Przepływ zleceń a kurs walutowy – badanie
Transkrypt
Przepływ zleceń a kurs walutowy – badanie
B a n k i K r e d yt 41 (5), 2010, 5–40 www.bankikredyt.nbp.pl www.bankandcredit.nbp.pl Przepływ zleceń a kurs walutowy – badanie mikrostruktury międzybankowego kasowego rynku złotego Katarzyna Bień* Nadesłany: 7 kwietnia 2010 r. Zaakceptowany: 21 lipca 2010 r. Streszczenie W artykule przedstawiono wyniki empirycznego badania mikrostruktury międzybankowego kasowego rynku złotego na podstawie danych z elektronicznego systemu Reuters Dealing 3000 Spot Matching, automatycznie kojarzącego oferty kupna i sprzedaży. Badanie przeprowadzono w odniesieniu do pary walutowej EUR/PLN w II połowie 2004 r. oraz w 2007 r. Udokumentowano istnienie istotnego wpływu przepływu zleceń (ang. order flow), czyli nadwyżki netto wartości transakcji zakupu waluty bazowej nad wartością transakcji sprzedaży, na zmiany kursu złotego. Pokazano również, że reakcja kursu na zakup netto (ang. net buy) euro była różna w 2004 i 2007 r., co wynikało przede wszystkim z różnej wielkości rynku złotego w tych okresach. W badaniu wykazano, że oddziaływanie przepływu zleceń na kurs złotego zależy od chwilowej płynności rynku, aproksymowanej porą dnia i wielkością spreadu bid-ask. W artykule zaproponowano również wykorzystanie specyfikacji Integer Count Hurdle jako modelu opisującego kształtowanie się samego przepływu zleceń. Wykazano, że specyfikacja ta dobrze nadaje się do opisu dyskretnych wartości oraz dynamicznych własności zmiennej. Słowa kluczowe: mikrostruktura rynku walutowego, sezonowość wewnątrzdzienna, przepływ zleceń, model Integer Count Hurdle (ICH) JEL: C25, G12, G16 * Narodowy Bank Polski, Departament Systemu Finansowego; Szkoła Główna Handlowa w Warszawie, Instytut Ekonometrii; e-mail: [email protected]. K. Bień 1. Wstęp Badania mikrostruktury rynku definiuje się jako studia nad procesem wymiany dóbr przy uwzględnieniu sformalizowanych reguł obrotu handlowego (por. O’Hara 1995). Obecnie mikrostrukturę rynku traktuje się de facto jako gałąź nauki finansów, ponieważ przedmiotem badań w tym zakresie są współzależności pomiędzy wybranymi cechami rynków finansowych – np. ich płynnością, przejrzystością czy zmiennością cen – a mechanizmem (scenariuszem) zawierania transakcji (por. Madhavan 2005). W teorii mikrostruktury rynków finansowych skonstruowano wiele modeli teoretycznych, które w sformalizowany sposób wyjaśniają zachowanie poszczególnych uczestników procesu transakcyjnego (ang. transaction process) na rynkach finansowych. Modele te opisują również napływ prywatnej informacji (ang. private news) oraz jej oddziaływanie na wybrane charakterystyki rynku, na przykład liczbę i rodzaj składanych zleceń, ceny transakcyjne oraz kwotowane, spread bid-ask czy wartość zawieranych transakcji (por. Admati, Pfleiderer 1988; Diamond, Verrecchia 1987; Easley, O’Hara 1987; 1992). W ostatnich latach weryfikacja hipotez postulowanych w takich modelach stanowiła przedmiot wielu naukowych analiz. Ze względu na stosunkowo łatwy dostęp do baz danych transakcyjnych większość badań empirycznych dotyczyła głównie giełdowych rynków akcji, a przede wszystkim giełdy nowojorskiej. W ciągu kilku ostatnich lat szczególnym zainteresowaniem cieszyły się rynki walutowe. Wiązało się to ze znacznym wzrostem liczby transakcji dokonywanych w systemach automatycznie kojarzących zlecenia zakupu i sprzedaży, takich jak: Electronic Broking Services (EBS) czy Reuters Dealing 3000 Spot Matching (inaczej: Reuters Spot Matching System), oraz z dostępem do zbiorów danych pochodzących z tych systemów transakcyjnych. Przedmiotem artykułu jest prezentacja wyników badania mikrostruktury kasowego rynku złotego. Głównym celem analizy jest prezentacja oddziaływania tzw. przepływu zleceń (ang. order flow), czyli nadwyżki netto transakcji zakupu waluty obcej (ang. net buy), na zmiany kursu EUR/PLN. Należy podkreślić, że w literaturze poświęconej mikrostrukturze rynków walutowych koncepcja przepływu zleceń jest obecna już od ponad dziesięciu lat i stanowi przedmiot bardzo wielu empirycznych badań naukowych. Analizy te potwierdziły, że przepływ zleceń bardzo dobrze wyjaśnia, a nawet prognozuje krótkookresowe zmiany kursu walutowego. Przykładowo, istotne statystycznie oddziaływanie przepływu zleceń na kurs marki niemieckiej wykazano m.in. w następujących pracach: (2003), Killen, Lyons, Moore (2006), na kurs euro – Breedon, Vitale (2004), Berger i in. (2008), w odniesieniu do kursu jena japońskiego – Rime, Sarno, Sojli (2010), dla forinta – Kiss, Pinter (2007), dla korony czeskiej – Scalia (2008). Dobre własności predykcyjne modeli udowodniono w następujących badaniach: Danielsson, Luo, Payne (2002), Evans, Lyons (2005; 2006). Przedstawione w artykule opinie stanowią prywatne poglądy autorki, które nie muszą odzwierciedlać poglądów Narodowego Banku Polskiego. W odniesieniu do akcyjnych rynków giełdowych jedną z najpopularniejszych baz danych jest TAQ (The Trades and Quotes database), w której od początku 1993 r. gromadzone są poszczególne charakterystyki (cena, wolumen, czas zawarcia) transakcji, kwotowań dealerów oraz zleceń kupna i sprzedaży składanych przez inwestorów na giełdzie nowojorskiej (NYSE) oraz innych regionalnych giełdach w Stanach Zjednoczonych. W drugiej połowie 2004 r. oraz w 2007 r. na międzybankowym rynku złotego dominowały transakcje wymiany złotego na euro. W ciągu 2004 r. obserwowano stopniowy spadek aktywności banków w segmencie USD/PLN oraz jednoczesny wzrost aktywności na rynku EUR/PLN, co związane było z przystąpieniem Polski do UE w maju 2004 r. oraz stopniową utratą przez złotego jego koszykowego charakteru (por. NBP 2005, s. 204). W 2007 r. o wartości złotego informował prawie wyłącznie kurs EUR/PLN (por. NBP 2008, s. 215–218). Takie prognozy zmian kursu walutowego mogą być na rynku międzybankowym formułowane jedynie na podstawie zaobserwowanych bądź prognozowanych wartości transakcji zakupu i sprzedaży w poszczególnych okresach. Dealerzy rynku międzybankowego, zawierając poszczególne transakcje, nie mają dostępu do takich informacji, zatem nie mogą dokonywać predykcji zmian kursu walutowego na podstawie historycznych bądź bieżących wartości przepływu zleceń na rynku międzybankowym, a jedynie na rynku klientowskim. Przepływ zleceń a kurs walutowy… W artykule wykazano, że przepływ zleceń, czyli nadwyżka netto transakcji zakupu nad transakcjami sprzedaży, ma istotny statystycznie, dodatni wpływ na zmiany kursu złotego. Ze względu na znaczną poprawę płynności rynku złotego między 2004 a 2007 r. szczególną uwagę poświęcono analizie przeprowadzonej na podstawie danych z 2007 r. W badaniu udowodniono m.in. zróżnicowaną reakcję kursu na zmiany przepływu zleceń w zależności od pory dnia oraz płynności rynku. Analizę uzupełniono również o prezentację konstrukcji i wniosków z modelu objaśniającego kształtowanie się samego przepływu zleceń. Dalsza część artykułu składa się z pięciu części. Pierwsza z nich stanowi uzasadnienie teoretyczne przedstawionego badania. Przedstawiony wywód zawiera definicję i opisywane w literaturze własności koncepcji przepływu zleceń. W kolejnej części artykułu scharakteryzowano źródło oraz podstawowe cechy zmiennych stanowiących przedmiot analizy. Na podstawie metod statystyki opisowej sformułowano proste wnioski w odniesieniu do wybranych charakterystyk procesu transakcyjnego (kursu złotego, przepływu zleceń oraz wyróżnionych miar płynności). Część czwartą poświęcono badaniu „wrażliwości” kursu złotego na zmiany przepływu zleceń, identyfikując również takie charakterystyki rynku (pora dnia, spread bid-ask), które istotnie oddziałują na skalę reakcji kursu. Ostatnia, piąta część artykułu zawiera propozycję modelowania samego przepływu zleceń za pomocą modelu Integer Count Hurdle (por. Nolte, Liesenfeld, Pohlmeier 2006), pozwalającego na uwzględnienie dyskretnych wartości oraz dynamicznych własności modelowanej zmiennej. 2. Wprowadzenie do koncepcji przepływu zleceń W teorii finansów często wskazuje się, że kasowy rynek walutowy może stanowić najbardziej przekonujący przykład rynku efektywnego. Prawie nie występuje na nim asymetria odbioru sygnałów informacyjnych pomiędzy stronami transakcji, a cała dostępna w danej chwili wiedza o ekonomicznych uwarunkowaniach gospodarki zostaje bardzo szybko odzwierciedlona w ustalonym kursie transakcyjnym. Argumentację tę potwierdza praca Bessembindera (1994), w której stwierdza się: „o ile kursy na rynkach akcji zależą od informacji dotyczących zarówno uwarunkowań makroekonomicznych, jak i dotyczących indywidualnych przedsiębiorstw [firm-specific], o tyle poziom kursu walutowego zależy głównie od informacji o charakterze makroekonomicznym, co może powodować redukcję potencjalnych strat dealerów walutowych w stosunku do inwestorów dysponujących lepszą informacją”. Tezę o efektywności rynku walutowego potwierdzają również słabe własności krótkookresowych predykcji kursu walutowego, konstruowanych na podstawie strukturalnych liniowych makromodeli z lat 80. i 90. XX w. Za dowód posłużyć może znane badanie (por. Meese, Rogoff 1983), w którym udowodniono, że najmniejszym średniokwadratowym błędem predykcji wielu modeli kursu walutowego charakteryzuje się naiwna prognoza oparta na procesie błądzenia losowego. Wyniki te, zgodnie z twierdzeniem Frankla i Rose’a (1995), wywierają negatywny wpływ na badania nad empirycznymi metodami modelowania kursu walutowego. Średnia dzienna wartość transakcji kasowych z udziałem złotego wynosiła w kwietniu 2007 r. 4,851 mld USD i była ponadtrzykrotnie wyższa w porównaniu z wartościami zarejestrowanymi w kwietniu 2004 r.; zob. BIS (2007, s. 60) oraz BIS (2004, s. 50). Wybrane wnioski zawarte w części trzeciej oraz czwartej artykułu (jednakże bez przedstawionego w niniejszej pracy opisu zaplecza metodologicznego) zostały w sposób syntetyczny przedstawione w opracowaniu NBP (2009). K. Bień W ostatnich latach na podstawie porównania modeli konstruowanych w latach 90. XX w. analogiczne wnioski przedstawiono w pracy: Cheung, Chinn, Pascual (2005). W przeciwieństwie do tradycyjnych strukturalnych modeli opartych na koncepcjach o podłożu makroekonomicznym ich odpowiedniki konstruowane na podstawie teorii mikrostruktury – a więc przy uwzględnieniu wiedzy o mechanizmie, zgodnie z którym dochodzi do zawarcia transakcji – mają zaskakująco dobre własności objaśniające, a nawet predykcyjne. Z technicznego punktu widzenia – w przeciwieństwie do makromodeli, które budowane są na podstawie danych rocznych, kwartalnych czy miesięcznych – modele konstruowane w ujęciu mikro bazują na szeregach czasowych o dziennej lub wyższej częstotliwości. Przede wszystkim jednak w modelach mikrostruktury najistotniejszym elementem jest założenie o występowaniu niejednorodności informacyjnej (ang. information heterogeneity) uczestników rynku walutowego. Zakłada się istnienie znacznego zróżnicowania przekonań co do obecnego oraz oczekiwań, co do przyszłego stanu gospodarki (poziomu zmiennych makroekonomicznych) pomiędzy podmiotami rynku (instytucjami finansowymi, przedsiębiorstwami oraz osobami fizycznymi). Przedmiotem badań mikrostruktury rynku jest uzyskanie odpowiedzi na pytania: (1) w jaki sposób istotne przy wycenie obcej waluty sygnały informacyjne oddziałują na zachowanie poszczególnych uczestników procesu transakcyjnego oraz (2) czy i jak silnie zachowanie to wpływa na poszczególne charakterystyki procesu transakcyjnego – głębokość rynku, wielkość obrotów, spread bid-ask, a przede wszystkim poziom kursu walutowego. W odróżnieniu od ujęcia makro w ujęciu mikro najważniejszą rolę odgrywa zatem scenariusz procesu zawierania transakcji. W większości modeli mikrostruktury rynku przyjmuje się założenie, że podmioty procesu transakcyjnego reagują na zaobserwowane działania innych jego uczestników, co zostaje odzwierciedlone w ustalonym poziomie kursu. Modele oparte na założeniu o asymetrycznym dostępie do informacji tworzą grupę tzw. modeli informacji (ang. information models). Podstawowe założenie modeli opiera się na wyodrębnieniu dwóch podstawowych grup inwestorów: (1) zawierających transakcje „informacyjne”, których przyczyną jest napływ prywatnej, nieznanej publicznie informacji (ang. informed traders) oraz (2) zawierających transakcje „nieinformacyjne”, niepowiązane z napływem sygnałów informacyjnych, dokonywane np. w celu zarządzania pozycją walutową (ang. liquidity traders, noise traders). Zgodnie z modelami informacji porządek napływu zleceń kupna lub sprzedaży na rynek może odzwierciedlać informację o oczekiwaniach podmiotów składających zlecenia, dotyczących przyszłego poziomu kursu walutowego (por. Glosten, Milgrom 1985; Easley, O’Hara 1987). Teoretyczne modele, uzasadniające znaczenie prywatnej informacji w funkcjonowaniu rynku walutowego, można odnaleźć w pracach Lyonsa (1995) oraz Perraudina i Vitale’a (1996). Autorzy dowodzą, że dealerzy rynku walutowego, którzy zawierają stosunkowo dużo transakcji z niebankowymi instytucjami finansowymi, przedsiębiorstwami lub osobami prywatnymi, mają przewagę informacyjną w stosunku do pozostałych podmiotów na rynku. Następstwem tej przewagi jest np. zmniejszenie wartości spreadu bid-ask – redukcji ulega jego istotny komponent wynikający z ryzyka, że kontrahent transakcji dysponuje lepszą informacją (ang. adverse selection cost). Wartości kursu kwotowanego przez dealerów walutowych zmieniają się również w czasie, w reakcji na niespodziewane (sygnalizujące napływ nowej informacji) zmiany aktywności transakcyjnej na rynku. Podstawową miarę niejednorodności informacyjnej na rynku walutowym przedstawili Evans i Lyons (2002a; 2002b). Miara ta, określona jako przepływ zleceń (ang. order flow), zdefiniowana Przepływ zleceń a kurs walutowy… jest jako różnica pomiędzy liczbą lub wartością transakcji, których inicjatorem jest strona popytu (transakcji zakupu), a liczbą lub wartością transakcji, których inicjatorem jest strona podaży (transakcji sprzedaży). Przepływ zleceń może mieć zatem dużą wartość informacyjną w kontekście przyszłych zmian kursu, odzwierciedlając skalę zróżnicowania oczekiwań uczestników rynku. Nadwyżka transakcji zakupu nad transakcjami sprzedaży (ang. net buying pressure) w odniesieniu do waluty bazowej może sygnalizować, że podmioty dokonujące wymiany waluty mają oczekiwania co do jej umocnienia. Analogicznie, nadwyżka transkcji sprzedaży nad transakcjami zakupu waluty bazowej (ang. net selling pressure) może dowodzić, że aktualny poziom jej kursu jest przewartościowany, a większość podmiotów aktywnych na rynku oczekuje jej deprecjacji. Evans (2007) wyodrębnia dwa podstawowe kanały transmisji, za pomocą których rozproszone na rynku sygnały informacyjne mogą zostać odzwierciedlone w ustalonym poziomie kursu: kanał bezpośredni (informacje dotyczące uwarunkowań makroekonomicznych – np. stopa bezrobocia, PKB, saldo obrotów bieżących z zagranicą – ogłaszane są publicznie, są zatem jednocześnie „odbierane” przez wszystkich uczestników rynku i znajdują natychmiastowe odzwierciedlenie w poziomie kursu) oraz kanał pośredni (rozproszone sygnały informacyjne, które zostają odzwierciedlone w scenariuszu składanych zleceń). Evans (2007) dowodzi, że taka rozproszona informacja może dotyczyć bardzo wielu czynników ekonomicznych, np. wartości zamówień i sprzedaży produktów wybranych przedsiębiorstw lub wyników prywatnych badań nad gospodarką. Zgodnie z opinią Rime’a, Sarny i Sojli (2010) „przepływ zleceń to mechanizm transmisji, który umożliwia agregację rozproszonej informacji, wynikającej z heterogenicznego traktowania sygnałów informacyjnych, zmian oczekiwań oraz szoków związanych z zapotrzebowaniem na płynność i instrumenty zabezpieczające”. Schemat 1 Kanały transmisji sygnałów informacyjnych Informacja publiczna Informacja prywatna Przepływ zleceń Kanał bezpośredni Kanał pośredni Poziom kursu Źródło: opracowanie na podstawie Evans (2007). 10 K. Bień Teoretyczny model opisujący współzależność pomiędzy przepływem zleceń a kursem walutowym zaproponowano w pracach Evans i Lyons (2002a; 2002b) na podstawie modelu alokacji portfelowej. W ujęciu modelowym banki dokonujące operacji wymiany walutowej na rynku klientowskim niejako dowiadują się o panujących nastrojach, agregując informacje o oczekiwaniach kontrahentów transakcji na podstawie zaobserwowanych wartości przepływu zleceń na rynku klientowskim. Zdobyta wiedza oddziałuje na poziom kwotowanych kursów, jak również na wartości przepływu zleceń na rynku międzybankowym. Wykorzystując miarę nadwyżki transakcji zakupu nad transakcjami sprzedaży, Evans i Lyons (2002b) wytyczyli całkowicie nowy kierunek w modelowaniu kursu walutowego i pokazali, że tak zdefiniowana zmienna stanowi bardzo istotną determinantę zmian kursu walutowego. Wykazali przy tym, że prosty model regresji liniowej – wzbogacony o zdefiniowaną w ten sposób zmienną objaśniającą – objaśnia około 50% zmienności wartości dziennych zmian kursów DEM/USD oraz JPY/USD (w okresie maj – sierpień 1996 r.). W porównaniu z jakością dopasowania wielu uznanych wówczas w literaturze strukturalnych modeli kursu walutowego rezultat ten należy uznać za zaskakująco dobry. Dokonując interpretacji otrzymanych wyników, należy mieć jednak świadomość, że idea przepływu zleceń nie stoi w sprzeczności z tradycyjnie przyjmowanymi założeniami, iż makroekonomiczne uwarunkowania gospodarcze są podstawowymi determinantami poziomu kursu walutowego (por. Sarno, Taylor 2002). Należy mieć na uwadze, że pomiar zmiennych makroekonomicznych odzwierciedlających fundamenty gospodarki może być na tyle nieprecyzyjny, że to właśnie przepływ zleceń – agregujący oczekiwania wszystkich uczestników rynku – stanowi dużo lepsze oszacowanie ich rzeczywistych wartości (por. Evans, Lyons 2002b). Jak podają Evans i Lyons (2002b), interpretacja ta jest szczególnie uzasadniona w odniesieniu do zmiennych określających oczekiwania i konstruowanych na podstawie badań ankietowych. Pomiar oraz ewaluacja oczekiwań, np. w odniesieniu do poziomu inflacji, stopy procentowej czy „klimatu gospodarczego”, są zawsze obarczone pewnymi błędami statystycznymi. Złożenie zlecenia na rynku walutowym może być natomiast traktowane jako jednoznaczne uwiarygodnienie oczekiwań przez poparcie ich wymianą konkretnych środków pieniężnych (ang. backed-by-money expectations). Należy nadmienić, że oddziaływanie przepływu zleceń na kurs walutowy odbywa się nie tylko przez kanał wykorzystujący transmisję informacji, lecz także przez tzw. efekt równowagi portfela (ang. portfolio-balance chanel). Polega on na tym, że dealerzy rynku międzybankowego zgadzają się sprzedać (kupić) walutę obcą, a zatem zaabsorbować nadmierny popyt (podaż) waluty obcej z rynku klientowskiego tylko wtedy, gdy w ramach wynagrodzenia za zmianę pozycji walutowej „zarobią” na odpowiednim wzroście (spadku) oferowanego kursu waluty obcej. Kanał ten funkcjonuje przy założeniu, że waluty nie są instrumentami doskonale substytucyjnymi, a rynek – jako całość – charakteryzuje się pewnym poziomem awersji do ryzyka i wymaga rekompensaty za utrzymywanie nieoptymalnych pozycji walutowych (por. Lyons 2001). Rozróżnienie tych dwóch komponentów oddziaływania przepływu zleceń na kurs walutowy: opartego na informacji (ang. information- Obecnie w literaturze można wyodrębnić dwa opozycyjne nurty, których przedstawiciele różnie interpretują zależno- ści pomiędzy przepływem zleceń a zmianami kursu walutowego. Zgodnie z podejściem strong flow-centric przepływ zleceń transmituje informację dotyczącą fundamentalnych makroekonomicznych uwarunkowań gospodarczych, a oddziaływanie zmiennej na kurs walutowy ma charakter trwały. Z kolei zgodnie z nurtem weak flow-centric wpływ przepływu zleceń na kurs walutowy ma charakter przejściowy i wynika z wielu czynników – chwilowego zapotrzebowania na płynność, potrzeby zabezpieczenia pozycji walutowej (inventory control), nadmiernej reakcji inwestorów (overreaction) (por. Froot, Ramadorai 2005; Berger i in. 2008). Przepływ zleceń a kurs walutowy… 11 -based) i drugiego – opartego na raczej na preferencjach (dotyczących struktury pozycji walutowej) oraz nastawieniu do ryzyka – jest bardzo trudne, ponieważ oba te efekty mogą mieć trwały wpływ na poziom kursu walutowego (por. Evans, Lyons 2002b; Breedon, Vitale 2010). 3. Dane empiryczne 3.1. Reuters Spot Matching System Badanie empiryczne przeprowadzono na podstawie danych pozyskanych z systemu transakcyjnego Reuters Dealing 3000 Spot Matching (dalej: RSM), udostępnionych przez firmę Thomson Reuters. Wykorzystane zbiory danych zawierają informacje o przeprowadzonych transakcjach oraz zleceniach wykonania transakcji10, które zarejestrowano na tej platformie transakcyjnej w okresie lipiec – grudzień 2004 r. oraz styczeń – grudzień 2007 r. na parze walutowej EUR/PLN11. Posiadane informacje pozwalają na odtworzenie pełnej struktury arkuszy zleceń w kolejnych sekundach aktywności rynku międzybankowego. Wiedza na ten temat umożliwia wszechstronną analizę procesu transakcyjnego, ponieważ dane dotyczące wszystkich zleceń (a nie tylko najbardziej konkurencyjnych) pozwalają np. na wyznaczenie w wybranych momentach dowolnie zdefiniowanych miar płynności rynku. Platforma transakcyjna RSM stanowi typowy przykład zdecentralizowanego ciągłego rynku finansowego kierowanego zleceniami12 (ang. order-driven market). Dealerzy walutowi wprowadzają do systemu oferty zakupu lub sprzedaży walut. Są one realizowane natychmiast względem jednego lub kilku najbardziej konkurencyjnych przeciwstawnych zleceń figurujących w systemie (zlecenia rynkowe) albo – w przypadku braku odpowiadających przeciwstawnych ofert – trafiają do arkusza zleceń, oczekując przez zadany okres na realizację (zlecenia z limitem ceny). W systemie dealerzy mają dostęp do następujących informacji: (1) najlepszego (najbardziej konkurencyjnego) kwotowania bid oraz ask dla poszczególnych par walutowych – w rozbiciu na kwotowany kurs oraz wartość zlecenia (ang. size) oraz (2) danych o kilku ostatnich zawartych transakcjach na poszczególnych parach walutowych – w rozbiciu na ich kurs oraz wartość. Dealerzy walutowi nie znają zatem całej struktury arkuszy zleceń (wszystkich zleceń kupna i sprzedeży zarejestrowanych w systemie), lecz tylko oferty najbardziej konkurencyjne w danej chwili. Na platformie Reuters Spot Matching transakcje mogą być zawierane wyłącznie przez banki. Transakcje zawierane są zarówno na krajowym rynku walutowym, jak i rynku offshore. transakcyjne obejmują: zarejestrowane kursy poszczególnych transakcji, ich wartości wyrażone w milionach euro lub USD oraz czas zawarcia (podany z dokładnością do jednej sekundy czasu zachodnioeuropejskiego). Zbiory danych transakcyjnych obejmują również indykatory wskazujące, czy dana transakcja stanowiła zakup waluty obcej (zdarzenie zostało zainicjowane przez stronę popytu na walutę bazową, czyli euro, a kurs transakcji odpowiadał obowiązującemu w danym momencie kwotowaniu ask), czy sprzedaż waluty obcej (zdarzenie zostało zainicjowane przez stronę podaży, a kurs transakcji odpowiadał obowiązującemu w danej chwili kwotowaniu bid). Wszystkie prezentowane w artykule obliczenia i szacunki przeprowadzono w programie ekonometrycznym Gauss 8.0. 10 Zlecenia zarejestrowane w systemie RSM w podziale na zlecenia z limitem ceny oraz zlecenia rynkowe. Dane obejmują: (1) oferowany (kwotowany) poziom kursu, po jakim dealerzy zobowiązują się zawrzeć transakcję (tzw. firm quote), (2) wartość zlecenia (size), (3) indykator, czy dane zlecenie jest zleceniem zakupu czy sprzedaży. 11 W badaniu wykorzystano częściowo również zbiory danych transakcyjnych dotyczące pary walutowej EUR/USD. Posłużyły one na dalszym etapie analizy do konstrukcji przepływu zleceń w segmencie EUR/USD – jako jednego z możliwych czynników mogących w analizowanych okresach wpływać na fluktuacje kursu złotego. 12 Szerzej na temat ogólnego funkcjonowania rynków kierowanych zleceniami można np. przeczytać w pracy Gouriéroux, Jasiak (2001, s. 355). Dane 12 K. Bień Jednym z czynników determinujących sposób zawierania transakcji na międzybankowym rynku walutowym jest jej wielkość. Małe transakcje (głównie o wartości 1–3 mln euro) realizowane są obecnie w systemach automatycznie kojarzących oferty kupna i sprzedaży (ang. brokerage systems), a zatem po kursach kwotowanych przez dealerów w ich ofertach wprowadzonych do systemu. Duże transakcje poprzedzane są negocjacjami prowadzącymi do ustalenia indywidualnych warunków wymiany w systemie Reuters Dealing Direct, telefonicznie lub za pośrednictwem brokera głosowego (por. Rime 2003). Na rynku walutowym funkcjonują dwie elektroniczne platformy, automatycznie kojarzące oferty kupna i sprzedaży: Reuters Spot Matching System oraz Electronic Brokerage Services (EBS), przy czym obrót walutami krajów Europy Środkowo-Wschodniej dokonywany jest prawie wyłącznie za pośrednictwem pierwszego z wymienionych systemów. Zgodnie z wynikami badań ankietowych Banku Rozrachunków Międzynarodowych (por. BIS 2004, s. 60 oraz BIS 2007, s. 50) średnie dzienne obroty netto na kasowym rynku złotego (łącznie rynek krajowy i offshore) wynosiły ponad 1,5 mln USD w kwietniu 2004 r. oraz ponad 4,8 mln USD w tym samym miesiącu 2007 r. Należy zauważyć, że średnia wartość obrotów wzrosła w ciągu trzech lat ponadtrzykrotnie. Wzrost płynności rynku złotego należy przypisać przede wszystkim zwiększonej aktywności funduszy hedgingowych, wykorzystujących strategie carry trade oraz algorithmic trading, jak również stabilnemu trendowi aprecjacyjnemu złotego, zachęcającemu inwestorów do inwestycji w papiery wartościowe nominowane w polskiej walucie13. Zarówno w 2004 r., jak i w 2007 r. obroty na platformie Reuters Spot Matching stanowiły prawie 30% wartości wszystkich transakcji na kasowym rynku złotego oraz ponad 40% wartości transakcji zawartych na rynku międzybankowym14. W związku z dużym wykorzystaniem platformy RSM na rynku złotego dane z tego systemu transakcyjnego mogą być traktowane jako reprezentatywna próba rejestracji aktywności banków w tym segmencie rynku finansowego. 3.2. Wstępny opis danych Na wykresie 1 zilustrowano zróżnicowanie liczby transakcji w zależności od pory dnia określonej za pomocą czasu środkowoeuropejskiego (CET). W obu analizowanych okresach aktywność na rynku złotego koncentruje się przede wszystkim między godziną 8.00 a 18.00 CET. Poza tym przedziałem czasowym zarówno liczba, jak i wartość zawieranych transakcji jest znikoma. Dodatkowo, aktywność rynku jest wyraźnie obniżona w godzinach 12.00–14.00 ze względu na dobrze opisany w literaturze „efekt lunchu” (por. Gourieroux, Jasiak, LeFol 1999; Gourieroux, Jasiak 2001). Silne zróżnicowanie wartości transakcji zawieranych na rynku złotego w zależności od okresu, pary walutowej oraz pory dnia wpłynęło na decyzję o ograniczeniu badania do okresów, w których rynek złotego jest stosunkowo płynny. Ponieważ brak dostatecznej liczby obserwacji w poszczególnych interwałach czasowych może mieć negatywny wpływ na jakość otrzymanych 13 Szerzej na ten temat przyczyn wzrostu płynności oraz stosowanych strategii transakcyjnych na rynku złotego można przeczytać w NBP (2005). transakcji, jakie banki mające status podmiotów sprawozdających w badaniu BIS (2007) zawarły z innymi podmiotami sprawozdającymi oraz innymi instytucjami finansowymi. Szacuje się, że po wyłączeniu transakcji zawartych z podmiotami niebankowymi udział transakcji wykonanych w systemie RSM byłby znacznie większy. 14 Wartość 13 Przepływ zleceń a kurs walutowy… Wykres 1 Średnia liczba transakcji zawartych w ciągu godziny w zależności od pory dnia (CET) II połowa 2004 r. 2007 r. 35 120 30 100 25 80 20 60 15 40 10 20 5 0 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 24:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 24:00 0 wyników, w odniesieniu do 2004 r. badaniem objęto dni robocze pomiędzy godziną 9.00 a 17.0015. Z powodu znacznej poprawy płynności rynku złotego w 2007 r. badanie empiryczne dla tego okresu przeprowadzono na podstawie obserwacji zarejestrowanych pomiędzy 8.00 a 18.0016. Z danych dla obu rozważanych lat usunięto również obserwacje, które z wysokim prawdopodobieństwem mogły zostać uznane za nietypowe, przypadające w dni świąteczne, oraz podokresy charakteryzujące się znikomą liczbą trasakcji. Zbiory transakcji oraz zleceń poddano transformacji i agregacji celem skonstruowania szeregów czasowych o stałej częstotliwości (2, 3, 4, 5, 10, 15, 30 min., 1 godz., 8 godz. – 2004 r. i 10 godz. – 2007 r.) w odniesieniu do: – stóp zwrotu17 – logarytmicznych stóp zwrotu z kursów zleceń mid18, wyrażonych w punktach bazowych (rt = [(ln( PM, t ) − ln ( PM, t −1 )] ⋅10 4), 4 s t = przeprowadzono ( PA, t − PB, t ) ⋅ 10 na podstawie danych o bardzo wysokiej częstotliwości. Ograniczenie przeempiryczną działu czasowego ma na celu m.in. eliminację możliwych zniekształceń wnioskowania ekonometrycznego (np. eliminację tzw. sztucznej autokorelacji zmiennych, USD mającej źródło w braku obserwacji w poszczególnych interwałach rt = ω + γprac + εt 1 ⋅Δx t + γ 2 ⋅ Δ xto podobnym czasowych). W większości naukowych celu badawczym wykorzystano analogiczne podejście do problemu (por. m.in. Frömmel, Kiss, Pinter 2009; Scalia 2008). 16 Wyjątek stanowić będzie analiza wewnątrzdziennej sezonowości wybranych charakterystyk rynku złotego, którą 4 rt = [(ln ( P–M,dla ln ( lat PM, przeprowadzono t ) −obu t −1 )] ⋅ 10 – w celach porównawczych na podstawie danych odpowiadających godzinom 8.00– 18.00 CET. 17 W badaniu wyeliminowano Δ xt stopy zwrotów overnight, zatem pierwsza stopa zwrotu dla każdego z dni została obliczona na podstawie pierwszej i ostatniej ceny mid z pierwszego interwału dla każdego dnia. USD 18 Analizowanie stóp zwrotu Δ xt z kursów mid (zamiast kursów transakcyjnych) może mieć duże znaczenie dla wyników badania. Na międzybankowym rynku walutowym ceny zmieniają się w sposób dyskretny, a minimalną możliwą wielkością, o jaką kurs może się zmienić, jest tzw. pips, który w odniesieniu do par walutowych USD/PLN lub EUR/ Δ xtUSD PLN wynosi 0,0001 kursu wyrażonego w złotych (setna część grosza). Dyskretne zmiany kursów transakcyjnych prowadzą do występowania tzw. odbicia bid-ask (bid-ask bounce – transakcje zakupu waluty obcej, zawierane są rt = ω + αkursie ⋅ rt −1 +sprzedaży γ1 ⋅ Δ xt +(ask), γ2 ⋅ Δnatomiast xtUSD + ε t transakcje sprzedaży waluty obcej dokonywane są po po aktualnie oferowanym aktualnie oferowanym kursie kupna (bid). Przeprowadzenie badania na podstawie kursów mid ma zatem tę zaletę, że eliminuje z procesu zmian cen „sztuczną” zmienność, wynikającą wyłącznie z mechanizmu, zgodnie z którym rt = ω + α ⋅ rt −1 + γ~1 + γs ⋅ st + S (υ~, τ ) ⋅ Δ xt + εt realizowane są transakcje. 15 Analizę [ ] εt = σt2 ⋅ ηt (4) σ = exp(σ ) ⋅ exp ( σ ) 2 t 2 1, t 2 2, t 14 K. Bień – wartości obrotu (ang. volume) – sumy wartości transakcji zawartych pomiędzy momentami t a t – 1 (zmienną wyrażono wt w mln euro), – przepływu zleceń – różnicy pomiędzy wartościami transakcji zakupu i sprzedaży zawartymi pomiędzy momentami t a t – 1 w segmencie EUR/PLN (zmienną Δxt wyrażono w mln euro) i EUR/ USD (zmienną ΔxtUSD wyrażono w mln euro), (rt = [(ln( PM, t ) − ln ( PM, t −1 )] ⋅10 4) – spreadu bid-ask – różnicy pomiędzy najniższym kwotowanym kursem ask oraz najwyższym kwotowanym kursem bid w momencie t (zmienną s t = ( PA, t − PB, t ) ⋅ 10 4 wyrażono w pipsach, czyli setnych grosza). USD rt = ω + badań γ1 ⋅ Δ xtprzeprowadzonych + γ 2 ⋅ Δ xt + ε t Ponieważ zasadnicza część artykułu dotyczy wyników na podstawie szeregów czasowych o częstotliwości piętnastominutowej, w tabeli 1 przedstawiono podstawowe rt = [(ln ( PM, t ) − ln ( PM, t −1interwałach )] ⋅ 10 4 statystyki opisowe zmiennych zagregowanych na piętnastominutowych czasowych. Szeregi czasowe liczą odpowiednio: 4005 obserwacji (2004 r.) oraz 10 080 obserwacji (2007 r.). Na Δ xt rynku EUR/PLN w 2004 r. średnia wartość transakcji dokonanych w ciągu piętnastu minut wynoUSD siła 8,762 mln euro (dla około siedmiu transakcji), a zatem Δ xt przeciętna kwota wymiany to 1,2 mln euro. W 2007 r. rynek EUR/PLN był około trzy razy większy. W ciągu piętnastu minut dokonywano xtUSD a więc przeciętna wartość pojedynczej średnio 19,5 transakcji o łącznej wartości 27,797 mln Δeuro, transakcji wynosiła około 1,4 mln euro. USD rt =transakcji ω + α ⋅ rt −1 +zakupu γ1 ⋅ Δ xt +dolara γ2 ⋅ Δ xlub ε t za złote+euro t W obu analizowanych okresach średnia wartość go była większa niż wartość transakcji sprzedaży, a zatem średnia wartość przepływu zleceń by= ω + α ⋅ rt −1 +[γ~1 +wartości γs ⋅ st + S (przepływu υ~, τ )]⋅ Δ xt +zleceń εt ła dodatnia. Kształtowanie się kursu EUR/PLN orazrt skumulowanych na piętnastominutowej częstotliwości przedstawiono na wykresie 2. Można zaobserwować, że εt = σt2 ⋅ ηt σt2 = exp(σ1,2t ) ⋅ exp ( σ 2,2 t ) Tabela 1 Miary opisu statystycznego charakterystyk procesu transakcyjnego na 15-minutowach σ 2 = S (ν, τzdefiniowanych ) 1,t interwałach czasowych Zmienna Średnia εt2−1 + γ~1 ⋅ s t + γ~2 ⋅ wt 2 exp ( σ ) Skośność 1,t −1 Kurtoza ~ σ 2,2 t = ω~ + α~ ⋅ σ 2,2 t −1 + β ⋅ Odchylenie standardowe ~ ⋅ sin [2 π (2l − 1)τ ] + υ~ ⋅ cos [2 π (2l ) τ] S (υ~, τ) = υ~0 ⋅τ2004 r. + ∑υ 2 l −1 2l 2 l =1 Przepływ zleceń (mln EUR) 0,417 Stopa zwrotu (punkty bazowe) -0,286 Spread bid-ask (liczba pipsów) 9,129 Obrót (liczba transakcji) 7,049 Obrót (mln euro) 8,718 7,413 7,831 0,225 Stopa zwrotu (punkty bazowe) -0,064 Spread bid-ask (liczba pipsów) 3,368 Obrót (liczba transakcji) 19,525 Obrót (mln euro) 27,797 18,642 l =1 3,851 29,735 6,624 116,456 ~ ~ ~ ~ ω , 8,829 α , γ1 , γ2 , ω~, α~, β4,082 , γ1 , γ2 , υi , νi 38,727 ÷4 i = 012,248 S (υ~,2007 r. τ ) γs ⋅ st γs ⋅ st Przepływ zleceń (mln EUR) 1,161 S (ν, τ )7,740 = ν0 ⋅ τ + ∑ν 2 l −10,216 ⋅ sin [2 π (2l − 1)τ ]8,611 + ν2l ⋅ cos [2 π (2l )τ ] 2 15,605 S (υ~, τ ) -0,472 18,496 5,422 -0,051 6,885 2,551 3,807 35,035 y−1, t =17,533 −1 2,397 12,458 27,912 2,863 16,859 Δ xt ⋅ st y0 , t = 0 y1, t = 1 π jt , ( j ∈ {−1,0,1}) 15 Przepływ zleceń a kurs walutowy… w przeciwieństwie do obserwowanego w obu rozważanych okresach trendu umacniania się złotego, na rynku realizowano głównie rynkowe, czyli „agresywne” zlecenia zakupu euro19. Zachowanie to może wyglądać na sprzeczne z intuicją. Wydaje się jednak, że silny trend aprecjacji złotego miał swoje źródło w poziomach kursu kwotowanego przez dealerów (wprowadzanego do systemu w postaci zleceń z limitem ceny, na podstawie których dochodzi do zawarcia transakcji). Długookresowa tendencja wzrostu wartości złotego wynikała zatem z pewnego konsensusu na rynku, ponieważ banki odzwierciedlały swoje oczekiwania co do aprecjacji w poziomie składanych ofert kupna i sprzedaży. Z kolei wahania kursu wynikające z przepływu zleceń miały charakter ściśle krótkookresowy i nie były w stanie odwrócić tej tendencji. Takie podobieństwo krótkookresowych formacji kursów oraz obserwowanych wahań skumulowanego przepływu zleceń jest na wykresie 2 wyraźnie widoczne. Tezę tę potwierdza także wykres 3, na którym przedstawiono relację pomiędzy przepływem zleceń (Δxt) a stopą zwrotu z kursu złotego (rt). Zgodnie z wnioskami z licznych analiz mikrostruktury rynków walut krajów rozwiniętych oraz krajów emerging markets na rynku złotego można także zaobserwować wyraźną dodatnią zależność pomiędzy stopą zwrotu z kursu EUR/PLN a wartością przepływu zleceń. Na podstawie nieparametryczego (jądrowego) oszacowania funkcji regresji20 (ang. kernel regression) można wnioskować, że w odniesieniu do danych zagregowanych na piętnastominutowej częstotliwości związek ten ma w przybliżeniu charakter relacji liniowej. Dobrze opisaną w literaturze własnością finansowych szeregów czasowych o bardzo wysokiej częstotliwości jest tzw. wewnątrzdzienna sezonowość (ang. intraday seasonality, diurnality), która wiąże się z obserwowalnym i powtarzającym się co 24 godziny charakterystycznym schematem Wykres 2 Kształtowanie się kursu EUR/PLN oraz skumulowanego przepływu zleceń II połowa 2004 r. 2007 r. 3 500 4,50 3 000 4,40 1 500 3,70 4,10 1 000 3,60 500 3,50 3,80 2.12 2.11 2.10 2.09 2.08 -500 2.07 0 3,90 -1 000 19 Ciekawe 4,00 2.06 1.12 1.11 1.10 1.09 1.08 1.07 -500 3,80 2 000 4,20 500 0 4,00 3,90 2 500 2.05 1 000 zł 2.04 1 500 4,60 mln euro 2.03 zł 2.02 mln euro 2.01 2 000 -1 000 3,40 3,30 Skumulowany przepływ zleceń Skumulowany przepływ zleceń Kurs EUR/PLN Kurs EUR/PLN zjawisko, polegające na obserwowaniu dodatnich wartości przepływu zleceń dla walut bazowych, udokumentowano również w pracach Evansa i Lyonsa (2002b) oraz Bergera i in. (2008). 20 Wykorzystano estymator Nadaraya-Watsona i postać funkcji jądra zadaną rozkładem normalnym, natomiast optymalną wartość parametru wygładzania wybrano na podstawie tzw. reguły kciuka; por. Silverman (1986). Więcej na temat funkcji regresji nieparametrycznej przeczytać można m.in. w następujących pracach: Nadaraya (1989), Domański, Pruska (2000). 16 K. Bień Wykres 3 Relacja pomiędzy stopami zwrotu z kursu EUR/PLN a przepływem zleceń II połowa 2004 r. 2007 r. 60 40 Stopa zwrotu (w pkt bazowych) 20 0 -40 -30 -20 -10 0 -20 10 20 -40 -60 -80 Przepływ zleceń (w mln euro) 30 40 Stopa zwrotu (w pkt bazowych) 30 40 20 10 0 -80 -60 -40 -20 -10 0 20 40 60 80 -20 -30 -40 -50 Przepływ zleceń (w mln euro) Uwaga: kolorem szarym oznaczono poszczególne obserwacje, a czarnym – oszacowanie regresji jądrowej. aktywności rynku (por. Tsay 2005, s. 212). Wewnątrzdzienny scenariusz, według którego funkcjonuje rynek, potwierdza zasadność założeń mikrostrukturalnych modeli informacji, zgodnie z którymi aktywność na rynku zmienia się w miarę napływu sygnałów informacyjnych. W odniesieniu do rynku złotego należałoby się spodziewać, że najwięcej nowych informacji przypada na godziny poranne, kiedy zaczyna aktywnie funkcjonować lokalny rynek międzybankowy oraz rynek w Londynie, na którym dokonuje się przeważającej liczby transakcji wymiany złotego. Na wykresach 4–7 przedstawiono odwzorowania funkcji wewnątrzdziennej sezonowości wartości transakcji oraz spreadu bid-ask, czyli zmiennych reprezentujących płynność rynku21. Można zauważyć, że zarówno w 2004 r., jak i 2007 r. płynność rynku była średnio najmniejsza w godzinach porannych oraz późnym popołudniem. Odwzorowania wenątrzdziennej sezonowości dla wartości transakcji mają w przybliżeniu kształt litery „M” (por. wykresy 4–5). Największe wartości transakcji rejestrowano pomiędzy godziną 9.30 a 10.30 oraz pomiędzy godziną 14.30 a 15.30, natomiast najmniejsze rano oraz późnym popołudniem. Przykładowo, w 2007 r. w segmencie EUR/PLN najwyższą średnią wartość transakcji można było zaobserwować około godziny 10.00 – w ciągu piętnastu minut wynosiła ponad 30 mln euro – oraz około godziny 15.00, kiedy sięgała 38 mln euro. Między godziną 12.00 a 14.00 średnia wartość transakcji zawartych w ciągu piętnastu minut była nawet o 30% niższa niż między godziną 14.30 a 15.30. Ciekawy jest również fakt, że najniższe wartości dokonywanych transakcji zarejestrowano w poniedziałki, kiedy na rynku panuje zazwyczaj duża niepewność w związku z informacjami, które napłynęły w trakcie week21 Odwzorowania te oszacowano, wykorzystując model regresji nieparametrycznej (estymator jądrowy regresji wybranych zmiennych względem piętnastominutowych interwałów czasu wewnątrz okresu 8.00-18.00. Do estymacji wykorzystano postać funkcji jądra quartic, a optymalną wartość parametru wygładzania obliczono jako 2,78sN-0,2, gdzie s oznacza odchylenie standardowe danych, natomiast N – liczbę obserwacji. Taką metodą oszacowania funkcji sezonowości wewnątrzdziennej wykorzystano m. in. w pracy: Bauwens, Veredas (2004). 17 Przepływ zleceń a kurs walutowy… endu. Niskie wartości obrotów w piątki po południu (2004 r.) mogą prowadzić do stwierdzenia, że w przypadku okresów, co do których panuje wysoka niepewność (tzw. efekt poniedziałku oraz efekt końca tygodnia), obserwuje się zazwyczaj mniejszą wartość obrotów na rynku. Rozliczenie transakcji kasowych na rynku międzybankowym następuje zawsze w drugim dniu roboczym po ich zawarciu. Z tego względu zawarcie transakcji w piątek istotnie zwiększa ryzyko wynikające z możliwych zmian kursu do wtorku (wpływ na poziom kursu mają bowiem wydarzenia i informacje opublikowane w weekend), jak również ryzyko rozliczeniowe takiej transakcji (tzw. ryzyko banku Herstatt22). Wykres 4 Wewnątrzdzienna sezonowość wartości transakcji w II połowie 2004 r. poniedziałek 13 wtorek Obroty (w mln euro) 11 środa 9 czwartek 7 piątek 5 3 1 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 Czas CET Wykres 5 Wewnątrzdzienna sezonowość wartości transakcji w 2007 r. poniedziałek 50 Obroty (w mln euro) wtorek środa 40 czwartek piątek 30 20 10 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 Czas CET 22 Bank Hersttat to bank niemiecki, który upadł w 1974 r. m.in. wskutek problemów z uregulowaniem swoich zobowiązań finansowych. Z powodu różnic czasowych banki amerykańskie, będące kontrahentami transakcji zawartych z bankiem Hersttat niedługo przed jego upadkiem, nie otrzymały przelewu środków z tytułu zawartych transakcji walutowych. 18 K. Bień Wykres 6 Wewnątrzdzienna sezonowość spreadu bid-ask w okresie lipiec – grudzień 2004 r. poniedziałek Spread bid-ask (w pipsach) 110 100 wtorek 90 środa 80 czwartek 70 piątek 60 50 40 30 20 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 Czas CET Odwzorowanie wewnątrzdziennej sezonowości dla spreadu bid-ask ma w przybliżeniu kształt litery „U”, tzn. największą wartość spreadu bid-ask obserwowano w godzinach porannych oraz późnym popołudniem. Przykładowo, w 2007 r. w segmencie EUR/PLN średnia wartość procentowego spreadu bid-ask około 8.00-8.30 wynosiła ponad 20 pipsów, natomiast w godzinach 10.00-13.00 była około dwukrotnie mniejsza (około 10 pipsów). Największe wartości spreadu bid-ask zarejestrowano w godzinach porannych (głównie w poniedziałki) oraz w piątki po południu. Zgodnie Wykres 7 Spread bid-ask (w pipsach) Wewnątrzdzienna sezonowość spreadu bid-ask w 2007 r. 25 poniedziałek 23 wtorek 21 środa 19 czwartek 17 piątek 15 13 11 9 7 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 Czas CET 19 Przepływ zleceń a kurs walutowy… z teorią mikrostruktury na kształtowanie się spreadu bid-ask wpływają trzy czynniki: (1) ochrona przed potencjalnym ryzykiem strat ponoszonych przy dokonywaniu transakcji z kontrahentami dysponującymi lepszą informacją (ang. adverse selection protection), (2) ryzyko utrzymywania otwartej pozycji w obcej walucie (ang. inventory risk), (3) koszty transakcyjne (por. Rime 2003; Sarno, Taylor 2001). Ze względu na różne prawdopodobieństwo napływu sygnałów informacyjnych w zależności od pory dnia oraz w związku z pierwszym z czynników wymienionych powyżej, zwiększenia rozpiętości spreadu bid-ask należałoby spodziewać się szczególnie w godzinach porannych, kiedy rynek absorbuje wiedzę na temat wydarzeń mających miejsce w nocy. Otrzymany wykres funkcji wewnątrzdziennej sezonowości spreadu bid-ask potwierdza tę tezę. 4. Wpływ przepływu zleceń na kurs złotego 4.1. Model podstawowy Wstępnego oszacowania wpływu przepływu zleceń, czyli wartości „niezbilansowanych” transakcji zakupu lub sprzedaży walut obcych, na kurs złotego dokonano na podstawie modelu regresji liniowej. Na tym etapie analizy akcent położono na prostą i „przejrzystą” konstrukcję ekonometryczną, dzięki której możliwa jest bezpośrednia porównywalność otrzymanych wyników z wynikami podobnych badań prezentowanych w literaturze (por. Frömmel, Kiss, Pinter 2009; Berger i in. 2008; Scalia 2008). Zastosowanie modelu regresji liniowej do stopy zwrotu z kursu walutowego może być (rt = [(liniowym ln( PM, t ) − ln ( PM, t −1 )] ⋅10 4) regresji nieparametrycznej porównież uzasadnione w przybliżeniu odwzorowaniem 4 zmiennymi (por. wykres 3). Wykorzystanie parametrycznej specyfikacji modelu umożli) (między rt = [(ln( P M, t ) − ln ( PM, t −1 )] ⋅10 4 wia jednak kwantyfikację zobrazowanej Przyjęto następującą postać modelu regresji: s t = ( PAzależności. , t − PB, t ) ⋅ 10 s t = ( PA, t − PB, t ) ⋅ 10 4 (1) rt = ω + γ1 ⋅ Δ xt + γ2 ⋅ Δ xtUSD + ε t USD rt = ω + γ1 ⋅ Δ xt + γ2 ⋅ Δ xt + ε t W równaniu opisującym kształtowanie logarytmicznej4 stopy zwrotu z kursu EUR/PLN rt = [(ln ( PM,się t ) − ln ( PM, t −1 )] ⋅ 10 4 (rt = [(ln ( PM, t ) − ln ( PM, t −1 )] ⋅ 10 ) oprócz przepływu zleceń na rynku złotego (Δxt) jako drugą zmienΔ xt zleceń na rynku EUR/USD (ΔxtUSD w mln euro). Wszystkie ną objaśniającą uwzględniono przepływ Δ xt zmienne zdefiniowano w części 3.2 artykułu. Wykorzystanie zmiennej ΔxtUSD ma na celu dodatkoUSD Δ x t weΔzobrazowanie wpływu potencjalnych heterogenicznych oczekiwań inwestorów odnośnie do xtUSD relacji wartości dolara do euro. Zgodnie Δ xtUSDz podejściem przyjętym w badaniu Scalii (2008) założoUSD Δ x t no, że takie oczekiwania bądź preferencje mogą pośrednio wpływać na zmianę wartości złotego względem euro. USD + εt USD rt = ω + α ⋅ rt −1 + γ1 ⋅ Δ xt + γ2 ⋅ Δ xt rt = ω α ⋅ r γ ⋅ Δ x γ ⋅ Δ x ε + + + + t − 1 1 t 2 t t W pracach Bergera i in. (2008) oraz Scalii (2008) dowodzi się zróżnicowanej reakcji kursu walutowego na zakup netto waluty bazowej w zależności od częstotliwości agregacji danych. W pierw~ + γ ⋅ s + S (υ~, τ )]rt⋅ Δ=xω++εα ⋅ rt −1 +[γ~1 + γs ⋅ st + S (υ~, τ )]⋅ Δ xt + εt + + r = ω α ⋅ r γ [ t t − 1 1 s t t t szym z wymienionych badań przedmiotem analizy są bardzo duże i płynne segmenty rynku walutowego: EUR/USD oraz USD/JPY, natomiast rozważaną platformą transakcyjną – platforma EBS 2 εt = σsystemie (Electronic transakcyjnym, automatycznie kojarzącym zleεt = σt2 ⋅ ηt Brockerage Services). W tym t ⋅ ηt (4) cenia zakupu i sprzedaży, dokonuje się większości operacji wymiany EUR/USD i USD/JPY na ryn2 2 2 2 2 2 σt = expże (σwartość σ 2, t ) σt międzybankowym. = exp(σ1, t ) ⋅ exp ( σ 2, t )Autorzy wykazują, 1, t ) ⋅ exp (oddziaływania ku przepływu zleceń na zmiany (5) 2 kursu walutowego maleje wraz ze wzrostem długości interwałów czasowych, względem których 2 σ 1,t = S (ν, τ ) σ 1,t = S (ν, τ ) (6) ~ σ 2,2 t = ω~ + α~ ⋅ σ 2,2 t −1 + β ⋅ ~ ~ 2 ~ ε exp ( σ 2 t −1 2 1,t −1 ) ~++γ~α ~ σt 2 +σγ~21 ⋅=s tω 2 ⋅ ⋅w 2, t 2, t −1 ~ 2 ~ +β⋅ ε exp ( σ 2 t −1 2 1,t −1 ) ~ + γ~(7) 1 ⋅ s t + γ 2 ⋅ wt (4 (5 (6 (7 20 K. Bień zmienne te zostały zdefiniowane. Wewnątrzdzienna zmiana kursu walutowego w odpowiedzi na zakup netto waluty obcej ulega znacznemu osłabieniu w perpektywie kilkudniowej, a nawet redukcji do około 30% pierwotnej wartości w perspektywie kilkumiesięcznej. Podobny kierunek wnioskowania może wynikać z badania Scalii (2008), przeprowadzonego na podstawie danych z platformy Reuters D2000-2 (wcześniejsza wersja systemu RSM) dla segmentu EUR/CZK. Na wykresie 8 czarną linią ciągłą oznaczono reakcję stóp zwrotu z kursu EUR/PLN na zakup netto 1 mln euro (γ1) w zależności od częstotliwości agregacji danych (por. wzór 1). Liniami przerywanymi oznaczono granice 99% przedziału ufności dla oszacowań parametrów. Przedział ten wyznaczono na podstawie średnich błędów szacunku odpornych na heteroskedastyczność składnika losowego (por. White (1980). Zarówno w II połowie 2004 r., jak i w 2007 r. zaobserwowano istotny, statystycznie dodatni wpływ zakupu netto euro na zmiany kursu EUR/PLN. Przykładowo, w odniesieniu do danych zagregowanych na piętnastominutowej częstotliwości w II połowie 2004 r. ocena parametru γ1 wyniosła około 0,45. Oznacza to, że w tym okresie przy średnim poziomie kursu EUR/PLN wynoszącym 4,33 zakup netto 10 mln euro z reguły powodował natychmiastowy spadek wartości złotego o około 19–20 pipsów (ceteris paribus). Z kolei w 2007 r. ze względu na znaczną poprawę płynności rynku oszacowanie parametru γ1 było znacznie niższe i wynosiło około 0,19. Przy średnim poziomie kursu EUR/PLN 3,78 oznacza to, że zakup netto 10 mln euro powodował wzrost kursu walutowego EUR/PLN średnio o około 7 pipsów23. Trzykrotnemu wzrostowi wielkości rynku EUR/PLN w latach 2004 i 2007 towarzyszyła zatem trzykrotna poprawa odporności kursu złotego na wahania wartości przepływu zleceń. W 2004 r. wartość reakcji stopy zwrotu z kursu walutowego rosła w miarę zmniejszania częstotliwości agregacji szeregów czasowych, od około γ1 = 0,3 w odniesieniu do częstotliwości dwuminutowej do około γ1 = 0,48 w przypadku częstotliwości ośmiogodzinnej, przy czym największy przyrost można zaobserwować, zmniejszając częstotliwość agregacji od częstotliwości dwuminutowej o kilka minut. Oznacza to, że dealerzy bankowi nie dostosowywali kwotowań kursu do informacji wynikającej z przepływu zleceń natychmiast, lecz czynili to co najmniej po upływie około 4–5 minut. W 2007 r., kiedy rynek złotego był około trzykrotnie większy niż w II połowie 2004 r., reakcja stopy zwrotu na zmianę wartości przepływu zleceń następowała nieomal natychmiast i wynosiła 0,2 punktu bazowego. Siła reakcji utrzymywała się na stałym poziomie w odniesieniu do częstotliwości kilku- i kilkunastominutowej, a następnie – w miarę dalszego zmniejszania częstotliwości – ulegała osłabieniu do około 85% pierwotnej wartości dla 10 godzin. Należy się spodziewać, że zgodnie z wynikami Bergera i in. (2008) oddziaływanie to powinno ulegać dalszej redukcji w dłuższym okresie, co potwierdzałoby w części krótkookresowy, przejściowy charakter odziaływania przepływu zleceń (por. wykres 2). Otrzymane wartości współczynników determinacji nie są tak wysokie jak w pracy Bergera i in. (2008), wykazują jednak podobną tendencję – wartości R2 najpierw stopniowo wzrastają wraz ze zmniejszaniem częstotliwości agregacji danych, a potem zaczynają maleć. Wzrost wartości współczynników determinacji wraz z wydłużaniem interwałów czasowych dla częstotliwości wewnątrzdziennych może wynikać ze stopniowej redukcji niedoskonałości w procesie odzwierciedlania wartości informacyjnej przepływu zleceń w poziomach kursu. Wraz ze zwiększaniem czę23 Reakcja kursu na przepływ zleceń wydaje się w znacznym stopniu zdeterminowana wielkością (płynnością) rynku. Z badania Scalii (2008), przeprowadzonego dla rynku CZK/EUR w 2002 r. (około dwukrotnie mniejszego od rynku EUR/PLN w II połowie 2004 r.), wynikało, że zakup netto 10 mln euro powodował wzrost stopy zwrotu z kursu o około 7,6 punktów bazowych, zatem w przybliżeniu dwukrotnie więcej niż na rynku złotego. 21 Przepływ zleceń a kurs walutowy… Wykres 8 Reakcja stopy zwrotu z kursu EUR/PLN na przepływ zleceń o wartości 1 mln euro II połowa 2004 r. 2007 r. 0,10 0,25 0,20 0,15 2 min. 8 godz. 2 godz. 1 godz. 30 min. 15 min. 10 min. 0,00 4 min. 0,00 5 min. 0,00 2 min. 0,05 3 min. 0,10 0,05 2 godz. 0,30 10 godz. 0,10 0,20 0,35 0,15 1 godz. 0,15 0,30 0,20 30 min. 0,20 0,40 15 min. 0,50 0,40 5 min. 0,25 10 min. 0,60 0,25 4 min. 0,30 3 min. 0,70 gamma 1 95% przedziału ufności gamma 1 95% przedziału ufności 95% przedziału ufności R kwadrat 95% przedziału ufności R kwadrat Uwaga: wartości oszacowań parametrów przedstawiano na lewej osi, a współczynników determinacji na prawej osi. stotliwości agregacji danych niwelowaniu podlega tzw. szum mikrostruktury (ang. microstructure noise) (por. m.in. Aït-Sahalia, Yu 2009). Tzw. tarcia rynkowe (ang. market frictions), wykazywane w badaniach prowadzonych na szeregach czasowych o bardzo wysokiej częstotliwości, mają bardzo duży udział w wariancji analizowanych zmiennych i mogą zniekształcić lub zmniejszyć wyrazistość analizowanych zależności. Należy dodać, że w 2004 r. dla częstotliwości wyższych niż 15 min. istotny wpływ (przy poziomie istotności 10%) na kurs złotego miał również przepływ zleceń na rynku EUR/USD. Oszacowania parametru γ2 były wówczas dodatnie, a zatem zakup netto euro w tym segmencie mógł pośrednio wpływać (przez postrzegany przez uczestników rynku wzrost wartości euro do dolara) na krótkookresowy spadek wartości złotego względem euro. Wniosek ten potwierdza koszykowy charakter złotego w tamtym okresie. W 2007 r., kiedy o sile polskiej waluty informował prawie wyłącznie kurs EUR/PLN, przepływ zleceń na rynku EUR/USD miał dużo mniejsze znaczenie dla zmian kursu złotego. Istotny (przy poziomie istotności 10%) wpływ zmiennej ΔxtUSD zaobserwowano na częstotliwościach 4, 10 i 15 min. Jednak oszacowania parametrów były – wbrew oczekiwaniom – ujemne, co oznacza, że zakup netto euro w segmencie EUR/USD miał natychmiastowy dodatni wpływ na wzrost wartości złotego. 4.2. Wewnątrzdzienna sezonowość reakcji kursu Podstawowa specyfikacja modelu (1) wymusza ściśle liniową reakcję kursu na zmianę wartości przepływu zleceń. Zgodnie z teoretycznymi modelami mikrostruktury rynku prawidłowość taka nie musi być jednak zawsze prawdziwa. W pracy Admati, Pfleiderer (1988) dowiedziono np., że 22 K. Bień w okresach charakteryzujących się dużym wolumenem transakcji inwestorzy zawierają transakcje głównie na podstawie napływających sygnałów informacyjnych. W pracy Dufoura, Engle’a (2000) wykazano natomiast, że kiedy aktywność uczestników rynku maleje, to spada siła, z jaką poszczególne transakcje oddziałują na kurs akcji. W celu przeanalizowania zróżnicowania wpływu przepływu zleceń na stopy zwrotu w zależności od „chwilowej” płynności rynku przeprowadzono tzw. zaaranżowaną regresję (ang. (rt = [(ln( PM, t ) − ln ( PM, t −1 )] ⋅10 4) arranged regression). Analizowane szeregi czasowe posortowano oddzielnie rosnąco ze względu na zmienne: (1) porę dnia, tj. czas zarejestrowania4 obserwacji na przedziale 9.00–17.00 (8.00–18.00 s t =„wystandaryzowaną” ( PA, t − PB, t ) ⋅ 10 dla EUR/PLN w 2007 r.) oraz (2) średnią wartość spreadu bid-ask s–t na piętnastominutowym przedziale czasowym24. „Wystandaryzowanie” zmiennej s–t rozumiane jest jaUSD rt = ω + γ1 ⋅ Δ xt + γ2 ⋅ Δ xt + ε t ko podzielenie wartości przeciętnego spreadu bid-ask w piętnastominutowym okresie przez jego uśrednioną wartość, odpowiadającą poszczególnym okresom procesu transakcyjnego (interwałom 4 rt =w ten [(ln ( PMsposób PM, t −1 )] ⋅ 10 o długości 15 min.). Wyróżnione zmienne odzwierciedlają dwa nieskorelowane ze , t ) − ln ( sobą komponenty chwilowej płynności: (1) wewnątrzdzienną sezonowość oraz (2) niezależny od Δ xt pory dnia komponent płynności w badanych okresach. Na podstawie szeregów czasowych upoUSD rządkowanych rosnąco względem dnia oraz wartości spreadu bid-ask, wykorzystując metoΔ xpory t dę „ruchomego okna”, wielokrotnie oszacowano liniowe równanie regresji stóp zwrotu względem Δ xtUSD zmiennych Δxt oraz ΔxtUSD: rt = ω + α ⋅ rt −1 + γ1 ⋅ Δ xt + γ2 ⋅ Δ xtUSD + ε t (2) W każdej z regresji wykorzystano zleceń, którt = ω +50 α kolejnych ⋅ rt −1 +[γ~1 +obserwacji γs ⋅ st + S (υ~stóp , τ )]zwrotu ⋅ Δ xt + εi przepływu t re w przypadku pory dnia odpowiadały coraz późniejszym godzinom, a w przypadku spreadu bidask – rynkowi o coraz mniejszej płynności (coraz większej wartości spreadu bid-ask). Każdy z taε = σt2 ⋅ ηt kich modeli regresji szacowanyt jest zatem na podstawie danych z podokresów o różnej płynności 2 2 rynku (charakteryzujących się σ różną porą dnia bądź 2różnym spreadem bid-ask). Ciąg otrzymanych t = exp(σ1, t ) ⋅ exp ( σ 2, t ) oszacowań parametrów γ1, a zatem wartości reakcji kursu złotego na przyrost przepływu zleceń 2 τ) o 1 mln EUR, zilustrowano naσwykresie 1,t = S (ν, 9. Z przeprowadzonej analizy wynika, że w obu badanych okresach czynnikiem, który w du2 ε ~ 2 2 t − 1 ~ ~ żym stopniu wpływa na wrażliwość wartości przepływu σ 2, t = ωkursu σ 2, zmianę γ~2 ⋅ wt jest spread bid+ α ⋅ na + γ~1 ⋅ s t + zleceń, t −1 + β ⋅ 2 – exp ( σ ) 1,t −1 s jest większa niż 1) zaobserwoask. W okresach o relatywnie niskiej płynności (kiedy wartość t wano nawet kilkakrotnie silniejszą odpowiedź kursu złotego na nadwyżkę wartości transakcji 2 S (υ~, τ) =w porównaniu υ~0 ⋅τ + υ~2 l −1 z okresami ⋅ sin [2 π (2l −o wysokiej 1)τ ] + υ~2l ⋅ płynności. cos [2 π (2l ) τW odniesie] zakupu nad transakcjami sprzedaży l =1 niu do pory dnia wnioski nie są tak jednoznaczne. W 2004 r. reakcja kursu na przepływ zleceń 2 nie pozwala na wyodrębnienie wyraźnego istotnego „kształtu” wewnątrzdziennej sezonowości. S ( ν , τ ) = ν ⋅ τ + ν ⋅ sin [2 πreakcja (2l − 1)kursu τ ] + ν2na [2 π (2l )zleceń τ] 0 2 l − 1 l ⋅ cos Z odmienną sytuacją mamy do czynienia w 2007 r., kiedy przepływ była l =1 wyraźnie silniejsza w godzinach porannych, między 8.00 a 9.00, oraz popołudniowych, między ~ ~ ~ ~ ~ ~ zróżnicowaną 17.00 a 18.00. Wykres 9 dokumentuje nieliniową, w zależności od pory dnia ω , α , γzatem 1 , γ2 , ω , α , β , γ1 , γ2 , υi , νi i „wystandaryzowanego” spreadu bid-ask reakcję kursu EUR/PLN na przepływ zleceń w 2007 r. i = 0 ÷ 4 relacji za pomocą modelu o charakterze parametrycznym W celu odzwierciedlenia otrzymanych jako rozszerzoną wersję modelu badaniu proponuje się specyfikację: γs ⋅(2) st dlaS2007 r. γ ⋅s (υ~, τ ) w niniejszym S (υ~, τ ) t y−1, t = −1 (6) (7) (8) ∑ (9) t wartość spreadu bid-ask wyznaczono jako średnią arytmetyczną z wartości spreadu bid-ask zaobserwowanych w jednominutowych odstępach Δ x ⋅ sczasu składających się na pojedynczą piętnastominutową obserwację. t (5) ∑ s 24 Średnią (4) Przepływ zleceń a kurs walutowy… 23 Wykres 9 Wewnątrzdzienna sezonowość reakcji kursu na przepływ zleceń II połowa 2004 r. 1,40 1,40 1,20 Gamma_1 1,00 0,80 0,60 1,00 0,80 0,60 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50 1,60 1,70 1,80 1,90 2,00 18 17 16 15 14 9 13 0,00 12 0,20 0,00 11 0,40 0,20 10 0,40 8 Gamma_1 1,20 t A, t t B, t A, t B, t 0,45 Gamma_1 s = ( P − P ) ⋅ 1044 USD = ⋅ω γ1+0,40 ⋅γΔεx⋅t Δ+xγUSD ⋅Δ +ε s tt = ( PrAA,,t=t −ωP+BB,,tγt) ⋅r10 tt =+xtω γ ⋅USD Δ+x+xtUSD +xxεUSD +rr+tγ Δ + t ε⋅0,35 2 t + γt 2 ⋅ Δ 2 1ω = γ x Δ + ε tt rt =t ω + γ1 ⋅ Δ1 x⋅tΔ γ ⋅ x Δ + 1 0,30 t 2 t t 2t t t r = ω + γ ⋅ Δ x + γ ⋅ Δ xtUSD + ε t 0,25 rtt = ω + γ11 ⋅ Δ xtt + γ22 ⋅ Δ xrtUSD ε t( P0,204) − ln ( P 4 )] ⋅ 10 4 [(+ln 0,15 M ,(t PM, t −1 )] ⋅M , t −1 ))] 410 P=PM[( M ,tln ,)] −t ⋅110 r (t (= (−P⋅ln ) − ln ( P 10 )] ⋅ 10 4 r =rt[(=ln[((ln P ( P)Mr,−tt )= ln−[( (ln Pln t , t −1 M M, t Δ xtUSD USD Δ xtUSD USD xt Δ xΔ 18 17 16 15 14 13 12 11 10 t Czas Δ x USD xtUSDCET Δ xtΔt xΔ t t USD t Δ xtUSDΔΔxxUSD M0,10 ,t 0,05 0,00 M, t −1 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50 1,60 1,70 1,80 1,90 2,00 t r = [(ln ( P ) − ln ( PM, t −1 )]Δ⋅x1044 ΔMx, tt −1 )]Δ⋅x10t rtt = [(Δlnx(ΔPxMMt,,tt) − ln ( P 9 0,45 0,40 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 8 Gamma_1 4 4 4) − ln ( P ) Czas CET (r(t (P=P[(ln ( P410 M,(t P , t −1))] ⋅104spread bid-ask ))] ⋅M10 )−M,ln Standaryzowany M ,tln t −1()] ,)] −t ⋅110 ) rMt ,=t −M1[( (−P⋅ln ) P )] ⋅ 10 ) (rt (=rt[(=ln[((ln PM(, Pt )(Mr,−tt )= ln−[( ((ln Pln M, t M, t −1 4 (r = [(ln( P ) − ln ( P −1 )] ⋅102007 4 ) r. (rtt = [(ln( PMM,, tt) − lns ( P=MM,(,ttP )] ⋅ 10 4 s1 t =−(P PA), t) −⋅ 10 PB4, t ) ⋅ 1044 −410 s = ( P P ) ⋅ − t A , t B , t t A , t B , t s = ( P P − 0,50 0,50 ) ⋅ 10 s = ( P − P ) ⋅ 10 Standaryzowany spread bid-ask t USD USD USD t t t t Uwaga: kolorem szarym oznaczono oszacowania parametrów γ1, a czarnym – oszacowany na ich podstawie wykres USD regresji jądrowej (estymator Nadaraya-Watsona z funkcją jądra zadaną rozkładem normalnym i optymalnym parameUSD t USD USD USD t USD t kciuka”, por. t −1 Silverman 1 t 1986). 2 t t trem wygładzania wyznaczonym na podstawie „reguły USD Δx Δx Δx Δx Δx r α=Δ⋅ω ⋅ +Δεx + ε +α +2⋅γ⋅r⋅1rΔ⋅ Δ x+t+xγtγ++⋅⋅γ εΔ2tx⋅ Δ+xγ t t ωxrtt+−+1αγ + εt rt =rtω=+ωα+⋅αrt −⋅1rrt+t −=1γ+1ω⋅γrΔ+t1 x⋅= 1 t Δ xt + γ2 ⋅ Δ xt t + γ2 ⋅ Δ xtt−1 + ε USD rt = ω + α ⋅ rt −1 + γ1 ⋅ Δ xt + γ2 ⋅ Δ xUSD ε + t t rt = ω +r α= ⋅ωrt −+1 α Δ~+xωt γ ⋅γrΔ+⋅xstα + γr1 ⋅ = + r+~t γ =+2 ⋅ω ⋅γ~+r~tS−ε1+(tυ+~γ,[~τγ~⋅ 1)s]+⋅+Δ γsSx⋅(+υ s~t,ε+τ S](⋅~υ~ , τ )]⋅εΔ xt + εt +t [⋅+ α ) ⋅ r (3) [ t t − 1 1 s t t t − 1 1 s t t + + + + r = ω α r γ γ ⋅ s S (υΔ, τxt)+ ]⋅ Δt xt + εt rt = ω + α ⋅ rt −1 +[γ1 +t γs ⋅ st + S (tυ−1, τ [)]⋅1Δ xt +s εt t ~ ~ r = ω + α ⋅ r +[γ + γ ⋅ s + S (υ, τ )]⋅ Δ x + ε rtt = ω + α ⋅ rtt−−112+[γ~11 + γss⋅ 2stt + S (2υ~, τ )]⋅ Δ xtt + εtt (4) ε = σ2 ⋅ η εt =εt =σt2 σ⋅ ηt t ⋅ ηεtt = εσt tt =⋅ ηtσt t ⋅ ηt t (4)(4) 2 2 2 εt = σt222 ⋅ ηt 22 σ2 =22exp σ1,2 t ()σ⋅ 2exp (σ ) (4) exp ) ⋅ (exp εt =σ 2σσ=t t exp ⋅=ηtexp (5) )=⋅ exp 1, 2, t ) 2, t ) (σ ) ⋅ exp exp ( σ 2,22,t t) (σ1,2(tσ)σ1,⋅t exp (σσt t2,2((=σ (4) (5)(5) 1, t t t) 2 2 2 σ = exp (σ1,2 t ) ⋅ exp ( σ 2,σt )2 = S (ν, τ ) (5) στ )1,2t( σ=2,2σ St )21,(νt ,=τS) (ν, τ ) σt2t σ=2 exp σ(1,νSt,)(τν⋅),exp σ=1,2t (S= (6) (5) (6)(6) 1,t 1,t 2 2 σ = S (ν, τ ) 2 σ 1,21,tt = S (2ν, τ )~ ~ 2 2 σ~2~ =~ ω~ ε+22α~εt2⋅−1σ ~2 + ~~β~εt⋅−1 εε2~t −1 ~ + γ~ ~⋅ s + γ~ ⋅ w (6) 22,+t α 22, t ⋅−~ − 1 γ ⋅ s ~+ tγ wtγ~ 2 ⋅ w t (6) +122γ⋅1w⋅ ts+t γ~+1 ⋅γs2 t⋅ + = ω ~+ ασ 2,⋅2tσ=2,σtω βω~⋅ σ+2,tα−~t1−1⋅ +σ2 β 2, t ~ −1 = 2t γ (⋅σw ⋅ +exp +1 ⋅βs1(tσ σ 2,2 σ + γ+ 1 t 2 t (7) t = ω + α ⋅ σ 2, t −1 + 2,βt ⋅ ε 2exp ( 2 2 t 1) 2 σ 2, t −)1exp (7)(7) ~ 1,t −1 ()σ 1, − 1,)t~ −1 2t −1( σ exp ) 2 2 ~ ~ ~ exp 1,t −+ 1 γ ⋅ s + γ ⋅ w 1,t −1 ε σ22, t = ω α ⋅ σ β ⋅ + + ~ (7) σ 2, t = ω~ + α~ ⋅ σ 2,22,tt−−11 + β2 ⋅ exp (tσ−121,2t −21 ) + γ~121 ⋅ s tt + γ~22 ⋅ wtt ~exp ~ ⋅ cos [2 π (2(7) 2 ~ 2 S (~ (= σ~1,υ~t 0−1⋅)~ ~ ~ ~ ~ ~ ~ υ , τ ) τ υ ⋅ sin [2 π (2 l − 1) τ ] υ l ) τ] (8) + + ∑ ~ ~ ~ 2 l − 1 2 l S ( υ , τ ) = υ ⋅ τ υ ⋅ sin [2 π (2 l − 1) τ ] υ ⋅ cos [2 π (2 l ) τ ] + + τ)υ~= υ [2τπl2+(2 −υ1)τ υ ]~+ υ⋅ cos cos ~∑υ,2⋅lτ0−sin gdzie: l− −1l1) 0 ⋅τ + υ 2[2 l ⋅π )1 ⋅=sin (2πl[2(2 −π1) ] S (υ~S, (τυ), = [2υπ∑ [2 l (2 )2τl l])+τυ] 2l ⋅ cos [2 π (2l ) τ(8) ∑ 2 ∑S2(lυ 0 ⋅(2 −1 ⋅ sin l =1τ 2]l+ 0 ⋅τ + −1 2l l = 1 l = 1 ~ ~ 2 ~l =1 l =1 ~ S (υ, τ) = υ ⋅τ + ∑~υ 2 l −1 ⋅ sin [2 π (2l − 1)τ ] +~υ 2l ⋅ cos [2 π (2l ) τ] (8) (8) S (υ~, τ) = υ~00 ⋅τ + ∑ υ ⋅ sin [2 π (2l 2− 1)τ ] +2 υ 2l ⋅ cos [2 π (2l ) τ] (8) l =1 2 l −1 2 2 2 S (ν, τ ) = ν ⋅ τ + l =1 ν1)2 l[2 (2l] +−πν1)(2τl⋅])cos +]ν2[2 τ ](9) ∑ 0[2ν −1]⋅π l ⋅πcos ,+τν)S∑ +ν ∑ ⋅ −νsin (2 l[2 −π 1) (2l[2 )τπ] (2l )(9) +sin ν⋅ 2cos cos 2(2 l− −1l1) 2τ l ]] +τν l ⋅π (=νν,ν2τ0l −)1⋅ τ⋅=sin ⋅(2 τπl+ ⋅ sin [2 (2τπl[2 −(21) S (νS, (τν), τ=)ν=0 ⋅ντ0S+2⋅(τν∑ τ +τ1 ν [2 l ) τ ∑ 2]l − 2l ⋅ cos [2 π (2l )τ ] l = 1 2 l −1 ⋅ sin [20π 2 l l =1 2 l =1 l =1 (9) S (ν, τ ) = ν ⋅ τ + ∑ ν 2 l −1 ⋅ sin [2 π (2l − 1)τl =]1 + ν2l ⋅ cos [2 π (2l )τ ] (9) (9) S (ν, τ ) = ν00 ⋅ τ + ∑ ν ⋅ sin [2 π (2 l − 1)τ~~] + ~ν2l ~⋅ cos [2~π (2~l )τ ] l =1 2 l −1 ~ ~ γν2 , ~υi , νi ~ω ~α~ ~~, α ~~, α~ ω ω α l =1ω 1 ,i ,~ α βi,, ~ ,γγ γ,,,2,γ υ~ νγ~i1,, ~βγ~,2 ,~γυ ~11~,,, γγ ~22,, ~ ~2 ,,, ω i ω, ω α,, αγ1, , γγ1 ,2 ,γω α , ωγβ1,,,,αβγ~ 1 ,2 ,γ2υ,i ,ων,i α , β , γ1 , γ2 , υi , νi 1 γ ~ ~ ~ ~ ~ ~ υ ν ω, α, γ , γ , ω, α, β , γ01 ,÷~γ42 , ~ i , i ~i = ωi ,=αi0,=÷γ0141,÷γ422, ω~i ,=α~0, ÷iβ4=, γ~ , γ42 , υi , νi 01÷ ~, τ ) γ ⋅ s ~ γ ⋅ s i = 0 ÷γ4s ⋅ st γυs ,⋅ τst)γγ ⋅sγ⋅sSss ⋅(t sυ~t , τSS)((υ~υγ ~ S ( , τs ⋅)st γss ⋅ st t γ ⋅ s ÷ S (υ, τ ) s s t t i = 0s 4t (5) 2 (σ1,2t ) ⋅ exp ( σ 2,2 t ) εt = σt2 ⋅ ηt σ 2 =σS2σ(νt =,=τS)exp (5) (ν, τ ) (4) (8) 1,t ~ (6) (6) S (υ~, τ) = υ~0 1,⋅τt + ∑ υ ⋅ sin [2 π (2l − 1)τ ] + υ~2l ⋅ cos [2 π (2l ) τ] 2 2 l −1 S (ν, τ ) 2 σt2 = exp(σ1,2t ) ⋅ explσ(=1σ1,t2,2 = (6) t) ~εt2−1 εt −1 ~ (5) 2 2~ ~ ~ ⋅γ~s ⋅+wγ~ ⋅ w 2 2~ ~ ~ σ = ω α ⋅ σ β ⋅ + + K. Bień σ = ω α ⋅ σ β ⋅ + + +22 γ1 ⋅ +s t γ+ 24 2,2t 1 t 2, t 2, t −1 2, t −1 2t t 2 2 (7) (7) 2 l exp (9) t1−1 ) [2 π ~ σ 1,2tS=(ν,Sτ(ν ) ,=τν) 0 ⋅ τ + ∑ − 1)(~τσexp ]1,+t −ν1(2)σlεt⋅1,−cos σ 2,2νt 2=l −1ω~⋅ sin + α~[2⋅πσ(2 + γ(21 l⋅)sτt ] + γ~2 ⋅ wt 2, t −1 + β ⋅ (6) 2 (7) l =1 exp ( σ 1,t −1 ) 2 2 2~ ~ ~ ~ ~ ~ ~ ~ S (υ, τ~) = υ ε⋅tτ−υ1+2 l −∑ sin (2τl ]−+1) υ 2l[2⋅ cos ⋅υsin~ (2[2 l −~π1) υτ2l]⋅+cos π (2[2 l )π τ](2l ) τ] (8) (8) l −[2 1 ⋅π σ 2,2 t = ω~ + α~S ⋅(υ σ, 2τ) =+υβ0 ⋅⋅τ ~+ 0∑ ~ ~ 1 2+~2γ 1ν ⋅ s t + γ 2 ⋅ wt l =11, 2γ2l ,=1υ~ ~ (7) ω , α , γ1 , γ2,2t,−S1ω~(υ,~,α~τ,)exp β=,υ~γ , Symbole (gdzie i = 0 ÷ 4) oznaczają parametry modelu, (0σ⋅τ1,t −+1 )∑υi 2 l −i 1 ⋅ sin [2 π (2l − 1)τ ] + υ 2l ⋅ cos [2 π (2l ) τ] (8) 4 l =1 a składnik losowy ηt jest zmienną i.i.d. zgodnym ze standaryzowanym rozkładem 2o rozkładzie 2− ln ( P ) ( r = [( ln ( P ) )] ⋅ 10 M, t M, t −1 i = 0÷4 2t (9) (9) sin [2 (2τl ]−+1)ντ2l ]⋅+cos ν2l[2⋅ cos , τSυ )~(swobody =ν,ντ0)⋅ τ= ν+0∑ ⋅ν2sin l −π1) π (2[2 l )πτ ](2l )τ ] 1 ⋅~ t-Studenta к⋅ τ(2 .ν+l2 l−−∑ 11) S (υ~o liczbie , τ) = υ~0 ⋅stopni τS +(ν~∑ τ2]l −+[2 υπ2(2 (8) 2 l −1 ⋅ sin [2 π l ⋅ cos [2 π (2l ) τ ] l =1 l = 1 γ ⋅ s γ ⋅ s S (υl,=τ1 )S (oszacowanie ν, τ ) = ν ⋅ τ + ∑ [2 π (2l − 1)zleceń τ ] + ν2l ⋅na coskurs złotego [2 π (2l )τ ] w zależności (9) 4 ν 2 l −1 ⋅ sin Równanies 3t umożliwia przepływu s t = ( PsA, t −t PB0, t ) ⋅ 10wpływu l =1 ~ ~ ~~ ~ ~bid-ask. ~ ~ od pory dnia (1), odzwierS (υ~oraz , τ ) „wystandaryzowanego” ,~γ ω ,2α ,ωγ,1 α , γ, 2γ,1ω , 2α~, ,ω~β, ,α~spreadu γ,1 ,βγ, 2γ,1 ,υiγ, 2ν,i υi , νi Parametr γt z równania (9) USD S ( ν , τ ) = ν ⋅ τ + ν ⋅ sin [2 π (2 l − 1) τ ] + ν ⋅ cos [2 π (2 l ) τ ] ~ ∑ 0 2 l − 1 2 l ciedlający siłę oddziaływania na poddano bowiem dekomport = ωω+, przepływu γ1, ⋅γΔ,xtγ+, γω~2 zleceń α~x, t β , + ,⋅ Δ γ~1ε, tkurs , νi γ~2 , υ~iwalutowy, Δ x ⋅ st ÷α i1 = 4 γ~ 1, (2)2 parametr uzmienniony i = 0l =÷ 4 0stałą zycji na trzy t czynniki: (1) za pomocą „wystandaryzowanet ~ ÷ ~ i = 0 4 ~ 4 ~ ~ ~ γ ⋅ s ~ ~ γ ⋅ s S ( , τ ) υ go” spreadu wynikający z sezonowości wewnątrzdziennej. str,oraz ((3) ,Pτ,)γ) −γ s t =s ,[(Stβln υ⋅ s(,–tP νczynnik ωy−,bid-ask α , γ1 ,1γγ2s,⋅ω ,υ(γ t α , t −1 )] ⋅ 10 1M, t 2 , sln 1, t = − ~, τi ) Miodzwierciedlenie Uzmiennienie parametru umożliwia – w przybliżeniu liniowej i rosnącej γ ⋅ s γ ⋅ s S ( υ s t (υ~s , τt ) S (υ~, τS)Δ ÷ i = 0 4 x wraz ze wzrostem ~t , τ ) – reakcji stopy zwrotu z kursu złotego na przepływ zleceń, nay0 , t = 0 spreaduS bid-ask ~,xτ )⋅ sma Δt γxst (na ⋅⋅υsUSD γs ⋅ st S (υΔ tomiast czynnik t Δ xtstt celu opisanie niemonotonicznego, nieregularnego wzorca tej reakcji y Δ 1 w zależności 1, tod = pory dnia x(por. t ⋅ st wykres 9). S (υ~, τ ) y−1, t =y−Δ = −1 − 1, 1 txUSD Model uzupełniono dodatkowo o równania 4–7, przedstawiające specyfikację warunkowej t π j {− 1,0,1} ∈ , ( ) y − 1 = jt − 1 , t Δ x ⋅ s t t wariancji (zmienności) stóp zwrotu. Modelowanie szeregów czasowych stóp zwrotu o częstotliUSD y0 , t =r y0= 0 , tω=+0α ⋅ r + εt wości wyższej powinno uwzględniać sezonowość warunkowej (Δ x <niż 0 | Fdzienna t −1 + γ 1 ⋅ Δ xt + γ2 ⋅ Δ xtwewnątrzdzienną t −1 ) t y−1, t = t−1 y0 , t = 0 wariancji. Przyjęto yzałożenie, że ta deterministyczna sezonowość ma charakter multiplikatywy 1, t = 11, t = 1 (Δ xt > 0 | F ) rtpomocą + = ω ⋅ rt −1 +[γ~1 +transformaty γs ⋅ st + S (υ~, τFouriera )]⋅ Δ xt + εt(ang. Fast Fourier Transform)25. ny i uwzględniono jąt −1za y1, t = 1α szybkiej y0 , t = 0 j1,0,1} ∈ {−1,0,1} (transformaty ) (por. równanie 5) zmienna τ oznacza wystandaryzoπ jt , ( πj jt∈, {− ) Występująca w specyfikacji Ft −1 π {−1,0,1}) ( 2j ∈ wany nay1,przedziale (0, 1) =xmoment obserwacji t. Równanie warunkowej zmienjt , σ t =1 0 | ⋅Fηt −t 1zarejestrowania ) t 0 |tF< (Δ xt <ε(Δ t −1 t) (4) Δ x t ności jest zatem iloczynem dwóch czynników: (1) komponentu sezonowości wewnątrzdzien(Δ 2 xt < 0 | Ft2−1 ) 2 , ( j ∈ {−1,0,1} nej (por.π jtrównanie (por. równanie 7). Model 2, t ) (Δ0t x|=t(2) 0specyfikacji (6) Δ xoraz >)σ F>exp ) |(Fσt1,−1t)) ⋅ exp ( σ GARCH(1,1) (1 − 1{Δxwykorzystuje ) (5) t = 0} f (Δ xt | Ft − 1 )t = π− 1 t 1t −{1Δxt <0} ⋅ π 0 t 1{Δxt =0} ⋅ π 1 t 1{Δxt >0} ⋅ f *(| Δ xt || Δ xt ≠ 0, Ft − 1 ) wykładniczą transformację zmienności, co powoduje brak konieczności nakładania restryk( Δ x > 0 | F ) 2 (Δ xt < 0 | Ft −1 ) σF1,t =t S (ν, τ )t −1 – i – t −1 (6) −1 cji nieujemności naFtposzczególne parametry wyrażeń. Dodatkowe zmienne objaśniające w * t st f (| Δ xt || Δ xt ≠ 0,FFt −1 ) xtt −1 Δ x Δ2średnią oznaczają zawartych oraz średni spread bid-ask za(Δ xodpowiednio: εt2−1 transakcji ~ t > 0 | Ft −1 ) t 2 ~ + α~wartość σ = ω ⋅ σ +β⋅ + γ~1 ⋅ s t + γ~2 ⋅ wt 2, t 2, t − 1 2 π jt pomiędzy Δ xt (7) obserwowane momentami t – 1 oraz t . Zmienne te poddano najpierw transformacji exp ( σ 1,t −1 ) − 1) ) (1 − 1{Δ(1 1{Δx < 0} 1 1{Δx =0}1 1{Δx >*0} * 1{π F xt = 0} {Δxt = 0} t − 1 Δ x < 0} { Δ x = 0} { Δ x > 0} f ( Δ x | F ) = ⋅ ⋅ ⋅ f (| | | Δ x ≠ 0, F ) π π t t t f ( Δ x | F ) = ⋅ ⋅ ⋅ f (| Δ x | | Δ x ≠ 0, F ) π π π t t t służącej wyeliminowaniu deterministycznego wynikającego z wewnątrzdziennej t −1 −1t −1t 0t 1t t t−1 t−1 t − 1t t 0 t komponentu 1t t t (1 − 1 ) exp (Λ jt ) 2 1{Δx =0} 1{Δx > 0} * xtpodzielono < 0} ⋅ π ~,fkażdą ~1 t wartość Δ xtπ jt =W tym (Δ x=t υ~| Fz obserwacji ) = πυ~− 1 t 1{⋅Δsin ⋅υ ⋅πf(2 (|l )Δτ]xt || Δdla xt ≠odpowiada0, Ft − 1 ) (8){Δxt =0} π t przez t sezonowości. celu średnią t⋅−τ1 + 0 lt − 1) S ( υ τ ) [2 π (2 τ ] ⋅ cos [2 + 1 ∑ 0 2 l − 1 2 l * * || Δ0,xtFt≠−1lgodziną 0, f czasu (|(Λ Δfitx)t (|||pomiędzy Δ xtt ≠ )1 Ft −1 ) 8.00 a 18.00 (wartości średnie uzyskano na pod= exp jącego jej momentu ∑ (1 − 1{Δx = 0}) 1{*Δx < 0} 1{Δx =0} * i = −1 t xt > 0} ⋅ f (| Δ x || Δ x ≠ – f (|t Δ xt⋅ ||πΔ0sezonowości xt t ≠ 2t0, Ft⋅−1π)1 t 1{Δwewnątrzdziennej f (Δ xt | Ft − 1 ) = π− 1 π 0,por. Ft − 1 ) wykresy stawie nieparametrycznej 4–7). Szeregi t t π jt t jt funkcji (9) S ( ν , τ ) = ν ⋅ τ + ν ⋅ sin [2 π (2 l − 1) τ ] + ν ⋅ cos [2 π (2 l ) τ ] ∑ 0 2 l − 1 2 l przekształcone de facto pewnej standaryzacji, obrazują w dalΛ 0t = w ten 0, ∀t .sposób, π jt a zateml =poddane * 1 f (| Δwrażliwe xt || Δ xt ≠ 0,na ) (Λexp) (Λ jt ) F exp szym ciągu informacyjnych, ale już niezależne od pory dnia, = 1 jt sygnałów π jt = πt1jt−1napływ exp ( Λ ) 26 ~ jt ~ ʹ~ ~ ~ ~ wahaniaπ poziomów zmiennych ʹω Λ ≡ (Λ −1t , Λ = ,exp (α ln,[π(γΛexp /.γπ(0Λ ],)ln 1t ) π −1,t ) 0 t1],) γ2 , υi , νi ,t ω , α[π, 1tβ/π, γ jt t ∑ jt =∑1 1 it 2 it i = −1 1 Oszacowania modelui = −przedstawiono exp (Λ it ) w tabeli 2. Zgodnie z oczekiwaniami, zmienna Δ xt oraz ∑ ÷ exp ( Λ ) – i = 0 4 Λ = G Z + λ z λ = μ + B1λ tdodatni . jt t 1 t t t −1 + A1ξ t −wpływ 1 i − 1 zmienna Δxt s t mają istotny na stopę zwrotu. Dodatkowo parametry = 1 π jtinterakcyjna = t0,.= ∀~t . Λ 0t =Λ0, 0t ∀ γ ⋅ s γ ⋅ s S ( , τ ) υ szybkiej transformaty Fouriera są łącznie istotnie różne od zera, co dowodzi, że siła reaks t (Λ it ) s Λ t = 0, ∀t . ∑=−1 [exp 0t B b ] 1 ij i = cji kursu na zmianę wartości zleceń wewnątrzdziennej sezonowości. Na wyΛprzepływu [π 1t /ln πpodlega ʹ, Λ )ʹ = (ln Λ t ≡S(Λ(Λυ~t −,≡1τt ,()Λ [0πt ],1tln /π[0πt 1]t)/ʹπ 0 t ])ʹ 1−t 1)t = 1(tln[π −1t /π 0 t−], kresie 10 zilustrowano wpływ przepływu zleceń (zakupu netto 10 mln euro) na wyrażoną w pipaijt ]. Λ t ≡ (Λ −1t , Λ1t )ʹ = (ln[π −1t /π 0 t ], ln[π 1t /π 0 t ])ʹ Λ 0t A =10,= [∀ Δ x ⋅ s t t sach zmianę kursu złotego G =Bμ1średni A ξ kursu wynosił 3,78) w zależności Λt = Λ G1t Z=t(przy + 1λZt t +założeniu, zλ t λ tz= μλ t +że λ+t −1B+1λAt poziom −11ξ+ t −1 1 t −1 ξt od dwóch uwzględnionych w modelu czynników: pory dnia oraz „wystandaryzowanego” spreadu Λ = G Z + λ z λ = μ + B λ + A 1 0 tt ], ln[tπ 1t /π 0 t ]) tʹ 1 t −1 1ξ t −1 Λ t ≡ (Λ −1t , Λ1t )ʹ =y (ln[t=π − −1t /π B1 =−[1Bb, tij1 ]= [b1ij ] e jt − π jt ξ tG=Z(ξ −+1t λ, ξ1t )zʹ, Bλgdzie ξB = + Aξ , j ∈ {−1, 1}, jt λ = [ b ] Λ = = μ + 1t ij t 1 t 1 t −1 π (1 1 − t −1π ) 25 Uwzględnianie multiplikatywnej sezonowości wewnątrzdziennej jest klasyczną metodą jej objaśniania w modelach = [ a ] jt jt At1 =y0[A a ] 0 = ij , t 1ij GARCH, które szacowane są na podstawie danych o bardzo wysokich częstotliwościach (por. Giot 2001). aij ] ξ t A1 = [GARCH – B1 = [specyfikacja bij ] ξ t ymodelu 26 Wyjściowa zakładała występowanie spreadu bid-ask s–t oraz wartości transakcji w 1, t = 1 t ⎧ (1, 0 )ʹ dla Δjednak xt < 0zmienne te nie okazały się istotne statystycznie. również w równaniu warunkowej średniej, ξt e jt − πe jt − π jt A1 =e [a=ij (]e , e )πʹ =, ⎪⎨((0, dla t −1t ξ 1t= (ξ t = ʹ Δ)xgdzie jt j ∈1}, {−1, 1}, ξt −1=t , jξ(ξ∈10t−{− )1)tʹʹ, ξ1,0,1} ξ jt0 = ξ jt = , j ∈, {−1, 1gdzie t), t e(1 π ⎪(0, 1)ʹ dla Δ x > 0 π − π jt )− jt ) π (1 − π jt jt ξt jt jt , j ∈ {−1, 1}, (Δ xξt ⎩t<=0 (|ξF−t 1−t1,)ξ1t )ʹ, t gdzie ξ jt = πjt (1 − π jt ) e jt − π jt Δ xt ʹ 25 Przepływ zleceń a kurs walutowy… bid-ask. W przypadku gdy wartość wystandaryzowanego spreadu wynosi 1, czyli odpowiada przeciętnej wartości spreadu bid-ask dla danej godziny (np. około 20 pipsów o godz. 8.30 lub około 10 pipsów o godz. 11.30; por. wykres 7), różnice skali osłabienia wartości złotego w odpowiedzi na zakup netto 10 mln euro wahają się o kilka pipsów tylko w zależności od pory dnia. W okresach, kiedy rynek jest mało płynny, czyli w godzinach porannych oraz późnym popołudniem, reakcja kursu złotego na zakup netto waluty bazowej jest istotnie większa. Reakcja kursu na przepływ zleceń wzrasta również proporcjonalnie w zależności od chwilowej (niezależnej od pory dnia) płynności, aproksymowanej wartością zmiennej s–t . W odniesieniu do równania warunkowej zmienności warto zwrócić uwagę na istotny dodat– oraz s– . W okresach o niskiej płynności rynku, a zatem dużej wartości ni wpływ zmiennych w t t spreadu bid-ask, wahania kursu są większe. Podobnie jest w okresach, w których obserwuje się dużą częstotliwość zawierania transakcji. Wpływu wyróżnionych zmiennych nie należy tłumaczyć ich wewnątrzdzienną sezonowością, ponieważ ten czynnik został z nich uprzednio wyeliminowany. Oszacowania parametrów szybkiej transformaty Fouriera (por. wzór (5)) są łącznie istotne statystycznie, co potwierdza tezę, że wewnątrzdzienne miary zmienności zmiennych finansowych Tabela 2 Oszacowania nieliniowego modelu GARCH dla pary walutowej EUR/PLN w 2007 r. Parametry Oszacowanie Wartość p ω ω równanie średniej ω ω αω ω ω α -0,0249 0,3894 α α γα α 1 -0,0928 0,0000 α111 γ γ γ 11 γγ γ ss11 0,1063 0,0000 γ γ γ γγssss11 γ 0,1865 0,0000 γ ssss υ 00 υ υ υυ0000 -0,1163 0,0005 υυ 1100 υ υ 0 110 υ 0,0558 0,0000 υ 11 υυ υ 2 211 υ υ 0,0389 0,0000 υ υυ222211 υ υ 332 2 υ υ -0,0296 0,0061 υ υυ333322 υυ 3 0,0073 0,2209 υ443 υ υ υυ444433 κυ 4 8,0496 0,0000 4 κ κυ 44 κ κ Reszty standaryzowane κ κ LB(1) 7,215 (0,027) Parametry ~ ~ ω ~ ω ω ~ ~ ω ~ ω ~ ω ~ α ~ ω α ~ α ~ ω~ ~ α α α ~ ~ β α ~ β β ~ α ~ β ~ β β γ ~ γ β~ 1 γ ~ ~ β γ ~11111 γ ~ γ ~ γ ~ γ ~222111 γ ~ ~ γ 21 γ ~ γ 2 2 νννγ γ~ ~000222 γ ννν 002 ν 110000 νν 110 ν νννν 111122 νννν 112222 ννν 322 νν 333322 νν 33 ννν 33444 ννν 3444 ν 444 ν Oszacowanie równanie wariancji 0,7783 0,0002 0,1964 0,0000 0,9544 0,0000 0,8013 0,0000 -0,2982 0,0276 0,4432 0,0000 0,0321 0,1920 -0,2218 0,0000 0,0632 0,0388 4 Reszty standaryzowane do kwadratu LB(1) 7,036 (0,008) 13,654 (0,034) LB(5) 21.218 (0,001) LB(10) 19,373 (0,035) LB(10) 19,002 (0,041) BIC 0,0030 0,0017 LB(5) LogL Wartość p -27213,936 2,7099 Uwaga: raportowane wartości p zostały wyznaczone na podstawie błędów standardowych otrzymanych przy wykorzystaniu estymatora sandwich. W nawiasach umieszczono wartości empirycznego poziomu istotności. LB(l) oznacza statystykę testu Ljunga-Boxa dla rzędu opóźnienia l, LogL oznacza logarytm funkcji wiarygodności, a BIC kryterium informacyjne Schwarza. 26 K. Bień Wykres 10 Przeciętna reakcja kursu złotego (w pipsach) na zmianę przepływu zleceń o wartości 10 mln euro w 2007 r. 20-25 15-20 20 10-15 5-10 15 0-5 10 5 0 0,5 „Standaryzowany spread bid-ask” 18:00 16:30 17:15 15:00 1 15:45 13:30 Czas CET 14:15 12:00 1,5 12:45 10:30 11:15 9:45 8:15 2 9:00 Zmiana kursu EUR/PLN (w pipsach) 25 charakteryzują się silną sezonowością27. Na wykresie 11 przedstawiono otrzymane odwzorowania wewnątrzdziennej sezonowości, wynikające z transformat zadanych wzorami (8) i (9). Można zauważyć, że zmienność w obu okresach jest najwyższa w godzinach porannych oraz popołudniowych, a zatem wtedy, gdy płynność rynku złotego jest najniższa (por. wnioski z wewnątrzdziennej sezonowości spreadu bid-ask oraz wartości zawartych transakcji). Wykres 11 Czynnik wewnątrzdziennej sezonowości reakcji kursu na przepływ zleceń (lewy panel) oraz równania wariancji (prawy panel) 0,80 0,15 0,60 0,40 0,05 Czynnik sezonowy -0,00 -0,05 -0,10 0,00 -0,20 -0,40 -0,60 -0,80 -0,15 -1,00 -0,20 Czas CET 18 17 16 15 14 13 12 11 10 9 18 17 16 15 14 13 12 11 10 -1,20 9 8 0,20 8 Czynnik sezonowy 0,10 Czas CET Uwaga: liniami przerywanymi oznaczono granice 99% przedziału ufności obliczonego na podstawie metody delta (ang. delta metod), por. Green (2003, s. 913–914). 27 Należy również zauważyć, że persystencja zmienności ma swoje źródło prawie wyłącznie w deterministycznym wzorcu ~ wewnątrzdziennej sezonowości (oszacowania parametrów α~ i β są bardzo niskie; dla 2004 r. efekt GARCH zanika). 27 Przepływ zleceń a kurs walutowy… 5. Model przepływu zleceń 5.1. Model Integer Count Hurdle Do opisu kształtowania się przepływu zleceń zaproponowano wykorzystanie modelu Integer Count Hurdle (ICH), przedstawionego przez Liesenfelda, Nolte’a i Pohlmeiera (2006). W empirycznych badaniach ekonometrycznych model ICH był niejednokrotnie stosowany do opisu dyskretnych zmian cen na rynkach finansowych (por. m.in. Bień, Nolte, Pohlmeier 2007). Spośród wielu proponowanych w literaturze narzędzi modelowania zmiennych jakościowych model ten szczególnie nadaje się do opisu procesów: (1) o dyskretnej przestrzeni stanów, ale relatywnie „szerokiej” dziedzinie rozkładu (gdy realizacje zmiennych obejmują kilkanaście lub kilkadziesiąt wartości będących liczbami całkowitymi), (2) o znacznej koncentracji obserwacji w zerze oraz (3) charakteryzujących się autokorelacją. Za zastosowaniem takiej postaci modelu przemawiają empiryczne własności przepływu zleceń, w szczególności zbiór dyskretnych wartości procesu28 (por. wykres 12), oraz własności dynamiczne. Ponadto konstrukcja modelu ICH pozwala na dekompozycję modelowanego procesu przepływu zleceń na dwa uzupełniające się procesy: (1) „proces kierunku” przepływu zleceń oraz (2) „proces bezwzględnej wartości” przepływu zleceń; dla każego z takich procesów konstruowane są oddzielne modele. Umożliwia to odzielną analizę wpływu wybranych czynników egzogenicznych na prawdopodobieństwo zmiany kierunku zmiennej oraz na przyjmowane bezwzględne, niezerowe wartości takich zmian, czyli miarę dyspersji (zmienności) samego procesu. Szczegółowy opis, własności i szczegółowe metody diagnostyki modelu można znaleźć w pracy Liesenfelda, Nolte’a Wykres 12 Histogram wartości przepływu zleceń 20 20 16 16 12 8 4 12 8 4 0 0 -30 -25 -20 -15 -10 -5 0 5 10 15 20 25 30 Przepływ zleceń (w mln euro) 28 Model 2007 r. 24 Częstość (w %) Częstość (w %) II połowa 2004 r. 24 -30 -25 -20 -15 -10 -5 0 5 10 15 20 25 30 Przepływ zleceń (w mln euro) ICH szczególnie dobrze nadaje się do opisu przepływu zleceń w 2004 r., w którym ze względu na małą wartość transakcji zawieranych w ciągu 15 min. przestrzeń dyskretnych wartości przepływu zleceń została bardzo wyeksponowana. (9) (8) = =1 νυ 02 l⋅l−τ=11⋅+sin υ 2,π ⋅, sin ]β+, υ[2 ] (2Sl(− νil ) τ[2 αl ~=⋅,τcos , ωl, ν−,τ2)1) γ21lπ γπ1τ~S2(2 γ~2lν,)[2τυ]π S (ν, τ ) = νS0 (⋅υτ, τ+) l∑ lγ=−1 ,[2 (2 ∑=,~S1ω[2 l −α 1(2 i , (2 (9)τl =]1+ ν τcos )τ ]=[2 τ⋅ cos + +,⋅ cos +νν0π2⋅l (2 )τ ]2[2 π (2l − 1) )~ ν1) ⋅ τ],(~ν+α+~ sin [2 π,22ν(2 − 1)τ π ] + ν2νl ,⋅1) l )∑ τ[2 ]νπ2 l (2 −1 ⋅l sin l −1l⋅ sin ~,l =0ω 2 ~, 2lα υ α,(ν,β~,γ,τ1γ βν, ν2γ~l0−11,⋅⋅τγ~ ,γ ,ν∑ ,∑ l =,1 γ , ωω i i 2 2 υ ω α , , γ , , , γ (9) l =1 l = 1 1 [22π (2il −li= = 1νν 0 ⋅ τ2 ⋅~+sin∑ ν ⋅ sin 1) ] + ν ⋅ cos [2 π (2 l ) τ ] (9) ~ 1 τ S ( ν , τ ) = ν ⋅ τ + ν ⋅ sin [2 π (2 ~ ~ ~ ~ ~ S (ν, τ ) = Sν0(ν⋅,ττ+) ∑ [2 π (2 l − 1) τ ] + ν ⋅ cos [2 π (2 l ) τ ] 2 l − 1 2 l S12,l(ν~ ν ⋅ sin [2 π (2l − 1)τ ] + ν2l ⋅ cos (2l )2τl ]−1 0 [2 π ∑ ~ 2~l −,1~β , ~lγ~ i=1=2,~γ 0~~÷, 4υ~ω γ,2τ,~)ω=, ~να0,⋅ τ~β ,+γ∑ ~i ,,,να ~, ,γ 1 , γ22l ,−1 υi , νi ω, α, ω γ1,,αγ,2 γ , 1ω ~ ~ ~ ~ l = 1 i 1 2 l,=1,γα υ ν ω α β , , , , γ , γ ÷ i, β , γ , γ , υ , νl =1 ~ iτ~=,+α 0 , νγ4~1 ,1 γ⋅~2sin ,2 ω[2 ,i πα(2 ~ω ,~α , ~γ1 , ~γ2 , ω , α , ~ ÷ν,4,τω ~=, 2α ~, ⋅ω (9) i cos i~[2 π (2~l )τ~ 1τ ] +~ 2ν ⋅~ ~ ~ ~ ) ν l − 1) ] ~ υ ν ω , α ,i = β γ1S0, (γ , γ , , , γ ~ ~ ~ ~ ~ α,s, α γs,1t , βγ,22,γ 0 22l −1 iS (υ l ω , α , β , γ1 , γ2 , υi ,ων,i α , γ1 , γ2 , ω , α , β , γ1 , γ2 , υi , νi 2 1 ⋅ sω γ∑ γ ⋅Bień γ1i~4,, τγ)2ω , ,ωK. ~, =αυ~0, ,÷ 1 , γ2 , υi , νi 1 t i~ ~ ~~⋅ sls=~~ 28 i = 0 ÷i4=γ 0⋅ ω υ~siω ,)0γsω1÷,γt4sγα⋅2,,stβ ,⋅ νs,itα , γ , γ , ω~, α~, β~, γ~ , γ~ , υ~ , ν ω , α , γ1 ,i γ=2 ,0ω~÷,4α~, β~, γ~1 , γ~2 , υ~ sγt 4,2 ,αω~, ,Sγα(1~υ,~, i,γβτ=2,γ υSi,,(γ νi1 ,τγ)2 , γ ω , α , γs1 , ÷ ~, τγ)÷⋅ s i S=(0υ~÷, τ4) γ1 ⋅ s 2 i 4i 1 i 2= 0 ÷ i = 0÷4 =~ 0~~s 4~t ~ ~ γs ⋅ st γs ⋅Ss~t(υ~,ωτS,)α(υ~, ,γγτs )⋅, sγt γ,s~Sω s t ⋅~(s,iυ t α υ ν β , γ , , , γ S (υ~, τ ) γs ⋅ γ ⋅ s γ ⋅ s S ( , τ ) υ S ( , τ ) υ ÷ 4Si(υ ÷ ~ i i 1 2 1 2 iγ= 0 = 0 4 ~ ,υτ,)τ ) γ ⋅ss t iS=(υ~0, τ÷)4 γs ⋅γsst ⋅ st γs ⋅ st γssi⋅=stt 0 ÷ 4S (υ, τ ) γs ⋅ st S ( ~ s ⋅ st s t ~ Δ xtγ⋅ss⋅tSst (υ, τS)(υ, τ ) γs ⋅ st ~ ~) Sγ(s υ~ ⋅ s,t τ S)Δ(υxSγ,s(⋅τυ ⋅υ~ , tτ0) ÷ 4γ i⋅ss= i Pohlmeiera (2006). przedstawiono zarys teoretyczny Ss(W niniejszym (,υ~τ,)τ ) γs ⋅ st Ss,tΔ (τυ~x),t τ⋅ )sγt s ⋅ st artykule S (Sυ~modelu ~ γs ⋅ st S (υ~, τ ) podstawowy t t S (υ~, τ ) γs ⋅ st S (γ υ~s,⋅τs)t S (υ, τ ) ~ xτt1)⋅ st Δ x uzasadnienie ⋅ st~γs ⋅ st oraz ΔSx(tυ~⋅,sjego S (xυ~ekonomiczne. , τ y)−1S, tγ(sυ =Δ⋅,s− t τt ) tS (υ xt ⋅ st Δ , τ ) Δ xt ⋅ st tylko Δ xSt ⋅(sυ~t , τ ) zleceń mogą przyjmować S (υ~, τtrzy ) Δ ty⋅ st = −1 Δ xt ⋅ sRealizacje przepływu wartości: −1, kierunku t t y−1, t =~−1procesu Δ x ⋅ s t yt ) Δyxt ⋅ s=t y−−1Δ =S⋅(−sυ1, τprzepływ 1 −1, jest t = − zleceń ujemny (nadwyżka wartości transakcjiΔsprzedeży euro 1, ,t xjeżeli −1, t t t y−1, t =nad −1 y−1, t =y0−, t1= 0 y−1, t = −1 xt ⋅ st y−Δ1, xt t =⋅ s−t 1 y y transakcjami , jeżeli przepływ zleceń wynosi zero (jednakowa wartość transakcji ⋅ s −1, t = −y1 Δ xtzakupu), 0 = 0, t y t − 1 0 = = 0 , t − 1 , t y−1, t = − 1y = 0 , t −1, t = −1 y czasu zakupu oraz y1, t = 1y,0 , jeżeli piętnastominutowego przedziału = −1 wystąpiło t = 0 w ciągu y0 , t = 0y0i sprzedaży) y0 , t = 0 y0 , t = 0 −1, t y0y, −t 1,=t 0= −1 y0 ,yt 1,=t = 0 1 y y − 1 = −1,1t y0 , t = y0transakcji 1, t = więcej zakupu niży transakcji sprzedaży. Do specyfikacji modelu dla kierunku przepły1 0 1, t = 11,0,1} π jt ,0 , (t yj=1∈ , t {− yy10,,tt zleceń =modelowanej == 10 y0ze wu względu własności zmiennej (proces dyskretny możliwych y1, t = 1 yo trzech y1),yt =) 1 y1, t = 1 0 y1,na ,t = 1 0, t = 0 π t j {− 1,0,1} ∈ , ( = 0, t = 0 jt π {− 1,0,1} ) y1, t = 1π jt ,y(0 , tj ∈ = 01,0,1} y1, tautokorelacja ∈ {− ) realizacjach, dodatnia oraz ujemna korelacja krzyżowa pomiędzy modeloway1, t = 1 jt , ( j istotna 1 =0jt|,F( j)∈ {−1,0,1}) (Δ xt <π π jt , ( j ∈ y{− 1,0,1} t −1 π , ( j ∈ {−1,0,1}) π jt , ( j ∈ 1,0,1}) π jt , (cza1 ) π (Δ,–x(por. y{− 1, t = zmiennej j ∈ {−1,0,1}) j ∈0{− ) jtywykorzystuje 1, t = 1szeregów nymi stanami wykres 13) się instrumentarium analizy < | F1,0,1} jt 1, t = 1 t t −1 ) ( Δ x < 0 | F ) π j {− ∈ , ( ty11,0,1} t)) −1 1 , t = ( Δ x < 0 | F jt π t t − 1 j {− 1,0,1} ∈ , ( ) π j {− 1,0,1} ∈ , ( ) sowych (Δjtxt < 0 oraz |π Ft −1, )mikroekonometrii. (Δ xtjt >(Δ0x|t F<t −10)(|ΔFxt −t1<) 0 | Ft −1 ) (Δ xt < 0 | Fπt −1,) ( j ∈ {−(1,0,1} 1,0,1} Δ x < 0) | F ) jt ( j ∈ {−( Δ x(Δ <x)0>| F π jt , ( j ∈ {−1,0,1} jt ) t t− | 1F)t −1 ) warunkowe π prawdopodobieństwo przyjęcia przez t prze- t −1 t ) 0oznacza ,|0F ( |jF∈t)−1{− Δ ) 1,0,1} jt) −t)1> xFt −xt> 0 ((ΔΔxxt tNiech <<0(0Δ|(|F (Δ xt (< 0 | F ) t −1 1 Δ xt > t0−1(|ΔFxt −1>) 0 | F ), równych zero (Δ x > 0 | F ) lub dodatnich (Δ xt >zleceń 0 (|ΔFtx−t1 )<Δx pływ ujemnych 0 t| wartości Ft −1()Δ x >F0 t −1 t −1 (Δt x−1t < 0 | Ft −1(Δ ) xt > 0 | Ft −1 ) (Δtxt < 0 |tF | F F ( Δ x < 0 | F ) t −1 ) t t − 1) t t −1 t −1 |1tF−t −1t1−)1 )w chwili ((ΔΔxxt t >>0F0t|F t (gdzie oznacza −F | Ft −1 ) zbiór informacji dostępnych w momencie t – 1). WarunΔ x(Δt xFt F> t-1 0 Ft −1 Ft −1 t −1 Ft −1 funkcja 0 | Ft −1F) Δ xt (Δ xt > 0 | Ft −1F)t −1 kowa Δxt ma postać: xt(xΔt > ΔΔ x(tΔ (Δ xzatem xtprawdopodobieństwa > 0 | Ft −1t −)1 t > 0 | Ft −1 ) FFtt−−11 (1 − 1 ) Δ xt Δ xt 1 Ft −1Δ xt 1 1 * Δ xt x−t 1)|| Δ xt )≠Δ 0, xt Ft −(11−) 1{Δx ={Δ0}xt)=0} Δ xt 1 f1(Δ xt | Ft −11 ) 1= π1− 1 t {1Δxt <0}1 ⋅ π1 *0 t {Δxt =0} ⋅ π1 1 t {Δxt >0} *⋅(1f− 1(|{FΔΔ (1 −F 1 t x = 0} * ΔΔxxt t f (fΔF(tΔ {π Δx < 0} {Δ(|xt Δ ⋅ πΔ1xxt t |{|≠ΔΔxt0, 0, Ft − 1 )(10) {Δxxt {< {Δπ xt ={0} {Δxt⋅ >π 0} 1 |t F xt xt|t−F <⋅0} ΔF x ⋅t=− 0} {Δx⋅ f> 0} 1 1t t⋅ π t −π1 0⋅)tπ= t Δ0} =− 1πft −(Δ ⋅1=f0}x(| x>0}Ft≠⋅− f10,) (|FtΔ− 1x1)tt −t|1| Δ x{Δt xt≠=*0} xx|tF − 1t −)1 =) π t ||Δ (1 − 1 (1 − 1 1t Δ 0 t −1t t 1t 1 0 t t (1 1x|{F ) *>0}π 1{Δx <0} ⋅ π 1{Δx =0} 1{Δ⋅txπ=0} 1{tΔfx (=Δ 1x− 1{Δx < 0} * 1f{Δ(Δ 1 {Δ xt < 0} 0} {⋅0} Δ)fxt = * Δ x = { Δ x < 0} { Δ > 0} f ( Δ x | F ) = ⋅ ⋅ f (| Δt x t ||−≠Δ1x0,0t tF≠t −0,1)t )Ft − ⋅1 )π{Δ11xt t1={0{Δ π π t Δ x x | F ) = ⋅ ⋅ (| Δ x π π π t t t t t − 1 t − 1 t t − 1 t − 1 t 0 t 1 =0} Δ x t− 1 x{Δxt > 0}− 1⋅t f 1(| Δ xt || Δ0xt t 1≠ 0, Ft − 1 )1*t t ⋅ π t || Δ xt(1 f (Δ xt | Ft − 1Δt )x=t π− 1 t t f⋅ π(|0Δt x x||t Δ 1 Δ t { Δ x = 0} 1 t − 1 (1 − 1 ) ΔxtF <t 0} {Δxt =0} ⋅ π {Δxt > 0}(1 1{1Δxf <(0} t −1 )⋅ π Δ<0} = π0}x−πt1 t≠1{{0, x)t ≠ 0, Ft −f 1(Δ ) xt | Ft t− 1(1)− 1= π− 1 t ){Δxt *x⋅t π| Ft1−{1Δ1x)t =0} ff ((ΔΔxxt t |f|F*Ft(|−*t −1Δ1)x)= f *⋅(|0funkcję F 1 )Ft⋅1−f1 ){(|ΔxtΔ=0}x{tΔx||*t =Δ0}dla {tΔxtF 0, ⋅ 0oznacza ⋅1 tπF1tΔt−x11πt ){>Δ0}xt ⋅>10} ftΔ*(|xt Δ|| Δ x xprawdopodobieństwa |1t| Δ≠1xt0, πxt || Δt{Δxxt =⋅≠ gdzie warunkową wartości {Δxt = 0} −tt1x t≠t 0, t 0}≠t⋅−0, t −F 1(|)t Δ f (| Δt x=||πtΔπ|−|x1Δ ≠ f0, {Δxt < 0} ⋅ π t {Δxt = {*Δxt > 0} ⋅ f (|(1 Δ x | | Δ x ≠ 0,bezFt − 1 ) π −1f)(t0Δt x*t | tFt − 1 ) *= − 1 ) −1t 0t * 1 t f (| Δ x || Δ(1 t {ΔF t − 1≠{Δ0, 1{1Δx f< 0}(| Δ x |f|11Δ 11≠ x0} =)−0} x ) (| Δ x | | Δ x 0, ) F * 1 1 t * π x = t t t 1 x ≠ 0, ) F t t t − 1 { Δ x = 0} { Δ x > 0} t f ( Δ x | F ) = ⋅ ⋅ ⋅ f (| Δ x | | Δ x ≠ 0, F ) π π π 1 1 1 * względnych różne od zera). xt < 0} ⋅warunkiem, Δxtt > 0} ⋅ f (|te {Δxt < 0} ⋅ π t =0} ⋅ π11że f * (| Δ xπt || Δ xftprzepływu ≠t x0, (Δ =zleceń xt t≠ {0, π1−t 1jtt {Δt(pod π0t 0t t {fΔ(xtΔ (Δ xt{Δ|xF tF −t1− − 0} ΔxF t− t |F t t|| Δ − t1−)⋅f1π 1 1) *) π − 1 ⋅f)f*= −x 1x t || Δ xt | Ftttt−−11{wartości ) = π− 1 t {ΔΔxt <xsą ⋅π x ≠ 0,0Ft {Δx t =t 0} t >t 0} (|(|πΔΔ 0t 1t Δ x | | Δ x ≠ 0, ) F jtΔ x ≠ 0, F ) f (| t t|| Δ xt t≠ 0, Ft −1t −)1 jt ff *(|(|ΔΔxxt ||π t t t − 1 jt t t −1 π jt t || Δ xt ≠ 0, Ft −1 ) f * (| π Δexp x || Δ xπ≠jt 0, Ft −1 ) jt t (Λ jtt) π jt * * exp ( Λ ) = π * f (| Δ x | | Δ x ≠ 0, ) F równania (10), f (| Δt xprawdopodobieństwa |jtΔtπx)tjt ≠ 0,jttF−1t −exp f * (| Δ xt || Δ xπt ≠ 0, Ft −1 ) ππjt Warunkowe jt opisyt (|Λ 1 ) 1 (Λ jt ) πjtf, stanowiące (| Δexp xt |(|Λ Δ x)t ≠pierwszy 0, Ft −1 ) komponentexp π jt = 1 exp jt π = (Λ jt ) jt jt jt π = π 1 exp ( Λ ) exp ( Λ ) wane są za pomocą autoregresyjnego modelu wielomianowego (ang. Autoregressive Conditional jt jt 1 π jt = 1 π jtit = jt1 exp (Λ ) (Λ ) ∑ π jtjt)exp exp (Λ jt ) π it exp π i(exp − jt1jt=)(Λ1it ) π = expπ(jtΛ∑ π jt ACM; =Λ ∑ exp (π Λ it= ) Russel, Multinomial, por. Engle 2002): jt 1jt ) π jt = 1 expjt (Λ it ) exp ( Λ ) = −∑ π jtjt = 11exp (iΛ ∑ ∑ it i − 1 jt exp ( Λ ) 1 = jt (Λ it ) i = −1) π jt = ∑ ∑ exp i = −1 i = −1 1 exp (Λ exp = (Λ π jtexp (Λ(Λjt )jt )Λ expπ(Λ=itit)exp exp (Λ jt ) ∑ exp (Λ it ) 1 it t) ∑ i =.−1 ∑ exp ( Λ ) 0t = 0, ∀ i =Λ −1π = 0, ∀ t . jt = jt exp ( Λ ) 1 = π i =∑ −10t jt i = −1 1it Λ = 0, ∀ t . i − 1 = π jt Λ = 0, ∀texp . (Λ0t )= ∑−1 expΛ(Λ0t jtit=) 0, 1∀t . Λ 0t = 0, ∀t . 1 i = −1 0t ∑ exp (Λ it )it i = exp ( Λ ) ∑ Λ = 0, ∀t . ∑ exp (Λ it ) ∑ Λ it= 0,(11)∀t . Λ = 0, ∀ ∀t . = −1 Λ 0t (tΛ0.0tt−],1t ln , Λ[π1t 1)tʹ/π=0(t ]ln)ʹ[π −1t /π 0 t ], ln[π 1t /π 0 t ])ʹ ʹ =Λ Λ t ≡t(.Λ −i1=t −,i1Λ [0, πt −≡1∀ 0t = 0, i = −1 0t t )Λ=0t(ln t /π i = −/1π ], ln[π /π ])ʹ ʹ Λ 0t = 0,Λ ∀≡t .(Λ ,1Λ Λ ≡ ( Λ , Λ ) = ( ln [ π ʹ01t t )ʹ = (ln1t[π −01tt /π 0 t ], lnΛ[πt 1≡t /π(Λ0 t −]1)tʹ, Λ1t )ʹ = (ln[π −1t /π 0 t ], ln[π 1t /π 0 t ])ʹ −−1= tt /0, )ʹ =t (lnΛ[π π 10tt ∀ ],tln [t π≡1t(/Λ π−−011ttt],)Λ Λ . t Λ − 1 t 1 t 1 0t = 0, ∀t . 0t 0, Λ ≡/Bπ(+/λΛ ,)Λ = (=lnμ[πilorazu [π 1t /π 0 t ])ʹ t[.π.[πz−Wektor gdzie dla wiarygodności ʹ z1t )ʹλ0, t[Z t]Λ t /π 0 t ], ln Λ ≡ ((Λ Λ )ʹ ʹt==+(∀ (λln ln π π]−0−)11logarytmu Λ 0t(ang. = 0, ∀log tΛ. ≡odds) G Λ ,,0t ΛΛ ln lnμ [π1+ Λ−−t11Λ G1= λπ0Λtt0],t=], tt ≡ 1t1t)Z 1/tπ/Λ ∀ln t .[+π−1B t1ʹt1 0 ttλ tʹ + 1λ t −1])+ tt= 1t ) t Λ −1t≡ (Λ −1t , Λ1t )ʹ = (ln[π ʹξA1ξ t −1 ln [π0tAλ−11ξ=t /t −= π1 t0μt ], t tΛ (= −1t ,ZΛ1+ t λ= (Λ 1t /πλ 0t A G z + B λ + ʹ ʹ Λ = G Z + λ z λ = μ +1):B1λ t −1 + A1ξ t −1 = G Z + λ z = μ + B λ + A ξ Λ t ≡ (ΛΛ−1tt ,=ΛG ) = ( ln [ π / π ], ln [ π / π ] ) zgodną modelem VARMA(1, t 1Apostać 1 t −1 t z wektorowym 1 t −1 μ 1+t t ,BΛ10λt t t)−ʹ1 ma + ξ t 1 t t t t 1 t − 1 1 t − 1 1t 1 Z t + λ t −t1z t Λ 0λ t 1t ≡=t( Λ 1 t − 1 (ln[t π ln[π 1t /π 0 t ])ʹ Λ t ≡ (Λ −1t , Λ1t )ʹ = (ln π −1t=/−π1G [π= ])ʹ−1λt /π=0 t ], t [Λ t0 t ], 1ln t + 1t /π 0z Z λ μ + B λ + A ξ 1ξ t1[tπ Λt = G GB Z1Λtt=t++[≡bλλijt(]tΛ −z1zt , Λ +B=[1B Aln λλt1tt= At 1], )ʹ=μ =μ πλ[1b−tλ−1ijt1tt]/−+π1 0+ π ]),ʹ Λt )ʹ = (ln[π1 t −/1π ],1 lnt −[1π /πΛ t ]≡)ʹ(Λ −1t , Λ B+(1ln −11t /t ( 11Z t1−ξ Λ1tt )=ʹ =G(1ln Z t[π+−λ1t /t π 0 tz], lnλ[tπ Λ Λ =G = μΛ0 t+ tt ≡ −1t B1λ1t −1 + A1ξ t −1−1t 0t 1t 0t 1[Z ]+1λλt t−1 +zAB1ξ1λt= Λ t = G1B Z1t = + [λbtij ] z λtt B=1 =μΛ +bijt B B = [ b ] [ b ] ij (12) Λ t = G1 Z t + λ t z t λ=t G =1 Z μ ++Bλλ −1 z+ij Aλξ = μ + B1λ t −1 + A1ξ t −1 1 ] 1 Z t + λ t zA1 =λ t[B = [+tbijB]11λt t t−−11 + A11ξt tt −−11 B11 = [bbA Λ=t [=aijG a=ij1 ]μ Λ = G Z + λ ijij]1] z λ t = μ + AB1λ=t [−1a +] At 1ξ t −1 1 t B1 t = [zbij ] λ t = μ + B1λ t − B1 A=1 [=bij[]aij ] t = G1 Z t + λ t AΛ 1 ij 1 = [ aij ] A = [ a ] B = [ b ] 1 ij 1 ij gdzie ξZtt (k xB11)=oznacza wektor obserwacji [bij ] B1 =A [b=ij ][a ] na k zmiennych egzogenicznych, G1 (2 x k) oznacza odξ A = [ a ] t 1 ijξ A11 = [aijij ]B1 = [im ξt bij ] macierz t μB(2=x[b1)] oznacza wektor stałych, powiadającą a B1 = [bij ] i A1 = [aij ] A1ξ t= [aparametrów, ξt ij ] 1 ij A = [ a ] e − π 1 ij A = [ a ] ξ jt jt ξ A = [ a ] 1 ij e − π t współczynników autoregresyjnych oraz ξ(2t x 2)ξoznaczają 1 t ij jt jt parametrów odpowiadających = (ξ=−[1ta, ξ]1tmacierze )ʹ,ξ gdzie , j ∈ {−1, 1}, e jt − π jt t A ʹ Ae−gdzie ξ t = ξ(ξjt −= 1}, e jt − πξjt = ξ,e jt=−j(ξ∈π jt{−,Aξ1, ] {−ξ1,t 1}, t 1 ij 1t , ξ 1π t )ξ,(1 − π1a)t ,ijjtξ] 1tξ)jtʹ, =gdzie π = [ 1 = ʹ[aijgdzie ξinnowacjom ξ jt = , = ( ξ jt ξ . Wektor innowacji ARMA ma postać: jt jt ξ 1 t tj ∈ {−1, −1t 1}, 1t,) , j ∈ t − jt ʹ = ξ(ξt −1t ,eξξjt 1t−)=π, jt gdzie ξ jt =, j ∈π{jt−1, , (1 − π ) ξ t =t (ξt−1t , ξ1t )ʹ,ξ t gdzie 1}, jt πjt (1 − π jt ) − π jtπ , (1ʹ −j ∈π{−)1, 1},πjt (1 − π jte)jt − ππjtjt (1 − πξjt ) − ξ t = (ξ −1ξt , tξ1t )ʹ,ʹ gdzie ξ jt = ξ e=jtjt (ξ , ξ ) , gdzie , t j ∈ { 1, 1}, e jtξ1}, −jt π=jt jt∈ {−1, ξ t = (ξ −1t , ξ1t ) , gdzie ξ jt = πt (1 −−gdzie π−1πjtt ξ)jt tjt1et jt ,ξ− πjjt= ʹ gdzie ξ t = (ξ(13) ʹ, jt(1 jt )e ξ = ( ξ , ξ , j ∈π{jt−)1, 1}, π (1 − −1t , ξ 1t ) , e − π t − 1 t 1 t jt jt π − π ) ʹ ⎧ − jt jt (1, 0 ) dla Δ x < 0 ʹξ = ξ t = (ξ −1t , ξξ1tt )=ʹ, (ξ −gdzie , j ∈ {ξ,π1, = 1}, jtξ jt t = jt j ∈−{π−1,)1}, 1t , ξ 1t ) , jtgdzie (1 − ʹ ξ = ( ξ , ξ ) , gdzie , j ∈ { 1, 1}, e − π ʹ ⎧ jt jt (1, 0 ) dla Δ x < 0 ⎪ t e t 0 )ʹ dla Δ xt < 0 e − π ⎧(1, 0)ʹ dla Δ xt < 0 πξΔ−jt1xt(1=−1t 0π jtπ)jtjt (1ʹ − πjt jt ) ,jt⎧(1, e t ξ=t (= jt ξ jt gdzie ∈ e −1(tξ, −e11tt,)ξʹ 1=t )⎨ʹ,(0, 0 )ʹ0)dla − π jt=) (1, 0)(ξ dla, ξ Δ)xʹ,⎪t <j gdzie 0 {π−jt1,(11}, ⎪= ʹ, −1,gdzie ξ jt = jt tΔ=x⎧ξ ʹe dla ⎧ (1, < 0 ξ 1}, t = (ξ −,⎪ 1t , ξj1t∈) { t t − 1 t 1 t jt ʹ ʹ e = ( , e ) = (0, 0 ) dla Δ x 0 ʹ ⎧(1, 0) ⎪ dla xt <−1t0 1t e⎪t π )ʹ )ʹ ⎨(0, =⎨jt(e(1−1− ,π e(1, t 0=)ʹ dla Δ xe ==0 (e 1t , e1t ) ʹ = ⎨(0, 0 )ʹ dla Δ xt = 0 πj 1jt t ) 0= ⎪=1t ()ʹΔ − π jt ) Δ xʹ =>x⎨0(0, e0−Δdla ,tedla 0 )ʹ t ⎧ dla Δ x⎪t dla ⎪⎧e(1,)0ʹ ⎩)=eʹ(0, = 0 Δ xt < 0 t t πjt −(1 ⎪)0ʹ(0, t ⎨dla 1)tʹx 1< t )0tΔ (0,Δ = ⎪ ⎧ (1, 0 )ʹ t ⎧ ⎪ (1, 0 dla Δ x < 0 ʹ e t = (e −1et ,t e=1t )(ʹe=−1t⎨,⎪⎧ (0,1t 0 )ʹ ʹdla x 0 1 ) dla Δ x > 0 ⎩(0, 1)ʹ dla(14) Δ xt > 0 t ⎩(0,t 1 )ʹ dla Δ x ⎧(1,Δt0ex)=ʹt =<dla (1, 00))ʹ ⎪dla dla (00e⎪−1Δt⎪⎩,x(0, et 1⎩t<)1⎧ʹ0)(1, (0, 0Δ )xʹ dla Δ<x0t = 0 t > 0 ⎪ ʹ= ⎨ e t = (e −1t , e1t )ʹ =⎪⎨⎪(0, Δ)ʹ xttdla dla > 0 ʹ = 0 ) dla Δ x ⎪ t (0, 1 Δ x > 0 e t = (e −1t , e1t )ʹ = ⎨(0, 0 ) ⎩(⎧e(1, Δx )0ʹdla = ⎨(0, )ʹ⎪00dla⎪ Δ xt = 0 t (0,,1ee)tʹ )=ʹdla Δt ,0xet0)1ʹ> Δxt xt 0t <= ⎨−1(0, t 10t )ʹ = e t = (e −1tt , ee1tt )=ʹ =(⎩e⎪⎨−1(0, (0, dla Δ x(t)tʹedla ⎧(1, 0)ʹ dla⎪ Δ xt < = 00,⎪eΔ (0, 1dla )ʹ dla Δ=0x)0tʹ >dla 0 ΔΔx xt < 0 ⎧ (1, ⎩ dla Δ x > Δ x ʹ ʹ = ) = (0, 0 ) Δ x ⎨ ⎩⎪ 1)ʹ Δ t t t ⎪ x⎪et(0, t −1t 1t 1 )ʹ dla Δ x > 0 t (0, 1)ʹ ⎪ (0, ʹ ⎪ 1 ) dla Δ x > 0 ⎩ t Δ x ʹ ʹ e = ( e , e ) = (0, 0 ) dla Δ x 0 ⎩ t = ⎨ e t = (e −1t , e1t )ʹ = ⎨(0, 0 )ʹ dla⎩ Δ xt = Δ xtt −1t⎩(0, 1t 1 )ʹ t dla Δ xt > 0 t =⎪(e Δ xt ʹ ʹ e , e ) = (0, 0 ) dla Δ x 0 = ⎨ ʹ (0, 1 ) dla Δ x > 0 Γ ( κ | Δ x |) κ + ω ω t − 1 t 1 t t | Δ x | + ⎩ −1t t κ f * (| Δ xt || Δ xt ≠ 0, Ft −1⎪ ) = 1Δ)ʹxtdla Δ xt t > 0([ ] − 1) ( t (κ)+ | tΔ x |) Δ xt ʹ|Δ xxdla Γω (κ +1|)Δ κ −+1 ω t ωκ t Δ x|Δ−1x | ⎪ (0, >+ | |) Δ xκ Γ0, (κF+⎪ | )(0, Δ=xt1ω|))tʹΓ xωttΔt>xκ0|| ([ Δ xt ⎩f (0, * Γ (κ ) Γ (| Δ xft *| (| Δ xt + 1) κ + dla κ([ κfΔ+* (| ⎩ xt ≠ω =t (t ⎩ t ) t t ([ t Δ x | | Δ x ≠ (| Δ x | | Δ x ≠ 0, F ] ( 0,t ]Ft −−|1Δ)1) t −Δ1) t ) = Γt (κ + | Δ t −x 1 |) Δ xt κ + ω xt)| t t t − 1 * κ − 1 t t Γ ( κ | Δ x |) κ + ω ω + Γ ( κ | Δ x |) κ ω ω | Δ x | | Δ x | Δ x + Γ ( κ ) Γ (| Δ x | 1) Γ ( κ ) Γ (| Δ x | + 1) κ ω + κ + + κt x | + t κ] t t −t 1) ( t (κ−1)(Γt(|]Δ ω +) κ t11) (| Δ )xtt=|| Δ xtt ≠ 0,([Ft −1 )t =t ]κ ([ −Γ1) f * (| Δ xt |fΔ | Δ*x(|xtΔ≠xt0,||FΔt −x1t) ≠ = f0, F )+ −|([ −t1) t −1 Δ(|xΔωtx κ||)+ κ ) κ +Δωxt t κωt + κt −1 ω t |Δ xt| Γ (t κκ)Γκ(| Δ−ω1xΓt+|(κκ+ω1) ω Γ (κΓ)Γ(κ(| + ΔΓx*| Δ * (κ|x+)t 1) Γ|)(| Δ x κκ| ++1) t t | Δx | ∈t N \ {0} , y0 , t = 0 y0 , t = 0 y1, t = 1 y1, t = 1 29 Przepływ zleceń a kurs walutowy… π jt , ( j ∈ {−1,0,1}) π jt , ( j ∈ {−1,0,1}) (Δ xt < 0 | Ft −1 ) (Δ xt < 0 | Ft −1 ) Wykres 13 Funkcje autokorelacji (Δ x > 0 | F oraz ) korelacji krzyżowej zmiennych e -1, t i e 1, t w II połowie 2004 r. (Δ xt −t1> 0 | Ft −1 ) t Ft −1 Δ xt Ft −1 0,15 0,15 0,10 0,10 Δ xt (1 − 1 ) 1{Δx < 0} {Δxt = 0} (1 − 1{Δx = 0}) f (Δ x0,05 ⋅ π 1{Δxt =0} ⋅ π 1{Δxt >0} ⋅ f *(| Δ x || Δ xt ≠ 0, Ft − 1 ) t t | Ft − 1 ) = π − 1 t t f (Δ xt | Ft − 1 ) = π− 1 t 1{Δ0xtt<0} ⋅ π 0 t 1{Δ1xtt =0}0,05⋅ π 1 t 1{Δxt >0} ⋅t f *(| Δ xt || Δ xt ≠ 0, Ft − 1 ) 0,00 0,00 f * (| Δ-0,05 xt || Δ xt ≠ 0, Ft −1 ) f 1* (| Δ x || Δ x ≠ 0, F −1 )15 3 t5 7 t 9 11 t13 -0,10 π jt -0,15 π jt exp (Λ jt ) exp (Λ jt ) π jt = 1 π jt = 1 ∑−1 exp (Λ∑it )exp (Λ it ) i0,15 = -0,05 17 19 i = −1 0,10 -0,10 1 3 5 7 9 11 13 15 17 19 3 5 7 9 11 13 15 17 19 -0,15 0,15 0,10 Λ 0t = 0, ∀t . 0,05Λ = 0, ∀t . 0t 0,05 0,00 0,00 Λ t ≡ (-0,05 Λ −1t , Λ1t )ʹ = (ln[π −1t /π 0 t ], ln[π 1t /π 0 t ])ʹ -0,05 Λ t ≡ (Λ −1t , Λ1t )ʹ = (ln[π −1t /π 0 t ], ln[π 1t /π 0 t ])ʹ 1 3 5 7 9 11 13 15 17 19 1 Λ t = G1 Z t + λ t z λ t = μ + B1λ t −1 + A1ξ t −1 Λ t = G1 Z t + λ t z λ t = μ + B1λ t −1 -0,15 + A1ξ t −1 -0,15 -0,10 corr B(1e−=1,t ,[eb−ij1,]t −l ) B1 = [bij ] -0,10 corr (e−1,t , e −1,t −l ) corr (e−1,t , e1,t −l ) Uwagi: A = [ a ] corr (e−1,t , e −1,t −l ) corr (e−1,t , e1,t −l ) 1 ij A1 = [aij ] liczbę opóźnień l. Na osi poziomej corr (e1,t , eprzedstawiono −1,t − l ) Górny lewy ξ t panel: corr (e−1,t , e−1,t −l ) , górny prawy panel: corr (e−1,t , e1,t −l ) , dolny lewy panel: corr (e1,t , e−1,t −l ) , dolny prawy panel: corr (e1,t , e1,t −ξl )t . corr (e1,t , e1,t −l ) corr (e1,t , e −1,t −l ) corr (e−1,t , granice e1,t −l ) 99% przedziału ufności. Linie przerywane oznaczają e jt − π jt e(jte1,− ξ t = (ξ −1corr , ξ )ʹ, gdzie ξ jt = , π jtj ∈ {−1, 1}, t , e1,t − l ) ξt t =1(te(1ξ,t ,−e1t−1,,tξ−l1)t )ʹ, gdzie ξπjt (1 = −corr , j ∈ {−1, 1}, π ) jt jt π (1 − π ) jt jt dotyczące samego kierunku (znaku) procorr (e1,t ,defniuje e1,t −l ) Wektor innowacji zaskoczenie informacyjne cesu Δxt w momencie t i stanowi niejako siłę wiodącą (ang. driving force) procesu (12). Taka spe⎧(1, 0opis )ʹ dladynamicznych Δx < 0 cyfikacja modelu umożliwia procesu kierunku przepływu zleceń ⎧(1, 0)ʹ tdla Δ xt < własności 0 ⎪ ⎪ ʹ ʹ e = ( e , e ) = (0, 0 ) dla Δ x 0 = ⎨ t − 1 t 1 t t (m.in. jego silnąepersystencję korelację , e1t )ʹoraz = ⎨(0, 0 )ʹ dla krzyżową), Δ xt = 0 upodabniając nieco konstrukcję modelu do t = (e −1t ⎪ 1)ʹ ⎪dla Δ xt > 0 klasycznych specyfikacji⎩(0, VARMA. ⎩(0, 1)ʹ dla Δ xt > 0 W odniesieniu do procesu absolutnych, niezerowych i dyskretnych wartości przepływu zleceń Δ xt rozkład prawdopodobieństwa procesu modelowany jest za pomocą uciętego w zerze warunkowy Δ xt ujemnego rozkładu dwumianowego: Γ (κ + | Δ xt |) κ +ω ω |Δ x | Γ (κ + | Δ([xt |) t ]κκ−+1)ω−t1 (κ t −1) tω t |Δ xt| f * (| Δ xt || Δ * xt ≠ 0, Ft −1 ) = − f (| Δ x | | Δ x ≠ 0, F ) = ([ ] 1) ( ) + + Γ ( κ ) Γ (| Δ x | 1) κ ω κ (15) t t t −1 t Γ (κt )Γ (| Δ xt | +1) κ ωt + κ gdzie | Δ xt | ∈ N \ {0} , κ > 0, oznacza parametr rozproszenia. | Δ xt | ∈ N \ {0} , κ > 0 W celu objaśnienia silnej autokorelacji procesu absolutnych wartości przepływu zleceń (por. ~ ω modelowana ~ ~ za pomocą ~ ~ wykresln14) tzw. ~ ~ uogólnionego liniowego modeω t warunkowa = δDt + γ T Z~średnia zt ~λ t = μ~ +~β1λjest t + λ tT t~ −1 + α 1ξ t −1 ln ω = δ D + γ Z + λ z λ = μ + β λ t Shephard t t t t 1 t −1 + α 1ξ t −1 lu ARMA(1, 1) (por. 1995): ~ Dt ∈ {−1,~1} Δx Dt ∈ {−1, 1}t γ, β1, α 1 γ, β1, α 1 ~ Δ xt exp (Λ ) Λ 0tπ= 0, ∀t . π jt exp (Λ ) Λ 0tπ=jti∑ 0, ∀t . it ∑ exp ∑ it jt(Λ it ) = −1 exp (Λ jt ) i = −1 i = −1 exp ( Λ exp (Λ jt ) πΛjtt =≡ (Λ exp 1(tΛ)ʹ=jt=) (ln[π −1t /jtπ)0 t ], ln[π 1t /π 0 t ])ʹ 1 −1t , Λπ Λ = 0, ∀ t . jt 1 ʹ = = π π Λ0tt ≡jt (Λ −11t , Λ 1t /πexp t ],0t(ln 10Λ Λ10tt ) ==0,(ln∀[πtjt −.∑ Λ=[itπ)0,1t /π∀0tt ]. )ʹ (Λ it ) K. Bień 30 exp (Λ it ) ) exp i = −1∑ exp (Λ it∑ ∑ Λ = G Z + λ z i = −1λ t = μ + B1λ t −1 + A1ξ t −1 t 1 t t i = −,1Λ 1],Blnλ[π /+π A ]ξ)ʹ μi =0−+Λ Λ tt ≡= (G Λ1−Z )ʹ =z(ln[λπt −= 1t 1tt + 1λ 1t /π 0 t1 t − ʹ )1ʹ [=π 1(tln ʹ t t 1≡[π(t −Λ Λ tt t≡ (ΛΛ−1t , Λ /π[π t ,0Λ 1tln −1)tʹ/π 0 t ], ln[π 1t /π 0 t ]) 1t ) = (ln −1t−/1π t ], 0t ] 0t = 0, ∀t .Λ = 0, ∀ t . Λ = 0, ∀t . Λ =ij 0, t 0t. ]+ ∀ ΛBt1 ==0tG Z + λ z B1λ t=0t=[bμ B λ −1 + Aξ + B1λ t −1 + A1ξ t −1 λt Λ z t 1=λ ttG =1 Zμt +1 λBt −t11λ t −z1 + λAt1ξ=t −μ Wykres 14 [b1ij ] t Λ t t= G1 Z t + Λ t ≡ (Λ −1t , Λ1t )ʹ = (ln[π −1t /π ʹ0 t ], ln[π 1t1/π 0 t ])ʹ Λ ≡ ( Λ , Λ ) = ( ln [ π / A = [ a ] FunkcjaΛ autokorelacji dla absolutnych, niezerowych wartości przepływu zleceń t [π 1tʹ −1t π 0 t ], ln ʹ −/1π ʹ [π 1t /π 0 t ])ʹ ],t ln ln A11 =t [≡baijij(]Λ ] −1t , Λ1t )ʹ = 1(Λlnt [≡π −(ij1Λ t /π −1t0,t Λ 1t )[π=1t ( 0 t ])−1t /π 0 t ], ln[π 1t /π 0 t ]) B B = [ b ] B1 = [bΛ λ t zij λ t = μ + B1λ t −1 + A1ξ t −1 ξij ] = G Z t +1Λ ξ t Λ = G Z + λ ztt Λ λ=1 G t λ= Z t++B λ G1zZ + t Aλ+1ξt λt=−t 1 μ z+ Bλ1λt t=−1 μ+ +A1B ξ1t λ−1t −1 + A1ξ t −1 t t t = 1μ A1 =t [aij ] 1 t A1 = [1at ijt −]1 A1 = [aij ] e jt − π jt B = [(bξij ] , ξ )ʹ, e jt gdzie − π] jt ξ jt = ξ 1t = , j ∈ {−1, 1}, ξ t B = [b ] ʹ B = [ b − 1 t 1 t 1 ij ξ B1 =ξ2004 [jtbij = ]r.t ξ t =1 (ξ −1t ,ijξξ1t ) , gdzie , j ∈π {−1,(11}, II połowa − π jt )2007 r. jt πjt (1 − π jt ) 0,30 0,30 A1 = [aij ] e=jt [−aijπ] jt A 1 A1(ξ= [0,25 a,ijξ] )ʹ, gdzie A1 =ξ[aij=] 0,25 e −j ∈π jt{−1, 1}, e jt − π jt ξt = , jt −1t 1t jt ξ = (ξ ʹ , ξ ) , gdzie gdzie ξ = 1, 1}, , j ∈ {−1, 1}, t − 1 t 1 t 0,20 0,20 ξ t = (ξξ−1t t , ξ 1t ) ʹ, jt− 0 πjt ⎧(1 π)jtʹ ) dla Δ xt <ξ0jt , = j ∈π {−(1 (1, ξ − π jt ) t π (1 − π ) jt ξt ⎧(1,ξ0t )ʹ dla Δ xt < ⎪0 0,15 jt 0,15 jt ⎪ e t = (e −1t , e1t )ʹ = ⎨(0, 0 )ʹ dla 0,10 Δ xt e= 0− π 0,10 jt jt e t = (e −1t0,05 , e1t )ʹ = ⎨ξ(0, =0 )(ʹξ dla, ξ Δ)xʹ,t =⎪gdzie 0 =0,05 e0jtξ − π=jt , e jt j −∈ π{−jt1, 1}, −1t 1t ξ jt jt − 1, ξ )πʹ1jttξdla Δ0x)tπʹ >dla ⎧,⎪(1,tgdzie ʹ,⎧ξ(1, 0)ʹ=dla Δ xt = < 0(eξ(0, ) gdzie ⎩ − 1 t jt − Δ xt) < 0 , j ∈ {−1,, 1},j ∈ {−1, 1}, ʹ ʹ (1 − π ξ t = (ξ0,00 , ξ ) ξ ( ξ ξ , ξ = ) , gdzie , = j ∈ { 1, 1}, ʹ dla Δ xt < 0jt0,00 jt jt −1t 1t ⎪ t Δ x10 ⎩(0, 1t)ʹ dla−⎧1jt(1, tt > 0 −ʹπ jt ⎪) -0,05 ʹ πjt (1 − π jt )πjt (1 − π jt ) ⎪ xt (=e π0jt, (1 ʹ ʹ e t = (e −1-0,05 t , e1t ) = ⎨(0, 0 ) ʹdla eΔ= e ) x=t = ⎨(0, ʹ e = ( e , e ) = (0, 0 ) dla Δ 0-0,100 ) dla Δ xt = 0 t − 1 t 1 t ⎨ t − 1 t 1 t x -0,10 ⎪Δ 1 3 (0, 5 t1 7 )ʹ 9 dla 11⎪ Δ 13 x 15> 17 19 1 3 5 7 9 11 13 15 17 19 Δ xt ⎪ 0 ⎩ dla0)Δʹ xdla 0Δ 1xt)ʹ< dla ⎩(0, 0 Δ xt > 0 ⎩(0, 1t )ʹ⎧(1, t > ⎧ (1, ⎧(1, 0)ʹ dla Δ xt⎪<⎧0(1, 0)ʹ dla⎪ Δ0xt)ʹ<dla 0 Δ xt < 0 ʹ ʹ e = ( e , e ) = (0, 0 ) dla Δ x 0 Γ ( κ | Δ x |) κ +ω ω t |Δ xt| = + ⎨ * Δ xt ⎪t (| Δ x−1t|Γ| Δ(κ1xt +e≠t| Δ ⎪ e1t κ)ʹ +=ω⎨(0,κt 0 )ʹt −dla =0, Δ txt =|Δ0xt t]| κ − 1) −1 ( ω ) t ʹ =Ff⎨(0, ʹ x(Ftet|)−1t), = e) t== 0 )(tʹe dla 0 )ʹ dlat ]Δ x−t 1)= 01 ( ([ t1t )0, −1t , e1Δ t )xt⎪==⎨0(0,ʹ([ f * e(|tΔ=xt(e|| −Δ1tΔx,txe≠ ) (κ )Δ Γ (|xtΔ>xt0| +1) κ ωt + κ t −1 (0, 1) Γdla ʹ ⎪(0, 1Γ)ʹ(κdla (0, 1 ) dla Δ x > 0 )Γ (|ΔΔxx⎩t >| ⎪ +0(0, 1) 1)ʹ κdla⎪ ω + κ ⎩ Δx > 0 t t ⎩ Uwaga:*linie przerywane oznaczają granice Γ (κ +99% | Δ txtprzedziału |)⎩ κ +ufności. ω t κ t Γ−1(κ +ω| Δ |Δ x | κ t+ ω|tΔ xκ| ω t |Δ xt| Γx(κ([≠ | ΔFxt |))] =− 1)κ +(ω t κt xt)|)−t1 ([ ω * + 0, f (| Δ xt || Δ xt *≠ 0, F|ΔΔ ) = \ {0} t −x1x , κ f (| Δ x | | Δ ] t − 1) −1 ( ) t t |x∈ N > 0 − f (| Δ x | | Δ ≠ 0, F ) = ([ ] 1) ( ) t t t − 1 + κ ω κ −(| 1 xΔ | Δ xΔt |x∈t N \ {0} , κ > t0 Δ xtt Γ (κ )Γt Δ t xt | + 1) )Γ (| tΔ xt | +1) ωt +κκ ωt + κ Γ (κ )Γ (| Δ xt | +1) Γ (κ κ ~ ~ ~ κ + ω t ~κ ~ (16) T ~t, κzΓ (κλ+~t =| Δμ~xt+|)βΓ1λ(([ |Δ x | ∈ N \~{0} , κ ln ω =xtδ||D|ΔΔt x~+ γ ZFt\t {0} +1 )λ= +| Δαx1tξ]|)t −1− 1) −κ1 (+ ωωt t κ )|Δ xt|−1 ω t |Δ xt| κt −1+ω 0f \*{0} ~ (|λ~tΔ ≠ * 0, N x | ∈ t − > 0 + Γ ( κ | Δ x |) κ Γ ( ω κ | Δ x |) κt + ω|Δtxt| κ ([ −1 ]ω t− 1) |Δ x(t| , κ + + + + + ln ωt t* = δDt| Δ+ xγt |T∈Z>N z λ = μ β λ α ξ > 0 κ= −1 ≠ 0, F ) t t t t* ttf (| Δ xt t||1Δ tx−Γ 1( 1 t − 1 t t − 1 f (| Δ xt || Δ xt ≠ 0, Fft −1 )(|=Δ xt || Δ xt ≠ 0, Ft −1 ) =([κ )Γ (| Δ]xt −| Γ+1)(1) (Γ (|([Δκx |) +1)] − 1)κω(t + κ ) ω + κ ) κ+)1) t + Γ ( κ ) Γ (| Δ x | 1) Γ ( κ κ ) Γ (| Δ x | ωt + κtκ ωt + κ gdzie: t ~~ ~ ~Δ x~t ~ ~ ~ T ~ ~ ~ ~ω t = δD D ∈ { − 1, 1} ~ ~ ~ T +~α ξ~ ~ ~ ~ ln + γ Z + λ z λ = μ + β λ t T t t – indykator, 1+ γ w chwili t, lnt + ωt, λ = δD λβt −1λdodatniej z +α λ 1t ξ=t −wartości μ1 + β1λ t −Δx Dt ∈ {−1, 1} Δ|t xΔ {0} xtt|t∈ \Z +N ln ω t = δtD γodpowiednio, z0 t ujemnej λtt−1=Zμt +1lub 1 +t α 1ξ t −1 N \ {0} | Δt xκ,tt |>∈ , κ > 0t1 t −1 N {0} N {0} | Δ x | ∈ \ | Δ x | ∈ \ , κ κ > 0 > 0 δ – odpowiadająca wartość parametru, t t ~~ γt , β1, α 1~ ~ T ~ D ∈ { − 1, 1} Δ x μ – stała równania, t 1}~~ zΔTxtλ~ = ~μ~ + β λ~ ~ + α~ ξ~ ~ γ, β1, α 1 Dt ∈ {−ln 1,ω1} ~ δDΔtDx~+tt ∈ γ~{− Z1, t = t=+δλ t ~~ ~ ~ T T +t −βξ1~1λ t −1 + α 1ξ t −1 ln ω D+tβt λ~+λ~γ zZ λ=t μ~z+1 βtλ−λ1~t = μ+1 α ~ ~ Z~t ln –ω wektor dodatkowych zmiennych objaśniających, t μ tα+ + + + + + = δ D γ Z ln ω λ = δ z D λ γ = Z λ ξ t t tt t t t 1 t t −1 1 t t −1 1 t −1 1 t −1 ξtt γξ,t β1, α 1 – wartości~parametrów. γ , β , α γ, β1, αD1 t ∈ ~1 Δ 1xt ~ ~ {−1, 1} D 1, 1} ~D t ∈ − | Δ x | E (| Δ{x−Δ xt ≠ 0,ΔFxt t−1 ) ~ ∈ { − 1, 1} D ∈ { − 1, 1} Δ x t t ||xΔ ~ t t t | Δ xt | −ξ~E w specyfikacji (| Δ xξt t || Δ Ft −1 )ma postać: ≡t xt ≠ 0,ξ(16) t ξξ I~nnowacja t Var (|t 1/2 Δ xt || Δ x t ≠ 0, Ft −1 )1/2 t ≡ αF Var (| Δ xt || Δγx, t β≠1,0, ) 1 t −1 γ, β , α Δ1x, tα| 1− E (| Δ xt~|| γΔ, xβt 1≠, α0,~1 Ft −1 |)Δ1x |1− E (| Δ x || Δ x ≠ 0, F ) ~ γ, | β − | Δ x | E (| Δξxt1/2≡|~| Δ xt ≠ ~ t 0, Ft −1 ) t t t −1 ξ t ≡ ωt (17) ξxtt(|~Δ t ≠ 0, F ) = ~ Var (|ξΔt x≡t || ΔE 1/2 0,tω|F ) | Δ x , 1/2 ξ t ≠x t − 1 | Δ x t ≠ 0, Ft −1 ) ξ(| Δ xtt || Δ,t x t t ≠ Var 0,t −F1 t(|−1Δ) 1x− t |ϑ E (|ξΔt xt || Δ xt ≠ 0, FVar t −1 ) =t t 1− ϑ ~ | Δωxt t| − E (| Δ |xΔt x|| Δ|x−t E≠(|0,ΔFxt −1||)Δ x ≠ 0, F2 ) t F ω)ttw zerze we warunkowe momenty uciętego xt wzorze | −0,EF(| ξ−Δ1t(17) x| tΔ ≠ x,t (|0, |ξ~Δ −FE )|ω Δ xt || Δ2 xF ≠ 0, ~=|| Δ EObecne (|~Δ xt || Δ ≠ )x≡ 1/2 ⎛t −1 ωt , ⎞1/2t⎛−1ujemnego 1 − ϑt ⎞rozkładu dwumianoE xt≡−1(||Δ Δ = tx= Var (|Δ Δ xt xt tt≠,)≠⎞=0,0, Ftω E (| Δ xttVar || Δξxt t(|t 1≡ ≠ 0,ϑtωF ) ξ ≡ t −1t1)) 1 t1/2t||0, t − ϑ≠−t ϑ ⎛ ϑt − − − ω t − 1 Δ x | | x ≠ F − t ⎛ ⎞ ⎟ 1/2 ⎜ Var (| Δ x | | Δ x 0, F ) ⎟ ⎜ t tt t t − 1 wego mają odpowiednio postać: 1 t t t − 1 ϑ−tF Ft −1(| || Δ x(|t ≠Δ x0,t F||tΔ−1x) t=≠ 0,Var −)Δ Var (| Δ xt Var ϑ−t −1 ) (1⎟−t ϑ ) κ ⎠ ⎜ 1xt−||ϑΔt x t ⎟≠⎜10, 1 − ϑt ⎝ (1 − ϑt ) ⎠2 ⎝ t κ⎝ ⎠ t ⎠ ⎝ 2 ⎛ F κω)t = ⎞ ω⎛t , 1 − ϑt2 ⎞ωω ωxt ≠ 0, ⎞ ⎛ xt[κ || Δ 1 − ϑt ⎞ ⎛ϑ0, ωt ))==⎞ ⎟⎛ t t −,1⎛− ϑω t+ t −1ω ⎞ −(| − Var (| Δ xt || Δ xt ≠ 0,κEFϑt(|−t1Δ) == t ωVar ω /( κ ω )] ⎜ t xx⎟ ≠ t ⎜ t E (| Δ x | | Δ ≠ F t t Δ x | | Δ 0, F t ⎟ (|t )] Δ0,xF |−Δ ⎟ ⎜ ϑt − ⎜ ⎟ || Var Δ+xω (|x=Δt 1≠x−t 0, |ϑ | ΔF x, )≠=0,t tFϑt1))t1⎠t=−−⎝⎜ϑt t t−−1,1 κ ⎟11⎠⎜−−ϑϑϑ ϑtE (|=Δ[κx/(t κ t t|E t − t ≠ 1 ) (18) t t −t1⎝ (1 − t −ϑ ϑ κ ⎠ 1 − t ⎝1 − (1ϑ−t ϑt ) ⎠ ⎝ t t ⎝ κ(1 −⎠ t ) ⎠ ⎝ 1 − ϑt 2 (1) (1) κ b11 = b22 ⎛ ω ⎞ ⎛ 2 1 − ϑt ⎞2 ωκ ϑbt 11(1)==[κb/(22(1)κ + ω t )]Var κ ϑ ω ϑ⎛ − ω ⎞⎟ ⎛ (19) + =ω t ⎞)]2 ⎛t ω − ⎜1 −⎛ ϑ t ω /( xtt |)] | Δϑ ≠ [0,κ Ftκ−ω ϑt = [κ/(κ(|+Δω tt = ⎛ 1 |) ωxVar ⎞ t − 1 − t ⎞⎟ (| Δ x | Δ x ≠ 0, F ) =−tϑ⎞⎟t )tt ⎟ ⎜⎝−⎞ ⎜⎛t ϑ −tκ1 −⎟ϑ t⎜ ϑ ⎠ Var (| Δ xt || Δ xt ≠ 0,Var F(1) (|=Δ x(1)t || tΔ x−t ≠⎜ 0,tFtt−1 )1t=⎟−⎜ϑϑt tt −t ⎝−1−(1 ⎟ ⎠ ⎜ ⎟ ⎜ t −1 ) t ϑ ϑ 1 −ϑ t ) ⎝ (1 − t )κ⎠ ⎝ κ ⎠ b = b21 1 −=ϑ(1)t0 ⎝ (1 − ϑt ) ⎠ 1⎝ − ϑt κ ⎠ t ⎠ ⎝ ⎠ (1) = b (1) (1) ⎝ (1 − (1) bb11(1) (1) (1)12 b = b 12 = b22 21 =b0 = b κ 11 22 11 ϑ22t = [κ/(κ + ω t )] κ [κκ/(. κ + ω t )]κ ϑ gdzie ϑ jest dana jako: Δtx tUSD + = [ κ /( κ ω )] = [κ/(κϑ+t ω=t )] USD (1)t (1) t (1) (1) bΔ 12 x t= b21 = 0(1) b12 = bb21(1)(1) ==0b (1) b12 (1)= b21 (1)= 0 11 22 (1) (1) (1) =]bT 22 USD bx11(1) USD= b22 = [=rtb−122 Δbx11USD USD T Zb11 t Δ [ ] USD Z =t rt −1 ΔΔxtx Δ xt (1) (1) t b = b = 0 (1) (1) 12 21 USD (1) (1) (1) (1) b T Δx 12 = b21 = 0 b = b = 0 b = b USD USD t 12 21 = 0 USD T Zx=t12 [ rt −1 21Δxt [] Δ USD TZ = [ r ] Z = r USD Δx ] t −1 Δxt Przepływ zleceń a kurs walutowy… γ, β1, α 1 γ~, β1, α 1 ξt ~ ξt ~ ξt ~ | Δ xt | − E (| Δ xt || Δ xt ≠ 0 ξt ≡ 31 || Δ x(|t Δ≠x0, ~ | Δ xt | − E (| Δ xtVar t −1x)t ≠ 0, Ft − t ||FΔ ξt ≡ 1/2 ~ | Δ x | − E (| Δ x || Δ x ≠ 0, F ) ξt ≡ Vart (| Δ xt || Δ xt t ≠ 0,t Ft −1 ) 1/2t −1 ω Var (| Δ(|xtΔ||xΔ|x| Δ t ≠ xt 0, ≠ F0,t −F1 t)−1 ) = t Innowację (17) należy postrzegać jako wystandaryzowaną wartość zaskoczeniaEco dot wartości ωt 1 − ϑt E (| Δ xt || Δ xt ≠ 0, Ft −1 ) = , bezwzględnej przepływu zleceń w momencie t. 1 −ωϑtt E (| Δ xt || wykorzystując Δ xt ≠ 0, Ft −1 ) = roz- , Oszacowania modelu ICH dokonuje się metodą największej wiarygodności, 1x−≠ϑt0, F ) = ωt (| Δ x | | Δ Var t tω ⎛t −1 ωt ⎞ϑ kład prawdopodobieństwa zadany wzorem (10). 1 −⎟ Var (| Δ xt || Δ xt ≠ 0, Ft −1 ) = t − ⎜ ϑt ⎝ ⎛(1 − ω ϑt ) ⎠ 1 −ω t Var (| Δ xt || Δ xϑt ≠ 0, Ft −1 ) = t κ − ⎜ ω−t )] ϑt ⎝ (1 − ϑt ) t =κ[κ/(κ + 1 ϑt = [κ/(κ + ω t )] 5.2. Wyniki estymacji ϑt (1)= [κ/((1)κ + bω11t )]=κ b22 (1) (1) b11 = b22 W badaniu empirycznym, w celu znacznego uproszczenia struktury modelu ACM, na macierze (1) (1) (1) B1 i A1 nałożono następujące restrykcje symetrii bądź restrykcje zerowe: b11(1) = b22 i b (1) = b21 = 0. b12 = b21(1) = 0 12 Do zbioru dodatkowych zmiennych objaśniających, które mogłyby mieć wpływ na prawdopodoUSD (1) USD (1) bieństwo kierunku przepływu zleceń, wybrano opóźnioną o jeden okres zwrotu b12 = b21 = 0Δ x t z kursu Δ xstopę t EUR/PLN (rt-1, w punktach bazowych) oraz bieżącą wartość przepływu zleceń na rynku EUR/USD T USD T USD (ΔxtUSD, w mln euro). Wektor zmiennych objaśniających ma zatem postać: Δ Z x=t [ rt −1 ΔxZtUSD=] [.rt −1 Δxt ] Uwzględnienie w modelu stopy zwrotu rt-1 pozwala na opisanie tzw. efektu feedback Ttrading. USD x tUSD ] wartoΔ Z xspadek =t [ rt −1 (wzrost) ΔΔ xtUSD Zjawisko to może mieć miejsce, jeżeli dealerzy walutowi w odpowiedzi na ści złotego względem euro antycypują jego dalszą deprecjację (aprecjację) aˆw niedalekiej > aˆ12 aˆaˆ1122 przyszło>> aˆaˆ1221 aˆ 22 > aˆ 21 11 USD Δ x t ści, a zatem dokonują agresywnych rynkowych transakcji zakupu (sprzedaży) euro. Wprowadzenie aˆ > aˆ12 aˆaˆ11nad > aˆtranszmiennej ΔxtUSD ma na celu sprawdzenie, czy nadwyżka agresywnych transakcji 12 ˆ aˆ1111 > aˆzakupu 12 22 > a 21 akcjami sprzedaży euro w dużo większym i bardziej płynnym segmencie rynku walutowego, jaaˆ > aˆ 21 aˆ > aˆ 22 21 kim jest rynek EUR/USD, wpływa na zmianę kierunku przepływu zleceń na W celu aˆ1122rynku złotego. > aˆ12 zachowania oszczędnej parametryzacji modelu założono, że wpływ obu zmiennych objaśniających gˆ = − 0 ,0052 gˆ 1d = − 0 ,0052 aˆ 1d > aˆ 22 Tabela 3 Oszacowania modelu ACM dla kierunku przepływu zleceń Parametry μ1 μ2 b11 a11 a12 a21 a22 g1d g2d 2004 r. oszacowanie wartość p 0,3908 0,0087 21 Δx USD Δx USD gˆ 1d = − 0 ,0052 gˆ 2 d = − 0,0046 gˆ 2 d = − 0,0046 Δx USD 2007 r. gˆ 2 d = 0,0015 gˆ 2 d =p 0,0015 oszacowanie gˆ 2 d = − 0,0046 wartość ~ S (υ , τ ) 0,0000 ~ 1,4106 ˆ 2 d = 0,0015S (υ , τ ) g 1,4489 0,0000 wt −1 0,4013 0,0085 0,5630 0,0006 0,2245 0,0000 0,3850 0,1332 0,0156 0,2362 0,1502 0,0106 0,3262 0,0000 β1 = 0, 94 β1 = 0, 96 0,0000 ) ~ βˆ1 = 0, 96 -0,0025 0,2452 βS1 (υ= ,0τ,)94 0,0015 0,0055~ ~ ~ ~ ˆ ( υ1(0,02) ,υ01,,96 υ 2 ) S (υ ,τ ) β 9,85 0= -0,0052 0,0729 -0,0046 0,0000 Q(2) 11,97 (0,01) Q(5) 27,92 (0,02) Q(10) 58,01 (0,01) LogL -1,0073 0,3090 0,3953 0,4049 wt −1 ~ S| Δ (υxUSD , τ ) | 0,0000 0,0000USD w)t −1 β1 = 0, 94 USD |Δ | ˆx | Δx 0,0008 | ) 0,0000 ~ ~ ~ 23,85) (0,07) ( υ 0 ,υ1 , υ 2 ) ~ S (υ=,τ- 0,1385 ) γ 47,71 1(0,07) )~ ~ ~ ) γ1 =, υ-0,3243 -0,8730 (υ , υ ) γ1 = - 0,1385 0 1 2 ) γˆ2 = 0, 0176otrzymanych γ1 = -0,3243 Uwaga: raportowane wartości p zostały wyznaczone na podstawie błędów standardowych przy ) = 0,1385 wykorzystaniu estymatora sandwich. Q(l) oznacza portfelową statystykę Hoskinga dla resztγ1modelu, gdzie l oznacza ˆ rząd opóźnienia (por. Hosking 1980). W nawiasach podano odpowiadającą statystykom wartość ) p. γ2 = 0, 0176 γ1 = -0,3243 γˆ2 = 0, 0176 Dt ∈ {−1, 1} Δ xt ~ ~ ξt ξt ~ Δ x N {0} | Δ x | ∈ \ t , κ >0 Dt ∈ {−1, 1} Δ xt t γ, β1, α 1 ≠ F0,t −F ~ ~ | Δ|xΔ x| − |E−(|EΔ(|xΔ x|| Δ||xΔt x≠xt 0, 1 )t −1 ) ~ ~ ~ ~ ~ ~ ξt ξ≡t ≡ Ft t ) = Γt(κ t+ | Δ * t |) 1/2 1/2κ + ω t ln ω t = δDt + γ T Z t + λ t z K.λ Bień ([ γ,32 β1, α 1~ t = μ + β 1λ t −1 +fα(| 1ξΔ t −x 1 t || Δ xt ≠ 0, t − 1 VarVar (| Δ(|xΔtΓ|x|(tΔ ≠xF0,t|−+F t x 1 )1) t −1 ) ξt κ||x)Δ Γ (|≠t Δ0, κ t ~ ~ ξt Δ xFt ) ωt ωt Δ xt ≠ 0, ~ | Δ xt | −DEt (|∈Δ{−xt1,|| 1} {0} | Δ xt | ∈ N \E t −1 (|EΔ,(|xκΔt |> x| Δ ||xΔt ≠ xt 0, ≠ F0,t −F , , t0 1 )t −= 1) = ξ ≡ t 1/2 na prawdopodobieństwo dodatnich wartości przepływu zleceń (na rynku złotego) 1 −1ϑ−t ϑt xt x||t Δ≠xzaobserwowania ≠ 0, F ) (| Δ x(|t Δ|| Δ 0, F ) ~ | Δ xt | − EVar t t −1 t −1 ξt powinien ≡ być przeciwny jak~ w przypadku γ, β , α co do znaku, ale taki sam co do wartości bezwzględnej ~ ~ ~ ~ T Var (| Δ xt || Δ x t ≠ 10, F1t −1 )1/2 ln ω t = δD z λ t = μ~ ω +β α 1ω ξ ⎛ t + γ Z t + λt 1tλ t⎛−1 + ω ω prawdopodobieństwa zaobserwowania ujemnych wartości przepływu zleceń. t t ~ ωt (| Δ(|xΔt |x| Δ xt 0, ≠ F0,t −F − ⎜− ⎜ VarVar t ||xΔ t ≠ 1 )t −= 1) = E (| Δ xt || Δ xt ξkomponentu ≠t 0, Ft −1 ) = ACM , modelu ICH dla obu par walutowych ϑ ϑ 1 − 1 − Oszacowania przedstawiono w tabeli 3, t t ⎝ (1 ⎝ −(1ϑ−t ϑ 1− t ~ ωt Dt ∈ {interpretacji. −1, 1} Δ xZmienne E (|a otrzymane Δ xt || Δ xt ≠ 0,wyniki Ft −1 ) = pozwalają , na przeprowadzenie następującej opisująt κ κ 1| − Δϑ xtt | − E (| Δ xt || Δ xt ≠ 0, Ft2−1 ) ~ ϑ ϑ + + = [ = κ /( [ κ /( κ ω ω )] )] ce dynamiczne własności procesu Ocena t t istotności t5%). t ξ ≡ ωt są ⎛statystycznie ω ⎞ ⎛ istotne 1 − ϑt ⎞(przy poziomie ϑt − Δ xtt ≠ 0,Var Ft −1 )(|=Δ xt za Var (| Δbxt ,||odpowiadającego ⎟ || Δ persystencję x−t ⎜≠ 20, Ft t −1 )⎟1/2⎜procesu parametru kierunku przepływu zleceń, ma wartość γ , β , α 1 1 11 1⎛ − ϑωt ⎝ ⎞(1⎛− ϑt ) 1⎠ −⎝ϑt ⎞ κ ⎠ ωt (1) (1) (1) (1) b11= b=22b22to, że niezależVar0,56 (| Δ xw 2004 r. Ft −1 ) = − ⎜Mimot że⎟ trwałość ⎟ ⎜ ϑt − i 0,31 w 2007 r. procesów nie~ jest duża,b11oznacza t || Δ xt ≠ 0, 1κ − ϑt ⎝ (1 − ϑt ) ⎠ ⎝ωt κ ⎠ ξ nie odϑfaktycznej zleceń ,w momencie t –1, t jeżeli prawdopodobieństwo wystą+wartości (|ωΔt )] xt || Δ xprzepływu t = [κ/(κ E t ≠ 0, Ft −1 ) = ϑt 1 − niezależnie b12(1)przepływu b12(1) = b=21(1)b21(1) = 0= zleceń 0 κ niezerowej (dodatniej lub ujemnej, od znaku) wartości było ϑtpienia = [κ/(κ(1)+ ω t )] | Δ xt | − E (| Δ xt || Δ xt ≠ 0, Ft −1 ) ~ (1) wysokie odpowiednio wyższe w bieżącym b11w ciągu = b22 poprzednich piętnastu minut, będzie również 2 ξ ≡ USDUSD ϑt ⎞(| Δ ⎛ ωt ⎞ ⎛ t 1 −Var ωt Δ xΔ x t x t ≠ 0, Ft −1 )1/2 (1) (1) tt || Δ okresie. Efekt ten może być zatem ⎟czynnikiem odpowiedzialnym za gruϑ Var (| Δ x | | Δ x ≠ 0, F ) = − − ⎟ ⎜ bpiętnastominutowym = b ⎜ t t t − 1 t 11 22 ϑt )im (1) 1 − ϑdlatego, (1 −że κ wartość ⎝większa ⎠ t ⎝ ⎠ powanie przepływu zleceń, parametru b tym T b12(1)się = bzmienności = 0 21 USDUSD11,T Z =Z [=rt[−1rt −1Δxω Δ xt ] ] t t (1) (1) jest warunkowego prawdopodobieństwa zaobserwowania niezerowych E (| Δ xt || Δ xt ≠ 0, F , wartobwiększa 0 wartość t −1 ) = 12 = b21 = USD ϑt = [κ/(κ + ω t )]κ 1 − ϑt Δ x t Oszacowania ści zmiennej. parametrów a11, a12, a21 i a22 uwzględniają natomiast „zaskoczenia”, Δ xΔtUSD x tUSD wynikające z zaobserwowanego w ciągu ostatnich piętnastu minut kierunku przepływu zleceń 2 Δ x tUSD (1) (1) b = bT ω ˆ⎛ ˆ ωt ⎞ ⎛ 1 [ rt −1Innowacje Z =13). Δ11xtUSD ] 22 są istotne statystycznie, a zachodzące ˆt12−1aˆ)12oraz (por. wzór relacje >11 Fa> a > a Var (| Δ xt || Δ xtaˆ11 ≠aˆ0, = aˆ 22atˆ > − 22 ⎜ 21 21 ⎟ ⎜ ϑt − T ϑ ϑ 1 − (1 − ) t ⎝Wy- t ⎠ ⎝ stanowią dodatniej autokorelacji procesu kierunku przepływu zleceń. Z = [ rt −1 dowód Δ x USD ] na(1)istnienie USDt b12 = b21(1) = 0 ˆ ˆ ˆ ˆ a a > a > a Δ x 11 11miał 12 12miejsce ujemt nika to z następującego rozumowania: jeżeli w poprzednim okresie na rynku ϑt = [κ/(κ + ω t )]κ USD Δnyx tUSD przepływ w bieżącym okresie prawdopodobieństwo zaobserwowania kolejnej ujemˆ aˆ11 > zleceń, aˆ12 Δ xaˆto ˆ 21aˆ 21 aˆ 22aˆ > > t22 > a 21 22 a nej wartości zmiennej jest większe, niż byłoby po zaobserwowaniu dodatniej wartości przepływu (1) (1) b11 = b22 aˆ11 > aˆ12 aˆ 22 > aˆ 21 T ˆ ˆ USD zleceń ( a11 > a12 ). ZAnalogicznie, zaobserwowania dodatniej przepływu ] = [ rt −1 Δxt w następstwie 0 ,0052 gˆ 1dgˆwartości =0−,0052 1=d − zleceń, prawdopodobieństwo kolejnej nadwyżki transakcji zakupu euro nad transakcjami sprzeda(1) (1) aˆ11 > aˆ12 b12 = b21 = 0 USDUSD ˆ ˆ a > a USD 22 21 ży jest odpowiednio niż byłoby po zaobserwowaniu ujemnej wartości ΔxΔx przepływu zleceń Δ xwiększe t USD po sobie dodatnich i ujem( aˆ 22 > aˆ 21 ). Efekt ten współodpowiada zatem za seryjne następowanie Δ xt gˆ 2 dgˆ 2=d −=0,0046 − 0,0046 gˆ 1d = − 0 ,0052 aˆ11 > aˆ12 aˆ 22 > aˆ 21 nych wartości przepływu zleceń. gˆ 1d W= −odniesieniu 0 ,0052 do oddziaływania dodatkowych zmiennych ˆ =dT 0,0015 =wnioski 0,0015 są na[ rt −1 ΔxgˆtUSD 2 dg 2] Δx USD Z =objaśniających aˆ11 > aˆ12 stępujące. Stopa zwrotu z kursu EUR/PLN ma istotny (przy poziomie istotności ~ ~ 10%) wpływ na Δx USD gˆ 2 d = − 0,0046 S ( υ S ,(υτ ), τ ) USD a zatem kierunek przepływu zleceń tylko w 2004 r. Wzrost kursu EUR/PLN, deprecjacja złotego aˆ 22 > aˆ 21 Δ xt gˆ 2 d = − 0,0046 względem ma ujemny wpływ na prawdopodobieństwo zaobserwowania wartości wtˆ−w1ujemnych gˆ 2euro, d = 0,0015 ˆ a 22t −>1 aˆ 21 co do znaku 11 > a12 – przeciwny przepływu zleceń ( gˆ 1d = − 0 ,0052) oraz – zgodnie z założeniamiaˆmodelu gˆ 2 d = 0,0015 ~ wartości bezwzględnej dodatni wpływ na prawdopodobieństwo USDUSD i taki samSco | Δ|xΔ xzaobserwowania | | (υ ,do τ) USD ˆ ˆ a > a 11 12 Δzmiennej. x ~ dodatnich wartości Spadek wartości złotego względem euro wpływał zatem dodatnio ) ) S (υ , τ ) w t − 1 β β = 0 = , 94 0 , 94 na liczbę agresywnych zakupu euro (czyli zleceń sprzedaży złotego) Obserwagˆ 2 d zleceń 1 w 2004 r. 1 = − 0,0046 aˆ 22 > aˆ 21 USD prawidłowość wewnątrzdziennej strategii handlowej „podążania z trendem” czy cjawta t −1 potwierdza | Δx | βˆ β=ˆ1 0=, 96 0, 96 gˆ 2trading też zjawiska feedback w tamtym okresie. Zmienna ΔxtUSDgˆ 1ma istotny 1wpływ na kierunek d = 0,0015 USD d = − 0 ,0052 | Δx | ) ~ ~nie jest oczywiprzepływuβ1zleceń wyniku ~ rozważanych okresach, a interpretacja takiego = 0, 94w obu S (υS ,(υ τ ),τ ) USD S (υ , τ ) Δx EUR/USD sta.β) W 2004 r. nadwyżka netto transakcji zakupu euro w segmencie powodowała wzrost ~ ~~ ~~ ~ 1 = 0 , 94 ( υ (0 υ,pokazuje υ0 1, υ , υ1 2, υ) 2 )bowiem, βˆ1 = 0, 96 w wartości przepływu zleceń na rynku złotego. Ocena parametru ˆ g − 0,0046 = 2d t −1 ˆ = 0, 96 że βzakup netto EUR/USD zmniejsza prawdopodobieństwo )wystąpienia ujemne~ euro w segmencie ) 1 S (υ ,τ ) | Δ xUSD | - 0,1385 γ1 γ=1 -=0,1385 gˆ 2zwiększa go przepływu zleceń w segmencie EUR/PLN oraz, analogicznie, prawdopodobieństwo d = 0,0015 ~ ) ) ~ ) S (υ ,τ )( υ~ , υ~ ,jego =1 -0,3243 = zatem -0,3243tendenzaobserwowania dodatniej wartości. Nadwyżka transakcji zakupu ~ euroγmiała 1γ 0 1 υ2 ) S ( υ , τ ) β1 = 0, 94 ~ ~ ~ cję( υdo, υ występowania w tym samym czasie w obu segmentach rynku walutowego. Wydaje się, że γˆ2 γˆ=2 0=, 0176 0, 0176 0 1 , υ)2 ) γ1 = - 0,1385ˆ wt −1 β1 = 0, 96 ) ) γ1 = - 0,1385 γ1 = -0,3243 ~ | Δ xUSD | S (υ ,τ ) ) γ1 =γˆ2-0,3243 = 0, 0176 ) ~ ~ ~ ( υ 0 ,υ1 , υ 2 ) β1 = 0, 94 γˆ = 0, 0176 2 t xx ⎝≠ t )⎠ F ) = ) Var (| ΔVar xt |(|| ΔΔ 0,xF 1 − ϑt ~ ⎝ (1 − ϑt ) ⎠ ⎝Var (| Δκxt ||⎠Δ x t (1)≠ 0, F(1) t t || Δ −10, t t≠ t −1 b11 = b22t −1 (1) (1) ξ 1− t b = b (1) (1) 11 22 κ ˆ ˆ b11 = b22 a11 > a12 ϑ = [ κ /( κ + ω )] κ t t ϑt = [κ/(κ + ω t )] ωt ωt (1) E (|| −ΔExt(|||ΔΔxxt |≠| Δ0,x Ft≠−1 0, )b= ) /( =κ + ω , κ =1 )bE21(1)(|, Δ=x0t || Δ xt ≠ϑ0,t F=t −1[κ x F (1) | Δ (1) ~ 12 t )] t t t t − ϑ ϑ 1 − 1 − ˆ ˆ b = b = 0 (1) (1)a > a (1) (1) ξ ≡ t t 12 21 Przepływ zleceń a kurs walutowy… 22 21 33 t b12 = b(1)21 = 0 b11F =)b1/222 Var (| Δ xt || Δ x t ≠ 0, b11(1) = b22 t −1 USD (1) (1) 2 Δ x t ⎛ ωt b⎞11 ⎛ = b221 − ϑωt ⎞t ⎛ ωt ωt Δ x tUSD (1) ) =(1)Var Δ(1)x tUSD (1) gˆ 1d = − 0 ,0052 Var (| Δ xt || Δ xt ≠ 0, F (| − Δ xt || Δ xt ≠⎟ 0,⎜ ϑ Ft −− ⎟ −⎜ b = b = 0 ⎜ t − 1 1) = ω 12 21 T b12 = b21 = 0USD ϑt ⎝ USD ϑ ⎝ (1 − ϑt ) (1 − ϑ ) ⎠ (1)⎝ (1) κ1 − ⎠ t E (| Δ xt || Δ xt ≠USD 0, FtT−1 ) = t Z , = 1[−rt −1 Δxt ] t co b12 do = bwartoagresywne zlecenia euro na rynku złotego wynikały nie tylko z oczekiwań Δxzakupu 21 = 0 ϑ 1 − [ ] Z = r Δ x USD T t t −1 t ] Z =USD[również rt −1 Δxt z relacji Δ x tUSD ϑ zależność, co oznacza, ści złotego, że Δ xale ϑt = [κ/(wystąpiła κ + ω t )]κ odwrotna κ + ω t )]κ USD gˆ 2 d = − 0,0046EUR/USD. W 2007 r. t USD t = [κ/( 2 Δ x Δ−xϑt ⎞zleceń USD t ⎛ wartość nadwyżka transakcji zakupu euro w segmencie EUR/USD zmniejszała przepływu ⎞ ω ω 1 ⎛ Δ x(| T t t t t Δ x || Δ x ≠ 0, F ) = Δ x tUSD Var T ⎟ [− b (1) ]⎟bˆ(1)⎜ ϑt −ˆniż w 2004 r. t t −1 Z= xϑtUSD (1) t na rynku złotego ). W 2007 r. na wartość złotego zakresie ] = 0,0015 ϑtaˆ11rt ⎜⎝−1>(1aˆΔ Z = [ rt −1( gˆΔ2xd tUSD b11 = b22(1) = 1 −w większym − ) κ a > a T ⎝ ⎠ 11 t ⎠ 2222 12 21 aˆ11 > aˆ12Oznacza aˆ 22 >to,aˆ 21że napływ „dobrej informacji” [ rt −1euro Z =dla ΔxtUSD ] wpływały aˆczynniki o znaczeniu globalnym. ˆ ˆ ˆ > a a > a 11 12 21 ~ 22 κ Δ x tUSDaˆ > aˆ (1)prawdopodobieństwem S (υ , τdla ) dolara) mógł (1) (1) ϑt =być (zatem „złej informacji” skorelowany ze zwiększonym [ κ /( κ + ω )] Δ x tUSD 11 b = b = 0 b1212 = b21(1) = 0 USD t 21 aˆ11 > aˆ12 12 Δ xt ˆ ˆ a > a 11 12 zagranicznego na rynkach emerging markets. lokowania kapitału aˆ11 >Zakup aˆ12 netto aˆ 22 >euro aˆ 21 w segmencie aˆ11 > aˆ12 wt −1aˆ 22 > aˆ 21 (1) (1) ˆ ˆ USD USD a > a 22 21 x baˆ11 => baz agresywnymi EUR/USD mógł być wówczas powiązany zleceniami sprzedaży euro Δ ˆ2221Δ x t ˆ12 t aˆ11 (i> azakuaˆ 22 > aˆ 21 22 aˆ 22 > aˆ 21 USD ˆ ˆ a > a pem złotego) w segmencie EUR/PLN. | Δ x | 11 12 aˆ11 > aˆ12 T g T ˆ 1d = − 0 ,0052 ˆ11]i e >1taˆ(por. bgˆ12(1) = b (1)0Z,0052 ==oraz 0 [ rt −1korelację ΔxtUSD ] krzyżową Zzmiennych = [ rt −1 ΔxtUSD Biorąc pod ea-1t 12 1d = −21 ) bardzo silną autokorelację gˆ 1d =uwagę − 0 ,0052 ˆ ˆ a > a USD 22 21 , 94 wykres 13), modelowanego procesu zostały dosyć dobrze wyjaśnione, co aˆ 22dynamiczne > aˆ 21 β1 = 0własności Δx USD USD USD USD ˆ ˆ a > a Δ x USD 22 21 Δ x Δ x t widać na podstawie nieistotnych (przy poziomiet istotności 10%) wartości statystyk portfelowych Δx t gˆ 1d =gˆ 2−d 0=,0052 − 0,0046 βˆ1 = 0, 96 29. gˆ 1d reszt 0052 = − 0 ,modelu ˆ Hoskinga dla g − 0,0046 = 2d gˆ 2 d = − 0,0046 aˆ11Δx>USD aˆ12]T aˆ 22 > aˆ 21 aˆ11 > aˆ12 aˆgˆ221d >=aˆ−210 ,0052 Z = [ rt −1wartości USD ~modelu t W odniesieniu do (niezerowych) bezwzględnych przepływu zleceń w zbioΔ x USD S ( υ , τ ) ˆ g = 0,0015 2d Δx gˆ 2 d = 0,0015 USDchwirze dodatkowych zmiennych objaśniających uwzględniono czynniki odpowiedzialne za ˆ ˆ ˆ ˆ gˆ 2 d = 0,0015 a > a a > a Δx ~ ~ ~ 11 12 11 12 gˆ 2 d = −~0,0046 Δ x tUSD wewnątrzdziennej ( υ 0 ,υczynnik gˆ 2 d =rynku: − 0,0046 1 ,υ 2 ) lową płynność sezonowości S (υ , τ ) (opisany na podstawie ~ ~ S (υ , τ ) ˆ gˆ 2 d = − 0,0046 S (υ , τ ) ) Fouriera – analogicznie a 22 we >aˆ aˆ 21 aˆ 221,>2)aˆ 21 szybkiej transformaty jak wzorze 8,gˆ dla= i0,0015 = 0, oraz standaryzoˆ ˆ ˆ a > a > a 11 12 22 21 2d w γ1 = - 0,1385 gˆ 2 d = 0,0015 t −1 wany opóźniony wolumen transakcji ( wt −1). Jako dodatkową zmienną, mogącą przyczynić do gˆ 2 d =się0,0015 wt −1 ) ~ ˆ ˆ 1d =zleceń g − 0 , 0052 − 0 ,0052 = USD g ~ aˆ11 >wartość aˆ12 1d bezwzględną γ1zleceń, = -0,3243 dyspersji przepływu uwzględniono przepływu w segmencie S ( υ , τ ) | Δx | S (υ , τ ) ~ | Δ xUSD | USD odpowiednio: chwiloweUSD EUR/USD ( | Δ xUSD te, odzwierciedlające wahania S płynności (υ , τ ) γˆ2 =| ).0Zmienne , 0176 Δ x Δ x ) w aˆ)22 > aˆEUR/USD, t −1 21 rynku orazwzmiany oczekiwań wobec relacji mogą mieć wpływ na dyspersję βrównież 1 = 0 , 94 )t −1 β = 0 , 94 ˆ ˆ g − 0,0046 g 1 = = − 0,0046wt −1 USD β = 0 , 94 2 d 2 d (zmienność) samego przepływu zleceń. Wyniki estymacji przedstawiono 1 | Δ x ˆ | w tabeli 4. gˆ 1d = − 0 ,0052 | Δ xUSD | 1 = 0 , 96 Należy zauważyć, że – podobnie jak – w obuβrozważanych okresach kom| Δ xUSD | βˆ1 w modelu = 0, 96gˆ =ACM ˆ = 0, 96 ) ˆ 0,0015 g = 0,0015 β 2 d 2 d 1 ) USD ~ ponent autoregresyjny modelu jest istotny statystycznie, aczkolwiek niezerowych wartoβ =S0(proces ,υ94 Δ x 1 ,τ ) ~ β1 =~ 0, 94 ) ~ S (υ ,τ ) S (υ~, τ )się dużo większą persystencją ści bezwzględnych ( β1 = 0, 94 S ( υ , τ ) S (υ ,τ ) przepływu zleceń charakteryzuje ~ ~ ~ gˆ 2 d = − 0,0046 βˆ1 grupowania = ( υ00, ,96 υ1 , υ 2 ) zmienności prze~ odpowiada ~ w 2004 r. i βˆ~1 = ~0, 96 za efekt ~ w 2007 r.). Wynik( υ~ten , υ , υ ) 0 1 w 2 βˆ1 warto= 0, 96 wt −1 lub „małe” υ ( , υ , υ ) ~) „duże” t −1modelu GARCH(1,1) 1 2 pływu zleceń. 0~W pewnej analogii do mechanizmu gˆ 2 d = 0,0015 S ( υ , τ ) S (υzleceń ,τ ) układają się seriami. γ1 = - 0,1385 ) ~ za ści przepływu zmiennej została dodatkowo opisana USD ) - 0,1385 γ1 ~=Autokorelacja S (υ ,τ ) | Δ xUSD | ~ )~ ~ | Δ x | γ =~ - 0,1385 1 ~ ~ , υ-0,3243 pomocą szybkiej Fouriera S) (υ , τ ), o parametrach ( υ 0 ,γυ11 = 2 ). Należy zauważyć, że ( υ) 0 ,υ1transformaty ,υ 2 ) ) ) γ = -0,3243 1 ( υ~0 ,υ~1 , υ~2 ) pora dnia, która jak wykazano – determinuje wewnątrzdzienne wahania βwartości zawieranych γ1 = –-0,3243 β1 = 0, 94 = 0 , 94 ) ˆ γ = 0 , 0176 1 w 2 = - 0,1385 ) wykresy 4 i 5), oddziałuje 1 γˆ2 = 0t,−0176 transakcji tym samym w sposóbγ1pośredni na dyspersję )przepły- 0,1385 γˆ2 (por. =γ01 ,= 0176 ) ˆ ˆ γ1 = -od0,1385 USD β = 0 , 96 β 0, 96 wu zleceń. W godzinach, w których obrót jest γduży, można=zaobserwować ) | Δ xna rynku złotego | 1 1 = -0,32431 γ1 = -0,3243 ) powiednio większą (co do modułu) wartość nadwyżki zakupu nad transakcjami γ1 sprze= -0,3243 ~ transakcji ~ γˆ2 = 0, 0176 ) S (υ ,τ ) S (υ ,τ ) ˆ γ = 0 , 0176 2 daży – lub odwrotnie – nadwyżkę transakcji nad transakcjami sprzedaży. Na fluktuacje β1 = 0zakupu , 94 2 = 0 , 0176 ~ wpływ ~ ~ wywiera również ~ ~ ~ γˆmiara bezwzględnych wartości przepływu zleceń istotny inna chwi( υ , υ , υ ) ( υ , υ , υ ) 0 1 2 0 1 2 ˆ = 0, 96 β 1 lowych wahań płynności rynku, czyli opóźnione o jeden okres wartości wolumenu transakcji ) ) - 0,1385w 2004 r. oraz γ1 ==-0,3243 - 0,1385w 2007 r.). ~ (γ ==-0,1385 oczyszczonego z wewnątrzdziennej sezonowości S (υ ,τ ) 1 ) ) Zmienna ta obrazuje niezależne od pory dnia (a zatem w pewnym sensie nieoczekiwane) fluktuaγ1 = -0,3243 ~ ~ ~γ1 = -0,3243 υ 0 , υi 2007 r. cje płynności rynku. Zarówno w 2004 r.,( jak 1 , υ 2 ) zakres wahań przepływu zleceń jest mniejγˆ2 = 0, 0176 γˆ2 = 0, 0176 szy w okresach charakteryzujących się nieoczekiwanie wysokim (w stosunku do pory dnia) obro) γ1 = - 0,1385 29 Hipoteza zerowa wielowymiarowego testu Hoskinga ) γ1 = zakłada -0,3243brak autokorelacji oraz korelacji krzyżowej zmiennych. Dokładną informację na temat konstrukcji reszt modelu oraz statystyki portfelowej Hoskinga można znaleźć również w pracy Liesenfelda, Nolte’a i Pohlmaiera γ (2006). ˆ = 0, 0176 2 β1 = 0, 94 βˆ1 = 0, 96 34 ~ S (υ ,τ ) ~ ~ ~ ( υ 0 ,υ1 , υ 2 ) K. Bień ) tem, a zatem większą płynnością. W odniesieniu do wpływu wartości bezwzględnej przepływu γ1 = - 0,1385 zleceń w segmencie EUR/USD na zmienność przepływu zleceń na rynku złotego wnioski nie są ) 1 = -0,3243 tak jednoznaczne. W 2004 r. wzrost dyspersji przepływu zleceń na rynku γEUR/PLN wywierał doˆ datni wpływ na dyspersję przepływu zleceń w segmencie EUR/PLN ( γ2 = 0, 0176 ). Wynik ten jest potwierdzeniem wniosku otrzymanego dla modelu ACM w 2004 r., zgodnie z którym potencjalna niejednorodność oczekiwań w odniesieniu do relacji EUR/USD oddziaływała na zachowania inwestorów na rynku złotego. Jednak w odniesieniu do 2007 r. moduł różnicy między wartością transakcji zakupu a wartością sprzedaży w segmencie EUR/USD ma ujemny wpływ na zmienność przepływu zleceń na rynku złotego. Tabela 4 Oszacowania modelu GLARMA dla bezwzględnej wartości przepływu zleceń Parametry 0.5 0.5 0.5 0.5 κ 0.5 κκ 0.5 0.5 κ~ κ~ ~ μ μμ ~ ~ μμ β ββ β ββ1111111 α11 α α α α11 α γ1111 γγ γγ1111 γ22 γ γ2222 γ ~ ~ ~~~00 υ υ~ ~ υ υυ0000 υ ~υ~ ~ υ~ ~ ~11 ~υ~ υ υ ~11111 ~ ~~~ υ ~2222 ~υ~ υ υ 222 2004 r. 2007 r. oszacowanie wartość p oszacowanie wartość p 1,2115 0,0000 1,0173 0,0000 0,1422 0,0042 0,2500 0,0000 0,9408 0,0000 0,9591 0,0000 0,0425 0,0034 0,0399 0,0000 -0,1385 0,0343 -0,3243 0,0000 0,0176 0,0220 -0,0063 0,0348 -0,0624 0,0057 -0,0949 0,0000 0,0027 0,0212 0,0039 0,0000 0,1652 0,0000 0,1658 0,0000 LB(2) 18,66(0,00) 0,96 (0,62) LB(5) 22,50 (0,00) 2,69 (0,75) LB(10) 23,76 (0,01) 4,75 (0,91) -2,1123 -3,0794 LogL Uwaga: raportowane wartości p zostały wyznaczone na podstawie błędów standardowych otrzymanych przy wykorzystaniu estymatora sandwich. LB(l) oznacza statystykę testu Ljunga-Boxa dla rzędu opóźnienia l, LogL oznacza logarytm funkcji wiarygodności. W nawiasach podano odpowiadającą statystykom wartość p. 6. Wnioski W artykule przedstawiono wyniki analizy kasowego rynku EUR/PLN z punktu widzenia teorii mikrostruktury rynków walutowych. Punkt ciężkości przeprowadzonego badania stanowiła analiza wpływu wywieranego przez przepływ zleceń na kurs złotego. Zgodnie z dotychczas prezentowanymi w literaturze empirycznymi badaniami rynku walutowego przepływ zleceń, nazywany również zakupem netto waluty bazowej, jest istotnym czynnikiem wpływającym na krótkookresowe (wewnątrzdzienne, dzienne, tygodniowe) zmiany kursu walutowego. Istotna dodatnia zależność pomiędzy zakupem netto waluty bazowej a stopami zwrotu z kursu walutowego była dotychczas Przepływ zleceń a kurs walutowy… 35 udokumentowana oraz poddawana szczegółowym badaniom w wielu opracowaniach naukowych, dotyczących zarówno rynków walut krajów rozwiniętych, jak i wybranych rynków emerging markets. W niniejszym artykule po raz pierwszy zajęto się tymi zagadnieniami w odniesieniu do rynku złotego. Otrzymane wyniki zgadzają się z zasadniczymi wnioskami z badań dotychczas prezentowanych w literaturze. Na podstawie danych zagregowanych na wybranych wewnątrzdziennych częstotliwościach udokumentowano istotny dodatni związek pomiędzy przepływem zleceń a kursem złotego. Reakcja kursu na zakup netto waluty obcej (euro lub dolara) była jednak odmienna w 2004 i 2007 r., co wynikało przede wszystkim z różnej wielkości rynku złotego w tych okresach. W badaniu pokazano, że wewnątrzdzienna reakcja kursu złotego na przepływ zleceń zależy od chwilowej płynności rynku, odzwierciedlonej porą dnia oraz wartością spreadu bid-ask. W artykule zaproponowano także wykorzystanie dynamicznej specyfikacji modelu ICH do opisu procesu przepływu zleceń. Model ten adaptuje dyskretne wartości przyjmowane przez zmienną, umożliwia opisanie dynamicznych własności procesu oraz pozwala na kwantyfikację oddziaływania wybranych czynników egzogenicznych. Należy zauważyć, że wraz ze zwiększaniem częstotliwości pomiaru danych na rynkach finansowych dyskretne wartości poszczególnych zmiennych rynków finansowych (zmian cen, wartości transakcji, przepływu zleceń) są coraz wyraźniejsze, toteż specyfikacja ICH może doczekać się ciekawych zastosowań w odniesieniu do innych obszarów badawczych. Celem prezentowanej analizy było wprowadzenie do koncepcji modelowania kursu walutowego z punktu widzenia mikrostruktury rynku. Tematyka mikrostruktury rynku, stanowiąca w literaturze światowej jeden z istotnych nurtów badania zależności zachodzących na rynkach finansowych, nie była dotychczas akcentowana w polskiej literaturze naukowej. Badania z zakresu mikrostruktury rynku akcji prezentowane były w pracach Bień (2006a, 2006b) oraz Doman (2009). Wyniki zaprezentowanego badania empirycznego należy więc traktować jako opis zależności zachodzących pomiędzy wybranymi charakterystykami procesu transakcyjnego na rynku walutowym oraz pewne „przetarcie szlaku” dla przyszłych rozwinięć naukowych. Różnorodne i ciekawe – w opini autorów – wnioski, które zaprezentowano na kolejnych etapach przeprowadzonej analizy mogą posłużyć jako punkt wyjścia do dalszych poszukiwań. Naturalnym rozwinięciem byłoby zbadanie zdolności prognostycznych zaproponowanych modeli. Alternatywne kierunki badań mogą dotyczyć np. modeli wewnątrzdziennych miar płynności rynku walutowego. W takim kontekście interesujące wydaje się zbadanie ewolucji płynności rynku w okresie przed kryzysem i po kyzysie lat 2008–2009. Jeszcze innym przedmiotem badań może motywacja poszczególnych uczestników procesu transakcyjnego i wykorzystanie tzw. modeli sekwencyjnego zawierania transakcji (ang. sequential trade models) (por. Easley i in. 1996; 2008). Takie modele mogą posłużyć do empirycznej weryfikacji wielu proponowanych w literaturze teoretycznych modeli mikrostruktury rynku walutowego. 36 K. Bień Bibliografia Admati A., Pfleiderer P. (1988), A Theory of Intra-Day Patterns: Volume and Price Variability, Review of Financial Studies, 1, 3–40. Aït-Sahalia Y., Yu J. (2009), High Frequency Market Microstructure Noise Estimates and Liquidity Measures, The Annals of Applied Statistics, 1, 422–457. Bauwens L., Veredas D. (2004), The Stochastic Conditional Duration Model: a Latent Variable model for the Analysis of Financial Durations, Journal of Econometrics, 119, 381–412. Berger D., Chaboud A., Chernenko S., Howorka E., Wright J. (2008), Order Flow and Exchange Rate Dynamics in Electronic Brokerage System Data, Journal of International Economics, 75, 31–62. Bessembinder H. (1994), Bid-Ask Spreads in the Interbank Foreign Exchange Market, Journal of Financial Economics, 35, 317–348. Bień K. (2006a), Zaawansowane specyfikacje modeli ACD – prezentacja oraz przykład zastosowania, Przegląd Statystyczny, 53 (1), 90–108. Bień K. (2006b), Model ACD – podstawowa specyfikacja i przykład zastosowania, Przegląd Statystyczny, 53 (3), 83–97. Bień K., Nolte I., Pohlmeier W. (2007), A Multivariate Integer Count Hurdle Model: Theory and Application to Exchange Rate Dynamics, w: L. Bauwens, W. Pohlmeier, D. Veredas (red.), Recent Developments in High Frequency Financial Econometrics, Springer, Berlin. BIS (2004), Trennial Central Bank Survey – Foreign Exchange and Derivatives Market Activity in 2004, Bank for International Settlements, Basel. BIS (2007), Trennial Central Bank Survey – Foreign Exchange and Derivatives Market Activity in 2007, Bank for International Settlements, Basel. Breedon F., Vitale P. (2004), An Empirical Study of Liquidity and Information Effects of Order Flow on Exchange Rates, CEPR Discussion Paper, 4586. Breedon F., Vitale P. (2010), An Empirical Study of Portfolio-Balance and Information Effects of Order Flow on Exchange Rates, Journal of International Money and Finance, 29, 504–524. Cheung Y., Chinn M., Pascual A. (2005), Empirical Exchange Rate Models of the Nineties: Are any Fit to Survive?, Journal of International Money and Finance, 24, 1150–1175. Danielsson J., Luo J., Payne R. (2002), Exchange Rate Determination and Inter-Market Flow Effects, Mimeo, London School of Economics. Diamond D., Verrecchia R. (1987), Constraints on Short-Selling and Basset Price Adjustment to Private Information, Journal of Financial Economics, 18, 277–311. Doman M. (2009) Market Microstructure Effects: The Case of Polish Stock Market, w: E. Panek (red.) Mathematics in Economics, Wydawnictwo Uniwersytetu Ekonomicznego w Poznaniu. Domański Cz., Pruska K. (2000) Nieklasyczne metody statystyczne, PWE, Warszawa. Dufour A., Engle R.F. (2000), Time and the Impact of a Trade, Journal of Finance, 55, 2467–2498. Easley D., O’Hara M. (1987), Price, Trade Size, and Information in Securities Markets, Journal of Financial Economics, 19, 69–90. Easley D., O’Hara M. (2002), Time and the Process of Security Price Adjustment, Journal of Finance, 47, 577–607. Easley D., Kiefer N., O’Hara M., Paperman J. (1996), Liquidity, Information and Infrequently Traded Stocks, Journal of Finance, 51, 1405–1436. Przepływ zleceń a kurs walutowy… 37 Easley D., Kiefer N., O’Hara M. (1997a), The Information Content of the Trading Process, Journal of Empirical Finance, 4, 159–185. Easley D., Kiefer N., O’Hara M. (1997b), One Day in the Life of a Very Common Stock, Review of Financial Studies, 10, 805–835. Easley D., Engle R.F., O’Hara M., Wu L. (2008), Time-Varying Arrival Rates of Informed and Uninformed Trades, Journal of Financial Econometrics, 51, 171–207. Evans M. (2007), Foreign Exchange Market Microstructure, Working Paper, 05-05-20, Georgetown University, Department of Economics. Evans M.D., Lyons R.K. (2002a), Informational Integration and FX Trading, Journal of International Money and Finance, 21, 807–831. Evans M.D., Lyons R.K. (2002b), Order Flow and Exchange Rate Dynamics, Journal of Political Economy, 110, 170–180. Evans M.D., Lyons R.K. (2005), Meese-Rogo Redux: Micro-Based Exchange-Rate Forecasting, American Economic Review Papers and Proceedings, 95, 405–414. Evans M.D., Lyons R.K. (2006), Understanding Order Flow, International Journal of Finance and Economics, 11, 3–23. Evans M.D., Lyons R.K. (2008), How is Macro News Transmitted to Exchange Rates?, Journal of Financial Economics, 88, 26–50. Frankel J., Rose A. (1995), Empirical Research on Nominal Exchange Rates, w: G. Grossman, K. Rogoff (red.), Handbook on International Economics, Vol. 3, Elsevier. Amsterdam. Frömmel M., Kiss N., Pinter K. (2009), Macroeconomic announcements, communication and order flow on the Hungarian foreign exchange market, MNB Working Papers, 2009/3, Magyar Nemzeti Bank, Budapest. Froot K.A., Ramadorai T. (2005) Currency Returns. Intrinsic Value and Institutional-Investor Flow, Journal of Finance, 60, 1535–1566. Giot P. (2001), Time Transformations, Intraday Data, and Volatility Models, Journal of Computational Finance, 4, 93–109. Glosten L.R., Milgrom P.R. (1985), Bid, Ask and Transaction Prices in a Specialist Market with Heterogeneously Informed Traders, Journal of Financial Economics, 14, 71–100. Gourieroux C., Jasiak J. (2001), Financial Econometrics: Problems, Models and Methods, Princeton University Press. Gourieroux C., Jasiak J., LeFol G. (1999), Intra-Day Market Activity, Journal of Financial Markets, 2, 193–226. Green W.H. (2003), Econometric Analysis, Pearson Education, New Jersey. Hosking J.R.M. (1980) The Multivariate Portmanteau Statistic, Journal of American Statistical Association, 75, 602–607. Killen W., Lyons R., Moore M. (2006), Fixed versus Flexible: Lessons from EMS Order Flow, Journal of International Money and Finance, 25, 551–579. Kiss N., Pinter K. (2007), How Do Macroeconomic Announcements and FX Market Transactions Affect Exchange Rates?, MNB Working Papers, 2 (1), Magyar Nemzeti Bank, Budapest, s. 22–30. Kyle A. (1985), Continuous Auctions and Insider Trading, Econometrica, 22, 477–498. 38 K. Bień Liesenfeld R., Nolte I., W. Pohlmeier (2006), Modelling Financial Transaction Price Movements: A Dynamic Integer Count Data Model, Empirical Economics, 30 (4), 795–825. Lyons R.K. (1995), Tests of Microstructural Hypothesis in the Foreign Exchange Market, Journal of Financial Economics, 39, 321–351. Lyons R.K. (2001), The Microstructure Approach to Exchange Rates, The MIT Press, Cambridge, Massachusetts. Marsh I. (2006), Order Flow and Central Bank Intervention: An Empirical Analysis of Recent Bank of Japan Actions in the Foreign Exchange Market, http://www.cass.city.ac.uk/emg/seminars/ microstructure_8th_dec/6Marsh.pdf. Meese R., Rogoff K. (1983), Empirical Exchange Rate Models of the Seventies: Do They Fit Out of Sample?, Journal of International Economics, 14, 3–24. NBP (2005), Rozwój systemu finansowego w Polsce w 2004 r., Narodowy Bank Polski, Warszawa. NBP (2008), Rozwój systemu finansowego w Polsce w 2007 r., Narodowy Bank Polski, Warszawa. NBP (2009), Rozwój systemu finansowego w Polsce w 2008 r., Narodowy Bank Polski, Warszawa. O’Hara M. (1995), Market Microstructure, Basil Blackwell, Oxford. Payne R. (2003), Informed Trade in Spot Foreign Exchange Markets: An Empirical Investigation, Journal of International Economics, 61, 307–329. Perraudin W., Vitale P. (1996): Interdealer Trade and Information Flows in a Decentralized Foreign Exchange Markets, w: J. Frankel, G. Galli, A. Giovanni A. (red.), The Microstructure of Foreign Exchange Markets, University of Cicago Press Rime D. (2003), New Electronic Systems in the Foreign Exchange Markets, w: D. Jones (red.), New Economy Handbook, Elsevier, Amsterdam. Rime D., Sarno L., Sojli E. (2010), Exchange Rate Forecasting, Order Flow and Macroeconomic Information, Journal of International Economics, 80, 72–88. Sarno L., Taylor M. (2001), The Microstructure of the Foreign-Exchange Market: A Selective Survey of the Literature, Princeton Studies in International Economics, 89, 1–58. Sarno L., Taylor M. (2002), The Economics of Exchange Rates, Cambridge University Press. Scalia A. (2006), Is Foreign Exchange Intervention Effective? Some Micro-Analytical Evidence from the Czech Republic, Working Paper, 579, Bank of Italy, Roma. Scalia A. (2008), Is Foreign Exchange Intervention Effective? Some Microanalytical Evidence from the Czech Republic, Journal International Money and Finance, 27, 529–546. Silverman B.W. (1986) Density Estimation, Chapman & Hall, London. Shepard N. (1995), Generalized Linear Autoregressions, Working Paper, 8, Nuffield College, Oxford. Tsay R. (2005), Analysis of Financial Time Series, Wiley, New York. White H. (1980), A Heteroskedasticity-Consistent Covariance Matrix and a Direct Test for Heteroskedasticity, Econometrica, 48, 817–838. Przepływ zleceń a kurs walutowy… 39 Podziękowania Autorka składa serdeczne podziękowania firmie Thomson Reuters za udostępnienie zbiorów danych z systemu Reuters Dealing 3000 Spot Matching. Szczególne wyrazy wdzięczności kieruje również do Panów Piotra Odrzywołka, Pawła Sobolewskiego i dr. Dobiesława Tymoczko za pomoc w realizacji badania oraz bardzo cenne i konstruktywne sugestie oraz uwagi merytoryczne. Order flow and exchange rate dynamics – market microstructure study of the FX spot EUR/PLN market Abstract The paper presents the market microstructure study of the forex EUR/PLN spot market based on the trade and quote data from the Reuters Spot Matching System covering two periods: second part of the year 2004 and the whole year 2007. We proved the significant positive impact of order flow on the changes of the exchange rate, as well as a different FX rate reaction to the net buy of euro in 2004 and in 2007, which resulted from the different size of the zloty market in those periods. Our results show that the impact of order flow on the FX rate depends highly on the liquidity of the market (proxied by the ‘time of day’ and the deseasonalised bid-ask spread). As a flexible tool for the order flow description, the integer count hurdle model was used. We evidenced that such a specification well accounts for the discrete values of the process as well as its dynamic features. Keywords: FX market microstructure, intraday seasonality, order flow, Integer Count Hurdle (ICH) model