Aplicaia 2 - Modele ARMA i previziuni

Primul pas pe care trebuie s-l parcurgem n aceast etap const n selectarea unui activ financiar i al indicelui pieei utilizate n aplicaia 1. Astfel, n analiz, am utilizat indicele pieei londoneze, FTSE100, i activul companiei BG. Pentru a putea realiza previziuni ex-post pe cele dou serii de timp, am fragmentat seriile de date iniiale, care conineau 202 observaii zilnice, n dou subserii, lund astfel n considerare doar 180 observaii. Pentru fiecare dintre aceste dou serii de date vom aplica, pe rnd, strategia BoxJenkins, care presupune urmtoarele etape: 1. Transformarea seriei de timp, dac este necesar, astfel nct ipoteza de staionaritate s fie ndeplinit. 2. Determinarea ordinelor p i q ale procesului, astfel nct modelul s captureze ct mai bine dinamica seriei de timp. 3. Estimarea coeficienilor modelului ARMA. 4. Verificarea performanelor modelului obinut. I. Strategia Box-Jenkins pentru indicele pieei FTSE100

Pentru testarea staionaritii, am utilizat un test al rdcinii unitate de tipul Augmented Dickey-Fuller, implementat n EViews, definit astfel: H0: seria are o rdcin unitate (este nestaionar) H1: seria este staionar Decizia se ia astfel: Dac valoarea calculat Dac > < , ne aflm n zona de respingere a ipotezei nule,

adic seria de timp analizat nu este random walk (este staionar). , suntem n zona de acceptare a ipotezei nule, adic seria de timp analizat ar putea fi considerat random walk.

Deoarece valoarea calculat (-11,43) este mai mic dect oricare dintre valorile critice (-3,46; -2,87; -2,57), decizia este de respingere a ipotezei nule, ceea ce sugereaz staionaritatea seriei. Aceeai concluzie se poate desprinde i prin utilizarea corelogramei. ntruct coeficienii de autocorelaie au valori mici, putem afirma c seria de date provine dintr-un proces de tip zgomot alb. Pentru identificarea ordinelor p i q ale modelului ARMA, analizm corelograma:

ntruct nu avem un model clar de model AR(p), MA(q) sau ARMA(p,q), ncercm mai multe modele sugerate de corelogram. 1. Modelul MA(1):

Coeficientul estimat al modelului MA(1) este = 0,151461, care este semnificativ din punct de vedere statistic, la un prag de semnificaie de 5% (p-value < 5%). Coeficientul Akaike are valoarea de -5,845650. 2. Modelul MA(1) MA(7):

Coeficienii estimai sunt 1 = 0,180003 i 2 = -0,224608, ambii semnificativ diferii de zero, la un prag de semnificaie de 1%. Coeficientul Akaike are valoarea de -5,882694. 3. Modelul MA(1) MA(7) MA(18):

Coeficienii estimai sunt 1 = 0,2701713, 2 = -0,289755 i 3 = -0,406531, toi semnificativ diferii de zero, la un prag de semnificaie de 1%. Coeficientul Akaike are valoarea de -5,946984. 4. Modelul MA(1) MA(7) MA(18) MA(23):

Coeficienii estimai sunt 1 = 0,212382, 2 = -0,340784, 3 = -0,426773 i 4 = 0,219599, toi semnificativ diferii de zero, la un prag de semnificaie de 1%. Coeficientul Akaike are valoarea de -6,038513. Pentru selectarea celui mai bun test, utilizm criteriul informaional al lui Akaike, pe baza datelor centralizate n tabelul urmtor: Nr. crt. 1 2 3 4 Modelul MA(1) MA(1) MA(7) MA(1) MA(7) MA(18) MA(1) MA(7) MA(18) MA(23) Coeficientul Akaike -5,845650 -5,882694 -5,946984 -6,038513

Alegem, astfel, modelul ce corespunde celui mai mic indicator Akaike, adic modelul nr. 4. Avnd n vedere modelul selectat, vom realiza previziuni ex-post pentru cea de-a doua subserie a seriei de date iniiale, pornind de la valoarea 181 pn la 202. Varianta static

Evaluarea bonitii modelului este dat de indicatorii:

4

a) Mean Absolute Percentage Error (MAPE), ce indic abaterile relative medii ale valorilor previzionate de la cele observate (n cazul nostru, MAPE este foarte mare, fiind egal cu 327,6111).

b) Coeficientul Theil este un coeficient de apreciere a evalurii, ce ia valori n intervalul (0,1). Cu ct valoarea sa este mai apropiat de 0, ajustarea este mai bun. n cazul nostru, acesta are o valoare destul de ridicat, fiind 0,743475. c) Ultimii trei indicatori exprim, proporional, cele trei componente ale descompunerii mediei ptratelor abaterilor valorilor previzionate fa de valorile observate. Prima component exprim ptratul abaterii ntre valorile medii (cea a datelor previzionate i cea a datelor observate). A doua component exprim ptratul diferenei abaterilor standard corespunztoare. A treia component este componenta rezidual, ea depinznd de coeficientul de corelaie dintre cele dou seturi de date (valori observate, valori previzionate). O previziune este considerat bun dac primele dou componente sunt mici, ceea ce nseamn c proporia celei de-a treia componente se apropie de 1. n modelul ales, Covariance Proportion este de 98,21%, ceea ce indic o previziune foarte bun. Varianta dinamic

Se observ faptul c varianta dinamic ofer o previziune mai puin bun dect cea static, ntruct Covariance Proportion are valoarea de doar 82,48%. II. Strategia Box-Jenkins pentru activul BG Group plc (BG)

Testarea staionaritii (Testul Augmented Dickey-Fuller)

Deoarece valoarea calculat (-12,28) este mai mic dect oricare dintre valorile critice (-3,46; -2,87; -2,57), putem respinge ipoteza nul, ceea ce nseamn c seria de date este staionar. n continuare, analizm corelograma i ncercm mai multe modele sugerate de aceasta:

1. Modelul MA(3):

Coeficientul estimat al modelului MA(3) este = -0,123601, care este semnificativ din punct de vedere statistic, la un prag de semnificaie de 10% (la limit). Coeficientul Akaike are valoarea de -4,738463. 2. Modelul MA(3) MA(7):

Coeficienii estimai sunt 1 = -0,131128 i 2 = -0,181419, ambii semnificativ diferii de zero, la un prag de semnificaie de 10% primul, respectiv 5%, al doilea. Coeficientul Akaike are valoarea de -4,757420. 3. Modelul MA(3) MA(7) MA(18):

Coeficienii estimai sunt 1 = -0,189706, 2 = -0,220957 i 3 = -0,335771, toi semnificativ diferii de zero, la un prag de semnificaie de 1%. Coeficientul Akaike are valoarea de -4,794586. 4. Modelul MA(3) MA(7) MA(18) MA(19):

Coeficienii estimai sunt 1 = -0,180360, 2 = -0,186561, 3 = -0,474328 i 4 = 0,361837, toi semnificativ diferii de zero, la un prag de semnificaie de 1%. Coeficientul Akaike are valoarea de -4,847487. Centraliznd datele obinute mai sus, putem alege cel mai bun model: Nr. crt. 1 2 3 4 Modelul MA(3) MA(3) MA(7) MA(3) MA(7) MA(18) MA(3) MA(7) MA(18) MA(19) Coeficientul Akaike -4,738463 -4,757420 -4,794586 -4,847487

Dintre cele patru modele analizate, l alegem pe cel de-al patrulea, deoarece pentru acesta s-a obinut cea mai mic valoare a indicatorului Akaike. Odat determinat modelul cel mai adecvat, putem realiza previziuni ex-post (meninem aceeai structur a celor dou subserii).

Varianta static

Bonitatea modelului este evaluat, utiliznd aceeai indicatori ca i pentru indicele pieei: a) Mean Absolute Percentage Error (MAPE) are o valoare foarte mare, fiind egal cu 360,2025.

b) Coeficientul Theil este destul de mare, avnd valoarea de 0,650226. c) Primii doi indicatori au valori sczute, ceea ce implic o valoare ridicat pentru cel de-al treilea indicator (Covariance Proportion este 89,22%). Acest fapt indic o previziune destul de bun. Varianta dinamic

De data aceasta, varianta dinamic ofer o previziune mai bun dect varianta static, ntruct Covariance Proportion este 90,24%, fa de 89,22%, n primul caz. III. Cointegrarea

ntruct seria randamentelor pentru activul financiar i indicele pieei selectate sunt staionare, nu este posibil verificarea cointegrrii pentru acestea. Putem, ns, verifica aceast proprietate pentru seria preurilor. Testm, mai nti, staionaritatea seriei pentru activul financiar BG i pentru indicele pieei FTSE100:

Se observ c niciuna dintre cele dou serii analizate nu este staionar (valoarea calculat este mai mare, n ambele cazuri, dect valoarea critic, indiferent de pragul de semnificaie ales). Dar seriile diferenelor de ordinul nti sunt staionare:

10

Deoarece seriile diferenelor de ordinul nti sunt staionare, rezult c seriile iniiale sunt integrate de ordinul nti (I(1)). Verificm, n continuare, dac exist o combinaie liniar a celor dou serii care s ne conduc la o serie staionar, adic seria: , unde: seria activului financiar BG. Prin estimarea OLS a modelului de mai sus, obinem urmtorul output de EViews: reprezint seria indicelui pieei FTSE100, iar -

Se constat faptul c modelul este valid, coeficienii fiind semnificativi din punct de vedere statistic, la un prag de semnificaie de 1%. Salvm reziduurile acestui model ntr-un vector notat RRR i analizm dac el este o serie staionar.
11

Deoarece valoarea calculat (-2,42) este mai mare dect oricare dintre valorile critice (-3,46; -2,87; -2,57), se accept ipoteza nul, ceea ce nseamn c seria nu este staionar (are rdcin unitate). Prin urmare, nu am gsit o combinaie liniar a seriilor iniiale care s fie staionar, seriile nefiind cointegrate. IV. Testarea heteroscedasticitii - Testul ARCH-LM i modele ARCH (GARCH) Testm heteroscedasticitatea pentru seria randamentelor aferent indicelui pieei FTSE100. Pentru a identifica forma modelului fundamental, reprezentm grafic evoluia seriei randamentelor:

Seria de date nu pare a avea trend. Prin urmare, estimm urmtorul model de regresie: . Outputul pentru modelul fundamental este urmtorul:

12

Se observ faptul c este zero, din punct de vedere statistic, ceea ce ne confirm ipoteza c media rentabilitilor continue este nul. n continuare, alegem modelul auxiliar pentru testul ARCH (folosim 3 lag-uri), de forma: . Ipotezele testului ARCH-LM: H0: 1 = 0, 2 = 0, 3 = 0 (model homoscedastic) H1: exist cel puin un 0 (model heteroscedastic)

Constatm faptul c doar coeficienii 1 i 3 sunt semnificativi din punct de vedere statistic, la un prag de semnficaie de 1%. Coeficientul 2 ar fi semnificativ doar dac am admite un nivel de semnificaie de 15%. Prin aplicarea testului ARCH-LM, se poate respinge ipoteza nul (p-value este foarte mic), indicnd faptul c variana poate fi modelat printr-un model autoregresiv cu 3 termeni (deci, exist heteroscedasticitate). La aceeai concluzie se ajunge i dac se analizeaz statistica Obs*R-squared. Pentru modelarea varianei, utilizm un model GARCH(1,1) de forma: . Outputul de EViews este urmtorul:
13

Se constat c ambii coeficieni ai modelului de regresie sunt semnificativi din punct de vedere statistic (probabilitatea p-value este mai mic dect pragul de semnificaie de 1%).

14