Proiect Matematica

Academia de Studii Economice din București
Facultatea de Cibernetică, Statistică și Informatică Economică

Specializarea Cibernetică Economică
Analiza evoluției prețului de închidere și volumul

acțiunilor Microsoft de pe piața bursieră în perioada
Aprilie 2006-Aprilie 2016
Coordonator: Badea Florentina-grupa 1058
Conf.univ.dr. Adriana DAVIDESCU Zanfirescu Alexandra-grupa 1060
București 2016
Declarație privind originalitatea conținutului și asumarea răspunderii
Prin prezenta declar că rezultatele prezentate în această lucrare sunt în întregime

rezultatul propriei mele creații cu excepția cazului în care se fac referiri la rezultatele altor autori.
Confirm faptul că orice material folosit din alte surse (reviste, cărți, articole si site-uri de
Internet) este în mod clar referit în lucrare și este indicat în lista de referințe bibliografice.
Table of Content
Alegerea temei ....................................................................................................................... - 4 -
Aplicația 1 .............................................................................................................................. - 5 -
1.1 Capitol teoretic.............................................................................................................. - 5 -
1.1.1 Literatură de specialitate ........................................................................................ - 5 -
1.1.2 Metodologia cercetării ............................................................................................ - 6 -
1.2 Capitol aplicativ ............................................................................................................ - 9 -
1.2.1 Date utillizate ....................................................................................................... - 10 -
1.2.2 Rezultatele empirice ............................................................................................. - 12 -
Aplicația 2 ............................................................................................................................. - 29 -
2.1 Capitol teoretic............................................................................................................ - 29 -
2.1.1 Literatură de specialitate ...................................................................................... - 29 -
2.1.2 Metodologia cercetării .......................................................................................... - 30 -
2.2 Capitol aplicativ .......................................................................................................... - 35 -
2.2.1 Date utillizate.......................................................................................................... - 35 -
2.2.2 Rezultatele empirice ................................................................................................ - 35 -
Aplicația 3 ............................................................................................................................. - 43 -
3.1 Capitol teoretic............................................................................................................ - 43 -
3.1.1 Literatură de specialitate ...................................................................................... - 43 -
3.1.2 Metodologia cercetării .......................................................................................... - 44 -
3.2.1 Date folosite ......................................................................................................... - 46 -
3.2.2 Rezultate empirice ............................................................................................... - 48 -
Aplicația 4 ............................................................................................................................. - 62 -
4.1 Capitol teoretic .............................................................................................................. - 62 -
4.1.1 Literatură de specialitate ........................................................................................... - 62 -
4.1.2 Metodologia cercetării ............................................................................................. - 64 -
4.2.1 Date utillizate ....................................................................................................... - 67 -
4.2.2 Rezultatele empirice ............................................................................................. - 67 -
Concluzii .............................................................................................................................. - 86 -
Bibliografie ........................................................................................................................... - 88 -
Alegerea temei
Microsoft Corporation reprezintă o companie americană ce a fost fondată pe data de 4

aprilie 1975 de către Bill Gates. În decursul anilor, Microsoft a devenit din ce în ce mai mare
ajungând ca la mijlocul anilor 1980 să domine piața cu sistemul de operare MS-DOS, care a fost
mai apoi urmat de Windows. În prezent, aceasta este cea mai mare firmă producătoare de
software din lume, având peste 90000 de angajați în mai mult de 100 de țări. De asemenea,
aceasta domină piața cu pachetul de software birotic Microsoft Office, la care adăugăm și
implicarea acesteia din ultimii ani în industria jocurilor video, precum și pe domeniul serviciilor
digitale.
Filiala din România a companiei Microsoft a crescut de la 4 angajați în 1996 la peste 450
în 2013. Microsoft este constant între Cei Mai Doriți Angajatori în România, conform unei
cercetări de piață amănunțite realizate de Catalyst Consulting. În 2013, Microsoft a primit pentru
al șaselea an consecutiv distincția Best European Workplace, din partea Great Place to Work
Institute.
În prezent, există peste 1.000 de români care lucrează la Microsoft, în comunități din
întreaga lume.
Aplicația 1
1.1 Capitol teoretic
1.1.1 Literatură de specialitate

Metodologia Box-Jenkins reprezintă un model considerat eficient și de actualitate pentru
mulți analiști și persoane specializate în domeniul cercetării. Aceasta vizează diagnositicarea
diverselor probleme identificate și obținerea unui model de previziune pe baza unor date istorice
înregistrate anterior.
În cadrul unui articol1 ce analizează descoperirile în ceea ce privește această metodologie,
publicat în anul 2013, autoarea menționează dificultatea cu care se realizează aceste modele
statistice adecvate și cu care se pot interpreta rezultatele, urmând ca ulterior să explice pașii
necesari pentru aplicarea acesteia.
O serie de timp reprezintă un set de valori ale unei anumite variabile ce sunt înregistrate
într-o perioadă de timp într-un anumit model. Cele mai comune modele au un trend crescător sau
descrescător, înregistrează ciclicitate sau sezonalitate, iar uneori fluctuații iregulate. Pentru
modelarea unui eveniment de serii de timp privită precum o funcție compusă din valorile trecute,
analiștii identifică modele cu presupunerea că acestea vor persista în viitor. Aplicând
metodologia Box Jenkins, se evidențiază identificarea corectă a unui comportament adecvat care
să se potrivească cu eșantionul luat în considerare, prin folosirea funcției de autocorelație (ACF)
și a funcției de autocorelație parțială (PACF) cât și a funcțiilor teoretice de autocorelare.
Metodologia Box Jenkins are patru etape, și anume identificarea modelului, estimarea,
diagnosticarea de verificare și prognoza. Dintre toate cele patru etape, cea mai dificilă de abordat
conform analiștilor este aceea de identificare a modelului. Desigur, cea mai bună modalitate de a
aprofunda această metodologie este aceea de a o aplica asupra problemelor reale din cadrul
economiei, practica fiind extrem de folositoare pentru a câștiga experiență.
Având o aplicabilitate largă, în numeroase domenii, interesul pentru această metodologie
este într-o continuă creștere, din ce în ce mai mulți cercetători folosind-o pentru a realiza
previziuni de importanță economică.
1
Theresa Hoang Diem Ngo, The Box-Jenkins Methodology for Time Series Models, Burbank, CA, Paper 454
http://support.sas.com/resources/papers/proceedings13/454-2013.pdf
Un astfel de exemplu este dezvoltat în lucrarea "Forecasting construction output: A
comparison of artificial neural network and Box-Jenkins model"2 realizată în 2016, al cărei
obiectiv a fost de a determina acuratețea predictivă a două tipuri de modele de serii de timp
univariate extinzând lucrările anterioare de prognoză realizate cu privire la producția de
construcții. Modelele puteau prezice cu exactitate capacitatea de construcție în anumite
subsectoare ale pieței construcțiilor. Capacitatea de a prezice cu exactitate tendințele viitoare în
producția de construcție este de o importanță deosebită la economie. Părțile interesate din
industria construcțiilor precum contractori, clienți, guvern, factorii de decizie politică ar putea
ajusta în mod adecvat strategiile de afaceri și de dezvoltare bazate pe proiecțiile modelelor, mai
ales având în vedere faptul că monitorizarea activității de construcții este esențială pentru
creșterea durabilă a industriei de construcții și a economiei în general.
Produsul Intern Brut (PIB) este un indicator important al activității economice, și este
adesea folosit pentru a planifica politica economică. Una din lucrările3 elaborate în cadrul anului
2015 are ca scop modelarea și prognozarea ratei PIB-ului real în Grecia. În acest scop, folosind
metodologia Box- Jenkins în timpul perioadei 1980-2013 cu modelul ARIMA (1,1,1) pentru a
prognoza valorile ratei PIB-ului real pentru anii 2015, 2016 și 2017. Rezultatele statistice vor fi
de un real folos pentru eliberarea politicilor eficiente pentru atragerea investițiilor străine directe
și totodată pentru implementarea unor noi idei de proiecte ce privesc extinderea afacerilor
existente pe piață.
Metodologia Jenkins a fost folosită în ultimii doi ani pentru îmbunătățirea multor procese
economice deja existente, așa cum este prezentat în cadrul lucrării “Closed-loop identification of
systems using hybrid Box–Jenkins structure and its application to PID tuning”4 elaborată în
decembrie, anul 2015, sau pentru a realiza prognoze pentru diferți indicatori statistici relevanți în
deciziile politice sau prețuri.
Modelul Box Jenkins presupune că seriile de timp sunt staționare. În mod general,
cercetătorii efectuează diferențierea ca o primă procedură necesară pentru a staționariza datele,
soluția, reprezentată de rezultatul obținut după o diferențiere sau două, fiind mai eficientă în
acest caz decât prin celelalte metode asemănătoare. Acest lucru a fost dovedit și într-un review5
asupra diferențelor dintre această metodă și cele similare acesteia, realizat în anul 2015, prin care
se dorea realizarea unei prognoze a prețurilor uleiurilor din lume, în cadrul căruia s-a demonstrat
că metodologia Jenkins demonstrează eficiență și o aplicabilitate practică în lumea reală.
1.1.2 Metodologia cercetării
2
Ka Chi Lam, Olalekan Shasideen Oshodi; "Forecasting construction output: A comparison of artificial neural
network and Box-Jenkins model"; Engineering, Construction and Architectural Management; Hong Kong, China;
Vol. 23 Iss: 3, pp.302 - 322 http://www.emeraldinsight.com/doi/pdfplus/10.1108/ECAM-05-2015-0080
3
Dr. Chaido Dritsaki, “Forecasting Real GDP Rate through Econometric Models: An Empirical Study from
Greece”;Greece; Journal of International Business and Economics June 2015, Vol. 3, No. 1, pp. 13-19 http://jibe-
net.com/journals/jibe/Vol_3_No_1_June_2015/2.pdf
4
Quanshan Li, Dazi Li; Closed-loop identification of systems using hybrid Box–Jenkins structure and its application
to PID tuning; China; Chinese Journal of Chemical Engineering Volume 23, Issue 12, December 2015, Pages 1997–
2004
5
Karia, Abdul Aziz; Hakim, Taufik Abd; Bujang, Imbarine. The Business & Management Review 7.1: 279-291
http://search.proquest.com/docview/1757281580?pq-origsite=gscholar
În cadrul studiului de caz ce urmează a fi realizat în cadrul aplicației 1 vom utiliza
metodologia Box-Jenkins împreună cu modelul ARIMA și ARMA precum și testele Bartlett,
Dickie Fuller, Unit Root și Box Priece sau Ljung Box cu ajutorul cărora se studiază
staționaritatea seriei de date. Preliminar metodologiei Box-Jenkins, vom face o analiză statistică
asupra setului de date ales. Pentru aceasta utilizăm indicatori statistici cum ar fi media, mediana,
distribuția, amplitudinea, aplatizarea și boltirea și grafice precum histograma, box-plot sau
trendul.
Obiectivele analizei Seriilor de Timp sunt:

1. descrierea modelelor de regularitate comportamentală pentru datele de observație
2. prognozarea valorilor viitoare ale unei variabile în funcție de observațiile sale din trecut
În cazul în care se studiază o singură variabilă, se obține un model al unei serii de timp
univariate, iar în cazul în care se studiază interacțiunea dintre mai multe variabile economice (de
exemplu, interacțiunea dintre cheltuielile de consum, investiții și venit) se obțin modele pentru
serii de timp multivariate.
În analiză avem doua tipuri de serii: staționare si nestaționare. În economie, marea
majoritate a seriilor ce conțin indicatori precum cursul de schimb, masa monetară, consumul
guvernamental etc prezintă tendință iar acesta sunt considerate serii nestaționare. Faptul că
termenii seriei cronologice au, în general tendințe de creștere sau de scădere în decursul timpului,
face ca media șirului valorilor lui Yt să difere în funcție de momentul t de la care considerăm că
începe seria. Mai mult, chiar și dispersia și covarianța sunt dependente de variabila timp (t).
Seria staționară este acea serie ale cărei valori oscilează, mai mult sau mai puțin aleator, în jurul
unui nivel de referință-media, fiind deci într-o stare de echilibru.
Corelograma este graficul funcției de autocorelație (ACF) în raport cu decalajul k și oferă
numeroase informații privind comportamentul seriei de timp. Proprietățile dinamice ale fiecărui
model staționar determină o anumită formă a corelogramei.
Verificarea semnificației coeficienților de autocorelație se poate realiza cu ajutorul
următoarelor teste statistice:testul Bartlett, testul Ljung Box și testul Box Pierce.
Tipologia modelelor stochastice:
-modele autoregresive AR(p)
- modele de medie mobilă MA(q)
- modele mixte ARMA (p,q)
- modele ARIMA(p,d,q)
Un proces autoregresiv (AR) este un proces unde valoarea curentă a lui y este
influențată de propriile valori din trecut și de o perturbație εt. Formalizat, putem scrie: yt = f(yt-1,
y t-2,.....) + εt. Variabila aleatoare εt este numită inovație, deoarece reprezintă partea nepredictibilă
a valorilor variabilei yt, date fiind valorile anterioare yt-1, y t-2,.....
Un proces de medie mobilă (MA) este un proces unde valoarea curentă (de actualitate) a
lui y este influențată atât de valoarea contemporană cât și de valorile din trecut ale termenului
inovație εt. Ca o funcție se poate scrie: yt = f(yt-1, y t-2,.....) + εt.
Modelul autoregresiv de ordinul p, AR(p)
Un process staționar este un process autoregresiv (AR) de ordinul p dacă există un process al
erorilor zgomot alb astfel încât să avem:
Folosind operatorul lag Ф(L) = 1- Ф1L – Ф2L - … - ФpL această relație se poate scrie:
Se definește polinomul caracteristic atașat unui process AR(p) prin relația:
P(z) = zp - Ф1 zp-1 - Ф1 zp-2 - … - Фp.
Între polinomul characteristic al procesului și polinomu lag utilizat pentru deficnirea procesului
există relația:
P(z) = zp Ф(1/z)
Modelul de medie mobilă de ordinal q, MA(q)
yt = εt + ϴ1 εt-1 + ϴ2 εt-2 + … + ϴq εt-q
ϴ(L) = (1+ ϴ1 L + ϴ2 L2 + ... + ϴq Lq ) este polinomul de medie mobilă de ordinul q.
Un proces MA este staționar deoarece orice două elemente yt și yt reprezintă aceeași funcție de
vectorii (εt, εt-1, ... , εt-q) și (εs, εs-1, ... , εs-q) care sunt identic distribuiți.
Metodologia Box-Jenkins:
Box și Jenkins (1970) au propus o metodologie pentru previzionarea unei variabile doar pe baza
valorii prezente și a valorilor din trecut ale variabilei. Aceasta prezintă un set de proceduri pentru
identificarea și estimarea seriilor de timp utilizand clasele de modele ARIMA (modele
autoregresive de medie mobilă integrate). Modelele de tip ARMA pot să aproximeze cele mai
multe procese staționare. Pentru că în economie sunt puține serii de timp staționare, sunt
necesare modele care să fie capabile să reproducă comportamentul nestaționar. Modelele ARMA
au fost generalizate pentru serii nestaționare care devin staționare prin diferențiere. Modele
rezultate au fost numite modele autoregresive de medie mobilă integrate ARIMA(p,d,q) unde d
este ordinul de diferențiere necesar pentru staționarizarea seriei. O serie de timp este un proces
ARIMA(p,1,q) dacă seria obținută prin aplicarea operatorului de diferență urmează un model
ARMA(p,q).
Pentru a putea utiliza metodologia Box-Jenkins, seria de timp trebuie să fie staționară.
Principiul metodologiei Box-Jenkins: orice serie de timp staționară își poate prognozaviitorul
utilizând datele din trecut.
Metodologia Box-Jenkins are ca obiectiv identificarea și estimarea unui model statistic care
poate fi considerat că a generat datele de selecție. Acest model estimat va fi utilizat pentru
prognoze și este necesară presupunerea că are caracteristici constante în timp.
Selectarea modelului ARIMA potrivit pentru datele observate se realizează printr-o procedură
iterativă (metodologia Box-Jenkins), bazată pe cinci etape:
1)Verificarea staționarității/diferențiere
2)Identificarea modelului
3)Estimarea modelului
4)Verificarea proprietăților modelelor concurente și alegerea celui mai performant model
5)Previziuni
Procedura Box-Jenkins constă în parcurgerea mai multor etape pentru identificarea celui
mai potrivit model autoregresiv pentru analiza unei serii de timp:
Etapa I Se calculează ACF şi PACF pentru a stabili dacă seria este staţionară. Dacă este
staţionară se trece la etapa a treia, dacă nu se parcurg cerinţele etapei următoare.
Etapa II Se stţionarizează seria de date prin diverse transformări. De exemplu se logaritmează
valorile seriei sau se aplică o transformare Box-Cox, apoi se poate diferenţia seria de date astfel
obţinută.
Etapa III Folosind caracteristicile funcţiilor ACF şi PACF se determină modelele autoregresive
de start pentru analiza seriei de date.
Etapa IV Se estimează parametrii modelelor autoregresive.
Etapa V Se testează caracteristicilor modelelor autoregresive ce au fost estimate în etapa
anterioară
Etapa VI Se alege cel mai potrivit model folosind diverse criterii de performanţă.
Etapa VII Pe baza modelului selectat se fac diverse analize şi prognoze.
Alegerea celui mai performant model

Dacă în urma verificării proprietăţilor modelelor estimate au fost mai multe validate atunci
alegerea celui mai performant model se poate realiza pe baza unuia din următoarele criterii:
a. Se alege acel model care are valoarea cea mai mare pentru ajustat sau valoarea cea mai mică
pentru una din mărimile următoare: varianţa sau dispersia reziduurilor;
b. Se alege modelul pentru care unul din următorii indicatori are valoarea cea mai mică:
criteriul Akaike şi Schwartz.
Pentru a demonstra staționaritatea sau non-staționaritatea unei serii de timp vom utiliza testul
Dickie Fuller, acesta reprezentând una dintre cele mai preferate modalități.
În statistică, testele Dickey-Fuller se realizează în cazul în care ρ = 1 (rădăcină de o unitate) este
prezentă într-un model autoregresiv. Este numit după statisticienii David Dickey și Wayne
Fuller, care a dezvoltat testul în 1979.Dacă ρ = 1 sau δ = 0 , atunci seria nu este staționar. Dacă ρ
< 1, atunci seria este staționară τ = DF = / se(). Dacă | τcalc| > | τcrit| respingem H0 și acceptăm că
seria este staționară. Dacă | τcalc| < | τcrit| acceptăm că seria este nestaționară.
Ipoteze:
H0: | τcalc| < | τcrit| (serie nestaționară)
H1: | τcalc| > | τcrit| (serie staționară)
1.2 Capitol aplicativ

1.2.1 Date utillizate
Pentru realizarea acestei analize am folosit ca sursă baza de date cu prețul de închidere al
acțiunilor și volumul acțiunilor tranzacționate la bursă ale companiei Microsoft Corporation, de
pe site-ul Yahoo Finance .
Cele două serii de timp conțin datele lunare privind valoarea acțiunilor Microsoft,
tranzacționate la bursă pe o perioadă de 10 ani, începând cu luna aprilie 2006 până în aprilie
2016, totalizând un număr de 121 observații.
Prețul de închidere reprezintă prețul ultimei tranzacții dintr-o anumită zi, acesta
reprezentând și prețul de referință, respectiv oficial, al acțiunii pentru ziua respectivă în cadrul
acțiunilor listate la Bursa de Valori.
Table 1-Datele privind prețurile de închidere ale acțiunilor Mocrosof

Table 2 – Datele privind prețurile de închidere ale acțiunilor Microsoft
1.2.2 Rezultatele empirice
Statistici elementare
Media este o măsură a tendinţei centrale iar valoarea sa calculată sintetizează într-un
singur nivel reprezentativ tot ceea ce este tipic, esenţial, comun şi obiectiv în apariţia şi
manifestarea fenomenelor de masă. Media se exprimă în unităţi concrete de măsură, dar are un
caracter abstract deoarece valoarea ei calculată poate să coincidă sau nu cu vreo valoare
individuală înregistrată de variabilă numerică urmărită.
Aceasta are un conţinut cu atât mai real cu cât este mai reprezentativă cu cât valorile
individuale din care se calculează sunt mai omogene, mai apropiate, ca mărimi, între ele.
Mediana, a cărei abreviere este Me, sau cuantila de ordinul 2 reprezintă acea valoare a
caracteristicii localizată în mijlocul seriei sau repartiţiei statistice cu valori individuale aranjate în
ordine crescătoare sau descrescătoare. Cu alte cuvinte, mediana împarte numărul unităţilor
investigate în două părţi egale: numărul valorilor individuale superioare medianei este egal cu
numărul valorilor individuale mai mici decât mediana. Din această cauză mediana se mai
numeşte valoarea echiprobabilă a caracteristicii:
Abaterea medie pătratică, numită şi abaterea standard sau abaterea tip, se defineşte ca
medie pătratică, simplă sau ponderată, a abaterilor valorilor individuale de la tendinţa centrală
sau ca rădăcină pătratică a dispersiei. Potrivit acestei definiţii relaţia de calcul a abaterii medii
pătratice este următoarea:
Amplitudinea este un parametru care arata distanta dintre valoarea minima si valoarea
maxima din cadrul unui sir de date:
Skewness reprezintă un indicator folosit în analiza distribuției unei serii de date pentru a
indica deviația distribuției empirice în raport cu o distribuție simetrică în jurul mediei. În cazul în
care coeficientul Skewness este mai mare ca 0 atunci distribuția seriei de date este înclinată spre
stânga, având mai multe valori extreme spre dreapta, iar când valoarea este negativă distribuția
seriei de date este înclinată spre dreapta, având mai multe valori extreme spre stânga.
Când coeficientul Skewness este nul, media este aceeași cu mediana, iar distribuția este
simetrică în jurul mediei.
Kurtosis reprezintă un indicator folosit în analiza distribuției unei serii de date pentru a
indica gradul de aplatizare sau de ascuțire a unei distribuții. Atunci când valoarea coeficientului
este mai mare decât 3 seria analizată prezintă o distribuție leptokurtică, mai ascuțită decât o
distibuție normală; având mai multe valori concentrate in jurul mediei și cozi mai groase ceeea
ce înseamnă probabilități ridicate pentru valorile extreme.
Pentru o valoare a coeficientului Kurtosis mai mică decât 3, seria înregistrează o
distribuție platikurtică, mai plată decât o distibuție normală având valori dispersate pe un interval
mai mare în jurul mediei. Probabilitatea pentru valori extreme este mai mică decât în cazul unei
distribuții normale.
Atunci când acest coeficient are valoarea 3 distribuția este de tip mezokurtic, precum
distribuția normală.
Diagrama Boxplot oferă informații privind tendința centrală și forma distribuției

studiate. O diagramă de tip Boxplot reflectă grafic rezumarea prin cele 5 valori ale unei
distribuții: valoarea minimă, prima quartila, mediana, a treia quartila și valoarea maximă.
Graficul va prezenta deasemeni și valorile aberante sau valori situate mult în afara distribuției.
Reprezentarea grafică poate fi orizontală sau verticală, semnificațiile termenilor rămânând
aceleași.
Histograma este folosită în analiza statistică a seriilor de date prezentând forma
distribuției randamentelor. Frecvența distribuției prezintă modul în care randamentele sunt
dispersate în jurul mediei pe o perioadă prestabilită. Analiza histogramei este des folosită
deoarece reprezintă o imagine ușor de citit chiar la nivel intuitiv, iar cumulat cu informații
referitoare la statistica seriei de date, ce cuprinde informații privind media, mediana, deviația
standard, varianța, dar și valorile Skewness și Kurtosis, oferă o imagine de ansamblu asupra
distribuției. Cea mai cunoscută distribuție este distribuția normală care are forma unui clopot
simetric în jurul mediei, cum ar fi clopotul lui Gauss.
Figure 1: Statistici elementare
Figura 1 ne oferă următoarele informații asupra setului de date:

Media prețului de închidere pentru acțiunile Microsoft din ultimii 10 ani este de
32,05066$. Valoarea de 29,19$ a medianei indică faptul că 50% dintre acțiuni au un preț de
închidere mai mare decât această valoare iar cealaltă jumătate a acțiunilor au înregistrat un preț
de închidere situat sub prețul de 29,19$. Altfel spus, mediana împarte setul de date în doua părti
echidistante.
Abaterea standard din cadrul acestui set de date are valoarea de 9,03.
Prețul maxim de închidere pentru o acțiune înregistrată în perioada menționată este de
55,57$ iar prețul minim este de 16,15, având o amplitudine egală cu 39,42$ (A=55,57$-16,15$).
Coeficientul Skewness=0,98> 0, ceea ce indică o distribuție înclinată spre stânga, având
mai multe valori extreme spre dreapta.
Coeficientul Kurtosis=3,27>3, seria analizată prezintă o distribuție leptokurtică, mai
ascuțită decât o distibuție normală; având mai multe valori concentrate in jurul mediei și cozi
mai groase ceeea ce înseamnă probabilități ridicate pentru valorile extreme.
Testul Jarque – Bera ia în considerare atât coeficientul de asimetrie, cât și cel de
aplatizare și se verifică în ce măsură seria de timp poate fi aproximată cu o distribuție normală.
Ipoteze:
H0: Distribuția este normală
H1: Distribuția nu este normală
Sub ipoteza nulă a unei distribuţii normale statistica Jarque-Bera este distribuită x 2 cu 2 grade de
libertate. Probabilitatea ataşată testului reprezintă probabilitatea ca statistica Jarque-Bera să fie
mai mare decât valoarea observată sub ipoteza nulă.
Observăm că p= 0,000043 , p < 0,05 => se respinge ipoteza nulă și se acceptă ipoteza alternativă,
conform căreia distribuția nu este normală.
Figure 2: Histograma prețurilot de închidere
Din histograma realizată putem observa că aceasta prezintă asimetrie la stânga. Acțiunile
cu cea mai mare frecvență au un preț de închidere situat în intervalul [25$-26$] și [27$-30$] iar
cea mai mică frecventă este înregistrată pentru acțiunile cu un preț de închidere situat în
intervale;e [21$;22$], [39$;40$], [42$; 43$], [49$; 50$], [51$; 52$] și [53$;54$].
Figure 3: Box-Plot preț de închidere
● Valoarea minimă denumită și percentila 0 este cea mai mică valoare observată din șirul
de valori, exceptând valorile aberante și înregistrează o valoare de aproximativ 16$.
● Quartila inferioară delimitează cele mai mici 25% din valorile observate și înregistrează o
valoare de aproximativ 27$
● Mediana: delimitează 50% din valori, înregistrează o valoare de aproximativ 29$
● Quartila superioară delimitează cele mai mari 25% din valorile observate și înregistrează
o valoare de aproximativ 38$.
● Valoarea maximă, denumită și a 100-a percentilă este cea mai mare valoare observată,
exceptând valorile aberante și înregistrează o valoare de aproximativ 55$..
În grafic putem observa prezența valorilor outlier ceea ce înseamnă că există un număr
redus de acțiuni care au înregistrat la un moment de timp valori de peste 55$.
Verificarea staționarității seriei de timp:
În cele ce urmează vom studia proprietatea de staționaritate a seriei
● Se calculează ACF şi PACF pentru a stabili dacă seria este staţionară.
● Dacă seria este staţionară se trece la etapa a treia, dacă nu, se parcurg cerinţele etapei
următoare.
Seria nestaționară prezintă tendințe de creștere sau de descreștere, ceea ce face ca media
șirurilor valorilor să difere, în funcție de momentul la care considerăm că începe seria.
Seria staționară – o serie de timp este staționară dacă media, dispersia și autocovarința (la
diferite decalaje) rămn aceleași, indiferent de momentul la care sunt măsurate.
Figure 4: Trendul prețurilot de închidere
Analizând graficul de mai sus putem observa că există o tendință crescătoare deși trendul
nu este neted. De asemenea, se poate observa faptul că seria are media, dispersia și
autocovarianțele nu par a fi invariante în raport cu timpul, această serie fiind de tip
nestaționar. De asemenea putem observa că seria de timp supusă analizei nu prezintă
sezonalitate.
Corelograma serie:
Figure 5: Corelograma prețurilor de închidere
Din corelograma de mai sus observăm că la lagul 1 coeficientul de autocorelație indică o

valoare de 0,93, reprezentând o valoare foarte mare. Scăzând treptat, la lagul 11 înregistrăm o
valoare de 0,52 aceasta constituind de asemenea o valoare mult prea mare. Deci, coeficienții de
autocorelație descresc lent, ceea ce însemnă ca seria este nestaționară.
Figure 6: Unit Root Test-preț de închidere
ΔClose = 0,5 -0,007ΔClose−1

t = (-0.31) (0,63)
DW = d = 2,127
În continuare, vom verifica staționaritatea seriei de timp prin aplicarea testului ADF
(Augmented Dickey Fuller). Pe baza rezultatelor testului ADF ilustrat în Figura 6 putem trage
următoarele concluzii:
Ipoteze
Valorile critice înregistrate în modelul nostru sunt -3,48, -2,88 și -2,57 iar valoarea lui t
calculat este de -0,31. Putem observa că pentru cele trei nivele, 1%, 5%, respectiv 10%, valoarea
absolută a lui t critic este mai mare decât valoarea absolută a lui t calculat, ceea ce demonstrează
că acceptăm ipoteza nulă H0 și respingem ipoteza alternativă, ceea ce înseamnă că seria este
nestaționară.
În cele ce urmează vom încerca să staționarizăm seria prin aplicarea operatorului de
diferențiere. Rezultatul obținut este următorul:
Figure 7: Corelograma prețurilor de închidere după prima diferențiere
Cu ajutorul corelogramei putem trage concluzia că seria este staționară deoarece

coeficienții de autocorelație descresc brusc.
Aplicând testul Augmented Dickey – Fuller (ADF) seriei diferențiate, obținem
următoarele rezultate:
Figure 8: ADF-prima diferențiere
ΔClose = 0,3 - 1,096 ΔClose-1

t =(1,41) (-11,94)
R2=0,54
DW=d=2,001
Ipoteze
Pentru scopul nostru este importantă statistica t a variabilei Close−1. Ipoteza nulă este că
δ = 0, echivalent cu ρ = 1, sau există o rădăcină unitară. Valoare absolută a lui t calculat este
11,94. Valorile absolute pentru t critic sunt 3,48, 2,88 și 2,57 care sunt mai mici decat valorea lui
t calculat ceea ce înseamnă că seria a fost staționarizată.
Procedura Box-Jenkins
Vom aplica procedura Box-Jenkins asupra seriei de date staționarizată prin diferențe de
ordin 1 (seria fiind integrata de ordin 1) și vom determina procesul ARMA(p,q) corespunzător.
Procedura urmează 3 etape: identificarea, testarea modelului și previziunea.
În prima fază, cea de identificare a modelului, corelograma seriei sugerează necesitatea
introducerii în estimarea procesului, atât a lag-urilor analizate (AR), cât și a lag-urilor termenului
eroare (MA). Din corelogramă putem presupune că cel mai bun model ar fi cel de tipul
ARMA(4,4) însă vom testa și alte modele pentru a ne asigura dacă acesta este cel mai bun model
Figure 9: AR(1)
Figure 10: AR(1) AR(2)

Figure 11: AR(1) AR(2) MA(1)
Figure 12: AR(1) MA(1)

Figure 13: MA(1)
Figure 14: MA(1) MA(2)

Figure 15: AR(4) MA(4)
În urma testărilor modelelor autoregresive am observat coeficienții înregistrați pentru criteriul

Akaike și criteriul Schwartz care sunt evidențiați prin intermediul tabelului de mai jos.
Model Criteriul Akaike Criteriul Schwartz
AR(1) 4.53 4.582076
AR(2) 4.56 4.63
MA(1) 4,53 4,57
MA(2) 4.54 4.61
ARMA(2,1) 4.56 4.65
ARMA(1,1) 4,55 4,62
ARMA(4,4) 4.51 4.581533

Table 3: Criteriul Akaike și Schwartz
În urma realizării tabelului am observat că cele mai mici valori pentru coeficienții Akaike
și Schwartz sunt înregistrați pentru modelul ARMA(4,4) ceea ce înseamnă că acesta este modelul
cel mai eficient și va fi cel pe baza căruia vom realiza previziunile.
Testarea modelului prin testarea autocorelării reziduurilor se realizează cu corelograma

reziduurilor Q-statistics:
Figure 16: Corelograma reziduurilor

Reziduurile q-statistics sunt nesemnificative pentru toate lag-urile neindicând nicio
corelație semnificativă între reziduri, ceea ce înseamnă că avem zgomot alb. Pentru toate lagurile
putem observa ca avem probabilități mai mari de 0.05 și de asemenea valorile lui Q-stat sunt mai
mari decât probabilitățile, ceea ce înseamnă că modelul este valid.
Generarea de previziuni:
Previziunea este realizată pentru următorul an de zile, mai exact până în Aprilie 2017 și se va
realiza pe baza modelului ARMA(4,4)
Dynamic Forecast:
Figure 17: Dynamic Forecast
Valoarea lui Mean Abs. Percent Error trebuie să aibă o valoare cât mai mică, în acest caz
aceasta este de 33,90.
Valoarea Coficientul Theil trebuie să aibă valori cuprinse în intervalul (0, 1), valorile
apropiate de 0 indică o ajustare bună, în acest caz acest coeficient are valoarea 0.14.
Indicatorul Bias Proportion trebuie să aibă valori cât mai mici. Putem observa că în cazul
nostru valoarea acestuia este de 0,656.
Indicatorul Variance Proportion trebuie să aibă valori cât mai mici. Putem observa că în
cazul nostru valoarea acestuia este de 0,000043.
Indicatorul Covariance Proportion trebuie să aibă o valoare cât mai mare, apropiată de 1.
Putem observa că în cazul nostru valoarea acestuia este de 0,34.
Putem observa că în previziunea realizată, indicatorii nu respectă valorile pe care ar
trebui sa le aibă.
Static Forecast:
Figure 18: Static Forecast
Valoarea lui Mean Abs. Percent Error trebuie să aibă o valoare cât mai mică, în acest
caz aceasta este de 5,43. Valoarea Coficientul Theil trebuie să aibă valori cuprinse în intervalul
(0, 1), valorile apropiate de 0 indică o ajustare bună, în acest caz acest coeficient are valoarea
0.0334 de unde putem trage concluzia că modelul are o ajustare destul de bună.
Indicatorul Bias Proportion trebuie să aibă valori cât mai mici. Putem observa că în
cazul nostru valoarea acestuia este de 0,00005. Indicatorul Variance Proportion trebuie să aibă
valori cât mai mici. Putem observa că în cazul nostru valoarea acestuia este de 0,0230.
Putem observa că în previziunea realizată respectă valorile pe care cei trei indicatori ar
trebui să le aibă. De asemenea, observăm ca previziunea de tip static este mai buna decât cea de
tip dynamic.
Raportând la mediul economic, se remarcă faptul că prețurile de închidere ale acțiunilor
companiei Microsoft sunt prognozate ca având un trend ascendent. În ceea ce privește datele deja
înregistrate, până în aprilie 2016, prognoza este una viabilă, în mediul economic, această
presupunere fiind una adevărată.
Acest fapt se datorează în principiu strategiei complexe dezvoltate de companie care a
vizat menținerea, respectiv creșterea cotei de piață ce a presupus lansarea unui nou sistem de
operare, și anume Windows 8, ce putea fi folosit atât pe PC-uri, laptopuri cât și smartphone-uri.
Pe lângă acest sistem, compania a lansat pe piață noi dispozitive care aveau drept scop
îmbunătățirea petrecerii timpului liber.
Aplicația 2
Conform articolului privind cercetările statistice “Bayesian Inference Methods for univariate
and multivariate GARCH models: A Survey”6 înțelegerea, modelarea și previzionarea volatilității
seriilor de timp financiare au fost pe larg cercetate pentru mai mult de 30 de ani, iar interesul pentru acest
subiect este departe de a fi în scădere. Volatilitatea de predicție are o gamă foarte largă de aplicații în
domeniul finanțelor, de exemplu, în optimizarea portofoliului, managementul riscului, alocarea activelor,
dar mai ales în stabilire a prețurilor activelor. Cele două abordări mai populare pentru modelarea
volatilității sunt bazate pe modele de tip Heteroscedasticitatea autoregresiv condițională (ARCH) și cele
de Volatilitate stochastică (SV).
Modelul econometric ARCH7 a fost propus de către Robert Engle în anul 1982 și se considera că
poate influența volatilitatea pe baza informațiilor precedente, luând în considerare seria randamentelor.
Ideea esențială a modelului admite faptul că informațiile rentabilității unui activ financiar sunt
necorelate, dar sunt descrise printr-un nivel de dependență pe baza informațiilor din trecut.
În cadrul realizării unui model ARCH, s-au luat în considerare două ecuații, una ce
privește media condiționată ce caracteriza evoluția randamentelor, iar alta pentru variația
condiționată, numită și ecuația volatilității.
În anul 1995, Engle a publicat încă un articol “Multivariate Simultaneous Generalized ARCH”8
în cadrul căruia a prezentat rezultatele teoretice privind formularea și estimarea modelelor multivariate
ARCH generalizate în cadrul sistemelor de ecuații simultane. Noua parametrizare a procesului se propune
incluzând variabile multiple, iar relațiile de echivalență cât și constrângerile folosite sunt suficiente pentru
a garanta eficiența acestuia.
Unul dintre cele mai recente articole în care s-au folosit modelele ARCH, GARCH și
EGARCH este „The impact of Oil Price and Its Volatility on CPI of Pakistan: Bivariate
6
Audrone Virbickaite M. COnception Ausin and Pedro Galeano; “Bayesian Inference Methods for univariate and
multivariate GARCH models: A Survey”, Madrid, Journal of economic surveys
http://onlinelibrary.wiley.com/doi/10.1111/joes.12046/epdf?r3_referer=wol&tracking_action=preview_click&sho
w_checkout=1&purchase_referrer=onlinelibrary.wiley.com&purchase_site_license=LICENSE_EXPIRED
7
Robert F. Engle, “Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom
Inflation”, UK; Econometrica, Volume 50, Issue 4, p 987-1008;
http://www.econ.uiuc.edu/~econ508/Papers/engle82.pdf
8
Robert Engle, Kenneth F. Kroner; “Multivariate Simultaneous Generalized ARCH”;San Diego; Econometric Theory,
Volume 11, issue 01, pp 122-150
EGARCH Model”9 (Abida Naurin and Abdul Qayyum – Pakistan Institute of Development
Economics , Islamabad, Pakistan), realizat în luna februarie a anului 2016 și este prezentat de
către MPRA (Munich Personal RePEc Archive). Studiul de caz urmărește activitățile
macroeconomice, prin perspectiva unei factor important, și anume petrolul, în diferitele domenii
ale lumii. Fiind considerat unul dintre cele mai valoroase instrumente folosite în dezvoltarea
țărilor și fiind recunoscut ca o sursă de energie esențială, studiul de caz își propune să analizeze
impactul pe care prețul petrolului și volatilitatea lui o au asupra indicelui prețurilor de consum
din Pakistan în perioada ianuarie 1980- decembrie 2014 plin aplicarea metodelor mai sus
menționate.
Un alt domeniu în care s-au făcut cercetări cu ajutorul modelelor Garch sunt piețele
alimentare. Lucrarea “Price Volatility Transmission in Food Supply Chains: A Literature
Review”10 trece în revistă literatura de specialitate privind transmiterea volatilității prețurilor pe
piețele alimentare în mod vertical. În cadrul acesteia se analizează metodele și constatările
majore ale literaturii de specialitate, iar ulterior sunt sugerate căi de cercetare viitoare. Literatura
de specialitate arată că volatilitatea prețurilor este analizată folosind o clasă de modele univariate
și multivariate GARCH. În urma studiilor s-a concluzionat că volatilitatea prețurilor transmite
de-a lungul lanțurilor de aprovizionare cu alimente expunând astfel toți actorii în lanț pentru risc
și incertitudine. Un aspect în mare parte ignorat în literatura de specialitate actuală este
identificarea și testarea empirică a rolului factorilor contextuali asupra gradului de transmitere a
volatilității prețurilor.
Aplicația de față are ca scop analizarea prezenței modelului ARCH în date și modelarea
varianței (adică a volatilității) prin modelele GARCH sau EGARCH, cu realizarea de previziuni
pe modelul valid. Pentru analiza acestei serii de date, utilizăm modelele ARCH și GARCH
respectiv EGARCH .
În cadrul realizării unui model ARCH s-au luat în considerare două ecuații distincte, una
pentru media condiționată, care va caracteriza evoluția randametelor, iar alta pentru variația
condiționată, numită și ecuația volatilității.
Modelele heteroscedastice condiționate autoregresive, abreviate ARCH, sunt folosite în

orice punct al seriei atunci când erorile au o anumită valoare sau variație. Abordarea de tip
ARCH ia în considerare, în elaborarea previziunilor, şi informaţiile conţinute în varianţa
9
Abida Naurin, Abdul Qayyum; „The impact of Oil Price and Its Volatility on CPI of Pakistan: Bivariate EGARCH
Model”;Pakistan; Paper No. 69774
10
Assefa, T. T., Meuwissen, M. P.M. and Oude Lansink, A. G.J.M. (2015), Price Volatility Transmission in Food
upply Chains: A Literature Review. Agribusiness, 31: 3–13. doi: 10.1002/agr.21380
condiţionată a procesului. Este specific seriilor cu varianţă variabilă în timp, nestaţionare relativ
la varianţă. Erorile nu au aceeaşi varianţă, adică nu verifică condiţia de homoscedasticitate,
intervale de timp cu erori de preziune mari, în perioade de instabilitate economică, fiind urmate
de intervale cu valori mici. Avem aici două tipuri de ecuaţii: ecuaţia mediei condiţionate ce poate
include şivariabile exogene respectiv ecuaţia varianţei condiţionate. Analiza evoluţiei pe termen
lung a variabilelor financiare sau economice, relevă deseori faptul ca varianţa acestora variază în
timp.
Pentru studierea dinamicii variației condiționate este necesară utilizarea un model ARCH
cu un număr ridicat de parametrii. Prin urmare, deși era o estimare mai dificilă, Bollerslev a
introdus în anul 1986 o variantă generalizată a modelului ARCH, numită ulterior GARCH.
Modelul GARCH (p,q), propus de Bollerslev (1986), are următoarele specificaţii, unde:
● rt reprezintă un proces ARMA(m,n),
● ht, sau volatilitatea, semnifică un proces ARCH(q) si GARCH(p);
● 1 α – persistenţa volatilităţii;
● 2 – α viteza de reacţie a volatilitătii la şocurile din piaţă.
Denumirea GARCH provine de la :

● G –generalizat
● AR – autoregresiv
● C – conditional
● H – heteroschedaticitate
Modelele GARCH găsesc suport empiric în domeniul financiar, specificarea pentru cel
mai simplu model din această clasă GARCH(1,1) sugerând intuitiv următorul comportament:
- dacă rentabilitatea activului a fost mult mai mare sau mult mai mică decât cea aşteptată
atunci şi varianţa estimată pentru următoarea perioadă va fi mai mare,incertitudinea privind
nivelul ratei în următoarea perioadă crescând(termenii medie mobilă);
- de asemenea deviaţiile mari ale rentabilităţii tind a fi urmate de abateri mari(termenii

autoregresivi)
O serie de alte forme sunt propuse în literatură pentru modelarea varianţei, cele
maiuzuale includ şi alte variabile explicative în ecuaţia varianţei condiţionate sau impunanumite
restricţii privind parametrii din această ecuaţie.
Modelul poate fi utilizat cu succes în studiile de volatilitate. Spre deosebire de metoda

celor mai mici pătrate, modelul GARCH include în ecuația sa atât termenii eroare (Adesea
numiți „socuri”) cât și fenomenul de heteroschedaticitate. De asemenea este util în cazul în care
seriile nu sunt distribuite normal, ci mai degrabă au extremități îngroșate.
O abordare interesantă a modelelor GARCH este cea a posibilei existențe a unui efect de
levier. În fapt, modelul GARCH(1,1) este un model simetric și presupune ca termenii reziduali
au aceluiași semn. În realitate însă, adeseori seriile financiare prezintă asimetrie. Un model foarte
util în acest caz este modelul EGARCH sau altfel spus, modelul GARCH exponențial introdus de
către Nelson (1991).
Coeficienții termenilor ARCH și GARCH trebuie să fie subunitari și pozitivi.

Interpretat într-un context financiar, acest model descrie modul în care un agent încearcă
să prognozeze volatilitatea pentru următoarea perioadă pe baza mediei pe termen lung (αo) a
varianței, a varianței anterioare (termenul GARCH) și a informațiilor privind volatilitatea
observată în perioada următoare (termenul ARCH). Dacă randamentul activului din perioada
anterioară a fost , în mod neașteptat, mare în valoare absolută, agentul va mări varianța așteptată
în perioada următoare.
Modelul acceptă și fenomenul volatility clustering, situațieîn care modificărilor mari ale
cursului activelor financiare este probabil să le urmeze în continuare variațiilor mari ale acestuia.
Testele efectuate pe piețele financiare mature au evidențiat o viteză de reacție a

volatilității cursului de schimb, în general, inferioară plafonului de 0,25 și un grad de persistență
a acesteia, superior pragului de 0,7.
Modelul GARCH a fost ulterior extins , pentru a relaxa anumite ipoteze sau pentru a
încorpora asimetria impactului randamentului cursului activelor financiare sau a separa
volatilitatea în trend și volatilitatea pe termen scurt.
Cele mai cunoscute extensii sunt:
· GARCH integrat (IGARCH)
· GARCH in Mean (GARCH-M)
· Treshold ARCH(TARCH)
· GARCH exponential (EGARCH)
Modelul GARCH prezintă atât avantaje cât și dezavantaje. Unul dintre avantaje ar fi
acela că surprinde caracteristicile seriilor de date financiare, iar dezavantajul ar fi că indiferent de
felul inovației, aceasta va avea un impact pozitiv și de dimensiuni similare asupra volatilității.
Studii empirice au demonstrat că modelele GARCH nu permit o analiză a răspunsului asimetric
la șocuri, fiind astfel introdus în 1991 un model GARCH, exponențial, numit EGARCH, prin
care pot fi interpretate impactul fiecărui tip de informație și dimensiunea acesteia.
GARCH este un model ce implică o serie a reziduurilor pătratice care urmează un proces
ARMA, iar cea mai importantă caracteristică a sa este caracterul liniar.
Obiectivele analizei sunt:

● Observarea staționarității seriei
● Regăsirea efectelor modelului ARCH în model
● Testarea volatilității prin intermediul modelului GARCH
● Observarea îndeplinirii condițiilor modelului GARCH și concluzionarea folosirii
ulterioare a modelului EGARCH (dacă sunt îndeplinite cele două condiții ale modelului
GARCH, nu se mai folosește ulterior EGARCH, în caz contrar, se aplică și modelul
EGARCH)
Modelul EGARCH propus de Nelson(1991) are următoarea specificație pentru ecuația

varianței condiționate:
Conform acestui model, efectul informațiilor este exponențial(și nu pătratic) , iar varianța
prognozată va fi obligatoriu non-negativă. Impactul informațiilor este asimetric dacă λ≠0.

În cele ce urmează, vom face o analiză econometrică ce are ca scop testarea aplicabilității
modelelor ARCH și GARCH în modelarea volatilității prețului de închidere ale acțiunilor
Microsoft, utilizând eșantionul lunar din perioada Aprilie 2006 – Aprilie 2016.
În primul rând, seria trebuie să fie staționară. Vom folosi aceiași seria ca la aplicația
anterioară, imediat după staționarizare. De asemenea, în cadrul Aplicației 1 am realizat testul
Jarque – Bera în urma cărui am ajuns la concluzia că modelul nu are o distribuție normală deoarece
valoarea lui p este de 0,000043 care este mai mică decât 0,05.
Reprezentarea grafică a rezidurilor:
Figure 19: Reprezentarea grafică a reziduurilor
Testarea homoschedasticității:
În continuare vom realiza testul White pentru a verifica dacă seria de timp este caracterizată de
homoscedasticitate sau heteroscedasticitate.
H0: există homoschedasticitate
H1: există heteroschedasticitate
Figure 20: White Test
LM=nR2
LM=10,2
X0,05:2=5,99 <LM => se respinge H0, se acceptă H1, modelul fiind heteroscedastic => avem
de-a face cu o dispersie condiționată, ce nu este uniformă pe tot intervalul de timp analizat.
În urma aplicării testului White putem afirma că există o alternanță între perioadele de
volatilitate mică și cele cu volatilitate mare. Astfel, asistăm la fenomenul de volatility clustering, ce
presupune o variabilitate a volatilității medii pe diferite intervale de timp ale seriei.
Deci, în anumite perioade perioade prețul de închidere al acțiunilor Microsoft poate să
varieze. Astfel, observăm apariția fenomenului de “volatility clustering”.
Pentru a confirma prezența heteroscedasticității în date, aplicăm un test de tip ARCH:
Figure 21: ARCH Test
Ipotezele modelului:
H0: Y1=0 și Y2=0
H1: măcar unul dintre coeficienți este diferit de zero.
Se observă că avem cel puțin un coeficient cu o probabilitate mai mică de 0.05, prin
urmare se va respinge ipoteza nulă și se va accepta ipoteza alternativă conform căreia există
heteroschedasticitate în date. Astfel, se va modela seria de date cu un model GARCH.
Identificarea Ecuaţiei Volatilităţii:

În continuare vom testa mai multe modele cu scopul de a alege ecuația care descrie cel mai bine
volatilitatea seriei de timp considerată. O primă încercare este să căutăm un model standard de tip
GARCH(1, 1).
Rezultatele modelului GARCH(1,1)
Figure 22: Reprezentarea modelului GARCH(1,1)
Termenul rezidual (C) are o influență semnificativă din punct de vedere statistic asupra
disperisiei seriei la un nivel de probabilitate de 12% > 5%. Criteriile pe care le selectăm atunci când
comparăm modelele estimate și dorim să alegem cel mai bun model sunt indicatorii Akaike si Schwarz.
Pentru modelul GARCH(1, 1) Akaike(AIC)= 4,5 și Schwarz(SC) =4,6. Căutăm valorile cele mai mici ale
acestor indicatori pentru a estima cel mai bun model.
Rezultatele modelului EGARCH(1,1)
Figure 23: Rezultatele modelului EGARCH(1,1)
Observăm că valoarea indicatorului Akaike este 4,52 și Schwarz este de 4,63.Observăm

astfel ca indicatorii modelului EGARCH sunt mai mari decât cei ai modelului Garch ceea ce
înseamnă că cel mai bun model este GARCH.
Pentru a verifica volatilitatea modelului GARCH, într-o primă fază ne uităm la statistica
Durbin-Watson, care măsoară corelaţia serială de ordinul întâi a reziduurilor. În general, această
statistică poate fi aproximată prin 2*(1-p), unde p este coeficientul de corelaţie a reziduurilor.
Pentru un model bine specificat, p este zero. În cazul nostru, valoarea lui Durbin-Watson este
2.18.
Testarea autocorelării rezidurilor se realizează prin intermediul corelogramei rezidurilor Q-

statistics.
Pentru a ne asigura de validitatea acestui model, analizăm rezidurile. Toate au

probabilitățile mai mari decât 0,05, după cum se vede în output-ul de mai sus, deci modelul
este valid.
Realizarea previziunii:
Previziunea este realizată pentru următorul an de zile, mai exact până în Aprilie 2017.
Previziune dinamică:
Observăm că numărul de observații supuse analizei este de 117.

caz aceasta este de 18,35.
apropiate de 0 indică o ajustare bună, în acest caz acest coeficient are valoarea 0.15 de unde
putem trage concluzia că modelul are o ajustare destul de bună.
Indicatorul Bias Proportion trebuie să aibă valori cât mai mici. Putem observa că în
Indicatorul Covariance Proportion trebuie să aibă o valoare cât mai mare, apropiată de
1. Putem observa că în cazul nostru valoarea acestuia este de 0,06.
Aici pare a indica o legătură nu foarte bună între valori şi previziuni.
Previziune statică:
Observăm că numărul de observații supuse analizei este de 117.

caz aceasta este de 5,47. Valoarea Coeficientul Theil trebuie să aibă valori cuprinse în
intervalul (0, 1), valorile apropiate de 0 indică o ajustare bună, în acest caz acest coeficient are
valoarea 0.03 de unde putem trage concluzia că modelul are o ajustare destul de bună.
Indicatorul Bias Proportion trebuie să aibă valori cât mai mici. Putem observa că în cazul nostru
valoarea acestuia este de 0,0156. Indicatorul Variance Proportion trebuie să aibă valori cât mai
mici. Putem observa că în cazul nostru valoarea acestuia este de 0,026. Indicatorul Covariance
Proportion trebuie să aibă o valoare cât mai mare, apropiată de 1. Putem observa că în cazul
nostru valoarea acestuia este de 0,95.Comparând cele doua tipuri de previziune (Dynamic si
Static) observăm că cele mai bune valori au fost înregistrate pentru previziune de tip Static.
În urma analizei, observăm că modelul GARCH(1,1) este prezent în seria de date
analizată, ceea ce denotă faptul că acestea prezintă în comportamentul lor abateri substanțiale,
adică valorile sunt depărtate de media seriei. Totodată, rentabilitatea prețurilor de închidere este
diferită de cea așteptată.
Raportând la mediul economic, varianța prețurilor este destul de ușor de observat, aceasta
fiind explicată prin apariția numeroaselor produse lansate de către competitorii direcți ai
companiei Microsoft. Deși în anumiți ani, cum ar fi, spre exemplu, perioada 2009-2010, când
Apple a depășit cota de piață și a devenit lider, prețurile acțiunilor Microsoft au scăzut drastic,
ulterior au crescut la loc, datorită strategiei foarte bine gândită de a urmări dezvoltarea
produselor pe domeniul de nișă în cloud computing.
Aplicația 3

Exploatarea seturilor mari de date temporale este un domeniu de cercetare extrem de
activ. Seriile de timp reprezintă date temporale iar explorarea acestora se realizează cu scopul
identificării, cunoașterii și descoperirii. Pe baza acestora au fost identificate oportunități de a
detecta și pentru a prezice evenimente viitoare pe baza celor observate anterior.
Modelul SARIMA este extrem de folosit în predicțiile recente ce doresc a oferi soluții
pentru problemele reale cu care ne confruntăm zilnic. Un exemplu ar fi articolul “SARIMA
model for the prediction of hepatitis B incidence in Xinjiang”11 al cărui studiu a avut drept scop
analizarea fezabilității utilizării modelului autoregresiv SARIMA pentru a prezice incidența
hepatitei B în Xinjiang. Prin intermediul acestui studiu de caz se dorea oferirea unor referințe
științifice pentru formularea strategiilor de prevenire și control, iar în urma rezultatelor obținute
s-a demonstrat că modelul SARIMA este unul eficient cu ajutorul căruia s-au atins obiectivele
dorite.
Un alt studiu de caz, care s-a realizat cu ajutorul modelului SARIMA în articolul
“Forecasting mortality of road traffic injuries in China using seasonal autoregressive integrated
moving average model”12 elaborat în luna februarie, din anul 2015, are ca scop dezvoltarea unor
modele statistce pentru realizarea prognozelor deceselor cauzate de traficul rutier și să analizeze
sezonalitatea deceselor înregistrate din China. Modelul SARIMA a fost folosit pentru obținerea
unor date relevante pentru perioada 2000-2011, iar coeficienții criteriilor Akaike și Bayesian au
fost folosiți pentru a evalua modelele construite, iar ulterior s-au obținut date pentru a previziona
decesele lunar pentru anul 2012. Rezultatele obținute au demonstrat încă o dată eficiența
modelului.
11
ZHANG Hua;CHAO Jian-qian;ZHU Li-guo;School of Public Health,Southeast University;;Study on Economic
Burden of Inpatients with Hepatitis B Virus Related Diseases and Influencing Factors;Chinese General
Practice;2014-06
12
Xujun Zhang; “Forecasting mortality of road traffic injuries in China using seasonal autoregressive integrated
moving average model”; Chine; Annals of Epidemiology, Volume 25, Issue 2, p 101-106
În cadrul articolului “Forecasting seasonal container throughput at international ports
using SARIMA models”13 s-a evidențiat necesitatea prognozelor privind vasele ce transportă
containere pentru firmele de logistică, liniile de transport dar și pentru autoritățile portului.
Aceste previziuni permit formularea unor strategii pe termen scurt pentru liniile de transport în
scopul menținerii competivității și au fost realizate pe baza unor date din perioada 1999-2007.
Rezultatele obținute au demonstrat că modelul SARIMA este eficient și oferă previziuni fiabile.
Un alt articol “Time series SARIMA models for average monthly solar radiation in
Malaysia”14 a urmărit prognoza pentru radiațiile solare necesare pentru producerea de energie în
două orașe din Malaysia. Rezultatele obținute au fost adecvate, iar în urma verificării lor s-a
demonstrat că modelul SARIMA este eficient pentru obținerea unor astfel de prognoze.
Ultimele două decenii au cunoscut o utilizare accelerată a internetului din cauza unor
informațiilor abundente și primite în timp util , a resurselor și a serviciilor. Deținând numeroase
informații privind căutările online în estimarea comportamentului consumatorilor, cei de la
Google au decis să elibereze public datele de căutare corespunzătoare căutărilor de intensitate
pentru orice cuvinte cheie din 2006, atrăgând atenția a numeroși cercetători universitari și
practicieni de afaceri.
Pe baza acestor date, s-au elaborat numeroase articole, iar într-un volum al cărții
“Tourism Management”15 publicat în februarie 2015 s-au realizat prognoze privind cererea de
turism, folosind căutările bazate pe “hoteluri în” și “zboruri către” pentru fiecare destinație din
Caraibe din trei țări sursă: US, UK și Canada. Pentru realizarea acestui studiu s-a folosit atât
metoda MIDAS (mixed data sampling) cât și metoda SARIMA. În urma rezultatelor obținute, s-a
dovedit că metoda MIDAS a fost mai eficientă decât SARIMA.
Vom modela seria de timp referitoare la numărul de acțiuni vândute lunar de Microsoft,
din perioada aprilie 2006-aprilie 2016, ce conține un număr de 121 observații , utilizând modele
SARIMA și modele de netezire exponențială (H-W, seasonal H-W). Vom compara modelele și
pe baza modelului validat, vom face previzuni privind interpretarea economică a rezultatelor.
Pentru început, vom prezenta metodologia de abordare a acestei teme, urmând ca în
secțiunea următoare să aplicăm acești pași pentru rezolvarea modelului nostru. Astfel, se va
aplica procedeul Box – Jenkins pentru determinarea specificației ARIMA cu sezonalitate
(SARIMA). Astfel, construirea unui model de tip SARIMA presupune următoarele etape
1. Staționarizarea seriei de timp prin diferențiere (în cazul în care este nestaționară)
13
Javed Farhan, Ghim Ping Ong; “Forecasting mortality of road traffic injuries in China using seasonal
autoregressive integrated moving average model”; Singapore; Maritime Economics & Logistics
14
Mira Syahirah Kamil, “Time series SARIMA models for average monthly solar radiation in Malaysia”; Malaysia;
Research and Education in Mathematics,p 256-261
15
F. Bangwayo- Skeete, Ryan W. Skeete; “Can Google data improve the forecasting performance of tourist arrivals?
Mixed-data sampling approach”; Barbados; Tourism Management; Volume 46, p.454 -464
2. Studiul tiparelor din funcțiile de autocorelație și autocorelație parțială pentru a
determina dacă lag-urile seriei staționarizate și/sau lag-urile erorilor de previziune ar
trebui incluse în ecuația de previziune
3. Testarea validității modelului estimat
4. Generarea de previziuni
Analiza stationarității seriei de date se realizează în EViews prin una dintre următoarele
metode:
• analiza corelogramei seriei de date cu ajutorul funcției de autocorelație ACF și
autocorelație parțială PACF
• teste pentru depistarea prezenței rădăcinii unitate – Augmented Dickey Fuller.
Graficul funcției de autocorelație în raport cu decalajul k, se numeşte corelogramă.
Potrivit cercetătorilor[1], un model SARIMA are aceeași structură ca și un model
ARIMA, astfel încât acesta poate avea un factor de tip AR, un factor de tip MA, și / sau un ordin
de diferențiere. În modelul de tip ARIMA cu sezonalitate sau altfel spus, SARIMA, toți acești
factori operează în condițiile unor multiple lag-uri de ordin s, unde s este numărul de perioade
dintr-un sezon.
Un model SARIMA este considerat ca fiind un model ARIMA (p, d, q) X (P, D, Q), unde
P = numărul de termeni sezonieri autoregresivi (SAR), D = numărul de diferențe sezoniere, Q =
numărul de termeni sezonieri de medie mobilă (SMA).
În identificarea unui model de tip SARIMA, primul pas este determinarea necesității unei
diferențieri sezoniere (de la sezon la sezon sau de tipul Yt – Yt-12), pe lângă sau în locul unei
diferențieri non-sezoniere. Prin urmare, vom analiza graficele modelelor, funcția de autocorelație
și funcția de autocorelație parțială pentru a determina toate combinațiile posibile de diferențieri
non-sezoniere de ordin 0 și 1 și de diferențieri sezoniere de ordin 0 și 1. Vom avea însă grijă să
nu folosim mai mult de o diferență de sezon, și nici mai mult de două diferențe în total (adică o
diferențiere sezonieră și o diferențiere non-sezonieră combinate).
În identificarea modelelor, trebuie respectată următoarea regulă: Dacă modelul are o
componentă sezonieră puternică și stabilă în timp (de exemplu, există valori foarte mari pe
timpul verii și valori foarte mici în timpul iernii, sau invers), atunci se recomandă folosirea unei
diferențieri sezoniere, indiferent dacă utilizăm sau nu o diferență non-sezonieră, deoarece aceasta
va ajuta modelul sezonier să facă față previziunilor pe termen lung.
Semnătura unui comportament de tip pur SAR sau pur SMA este similar cu semnătura
unui comportament pur AR sau pur MA, cu excepția faptului că acest tipar apare la multiplii de
lag s în funcția de autocorelație ACF și în funcția de autocorelație parțială PACF.
De exemplu, un proces SAR (1) pur are valorile extreme ale funcției de autocorelație ACF
la lagurile s, 2s, 3s, etc., în timp ce PACF doar va descrește după lag-ul s.
În schimb, un proces SMA (1) pur are valorile extreme ale funcției de autocorelație
parțială PACF la lagurile s, 2s, 3s, etc., în timp ce ACF doar va descrește după lag-ul s.
O semnătură SAR apare de obicei atunci cand autocorelația la perioada sezonieră este
pozitivă, în timp ce o semnătură SMA apare de obicei atunci când autocorelația la perioada
sezonieră este negativă, de aici fiind derivată o nouă regulă:
Dacă autocorelația la perioada sezonieră este pozitivă, se ia în considerare adăugarea la
model a unui termen SAR. Dacă autocorelația la perioada sezonieră este negativă, se ia în
considerare adăugarea la model a unui termen SMA. Se încearcă evitarea amestecării
termenilor SAR și SMA în același model, precum și evitarea folosirii a mai mult de un termen.
De obicei, este suficient un singur termen de tip SAR (1) sau SMA (1). Foarte rar se poate
întâlni un proces SAR(2) sau SMA(2) real, și, și mai rar aceste modele au suficiente date pentru
a estima 2 sau mai mulți coeficienți sezonieri fără ca algoritmul de estimare să intre într-o buclă
de feedback.
Deși un model SARIMA pare a avea doar câțiva parametri, amintiți-vă că modelul de
previziune necesită estimarea parametrilor impliciți din unul sau din două sezoane pentru a putea
fi inițializat. Prin urmare, ar trebui să avem cel puțin 4 sau 5 sezoane de date pentru a putea
modela un model SARIMA.
Probabil cel mai frecvent utilizat model de tip SARIMA este modelul (0,1,1) x (0,1,1),
adică modelul MA(1) x SMA (1) care conține o diferențiere sezonieră și una non-sezonieră.
Aceasta este, în esență, un model de „netezire exponențială cu sezonalitate”.
3.2.1 Date folosite

În realizarea acestei aplicații vom folosii o serie de date ce prezintă evoluția în timp a
variabilei volume, reprezentând volumul de acțiuni tranzacționate ale companiei Microsoft Datele
analizate sunt înregistrate în perioada aprilie 2006 și aprilie 2016 și au fost obținute de pe Yahoo
Finance
În tabelele de mai jos sunt prezentate o parte din datele folosite.
Table 4: Seria de date pentru volumul acțiunilor Microsoft
Table 5: Seria de date pentru volumul acțiunilor Microsoft.
3.2.2 Rezultate empirice

Figure 27: Trendul seriei Volume
Analizând graficul de mai sus putem observa că există o tendință descrescătoare deși
trendul nu este neted. Observăm astfel că de-a lungul timpului numărul acțiunilor Microsoft a
scăzut considerabil în ultimii ani. Putem presupune că seria analizată este nestaționară.
De asemenea, chiar dacă trendul seriei este vizibil descrescator, aceasta prezinta
stationaritate. Prezența sezonalității seriei este evidențiată și în cadrul corelogramei
Figure 28: Corelograma seriei Valume

autocorelație descresc lent, ceea ce însemnă ca avem de-a face cu o serie nestaționară
De asemenea putem observa prezenta sezonalitatii daterita variatiei de pe
Autocorrelation.
(Augmented Dickey Fuller).
Figure 29 ADF
Pe baza rezultatelor testului ADF ilustrat în Figura 29 putem trage următoarele concluzii:
Ipoteze
calculat este de -2,90.
Putem observa că pentru primul prag de semnificație (1%) valoarea absolută a lui t critic
este mai mare decât valoarea absolută a lui t calculat, ceea ce ar indica o serie nestaționară.
Pentru celelalte două praguri de semnificație (5% și 10%) observăm că valorile critice ale lui t
critic sunt mai mici decât valoarea calculată, ceea ce ar indic o serie staționară.
Deoarece nu ne putem asuma riscul de a afirma că seria este staționară pentru un nivel de
semnificație de 5% și 10%, vom testa staționaritatea seriei construite de prima diferență.
În cele ce urmează vom realiza logaritmarea seriei.
Figure 30: Graficul seriei de volum logaritmată
Putem observa că după logaritmare variația a devenit constantă însă prezintă sezonalitate. Având
date lunare, vom scoate sezonalitatea prin următoarea formulă.
Yt-Yt-12
Figure 31Graficul după ce s-a scos sezonalitatea
Din grafic putem observa că a fost eliminată componenta de sezonalitatea seriei de timp.
În cele ce urmeză vom testa dacă seria este sau nu staționară.
Figure 32: Corelograma pentru noua serie
Cu ajutorul corelogramei putem trage concluzia că seria este staționară deoarece

coeficienții de autocorelație descresc brusc.
Aplicând testul Augmented Dickey – Fuller (ADF) seriei, obținem următoarele rezultate:
Figure 33: ADF pentru noua serie
Ipoteze
Valorile critice înregistrate sunt -3,48, -2,88 și -2,57 iar valoarea lui t calculat este de -
14,62. Putem observa că pentru cele trei nivele, 1%, 5%, respectiv 10%, valoarea absolută a lui t
critic este mai mică decât valoarea absolută a lui t calculat, ceea ce demonstrează că respingem
ipoteza nulă H0 și acceptăm ipoteza alternativă, ceea ce înseamnă că seria este staționară.
Alegerea celui mai bun model SARIMA:
Figure 34: AR(1) SAR(2) MA(1)
Figure 35: AR(1) AR(2) SAR(2) MA(1)

Figure 36: AR(1) AR(2) SAR(2) MA(1) MA(2)
Vom alege modelul pentru care Adj E-squared are valoarea cea mai mare. Acesta se
întâlnește pe modelul AR(1) AR(2) SAR(2) MA(1).
Testarea validității modelului:
Testarea autocorelării reziduurilor se realizează cu corelograma reziduurilor Q-statistics:
Reziduurile q-statistics sunt nesemnificative pentru toate lag-urile neindicând nicio

corelație semnificativă între reziduri, ceea ce înseamnă că avem zgomot alb, probabilitățile sunt
mai mari de 0.05, deci modelul este valid. De asemenea, valoarile lui Q-stat sunt mai mari decât
valorile pentru Prob pentru toate lagurile, fapt ce ne confirmă validitatea modelului.
Modelul de netezire exponențială Holt–Winters și Seasonal Holt-Winter:
Holt-Winters no Seasonal
Figure 38: HW-No Seasonal
Pentru modelul de netezire H-W am obținut un coeficient aplha de 0.02 și un coeficient

beta de 0,
Holt-Winters-Additive Seasonal
Figure 39: H-W Additive Seasonal
Pentru modelul de netezire H-W am obținut un coeficient aplha de 0.51 și pentru

coeficienții beta și gamma am înregistrat valoarea 0.
Funcția de pierdere root mean squared error minimă se găsește în cazul Holt-Winters-
Additive Seasonal, având valoarea de 0,18, ea reprezentând deviația previziunilor de la valorile
înregistrate în realitate, prin urmare acest model de previziune este cel mai bun.
Previzionarea modelului:
Previziunea este realizată pentru următorul an de zile, mai exact până în Aprilie 2017.
Dynamic forecast:
Valoarea lui Mean Abs. Percent Error trebuie să aibă o valoare cât mai mică, în acest caz
aceasta este de 203,94.
apropiate de 0 indică o ajustare bună, în acest caz acest coeficient are valoarea 0.90.
Indicatorul Bias Proportion trebuie să aibă valori cât mai mici. Putem observa că în cazul
nostru valoarea acestuia este de 0,00080.
Putem observa că nu avem o legătură foarte bună între valori şi previziuni deoarece
indicatorii nu au valorile potrivite.
Vom încerca să realizăm previziunea pentru următorul an utilizând Static forecast.
Static forecast:
caz aceasta este de 292,61. Valoarea Coficientul Theil trebuie să aibă valori cuprinse în
intervalul (0, 1), valorile apropiate de 0 indică o ajustare bună, în acest caz acest coeficient are
valoarea 0.49. Indicatorul Bias Proportion trebuie să aibă valori cât mai mici. Putem observa
că în cazul nostru valoarea acestuia este de 0,0021. Indicatorul Variance Proportion trebuie să
aibă valori cât mai mici. Putem observa că în cazul nostru valoarea acestuia este de 0,252.
Indicatorul Covariance Proportion trebuie să aibă o valoare cât mai mare, apropiată de
1. Putem observa că în cazul nostru valoarea acestuia este de 0,74. Comparând cele doua tipuri
de previziune (Dynamic si Static) observăm că nu se înregistrează valori adecvate pentru cele
două tipuri de previziune.
Raportând la mediul economic, sezonalitatea datelor poate fi explicată prin lansarea
diverselor servicii, respectiv produse software în anumite perioade prielnice ale anului. Spre
exemplu, compania Microsoft a optat pentru lansarea diverselor produse ale sale în cadrul
evenimentelor destinate domeniului IT, organizate anual, în aproximativ aceleași perioade de
timp, pentru targetarea unui public țintă cunoscător al acestui domeniu și pasionaților de
tehnologie.
Observăm pe piața jocurilor, Microsoft a urmărit lansarea produselor cum ar fi consola
Xbox One spre sfârșitul lunii noiembrie pentru a putea prinde și perioada sărbătorilor de iarnă,
când vânzările din orice domeniu cresc.
Trendul descrescător al volumului de acțiuni a fost crescător până în anul 2008, când
ulterior, când Apple a reușit să dețină cea mai mare cotă de piață, în urma presupunerilor
existente pe piață în acel moment cum că Microsoft urmează să intre în faliment, volumul
acțiunilor cotate a scăzut brusc. Ulterior, după anul 2011, datorită performanței din domeniul
Cloud Computing, s-au mărit prețurile acțiunilor, și, deși volumul a crescut și el, ritmul creșterii
a fost considerabil mai mic.
Aplicația 4
Realizarea prognozelor pentru diverse domenii este unul din interesele actuale ale
cercetătorilor din toată lumea care, prin intermediul modelelor autoregresive, reușesc să abordeze
probleme apărute atât în viața de zi cu zi, cât și în mediul economic. Acestea stau la baza
elaborării strategiilor pe termen scurt, sau chiar lung, ce reprezintă un fundament pentru soluțiile
oferite diverșilor agenți economici.
Literatura de specialitate este principalul pilon prin intermediul cărora tot mai multe
lucrări științifice sunt elaborate. Astfel, putem afirma că evaluarea pietei de obligațiuni prin
diversificarea riscului și determinarea relației de cointegrare, cauzalitate și corelare pe termen
lung, sunt tratate într-o gamă variată de cercetări științifice ce fac obiectul studiului actual.
Unul din articolele studiate pe această temă este “Examining asymmetries in the
transmission of monetary policy in the euro area: Evidence from a mixed cross-section ”16 în
cadrul căruia a fost estimată transmiterea unui șoc în zone individuale care folosesc moneda
euro, provenit dintr-o zonă comună care folosește aceeași monedă. Pentru realizarea studiului s-a
dezvoltat un model global VAR în cadrul căruia erau incluse toate zonele economice în mod
individual în timp ce, în același timp, politicile lor monare erau modelate ca o funcție a inflației
și a creșterii outputului agregatului euro zonal. În urma studiului, rezultatele obținute sugerau că
transmiterea politicii monetare în cadrul economiilor din zona euro prezintă asimetrii, și că, în
conformitate cu teoria economică, acestea sunt determinate de diferențele în caracteristicile
structurale ale economiilor.
Tot prin intermediul modelului VAR a fost studiată legătura dintre societate, economie și
subsistemele din mediul înconjurător în cadrul unui articol elaborat în anul 2015 “ Study on the
interaction and relation of society, economy and environment based on PCA-VAR model: As a
case study of the Bohay Bim region, China”17. Plecând de la premiza că succesul în ceea ce
privește dezvoltarea regională este condiționat de menținerea funcționalității, calității și armoniei
în societate, economie și mediul înconjurător, au considerat că legătura dintre interacțiunea lor și
relațiile existente între acestea ar trebui să fie semnificativă. În urma studiului s-a demonstrat că
există o ciclicitate între creșterea economică și progrsul social, indiferent că aceasta este
considerată o variabilă endogenă pe parcursul studiului, dar totuși există un efect negativ asupra
16
Georgios Georgiadis, “Examining asymmetries in the transmission of monetary policy in the euro area: Evidence
from a mixed cross-section global VAR model”; Main, Germany; European Economic Review, Volume 75, p. 195-
215
17
Feifei Tan, Zhaohua Lu; “Study on the interation and relation of society, economy and environment based on
PCA-VAR model: As a case study of the Bohai Rim region, China”; Beijing; Ecological Indicators, Volume 48, p. 31-
40;
mediului. Analiza bazată pe scenarii a demonstrat că în scopul de a atinge o dezvoltare
coordonată, rata anuală de creștere de 12%-16% din nivelul global al dezvoltării mediului ar
trebui să se realizeze odată cu creșterea cu 8% din îmbunătățirea nivelului economic și social.
Un alt articol studiat pe această temă a fost “Do we need a global VAR model to
forecast inflation and output in South Africa”18 în care s-a comparat eficiența modelului GVAR,
care presupune folosirea unui vector global autoregresiv, față de BVAR care folosesțte un vector
Bayesian autoregresiv în realizarea unei prognoze privind inflația și PIB-ul. Rezultatele au
demonstrat că performanța prognozei a modelului extins GVAR este mai mare decât cea a
modelului restrâns, iar ambele mai bune decât cea realizată prin VECM, mai ales pe termen lung
în ceea ce prievște PIB. Totuși, prognoza inflației a fost mai apropiată de adevăr în cazul
modelului BVAR.
O altă variantă a modelului VAR, și anume FCVAR, ce implică folosirea unui vector
autoregresiv cointegrat fracționar, a fost aplicată pentru a realiza o previziune19 privind
susținerea politică în cadrul unei campanii din Regatele Unite pentru perioada 2010- 2015. Într-o
aplicare empirică a rezultatelor obținute în urma studiului pentru predicția acțiunilor de vot
pentru alegerile din 2015 din Marea Britanie, previziunile generate de modelul FCVAR par să
ofere o evaluare informativă a stadiului actual al opiniei publice cu privire la sprijinul electoral
decât chestionarele realizate de către guvern, oferind o direcție corectă în privința împărțirii
voturilor.
Un alt articol în cadrul căruia se utilizezază modelele pe care le vom utiliza și noi în cadrul
acestei aplicații și pe care dorim să îl analizăm poartă numele de “Analysis of the causal link
between wages and prices in UK”20. Acesta utilizează aceleași modele și ne arată în ce mod le
putem utiliza și cum putem modela datele cu ele. În urma procesului de analiză a literaturii cu
privire la relația de cauzalitate dintre salarii și prețuri există două păreri opuse cu privire la fluxul
de cauzalitate. În afară de aceasta, este evident faptul că diferite studii au folosit diferite intervale
de eșantionare, diverse seturi de date, și, în consecință, s-au obținut diferite concluzii cu privire
la natura relaţiei dintre variabile. Dovezile furnizate de ambele modele VAR, log-nivele și
primele diferențe, sugerează că, în cazul Regatului Unit există o relație de cauzalitate unilaterală
de funcționare de la prețurile la salarii și nu invers. Indiferent de faptul că testele de diagnostic
nu indică nicio statistică procedura de modelare VAR este inadecvată în faptul că este dificil, în
mod explicit, estimarea relațiilor de cointegrare. În mod evident, testele cointegrare, Johansen
Trace precum și testul Saikkonen și Lütkepohl, au sugerat că există suficiente dovezi în favoarea
analiza relației salariale și prețul ce a fost inclus în modelul VECM. În schimb, este evident, pe
baza așteptărilor teoretice anterioare, că valoarea coeficientului cointegrare estimat al modelului
restricționat este aproape la fel cu valoarea așteptată.
18
Annari De Waal, Renee Van Eyden, Rangan Gupta; “Do we need a global VAR model to forecast inflation and
output in South Africa”; Applied Economics, Volume 47, Issue 25, p 2649-2670
19
Nielsen, Morten Orregaard, Shibaev Sergei S; “Forecasting daily political opinion polls using fractionally
cointegrated. VAR model”; Kingston, Ontario; Econstor
20
Adriatik Hoxha, “Analysis of the causal lik between wages and prices in UK”; Prishtina; Theoretical and Applied
Economics, Volume XXIII(2016),p.15-40
În aplicația de față, ne propunem să realizăm analiza de non-staționaritate și analiza de

cointegrare, precum și modelele VAR/VECM și testele de cauzalitate Granger asupra datelor
noastre. În urma analizei, ne dorim să observă, efectele modificării prețurilor acțiunilor
Microsoft asupra volumului de acțiuni tranzacționate.
Analiza modelului nostru, ce a fost validat anterior, am realizat-o în softul Eviews 8
alături de analiza bonității previziunii și interpretarea economică a rezultatelor obținute.
Obiectivele acestei analize sunt următoarele:
● Analiza de non-staționaritate
● Analiza decointegrare
● Realizarea modelelor VAR/VECM
● Realizarea testelor de cauzalitate Granger
● Funcția de răspuns la impuls și analiza de descompunere a varianței
Serii staționare/nestaționare
O serie de timp staționară este o serie de timp ale cărei proprietăți statistice precum
media, varianță, autocorelație sunt constante în timp. Cele mai multe metode de estimare
statistică se bazează pe presupunerea că seriile de timp sunt redate aproximativ staționare, adică
”standardizate”, prin utilizarea unor transformări matematice. O serie standardizată este relativ
ușor de previzionat: pur și simplu se prezice că proprietățile sale statistice vor fi aceleași în viitor
ca în trecut. Predicțiile pentru seria standardizată pot fi apoi ”detransformate”, prin inversarea
oricăror transformări matematice folosite anterior, pentru a obține previziuni pentru seria
originală. Astfel, găsirea succesiunii transformărilor necesare staționarizării unei serii de timp
oferă adesea indicii importante în căutarea unui model de prognoză corespunzătoare.
Un alt motiv pentru a staționariza o serie de timp este pentru a obține statistici
semnificative prin sondaj, cum ar fi medii, varianțe și corelații cu alte variabile. Astfel de
statistici sunt utile ca descriptori ai comportamentului viitor numai în cazul în care seria este
staționară. De exemplu, dacă seria crește în mod constant în timp, media și varianța vor crește
odată cu mărimea eșantionului și vor subestima întotdeauna media și varianța pentru perioadele
viitoare. Iar dacă media și varianța unei serii nu sunt bine-definite, atunci nu sunt nici corelațiile
cu alte variabile. Din acest motiv trebuie multă atenție în încercarea exploatării modelelor de
regresie montate pe serii de date nestaționare.
Cele mai multe dintre afaceri și seriile de timp economice sunt departe de staționaritate
atunci când sunt exprimate în unitățile lor inițale de măsură, și chiar după deflaționare sau
ajustare sezionieră încă prezintă trenuri, cicluri, sau alte comportamente non-staționare. O astfel
de serie este numită serie trend-staționară. Cu toate acestea, uneori ”de-trenduirea” nu este
suficientă pentru a face seria staționară, caz în care s-ar putea să fie necesară transformarea seriei
în serii de la perioadă la perioadă și/sau diferențe de la sezon la sezon. Dacă media, varianța și
autocorelațiile seriei originale nu sunt constate în timp, chiar și după ”de-trenduire”, probabil
statisticile schimbărilor în serii între perioade sau între sezoane vor fi constante.
Prima diferențială a unei serii de timp reprezintă seria de schimbări de la o perioadă la
alta. Dacă Yt denotă valoarea seriei cronologice în perioada t, atunci prima diferențială a lui Y la
sfârșitul perioadei t este egală cu Yt-Yt-1. Dacă prima diferențială de Y este staționară, adică
dacă valorile sale în perioada t sunt corelate cu valorile din perioada anterioară, atunci este
recomandat un model de previziune mai sofisticat de netezire exponențială, sau utilizarea
metodei ARIMA.
Analiza de cointegrare
Cointegrarea este o proprietate statistică a unei colecții (X1,X2,..,Xk) a variabilelor unei
serii de timp. În primul rând, toate seriile trebuie să fie integrate de ordinul 1. În cazul în care o
combinație liniară a acestei colecții este integrată de ordin zero, atunci colecția se numește
cointegrată. Formal, în cazul în care (X,Y,Z) sunt fiecare integrate de ordinul 1 și există
coeficienții a,b,c astfel încât aX+bY+cZ este integrată de ordin zero, atunci X,Y și Z sunt
cointegrate. Cointegrarea a devenit o proprietate importantă în analiza seriilor de timp
contemporane. Seriile de timp au în general tendințe – fie deterministe, fie stocastice.
Cointegrarea este cea mai consistentă dintre ipotezele lui Wagner, care încearcă să
identifice existenţa unei conexiuni pe termen lung între variabile, care nu poate fi evidenţiată
prin metoda regresiei multiple.
Pentru a putea depista existenţa unei eventuale cauzalităţi de tip Granger între cele două
variabile analizate, trebuie să verificăm înainte de toate existenţa cointegrării între seriile de
timp. Practic, cele două serii de timp sunt cointegrate dacă au acelaşi ordin de integrare, dar o
combinaţie liniară a lor are un ordin de integrare mai mic.
De exemplu, putem avea două serii integrate de ordinul unu, astfel încât diferenţele de
ordinul unu sunt staţionare, dar poate exista o combinaţie liniară a celor două serii care să fie
staţionară, adică integrată de ordinul 0.
Testarea staţionarităţii a fost realizată folosind procedura generală Augmented Dickey-
Fuller unde yt este variabila care se verifică staţionaritatea, iar p este numărul optim de lag-uri
utilizat pentru a verifica posibile autocorelaţii de ordin superior, prin estimarea următorului
model de regresie:
Numărul optim de laguri folosit la testul ADF se poate alege pe baza maximizării
criteriului informaţional Schwarz(SIC).
Ipotezele testului sunt următoarele :
H0: ρ=1
H1: ρ<1, respingerea ipotezei nule echivalând cu acceptarea staţionarităţii.
Fie Yt=(ln yt ln xt) vectorul seriilor de timp astfel încât ln ytϵ I(1 ) și ln xt ϵ I(1). Atunci ln yt şi
ln xt sunt cointegrate dacă există o matrice β astfel încât β’Yt ϵ I(0).
Astfel, fie un model VAR de ordinul p: Yt= AtYt-1 + ... + ApYt-p + εt, unde Yt = (ln yt ln
xt)’ este vectorul celor două variabile studiate, integrate de ordinul 1, iar εt este vectorul
inovațiilor.
Modelul VAR de mai sus poate fi rescris:
Teorema de reprezentare a lui Granger spune că dacă matricea coeficienților Π are rangul
r < k, atunci există matricele α, β ϵ M(k x r), fiecare având rangul k, astfel încât Π = αβ’
și β’Yt ϵ I(0).
Rangul r reprezintă de fapt numărul relațiilor de cointegrare, iar fiecare coloană a
matricei β conține coeficienții ecuației de cointegrare.
Metoda lui Johansen constă în estimarea matricei Π dintr-un model VAR fără
restricții și apoi testarea restricțiilor ce rezultă din asumarea unui rang r < k.
Cauzalitatea Granger:
Cauzalitatea Granger între două variabile se referă la felul în care valorile
anterioare ale unei variabile pot fi folosite pentru a explica valorile celeilalte variabile.
În cazul nostru, a testa cauzalitatea Granger se reduce la a estima următoarele
modele de regresie:
Ipoteza nulă căreia i se testează validitatea este H0: β0=β1=...=βl=0, cu alte

cuvinte, testăm pentru prima ecuație faptul că ln x nu cauzează Granger pe ln y, iar în a
doua ecuație testăm faptul că ln y nu cauzează Granger pe ln x.
În absența unei relații pe termen lung între variabile, este interesant de studiat
relația pe termen scurt. Fără evidența cointegrării, un model de corecție a erorilor nu
poate fi utilizat.
Înaintea aplicării testului trebuie determinat modelul VAR corect. Între un model
VAR cu variabile dummy și unul cu perioade ”trucate”, cel de-al doilea pare să fie un
model cu specificații mai bune. În testarea cauzalității, rezultatele sunt sensibile a
numărul de lag-uri în analiză.
Seria ce urmează sa fie supusă analizei este formată din două variabile: close-reprezentând
valoarea de inchidere a unei acțiuni Microsoft și volume, reprezentând volumul de acțiuni
tranzacționate. Astfel, vom putea să stabilim dacă există legătură între prețul de închidere al
acțiunilor și volumul acestora. Datele sunt analizate pentru perioada aprilie 2006 și aprilie 2016.

● Analiza non-staționarității
Un test simplu al staționarității seriei este bazat pe funcția de autocorelație (ACF). Graficul
funcției de autocorelație în raport cu decalajul k, se numeste corelogramă.
Analiză asupra prețurilor de închidere:
Figure 42: Trendul prețului de închidere

Analizând graficul de mai sus putem observa că există o tendință crescătoare deși trendul
nu este neted. Putem presupune din grafic că seria analizată este nestaționară. De asemenea
aceasta nu prezintă staționaritate.
Figure 43: Corelograma prețului de închidere

autocorelație descresc lent, ceea ce însemnă ca avem de-a face cu o serie nestaționară.
Pentru a ne asigura că seria este nestaționară vom realiza testul Dickey-Fuller
Figure 44: ADF
Ipoteze
calculat este de -0,31. Putem observa că pentru cele trei nivele, 1%, 5%, respectiv 10%, valoarea
absolută a lui t critic este mai mare decât valoarea absolută a lui t calculat, ceea ce demonstrează
că acceptăm ipoteza nulă H0 și respingem ipoteza alternativă, ceea ce înseamnă că seria este
nestaționară.
Staționarizarea seriei pentru prețurile de închidere
Analiză asupra volumului de acțiuni tranzacționate:
Figure 45: Trendul volumului acțiunilor
Analizând graficul de mai sus putem observa că există o tendință descrescătoare deși
trendul nu este neted. Observăm astfel că de-a lungul timpului numărul acțiunilor Microsoft a
scăzut considerabil în ultimii ani. Putem presupune că seria analizată este nestaționară. De
asemenea se observă faptul că seria prezintă sezonalitate. Acest lucru este evidențiat și în
corelogramă.
Figure 46: Corelograma volumului

autocorelație descresc lent, ceea ce însemnă ca avem de-a face cu o serie nestaționară
De asemenea putem observa prezenta sezonalitatii datorita variatiei de pe
Autocorrelation.
(Augmented Dickey Fuller).
Figure 47: ADF
Pe baza rezultatelor testului ADF ilustrat în Figura 47 putem trage următoarele concluzii:
Ipoteze
calculat este de -2,90.
Putem observa că pentru primul prag de semnificație (1%) valoarea absolută a lui t critic
este mai mare decât valoarea absolută a lui t calculat, ceea ce ar indica o serie nestaționară.
Pentru celelalte două praguri de semnificație (5% și 10%) observăm că valorile critice ale lui t
critic sunt mai mici decât valoarea calculată, ceea ce ar indic o serie staționară. Cu toate acestea,
vom considera seria nestaționară
Analiza de cointegrare: a pornit de la ideea cum că o combinație liniară între două sau
mai multe serii nestaționare poate conduce la o serie staționară. Astfel, serile nestaționare dintr-o
astfel de combinațit liniară se numesc cointegrate.
Am demonstrate anterior că cele două serii, prețul de închidere și volumul acțiunilor sunt
nestaționare. Conform principiul conintegrării, o combinație liniară a celor două serii va rezulta
o serie staționară.
Figure 48: Johansen Cointegration Test-pas de realizare
Figure 50: Output2 Johansen Cointegration Test
Figure 49: Output1 Johansen Cointegration Test

Testul de cointegrare Johansen
H0 : variabilele nu sunt cointegrate
H1 : variabilele sunt cointegrate
Comparăm p-value pentru None cu probabilitatea 0.05.
0.07 > 0.05 Se acceptă ipoteza nulă, se respinge ipoteza alternativă, deci cele două serii nu sunt
cointegrate. De asemenea acest fapt este evidențiat în output: Trace test indicatesno integration at
the 0,05 level
Vom testa cele două serii pentru un alt nivel al lag-ului:
Lag 12:
Figure 51: Output lag 12

0.0036 < 0.05 Se respinge ipoteza nulă, se acceptă ipoteza alternativă, deci cele două serii sunt
cointegrate.
Acest fapt este evidențiat și în output:Trace test indicates 1 cointegrating egn(s) at the 0,05 level.
Lag 13:
Figure 52: Output lag 13

0.02<0.05 Se respinge ipoteza nulă, se acceptă ipoteza alternativă, deci cele două serii sunt
cointegrate.
Acest fapt este evidențiat și în output:Trace test indicates 1 cointegrating egn(s) at the 0,05 level
Putem observa că pentru lag-ul 12 și 13 cele două serii sunt cointegrate.
Modele VAR/VECM
Un model de tip VEC (Vector Error Correction) este un model VAR restricţionat
conceput pentru a fi utilizat în cazul seriilor nestaţionare despre care se cunoaşte că sunt
cointegrate.
Anterior am demonstrat că cele două serii sunt cointegrate, deci vom putea să aplicăm un
model de tip VEC.
Lag 12
Figure 54: Output2 VECM

Figure 55: Ecuații
Lag 13

Figure 58: Ecuații
Vom compara cele două modele pentru a putea să îl alegem pe cel mai bun. Acest lucru se va
realiza în funcție de valorile lui Akaike și Schwarz. Observăm că pentru modelul de la lag-ul 12
avem cele mai mici valori pentru cei doi coeficienți se de aceea vom condisera acesta ca fiind cel
mai bun model.
Pentru modelul cu lag 12 vom estima coeficienții primei ecuații.
Figure 49: Estimare coeficienți

Observăm ca pentru cei 6 coeficienți avem atât valori negative cât și valori pozitive.
C (1) este coefientul ecuației de cointegrare, acesta este negative și nesemnificativ deoarece
probabilitatea asociată = 0,0065<0.05
Figure 60: VAR

Teste de cauzalitate Granger:
Vom aplica pentru cele două serii supuse analizei testul Granger cu 2 lag-uri. Rezultatul este
evidențiat în output-ul de mai jos.
Figure 61: Test de cauzalitate Granger
Numărul de observații folosit în cadrul analizei este de 119. După cum putem vedea,
cele două serii nu se influențează reciproc.
Analiza de non staționaritate realizată a avut drept scop obținerea unor prognoze cât mai
relevante din punct de vedere statistic pentru perioada următoare a seriei de date analizate.
Analiza de cointegrare dorește să pună în evidență existența pe termen lung a unei
relații directe între cele două variabile analizate, și anume, prețul de închidere cât și volumul
acțiunilor.
Din punct de vedere economic, analiza ne-a demonstrat că în funcție de perioadele pe
care se face analiza celor două serii de date, poate exista sau nu o legătură directă între cele
două.
Funcția de răspuns la impuls și analiza de descompunere a varianței.
Vom realiza o analiză pentru Lug Structure. Aceasta este realizată pentru un număr de 12 laguri
deoarece datele supuse analizei sunt de tip lunar.
Figure 62: Lag Structure
Observăm ca la lag-ul 5 avem cea mai mică valoarea alui AIC (Akaike Information Criterion) și
de asemenea la lag-ul 2 avem cea mai mica valoare pentru a lui SC (Schwarz Criterion)
Pe baza modelului VAR estimate anterior vom putea realiza funcția de răspuns la impuls.
O funcţie de răspuns la impuls urmăreşte efectul unui şoc apărut la un moment dat într-una din
inovaţiile modelului asupra valorilor prezente şi viitoare ale variabilelor endogene.
Figure 63: Impulse-Response-pas
Ulterior vom obține următoarele grafice:
Figure 64: Impulse Response

De asemenea vom realiza și o descompunere a varianței:
Figure 65: Variance Decompositions-pas
Rezultatul obținut este următorul:
Figure 50: Variance Decomposition
Asemănător cazului răspunsurilor la impuls, descompunerea varianţei bazate pe metoda

Cholesky, are o mare senzitivitate faţă de modul de ordonare al variabilelor în modelul VAR.
Concluzii
Prin intermediul analizelor realizate am urmărit, pe baza evoluției unor indicatori statistici
relevanți, și anume, prețul de închidere al acțiunilor, cât și volumul acestora, identificarea unor
anumite fenomene și obținerea unor date neafectate de sezonalitate ale companiei Microsoft.
Cu ajutorul acestora, am realizat prognoze pe următoarele perioade de timp, a căror
viabilitate , respectiv eficiență, am demonstrat-o raportând-o la date deja existente, obținute din
surse oficiale, în acest caz, Yahoo Finance.
În anul 2010, prăbușirea companiei Microsoft reprezenta una dintre cele mai populare
predicții deja existente din domeniul sectorului IT, dar aceasta nu urma a se adeveri indiferent de
numărul lansărilor spectaculoase ale competitorilor săi. Motivul era unul destul de ușor de intuit
și anume Microsoft deține o cifră de afaceri destul de mare, iar profiturile acesteia continuă să
apară în fiecare trimestru.
În anul 2010, compania Microsoft a trecut printr-o perioadă dificilă din cauza faptului că
Apple a reușit să îi depășească valoarea de piață, devenind cea mai mare companie IT și decizia
celor de la Hewlett-Packard, unul dintre principalii parteneri la momentul respectiv, de a nu
folosi Windows 7 la viitorul computer ce urmau să îl lanseze.
Acest aspect a influențat în mod semnificativ oscilația prețurilor de închidere
tranzacționate la bursă, dar și volumul acțiunilor.
Totuși, compania a preluat ușor avantajul în domeniul cloud computing și sistemele de
operare Windows, alături de pachetul Office, ce reprezintă pentru ei adevărate surse de finanțare.
Profitul obținut din dominarea în cloud computing a fost reinvestit în cercetare și dezvoltare,
mobilizând rapid strategia firmei de a recupera cota de piață. În 2010, a revenit rapid pe piață
folosindu-se de Office 2010 Live, ce era mai productiv decât pachetele de programare ale
rivalilor săi determinând astfel creșterea prețurilor de închidere ale acțiunilor tranzacționate la
bursă, fapt ce nu a sporit totuși și creșterea volumului.
Microsoft deținea o poziție puternică în soft-ul de servere, baze de date și jocuri video, iar
cota de piață a motorului de căutare Bing a crescut constant timp de 11 luni de la lansarea sa.
Totuși, mai mult de jumătate din bani vin de la sistemul de operare Windows si pachetul Office.
Office 2010 a fost foarte bine primit pe piata, iar Windows 7 s-a vandut în peste sapte
milioane de copii din octombrie. Singura problema e ca acestea erau dependente de PC-uri și
deși Office era disponibil și pe Internet, nu rula pe iPad-uri. Compania americana Microsoft a
avut totuși planuri revoluționare pentru anii care au urmat intenționând să unifice toate sistemele
de operare într-unul singur.
Strategia Microsoft a fost structurată în mai multe etape, dintre ele putând fi menționate
lansarea unor noi sisteme de operare, precum Windows 9 pentru PC-uri in anul 2014, Windows
10 care se baza pe tehnologiile cloud si altul unificat pentru toate sistemele și
dispozitivele electronice.
Lansarea noului program de operare al Microsoft, Windows 8, din anul 2012, a șocat
clienții prin serviciile oferite, demonstrând că marele gigant IT depune foarte mult effort în
dezvoltarea pieței de smartphone-uri și tablete. Noul sistem de operare reprezenta prima
schimbare majoră de la introducerea programului Windows 95. Cum la momentul respectiv,
piața calculatoarelor era în scădere, viitorul aparținand tabletelor și telefoanelor inteligente.
În anul 2015, într-un eveniment dedicat dispozitivelor cu Windows 10, Microsoft a lansat
alături și versiunea mobile a sistemului de operare. După dezvăluirea iPad Pro şi confirmarea lui
Samsung Galaxy View, Microsoft aştepta să vorbească despre cea de-a treia generaţie a tabletei
Surface Pro, în cadrul cărora urma să integreze procesoare Intel din noua generaţie Skylake.
Strategia firmei de a lansa diverse produse și servicii la evenimente organizate anual în

aceleași perioade a reprezentat un factor important, decisiv și definitoriu în apariția sezonalității
seriei de date a prețurilor respectiv a volumului de acțiuni tranzacționate.
Previziunile realizate prin diverselor metodologii și modele statistice, ale căror eficiență
am observat-o încă din literatura de specialitate studiată, ne-au demonstrat încă o dată
veridicitatea răspunsurilor așteptate. Dorind totuși, să demonstrăm aplicarea în cadrul economic
a rezultatelor, am încercat să raportăm valorile obținute la evenimente recente apărute în presă
despre compania Microsoftcât și prin strategia acestei companii din mediul IT pentru anii
următori.
Astfel, conform articolelor recente din presă, putem afirma faptul că Microsoft va
continua să se dezvolte mai ales datorită strategiei acestora ce vizează uniformizarea sistemelor
de operare pe toate device-urile. Totodată, pachetul Office 365 lansat recent, care vizează atât
clienți obișnuiți, cât și agenții economici din piață, cum ar fi micile companii, se bucură de un
real succes.
În concluzie, deși rezultatele obținute prin intermediul utilizării softului Eviews

reprezintă o estimare asupra prețurilor de închidere viitoare ale acțiunilor și a volumelor, datorită
evenimentelor recente petrecute în cadrul companiei Microsoft, cât și a strategiei de piață a
acesteia, considerăm că sunt eficiente și foarte aproape de adevăr.
Bibliografie
http://www.biblioteca-digitala.ase.ro/biblioteca/carte2.asp?id=33&idb=11
,,Managementul Sistemelor Bancare, Adrian Codirlasu, Nicolae Alexandru, Oct. 2008”
,, Modelarea volatilitatii seriilor de timp prin modele GARCH simetrice”, The Romanian
Economic Journal.
● Aplicația 1
http://support.sas.com/resources/papers/proceedings13/454-2013.pdf
http://www.emeraldinsight.com/doi/pdfplus/10.1108/ECAM-05-2015-0080
http://jibe-net.com/journals/jibe/Vol_3_No_1_June_2015/2.pdf
http://search.proquest.com/docview/1757281580?pq-origsite=gscholar
http://www.sciencedirect.com/science/article/pii/S1004954115003237
● Aplicația 2
http://journals.cambridge.org/action/displayAbstract?fromPage=online&aid=3182480&fileId=S02664666
00009063
http://onlinelibrary.wiley.com/doi/10.1111/joes.12046/epdf?r3_referer=wol&tracking_action=preview_cl
ick&show_checkout=1&purchase_referrer=onlinelibrary.wiley.com&purchase_site_license=LICENSE_
EXPIRED
http://onlinelibrary.wiley.com/wol1/doi/10.1111/joes.12046/full
https://mpra.ub.uni-muenchen.de/69774/1/MPRA_paper_69774.pdf
http://onlinelibrary.wiley.com/doi/10.1002/agr.21380/abstract;jsessionid=D7A01E0885599D71617AC2C
90FB3F983.f01t04?userIsAuthenticated=false&deniedAccessCustomisedMessage=
http://documents.tips/documents/modelul-garch.html
 Aplicația 3
http://link.springer.com/chapter/10.1007/978-3-319-18476-0_24
http://en.cnki.com.cn/Article_en/CJFDTOTAL-XDYF201522001.htm
http://www.palgrave-journals.com/mel/journal/vaop/ncurrent/abs/mel201613a.html
http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=7357065&url=http%3A%2F%2Fieeexplore.ieee.o
rg%2Fxpls%2Fabs_all.jsp%3Farnumber%3D7357065
 Aplicația 4
http://www.sciencedirect.com/science/article/pii/S1470160X14003458
http://www.tandfonline.com/doi/abs/10.1080/00036846.2015.1008769
http://www.econstor.eu/handle/10419/122030
http://store.ectap.ro/articole/1158.pdf
Știri microsoft:
http://www.ziare.com/microsoft/stiri-microsoft/batranii-de-la-microsoft-mai-au-mult-de-trait-
1021895
http://www.ziare.com/microsoft/stiri-microsoft/revolutia-noilor-sisteme-de-operare-ale-microsoft-
un-singur-windows-1270091
http://www.go4it.ro/telefoane-mobile/noi-dispozitive-cu-windows-10-de-la-microsoft-vor-fi-
prezentate-in-octombrie-14713174/
http://www.ziare.com/microsoft/windows-7/noul-sistem-de-operare-windows-8-socheaza-deja-
lumea-video-1196998
https://news.microsoft.com/en-in/microsoft-announces-the-launch-of-office-
2016/#sm.000rbio7n13v9cyust21jeaceub9v
http://news.microsoft.com/en-sg/#sm.0000czhqps100lcw2r9ytcpq4nw70
https://news.microsoft.com/category/press-releases/#sm.000rbio7n13v9cyust21jeaceub9v
potential
http://www.ziare.com/microsoft/windows-8/arma-secreta-a-microsoft-tableta-surface-de-7-inchi-
video-1229507
http://www.ziare.com/samsung/apple/artileria-grea-cu-care-htc-samsung-si-microsoft-urmeaza-
sa-atace-apple-galerie-foto-1263284
http://www.ziare.com/articole/lansari+noi+microsoft

Proiect Matematica

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Proiect Matematica

Transféré par

Droits d'auteur :

Formats disponibles

Academia de Studii Economice din București

Facultatea de Cibernetică, Statistică și Informatică Economică

Analiza evoluției prețului de închidere și volumul

Coordonator: Badea Florentina-grupa 1058

Conf.univ.dr. Adriana DAVIDESCU Zanfirescu Alexandra-grupa 1060

Prin prezenta declar că rezultatele prezentate în această lucrare sunt în întregime

Microsoft Corporation reprezintă o companie americană ce a fost fondată pe data de 4

1.1 Capitol teoretic

1.1.1 Literatură de specialitate

1.1.2 Metodologia cercetării

Obiectivele analizei Seriilor de Timp sunt:

Alegerea celui mai performant model

1.2 Capitol aplicativ

Table 1-Datele privind prețurile de închidere ale acțiunilor Mocrosof

Diagrama Boxplot oferă informații privind tendința centrală și forma distribuției

Figura 1 ne oferă următoarele informații asupra setului de date:

Figure 2: Histograma prețurilot de închidere

Figure 4: Trendul prețurilot de închidere

Figure 5: Corelograma prețurilor de închidere

Din corelograma de mai sus observăm că la lagul 1 coeficientul de autocorelație indică o

ΔClose = 0,5 -0,007ΔClose−1

Figure 7: Corelograma prețurilor de închidere după prima diferențiere

Cu ajutorul corelogramei putem trage concluzia că seria este staționară deoarece

ΔClose = 0,3 - 1,096 ΔClose-1

Figure 10: AR(1) AR(2)

Figure 12: AR(1) MA(1)

Figure 14: MA(1) MA(2)

În urma testărilor modelelor autoregresive am observat coeficienții înregistrați pentru criteriul

Model Criteriul Akaike Criteriul Schwartz

AR(1) 4.53 4.582076

AR(2) 4.56 4.63

MA(1) 4,53 4,57

MA(2) 4.54 4.61

ARMA(2,1) 4.56 4.65

ARMA(1,1) 4,55 4,62

ARMA(4,4) 4.51 4.581533

Testarea modelului prin testarea autocorelării reziduurilor se realizează cu corelograma

Figure 16: Corelograma reziduurilor

Figure 17: Dynamic Forecast

Figure 18: Static Forecast

2.1 Capitol teoretic

2.1.1 Literatură de specialitate

2.1.2 Metodologia cercetării

Modelele heteroscedastice condiționate autoregresive, abreviate ARCH, sunt folosite în

Denumirea GARCH provine de la :

- de asemenea deviaţiile mari ale rentabilităţii tind a fi urmate de abateri mari(termenii

Modelul poate fi utilizat cu succes în studiile de volatilitate. Spre deosebire de metoda

Coeficienții termenilor ARCH și GARCH trebuie să fie subunitari și pozitivi.

Testele efectuate pe piețele financiare mature au evidențiat o viteză de reacție a

Cele mai cunoscute extensii sunt:

· GARCH integrat (IGARCH)

· GARCH in Mean (GARCH-M)

· GARCH exponential (EGARCH)

Obiectivele analizei sunt:

Modelul EGARCH propus de Nelson(1991) are următoarea specificație pentru ecuația

2.2.1 Date utillizate

2.2.2 Rezultatele empirice

Reprezentarea grafică a rezidurilor:

Figure 19: Reprezentarea grafică a reziduurilor

Figure 20: White Test

Identificarea Ecuaţiei Volatilităţii:

Figure 22: Reprezentarea modelului GARCH(1,1)

Figure 23: Rezultatele modelului EGARCH(1,1)