Krótki przegląd najpopularniejszych modeli ekonometrycznych
Transkrypt
Krótki przegląd najpopularniejszych modeli ekonometrycznych
Krótki przegląd najpopularniejszych modeli ekonometrycznych Michał Osmoła „INIME na żywo” 22 marca 2016 Definicje Niech (Ω, F, P) będzie ustaloną przestrzenią probabilistyczną, a T pewnym zbiorem parametrów. Procesem stochastycznym nazywamy funkcję: Taką, że dla każdego tЄT Jest zmienną losową. Definicje Realizacją (trajektorią) procesu stochastycznego nazywamy funkcję: Szeregiem czasowym nazywamy pewną ustaloną realizację procesu stochastycznego. Stacjonarność procesu stochastycznego Proces stochastyczny Xt nazywamy procesem stacjonarnym w słabym sensie (procesem kowariancyjnie stacjonarnym) jeśli: Biały szum Białym szumem nazywamy kowariancyjnie stacjonarny proces stochastyczny εt taki, że: Stopień zintegrowania procesu Proces stochastyczny Xt jest zintegrowany w stopniu zerowym, jeżeli jest procesem kowariancyjnie stacjonarnym. Proces stochastyczny Xt jest zintegrowany w stopniu pierwszym, jeżeli nie jest procesem kowariancyjnie stacjonarnym, ale proces ΔXt=Xt-Xt-1 jest procesem kowariancyjnie stacjonarnym. Proces stochastyczny Xt jest zintegrowany w stopniu drugim, jeżeli nie jest procesem zintegrowanym w stopniu zerowym lub pierwszym, ale proces ΔΔXt=ΔXt-ΔXt-1 jest procesem kowariancyjnie stacjonarnym. Procesy ARMA(p,q) Proces stochastyczny Xt nazywamy procesem ARMA(p,q), jeżeli jest procesem kowariancyjnie stacjonarnym oraz spełnia równanie: Gdzie proces εt jest białym szumem, oraz Procedura Boxa-Jenkinsa Sprawdzenie stacjonarności szeregu Sprawdzenie występowania sezonowości i trendu Ustalenie rzędów opóźnień modelu Estymacja parametrów modelu Sprawdzenie założeń modelu Sezonowość i trend Sezonowość to okresowy składnik w modelu zależności badanej cechy od czasu. Trend to monotoniczny składnik w modelu zależności badanej cechy od czasu. Sezonowość najczęściej wykrywa się za pomocą wykresów funkcji autokorelacji (ACF) i autokorelacji cząstkowej (PACF) lub z wykorzystaniem analizy spektralnej, potwierdza się ją stosując test Dickeya-Hasza-Fullera. Detekcja istotnych sezonowości narzuca konieczność zastosowania modeli SARIMA lub modeli z sezonowymi zmiennymi zero-jedynkowymi. W celu detekcji trendu, oryginalny szereg czasowy należy poddać operacji wygładzenia (wygładzenie wykładnicze, średnia ruchoma, mediana ruchoma), a następnie porównać dopasowanie modelu pustego i modelu z trendem do otrzymanego, wygładzonego wykresu (test F). Sprawdzanie stacjonarności W celu sprawdzenia stacjonarności rozważanego szeregu czasowego stosuje się najczęściej jeden z poniższych testów: Test ADF Test Phillipsa-Perrona Test KPSS W sytuacji odrzucenia hipotezy o stacjonarności szeregu należy wykonać jego różnicowanie i powtórzyć test. Operację powtarzamy do uzyskania stacjonarności. Ustalenie rzędów opóźnień modelu Ustalenie rzędów opóźnień w modelu ARMA(p,q) jest najważniejszym etapem budowy modelu. Przyjęcie zbyt dużych wartości p i q może doprowadzić do zjawiska overfittingu, zaś przyjęcie zbyt małych wartości powoduje niedokładne opisanie zaleźności pomiędzy kolejnymi obserwacjami. Aby określić odpowiednie rzędy opóźnień można posłużyć się kryteriami informacyjnymi (AIC, BIC, HQC) lub prześledzić wykresy autokowariancji i autokowariancji cząstkowej w poszukiwaniu odpowiednich sygnatur. AIC=2k-2ln(L) HQC=2k*ln(ln(n))-2ln(L) BIC=2k*ln(n) -2ln(L) Źródło: https://en.wikipedia.org/wiki/Box%E2%80%93Jenkins Estymacja parametrów modelu Estymacja parametrów w modelach ARMA dokonywana jest za pomocą metody największej wiarygodności. Sprawdzenie założeń modelu Występowanie efektu ARCH (test Ljung-Boxa dla kwadratów reszt modelu, test Engle'a) Niezależność reszt (test Ljung-Boxa, wykresy ACF i PACF dla reszt z modelu) Zgodność rozkładu reszt z założeniami (test Jarque-Bera, test Kołmogorowa-Smirnowa, wykresy kwantylowe) Modele GARCH(p,q) W przypadku wykrycia heteroskedastyczności reszt w modelu ARMA niezbędne jest rozszerzenie modelu o człon odpowiadający za opisywanie zmian w wariancji analizowanego szeregu. W tym celu możliwe jest użycie modeli GARCH. Proces Yt nazywamy procesem GARCH(p,q), gdy spełnia układ równań: gdzie εt jest białym szumem, Modele GARCH(p,q) mogą być stosowane nie tylko w kontekscie rozszerzenia struktury modeli ARMA, ale również mogą służyć modelowaniu zmienności danego procesu w czasie. Inne popularne modele ekonometryczne Modyfikacje modelu GARCH (NGARCH, IGARCH, EGARCH, GARCH-in-mean, GJR-GARCH, TGARCH) Modele VAR (wektorowej autoregresji) i VARMA (wektorowej autoregresji i średniej ruchomej) – służą do modelowania skorelowanych szeregów czasowych Modele VEC (korekty błędem) – służą do opisu reakcji skorelowanych szeregów czasowych(w przypadku gdy występuje pomiędzy nimi długookresowa zależność) na wystąpienie odstępstwa od sytuacj równowagi Zastosowanie modeli ARMA-GARCH na rynku Forex Kurs: EURUSD Czas: bezpośrednio popublikacji wskaźnika US Nonfarm Payrolls Częstotliwość próbkowania: 1 sekunda Stopień integracji Rzędy opóźnień modeli ARMA(p,q) Przeprowadzone testy sugerowały występowanie efektu ARCH w każdym z modeli, zdecydowano się na rozszerzenie struktury modelu o fragment modelujący heteroskedastyczność – GARCH(1,1). Jako warunkowy rozkład przyjęto rozkład t-studenta. Rzędy opóźnień modeli ARMA(p,q)-GARCH(1,1) Przeprowadzone badania wykazały, że modele klasy ARMA-GARCH z warunkowym rozkładem t-studenta i niskimi rzędami opóźnień nie są modelami wystarczającymi do dobrego opisu zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls. Dziękuję za uwagę Michał Osmoła T:784076086 E: [email protected] Adres: ul.Cystersów 13A/1, 31-553 Kraków NIP: 6751504218 REGON: 123131534 KRS: 0000512595