A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 2009.

Podobne dokumenty
EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *

PROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM 1. Joanna Górka. Wydział Nauk Ekonomicznych i Zarządzania UMK w Toruniu Katedra Ekonometrii i Statystyki

Cechy szeregów czasowych

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego

Stanisław Cichocki Natalia Nehrebecka. Wykład 5

Efekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA

Wygładzanie metodą średnich ruchomych w procesach stałych

DYNAMICZNE MODELE EKONOMETRYCZNE

Prognozowanie i symulacje

Magdalena Osińska, Joanna Górka Uniwersytet Mikołaja Kopernika w Toruniu

Konspekty wykładów z ekonometrii

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

DYNAMICZNE MODELE EKONOMETRYCZNE

Ekonometria I materiały do ćwiczeń

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

1. Szereg niesezonowy 1.1. Opis szeregu

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE

Parytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD

Stanisław Cichocki Natalia Nehrebecka. Wykład 4

DYNAMICZNE MODELE EKONOMETRYCZNE

Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN Nr

licencjat Pytania teoretyczne:

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz

Krzywe na płaszczyźnie.

Analiza rynku projekt

Prognozowanie średniego miesięcznego kursu kupna USD

Krzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20

FINANSOWE SZEREGI CZASOWE WYKŁAD 3

Analiza szeregów czasowych uwagi dodatkowe

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

Ewa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

MODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX

SYMULACYJNE BADANIE EFEKTYWNOŚCI WYKORZYSTANIA METOD NUMERYCZNYCH W PROGNOZOWANIU ZMIENNEJ ZAWIERAJĄCEJ LUKI NIESYSTEMATYCZNE

MODEL TENDENCJI ROZWOJOWEJ

Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.

Magdalena Sokalska Szkoła Główna Handlowa. Modelowanie zmienności stóp zwrotu danych finansowych o wysokiej częstotliwości

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

Bayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1

Witold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1

Modele warunkowej heteroscedastyczności

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

PROGNOZY I SYMULACJE

DYNAMICZNE MODELE EKONOMETRYCZNE

MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

Piotr Fiszeder Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie procesów finansowych z długą pamięcią w średniej i wariancji

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej

Wyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH

Motto. Czy to nie zabawne, że ci sami ludzie, którzy śmieją się z science fiction, słuchają prognoz pogody oraz ekonomistów? (K.

MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. 1. Wstęp

DYNAMICZNE MODELE EKONOMETRYCZNE

Zarządzanie ryzykiem. Lista 3

oznacza przyrost argumentu (zmiennej niezależnej) x 3A82 (Definicja). Granicę (właściwą) ilorazu różnicowego funkcji f w punkcie x x x e x lim x lim

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny

ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI

Oddziaływanie procesu informacji na dynamikę cen akcji. Małgorzata Doman Akademia Ekonomiczna w Poznaniu

( ) ( ) ( τ) ( t) = 0

OeconomiA copernicana. Małgorzata Madrak-Grochowska, Mirosława Żurek Uniwersytet Mikołaja Kopernika w Toruniu

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

PREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY

Witold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

Zbudowany i pozytywnie zweryfikowany jednorównaniowy model ekonometryczny. jest uŝyteczny do analizy zaleŝności między zmiennymi uwzględnionymi w

4. Średnia i autoregresja zmiennej prognozowanej

WNIOSKOWANIE STATYSTYCZNE

Wprowadzenie do teorii prognozowania

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression).

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)

FORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1

Ćwiczenie 5 PROGNOZOWANIE

ESTYMACJA RYZYKA WOBEC UJEMNYCH CEN ENERGII ELEKTRYCZNEJ

Wykład 6. Badanie dynamiki zjawisk

WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK

Ekonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE

ZASTOSOWANIA EKONOMETRII

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

7.4 Automatyczne stawianie prognoz

5. Model sezonowości i autoregresji zmiennej prognozowanej

Instytut Logistyki i Magazynowania

ANNA GÓRSKA MONIKA KRAWIEC Szkoła Główna Gospodarstwa Wiejskiego w Warszawie

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018

PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO

Rozdział 8. Regresja. Definiowanie modelu

DYNAMIKA KONSTRUKCJI

Metody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy

Alicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii

Krzysztof Piontek Akademia Ekonomiczna we Wrocławiu. Modelowanie warunkowej kurtozy oraz skośności w finansowych szeregach czasowych

Ćwiczenia IV

PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH

BADANIE EFEKTYWNOŚCI PROGNOZ ZMIENNYCH OPISUJĄCYCH WYBRANE ASPEKTY FUNKCJONOWANIA PORTU SZCZECIN-ŚWINOUJŚCIE

Elżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi

Transkrypt:

A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 009 Uniwerse Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saski WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA Z a r s r e ś c i. W niniejszm opracowaniu zaproponowano użcie modeli klas RCA (RCA RCA-GARCH RCA-MA Sign RCA Sign RCA-MA i Sign RCA-GARCH) do orzmania prognoz warunkowej średniej dla sóp zwrou. Dla porównania wznaczono prognoz na podsawie modelu klas ARMA-GARCH obliczono bled prognoz ex pos oraz miar kierunku zgodności. Modele klas RCA mogą bć przdane do wznaczenia warunkowej średniej wówczas gd nie jeseśm wsanie zbudować modelu ARMA-GARCH. S ł o w a k l u c z o w e: RCA Sign RCA RCA-MA Sign RCA-MA RCA-GARCH Sign RCA- GARCH prognozowanie błęd prognoz.. WSTĘP Wprowadzenie losowego parameru do modelu auoregresjnego zwiększa możliwości aplikacjne ego modelu gdż pozwala na uwzględnienie podwższonej kuroz i grubch ogonów rozkładów. Jednak model RCA jes wsanie modelować zmienną wariancję lko w przpadku gd jes ona opisana za pomocą modelu ARCH. Sąd modfikacja modelu RCA polegająca na rozszerzeniu modelu RCA o model GARCH. Inną modfikacją modelu RCA jes wprowadzenie do modelu RCA funkcji znaków kóra pozwala na modelowanie asmerii reakcji sóp zwrou na różne informacje pochodzące z rnku oraz podwższa warości kuroz procesu. Uwzględnienie losowego charakeru sóp zwrou może nasąpiś poprzez wprowadzenie do modelu RCA części MA. Celem niniejszego arkułu jes zbadanie własności prognoscznch modeli RCA RCA-MA RCA-GARCH Sign RCA Sign RCA-MA oraz Sign Praca naukowa finansowana ze środków na naukę w laach 008-00 jako projek badawcz.

76 RCA-GARCH. W części empircznej przedsawione zosaną aplikacje omawianch modeli.. MODELE RCA Nauralnm uogólnieniem klascznch liniowch modeli auoregresjnch są modele auoregresjne z losowmi paramerami (RCA). Klasczn sacjonarn jednowmiarow model auoregresjn rzędu pierwszego z losowm paramerem (ozn. RCA()) można zapisać w posaci: gdzie: ( φ + δ ) + ε = () δ 0 0 iid ~ σ δ 0 0 ε σ ε φ + σ δ <. (3) Warunek (3) jes warunkiem koniecznm i wsarczającm sacjonarności drugiego rzędu procesu naomias warunki ()-(3) gwaranują ścisłą sacjonarność procesu. Ściśle sacjonarn proces opisan równaniami ()-(3) charakerzuje się średnią zero oraz sałą wariancją i kurozą (Aue 004; Górka 007b). Thavaneswaran i Appadoo (006) zaproponowali dołączenie do modelu RCA() funkcji znaku: dla > 0 s = 0 dla = 0 (4) dla < 0. Wówczas sacjonarn model RCA() z funkcją znaku (ozn. Sign RCA()) ma posać (Thavaneswaran Appadoo 006): ( φ + δ + Φs ) + ε = () (5) gdzie paramer i proces spełniają warunki ()-(3). Zaem uwzględnienie funkcji znaku w modelu RCA wskazuje że zmiana warości parameru zależ od znaku obserwacji poprzedniej. Jeżeli spełnione są warunki ()-(3) o proces (5) charakerzuje się zerową bezwarunkową średnią oraz sałą bezwarunkową wariancją i kurozą (Thavaneswaran Appadoo 006). Warość wariancji i kuroz jes większa niż dla procesu opisanego poprzez model RCA() cz AR() (Górka 007b). Pełn opis ch modeli wraz z własnościami meodami esmacji oraz aplikację można znaleźć w prac Nicholls i Quinn (98)

Własności prognosczne modeli klas RCA 77 Propozcja Thavaneswaran Appadoo i Becor (006) uwzględnienia dodakowo średnią ruchomą rzędu pierwszego (Thavaneswaran Appadoo Becor 006): ( + δ ) + ε θε = + φ (6) gdzie paramer i proces spełniają warunki ()-(3). Model (6) nosi nazwę modelu RCA()-MA() i ma bezwarunkową średnią zero sałą bezwarunkową wariancję oraz kurozę. Warość wariancji i kuroz jes wższa niż w przpadku modelu ARMA(). Dołączenia do modelu RCA()-MA() funkcji znaku pozwala na uwzględnienie asmerii reakcji sóp zwrou na różne informacje pochodzące z rnku. Wówczas mam do cznienia z modelem Sign RCA()-MA() opisanm równaniem (Thavaneswaran Appadoo Becor 006): ( + δ + Φs ) + ε θε = + φ (7) gdzie paramer i proces spełniają warunki ()-(3). Model opisan równaniem (7) podobnie jak model opisan równaniem (6) charakerzuję się zerową bezwarunkową średnią oraz sałą warunkową wariancją i kurozą. Zarówno warość wariancji jak i kuroz jes wższa niż dla RCA()-MA(). Model RCA modeluje zmienną wariancję warunkową lko w przpadku gd jes ona opisana za pomocą modelu ARCH(). Sąd inna od poprzednich modfikacja modelu RCA polegająca na rozszerzeniu modelu RCA o model GARCH. Wówczas model opisan równaniem () można zapisać za pomocą równań (Thavaneswaran Appadoo Becor 006): ε = ( φ + δ ) + ε = (8) h = α h z p q 0 + α iε i + = j= gdzie iid ( 0 ) ~ z β h j j z σ α 0 α 0 oraz β 0. Model (8) nosi nazwę 0 > i modelu RCA()-GARCH(pq). Ogólne podsawowe charakerski modelu RCA()-GARCH(pq) wnoszą: ( ) = 0 E (9) E ( ) [ h ] σ z = ( ). φ E (0) σ δ W przpadku modelu opisanego równaniem (5) orzmujem model Sign RCA()-GARCH(pq): j

78 ( φ + δ + Φs ) + ε = ε = h = α h z gdzie iid ( 0 ) p q 0 + α iε i + = j= () β h j j z ~ σ z α 0 > 0 α i 0 β j 0 Φ α 0. W przpadku modelu Sign RCA()-GARCH(pq) podsawowe charakerski wnoszą: ( ) = 0 E () E ( ) [ h ] σ = z ( ). φ Φ E (3) σ δ 3. ESTYMACJA PARAMETRÓW MODELI. PREDYKTORY Ocen paramerów poszczególnch modeli można orzmać sosując meodę największej wiargodności (MNW). Prz założeniu normalności rozkładu składników losowch funkcja wiargodności dla modelu RCA() ma posać (Górka 007a): N u ( σ + σ ) N N ln L = ln π ln ε δ = = σ ε + σ δ (4) gdzie u = δ + ε = φ. Dla modelu Sign RCA() nie zmienia się sama funkcja (4) a lko sposób u δ + ε = φ + Φs. = obliczania resz a mianowicie: ( ) W przpadku modelu RCA()-GARCH(pq) w sosunku do modelu RCA() zmienia sposób się obliczania funkcji wiargodności gdzie N ln L = ln π N = ln N u = σ z E( h ) + σ δ p q 0 + α iε i + β j = j= ( σ E( h ) + σ ) z j δ (5) h = α h zaś jes akie samo jak dla modelu RCA(). Prezenowane modele mają nasępujące posacie jednookresowego predkora warunkowej średniej dla:

Własności prognosczne modeli klas RCA 79 modelu RCA(): ( F ) = φ P = E + + (6) modelu Sign RCA()): ( F ) = ( + Φs ) P = E + + φ (7) modelu RCA()-MA(): ( F ) = φ + θε P = E + + (8) modelu Sign RCA()-MA(): ( F ) = ( φ + Φs ) + θε P = E + + (9) Dla modeli RCA()-GARCH(pq) oraz Sign RCA()-GARCH(pq) predkor warunkowej średniej wnosi (6) albo (7) odpowiednio. 4. ANALIZA EMPIRYCZNA Do analiz empircznej wkorzsano procenowe logarmiczne sop zwrou danch dziennch cen meali szlachench (złoa srebra plan i palladu) kursów waluowch (dolara i euro) oraz sop zwrou wbranch świaowch indeksów giełdowch 3 (DJIA NASDAQ SP500 FT-SE00 HANGSENG NIKKEI) w okresie od 4 scznia 000 do września 008 roku. Przed przsąpieniem do analiz sascznej i ekonomercznej dane sprowadzono do czasowej porównwalności. W en sposób uzskano szeregów czasowch po 63 obserwacji każd. Szeregi pierwone charakerzował się wsępowaniem pierwiaska jednoskowego naomias szeregi procenowch logarmicznch sóp zwrou bł sacjonarne. Szeregi sóp zwrou podzielono na dwa zbior: od -000 obserwacji jako okres prób oraz od 00-63 jako okres werfikacji prognoz. Dla prób zbadano sasczne własności szeregów procenowch logarmicznch sop zwrou oraz warości sask wbranch esów (wniki w abeli ). Rozkład sóp zwrou charakerzował się podwższona kurozą (w sosunku do rozkładu normalnego) oraz zróżnicowaną skośnością. W siedmiu analizowanch przpadkach wsępowała auokorelacja rzędu pierwszego. Tes LBI 4 we wszskich przpadkach wskazwał na zmienność parameru auoregresjnego. Dane pochodzą ze sron hp://www.kico.com (cen PM) 5.09.008. 3 Dane pochodzą ze sron hp://bossa.pl 5.09.008. 4 W eście m hipoeza zerowa oznacza sałość parameru auoregresjnego (Górka 007a).

80 Tabela. Własności sasczne procenowch logarmicznch sóp zwrou oraz warości sask esu Boxa-Ljunga Engla ARCH DF LBI Sopa zwrou skośność kuroza Boxa-Ljunga Engla ARCH es złoo 0043 045-09 7446 004 00 6330 7783-47659 793 srebro 003 834-3 935 7674 805 3980 488-5038 599 plana 0045 485-098 6453 0005 5845 74774 5679-47433 866 pallad -007 3-074 8499 7087 807 95609 7075-44933 0335 EUR -000 066 0509 09 488 5004 3339 37309-5554 7 USD -004 074 038 5980 057 33 3074 58369-46568 60 DJIA 000 079-0074 6533 450 786 4584 790-49735 4830 NASDAQ -004 788 096 7350 337 6867 033 48595-487 9994 SP500-0005 6 006 5459 750 08 53467 3047-5037 6969 FT-SE00-0009 53-083 599 3755 475 705 59693-545 0373 HANGSENG 0006 43-083 7866 0656 3364 475 66-48660 0574 NIKKEI -000 658-005 050 6668 66874 54780 74996-56557 9503 Czcionką pogrubioną zaznaczono przpadki gdzie nasąpiło odrzucenie H 0 na korzść H prz 5% poziomie isoności. Źródło: obliczenia własne. Dla każdego szeregu sóp zwrou dokonano esmacji modeli ARMA- GARCH oraz modeli RCA Sign RCA RCA-MA Sign RCA-MA RCA- GARCH oraz Sign RCA-GARCH 5. W przpadku modeli ARMA-GARCH wbrano e modele kóre posiadał sascznie isone paramer i miał najmniejszą warość krerium informacjnego. Z klas modeli RCA wbrano wszskie modele ze sascznie isonmi paramerami. Nasępnie dla wbranch modeli wznaczono jednookresowe prognoz saczne dla osanich 63 obserwacji w próbie oraz dla 63 obserwacji poza próbą. Dla porównania obliczono błęd prognoz ex pos oraz miar zgodności kierunku zmian (Brzeszczński Kelm 00). Dla sóp zwrou cen złoa kursu dolara oraz indeksu DJIA ze względu na brak isoności paramerów nie udało się dopasować żadnego modelu pu ARMA-GARCH. W przpadku modeli klas RCA model RCA-MA posiadał sascznie isone paramer dla złoa i DJIA zaś model RCA-MA i model Sign RCA-MA dla sop zwrou kursu dolara. Miar zgodności kierunku zmian prognoz nie przekraczał 60%. Wszskie analizowane szeregi można bło opisać za pomocą co najmniej jednego modelu klas RCA. Dla przkładu w abeli zamieszczono oszacowane modele dla palladu. DF LBI 5 Obliczenia zosał wkonane z wkorzsaniem programu Gauss 6.0.

Własności prognosczne modeli klas RCA 8 Tabela. Modele procenowch logarmicznch sóp zwrou palladu RCA() RCA()- Sign RCA()- AR()- AR() GARCH() GARCH() GARCH() φ 034*** 0093*** 00943*** 00449** 00874*** Φ 00567** 0347*** 094*** 0966*** 009*** 00930*** 0478*** 08693*** 0870*** 085*** 3954 48645 03388 085 07 lnl -496365-473847 -479766-447635 -4788756 AIC 85984730 8359694 83579533 883970 836775 BIC 865757 8393995 8397596 8850470 83957557 Oznaczenia: *** - % poziom isoności ** - 5% poziom isoności * - 0% poziom isoności. Źródło: obliczenia własne. Najmniejszą warość krerium AIC posiada model Sign RCA-GARCH naomias krerium BIC preferuje model RCA-GARCH. Tes LR wskazuje na wbór modelu RCA-GARCH. Tabela 3 zawiera błęd prognoz ex pos dla prognoz obliczonch w próbie oraz dla prognoz obliczonch poza próbą. Najmniejsze warości błędów w próbie orzmano dla modelu AR(). Poza próbą najlepsze warości prognosczne posiadał model Sign RCA-GARCH. Różnice pomiędz błędami dla poszczególnch modeli są niewielkie. Miar zgodności kierunku zmian dla wszskich modeli są akie same i nie przekraczają 60%. Tabela 3. Błęd prognoz ex pos dla całego okresu prognozowania dla prognoz warunkowej średniej dla palladu Model Błąd RCA()- Sign RCA()- AR()- RCA() AR() GARCH() GARCH() GARCH() w próbie (obserwacje 737-000) ME -0053-0057 -0079-006 -0057 MSE 057 099 0567 00 059 RMSE 4343 447 434 446 433 MAE 03 0046 07 0995 0035 Q 04600 04600 04600 04600 04600 Q 00000 00000 00000 00000 00000 Q % 0456 0456 0456 0456 0456 Q % 00000 00000 00000 00000 00000 poza próbą (obserwacje 00-63) ME 008 005-0037 0035 006 MSE 0354 095 09 098 09 RMSE 467 446 43 447 445 MAE 0699 0633 057 0575 065

8 Q 05455 05455 05455 05455 05455 Q 00000 00000 00000 00000 00000 Q % 0580 0580 0580 0580 0580 Q % 00000 00000 00000 00000 00000 Oznaczenia: ME błąd średni MSE - błąd średniokwadraow RMSE - pierwiasek błędu średniokwadraowego MAE - średni błąd bezwzględn Q miara zgodności kierunku zmian prognoz i warości rzeczwisch Q miara zdolności prognozowania punków zwronch Q % oraz Q % - odpowiednio przefilrowane miar Q i Q. Źródło: obliczenia własne. Oszacowane modele dla sóp zwrou SP500 zawiera abela 4. W m przpadku es LR wskazuje na wbór modelu AR-GARCH chociaż warości: funkcji wiargodności i kreriów informacjnch są porównwalne do warości uzskanch przez RCA-GARCH. Błęd prognoz (abela 5) są najmniejsze dla AR-GARCH w próbie oraz RCA-GARCH poza próbą. W m przpadku modele dla kórch paramer jes ujemn posiadają 00% zdolność prognozowania punków zwronch. Wnika o głównie z charakeru sóp zwrou (zmienności znaku) oraz ze znaku parameru. Pozosałe miar zgodności nie przekraczają 60%. Tabela 4. Modele procenowch logarmicznch sóp zwrou SP500 RCA()-GARCH() RCA()-MA() AR() AR()-GARCH() φ -00437* 08989*** -00360* -00437* θ -0940*** 0009*** 0009*** 006*** 0064*** 09303*** 0930*** 09088 864 0000000 0395 lnl -768-94766 -30073075-76707 AIC 5445644 590533 608650 5443443 BIC 547999 5949359 609868 547488 Oznaczenia: *** - % poziom isoności ** - 5% poziom isoności * - 0% poziom isoności. Źródło: obliczenia własne. Tabela 5. Błęd prognoz ex pos dla całego okresu prognozowania dla prognoz warunkowej średniej dla SP500 Model Błąd RCA()- GARCH() RCA()-MA() AR() AR()-GARCH() w próbie (obserwacje 737-000) ME 00398 0008 00395 00398 MSE 0656 70 0664 0656 RMSE 07846 74 0785 07846 MAE 05347 07939 05347 05347

Własności prognosczne modeli klas RCA 83 Q 0543 04857 0543 0543 Q 0000 00000 0000 0000 Q % 0449 0557 0449 0449 Q % 04960 00000 04960 04960 poza próbą (obserwacje 00-63) ME 0054 00056 005 0054 MSE 0550 3433 056 0550 RMSE 4335 850 433 4335 MAE 0568 4530 0559 0568 Q 04545 05455 04545 04545 Q 0000 00000 0000 0000 Q % 0498 0580 0498 0498 Q % 05000 00000 05000 05000 Oznaczenia: ME błąd średni MSE - błąd średniokwadraow RMSE - pierwiasek błędu średniokwadraowego MAE - średni błąd bezwzględn Q miara zgodności kierunku zmian prognoz i warości rzeczwisch Q miara zdolności prognozowania punków zwronch Q % oraz Q % - odpowiednio przefilrowane miar Q i Q. Źródło: obliczenia własne. 5. PODSUMOWANIE W prac zaprezenowano wkorzsanie modeli klas RCA do wznaczania prognoz warunkowej średniej sóp zwrou. Do analiz empircznej wkorzsano szeregów reprezenującch cen meali szlachench kursów waluowch oraz wbranch indeksów giełdowch. Analiza oszacowanch modeli błędów ex pos oraz miar kierunku zmian pozwalają na sformułowanie nasępującch wniosków: modele klas RCA wsępują również wówczas gd nie wsępuje auokorelacja szeregu czasowego za pomocą modeli klas RCA można prognozować warunkową średnią nawe w przpadku gd nie jes o możliwe za pomocą modeli klas ARMA-GARCH prognoz warunkowej średniej orzmane za pomocą modeli klas RCA charakerzują się podobnmi błędami ex pos jak prognoz orzmane za pomocą modeli klas ARMA-GARCH. W przpadku jednch szeregów błęd e są mniejsze niż dla modeli klas ARMA-GARCH w przpadku innch szeregów są większe modele klas RCA nie mają zasosowania do prognozowania zgodności kierunku zmian prognoz orzmane za pomocą modeli klas RCA obarczone są dużmi błędami ex pos co oznacza że ich walor prognosczne są bardzo słabe.

84 Niniejsze opracowanie nie wczerpuje badania przdaności modeli klas RCA do wznaczania prognoz warunkowej średniej. LITERATURA Aue A. (004) Srong Approximaion for RCA() Time Series wih Applicaions Saisics & Probabili Leers 68 369 38. Brzeszczński J. Kelm R. (00) Ekonomerczne modele rnków finansowch WIG- Press Warszawa. Górka J. (007a) Modele auoregresjne z losowmi paramerami [w:] Osińska M. (red.) Proces STUR. Modelowanie i zasosowanie do finansowch szeregów czasowch Wdawnicwo Dom Organizaora Toruń. Górka J. (007b) Opisu kuroz rozkładów za pomocą wbranch modeli z funkcją znaku [w:] Dnamiczne modele ekonomerczne red. Z. Zieliński. UMK Toruń. Nicholls D. F. Quinn B. G. (98) Random Coefficien Auoregressive Models: An Inroducion Springer New York. Thavaneswaran A. Appadoo S. S. Becor C. R. (006) Recen Developmens in Volaili Modeling and Applicaions Journal of Applied Mahemaics and Decision Sciences -3. Thavaneswaran A. Appadoo S. S. (006) Properies of a New Famil of Volaili Sing Models Compuers and Mahemaics wih Applicaions 5 809-88. FORECAST PROPERTIES OF FAMILY RCA MODELS A b s r a c. This paper proposes o use RCA models RCA-MA models RCA-GARCH models Sign RCA models Sign RCA-MA models and Sign RCA-GARCH models o obain forecass of condiional mean of reurns. There we could find example for meal like: gold silver plainum pallad foreign exchange raes (USD/PLN EURO/PLN). For comparison he forecass of condiional mean from ARMA-GARCH models were calculaed. Calculaed forecass errors ou of differen models have been compared. K e w o r d s: RCA Sign RCA RCA-MA Sign RCA-MA RCA-GARCH Sign RCA-GARCH forecasing forecasing errors.