Trenduri economice, indici bursieri şi psihologia maselor ... Novischi.pdf · Novischi Iulian...

Colecț ia de working papers ABC-UL LUMII FINANCIARE

WP nr. 3/2015

Trenduri economice, indici bursieri şi psihologia maselor:

previzionarea indicelui bursier Dow Jones Industrial Average

Novischi Iulian

Facultatea de Finanţe, Asigurări, Bănci şi Burse de Valori, anul III

[email protected]

Coordonatorul lucrării

Prof.univ.dr. Dragotă Victor

Rezumat. La sfârşitul anului 1975, John Bogle a surprins comunitatea investitorilor din

Statele Unite ale Americii prin introducerea primului fond mutual de tip index, bazat pe S&P

500. Abilitatea de a obţine performanţe superioare pe termen lung, în comparaţie cu

fondurile de investiţii convenţionale, a condus la formarea o noi clase de investitori,

dependentă în totalitate de performanţele indicilor bursieri.

Scopul acestei lucrări este de a elabora o metodă fiabilă pentru a identifica posibile

schimbări de trend pe termen mediu, folosind ca suport indicele DJIA, o astfel de prognoză

fiind importantă pentru selectarea unei poziţii investiţionale pe baza direcţiei trendului pieţei.

Cuvinte – cheie: burse de valori, indici bursieri, indicatori macroeconomici, finanţe

comportamentale, previziune.

Clasificare JEL: G17.

Clasificare REL: 11B.

1.Introducere

Scopul acestei lucrări este identificarea evoluţiei viitoare a indicelui bursier Dow Jones

Industrial Average. De ce este aceasta analiză importantă? Din mai multe motive. 1. Indicii

bursieri reflectă trendul general al pieţei, sunt urmăriţi de toţi participanţii din piaţa bursieră,

şi de potenţiali participanţi. Implicit, indicii au un impact puternic asupra comportamentului

investiţional sau speculativ, şi asupra deciziei de cumpărare sau vânzare. 2. Indicii bursieri

sunt folosiţi drept etalon („benchmark”) pentru administrarea unui portofoliu, influenţând în

mod direct rentabilitatea şi riscul aşteptat al unui portofoliu. 3. Folosind indicii bursieri drept

suport au fost dezvoltate diverse instrumente derivate care ajută investitorii să plaseze în piaţă

tranzacţii speculative sau să îşi micşoreze riscul asumat. 4. Deoarece indicii bursieri exprimă

media valorii preţului acţiunilor componente, aceştia pot fi folosiţi pentru a se estima evoluţia

pieţei de capital, şi chiar a economiei. 5. Inovaţiile financiare disponibile astăzi, precum

fondurile tranzacţionate pe bursă (ETF) sau fondurile de tip index, permit cumpărarea unui

portofoliu similiar cu un indicele bursier vizat de investitor.

Indicele Dow Jones Industrial Average a fost ales pentru această analiză deoarece este

cel mai cunoscut indice bursier la nivel internaţional, reflectă trendurile pieţei bursiere ale

Statelor Unite ale Americii pe termen lung, iar impactul unei analize asupra evoluţiei sale pe

termen mediu poate aduce un plus de informaţie unei mase mari de investitori individuali

(investitorii instituţionali utilizează tehnici de analiză al căror nivel de sofisticare nu poate fi

Novischi Iulian

Trenduri economice, indici bursieri şi psihologia maselor:previzionarea indicelui bursier Dow Jones Industrial Average

atins de această lucrare). Pe baza rezultatelor prezentate, investitorii pot lua o decizie de a

investi în piaţa de capital sau de a vinde pentru a-şi reduce poziţiile.

Acestă cercetare utilizează metode de estimare a modelelor şi de previzionare preluate

din mai multe studii academice, dar şi din mediul „practicienilor”, cu scopul de a le testa

pentru a observa care poate previziona cât mai corect posibil evoluţia viitoare a indicelui

DJIA. Deoarece corectitudinea prognozelor realizate se va putea cuantifica pe o perioadă

îndelungată de timp, între 2 şi 5 ani, acest articol poate constitui o bază pentru testarea unor

noi variabile explicative prin introducerea unor modele econometrice actuale şi a unor

concepte de inteligenţa artificială, împreună cu implementarea unei analize tehnice mai

detaliate.

Sursele de informare utilizate în elaborarea acestei lucrări vor fi prezentate pe parcursul

capitolului imediat următor. Capitolul trei conţine metodologia aplicată în studiile realizate.

Capitolul patru va prezenta studiul de caz şi rezultatele obţinute. Capitolul cinci va

concluziona articolul. Pentru a menţine o fluiditate cât mai bună a lecturii, în cadrul fiecărui

capitol vor fi precizate legături către tabele sau grafice incluse în anexă.

2.Stadiul cunoaşterii

2.1. Istoric DJIA

Charles H. Dow a creat indicele DJIA într-o epocă în care piaţa bursieră era puţin

utilizată de investitori şi mai puţin înţeleasă. Investitorii prudenţi cumpărau titluri de

trezorerie, instrumente care plătesc în mod constant sume predictibile, specificate în

certificatul de emisiune. Pe vremea aceea, chiar şi investitorii profesionişti de pe Wall Street

aveau o mare problemă în identificarea evoluţiei pieţei de la o zi la alta – trendul era

ascendent, descendent sau orizontal? Pentru a elimina confuzia, în 1884 Charles Dow a creat

un indice bursier format din 11 companii, majoritatea căi ferate, primele corporaţii dezvoltate

în Statele Unite ale Americii. Deşi astăzi ideea de a însuma preţul mai multor acţiuni şi a

împărţi la numărul lor pare simplistă având în vedere multitudinea de indici sofisticaţi care ne

înconjoară, la acea vreme ideea lui Dow a fost revoluţionară.

Dow Jones Industrial Average a fost cotat pentru prima oară pe 26 mai 18961, valoarea

de bază (40.94 dolari) fiind calculată în funcţie de preţul acţiunilor celor 122 companii

industriale aflate în componenţă. Obiectivul principal al DJIA este formarea unui imagini

clare şi precise asupra evoluţiei pieţei de capital, şi prin extensie, a economiei americane. În

1916, numărul de acţiuni incluse în indice a fost ridicat la 20, ca mai apoi, în 1928, 30 de

acţiuni să devină componente ale DJIA, valoare păstrată şi astăzi.

Folosind datele de închidere lunare, preluate în mod iniţial de pe website-ul

MeasuringWorth.com3, am prezentat evoluţia indicelui DJIA începând cu luna ianuarie 1915

în graficul 4.18 din anexă.

2.2. Stadiul actual al cunoaşterii

Previziunea preţului unui activ financiar este una dintre cele mai abordate teme în mediul

academic, dar mai ales în mediul privat, datorită importanţei sale economice – identificarea

unei metode eficiente şi fiabile de previzionare poate facilita creşterea profiturilor în orice

domeniu economic, nu doar pe piaţa de capital. Din acest motiv, este posibil ca elementele

preluate de această lucrare din alte cercetări să nu fie cele mai eficiente, datorită nepublicării

1 Dow Jones Averages – Overview – S&P Dow Jones Indices LLC - http://www.djaverages.com/?go=industrial-overview 2 Dintre acele 12 companii făcea parte şi General Electric, companie care este şi în prezent în componenţa indicelui 3 MeasuringWorth.com (http://measuringworth.com/DJA/)

http://www.djaverages.com/?go=industrial-overview

http://measuringworth.com/DJA/


WP nr. 3/2015

metodelor deja testate care au condus la rezultate de succes. Anticipând această posibilitate,

în această lucrare au fost utilizate mai multe metode de estimare.

Această secţiune va prezenta sursele din care au fost preluate variabilele explicative

(macroeconomice, indicatori ai pieţei de capital şi indicatori ai sentimentului investitorilor

sau a populaţiei în general), şi motivaţia pentru includerea acestora în prezenta lucrare.

Tabelul 2.01, inclus la finalul secţiunii va sumariza variabilele explicative utilizate şi va

prezenta impactul observat în această lucrare asupra evoluţiei viitoare a indicelui DJIA.

Andreas F. Clenow, descrie în „Following the trend – Diversified Managed Futures

Trading” o metodă simplă de a îmbunătăţi rezultatul unei corelaţii – seriile de date folosite

trebuie logaritmate (se obţin randamente logaritmice a seriei de date iniţiale). Prin această

metodă se menţine comparabilitatea seriilor de date pe termen lung şi se pot identifica în mod

precis corelaţiile existente. Acelaşi proces a fost folosit şi pentru seria de date a indicelui

DJIA.

O altă etapă necesară în evaluarea unei corelaţii sau a unei prognoze asupra indicelui

bursier este evaluarea volatilităţii. Includerea volatilităţii în cadrul variabilelor explicative nu

produce totuşi modificări asupra seriei de randamente DJIA.

Peter Navaro, în „Sincronizarea strategiei de afaceri cu ciclurile economice” sugerează

utilizarea curbei randamentelor pentru a identifica evoluţia viitoare a trendului economic.

Indicator anticipativ, curba ranadamentelor a semnalat corect cinci din şase recesiuni (curba

randamentelor s-a aplatizat, şi mai apoi s-a inversat, în medie cu opt trimestre înainte de

apariţia recesiunii). Prin implementarea testului Granger nu s-a identificat o corelaţie între

panta curbei randamentelor şi seria randamentelor logaritmice a DJIA.

Shaikh A. Hamid et al, susţin („Price transmission between DJIA, S&P 500, CPI, PPI”)

că evoluţia indicilor DJIA şi S&P500 nu este influenţată de inflaţie, exprimată prin indicele

preţurilor de consum (CPI) şi prin indicele preţurilor producătorilor (PPI), folosind o analiză

VAR şi testarea cauzalităţii prin aplicarea testului Granger. Prin analiza realizată am

demonstrat contrariul, atât CPI cât şi PPI fiind incluse în modelele cu putere informaţională

maximă estimate.

Robert D. Gay, Jr într-o cercetare asupra pieţelor de capital din Brazilia, Rusia, China şi

India („Effect Of Macroeconomic Variables On Stock Market Returns For Four Emerging

Economies: Brazil, Russia, India, And China”) a identificat lipsa unei legături între indicii

bursieri şi modificarea ratei de curs de schimb. Folosind evoluţia dolarului american pe baza

US Dollar Index (coş valutar ponderat format din 6 monede – Euro, Yen japonez, Liră

sterlină, Dolar canadian, Coroană suedeză, Franc elveţian) nu a fost identificat un impact

asupra asupra evoluţiei seriei de randamente a DJIA. Deasemenea, în aceeiaşi cercetare,

Robert D. Gay a analizat puterea informaţională a seriilor de randamente ale indicilor bursieri

pentru a testa calitatea prognozelor. Folosind un model ARIMA, acesta a concluzionat că pe

baza metodei folosite seria istorică de date nu poate fi folosită pentru a realiza prognoze de

calitate. La acelaşi rezultat s-a ajuns şi în prezenta cercetare – implementarea unor modele

ARMA, estimate pe diferite intervale de timp, a condus către realizarea unor previziuni cu

erori grave.

În mod teoretic, modificarea masei monetare în circulaţie, conduce la modificări ale

preţurilor activelor. Această ipoteză, folosită de Christopher M. Bilson pentru a identifica

efectul evoluţiei masei monetare asupra indicilor bursieri din ţările emergente („Selecting

macroeconomic variables as explanatory factors of emerging stock market returns”) este

testată folosind un model multifactorial şi validată, fiind descoperite influenţe considerabile.

Novischi Iulian


În cazul DJIA, nu au fost descoperite influenţe, prin utilizarea testului de cauzalitate Granger.

Deoarece valoarea bazei monetare nu este singurul factor determinat, am decis testarea

vitezei de rotaţie a banilor calculată de Federal Reserve, însă nu au fost identificate influenţe

asupra seriei de randamente logaritmice a DJIA.

Mark T. Leung et al, articolul “Forecasting stock indices: a comparison of classification

and levelestimation models”, utilizează în prognoza indicilor bursieri un model de tip mixt

(ARIMA + variabile exogene) pentru a identifica cu succes direcţia trendului, nu o valoare

ţintă. Variabilele exogene utilizate sunt: rata de dobândă de politică monetară, CPI, producţia

industrială, lag-uri ale valorii indicelui bursier.

Clive W.J Granger expune o altă abordare în prognoza indicilor bursieri în articolul

“Forecasting stock market prices: Lessons for forecasters”, sugerând utilizarea modelelor non

liniare, adoptarea unui orizont de timp îndelungat şi eliminarea variaţiilor care se încadrează

în

afara intervalului de variaţie obişnuit.

Mark J. Flannery et al prezintă în cadrul studiului „Macroeconomic factors do influence

aggregate stock returns” impactul a 17 variabile macroeconomice asupra rentabilităţii şi

riscului portofoliului pieţei, folosind un model GARCH aplicat pe intervalul 1980-1996. Deşi

indicele preţului imobiliarelor S&P/Case-Shiller şi rata şomajului raportată în SUA nu au fost

identificate drept variabile cu un impact asupra unui portofoliu similar cu cel al pieţei, au fost

testate în prezenta lucrare datorită importanţei acordate de investitori şi de mass media.

Modificarea variabilelelor nu generează modificări seriei de randamente DJIA, conform

testului de cauzalitate Granger, fapt identificat şi în lucrarea originală.

Contribuţie personală: în cadrul lucrărilor citite nu am observat utilizarea ratei

economisirii gospodăriilor. Ipoteză: fără a economisi o persoană nu poate investi în piaţa de

acţiuni. Implicit modificarea ratei de economisire va influenţa evoluţia indicelui DJIA, format

din companii cu capitalizare mare şi cu acţionari diverşi. Această ipoteză s-a dovedit validă,

cel mai probabil, datorită maturităţii pieţei de acţiuni din SUA, a culturii de a investi în piaţa

de capital în vederea pensionării şi a numărului de investitori atraşi.

Mark Boucher, prezintă în cartea sa „The Hedge Fund Edge - Maximum Profit/Minimum

Risk Global Trend Trading Strategies” o analiză asupra importanţei lichidităţii în evoluţia

preţurilor pe piaţa de capital. Unul dintre indicatorii descoperiţi drept importanţi este evoluţia

valorii creditului acordat pentru tranzacţiile în marjă (margin debt). Aceasta are o evoluţie

asemănătoare cu indicii bursieri, înregistrând scăderi înainte de realizarea maximelor istorice.

în prezenta cercetare, a fost deasemenea identificată drept o variabilă care impactează

evoluţia DJIA. O altă variabilă explicativă identificată de acest autor, şi utilizată este volumul

mediu tranzacţionat. Aceasta are o evoluţie asemănătoare cu indicatorul prezentat anterior –

în ultimele sesiuni de tranzacţionare, în apropierea maximului, volumul scade, indicând o

scădere a lichidităţii disponibile în piaţă. Deoarece indicele DJIA are în componenţă acţiuni

listate atât pe bursa NYSE cât şi pe NASDAQ, volumul tranzacţionat a fost calculat folosind

o medie ponderată cu capitalizarea burselor. Folosind testul Granger, modificările acestei

variabile nu influenţează modificările valorii DJIA. Totuşi, modificarea volumului

tranzacţionat pe NYSE influenţează modificările valorii DJIA.

Contribuţie personală: 1) A fost testată influenţa numărului de oferte publice iniţiale.

Ipoteză: Creşterea numărului de oferte publice iniţiale conduce la creşterea valorii indicilor

bursieri, deoarece companiile tind să se listeze la bursă în perioadele în care trendul este

pozitiv. Această ipoteză a fost invalidată de testul de cauzalitate Granger.

2) A fost testată influenţa capitalizării bursiere asupra valorii indicelui bursier DJIA.

Ipoteză: în cadrul capitalizării bursiere este inclusă valoarea cumulată a tuturor acţiunilor

listate pe NYSE şi NASDAQ, în timp ce DJIA este format din 30 de companii componente,


WP nr. 3/2015

cu capitalizare mare, care înregistrează valori ale indicatorului beta reduse. Este posibil ca

modificarea valorii capitalizării bursiere cauzată de modificarea valorii acţiunilor cu o

capitalizare bursieră mai mică, să semnaleze viitoare modificări a indicelui DJIA. Această

ipoteză a fost validată de testul de cauzalitate Granger, capitalizarea bursieră fiind utilizată şi

în două din cele patru modele de putere informaţională maximă.

Robin Greenwood şi Andrei Shleifer prezintă în articolul „Expectations of Returns and

Expected Returns” o analiză a aşteptărilor investitorilor în raport cu rentabilitatea aşteptată. O

variabilă explicativă care exprimă asteptările investitorilor este diferenţa dintre intrările şi

ieşirile de numerar din fondurile ETF. În lucrarea prezentă, modificările acestei variabile

determină modificări în seria rentabilităţilor DJIA, însă datorită datelor diponibile pe un

interval scurt , variabila nu a putut fi inclusă în modelele de putere informaţională maximă.

Robert Shiller în studiul „From Efficient Markets Theory to Behavioral Finance”

prezintă o trecere în revistă detaliată a evoluţiei teoriilor financiare pe parcursul ultimelor

decenii. Pentru a evidenţia sentimentul investitorilor retail şi instituţionali, Shiller împreună

cu univeristatea Yale din Statele Unite ale Americii au creat patru indicatori de sentiment4.

Aceştia identifică în mod separat: încrederea în evoluţia pozitivă a pieţei pe parcursul unui an;

intenţia investitorilor de a cumpăra în cazul unei corecţii de preţ; încrederea în apariţia unei

posibile corecţii puternice a pieţei în următoarele 6 luni; percepţia evaluării corecte a pieţei.

Gene Amromin şi Steven A. Sharpe utilizează indicatori de sentiment diferiţi în studiul

„From the Horse’s Mouth: How do Investor Expectations of Risk and Return Vary with

Economic Conditions?”, indicatori dezvoltaţi de University of Michigan, pentru a investiga

comportamentul investitorilor individuali. Aceştia tind să considere riscul mai puţin

important atunci când economia este în creştere şi deasemenea au aşteptări mai mari în

privinţa randamentelor viitoare pe care le pot obţine în piaţă. Pe baza acestor rezultate se

poate investiga dacă investitorii individuali tind să investească mai multe fonduri în piaţa de

capital în apropierea maximelor istorice, însă variabilele explicative preluate din acest studiu

nu cauzeaza modificări seriei de randamente a DJIA.

Selene Yue Xu în studiul „Stock Price Forecasting Using Information from Yahoo

Finance and Google Trend” prezintă existenţa unor corelaţii semnificative la nivel

săptămânal între randamentul acţiunilor şi informaţiile extrase din motorul de căutare Google

folosind Google Trends. Un rezultat similar a fost identificat şi în prezenta lucrarea, trendul

de căutare Google (termeni utilizaţi: „Dow Jones Industrial Average”, „djia”, „dow”) fiind

utilizat în cadrul unui model de putere informaţională maximă.

Tabel 2.01 – Variabilele explicative utilizate în analiză Nr. Variabile explicative Impact observat asupra DJIA

Variabile explicative macroeconomice

1 Curba randamentelor Test Granger - modificările acestui indicator nu cauzează

modificări seriei de randamente DJIA

2 CPI Influenţează evoluţia DJIA

3 PPI Influenţează evoluţia DJIA

4 US Dollar index Test Granger - modificările acestui indicator nu cauzează


5 Baza monetară Test Granger - modificările acestui indicator nu cauzează


6 Viteza de rotaţie a banilor (M1, M2,

M3)

Test Granger - modificările acestui indicator nu cauzează


7 Rata de dobândă de politică monetară Test Granger - modificările acestui indicator nu cauzează


4 Stock Market Confidence Indices - http://som.yale.edu/faculty-research/our-centers-initiatives/international-

center-finance/data/stock-market-confidence-indices/stock-market-confidence-indices

http://som.yale.edu/faculty-research/our-centers-initiatives/international-center-finance/data/stock-market-confidence-indices/stock-market-confidence-indices


Novischi Iulian


8. Indicele preţului imobiliarelor

S&P/Case-Shiller U.S.



9. Rata şomajului în SUA Test Granger - modificările acestui indicator nu cauzează


10. Rata economisirii gospodăriilor Influenţează evoluţia DJIA

Variabile explicative – indicatori ai pieţei de capital

11. Volatilitatea indicelui DJIA Test Granger - modificările acestui indicator nu cauzează


12. Valoarea creditului acordat pentru

tranzacţiile în marjă

Influenţează evoluţia DJIA

13. Volumul mediu tranzacţionat (medie

ponderată NYSE, NASDAQ)



14. Volumul mediu tranzacţionat NYSE Influenţează evoluţia DJIA, însă nu a fost inclus în modelele

de putere informaţională maximă

15. Capitalizare bursieră cumulată (NYSE,

NASDAQ)


16. Numărul de oferte publice iniţiale

derulate cumulate (NYSE, NASDAQ)



17. Diferenţa dintre intrările şi ieşirile de

numerar din fondurile tranzacţionate pe

bursă (ETF) care urmăresc evoluţia

DJIA

Influenţează evoluţia DJIA, însă nu a fost inclus în modelele


Variabile explicative – indicatori ai sentimentului investitorilor

18. Indicele încrederii în evoluţia pozitivă a

pieţei peste 1 an – investitori

individuali



19. Indicele încrederii în evoluţia pozitivă a

pieţei peste 1 an – investitori

instituţionali



20. Indicele „Buy on dips” – investitori

individuali



21. Indicele „Buy on dips” – investitori

instituţionali



22. Indicele încrederii în apariţia unei

corecţii a pieţei în următoarele 6 luni –

investitori individuali


23. Indicele încrederii în apariţia unei

corecţii a pieţei în următoarele 6 luni –

investitori instituţionali



24. Indicele evaluării corecte a pieţei –

investitori individuali



25. Indicele evaluării corecte a pieţei –

investitori instituţionali

Influenţează evoluţia DJIA, însă nu a fost inclus în modelele


26. Încrederea consumatorilor din SUA Test Granger - modificările acestui indicator nu cauzează


27. Rata aşteptată a inflaţiei în următorul

an



28. Rata aşteptată a inflaţiei în 5 ani Test Granger - modificările acestui indicator nu cauzează


29. Trenduri de căutare Google Influenţează evoluţia DJIA

3.Prezentarea metodologiei

Pe parcursul lucrării au fost testate mai multe ipoteze legate de previziunea indicilor

bursieri. Prin utilizarea modelelor structurale liniare a fost testata abilitatea variabilelor

explicative preluate din diverse surse macroeconomice, din piaţa de capital sau a unor

indicatori a sentimentului investitorilor, de a previziona valoarea DJIA. O alta abordare s-a

bazat pe conceptul integrării complete a informaţiei în preţul acţiunilor, şi implicit în preţul


WP nr. 3/2015

indicilor bursieri, prin implementarea unui model recursiv de tip ARMA. Folosind primele

două abordări au fost testate modele de tip mixt, care îmbină componenta structurală cu o

componentă ARMA pentru a extrage puterea informaţională maximă în vederea estimării

valorii DJIA. În afara modelelor cantitative au fost utilizate trei tehnici de analiză tehnică,

pornind de la ipoteza folosită şi în cazul modelelor recursive – în cadrul preţului sunt incluse

toate informaţiile deoarece decizia de cumpărare sau vânzarea a fost luată deja de investitori

sau speculatori, pe baza informaţiilor disponibile până la acel moment.

Capitolul dedicat metodologiei prezinta în ordine: 1) construcţia bazei de date formate

din valori istorice ale DJIA, 2) modul în care variabilele explicative au fost alese, 3)

construcţia bazei de date formate din variabile explicative, 4) metodologia de construcţie a

modelelor structurale, 5) teste utilizate pentru sortarea variabilelor explicative, 6) procesele

de construcţie a modelelor utilizate şi 7) estimarea variabilelor explicative pentru a facilita

prognoze pe termen lung.

3.1. Construcţia bazei de date formate din valori istorice ale indicelui bursier DJIA

În cadrul fiecărui model utilizat, prognoza a fost realizată folosind randamente

logaritmice ale DJIA pentru a putea compara cu uşurinţă rezultatele obţinute pe diferite

intervale de timp5,6

. Valorile zilnice la închidere ale DJIA (începând cu data: 2 mai 1885) au

fost preluate de pe webiste-ul MeasuringWorth.com (http://measuringworth.com/DJA/), o

sursă de informaţii de calitate. Seria de date zilnică este foarte utilă în estimarea miscării

preţurilor pe termen scurt deoarece este foarte sensibilă, însă pentru a realiza estimări a

modelelor pe termen mediu sau lung, aşa cum îşi propune această lucrare, volumul de date

necesar îngreunează procesul. Ca urmare, seria de date zilnice a fost transformată în serie de

date lunare, folosind preţul de închidere cotat în ultima zi de tranzacţionare din luna

respectivă. Pentru a se obţine o serie de date continuă, au fost eliminate intervalele lipsă,

întâlnite în special înainte de luna decembrie 1914. Astfel, seria finală obţinută se întinde din

decembrie 1914, până în februarie 2015. Prin conversia în randamente logaritmice s-a pierdut

o valoare, intervalul devenind: ianuarie 1915 - februarie 2015.

3.2. Alegerea indicatorilor

Scopul acestei lucrări este realizarea unei prognoze pe un termen mediu de timp (2-5 ani),

ca urmare seriile de variabile au fost organizate lunar, pentru a surprinde cu mai mare

acurateţe variaţiile seriei prognozate. Mai mult decât atât, datorită numărului redus de date

pentru anumite variabile independente, folosirea unei abordări lunare a fost singura soluţie

pentru a menţine seturi de variabile relevante din punct de vedere statistic (minim 25 de

valori per set) în analiză.

Pentru variabilele care prezentau mai multe valori lunare, au fost selectate valorile cele

mai apropiate de sfârşitul lunii; de exemplu, pentru seria de valori a indicelui bursier DJIA,

au fost selectate preţurile de închidere lunare, apoi a fost realizată transformarea în

randamente logaritmice.

Indicatorii care sunt calculaţi în mod trimestrial sau anual nu au fost incluşi în această

analiză.

Toate variabilele explicative testate şi analizate în această lucrare sunt prezentate în

anexă, în tabelul 2.01. Explicaţii legate de selecţia variabilelor sunt prezentate în capitolul 2.

5 (Brooks, 2008, p. 8) 6 (Clenow, 2013, p. 59)


Novischi Iulian


3.3. Construcţia bazei de date formate din variabile explicative - intervale de selecţie

a datelor, utilizarea variabilelor

Alocarea a 2/3 din interval pentru estimarea modelului a fost realizată cu scopul de a

obţine un model cât mai bine estimat, fie prin folosirea unei metode structurale sau mixte. Un

model corect estimat pe două treimi de interval ar trebui în mod teoretic să genereze

prognoze de o calitate cât mai bună pe ultima treime din interval, aceasta este premiza pe care

prezenta lucrare a fost bazată. Dacă abilitatea modelului de a previziona a fost validată,

modelul este estimat pe întregul intervalu de specificare.

Pe baza variabilelor preluate din studiile menţionate în capitolul 2, “Stadiul cunoaşterii”,

a fost implementată o serie de teste pentru se sorta variabilele relevante în prognoza seriei de

randamente logaritmice ale indicelui DJIA.

3.4. Estimarea modelelor structurale

Prezentarea celor două abordări implementate:

1 2

Variabile selectate conform

metodologiei prezentate în valori absolute

Variabile selectate conform

metodologiei prezentate sub forma

modificărilor logaritmice

Test de corelaţie liniară Test de cauzalitate Granger incluzând

12 lag-uri ale variabilelor

Test de cauzalitate Granger incluzând

12 lag-uri ale variabilelor

Matrice de corelare

Matrice de corelare Concepere modele structurale

Concepere modele structurale

Abordarea numărul 1 a fost cea utilizată iniţial în estimarea modelelor structurale.

Abordarea numărul 2 este o variantă îmbunătăţită, utilizată tot în estimarea modelelor

structurale, cu următoarele avantaje:

1) variabilele independente sunt exprimate în două moduri – în valori absolute şi în

randamente logaritmice – surprind cu o mai mare acurateţe legătura dintre variabilele

independente şi cea dependentă şi diversifică numărul de variabile disponibile la începutul

procesului;

2) proces simplificat – a fost eliminată o etapă;

3) număr mai mic de variabile eliminate în primele două etape în comparaţie cu prima

abordare– oferă libertatea de a crea o gamă mai variată de modele structurale.

Cele două abordări vor fi prezentate în mod secvenţial, introducerea fiind realizată sub forma

unei comparaţii pentru a se observa diferenţele.

3.5. Teste utilizate pentru procesarea variabilelor explicative

Variabilele explicative vor fi folosite pentru estimarea modelelor structurale şi de tip

mixt.

* Calculul indicelui de corelatie liniara

Această primă etapă a constat în realizarea unui test de corelaţie liniară folosind funcţia

“CORREL” din Microsoft Office – Excel. Această funcţie de tip statistic calculează corelaţia


WP nr. 3/2015

liniară (în literatura străină de specialitate - Pearson product-moment correlation coefficient)

dintre două seturi de valori, un set de variabile dependente (în acest caz, seria de randamente

logaritmice a DJIA) şi un set de variabile independente. Numărul de valori din seturile de

variabile trebuie să fie egal.

Funcţia poate lua valori în intervalul [-1, 1], astfel: 1 – marchează o corelaţie perfect

pozitivă, 0 – absenţa unei corelaţii şi -1 - o corelaţie perfect negativă. Valorile corelaţiilor

testate care s-au încadrat în intervalul [0.7, 1] a fost clasificate drept corelaţii puternic

pozitive. Am ales pragul 0.7 pentru a selecta variabilele care vor fi incluse în testul Granger,

un test cu o putere informaţională mai mare7.

Rezultatul este prezentat în anexă, în tabelul 3.01.

Observaţie: În cazul în care anumite variabile relevante au fost excluse deşi au o putere

informaţională ridicată, această greşeală va fi corectată prin folosirea abordării numarul 2;

calculul indicelui de corelaţie liniară este implementat doar în abordarea numărul 1. Mai

multe informaţii sunt prezentate în secţiunea “Crearea modelelor structurale”, prezentă în

acest capitol.

Acest test a fost introdus cu scopul de a identifica cu uşurinţă corelaţii puternic pozitive

între variabila determinată şi variabilele explicative. Rezultatele obţinute pot fi afectate de

două problematici: 1) corelaţiile observate pot fi pur şi simplu aleatorii, fiind specifice

intervalului de timp utilizat; 2) testul este realizat folosind serii de variabile fară a testa şi lag-

uri.

* Testarea influenţelor pe baza cauzalităţii Granger – importanţă lag-uri

Testul de cauzalitate Granger (în engleză – Granger causality test)

În cadrul abordării numărul 1, acest test vine în completarea testului de corelaţie liniară

şi rezolvă problematica lag-urilor. Analizarea influenţei lag-urilor este foarte importantă în

contextul acestei lucrări deoarece impactul modificării anumitor variabile arareori este

incorporat instant în preţul indicelui bursier, si ca urmare se dezvoltă un lag între variabila

explicativă şi de dependentă. Variabilele explicative rezultate din etapa 1 au fost testate pe

rând împreună cu seria de randamente logaritmice a DJIA.

În cadrul abordării numărul 2, testul Granger este primul test utilizat pentru selecţia

variabilelor independente, deoarece este un test care se bazează tot pe corelaţia liniară dintre

seturi de variabile, cu avantajul de a testa şi influenţa lag-urilor asupra variabilei dependente.

Disponibil în programul EViews, testul de cauzalitate8 Granger are ca scop obţinerea

unui răspuns pentru întrebarea: “Modificările variabilei y1 determină modificări în variabila

y2?”. Dacă y1 cauzează y2, lag-urile variabilei y1 ar trebui să fie semnificative din punct de

vedere statistic în determinarea modificărilor variabilei y2. Dacă prin testarea celor două

seturi de variabile se demonstrează această relaţie, atunci putem spune că există o cauzalitate

de tip Granger în care y1 influenţează variabila y2, sau mai putem spune că exista o

cauzalitate unidirecţională de la y1 către y2. În acest caz, dacă variabila y1 influenţează y2,

dar nu şi invers, putem afirma din punct de vedere statistic că y1 este puternic exogenă în

relaţie cu y2.

Invers, dacă y2 cauzează modificări în y1, lag-urile variabilei y2 ar trebui să fie

semnificative din punct de vedere statistic în determinarea modificărilor variabilei y1. În

acest caz, dacă variabila y2 influenţează y1, dar nu şi invers, putem afirma din punct de

vedere statistic că y2 este puternic exogenă în relaţie cu y1.

Dacă ambele seturi de lag-uri sunt semnificative, se poate susţine că între celor două

variabile există o cauzalitate bidirecţională, sau feed-back bidirecţional.

7 (Siegle, n.d.) 8 (Brooks Chris, Introductory Econometrics for finance, ed.2, 2008, p. 298)

Novischi Iulian


Dacă cele două seturi de lag-uri testate nu sunt seminificative din punct de vedere

statistic, atunci putem susţine că y1 şi y2 sunt variabile independente.

Pentru a stabili daca există o relaţie semnificativă între cele 2 seturi de variabile, am

considerat un prag de semnificaţie clasic de 5%. Ca urmare, valoarea probabilităţii – “Prob”,

trebuie să fie mai mică sau egală decăt 0.05 pentru ca legătura să fie considerată validă.

Observaţie: conceptul de cauzalitate expimă de fapt o corelaţie între valoarea curentă a

unei variabile şi valorile din trecut (lag-uri) ale celeilalte variabile – nu înseamnă ca

modificările unei variabile cauzează modificări in cea de-a doua variabilă. Acesta este

motivul pentru care am ales să folosesc două abordări în construcţia modelelor structurale,

testul Granger se bazează tot pe corelaţii între două seturi de variabile, la fel ca testul de

corelaţie liniară, diferenţa remarcabilă fiind includerea lag-urilor în analiză.

Rezultatul obţinut în abordarea numărul 1 este prezentat în anexă, în tabelul 3.02, şi

include testarea a 12 lag-uri (de la -1 periodă la -12 perioade).

Rezultatul obţinut în abordarea numărul 2 este prezentat în anexă, în tabelul 3.03, şi

include testarea a 12 lag-uri (de la -1 periodă la -12 perioade).

Pentru a nu reduce foarte rapid numărul de variabile explicative, în etapa următoare,

pentru ambele abordări, vor fi incluse atât variabilele independente în cazul cărora există o

cauzalitate unidirecţională către seria de randamente a DJIA, cât şi variabilele independente

în cazul cărora a fost determinată o cauzalitate bidirecţională.

* Matricea de corelare a variabilelor independente – selectarea variabilelor necorelate

După examinarea rezultatelor testului Granger, variabilele independente sunt incluse într-o

matrice pentru a se calcula coeficientul de corelare dintre ele. Acest test este foarte important

pentru construcţia modelelor structurale, deoarece mutlicolinearitatea generează erori grave

de prognoză. Chris Brooks, abordează conceptul multicoliniarităţii în cartea sa “Introductory

Econometrics for finance”, în subcapitolul 8 al capitolului 4.

Variabilele al căror coeficient de corelaţie este mai mic sau egal cu 0.3, pot fi încadrate în

construcţia aceluiaşi model structural, probabilitatea existenţei unei corelaţii între cele două

variabile fiind redusă.

Matricea de covarianţă obţinută în abordarea numărul 1 este prezentată în anexă, în tabelul

3.04.

Matricea de covarianţă obţinută în abordarea numărul 2 este prezentată în anexă, în tabelul

3.05.

În continuare, pentru construcţia modelelor structurale, se vor urma etapele prezentate în

următoarea secţiune, în cadrul subpunctului 1.

3.6. Procesul de construcţie al modelelor şi al prognozelor

Pentru a prognoza cu acurateţe valoarea DJIA în viitor, pe un interval de prognoză de doi,

respectiv cinci ani, am utilizat patru tipuri de instrumente de previziune:

1. un model (structural) multifactorial liniar bazat pe variabile preselectate;

2. un model recursiv liniar, bazat pe seria randamentelor logaritmice ale DJIA;

3. un model mixt format dintr-o componentă recursivă şi una structurală, implementat cu

scopul de a creşte puterea informaţională a celor două tipuri mai sus menţionate;

4. trei metode diferite de analiză tehnică, pe baza graficelor preţului DJIA, prezentate în

ultima secţiune

> 3.6.1 Procesul de estimare al modelelor structurale în 9 etape:

I. Estimarea regresiei folosind 2/3 din intervalul maxim luând în considerare toate

variabilele incluse;


WP nr. 3/2015

Estimarea se realizează folosind metoda celor mai mici pătrate (Least Squares),

seria estimată în ambele abordări fiind seria lunară formată din randamentelor

logoritmice ale indicelui DJIA.

II. Analiza valorii adjusted R2, a testului Durbin-Watson şi a nivelului de

semnificaţie al coeficienţilor; variabilele care sunt estimate folosind coeficienţi

nesemnificativi sunt eliminate – se redimensionează intervalul şi se reîncepe

testarea modelului;

Observaţii:

*Adjusted R2 este folosit deoarece ajustează valoarea R

2 cu numărul de estimatori

utilizaţi si cu mărimea intervalului folosit. Nu există o valoare ţintă pentru acest

indicator, interpretarea sa se face pe baza situaţiei analizate.

*Valoarea ţintă pentru testul Durbin-Watson este 2, valoare care indică absenţa

autocorelării erorilor;

*Vor fi consideraţi coeficienţi semnificativi cei care au o valoare a indicatorului t-

statistic în modul, mai mare sau egală cu 2, şi o valoarea a probabilităţii (p-value)

mai mică sau egală cu 0.05.

III. Testarea heteroschedaticităţii folosind testul White (fară a include “White cross

terms”) – o valoare a probabilităţii (Prob. F. sau Prob. Chi-square) mai mică sau

egală cu 0.05 conduce la acceptarea ipotezei nule de existenţă a

heteroschedasticităţii;

Dacă heteroschedaticitatea este prezentă, modelul se estimează (etapa II) folosind

opţiunea White de eliminare a heteroschedasticităţii, apoi se continuă procesul cu

pasul IV;

IV. Testarea corectitudinii formei funcţionale a modelului folosind testul Ramsey cu 1

termen înlocuit “fitted term” – se testează daca forma modelului este liniară sau

definită de o funcţie de gradul 2; dacă valoarea probabilităţii corespunzătoare t-

statisic, F-statistic sau Likelihood ratio depăşeşte 0.5, ipoteza nulă de

corectitudine în specificare (în acest caz, de liniaritate a modelului) poate fi

respinsă;

Dacă se demonstrează ca modelul testat nu este corect specificat (nu este liniar),

se elimină modelul din procesul de selecţie, următorul pas fiind testarea altui

model;

Observaţie: Modelele structurale definite în această lucrare sunt liniare.

V. Modelele care îndeplinesc condiţiile impuse în etapele anterioare sunt testate

pentru a se analiza9,10

capabilitatea de prognozare pe ultima treime din interval;

Indicatori utilizaţi:

a. RMSE – Root Mean Squared Error

Este considerat primul indicator de analizat în cadrul unei prognoze;

calculează deviaţiei standard a erorilor de previziune. Valoarea RMSE pentru

un model care realizează erori minime în estimare se va situa sub valoarea

deviaţiei standard a variabilei prognozate pe acelaşi interval de timp.

b. MAPE – Mean Absolute Percent Error

Indicator care exprimă mărimea erorilor de previziune în procente; poate

depăşi valoarea de 100% pentru erori mari, ca urmare intervalul ţintă este 0-

100%.

c. Theil Inequality Coefficient

9 Prof. Robert Nau – profesor în ştiinte şi practici decizionale al Fuqua School of Business, din cadrul Duke University, Durham SUA –

autor al website-ului “Statistical forecasting: notes on regression and time series analysis” (http://people.duke.edu/~rnau/411home.htm) 10 EViews Training – Tutorial number 14 – Basic Forecasting (Quantitative Micro Software)

http://people.duke.edu/~rnau/411home.htm

Novischi Iulian


Indică proporţia în care valorile previzionate se potrivesc cu valorile actuale;

indicatorul se încadrează în intervalul [0,1], iar valorile mai mici decât 0.5 vor

fi considerate acceptabile pentru un model cu erori minime de previzionare.

d. Bias proportion

Indică distanţa dintre media valorilor prognozate şi media valorilor actuale; o

prognoză cu erori minime, va înregistra valori foarte apropiate de 0.

e. Variance proportion

Indică distanţa dintre varianţa valorilor prognozate şi varianţa valorilor

actuale;

o prognoză cu erori minime, va înregistra valori foarte apropiate de 0.

f. Covariance proportion

Măsoară erorile de prognoză nesistematice; o prognoză cu erori minime, va

înregistra valori foarte apropiate de 1. Suma, valorilor indicatorilor bias,

variance şi covariance proportion este 1.

g. Lungimea intervalului estimat în comparaţie cu erorile de prognoză; pentru un

interval semnificativ mai lung se pot accepta erori mai mari de prognoză în

comparaţie cu un interval mai scurt.

VI. Modelele considerate valide au fost estimate pe întregul interval disponibil;

Modelele care nu sunt validate în această etapă au fost eliminate din analiză.

VII. Repetearea paşilor II, III şi IV pentru modelul estimat pe intervalul complet;

VIII. Realizarea prognozelor – dată start: Ianuarie 2015, date ţintă: Decembrie 2016 şi

Decembrie 2019.

Observaţie 1: pentru realizarea acestor prognoze este necesară estimarea

variabilelor explicative pe aceleaşi intervale de timp menţionate mai sus; acest

proces va fi definitivat în luna iunie 2015 – implicit, în acest moment (aprilie

2015), sunt disponibile prognoze realizate în afară intervalului de previziune (out

of sample forecasts) pentru lunile ianuarie şi februarie 2015.

Observaţie 2: pe măsură ce noi valori pentru variabilele independente devin

disponibile, se vor realiza noi teste de prognoză ale modelelor validate în etapa VI

– în acest caz, pentru lunile ianuarie şi februarie 2015 au fost implementate deja.

IX. Analiza holistică a modelelor şi a rezultatelor din previzionare.

În continuare vor fi prezentate procesele de construcţie pentru modelele recursive, mixte

şi pentru analiza tehnică.

Rezultatele obţinute prin utilizarea modelelor structurale sunt prezentate în capitolul 4, la

secţiunea “4.2 Rezultatele modelelor structurale”.

> 3.6.2 Procesul de construcţie al modelelor şi al prognozelor recursive

Stabilirea intervalelor

Prima etapă în construcţia unui model recursiv liniar presupune stabilirea intervalelor de

estimare şi prognoză. Pentru a menţine un raport adecvat între volumul de date folosit şi

sensibilitatea prognozei la posibile fenomene din piaţă, dar si pentru a menţine un format

similar cu cel al modelului structural prezentat anterior, seria de date va fi compusă din

randamente logaritmice calculate pe baza preţului de închidere lunar al DJIA. Pentru a

menţine continuitatea datelor, intervalul maxim utilizat se întinde din ianuarie 1915 până în

decembrie 2014.

Pentru a compara abilitatea de previziune a unui model estimat pe termen îndelungat cu

unul estimat pe termen mediu, am analizat următoarele situaţii:


WP nr. 3/2015

Tabel 3.06 – Alocarea intervalelor

Detalii Interval 1 Interval 2 Interval 3

Interval total selectat Ianuarie 1915 –

Decembrie 2014

Ianuarie 1915 –

Decembrie 2014

Ianuarie 2004 –

Decembrie 2014

Interval estimare model Ianuarie 1915 –

Ianuarie 1980

Ianuarie 1915 –

Decembrie 2009

Ianuarie 2004 –

Septembrie 2010

Interval testare previziune Februarie 1980 –

Decembrie 2014

Ianuarie 2009 –

Decembrie 2014

Octombrie 2010 –

Decembrie 2014

Interval previziune Ianuarie 2015 –

Decembrie 2019

Ianuarie 2015 –

Decembrie 2019

Ianuarie 2015 –

Decembrie 2019

Respectă regula 2/3 - 1/3 DA NU DA

Termen estimare Lung Lung Mediu

1. Întreg intervalul disponibil a fost selectat şi descompus în 2/3 pentru estimare şi 1/3

pentru testarea capabilităţii de previziune. Am ales să aloc 2/3 din interval pentru estimarea

modelului cu scopul de a obţine un model cât mai bine estimat. Un model corect estimat pe

două treimi de interval ar trebui în mod teoretic să genereze prognoze de o calitate cât mai

bună pe ultima treime din interval.

2. Intervalul doi a fost construit plecând de la cea mai lungă prognoză pe care această

lucrare si-o propune, 5 ani, între luna ianuarie 2015 şi decembrie 2019. Prin urmare, a fost

încercată o abordare bazată pe estimarea unui model pe o perioadă cât mai îndelungată pentru

a se cumula o putere informaţională cât mai ridicată şi testarea în afara intervalului de

estimare pentru o perioadă egală cu cea a prognozei ţintă.

3. Intervalul trei a fost creat pentru a investiga dacă un model pe un interval considerabil

mai mic în comparaţie cu primele două intervale, poate performa mai bine. Din intervalul

selectat, 2/3 au fost folosite pentru estimare şi 1/3 pentru testarea capabilităţii de previziune.

Forma de distribuţie a intervalului este similară cu cea a primului interval.

Desigur, în lucrare am utilizat trei intervale, bazate pe trei abordări mai mult sau mai puţin

similare. Din punctul de vedere al selectării intervalului, un aspect foarte important pentru

estimarea unui model ARMA, doar creativitatea cercetătorului poate impune limite.

Estimarea modelelor ARMA

Pentru estimarea modelelor recursive de tip ARMA am folosit metoda propusă de Box şi

Jenkins, preluată din (Brooks Chris, Introductory Econometrics for finance, ed.2, 2008,

p.230-239) Am ales această metodă deoarece este simplă şi practică. Etapele procesului Box-

Jenkins:

A. Identificare

B. Estimare

C. Analiza diagnosticelor

Procesul de estimare al modelelor recursive în 8 etape:

A. Identificare – Se identifică rangul modelului ARMA

- Folosind 2/3 din intervalul maxim disponibil am realizat o corelogramă folosind

12 lag-uri

- În funcţie de numărul de observaţii incluse am calculat banda de semnificaţie

- Pentru cele mai apropiate valori ale AC şi PAC care se încadrează în afara

intervalului de semnificaţie se observă lag-ul corespunzător

- Folosind valoarea lag-ului (x) am construit 3 matrici cu x linii şi x coloane,

matrici în care am copiat valorile urmatorilor 3 indicatori informaţionali:

o Akaike info criterion;

Novischi Iulian


o Schwarz criterion;

o Hannan-Quinn criterion;

- Valorile criteriilor informaţionale sunt obţinute prin estimarea în mod secvenţial

pe baza ordinului matricii a unor modele ARMA(numar coloană, număr linie),

începând de la ARMA(0,0), până la ARMA(x,x).

- În fiecare matrice am determinat o valoare de minim.

- Modelul ARMA potrivit va fi estimat pe baza acestei valori: ARMA(număr

coloană corespunzător valorii de minim, număr linie corespunzător valorii de

minim).

Observaţie:

Akaike info criterion generează modele ARMA cu cel mai mare grad;

Schwarz criterion generează modele ARMA cu cel mai mic grad;

Hannan-Quinn criterion a generat modele ARMA cu un grad situat între cele

două criterii informaţionale, sau egale în grad cu modele ARMA generate de

Schwarz criterion;

Acest fenomen are loc deoarece Schwarz criterion foloseşte un termen de

penalizare mai mare în comparaţie cu Akaike sau Hannan-Quinn criterion.

B. Estimarea parametrilor modelului folosind opţiunea celor mai mici pătrate (Least

Squares) pe 2/3 din intervalul selectat

- În procesul de estimare am preluat toate modelele de tip ARMA de la pasul

anterior dacă aceastea nu au coincis

C. Analiza diagnosticelor:

I. Analiza valorii adjusted R2, a testului Durbin-Watson şi a nivelului de semnificaţie al

coeficienţilor; termenii AR sau MA estimaţi folosind coeficienţi nesemnificativi sunt

eliminaţi, apoi reîncepe testarea modelului;

Observaţii:










II. Modelele care îndeplinesc condiţiile impuse în etapele anterioare sunt testate

pentru a li se analiza11,12

capabilitatea de prognozare pe ultima treime din interval;






deviaţiei standard a valorilor actuale în acelaşi interval de timp.




100%.






WP nr. 3/2015




d. Bias proportion





actuale;









Observaţie: Prognozele se realizează atât în mod dinamic cât şi în mod static.

* Prognozarea dinamică utilizează valorile deja prognozate pentru a realiza o

estimare pentru perioada următoare;

* Prognozarea statică utilizează valorile actuale ale seriei de date pentru a

realiza o estimare pentru perioada următoare;

III. Modelele considerate valide au fost estimate pe întregul interval disponibil

folosind metoda de previzionare, statică sau dinamică, validată la etapa anterioară;

Modelele care nu sunt validate în această etapă vor fi eliminate din analiză.

IV. Repetearea paşilor I, II şi III pentru modelul estimat pe intervalul complet;

V. Realizarea prognozelor – date ţintă: Decembrie 2016 şi Decembrie 2019.

Notă: modelele cu o abilitate de prognoză dinamică validată au fost utilizate

pentru realizarea unor prognoze pe intervalul Ianuarie 2015 - Decembrie

2016/2019 în mod direct; modelele cu o abilitate de prognoză statică validată au

fost utilizate într-un mod indirect – deoarece modelul nu poate previziona mai

mult de o perioadă faţă de seria de date existentă, procesul de previzionare statică

s-a repetat pentru fiecare model în parte până la parcurgerea completă a

intervalelor ţintă.

VI. Analiza holistică a modelelor şi a rezultatelor din previzionare.

În continuare vor fi prezentate procesele de construcţie pentru modelele de tip mixt şi

pentru analiza tehnică.

Rezultatele obţinute prin utilizarea modelelor recursive sunt prezentate în capitolul 4,

secţiunea “4.3 Rezultatele modelelor recursive”.

> 3.6.3 Procesul de construcţie al modelelor şi al prognozelor de tip mixt

Modelele de tip mixt au fost create cu scopul de a îmbunătăţi capabilitatea de prognoză a

modelelor strucutarale folosind componente recursive.

Procesul de estimare al modelelor de tip mixt în 9 etape:

I. Pe baza modelelor structurale cu o capacitate bună de prognoză în afara

intervalului de estimare sau de test (vezi concluzie, secţiunea 4.2) se stabileşte

intervalul de estimare al modelului mixt.

II. Se adaugă componenta ARMA; rangul a fost stabilit pe baza procesului prezentat

în subsecţiunea anterioară, în etapa A.

Novischi Iulian


III. Estimarea parametrilor modelului folosind opţiunea celor mai mici pătrate (Least

Squares) pe întreg intervalul selectat

IV. Analiza valorii adjusted R2, a testului Durbin-Watson şi a nivelului de

semnificaţie al coeficienţilor; procesele AR, MA sau variabilele explicative

estimate folosind coeficienţi nesemnificativi sunt eliminate, apoi se reia testarea

modelului;

Observaţii:










V. Testarea heteroschedaticităţii folosind testul White (fară a include “White cross

terms”) – o valoare a probabilităţii (Prob. F. sau Prob. Chi-square) mai mică sau

egală cu 0.05 conduce la acceptarea ipotezei nule de existenţă a

heteroschedasticităţii;

Dacă heteroschedaticitatea este prezentă, modelul se estimează (etapa III) folosind

opţiunea White de eliminare a heteroschedasticităţii, apoi se continuă procesul cu

pasul VI;

VI. Testarea corectitudinii formei funcţionale a modelului folosind testul Ramsey cu 1

termen înlocuit “fitted term” – se testează daca forma modelului este liniară sau

definită de o funcţie de gradul 2; dacă valoarea probabilităţii corespunzătoare t-

statisic, F-statistic sau Likelihood ratio depăşeşte 0.5, ipoteza nulă de

corectitudine în specificare (în acest caz, de liniaritate a modelului) poate fi

respinsă;

Dacă se demonstrează ca modelul testat nu este corect specificat (nu este liniar),

se elimină modelul din procesul de selecţie, următorul pas fiind testarea altui

model;

Observaţie: Modelele de tip mixt definite în această lucrare sunt liniare.

VII. Modelele care îndeplinesc condiţiile impuse în etapele anterioare sunt testate

pentru a li se analiza13 , 14

capabilitatea de prognozare pe un interval de test

(ianuarie-februarie 2015), parte a intervalului ţintă (ianuarie 2015-decembrie

2019);






deviaţiei standard a valorilor actuale în acelaşi interval de timp.




100%.






WP nr. 3/2015




d. Bias proportion





actuale;









Observaţie: Prognozele se realizează atât în mod dinamic cât şi în mod static.

* Prognozarea dinamică utilizează valorile deja prognozate pentru a realiza o

estimare pentru perioada următoare;

* Prognozarea statică utilizează valorile actuale ale seriei de date pentru a

realiza o estimare pentru perioada următoare;

VIII. Realizarea prognozelor folosind modelele validate în etapa anterioară – dată start:

Ianuarie 2015, date ţintă: Decembrie 2016 şi Decembrie 2019.

Observaţie 1: pentru realizarea acestor prognoze este necesară estimarea

variabilelor explicative pe aceleaşi intervale de timp menţionate mai sus; acest

proces va fi definitivat în luna iunie 2015 – implicit, în acest moment (aprilie

2015), sunt disponibile prognoze realizate în afară intervalului de previziune (out

of sample forecasts) pentru lunile ianuarie şi februarie 2015.

Observaţie 2: pe măsură ce noi valori pentru variabilele independente devin

disponibile, se vor realiza noi teste de prognoză ale modelelor validate în etapa

VIII – în acest caz, pentru lunile ianuarie şi februarie 2015 au fost implementate

deja.

IX. Analiza holistică a modelelor şi a rezultatelor din previzionare.

În continuare vor fi prezentate procesele de construcţie ale analizei tehnice.

Rezultatele obţinute prin utilizarea modelelor de tip mixt sunt prezentate în capitolul 4,

secţiunea “4.4 Rezultatele modelelor de tip mixt”.

> 3.6.4 Procesul de construcţie al prognozelor folosind concepte de analiză tehnică

(clasică, modernă, Elliott+comportamental)

Deoarece scopul acestei lucrări este realizarea unei prognoze a indicelui DJIA în

intervalele ianuarie 2015 – decembrie 2016, ianuarie 2015 – decembrie 2019, vor fi utilizate

grafice care vor reprezenta temenene lungi şi medii de timp. Valorile DJIA vor fi organizate

lunar sau săptămânal, în funcţie de analiza realizată. Pentru a extrage un maxim de informaţii

din piaţă seria de preţ a DJIA va fi reprezentată în cele mai multe cazuri prin lumânări

japoneze (candlesticks). În cazul în care graficul va fi reprezentat printr-o linie, aceasta va fi

compusă din preţurile de închidere ale perioadei.

În procesul de analiză şi prognoză folosind grafice de preţ, vor fi implementate 3 metode

de analiză tehnică:

Novischi Iulian


1. analiză pe baza nivelurilor de suport/rezistenţa, a canalelor de trend şi a formaţiunilor

de preţ – analiză tehnică clasică

2. analiză axată pe indicatori de preţ (medii mobile, oscilatori) şi pe formatul anumitor

secţiuni din grafic – analiză tehnică modernă

3. analiză a comportamentului investitorilor prin analiza seriei de preţ folosind teoria

valurilor Elliott

Pentru a menţine proporţionalitatea graficelor analizate, trendurile pe termen lung vor fi

reprezentate pe scara logaritmică. Analiza trendurilor pe termen mediu va fi realizată pe baza

graficelor reprezentate pe scara aritmetică (obişnuită).

Rezultatele obţinute prin utilizarea modelelor structurale sunt prezentate în capitolul 4, la

secţiunea “4.5 Rezultatele analizei tehnice”.

3.7. Estimarea variabilelor explicative

Variabilele explicative sunt utilizate în previziunea modelelor structurale şi de tip mixt.

Sunt necesare pentru realizarea prognozelor pe termen mediu (date ţintă: Decembrie 2016 şi

Decembrie 2019).

Din păcate, acest proces va fi definitivat în luna iunie 2015.

Pentru estimarea variabilelor explicative (prezentate în concluzia secţiunii 4.2) vor fi

folosite procese de tip ARMA, datorită simplităţii în folosire şi a abilităţii crescute de a

estima un proces financiar, fapt cunoscut în literatura de specialitate.

4.Studiu de caz şi rezultatele obţinute

4.1. Construcţia indicelui DJIA – componente, influenţă sectorială, impact în

procesul de previziune

Aşa cum am menţionat şi în introducere, Dow Jones Industrial Average15

este un indice

bursier compus din 30 de companii tranzacţionate pe bursele NYSE – New York Stock

Exchange si NASDAQ - National Association of Securities Dealers Automated Quotations,

din Statele Unite ale Americii. Cele 30 de companii operează în toate sectoarele de activitate

prezente în economia americană, cu excepţia următoarelor domenii: transport şi furnizare de

utilităţi publice. Ultimele două domenii sunt acoperite în mod separat de doi indici bursieri,

Dow Jones Transportation Average şi Dow Jones Utility Average.

Pentru a întelege mai bine dinamica indicelui, înainte de construirea modelelor

econometrice sau de realizarea analizei tehnice, am analizat construcţia DJIA. Dacă analizăm

sectorul economic în care activează companiile componente, observăm ca aproximativ două

treimi sunt companii producătoare de bunuri industriale sau de larg consum, restul fiind

companii care activează în domenii diverse, precum servicii financiare, energie, IT şi

divertisment. O segmentare detaliată a companiilor pe sectoare de activitate este prezentată în

anexă (Tabelul 4.01), iar alocarea pe sectoare16

este prezentată în (Tabelul 4.02). Astfel, se

poate observa că structura “Industrials” din numele indicelui este mai mult o continuitate

istorică decât o reflectare a realităţii. În Tabelul 4.03 din anexă putem observa că în mod

nesurprinzător, sectorul industrial este reprezentat de 3 companii din primele 10 ca valoare a

ponderii în indice.

Pentru a înţelege cum sunt selectate companiile care intră în componenţa indicelui, am

folosit metodologia pusă la dispoziţie de managerul indicelui, S&P Dow Jones Indices17

.

15 Indicele este recalculat si cotat din 2 în 2 secunde pe parcursul unei sesiuni de tranzacţionare. 16 (Indices, 2015) 17 (Index Committee - S&P Dow Jones Indices LLC, 2014)


WP nr. 3/2015

Conform acestui document18

, procesul de selecţie nu se bazează pe reguli cantitative, o

companie fiind adaugată în componenţa indicelui doar dacă are o reputaţie excelentă,

demonstrează o creştere susţinută şi este de interes pentru un număr mare de investitori.

Reprezentarea pe sectoare economice este deasemenea luată în considerare. Companiile

componente trebuie să fie înregistrate în SUA, iar majoritatea veniturilor raportate trebuie să

fie generate tot pe piaţa din SUA.

Menţiune foarte importantă: DJIA este un indice ponderat pe baza preţului acţiunilor

companiilor componente (price weighted index). Pentru a se asigura o constanţă în valoarea

indicelui, în cazul shimbării componenţei, a unui spin-off, în cazul acordării unor dividende

speciale sau a unei ajustări de preţ a unei acţiuni componente, este folosit un divizor.

Modificările se realizează atunci când este nevoie, nu există un proces anual sau semianual de

reconstituire a indicelui. Investitorii sunt anunţati cu 1-5 zile înainte de implementarea

acestor schimbări.

Managementul indicilor Dow Jones este asigurat de un comitet numit “Averages

Committee”, format din 5 membri, 3 reprezentanţi ai S&P Dow Jones Indices şi 2

reprezentanţi ai publicaţiei The Wall Street Journal. Acest comitet se întâlneşte cel puţin o

dată la şase luni şi analizează impactul pe care deciziile companiilor aflate în componenţa

indicelui le pot avea asupra valorii viitoare a DJIA.

Prin analiza construcţiei indicelui şi a componentelor sale, am identificat următoarele

aspecte, prezentate sub forma unei matrice SWOT:

Tabel 4.01 – Analiza SWOT a construcţiei indicelui DJIA

S (Puncte tari) W (Puncte slabe)

- indicele este format din companii diverse,

nu doar din companii din sectorul industrial,

sectorul serviciilor fiind cel mai bine

reprezentat

- surprinde trendul pieţei bursiere din SUA

pe o perioadă lungă de timp (peste 118 ani)

- este cel mai cunoscut indice bursier la

nivel global, şi ca urmare atrage interesul

unei mase mari de investitori

- reflectă trendul preţului acţiunilor celor

mai mari companii americane

- decizia de a adăuga sau de a renunţa la o

anumită companie componentă se ia pe baza

unor criterii care pot fi influenţate de

subiectivitatea consiliului de management;

- din cele 30 de companii aflate în alcătuire,

primele 10 au o pondere de peste 50% în

componenţa indicelui

- fiind format exclusiv din 30 de companii

cu o valoare de piaţă mare “blue chips”, nu

DJIA nu îşi mai poate atinge în intregime

obiectivul pentru care a fost creat, acela de a

surprinde trendul general al pieţei

O (Oportunităţi) T (Ameninţări)

- poate reprezenta şi în viitor un etalon

pentru investitorii care au o viziune pe

termen lung, ca urmare, realizarea unor

prognoze pe un orizont de timp îndelungat

va fi necesară;

- fiind format exclusiv din companii cu o

valoare de piaţă mare “blue chips”, DJIA va

rămâne un indice relevant pentru evoluţia

trendului acestui segment din piaţa bursieră

- fiind un indice ponderat pe baza preţului

acţiunilor componente, o evoluţie diferită

faţă de media pieţei a primelor 10 companii

componente (în prezent reprezintă 50% din

pondere) poate conduce la o denaturare a

evoluţiei DJIA în comparaţie cu trendul

pieţei de capital

18 Traducere proprie

Novischi Iulian


4.2. Rezultatele modelelor structurale

Abordarea numărul 1:

Modelele au fost estimate folosind doar variabilele explicative rezultate din procesul

anterior (anexă, tabele 4.04, 4.05, 4.06, 4.07), doar lag-urile variabilelor explicative (anexă,

tabel 4.11), dar şi în mod combinat, variabilele explicate alături de lag-urile aferente (anexă,

tabel 4.09, 4.10). Graficele care prezintă puterea de prognoză a modelelor estimate sunt

plasate în succesiunea tabelelor, numarotarea începe cu graficul 4.01.

Niciun model structural estimat, nu este capabil să genereze o prognoză corectă a valorii

randamentelor logaritmice a indicelui DJIA. Prin urmare, modelele nu au fost validate în

etapa VI.

Abordarea numărul 2:

Ecuaţiile modelelor structurale estimate, validate în etapa VI:

Modelul nr.1 (anexă, tabel 4.12, grafic 4.08): DJIA_LN = 0.7111 - 1.6017*CPI_LN + 0.4053*MARGIN_DEBT_LN

Modelul nr.2 (anexă, tabel 4.13, grafic 4.09): DJIA_LN = 0.7354*CAP_BURS_LN+0.0230*RATA_ECONOM_GOSP_LN(-6)

Modelul nr.3 (anexă, tabel 4.14, grafic 4.10): DJIA_LN = -0.0245*GOOG_TRDS_LN + 0.3625*MARGIN_DEBT_LN - 0.6830*PPI_LN(-7) -

0.0480*RATA_ECONOM_GOSP_LN(-1)

Modelul nr.4 (anexă, tabel 4.15, grafic 4.11): DJIA_LN = 0.7206*CAP_BURS_LN + 0.1813*CAP_BURS_LN(-3) -

0.0641*CRASH_IND_INDV_LN(-3)

Cele patru modele prezentate au fost estimaţi folosind coeficienţi semnificativi din punct

de vedere statistic, nu prezintă heteroschedasticitate şi au fost verificaţi prin testul Ramsey

pentru a se confirma corectitudinea în specificare.

Tabel 4. - Centralizarea rezultatelor

Teste/Indicatori Modelul nr.1 Modelul nr.2 Modelul nr.3 Modelul nr.4

Interval prognoză 1959M02-

2014M12

1999M01-

2014M12

2004M02-

2014M12

2001M01-

2014M12

Adjusted R2

0.1532 0.6426 0.4095 0.6645

Durbin-Watson 2.137 2.370 2.191 2.366

Serie heteroschedastică DA NU NU NU

Ajustare White DA - - -

Model liniar DA DA DA DA

RMSE (Deviaţie standard

DJIA_LN=6.5336) 3.943 3.2828 3.1646 3.6324

MAPE 89.31% 71.86% 63.03% 82.57%

Theil coefficient 0.6555 0.5334 0.5002 0.5774

Bias proportion 0.00443 0.0100 0.1017 0.0105

Variance proportion 0.99557 0.9899 0.8983 0.9895

Covariance proportion 0.00000 0.0001 0.0000 0.0000

Estimare randament DJIA

(Februarie 2015)

Valoare actuală: 5.48%

1.8081% 1.8847% 1.4712% 2.2386%

Estimare valoare DJIA

(Februarie 2015)

Valoare actuală: 18,132.70

18,224.58 18,009.61 17,765.21 18,263.13


WP nr. 3/2015

Datorită intervalului de prognoză redus (2 luni – ianuarie şi februarie 2015) şi a creşterii

volaţilităţii indicelui bursier (grafic 4.12), indicatorii utilizaţi pentru evaluarea calităţii

prognozei nu au reuşit să surprind în mod corect realitatea.

Se poate observa că modelul numărul 3, considerat în analiza indicatorilor drept cel mai

eficient în estimarea valorii randamentelor DJIA este cel care realizează cele mai mari erori.

Cel mai bun model din punctul de vedere al comparaţiei cu valoarea actuală a indicelui DJIA

este modelul numărul 1, iar cel mai apropiat de valoarea actuală a randamentului înregistrat

în luna februarie este modelul numărul 4. Intrigant este faptul că acestea sunt modelele care

înregistrează cea mai mică si cea mai mare valoare a indicatorului adjusted R2.

Grafic 4.12 - Volatilitatea indicelui DJIA

În concluzie, având în vedere scopul lucrării, acela de a determina valoarea viitoare a

indicelui bursier DJIA la sfârşitul anului 2016 şi la sfârşitul anului 2019, ambele modele

(numărul 1 şi numărul 4) vor fi considerate acceptabile. Următoarea etapă, a cărei termen de

finalizare este luna iunie 2015, presupune realizarea unei estimări pentru variabilele

explicative necesare în prognoza celor două modele selectate. Modelul numărul 3 nu va fi

ignorat, luând în considerare structura sa diversificată şi rezultatele testelor de estimare,

puterea sa de previzionare va fi testată în etapa următoare (estimarea modelelor de tip mixt)

alături de cele două modele deja selectate. Modelul numărul 2 va fi eliminat din analiză în

acest punct.

4.3. Rezultatele modelelor recursive

Prin implentarea prognozei recursive de tip ARMA în prognozarea seriei de randamente

logaritmice a DJIA nu s-a obţinut nici un model capabil de a realiza prognoze corecte în

cadrul intervalelor de test (out of sample forecasting). Prin urmare, nici un model estimat prin

procesul ARMA nu poate fi folosit cu încredere pentru a realiza prognoze de calitate în

intervalul ţintă, ianuarie 2015 – decembrie 2019.

Următoarea secţiune va prezenta rezultatele modelelor hibride, formate din modelele

structurale cu cele mai bune capabilităţi de prognoză şi din procese ARMA adaptate

intervalelor în care modelele structurale sunt estimate.

0

5

10

15

20

25

Volatilitatea indicelui DJIA

Novischi Iulian


4.4. Rezultatele modelelor de tip mixt

Pentru a facilita prezentarea rezultatelor am inclus un tabel centralizator. Output-urile

estimărilor modelelor sunt incluse în anexă, tabelele 4..... Prognozele statice şi dinamice, în

această ordine, sunt prezentate în anexă, graficele 4...-4.....

Notă: Modelele prezentate în această secţiune au preluat numărul alocat modelelor

structurale, prezentate în concluzia secţiunii 4.2.

Pe baza modelului structural numărul 1, a fost estimat, folosind opţiunea White de

eliminare a heteroschedasticităţii, un model mixt utilizând un proces ARMA(5,5).

Tabel 4.26 – Sumar al rezultatelor obţinute de modelele de tip mixt

Teste/Indicatori Modelul nr.1 Modelul nr.3 Modelul nr.4

varianta 1

Modelul nr.4

varianta 2

Interval prognoză 1959M02-

2014M12

2004M02-

2014M12

2001M01-

2014M12

2001M01-

2014M12

Adjusted R2

0.1702 0.4981 0.7346 0.7265

Durbin-Watson 2.0171 2.177 1.9841 1.9064

Serie heteroschedastică DA NU NU DA

Ajustare White DA - - DA

Model liniar DA DA DA DA

Estimare statică


DJIA_LN=6.5336) 3.683 2.801 3.034 2.946

MAPE 83.42% 48.59% 68.59% 67.14%


Bias proportion 0.0043 0.2490 0.0025 0.0196




(Februarie 2015)


2.04% 1.65% 2.60% 2.98%


(Februarie 2015)

Valoare actuală:18,132.70

18,215.78 17,623.32 18,180.92 18,274.74

Estimare dinamică


DJIA_LN=6.5336) 3.806 2.801 3.479 3.432

MAPE 85.77% 48.59% 76.56% 76.51%


Bias proportion 0.0009 0.2490 0.0068 0.0009




(Februarie 2015)


1.79% 1.65% 1.73% 1.95%


(Februarie 2015)

Valoare actuală:18,132.70

18,169.77 17,623.32 18,026.06 18,092.46


WP nr. 3/2015

Comparând rezultatele obţinute din estimarea modelelor de tip mixt cu cele obţinute din

estimarea modelelor structurale, se observă îmbunătăţiri în cazul fiecărui model testat (valori

adjusted R2 mai mari, valori Durbin Watson mai apropiate de 2.

Comparând rezultatele obţinute din prognozarea de tip static utilizând modele de tip mixt

cu cele obţinute din prognozarea de tip static pe baza modelelor structurale, se observă din

nou îmbunătăţire pentru fiecare criteriu evaluat.

Similar prognozei pe baza modelelor structurale, modelul numărul 3 poate fi considerat

şi de această dată cel mai bun model (înregistrează în mod teoretic cele mai mici erori de

prognoză) pe baza indicatorilor de calitate utilizaţi. Totuşi, acest model în formă mixtă

generează şi de această dată rezultatele cele mai îndepărtate de valoarea actuală a DJIA sau

de valoarea randamentului logaritmic al DJIA pentru luna februarie 2015, atât în cazul

prognozei de tip static, cât şi de tip dinamic.

Prin analiza prognozei statice, observăm că modelul care estimează cel mai bine valoarea

randamentului logaritmic al DJIA este modelul numărul 4 - varianta 2, fiind urmat la mică

distantă de modelul numărul 4 - varianta 1. Modelul care estimează cel mai bine valoarea

actuală a indicelui DJIA este modelul numărul 4 - varianta 1, urmat de modelul numărul 1.

Prin analiza prognozei dinamice, observăm că modelul care estimează cel mai bine

valoarea randamentului logaritmic al DJIA este modelul numărul 4 - varianta 2, fiind urmat

de modelul numărul 1. Modelul care estimează cel mai bine valoarea actuală a indicelui DJIA

este modelul numărul 1, urmat la mică distantă de modelul numărul 4 - varianta 1.

În concluzie, implementarea unor modele de tip mixt a îmbunătăţit capabilitatea de

prognozare a modelelor structurale şi recursive implementate în mod separat. În etapa

următoare vor fi incluse modelele care au obţinut cele mai bune valori prognozate (prezentate

în ordinea puterii informaţionale): modelul numărul 4 - varianta 2 (anexă, tabel 4.16, grafice

4.12, 4.13), modelul numărul 1 (anexă, tabel 4.17, grafice 4.14, 4.15), modelul numărul 4 -

varianta 1 (anexă, tabel 4.18, grafice 4.16, 4.17). Deoarece nu există o delimitare clară a

rezultatelor între prognozele de tip static sau dinamic, ambele vor fi implementate în etapa

următoare, previzionarea pe intervalul ţintă ianuarie 2015 – decembrie 2019.

4.5. Rezultatele analizei tehnice

Graficul 4.18 inclus în anexă prezintă evoluţia Dow Jones Industrial Average din ultimii

100 de ani (decembrie 1914 – decembrie 2014). Prin simpla observare a nivelului preţului se

pot distinge următoarele trenduri:

- decembrie1914 – decembrie 1920 – periodă de stagnare (evoluţie laterală a preţului)

- ianuarie 1921 – septembrie 1929 – trend puternic ascendent

- octombrie 1929 – iunie 1932 – corecţie agresivă

- iulie 1932 – mai 1966 – trend ascendent

- iunie 1966 – iunie 1982 – periodă de stagnare (evoluţie laterală a preţului)

- iulie 1982 – decembrie 1999 – trend ascendent

Pentru definirea trendurilor recente nu există o singură posibilitate, fapt ce cauzează o

problemă în realizarea prognozei pe care această lucrare şi-o propune.

Au fost identificate următoarele variante de clasificare a trendurilor dezvoltate recent

(după luna ianuarie 2000):

1. - ianuarie 2000 – februarie 2009 – periodă de stagnare (evoluţie laterală a preţului)

- martie 2009 – decembrie 2014 – trend ascendent

2. - ianuarie 2000 – decembrie 2014 – periodă de stagnare (evoluţie laterală a preţului)

Dacă varianta numărul 1 este corectă, cel mai probabil scenariu va implica o creştere a

valorii DJIA peste valoarea înregistrată în luna decembrie 2014.

Novischi Iulian


Dacă varianta numărul 2 este corectă, cel mai probabil scenariu va implica o scădere a

valorii DJIA sub valoarea înregistrată în luna decembrie 2014.

Când va începe acest trend ascendent/descendent? Cât va dura? La ce nivel va ajunge

preţul indicelui DJIA? Şi mai important, care va fi valoarea DJIA în decembrie 2016 şi în

decembrie 2019?

Deşi analiza clasică beneficiază în acest caz de grafice care prezintă date aflate în

intervalul de prognoză (perioada ianuarie 2015-aprilie 2015), un trend viitor clar nu poate fi

stabilit. O spargere a canalului inferior (anexă, grafic 4.19), urmată de un trend puternic în

direcţia spargerii va valida una din cele două variante formulate.

Prin utilizarea indicatorilor, în această lucrare fiind prezentaţi cei mai cunoscuţi (RSI,

MACD şi ADX), împreună cu seria de preţ, analiza tehnică modernă ne ajută să ne formăm o

idee mai clară în privinţa trendului viitor al valorii indicelui bursier DJIA. Cel mai important

semnal, confirmat de toţi indicatorii, ne indică o posibilă schimbare de trend urmată de o

corecţie agresivă a cotaţiei DJIA (anexă, grafic 4.20). O anomalie în calculul tuturor

indicatorilor analizaţi, o schimbare în modul în care investitorii şi speculatorii îşi definesc

aşteptările sau o schimbare în comportamentul investitorilor/speculatorilor generată de

politicile monetare relaxate practicate în ultimii 6 şase ani, pot fi considerate contraargumente

valide ale corecţiei identificate de cei trei indicatori.

Analiza valurilor Elliott se bazează pe identificarea trendurilor principale din cadrul unei

serii de preţ. Pentru a asista analistul în identificarea trendurilor, este folosit un indicator

special proiectat, EWO (Elliott Wave Oscillator). Acesta ia valori maxime în cazul valurilor

Elliot susţinute de un moment foarte puternic al pieţei, mai precis în cazul unui impuls, valul

3 sau în cazul unei corecţii, valul A.

Pe grafic au fost identificate valurile Elliott. Se observă o posibilă schimbare de trend,

(graficul 4.21, anexă) identificată prin divergenţa creată de valoarea indicatorului EWO şi

preţul DJIA. Al patrulea indicator ne avertizează că va urma o schimbare de trend. Mai mult,

folosind teoria valurilor Elliot, trendul puternic ascendent început în martie 2009 a fost

identificat drept valul corectiv B.

Lungimea estimată a valului C este cel mai adesea determinată de practicienii care

folosesc această metodă de prognozare prin 2 metode:

1) lungimea valului C = lungimea valului A

2) lungimea valului C = 1.618 * lungimea valului A

Aceste două metode sunt bazate pe observaţii directe ale acţiunii diverselor pieţe

financiare studiate. Valoarea 1.618 este o valoare standard numită proporţia de aur (Golden

Ratio), şi este în cadrul teoriei valurilor Elliott deoarece se consideră că trendurile pieţei

bursiere se aseamănă unor fractali, figură geometrică a cărei diviziune se bazează pe valoarea

1.618.

Preţul ţintă al valului C se determină printr-o simplă scădere: din valoarea de inchidere a

ultimei perioade din cadrul valului B se scade lungimea estimată a valului C.

Am presupus, ultima perioada a valului B drept săptămâna 23-27 februarie 2015,

valoarea de închidere a preţului DJIA fiind: 18,132.7.

Dacă lungimea valului C este egală cu lungimea valului A, atunci valoarea ţintă a valului

A este egală cu: 18,132.7 – 7466.06 = 10,666.64

Dacă lungimea valului C este egală cu lungimea valului A în mulţită cu 1.618, atunci

valoarea ţintă a valului A este egală cu: 18,132.7 – 12,080.08 = 6,052.62


WP nr. 3/2015

Am aflat valoarea ţintă. Acum, trebuie să identificăm când valorile ţintă vor fi atinse. Deşi

sunt foarte multe opinii că acest lucru este imposibil, unele chiar demonstrate ştiinţific, în

prezenta lucrare voi folosi o tehnică mai puţin utilizată, numită zonele de timp Fibonacci

(Fibonacci Time Zones). Această metodă se bazează pe secvenţa fibonacci, aplicată pe axa X

a unui grafic. Pe baza acestei metode sunt pot fi identificate cu un anumit grad de

probabilitate schimbările de trend a unei anumite serii de preţ.

O serie de timp Fibonacci este aplicată (anexă, grafic 4.22). Aceasta a estimat o schimbare de

trend în decembrie 2014, însă această schimbare nu s-a realizat încă (aprilie 2015).

Următoarea schimbare de trend este prognozată pentru luna iunie 2019, insă această

schimbare de trend este posibil să se realizeze mai târziu, precum schimbarea de trend

prognozată pentru decembrie 2014 nu s-a realizat încă.

5.Concluzii

5.1 Sumar al rezultatelor - prognoză DJIA pentru următorii 2 ani/ 5 ani

Prognozele realizate pe baza modelelor structurale şi de tip mixt vor fi finalizate în luna

iunie 2015, după estimarea variabilelor explicative pe intervalul propus (ianuarie 2015 –

decembrie 2019). În prezent, sunt disponibile modelele estimate şi testate pe intervalul

ianuarie 2015-februarie 2015. Pe baza proceselor recursive nu au putut fi estimate modele cu

o capabilitate bună de prognozare. Procesele recursive au fost utilizate împreună cu modelele

recursive pentru a realiza modele de tip mixt, modele care s-au dovedit cel mai capabile

pentru a fi utilizate în prognoză.

Folosind analiza tehnică pe baza graficelor de preţ, metodele de analiză tehnică clasică

au identificat praguri de suport şi rezistentă, in jurul valorii actuale, şi un canal ascendent care

subliniază puterea trendului început în luna martie 2009. Metodele de analiză tehnică

modernă, prin utilizarea a trei indicatori specifici, au identificat o posibilă schimbare de trend,

către un trend descendent, fără a putea fi prognozat un preţ ţintă sau o dată finală a trendului.

Pe baza teoriei valului Elliott, s-a realizat prima prognoză pe întreg intervalul propus în

lucrare. Conform acestei analize, un trend descendent va începe în perioada imediat

următoare, şi va determina o scăderea valorii DJIA de la aproximativ 18,000 (prezent –

aprilie 2015), la cel puţin 10,666, pragul inferior al intervalului estimat fiind 6,052 (ultimul

semestru al anului 2019).

5.2. Perspective pentru viitor

Unul dintre obiectivele secundare ale acestei lucrări a fost menţinerea simplităţii, pe cât

posibil. Analizând cercetări similare au fost identificate modele cu un raport între putere de

prognoză şi simplitate maxim. Aceste modele, utilizate pe parcusul lucrării (structurale,

ARMA, de tip mixt) realizează regresii de tip liniar, sacrificând o partea din puterea

informaţională disponibilă în cadrul seriilor de date analizate.

Pentru îmbunătăţirea capabilităţii de previziune, într-un lucrare viitoare pot fi utlizate

modele care incorporează componente de inteligenţă artificială, bazate pe: reţele neuronale,

analiza componentelor principale, modele Markov-Fourier, modele Nash nonliniare şi pe

analiza în timp real a comportamentului investitorilor prin interpretarea activităţilor de pe

reţelele de socializare.

În plus, comportamentul investitorilor individuali şi instituţionali a fost analizat în

această lucrare prin utilizarea trendurilor de căutare Google, a patru indicatori de încredere a

investitori calculaţi în cadrul unui proiect conduse de Robert Shiller în cadrul universităţii

Yale, şi pe baza a trei indici calculaţi de universitatea din Michigan – încrederea

Novischi Iulian


consumatorilor în economie, nivelul inflaţiei aşteptat peste un 1 an şi nivelul inflaţiei aşteptat

peste un 5 ani. Într-o versiune îmbunătăţită a prezentei lucrări, pot fi introduşi indicatori

suplimentari de sentiment, calculaţi în timp real pe baza seriilor de preţ folosind modele

matematice avansate şi prin urmărirea în timp real a activităţii de cumpărare sau vânzare a

unui grup ţintă de investitori sau speculatori.

Bineînteles, cea mai simplă îmbunătăţire care poate fi adusă acestei lucrări constă în

introducerea unei mai mari varietăţi de variabile explicative, preluate din studii academice,

din cercetări ale industriei sau chiar din discuţii cu profesionişti ai pieţei de capital. Şi să nu

uităm că un strop de creativitate poate avea un impact substanţial asupra rezultatului final.

5.3. Cel mai important lucru pe care l-am învăţat?

Viitorul este asociat cu impredictibilitatea, un truism pe care această lucrare nu îl poate

invalida. Totuşi, trebuie să avem curajul să încercăm să privim în viitor pentru a identifica

posibile mişcări ale pieţei, cu scopul de a ne conserva şi chiar spori averea. Indicii bursieri

sunt un punct de plecare excelent pentru previzionarea pieţelor de capital nu doar pentru că

sumarizează trendul pieţei, sau pentru că au o utilizare vastă, ci pentru că influenţează

sentimentul investitorilor care acţionează pe acea piaţă.

Cel mai important lucru pe care l-am invăţat este legat în mod direct de testarea

capabilităţii de previzionare a modelelor implementate – indicatorii care indică corectitudinea

în previzionare sunt importanţi, însă cea mai importantă etapă este compararea directă a

valorilor previzionate cu valorile actuale. Din păcate, pe următorul interval de previzionare,

cel care se încadrează în totalitate în viitor, corectitudinea estimării se va determina o dată cu

trecerea timpului.

“Să priveşti în faţă este întotdeauna înţelept, dificil este să priveşti mai departe decât

poţi vedea.” Winston Churchill

Referinţe bibliografice

Cărţi:

Brooks Chris – „Introductory Econometrics for Finance”, ed.2 – Cambridge University

Press– 2008

Peter Navaro – „Sincronizarea strategiei de afaceri cu ciclurile economice” – ed.1 – traducere

în limba română – Ed.All – 2010

Andreas F. Clenow – „Following the trend – Diversified Managed Futures Trading” – Wiley

– 2013

Mark Boucher – „The Hedge Fund Edg - Maximum Profit/Minimum Risk Global Trend

Trading Strategies” – Wiley – 1999

Articole/ Cercetări academice:

Shaikh A. Hamid et al – „Price transmission between DJIA, S&P 500, CPI, PPI” – Working

paper – 2006

Christopher M. Bilson – „Selecting macroeconomic variables as explanatory factors of

emerging stock market returns” – Pacific Basin Finance Journal – 2001

Mark T. Leung et al – “Forecasting stock indices: a comparison of classification and

levelestimation models” – International Journal of Forecasting – 2000

Clive W.J Granger – “Forecasting stock market prices: Lessons for forecasters” –

International Journal of Forecasting – 1992

Mark J. Flannery et al – „Macroeconomic factors do influence aggregate stock returns” – The

Review of Financial Studies – Summer 2002


WP nr. 3/2015

Benjamin A. Abugri – „Empirical relationship between macroeconomic volatility and stock

returns: Evidence from Latin American markets” – International Review of Financial

Analysis – 2008

Robin Greenwood şi Andrei Shleifer – „Expectations of Returns and Expected Returns” –

Octombrie 2002

Robert Shiller – „From Efficient Markets Theory to Behavioral Finance” – The Journal of

Economic Perspectives – Winter 2003

Gene Amromin şi Steven A. Sharpe – „From the Horse’s Mouth: How do Investor

Expectations of Risk and Return Vary with Economic Conditions?” – Chicago FED –

August 2012

Selene Yue Xu – „Stock Price Forecasting Using Information from Yahoo Finance and

Google Trend” – UC Berkeley

Johan Bollen et al – „Twitter mood predicts the stock market” – Octombrie 2010

Website-uri:

MeasuringWorth.com - http://measuringworth.com/DJA/

EViews Tutorials - http://www.eviews.com/Learning/

Statistical forecasting: notes on regression and time series analysis – Prof. Robert Nau –

Fuqua School of Business, Duke University -


Economic Research – Federal Reserve Bank of St. Louis -

http://research.stlouisfed.org/fred2/

Stock Market Confidente Indices – Yale School of Management – US Stock Market:

http://som.yale.edu/faculty-research/our-centers-initiatives/international-center-

finance/data/stock-market-confidence-indices/stock-market-confidence-indices


http://www.eviews.com/Learning/


http://research.stlouisfed.org/fred2/



Novischi Iulian


Anexe

Tabel 3.01:

Variabile puternic corelate la nivel lunar cu seria de randamente logaritmice a DJIA:

Tabel 3.02:

Variabile independente care determină o influenţă de tip Granger asupra seriei de randamente

logaritmice a DJIA şi lag-urile identificate – abordarea nr.1

Notă 1: Pentru a nu reduce foarte rapid numărul de variabile explicative, în etapa următoare

vor fi incluse atât variabilele independente în cazul cărora există o cauzalitate unidirecţională

către seria de randamente a DJIA, cât şi variabilele independente în cazul cărora a fost

determinată o cauzalitate bidirecţională.

Notă 2: Valorea 0 reprezintă lipsa unei corelaţii unidirecţionale sau bidirecţionale între

variabila în cauză si seria randamentelor DJIA.

Notă 3: Pentru a nu încărca cu informaţii tabelul de rezultate, nu am inclus corelaţiile

unidirecţionale sau bidirecţionale între seria randamentelor DJIA şi variabila independentă

(marcat cu “-“).

Tabel 3.03:

Variabile independente care determină o influenţă de tip Granger asupra seriei de randamente

logaritmice a DJIA şi lag-urile identificate – abordarea nr.2

Tabelul poziţionat în stânga prezintă rezultatele testului Granger dintre seria de randamente

logaritmice a DJIA şi seriile varibilelor independente exprimate folosind modificări

logaritmice.

Variabile Tip Interval Corelatie

Capitalizare bursiera Piata 1991-2014 M 0.9906

Imprumuturi pentru tranzactionare (Margin debt) Piata 1959-2014 M 0.9745

Pretul locuintelor (Shiller US Home Price Index) Macro 1975-2014 M 0.9176

Inflatie consumatori (CPI) Macro 1959-2014 M 0.9123

Inflatie producatori (PPI) Macro 1959-2014 M 0.8812

Trenduri ai motorului de cautare Google Sentiment 2004-2014 M 0.8764

Baza monetara Macro 1984-2014 M 0.7577

Volumul mediu tranzactionat Piata 1959-2014 M 0.7016


WP nr. 3/2015

Tabelul poziţionat în dreapta prezintă rezultatele testului Granger dintre seria de randamente

logaritmice a DJIA şi seriile varibilelor independente exprimate folosind valori absolute.

Notă 1: Pentru a nu reduce foarte rapid numărul de variabile explicative, în etapa următoare

vor fi incluse atât variabilele independente în cazul cărora există o cauzalitate unidirecţională

către seria de randamente a DJIA, cât şi variabilele independente în cazul cărora a fost

determinată o cauzalitate bidirecţională.

Notă 2: Valorea 0 reprezintă lipsa unei corelaţii unidirecţionale sau bidirecţionale între

variabila în cauză si seria randamentelor DJIA.

Notă 3: Pentru a nu încărca cu informaţii tabelul de rezultate, nu am inclus corelaţiile

unidirecţionale sau bidirecţionale între seria randamentelor DJIA şi variabila independentă

(marcat cu “-“).

DJIA_LN does not Granger Cause AVG_TRD_VOL_LN -

AVG_TRD_VOL_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause CAP_BURS_LN -

CAP_BURS_LN does not Granger Cause DJIA_LN 3

DJIA_LN does not Granger Cause CONS_SENTIM_INDEX_LN -

CONS_SENTIM_INDEX_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause CPI_LN -

CPI_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause CRASH_IND_INDV_LN -

CRASH_IND_INDV_LN does not Granger Cause DJIA_LN 2, 3, 5, 12

DJIA_LN does not Granger Cause CRASH_IND_INST_LN -

CRASH_IND_INST_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause ETF_INOUT_LN -

ETF_INOUT_LN does not Granger Cause DJIA_LN 4, 5, 8, 9, 10

DJIA_LN does not Granger Cause GOOG_TRDS_LN -

GOOG_TRDS_LN does not Granger Cause DJIA_LN 5, 6, 7, 8, 9, 10, 11, 12

DJIA_LN does not Granger Cause INFL_EXPECT_1Y_LN -

INFL_EXPECT_1Y_LN does not Granger Cause DJIA_LN 0



DJIA_LN does not Granger Cause MARGIN_DEBT_LN -

MARGIN_DEBT_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause MONETARY_BASE_LN -

MONETARY_BASE_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause NR_IPOS_PRC -

NR_IPOS_PRC does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause NYSE_VALUE_TRD_LN -

NYSE_VALUE_TRD_LN does not Granger Cause DJIA_LN 2

DJIA_LN does not Granger Cause PPI_LN -

PPI_LN does not Granger Cause DJIA_LN 8, 9, 10, 11, 12

DJIA_LN does not Granger Cause R_DOB_US_LN -

R_DOB_US_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause RATA_ECONOM_GOSP_LN -

RATA_ECONOM_GOSP_LN does not Granger Cause DJIA_LN 1, 5, 6, 7, 9

DJIA_LN does not Granger Cause SHILLER_LN -

SHILLER_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause UNEMPLOY_LN -

UNEMPLOY_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause X_VOLAT_LN -

X_VOLAT_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause US_DOLLAR_INDEX_LN -

US_DOLLAR_INDEX_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause YIELD_CRV_ED -

YIELD_CRV_ED does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause YIELD_CRV_RD -

YIELD_CRV_RD does not Granger Cause DJIA_LN 0

DJIA_LN si var. independente

LN_DJIA does not Granger Cause AVG_TRD_VOL -

AVG_TRD_VOL does not Granger Cause LN_DJIA 6, 7, 8, 9, 10, 11

LN_DJIA does not Granger Cause CAP_BURS -

CAP_BURS does not Granger Cause LN_DJIA 4, 11

DJIA_LN does not Granger Cause CONS_SENT_IND -

CONS_SENT_IND does not Granger Cause DJIA_LN 0

LN_DJIA does not Granger Cause CPI -

CPI does not Granger Cause LN_DJIA 8

DJIA_LN does not Granger Cause CRASH_IND_INDV -

CRASH_IND_INDV does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause CRASH_IND_INST -

CRASH_IND_INST does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause ETF_INOUT -

ETF_INOUT does not Granger Cause DJIA_LN 4, 5, 8, 9, 10

LN_DJIA does not Granger Cause GOOG_TRDS -

GOOG_TRDS does not Granger Cause LN_DJIA 3, 4, 5, 6, 7, 8, 9, 10, 11, 12

LN_DJIA does not Granger Cause INFL_EXPECT_1Y -

INFL_EXPECT_1Y does not Granger Cause LN_DJIA 0



LN_DJIA does not Granger Cause MARGIN_DEBT -

MARGIN_DEBT does not Granger Cause LN_DJIA 0

LN_DJIA does not Granger Cause MONETARY_BASE -

MONETARY_BASE does not Granger Cause LN_DJIA 0

DJIA_LN does not Granger Cause NR_IPOS -

NR_IPOS does not Granger Cause DJIA_LN 5, 10

DJIA_LN does not Granger Cause NYSE_VALUE_TRD -

NYSE_VALUE_TRD does not Granger Cause DJIA_LN 1, 3

LN_DJIA does not Granger Cause PPI -

PPI does not Granger Cause LN_DJIA 9, 10, 11, 12

DJIA_LN does not Granger Cause R_DOB_US -

R_DOB_US does not Granger Cause DJIA_LN 0

LN_DJIA does not Granger Cause RATA_ECONOM_GOSP -

RATA_ECONOM_GOSP does not Granger Cause LN_DJIA 0

LN_DJIA does not Granger Cause SHILLER_US_HOME_PRC -

SHILLER_US_HOME_PRC does not Granger Cause LN_DJIA 0

LN_DJIA does not Granger Cause X_VOLAT -

X_VOLAT does not Granger Cause LN_DJIA 0

LN_DJIA does not Granger Cause RSI14_M -

RSI14_M does not Granger Cause LN_DJIA 0

DJIA_LN does not Granger Cause US_DOLLAR_INDEX -

US_DOLLAR_INDEX does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause UNEMPLOYMENT -

UNEMPLOYMENT does not Granger Cause DJIA_LN 1, 2

DJIA_LN si var. independente Corelatii descoperite

DJIA_LN does not Granger Cause AVG_TRD_VOL_LN -

AVG_TRD_VOL_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause CAP_BURS_LN -

CAP_BURS_LN does not Granger Cause DJIA_LN 3

DJIA_LN does not Granger Cause CONS_SENTIM_INDEX_LN -

CONS_SENTIM_INDEX_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause CPI_LN -

CPI_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause CRASH_IND_INDV_LN -

CRASH_IND_INDV_LN does not Granger Cause DJIA_LN 2, 3, 5, 12

DJIA_LN does not Granger Cause CRASH_IND_INST_LN -

CRASH_IND_INST_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause ETF_INOUT_LN -

ETF_INOUT_LN does not Granger Cause DJIA_LN 4, 5, 8, 9, 10

DJIA_LN does not Granger Cause GOOG_TRDS_LN -

GOOG_TRDS_LN does not Granger Cause DJIA_LN 5, 6, 7, 8, 9, 10, 11, 12





DJIA_LN does not Granger Cause MARGIN_DEBT_LN -

MARGIN_DEBT_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause MONETARY_BASE_LN -

MONETARY_BASE_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause NR_IPOS_PRC -

NR_IPOS_PRC does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause NYSE_VALUE_TRD_LN -

NYSE_VALUE_TRD_LN does not Granger Cause DJIA_LN 2

DJIA_LN does not Granger Cause PPI_LN -

PPI_LN does not Granger Cause DJIA_LN 8, 9, 10, 11, 12

DJIA_LN does not Granger Cause R_DOB_US_LN -

R_DOB_US_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause RATA_ECONOM_GOSP_LN -

RATA_ECONOM_GOSP_LN does not Granger Cause DJIA_LN 1, 5, 6, 7, 9

DJIA_LN does not Granger Cause SHILLER_LN -

SHILLER_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause UNEMPLOY_LN -

UNEMPLOY_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause X_VOLAT_LN -

X_VOLAT_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause US_DOLLAR_INDEX_LN -

US_DOLLAR_INDEX_LN does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause YIELD_CRV_ED -

YIELD_CRV_ED does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause YIELD_CRV_RD -

YIELD_CRV_RD does not Granger Cause DJIA_LN 0

DJIA_LN si var. independente

LN_DJIA does not Granger Cause AVG_TRD_VOL -

AVG_TRD_VOL does not Granger Cause LN_DJIA 6, 7, 8, 9, 10, 11

LN_DJIA does not Granger Cause CAP_BURS -

CAP_BURS does not Granger Cause LN_DJIA 4, 11

DJIA_LN does not Granger Cause CONS_SENT_IND -

CONS_SENT_IND does not Granger Cause DJIA_LN 0

LN_DJIA does not Granger Cause CPI -

CPI does not Granger Cause LN_DJIA 8

DJIA_LN does not Granger Cause CRASH_IND_INDV -

CRASH_IND_INDV does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause CRASH_IND_INST -

CRASH_IND_INST does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause ETF_INOUT -

ETF_INOUT does not Granger Cause DJIA_LN 4, 5, 8, 9, 10

LN_DJIA does not Granger Cause GOOG_TRDS -

GOOG_TRDS does not Granger Cause LN_DJIA 3, 4, 5, 6, 7, 8, 9, 10, 11, 12





LN_DJIA does not Granger Cause MARGIN_DEBT -

MARGIN_DEBT does not Granger Cause LN_DJIA 0

LN_DJIA does not Granger Cause MONETARY_BASE -

MONETARY_BASE does not Granger Cause LN_DJIA 0

DJIA_LN does not Granger Cause NR_IPOS -

NR_IPOS does not Granger Cause DJIA_LN 5, 10

DJIA_LN does not Granger Cause NYSE_VALUE_TRD -

NYSE_VALUE_TRD does not Granger Cause DJIA_LN 1, 3

LN_DJIA does not Granger Cause PPI -

PPI does not Granger Cause LN_DJIA 9, 10, 11, 12

DJIA_LN does not Granger Cause R_DOB_US -

R_DOB_US does not Granger Cause DJIA_LN 0

LN_DJIA does not Granger Cause RATA_ECONOM_GOSP -

RATA_ECONOM_GOSP does not Granger Cause LN_DJIA 0

LN_DJIA does not Granger Cause SHILLER_US_HOME_PRC -

SHILLER_US_HOME_PRC does not Granger Cause LN_DJIA 0

LN_DJIA does not Granger Cause X_VOLAT -

X_VOLAT does not Granger Cause LN_DJIA 0

LN_DJIA does not Granger Cause RSI14_M -

RSI14_M does not Granger Cause LN_DJIA 0

DJIA_LN does not Granger Cause US_DOLLAR_INDEX -

US_DOLLAR_INDEX does not Granger Cause DJIA_LN 0

DJIA_LN does not Granger Cause UNEMPLOYMENT -

UNEMPLOYMENT does not Granger Cause DJIA_LN 1, 2

DJIA_LN si var. independente Corelatii descoperite

Novischi Iulian


Tabel 3.04:

Matrice de corelare a variabilelor independente – abordarea numărul 1

Notă: Se poate observa că singurele modele structurale posibile implică trei variabile

explicative: trendurile de căutare Google, inflaţia preţurilor consumatorilor şi inflaţia

preţurilor producătorilor. Rezultă două modele structurale posibile, pe baza următoarelor

variabile independente:

1) trenduri de căutare Google + inflaţia preţurilor consumatorilor

2) trenduri de căutare Google + inflaţia preţurilor producătorilor

Tabel 3.05:

Matrice de corelare a variabilelor independente – abordarea numărul 2

Volumul

mediu de

tranzacţionare

Capitalizare

bursiera CPI

Trenduri

de căutare

Google PPI

Volumul mediu de tranzacţionare 1.00 0.43 0.70 0.68 0.68

Capitalizare bursiera 0.43 1.00 0.88 -0.43 0.81

CPI 0.70 0.88 1.00 0.10 0.99

Trenduri de căutare Google 0.68 -0.43 0.10 1.00 0.07

PPI 0.68 0.81 0.99 0.07 1.00

CAP_BUR

S_LN

CRASH_I

ND_INDV

_LN

ETF_INO

UT_LN

GOOG_T

RDS_LN

NYSE_VA

LUE_TRD

_LN PPI_LN

RATA_EC

ONOM_G

OSP_LN

AVG_TRD

_VOL

CAP_BUR

S CPI

ETF_INO

UT

GOOG_T

RDS NR_IPOS

NYSE_VA

LUE_TRD PPI

UNEMPL

OYMENT

CAP_BURS_LN 1.00 0.30 -0.07 -0.23 -0.06 0.34 -0.08 -0.46 0.21 0.07 -0.09 -0.51 0.18 -0.41 -0.03 0.14

CRASH_IND_INDV_LN 0.30 1.00 -0.05 0.01 0.07 0.20 0.09 -0.22 0.09 0.16 -0.06 -0.16 0.08 -0.22 0.08 0.18

ETF_INOUT_LN -0.07 -0.05 1.00 0.18 0.09 -0.04 0.15 0.10 0.01 -0.08 0.98 0.12 -0.05 0.18 -0.01 -0.10

GOOG_TRDS_LN -0.23 0.01 0.18 1.00 0.39 0.00 0.04 0.19 0.07 0.02 0.20 0.38 -0.01 0.22 0.07 -0.07

NYSE_VALUE_TRD_LN -0.06 0.07 0.09 0.39 1.00 0.16 -0.05 0.09 0.14 0.04 0.09 0.06 0.11 0.31 0.05 -0.03

PPI_LN 0.34 0.20 -0.04 0.00 0.16 1.00 -0.06 -0.23 0.26 -0.01 -0.06 -0.50 0.23 0.02 0.06 -0.01

RATA_ECONOM_GOSP_LN -0.08 0.09 0.15 0.04 -0.05 -0.06 1.00 0.08 -0.05 -0.05 0.14 0.14 -0.06 0.06 -0.04 -0.05

AVG_TRD_VOL -0.46 -0.22 0.10 0.19 0.09 -0.23 0.08 1.00 -0.52 -0.54 0.10 0.67 -0.49 0.66 -0.47 -0.29

CAP_BURS 0.21 0.09 0.01 0.07 0.14 0.26 -0.05 -0.52 1.00 0.32 0.01 -0.61 0.63 -0.02 0.38 -0.47

CPI 0.07 0.16 -0.08 0.02 0.04 -0.01 -0.05 -0.54 0.32 1.00 -0.07 -0.14 0.07 -0.63 0.93 0.47

ETF_INOUT -0.09 -0.06 0.98 0.20 0.09 -0.06 0.14 0.10 0.01 -0.07 1.00 0.14 -0.08 0.18 0.00 -0.10

GOOG_TRDS -0.51 -0.16 0.12 0.38 0.06 -0.50 0.14 0.67 -0.61 -0.14 0.14 1.00 -0.51 0.29 -0.18 0.19

NR_IPOS 0.18 0.08 -0.05 -0.01 0.11 0.23 -0.06 -0.49 0.63 0.07 -0.08 -0.51 1.00 -0.07 0.06 -0.22

NYSE_VALUE_TRD -0.41 -0.22 0.18 0.22 0.31 0.02 0.06 0.66 -0.02 -0.63 0.18 0.29 -0.07 1.00 -0.44 -0.62

PPI -0.03 0.08 -0.01 0.07 0.05 0.06 -0.04 -0.47 0.38 0.93 0.00 -0.18 0.06 -0.44 1.00 0.32

UNEMPLOYMENT 0.14 0.18 -0.10 -0.07 -0.03 -0.01 -0.05 -0.29 -0.47 0.47 -0.10 0.19 -0.22 -0.62 0.32 1.00


WP nr. 3/2015

Tabel 4.01:

Componentele indicelui DJIA

Date preluate de pe site-ul administratorului indicelui: S&P Dow Jones Indices

19; Situaţie

preluată în luna martie 2015. Formatare şi traducere personală.

Tabelul 4.02:

Ponderea sectoarelor de activitate


20; Calcule

realizate pe baza datelor disponibile în luna martie 2015. Formatare şi traducere personală.

19 (S&P Dow Jones Indices, 2015)


Nr Compania

Bursa de

valori Simbol Sector activitate

Data

introducere Observatii

1 3M NYSE MMM Industrie 09/Aug/1976 denumire anterioara: Minnesota Mining and Manufacturing

2 American Express NYSE AXP Financiar-Bancar 30/Aug/1982

3 Apple NASDAQ AAPL Tehnologie 18/Mar/2015

4 Boeing NYSE BA Industrie 12/Mar/1987

5 Caterpillar NYSE CAT Industrie 06/May/1991

6 Chevron NYSE CVX Energie 19/Feb/2008 listare anterioara: din 1930-07-18 in 1999-11-01

7 Cisco Systems NASDAQ CSCO Tehnologie 08/Jun/2009

8 Coca-Cola NYSE KO Bunuri de larg consum 12/Mar/1987 listare anterioara: din 1932-05-26 in 1935-11-20

9 DuPont NYSE DD Industrie 20/Nov/1935 listare anterioara: din 1924-01-22 in 1925-08-31

10 ExxonMobil NYSE XOM Energie 01/Oct/1928 denumire anterioara: Standard Oil of New Jersey

11 General Electric NYSE GE Industrie 07/Nov/1907

12 Goldman Sachs NYSE GS Financiar-Bancar 20/Sep/2013

13 IBM NYSE IBM Tehnologie 29/Jun/1979 listare anterioara: din 1932-05-26 in 1939-03-04

14 Intel NASDAQ INTC Tehnologie 01/Nov/1999

15 Johnson & Johnson NYSE JNJ Industrie farmaceutica 17/Mar/1997

16 JPMorgan Chase NYSE JPM Financiar-Bancar 06/May/1991

17 McDonald's NYSE MCD Alimentatie publica 30/Oct/1985

18 Merck NYSE MRK Industrie farmaceutica 29/Jun/1979

19 Microsoft NASDAQ MSFT Tehnologie 01/Nov/1999

20 Nike NYSE NKE Bunuri de larg consum 20/Sep/2013

21 Pfizer NYSE PFE Industrie farmaceutica 08/Apr/2004

22 Procter & Gamble NYSE PG Bunuri de larg consum 26/May/1932

23 The Home Depot NYSE HD Comert 01/Nov/1999

24 Travelers NYSE TRV Financiar-Bancar 08/Jun/2009

25 United Technologies NYSE UTX Industrie 14/Mar/1939 denumire anterioara: United Aircraft

26 UnitedHealth Group NYSE UNH Sanatate publica 24/Sep/2012

27 Verizon NYSE VZ Telecomunicatii 08/Apr/2004

28 Visa NYSE V Financiar-Bancar 20/Sep/2013

29 Wal-Mart NYSE WMT Comert 17/Mar/1997

30 Walt Disney NYSE DIS Divertisment 06/May/1991

Sector Pondere

Industrie 20.16%

Financiar-Bancar 18.78%

Comert 14.95%

Tehnologie 14.43%

Sanatate publica 11.68%

Bunuri de larg consum 8.36%

Energie 7.13%

Materii prime 2.68%

Telecomunicatii 1.83%

Novischi Iulian


Tabelul 4.03:

Top 10 companii din componenţa DJIA


21; Calcule

realizate pe baza datelor disponibile din luna martie 2015. Formatare şi traducere personală.

Tabel 4.04, 4.05 - Output statistic EViews – estimare modele:

M_S_A1 M_S_B1

Tabel 4.06, 4.07 - Output statistic EViews – modele re-estimate pentru eliminarea

heteroschedasticităţii

M_S_A1 M_S_B1


Nr Companie Sector activitate Pondere

1 Goldman Sachs Group Inc Financiar-Bancar 7.06%

2 3M Co Industrie 6.19%

3 Intl Business Machines Corp Tehnologie 6.02%

4 Boeing Co Industrie 5.63%

5 Apple Inc. Tehnologie 4.67%

6 Unitedhealth Group Inc Sanatate publica 4.44%

7 United Technologies Corp Industrie 4.40%

8 Home Depot Inc Comert 4.26%

9 Travelers Cos Inc Financiar-Bancar 4.06%

10 Chevron Corp Energie 3.94%

- TOTAL TOP 10 50.67%


WP nr. 3/2015

Graficele 4.01, 4.02:

Output EViews – testarea puterii de prognoză:

M_S_A1 M_S_B1

Graficul 4.03:

Statistici ale variabilei dependente înregistrate în intervalul alocat testării puterii de prognoză

Tabel 4.08:

Output EViews regresie – estimare model în absenţa variabilelor cu coeficienţi

nesemnificativi

Grafice 4.04:


-15

-10

-5

0

5

10

15

IV I II III IV I II III IV I II III IV I II III IV

2010 2011 2012 2013 2014

ZZ_M_S_A1_FRC_S ± 2 S.E.

Forecast: ZZ_M_S_A1_FRC_S

Actual: DJIA_LN

Forecast sample: 2010M10 2014M12

Included observations: 51

Root Mean Squared Error 3.144867

Mean Absolute Error 2.315471

Mean Abs. Percent Error 545.6553

Theil Inequality Coefficient 0.612803

Bias Proportion 0.063645

Variance Proportion 0.455988

Covariance Proportion 0.480367

-12

-8

-4

0

4

8

12


2010 2011 2012 2013 2014

ZZ_M_S_B1_FRC_S ± 2 S.E.

Forecast: ZZ_M_S_B1_FRC_S

Actual: DJIA_LN










-12

-8

-4

0

4

8

12


2010 2011 2012 2013 2014

ZZ_M_S_C1_FRC_S ± 2 S.E.

Forecast: ZZ_M_S_C1_FRC_S

Actual: DJIA_LN










Novischi Iulian


Tabel 4.09, 4.10:

Output statistic EViews – estimare modele:

M_S_A2 M_S_B2

Graficele 4.05, 4.06:


M_S1_A2 M_S1_B2

Tabel 4.11:

Output statistic EViews – estimare modele:

M_S_A3, M_S_B3

Grafic 4.07:


M_S_A3, M_S_B3

-15

-10

-5

0

5

10

15


2010 2011 2012 2013 2014

ZZ_M_S_A2_2 ± 2 S.E.

Forecast: ZZ_M_S_A2_2

Actual: DJIA_LN










-15

-10

-5

0

5

10

15

20


2010 2011 2012 2013 2014

ZZ_M_S_B2_2 ± 2 S.E.

Forecast: ZZ_M_S_B2_2

Actual: DJIA_LN










-12

-8

-4

0

4

8

12


2010 2011 2012 2013 2014

ZZ_M_S_A3B3 ± 2 S.E.

Forecast: ZZ_M_S_A3B3

Actual: DJIA_LN











WP nr. 3/2015

Tabel 4.12 – Output model numărul 1

Modelul are o structură simplă şi nu este format din componente explicative foarte variate

(constantă, inflaţia preţurilor consumatorilor – variabilă macroeconomică, valoarea

împrumuturilor în marjă – variabilă specifică pieţelor de capital).

Grafic 4.08 - Estimare realizată pe intervalul informaţional disponibil – model nr.1



(capitalizarea bursieră totală – variabilă specifică pieţei de capital, rata economiilor

gospodăriilor – variabilă macroeconomică).

Dependent Variable: DJIA_LN

Method: Least Squares

Date: 04/09/15 Time: 12:20

Sample: 1959M02 2014M12


White heteroskedasticity-consistent standard errors & covariance

Variable Coefficient Std. Error t-Statistic Prob.

C 0.711115 0.200268 3.550812 0.0004

CPI_LN -1.60169 0.410104 -3.905568 0.0001

MARGIN_DEBT_LN 0.405346 0.053018 7.645474 0

R-squared 0.155787 Mean dependent var 0.506921

Adjusted R-squared 0.153259 S.D. dependent var 4.264604

S.E. of regression 3.924225 Akaike info criterion 5.576676

Sum squared resid 10286.9 Schwarz criterion 5.596834

Log likelihood -1867.975 Hannan-Quinn criter. 5.584484

F-statistic 61.63475 Durbin-Watson stat 2.137347

Prob(F-statistic) 0

-8

-4

0

4

8

12

2015m1 2015m2

TOP_1_2_F2_S ± 2 S.E.

Forecast: TOP_1_2_F2_S

Actual: DJIA_LN


Adjusted sample: 2015M01 2015M02











Date: 04/15/15 Time: 17:53

Sample: 1999M01 2014M12


Variable CoefficientStd. Error t-Statistic Prob.

CAP_BURS_LN 0.735387 0.039423 18.6536 0

RATA_ECONOM_GOSP_LN(-6) 0.023011 0.011084 2.076033 0.0392






Durbin-Watson stat 2.37003

Novischi Iulian




Deşi păstreză simplitatea celorlalte modele testate, acesta este cel mai variat model, fiind

compus din variabile provenite din surse diferite (trendul căutărilor Google – indicator de

sentiment, al psihologiei maselor, valoarea împrumuturilor în marjă – variabilă specifică

pieţelor de capital, inflaţia preţurilor producătorilor – variabilă macroeconomică, rata

economiilor gospodăriilor – variabilă macroeconomică). Intervalul de prognoză a fost limitat

de seria de date preluată de pe website-ul Google Trends.


-8

-6

-4

-2

0

2

4

6

8

2015m1 2015m2

TOP_3_7_F_S ± 2 S.E.

Forecast: TOP_3_7_F_S

Actual: DJIA_LN













Date: 04/15/15 Time: 18:29

Sample: 2004M02 2014M12


Variable Coefficient Std. Error t-Statistic Prob.

GOOG_TRDS_LN -0.02452 0.009344 -2.624261 0.0097

MARGIN_DEBT_LN 0.362529 0.053336 6.797021 0

PPI_LN(-7) -0.68309 0.201504 -3.389952 0.0009

RATA_ECONOM_GOSP_LN(-1) -0.048058 0.015256 -3.150135 0.002







-8

-6

-4

-2

0

2

4

6

8

2015m1 2015m2

TOP_5_6_F_S ± 2 S.E.


Actual: DJIA_LN












WP nr. 3/2015



(capitalizarea bursieră totală – variabilă specifică pieţei de capital, index care măsoară

probabilitatea apariţiei unui crash bursier22

în urmatoarele 6 luni – variabilă care indică

atitudinea/ sentimentul (frica, în acest caz) investitorilor individuali)


Tabel 4.16 – Estimare model mixt, pe baza modelului structural numărul 4 – varianta 2,

alături de un proces AR(2)+AR(3)+MA(1)+MA(2)+MA(3)+MA(4)

22 Proiect dezvoltat de Dr. Robert Shiller în cadrul International Center for Finance, Yale School of Management, SUA. Link:

http://som.yale.edu/faculty-research/our-centers-initiatives/international-center-finance/data/stock-market-confidence



Date: 04/15/15 Time: 18:35

Sample (adjusted): 2001M10 2014M12

Included observations: 159 after adjustments


CAP_BURS_LN 0.72068 0.042391 17.00086 0

CAP_BURS_LN(-3) 0.181307 0.042639 4.252192 0

CRASH_IND_INDV_LN(-3) -0.06414 0.027029 -2.372875 0.0189







-6

-4

-2

0

2

4

6

8

2015m1 2015m2

TOP_6_5_F_S ± 2 S.E.


Actual: DJIA_LN













Date: 04/16/15 Time: 22:03



Convergence achieved after 31 iterations


MA Backcast: 2001M09 2001M12


CAP_BURS_LN 0.736203 0.047427 15.52284 0

CAP_BURS_LN(-3) 0.184781 0.052 3.553444 0.0005

CRASH_IND_INDV_LN(-3) -0.06692 0.021973 -3.04553 0.0028

AR(2) -0.33802 0.113688 -2.97319 0.0034

AR(3) 0.499917 0.100104 4.993984 0

MA(1) -0.30835 0.105866 -2.91262 0.0041

MA(2) 0.329821 0.050882 6.482074 0

MA(3) -0.8785 0.052257 -16.8112 0

MA(4) 0.337611 0.098029 3.443986 0.0007

R-squared 0.740624 Mean dependent var0.369078


S.E. of regression 2.131431 Akaike info criterion4.407425


Log likelihood -334.779 Hannan-Quinn criter.4.47889


Inverted AR Roots 0.65 -.33-.81i -.33+.81i

Inverted MA Roots 0.65 0.52 -.43+.90i -.43-.90i

http://som.yale.edu/faculty-research/our-centers-initiatives/international-center-finance/data/stock-market-confidence

Novischi Iulian


Grafice 4.12, 4.13 – Testarea capabilităţii modelului mixt numărul 4 – varianta 2, varianta

care include un coeficient nesemnificativ, de a prognoza static şi dinamic pe intervalul de test

Tabel 4.17 – Estimare model mixt, pe baza modelului structural numărul 1, alături de un

proces ARMA(5,5)

Grafice 4.14, 4.15 – Testarea capabilităţii modelului mixt numărul 1 de a prognoza static şi

dinamic pe intervalul de test

-6

-4

-2

0

2

4

6

8

2015m1 2015m2

M_F_TOP_M3_2_F_S ± 2 S.E.

Forecast: M_F_TOP_M3_2_F_S

Actual: DJIA_LN










-6

-4

-2

0

2

4

6

8

2015m1 2015m2

M_F_TOP_M3_2_F_D ± 2 S.E.

Forecast: M_F_TOP_M3_2_F_D

Actual: DJIA_LN












Date: 04/16/15 Time: 21:37







C 0.615475 0.153475 4.010264 0.0001

CPI_LN -1.30362 0.342176 -3.80979 0.0002

MARGIN_DEBT_LN 0.420162 0.050865 8.260361 0

AR(1) -0.67465 0.126876 -5.317375 0

AR(2) -0.47699 0.142608 -3.34474 0.0009

AR(3) 0.313142 0.141302 2.21611 0.027

AR(4) 0.502941 0.127082 3.957612 0.0001

AR(5) 0.72086 0.116716 6.176196 0

MA(1) 0.608824 0.134705 4.519685 0

MA(2) 0.372656 0.136822 2.723661 0.0066

MA(3) -0.39891 0.123442 -3.231514 0.0013

MA(4) -0.5234 0.119271 -4.38831 0

MA(5) -0.66979 0.128824 -5.199267 0






F-statistic 12.36884 Durbin-Watson stat 2.017102

Prob(F-statistic) 0

Inverted AR Roots 0.91 -.04-.95i -.04+.95i -.75-.57i

-.75+.57i

Inverted MA Roots 0.94 -.05+.92i -.05-.92i -.73-.56i

-.73+.56i

-8

-4

0

4

8

12

2015m1 2015m2

MF_TOP_M1_1_F_S ± 2 S.E.

Forecast: MF_TOP_M1_1_F_S

Actual: DJIA_LN










-8

-4

0

4

8

12

2015m1 2015m2



Actual: DJIA_LN











WP nr. 3/2015

Tabel 4.18– Estimare model mixt, pe baza modelului structural numărul 4 – varianta 1,

alături de un proces ARMA(4,4)

Observaţie: Procesul recursiv AR(1) nu prezintă un coeficient semnificativ din punct de

vedere statistic, conform regulilor impuse în această lucrare (valoarea t-static în modul mai

mare sau egală cu 2, şi valoare a probabilităţii (p-value) mai mică sau egală cu 0.05). Totuşi,

pentru a se menţine procesul ARMA(4,4) în formă completă, această variabilă a fost inclusă

în estimare. Această decizie a fost luată şi pe baza diferenţei reduse între valoarea calculată a

t-statistic şi valoarea ţintă. Următorul model prezentat va fi derivat din acesta şi va fi estimat

în absenţa oricărei variabile cu coeficienţi nesemnificativi din punct de vedere statistic.

Grafice 4.16, 4.17 – Testarea capabilităţii modelului mixt numărul 4 – varianta 1, varianta

care include un coeficient nesemnificativ, de a prognoza static şi dinamic pe intervalul de test



Date: 04/16/15 Time: 21:53






CAP_BURS_LN 0.70483 0.036 19.57849 0

CAP_BURS_LN(-3) 0.155416 0.035646 4.359937 0

CRASH_IND_INDV_LN(-3) -0.04867 0.018217 -2.671856 0.0084

AR(1) 0.464533 0.234752 1.97882 0.0497

AR(2) -0.74537 0.122883 -6.065655 0

AR(3) 0.635481 0.176784 3.594682 0.0004

AR(4) -0.28572 0.139951 -2.041595 0.043

MA(1) -0.73913 0.220079 -3.358481 0.001

MA(2) 0.758845 0.084152 9.017556 0

MA(3) -0.98626 0.128265 -7.689232 0

MA(4) 0.601123 0.161978 3.711148 0.0003







Inverted AR Roots .47+.34i .47-.34i -.24+.89i -.24-.89i

Inverted MA Roots .68+.37i .68-.37i -.31-.95i -.31+.95i

-6

-4

-2

0

2

4

6

8

2015m1 2015m2

M_F_TOP_M3_1_F_S ± 2 S.E.

Forecast: M_F_TOP_M3_1_F_S

Actual: DJIA_LN










-6

-4

-2

0

2

4

6

8

2015m1 2015m2



Actual: DJIA_LN










Novischi Iulian


Grafic 4.18 - Valori lunare la închidere ale indicelui DJIA – Decembrie 1914 – Decembrie 2014 (serie continuă de date – 100 de ani)

Sursă date: MeasuringWorth.com (http://measuringworth.com/DJA/)

1,00

10,00

100,00

1.000,00

10.000,00

100.000,00

de

c.-1

91

4

de

c.-1

91

7

de

c.-1

92

0

de

c.-1

92

3

de

c.-1

92

6

de

c.-1

92

9

de

c.-1

93

2

de

c.-1

93

5

de

c.-1

93

8

de

c.-1

94

1

de

c.-1

94

4

de

c.-1

94

7

de

c.-1

95

0

de

c.-1

95

3

de

c.-1

95

6

de

c.-1

95

9

de

c.-1

96

2

de

c.-1

96

5

de

c.-1

96

8

de

c.-1

97

1

de

c.-1

97

4

de

c.-1

97

7

de

c.-1

98

0

de

c.-1

98

3

de

c.-1

98

6

de

c.-1

98

9

de

c.-1

99

2

de

c.-1

99

5

de

c.-1

99

8

de

c.-2

00

1

de

c.-2

00

4

de

c.-2

00

7

de

c.-2

01

0

de

c.-2

01

3

de

c.-2

01

6

de

c.-2

01

9

Valori lunare la inchidere ale indicelui DJIA (scara logaritmica)



WP nr. 3/2015

Grafic 4.19 – Evoluţia indicelui DJIA (grafic23

săptămânal candlestick, ianuarie 2009 - aprile 2015, scară aritmetică) – analiza tehnică clasică

23 Grafic preluat de pe platforma de charting NetDania NetStation (http://netdania.com/Products/live-streaming-currency-exchange-rates/real-time-forex-charts/NetStation.aspx ) – prelucrare personală

http://netdania.com/Products/live-streaming-currency-exchange-rates/real-time-forex-charts/NetStation.aspx

Novischi Iulian



săptămânal candlestick, ianuarie 1999 - aprile 2015, scară aritmetică) – divergenţele faţa de

valoarea RSI sunt marcate cu linii punctate albastre.

RSI (Relative Strength Index) este un indicator de moment care indică dacă activul este supracumpărat/ suprvândut – exemplu al analizei tehnice

moderne

Mediile mobile (albastru 50 perioade, roz – 100 perioade, portocaliu – 200 perioade) indică evoluţia unui trend ascendent începând cu iulie 2011.




WP nr. 3/2015


săptămânal candlestick, ianuarie 1970 - aprile 2015, scară logaritmică) – indicatorul EWO (Elliott

Wave Oscillator) ajută în identificarea valurilor Elliott.



Novischi Iulian



săptămânal candlestick, ianuarie 2006 - aprile 2015, scară artimetică) – o funcţie de timp

Fibonacci este implementată începând cu prima perioadă a valului A (observabil pe graficul 4.21), săptămâna 8-12 octombrie 2007

26 Grafic preluat de pe platforma de charting NetDania NetStation (http://netdania.com/Products/live-streaming-currency-exchange-rates/rel-time-forex-charts/NetStation.aspx ) – prelucrare personală

http://netdania.com/Products/live-streaming-currency-exchange-rates/rel-time-forex-charts/NetStation.aspx

Trenduri economice, indici bursieri şi psihologia maselor ... Novischi.pdf · Novischi Iulian...

Documents

Transcript of Trenduri economice, indici bursieri şi psihologia maselor ... Novischi.pdf · Novischi Iulian...

Studiu de Caz Agentii Bursieri

ACADEMIA DE STUDII ECONOMICE DIN BUCUREŞTIfabbv.ase.ro/Media/Default/avizier_anunturi_2015/pdf/propuneri2017/... · Trenduri economice, indici bursieri si psihologia maselor Analiza

Indici Pe Piata Imobiliara

INDICI STATISTICI.pdf

Indicii Bursieri

Trei trenduri cheie in marketing digital pentru 2017

Trenduri în biblioblogosferă. Victoria Vasilica

Indici Bursieri

Indici de Vegetatie

Mecanismul Tranzactiilor Cu Contracte Futures Pe Indicii Bursieri

Indici tehnologici

INDICI ECOLOGICI

indici structurali

Ludmila Raileanu Indici statistici

Bsl_8 Indici Forta de Munca

53666581 Indici Pe Piata Imobiliara

INDICI CLIMATO-TURISTICI

Seara YP - Trenduri 2016 - Elisabeta Moraru (Google)

TABEL NOMINAL CUPRINZÂND STUDENŢII BURSIERI, NIVEL …horticultura.usamvcluj.ro/wp-content/uploads/2018/10/BURSE-PRELIMINARE... · tabel nominal cuprinzÂnd studenŢii bursieri,

78522258 Capitolul 6 Indicii Bursieri