Model zależności notowań giełdowych na
Transkrypt
Model zależności notowań giełdowych na
Zeszyty naukowe nr 9 2011 Wyższej Szkoły Ekonomicznej w Bochni Piotr Fijałkowski Model zależności notowań giełdowych na przykładzie notowań ołowiu i spółki Orzeł Biały S.A. Streszczenie Niniejsza praca opisuje próbę konstrukcji liniowego, potęgowego, wykładniczego i logarytmicznego modelu ekonometrycznego zależności notowań ołowiu i akcji spółki Orzeł Biały S.A. zajmującej się odzyskiwaniem ołowiu z wyeksploatowanych akumulatorów. Dane do modelu pochodzą z pięciomiesięcznego okresu notowań ołowiu na London Metal Exchange i akcji spółki Orzeł Biały S.A. na Giełdzie Papierów Wartościowych w Warszawie. Abstract The present article describes the attempt to construction of the linear, power, exponential and logarithmic econometric models of dependence between quotations of the lead and the stock of Orzeł Biały S.A., the company recovering the lead from exploited accumulators. The data to the model include the five-month period of quotations of the lead on London Metal Exchange and the stock of Orzeł Biały S.A. on Warsaw Stock Exchange. 1. Wstęp Celem niniejszej pracy jest testowanie hipotezy o liniowej, ewentualnie potęgowej, wykładniczej lub logarytmicznej zależności pomiędzy dwiema zmiennymi: giełdowymi notowaniami ołowiu jako zmienną objaśniającą x i kursem akcji spółki Orzeł Biały S.A. (OBL) zajmującej się odzyskiwaniem ołowiu z wyeksploatowanych akumulatorów jako zmienną objaśnianą y. Oszacowanie modelu takiej zależności mogłoby być pomocne w prognozowaniu notowań OBL na podstawie przewidywanego trendu cen ołowiu. 172 2. Notowania Dane użyte w niniejszym opracowaniu pochodzą ze strony internetowej [4]. Poniżej przedstawione jest tabelaryczne zestawienie notowań ołowiu na London Metal Exchange (LME) - dostawa za 3 miesiące w USD/t (zmienna x) oraz kurs zamknięcia OBL na Giełdzie Papierów Wartościowych (GPW) w PLN (zmienna y) w półrocznym okresie od połowy listopada 2010 do połowy kwietnia 2011. W zestawieniu tym pominięte są soboty i niedziele, czyli dni tygodnia, w których obie giełdy są nieczynne oraz dodatkowo 01.11.2010, 11.11.2010, 24.12.2010 i 06.01.2011 - dni, w których nie była czynna GPW. Tabela podaje również średni kurs NBP dolara względem złotego (zmienna z). Tabela1. Notowania ołowiu na LME x w USD/t, kurs akcji OBL na GPW y w PLN oraz średni kurs NBP dolara z w PLN/USD (na podstawie [4]) z Y (PLN) (PLN/USD) Data x (USD/t) Y (PLN) z (PLN/USD) Data x (USD/t) 15.11.2010 2445,0 24,3 2,8915 31.01.2011 2475,5 23,8 2,8845 16.11.2010 2405,0 23,5 2,8937 01.02.2011 2533,0 23,5 2,8468 17.11.2010 2237,0 23,2 2,9217 02.02.2011 2537,0 23,0 2,8230 18.11.2010 2335,0 23,4 2,8871 03.02.2011 2580,0 22,5 2,8424 19.11.2010 2272,0 23,5 2,8749 04.02.2011 2573,0 23,4 2,8666 22.11.2010 2255,0 23,4 2,8591 07.02.2011 2585,0 23,7 2,8438 23.11.2010 2169,0 23,0 2,9020 08.02.2011 2527,0 23,5 2,8471 24.11.2010 2223,0 23,0 2,9808 09.02.2011 2545,5 23,9 2,8581 25.11.2010 2250,0 22,8 2,9881 10.02.2011 2485,0 24,9 2,8795 26.11.2010 2290,0 22,5 3,0363 11.02.2011 2509,0 25,4 2,9116 29.11.2010 2278,0 22,5 3,0441 14.02.2011 2627,0 25,4 2,9219 30.11.2010 2225,0 22,9 3,1308 15.02.2011 2649,0 25,1 2,9159 01.12.2010 2283,0 22,0 3,0753 16.02.2011 2619,0 25,6 2,8864 02.12.2010 2318,0 22,3 3,0282 17.02.2011 2582,0 25,7 2,8790 03.12.2010 2355,0 22,5 3,0172 18.02.2011 2619,0 25,7 2,8803 06.12.2010 2337,0 22,6 3,0057 21.02.2011 2665,0 25,0 2,8755 07.12.2010 2427,0 23,2 2,9955 22.02.2011 2571,0 24,8 2,9198 08.12.2010 2380,0 23,9 3,0558 23.02.2011 2548,0 25,6 2,8868 09.12.2010 2393,0 23,9 3,0508 24.02.2011 2480,0 25,7 2,8941 10.12.2010 2415,0 23,9 3,0458 25.02.2011 2501,0 25,7 2,8770 13.12.2010 2435,0 23,5 3,0445 28.02.2011 2528,0 25,9 2,8765 14.12.2010 2454,0 23,6 2,9708 01.03.2011 2560,0 26,5 2,8643 15.12.2010 2404,5 23,5 2,9978 02.03.2011 2525,0 26,5 2,8843 173 16.12.2010 2388,0 23,1 3,0125 03.03.2011 2600,0 27,0 2,8704 17.12.2010 2377,5 23,5 2,9840 04.03.2011 2655,0 27,1 2,8646 20.12.2010 2447,0 23,5 3,0396 07.03.2011 2610,0 27,0 2,8372 21.12.2010 2465,0 23,5 3,0370 08.03.2011 2537,0 27,0 2,8549 22.12.2010 2446,0 23,5 3,0323 09.03.2011 2575,0 26,9 2,8644 23.12.2010 2412,5 23,0 3,0196 10.03.2011 2445,0 25,8 2,8849 27.12.2010 2436,0 23,2 3,0215 11.03.2011 2415,0 25,8 2,9212 28.12.2010 2436,0 23,0 3,0112 14.03.2011 2490,0 25,8 2,8825 29.12.2010 2530,0 23,1 3,0383 15.03.2011 2470,0 25,2 2,9284 30.12.2010 2542,5 23,9 2,9979 16.03.2011 2578,0 25,0 2,9052 31.12.2010 2563,5 23,6 2,9641 17.03.2011 2667,0 25,3 2,9077 03.01.2011 2563,5 24,1 2,9822 18.03.2011 2700,0 26,0 2,8850 04.01.2011 2572,0 24,1 2,9415 21.03.2011 2691,0 26,0 2,8588 05.01.2011 2543,0 23,7 2,9476 22.03.2011 2638,0 25,5 2,8358 07.01.2011 2635,0 24,0 2,9818 23.03.2011 2705,0 25,6 2,8446 10.01.2011 2616,0 23,4 3,0268 24.03.2011 2700,0 25,5 2,8516 11.01.2011 2600,5 23,7 3,0065 25.03.2011 2670,0 25,4 2,8425 12.01.2011 2639,0 24,0 3,9466 28.03.2011 2640,0 25,1 2,8431 13.01.2011 2674,0 24,0 2,9353 29.03.2011 2621,0 24,5 2,8277 14.01.2011 2635,0 24,0 2,9048 30.03.2011 2662,0 24,3 2,8277 17.01.2011 2677,0 23,6 2,9181 31.03.2011 2671,0 24,5 2,8229 18.01.2011 2660,0 23,8 2,8848 01.04.2011 2668,0 24,4 2,8455 19.01.2011 2618,0 23,6 2,8879 04.04.2011 2767,0 24,3 2,8395 20.01.2011 2481,0 23,8 2,8856 05.04.2011 2723,0 24,5 2,8388 21.01.2011 2471,0 23,8 2,8779 06.04.2011 2775,0 24,4 2,7986 24.01.2011 2395,0 23,7 2,8561 07.04.2011 2821,5 24,4 2,7863 25.01.2011 2480,0 23,7 2,8558 08.04.2011 2853,0 24,0 2,7489 26.01.2011 2393,0 23,7 2,8280 11.04.2011 2848,5 24,3 2,7501 27.01.2011 2430,0 23,7 2,8508 12.04.2011 2810,0 23,9 2,7511 28.01.2011 2466,0 24,0 2,8501 3. Liniowy model zależności Hipoteza dodatniej korelacji notowań ołowiu i akcji Orła Białego jest naturalna ze względu na przedmiot działalności tej spółki. Nie jest oczywiste, czy związek tych dwóch wielkości jest istotny, gdyż jest jeszcze wiele innych czynników, które mogą wpływać na kurs OBL, a niekoniecznie na notowania ołowiu. Przykłady takich czynników można znaleźć w prospekcie emisyjnym 174 spółki [3] (Dokument Podsumowujący s. 7, Dokument Rejestracyjny s. 9-15): kurs dolara, działalność konkurencyjnej firmy Baterpol Spółka z o.o., ryzyko powstania innego przedsiębiorstwa utylizującego akumulatory, straty spowodowane ewentualnymi szkodami górniczymi na terenach spółki, duże awarie maszyn, ograniczenia dostaw gazu i energii elektrycznej w sytuacjach awaryjnych. Dalej spośród nich rozpatrywać będziemy jedynie kurs dolara ze względu na słabą mierzalność i brak danych o innych. Poniżej pokazujemy konstrukcję modelu wspomnianej zależności. Wszystkie obliczenia wykonano za pomocą programu Microsoft Excel. Konstrukcję modelu liniowego zaczynamy od wyznaczenia współczynnika korelacji liniowej między zmiennymi x i y dla naszej próby ze wzoru (zobacz na przykład [1], s. 481): r ( x, y ) = ∑ n i =1 ∑ n i =1 ( xi − x )( yi − y ) ( xi − x ) 2 ∑ n i =1 ( yi − y ) . 2 Dla naszych danych uzyskujemy r ( x, y ) = 0,4837 . Wysoka wartość współczynnika korelacji dla dużej próby oznacza, że prawdopodobnie zmienne x i y są skorelowane w całej populacji notowań, to znaczy, że współczynnik korelacji dla populacji ρ jest niezerowy. Można to zweryfikować stosując test istotności opisany na przykład w [1], s. 482-483. Dla hipotezy zerowej postaci H0 : ρ = 0 i alternatywnej H0 : ρ ≠ 0 test ten wykorzystuje statystykę t= r 1− r 2 n−2 o rozkładzie Studenta z n-2 stopniami swobody. Dla n = 105 rozkład ten można uznać za rozkład przybliżeniu normalny. Wartość statystyki testowej wynosi t = 5,6089 , wobec wartość krytycznej 5,3267 na poziomie istotności α = 10 −7 (uzyskanej z odpowiednich tablic rozkładu normalnego). Możemy zatem uznać, że współczynnik korelacji jest istotnie niezerowy i przyjąć liniową postać modelu zależności między x i y: 175 y = αx + β + ε , gdzie ε jest składnikiem losowym (zobacz na przykład [1], s. 460-462). Oceny a i b parametrów odpowiednio α i β są wyliczane metodą najmniejszych kwadratów, to znaczy tak, by minimalizowały wartość wyrażenia ∑ n i =1 ( yi − yˆ i ) 2 , gdzie (yi ) są wartościami rzeczywistymi, a ( yˆ i = αxi + β ) teoretycznymi zmiennej y. Odpowiednie wzory pozwalające obliczyć te oceny mają postać: ∑ a= n i =1 ( xi − x )( yi − y ) ∑i=1 ( xi − x ) 2 n , b = y − ax , gdzie x oznacza średnią wartość ( xi ) , a y - średnią wartość ( yi ) . Stosując powyższe wzory do naszych danych wyznaczamy oszacowanie modelu liniowego: y = 0,0039 x + 14,3987 + ε . Miarą dopasowania wartości rzeczywistych i teoretycznych może być współczynnik determinacji r 2 ( x, y ) , którego wartości bliskie 1 wskazują na dobre dopasowanie oszacowanego modelu do danych (zobacz [2], s.41). Dla naszych danych otrzymamy wartość r 2 ( x, y ) = 0,2340 , która wskazuje i rzeczywistych. niestety na niedopasowanie wartości teoretycznych 4. Uwzględnienie zmian kursowych Wielkości w powyższym modelu są mierzone w różnych jednostkach pieniężnych, których zależność jest zmienna. Wydawać by się mogło, że ustalenie jednej jednostki, a więc na przykład przeliczenie notowań ołowiu 176 z USD/t na PLN/t według aktualnego kursu dolara, zdecydowanie poprawi jakość modelu. Okazuje się jednak, że tak nie jest. W Tabeli 1 podano średni kurs dolara w NBP z danego dnia z, na podstawie którego można przeliczyć notowania ołowiu na złotówki według wzoru xz. Współczynnik korelacji dla podanych notowań ołowiu na LME wyrażonych w PLN/t (xz) i notowań OBL (y) wynosi r ( xz, y ) = 0,2391 i jest dużo mniejszy niż odpowiedni współczynnik dla notowań ołowiu nieprzeliczonych na złotówki (0,4837). W związku z tym budowanie odpowiedniego modelu liniowego nie ma sensu, bo będzie on jeszcze słabiej dopasowany do danych, niż poprzedni. W zestawieniu z tymi faktami ciekawe jest to, że współczynnik korelacji pomiędzy kursem dolara (z), a notowaniami OBL (y) jest znacząco różny od zera i wynosi r ( z , y ) = −0,3109 . Przeprowadzając test istotności opisany w rozdziale 3. stwierdzamy, że na poziomie istotności 0,001 korelacja w całej populacji notowań jest istotnie niezerowa (wartość statystyki testowej wynosi t = −3,3201 , czyli | t |= 3,3201 , wobec wartości krytycznej 3,2905). Oznacza to, że po części wzrost kursu dolara idzie w parze ze spadkiem notowań OBL, co prawdopodobnie wiąże się z odpływem kapitału spekulacyjnego z giełdy warszawskiej w sytuacji słabnącej złotówki. Powyższa uwaga mogłaby sugerować, że lepszym modelem wyjaśniającym notowania OBL będzie model liniowy dwóch zmiennych postaci y = αx + β z + γ + ε ze względu niezerową korelację kursu dolara (z), a notowaniami OBL (y). Niestety, współczynnik korelacji pomiędzy x i z wynosi r ( x, z ) = −0,3135 i jest większy co do wartości bezwzględnej od współczynnika korelacji między z i y. Tak więc x i z nie nadają się na quasi-niezależne zmienne modelu (zobacz [2], s. 64). 177 5. Modele nieliniowe Powodem słabego dopasowania modelu do danych może być niewłaściwa postać analityczna modelu. Próbujemy zatem przetestować użycie typowych modeli nieliniowych, sprowadzalnych do liniowych: potęgowego, wykładniczego i logarytmicznego. Przez model potęgowy rozumiemy hipotetyczną zależność postaci y = bx a e ε . Logarytmując obie strony powyższej równości, sprowadzamy model potęgowy do modelu liniowego: y ' = ax'+b'+ε , gdzie b'= ln b , x'= ln x , y '= ln y . Model wykładniczy to hipotetyczna zależność postaci y = ba x e ε . Logarytmując obie strony powyższej równości, sprowadzamy model potęgowy do modelu liniowego: y ' = a ' x + b'+ε , gdzie b'= ln b , a '= ln a , y '= ln y . Model logarytmiczny to hipotetyczną zależność postaci y = a ln x + b + ε , sprowadzalna do zależności liniowej y = ax'+b + ε przez podstawienie x'= ln x . Najprostszym kryterium wyboru postaci modelu spośród powyższych może być wartość współczynnika korelacji zmiennych w modelu zlinearyzowanym. Dla naszych danych uzyskujemy: r ( x ' , y ' ) = r (ln x, ln y ) = 0,5026 , r ( x, y ' ) = r ( x, ln y ) = 0,4949 , r ( x ' , y ) = r (ln x, y ) = 0,4923 . 178 Użycie notowań ołowiu przeliczonych na złotówki w miejsce oryginalnych wyrażonych w dolarach, czyli zmiana zmiennej x na xz daje wyniki słabsze: r (ln( xz ), ln y ) = 0,2719 , r ( xz, ln y ) = 0,2468 , r (ln( xz ), y ) = 0,2640 . Spośród rozpatrywanych wariantów najlepszym okazał się model potęgowy zmiennych x i y. Według rozpatrywanego kryterium jest on nieco lepszy od modelu liniowego. Zlinearyzowana postać tego modelu ma oszacowanie: y ' = 0.4138x'−0,0531 + ε , dla którego współczynnik determinacji wynosi r 2 = 0,2526 , a więc nieznacznie więcej, niż w modelu liniowym. Wyznaczając b = e b ' = e −0, 0531 = 0,9483 , otrzymujemy oszacowanie modelu potęgowego: y = 0,9483x 0, 4138 e ε . 5. Wnioski Powyższe rozważania pokazują na konkretnym przykładzie trudność uzyskania dobrego w sensie ekonometrycznym modelu zależności notowań giełdowych. Nie oznacza to, że szukanie takich zależności nie ma sensu, gdyż każde badanie statystyczne typu szukanie korelacji daje pewien zasób informacji o związku (lub braku związku) pomiędzy badanymi wielkościami. W naszym przypadku nawet tak niedoskonałe modele, jak opisane, mogłyby być podstawą do prognozowania orientacyjnego poziomu notowań OBL w sytuacji, gdy uważamy światowe ceny surowców za bardziej przewidywalne niż notowania akcji na GPW. 179 Bibliografia 1. Aczel A.D., Statystyka w zarządzaniu, PWN, Warszawa 2000, ISBN 83-0113001-6. 2. Welfe A., Ekonometria, Państwowe Wydawnictwo Ekonomiczne, Warszawa 2008, ISBN 83-208-1444-4. 3. Prospekt emisyjny trzyczęściowy spółki Orzeł Biały S.A. [online], 2007, dostępny w World Wide Web: http://www.orzel-bialy.com.pl/prospektemisyjny.html. 4. http://www.rynek.bizzone.pl/.