cointegrare-dizertatie
-
Upload
adiev-ilmurat -
Category
Documents
-
view
443 -
download
1
Transcript of cointegrare-dizertatie
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.