Iwona Müller - Frączek Uniwersytet Mikołaja Kopernika w Toruniu

Podobne dokumenty
Modelowanie i obliczenia techniczne. Równania różniczkowe Numeryczne rozwiązywanie równań różniczkowych zwyczajnych

DYNAMICZNE MODELE EKONOMETRYCZNE

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

Pobieranie próby. Rozkład χ 2

TWIERDZENIE FRISCHA-WAUGHA-STONE A A PYTANIE RUTKAUSKASA

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO

Funkcja generująca rozkład (p-two)

Teoria sterowania 1 Temat ćwiczenia nr 7a: Synteza parametryczna układów regulacji.

Ekonometryczne modele nieliniowe

ROCZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/2007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Katowicach

- Macierz handlu. - Modele grawitacji. Model Handlu Swiatowego LINK. - Model Link. Notatki do wykładu 1011

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

DYNAMICZNE MODELE EKONOMETRYCZNE

i j k Oprac. W. Salejda, L. Bujkiewicz, G.Harań, K. Kluczyk, M. Mulak, J. Szatkowski. Wrocław, 1 października 2015

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

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE

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

DYNAMICZNE MODELE EKONOMETRYCZNE

Witold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu

ψ przedstawia zależność

DYNAMICZNE MODELE EKONOMETRYCZNE

WNIOSKOWANIE STATYSTYCZNE

UMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE

Modelowanie "długotrwałej pamici" szeregów zmiennoci

DYNAMICZNE MODELE EKONOMETRYCZNE

Prognozowanie średniego miesięcznego kursu kupna USD

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

Teoria impulsu i jej empiryczne potwierdzenie przy użyciu metod filtracji szeregów czasowych

Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN Nr

MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. 1. Wstęp

Witold Orzeszko * ZASTOSOWANIE LOKALNEJ APROKSYMACJI WIELOMIANOWEJ DO PROGNOZOWANIA CHAOTYCZNYCH SZEREGÓW CZASOWYCH. Streszczenie

Układ regulacji ze sprzężeniem od stanu

Temat 6. ( ) ( ) ( ) k. Szeregi Fouriera. Własności szeregów Fouriera. θ możemy traktować jako funkcje ω, których dziedziną jest dyskretny zbiór

MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

Daniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie

Transakcje insiderów a ceny akcji spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie S.A.

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

Efekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA

Matematyka ubezpieczeń majątkowych r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

IDENTYFIKACJA CHAOSU DETERMINISTYCZNEGO NA PODSTAWIE LICZBY NAJBLIŻSZYCH SĄSIADÓW

Państwowa Wyższa Szkoła Zawodowa w Kaliszu

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

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

DYNAMIKA KONSTRUKCJI

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

MAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak

Dobór przekroju żyły powrotnej w kablach elektroenergetycznych

DYNAMICZNE MODELE EKONOMETRYCZNE

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

Cechy szeregów czasowych

OeconomiA copernicana. Katarzyna Czech Szkoła Główna Gospodarstwa Wiejskiego w Warszawie

Metody badania wpływu zmian kursu walutowego na wskaźnik inflacji

Ocena efektywności procedury Congruent Specyfication dla małych prób

Rozruch silnika prądu stałego

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.

SYMULACJA KINETYKI REAKCJI

Katedra Systemów Przetwarzania Sygnałów SZEREGI FOURIERA

Nr zadania Σ Punkty:

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

LABORATORIUM PODSTAW AUTOMATYKI

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego

SZACOWANIE WSPÓŁCZYNNIKA FILTRACJI W KOLUMNIE FILTRACYJNEJ

KOHERENTNE MIARY RYZYKA W ZARZĄDZANIU RYZYKIEM CEN UPRAWNIEŃ DO EMISJI CO2 W PRZEDSIĘBIORSTWACH OBJĘTYCH SYSTEMEM EU ETS

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

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

Krzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20

ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI

POMIAR MOCY OBIEKTÓW O EKSTREMALNIE MAŁYM WSPÓŁCZYNNIKU MOCY

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

WYKŁAD 1 ZASADY ELEKTROMECHANICZNEGO PRZETWARZANIA ENERGII

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania SYSTEMY DYNAMICZNE

LABORATORIUM PODSTAW AUTOMATYKI

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

MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW

STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU KAPITAŁOWEGO WPROWADZENIE METODOLOGIA TESTOWANIA MODELU

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

Witold Orzeszko WSPÓŁCZYNNIK INFORMACJI WZAJEMNEJ JAKO MIARA ZALEŻNOŚCI NIELINIOWYCH W SZEREGACH CZASOWYCH

DYNAMICZNE MODELE EKONOMETRYCZNE

LABORATORIUM PODSTAW AUTOMATYKI

Pomiar ryzyka odchylenia od benchmarku w warunkach zmiennej w czasie strategii inwestycyjnej OFE - kotynuacja. Wojciech Otto Uniwersytet Warszawski

OPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR

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

MAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak

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

Stanisław Cichocki Natalia Nehrebecka. Wykład 4

DOBÓR PRZEKROJU ŻYŁY POWROTNEJ W KABLACH ELEKTROENERGETYCZNYCH

Marża zakupu bid (pkb) Marża sprzedaży ask (pkb)

WARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE

MAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak

Wyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH

Dlaczego jedne kraje są bogate a inne biedne? Model Solowa, wersja prosta.

1. Szereg niesezonowy 1.1. Opis szeregu

PIOTR FISZEDER, JACEK KWIATKOWSKI Katedra Ekonometrii i Statystyki


VII. ZAGADNIENIA DYNAMIKI

EFEKT DNIA TYGODNIA NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE WSTĘP

KURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1

Anna Pajor Akademia Ekonomiczna w Krakowie

3. EKSPERYMENTALNE METODY WYZNACZANIA MODELI MATEMATYCZNYCH Sposób wyznaczania charakterystyki czasowej

Transkrypt:

DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolsie Seminarium Nauowe, 4 6 września 2007 w Toruniu Kaera Eonomerii i Saysyi, Uniwersye Miołaa Kopernia w Toruniu Iwona Müller - Frącze Uniwersye Miołaa Kopernia w Toruniu Wyorzysanie muliczęsościowego moelu Marowa o opisu zmienności szeregów finansowych. Wsęp W ciągu minionych 0 la, oą o moelowania szeregów finansowych wyorzysano procesy mulifraalne (Manelbro, Fisher, Calve, 997), poeście aie zysue na popularności. Poawiaą się nowe werse moeli, inne meoy esymaci oraz oonywane są próby wyorzysania mulifraali w zaganieniach szczegółowych. W referacie przywołano moel mulifraalne zmienności sochasyczne, zwany muliczęsościowym moelem Marowa, zaproponowany o opisu ursów wymiany walu przez Calvea i Fishera (2004). Wyorzysano zawarą w e pracy proceurę esymaci paramerów aiego moelu o baania szeregów finansowych pochozących z GPW w Warszawie. 2. Opis muliczęsościowego moelu Marowa W moelach zmienności sochasyczne załaa się, że proces innowaci, { x = X X } pochozący o procesu eonomicznego { X } o uże zmienności (np. logarymiczna cena aywu finansowego), a się przesawić w posaci: = σ ε. () x W opisie ym wysępuą wa niezależne o siebie źróła losowości: proces { ε } niezależnych zmiennych losowych o sanarowym rozłazie normalnym oraz sochasyczny proces zmienności chwilowe { σ }, óry może przymować różną posać w zależności o onrenego moelu.

60 Iwona Müller -Frącze W moelu mulifraalnym proces en ma posać mulipliaywną: σ = σ, (2) M, M 2,... M, w óre σ es oanią sałą, a la órych M M, M 2, M, są nieuemnymi czynniami losowymi, E(, ) =. Doaowo załaa się, że la usalonego, wszysie czynnii,,..., M, są saysycznie niezależne, a wey paramer σ es równy bezwarunowemu ochyleniu sanarowemu innowaci x. W mulifraalnym moelu Marowa przymue się ponao, że = ( M,, M 2,,..., M ) es procesem Marowa rzęu pierwszego. Nieawne M, M M, możemy wówczas nazywać weorem sanu zmienności, a ażą - M, zmienną sanu zmienności. Poszczególne zmienne opowiaaą różnym częsościom wysępowania zawis maących wpływ na zmienność procesu. Masymalna opuszczalna częsość = 2,3,... es z góry przymowana. Dynamia procesu { σ } es onsewencą onsruci olenych weorów sanu zmienności. Konsruca a es ieracyna. Bazue ona na enaowym, z góry zaanym, rozłazie M la wszysich mnożniów oraz prawopoobieńswach prześcia γ różnych la poszczególnych częsości. W olenych roach ieraci, znaąc weor sanu późnieszego weora M M. Dla owolnego, worzymy poszczególne słaowe =,..., mogą zaść wie syuace: z prawopoobieńswem prześcia γ słaowa M, es niezależnie losowane z rozłau M albo z prawopoobieńswem przeciwnym zachowue warość z poprzenie chwili czyli. M, Na weor prawopoobieńsw γ = γ, γ,..., γ ) nałaa się założenia: ( γ )( b ) ( 2 γ =, (3). Powouą one, że opisany moel z czasem ysrenym es zbieżny o zw. mulifraali Poissona, la órych poane zosały eoreyczne posawy prognozowania zmienności (Calve, Fisher, 200). W prayce wyorzysue się wa ypy muliczęsościowych moeli Marowa, een z czynniami o rozłazie wupunowym, rugi normalnym. Są one barzo oszczęnie parameryzowane, a ilość paramerów nie zależy o załaane masymalne częsości boźców ziałaących na sysem. W pierwszym przypau załaa się, że czynni M może przyąć warość gzie γ ( 0,), b ( 0, ) albo m0 2 m0 ( ) z enaowym prawopoobieńswem. Moel posiaa wówczas ylo czery paramery ψ m σ, b, γ nawe przy uże ilości sanów 0, (np. 28 la = 7 ). Paramery moelu można esymować meoę nawięsze wiarygoności, opisaną (na posawie Calve, Fisher, 2004) w nasępnym

Wyorzysanie muliczęsościowego moelu Marowa o opisu zmienności... 6 puncie i wyorzysaną w baaniach empirycznych. Przyłaową symulowaną raeorię aiego moelu przesawiono na wyresie. 0,0 0,08 0,06 0,04 0,02 x() 0,00-0,0 2-0,0 4-0,0 6-0,0 8 Wyres. Symulaca muliczęsościowego moelu Marowa z czynniami o rozłazie wupunowym = 4, m 0 =. 23, σ = 0. 02, b = 5, γ = 0. 59. Źróło: obliczenia własne. Moel z czynniami o rozłazie normalnym posiaa pięć paramerów, ena o ich esymaci, ze wzglęu na niesończoną liczbę sanów, nie można sosować e same meoy co w pierwszym przypau. W ym celu wyorzysue się uogólnioną meoę momenów przesawioną przez Luxa (200). 3. Esymaca paramerów moelu Weor zmienności chwilowe wupunowym przymue. Dynamię łańcucha Marowa { M 0,..., T} A = ( a i ) i, a i,, o elemenach: = P M = 2 warości: la czynniów losowych o rozłazie 2 m, m,..., m R+, = charaeryzue wówczas macierz prześcia i ( M = m M = m ) = ( ) i { m = m } + γ + γ. (4) 2 = Niech n(.) oznacza gęsość sanarowego rozłau normalnego, naomias g(m) oznacza iloczyn wszysich współrzęnych weora m. Można poazać, że w przypau opisywanego moelu logarym funci wiarygoności ma posać: gzie ln L ω T ( x,..., x ; ψ ) = [ ω( x ) ( A)] ln T = n ( ) ( x / σ g( m ) x σ g( m ) Π ( x ( ) / σ g m σ g( m ) =,..., n, (5), (6)

62 Iwona Müller -Frącze naomias weor Π = ( Π,..., Π ) es weorem warunowych prawopoobieńsw ( M = m x x ) Π = P,...,, (7) óre można wyznaczyć reurencynie zaaąc weor począowy ( 2,..., ) Π 0 = 2 oraz regułę: ( x+ ) ( Π A) ( x ) ( Π A) ω Π+ =. (8) [ ω ]' ι + Wysępuący w powyższym wzorze symbol oznacza ziałanie, órego wyniiem es weor, o i-e współrzęne bęące iloczynem i-ych współrzę- ι =,..., R. nych weorów słaowych, naomias ( ) 4. Przyła empiryczny Omówioną w poprzenim puncie proceurę wyorzysano o esymaci paramerów Muliczęsościowego Moelu Marowa la rzech szeregów pochozących z Gieły Papierów Warościowych w Warszawie. Baaniu poano zienne logarymiczne sopy zwrou inesu WIG20 oraz spółe Irena i Żywiec za ores o począu 995 rou o ońca sycznia rou 2007. Niesey nie powioła się próba opasowania mulifraalnego moelu zmienności la aci (masymalizaca logarymiczne funci wiarygoności nie awała sensownych rezulaów). Wynii, óre orzymano la inesu WIG20 przesawiono w abeli. Tabela. Paramery moelu la WIG20 moel = 2 = 3 = 4 = 5 = 6 = 7 Źróło: obliczenia własne. m σ b 0 γ lnl.2998 0.0207 20.5 0.0822 825.3.2340 0.02 4.37 0.0688 835..2268 0.077 6.03 0.59 838.4.829 0.092 4.55 0.2460 838.6.690 0.085 4.65 0.7079 838.7.690 0.0223 4.68 0.703 838.2 Wynii, óre orzymano są zbliżone o ych, óre prowazono la rószego o ooło 500 obserwaci szeregu (Müller-Frącze (2005)). Może o świaczyć o pewne sabilności meoy esymaci. Wyae się, że wybór masymalne częsości ma wpływ na wielość paramerów moelu szczególnie la małych, naomias w miarę zwięszania ilo-

Wyorzysanie muliczęsościowego moelu Marowa o opisu zmienności... 63 ści możliwych sanów ego znaczenie się zmniesza. Oczywiście, sposrzeżenie aie należałoby eszcze powierzić alszymi baaniami. 5. Posumowanie Wynii przesawionych baań empirycznych nie aą enoznaczne opowiezi na pyanie, czy proponowany pierwonie la innych szeregów finansowych Muliczęsościowy Moel Marowa może być z powozeniem sosowany la noowań spółe giełowych. Niepowozenie proceury esymacyne nie musi wyniać ze złych charaerysy szeregów, ale może być spowoowane innymi czynniami, np. numerycznymi. Konieczne są alsze baania, szczególnie aci pochozących z orzalszych rynów finansowych. Lieraura Calve, L., Fisher, A. (200), Forecasing Mulifracal Volailiy, Journal of Economerics, nr 05. Calve, L., Fisher, A. (2002) Mulifracaliy in Asse Reurns: Theory an Evience, The Review of Economics an Saisics, nr 33. Calve, L., Fisher, A, (2004), Regime Swiching an he esimaion of Mulifracal Processes, Journal of Financial Economerics, nr 2. Calve, L., Fisher, A., Manelbro, B. B. (997), Large Deviaion an he Disribuion of Price Changes, Maeriały ysusyne Cowles Founaion for Economics, Yale Universiy (hp://finance.commerce.ubc.ca./~fisher/hrufen.hml). Fisher, A., Calve, L., Manelbro, B. B. (997), Mulifracaliy of Deuschemar / US Dollar Exchange Raes, Maeriały ysusyne Cowles Founaion for Economics, Yale Universi (hp://finance.commerce.ubc.ca./~fisher/hrufen.hml). Lux, T. (200), The Mulifracal Moel of Asse Reurns: Simple Momen an GMM Esimaion, Maeriały ysusyne Kiel Universiy. Manelbro, B. B., Fisher, A., Calve, L. (997), A Mulifracal Moel of Asse Reurns, Maeriały ysusyne Cowles Founaion for Economics, Yale Universiy (hp://finance.commerce.ubc.ca./~fisher/hrufen.hml). Müller-Frącze, I. (200), Moele MMAR na Warszawsie Giełzie Papierów Warościowych, Dynamiczne Moele Eonomeryczne, Toruń. Müller-Frącze, I. (2005), Moele mulifraalne na rynach finansowych, w ruu. Müller-Frącze, I. (2006), Mulifraalny moel zmienności, w ruu.