estimarea volatilitatii
TRANSCRIPT
-
7/31/2019 Estimarea volatilitatii
1/9
Estimarea volatilitii
pe cursul de schimb EUR/RON
1.
Studeni:
Bnic Mihai
Lungu Virgil Petrior
Bucureti
2012
-
7/31/2019 Estimarea volatilitatii
2/9
Estimarea volatilitii
Iunie 2912
2. Ce este volatilitatea?In mod specific, in stiintele economice financiare, volatilitatea caracterizeaza deviatia
standard instantanee a componentei aleatoare de tip Wiener, intr-un model de difuzie in timp
continuu. Alte surse definesc volatilitatea mai simplu, drept deviatia conditionala standard a
randamentului oferit..
Previziunea volatilitatii in seriile financiare de timp ale randamentelor actiunilor
reprezinta domeniul cel mai larg pe care volatilitatea il ocupa in teoriile economico-
financiare. Specificul ei a fost evidentiat de Campbel, Lo si MacKinlay:1 ... ceea ce
distinge economica financiara de celelalte domenii este rolul central pe care incertitudinea il
joaca atat in teoria financiara cat si in implementarile ei empiricie... Intr-adevar, in absenta
incertitudinii, probleme de economie financiara s-ar reduce la exercitii ale teoriei
macroeconomice de baza (p. 3).
Pe langa incertitudine, care plaseaza fiecare discutie in spatiul probabilitatilor, ceea ce
diferentiaza si mai mult topicul volatilitatii in finante este caracterul sau neobservabil, latent si
msicarea sa stocastica in timp. De cele mai multe ori volatilitatea este neobservata, iar
marimea sa poate fi evidentiata mai degraba prin estimare decat prin masurare directa.
In practica, modelel si seriile liniare de timp sunt incapabile sa explice o serie de
caracterisitici foarte importante pentru datele financiare, cum ar fi:
Leptokurtosis (leptocurtotica) - tendinta rentabilitatilor activelor financiare de aavea distributii care prezinta cozi ingrosate si exces de kurtosis.
Volatility clustering tendinta de aparitie in masa a volatilitatii pe pietelefinanciare. Astfel rentabilitatile mari (de orice semn) au tendinta de a aparea in
urma unor rentabilitati mari, iar randamentele mici (de orice semn) au tendinta de
a aparare in urma unor rentabilitati mici. Una dintre explicatii pentru acestfenomen care pare a caracteriza seriile de rentabilitati financiare ar fi faptul ca
informatiile care pot influenta schimbarile de pret vin la randul lor in masa
1John Y. Campbell, Andrew W. Lo, and A. Craig MacKinlay - The Econometrics of Financial Markets, Princeton
University Press, 1997
-
7/31/2019 Estimarea volatilitatii
3/9
Estimarea volatilitii
Iunie 2912
Efecte de levier (leverage)tendinta volatilitatii de a creste mai mult in urma uneiscaderi semnificative a preturilor, fata de cazul unei cresteri semnificative a
preturilor.
Modelele de volatilitate pot fi formulate in timp continuu sau discret, depinzand de scopul
pentru care se fac previziunile, de tipul de date folosite, si, desigur de disponibilitatea
acestora. Acuratetea modelelor creste o data cu gradul de corespondenta a datelot cu
realitatea. Intrucat activitatile de tranzactionare si evaluare ce au loc in pietele financiare
lichide de astazi se desfasoara mai mult intr-o maniera continua, decat intr-un discreta,
utilizarea de date in timp continuu ar imbunatati capacitatile predictive ale modelelor.
Totodata formularea si estimarea empirica a modelelor in timp continuu impune numeroase
provocari.
Desi multe dintre modelele formulate in timp discret nu sunt consistent cu procesle ce
descriu miscarea in timp continuu a preturilor, ele sunt mai usor de utilizat din perspectiva
inferentiale si prin urmare, raman preferate in majoritatea exercitiilor empirice de
previzionare.
3. Clasificarea modelelor de previziune a volatilitatii
Diverse tehnici dezvoltate pentru obtinerea unor estimatori ai volatilitatii au fost
elaborate in mod continuu in ultimele trei decenii. Ele pornesc de la modele extrem de
simple care utilizeaza asa-numitele ipoteze naive (de tip random walk) pana la modele
conditional heteroskedastice complexe ale grupului ARCH (pana la GARCH si derivate
ale acestuia).
Cele mai dezbatute modele de volatilitate de tip univariat sunt modele autoregresive
cu heterskedasticitate conditionala (ARCH Autoregressive conditional heteroskedasticity)
propuse de Engle (1982) si cele generale , GARCH (Generalized Autoregressive conditional
heteroskedasticity),propuse de Bollerslev (1986). Numeroase extensii ale acestora au
dobandit importanta ulterior, precum Exponential GARCH (EGARCH) propus de Nelson
(1991) sau modelul TresholdARCH propus de catre Glosten, Jagannathan si Runkle (1993),
ce explica dintr-un punct de vedere empiric reactia asimetrica a volatilitatii la impactul
socurilor din piata. In general, fiecare model are propriile avantaje si dezavantaje, astfel ca
avand la dispozitie un numar asa de mare de modele, toate desemnate pentru a servi aceluiasi
-
7/31/2019 Estimarea volatilitatii
4/9
Estimarea volatilitii
Iunie 2912
scop, este important de a distinge si identifica in mod corect fiecare model, cu
caracterisiticile fiecaruia, in scopul stabilirii aceluia ce ofera cele mai bune predictii.
Totusi, un conses general in privinta clasificarii modelelor din punct de vedere al
calitatii previziunilor facute, nu a fost gasit. Acest lucru provine din faptul ca literatura
contine studii cu concluzii contradictorii in ceea ce priveste calitatea previziunilor oferite de
fiecare model. Spre exemplu, Brailsford si Faff (1996) au gasit ca clasificarea perfomantelor
modelelor depinde de alegerea parametrilor de calculare a erorilor, pentru fiecare dintre
acestia fiind identificate diferite structuri de clasificare.2
Cei doi au fost printre cei care au
ajuns la concluzia ca literatura tinde sa agreeze ideea ca modelele de tip GARCH ofera in
general previziuni superioara ale volatilitatii randamentelor activelor financiare (in totalul
modelelor de previzionare a volatilitatii).
4. Analiza empirica a seriilor randamentelor pentru cursul de schimbEUR/RON
Studiul de fata foloseste drept obiect de analiza seria de timp a valorilor cursului de
schimb EUR/RON, cuprinsa intre data de 11 ianuarie 1999 si 18 ianuarie 2012. Asupra
datelor initiale este aplicata transformarea logaritmica si diferenta de ordin 1 cu scopul de
a obtine seria de timp a randamentelor cursului EUR/RON. Frecventa datelor este zilnica.
Din graficele urmatoare se observa vizual faptul ca seria preturilor (ratei de schimb)
este nestationara, prezinta un trend pozitv, cu usoare corectii, in timp ce seria
randamentelor este stationara in medie, in jurul valorii de 0, insa exista numeroase
momente caracterizate de trasaturi specifice analizei econometrice a seriilor de timp
(volatility clustering, precum si leverage effect in special in cazul scaderilor
inregistrate de cursul de schimb la inceputul anului 2005).
2Brailsford T.J. si Faff R. W. An evaluation of volatility forecasting techniques, (1996)
-
7/31/2019 Estimarea volatilitatii
5/9
Estimarea volatilitii
Iunie 2912
-0.125 -0.100 -0.075 -0.050 -0.025 0.000 0.025 0.050 0.075
20
40
60
80
100
120Density
return N(s=0.0067)
Series: RETURNSample 1 3395Observations 3390
Mean 0.000358Median 0.000000
Maximum 0.075121Minimum -0.129396Std. Dev. 0.006703Skewness -0.898666Kurtosis 58.02263
Jarque-Bera 428089.3Probability 0.000000
Conform datelor descriptive, specifice seriei de timp si histogramei randamentelor se
constata ca acestea nu au o distributie normala (potrivit testului Jarque Bera se respinge
ipoteza nula conform careia datele sunt caracterizate de o distributie normala p-value =0.000).
In acelasi timp,
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
2
3
4EUR/RON
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
-0.10
-0.05
0.00
0.05
Return EUR/RON
Figure 1 Evolutie pret si randament EUR/RON 1999-2012 sursa: www.oanda.com
Figure 2 Statistici descipitive si histograma randamentelor
-
7/31/2019 Estimarea volatilitatii
6/9
Estimarea volatilitii
Iunie 2912
rentabilitatatile prezinta o asimetrie negativa ( -0.898666), cu dispersie a valorilor
preponderent in zona din dreapta mediei, si un execes de Kurtosis foarte ridicat (Kurtosis-
3= 55.02263). Astfel se poate afirma ca acestea prezinta o distributie leptokurtica cu cozi
mai groase decat o distributie normala caracterizata de aceeasi parametri (medie =
0.0000358 si abatere standard = 0.0067).
Pentru a verifica caracterul stationaritatii randamentelor s-a utilizat testul Augmented
Dicky Fuller, care presupune prin ipoteza nula ca exista radacina unitate, si potrivit
probabilitatii obtinute (0.0001) se va respinge aceasta ipoteza, deci randamentele cursului
de schimb sunt stationare.
Figure 2 Testul ADF
Pasul urmator consta in determinarea structurii ARMA pentru seria de timp cu ajutorul
corelogramei rentabilitatii sau cum este cunoscuta in literatura de specialitate drept
Metodologia Box Jenkins, prin intermediul functiilor de autocorelatie (ACF raport intre
covarianta de lag k intre 2 randamente si varianta randamentelor) si functia de
autocorelatie partiala (PACFce proiecteaza coeficientii dintr-o regresie a Yt fata de Yt-
1,... Yt-k)
Figure 3 Corelagrama randamentelor
-
7/31/2019 Estimarea volatilitatii
7/9
Estimarea volatilitii
Iunie 2912
Potrivit acestui output vom folosi o specificatie de tip ARMA (1,1) pentru a descrie
procesul pe care il urmareste rentabilitatea. Coeficientii estimati pentru modelul ARMA
(1,1) sunt semnificativi diferiti de 0 conform testului statistic t care genereaza valori mai
mari decat valoarea critica, respingandu-se ipoteza nula.
In plus, structura procesului ARMA (1,1) este stabila prin faptul ca inversele
radacinilor unitate ale procesului autoregresiv cat si ale medie mobile se afla in interiorul
cercului unitate, iar coeficientii AR(1) si MA(1) se regasesc in intervalul (-1,1).
O alta forma de apreciere a relatiei dintre valorile curente ale cursului si valorile din
anumite perioade anterioare este cea a analizei corelogramei rentabilitatilor patratice, care
conform celor demonstrate de McLeod si Li (1983) serveste la identificarea naturii
procesului urmat de volatilitatea randamentelor (identificarea ordinelor p si q pentru
modelele din clasa GARCH). Astfel, in urma unei evaluari vizuale se poate afirma ca
ordinul p este mai mic (sau egal cu 3) si ordinul q este 1.
Figure 4 Proces ARMA (1,1) si reprezentarea radacinilor acestuia.
-
7/31/2019 Estimarea volatilitatii
8/9
Estimarea volatilitii
Iunie 2912
Drept urmare, in continuare se vor analiza mai multe tipuri de modele ARMA(1,1) -
GARCH: GARCH, EGARCH, TARCH cu diferite ordine p si q si pentru inceput vom
presupune faptul ca inovatiile urmeaza o distributie normala, dupa care se vor verifica pe
rand distributiile Students t si GED (Generalized Error Distribution). Se vor folosi drept
criterii de selectie intre modelele GARCH urmatoarele: maximiziarea Maximum
Likelihood Estimator si minimizarea criteriilor informationale (AIC si Schwarz
criterion). Se va considera faptul ca ecuatia mediei urmeaza un proces ARMA(1,1).
In urma analizei empirice, prin care am incercat diferite modele pentru estimareacomportamentului volatilitatii (GARCH, EGARCH, APARCH pentru distributie normala,
Figure 5 Corelograma rentabilitatilor patratice
-
7/31/2019 Estimarea volatilitatii
9/9
Estimarea volatilitii
Iunie 2912
Student si GED), singurul model pentru care a existat convergenta functiei de
verosimilitate este cel GARCH (2,1) pentru o distributie normala a erorilor.
In figura de sus este reprezentata volatilitatea realizata, calculata dupa formula
RV=return*return, in comparatie cu valorile estimatorului variantei calculat in urma
utilizarii coeficientilor unui model ARMA(1,1)-GARCH(2,1).
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
0.0001
0.0002
0.0003
0.0004
0.0005
0.0006
0.0007
0.0008
0.0009
0.0010
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
Conditional Variance sqreturn