Académique Documents
Professionnel Documents
Culture Documents
București 2016
Declarație privind originalitatea conținutului și asumarea răspunderii
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.
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.
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.
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.
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.
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:
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
H0: | τcalc| < | τcrit| (serie nestaționară)
H1: | τcalc| > | τcrit| (serie staționară)
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 9: AR(1)
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:
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:
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.
Indicatorul Covariance Proportion trebuie să aibă o valoare cât mai mare, apropiată de 1.
Putem observa că în cazul nostru valoarea acestuia este de 0,97.
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.
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.
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);
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.
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).
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.
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.
· Treshold ARCH(TARCH)
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.
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.
2.2 Capitol aplicativ
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.
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
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.
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)
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.
Previziune dinamică:
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”.
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
Pe baza rezultatelor testului ADF ilustrat în Figura 29 putem trage următoarele concluzii:
Ipoteze
H0: | τcalc| < | τcrit| (serie nestaționară)
H1: | τcalc| > | τcrit| (serie staționară)
Valorile critice înregistrate în modelul nostru sunt -3,48, -2,88 și -2,57 iar valoarea lui t
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.
Putem observa că după logaritmare variația a devenit constantă însă prezintă sezonalitate. Având
date lunare, vom scoate sezonalitatea prin următoarea formulă.
Yt-Yt-12
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
Ipoteze
H0: | τcalc| < | τcrit| (serie nestaționară)
H1: | τcalc| > | τcrit| (serie staționară)
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:
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:
Figure 37: Corelograma reziduurilor
Holt-Winters no Seasonal
Holt-Winters-Additive Seasonal
Figure 39: H-W Additive Seasonal
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.
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 0.90.
Indicatorul Bias Proportion trebuie să aibă valori cât mai mici. Putem observa că în cazul
nostru valoarea acestuia este de 0,00080.
Indicatorul Variance Proportion trebuie să aibă valori cât mai mici. Putem observa că în
cazul nostru valoarea acestuia este de 0,81.
Indicatorul Covariance Proportion trebuie să aibă o valoare cât mai mare, apropiată de 1.
Putem observa că în cazul nostru valoarea acestuia este de 0,182.
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:
Valoarea lui Mean Abs. Percent Error trebuie să aibă o valoare cât mai mică, în acest
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
4.1.2 Metodologia cercetării
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:
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.
Ipoteze
H0: | τcalc| < | τcrit| (serie nestaționară)
H1: | τcalc| > | τcrit| (serie staționară)
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.
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
Pe baza rezultatelor testului ADF ilustrat în Figura 47 putem trage următoarele concluzii:
Ipoteze
H0: | τcalc| < | τcrit| (serie nestaționară)
H1: | τcalc| > | τcrit| (serie staționară)
Valorile critice înregistrate în modelul nostru sunt -3,48, -2,88 și -2,57 iar valoarea lui t
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.
Lag 12:
Lag 13:
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
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.
Vom aplica pentru cele două serii supuse analizei testul Granger cu 2 lag-uri. Rezultatul este
evidențiat în output-ul de mai jos.
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.
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
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.
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.sciencedirect.com/science/article/pii/S1047279714004578
http://www.sciencedirect.com/science/article/pii/S0261517714001460
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/S0014292115000197
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