SveuÄÂiliÅ¡te u Zagrebu Ekonomski fakultet
SveuÄÂiliÅ¡te u Zagrebu Ekonomski fakultet
SveuÄÂiliÅ¡te u Zagrebu Ekonomski fakultet
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Predavanje_1<br />
Modeliranje<br />
financijskih serija<br />
prof.dr.sc. Nataša Erjavec<br />
nerjavec@efzg.hr<br />
&<br />
Saša Jakšić, univ. spec. oec.<br />
sjaksic@efzg.hr<br />
1
Konzultacije<br />
Ponedjeljak: 10 -12<br />
Utorak: 17 - 18
Literatura:<br />
Brooks, C. (2002). Introductory Econometrics for<br />
Finance, Cambridge University Press; 2nd edition,UK.<br />
Bahovec, V. i Erjavec N. (2009). Uvod u<br />
ekonometrijsku analizu, Element, Zagreb<br />
4
Dodatna literatura:<br />
Alexander, C.(2001). Market Models: A Guide to<br />
Financial Data Analysis, John Wiley & Sons;<br />
Chichester, UK.<br />
Tsay, R. S. (2001). Analysis of Financial Time series,<br />
Wiley and Sons, Chichester, UK.<br />
Mills, T.C. (1999). The Econometric Modelling of<br />
Financial Time Series, Cambridge University Press;<br />
2nd edition, UK<br />
5
Nastavne metode i ispit:<br />
Predavanja i vježbe<br />
Ispit<br />
I mogućnost - tijekom nastave dva kolokvija<br />
• I kolokvij - 9.4.2013.<br />
• II kolokvij – 28.5.2013.<br />
II mogućnost - pisani i usmeni ispit
Dijagram toka ekonometrijskog modela<br />
1. Razumijevanje financijske teorije<br />
2. Definiranje modela kojeg je moguće procijeniti<br />
3. Prikupljanje podataka<br />
4. Procjena modela<br />
5. Dijagnostika modela (ocjena kakvoće dobivenih rezultata)<br />
Zadovoljavajuća<br />
Interpretacija rezultata<br />
Nezadovoljavajuća<br />
Modifikacija metoda statističke analize<br />
Prikupljanje “boljih podataka”<br />
Modifikacija modela<br />
Posljedice na teoriju<br />
7
Podaci financijskih varijabli<br />
Financijske varijable koje se najčešće analiziraju?<br />
Cijene – cijene dionica, indeksi cijena, tečajevi<br />
Prinosi – prinosi dionica, indeksi prinosa, kamatne stope<br />
Volatilnost (rizičnost)<br />
Obujam prometa<br />
Varijable u korporativnim financijama<br />
• Izdavanje dužničkih vrijednosnih papira, primjena hedging instrumenata<br />
8
Vremenski nizovi<br />
Vremenski niz je kronološki uređen niz vrijednosti<br />
varijable koja predočuje neku pojavu ili statistički<br />
proces u vremenu.<br />
Veličine koje tvore niz nazivaju se frekvencijama, a u<br />
pravilu se odnose na jednake vremenske intervale ili<br />
jednako udaljene vremenske točke;<br />
y 1, y2,...,<br />
y n<br />
9
Vremenski nizovi<br />
Primjeri analiza koje je moguće provesti na temelju<br />
regresijskog modela vremenskih serija:<br />
Kako se vrijednost dionica neke zemlje mijenja<br />
obzirom na makroekonomske varijable i ekonomsku<br />
politiku zemlje?<br />
Kako na prinos dionica određene kompanije utječe<br />
najava isplate dividendi?<br />
Utjecaj povećanja vrijednosti valute određene zemlje<br />
na njenu kamatnu stopu.<br />
10
Cross Sectional Data<br />
(prostorni modeli)<br />
Cross-sectional data su podaci o vrijednosti jedne ili<br />
više pojava (varijabli) u jednom vremenskom<br />
intervalu ili vremenskoj točki, a odnose se na više<br />
subjekata (prostornih jedinica, firmi, zemalja)<br />
Npr. uzorak vrijednosti kamatnih stopa banaka za<br />
određeni period<br />
prostorni ekonometrijski modeli<br />
11
Cross Sectional Data<br />
(prostorni modeli)<br />
Primjeri analiza u kojima se koriste prostorni modeli<br />
(Cross-Sectional Regression):<br />
• Povezanost između veličine kompanije i prinosa na<br />
investicije u dionice kompanije<br />
• Veza između GDP određene zemlje i vjerojatnosti<br />
da će vlada podmiriti inozemna dugovanja<br />
12
Panel podaci (panel data)<br />
Panel podaci su kombinacija vremenskih<br />
nizova i “cross-sectional” podataka<br />
Npr. dnevne cijene i broj “blue chip”<br />
dionica tijekom dvije godine<br />
13
Nizovi financijskih podataka<br />
Uzorci podataka<br />
• Npr. makroekonomske analize - nedovoljan<br />
broj podataka<br />
• Financijska ekonomija – prevelik broj podataka,<br />
čak i u malim uzorcima veliki utjecaj slučajne<br />
pogreške (signal to noise problem)<br />
14
Nizovi financijskih podataka<br />
Vremenska skala:<br />
• <strong>Ekonomski</strong> podaci dobivaju se najčešće u regularnim<br />
vremenskim intervalima (točkama)<br />
• Financijski podaci su najčešće real-time ili tick-by-tick<br />
(npr. bilježe svaku promjenu cijene dionice na burzi,<br />
neregularni intervali trgovanja)<br />
15
Nizovi financijskih podataka<br />
Financijski podaci imaju određena (specifična) svojstva<br />
koja utječu na odabir i primjenu statističkih metoda u<br />
empirijskim istraživanjima<br />
• Netipične vrijednosti (outliers)<br />
• Trendovi (trends)<br />
• ''Vraćanje'' na prosječnu razinu (mean-reversion)<br />
• Grupiranje volatilnosti (volatility clustering)<br />
16
Netipične vrijednosti<br />
17
Trend<br />
18
Više trendova<br />
19
Mean-reversion + netipične vrijednosti<br />
20
Mean-Reversion (više)<br />
21
Grupiranje volatilnosti<br />
(Volatility Clustering)<br />
22
Dinamika prinosa<br />
<br />
Indeks američkog<br />
dioničkog tržišta S&P-500<br />
23
Osnovna statistička analiza podataka<br />
(deskriptivna statistika)<br />
Svaka empirijska analiza započinje<br />
deskriptivnom analizom<br />
vizualna analiza podataka (npr. grafički<br />
prikazi)<br />
sumiranje svojstava nizova podataka<br />
istraživanje povezanosti među nizovima<br />
24
Osnovna statistička analiza podataka<br />
(deskriptivna statistika)<br />
Najbolje analitičke tehnike su naše oči i<br />
zdrav razum<br />
• Mana kompjutora “Garbage in - garbage out”<br />
25
Osnovna statistička analiza podataka<br />
(deskriptivna statistika)<br />
Analiza grafičkih prikaza<br />
Trendovi ili “mean reversion”<br />
Grupiranje volatilnosti (“volatility clusters”)<br />
“ključne opservacije”<br />
Netipične vrijednosti (outliers)<br />
Pogreške u podacima?<br />
Točke obrata<br />
• Promjena režima (regime changes)<br />
26
Osnovna statistička analiza podataka<br />
(deskriptivna statistika)<br />
Osnovni statistički pokazatelji (Summary statistics)<br />
Prosječne vrijednosti varijabli<br />
• Prosječna vrijednost, median, mod<br />
Varijabilnost (disperzija) podataka obzirom na mjere<br />
centralne tendencije<br />
• Standardna devijacija,varijanca, maximum/minimum<br />
Distribucija podataka<br />
Skewness, kurtosis<br />
Broj opservacija, broj nedostajućih opservacija<br />
27
Osnovna statistička analiza podataka<br />
(deskriptivna statistika)<br />
Kako najčešće žalimo “objasniti” jednu<br />
varijablu drugom<br />
• “obujam prometa protrgovanih dionica ovisi<br />
(pozitivno) o volatilnosti”<br />
relacije između varijabli su bitne<br />
• grafički prikazi (poligon frekvencija, histogram)<br />
• korelogrami (korelacije, kovarijance)<br />
28
Osnovne transformacije podataka<br />
Logritmiranje (ln)<br />
Izračunavanje prinosa<br />
Desezoniranje (seasonally adjusting)<br />
Centriranje (De-meaning)<br />
Uklanjanje trenda (De-trending)<br />
Pomaci varijabli (vrijednosti), unazad<br />
(lagging) i unaprijed (leading)<br />
29
Prinosi i logaritamski prinosi<br />
Predavanje 1<br />
30
Prinosi i logaritamski prinosi<br />
Statistička analiza cijena (financijskih<br />
varijabli) često je veoma zahtjevna,<br />
budući da su cijene u uzastopnim<br />
razdobljima:<br />
• korelirane i<br />
• varijanca ''cijena'' često raste s vremenom.<br />
U empirijskim istraživanjima najčešće<br />
se analiziraju promjene u cijenama.<br />
31
Prinosi i logaritamski prinosi<br />
Promjene u cijenama mogu se izraziti kao:<br />
Diskretni, aritmetički, jednostavni prinosi (simple<br />
returns)<br />
Kontinuirani, složeni, geometrijski, logaritamski<br />
prinosi (compound returns)<br />
32
Jednostavni prinosi<br />
R<br />
pri čemu je:<br />
R t<br />
prinos u vremenu t<br />
p t<br />
cijena imovine na dan t<br />
t<br />
p<br />
t<br />
p<br />
t<br />
p<br />
1<br />
t<br />
1<br />
100%<br />
Napomena: Isplata dividendi se zanemaruje ili<br />
alternativno, pretpostavlja se da je niz cijena prilagođen<br />
odzirom na isplatu dividende.<br />
33
Primjer: Godišnji jednostavni prinosi<br />
R<br />
T<br />
p<br />
T<br />
p<br />
0<br />
p<br />
100%<br />
p T<br />
i p 0<br />
su cijene imovine u prvom i posljednjem danu<br />
trgovanja u godini.<br />
0<br />
R<br />
T<br />
p<br />
p<br />
T<br />
0<br />
1<br />
100%<br />
p<br />
p<br />
T<br />
T<br />
1<br />
p<br />
p<br />
T<br />
T<br />
1<br />
2<br />
p<br />
p<br />
T<br />
T<br />
2<br />
3<br />
<br />
p<br />
p<br />
1<br />
0<br />
1<br />
100%<br />
t<br />
T<br />
p<br />
p<br />
t<br />
1 t 1<br />
1<br />
100%<br />
34
Logaritamski prinosi<br />
r<br />
t<br />
ln<br />
p<br />
t<br />
ln<br />
p<br />
t<br />
1<br />
100%<br />
ln<br />
p<br />
p<br />
t<br />
t<br />
1<br />
100%<br />
r t<br />
je prinos u vremenu t<br />
p t<br />
je cijena imovine na dan t i<br />
ln – logaritam s bazom e<br />
35
Primjer: Godišnji logaritamski prinosi<br />
r<br />
t<br />
ln<br />
p<br />
T<br />
ln<br />
p<br />
0<br />
100%<br />
ln<br />
p<br />
p<br />
T<br />
0<br />
100%<br />
p T<br />
i p 0<br />
su cijene imovine u prvom i<br />
posljednjem danu trgovanja u godini.<br />
36
T<br />
se može zapisati:<br />
r<br />
ln<br />
p<br />
T<br />
ln<br />
p<br />
0<br />
ln<br />
p<br />
p<br />
T<br />
0<br />
ln<br />
p<br />
p<br />
T<br />
T<br />
1<br />
p<br />
p<br />
T<br />
T<br />
1<br />
2<br />
p<br />
p<br />
T<br />
T<br />
2<br />
3<br />
<br />
p<br />
p<br />
1<br />
0<br />
ln<br />
t<br />
T<br />
p<br />
p<br />
t<br />
1 t 1<br />
ln<br />
p<br />
p<br />
T<br />
T<br />
1<br />
ln<br />
p<br />
p<br />
T<br />
T<br />
1<br />
2<br />
<br />
ln<br />
p<br />
p<br />
1<br />
0<br />
r<br />
r<br />
T<br />
r<br />
T<br />
1<br />
...<br />
r<br />
1<br />
T<br />
t 1<br />
r<br />
t<br />
tj. godišnji logaritamski prinosi jednaki su sumi dnevnih<br />
jednostavnih prinosa<br />
svojstvo agregiranja (kumulativnosti):<br />
37
Primjer: Godišnji logaritamski prinosi<br />
Analogno:...unutar k vremenskih<br />
razdoblja vrijedi:<br />
k<br />
1<br />
r<br />
t<br />
k<br />
r<br />
t<br />
r<br />
t<br />
1<br />
...<br />
r<br />
t<br />
k<br />
1<br />
i<br />
0<br />
r<br />
t<br />
i<br />
38
Prednosti logaritamskih prinosa<br />
interpretiraju se kao kontinuirani složeni prinosi<br />
svojstvo aditivnosti unutar vremenskog perioda<br />
ne ovise o frekvencijama prikupljanja podataka<br />
(time resolution)<br />
prinosi unutar imovine (asset) mogu se<br />
jednostavno uspoređivati<br />
39
Nedostaci logaritamskih prinosa<br />
Teorija portfolija (Markowitz) koristi činjenicu da se prinos<br />
portfolija može zapisati kao ponderirana sredina<br />
komponenti prinosa pojedine imovine.<br />
Navedeno svojstvo vrijedi samo za jednostavne prinose, tj.<br />
ali ne vrijedi za log-prinose,<br />
N<br />
i 1<br />
tj. ln-prinosi nisu aditivni unutar portfolija<br />
ln-sume nije suma-ln<br />
R<br />
pt<br />
w<br />
i<br />
R<br />
it
Distribucija prinosa<br />
Ako su r t normalno distribuirani, cijene nikada neće biti<br />
negativne.<br />
U slučaju normalne distribuiranosti jednostavnih prinosa<br />
R t može se dogoditi da cijene budu negativne, što je<br />
ekonomski nesuvislo.<br />
41
Distribucija jednostavnih prinosa<br />
,<br />
.<br />
Primjer: Neka je<br />
tada je<br />
N(5;50<br />
2<br />
)<br />
P<br />
R t<br />
R t<br />
018<br />
100 %<br />
0,<br />
jednostavni prinosi R t ne bi smjeli biti manji od - 100%.<br />
Zašto?????<br />
42
Distribucija jednostavnih prinosa<br />
.<br />
Naime, ako je R t < -100%, tada je:<br />
R<br />
t<br />
p<br />
t<br />
p<br />
p<br />
p<br />
t<br />
t<br />
t<br />
1<br />
p<br />
1<br />
t<br />
1<br />
100%<br />
1 100% 100%<br />
p<br />
p<br />
t<br />
t<br />
1<br />
100 %<br />
100 %<br />
100 %<br />
43
Obrazloženje:<br />
p<br />
p<br />
t<br />
t<br />
1<br />
0<br />
cijene su negativne (omjer cijena)<br />
S druge strane, ako je: N(5;50<br />
)<br />
2<br />
P<br />
R<br />
t<br />
R t<br />
018<br />
Rt<br />
5 100 5<br />
105<br />
100 P<br />
P Zt<br />
P Zt<br />
50 50<br />
50<br />
2,1<br />
0,<br />
44
Veza između jednostavnih i logaritamskih prinosa<br />
r log 1<br />
R<br />
Taylorov razvoj:<br />
r<br />
R<br />
1<br />
2<br />
R<br />
2<br />
1<br />
3<br />
R<br />
3<br />
<br />
Ako je R dovoljno malo:<br />
r<br />
R<br />
Prema tome, za male vrijednosti jednostavnih prinosa,<br />
mala je razlika između jednostavnih i logaritamskih<br />
prinosa.<br />
45
Veza između jednostavnih i logaritamskih prinosa<br />
U praksi, to znači da ako je:<br />
volatilnost cijena mala i<br />
kratki intervali promatranja (time resolution is high)<br />
logaritamski i jednostavni prinosi su približno<br />
jednaki, ali......<br />
povećanjem volatilnosti i povećanjem intervala<br />
promatranja (manji time resolution) razlike postaju<br />
veće.<br />
46
Slika 1: Jednostavni i logaritamski godišnji prinosi Norveške i<br />
Američke burze, u periodu 1970-2002.<br />
47
Slika 1: Jednostavni i logaritamski godišnji prinosi Norveške i<br />
Američke burze, u periodu 1970-2002.<br />
Američka burza: sve točke leže na pravcu, mala razlika<br />
između prinosa<br />
Norveška burza: značajno odstupanje od pravca, razlike<br />
između prinosa<br />
Razlike proizlaze zbog razlika u godišnjoj volatilnosti na<br />
ovim tržištima, koja je u analiziranom periodu bila 18% (za<br />
Američko) i 44% (za Norveško)<br />
48