOWACJI FT ORAZ CIG 0S = | Ts PRAWDOPO
DOBIEÎSTW WARUNKOWYCH OBOWIZYWANIA REIMU W MOMENCIE T PRZY DANYM
ZBIORZE INFORMACJI Ts 7 OGÐLNYM WYPADKU NIEATWYM PROBLEMEM JEST RÐWNIE
ZALENOyÃ ZMIENNOyCI TT OD CAEJ ZREALIZOWANEJ yCIEKI REIMÐW ST STs S
WYNIKAJCA Z POSTACI RÐWNANIA OPISUJCEGO WARIANCJÇ WARUNKOW
4RUDNOyÃ TÇ MONA OBEJyÃ DOKONUJC ODPOWIEDNIEJ TRANSFORMACJI PRZEKSZTA
CAJCEJ MODEL '!2#(P Q W MODEL !2#(∞ 7PROWADZAJC WIELOMIANY
OPERATOROWE
αJ , y α J , + + αQ J ,Q
βJ , y C J , s s βP J ,Q

GDZIE , JEST OPERATOREM OPÐ|NIENIA OKREyLONYM RÐWNOyCI ,KXT = XTsK MONA
PRZY ZAOENIU E PIERWIASTKI WIELOMIANU C J Z MAJ MODUY WIÇKSZE OD
WYNIK TEJ TRANSFORMACJI ZASTOSOWANEJ DO RÐWNANIA ZAPISAÃ W POSTACI
d
X( st ) B( st )( L) 2
2
Tt
1 C 1 ( st ) C p ( st ) C( st )( L)
y t E 0 ( st ) ¤E (s ) y
i 1
i t
2
t i

W KTÐREJ T ZALEY BEZPOyREDNIO JEDYNIE OD AKTUALNEGO REIMU ST
T
.IECH
R=<G G GM GM ω ω α α αQ αQ
β β βP βP V P P=′
OZNACZA WEKTOR PARAMETRÐW MODELU s &UNKCJA LOGARYTMICZNEJ
WIARYGODNOyCI KTÐR MAKSYMALIZUJEMY MA POSTAÃ
T ¥ 2 ´
L ¤ ln ¦¦ ¤ f ( r | s t t j, t 1; θ)P( st j |t 1; θ) µ
µ

t 1 § j 1 ¶
GDZIE
1 ¥ r N t ( j) ´
f ( rt | st j, t 1) gj¦ t µ
T t ( j) § T t ( j) ¶
μT J = φ J +φ J RTs + + φM J RTs

-ODELE PRZECZNIKOWE
q p
T 2t ( j) X( j) ¤
i 1
B i ( j) y t2 i ¤ C ( j)T
i 1
i
2
t i
PRZY CZYM GJ JEST GÇSTOyCI INNOWACJI ODPOWIADAJCEJ REIMOWI J 7YSTÇPUJCE

WE WZORZE PRAWDOPODOBIEÎSTWA 0ST = J | Ts S WYLICZANE ZA POMOC
PROCEDURY REKURENCYJNEJ
2
P( st j | 
t 1) ¤ p P( s
i 1
ij t 1 i | t1)
f ( rt | st j, t 1) P( st j | t 1)
P( st j | t ) 2

¤ f (r | s
i1
t t i, t 1) P( st i | t 1)
*AKO WARTOyCI POCZTKOWE 0ST = |  ORAZ 0ST = |  PRZYJMUJEMY PRAW

DOPODOBIEÎSTWA BEZWARUNKOWE DANE WZORAMI I
2 2
/CZEKIWANA W PRÐBIE yREDNIA WARUNKOWA> RT ORAZ ZMIENNOyÃ > T t E(T t | t 1)
WYLICZANE S W NASTÇPUJCY SPOSÐB
2 ¥ m ´
>
rt ¤
P( st j | t 1) ¦ G 0 ( j)
¦
G i ( j) rt i µ
µ ¤
j1 § i 1 ¶
2 ¥ d ´
>2
Tt ¤ P( st j | t 1) ¦ E 0 ( j)
¦ ¤ E ( j) y
i
2
t i µµ
j 1 § i 1 ¶
.IETRUDNO ZAUWAYÃ I WIELKOyCI TE S RÐWNE yREDNIM WAONYM ODPOWIED
NIO WARUNKOWEJ yREDNIEJ I WARIANCJI WARUNKOWEJ W OBU REIMACH PRZY CZYM
WAGAMI S WARUNKOWE PRAWDOPODOBIEÎSTWA 0ST = J | Ts OBOWIZYWANIA TYCH
REIMÐW 0ONIEWA ZMIENNE ST NIE S OBSERWOWALNE ZREALIZOWANE RESZTY YT
WYLICZA SIÇ JAKO RT s >
RT
0ROGNOZOWANIE
T T2 ( l ) E(T T2 l | T )
R4 L I ZMIENNOyCI >
!NALITYCZNE WZORY NA PROGNOZY ZWROTU >
L DNI NAPRZÐD NA PODSTAWIE MODELU -3 !2 '!2#( MAJ POSTAÃ
2 ¥ m ´
>
rT ( l ) ¤ P( sT l j | T ) ¦ G 0 ( j)
¦ ¤ G ( j) r ( l
i
>
T i) µ
µ
j 1 § i 1 ¶
2 ¥ d ´
>2
T T ( l) ¤ P( sT l j | T ) ¦ E 0 ( j) ¤ E ( j)T i
>2
T (l i) µ
¦ µ
j 1 § i 1 ¶

2 2
GDZIE > T T ( k ) yT k DLA K b YT S WYLICZANE JAKO RT s >
rT ( k ) rT k > RT A PRAWDO
PODOBIEÎSTWA 0S4+ L = J | 4 MOG BYÃ OBLICZONE PRZY UYCIU WZORÐW REKUREN
CYJNYCH I
0ODOBNIE JAK W WYPADKU OCZEKIWANEJ yREDNIEJ WARUNKOWEJ I ZMIENNOyCI
W PRÐBIE PROGNOZY S RÐWNE yREDNIM WAONYM PROGNOZ W POSZCZEGÐLNYCH RE
IMACH PRZY CZYM WAGAMI S WARUNKOWE PRAWDOPODOBIEÎSTWA WYSTÇPOWANIA
TYCH REIMÐW
0RZYJRZYMY SIÇ TERAZ OSZACOWANIOM ZMIENNOyCI UZYSKANYM ZA POMOC MODELI

PRZECZNIKOWYCH (AMILTONA I -3 !2 '!2#( 0ODOBNIE JAK W POPRZEDNICH
ROZDZIAACH PRZEDSTAWIAMY OSZACOWANIA W PRÐBIE I WYZNACZAMY PROGNOZY
ZMIENNOyCI
/SZACOWANIA PARAMETRÐW MODELI PRZEDSTAWIONE W TYM PODROZDZIALE ZOSTAY
UZYSKANE ZA POMOC PROGRAMU * $AVIDSONA 43- $AVIDSON :A
RÐWNO W WYPADKU MODELI (AMILTONA -3 '!2#( JAK I 34 '!2#( CZÇSTO
POJAWIAJ SIÇ PROBLEMY NUMERYCZNE Z POWODU WYSTÇPOWANIA WIELU LOKALNYCH
MAKSIMÐW LOGARYTMICZNEJ FUNKCJI WIARYGODNOyCI
:ASTOSOWANIE MODELI (AMILTONA

0RZEDSTAWIMY NAJPIERW OSZACOWANIA MODELI (AMILTONA 7 TABELACH ZAWIERAJ
CYCH OSZACOWANIA PARAMETRÐW MODELI PODANE ZOSTAY RÐWNIE BEZWARUNKOWE
PRAWDOPODOBIEÎSTWA WYSTÇPOWANIA REIMU PIERWSZEGO 0ST = yREDNI CZAS
POWROTU DO KADEGO REIMU MTR MTR ORAZ OCZEKIWANE CZASY TRWANIA
W REIMACH D D
-ODEL DLA SZEREGU 7)'D STANOWI PRZYKAD MODELU |LE DOPASOWANEGO #O
PRAWDA REIMY WYRA|NIE RÐNI SIÇ POZIOMAMI ZMIENNOyCI I yREDNIEJ WARUN
KOWEJ TABELA ALE OSZACOWANIA PRAWDOPODOBIEÎSTW S NIEZADOWALAJCE
.IEMNIEJ MOEMY POKUSIÃ SIÇ O INTERPRETACJÇ DYNAMIKI ZMIENNOyCI W JÇZYKU
AÎCUCHÐW -ARKOWA 2EIM PIERWSZY STANOWI BARIERÇ ODPYCHAJC PRAWDO
PODOBIEÎSTWO POZOSTANIA W NIM WYNOSI *EyLI PROCES ZNAJDUJE SIÇ W STANIE
DRUGIM TO Z NIEMAL RÐWNYMI PRAWDOPODOBIEÎSTWAMI MOE W NIM POZOSTAÃ ALBO
PRZEJyÃ DO REIMU PIERWSZEGO /CZEKIWANE CZASY TRWANIA W REIMACH S KRÐTKIE
I DNI 0RZYJMUJC INTERPRETACJÇ PODAN W PODROZDZIALE MOEMY
STWIERDZIÃ E RYNEK TYLKO CHWILOWO SIÇ USPOKAJA A PO OKRESIE AKTYWNOyCI MOE

-ODELE PRZECZNIKOWE
Z PRAWIE TAKIM SAMYM PRAWDOPODOBIEÎSTWEM WYSTPIÃ KRÐTKOTRWAY OKRES

USPOKOJENIA JAK I DALSZA WYSOKA AKTYWNOyÃ
2OZWAAJC ZACHOWANIE INDEKSU 7)' W OKRESIE PO 7)'K
NA PODSTAWIE DOPASOWANEGO MODELU PRZECZNIKOWEGO TABELA MONA
ZAUWAYÃ E REIM PIERWSZY CHARAKTERYZUJE yREDNIA WARTOyÃ ZWROTU OKOO
I WYSZA WARIANCJA -ONA PRZYJÃ E ODPOWIADA ON RACZEJ OKRESOWI RYNKU
AKTYWNEGO -ODEL JEST POPRAWNIE OSZACOWANY /BA REIMY S RACZEJ ZACHO
WAWCZE ACZKOLWIEK PROCES NIECO ATWIEJ PRZECHODZI Z DUEJ AKTYWNOyCI W FAZÇ
USPOKOJENIA NI ODWROTNIE
/PISANE PRZEZ MODEL PRZECZNIKOWY ZACHOWANIE DUGIEGO SZEREGU ZWRO
TÐW INDEKSU 7)' 7)'D WYKAZUJE WYRA|NE DWA REIMY ZE WZGLÇDU NA
WARIANCJÇ NISKA LUB WYSOKA /SZACOWANIA yREDNIEJ W OBU REIMACH S NIE
ISTOTNE /BA REIMY S STABILNE W TYM SENSIE E PRAWDOPODOBIEÎSTWA PRZEJyCIA
Z JEDNEGO DO DRUGIEGO MAJ NISKIE WARTOyCI )LUSTRACJE s PRZEDSTAWIAJ
ZWROTY ZMIENNOyÃ W PRÐBIE I ODPOWIEDNIE PRAWDOPODOBIEÎSTWA WARUNKOWE
POZOSTANIA W REIMIE PIERWSZYM
4ABELA /SZACOWANIA PARAMETRÐW MODELI PRZECZNIKOWYCH (AMILTONA 7)' I 7)'
3ZEREG 7)'D 7)'K 7)'D

2OZKAD T 3TUDENTA .ORMALNY .ORMALNY
$& s s
A s
M
M s
X
X
B
0RAWDOPODOBIEÎSTWA PRZEJyCIA
2EIM

0ST
MT
MT
D
D

)LUSTRACJA 7)'D 0ROCENTOWE ZWROTY LOGARYTMICZNE

s
s
s

)LUSTRACJA 7)'D /SZACOWANIA ZMIENNOyCI DZIENNEJ W PRÐBIE OTRZYMANE ZA POMOC MODELU
PRZECZNIKOWEGO (AMILTONA


-ODELE PRZECZNIKOWE
)LUSTRACJA 7)'D 7YZNACZONE PRZEZ MODEL PRZECZNIKOWY (AMILTONA PRAWDOPODOBIEÎSTWA

WARUNKOWE POZOSTANIA W PIERWSZYM REIMIE

)LUSTRACJA 7)'D 0ROGNOZY ZMIENNOyCI NA OKRES s UZYSKANE ZA POMOC

MODELU PRZECZNIKOWEGO

23 7)'D 2EAL


)LUSTRACJA 7)'K 0ROGNOZY ZMIENNOyCI NA OKRES s UZYSKANE ZA POMOC


23 2EAL

)LUSTRACJA 7)'D 0ROGNOZY ZMIENNOyCI NA OKRES s UZYSKANE ZA POMOC


23 2EAL


-ODELE PRZECZNIKOWE
)LUSTRACJE s PRZEDSTAWIAJ ZESTAWIENIA PROGNOZ ZMIENNOyCI UZY

SKANYCH DLA INDEKSÐW 7)' I 7)' ZA POMOC OMÐWIONYCH WYEJ MODELI
PRZECZNIKOWYCH 0ROGNOZY ZMIENNOyCI WARIANCJI WARUNKOWEJ PORÐWNANE
S Z DZIENN ZMIENNOyCI ZREALIZOWAN 2EAL OBLICZAN JAKO ODPOWIEDNIO
PRZESKALOWANA SUMA KWADRATÐW ZWROTÐW PIÇCIOMINUTOWYCH 0ROGNOZY TE S
PRZESZACOWANE WE WSZYSTKICH TRZECH PRZEDSTAWIONYCH POWYEJ PRZYPADKACH
-ODELOWANIE ZMIENNOyCI ZA POMOC MODELI -3 !2 '!2#(

:OBACZMY TERAZ JAK DO SZEREGÐW 7)'D ORAZ 7)'D DOPASOWUJ SIÇ MO
DELE -3 !2 '!2#( 0RZYPOMNIJMY E W POPRZEDNIM PODROZDZIALE GDY
STOSOWALIyMY MODELE (AMILTONA REIMY RÐNIY SIÇ TYLKO POZIOMEM yREDNIEJ
I POZIOMEM WARIANCJI BEZWARUNKOWEJ /BECNIE ESTYMUJEMY MODELE DLA KTÐ
RYCH MOLIWE JEST PRZECZANIE WSZYSTKICH PARAMETRÐW MODELU CO ZWIÇKSZA ICH
ELASTYCZNOyÃ I DAJE MOLIWOyÃ ROZRÐNIENIA CHARAKTERU DYNAMIKI ZMIENNOyCI
W POSZCZEGÐLNYCH REIMACH
-ODEL (AMILTONA NIE MÐG DOBRZE OPISAÃ DYNAMIKI STÐP ZWROTU INDEKSU
7)' 2OZWAANY W NINIEJSZYM PODROZDZIALE MODEL -3 '!2#( POZWALA NA TO
Z ATWOyCI .A ILUSTRACJI WIDZIMY KLAROWN DYNAMIKÇ PRAWDOPODOBIEÎSTW
WARUNKOWYCH
)LUSTRACJA 7)' :MIENNOyÃ LINIA SZARA I WARUNKOWE PRAWDOPODOBIEÎSTWA POZOSTAWANIA W REIMIE
PIERWSZYM O WYSOKIEJ ZMIENNOyCI LINIA CZARNA OSZACOWANE ZA POMOC MODELU -3 '!2#(

s
s
s
s


!NALIZUJC ILUSTRACJÇ I TABELÇ ZAUWAAMY E REIM PIERWSZY CHARAK

TERYZUJE SIÇ WYSOKIM POZIOMEM ZMIENNOyCI A DRUGI NISKIM :MIENNOyÃ W RE
IMIE PIERWSZYM SILNIEJ REAGUJE NA NOWE INFORMACJE I JEST MNIEJ PERSYSTENTNA
4RZY WYRA|NIE WIDOCZNE OKRESY PODWYSZONEJ ZMIENNOyCI S NASTÇPUJCE
STYCZEÎ sWRZESIEÎ PRAWDOPODOBNIE W WYNIKU ROZWOJU GIEDY
PA|DZIERNIK sMARZEC CIG KRYZYSÐW AZJATYCKI ROSYJSKI BRAZY
LIJSKI
STYCZEÎ sWRZESIEÎ
4ABELA /SZACOWANIA PARAMETRÐW MODELI -3 '!2#( DLA DUGICH SZEREGÐW STÐP ZWROTU INDEKSÐW
7)' I 7)'
3ZEREG 7)'D 7)'D

2OZKAD T 3TUDENTA T 3TUDENTA
G
s
G
X

X
B
B
C
C
$&

$&
2EIM

0ST
MT
MT
D
D

-ODELE PRZECZNIKOWE
-ODELE 34 '!2#( I MODELE -3 !2 '!2#( s PORÐWNANIE

0RZEDSTAWIMY TERAZ BADANIE $OMAN I $OMAN KTÐRE POZWOLI NAM NA
DOKONANIE PORÐWNANIA POMIÇDZY MECHANIZMAMI MODELI 34 '!2#( I MO
DELI -3 '!2#( 0RZY OKAZJI UZYSKAMY ODPOWIED| NA PYTANIE DOTYCZCE
CHARAKTERU ZMIAN STRUKTURALNYCH W SZEREGACH STÐP ZWROTU KURSÐW WYMIANY
ZOTEGO WZGLÇDEM EURO FUNTA KORONY NORWESKIEJ I DOLARA %520,. '"0
0,. ./+0,. 53$0,. 2OZWAANE W NINIEJSZYM PODROZDZIALE DZIEN
NE NOTOWANIA KURSÐW WALUTOWYCH OBEJMUJ OKRES s
A ZATEM OBSERWACJE ROZPOCZYNAJ SIÇ W MOMENCIE CZÇyCIOWEGO UPYNNIENIA
KURSU 0,. KTÐRE NASTPIO Z DNIEM MAJA WPROWADZONO WTEDY SYSTEM
PEZAJCEGO PASMA s CRAWLING BAND I OBEJMUJ OKRES PO UWOLNIENIU 0,. OD
KWIETNIA ROKU
$LA KADEGO SPOyRÐD BADANYCH SZEREGÐW ESTYMOWANE BYY MODELE -3
'!2#( I 34 '!2#( %STYMACJA ZACZYNAA SIÇ OD MODELI Z PRZECZANIEM
WSZYSTKICH PARAMETRÐW .ASTÇPNIE W ZALENOyCI OD UZYSKIWANYCH WYNIKÐW
W KADYM WYPADKU DOBIERANO ZESTAW PARAMETRÐW PODLEGAJCYCH PRZECZANIU
/SZACOWANIA PARAMETRÐW DOPASOWANYCH MODELI -3 '!2#( ZAMIESZCZONO
W TABELI A MODELI WYGADZONEGO PRZEJyCIA 34 '!2#( W TABELI
7 MODELACH -3 '!2#( MAMY PRZEWANIE DO CZYNIENIA Z WIÇKSZ LICZB
PRZECZANYCH PARAMETRÐW 7 SZCZEGÐLNOyCI WE WSZYSTKICH PRZYPADKACH PRZE
CZANIU PODLEGA LICZBA STOPNI SWOBODY W ROZKADZIE BÇDU
.A ILUSTRACJACH s PRZEDSTAWIONE ZOSTAY KOLEJNO STOPY ZWROTU KURSU
%520,. ODPOWIADAJCE IM OSZACOWANIA ZMIENNOyCI W PRÐBIE ORAZ WYKRESY
WARUNKOWYCH PRAWDOPODOBIEÎSTW OBOWIZYWANIA REIMU WYSOKIEJ ZMIENNO
yCI KURSU I FUNKCJA WYGADZONEGO PRZEJyCIA Z REIMU DO REIMU 7 WYPADKU
TEGO KURSU WALUTOWEGO MODELE ZGODNIE WYZNACZAJ MOMENT PRZECZENIA NA
MARZEC ROKU :MIANÇ REIMU MOEMY WIÇC WIZAÃ Z ROZSZERZENIEM PASMA
WAHAÎ KTÐRE NASTPIO W LUTYM ROKU
7YKRESY FUNKCJI PRZEJyCIA OSZACOWANEJ ZA POMOC MODELU 34 '!2#(
ORAZ WARUNKOWYCH PRAWDOPODOBIEÎSTW WYSTÇPOWANIA REIMÐW WYLICZONYCH
ZA POMOC MODELU -3 '!2#( WIDOCZNE NA ILUSTRACJACH s PO
ZWALAJ NA STWIERDZENIE E MODELE W ZASADZIE ZGODNIE WYZNACZAJ MOMENTY
ZMIANY REIMU *EDNAK MODELE PRZECZNIKOWE TYPU -ARKOWA MAJC BARDZIEJ
ELASTYCZN STRUKTURÇ MOG WYCHWYTYWAÃ TAKE KRÐTKOTRWAE ZMIANY W POZIOMIE
ZMIENNOyCI

4ABELA /SZACOWANIA PARAMETRÐW MODELI -3 '!2#(
3ZEREG %520,. '"00,. ./+0,. 53$0,.
2OZKAD
T 3TUDENTA T 3TUDENTA T 3TUDENTA T 3TUDENTA
BÇDU
2EIM
s s s s s s

A s s

X

B

C

$&

2EIM

4ABELA /SZACOWANIA PARAMETRÐW MODELI 34 '!2#(
3ZEREG %520,. '"00,. ./+0,. 53$0,.
2OZKAD
T 3TUDENTA T 3TUDENTA T 3TUDENTA T 3TUDENTA
BÇDU
2EIM

U

s
H

s s s
A

s s s s
A s s

X

B

C

$&


-ODELE PRZECZNIKOWE
)LUSTRACJA 0ROCENTOWE LOGARYTMICZNE STOPY ZWROTU KURSU WALUTOWEGO %520,.

/KRES s

s
s
s
s

)LUSTRACJA %520,. /SZACOWANIA ZMIENNOyCI W PRÐBIE /KRES s

23 34


)LUSTRACJA %520,. &UNKCJA PRZEJyCIA Z REIMU DO REIMU DLA MODELU 34 '!2#(
ORAZ WARUNKOWE PRAWDOPODOBIEÎSTWA WYSTÇPOWANIA REIMU DLA MODELU -3 '!2#(

FUNKCJA PRZEJyCIA PRAWDOPODOBIEÎSTWA

LISTOPAD

MARZEC

PA|DZIERNIK

)LUSTRACJA '"00,. &UNKCJA PRZEJyCIA Z REIMU DO REIMU DLA MODELU 34 '!2#(


STYCZEÎ

CZERWIEC

KWIECIEÎ


-ODELE PRZECZNIKOWE
)LUSTRACJA ./+0,. &UNKCJA PRZEJyCIA Z REIMU DO REIMU DLA MODELU 34 '!2#(


GRUDZIEÎ

STYCZEÎ WRZESIEÎ

)LUSTRACJA 53$0,. &UNKCJA PRZEJyCIA Z REIMU DO REIMU DLA MODELU 34 '!2#(


STYCZEÎ

PA|DZIERNIK

WRZESIEÎ


7 TABELI ZAMIESZCZONO OCENÇ JAKOyCI PROGNOZ 0OZIOMEM ODNIESIENIA

DLA PROGNOZ ZMIENNOyCI S WARTOyCI DZIENNEJ ZMIENNOyCI ZREALIZOWANEJ 2EAL
WYLICZANE JAKO SUMY KWADRATÐW PIÇCIOMINUTOWYCH STÐP ZWROTU 7 WYPADKU
KURSÐW %520,. I 53$0,. WYSZE WARTOyCI UZNAWANEGO ZA NAJWANIEJSZY
WSKA|NIK JAKOyCI PROGNOZ WSPÐCZYNNIKA 2 REGRESJI -INCERAs:ARNOWITZA DAJ
PROGNOZY MODELU WYGADZONEGO PRZEJyCIA *EyLI CHODZI O WIELKOyÃ BÇDÐW TO
JEDYNY PRZYPADEK ZDECYDOWANEJ PRZEWAGI DOTYCZY KURSU ./+0,. GDZIE
LEPSZY OKAZUJE SIÇ MODEL PRZECZNIKOWY TYPU -ARKOWA
4ABELA /CENA JAKOyCI PROGNOZ POLA WYRÐNIONE OZNACZAJ MNIEJSZE WARTOyCI BÇDÐW
3ZEREG
%520,. '"00,. ./+0,. 53$0,.
ZWROTÐW
-ODEL 34 -3 34 -3 34 -3 34 -3
2
-3%
-ED3%
-%
-!%
2-3%
-!0%
!-!0%
4)#
,,&
)LUSTRACJE s UMOLIWIAJ PORÐWNANIE PROGNOZ ZMIENNOyCI UZY

SKANYCH ZA POMOC OBU TYPÐW MODELI ZE ZMIENNOyCI ZREALIZOWAN 7IDAÃ
E OBA MODELE PROGNOZUJ PODOBNIE :WYKLE PROGNOZY Z MODELU 34 '!2#(
S NIECO WYSZE
5ZYSKANE WYNIKI SUGERUJ E DYNAMIKA ROZWAANYCH KURSÐW WALUTO
WYCH JEST STOSUNKOWO JEDNORODNA 7YSTÇPUJ WYRA|NE POJEDYNCZE ZMIANY
REIMU ZMIENNOyCI PRZY TYM EFEKT PRZECZENIA NIE JEST ZWIZANY Z UWOL
NIENIEM KURSU ZOTEGO A RACZEJ Z ROZSZERZANIEM PASMA WAHAÎ KURSU I OGÐL
N SYTUACJ GOSPODARCZ 0O NAJWYRA|NIEJSZEJ ZMIANIE DYNAMIKI WZROST
ZMIENNOyCI MODELE 23 '!2#( WYCHWYTUJ JESZCZE KRÐTKOTRWAE POWROTY
DO REIMU NISKIEJ ZMIENNOyCI :E WZGLÇDU NA SWOJ KONSTRUKCJÇ MODELE
34 '!2#( NIE MOG OPISAÃ TEGO ZJAWISKA *EDNAK POMIMO TEJ RÐNICY JAKOyÃ
PROGNOZ UZYSKIWANYCH ZA POMOC OBU TYPÐW MODELI JEST PORÐWNYWALNA

-ODELE PRZECZNIKOWE
)LUSTRACJA %520,. 0ORÐWNANIE ZE ZMIENNOyCI ZREALIZOWAN PROGNOZ ZMIENNOyCI Z MODELI

34 '!2#( I 23 '!2#(

2EAL 34 23

)LUSTRACJA '"00,. 0ORÐWNANIE ZE ZMIENNOyCI ZREALIZOWAN PROGNOZ ZMIENNOyCI Z MODELI

34 '!2#( I 23 '!2#(

2EAL 34 23


)LUSTRACJA ./+0,. 0ORÐWNANIE ZE ZMIENNOyCI ZREALIZOWAN PROGNOZ ZMIENNOyCI Z MODELI

34 '!2#( I 23 '!2#(

2EAL 34 23

)LUSTRACJA 53$0,. 0ORÐWNANIE ZE ZMIENNOyCI ZREALIZOWAN PROGNOZ ZMIENNOyCI Z MODELI

34 '!2#( I 23 '!2#(

2EAL 34 23


-ODELE PRZECZNIKOWE
5WAGI
/ MODELACH 4!2 MONA PRZECZYTAÃ NA PRZYKAD W KSIKACH /SIÎSKIEJ

ORAZ &RANSESA I VAN $IJKA 4ROCHÇ NA TEMAT MODELI WYGADZONEGO
PRZEJyCIA PISZ 4SAY ORAZ &RANSES I VAN $IJK /RYGINALNA PRACA
,UNDBERGHA I 4ERASVIRTY JEST NAPISANA PRZYSTÇPNIE I RÐWNIE MOE BYÃ
DOBRYM |RÐDEM INFORMACJI
0ODSTAWOWE WIADOMOyCI NA TEMAT AÎCUCHÐW -ARKOWA MONA ZNALE|Ã
W KSICE *AKUBOWSKIEGO I 3ZTENCLA ALE TE W KSICE &ELLERA
-ODELOM PRZECZNIKOWYM W UJÇCIU PRZESTRZENI STANÐW POyWIÇCONA JEST KSIKA
+IMA I .ELSONA
:WRACAMY UWAGÇ E DLA MODELI Z PRZECZANIEM TYPU -ARKOWA W OGÐLNYM
PRZYPADKU > T 2t x var( rt | t 1) ORAZ >
T T2 ( l ) x var( rt l |T ) $AVIDSON A
*AK JU WSPOMNIELIyMY WCZEyNIEJ ESTYMACJA MODELI PRZECZNIKOWYCH NA
STRÇCZA WIELE TRUDNOyCI ZE WZGLÇDU NA LICZNE MAKSIMA LOKALNE LOGARYTMICZNEJ
FUNKCJI WIARYGODNOyCI )STNIEJ DWA GÐWNE SPOSOBY ZMIERZENIA SIÇ Z TYM PRO
BLEMEM 0IERWSZY POLEGA NA WIELOKROTNYM POWTARZANIU
SPOSOBY
NIWELOWANIA OBLICZEÎ PRZY RÐNYCH WARTOyCIACH POCZTKOWYCH #ZÇSTO
TRUDNOyCI STARTUJE SIÇ Z PUNKTÐW GÇSTEJ KRATY $RUGIM SPOSOBEM
ZWIZANYCH JEST WYKORZYSTANIE ALGORYTMÐW LOSOWYCH DO WYBORU
Z ESTYMACJ MODELI PUNKTÐW STARTOWYCH #ZÇyÃ PAKIETÐW OBLICZENIOWYCH
PRZECZNIKOWYCH
ZAWIERA NA PRZYKAD ALGORYTM SYMULOWANEGO WYARZANIA
3IMULATED !NNEALING KTÐRY JEST UWAANY ZA SKUTECZNE NARZÇDZIE W TEGO TYPU
SYTUACJACH
7YNIKI DOTYCZCE ZASTOSOWANIA MODELI PRZECZNIKOWYCH NA POLSKIM RYNKU
FINANSOWYM ZOSTAY MIN PRZEDSTAWIONE W PRACACH $OMAN 2
A $OMAN I $OMAN A $OMAN - +OyKO


-ODELOWANIE DYNAMIKI
ZALENOyCI WARUNKOWYCH
$OTYCHCZAS ROZWAALIyMY TYLKO JEDNOWYMIAROWE MODELE ZMIENNOyCI KTÐRE PO

ZWALAY NAM OPISYWAÃ W JAKI SPOSÐB INFORMACJE NAPYWAJCE W CZASIE NA RYNEK
FINANSOWY ODDZIAUJ NA DYNAMIKÇ POJEDYNCZYCH INSTRUMENTÐW FINANSOWYCH
PRZEJAWIAJC SIÇ W ZMIENNOyCI ICH CEN *EDNAK INFORMACJE CZY TO O ZMIANACH
CEN INSTRUMENTÐW CZY TE INNE O ISTOTNYM ZNACZENIU NIE WPYWAJ NA PROCES
CENY POSZCZEGÐLNYCH INSTRUMENTÐW ODDZIELNIE A WRÇCZ PRZECIWNIE CZÇSTO
ZACHODZ SILNE ZWIZKI MIÇDZY REAKCJAMI RÐNYCH INSTRUMENTÐW NA TÇ SAM
INFORMACJÇ 7 ZWIZKU Z TYM WYDAJE SIÇ RZECZ ZUPENIE OCZYWIST E BÇDCE
SKUTKIEM BOMBARDOWANIA RYNKU NAPYWAJCYMI INFORMACJAMI ZALENOyCI MIÇDZY
ZWROTAMI Z POSZCZEGÐLNYCH INSTRUMENTÐW FINANSOWYCH SAME MOG EWOLUOWAÃ
W CZASIE ORAZ E WARTO TÇ EWOLUCJÇ MODELOWAÃ I PROGNOZOWAÃ
0OSZUKIWANIE WIARYGODNYCH OSZACOWAÎ KOWARIANCJI POMIÇDZY ZMIENNYMI
FINANSOWYMI JEST NIE TYLKO TEMATEM OGROMNEJ LICZBY ARTYKUÐW NAUKOWYCH ALE
RÐWNIE STANOWI PRZEDMIOT ZAINTERESOWANIA PRAKTYKÐW DZIAAJCYCH NA RYNKU
FINANSOWYM :NAJOMOyÃ TAKICH KOWARIANCJI POTRZEBNA JEST W WYCENIE INSTRU
MENTÐW POCHODNYCH PRZY OPTYMALIZACJI PORTFELA A TAKE W CELU ZABEZPIECZANIA
SIÇ PRZED RYZYKIEM 4RADYCYJNIE ROZWAA SIÇ KOWARIANCJE BEZWARUNKOWE CO JEST
UJÇCIEM STATYCZNYM 0RZY PODEJyCIU DYNAMICZNYM WIELOWYMIAROWE MODELE
'!2#( -ULTIVARIATE '!2#( - '!2#( KTÐRYM POyWIÇCONY JEST TEN
ROZDZIA MOG BYÃ WYKORZYSTANE DO MODELOWANIA ZMIENIAJCEGO SIÇ W CZASIE
ZACHOWANIA KOWARIANCJI WARUNKOWYCH ANALIZOWANYCH PORTFELI 7 PRAKTYCE
FINANSOWEJ NAJBARDZIEJ ROZPOWSZECHNIONE JEST STOSOWANIE EKSTRAPOLACJI KOWA
RIANCJI HISTORYCZNYCH ORAZ WYGADZANIE WYKADNICZE 0RZY BARDZIEJ ZAAWANSO
WANYM PODEJyCIU ZMIENIAJCE SIÇ W CZASIE KOWARIANCJE S JAK WSPOMNIELIyMY
ESTYMOWANE ZA POMOC WIELOWYMIAROWYCH MODELI '!2#(

/GÐLNY WIELOWYMIAROWY MODEL ZMIENNOyCI
2OZWAMY WIELOWYMIAROWY SZEREG ZWROTÐW RT = R T b RK T a 0ODOBNIE JAK

W PRZYPADKU JEDNOWYMIAROWYM RT MOEMY PRZEDSTAWIÃ W POSTACI DEKOMPO
ZYCJI
RT = NT + YT
GDZIE NT = %RT|Ts JEST WARUNKOW WARTOyCI OCZEKIWAN WEKTORA RT POD

WARUNKIEM ZBIORU INFORMACJI Ts DOSTÇPNYCH DO MOMENTU T s WCZNIE
A YT = Y T b YK T a
/GÐLNY K WYMIAROWY MODEL '!2#( DLA PROCESU YT JEST DANY PRZEZ RÐW
NANIE
YT = (
T FT
GDZIE FT JEST K WYMIAROWYM PROCESEM NIEZALENYCH ZMIENNYCH LOSOWYCH O ZE
ROWEJ yREDNIEJ I IDENTYCZNOyCIOWEJ MACIERZY KOWARIANCJI FT _IID )K A (T
JEST TAK MACIERZ DODATNIO OKREyLON E (T(T a=(T
7 SZCZEGÐLNOyCI (T MOE BYÃ SYMETRYCZNYM PIERWIASTKIEM KWADRATOWYM
MACIERZY (T OTRZYMANYM ZA POMOC DIAGONALIZACJI I PIERWIASTKOWANIA WYRAZÐW
NA PRZEKTNEJ LUB MACIERZ OTRZYMAN ZA POMOC FAKTORYZACJI #HOLESKYoEGO
ZOB 4SAY :ATEM
%YT|Ts = A
%YT YTa|Ts = (T B
+ONKRETNY WIELOWYMIAROWY MODEL '!2#( JEST OKREyLONY PRZEZ SPECY

FIKACJÇ PARAMETRYZACJI MACIERZY KOWARIANCJI WARUNKOWEJ (T 7 LITERATURZE
PRZEDMIOTU ZNANE S ROZMAITE TAKIE PARAMETRYZACJE RÐNICE SIÇ POD WIELOMA
WZGLÇDAMI *EDNYM Z ASPEKTÐW ZRÐNICOWANIA JEST OGÐLNOyÃ SPECYFIKACJI *EELI
LICZBA K CZNIE MODELOWANYCH SZEREGÐW JEST WIÇKSZA NI TO PEWNE MODELE
STAJ SIÇ BEZWARTOyCIOWE ZE WZGLÇDU NA TRUDNOyCI ZWIZANE Z ESTYMACJ PARA
METRÐW PONIEWA PARAMETRÐW TYCH BYWA KILKASET :APROPONOWANE ZOSTAY
RÐWNIE MODELE CHARAKTERYZUJCE SIÇ SPORYM STOPNIEM OGÐLNOyCI A JEDNOCZEy
NIE MAJCE MNIEJ PARAMETRÐW
)NNY PROBLEM DOTYCZCY WYBORU PARAMETRYZACJI WIE SIÇ Z TYM E Z DEFINICJI
MACIERZ (T JEST DODATNIO OKREyLONA ALE W PEWNYCH MODELACH MOG WYSTPIÃ
TRUDNOyCI Z BEZPOyREDNIM SFORMUOWANIEM WARUNKÐW JAKIE POWINNY SPENIAÃ
PARAMETRY MODELU ABY TA DODATNIA OKREyLONOyÃ BYA FAKTYCZNIE ZACHOWANA
7PROWAD|MY JESZCZE KILKA POJÇÃ KTÐRE OKA SIÇ PRZYDATNE DLA ROZWAAÎ
PROWADZONYCH W TYM ROZDZIALE

$LA MACIERZY KWADRATOWEJ ! = ;AIJ=N´M ZDEFINIUJMY

WEKTOR OPERATORY VEC I VECH
VEC! = A b AN A b AN b AN b ANM a

:ATEM OPERATOR VEC PRZYPORZDKOWUJE MACIERZY WEKTOR KOLUMNOWY PO
WSTAY PRZEZ WYPISANIE W CIGU ELEMENTÐW JEJ KOLEJNYCH KOLUMN
.IECH Z KOLEI VECH OZNACZA OPERATOR PRZYPORZDKOWUJCY DANEJ MACIERZY WY
MIARU N N WEKTOR KOLUMNOWY WYMIARU 12 n( n 1) ZESTAWIONY Z ELEMENTÐW JEJ
KOLEJNYCH KOLUMN KTÐRE LE NA I PONIEJ GÐWNEJ PRZEKTNEJ .A PRZYKAD
¥ ¨1 2 3· ´
¦ µ
vech ¦ ©©4 5 6 ¸¸ µ [1, 4 , 7 , 5, 8, 9]'
¦ ©7 8 9 ¸ µ
§ª ¹¶
)LOCZYN +RONECKERA MACIERZY ! = ;AIJ=N´M ORAZ # = ;CIJ=P´Q OKREyLONY JEST

NASTÇPUJCO
¨ a11C ! a1 nC ·
A C ©© " " " ¸¸
©ª am1C ! amnC ¸¹
mps nq
0ODOBNIE JAK W WYPADKU JEDNOWYMIAROWYCH MODELI ZMIENNOyCI CZÇyCI PRO

CEDURY ESTYMACYJNEJ DLA MODELI - '!2#( JEST OSZACOWANIE yREDNIEJ WARUN
KOWEJ :WYKLE STOSUJE SIÇ W TYM CELU MODELE WEKTOROWEJ AUTOREGRESJI KTÐRE
POKRÐTCE PRZEDSTAWIMY W NINIEJSZYM PODROZDZIALE
2OZWAMY WIELOWYMIAROWY SZEREG ZWROTÐW RT = R T b RK T a 0ODOBNIE
JAK W WYPADKU SZEREGU JEDNOWYMIAROWEGO MÐWIMY E
JEST ON KOWARIANCYJNIE STACJONARNY JEyLI JEGO MOMENTY KOWARIANCYJNIE
STACJONARNY SZEREG
PIERWSZEGO I DRUGIEGO RZÇDU S NIEZMIENNICZE W CZASIE
WIELOWYMIAROWY
W SZCZEGÐLNOyCI STAE W CZASIE S yREDNIA N = %RT ORAZ
MACIERZ KOWARIANCJI ( = % [RT s N RT s N a>=<ΓIJ0 ]
.IECH + OZNACZA MACIERZ DIAGONALN STOPNIA K W POSTACI
K diag{ ( 11 (0) , ( kk (0)}
-ACIERZ KORELACJI KRZYOWYCH Z OPÐ|NIENIEM L MA POSTAÃ

SL = ;RIJ L = = +s(L+s
GDZIE RIJ L OZNACZA WSPÐCZYNNIK KORELACJI POMIÇDZY ZMIENNYMI RI T I RJ TsL

-ACIERZ KORELACJI KRZYOWYCH Z PRÐBY JEST ZDEFINIOWANA JAKO

> > > 1
ρl K 1Γ l K
>
T
1 T
GDZIE Γ l
>
T ¤ (r
tl 1
t r )(rt l r )a l r 0, r (1 / T ) ¤ r
t 1 t
JEST MACIERZ KOWA
RIANCJI Z PRÐBY LICZCEJ 4 OBSERWACJI
5OGÐLNIENIA TESTU ,JUNGAs"OXA NA PRZYPADEK

WIELOWYMIAROWY
4ESTOWANIE ZALENOyCI LINIOWYCH W WIELOWYMIAROWYCH SZEREGACH CZASOWYCH
OBEJMUJE TESTOWANIE AUTOKORELACJI W POSZCZEGÐLNYCH SZEREGACH JEDNOWYMIA
ROWYCH ORAZ KORELACJI KRZYOWYCH POMIÇDZY TYMI SZEREGAMI 0ONIEJ PRZEDSTA
WIAMY DWA UOGÐLNIENIA TESTU *UNGAs"OXA NA PRZYPADEK WIELOWYMIAROWY
4EST (OSKINGA

(IPOTEZA ZEROWA TESTU MA POSTAÃ ( S = b SM = PRZE
TEST (OSKINGA
CIW ALTERNATYWIE (A SI x DLA PEWNEGO I
HIPOTEZA ZEROWA
BRAK ZALENOyCI 3TATYSTYK TESTOW JEST
LINIOWYCH m
1 > > > >
Qk ( m) T 2 ¤T
l 1
l
tr(Γ l Γ 0 1Γ l Γ 0 1 )
GDZIE 4 JEST LICZEBNOyCI PRÐBY A K WYMIAREM WEKTORA TR! OZNACZA yLAD

MACIERZY !
0RZY ZAOENIU PRAWDZIWOyCI HIPOTEZY ZEROWEJ STATYSTYKA 1KM MA ASYMP
TOTYCZNIE ROZKAD χKM
4EST ,I I -C,EODA
TEST ,I I -C,EODA
7YKORZYSTUJC POJÇCIA PRZEDSTAWIONE NA KOÎCU PODROZ
HIPOTEZA ZEROWA DZIAU STATYSTYKÇ TESTU (OSKINGA MONA ZAPISAÃ
BRAK ZALENOyCI W POSTACI
LINIOWYCH
m
1
Qk ( m) T 2 ¤T
l 1
l
ρ 0 1 ρ>0 1 )b l
bal (>
GDZIE b l vec(>
ρla)
3TANOWICA MODYFIKACJÇ STATYSTYKI STATYSTYKA ,I I -C,EODA
DANA JEST WZOREM

m
k 2 m( m 1)
Qk* ( m) T ¤
l 1
> 1
bal (ρ > 1
0 ρ 0 )b l
2T

3TATYSTYKA 1 KM JEST ASYMPTOTYCZNIE RÐWNOWANA STATYSTYCE 1KM
-ODEL WEKTOROWEJ AUTOREGRESJI

/MÐWIMY TERAZ KRÐTKO MODELE WEKTOROWEJ AUTOREGRESJI 6!2 KTÐRE W DALSZEJ
CZÇyCI ROZDZIAU BÇD WYKORZYSTYWANE DO SPECYFIKACJI yREDNIEJ WARUNKOWEJ
WEKTORA STÐP ZWROTU
7IELOWYMIAROWY SZEREG CZASOWY JEST PROCESEM PROCES 6!2
6!2 JEyLI MONA GO OPISAÃ ZA POMOC MODELU
RT = K + 'RTs+FT
GDZIE K JEST K WYMIAROWYM WEKTOREM ' s MACIERZ O WYMIARACH Ks K A \FT^

JEST CIGIEM SZEREGOWO NIESKORELOWANYCH WEKTORÐW LOSOWYCH O ZEROWEJ yREDNIEJ
I MACIERZY KOWARIANCJI 4
7 PRZYPADKU DWUWYMIAROWYM MAMY
RT=G + 'RTs+'RTs+ ET

RT=G + 'RTs+'RTs+ ET
7ARUNKI KOWARIANCYJNEJ STACJONARNOyCI I INNE WASNOyCI MODELU 6!2

MONA WYPROWADZIÃ W PODOBNY SPOSÐB JAK W PRZYPADKU JEDNOWYMIAROWYM
ZOB ROZDZ -ODEL JEST KOWARIANCYJNIE STACJONARNY JEyLI WSZYSTKIE
PIERWIASTKI RÐWNANIA DET) s ', = MAJ MODUY WIÇKSZE OD
-ODEL 6!2P OKREyLONY JEST RÐWNANIEM
RT=K+ 'RTs++'PRTsP+ FT
LUB RÐWNOWANIE
', RT= K+ FT
GDZIE ', y) s ', s b s 'P,P

*EST ON STACJONARNY JEyLI WSZYSTKIE PIERWIASTKI RÐWNANIA DET', = MAJ
MODUY WIÇKSZE OD

-ODEL 6%#
7IÇKSZOyÃ SPECYFIKACJI WIELOWYMIAROWYCH MODELI '!2#( JEST SFORMUOWANA

TAK E WARIANCJE I KOWARIANCJE S FUNKCJAMI LINIOWYMI KWADRATÐW I ILOCZYNÐW
KRZYOWYCH ROZWAANYCH OBSERWACJI .AJBARDZIEJ OGÐL
MODEL 6%#
NYM MODELEM W TEJ GRUPIE JEST MODEL 6%# SFORMUO
WANY PRZEZ %NGLEoA I +RONERA -ODEL 6%#P Q
OKREyLONY JEST RÐWNANIEM
q p
ht c ¤j 1
A jη t j ¤G hj 1
j t j
GDZIE
HT = VECH(T
IT = VECHYT YaT
7 POWYSZYCH RÐWNANIACH !J I 'J S KWADRATOWYMI MACIERZAMI PARAMETRÐW
STOPNIA 12 k( k 1) NATOMIAST C JEST WEKTOREM PARAMETRÐW WYMIARU 12 k( k 1)
7 NAJPROSTSZYM NIETRYWIALNYM PRZYPADKU MODEL TEN ZAWIERA PARAMETRÐW
A DLA K = ORAZ P Q = LICZBA PARAMETRÐW WYNOSI "EZ DODATKOWYCH
ZAOEÎ MODEL 6%# NIE GWARANTUJE DODATNIEJ OKREyLONOyCI MACIERZY (T 7A
RUNKI DOSTATECZNE PODANE ZOSTAY PRZEZ 'OURIEROUX
-NIEJSZ LICZB PARAMETRÐW CHARAKTERYZUJE SIÇ MODEL "OLLERSLEVA %N
GLEoA I 7OOLDRIDGEoA TAK ZWANY DIAGONALNY 6%# $6%# W KTÐRYM
MACIERZE !J I 'J Z ZAOENIA S DIAGONALNE 7 LITERATURZE !TTANASIO
MONA ZNALE|Ã WARUNKI GWARANTUJCE DODATNI OKREyLONOyÃ MACIERZY (T DLA
TEGO MODELU
-ODEL "%++
%NGLE I +RONER ZAPROPONOWALI PARAMETRYZACJÇ MODELU Z POSTACI KTÐREJ

BEZPOyREDNIO WYNIKA DODATNIA OKREyLONOyÃ MACIERZY (T /DPOWIEDNI MODEL
NOSI NAZWÇ "%++ OD NAZWISK "ABA %NGLE +RAFT +RONER "ABA I IN
-ODEL "%++P Q + ZDEFINIOWANY JEST ZA POMOC RÐWNANIA
K q K p
H t CaC ¤¤
i 1 j 1
A aji y t j y at j A ji ¤¤G
i 1 j 1
ji H t j Gaji
GDZIE # !JI 'JI S MACIERZAMI WYMIARU Ks K PRZY CZYM # JEST MACIERZ GÐRN
TRÐJKTN %NGLE I +RONER WYKAZALI E MODEL "%++ MOE BYÃ TRAKTO
WANY JAKO SZCZEGÐLNY PRZYPADEK MODELU 6%#

7 NAJPROSTSZYM PRZYPADKU MODELU "%++ LICZBA

KOMPROMIS
k( 5 k 1) POMIÇDZY
PARAMETRÐW !2#( I '!2#( WYNOSI
2 DOKADNOyCI OPISU
7 CELU ZMNIEJSZENIA LICZBY SZACOWANYCH PARAMETRÐW A LICZB PARAMETRÐW
ROZWAA SIÇ DWIE UPROSZCZONE WERSJE TEGO MODELU
DIAGONALNY MODEL "%++ $IAG "%++ W KTÐRYM PRZYJMUJE SIÇ E MACIERZE
!JI ORAZ 'JI S DIAGONALNE
SKALARNY MODEL "%++ 3CALAR "%++ W KTÐRYM WSZYSTKIE ELEMENTY MA
CIERZY !JI S SOBIE RÐWNE I TAKI SAM WARUNEK SPENIA MACIERZ 'JI
7 ROKU "OLLERSLEV PRZEDSTAWI KLASÇ WIELOWYMIA

ROWYCH MODELI '!2#( NAZWANYCH MODELAMI STAYCH MODEL ###
KORELACJI WARUNKOWYCH #ONSTANT #ONDITIONAL #ORRELA
TION s ### 7 MODELACH TYCH ZAKADA SIÇ E KORELACJE WARUNKOWE S STAE
A ZATEM KOWARIANCJE WARUNKOWE S PROPORCJONALNE DO ILOCZYNÐW WARUNKOWYCH
ODCHYLEÎ STANDARDOWYCH "OLLERSLEV 4AKA SPECYFIKACJA RADYKALNIE RE
DUKUJE LICZBÇ PARAMETRÐW I W KONSEKWENCJI UPRASZCZA ESTYMACJÇ -ODEL ###
MA POSTAÃ

H t D t RD t S ij hii ,t h jj ,t
GDZIE
D t diag h11,t , , hkk ,t
PRZY CZYM 2 JEST DODATNIO OKREyLON MACIERZ SYMETRYCZN Z JEDYNKAMI NA
GÐWNEJ PRZEKTNEJ A HII T MOE BYÃ MODELOWANE JAKO WARIANCJA WARUNKOWA
W DOWOLNYM JEDNOWYMIAROWYM MODELU '!2#( NA PRZYKAD
q p
hii ,t X i ,t ¤
j 1
B ij y i2,t j ¤C
j 1
ij hii ,t j
GDZIE I = b K
$ODATNIA OKREyLONOyÃ MACIERZY (T JEST ZAGWARANTOWANA PRZEZ DODATNIOyÃ
JEDNOWYMIAROWYCH WARIANCJI WARUNKOWYCH HII T ORAZ DODATNI OKREyLONOyÃ
MACIERZY 2 "EZWARUNKOWE WARIANCJE W MODELU ### MONA WYLICZYÃ PRZY
ZAOENIU KOWARIANCYJNEJ STACJONARNOyCI SZEREGÐW SKADOWYCH TAK JAK W MO
DELU JEDNOWYMIAROWYM *EDNAK WYZNACZENIE BEZWARUNKOWYCH KOWARIANCJI NIE
JEST SPRAW ATW Z POWODU NIELINIOWYCH ZALENOyCI WYSTÇPUJCYCH W RÐWNANIU


:AOENIE E KORELACJE WARUNKOWE NIE ZMIENIAJ SIÇ W CZASIE NIE JEST REALISTYCZ
NE Z PUNKTU WIDZENIA WIELU ZASTOSOWAÎ PRAKTYCZNYCH 3KONIO TO %NGLEoA DO
ZAPROPONOWANIA W ROKU MODELU DYNAMICZNYCH KORELACJI WARUNKOWYCH
$## $YNAMIC #ONDITIONAL #ORRELATION ZE ZMIENIAJCYMI SIÇ W CZASIE KORE
LACJAMI WARUNKOWYMI %NGLE -ODELE TE WYKAZUJ ELASTYCZNOyÃ JEDNO
WYMIAROWYCH MODELI '!2#( A JEDNOCZEyNIE NALE DO OSZCZÇDNYCH MODELI
PARAMETRYCZNYCH OPISUJCYCH KORELACJE WARUNKOWE BEZPOyREDNIO .IE S ONE
LINIOWE ALE MOG BYÃ ATWO ESTYMOWANE PRZY UYCIU METODY DWUSTOPNIOWEJ
NAJPIERW ESTYMUJE SIÇ JEDNOWYMIAROWE MODELE '!2#( A NASTÇPNIE KORELA
CJE 7 PRACY %NGLEoA A TAKE %NGLEoA I 3HEPPARDA WYKAZANO
E MODELE $## WYPADAJ DOBRZE W ROZMAITYCH SYTUACJACH I DAJ SENSOWNE
WYNIKI EMPIRYCZNE
3PECYFIKACJA PRZEDSTAWIONEGO PRZEZ %NGLEoA MODELU
MODEL $## $## JEST NASTÇPUJCA
YT|Ts _. )T
)T = $T2T $T
GDZIE $T JEST OKREyLONA TAK JAK W A HII T MOE BYÃ MODELOWANE ZA POMOC
DOWOLNEGO JEDNOWYMIAROWEGO MODELU '!2#( NP
.ATOMIAST
2T = DIAG1T s
1T DIAG1T s

PRZY CZYM DODATNIO OKREyLONA MACIERZ SYMETRYCZNA 1T STOPNIA K JEST DANA
PRZEZ RÐWNANIE
¥ M N ´ M N
Qt ¦1
¦ ¤ Bm ¤ Cn µ Q
µ ¤ B mu t m uat m ¤C Q n t n
§ m1 n1 ¶ m1 n1
7YSTÇPUJCE W RÐWNANIU WEKTORY K WYMIAROWE UT MAJ WSPÐRZÇDNE

ui ,t y i ,t hii ,t -ACIERZ KWADRATOWA 1 STOPNIA K JEST TUTAJ BEZWARUNKOW
MACIERZ KOWARIANCJI ZMIENNYCH UT 0ONADTO ZAKADA SIÇ E PARAMETRY SKALARNE
M N
αM I βN S NIEUJEMNE I SPENIAJ NIERÐWNOyÃ ¤ B ¤C
m1
m
n1
n 1
0EWN SABOyCI OKREyLONEGO WYEJ MODELU $## JEST TO E PARAMETRY αM

I βN S SKALARAMI CO OZNACZA E WSZYSTKIE KORELACJE PODLEGAJ TEJ SAMEJ DYNA
MICE 0ODOBNA UWAGA ODNOSI SIÇ RÐWNIE DO ALTERNATYWNEGO W STOSUNKU DO
OPISANEGO TU MODELU %NGLEoA MODELU DYNAMICZNYCH KORELACJI WARUNKOWYCH
ZDEFINIOWANEGO W PRACY 4SE I 4SUI

*AK JU WSPOMINALIyMY MODELE $## MOG BYÃ ZGODNIE ESTYMOWANE ZA

POMOC PROCEDURY DWUSTOPNIOWEJ 7 PIERWSZYM ETAPIE DLA KADEGO SZEREGU
YI T I = b K ESTYMOWANE S JEDNOWYMIAROWE MODELE '!2#(
7 DRUGIM ETAPIE RESZTY STANDARYZOWANE ZA POMOC ODCHYLEÎ STANDARDOWYCH
WYESTYMOWANYCH W ETAPIE PIERWSZYM S UYWANE DO ESTYMACJI PARAMETRÐW
DYNAMICZNYCH KORELACJI &UNKCJA QUASI WIARYGODNOyCI UYWANA W PIERWSZYM
ETAPIE MA POSTAÃ
1 k ¥ y i ,t ´ ´
T ¥ 2
QL1 (ϕ | y t )
2 i1 ¦ ¤
¦ T ln (2 Q) ¤
¦ ln (hii ,t )
¦
µµ
hii ,t µ¶ µ

§ t 1 § ¶
I JEST PO PROSTU SUM FUNKCJI WIARYGODNOyCI ROZWAANYCH K MODELI JEDNOWY
MIAROWYCH
0RZY DANYM WEKTORZE PARAMETRÐW K ZGODNY ESTYMATOR WEKTORA PARAME
TRÐW Z ZAWIERAJCEGO PARAMETRY KORELACYJNE MOE BYÃ WYZNACZONY ZA POMOC
FUNKCJI WIARYGODNOyCI
T
1
QL2 ψ | ϕ, y t
2 ¤ ln| R |
t 1
t uat R t 1 u t
GDZIE UT = $TsYT
0RZYJÇTE PRZEZ %NGLEoA ZAOENIE O NORMALNOyCI WIELOWYMIA
ROWYCH ROZKADÐW WARUNKOWYCH NIE JEST ZBYT REALISTYCZNE W WYPADKU MODELO
WANIA ZALENOyCI WARUNKOWYCH POMIÇDZY DZIENNYMI ZWROTAMI Z INSTRUMENTÐW
FINANSOWYCH *EDNYM Z POWODÐW TEGO STANU JEST POTWIERDZANA W ANALIZIE EM
PIRYCZNEJ TAKICH SZEREGÐW WARTOyÃ KURTOZY ROZKADÐW WARUNKOWYCH ZNACZNIE
WYSZA NI ODPOWIADAJCA ROZKADOWI NORMALNEMU 4EN MANKAMENT STANDARDO
WEGO MODELU $## MONA USUNÃ ZACHOWUJC JEDNOCZEyNIE JEGO WYMIENIONE
ZALETY PRZEZ ROZSZERZENIE DOPUSZCZALNEJ KLASY ROZKADÐW INNOWACJI DO KLASY
ROZKADÐW ELIPTYCZNYCH KTÐRA OPRÐCZ ROZKADÐW NORMALNYCH ZAWIERA RÐWNIE
ROZKADY LEPTOKURTYCZNE NA PRZYKAD WIELOWYMIAROWE ROZKADY T 3TUDENTA
0ROPOZYCJA TAKIEGO ROZSZERZENIA KLASY MODELI $## ZOSTAA PRZEDSTAWIONA
W PRACY 0ELAGATTIEGO I 2ONDENY
7EKTOR LOSOWY 8 WYMIARU K MA ROZKAD ELIPTYCZNY
8 _ %#KN 4 G JEyLI JEGO FUNKCJA CHARAKTERYSTYCZNA ROZKADY ELIPTYCZNE
*AKUBOWSKI I 3ZTENCEL MOE BYÃ PRZEDSTAWIONA
W POSTACI
%EXPIT′8 = EXPIT′N GT′4T
GDZIE N JEST K WYMIAROWYM WEKTOREM 4 JEST SYMETRYCZN DODATNIO OKREyLON
MACIERZ WYMIARU Ks K A G JEST FUNKCJ SKALARN ZWAN GENERATOREM CHARAK
TERYSTYCZNYM

7ASNOyCI ROZKADÐW ELIPTYCZNYCH OMÐWIONE S NA PRZYKAD W KSICE

&ANGA I IN $O NAJISTOTNIEJSZYCH Z PUNKTU WIDZENIA PRZEDSTAWIANYCH
ZASTOSOWAÎ NALE NASTÇPUJCE WAyCIWOyCI
r ,INIOWA KOMBINACJA WSPÐRZÇDNYCH LOSOWEGO WEKTORA ELIPTYCZNEGO 8 JEST
ZMIENN O ROZKADZIE ELIPTYCZNYM I MA TEN SAM GENERATOR 7 SZCZEGÐLNOyCI
JEDNOWYMIAROWE ROZKADY BRZEGOWE WEKTORA 8 S ELIPTYCZNE O TYM SAMYM
GENERATORZE
r *EyLI 8 _ %#KN 4 G MA GÇSTOyÃ TO GÇSTOyÃ TA MOE BYÃ PRZEDSTAWIONA
W POSTACI
1
f ( x ) c|4| 2

g ( x μ)a 4 1( x μ )
GDZIE G JEST FUNKCJ SKALARN ZWAN GENERATOREM GÇSTOyCI

7 TAKIEJ SYTUACJI STOSUJE SIÇ ZAPIS 8 _%#KN 4 G
r *EyLI 8 _%#KN 4 G MA MOMENTY RZÇDU Mr TO %8 = N ORAZ
COV8 = H4 GDZIE H = G′ PRZY CZYM MOLIWE JEST TAKIE PRZESKALOWANIE
E COV8 = 4 CO BÇDZIEMY ZAKADAÃ DALEJ
r $O KLASY ROZKADÐW ELIPTYCZNYCH NALE MIÇDZY INNYMI ROZKADY WIELOWY
MIAROWE NORMALNY T 3TUDENTA I ,APLACEoA
7 ELIPTYCZNYM MODELU $## ZAMIAST WARUNKU PRZYJMUJE SIÇ E
YT | T s ∼ %#K 4T G
&UNKCJA WIARYGODNOyCI W DRUGIM ETAPIE ESTYMACJI MA ZAMIAST POSTACI
POSTAÃ
T
L2 ψ | ϕ ¤ ln c
t 1
1
2 ln| R t | ln g ( uat R t 1 u t )
GDZIE 4T = $T 2T $T
.IEWTPLIWIE PROSTSZE W ESTYMACJI MODELE $## STANOWI KONKURENCJÇ DLA
BARDZIEJ ZOONYCH MODELI "%++ 0ODSTAWOWA RÐNICA MIÇDZY NIMI SPROWADZA
SIÇ DO TEGO E UYWAJC MODELI "%++ ESTYMUJEMY DYNAMICZNE KOWARIANCJE
A NASTÇPNIE KORZYSTAJC Z TEGO MOEMY WYZNACZYÃ DYNAMICZNE KORELACJE
7 WYPADKU MODELI $## JEST ODWROTNIE WYKORZYSTUJC DYNAMICZNE KORELACJE
I WYESTYMOWANE Z JEDNOWYMIAROWYCH MODELI '!2#( WARIANCJE WARUNKOWE
MOEMY WYZNACZYÃ DYNAMICZNE KOWARIANCJE 7 ZWIZKU Z TYM NASUWAJ SIÇ
NATURALNE PYTANIA CZY DYNAMIKA KORELACJI LUB KOWARIANCJI OTRZYMANA ZA
POMOC TYCH RÐNICYCH SIÇ PODEJyÃ JEST TAKA SAMA CZY RÐNA A JEyLI S RÐNE
DYNAMIKI TO KTÐRA LEPIEJ OPISUJE ZALENOyCI INTERESUJCE BADACZA CZY INWESTORA
0RÐBY ODPOWIEDZI NA TE PYTANIA S ZWIZANE NIE TYLKO Z TEORETYCZN ANALIZ
MODELI ALE RÐWNIE Z BADANIAMI EMPIRYCZNYMI

-ODELE / '!2#( I '/ '!2#(
-ODELE / '!2#( I '/ '!2#(
0ROBLEMY ZWIZANE Z SZACOWANIEM DUEJ LICZBY PARAMETRÐW WIELOWYMIAROWYCH

MODELI '!2#( STAJ SIÇ SZCZEGÐLNIE ISTOTNE GDY s JAK TO CZÇSTO BYWA W PRAKTYCE
s NALEY OSZACOWAÃ MACIERZE WARUNKOWYCH KOWARIANCJI DLA PORTFELA SKADAJ
CEGO SIÇ KILKUDZIESIÇCIU A NAWET KILKUSET INSTRUMENTÐW %FEKTEM PRÐB OBEJyCIA
TYCH TRUDNOyCI S MODELE OPISANE W TYM PODROZDZIALE ORTOGONALNY '!2#(
/ '!2#( +ARIYA !LEXANDER I #HIBUMBA !LEXANDER ORAZ
UOGÐLNIONY / '!2#( '/ '!2#( VAN DER 7EIDE
/GÐLNIE MÐWIC KONSTRUKCJA MODELI ORTOGONALNYCH OPIERA SIÇ NA ZAOE
NIU E UZYSKANE OBSERWACJE S GENEROWANE PRZEZ ZMIENNE LOSOWE STANOWICE
KOMBINACJE LINIOWE PEWNEGO ZBIORU NIESKORELOWANYCH ZMIENNYCH KTÐRE S
WYBIERANE JAKO GÐWNE SKADOWE "AUWENS I IN 7 MODELU / '!2#(
MACIERZ TRANSFORMACJI LINIOWEJ JEDNEGO ZBIORU DANYCH NA DRUGI MUSI BYÃ
ORTOGONALNA 7 WERSJI UOGÐLNIONEJ WYSTARCZY JEJ ODWRACALNOyÃ
7 MODELU / '!2#( Ks K WYMIAROWE MACIERZE KOWARIANCJI WARUNKOWYCH
(T DLA WEKTORÐW YT Z RÐWNANIA S GENEROWANE ZA POMOC M JEDNOWYMIARO
WYCH MODELI '!2#( GDZIE M b K JEST LICZB SKADOWYCH GÐWNYCH WYZNACZONYCH
W WYNIKU ZASTOSOWANIA METODY ANALIZY SKADOWYCH GÐWNYCH 4SAY
$LA WYROBIENIA INTUICJI ROZWAMY NAJPIERW PRZYPADEK GDY M = K 0ROCEDURA
ZACZYNA SIÇ OD WYZNACZENIA WARTOyCI WASNYCH I WEKTORÐW WASNYCH MACIERZY
KORELACJI Z PRÐBY 2 WYZNACZONEJ DLA STANDARYZOWANYCH ZWROTÐW JEDNOWYMIA
ROWYCH VI T
0RZYJMUJC E , = DIAGLI GDZIE LI S WARTOyCIAMI WASNYMI UPORZDKOWANY
MI MALEJCO I OZNACZAJC PRZEZ 0 MACIERZ ORTOGONALN UTWORZON Z ODPOWIA
DAJCYCH IM WEKTORÐW WASNYCH MONA NAPISAÃ 2 = 0,,0a = --a .IECH
FT = -VT GDZIE VT = V b VK a 7EKTOR FT JEST WEKTOREM SKADOWYCH GÐWNYCH
A WIÇC JEGO BEZWARUNKOW MACIERZ KOWARIANCJI JEST MACIERZ IDENTYCZNOyCIOWA
:A WARUNKOW MACIERZ KOWARIANCJI WEKTORA FT PRZYJMUJEMY DIAGONALN MACIERZ
1T W KTÐREJ ELEMENTAMI NA PRZEKTNEJ S WARIANCJE WARUNKOWE WYLICZONE ZA
POMOC JEDNOWYMIAROWYCH MODELI TYPU '!2#( 7 KONSEKWENCJI MACIERZ
KOWARIANCJI WARUNKOWYCH ZWROTU STANDARYZOWANEGO VT JEST RÐWNA -1T -a
I MOEMY J PRZETRANSFORMOWAÃ W MACIERZ KOWARIANCJI WARUNKOWYCH ZWROTÐW
NIESTANDARYZOWANYCH
7 PRAKTYCE NIE WYKORZYSTUJE SIÇ WSZYSTKICH SKADOWYCH GÐWNYCH A TYLKO
M < K PIERWSZYCH KTÐRE WYJAyNIAJ WIÇKSZOyÃ ZMIENNOyCI DANYCH /CZYWIyCIE
ZMIENIAJ SIÇ WTEDY WYMIARY ODPOWIEDNICH MACIERZY
.A TYM POLEGA RZECZYWISTE ZNACZENIE MODELU :A
REDUKCJA WYMIARU
MIAST ROZWAAÃ WSZYSTKIE SKADNIKI PORTFELA PROWADZI
PORTFELA
SIÇ ANALIZÇ WYBRANYCH ABSTRAKCYJNYCH CZYNNIKÐW RYZY
KA SKADOWYCH GÐWNYCH 4O ZNACZNIE REDUKUJE WYMIAR PORTFELA

/STATECZNIE RÐWNANIE DYNAMIKI MACIERZY KOWARIANCJI W MODELU / '!2#(

JEST NASTÇPUJCE
(T = 66T6
GDZIE 6 JEST MACIERZ DIAGONALN Z WARIANCJAMI Z PRÐBY ZMIENNYCH YIT NA GÐW
NEJ PRZEKTNEJ A
6T = VARVT | Ts = -M1T -aM
PRZY CZYM -M JEST ZNAN MACIERZ O WYMIARACH Ks M DAN WZOREM
Λ m Pm diag( l11 / 2 , 1/2
, lm )
GDZIE L rrLM > S NAJWIÇKSZYMI WARTOyCIAMI WASNYMI MACIERZY KORELACJI
Z PRÐBY DLA VT = 6s YT A 0M JEST MACIERZ Ks M WYMIAROW ODPOWIADAJCYCH
TYM WARTOyCIOM WEKTORÐW WASNYCH WZAJEMNIE ORTOGONALNYCH
-AMY PONADTO
VT = -MFT
GDZIE FT = FT b FT a JEST PROCESEM LOSOWYM TAKIM E
%FT | T s =
A MACIERZ JEGO KOWARIANCJI WARUNKOWYCH POD WARUNKIEM ZBIORU INFORMACJI Ts
JEST MACIERZ DIAGONALN 1T = DIAGHF T b HFM T DLA KTÐREJ
q p q p
h( fi , t ) (1 ¤
j 1
B ij ¤
j 1
C ij ) ¤
j 1
B ij fi2, t j ¤C
j 1
ij h( fi , t j )
GDZIE I = b M
7 MODELU '/ '!2#( VAN DER 7EIDE ZAOENIE O ORTOGONALNOyCI
MACIERZY -M ZOSTAO ZAMIENIONE NA WARUNEK E JEST TO MACIERZ KWADRATOWA
ODWRACALNA
4EST STAOyCI KORELACJI
4ESTOWANIE HIPOTEZY O STAOyCI KORELACJI NALEY DO PROBLEMÐW TRUDNYCH MIÇDZY

INNYMI Z TEGO POWODU E MOLIWE JEST JEJ ODRZUCENIE W PRZYPADKU GDY JEST ONA
PRAWDZIWA Z POWODU NIEWAyCIWEJ SPECYFIKACJI MODELI ZMIENNOyCI DLA SZEREGÐW
SKADOWYCH %NGLE I 3HEPPARD ZAPROPONOWALI TEST ILORAZU WIARYGODNOyCI
W KTÐRYM PRZY OZNACZENIACH Z PODROZDZIAÐW I
TEST STAOyCI HIPOTEZ ZEROW JEST
KORELACJI
( 2T = 2 T = b .

A HIPOTEZA ALTERNATYWNA MA POSTAÃ

H 1 : vech R t vech R C 1 vech R t 1 C p vech R t p
7 PIERWSZYM ETAPIE PROCEDURY TESTUJCEJ ESTYMUJE SIÇ MODELE '!2#(

DLA SZEREGÐW SKADOWYCH I STANDARYZUJE SIÇ RESZTY ZA POMOC OSZACOWANYCH
SZEREGÐW ZMIENNOyCI .ASTÇPNIE ESTYMUJE SIÇ KORELACJE RESZT STANDARYZOWA
NYCH ORAZ STANDARYZUJE SIÇ CZNIE ZA POMOC MACIERZY KWADRATOWEJ BÇDCEJ
PIERWIASTKIEM OTRZYMANEJ MACIERZY KORELACJI 2 WEKTOR ZOONY Z JEDNOWYMIA
ROWYCH RESZT STANDARYZOWANYCH 0RZY PRAWDZIWEJ HIPOTEZIE ZEROWEJ O STAOyCI
KORELACJI WEKTORY OTRZYMANE Z CZNEGO STANDARYZOWANIA POWINNY TWORZYÃ
WEKTOROWY CIG IID
.IECH
12 12
Yt vech u ¨( R D t 1 y t )( R D t 1 y t )' I k ·
ª ¹
7 POWYSZYM WZORZE R 1 2 D t 1 y t JEST WEKTOREM WYMIARU K RESZT CZNIE
STANDARYZOWANYCH PRZY PRAWDZIWEJ HIPOTEZIE ZEROWEJ A VECHU OZNACZA MODYFI
KACJÇ OPERATORA VECH W KTÐREJ UYWA SIÇ ELEMENTÐW LECYCH POWYEJ GÐWNEJ
PRZEKTNEJ
2OZWAMY AUTOREGRESJÇ WEKTOROW
9T = α + β9Ts + b + βS9TsS + IT
0RZY ZAOENIU PRAWDZIWOyCI HIPOTEZY ZEROWEJ STAA α ORAZ PARAMETRY PRZY
WEKTORACH OPÐ|NIONYCH POWINNY BYÃ RÐWNE ZERU *EyLI PRZEDSTAWIMY POWYSZ
AUTOREGRESJÇ W POSTACI MACIERZOWEJ
9 = 8E + E
TO PRZY PRAWDZIWEJ HIPOTEZIE ZEROWEJ STATYSTYKA
> >
δ ' X ' Xδ
T 2e
MA ASYMPTOTYCZNIE ROZKAD χS+
7 PRAKTYCE POPRAWNE OSZACOWANIE yREDNIEJ WARUNKOWEJ MOE SPRAWIAÃ PEWNE

TRUDNOyCI ZE WZGLÇDU NA TO E s JAK PISALIyMY O TYM W ROZDZIALE s ZALENOyCI
LINIOWE WYSTÇPUJCE W STOPACH ZWROTU S SABE .IEKTÐRZY BADACZE 0OON
&IGLEWSKI UWAAJ NAWET E LEPIEJ ZREZYGNOWAÃ Z WCZANIA DO MODELU
|LE WYSPECYFIKOWANEJ yREDNIEJ NI WPROWADZAÃ ZA JEJ POyREDNICTWEM SZUM
LOSOWY ZABURZAJC OSZACOWANIA ZMIENNOyCI I WARIANCJI WARUNKOWYCH

7 WYPADKU BADANIA ZALENOyCI POMIÇDZY RÐNYMI SZERE

ZNACZENIE
GAMI Z PRAKTYCZNEGO PUNKTU WIDZENIA BARDZO WANE JEST
STARANNEGO
STARANNE OPRACOWANIE DANYCH POLEGAJCE NA WYRÐWNANIU
OPRACOWANIA
SZEREGU I SPRAWDZENIU ZGODNOyCI DAT DLA PORÐWNYWANYCH
DANYCH
OBSERWACJI .IE WYSTARCZY SPRAWDZIÃ E SZEREGI S RÐWNEJ
DUGOyCI 5ZGODNIENIE NALEY PRZEPROWADZIÃ DLA SZEREGÐW NOTOWAÎ I DOPIERO
POTEM WYLICZYÃ STOPY ZWROTU
7 RAZIE NIEZGODNOyCI DAT MOLIWE S DWIE METODY
METODY POSTÇPOWANIA 0IERWSZA POLEGA NA USUWANIU Z SZEREGU
POSTÇPOWANIA OBSERWACJI Z DNIA OGÐLNIE MÐWIC OKRESU W KTÐRYM NIE
W RAZIE
NIEZGODNOyCI DAT
WYSTÇPUJE ONA W POZOSTAYCH SZEREGACH 3TOSUJC DRUGIE
PODEJyCIE UZUPENIAMY BRAKUJCE OBSERWACJE WSTAWIA
JC W PUSTE MIEJSCA ALBO NIEZMIENION CENÇ Z DNIA OKRESU POPRZEDNIEGO
ALBO yREDNI CEN Z DWÐCH SSIEDNICH DNI 4RUDNO POWIEDZIEÃ JEDNOZNACZNIE
KTÐRE METODA POSTÇPOWANIA JEST LEPSZA +IEDY SZEREGI MAJ DUGOTRWAE LUKI
WSTAWIANIE NIEZMIENIONEJ CENY Z POPRZEDNIEGO DNIA SKUTKUJE DU LICZB ZER
W SZEREGACH STÐP ZWROTU I UTRUDNIA MODELOWANIE *EDNAKE USUWANIE OBSERWACJI
OZNACZA USUWANIE INFORMACJI NA TEMAT DYNAMIKI SZEREGÐW 7YBÐR PODEJyCIA
ZALEY OD OSOBY PRZEPROWADZAJCEJ ANALIZÇ TO ONA MUSI GO DOKONAÃ MAJC NA
WZGLÇDZIE CEL BADANIA I CHARAKTER DANYCH
3POSÐB DZIAANIA MODELI - '!2#( PRZEDSTAWIMY MODELUJC ZALENOyCI
WARUNKOWE POMIÇDZY SZEyCIOMA SZEREGAMI KURSÐW WYMIANY 0,. #(&0,.
#:+0,. %520,. '"00,. (5&0,. ORAZ 53$0,. Z OKRESU OD
STYCZNIA TO JEST OD WPROWADZENIA WALUTY EURO W DWUNASTU PAÎSTWACH
5% DO MARCA *AKO PIERWSZE OMÐWIMY BADANIE OPARTE NA ZASTOSO
WANIU MODELU $## $OMAN 2 A NASTÇPNIE DLA PORÐWNANIA PODAMY
WYNIKI UZYSKANE ZA POMOC MODELI 3CALAR "%++ $IAG "%++ ### I '/
'!2#(
.A ILUSTRACJI ZOSTAY PRZEDSTAWIONE OSZACOWANIA ZMIENNOyCI A NA ILU
STRACJI OSZACOWANIA KORELACJI WARUNKOWYCH UZYSKANYCH ZA POMOC MODELU
$## O PARAMETRACH PODANYCH W TABELI

)LUSTRACJA /SZACOWANIA WARIANCJI WARUNKOWEJ ZWROTÐW KURSÐW #(&0,. A #:+0,. B

%520,. C '"00,. D (5&0,. E 53$0,. F OTRZYMANE ZA POMOC MODELU $##
A B

C D

E F

)LUSTRACJA /SZACOWANIA KORELACJI WARUNKOWYCH ZWROTÐW KURSÐW ZOTEGO #(&s#:+ A

#(&s%52 B #(&s'"0 C #(&s(5& D #(&s53$ E #:+s%52 F #:+s'"0 G #:+s(5& H
#:+s53$ I %52s'"0 J %52s(5& K %52s53$ L '"0s(5& M '"0s53$ N (5&s53$ O
A B C D

E F G H

I J K L

M N O


4ABELA /SZACOWANIA PARAMETRÐW DOPASOWANYCH MODELI $## Z WARUNKOWYM ROZKADEM

NORMALNYM I WARUNKOWYM ROZKADEM T 3TUDENTA W NAWIASACH PODANE S BÇDY STANDARDOWE
3ZEREG 0ARAMETR 2OZKAD T 3TUDENTA 3ZEREG 0ARAMETR 2OZKAD T 3TUDENTA

ZWROTÐW I ZWROTÐW I
X X
#(&0,. B '"00,. B
C C
X X
#:+0,. B (5&0,. B
C C
X X
%520,. B 53$0,. B
C C
B
MODEL $##
C
/TRZYMANE OSZACOWANIA DYNAMICZNYCH KORELACJI WARUNKOWYCH S POZA

CZTEREMA PRZYPADKAMI #(&0,.s(5&0,. #:+0,.s(5&0,. '"0
0,.s(5&0,. ORAZ (5&0,.s53$0,. DODATNIE I ZMIENIAJ SIÇ W CZA
SIE 7YRA|NE ODBICIE W UZYSKANYCH WYNIKACH ZNAJDUJ ZAWIROWANIA ZWIZANE
Z SYTUACJ FORINTA .AJSILNIEJSZ DODATNI WARUNKOW KORELACJÇ WYKAZUJ PARY
#(&0,.s%520,. #(&0,.s(5&0,. ORAZ #(&0,.s#:+0,.
*AKO PRZYKAD ZASTOSOWANIA OTRZYMANYCH OSZACOWAÎ WARUNKOWYCH KOWA
RIANCJI PRZEDSTAWIMY KONSTRUKCJÇ DYNAMICZNEGO PORTFELA O MINIMALNEJ WARIANCJI
WARUNKOWEJ ZAWIERAJCEGO WALUTY KTÐRYCH KURSY ODNIESIONE DO 0,. BYY
PRZEDMIOTEM OMÐWIONEGO BADANIA :MIENIAJCE SIÇ W CZASIE UDZIAY WT W TAKIM
PORTFELU ZOSTAY WYZNACZONE ZA POMOC FORMUY
H t 1e
wt
Ct
GDZIE #T = Ea(sT E A (T JEST MACIERZ WARUNKOWYCH KOWARIANCJI OPARTYCH NA
INFORMACJI DO MOMENTU Ts E = b a .IE ZOSTAY WPROWADZONE ADNE
OGRANICZENIA NA KRÐTK SPRZEDA KTÐRA JEST SYGNALIZOWANA JAKO UDZIA UJEM
NY 7YKRESY DYNAMICZNYCH UDZIAÐW POSZCZEGÐLNYCH WALUT PRZEDSTAWIONO NA
ILUSTRACJI
$LA PORÐWNANIA PRZEDSTAWIMY TERAZ WYNIKI OSZACOWAÎ KORELACJI WARUNKO
WYCH DLA ROZWAANYCH SZEREGÐW STÐP ZWROTU KURSÐW WALUTOWYCH UZYSKANE ZA
POMOC INNYCH MODELI /SZACOWANIA PARAMETRÐW DIAGONALNEGO MODELU "%++
PRZEDSTAWIAMY W TABELI A OSZACOWANIA WARIANCJI WARUNKOWYCH I KORELACJI
UZYSKANE ZA POMOC TEGO MODELU s NA ILUSTRACJACH I

)LUSTRACJA /SZACOWANIA UDZIAÐW W DYNAMICZNYM PORTFELU O MINIMALNEJ WARIANCJI WARUNKOWEJ

#(&0,. A #:+0,. B %520,. C '"00,. D (5&0,. E 53$0,. F
A B

C D

s

E F

4ABELA /SZACOWANIA PARAMETRÐW MODELU $IAG "%++ ,ICZBA STOPNI SWOBODY ROZKADU
T 3TUDENTA 7 CZÇyCI # PRZEDSTAWIONO ELEMENTY MACIERZY GÐWNEJ TRÐJKTNEJ A KOLUMNY
OZNACZONE JAKO ! I ' ZAWIERAJ PRZEKTNE MACIERZY DIAGONALNYCH ! I ' Z RÐWNANIA
# ! '

s

s

$LA PORÐWNANIA W TABELI ZAMIESZCZONE S OSZACOWANIA STAYCH KORELACJI

WARUNKOWYCH OTRZYMANE ZA POMOC MODELU ### )LUSTRACJE s POZWA
LAJ NA ZAPOZNANIE SIÇ Z DYNAMIK KORELACJI WARUNKOWYCH OSZACOWANYCH PRZY

UYCIU KOLEJNYCH MODELI POR ILUSTRACJÇ #ZYTELNIK ATWO ZAUWAY RÐNICE
W CHARAKTERZE DYNAMIKI KORELACJI WYZNACZONEJ PRZEZ MODELE ORTOGONALNE ORAZ
MODELE "%++ I $##
4ABELA /SZACOWANIA STAYCH KORELACJI WARUNKOWYCH Z MODELU ###
#:+0,. %520,. '"00,. (5&0,. 53$0,. +URSY

#(&0,.

#:+0,.

%520,.

'"00,.

(5&0,.

)LUSTRACJA $IAGONALNY MODEL "%++ /SZACOWANIA ZMIENNOyCI #(&0,. A #:+0,. B

%520,. C '"00,. D (5&0,. E 53$0,. F
A B

C D

s

E F


)LUSTRACJA $IAGONALNY MODEL "%++ /SZACOWANIA KORELACJI WARUNKOWYCH #(&s#:+ A

#(&s%52 B #(&s'"0 C #(&s(5& D #(&s53$ E #:+s%52 F #:+s'"0 G #:+s(5& H
#:+s53$ I %52 '"0 J %52s(5& K %52s53$ L '"0s(5& M '"0s53$ N (5&s53$ O
A B C D

E F G H

I J
K
L

M N O

)LUSTRACJA 3KALARNY MODEL "%++ #(&s#:+ A #(&s%52 B #(&s'"0 C #(&s(5& D

#(&s53$ E #:+s%52 F #:+s'"0 G #:+s(5& H #:+s53$ I %52s'"0 J %52s(5& K
%52s53$ L '"0s(5& M '"0s53$ N (5&s53$ O
A B C D

E F G H

I J K L

M N O


)LUSTRACJA / '!2#( #(&s#:+ A #(&s%52 B #(&s'"0 C #(&s(5& D #(&s53$ E

#:+s%52 F #:+s'"0 G #:+s(5& H #:+s53$ I %52s'"0 J %52s(5& K %52s53$ L
'"0s(5& M '"0s53$ N (5&s53$ O
A B C D

s

E
F
G
H

s
s

I J K L

s

M N O

)LUSTRACJA '/s'!2#( #(&s#:+ A #(&s%52 B #(&s'"0 C #(&s(5& D #(&s53$ E

#:+s%52 F #:+s'"0 G #:+s(5& H #:+s53$ I %52s'"0 J %52s(5& K %52s53$ L
'"0s(5& M '"0s53$ N (5&s53$ O
A B C D

s

E F G H

I J K L

s

M N O

s s


5WAGI
5WAGI
7IÇCEJ INFORMACJI NA TEMAT MODELI WEKTOROWEJ AUTOREGRESJI ZNAJDUJE SIÇ NA

PRZYKAD W KSIKACH ,ÙTKEPOHLA I 4SAYA A W JÇZYKU POLSKIM
s W KSIKACH /SIÎSKIEJ
0ODSTAWOWE WIADOMOyCI Z ZAKRESU WIELOWYMIAROWYCH MODELI ZMIENNOyCI
MONA ZNALE|Ã RÐWNIE W MONOGRA FIACH 4SAYA I ,ÙTKEPOHLA $OyÃ
SZEROKI PRZEGLD SPECYFIKACJI WIELOWYMIAROWYCH MODELI '!2#( PRZEDSTAWIAJ
"AUWENS ,AURENT I 2OMBOUTS
-ODELE - '!2#( S TYLKO JEDNYM Z MOLIWYCH NARZÇDZI SUCYCH DO
WYZNACZANIA KOWARIANCJI I KORELACJI WARUNKOWYCH !LTERNATYWN MOLIWOyÃ
STANOWI WIELOWYMIAROWE MODELE ZMIENNOyCI STOCHASTYCZNEJ 36 7 0OLSCE
ZWIZANE Z NIMI BADANIA PROWADZI SIÇ GÐWNIE METODAMI BAYESOWSKIMI 0AJOR
/SIEWALSKI I 0AJOR
7YNIKI BADAÎ ZWIZANYCH Z WIELOWYMIAROWYMI MODELAMI '!2#( I ICH
ZASTOSOWANIAMI W ODNIESIENIU DO POLSKIEGO RYNKU FINANSOWEGO S PRZEDSTA
WIONE NA PRZYKAD W PRACACH /SIEWALSKIEGO I 0IPIENIA &ISZEDERA
0AJOR 0IONTKA A - $OMAN 2 $OMANA
A
)NTERESUJCE WYNIKI DOTYCZCE PORÐWNAÎ METODAMI BAYESOWSKIMI RÐNYCH
WIELOWYMIAROWYCH MODELI ZMIENNOyCI MONA ZNALE|Ã W PUBLIKACJACH /SIE
WALSKI I IN /SIEWALSKI I 0IPIEÎ A


7 ROZDZIALE PRZEDSTAWILIyMY DEFINICJÇ WARTOyCI ZAGROONEJ I POKAZALIyMY

W JAKI SPOSÐB MONA WYKORZYSTAÃ MODELE ZMIENNOyCI DO SZACOWANIA 6A2 DLA
POJEDYNCZYCH INSTRUMENTÐW 7 ROZDZIALE POKAZANE ZOSTAY KOLEJNE METODY
POZWALAJCE NA SZACOWANIE 6A2 W TAKIM WYPADKU *EDNAK ZNACZENIE 6A2
W PRAKTYCE RYNKU FINANSOWEGO JEST ZWIZANE Z KONIECZNOyCI MONITOROWANIA
RYZYKA DLA DUYCH PORTFELI SKADAJCYCH SIÇ Z POZYCJI W BARDZO ZRÐNICOWANYCH
INSTRUMENTACH /CENIAJC RYZYKO PORTFELA TRZEBA UWZGLÇDNIAÃ STOPIEÎ POWI
ZANIA POMIÇDZY NOTOWANIAMI JEGO SKADOWYCH ZMNIEJSZAJCY EFEKT DYWERSY
FIKACJI CO OZNACZA E NALEY DOKONYWAÃ CO NAJMNIEJ ANALIZY KORELACJI 0RZY
STOSOWANYM PRZEZ NAS PODEJyCIU DYNAMICZNYM BÇD TO KORELACJE WARUNKOWE
UWZGLÇDNIAJCE ZMIANY SIY I KIERUNKU POWIZAÎ W CZASIE
/GÐLNIE RZECZ BIORC SZACOWANIE 6A2 DLA PORTFELA ZOONEGO Z RÐNYCH
INSTRUMENTÐW ZWASZCZA JEyLI TYCH SKADOWYCH JEST WIELE JEST BARDZO SKOMPLIKO
WANYM PROBLEMEM -IMO LICZNYCH PRÐB EKONOMETRIA FINANSOWA DO DZIy NIE ZNA
JEGO W PENI SATYSFAKCJONUJCEGO ROZWIZANIA -ODELI ZALENOyCI WARUNKOWYCH
OPISANYCH W POPRZEDNIM ROZDZIALE NA OGÐ NIE DA SIÇ ATWO STOSOWAÃ PONIEWA
ICH ESTYMACJA W WYPADKU NAPRAWDÇ DUYCH PORTFELI SPRAWIA TRUDNOyCI
.AJPROSTSZE MOLIWE PODEJyCIE DO SZACOWANIA 6A2 PORTFELA SPROWADZA SIÇ DO

POTRAKTOWANIA GO JAKO JEDNEGO INSTRUMENTU I ZASTOSOWANIA METODY SYMULACJI
HISTORYCZNEJ OPISANEJ W PODROZDZIALE
+OLEJNA METODA POLEGA NA TYM E SZACUJE SIÇ NA PODSTAWIE DANYCH HISTORYCZ
NYCH KORELACJE POMIÇDZY STOPAMI ZWROTU Z POSZCZEGÐLNYCH SKADOWYCH PORTFELA
I WYKORZYSTUJE JE DO OSZACOWANIA WARIANCJI PORTFELA .ASTÇPNIE PRZYJMUJE SIÇ

E ZNANY JEST TYP ROZKADU STOPY ZWROTU Z PORTFELA I WYLICZA WARTOyÃ ZAGROON
WYZNACZAJC ODPOWIEDNI KWANTYL TEGO ROZKADU
:AÐMY E MAMY DANY PORTFEL ZOONY Z . INSTRUMENTÐW KTÐRYCH UDZIAY
N
W PORTFELU OZNACZYMY PRZEZ W b W. ¤w
i 1
i 1 STOPY ZWROTU Z POSZCZEGÐL
NYCH INSTRUMENTÐW W OKRESIE T PRZEZ RI T A STOPÇ ZWROTU Z PORTFELA PRZEZ RP T PRZY

CZYM WI JEST UDZIAEM WARTOyCI POZYCJI ZAJÇTEJ W I TYM INSTRUMENCIE W WARTOyCI
PORTFELA
7ARTOyÃ OCZEKIWAN I WARIANCJÇ STOPY ZWROTU Z PORTFELA MONA WTEDY WYRAZIÃ
ODPOWIEDNIO ZA POMOC WZORÐW I
N
E( r p, t ) N p ¤w N
i 1
i i
GDZIE NI JEST yREDNI STOP ZWROTU Z I TEGO INSTRUMENTU

var( r p, t ) T 2p
N N N N N N

¤
i 1
2
wi T i
2
¤¤
i 1 j 1, j x i
wi w j T ij ¤
i 1
2
wi T i
2
¤¤ i 1 j 1, j x i
wi w j T i T jS ij
GDZIE
T I = VARRI T
TIJ = COVRI T RJ T
SIJ s WSPÐCZYNNIK KORELACJI
T ij
S ij
T iT j
*EELI TAK JAK W ROZDZIALE OZNACZYMY MACIERZ KO
POSTAÃ MACIERZOWA
WARIANCJI PRZEZ ( A PRZEZ W = W b W. a s WEKTOR WZORU NA WARIANCJÇ
UDZIAÐW W PORTFELU TO WZÐR NA WARIANCJÇ PORTFELA PORTFELA
MONA ZAPISAÃ W POSTACI MACIERZOWEJ
TP = Wa(W
*EyLI WIELOWYMIAROWY ROZKAD PORTFELA JEST NORMALNY LUB OGÐLNIEJ ELIPTYCZNY
ZOB PODROZDZIA TO OZNACZAJC PRZEZ Zα I Zsα KWANTYLE JEGO STANDARYZO
WANEGO JEDNOWYMIAROWEGO ROZKADU BRZEGOWEGO MOEMY WZORY NA WARTOyÃ
ZAGROON DLA POZYCJI DUGIEJ I KRÐTKIEJ W TYM PORTFELU NAPISAÃ ODPOWIEDNIO
W POSTACI
VaR (l p) (B ) (N p T p zB ) (N p zB w ' Γ0 w )
VaR (s p) (B ) N p T p z1 B Np z1 B w ' Γ0 w

:AÐMY E μ b μ. a = A KWANTYLE STANDARYZOWANYCH ROZKADÐW STÐP

ZWROTU Z INSTRUMENTÐW S TAKIE SAME JAK W WYPADKU PORTFELA .IECH 2 OZNACZA
MACIERZ WSPÐCZYNNIKÐW KORELACJI ρIJ A PRZEZ 6 OZNACZMY MACIERZ DIAGONALN
MAJC NA PRZEKTNEJ WARTOyCI ZAGROONE DLA POSZCZEGÐLNYCH INSTRUMENTÐW
6 = DIAG 6A2 α b 6A2. α
7 TAKIEJ SYTUACJI ZALENOyÃ WARTOyCI ZAGROONEJ PORTFELA OD WARTOyCI ZAGROO
NYCH POSZCZEGÐLNYCH INSTRUMENTÐW MONA ZAPISAÃ W NASTÇPUJCEJ SYNTETYCZNEJ
POSTACI
VaR ( p) (B ) w ' VRVw
3ZACOWANIE WARTOyCI ZAGROONEJ PORTFELA ZA POMOC

WIELOWYMIAROWYCH MODELI '!2#(
0ODOBNIE JAK W WYPADKU POSZCZEGÐLNYCH INSTRUMENTÐW 6A2 PORTFELA MOEMY

ANALIZOWAÃ W SPOSÐB DYNAMICZNY UWZGLÇDNIAJCY NAPYW NOWYCH INFORMACJI
0OSUGUJEMY SIÇ WTEDY MOMENTAMI WARUNKOWYMI I OKREyLENIAMI 6A2 PODA
NYMI WE WZORACH I 7ARIANCJÇ WARUNKOW PORTFELA WYZNACZAMY
WSTAWIAJC DO WZORU ODPOWIEDNIE WIELKOyCI WARUNKOWE 7ARIANCJE
I KOWARIANCJE WARUNKOWE SZACUJEMY NA PRZYKAD ZA POMOC WIELOWYMIAROWYCH
MODELI '!2#( OPISANYCH W POPRZEDNIM ROZDZIALE -OLIWE S PRZY TYM DWA
PODEJyCIA 0IERWSZE POLEGA NA TYM E STOSUJEMY MODEL - '!2#( CZNIE DO
WSZYSTKICH STÐP ZWROTU INSTRUMENTÐW Z PORTFELA I UZYSKUJEMY TYM SAMYM PENY
OBRAZ WARUNKOWYCH ZALENOyCI LINIOWYCH POMIÇDZY INSTRUMENTAMI 7 PODEJyCIU
DRUGIM UPROSZCZONYM I NIE ZAWSZE POPRAWNYM ALE ZA TO ZNACZNIE CZÇyCIEJ
MAJCYM SZANSÇ ZREALIZOWANIA W PRAKTYCE WYZNACZA SIÇ ODDZIELNIE KOWARIANCJE
WARUNKOWE DLA KADEJ PARY INSTRUMENTÐW A NASTÇPNIE NA ICH PODSTAWIE WYLICZA
SIÇ WARIANCJE aWARUNKOWEq PORTFELA
.A ZAKOÎCZENIE CHCIELIBYyMY PODKREyLIÃ E NIE NALEY W TYCH SAMYCH OBLI
CZENIACH 6A2 STOSOWAÃ WIELKOyCI BEZWARUNKOWYCH I WARUNKOWYCH .A PRZYKAD
NIE MONA CZYÃ OSZACOWAÎ WARIANCJI Z MODELI '!2#( Z KOWARIANCJAMI
Z PRÐBY 4E WIELKOyCI MAJ ODMIENN NATURÇ

*EDNYM Z ZARZUTÐW KTÐRE STAWIA SIÇ WARTOyCI ZAGROONEJ JAKO MIERZE RYZYKA
PORTFELA JEST TO E NIE MA ONA PEWNYCH WAyCIWOyCI KTÐRE WYDAJ SIÇ NATURAL
NE Z PUNKTU WIDZENIA ZARZDZANIA RYZYKIEM -IARY RYZYKA POSIADAJCE TAKIE
NATURALNE WASNOyCI NAZYWA SIÇ KOHERENTNYMI !RTZNER I IN $EFINICJA
KOHERENTNEJ MIARY RYZYKA JEST NASTÇPUJCA
/ZNACZMY PRZEZ  WYPUKY ZBIÐR ZMIENNYCH LOSOWYCH OKREyLONYCH NA TEJ
SAMEJ PRZESTRZENI PROBABILISTYCZNEJ INTERPRETOWANYCH JAKO MOLIWE ZMIANY
WARTOyCI PORTFELA W DANYM HORYZONCIE CZASOWYM &UNKCJÇ
S m
NAZYWAMY KOHERENTN MIAR RYZYKA JEELI POSIADA NASTÇPUJCE WASNOyCI
r 3UBADDYTYWNOyÃ $LA KADEJ PARY 8 8  ZACHODZI S8 + 8 bS8 +
+S8
r -ONOTONICZNOyÃ $LA KADYCH 8 9  TAKICH E PRAWIE NA PEWNO 8b9
SPENIONA JEST NIERÐWNOyÃ S 9 bS8
r $ODATNIA JEDNORODNOyÃ $LA KADEGO M> I DLA KADEGO 8 ZACHODZI
SM 8 =MS8
r .IEZMIENNICZOyÃ $LA KADEGO 8 I KADEGO A INTERPRETOWANEGO JAKO
PEWNA STRATA LUB PEWNY ZYSK ZACHODZI RÐWNOyÃ S8+A =S8 s A
3UBADDYTYWNOyÃ JEST WAyCIWOyCI UWZGLÇDNIAJC EFEKT DYWERSYFIKACJI
RYZYKA -ONOTONICZNOyÃ SPROWADZA SIÇ DO STWIERDZENIA E POZYCJA DLA KTÐREJ
MOLIWA ZMIANA WARTOyCI JEST ZAWSZE NIE MNIEJ KORZYSTNA NIE JEST OBARCZONA
WIÇKSZYM RYZYKIEM $ODATNIA JEDNORODNOyÃ OZNACZA E MULTIPLIKATYWNA
ZMIANA POZYCJI POWODUJE ANALOGICZN ZMIANÇ MIARY RYZYKA .IEZMIENNICZOyÃ
MONA ZINTERPRETOWAÃ NASTÇPUJCO $ODANIE DO PORTFELA INSTRUMENTU WOLNEGO
OD RYZYKA ZMNIEJSZA RYZYKO CAEGO PORTFELA
7ARTOyÃ ZAGROONA PORTFELA W OGÐLNYM PRZYPADKU NIE JEST KOHERENTN MIA
R RYZYKA *EST NI NATOMIAST GDY WEKTOR ZWROTÐW WSZYSTKICH INSTRUMENTÐW
Z KTÐRYCH TWORZY SIÇ ROZWAANE PORTFELE MA ROZKAD ELIPTYCZNY -C.EIL I IN
0RZYKADEM KOHERENTNEJ MIARY RYZYKA JEST TZW OCZEKIWANY NIEDOBÐR RO
ZUMIANY JAKO WARTOyÃ OCZEKIWANA STRATY POD WARUNKIEM
OCZEKIWANY
NIEDOBÐR
E STRATA BÇDZIE WIÇKSZA NI ZAOONY 6A2 0FLUG
JAKO PRZYKAD -C.EIL I IN /CZEKIWANY NIEDOBÐR JEST TE CZASAMI
KOHERENTNEJ MIARY NAZYWANY WARUNKOW WARTOyCI ZAGROON #ONDITIONAL
RYZYKA 6ALUE AT 2ISK s #6A2

0RZEDSTAWIMY TERAZ PRZYKAD WYKORZYSTANIA WIELOWYMIAROWYCH MODELI ZMIEN

NOyCI DO SZACOWANIA WARTOyCI ZAGROONEJ PORTFELA 7YKORZYSTAMY W TYM CELU
OSZACOWANIA KORELACJI WARUNKOWYCH PRZEDSTAWIONE W PODROZDZIALE
:ANIM PRZEDSTAWIMY PRZYKADY DOTYCZCE MODELOWANIA 6A2 WARTO MOE
PORUSZYÃ TEMAT PRAKTYCZNYCH TRUDNOyCI ZWIZANYCH Z SZACOWANIEM 6A2 RZECZY
WIyCIE ISTNIEJCEGO PORTFELA AKTYWÐW 0RZEDE WSZYSTKIM JAK JU WSPOMINALIyMY
REALNE PORTFELE INSTYTUCJI FINANSOWYCH NP FUNDUSZY INWESTYCYJNYCH S BARDZO
DUE 3TWARZA TO TRUDNOyCI OBLICZENIOWE PRZY SZACOWANIU KORELACJI POMIÇDZY
INSTRUMENTAMI $RUGI ZUPENIE PRAKTYCZNY PROBLEM WYNIKA Z CZÇSTYCH ZMIAN
W SKADZIE PORTFELI I DOTYCZY WTPLIWOyCI JAK W TAKIEJ SYTUACJI WSTECZNIE TESTOWAÃ
6A2 4RUDNOyÃ NIE JEST ZWIZANA TYLKO ZE ZMIANAMI ALE NA PRZYKAD TAKE Z TYM
E DO PORTFELI CZÇSTO DOCZANE S NOWE INSTRUMENTY NIE
MAJCE HISTORII CO POWODUJE E NIE MA NA CZYM SZACOWAÃ CZÇSTE ZMIANY
W SKADZIE PORTFELI
MODELI 7SZYSTKO TO WPYWA NA TO E PROBLEMATYKA 6A2 A WSTECZNE
NADAL JEST INTENSYWNIE BADANA ZARÐWNO PRZEZ PRAKTYKÐW TESTOWANIE 6A2
JAK I W PRACACH AKADEMICKICH
7YKORZYSTUJC OSZACOWANIA KORELACJI WARUNKOWYCH PRZEDSTAWIONE W ROZ
DZIALE DOKONAMY TERAZ OSZACOWAÎ WARTOyCI ZAGROONEJ DLA ROZWAANEGO
TAM PORTFELA 0REZENTACJÇ PRZYKADU ROZPOCZNIEMY OD PRZEDSTAWIENIA WYLICZEÎ
6A2 WYKORZYSTUJCYCH WYNIKI UZYSKANE ZA POMOC MODELU $## )LUSTRACJE
I PRZEDSTAWIAJ OSZACOWANIA 6A2 NA POZIOMIE ISTOTNOyCI ORAZ
W PRÐBIE W ZESTAWIENIU ZE ZREALIZOWANYMI STOPAMI ZWROTU Z PORTFELA
4ABELA ZAWIERA WYNIKI TESTU +UPCA I WARTOyCI OCZEKIWANYCH NIEDOBORÐW
%3& I %3& POR ROZDZIA *AKOyÃ OSZACOWAÎ 6A2 JEST DOBRA 0OZA JEDNYM
PRZYPADKIEM POZYCJI DUGIEJ NA POZIOMIE ISTOTNOyCI HIPOTEZA ZEROWA TESTU
+UPCA O ZGODNOyCI LICZBY PRZEKROCZEÎ Z ZAOON NIE ZOSTAA ODRZUCONA
/SZACOWANIA ZMIENNOyCI I ZALENOyCI WARUNKOWYCH UZYSKANE ZA POMOC
MODELU $## DAY W WYPADKU ANALIZOWANEGO PORTFELA WYLICZENIA 6A2 LEPSZEJ
JAKOyCI NI OTRZYMANE PRZY UYCIU MODELI $IAG "%++ CZY / '!2#( :A
STOSOWANIE DWÐCH OSTATNICH MODELI SKUTKOWAO ZNACZNYM PRZESZACOWANIEM
6A2 CO WYRA|NIE WIDAÃ NA ILUSTRACJACH I 4EST +UPCA ZAAKCEPTOWA
OSZACOWANIA Z DIAGONALNEGO MODELU "%++ TYLKO W JEDNYM PRZYPADKU s POZYCJI
KRÐTKIEJ I POZIOMIE ISTOTNOyCI $LA MODELU / '!2#( HIPOTEZA ZEROWA
ZOSTAA ODRZUCONA WE WSZYSTKICH PRZYPADKACH

4ABELA $## 0ORTFEL O RÐWNYCH UDZIAACH 7YNIKI TESTU +UPCA LICZBA OBSERWACJI
0OZYCJA B ,ICZBA 5DZIA 3TATYSTYKA P %3& %3&

PRZEKRO PRZEKROCZEÎ +UPCA WARTOyÃ
CZEÎ

KRÐTKA

DUGA

)LUSTRACJA $## /SZACOWANIA 6A2 NA POZIOMIE ISTOTNOyCI W PORÐWNANIU ZE ZREALIZOWANY

MI STOPAMI ZWROTU

6A2 SHORT 6A2 LONG ZWROTY

s
s
s
s
s
s
s


)LUSTRACJA $## /SZACOWANIA 6A2 NA POZIOMIE ISTOTNOyCI W PORÐWNANIU ZE ZREALIZOWANY

MI STOPAMI ZWROTU

s
s
s
s
s
s
s

)LUSTRACJA / '!2#( /SZACOWANIA 6A2 NA POZIOMIE ISTOTNOyCI W PORÐWNANIU ZE ZREALIZO

WANYMI STOPAMI ZWROTU


s
s
s


5WAGI
)LUSTRACJA $IAGONALNY "%++ /SZACOWANIA 6A2 NA POZIOMIE ISTOTNOyCI W PORÐWNANIU

ZE ZREALIZOWANYMI STOPAMI ZWROTU

s
s
s

5WAGI
0RZEDSTAWIONY TU MATERIA SYGNALIZUJE TYLKO WANY PROBLEM SZACOWANIA 6A2

DLA PORTFELI :NACZENIE PRAKTYCZNE TEGO ZAGADNIENIA JEST OGROMNE I POJAWIA SIÇ
OSTATNIO ZWASZCZA W KONTEKyCIE ZARZDZANIA RYZYKIEM KREDYTOWYM I RYZYKIEM
ZWIZANYM Z KREDYTOWYMI INSTRUMENTAMI POCHODNYMI 7 CELU ZAZNAJOMIENIA
SIÇ ZE SZCZEGÐAMI ROZWIZAÎ ZALECANYCH W PRAKTYCE RYNKÐW FINANSOWYCH WARTO
PRZEyLEDZIÃ NA PRZYKAD DOKUMENTY TECHNICZNE 2ISK-ETRICS I #REDIT-ETRICS
0ONOWNIE JAKO DOBRE |RODO ARTYKUÐW POyWIÇCONYCH TEJ TEMATYCE MONA
WSKAZAÃ STRONY INTERNETOWE WWWGLORIAMUNDIORG ORAZ WWWRISKMETRICSCOM
*EyLI CZYTELNIK CHCE SZYBKO ZDOBYÃ PODSTAWOWE INFORMACJE Z TEORII PORTFE
LOWEJ I OGÐLNIE MODELI RYNKÐW FINANSOWYCH TO POWINIEN ZAPOZNAÃ SIÇ Z SYNTE
TYCZNYM WYKADEM ZAWARTYM W PRACY *AJUGI I *AJUGI
7YNIKI ZASTOSOWANIA WIELOWYMIAROWYCH MODELI '!2#( DO SZACOWANIA
WARTOyCI ZAGROONEJ NA POLSKIM RYNKU FINANSOWYM PRZEDSTAWIONE S W PRACACH
&ISZEDER 0APLA 0IONTEK I 0APLA (UMEÎCZUK

:AKOÎCZENIE
/MAWIAJC METODY I MODELE EKONOMETRII FINANSOWEJ PRZEDSTAWILIyMY JEDNO

CZEyNIE WIELE PRZYKADÐW EMPIRYCZNYCH :ALEAO NAM BOWIEM EBY CZYTELNIK
MIA MOLIWOyÃ WYROBIENIA SOBIE PEWNYCH INTUICJI NA TEMAT MECHANIZMÐW
OPISYWANYCH PRZEZ MODELE ORAZ MOLIWOyCI I OGRANICZEÎ STOSOWANYCH METOD
A TAKE ZAPOZNA SIÇ Z BOGAT RÐNORODNOyCI DYNAMIKI RYNKÐW FINANSOWYCH
KTÐR ZAWSZE TRZEBA UWZGLÇDNIAÃ W PRAKTYCE MODELOWANIA )DEALNIE BYOBY
GDYBY NABRA OCHOTY DO SAMODZIELNEGO DZIAANIA W TYM ZAKRESIE
*AK MONA BYO ZAUWAYÃ DANE RÐNI SIÇ W ZALENOyCI OD TEGO Z JAKIEGO
RYNKU POCHODZ Z JAK CZÇSTOTLIWOyCI S OBSERWOWANE I POBIERANE A TAKE
Z JAKIEGO OKRESU POCHODZ 7SZYSTKIE TE CZYNNIKI WPYWAJ NA WYBÐR MODELI
I METOD BADAÎ "UDUJC SKOMPLIKOWANE MODELE I DOKONUJC OBLICZEÎ ZA
POMOC SZYBKICH I WYDAJNYCH PAKIETÐW NUMERYCZNYCH DOBRZE JEST MIEÃ yWIA
DOMOyÃ ZWIZANYCH Z TYM OGRANICZEÎ I ZAGROEÎ .IEODCZN CZÇyCI PROCESU
MODELOWANIA JEST INTERPRETACJA UZYSKANYCH WYNIKÐW KTÐREJ NIE MONA DOKONAÃ
POPRAWNIE BEZ PRZEANALIZOWANIA WYDARZEÎ W OTOCZENIU GOSPODARCZYM POLI
TYCZNYM I SPOECZNYM RYNKU 7SZYSTKO TO SPROWADZA SIÇ DO STWIERDZENIA E
MODELUJC TRZEBA BRAÃ POD UWAGÇ RZECZYWISTOyÃ -ODELOWANIE RYNKÐW FINANSO
WYCH NIE POLEGA WIÇC TYLKO NA STOSOWANIU WYRAFINOWANYCH TECHNIK ILOyCIOWYCH
I EPATOWANIU ZOONOyCI ZAAWANSOWANYCH METOD MATEMATYCZNYCH -ETODY TE
MAJ NAM TYLKO ZAPEWNIÃ E TO CO ROBIMY JEST FORMALNIE POPRAWNE
*EDNYM Z CELÐW MODELOWANIA JEST OCZYWIyCIE POZNANIE UKRYTYCH REGU
RZDZCYCH RYNKAMI FINANSOWYMI CO DAJE BADACZOWI PEWNE ZADOWOLENIE PY
NCE Z LEPSZEGO ZROZUMIENIA yWIATA *EDNAK PRZEDE WSZYSTKIM MODELOWANIE
POWINNO POZWOLIÃ NA STWORZENIE SKUTECZNYCH NARZÇDZI I WYJAyNIEÎ KTÐRE MOG
BYÃ ZASTOSOWANE W PRAKTYCE ZARZDZANIA RYZYKIEM INWESTYCJI FINANSOWYCH
7 yWIECIE GLOBALNYCH FINANSÐW I BYSKAWICZNEGO PRZEMIESZCZANIA SIÇ KAPITAU
Z JEDNEGO KOÎCA yWIATA NA DRUGI I Z POWROTEM GWATOWNY ROZWÐJ EKONOMETRII
FINANSOWEJ JEST WYWOANY PRZEDE WSZYSTKIM OGROMNYM ZAPOTRZEBOWANIEM ZE

:AKOÎCZENIE
STRONY PRAKTYKI NA METODY SZACOWANIA ZMIENNOyCI I ZALENOyCI POMIÇDZY BARDZO

ZOONYMI INSTRUMENTAMI CO DO KTÐRYCH CZÇSTO NIE MA ADNEJ PEWNOyCI JAK JE
WYCENIAÃ -ODEL ZMIENNOyCI MA RACJÇ BYTU JEDYNIE WTEDY GDY PRZEZ SENSOWNY
OKRES POZWALA NA OSIGANIE TEGO CELU W STOSUNKU DO JAKIEJy GRUPY INSTRUMENTÐW
NOTOWANYCH NA JAKIMy RYNKU
7 EKONOMETRII FINANSOWEJ TAK JAK WE WSZYSTKICH NAUKACH EMPIRYCZNYCH
OSTATECZNYM KRYTERIUM PRZYDATNOyCI MODELU JEST TO JAK SPRAWDZA SIÇ ON
W PRAKTYCE

$ODATEK
4ABELA $ +WANTYLE ROZKADU ASYMPTOTYCZNEGO STATYSTYKI TESTU 0HILLIPSA 0ERRONA
0:TV
V s s s s s s s s
lRÐDO 7! &ULLER )NTRODUCTION TO 3TATISTICAL 4IME 3ERIES 7ILEY .EW 9ORK
4ABELA $ +WANTYLE ROZKADU ASYMPTOTYCZNEGO STATYSTYKI ,O
052)3V
V
052)3V
V Q 2
lRÐDO !7 ,O ,ONG 4ERM -EMORY IN 3TOCK -ARKET 0RICES %CONOMETRICA
4ABELA $ 7ARTOyCI KRYTYCZNE ROZKADU ASYMPTOTYCZNEGO STATYSTYKI TESTU +033 WZGLÇDEM POZIOMU
0OZIOM ISTOTNOyCI
7ARTOyÃ KRYTYCZNA
lRÐDO $ +WIATKOWSKI I IN 4ESTING THE .ULL (YPOTHESIS OF 3TATIONARITY !GAINST THE !LTERNATIVE OF A 5NIT 2OOT (OW
3URE !RE 7E 4HAT %CONOMIC 4IME 3ERIES (AVE A 5NIT 2OOT a*OURNAL OF %CONOMETRICSq

$ODATEK
4ABELA $ 7ARTOyCI KRYTYCZNE ROZKADU ASYMPTOTYCZNEGO STATYSTYKI TESTU +033 WZGLÇDEM TRENDU
0OZIOM ISTOTNOyCI
7ARTOyÃ KRYTYCZNA
lRÐDO $ +WIATKOWSKI I IN 4ESTING THE .ULL (YPOTHESIS OF 3TATIONARITY !GAINST THE !LTERNATIVE OF A 5NIT 2OOT (OW
3URE !RE 7E 4HAT %CONOMIC 4IME 3ERIES (AVE A 5NIT 2OOT a*OURNAL OF %CONOMETRICSq
4ABELA $ !SYMPTOTYCZNE WARTOyCI KRYTYCZNE DLA TESTU .YBLOMA (IPOTEZA ZEROWA STABILNY UKAD
PARAMETRÐW
,ICZBA 0OZIOM ISTOTNOyCI

PARAMETRÐW

lRÐDO "% (ANSEN 4ESTING FOR 0ARAMETER )NSTABILITY IN ,INEAR -ODELS a*OURNAL OF 0OLICY -ODELINGq

,ITERATURA
!LEXANDER # -ARKET -ODELS *OHN 7ILEY .EW 9ORK

!LEXANDER # #HIBUMBA ! -ULTIVARIATE /RTHOGONAL &ACTOR '!2#( 5NIVERSITY
OF 3USSEX -IMEO
!LEXIEWICZ ! !NALIZA FUNKCJONALNA 07. 7ARSZAWA
!NDERSEN 4 "OLLERSLEV 4 (ETEROGENEOUS )NFORMATION !RRIVALS AND 2ETURN 6OLA
TILITY $YNAMICS 5NCOVERING THE ,ONG 2UN IN (IGH &REQUENCY 2ETURNS a4HE *OURNAL
OF &INANCEq NR S s
!NDERSEN 4' "OLLERSLEV 4 !NSWERING THE 3KEPTICS 9ES 3TANDARD 6OLATILITY
-ODELS $O 0ROVIDE !CCURATE &ORECASTS a)NTERNATIONAL %CONOMIC 2EVIEWq NR
S s
!NDERSEN 4' "OLLERSLEV 4 $IEBOLD &8 %BENS ( 4HE $ISTRIBUTION OF 2EALIZED
3TOCK 2ETURN 6OLATILITY a*OURNAL OF &INANCIAL %CONOMICSq NR S s
!NDERSEN 4' "OLLERSLEV 4 $IEBOLD &8 ,ABYS 0 A 4HE $ISTRIBUTION OF 2EAL
IZED %XCHANGE 2ATE 6OLATILITY a*OURNAL OF THE !MERICAN 3TATISTICAL !SSOCIATIONq
NR S s
!RTZNER 0 $ELBAEN & %BER *- (EATH $ #OHERENT -EASURES OF 2ISK a-A
THEMATICAL &INANCEq NR S s
!TTANASIO /0 2ISK 4IME 6ARYING 3ECOND -OMENTS AND -ARKET %FFICIENCY
a2EVIEW OF %CONOMIC 3TUDIESq NR S s
"ABA 9 %NGLE 2& +RAFT $& +RONER +& -ULTIVARIATE 3IMULTANEOUS 'ENERAL
IZED !2#( ;NIEOPUBLIKOWANY MANUSKRYPT= $EPARTMENT OF %CONOMICS 5NIVERSITY
OF #ALIFORNIA 3AN $IEGO
"AILLIE 2 "OLLERSLEV 4 -IKKELSEN ( &RACTIONALLY )NTEGRATED 'ENERALIZED AUTO2E
GRESSIVE #ONDITIONAL (ETEROSKEDASTICITY a*OURNAL OF %CONOMETRICSq NR S s
"ARAÎSKI 0 :MIENNOyÃ ZREALIZOWANA JAKO MIARA ZMIENNOyCI INSTRUMENTÐW FI
NANSOWYCH ;PRACA MAGISTERSKA= 7YDZIA )NFORMATYKI I 'OSPODARKI %LEKTRONICZNEJ
!KADEMII %KONOMICZNEJ W 0OZNANIU 0OZNAÎ
"ARNDORFF .IELSEN /% 3HEPHARD . .ON 'AUSSIAN /RNSTEIN 5HLENBECK "ASED
-ODELS AND 3OME OF 4HEIR 5SES IN &INANCIAL %CONOMICS a*OURNAL OF THE 2OYAL 3TA
TISTICAL 3OCIETYq SERIA " NR S s

,ITERATURA
"ARNDORFF .IELSEN /% 3HEPHARD . %CONOMETRIC !NALYSIS OF 2EALISED 6OLATILITY

AND )TS 5SE IN %STIMATING 3TOCHASTIC 6OLATILITY -ODELS a*OURNAL OF THE 2OYAL 3TATISTI
CAL 3OCIETYq SERIA " NR S s
"ARNDORFF .IELSEN /% 3HEPHARD . 0OWER AND "IPOWER 6ARIATION WITH 3TO
CHASTIC 6OLATILITU AND *UMPS a*OURNAL OF &INANCIAL %CONOMETRICSq NR S s
"AUWENS , ,AURENT 3 2OMBOUTS *6+ -ULTIVARIATE '!2#( -ODELS ! 3UR
VEY a*OURNAL OF !PPLIED %CONOMETRICSq NR S s
"EINE - ,AURENT 3 3TRUCTURAL #HANGE AND ,ONG -EMORY IN 6OLATILITY .EW
%VIDENCE FROM $AILY %XCHANGE 2ATES ;W= $EVELOPMENTS IN &ORECAST #OMBINATION AND
0ORTFOLIO #HOICE RED # $UNIS ! 4IMMERMANN * -OODY *OHN 7ILEY .EW 9ORK
&INANCIAL %CONOMICS AND 1UANTITATIVE !NALYSIS S s ;TU= ROZDZIA
"ERKES ) (ORVARTH , +OKOSZKA 0 '!2#( 0ROCESS 3TRUCTURE AND %STIMATION
a"ERNOULLIq NR S s
"HANSALI 2* +OKOSZKA 03 0REDICTION OF ,ONG -EMORY 4IME 3ERIES !N /VER
WIEW a%STADISTICAq NR S s
"OLLERSLEV 4 'ENERALIZED !UTOREGRESSIVE #ONDITIONAL (ETEROSKEDASTICITY a*OURNAL
OF %CONOMETRICSq NR S s
"OLLERSLEV 4 ! #ONDITIONALLY (ETEROSKEDASTIC 4IME 3ERIES -ODEL FOR 3PECU
LATIVE 0RICES AND 2ATES OF 2ETURN a2EVIEW OF %CONOMICS AND 3TATISTICSq NR
S s
"OLLERSLEV 4 /N THE #ORRELATION 3TRUCTURE FOR THE 'ENERALIZED !UTOREGRESSIVE
#ONDITIONAL (ETEROSKEDASTIC 0ROCESS a*OURNAL OF 4IME 3ERIES !NALYSISq NR
S s
"OLLERSLEV 4 -ODELING THE #OHERENCE IN 3HORT 2UN .OMINAL %XCHANGE
2ATES ! -ULTIVARIATE 'ENERALIZED !2#( -ODEL a2EVIEW OF %CONOMICS AND 3TATIS
TICSq NR S s
"OLLERSLEV 4 %NGLE 2& .ELSON $" !2#( -ODELS ;W= (ANDBOOK OF %CONO
METRICS RED 2& %NGLE $, -C&ADDEN .ORTHs(OLLAND !MSTERDAM VOL
S s
"OLLERSLEV 4 %NGLE 2& 7OOLDRIDGE *- ! #APITAL !SSET 0RICING -ODEL WITH
4IME 6ARYING #OVARIANCES a*OURNAL OF 0OLITICAL %CONOMYq NR S s
"OLLERSLEV 4 -IKKELSEN ( -ODELING AND 0RICING ,ONG -EMORY IN 3TOCK -ARKET
6OLATILITY a*OURNAL OF %CONOMETRICSq NR S s
"OLLERSLEV 4 7OOLDRIDGE *- 1UASI -AXIMUM ,IKELIHOOD %STIMATION AND )N
FERENCE IN $YNAMIC -ODELS WITH 4IME 6ARYING #OVARIANCES a%CONOMETRIC 2EVIEWSq
NR S s
"OX '%0 *ENKINS '- !NALIZA SZEREGÐW CZASOWYCH 0AÎSTWOWE 7YDAWNIC
TWO .AUKOWE 7ARSZAWA
"ROCK 7! (SIEH $! 3CHEINKMAN *! ,E"ARON " ! 4EST FOR )NDEPENDENCE
"ASED ON THE #ORRELATION $IMENSION a%CONOMETRIC 2EVIEWSq NR S s
"ROCKETT 27 6OLTERRA 3ERIES AND 'EOMETRIC #ONTROL $ATA a!UTOMATICAq
NR S s
"ROCKWELL 0* $AVIS 2! 4IME 3ERIES 4HEORY AND -ETHODS 3PRINGER .EW
9ORK

,ITERATURA
"RUZDA * 0ROCESY DWULINIOWE I PROCESY '!2#( W MODELOWANIU FINANSOWYCH

SZEREGÐW CZASOWYCH a0RZEGLD 3TATYSTYCZNYq S s
"RZESZCZYÎSKI * +ELM 2 %KONOMETRYCZNE MODELE RYNKÐW FINANSOWYCH 7)'
0RESS 7ARSZAWA
"RZESZCZYÎSKI * 7ELFE ! $IRECTION 1UALITY -EASURES FOR !2#( -ODELS 4HE
#ASE OF 7ARSAW 3TOCK %XCHANGE 3TOCK 0RICES ;W= -ACROMODELSo 0ROCEEDINGS
OF THE TH )NTERNATIONAL #ONFERENCE -ACROMODELS ÐD|
#HAN +3 4ONG ( /N %STIMATING 4RESHOLDS IN !UTOREGRESSIVE -ODELS a*OURNAL
OF 4IME 3ERIES !NALYSISq NR S s
#HOW '# 4ESTS OF %QUALITY "ETWEEN 3ETS OF #OEFFICIENTS IN 4WO ,INEAR 2EGRES
SIONS a%CONOMETRICAq NR S s
#HUNG #& %STIMATING THE &RACTIONALLY )NTEGRATED '!2#( -ODEL .ATIONAL
4AIWAN 5NIWERSITY WORKING PAPER
#LARK 0+ ! 3UBORDINATED 3TOCHASTIC 0ROCESS -ODEL WITH &INITE 6ARIANCE FOR
3PECULATIVE 0RICES a%CONOMETRICAq NR S s
#ONT 2 %MPIRICAL 0ROPERTIES OF !SSET 2ETURNS 3TYLIZED &ACTS AND 3TATISTICAL )SSUES
a1UALITATIVE &INANCEq VOL S s
$AVIDSON * -OMENT AND -EMORY 0ROPERTIES OF ,INEAR #ONDITIONAL (ETEROSCE
DASTICITY -ODELS AND A .EW -ODEL a*OURNAL OF "USINESS AND %CONOMIC 3TATISTICSq
NR S s
$AVIDSON * A &ORECASTING -ARKOV 3WITCHING $YNAMIC 0ROCESSES a3TATISTICS AND
0ROBABILITY ,ETTERSq NR S s
$AVIDSON * 4IME 3ERIES -ODELLING 6ERSION 5NIVERSITY OF %XETER %XETER
$IEBOLD &8 -ODELING THE 0ERSISTENCE OF #ONDITIONAL 6ARIANCES ! #OMMENT
a%CONOMETRIC 2EVIEWSq NR S s
$IEBOLD &8 )NOUE ! ,ONG -EMORY AND 3TRUCTURAL #HANGE a*OURNAL OF
%CONOMETRICSq NR S s
$ING : 'RANGER #7* %NGLE 2 ! ,ONG -EMORY 0ROPERTY OF 3TOCK -ARKET
2ETURNS AND A .EW -ODEL a*OURNAL OF %MPIRICAL &INANCEq NR S s
$OMAN - -ODELING 6OLATILITIES OF 7ARSAW 3TOCK )NDICES WITH '!2#( AND 36
-ODELS ;W= -ACROMODELSo 0ROCEEDINGS OF THE TH )NTERNATIONAL #ONFERENCE
-ACROMODELS ÐD| S s
$OMAN - 4HE *OINT $YNAMICS OF 2ETURNS 6OLATILITY AND 6OLUME ON THE 7AR
SAW 3TOCK %XCHANGE ;W= -ACROMODELSo 0ROCEEDINGS OF THE TH )NTERNATIONAL
#ONFERENCE -ACROMODELS ÐD| S s
$OMAN - -ODELLING 6ALUE AT 2ISK WITH #!6IA2 -ODELS 4HE #ASE OF 0OLISH
&INANCIAL -ARKET a!CTA 5NIVERSITATIS ,ODZIENSIS &OLIA /ECONOMICAq NR
S s
$OMAN - 3TRUCTURAL "REAKS AND ,ONG -EMORY IN THE 6OLATILITY OF 0OLISH %XCHANGE
2ATES ;W= &INANCIAL -ARKETS 0RINCIPLES OF -ODELLING &ORECASTING AND $ECISION
-AKING RED 7 -ILO 0 7DOWIÎSKI &IND%CON -ONOGRAPH 3ERIES !DVANCES IN
&INANCIAL -ARKET !NALYSIS NR ÐD| 5NIVERSITY 0RESS ÐD|
$OMAN - -ODELING THE 2EALIZED 6OLATILITY WITH !2&)-! AND 5NOBSERVED #OM
PONENT -ODELS 2ESULTS FROM THE 0OLISH &INANCIAL -ARKET ;W= &INANCIAL -ARKETS 0RIN

,ITERATURA
CIPLES OF -ODELLING &ORECASTING AND $ECISION -AKING RED 7 -ILO 0 7DOWIÎSKI

&IND%CON -ONOGRAPH 3ERIES !DVANCES IN &INANCIAL -ARKET !NALYSIS NR ÐD|
5NIVERSITY 0RESS ÐD| S s
$OMAN 2 &ORECASTING THE 0OLISH 3TOCK -ARKET 6OLATILITY ! #OMPARISON "ETWEEN
'!2#( AND 36 -ODELS !BILITIES ;W= -ACROMODELSo 0ROCEEDINGS OF THE TH
)NTERNATIONAL #ONFERENCE -ACROMODELS ÐD| S s
$OMAN 2 A 0ROGNOZOWANIE ZMIENNOyCI ZREALIZOWANEJ INDEKSU 7)' ZA POMOC
MODELI '!2#( a0RZEGLD 3TATYSTYCZNYq NR S s
$OMAN 2 &ORECASTING THE 0OLISH 3TOCK -ARKET 6OLATILITY WITH (AMILTONoS -ARKOV
3WITCHING -ODELS ;W= -ACROMODELSo 0ROCEEDINGS OF THE TH )NTERNATIONAL
#ONFERENCE -ACROMODELS ÐD| s
$OMAN 2 A $YNAMIKA KORELACJI MIÇDZY RYNKAMI KAPITAOWYMI KRAJÐW %UROPY
iRODKOWEJ ;W= 2YNEK +APITAOWY 3KUTECZNE )NWESTOWANIE CZ ) a:ESZYTY .AUKOWE
5NIWERSYTETU 3ZCZECIÎSKIEGOq Z S s
$OMAN 2 &ORECASTING THE 0OLISH 3TOCK -ARKET 6OLATILITY WITH -ARKOV 3WITCHING
'!2#( ;W= &ORECASTING &INANCIAL -ARKETS 4HEORY AND !PPLICATIONS RED 7 -ILO
0 7DOWIÎSKI ÐD| 5NIVERSITY 0RESS ÐD|
$OMAN 2 A -ODELOWANIE I PROGNOZOWANIE ZMIENNOyCI KURSÐW WALUTOWYCH ZA
POMOC MODELI PRZECZNIKOWYCH TYPU -ARKOWA a:ESZYTY .AUKOWE !KADEMII
%KONOMICZNEJ W 0OZNANIUq Z S s
$OMAN 2 -ODELOWANIE ZALENOyCI WARUNKOWYCH NA POLSKIM RYNKU WALUTOWYM
a:ESZYTY .AUKOWE !KADEMII %KONOMICZNEJ W 0OZNANIUq Z S s
$OMAN - $OMAN 2 +URSY WALUTOWE W GOSPODARKACH PODLEGAJCYCH TRANSFOR
MACJI a%KONOMISTAq NR S s
$OMAN - $OMAN 2 %KONOMETRYCZNE MODELOWANIE DYNAMIKI POLSKIEGO RYNKU
FINANSOWEGO 7YDAWNICTWO !KADEMII %KONOMICZNEJ W 0OZNANIU 0OZNAÎ
$OMAN - $OMAN 2 /CENA PRZYDATNOyCI MODELI ", '!2#( W SZACOWANIU
WARTOyCI ZAGROONEJ INDEKSU 7)' a:ESZYTY .AUKOWE !KADEMII %KONOMICZNEJ
W 0OZNANIUq Z S s
$OMAN - $OMAN 2 2EGIME 3WITCHING IN THE $YNAMICS OF 0OLISH 3HORT 4ERM
)NTEREST 2ATES ;W= -ONEY AND 4RANSITION RED - 2ATAJCZAK * 7ALLUSCH 7YDAW
NICTWO !KADEMII %KONOMICZNEJ W 0OZNANIU 0OZNAÎ
$OMAN - $OMAN 2 A :MIANY STRUKTURALNE W KURSACH WYMIANY ZOTEGO a:ESZYTY
.AUKOWE !KADEMII %KONOMICZNEJ W 0OZNANIUq Z S s
$ONKHAN 0 /PPENHEIM ' 4AQQU -3 RED 4HEORY AND !PPLICATIONS OF ,ONG
2ANG $EPENDENCE "IRKHÁUSER "OSTON
$OORNIK *! !N /BJECT /RIENTED -ATRIX 0ROGRAMMING ,ANGUAGE /X4- 4IM
BERLAKE #ONSULTANTS ,ONDON
$URBIN * +OOPMAN 3* -ONTE #ARLO -AXIMUM ,IKELIHOOD %STIMATION FOR
.ON 'AUSSIAN 3TATE 3PACE -ODELS a"IOMETRICAq NR S s
$URBIN * +OOPMAN 3* 4IME 3ERIES !NALYSIS OF .ON 'AUSSIAN /BSERVATION
"ASED ON 3TATE 3PACE -ODELS FROM "OTH #LASSICAL AND "AYESIAN 0ERSPECTIVES WITH
DISCUSSION a*OURNAL OF THE 2OYAL 3TATISTICAL 3OCIETYq SERIA " NR S s
$URBIN * +OOPMAN 3* 4IME 3ERIES !NALYSIS BY 3TATE 3PACE -ETHODS /XFORD
5NIVERSITY 0RESS /XFORD

,ITERATURA
$URBIN * +OOPMAN 3* ! 3IMPLE AND %FFICIENT 3IMULATION 3MOOTHER FOR 3TATE
3PACE 4IME 3ERIES !NALYSIS a"IOMETRICAq NR S s
%NGLE 2 !UTOREGRESSIVE #ONDITIONAL (ETEROSCEDASTICITY WITH %STIMATES OF THE
6ARIANCE OF 5NITED +INGDOM )NFLATION a%CONOMETRICAq NR S s
%NGLE 2& $YNAMIC #ONDITIONAL #ORRELATION ! 3IMPLE #LASS OF -ULTIVARI
ATE '!2#( -ODELS a*OURNAL OF "USINESS AND %CONOMIC 3TATISTICSq NR
S s
%NGLE 2& "OLLERSLEV 4 -ODELING THE 0ERSISTENCE OF #ONDITIONAL 6ARIANCES
a%CONOMETRIC 2EVIEWSq NR S s
%NGLE 2& +RONER +& -ULTIVARIATE 3IMULTANEOUS 'ENERALIZED !2#( a%CONO
METRIC 4HEORYq NR S s
%NGLE 2& ,ILIEN $- 2OBINS 20 %STIMATING 4IME 6ARYING 2ISK 0REMIA IN
THE 4ERM 3TRUCTURE 4HE !2#( - -ODEL a%CONOMETRICAq NR S s
%NGLE 2& -ANGANELLI 3 #!6IA2 #ONDITIONAL !UTOREGRESSIVE 6ALUE AT 2ISK BY
2EGRESSION 1UANTILES ;W= %CONOMETRIC 3OCIETY 7ORLD #ONGRESS #ONTRIBUTED
0APERS %CONOMETRIC 3OCIETY
%NGLE 2& -ANGANELLI 3 #!6IA2 #ONDITIONAL !UTOREGRESSIVE 6ALUE AT 2ISK
BY 2EGRESSION 1UANTILES a*OURNAL OF "USSINES AND %CONOMIC 3TATISTICSq NR
S s
%NGLE 2& .G 6+ -EASURING AND 4ESTING THE )MPACT OF .EWS ON 6OLATILITY
a*OURNAL OF &INANCEq NR S s
%NGLE 2& 0ATTON !* 7HAT 'OOD )S A 6OLATILITY -ODEL a1UALITATIVE &INANCEq
VOL S s
%NGLE 2& 3HEPPARD + 4HEORETICAL AND %MPIRICAL 0ROPERTIES OF $YNAMIC #ON
DITIONAL #ORRELATION -ULTIVARIATE '!2#( ."%2 WORKING PAPER
&ANG +4 +OTZ 3 .G +7 3YMMETRIC -ULTIVARIATE AND 2ELATED $ISTRIBUTIONS
#HAPMAN AND (ALL ,ONDON
&ELLER 7 7STÇP DO RACHUNKU PRAWDOPODOBIEÎSTWA 0AÎSTWOWE 7YDAWNICTWO
.AUKOWE 7ARSZAWA
&ERN¾NDEZ # /SIEWALSKI * 3TEEL -&* -ODELLING AND )NFERENCE WITH V 3PHERI
CAL $ISTRIBUTIONS a*OURNAL OF THE !MERICAN 3TATISTICAL !SSOCIATIONq NR S s

&ERN¾NDEZ # 3TEEL -&* /N "AYESIAN -ODELLING OF &AT 4AILS AND 3KEWNESS
a*OURNAL OF THE !MERICAN 3TATISTICAL !SSOCIATIONq NR S s
&IGLEWSKI 3 &ORECASTING 6OLATILITY a&INANCIAL -ARKETS )NSTITUTIONS AND )NSTRU
MENTS .EW 9ORK 5NIVERSITY 3ALOMON #ENTER q VOL NR S s
&ISZEDER 0 2OMAÎSKI * -ODELLING 0OLISH 3TOCK 2ETURNS WITH '!2#( -ODELS
;W= -ACROMODELS 0ROCEEDINGS OF THE TH )NTERNATIONAL #ONFERENCE -ACRO
MODELS ÐD| S s
&ISZEDER 0 $YNAMIC (EDGING 0ORTFOLIOS s !PPLICATION OF "IVARIATE '!2#(
-ODELS ;W= $YNAMIC %CONOMETRIC -ODELS 7YDAWNICTWO .AUKOWE 5NIWERSYTETU
-IKOAJA +OPERNIKA 4ORUÎ
&ISZEDER 0 -ODELOWANIE PROCESÐW FINANSOWYCH Z DUG PAMIÇCI W yREDNIEJ
I WARIANCJI ;W= $YNAMICZNE -ODELE %KONOMETRYCZNE -ATERIAY NA )8 /GÐLNOPOLSKIE
3EMINARIUM .AUKOWE 5-+ 4ORUÎ S s

,ITERATURA
&ISZEDER 0 A %STYMACJA WSPÐCZYNNIKÐW BETA NA PODSTAWIE WIELORÐWNANIOWEGO

MODELU '!2#( a!CTA 5NIVERSITATIS .ICOLAI #OPERNICI %KONOMIAq VOL 8886)
&ISZEDER 0 +ONSTRUKCJA PORTFELI EFEKTYWNYCH Z ZASTOSOWANIEM WIELORÐWNANIOWYCH
MODELI '!2#( a&OLIA /ECONOMICA #RACOVIENSIAq VOL
&ISZEDER 0 +WIATKOWSKI * -ODEL '!2#( - ZE ZMIENNYM PARAMETREM s
ANALIZA WYBRANYCH SPÐEK I INDEKSÐW NOTOWANYCH NA '07 W 7ARSZAWIE a0RZEGLD
3TATYSTYCZNYq NR S s
&LETCHER 2 0RACTICAL -ETHODS OF /PTIMIZATION *OHN 7ILEY .EW 9ORK
&RANSES 0( VAN $IJK $ .ON LINEAR 4IME 3ERIES -ODELS IN %MPIRICAL &INANCE
#AMBRIDGE 5NIVERSITY 0RESS #AMBRIDGE
&RIDMAN - (ARRIS , ! -AXIMUM ,IKELIHOOD !PPROACH FOR .ON 'AUSSIAN
3TOCHASTIC 6OLATILITY -ODELS a*OURNAL OF "USSINESS AND %CONOMIC 3TATISTICSq NR
S s
&ULLER 7! )NTRODUCTION TO 3TATISTICAL 4IME 3ERIES *OHN 7ILEY .EW 9ORK
'EWEKE * -ODELING THE 0ERSISTENCE OF #ONDITIONAL 6ARIANCES ! #OMMENT
a%CONOMETRIC 2EVIEWq NR S s
'EWEKE * "AYESIAN )NFERENCE IN %CONOMETRIC -ODELS 5SING -ONTE #ARLO )NTE
GRATION a%CONOMETRICAq NR S s
'EWEKE * 0ORTER (UDAK 3 4HE %STIMATION AND !PPLICATION OF ,ONG -EMORY
4IME 3ERIES -ODELS a*OURNAL OF 4IME 3ERIES !NALYSISq NR S s
'HYSELS % (ARVEY !# 2ENAULT % 3TOCHASTIC 6OLATILITY ;W= (ANDBOOK OF
3TATISTICS RED '3 -ADDALA #2 2AO VOL 3TATISTICAL -ETHODS IN &INANCE
!MSTERDAM
'LOSTEN ,2 *AGANNATHAN 2 2UNKLE $% /N THE 2ELATION "ETWEEN THE %X
PECTED 6ALUE AND THE 6OLATILITY OF THE .OMINAL %XCESS 2ETURN ON 3TOCKS a*OURNAL OF
&INANCEq NR S s
'OLDBERG $% 'ENETIC !LGORITHMS IN 3EARCH /PTIMIZATION AND -ACHINE ,EARN
ING !DDISON 7ESLEY 0UBLISHING #OMPANY 2EADING
'OURIEROUX # !2#( -ODELS AND &INANCIAL !PPLICATIONS 3PRINGER "ERLIN
'OURIEROUX # *ASIAK * &INANCIAL %CONOMETRICS 0RINCETON 5NIVERSITY 0RESS
0RINCETON
'RANGER # !NDERSEN ! !N )NTRODUCTION TO "ILINEAR 4IME 3ERIES -ODELS 6AN
DENHOECK 2UPRECHT 'ÓTTINGEN
'RANGER #7* *OYEUX 2 !N )NTRODUCTION TO ,ONG -EMORY 4IME 3ERIES AND
&RACTIONAL $IFFERENCING a*OURNAL OF 4IME 3ERIES !NALYSISq NR S s
'REENE 7 %CONOMETRIC !NALYSIS -ACMILLAN .EW 9ORK
(AMILTON *$ ! .EW !PPROACH TO THE %CONOMIC !NALYSIS OF .ONSTATIONARY
4IME 3ERIES AND THE "USINESS #YCLE a%CONOMETRICAq NR S s
(AMILTON *$ 4IME 3ERIES !NALYSIS 0RINCETON 5NIVERSITY 0RESS 0RINCETON
(AMILTON *$ 3USMEL 2 !UTOREGRESSIVE #ONDITIONAL (ETEROSCEDASTICITY AND
#HANGES IN 2EGIME a*OURNAL OF %CONOMETRICSq NR S s
(ANSEN "% 4ESTING FOR 0ARAMETER )NSTABILITY IN ,INEAR -ODELS a*OURNAL OF
0OLICY -ODELINGq NR S s
(ANSEN "% !UTOREGRESSIVE #ONDITIONAL $ENSITY %STIMATION a)NTERNATIONAL
%CONOMIC 2EVIEWq NR S s

,ITERATURA
(ARVEY !# 2UIZ % 3HEPHARD . -ULTIVARIATE 3TOCHASTIC 6ARIANCE -ODELS

a2EVIEW OF %CONOMIC 3TUDIESq NR S s
(IGGINS - "ERA ! ! #LASS OF .ONLINEAR !2#( -ODELS a)NTERNATIONAL %CO
NOMIC 2EVIEWq NR S s
(OL % %MPIRICAL 3TUDIES ON 6OLATILITY IN )NTERNATIONAL 3TOCK -ARKET +LUWER
$ORDRECHT
(OL % +OOPMAN 3* 3TOCK )NDEX 6OLATILITY &ORECASTING 7ITH (IGH &REQUENCY
$ATA 4INBERGEN )NSTITUTE $ISCUSSION 0APER
(OSKING *2- 4HE -ULTIVARIATE 0ORTMATEAU 3TATISTIC a*OURNAL OF !MERICAN
3TATISTICAL !SSOCIATIONq NR S s
(ULL * 7HITE ! 4HE 0RICING OF /PTIONS ON !SSETS WITH 3TOCHASTIC 6OLATILITIES
a*OURNAL OF &INANCEq NR S s
(UMEÎCZUK 0 -INIMALIZACJA RYZYKA RYNKOWEGO PRZYKADOWEJ AKCJI PRZY UWZGLÇD
NIENIU WARUNKOWEJ WARIANCJI I KOWARIANCJI PROCESÐW 7YDAWNICTWO !KADEMII %KO
NOMICZNEJ WE 7ROCAWIU 7ROCAW
(UNT 0* +ENNEDY *% &INANCIAL $ERIVATIVES IN 4HEORY AND 0RACTICE *OHN
7ILEY #HICHESTER
*ACQUIER % 0OLSON .' 2OSSI 0% "AYESIAN !NALYSIS OF 3TOCHASTIC 6OLATILITY
-ODELS WITH DISCUSSION a*OURNAL OF "USSINESS AND %CONOMIC 3TATISTICSq NR
S s
*AJUGA + /GÐLNY MODEL DYNAMIKI CEN FINANSOWYCH ;W= $YNAMICZNE MODELE
EKONOMETRYCZNE 6)) /GÐLNOPOLSKIE 3EMINARIUM .AUKOWE s WRZEyNIA 7Y
DAWNICTWO .AUKOWE 5NIWERSYTETU -IKOAJA +OPERNIKA 4ORUÎ S s
*AJUGA + +UZIAK + 0APLA $ 2OKITA 0 2YZYKO WYBRANYCH INSTRUMENTÐW POL
SKIEGO RYNKU FINANSOWEGO a2YNEK 4ERMINOWYq NR S s
*AJUGA + RED :ARZDZANIE RYZYKIEM 7YDAWNICTWO .AUKOWE 07. 7AR
SZAWA
*AJUGA + *AJUGA 4 )NWESTYCJE 7YDAWNICTWO .AUKOWE 07. 7ARSZAWA
*AJUGA + +UZIAK + 0APLA $ 2OKITA 0 2YZYKO WYBRANYCH INSTRUMENTÐW POL
SKIEGO RYNKU FINANSOWEGO a2YNEK 4ERMINOWYq NR S s
*AKUBOWSKI * 3ZTENCEL 2 7STÇP DO RACHUNKU PRAWDOPODOBIEÎSTWA 3CRIPT
7ARSZAWA
*ARQUE #- "ERA !+ %FFICIENT 4ESTS FOR .ORMALITY (OMOSCEDASTICITY AND 3ERIAL
)NDEPENDENCE OF 2EGRESSION 2ESIDUALS a%CONOMICS ,ETTERSq NR s
*OHNSON 2! 7ICHERN $7 !PPLIED -ULTIVARIATE 3TATISTICAL !NALYSIS 0RENTICE
(ALL %NGLEWOOD #LIFFS
*ORION 0 6ALUE AT 2ISK s 4HE .EW "ENCHMARK FOR -ANAGING &INANCIAL 2ISK
-C 'RAW (ILL .EW 9ORK
+ARATZAS ) 3HREVE 3% "ROWNIAN -OTION AND 3TOCHASTIC#ALCULUS 3PRINGER
.EW 9ORK
+ARIYA 4 -46 -ODEL AND ITS !PPLICATION TO THE 0REDICTION OF 3TOCK 0RICES ;W=
0ROCEEDINGS OF THE 3ECOND )NTERNATIONAL 4AMPERE #ONFERENCE IN 3TATISTICS RED
4 0ULLILA 3 0UNTANEN 5NIVERSITY OF 4AMPERE 4AMPERE
+IM #* .ELSON #2 3TATE 3PACE -ODELS WITH 2EGIME 3WITCHING -)4 0RESS
#AMBRIDGE

,ITERATURA
+IM 3 3HEPHARD . #HIB 3 3TOCHASTIC 6OLATILITY ,IKELIHOOD )NFERENCE AND #OM
PARISON WITH !2#( -ODELS a2EVIEW OF %CONOMIC 3TUDIESq NR S s
+IRMAN ! 4EYSSIERE ' RED ,ONG -EMORY IN %CONOMICS 3PRINGER "ERLIN
+OENKER 2 "ASSET ' 2EGRESSION 1UANTILES a%CONOMETRICAq NR S s
+OENKER 2 1UANTILE 2EGRESSION #AMBRIDGE 5NIVERSITY 0RESS .EW 9ORK
+OOPMAN 3* 3HEPHARD . $OORNIK *! 3TATISTICAL !LGORITHMS FOR -ODELS IN
3TATE 3PACE 5SING 3SF0ACK a%CONOMETRICS *OURNALq NR S s
+OyKO - :ASTOSOWANIE PRZECZNIKOWYCH MODELI -ARKOWA W ANALIZIE STÐP
ZWROTU AKCJI ;W= $YNAMICZNE -ODELE %KONOMETRYCZNE )8 /GÐLNOPOLSKIE 3EMINA
RIUM .AUKOWE s WRZEyNIA 7YDAWNICTWO .AUKOWE 5NIWERSYTETU -IKOAJA
+OPERNIKA 4ORUÎ S s
+UPIEC 0 4ECHNIQUES FOR 6ERYFYING THE !CCURACY OF 2ISK -ANAGEMENT -ODELS
a*OURNAL OF $ERIVATIVESq NR S s
+WIATKOWSKI $ 0HILLIPS 0#" 3CHMIDT 0 3HIN 9 4ESTING THE .ULL (YPOTHESIS OF
3TATIONARITY !GAINST THE !LTERNATIVE OF A 5NIT 2OOT (OW 3URE !RE 7E 4HAT %CONOMIC
4IME 3ERIES (AVE A 5NIT 2OOT a*OURNAL OF %CONOMETRICSq NR S s
+WIATKOWSKI * "AYESOWSKA ANALIZA MODELI !2&)-! I PERSYSTENCJI NA PRZYKADZIE
KURSU JEDNOSTEK UCZESTNICTWA FUNDUSZU 0IONEER ;W= $YNAMICZNE -ODELE %KONOME
TRYCZNE 6) /GÐLNOPOLSKIE 3EMINARIUM .AUKOWE s WRZEyNIA 7YDAWNICTWO
.AUKOWE 5NIWERSYTETU -IKOAJA +OPERNIKA 4ORUÎ S s
+WIATKOWSKI * "AYESIAN !NALYSIS OF ,ONG -EMORY AND 0ERSISTENCE 5SING !2
&)-! -ODELS WITH !PPLICATION TO 0OLISH 3TOCK -ARKET ;W= a$YNAMIC %CONOMETRIC
-ODELSq VOL 7YDAWNICTWO .AUKOWE 5NIWERSYTETU -IKOAJA +OPERNIKA 4ORUÎ
S s
,AMBERT 0 ,AURENT 3 -ODELLING &INANCIAL 4IME 3ERIES 5SING '!2#( 4YPE
-ODELS WITH A 3KEWED 3TUDENT $ISTRIBUTION FOR THE )NNOVATIONS ;$ISCUSSION 0APER
s= )NSTITUT DE 3TATISTIQUE 5NIVERSITÆ #ATHOLIQUE DE ,OUVAIN ,OUVAIN LA .EUVE
,AMOUREUX #' ,ASTRAPES 7$ 0ERSISTENCE IN 6ARIANCE 3TRUCTURAL #HANGE
AND THE '!2#( -ODEL a*OURNAL OF "USINESS AND %CONOMIC 3TATISTICSq NR
S s
,EE 3 (ANSEN " !SYMPTOTIC 0ROPERTIES OF THE -AXIMUM ,IKELIHOOD %STIMATOR
AND 4EST FOR 3TABILITY OF 0ARAMETERS OF '!2#( AND )'!2#( -ODELS a%CONOMETRIC
4HEORYq NR S s
,I 7+ -C,EOD !) $ISTRIBUTION OF THE 2ESIDUAL !UTOCORRELATIONS IN -ULTIVARI
ATE !2-! 4IME 3ERIES -ODELS a*OURNAL OF THE 2OYAL 3TATISTICAL 3OCIETYq SERIA "
NR S s
,ING 3 -C!LEER - 3TATIONARITY AND THE %XISTENCE OF -OMENTS OF A &AMILY OF
'!2#( 0ROCESSES a*OURNAL OF %CONOMETRICSq NR S s
,IPCER 23Z 3ZIRIAJEW !. 3TATYSTYKA PROCESÐW STOCHASTYCZNYCH 07. 7ARSZAWA

,O !7 ,ONG 4ERM -EMORY IN 3TOCK -ARKET 0RICES a%CONOMETRICAq NR
S s
,UMSDAINE 2, #ONSISTENCY AND !SYMPTOTIC .ORMALITY OF THE 1UASI -AXIMUM
,IKELIHOOD %STIMATOR IN )'!2#( AND #OVARIANCE 3TATIONARY '!2#(
-ODELS a%CONOMETRICAq NR S s

,ITERATURA
,UNDBERGH 3 4ERÁSVIRTA 4 -ODELLING %CONOMIC (IGH &REQUENCY 4IME 3ERIES

WITH 34!2 34'!2#( -ODELS 3TOCKHOLM 3CHOOL OF %CONOMICS 3TOCKHOLM 33%
%&) 7ORKING 0APER 3ERIES IN %CONOMICS AND &INANCE NR
,ÙTKEPOHL ( .EW )NTRODUCTION TO -ULTIPLE 4IME 3ERIES !NALYSIS 3PRINGER "ERLIN
-ANDELBROT " .EW -ETHODS IN 3TATISTICAL %CONOMICS a*OURNAL OF 0OLITICAL
%CONOMYq NR S s
-ANGANELLI 3 %NGLE 2& 6ALUE AT 2ISK -ODELS IN &INANCE %#" 7ORKING 0APER
.O
-ARTENS - -EASURING AND &ORECASTING 30 )NDEX &UTURES 6OLATILITY 5SING
(IGH &REQUENCY $ATA a*OURNAL OF &UTURES -ARKETSq NR S s
-C,EOD !) ,I 7+ $IAGNOSTIC #HECKING !2-! 4IME 3ERIES -ODEL 5S
ING 3QUARED 2ESIDUAL !UTOCORRELATIONS a*OURNAL OF 4IME 3ERIES !NALYSISq NR
S s
-C.EIL !* &REY 2 %MBRECHT 0 1UANTITATIVE 2ISK -ANGEMENT 0RINCETON
5NIVERISTY 0RESS 0RINCETON
-ELINO ! 4URNBULL 3 0RICING &OREIGN #URRENCY /PTIONS WITH 3TOCHASTIC 6OLATIL
ITY a*OURNAL OF %CONOMETRICSq NR S s
-IKOSCH 4 3TARICA # #HANGE OF 3TRUCTURE IN &INANCIAL $ATA ,ONG 2ANGE $E
PENDENCE AND '!2#( 5NIVERSITY OF 'RONINGEN 'RONINGEN
-INCER * :ARNOWITZ 6 4HE %VALUATION OF %CONOMIC &ORECASTS ;W= %CONOMIC
&ORECASTS AND %XPECTATIONS RED * -INCER .ATIONAL "UREAU OF %CONOMIC 2ESEARCH
.EW 9ORK
.ELSON $" 3TATIONARITY AND 0ERSISTENCE IN THE '!2#( -ODEL a%CONO
METRIC 4HEORYq NR S s
.ELSON $" #ONDITIONAL (ETEROSKEDASTICITY IN !SSET 2ETURNS ! .EW !PPROACH
a%CONOMETRICAq NR S s
.EWEY 7 3TEIGERWALD $ !SYMPTOTIC "IAS FOR 1UASI -AXIMUM ,IKELIHOOD
%STIMATORS IN #ONDITIONAL (ETEROSKEDASTICITY -ODELS a%CONOMETRICAq NR
S s
.EWEY 7+ 7EST +$ ! 3IMPLE 0OSITIVE 3EMIDEFINITE (ETEROSKEDASTICITY AND
!UTOCORELATION #ONSISTENT #OVARIANCE -ATRIX a%CONOMETRICAq NR S s
.YBLOM * 4ESTING FOR THE #ONSTANCY OF 0ARAMETERS OVER 4IME a*OURNAL OF THE
!MERICAN 3TATISTICAL !SSOCIATIONq NR S s
/SIEWALSKI * %KONOMETRIA BAYESOWSKA W ZASTOSOWANIACH 7YDAWNICTWO !KA
DEMII %KONOMICZNEJ W +RAKOWIE +RAKÐW
/SIEWALSKI * 0AJOR ! &LEXIBILITY AND 0ARSIMONY IN -ULTIVARIATE &INANCIAL
-ODELLING ! (YBRID "IVARIATE $## 36 -ODEL ;W= &INANCIAL -ARKETS 0RINCIPLES
OF -ODELLING &ORECASTING AND $ECISION -AKING RED 7 -ILO 0 7DOWIÎSKI ÐD|
5NIVERSITY 0RESS ÐD| S s &IND%CON -ONOGRAPH 3ERIES !DVANCES IN &INAN
CIAL -ARKET !NALYSIS NR
/SIEWALSKI * 0AJOR ! 0IPIEÎ - "AYESOWSKIE MODELOWANIE I PROGNOZOWA
NIE INDEKSU 7)' Z WYKORZYSTANIEM PROCESÐW '!2#( I 36 ;W= 88 3EMINARIUM
%KONOMETRYCZNE IM 0ROFESORA :BIGNIEWA 0AWOWSKIEGO RED !LEKSANDER :ELIAy
7YDAWNICTWO !KADEMII %KONOMICZNEJ W +RAKOWIE +RAKÐW S s

,ITERATURA
/SIEWALSKI * 0AJOR ! 0IPIEÎ - "AYES &ACTORS FOR -ULTIVARIATE '!2#( AND
36 -ODELS ;W= &INANCIAL -ARKETS 0RINCIPLES OF -ODELING &ORECASTING AND $ECISION
-AKING RED 7 -ILO 0 7DOWIÎSKI ÐD| 5NIVERSITY 0RESS ÐD| S s &IND%CON
-ONOGRAPH 3ERIES !DVANCES IN &INANCIAL -ARKET !NALYSIS NR
/SIEWALSKI * 0IPIEÎ - "AYESOWSKIE TESTOWANIE MODELI '!2#( I )'!2#(
a0RZEGLD 3TATYSTYCZNYq Z S s
/SIEWALSKI * 0IPIEÎ - A "AYESIAN &ORECASTING OF &OREIGN %XCHANGE 2ATES 5SING
'!2#( -ODELS WITH 3KEWED T #ONDITIONAL $ISTRIBUTIONS ;W= -ACROMODELSo
0ROCEEDINGS OF THE TH )NTERNATIONAL #ONFERENCE -ACROMODELS ÐD| S s
/SIEWALSKI * 0IPIEÎ - '!2#( IN -EAN THROUGH 3KEWED T #ONDITIONAL $ISTRI
BUTIONS "AYESIAN )NFERENCE FOR %XCHANGE 2ATES ;W= -ACROMODELSo 0ROCEEDINGS
OF THE TH )NTERNATIONAL #ONFERENCE -ACROMODELS ÐD| S s
/SIEWALSKI * 0IPIEÎ - "AYESIAN #OMPARISON OF "IVARIATE !2#( 4YPE -ODELS
FOR THE -AIN %XCHANGE 2ATES IN 0OLAND a*OURNAL OF %CONOMETRICSq NR
S s
/SIEWALSKI * 0IPIEÎ - A "AYESIAN #OMPARISON OF "IVARIATE '!2#( 0ROCESS
ES 4HE 2OLE OF THE #ONDITIONAL -EAN 3PECIFICATION ;W= #ONTRIBUTIONS TO %CONOMIC
!NALYSIS VOL .EW $IRECTIONS IN -ACROMODELLING RED ! 7ELFE %LSEVIER !M
STERDAM S s
/SIEWALSKI * 0IPIEÎ - "AYESIAN !NALYSIS OF $YNAMIC #ONDITIONAL #ORRELATION
5SING "IVARIATE '!2#( -ODELS a!CTA 5NIVERSITATIS ,ODZIENSIS &OLIA /ECONOMICAq
NR ÐD| S s
/SIÎSKA - %KONOMETRIA FINANSOWA 7YDAWNICTWO 04% 7ARSZAWA
/SIÎSKA - RED %KONOMETRIA WSPÐCZESNA 7YDAWNICTWO $OM /RGANIZA
TORAq 4ORUÎ
0AJOR ! -ODELE STOCHASTYCZNEJ ZMIENNOyCI ESTYMACJA METOD QUASI NAJWIÇKSZEJ
WIARYGODNOyCI a0RZEGLD 3TATYSTYCZNYq Z s S s
0AJOR ! 0ROCESY ZMIENNOyCI STOCHASTYCZNEJ W BAYESOWSKIEJ ANALIZIE FINANSOWYCH
SZEREGÐW CZASOWYCH 7YDAWNICTWO !KADEMII %KONOMICZNEJ W +RAKOWIE +RAKÐW
0RACE $OKTORSKIE -ONOGRAFIE NR
0AJOR ! 6%#- 436 -ODELS FOR 4WO 0OLISH /FFICIAL %XCHANGE 2ATES ;W= &I
NANCIAL -ARKETS 0RINCIPLES OF -ODELLING &ORECASTING AND $ECISION -AKING RED
7 -ILO 0 7DOWIÎSKI ÐD| 5NIVERSITY 0RESS ÐD| S s &IND%CON -ONOGRAPH
3ERIES !DVANCES IN &INANCIAL -ARKET !NALYSIS NR
0AJOR ! "AYESIAN !NALYSIS AND &ORECASTING OF THE #ONDITIONAL #ORRELATIONS "E
TWEEN 3TOCK )NDEX 2ETURNS WITH -ULTIVARIATE 36 -ODELS ;W= &INANCIAL -ARKETS 0RIN
CIPLES OF -ODELLING &ORECASTING AND $ECISION -AKING RED 7 -ILO 0 7DOWIÎSKI
ÐD| 5NIVERSITY 0RESS ÐD| S s &IND%CON -ONOGRAPH 3ERIES !DVANCES
IN &INANCIAL -ARKET !NALYSIS NR
0APLA $ 7YKORZYSTANIE MODELU $## -'!2#( W ANALIZIE ZMIAN ZALENOyCI
WYBRANYCH AKCJI '07 W 7ARSZAWIE ;W= $YNAMICZNE -ODELE %KONOMETRYCZNE
8 /GÐLNOPOLSKIE 3EMINARIUM .AUKOWE s WRZEyNIA 7YDAWNICTWO .AUKOWE
5NIWERSYTETU -IKOAJA +OPERNIKA 4ORUÎ S s
0IONTEK + 0APLA $ 7YKORZYSTANIE WIELORÐWNANIOWYCH MODELI !2 '!2#(

,ITERATURA
W POMIARZE RYZYKA METOD 6A2 !% WE 7ROCAWIU 7ROCAW S s 0RACE

.AUKOWE NR
0ELAGATTI -- 2ONDENA 3 #ONDITIONAL #ORRELATION WITH %LLIPTICAL $ISTRIBUTIONS
5NIVERSITA DEGLI 3TUDI DI -ILANO "ICOCCA $IPARTIMENTO DI 3TATISTICA 7ORKING
0APER
0ENTULA 3 -ODELING THE 0ERSISTENCE OF #ONDITIONAL 6ARIANCES ! #OMMENT
a%CONOMETRIC 2EVIEWq NR S s
0ERRON 0 4RENDS AND 2ANDOM 7ALKS IN -ACROECONOMIC 4IME 3ERIES a*OURNAL
OF %CONOMIC DYNAMICS IN CONTROLq NR S s
0FLUG ' 3OME 2EMARKS ON THE 6ALUE AT 2ISK AND THE #ONDITIONAL 6ALUE AT 2ISK
;W= 0ROBABILISTIC #ONSTRAINED /PTIMIZATION -ETHODOLOGY AND !PPLICATIONS RED
3 5RYASEV +LUWER !CADEMIC 0UBLISHERS $ORDRECHT S s
0HILLIPS 0#" 4IME 3ERIES 2EGRESSION WITH A 5NITY 2OOT a%CONOMETRICAq NR
S s
0HILLIPS 0#" 0ERRON 0 4ESTING FOR A 5NIT 2OOT IN 4IME 3ERIES 2EGRESSION
a"IOMETRIKAq NR S s
0IONTEK + -ODELOWANIE FINANSOWYCH SZEREGÐW CZASOWYCH Z WARUNKOW WARIAN
CJ ;W= -ATERIAY KONFERENCJI a)NWESTYCJE FINANSOWE I UBEZPIECZENIA s TENDENCJE yWIA
TOWE A RYNEK POLSKIq 3ZKLARSKA 0ORÇBA PA|DZIERNIK !KADEMIA %KONOMICZNA
WE 7ROCAWIU 7ROCAW S s 0RACE .AUKOWE !KADEMII %KONOMICZNEJ WE
7ROCAWIU NR
0IONTEK + -ODELOWANIE aDUGOTRWAEJ PAMIÇCIq SZEREGÐW ZMIENNOyCI ;W=
-ODELOWANIE PREFERENCJI A RYZYKO n RED 4 4RZASKALIK !KADEMIA %KONOMICZNA
W +ATOWICACH +ATOWICE S s
0IONTEK + .IEKTÐRE PRAKTYCZNE WYZWANIA W MODELOWANIU WIELOWYMIAROWYCH
PROCESÐW '!2#( !KADEMIA %KONOMICZNA WE 7ROCAWIU 7ROCAW S s
0RACE .AUKOWE !KADEMII %KONOMICZNEJ WE 7ROCAWIU NR 4AKSONOMIA
NR
0IONTEK + A 0ROGNOZOWANIE MACIERZY KOWARIANCJI I KORELACJI FINANSOWYCH SZEREGÐW
CZASOWYCH ;W= -ODELOWANIE PREFERENCJI A RYZYKO o RED 4 4RZASKALIK !KADEMIA
%KONOMICZNA W +ATOWICACH +ATOWICE S s
0IPIEÎ - 7NIOSKOWANIE BAYESOWSKIE W EKONOMETRII FINANSOWEJ 7YDAWNICTWO
!KADEMII %KONOMICZNEJ W +RAKOWIE +RAKÐW
0OON 3( ! 0RACTICAL 'UIDE TO &ORECASTING &INANCIAL -ARKET 6OLATILITY *OHN
7ILEY #HICHESTER
0RICE + 3TORN 2 $IFFERENTIAL %VOLUTION a$R $OBBoS *OURNALq KWIECIEÎ S s
0ROTTER %0 3TOCHASTIC )NTEGRATION AND $IFFERENTIAL %QUATIONS 3PRINGER "ER
LIN
2IPLEY "$ 3TOCHASTIC 3IMULATION *OHN 7ILEY .EW 9ORK
2ISKMETRICS 4ECHNICAL $OCUMENT *0 -ORGAN .EW 9ORK
2OBINSON 0- 3EMIPARAMETRIC !NALYSIS OF ,ONG -EMORY TIME SERIES a!NNALS
OF 3TATISTICSq NR S s
3ANDMANN ' +OOPMAN 3* %STIMATION OF 3TOCHASTIC 6OLATILITY -ODELS VIA -ONTE
#ARLO -AXIMUM ,IKELIHOOD a*OURNAL OF %CONOMETRICSq NR S s

,ITERATURA
3CAILLET / .ONPARAMETRIC %STIMATION AND 3ENSITIVITY !NALYSIS OF %XPECTED 3HORT

FALL a-ATHEMATICAL &INANCEq NR S s
3CHWERT '7 7HY $OES 3TOCK -ARKET 6OLATILITY #HANGE OVER 4IME a*OURNAL
OF &INANCEq NR S s
3CHWERT 7 3TOCK 6OLATILITY AND THE #RASH OF o a2EVIEW OF &INANCIAL 3TUDIESq
NR S s
3HEPHARD . RED 3TOCHASTIC 6OLATILITY 3ELECTED READINGS /XFORD 5NIVERSITY
0RESS .EW 9ORK
3HEPHARD . 0ITT -+ ,IKELIHOOD !NALYSIS OF .ON 'AUSSIAN -EASUREMENT 4IME
3ERIES a"IOMETRIKAq NR S s
3HIRYAEV !. %SSENTIALS OF 3TOCHASTIC &INANCE &ACTS -ODELS 4HEORY 7ORLD
3CIENTIFIC 3INGAPORE
3HUMWAY 2( 3TOFFER $ 4IME 3ERIES !NALYSIS AND ITS !PPLICATIONS 3PRINGER
.EW 9ORK
3OBCZYK + 3TOCHASTYCZNE RÐWNANIA RÐNICZKOWE 7.4 7ARSZAWA
3UBBA 2AO 4 /N THE 4HEORY OF "ILINEAR -ODELS a*OURNAL OF THE 2OYAL 3TATISTICAL
3OCIETYq SERIA " NR S s
3YCZEWSKA %- !NALIZA RELACJI DUGOOKRESOWYCH %STYMACJA I WERYFIKACJA /FI
CYNA 7YDAWNICZA 3ZKOY 'ÐWNEJ (ANDLOWEJ 7ARSZAWA
4ARCZYÎSKI 7 -OJSIEWICZ - :ARZDZANIE RYZYKIEM 0OLSKIE 7YDAWNICTWO
%KONOMICZNE 7ARSZAWA
4AYLOR 3 -ODELLING &INANCIAL 4IME 3ERIES *OHN 7ILEY .EW 9ORK
4AYLOR 3 -ODELLING 3TOCHASTIC 6OLATILITY $ISCUSSION PAPER 5NIVERSITY OF ,AN
CASTER ,ANCASTER
4AYLOR 3 -ODELING 3TOCHASTIC 6OLATILTIY ! 2EVIEW AND #OMPARATIVE 3TUDY
a-ATHEMATICAL &INANCEq NR S s
4ERÁSVIRTA 4 3PECIFICATION %STIMATION AND %VALUATION OF 3MOOTH 4RANSITION
!UTOREGRESSIVE -ODELS a*OURNAL OF THE !MERICAN 3TATISTICAL !SSOCIATIONq NR
S s
4ONG ( /N A 4RESHOLD -ODEL ;W= 0ATTERN 2ECOGNITION AND 3IGNAL 0ROCESSING
RED #( #HEN 3IJTHOFF .OORDHOFF !MSTERDAM S s
4ONG ( ,IM + 4HRESHOLD !UTOREGRESSION ,IMIT #YCLES AND #YCLICAL $ATA
a*OURNAL OF THE 2OYAL 3TATISTICAL 3OCIETYq SERIA " NR S s
4SAY 23 !NALYSIS OF &INANCIAL 4IME 3ERIES *OHN 7ILEY .EW 9ORK 7ILEY 3ERIES
IN 0ROBABILITY AND 3TATISTICS
4SE 9 4SUI ! ! -ULTIVARIATE '!2#( -ODEL WITH 4IME 6ARYING #ORRELATIONS
a*OURNAL OF "USINESS AND %CONOMIC 3TATISTICSq NR S s
4URNER #- 3TARTZ 2 .ELSON #2 ! -ARKOV -ODEL OF (ETEROSCEDASTICITY 2ISK
AND ,EARNING IN 3TOCK -ARKET a*OURNAL OF &INANCIAL %CONOMICSq NR S s
7EIDE VAN DER 2 '/ '!2#( ! -ULTIVARIATE 'ENERALIZED /RTHOGONAL '!2#(
-ODEL a*OURNAL OF !PPLIED %CONOMETRICSq NR S s
7EISS !! !2-! -ODELS WITH !2#( %RRORS a*OURNAL OF 4IME 3ERIES !NALY
SISq NR S s
7EISS !! !2#( AND "ILINEAR 4IME 3ERIES -ODELS #OMPARISON AND #OMBINA
TION a*OURNAL OF "USINESS AND %CONOMIC 3TATISTICSq NR S s

,ITERATURA
7EISS !! A !SYMPTOTIC 4HEORY FOR !2#( -ODELS %STIMATING AND 4ESTING
a%CONOMETRIC 4HEORYq NR S s
7EISS !! %STIMATING .ONLINEAR $YNAMIC -ODELS 5SING ,EAST !BSOLUTE %RROR
%STIMATION a%CONOMETRIC 4HEORYq NR S s
7ELFE ! %KONOMETRIA 0OLSKIE 7YDAWNICTWO %KONOMICZNE 7ARSZAWA
7HITE ( .ONPARAMETRIC %STIMATION OF #ONDITIONAL 1UANTILES 5SING .EURAL
.ETWORKS ;W= !RTIFICIAL .EURAL .ETWORKS !PPROXIMATION AND ,EARNING 4HEORY RED
( 7HITE "LACKWELL /XFORD S s
7HITE ( %STIMATION )NFERENCE AND 3PECIFICATION !NALYSIS #AMBRIDGE 5NIVERSITY
0RESS #AMBRIDGE
:AKOIAN *- 4HRESHOLD (ETEROSKEDASTICITY -ODELS a*OURNAL OF %CONOMIC $Y
NAMICS AND #ONTROLq NR S s

)NDEKS
! %
ALGORYTM GENETYCZNY EFEKT !2#(

ALGORYTM $% EFEKT D|WIGNI
APROKSYMACYJNY LINIOWY MODEL GAUSSOW EFEKTY MIKROSTRUKTURY RYNKU
SKI A ZMIENNOyÃ ZREALIZOWANA
EMPIRYCZNY WSKA|NIK SKOyNOyCI
" ESTYMACJA MODELI !2 '!2#(
ESTYMATOR 2OBINSONA PARAMETRU DUGIEJ
BIAY SZUM PAMIÇCI
BDZENIE LOSOWE
&
#
FUNKCJA AUTOKORELACJI !#&
CHARAKTER SZEREGÐW ZWROTÐW FINAN FUNKCJA AUTOKORELACJI CZSTKOWEJ
SOWYCH W ZALENOyCI OD SEGMENTU 0!#&
RYNKU FUNKCJA GÇSTOyCI SPEKTRALNEJ
CIG RÐNIC MARTYNGAOWYCH FUNKCJA WIARYGODNOyCI
CZAS POWROTU PROCESU DO REIMU FUNKCJE ODPOWIEDZI NA IMPULS
$ (
DUGA PAMIÇÃ W FINANSOWYCH SZEREGACH HETEROSKEDASTYCZNOyÃ WARUNKOWA

CZASOWYCH
DUGA PAMIÇÃ W SZEREGACH ZMIENNO )
yCI
DYNAMIKA ZALENOyCI WARUNKOWYCH ILOCZYN +RONECKERA

DZIENNA ZMIENNOyÃ ZREALIZOWANA WA +
RIANCJA ZREALIZOWANA
KOHERENTNE MIARY RYZYKA

)NDEKS
OCZEKIWANY NIEDOBÐR JAKO PRZYKAD MODEL !2)-!

KOHERENTNEJ MIARY RYZYKA MODEL !2-!P Q
KOWARIANCYJNIE STACJONARNY SZEREG OGÐLNA POSTAÃ
JEDNOWYMIAROWY ESTYMACJA PARAMETRÐW
WIELOWYMIAROWY PROGNOZOWANIE
KURTOZA EMPIRYCZNA MODEL !3- ASYMETRYCZNY Z WARTOyCI
KRYTERIA INFORMACYJNE BEZWZGLÇDN
!KAIKE MODEL "%++
(ANNANA 1UINNA MODEL "LACKAs3CHOLESA
3CHWARZA MODEL ###
3HIBATY MODEL $##
SKORYGOWANE KRYTERIUM !KAIKE MODEL $IAG "%++
KWANTYLE REGRESYJNE MODEL %'!2#(
KWANTYLE WARUNKOWE MODEL &)'!2#(
&)'!2#( ""-
, &)'!2#( #HUNG
MODEL '!2#(
LINIOWE SZEREGI CZASOWE ROZSZERZENIA
ZALETY
SPECYFIKACJA
INTERPRETACJA PARAMETRÐW
AÎCUCH -ARKOWA KOWARIANCYJNA STACJONARNOyÃ
PROGNOZY ZMIENNOyCI
- MODEL '!2#( -
MODEL '*2 '!2#(
MACIERZ KORELACJI KRZYOWYCH Z PRÐ MODEL (AMILTONA
BY ZASTOSOWANIE
MACIERZ KOWARIANCJI WARUNKOWYCH MODEL (ULLAs7HITEoA
METODA SYMULACJI HISTORYCZNEJ MODEL (9'!2#(
MODEL )'!2#(
MIARY JAKOyCI PROGNOZ MODEL ).$)2%#4 '!2#(
MIKROSTRUKTURA RYNKU MODEL ,OG !2#(
MODEL !$ ADAPTACYJNY MODEL - '!2#(
MODEL !2-! '!2#( SZACOWANIE WARTOyCI ZAGROONEJ
MODEL !2P PORTFELA
WASNOyCI MODEL -!Q
IDENTYFIKOWANIE ESTYMACJA
ESTYMACJA PARAMETRÐW MODEL .!2#(
PROGNOZOWANIE MODEL / '!2#(
MODEL !0!2#( MODEL '/ '!2#(
MODEL !2#( MODEL PROGOWY 4!2
WASNOyCI MODELU !2#( MODEL 3!6 SYMETRYCZNY Z WARTOyCI
OGRANICZENIA I SABOyCI BEZWZGLÇDN
MODEL !2&)-! MODEL 3CALAR "%++

)NDEKS
MODEL STAYCH KORELACJI WARUNKO /

WYCH
MODEL 34!2 OCZEKIWANY DALSZY CZAS TRWANIA W REI
MODEL 34 '!2#( MIE
MODEL 36 OCZEKIWANY NIEDOBÐR
SPECYFIKACJA ODWRACALNY MODEL !2-!
PROGNOZOWANIE ZMIENNOyCI OPERATOR OPÐ|NIENIA
PORÐWNANIE Z MODELEM '!2#( OPERATOR VEC
OPERATOR VECH
MODEL 368
MODEL 4!2#( 0
MODEL 43 '!2#(
MODEL 6%# PAMIÇÃ DUGA
MODEL WEKTOROWEJ AUTOREGRESJI PAMIÇÃ KRÐTKA
6!2 PARAMETR ASYMETRII !3
MODEL ZMIENNOyCI STOCHASTYCZNEJ Z CZA PARAMETR STOPNI SWOBODY $&
SEM CIGYM PERIODOGRAM
MODELE !2-! PERSYSTENCJA W FINANSOWYCH SZEREGACH
ODWRACALNE CZASOWYCH
MODELE !2-! '!2#( PERSYSTENCJA W SZEREGACH ZMIENNO
MODELE AUTOREGRESJI yCI
MODELE ", '!2#( POSTAÃ MACIERZOWA WZORU NA WARIANCJÇ
MODELE #!6IA2 PORTFELA
ESTYMACJA POyREDNI MODEL '!2#(
MODELE DWULINIOWE POWRACANIE DO yREDNIEJ
A ZGRUPOWANIA ZMIENNOyCI PRAWDOPODOBIEÎSTWA PRZEJyCIA
MODELE DYNAMICZNYCH KORELACJI WARUN PRAWDOPODOBIEÎSTWO ZNAJDOWANIA SIÇ
KOWYCH PROCESU W DANYM REIMIE
MODELE -3 !2 '!2#( PROCENTOWE LOGARYTMICZNE STOPY ZWRO
ESTYMACJA TU
PROGNOZOWANIE POWODY STOSOWANIA
PORÐWNANIE Z MODELAMI 34 PROCES !2&)-!
'!2#( PROCES STOCHASTYCZNY
MODELE PRZECZNIKOWE PROCES 6!2
MODELE PRZECZNIKOWE TYPU -ARKO PROGNOZA OPTYMALNA W SENSIE BÇDU
WA yREDNIOKWADRATOWEGO
MODELE yREDNIEJ RUCHOMEJ PRZESTRZEÎ PROBABILISTYCZNA
MODELE WYGADZONEGO PRZEJyCIA
MODELE ZMIENNOyCI STOCHASTYCZNEJ 2

MODELOWANIE HETEROSKEDASTYCZNOyCI 2EAL
WARUNKOWEJ 2EAL
MOST "ROWNA 2EAL MODYFIKACJA -ARTENSA

)NDEKS
REDUKCJA WYMIARU PORTFELA TEST "OXAs0IERCEoA

REGRESJA KWANTYLOWA TEST #HOWA
RESZTY STANDARYZOWANE TEST $14 %NGLEoA I -ANGANELLEGO
2ISK-ETRICS TEST %NGLEoA
ROZKAD PRAWDOPODOBIEÎSTWA ZMIENNEJ TEST '0(
LOSOWEJ TEST (OSKINGA
ROZKAD T 3TUDENTA TEST *ARQUEoAs"ERY
ROZKADY STÐP ZWROTU TEST +033
GRUBE OGONY TEST +UPCA
LEPTOKURTOZA TEST KWANTYLI DYNAMICZNYCH ZOB TEST
ASYMETRIA $14
NORMALNOyÃ TEST ,JUNGAs"OXA
WAHLIWOyÃ UOGÐLNIENIA NA PRZYPADEK WIELOWY
ZGRUPOWANIA ZMIENNOyCI MIAROWY
AUTOKORELACJA TEST ,O
EFEKT D|WIGNI TEST -C,EODAs,I
ZMIANY STRUKTURALNE TEST .YBLOMA
ZRÐNICOWANIE ZACHOWANIA TEST OBCIENIA WIELKOyCI DODATNICH
ROZKADY BÇDU STOSOWANE W MODELACH 03"
'!2#( TEST OBCIENIA WIELKOyCI UJEMNYCH
ROZKADY ELIPTYCZNE .3"
RÐWNANIE MOMENTÐW TEST 0EARSONA
TEST 0HILLIPSA 0ERRONA
3 TEST STAOyCI KORELACJI
TESTOWANIE NORMALNOyCI ROZKADU
SEMIMARTYNGA SPECJALNY TESTOWANIE WSTECZNE 6A2
SKOyNY ROZKAD T 3TUDENTA TESTY OBCIENIA ZNAKÐW 3"
STACJONARNOyÃ SZEREGU CZASOWEGO
yCISA 5
KOWARIANCYJNA
SZEREGI STÐP ZWROTU CEN INSTRUMENTÐW UOGÐLNIONY ROZKAD BÇDU '%$
FINANSOWYCH
STYLIZED FACTS 6
SZEREGI CZASOWE
ZALENOyCI LINIOWE 6A2 ZOB WARTOyÃ ZAGROONA 6A2
ZALENOyCI NIELINIOWE
7
i
WARIACJA KWADRATOWA
yCISY BIAY SZUM WARIANCJA DUGOOKRESOWA PROCESU
WARTOyÃ ZAGROONA 6A2
4 SZACOWANIE
METODY NIEPARAMETRYCZNE
TEORIA ZMIENNOyCI ZREALIZOWANEJ 6A2 JAKO KWANTYL ROZKADU STÐP
TEST !2#( ZOB TEST %NGLEoA ZWROTU

)NDEKS
SYMULACJA HISTORYCZNA ZALENOyCI LINIOWE W SZEREGACH WIELOWY

6A2 JAKO KWANTYL WARUNKOWEGO MIAROWYCH
ROZKADU STÐP ZWROTU ZMIENNA LOSOWA
MODELE PARAMETRYCZNE ZMIENNOyÃ AKTUALNA
6A2 A PROGNOZY ZMIENNOyCI ZMIENNOyÃ INSTRUMENTU FINANSOWEGO
WARTOyÃ ZAGROONA PORTFELA ZMIENNOyÃ CEN INSTRUMENTÐW FINANSO
WIELOWYMIAROWY MODEL ZMIENNOyCI WYCH
WSPÐCZYNNIK ASYMETRII W SKOyNYM ROZ EWOLUCJA
KADZIE T 3TUDENTA NIEOBSERWOWALNOyÃ
WSPÐCZYNNIK DETERMINACJI REGRESJI -IN JAKO WARIANCJA Z PRÐBY
CERA :ARNOWITZA JAKO WARIANCJA WARUNKOWA
WYKRES KWANTYL KWANTYL JAKOyÃ PROGNOZ
ZMIENNOyÃ ZREALIZOWANA
: JAKO ZMIENNA OBJAyNIAJCA
A ZMIENNOyÃ Z MODELU 36
ZALENOyCI LINIOWE W SZEREGACH STÐP
ZWROTU INSTRUMENTÐW FINANSO
WYCH

.OTATKI

Modelowanie Zakonczenie.indd 318 2009-04-07 14:39:46
.OTATKI

.OTATKI


Modelowanie Zmiennosci I Ryzyka Metody Ekonometrii Finansowej

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

Modelowanie Zmiennosci I Ryzyka Metody Ekonometrii Finansowej

Uploaded by

Copyright:

Available Formats

##7#52#aMjE4MTc5NTNBMzY2NDYyNg==

$ 7ITKOWSKA 0/$34!79 %+/./-%42)) ) 4%/2)) 02/'./:/7!.)!

4 "EDNARSKI %,%-%.49 -!4%-!49+) 7 .!5+!#( %+/./-)#:.9#(

0OD RED + 7INIARSKIEJ 0/$34!79 2!#(5.+/7/i#)

0OD RED + 7INIARSKIEJ :")°2 :!$!® : 0/$34!7 2!#(5.+/7/i#)

0OD RED + 7INIARSKIEJ 2!#(5.+/7/i£ :!!7!.3/7!.!

+ 7INIARSKA 2!#(5.+/7/i£ "5$%4/7!

% 7ALIÎSKA -)§$:9.!2/$/7% 34!.$!2$9 2!#(5.+/7/i#)

- !NDRZEJEWSKI + *ONAS :!34/3/7!.)% 4%#(.)+ +/-054%2/79#( 7 2!#(5.+/7/i#)

0 $ITTMANN 02/'./:/7!.)% 7 02:%$3)§")/2347)%

- #IECHAN +UJAWA 2!#(5.%+ +/3:4°7 *!+/i#)

3 3OJAK ( *Ð|WIAK 2!#(5.%+ +/3:4°7 $/#%,/79#(

$0 $OYLE +/.42/,! +/3:4°7

0OD RED - 0OSZWY 2/:,)#:%.)! 0/$!4+/7% 02:%$3)§")/2#9

" +OOSOWSKA ! 4OKARSKI 342!4%')% &).!.3/7!.)! $:)!!,./i#) 02:%$3)§")/2347

7 2OGOWSKI 2!#(5.%+ %&%+497./i#) ).7%349#*)

$ 7ÇDZKI !.!,):! 73+!l.)+/7! 302!7/:$!.)! &).!.3/7%'/

0OD RED % .OWAKA 342!4%')#:.% :!2:$:!.)% +/3:4!-)

0ENA OFERTA WYDAWNICZA JEST DOSTÇPNA NA STRONIE WWWPROFINFOPL

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

 #OPYRIGHT BY 7OLTERS +LUWER 0OLSKA 3P Z OO 

)3".     

  +RAKÐW UL :ACISZE 

E MAIL KSIAZKI WOLTERSKLUWERPL

+SIÇGARNIA INTERNETOWA WWWPROFINFOPL

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

 %MPIRYCZNE WASNOyCI FINANSOWYCH SZEREGÐW CZASOWYCH 

 :ALENOyCI LINIOWE W SZEREGACH STÐP ZWROTU INSTRUMENTÐW FINANSOWYCH 

 -ODELOWANIE HETEROSKEDASTYCZNOyCI WARUNKOWEJ  

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

 2OZKADY BÇDU STOSOWANE W MODELACH '!2#(  

 2ODZINA MODELI TYPU '!2#( 

 $UGA PAMIÇÃ I PERSYSTENCJA W FINANSOWYCH SZEREGACH CZASOWYCH  

 :MIENNOyÃ CEN INSTRUMENTÐW FINANSOWYCH  

 -ODELE DWULINIOWE  

 -ODELE ZMIENNOyCI STOCHASTYCZNEJ  

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

 0ROGNOZOWANIE ZMIENNOyCI ZA POMOC MODELI 36  

 7ARTOyÃ ZAGROONA 

 2EGRESJA KWANTYLOWA I MODELE #!6IA2  

 -ODELE PRZECZNIKOWE  

 -ODELOWANIE DYNAMIKI ZALENOyCI WARUNKOWYCH  

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

 -ODELE / '!2#( I '/ '!2#( 

 7ARTOyÃ ZAGROONA PORTFELA 

:AKOÎCZENIE  

$ODATEK  

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

%KONOMETRIA FINANSOWA JEST DZIEDZIN KTÐRA ROZWINÇA SIÇ Z KLASYCZNEJ EKONO

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

.INIEJSZA KSIKA POWSTAA NA PODSTAWIE MATERIAU BADAWCZEGO PRZEDSTA

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

0RZYJMUJEMY TE ZASADÇ E W TRAKCIE LEKTURY CZYTELNIK NABIERA DOyWIADCZE

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

2OZDZIA  JEST PIERWSZYM Z TRZECH POyWIÇCONYCH MODELOWANIU WARTOyCI

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

TEMAT PRAC OPISUJCYCH BADANIA ODNOSZCE SIÇ DO POLSKIEGO RYNKU FINANSOWEGO

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

'ÐWNYM CELEM ANALIZY FINANSOWYCH SZEREGÐW CZASOWYCH JEST STWORZENIE APA

Plik zabezpieczony watermarkiem jawnym i niejawnym: 21817953A3664626

Z INSTRUMENTÐW FINANSOWYCH :NAJOMOyÃ TYCH FAKTÐW JEST NAJWANIEJSZYM

 0ROCESY STOCHASTYCZNE I SZEREGI CZASOWE

.ASZE ROZWAANIA BÇDZIEMY PROWADZIÃ W RAMACH PEWNEGO FORMALNEGO PO

$ 7ITKOWSKA 0/$34!79 %+/./-%42)) ) 4%/2)) 02/'./:/7!.)!

4 "EDNARSKI %,%-%.49 -!4%-!49+) 7 .!5+!#( %+/./-)#:.9#(

0OD RED + 7INIARSKIEJ 0/$34!79 2!#(5.+/7/i#)

0OD RED + 7INIARSKIEJ :")°2 :!$!® : 0/$34!7 2!#(5.+/7/i#)

0OD RED + 7INIARSKIEJ 2!#(5.+/7/i£ :!!7!.3/7!.!

+ 7INIARSKA 2!#(5.+/7/i£ "5$%4/7!

% 7ALIÎSKA -)§$:9.!2/$/7% 34!.$!2$9 2!#(5.+/7/i#)

- !NDRZEJEWSKI + *ONAS :!34/3/7!.)% 4%#(.)+ +/-054%2/79#( 7 2!#(5.+/7/i#)

0 $ITTMANN 02/'./:/7!.)% 7 02:%$3)§")/2347)%

- #IECHAN +UJAWA 2!#(5.%+ +/3:4°7 *!+/i#)

3 3OJAK ( *Ð|WIAK 2!#(5.%+ +/3:4°7 $/#%,/79#(

$0 $OYLE +/.42/,! +/3:4°7

0OD RED - 0OSZWY 2/:,)#:%.)! 0/$!4+/7% 02:%$3)§")/2#9

" +OOSOWSKA ! 4OKARSKI 342!4%')% &).!.3/7!.)! $:)!!,./i#) 02:%$3)§")/2347

7 2OGOWSKI 2!#(5.%+ %&%+497./i#) ).7%349#*)

$ 7ÇDZKI !.!,):! 73+!l.)+/7! 302!7/:$!.)! &).!.3/7%'/

0OD RED % .OWAKA 342!4%')#:.% :!2:$:!.)% +/3:4!-)

0ENA OFERTA WYDAWNICZA JEST DOSTÇPNA NA STRONIE WWWPROFINFOPL

#OPYRIGHT BY 7OLTERS +LUWER 0OLSKA 3P Z OO

)3".

+RAKÐW UL :ACISZE

E MAIL KSIAZKI WOLTERSKLUWERPL

+SIÇGARNIA INTERNETOWA WWWPROFINFOPL

%MPIRYCZNE WASNOyCI FINANSOWYCH SZEREGÐW CZASOWYCH

:ALENOyCI LINIOWE W SZEREGACH STÐP ZWROTU INSTRUMENTÐW FINANSOWYCH

-ODELOWANIE HETEROSKEDASTYCZNOyCI WARUNKOWEJ

2OZKADY BÇDU STOSOWANE W MODELACH '!2#(

2ODZINA MODELI TYPU '!2#(

$UGA PAMIÇÃ I PERSYSTENCJA W FINANSOWYCH SZEREGACH CZASOWYCH

:MIENNOyÃ CEN INSTRUMENTÐW FINANSOWYCH

-ODELE DWULINIOWE

-ODELE ZMIENNOyCI STOCHASTYCZNEJ

0ROGNOZOWANIE ZMIENNOyCI ZA POMOC MODELI 36

7ARTOyÃ ZAGROONA

2EGRESJA KWANTYLOWA I MODELE #!6IA2

-ODELE PRZECZNIKOWE

-ODELOWANIE DYNAMIKI ZALENOyCI WARUNKOWYCH

-ODELE / '!2#( I '/ '!2#(

7ARTOyÃ ZAGROONA PORTFELA

:AKOÎCZENIE

$ODATEK

%KONOMETRIA FINANSOWA JEST DZIEDZIN KTÐRA ROZWINÇA SIÇ Z KLASYCZNEJ EKONO

.INIEJSZA KSIKA POWSTAA NA PODSTAWIE MATERIAU BADAWCZEGO PRZEDSTA

0RZYJMUJEMY TE ZASADÇ E W TRAKCIE LEKTURY CZYTELNIK NABIERA DOyWIADCZE

2OZDZIA JEST PIERWSZYM Z TRZECH POyWIÇCONYCH MODELOWANIU WARTOyCI

TEMAT PRAC OPISUJCYCH BADANIA ODNOSZCE SIÇ DO POLSKIEGO RYNKU FINANSOWEGO

'ÐWNYM CELEM ANALIZY FINANSOWYCH SZEREGÐW CZASOWYCH JEST STWORZENIE APA

Z INSTRUMENTÐW FINANSOWYCH :NAJOMOyÃ TYCH FAKTÐW JEST NAJWANIEJSZYM

0ROCESY STOCHASTYCZNE I SZEREGI CZASOWE

.ASZE ROZWAANIA BÇDZIEMY PROWADZIÃ W RAMACH PEWNEGO FORMALNEGO PO

4ABELA /KREyLENIE PRZESTRZENI PROBABILISTYCZNEJ

7IELKOyCI OBSERWOWANE NA RYNKACH FINANSOWYCH NP

W WYPADKU ZMIENNEJ LOSOWEJ JEDNOWYMIAROWEJ ALBO Z ODPOWIEDNICH POD

0OJÇCIE STACJONARNOyCI SZEREGU CZASOWEGO

*EDNYM Z NAJWANIEJSZYCH POJÇÃ W STATYSTYCZNEJ ANALIZIE SZEREGÐW CZASOWYCH

POWSZECHNIE PRZYJMUJE SIÇ ZAOENIE I STANOWICE GÐWNY PRZEDMIOT NASZYCH

&UNKCJA AUTOKORELACJI

2OZWAMY SABO STACJONARNY SZEREG CZASOWY RT &UNKCJA AUTOKORELACJI AUTO

OKREyLA SIÇ WZOREM

0RZY PEWNYCH OGÐLNYCH ZAOENIACH > SL JEST ZGODNYM ESTYMATOREM WSPÐ

4ESTOWANIE NORMALNOyCI ROZKADU

4EST *ARQUEoAs"ERY NAJPOPULARNIEJSZY TEST NORMALNOyCI OPARTY JEST

A B JEST KURTOZ EMPIRYCZN

0ROCENTOWE LOGARYTMICZNE STOPY ZWROTU

7 DALSZYM CIGU CZÇSTO ZAMIAST OKREyLENIA STOPA ZWROTU RATE OF RETURN BÇ

GDZIE 0T OZNACZA CENÇ INSTRUMENTU FINANSOWEGO W CHWILI T

)LUSTRACJA $ZIENNE ZWROTY LOGARYTMICZNE INDEKSU 7)' W OKRESIE s

)LUSTRACJA $ZIENNE ZWROTY PROSTE INDEKSU 7)' W OKRESIE s

4AK OKREyLONE ZWROTY S POWSZECHNIE STOSOWANE W BADANIACH NAUKOWYCH

POWODY STOSOWANIA :NANE S LICZNE ARGUMENTY UZASADNIAJCE STOSOWANIE

*EELI WARTOyCI BEZWZGLÇDNE ANALIZOWANYCH ZWROTÐW NIE S ZBYT WYSOKIE TO

&AKTY EMPIRYCZNE

-ÐWIC OGÐLNIE O WASNOyCIACH SZEREGÐW ZWROTÐW CEN

JCYCH SIÇ W WYNIKACH BADAÎ EMPIRYCZNYCH KTÐRE TO CECHY S CHARAKTERYSTYCZNE

"RAK AUTOKORELACJI

)LUSTRACJA "RAK AUTOKORELACJI W SZEREGACH ZWROTÐW FINANSOWYCH 0RZYKAD POTWIERDZAJCY

'RUBE OGONY ROZKADÐW I LEPTOKURTOZA

s s s s s s s

!SYMETRIA SPADKÐW I WZROSTÐW

$ENIE DO NORMALNOyCI PRZY AGREGACJI