Introducere

Dacă informaţiile trecute referitoare la date macroeconomice publice pot influenţa, afecta

preţurile acţiunilor, atunci piaţa de capital este ineficientă deoarece o astfel de informaţie

nu este încorporată în curs. Aceasta este o ineficienţă informaţională în sens semiputernic.

Forma semiputernică de eficienţă presupune ipoteza că preţurile acţiunilor se ajustează

rapid ca urmare a apariţiei de noi informaţii publice, astfel, cursurile vor reflecta toate

informaţiile publice. Informaţiile publice includ atât informaţii legate de evoluţia pieţei de

capital, cât şi toate celelalte informaţii care nu se referă la piaţă (“nonmarket information”)

cum ar fi câştigurile, divizările de acţiuni, ştirile economice şi politice.

În legătură cu aceasta, în acest capitol voi examina dacă piaţa de capital a

Moldovei este eficientă în formă semiputernică, studiind dacă noile informaţii

macroeconomice influenţează variaţia cursului bursier.

Studiile eficienţei care folosesc variabile macroeconomice şi variabile de pe piaţa

de capital sunt realizate utilizînd cointegrarea, precum şi cauzalitatea lui Granger

(Granger, 1986; Zunh, 1997; Al-Loughani, 1998). Ipoteza de piaţă eficientă este respinsă

în prezenţa unei cauzalităţi a variabilelor macroeconomice asupra cursurilor bursiere. Cu

toate acestea, cauzalitatea cursului bursier asupra variabilelor macroeconomice nu

respinge eficienţa pieţei.

Preţul a două acţiuni diferite într-o piaţă eficientă nu pot cointegra. Dacă ele sunt

cointegrate atunci va exista un mecanism de corecţie a erorii şi atunci schimbările

preţurilor vor fi predictibile, fapt ce este în neconcordanţă cu forma slabă de eficienţă

informaţională.

Au fost realizate studii privind eficienţa informaţională atât pe pieţele dezvoltate,

cât şi pe pieţele emergente, cele mai multe dintre acestea găsind pieţele emergente ca fiind

ineficiente. Unele dintre aceste studii se regăsesc în anexa 1.

Nu ne-ar surprinde dacă am gasi piaţa de capital a Moldovei ca fiind ineficientă,

deoarece aceasta se caracterizează printr-o lichiditate redusă şi o slabă tranzacţionare.

Unii cred că cointegrarea nu înseamnă neapărat ineficienţă. În primul rând din

cauza testului care are o slabă putere statistică, continuând cu alte cauze cum ar fi omiterea

unor variabile precum prima de risc, sau posibilitatea ca participanţii pieţei sa neglijeze

informaţia din modelul de corecţie a erorii deoarece este irelevantă pentru profit. Alţi

autori1 cred că existenţa unei cointegrări semnifică doar faptul că cursul bursier poate fi

1 Dwzer şi Wallace (1992), Engel(1996), Caporale şi Pittis(1998)

prezis într-o anumită măsură. În ciuda acestui avertisment, studiul din acest capitol

urmează trendul din literatura empirică privind eficienţa şi ia în considerare cointegrarea

alături de cauzalitatea lui Granger.

Datele şi metodologia

Am cules date lunare ale variabilelor macroeconomice, precum şi ale indicelui

pieţei de capital, din economia Republicii Moldova începând cu ianuarie 2006 şi până la

sfârşitul lui aprilie 2008. Am ales această perioadă deoarece indicele luat în calcul a fost

lansat la începutul anului 2006. Sursa a fost Banca Naţională a Moldovei şi Biroul

Naţional de Statistică. Am ales indicele EVM-Composite ca să reprezinte piaţa de capital a

Moldovei, deoarece se consideră că acest indice reflectă evoluţia economiei ţării întru-cât

ia în calcul acţiunile tuturor firmelor tranzacţionate pe Bursă.

Pentru variabilele macroeconomice am luat în considerare Producţia Industrială

(preţuri curente), agregatul monetar M3 şi rata de schimb a leului moldovenesc în raport

cu dolarul american. Pentru a urma politica monetară şi politica ratei de schimb a leului

moldovenesc în raport cu dolarul american. Această listă scurtă a variabilelor

macroeconomice considerate nu poate fi tratată ca fiind exhaustivă dar în mod evident

există o legătură între aceste variabile şi indicele bursier. Toate aceste variabile sunt

influenţate de politica macroeconomică şi dacă au o influenţă semnificativă asupra

sectorului financiar, atunci la rândul său politica macroeconomică are implicaţii

importante asupra pieţei de capital. Toate aceste variabile au fost luate în logaritmi

naturali.

Metodologia

Metodologia econometrică utilizată în acest capitol este cea a vectorului auto-

regresiv (VAR). Acesta ne va servi drept modalitate pentru stabilirea relaţiei dintre

indicele bursier şi variabilele macroeconomice luate în considerare, iar existenţa unei

asemenea relaţii ar putea fi un indiciu a unei pieţe ineficiente din punct de vedere

informaţional. Putem recurge fie la construcţia unui VAR (vector de autoregresie), fie la

construcţia unui VEC (vector de corecţie a erorii). În ambele cazuri se ia în considerare

evoluţia trecută a variabilelor studiate.

Analiza de tip vector autoregresiv (VAR) s-a impus în studiile macro-economice

începând cu lucrările lui Cristopher Sims. VAR reprezintă o analiză de tip sistem, în care

toate variabilele incluse sunt endogene, şi de aceea sunt modelate împreună pentru a stabili

relaţiile cauzale dintre acestea. Acest model se aplică seriilor de date staţionare şi care nu

sunt cointegrate. Nerespectarea acestor condiţii a fost rezolvată prin introducerea unui

termen de corecţie a erorii (EC) (Engle, Granger, 1987), modelul iniţial VAR, rezultând un

nou model cunoscut sub denumirea de vector de corecţie a erorii – VECM. Cointegrarea

constituie proprietatea a două sau mai multe serii temporale de a avea acelaşi trend

stohastic pe termen lung. Nestaţionaritatea este caracterizată de prezenţa cel puţin a unei

rădăcini unitare (unit root) în reprezentarea iniţială a vectorului autoregresiv.

Primul pas în elaborarea modelului a constat în verificarea staţionarităţii, respectiv

examinarea proprietăţilor seriilor de date prin efectuarea unei analize cointegrate şi

examinarea cauzalităţii Granger pe baza unui model de corectare a erorii. Dacă printre

variabilele analizate câteva dintre ele sunt cointegrate aceasta înseamnă că există un model

care să reprezinte o asemenea relaţie. Apoi, în funcţie de rezultate, interesul acestui studiu

se va axa asupra premiselor răspunzătoare pentru o asemenea situaţie.

Modelele VAR se concentrează pe analiza ”şocurilor” asupra variabilelor studiate.

Şocurile sau „inovaţiile” reprezintă acea parte din nivelul variabilei care nu poate fi

explicat de istoria(valorile trecute ale acelei variabile) sau alte variabile din sistem. O

inovaţie apare astfel ca termen eroare (rezidual) în ecuaţia stocastică a sistemului. De

exemplu, în sistemul:

X t=a0+a1 X t−1+a2Y t−1+ε1t (1)

Y t=b0+b1 X t−1+b2Y t−1+ε 2t

undeε 1t şi ε 2t reprezintă şocurile (inovaţiile), în perioada t, asupra variabilelor X şi

respectiv Y. În fiecare ecuaţie, restul termenilor reprezintă partea deterministic explicată de

istoria sistemului.

Principalul scop al analizei de tip VAR este de a evalua efectele diverselor şocuri

asupra variabilelor din sistem. Fiecare variabilă este afectată de inovaţiile proprii, precum

şi de inovaţii în celelalte variabile. Astfel, se poate răspunde la întrebări extrem de

importante precum: Cum reacţionează cursul acţiunilor la un şoc al cursului de schimb?

Sau în ce măsură evoluţia indicelui bursier depinde de evoluţia indicelui producţiei

industriale?

Analiza VAR se finalizează în trei tipuri de rezultate: funcţia de răspuns la şoc

(impulse response function), descompunerea variaţiei erorii de prognoză (forecast error

variance decomposition) sau cu alte cuvinte descompunerea variaţiei şi cauzalitatea

Granger.

Funcţia de răspuns la şoc – FRS: descrie efectul unui şoc administrat unei

variabile asupra valorilor viitoare ale fiecărei variabile din sistem. FRS urmăreşte

traiectoria acestui efect în timp, la diferite orizonturi. Spre exemplu, FRS poate

descrie, în termeni relativi (unitatea de măsură utilizată în mod obişnuit fiind

deviaţia standard), răspunsul preţurilor la un şoc după o anumită perioadă.

Principalele informaţii oferite de FRS se referă la semnul răspunsului (pozitiv sau

negativ) şi la persistenţa efectelor diverselor şocuri.

Descompunerea variaţiei (dispersiei) – DV: pe de altă parte oferă informaţii cu

privire la importanţa relativă a fiecărui şoc în ierarhia efectelor asupra variabilelor

din sistem. Deoarece inovaţiile sunt, prin definiţie, impredictibile, orice inovaţie

provoacă variaţii neanticipate (sau erori de prognoză) în variabilele de interes. DV

reprezintă un calcul prin intermediul căruia putem determina în ce proporţie

variaţia unei variabile se datorează propriilor inovaţii sau şocurilor provenind de la

alte variabile. Spre exemplu, DV poate arăta ce procent din variaţia preţurilor este

explicată de şocuri ale cursului de schimb. Acest tip de informaţie este util pentru

evaluarea importanţei relative a cauzelor ce acţionează asupra unei variabile.

Testele de tip cauzalitate - Granger – CG: indică ce variabile sunt utile pentru

prognoza altor variabile. Mai precis, putem spune că X cauzează - Granger pe Y

dacă o prognoză a lui Y făcută pe baza unui set de informaţii care cuprinde istoria

lui X este mai bună decât o prognoză care ignoră istoria lui X. Trebuie subliniat că,

în ciuda numelui, CG nu poate fi interpretată drept cauzalitate propriu-zisă

(structurală), aşa cum au demonstrat Cooley şi LeRoy (1985). CG este doar

consistentă cu (fără a fi nici necesară şi nici suficientă pentru) cauzalitatea

autentică, conform ideii lui Hume (valorificată de Granger) că efectul trebuie să

succeadă în timp cauzei. Mai important este faptul că CG este extrem de utilă în a

răspunde la întrebări de tipul: „Ce variabile pot semnala cu anticipaţie o creştere în

variabila X?”

Etapele modelării şi estimări

În această secţiune vor fi descrise etapele modelării VAR pentru modelul selectat,

astfel încât sa putem ajunge la o concluzie cu privire la obiectivul propus, şi anume

aprecierea gradului de eficienţă a pieţei de capital studiate.

Principalele etape ale modelării sunt:

testarea ordinului de integrare al variabilelor de interes

testarea existenţei cointegrării

aplicarea modelului VECM

funcţia de raspuns la şoc şi descompunerea varianţei

testarea cauzalităţii în sens Ganger

Teste şi rezultate

Testarea ordinului de integrare

Staţionaritatea este o precondiţie pentru testul de cauzalitate a lui Granger. Însă

pentru testul de cointegrare variabilele trebuie sa aiba un ordin de integrare diferit de zero.

Pentru variabilele incluse în studiu testarea se va face prin două proceduri: testul Dickey-

Fuller augmentat (Dickey şi Fuller, 1979) şi testul Philips-Perron (Philips şi Perron, 1988).

Rezultatele testelor sunt prezentate în tabelul de mai jos. Însă şi o simplă analiză a

evoluţiei seriilor observate cu ajutorul graficelor ne sugerează nestaţionaritatea variabilelor

luate în considerare.

Tabel 2.1: Test Unit-Root pentru nivel

Variabila ADF Prob PP Prob.

EVM-Composite(evm) -2.498438 0.3263 -2.473926 0.3373

Curs de schimb MLD/USD(rdp) -3.72944 0.0406 -1.00876 0.9260

Agregatele monetare M3(preţuri

curente)

-1.968140 0.5884 -1.26887 0.8742

Producţia industrială(preţuri curente) -3.291202 0.0899 -3.075938 0.1318

Tabel 2.2: Testul Unit-Root pentru diferenţă

Variabila ADF Prob PP Prob.

EVM-Composite(evm) -5.605166 0.0001 -5.612459 0.0001

Curs de schimb MLD/USD(rdp) -4.169919* 0.0161 -3.018223 0.1464

Agregatele monetare M3(preţuri

curente)

-4.027807 0.0047 -4.085927 0.0041

Producţia industrială(preţuri curente) -5.219083 0.0003 -6.387154 0.0000

* semnificativ la un nivel de 5 %

Coroborând rezultatele ambelor teste atât pentru nivel, cât şi pentru diferenţă

observăm că toate variabilele incluse în model sunt integrate de ordinul 1 la un nivel al

riscului de 1 %, exceptând seria cursului de schimb, care este integrată la un nivel de 5 %

al riscului conform testului ADF.

Testul pentru existenţa cointegrării, utilizând metodologia elaborată de Johansen

(1991, 1995) ne va da numărul de vectori de cointegrare, r, astfel încât 0 < r < n.

Cointegrarea constituie proprietatea a două sau mai multe serii temporale de a avea

acelaşi trend stohastic pe termen lung. Faptul că variabilele sunt cointegrate în model este

important şi pentru validitatea rezultatelor testării cauzalităţii - Granger. Mai exact, dacă

seriile de date sunt nestaţionare şi nu sunt cointegrate, atunci testele F obişnuite (utilizate

pentru detectarea cauzalităţii Granger) nu sunt valide (Sims, 1990).

Procedura Johansen oferă informaţii numai cu privire la numărul de relaţii de cointegrare

în cadrul unui model, şi nu în legătură cu variabilele care sunt cointegrate. Evoluţia

comună a variabilelor sau cointegrarea nu presupune existenţa unei relaţii cauzale între

acestea.

Am început prin folosirea unui model VAR nerestricţionat. Pentru a determina

ordinul de laguri (diferenţelor) în modelul VAR folosim criterii de informare precum

Akaike (1974) şi Schwarz (1978). Cele două criterii de informare trebuie să fie minime

astfel încât să se

asigure faptul că reziduurile sunt zgomot alb. Ţinând cont de numărul limitat de observaţii

din eşantion a fost luat în considerare un ordin al diferenţelor egal cu 1.

Atât testul de cointegrare Trace, cât şi testul Maximum Eigenvalue ne arată

existenţa unei singure relaţii de cointegrare la un nivel de semnificaţie de 5 %. Prin

urmare între variabile există o singură relaţie de legătură.

Aplicarea modelului VECM (vector de corecţie a erorii)

Existenţa cointegrării (cel puţin a unei relaţii) cere estimarea unui mecanism de

corecţie a erorii care măsoară viteza de ajustare a dinamicii pe termen scurt a indicelui la

echilibrul pe termen lung. Modelul de corecţie a erorilor este utilizat pentru a investiga

relaţiile cauzale dintre variabilele analizate. Termenul de corecţie al erorii se poate obţine

din ecuaţia vectorului de cointegrare, termen ce este inclus în forma modelulului

corespunzător pentru a obţine relaţia de echilibru pe termen lung între variabile:

ΔY t=μ+ χt +α εt−1+∑i=1

m

β i ΔXt−i+∑i=1

n

δi ΔY t−i+ηt unde:

ε t−1=Y t− a0−a1 X t este termenul de corecţie a erorii, iar

α reprezintă viteza de ajustare.

Relaţia de echilibru pe termen lung între indicele EVM şi variabilele

macroeconomice este dată de următoarea relaţie:

D(EVM) = 0.02165 - 0.1547*( EVMt-1 + 6.55*CSt-1 + 0.673*M3t-1 - 0.911428529*PIt-1 -

23.695 ) - 0.06023*D(EVMt-1) - 1.2166*D(CSt-1) + 0.259*D(M3t-1) - 0.1294*D(PIt-1)

Coeficientul ce reprezintă viteza de ajustare este negativ ceea ce semnifică faptul

că deviaţia de la echilibrul pe termen lung este reversibilă.

Această ecuaţie ar fi utilă dacă ipoteza nulă a testului de cauzalitate în ceea ce

priveşte influenţa variabilelor asupra indicelui bursier ar fi respinsă. În acest caz cursul

indicelui ar fi predictibil pe termen lung putând fi estimat conform relaţiei amintite.

Funcţia de răspuns la şoc descrie efectul unui şoc asupra variabilei însăşi şi a

celorlalte variabile din sistem. Cu ajutorul funcţiei de răspuns la şoc putem determina

semnul efectelor (pozitiv sau negativ) şi persistenţa acestora. Efectele şocurilor sunt

urmărite pe diverse orizonturi de timp. În analiza de faţă voi prezenta funcţia de raspuns la

şoc pentru orizonturi de până la 7 luni pentru indicele bursier EVM, fiindcă acesta

constituie subiectul studiului de faţă.

Din figura observăm că indicele bursier răspunde pozitiv la propriile şocuri de o

manieră semnificativă, precum şi la inovaţii în agregatul monetar M3 şi în producţia

industrială de o manieră mai redusă, în cazul producţiei industriale pe termen lung efectele

ajungând să fie şi negative. Cât despre cursul de schimb, acesta transmite efecte negative

asupra evoluţiei indicelui.

Figura : Funcţia de răspuns al indicelui la propriile şocuri şi la cele din sistem

-.08

-.04

.00

.04

.08

.12

1 2 3 4 5 6 7

EVM CS M3 PP

Response of EVM to CholeskyOne S.D. Innovations

Descompunerea variaţiei calculează în ce măsură (proporţie) variaţia unei variabile se

datorează inovaţiilor (şocurilor) proprii şi cât se datorează inovaţiilor (şocurilor) în

celelalte variabile. Aceste ponderi sunt calculate de asemenea pe diverse orizonturi de

timp. În acest caz de asemenea am ales un orizont de 7 luni.

Din tabel observăm că indicele bursier răspunde aproape în totalitate propriilor

inovaţii, şi abia pe termen lung este influenţat şi de schimbările cursului de schimb.

În etapa următoare voi testa cauzalitatea dintre variabile şi dacă indicele bursier este

cauzat Granger de variabilele macroeconomice. Dar urmărind ponderile din tabel am putea

afirma că variabilele din sistem nu sunt cauză în sens Granger pentru indicele EVM.

Tabel 2.3: Descompunerea variaţiei indicelul EVM

 Per. S.E. EVM CS M3 PI

 1  0.107851  100.0000  0.000000  0.000000  0.000000 2  0.141171  98.65473  1.344697  7.97E-05  0.000489 3  0.169933  95.15153  4.058009  0.149789  0.640675 4  0.199122  92.71148  6.354609  0.163254  0.770662 5  0.227873  91.75248  7.497453  0.159969  0.590094 6  0.255038  91.06478  8.151261  0.183649  0.600309 7  0.279814  90.25273  8.897708  0.244645  0.604921

Testul de cauzalitate în sens Granger se aplică reprezentării VECM. Utilitatea

acestuia am prezentat-o în paragraful anterior.

Corelarea nu înseamnă neapărat şi existenţa unei relaţii de cauzalitate. Metodologia

abordată de Granger (1969) privind această problemă, respectiv dacă x influenţează

(cauzează) variabila y constă în a observa ce proporţie a valorii curente a variabilei y

depinde de valorile trecute ale acesteia şi apoi de a vedea dacă prin adăugarea de valori

decalate (în funcţie de timp) variabilei x se poate îmbunătăţi nivelul de explicare al

variabilei y; se spune că y este cauzată în sens Granger de x dacă x ajută la previzionarea

variabilei y.

Este important să precizăm că afirmaţia „x influenţează în sens Granger y” nu este

echivalentă cu afirmaţia că y este efectul sau rezultatul lui x. Cauzalitatea Granger măsoară

importanţa (ierarhia) şi conţinutul informaţional şi nu indică cauzalitatea în sensul mai larg

al cuvântului (termenului).

Cauzalitatea lui Granger este testată pentru serie în prima diferenţă. Astfel :

Δ EVMt=γ +α 1 ΔM 3t−1+β1 ΔCSt−1+δ1 ΔPI t−1+εt

Rezultatele relaţiei de cauzalitate dintre indicele EVM şi celelalte variabile obţinute cu

ajutorul testului Granger sunt cele aşteptate. Din tabelul 2.4

Tabel 2.4: Testul de cauzalitate pentru diferenţă

Ipoteza nulă Χ2 Probabilitatea de

acceptare a ipotezei nule

M3 nu cauzează în sens

Granger EVM

0.344696 0.8699

CS nu cauzează în sens

Granger EVM

0.026840 0.5571

PI nu cauzează în sens Granger

EVM

0.638908 0.4241

Valorile testului şi probabilitatea asociată acestora sugerează faptul că nici o variabilă

macroeconomică nu influenţează în sens Granger indicele bursier EVM.