proiect 2
-
Upload
catalin-prundaru -
Category
Documents
-
view
660 -
download
2
Transcript of proiect 2
Academia de Studii Economice
Facultatea Finante Asigurari Banci si Burse de Valori
Serii de timp stationare
-Studiu de caz-
-pe piata de capital din SUA-
PRUNDARU Mihai-Catalin,
Grupa 3, Finante Corporative, Anul 1
Bucuresti 2010
2 Econometrie – Serii stationare
Cuprins
1.Verificarea stationaritatii ......................................................................................................... 3
2. Testarea prezentei heteroscedasticitatii in date ........................................................................ 5
3. Modele ARMA ....................................................................................................................... 6
3.1. Tehnici de previziune .................................................................................................... 7
4.Studiu de caz ........................................................................................................................... 8
4.1 Actiunea APPLE ........................................................................................................... 8
4.1.1 Graficul seriei de timp .......................................................................................... 8
4.1.2 Utilizarea corelogramei – functia ACF estimata ................................................... 8
4.1.3 Teste ale radacinii unitate(Dickey – Fuller) ........................................................ 11
4.1.4 Testarea prezentei ARCH ................................................................................... 12
4.1.5 Modele ARMA .................................................................................................. 13
4.1.6 Previziune .......................................................................................................... 24
4.1 Indicele S&P ............................................................................................................... 28
4.1.1 Graficul seriei de timp ........................................................................................ 28
4.1.2 Utilizarea corelogramei – functia ACF estimata ................................................. 28
4.1.3 Teste ale radacinii unitate(Dickey – Fuller) ........................................................ 31
4.1.4 Testarea prezentei ARCH ................................................................................... 32
4.1.5 Modele ARMA .................................................................................................. 33
4.1.6 Previziune .......................................................................................................... 47
3 Econometrie – Serii stationare
In cadrul acestei aplicatii am analizat stationaritatea pentru seria randamentelor actiunilor
APPLE, dar si pentru indicele pietei de capital din SUA – S&P. Dupa verificarea si, daca este cazul
stationarizarea seriei de timp am realizat mai multe modele ARMA alegandu- l pe cel mai bun din
punct de vedere al criteriilor informationale (AIC - Akaike information criterion si SIC - Schwarz
Information Criterion). In final am ales sa fac previziuni pentru cele doua serii de timp. Esantionul
cuprinde 702 inregistrari statistice, aferente perioadei 02.01.2008 – 14.10.2010.
1. Verificarea stationaritatii
A. Utilizarea corelogramei – functia ACF estimata
Se poate construi un interval de incredere 95% ( eroare 5%) pentru fiecare din
coeficientii de autocorelatie j de forma (−1,96 ∗1
𝑇 ; 1,96 ∗
1
𝑇), folosind expresia 𝑠𝑗 = 1
𝑇
pentru abaterea standard. Rezultatul teoretic important exprimat de propozitia anterioara ne
ajuta sa verificam daca, statistic, coeficientii de autocorelatie calculati pentru diverse lag-uri
sunt sau nu egali cu zero. Putem fundamenta testul de semnificatie cu ipotezele numa si
alternativa urmatoare :
H0 : j = 0
H1 : j 0.
Daca coeficientul de autocorelatie estimat j nu apartine intervalului (−1,96 ∗
1
𝑇 ; 1,96 ∗
1
𝑇), atunci ipoteza nula este respinsa si decidem ca seria de timp nu provine
dintr-un zgomot alb Gaussian.
In forma de mai sus, intervalele de incredere 95% nudepind de lag. Acest aspect nu
este natural, in special, pentru lag-urile apropiate de final. O corectie adecvata este obtinuta
prin inlocuierea variatei sj2 = 1
𝑇 prin valoarea sj2 =
𝑇−𝑗
𝑇(𝑇+2) in descrierea intervalelor de
incredere. De exemplu, intervalul de incredere 95% pentru coeficientul de autocorelatie j
este (−1,96 ∗ 𝑇−𝑗
𝑇(𝑡+2) ; 1,96 ∗
𝑇−𝑗
𝑇(𝑡+2) ).
Uneori este necesar sa testam ipotea conform careia mai multi coeficienti de
autocorelatie sunt concomitent nuli. Presupunem ca vom considera m asemenea coeficienti.
Avem perechea de ipoteze :
H0 : 1 = 2 = ...= m = 0 ;
H1 : j 0. Pentru un j dintre cei m;
4 Econometrie – Serii stationare
Pentru acest test se foloseste staistica Q = 𝑇 𝑗2𝑚
𝑗=1 ce urmeaza o repartitie 2 cu m
grade de libertate.
Decizia este urmatoarea :
- Daca valoarea 𝑄 a statisticii este mai mica decat valoarea critic 2(m) nu putem
respinde ipoteza nula, prin urmare acceptam ca rezidurile provin dintr-un “zgomot
alb”
- Daca valoarea 𝑄 a statisticii este mai mare decat valoarea critic 2(m) atunci suntem
in regiunea de respingere a ipoteei nule, prin urmare despre reziduri putem afirma ca
nu provin din zgomot alb.
B. Teste ale radacinii unitate(Dickey – Fuller)
Se presupune seria de timp {yt}cu valorile ei observate la fiecare moment de timp.
Pentru a verifica daca seria este sau nu stationara folosim teste ale radacinii unitate. Putem
folosi relatiile ∆yt = – * yt-1 + a1*∆yt-1 + et care aplicate pentru valorile seriilor de timp
analizate nu reprezinta decat ecuatiile de regresie ale unui model liniar. Variabila dependenta
este data de diferentele de ordinul 1 intre valorile seriei, iar variabilele dependente sunt
diferentele de ordinul 1 intarziate cu un moment de timp si valorile intarziate ale seriei.
Ipotezele sunt :
H0 : = 0 - seria este nestationara, are o radacina unitate,
H1 : 0 seria este stationara.
Statistica folosita pentru luarea deciziei este statistica τ , repartitia ei fiind studiata de
Dickez si Fuller. Decizia in testele DF este asemanatoare celei din testul t de semnificatie
pentru un coeficient din modelul de regresie, doar ca aici statistica testului t este inlocuita cu
statistica τ, astfel:
Daca 𝜏 < 𝜏𝑐𝑟𝑡 , suntem in zona de respingere a ipotezei nule, adica seria de timp
analizata este stationara.
Daca 𝜏 > 𝜏𝑐𝑟𝑡 , suntem in zona de acceptare a ipotezei nule, adica seria de timp nu
este stationara.
5 Econometrie – Serii stationare
O consecinta a nestationaritatii este regresia falsa, data de faptul ca seriile de timp
nestationare pot determina concluzii statistice neconforme cu realitatea. Punem in evidenta
toate regulile de validare, prezenta unei dependente liniare intre doua variabile observate prin
serii de timp, variabile care de fapt nu sunt dependente.
2. Testarea prezentei heteroscedasticitatii in date- Testul ARCH – LM (Maximum
Likelihood)
Pasul 1. Se estimeaza parametrii din modelul liniar de regresie multipla (sau unui alt
model de tip estimare a mediei):
0 1 ,1 ,... 1,2,....,t t k t k ty x x e t T
si salvam reziduurile 1 2, ,..., Tr r r .
Pasul 2. Folosim modelul de regresie
2 2 2
0 1 1 ... 1,2,....,t t q t q tr r r v t T
unde tv este termenul eroare (presupus normal de medie 0).
Pasul 3. Testam ipoteza nula:
0 1: 0H si 2 0 … si 0q
cu alternativa
1 :H macar unul dintre coeficienti este diferit de zero.
6 Econometrie – Serii stationare
3. Modele ARMA
ARMA(p,q): 𝑦𝑡 = 𝜑1 ∗ 𝑦𝑡−1 + ⋯ + 𝜑𝑝 ∗ 𝑦𝑡−𝑝 + 𝑒𝑡 + 𝜃1 ∗ 𝑒𝑡−1 + ⋯ + 𝜃𝑞 ∗ 𝑒𝑡−𝑞
AR(p): 𝑦𝑡 = 𝜑1 ∗ 𝑦𝑡−1 + ⋯ + 𝜑𝑝 ∗ 𝑦𝑡−𝑝
MA(q): 𝑦𝑡 = 𝜃1 ∗ 𝑒𝑡−1 + ⋯ + 𝜃𝑞 ∗ 𝑒𝑡−𝑞
Procedura de estimare a unui model ARMA cuprinde urmatorii pasi:
1. Testarea stationaritatii seriei. Daca este stationara se trece la pasul trei, daca nu se parcurg
cerintele pasului urmator.
2. Se stationarizeaza seria de date prin diferentiere. Marea majoritate a seriilor nestationare
sunt integrate de ordinul 1, I(1), asa ca seria se stationarizeaza prin prima diferenta.
3. Pe baza coeficientilor de autocorelatie (functiei de autocorelatie) si a coeficientilor de
corelatie partiala (functiei de autocorelatie partiala) se determina modelele autoregresive de
start pentru analiza seriei de date. Astfel, daca exista o valoare a lui h egala cu q incepand
de la care valoarea functiei de autocorelatie scade brusc catre zero, atunci pentru prelucrarea
seriei se foloseste un proces MA(q) sau un proces ARMA ce cuprinde o componenta
MA(q). In cazul in care valoarea functiei de autocorelatie partiala scade instantaneu catre
zero, incepand cu o valoare a decalajului egala cu p, atunci se recomanda ca seria de timp sa
fie prelucrata prin intermediul unui proces AR(p) pur sau printr-un proces ce cuprinde si
aceasta componenta.
4. Se estimeaza parametrii modelelor ARMA.
5. Se testeaza caracteristicilor modelelor autoregresive ce au fost estimate in etapa anterioara.
Astfel se verifica daca coeficientii modelului sunt semnificativi (diferiti de zero) din punct de
vedere statistic, autocorelarea reziduurilor regresiei, proprietatea de homoscedasticitate,
stabilitatea parametrilor si caracteristicile distributiei rezidurilor.
6. Se alege cel mai potrivit model folosind diverse criterii de analiza. Astfel, se alege
modelul care are valoarea cea mai mare pentru R2 ajustat sau valoarea cea mai mica pentru
varianta sau dispersia reziduurilor. De asemenea se alege modelul care are valorile cele mai
mici pentru criteriile informationale (Akaike, Schwartz).
7. Pe baza modelului selectat se fac diverse analize si prognoze.
7 Econometrie – Serii stationare
3.1 Tehnici de previziune
Pentru ca folosim tehnica de previzionare ex-post, am redefinit esantionul, folosind
450 de observatii, pentru a previziona restul datelor pana la 500.
Constructia previziunii : T reprezinta originea previziunii, iar T+1, T+2, .. reprezinta
pasii de previziune. Cu h notam pasul previziunii.
Indicatori ai bonitatii previziunii:
MSE (mean squares error)
𝑀𝑆𝐸 =1
𝑇 − 𝑝∗ 𝑦𝑡 − 𝑦𝑡
′ 2
𝑇
𝑡=𝑝+1
T-p reprezinta numarul valorilor previzionate
RMSE (root mean squares error)
𝑅𝑀𝑆𝐸 = 1
𝑇 − 𝑝∗ 𝑦𝑡 − 𝑦𝑡
′ 2
𝑇
𝑡=𝑝+1
MAE (mean absolute error)
𝑀𝐴𝐸 =1
𝑇 − 𝑝∗ 𝑦𝑡 − 𝑦𝑡
′
𝑇
𝑡=𝑝+1
MAPE (mean absolute percentage error)
𝑀𝐴𝑃𝐸 =1
𝑇 − 𝑝∗
𝑦𝑡 − 𝑦𝑡′
𝑦𝑡
𝑇
𝑡=𝑝+1
8 Econometrie – Serii stationare
4. Studiu de caz pe piata de capital din SUA
4.1 Actiunea APPLE
4.1.1 Graficul seriei de timp AAPL
4.1.2 Utilizarea corelogramei – functia ACF estimata
-.20
-.15
-.10
-.05
.00
.05
.10
.15
100 200 300 400 500 600 700
AAPL
9 Econometrie – Serii stationare
Coeficientii de autocorelatie estimati sunt, pentru primele 5 lag-uri : -0,023 ; -0,054 ;
0,029 ; 0,095 si 0,008. Se oberva faptul ca valorile coeficientilor de autocorelatie sunt mici
apropiate de zero, indicand corelatii slabe uneori aproape inexistente pentru toate intarzierile.
Se poate construi un interval de incredere 95% ( eroare 5%) pentru fiecare din
coeficientii de autocorelatie j de forma (−1,96 ∗1
𝑇 ; 1,96 ∗
1
𝑇), folosind expresia 𝑠𝑗 = 1
𝑇
pentru abaterea standard. Rezultatul teoretic important exprimat de propozitia anterioara ne
ajuta sa verificam daca, statistic, coeficientii de autocorelatie calculati pentru diverse lag-uri
sunt sau nu egali cu zero. Putem fundamenta testul de semnificatie cu ipotezele nula si
alternativa urmatoare :
H0 : j = 0
H1 : j 0.
Daca coeficientul de autocorelatie estimat j nu apartine intervalului (−1,96 ∗
1
𝑇 ; 1,96 ∗
1
𝑇), atunci ipoteza nula este respinsa si decidem ca seria de timp nu provine dintr-
un zgomot alb Gaussian.
I = (-0,07403 ; 0,07403) este intervalul de incredere 95%
Lag 1 : -0,023 (-0,07403 ; 0,07403), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 1 este zero.
Lag 2 : -0,054 (-0,07403 ; 0,07403), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 2 este zero.
Lag 3 : 0,029 (-0,07403 ; 0,07403) , ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 3 este zero.
Lag 4 : 0,095 (-0,07403 ; 0,07403), ipoteza nula este respinsa , iar
coeficientul de corelatie estimate pentru lagul 4 nu este zero
Lag 5 : 0,008 (-0,07403 ; 0,07403), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 5 este zero.
In forma de mai sus intervalele de incredere 95% nu depend de lag. Acest aspect nu
este natural, in special pentru lag-urile apropiate de momentul final T. O corectie in acest sens
este obtinuta prin inlocuierea variatei sj2 = 1
𝑇 prin valoarea sj2 =
𝑇−𝑗
𝑇(𝑇+2) in descrierea
10 Econometrie – Serii stationare
intervalelor de incredere. De exemplu, intervalul de incredere 95% pentru coeficientul de
autocorelatie j este (−1,96 ∗ 𝑇−𝑗
𝑇(𝑡+2) ; 1,96 ∗
𝑇−𝑗
𝑇(𝑡+2) ).
Lag 1 : -0,023 (-0,07387 ; 0,07387), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 1 este zero.
Lag 2 : -0,054 (-0,073817 ; 0,073817), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 2 este zero.
Lag 3 : 0,029 (-0,073764 ; 0,073764) , ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 3 este zero.
Lag 4 : 0,095 (-0,073712 ; 0,073712), ipoteza nula este respinsa , iar
coeficientul de corelatie estimate pentru lagul 4 nu este zero
Lag 5 : 0,008 (-0,073659 ; 0,073659), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 5 este zero.
Uneori este necesar sa testam ipoteza conform careia mai multi coeficienti de
autocorlatie sunt concomitent nuli. Presupunem ca vom considera m asemenea coeficienti.
Avem perechea de ipoteze :
H0 : 1 = 2 = ...= m = 0 ;
H1 : j 0. Pentru un j dintre cei m;
Pentru acest test se foloseste staistica Q = 𝑇 𝑗2𝑚
𝑗=1 ce urmeaza o repartitie 2 cu m
grade de libertate. 2 critic pentru esantionul de 701 observatii si o probabilitate de 5% este :
763,7046.
QAAPL pentru m=36 are o valoare de 54,56. Cum valoarea 𝑄 a statisticii este mai
mica decat valoarea critica 2 nu putem respinde ipoteza nula, deci prin urmare acceptam ca
rezidurile provin dintr-un white noise.
11 Econometrie – Serii stationare
4.1.3 Teste ale radacinii unitate(Dickey – Fuller)
In cadrul testelor radacina unitate pentru verificarea stationaritatii seriei
randamentelor actiunii AAPL perechea de ipoteze care se foloseste este urmatoarea:
H0 : seria este nestationara, are o radacina unitate,
H1 : seria este stationara.
Decizia in testul DF este la fel ca si in cazul testului t-Student de semnificatie pentru
coeficientul modlului de regresie, doar ca aici statistica folosita este statistica τ.
Null Hypothesis: AAPL has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=19)
t-Statistic
Prob.*
Augmented Dickey-Fuller test statistic -
27.18184
0.0000
Test critical values: 1% level -
3.439464
5% level -
2.865452
10% level -
2.568910
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(AAPL)
Method: Least Squares
Date: 01/12/11 Time: 20:10
Sample(adjusted): 2 701
Included observations: 700 after adjusting endpoints
Variable Coefficient Std.
Error
t-Statistic Prob.
AAPL(-1) -1.022702 0.037624 -
27.18184
0.0000
C 0.001134 0.001028 1.102837 0.2705
R-squared 0.514216 Mean dependent var 0.000119
Adjusted R-squared 0.513520 S.D. dependent var 0.038980
S.E. of regression 0.027188 Akaike info criterion -4.369225
Sum squared resid 0.515955 Schwarz criterion -4.356222
Log likelihood 1531.229 F-statistic 738.8526
Durbin-Watson stat 2.006811 Prob(F-statistic) 0.000000
12 Econometrie – Serii stationare
Observam valoarea 𝜏 = -27,18184, mult mai mica decat orice valoare critica, in
consecinta suntem in zona de respingere a ipotezei nule , deci seria randamentelor simple ale
actiunii AAPL este o serie stationara. Acest rezultat rezulta si din valoarea probabilitatii
asociate, p. Astfel, aceasta este mai mica decat cel mai restrictiv nivel de relevanta, de 1 la
suta si ca urmare, ipoteza nula – seria este nestationara – este respinsa.
Din outputul testului DF putem obtine si coeficienti modelului :
∆yt = 0,001134 – 1,022702* yt-1
4.1.4 Testarea prezentei ARCH – folosind testul ARCH-LM
ARCH Test:
F-statistic 31.35264 Probability 0.000000
Obs*R-squared 30.09086 Probability 0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/12/11 Time: 20:31
Sample(adjusted): 2 701
Included observations: 700 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 0.000584 7.55E-05 7.728208 0.0000
RESID^2(-1) 0.206236 0.036832 5.599343 0.0000
R-squared 0.042987 Mean dependent var 0.000737
Adjusted R-squared 0.041616 S.D. dependent var 0.001901
S.E. of regression 0.001861 Akaike info criterion -9.732411
Sum squared resid 0.002418 Schwarz criterion -9.719408
Log likelihood 3408.344 F-statistic 31.35264
Durbin-Watson stat 2.028462 Prob(F-statistic) 0.000000
rt2 = 0 + 1*rt-1
2 + vt
Folosim concluziile:
fiecare coeficient din regresia auxiliara este statistic diferit de zero ( p-value
corespunzatoare mici);
testul F ne spune acelasi lucru pentru ansamblul coeficientilor. Deci, putem
respinge ipoteza nula:
13 Econometrie – Serii stationare
0 1: 0H si 2 0
si prin asta acceptam ipoteza alternativa:
1 :H macar unul dintre coeficienti este diferit de zero.
Concluzionam faptul ca avem heteroscedasticitate in date.Cea mai importanta parte a
output-ului testului este prima parte care prezinta cele doua teste statistice F-Statistic si R-
squared si probabilitatile asociate acestor teste. Ipoteza nula a celor doua teste este ca nu
exista corelatie seriala a erorilor ecuatiei de regresie pana la lag-ul k (specificat mai sus).
Daca probabilitatea asociata celor doua teste este inferioara nivelului de relevanta la care se
lucreaza, atunci ipoteza nula este respinsa, deci se respinge inexistenta corelatiei seriale. In
caz contrar ipoteza nula este acceptata, (nu exista corelatie seriala). Pentru actiunea AAPL
putem observa ca atat probabilitatea testului F-statistic, cat si probabilitatea asociata testului si
R-squared este inferioara nivelului de relevta de 5% deci putem spune ca exista termeni
ARCH in date.
4.1.5 Modele ARMA
MA(1)
Dependent Variable: AAPL
Method: Least Squares
Date: 01/12/11 Time: 20:38
Sample: 1 701
Included observations: 701
Convergence achieved after 7 iterations
Backcast: 0
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001004 0.001005 0.998620 0.3183
MA(1) -0.026095 0.037812 -0.690147 0.4903
R-squared 0.000593 Mean dependent var 0.001001
Adjusted R-squared -0.000837 S.D. dependent var 0.027313
S.E. of regression 0.027325 Akaike info criterion -4.359197
Sum squared resid 0.521904 Schwarz criterion -4.346208
Log likelihood 1529.898 F-statistic 0.414705
Durbin-Watson stat 1.984519 Prob(F-statistic) 0.519802
Inverted MA Roots .03
MA(1) : AAPL = 0.001003763166 + [MA(1)=-0.02609549488,BACKCAST=1]
14 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,519802 si apartine intervalului (0,15; 0,85) nu
putem trage o concluzie cu privire la validitatea modelului. Probabilitatea asociata
coeficietului et-1 este de 0,4903, deci nu se poate concluziona cu privire la semnificatia
statistica a coeficientului. Probabilitatea asociata termenului liber este de 0,4033 si se afla in
intervalul de incertitudine. R2 are o valoare de 0,0593% .
Valoarea testului Durbi-Watson este de 1,98 , fiind apropiata de 2, de unde rezulta ca
nu se confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii actiunii AAPL are media
apropiata de zero, iar kurtotica are o valoare de peste 7,72 ceea ce inseamna ca aceasta
distributie este leptokurtotica. Se observa de asemenea ca inversa radacinilor functiei
caracteristice este situata in cercul unitate, deci MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -4.359197 si respectiv
-4.346208
0
20
40
60
80
100
120
140
160
-0.15 -0.10 -0.05 0.00 0.05 0.10
Series: Residuals
Sample 2 701
Observations 700
Mean 1.88E-13
Median 0.000851
Maximum 0.139978
Minimum -0.180964
Std. Dev. 0.027169
Skewness -0.242120
Kurtosis 7.727982
Jarque-Bera 658.8256
Probability 0.000000
15 Econometrie – Serii stationare
AR(1)
Dependent Variable: AAPL
Method: Least Squares
Date: 01/12/11 Time: 20:40
Sample(adjusted): 2 701
Included observations: 700 after adjusting endpoints
Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001109 0.001005 1.103554 0.2702
AR(1) -0.022702 0.037624 -0.603389 0.5464
R-squared 0.000521 Mean dependent var 0.001112
Adjusted R-squared -0.000911 S.D. dependent var 0.027176
S.E. of regression 0.027188 Akaike info criterion -4.369225
Sum squared resid 0.515955 Schwarz criterion -4.356222
Log likelihood 1531.229 F-statistic 0.364078
Durbin-Watson stat 2.006811 Prob(F-statistic) 0.546446
Inverted AR Roots -.02
AR(1): AAPL = 0.001108862168 + [AR(1)=-0.02270218027]
0
20
40
60
80
100
120
140
160
-0.1 0.0 0.1
Series: Residuals
Sample 1 701
Observations 701
Mean -2.97E-06
Median 0.000968
Maximum 0.140381
Minimum -0.180939
Std. Dev. 0.027305
Skewness -0.259362
Kurtosis 7.661932
Jarque-Bera 642.6617
Probability 0.000000
16 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. . Intrucat
probabilitatea testului F-statistic este de 0,5464 si apartine intervalului (0,15; 0,85) nu putem
trage o concluzie cu privire la validitatea modelului. Probabilitatea asociata coeficietului yt-1
este de 0,5464, deci nu se poate concluziona cu privire la semnificatia statistica a
coeficientului. Probabilitatea asociata termenului liber este de 0,2702 si se afla in intervalul de
incertitudine.. R2 are o valoare de 0,052% .
Valoarea testului Durbi-Watson este de 2,009 , fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii actiunii AAPL are media
apropiata de zero, iar kurtotica are o valoare de peste 7,66 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar.
Valorile criteriului informational Akaike si Shwartz sunt -4.369225 si respectiv -
4.356222.
ARMA(1;1)
Dependent Variable: AAPL
Method: Least Squares
Date: 01/12/11 Time: 20:41
Sample(adjusted): 2 701
Included observations: 700 after adjusting endpoints
Convergence achieved after 15 iterations
Backcast: 1
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001154 0.000978 1.179151 0.2387
AR(1) 0.285300 0.305817 0.932912 0.3512
MA(1) -0.320720 0.304114 -1.054605 0.2920
R-squared 0.002196 Mean dependent var 0.001112
Adjusted R-squared -0.000667 S.D. dependent var 0.027176
S.E. of regression 0.027185 Akaike info criterion -4.368045
Sum squared resid 0.515090 Schwarz criterion -4.348541
Log likelihood 1531.816 F-statistic 0.767154
Durbin-Watson stat 1.984195 Prob(F-statistic) 0.464724
Inverted AR Roots .29
Inverted MA Roots .32
ARMA(1;1): AAPL = 0.001153611019 + [AR(1)=0.2852997721,MA(1)=-
0.3207196918,BACKCAST=2]
17 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,4647 si apartine intervalului (0,15; 0,85) nu putem
trage o concluzie cu privire la validitatea modelului. Probabilitatea asociata coeficietului yt-1
este de 0,3512, deci nu putem trage o concluzie cu privire la semnificatia parametrului.
Probabilitatea asociata termenului et-1 este 0,292, si acesta aflandu-se in zona de incertutudine.
Probabilitatea asociata termenului liber este de 0,2387 si se afla in intervalul de incertitudine.
R2 are o valoare de 0,2196% o vaoare destul de mica.
Valoarea testului Durbi-Watson este de 1,98, fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui AAPL are media
apropiata de zero, iar kurtotica are o valoare de peste 7,76 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
0
20
40
60
80
100
120
140
160
-0.1 0.0 0.1
Series: Residuals
Sample 2 701
Observations 700
Mean 1.14E-06
Median 0.001068
Maximum 0.140836
Minimum -0.181119
Std. Dev. 0.027146
Skewness -0.256063
Kurtosis 7.764566
Jarque-Bera 669.7648
Probability 0.000000
18 Econometrie – Serii stationare
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar, iar MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -4.368045 si respectiv -
4.348541.
ARMA(1;2)
Dependent Variable: AAPL
Method: Least Squares
Date: 01/12/11 Time: 20:57
Sample(adjusted): 2 701
Included observations: 700 after adjusting endpoints
Convergence achieved after 14 iterations
Backcast: 0 1
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001115 0.000953 1.169747 0.2425
AR(1) 0.002168 0.310678 0.006978 0.9944
MA(1) -0.024898 0.312186 -0.079754 0.9365
MA(2) -0.050153 0.038599 -1.299320 0.1943
R-squared 0.003641 Mean dependent var 0.001112
Adjusted R-squared -0.000653 S.D. dependent var 0.027176
S.E. of regression 0.027185 Akaike info criterion -4.366637
Sum squared resid 0.514344 Schwarz criterion -4.340631
Log likelihood 1532.323 F-statistic 0.847835
Durbin-Watson stat 2.003395 Prob(F-statistic) 0.467982
Inverted AR Roots .00
Inverted MA Roots .24 -.21
ARMA(1;2): AAPL = 0.001114974533 + [AR(1)=0.00216785599,MA(1)=-
0.02489817247,MA(2)=-0.05015302639,BACKCAST=2]
0
20
40
60
80
100
120
140
160
-0.15 -0.10 -0.05 0.00 0.05 0.10
Series: Residuals
Sample 2 701
Observations 700
Mean -4.30E-06
Median 0.001013
Maximum 0.139094
Minimum -0.179819
Std. Dev. 0.027126
Skewness -0.270241
Kurtosis 7.606569
Jarque-Bera 627.4508
Probability 0.000000
19 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,4679 si apartine intervalului (0,15; 0,85) nu putem
trage o concluzie cu privire la validitatea modelului. Probabilitatea asociata coeficietului yt-1
este de 0,9944, deci acest coeficient nu este semnificativ pentru model. Probabilitatea asociata
termenului et-1 este 0,9365, si acesta nefiind semnificativ din punct de vedere statistic.
Probabilitatea asociata a termenului et-2 este 0,1943 si apartine intervalului (0,15; 0,85), deci
nu putem trage o concluzie cu privire la semnificatia acestui parametru. Probabilitatea
asociata termenului liber este de 0,2435 si se afla in intervalul de incertitudine. R2
are o
valoare de 0,3641% o vaoare destul de mica.
Valoarea testului Durbi-Watson este de 2,003, fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui AAPL are media
apropiata de zero, iar kurtotica are o valoare de peste 7,6 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar, iar MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -4.366637 si respectiv -
4.340631.
20 Econometrie – Serii stationare
ARMA (2;2)
Dependent Variable: AAPL
Method: Least Squares
Date: 01/12/11 Time: 20:51
Sample(adjusted): 3 701
Included observations: 699 after adjusting endpoints
Convergence achieved after 15 iterations
Backcast: 1 2
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001137 0.000966 1.177013 0.2396
AR(1) -0.316841 0.676436 -0.468398 0.6396
AR(2) 0.147924 0.301315 0.490926 0.6236
MA(1) 0.293363 0.671074 0.437155 0.6621
MA(2) -0.196727 0.300161 -0.655406 0.5124
R-squared 0.004543 Mean dependent var 0.001132
Adjusted R-squared -0.001194 S.D. dependent var 0.027190
S.E. of regression 0.027206 Akaike info criterion -4.363643
Sum squared resid 0.513669 Schwarz criterion -4.331099
Log likelihood 1530.093 F-statistic 0.791865
Durbin-Watson stat 2.002769 Prob(F-statistic) 0.530635
Inverted AR Roots .26 -.57
Inverted MA Roots .32 -.61
ARMA(2;2): AAPL = 0.001137386121 + [AR(1)=0.3168414731,AR(2)=
0.1479236787, MA(1)=0.2933631086,MA(2)=-0.1967271286,BACKCAST=3]
0
20
40
60
80
100
120
140
160
-0.15 -0.10 -0.05 0.00 0.05 0.10
Series: Residuals
Sample 3 701
Observations 699
Mean 8.51E-06
Median 0.001136
Maximum 0.138289
Minimum -0.180188
Std. Dev. 0.027128
Skewness -0.268010
Kurtosis 7.636944
Jarque-Bera 634.5919
Probability 0.000000
21 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,5306 si apartine intervalului (0,15; 0,85) nu putem
trage o concluzie cu privire la validitatea modelului. Probabilitatile asociate tuturor
coeficientilor modelului se afla in intervalul (0,15; 0,85), deci nu putem concluziona cu
privire la semnificatia acestora pentru modelul ARMA (2;2). R2
are o valoare de 0,4543% o
vaoare destul de mica.
Valoarea testului Durbi-Watson este de 2,002, fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui AAPL are media
apropiata de zero, iar kurtotica are o valoare de peste 7,63 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar, iar MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -4.363643 si respectiv -
4.331099.
22 Econometrie – Serii stationare
ARMA (3;2)
Dependent Variable: AAPL
Method: Least Squares
Date: 01/12/11 Time: 20:47
Sample(adjusted): 4 701
Included observations: 698 after adjusting endpoints
Convergence achieved after 54 iterations
Backcast: 2 3
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001176 0.000986 1.192769 0.2334
AR(1) -0.911691 0.047444 -19.21610 0.0000
AR(2) -0.948501 0.049812 -19.04143 0.0000
AR(3) -0.054297 0.037369 -1.452986 0.1467
MA(1) 0.892308 0.036302 24.57982 0.0000
MA(2) 0.924877 0.038983 23.72483 0.0000
R-squared 0.020064 Mean dependent var 0.001185
Adjusted R-squared 0.012984 S.D. dependent var 0.027173
S.E. of regression 0.026996 Akaike info criterion -4.377716
Sum squared resid 0.504309 Schwarz criterion -4.338619
Log likelihood 1533.823 F-statistic 2.833725
Durbin-Watson stat 1.997265 Prob(F-statistic) 0.015259
Inverted AR Roots -.06 -.43+.85i -.43 -.85i
Inverted MA Roots -.45 -.85i -.45+.85i
ARMA (3;2): AAPL = 0.001175867815 + [AR(1)=-0.9116911748,AR(2)=-
0.9485009084,AR(3)=0.0542970261,MA(1)=0.8923082097,MA(2)=0.9248770597,B
ACKCAST=4]
0
20
40
60
80
100
120
140
160
-0.15 -0.10 -0.05 0.00 0.05 0.10 0.15
Series: Residuals
Sample 4 701
Observations 698
Mean -2.21E-05
Median 0.000873
Maximum 0.145630
Minimum -0.177383
Std. Dev. 0.026899
Skewness -0.309115
Kurtosis 8.121396
Jarque-Bera 773.9339
Probability 0.000000
23 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,015259 si apartine intervalului (0; 0,15) are o
valoare foarte mica, in concluzie facem o eroare mica prin respingerea ipotezei nule, deci
acceptam ipoteza alternativa conform careia modelul de regresie construit este valid.
Probabilitatea asociata coeficietului yt-1 este de 0,0345, deci coeficientul este
semnificativ din punct de vedere statistic. . Probabilitatile asociate tuturor coeficientilor
modelului se afla in intervalul (0; 0,15), deci coeficientii sunt semnificativi din punct de
vedere statistic pentru modelul ARMA (3;2). R2 are o valoare de 2% .
Valoarea testului Durbi-Watson este de 1,99 , fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii actiunii AAPL are media
apropiata de zero, iar kurtotica are o valoare de peste 8,12 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar, iar MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -4.377716 si respectiv -
4.338619.
24 Econometrie – Serii stationare
In urma analizarii celor sase modele ARMA, am obtinut urmatoarele rezultate
sintetizate in tabelul urmator:
Model Akaike Shwartz Prob(F-statistic)
MA(1) -4.359197 -4.346208 0.519802
AR(1) -4.369225 -4.356222 0.546446
ARMA(1;1) -4.368045 -4.348541 0.464724
ARMA(1;2) -4.366637 -4.340631 0.467982
ARMA(2;2) -4.363643 -4.331099 0.530635
ARMA(3;2) -4.377716 -4.338619 0.015259
Avand in vedere faptul ca dintre toate modelele analizate, singurul model valid din
punct de vedere econometric este ARMA(3;2), am ales sa fac previziunea pentru acest model.
4.1.6 Previziune ARMA(3;2)
Previziune statica
In urma analizei previziunii statice observam o valoare a lui „ Theil Ineyuality
Coefficient” este cuprinsa in intervalul (0,1) fiind un coeficient de apreciere a evaluarii.
Pentru ca ajunstarea sa fie buna coeficientul ar trebui sa aiba o valoarea apropiata de zero. In
cazul acestui exemplu valoarea coeficientului este destul de mare.
-.06
-.04
-.02
.00
.02
.04
.06
660 670 680 690 700
AAPL_BF
Forecast: AAPL_BF
Actual: AAPL_B
Forecast sample: 651 701
Included observations: 51
Root Mean Squared Error 0.023210
Mean Absolute Error 0.018020
Mean Abs. Percent Error 108.1515
Theil Inequality Coefficient 0.926245
Bias Proportion 0.072925
Variance Proportion 0.838488
Covariance Proportion 0.088587
25 Econometrie – Serii stationare
De asemenea observam Mean ABS. Precent Error care indica abaterile relative medii
ale valorilor previzionate de la cele observate este foarte mare.
Bias Proportion, Variance Proportion si Covariance Proportion insumate trebuie sa
dea 1 deoarece ele exprima proportional cele trei componete ale descompunerii mediei
patratelor abaterilor valorilor previzionate fata de valorile observale. O previziunea buna este
atunci cat primele doua componente sunt mici si cea de-a treia este mare fiind apropiata de 1.
In exemplu nostru Bias Proportion este 0,072925 si este mic exprimand patratul abaterii intre
valorile medii ale celor doua secvente. Variance Proportion este de 0,83 o valorea foarte mare
care indica o previziune nu tocmai buna. In final, covariance proportion care exprima cat de
legate sunt datele depinzand de coeficientul de corelatie are o valoare de 0,0885 fiind destul
de mica.
In figura de mai jos prezentam evolutia valorilor observate completate pe orizontul
de previziune cu evolutia valorilor previzionate.
-.10
-.05
.00
.05
.10
.15
100 200 300 400 500 600 700
AAPL_B AAPL_BF
26 Econometrie – Serii stationare
Previziune dinamica
In urma analizei previziunii dinamice observam o valoare a lui „ Theil Ineyuality
Coefficient” este cuprinsa in intervalul (0,1) fiind un coeficient de apreciere a evaluarii.
Pentru ca ajunstarea sa fie buna coeficientul ar trebui sa aiba o valoarea apropiata de zero. In
cazul acestui exemplu valoarea coeficientului este destul de mare.
De asemenea observam Mean ABS. Precent Error care indica abaterile relative medii
ale valorilor previzionate de la cele observate este foarte mare.
Bias Proportion, Variance Proportion si Covariance Proportion insumate trebuie sa
dea 1 deoarece ele exprima proportional cele trei componete ale descompunerii mediei
patratelor abaterilor valorilor previzionate fata de valorile observale. O previziunea buna este
atunci cat primele doua componente sunt mici si cea de-a treia este mare fiind apropiata de 1.
In exemplu nostru Bias Proportion este 0,073899 si este mic exprimand patratul abaterii intre
valorile medii ale celor doua secvente. Variance Proportion este de 0,8987 o valorea foarte
mare care indica o previziune nu tocmai buna. In final, covariance proportion care exprima
cat de legate sunt datele depinzand de coeficientul de corelatie are o valoare de 0,027 fiind
destul de mica.
In figura de mai jos prezentam evolutia valorilor observate completate pe orizontul
de previziune cu evolutia valorilor previzionate.
-.06
-.04
-.02
.00
.02
.04
.06
660 670 680 690 700
AAPL_BF
Forecast: AAPL_BF
Actual: AAPL_B
Forecast sample: 651 701
Included observations: 51
Root Mean Squared Error 0.023469
Mean Absolute Error 0.017963
Mean Abs. Percent Error 100.8594
Theil Inequality Coefficient 0.949473
Bias Proportion 0.073899
Variance Proportion 0.898788
Covariance Proportion 0.027313
27 Econometrie – Serii stationare
-.10
-.05
.00
.05
.10
.15
100 200 300 400 500 600 700
AAPL_B AAPL_BF
28 Econometrie – Serii stationare
4.2 Indicele S&P
4.2.1 Graficul seriei de timp S&P
4.2.2 Utilizarea corelogramei – functia ACF estimata
-.12
-.08
-.04
.00
.04
.08
.12
100 200 300 400 500 600 700
SP
29 Econometrie – Serii stationare
Coeficientii de autocorelatie estimati sunt, pentru primele 5 lag-uri : -0,129 ; -0,112 ;
0,092 ; -0,035 si -0,03. Se oberva faptul ca valorile coeficientilor de autocorelatie sunt mici
apropiate de zero, indicand corelatii slabe uneori aproape inexistente pentru toate intarzierile.
Se poate construi un interval de incredere 95% ( eroare 5%) pentru fiecare din
coeficientii de autocorelatie j de forma (−1,96 ∗1
𝑇 ; 1,96 ∗
1
𝑇), folosind expresia 𝑠𝑗 = 1
𝑇
pentru abaterea standard. Rezultatul teoretic important exprimat de propozitia anterioara ne
ajuta sa verificam daca, statistic, coeficientii de autocorelatie calculati pentru diverse lag-uri
sunt sau nu egali cu zero. Putem fundamenta testul de semnificatie cu ipotezele nula si
alternativa urmatoare :
H0 : j = 0
H1 : j 0.
Daca coeficientul de autocorelatie estimat j nu apartine intervalului (−1,96 ∗
1
𝑇 ; 1,96 ∗
1
𝑇), atunci ipoteza nula este respinsa si decidem ca seria de timp nu provine dintr-
un zgomot alb Gaussian.
I = (-0,07403 ; 0,07403) este intervalul de incredere 95%
Lag 1 : -0,129 (-0,07403 ; 0,07403), ipoteza nula este respinsa , iar
coeficientul de corelatie estimate pentru lagul 1 nu este zero
Lag 2 : -0,112 (-0,07403 ; 0,07403), ipoteza nula este respinsa , iar
coeficientul de corelatie estimate pentru lagul 2 nu este zero
Lag 3 : 0,092 (-0,07403 ; 0,07403) , ipoteza nula este respinsa , iar
coeficientul de corelatie estimate pentru lagul 3 nu este zero
Lag 4 : -0,035 (-0,07403 ; 0,07403), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 4 este zero.
Lag 5 : -0,03 (-0,07403 ; 0,07403), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 5 este zero.
In forma de mai sus intervalele de incredere 95% nu depend de lag. Acest aspect nu
este natural, in special pentru lag-urile apropiate de momentul final T. O corectie in acest sens
este obtinuta prin inlocuierea variatei sj2 = 1
𝑇 prin valoarea sj2 =
𝑇−𝑗
𝑇(𝑇+2) in descrierea
30 Econometrie – Serii stationare
intervalelor de incredere. De exemplu, intervalul de incredere 95% pentru coeficientul de
autocorelatie j este (−1,96 ∗ 𝑇−𝑗
𝑇(𝑡+2) ; 1,96 ∗
𝑇−𝑗
𝑇(𝑡+2) ).
Lag 1 : -0,129 (-0,07387 ; 0,07387), ipoteza nula este respinsa , iar
coeficientul de corelatie estimate pentru lagul 1 nu este zero
Lag 2 : -0,112 (-0,073817 ; 0,073817), ipoteza nula este respinsa , iar
coeficientul de corelatie estimate pentru lagul 2 nu este zero
Lag 3 : 0,092 (-0,073764 ; 0,073764) , ipoteza nula este respinsa , iar
coeficientul de corelatie estimate pentru lagul 3 nu este zero
Lag 4 : -0,035 (-0,073712 ; 0,073712), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 4 este zero.
Lag 5 : -0,03 (-0,073659 ; 0,073659), ipoteza nula este acceptata , iar
coeficientul de corelatie estimate pentru lagul 5 este zero.
Uneori este necesar sa testam ipoteza conform careia mai multi coeficienti de
autocorlatie sunt concomitent nuli. Presupunem ca vom considera m asemenea coeficienti.
Avem perechea de ipoteze :
H0 : 1 = 2 = ...= m = 0 ;
H1 : j 0. Pentru un j dintre cei m;
Pentru acest test se foloseste staistica Q = 𝑇 𝑗2𝑚
𝑗=1 ce urmeaza o repartitie 2 cu m
grade de libertate. 2 critic pentru esantionul de 701 observatii si o probabilitate de 5% este :
763,7046.
QAAPL pentru m=36 are o valoare de 54,56. Cum valoarea 𝑄 a statisticii este mai
mica decat valoarea critica 2 nu putem respinde ipoteza nula, deci prin urmare acceptam ca
rezidurile provin dintr-un white noise.
31 Econometrie – Serii stationare
4.2.3 Teste ale radacinii unitate(Dickey – Fuller)
In cadrul testelor radacina unitate pentru verificarea stationaritatii seriei
randamentelor indicelui S&P perechea de ipoteze care se foloseste este urmatoarea:
H0 : seria este nestationara, are o radacina unitate,
H1 : seria este stationara.
Decizia in testul DF este la fel ca si in cazul testului t-Student de semnificatie pentru
coeficientul modlului de regresie, doar ca aici statistica folosita este statistica τ.
Null Hypothesis: SP has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=19)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -22.63575 0.0000
Test critical values: 1% level -3.439477 5% level -2.865458 10% level -2.568913
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(SP) Method: Least Squares Date: 01/13/11 Time: 01:21 Sample(adjusted): 3 701 Included observations: 699 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
SP(-1) -1.277629 0.056443 -22.63575 0.0000 D(SP(-1)) 0.131408 0.037538 3.500640 0.0005
C -9.79E-05 0.000734 -0.133242 0.8940
R-squared 0.572139 Mean dependent var -9.82E-06 Adjusted R-squared 0.570910 S.D. dependent var 0.029645 S.E. of regression 0.019419 Akaike info criterion -5.040879 Sum squared resid 0.262452 Schwarz criterion -5.021352 Log likelihood 1764.787 F-statistic 465.3484 Durbin-Watson stat 1.982414 Prob(F-statistic) 0.000000
Observam valoarea 𝜏 = -22,63575, mult mai mica decat orice valoare critica, in
consecinta suntem in zona de respingere a ipotezei nule , deci seria randamentelor simple ale
indicelui S&P este o serie stationara. Acest rezultat rezulta si din valoarea probabilitatii
asociate, p. Astfel, aceasta este mai mica decat cel mai restrictiv nivel de relevanta, de 1 la
suta si ca urmare, ipoteza nula – seria este nestationara – este respinsa.
32 Econometrie – Serii stationare
4.2.4 Testarea prezentei ARCH – folosind testul ARCH-LM
ARCH Test:
F-statistic 15.95994 Probability 0.000072 Obs*R-squared 15.64788 Probability 0.000076
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 01/13/11 Time: 01:27 Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 0.000330 4.23E-05 7.796118 0.0000 RESID^2(-1) 0.149522 0.037427 3.994990 0.0001
R-squared 0.022354 Mean dependent var 0.000388 Adjusted R-squared 0.020953 S.D. dependent var 0.001062 S.E. of regression 0.001051 Akaike info criterion -10.87489 Sum squared resid 0.000771 Schwarz criterion -10.86189 Log likelihood 3808.213 F-statistic 15.95994 Durbin-Watson stat 2.103196 Prob(F-statistic) 0.000072
rt2 = 0 + 1*rt-1
2 + vt
Folosim concluziile:
fiecare coeficient din regresia auxiliara este statistic diferit de zero ( p-value
corespunzatoare mici);
testul F ne spune acelasi lucru pentru ansamblul coeficientilor. Deci, putem
respinge ipoteza nula:
0 1: 0H si 2 0
si prin asta acceptam ipoteza alternativa:
1 :H macar unul dintre coeficienti este diferit de zero.
Concluzionam faptul ca avem heteroscedasticitate in date.Cea mai importanta parte a
output-ului testului este prima parte care prezinta cele doua teste statistice F-Statistic si R-
squared si probabilitatile asociate acestor teste. Ipoteza nula a celor doua teste este ca nu
exista corelatie seriala a erorilor ecuatiei de regresie pana la lag-ul k (specificat mai sus).
Daca probabilitatea asociata celor doua teste este inferioara nivelului de relevanta la care se
lucreaza, atunci ipoteza nula este respinsa, deci se respinge inexistenta corelatiei seriale. In
caz contrar ipoteza nula este acceptata, (nu exista corelatie seriala). Pentru indicele S&P
putem observa ca atat probabilitatea testului F-statistic, cat si probabilitatea asociata testului si
R-squared este inferioara nivelului de relevta de 5% deci putem spune ca exista termeni
ARCH in date.
33 Econometrie – Serii stationare
4.2.5 Modele ARMA
MA(1)
Dependent Variable: SP Method: Least Squares Date: 01/13/11 Time: 01:30 Sample: 1 701 Included observations: 701 Convergence achieved after 8 iterations Backcast: 0
Variable Coefficient Std. Error t-Statistic Prob.
C -9.73E-05 0.000617 -0.157739 0.8747 MA(1) -0.163575 0.037310 -4.384263 0.0000
R-squared 0.021481 Mean dependent var -0.000104 Adjusted R-squared 0.020081 S.D. dependent var 0.019720 S.E. of regression 0.019521 Akaike info criterion -5.031796 Sum squared resid 0.266369 Schwarz criterion -5.018807 Log likelihood 1765.644 F-statistic 15.34451 Durbin-Watson stat 1.967763 Prob(F-statistic) 0.000098
Inverted MA Roots .16
MA(1): SP = -9.730623437e-05 + [MA(1)=-0.1635750984,BACKCAST=1]
0
40
80
120
160
200
240
-0.05 0.00 0.05 0.10
Series: Residuals
Sample 1 701
Observations 701
Mean -6.61E-06
Median 0.001379
Maximum 0.111860
Minimum -0.088114
Std. Dev. 0.019507
Skewness -0.122530
Kurtosis 8.201554
Jarque-Bera 792.0195
Probability 0.000000
34 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,000098 si apartine intervalului (0; 0,15) are o
valoare foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci
acceptam ipoteza alternativa conform careia modelul de regresie construit este valid.
Probabilitatea asociata coeficietului et-1 este de 0,000, deci coeficientul este semnificativ din
punct de vedere statistic. Probabilitatea asociata termenului liber este de 0,87, deci nu este
semnificativ din punct de vedere statistic pentru model. R2 are o valoare de 2,14% .
Valoarea testului Durbi-Watson este de 1,96 , fiind apropiata de 2, de unde rezulta ca
nu se confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media
apropiata de zero, iar kurtotica are o valoare de peste 8,2 ceea ce inseamna ca aceasta
distributie este leptokurtotica. Se observa de asemenea ca inversa radacinilor functiei
caracteristice este situata in cercul unitate, deci MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -5.031796 si respectiv
-5.018807.
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
MA roots
Inverse Roots of AR/MA Polynomial(s)
35 Econometrie – Serii stationare
AR(1)
Dependent Variable: SP Method: Least Squares Date: 01/13/11 Time: 01:33 Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C -7.28E-05 0.000655 -0.111164 0.9115 AR(1) -0.129227 0.037492 -3.446780 0.0006
R-squared 0.016736 Mean dependent var -6.94E-05 Adjusted R-squared 0.015327 S.D. dependent var 0.019712 S.E. of regression 0.019561 Akaike info criterion -5.027724 Sum squared resid 0.267073 Schwarz criterion -5.014721 Log likelihood 1761.703 F-statistic 11.88029 Durbin-Watson stat 2.033980 Prob(F-statistic) 0.000601
Inverted AR Roots -.13
AR(1): SP = -7.278122777e-05 + [AR(1)=-0.1292269456]
0
40
80
120
160
200
240
-0.10 -0.05 0.00 0.05 0.10
Series: Residuals
Sample 2 701
Observations 700
Mean 9.15E-16
Median 0.001245
Maximum 0.114363
Minimum -0.090955
Std. Dev. 0.019547
Skewness -0.075125
Kurtosis 8.465931
Jarque-Bera 872.0536
Probability 0.000000
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR roots
Inverse Roots of AR/MA Polynomial(s)
36 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,0006 si apartine intervalului (0; 0,15) are o valoare
foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci acceptam
ipoteza alternativa conform careia modelul de regresie construit este valid. Probabilitatea
asociata coeficietului SPt-1 este de 0,0006, deci coeficientul este semnificativ din punct de
vedere statistic. Probabilitatea asociata termenului liber este de 0,9115, , deci nu este
semnificativ din punct de vedere statistic pentru model. R2 are o valoare de 1,673% .
Valoarea testului Durbi-Watson este de 2,03 , fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor
.In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media
apropiata de zero, iar kurtotica are o valoare de peste 8,46 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar.
Valorile criteriului informational Akaike si Shwartz sunt -5.027724si respectiv -
5.014721.
ARMA(1;1)
Dependent Variable: SP Method: Least Squares Date: 01/13/11 Time: 01:36 Sample(adjusted): 2 701 Included observations: 700 after adjusting endpoints Convergence achieved after 11 iterations Backcast: 1
Variable Coefficient Std. Error t-Statistic Prob.
C -6.10E-05 0.000573 -0.106410 0.9153 AR(1) 0.300175 0.195134 1.538301 0.1244 MA(1) -0.455815 0.182256 -2.500966 0.0126
R-squared 0.025739 Mean dependent var -6.94E-05 Adjusted R-squared 0.022943 S.D. dependent var 0.019712 S.E. of regression 0.019485 Akaike info criterion -5.034065 Sum squared resid 0.264627 Schwarz criterion -5.014561 Log likelihood 1764.923 F-statistic 9.206914 Durbin-Watson stat 1.980020 Prob(F-statistic) 0.000113
Inverted AR Roots .30 Inverted MA Roots .46
ARMA(1;1): SP = -6.102402319e-05 + [AR(1)=0.3001752404,MA(1)=
0.4558153532,BACKCAST=2]
37 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,00011 si apartine intervalului (0; 0,15) are o valoare
foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci acceptam
ipoteza alternativa conform careia modelul de regresie construit este valid. Probabilitatea
asociata coeficietului yt-1 este de 0,1244, deci coeficientul este semnificativ din punct de
vedere statistic.. Probabilitatea asociata termenului et-1 este 0,0126, si acesta putand fi
considerat semnificativ din punct de vedere statistic. Probabilitatea asociata termenului liber
este de 0,9153, deci nu este semnificativ.. R2
are o valoare de 2,57% o vaoare destul de mica.
Valoarea testului Durbi-Watson este de 1,98, fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
0
20
40
60
80
100
120
140
160
-0.05 0.00 0.05 0.10
Series: Residuals
Sample 2 701
Observations 700
Mean 5.23E-06
Median 0.001666
Maximum 0.107078
Minimum -0.086467
Std. Dev. 0.019457
Skewness -0.185269
Kurtosis 7.835579
Jarque-Bera 686.0036
Probability 0.000000
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR roots MA roots
Inverse Roots of AR/MA Polynomial(s)
38 Econometrie – Serii stationare
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media
apropiata de zero, iar kurtotica are o valoare de peste 7,83 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar, iar MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -5.034065 si respectiv -
5.014561.
ARMA(2;1)
Dependent Variable: SP Method: Least Squares Date: 01/13/11 Time: 01:38 Sample(adjusted): 3 701 Included observations: 699 after adjusting endpoints Convergence achieved after 26 iterations Backcast: 2
Variable Coefficient Std. Error t-Statistic Prob.
C -7.85E-05 0.000596 -0.131698 0.8953 AR(1) -0.530618 0.214506 -2.473676 0.0136 AR(2) -0.183473 0.039934 -4.594413 0.0000 MA(1) 0.393213 0.217486 1.807994 0.0710
R-squared 0.037897 Mean dependent var -7.41E-05 Adjusted R-squared 0.033744 S.D. dependent var 0.019726 S.E. of regression 0.019391 Akaike info criterion -5.042360 Sum squared resid 0.261314 Schwarz criterion -5.016325 Log likelihood 1766.305 F-statistic 9.125282 Durbin-Watson stat 1.998022 Prob(F-statistic) 0.000006
Inverted AR Roots -.27 -.34i -.27+.34i Inverted MA Roots -.39
ARMA(2;1): SP = -7.848667643e-05 + [AR(1)=-0.5306183261,AR(2)=-
0.1834727348,MA(1)=0.3932130916,BACKCAST=3]
39 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,000006 si apartine intervalului (0; 0,15) are o
valoare foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci
acceptam ipoteza alternativa conform careia modelul de regresie construit este valid.
Probabilitatea asociata coeficietului yt-1 este de 0,136, deci coeficientul este semnificativ din
punct de vedere statistic. Probabilitatea asociata coeficietului yt-2 este de 0,000, deci
coeficientul este semnificativ din punct de vedere statistic. Probabilitatea asociata termenului
et-1 este 0,071, si acesta putand fi considerat semnificativ din punct de vedere statistic.
Probabilitatea asociata termenului liber este de 0,8953, deci nu este semnificativ.. R2
are o
valoare de 3,789% o vaoare destul de mica.
0
20
40
60
80
100
120
140
-0.05 0.00 0.05 0.10
Series: Residuals
Sample 3 701
Observations 699
Mean 6.91E-06
Median 0.001552
Maximum 0.104142
Minimum -0.084831
Std. Dev. 0.019349
Skewness -0.115520
Kurtosis 7.490772
Jarque-Bera 588.9196
Probability 0.000000
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR roots MA roots
Inverse Roots of AR/MA Polynomial(s)
40 Econometrie – Serii stationare
Valoarea testului Durbi-Watson este de 1,99, fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media
apropiata de zero, iar kurtotica are o valoare de peste 7,49 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar, iar MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -5.042360 si respectiv -
5.016325.
ARMA(2;2)
Dependent Variable: SP Method: Least Squares Date: 01/13/11 Time: 01:41 Sample(adjusted): 3 701 Included observations: 699 after adjusting endpoints Convergence achieved after 64 iterations Backcast: 1 2
Variable Coefficient Std. Error t-Statistic Prob.
C -7.92E-05 0.000612 -0.129273 0.8972 AR(1) -0.604464 0.195772 -3.087588 0.0021 AR(2) -0.296080 0.183776 -1.611091 0.1076 MA(1) 0.471963 0.202707 2.328305 0.0202 MA(2) 0.114757 0.194058 0.591356 0.5545
R-squared 0.038327 Mean dependent var -7.41E-05 Adjusted R-squared 0.032784 S.D. dependent var 0.019726 S.E. of regression 0.019400 Akaike info criterion -5.039946 Sum squared resid 0.261197 Schwarz criterion -5.007402 Log likelihood 1766.461 F-statistic 6.914798 Durbin-Watson stat 2.006565 Prob(F-statistic) 0.000018
Inverted AR Roots -.30+.45i -.30 -.45i Inverted MA Roots -.24+.24i -.24 -.24i
ARMA(2;2): SP = -7.916815084e-05 + [AR(1)=-0.6044639328,AR(2)=-
0.2960803045,MA(1)=0.4719634871,MA(2)=0.1147571517,BACKCAST=3]
41 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,000018 si apartine intervalului (0; 0,15) are o
valoare foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci
acceptam ipoteza alternativa conform careia modelul de regresie construit este valid.
Probabilitatea asociata coeficietului yt-1 este de 0,0021, deci coeficientul este semnificativ din
punct de vedere statistic. Probabilitatea asociata coeficietului yt-2 este de 0,1076, deci
coeficientul este semnificativ din punct de vedere statistic. Probabilitatea asociata termenului
et-1 este 0,0202, si acesta putand fi considerat semnificativ din punct de vedere statistic.
Probabilitatea asociata termenului et-2 este 0,5545, deci nu putem afirma nimic in legatura cu
0
20
40
60
80
100
120
140
-0.05 0.00 0.05 0.10
Series: Residuals
Sample 3 701
Observations 699
Mean 9.36E-06
Median 0.001440
Maximum 0.104982
Minimum -0.085330
Std. Dev. 0.019344
Skewness -0.089573
Kurtosis 7.537835
Jarque-Bera 600.6752
Probability 0.000000
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR roots MA roots
Inverse Roots of AR/MA Polynomial(s)
42 Econometrie – Serii stationare
semnificatia statistica a acestui coeficient. Probabilitatea asociata termenului liber este de
0,8972, deci nu este semnificativ.. R2 are o valoare de 3,83% o vaoare destul de mica.
Valoarea testului Durbi-Watson este de 2,006, fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media
apropiata de zero, iar kurtotica are o valoare de peste 7,53 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar, iar MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -5.039946 si respectiv -
5.007402.
ARMA(3;2)
Dependent Variable: SP Method: Least Squares Date: 01/13/11 Time: 01:43 Sample(adjusted): 4 701 Included observations: 698 after adjusting endpoints Convergence achieved after 31 iterations Backcast: 2 3
Variable Coefficient Std. Error t-Statistic Prob.
C -5.67E-05 0.000605 -0.093700 0.9254 AR(1) -1.213992 0.212312 -5.717962 0.0000 AR(2) -0.678186 0.210683 -3.218987 0.0013 AR(3) -0.126158 0.052239 -2.415015 0.0160 MA(1) 1.079324 0.210815 5.119764 0.0000 MA(2) 0.407555 0.200481 2.032887 0.0424
R-squared 0.039742 Mean dependent var -4.79E-05 Adjusted R-squared 0.032803 S.D. dependent var 0.019728 S.E. of regression 0.019402 Akaike info criterion -5.038333 Sum squared resid 0.260492 Schwarz criterion -4.999237 Log likelihood 1764.378 F-statistic 5.727863 Durbin-Watson stat 1.998689 Prob(F-statistic) 0.000034
Inverted AR Roots -.32 -.45 -.44i -.45+.44i Inverted MA Roots -.54+.34i -.54 -.34i
ARMA (3;2): SP = -5.670755573e-05 + [AR(1)=-1.213992197,AR(2)=-
0.6781857563,AR(3)=0.1261577045,MA(1)=1.079323845,MA(2)=0.4075553095,B
ACKCAST=4]
43 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,000034 si apartine intervalului (0; 0,15) are o
valoare foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci
acceptam ipoteza alternativa conform careia modelul de regresie construit este valid.
Probabilitatile asociate tuturor coeficientilor modelului, cu exceptia termenului liber se afla in
intervalul (0;0,15), deci acestia sunt semnificativi sdin punct de vedere statistic pentru model.
Probabilitatea asociata termenului liber este de 0,9254 deci nu este semnificativ.. R2
are o
valoare de 3,97% o vaoare destul de mica.
Valoarea testului Durbi-Watson este 1,99, fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
0
20
40
60
80
100
120
140
-0.05 0.00 0.05 0.10
Series: Residuals
Sample 4 701
Observations 698
Mean 7.32E-06
Median 0.001443
Maximum 0.104142
Minimum -0.085068
Std. Dev. 0.019332
Skewness -0.094602
Kurtosis 7.428210
Jarque-Bera 571.3374
Probability 0.000000
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR roots MA roots
Inverse Roots of AR/MA Polynomial(s)
44 Econometrie – Serii stationare
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media
apropiata de zero, iar kurtotica are o valoare de peste 7,42 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar, iar MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -5.038333 si respectiv -
4.999237.
ARMA(3;3)
Dependent Variable: SP Method: Least Squares Date: 01/13/11 Time: 01:47 Sample(adjusted): 4 701 Included observations: 698 after adjusting endpoints Convergence achieved after 30 iterations Backcast: 1 3
Variable Coefficient Std. Error t-Statistic Prob.
C -6.22E-05 0.000593 -0.104874 0.9165 AR(1) -0.855992 0.740549 -1.155888 0.2481 AR(2) -0.422721 0.490403 -0.861988 0.3890 AR(3) 0.058816 0.274929 0.213931 0.8307 MA(1) 0.721642 0.739997 0.975196 0.3298 MA(2) 0.196458 0.406239 0.483601 0.6288 MA(3) -0.126320 0.196807 -0.641846 0.5212
R-squared 0.040136 Mean dependent var -4.79E-05 Adjusted R-squared 0.031801 S.D. dependent var 0.019728 S.E. of regression 0.019412 Akaike info criterion -5.035879 Sum squared resid 0.260385 Schwarz criterion -4.990266 Log likelihood 1764.522 F-statistic 4.815606 Durbin-Watson stat 2.001224 Prob(F-statistic) 0.000079
Inverted AR Roots .11 -.48 -.54i -.48+.54i Inverted MA Roots .27 -.50+.47i -.50 -.47i
ARMA (3;3): SP = -6.21915418e-05 + [AR(1)=-0.8559920365,AR(2)=-
0.4227212683,AR(3)=0.05881591979,MA(1)=0.7216418332,MA(2)=0.1964576439,
MA(3)=-0.1263201421,BACKCAST=4]
45 Econometrie – Serii stationare
Validitatea modelului de regresie este data de testul F-statistic. Intrucat
probabilitatea testului F-statistic este de 0,000079 si apartine intervalului (0; 0,15) are o
valoare foarte mica , in concluzie facem o eroare mica prin respingerea ipotezei nule, deci
acceptam ipoteza alternativa conform careia modelul de regresie construit este valid.
Probabilitatile asociate tuturor coeficientilor modelului, cu exceptia termenului liber se afla in
intervalul (0,15;0,85), deci nu se poate concluziona cu privire la semnificatia econometrica a
coeficientilor. Probabilitatea asociata termenului liber este de 0,9165 deci nu este
semnificativ.. R2 are o valoare de 4,01% o vaoare destul de mica.
0
20
40
60
80
100
120
140
-0.05 0.00 0.05 0.10
Series: Residuals
Sample 4 701
Observations 698
Mean 2.21E-06
Median 0.001348
Maximum 0.102505
Minimum -0.085397
Std. Dev. 0.019328
Skewness -0.121316
Kurtosis 7.360398
Jarque-Bera 554.6757
Probability 0.000000
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR roots MA roots
Inverse Roots of AR/MA Polynomial(s)
46 Econometrie – Serii stationare
Valoarea testului Durbi-Watson este 2,001, fiind apropiata de 2 rezulta ca nu se
confirma prezenta autocorelatiei erorilor.
In ceea ce priveste ipoteza de normalitate, in exemplul de mai sus, conform
rezultatelor statistice, distributia evolutiilor zilnice ale rentabilitatii indicelui S&P are media
apropiata de zero, iar kurtotica are o valoare de peste 7,36 ceea ce inseamna ca aceasta
distributie este leptokurtotica.
Se observa de asemenea ca inversa radacinilor functiei caracteristice este situata in
cercul unitate, deci procesul AR este stationar, iar MA inversabil.
Valorile criteriului informational Akaike si Shwartz sunt -5.035879 si respectiv -
4.990266.
In urma analizarii celor sase modele ARMA, am obtinut urmatoarele rezultate
sintetizate in tabelul urmator:
Model Akaike Shwartz Prob(F-statistic)
MA(1) -5.031796 -5.018807 0.000098
AR(1) -5.027724 -5.014721 0.000601
ARMA(1;1) -5.034065 -5.014561 0.000113
ARMA(2;1) -5.042360 -5.016325 0.000006
ARMA(2;2) -5.039946 -5.007402 0.000018
ARMA(3;2) -5.038333 -4.999237 0.000034
ARMA(3;3) -5.035879 -4.990266 0.000079
Avand in vedere faptul ca toate modelele analizate sunt valide din punct de vedere
econometric, am ales cel mai bun model prin compararea criteriilor informationale Akaike si
Shwartz. Astfel, am ales pentru realizarea previziunii modelul ARMA(2;1)
47 Econometrie – Serii stationare
4.2.6 Previziune ARMA(2;1)
Previziune statica
In urma analizei previziunii statice observam o valoare a lui „ Theil Ineyuality
Coefficient” este cuprinsa in intervalul (0,1) fiind un coeficient de apreciere a evaluarii.
Pentru ca ajunstarea sa fie buna coeficientul ar trebui sa aiba o valoarea apropiata de zero. In
cazul acestui exemplu valoarea coeficientului este destul de mare.
De asemenea observam Mean ABS. Precent Error care indica abaterile relative medii
ale valorilor previzionate de la cele observate este foarte mare.
Bias Proportion, Variance Proportion si Covariance Proportion insumate trebuie sa
dea 1 deoarece ele exprima proportional cele trei componete ale descompunerii mediei
patratelor abaterilor valorilor previzionate fata de valorile observale. O previziunea buna este
atunci cat primele doua componente sunt mici si cea de-a treia este mare fiind apropiata de 1.
In exemplu nostru Bias Proportion este 0,00222 si este mic exprimand patratul abaterii intre
valorile medii ale celor doua secvente. Variance Proportion este de 0,9135 o valorea foarte
mare care indica o previziune nu tocmai buna. In final, covariance proportion care exprima
cat de legate sunt datele depinzand de coeficientul de corelatie are o valoare de 0,0842 fiind
destul de mica.
-.06
-.04
-.02
.00
.02
.04
.06
650 660 670 680 690 700
SP_BF
Forecast: SP_BF
Actual: SP_B
Forecast sample: 650 701
Included observations: 52
Root Mean Squared Error 0.024847
Mean Absolute Error 0.016832
Mean Abs. Percent Error 100.1267
Theil Inequality Coefficient 0.963942
Bias Proportion 0.002221
Variance Proportion 0.913552
Covariance Proportion 0.084227
48 Econometrie – Serii stationare
In figura de mai jos prezentam evolutia valorilor observate completate pe orizontul
de previziune cu evolutia valorilor previzionate.
Previziune dinamica
-.12
-.08
-.04
.00
.04
.08
.12
100 200 300 400 500 600 700
SP_B SP_BF
-.06
-.04
-.02
.00
.02
.04
.06
650 660 670 680 690 700
SP_BF
Forecast: SP_BF
Actual: SP_B
Forecast sample: 650 701
Included observations: 52
Root Mean Squared Error 0.024824
Mean Absolute Error 0.016846
Mean Abs. Percent Error 98.30753
Theil Inequality Coefficient 0.985596
Bias Proportion 0.002293
Variance Proportion 0.965987
Covariance Proportion 0.031719
49 Econometrie – Serii stationare
In urma analizei previziunii dinamice observam o valoare a lui „ Theil Ineyuality
Coefficient” este cuprinsa in intervalul (0,1) fiind un coeficient de apreciere a evaluarii.
Pentru ca ajunstarea sa fie buna coeficientul ar trebui sa aiba o valoarea apropiata de zero. In
cazul acestui exemplu valoarea coeficientului este destul de mare.
De asemenea observam Mean ABS. Precent Error care indica abaterile relative medii
ale valorilor previzionate de la cele observate este foarte mare.
Bias Proportion, Variance Proportion si Covariance Proportion insumate trebuie sa
dea 1 deoarece ele exprima proportional cele trei componete ale descompunerii mediei
patratelor abaterilor valorilor previzionate fata de valorile observale. O previziunea buna este
atunci cat primele doua componente sunt mici si cea de-a treia este mare fiind apropiata de 1.
In exemplu nostru Bias Proportion este 0,002293 si este mic exprimand patratul abaterii intre
valorile medii ale celor doua secvente. Variance Proportion este de 0,9659 o valorea foarte
mare care indica o previziune nu tocmai buna. In final, covariance proportion care exprima
cat de legate sunt datele depinzand de coeficientul de corelatie are o valoare de 0,0317 fiind
destul de mica.
In figura de mai jos prezentam evolutia valorilor observate completate pe orizontul
de previziune cu evolutia valorilor previzionate.
-.12
-.08
-.04
.00
.04
.08
.12
100 200 300 400 500 600 700
SP_B SP_BF