Streszczenie (PL)
Transkrypt
Streszczenie (PL)
Streszczenie W pracy ujęto wyniki badań szeregów czasowych opisujących zjawiska geofizyczne (maksymalne wezbrania sztormowe oraz koncentracja izotopów i jonów w rdzeniach arktycznych), jak również finansowe (kursy akcji notowane na GPW w Warszawie). Przedstawiono również analizę analogii pomiędzy tymi dwoma rodzajami danych. Celem pracy była ewaluacja ogólnego formalizmu, który może być wykorzystany do analizy korelacji oraz auto-korelacji wyżej wymienionych danych. Do badania auto-korelacji szeregów czasowych użyto wykładnika Hursta wyznaczonego za pomocą analizy beztrendowej (Detrended Fluctuation Analysis, DFA). Do badania korelacji pomiędzy szeregami czasowymi wykorzystano dwuwymiarowe funkcje Kopuły. Warto w tym miejscu nadmienić, że w prawdopodobieństwa badaniach użyto procedury konstrukcji wielowymiarowych rozkładów poprzez zastosowanie funkcji Kopuły po dopasowaniu do danych jednowymiarowych rozkładów brzegowych. W pracy pokazano, że do analizy omówionych szeregów czasowych można zastosować model częściowo stochastyczny i częściowo deterministyczny, który uwzględnia wpływ zarówno czynników globalnych jak i lokalnych. Czynniki globalne wprowadzają korelacje dla wszystkich danych, natomiast czynniki lokalne wprowadzają korelacje dla par bliskich (podobnych) danych oraz losowość dla par odległych danych. Jako przykład można wskazać dane finansowe, gdzie czynniki globalne to między innymi koniunktura oraz ogólny stan rynku związany z kolektywnym zachowaniem inwestorów. Czynniki lokalne odnoszą się do poszczególnych spółek oraz sektorów, do których te spółki należą. Czynniki lokalne dotyczą również indywidualnych strategii inwestorów. Podczas badań stwierdzono również podobne zachowania wartości wykładnika Hursta wyznaczone dla niektórych danych geofizycznych (historycznej koncentracji jonów pochodzenia morskiego – Na+, Mg2+ w rdzeniach arktycznych) oraz finansowych (kursów akcji notowanych na GPW w Warszawie). Analizując koncentrację wskazanych jonów, można stwierdzić w okresie ostatnich 0.81.5 tys. lat. występowanie sygnału anty-korelacji, co odzwierciedlało się poprzez wartość wykładnika Hursta mniejszą od wartości progowej 𝐻𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑 = 0.47 < 0.5. Po zarejestrowaniu tego sygnału anty-korelacji, można było stwierdzić wyższe koncentracje jonów, niż we wcześniejszym okresie. Analogicznie spadek wartości wykładnika Hursta, wyliczonego dla kursów akcji, poniżej wartości progowej 𝐻𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑 = 0.45, jest sygnałem anty-korelacji, po którym może nastąpić spadek wartości akcji. Różnicę wartości progowej, dla danych geofizycznych i finansowych, tłumaczy fakt, iż dla danych finansowych wykładnik Hursta oznacza się większą zmiennością i nieprzewidywalnością niż dla danych fizycznych. Istotnym wynikiem pracy jest również to, że zastosowanie odpowiednich funkcji Kopuły, wsparte dodatkowo przez zastosowanie wykładnika Hursta jako wskaźnika wyboru odpowiedniej funkcji, pozwoliło na opracowanie ogólnego modelu, który można użyć do oceny ryzyka wystąpienia maksymalnych wezbrań sztormowych oraz ryzyka maksymalnych spadków kursów akcji. W przypadku danych finansowych ocenia się ryzyko wystąpienia jednoczesnych ekstremalnych spadków kursów akcji dwóch spółek należących do portfela inwestycyjnego, natomiast w przypadku geofizycznym ryzyko wystąpienia ekstremalnych wezbrań sztormowych w dwóch lokalizacjach. Dane finansowe najlepiej modelowała Kopuła Gumbela oraz odwrócona Kopuła Claytona. W przypadku maksymalnych wezbrań sztormowych dane najlepiej modelowała odwrócona Kopuła Gumbela oraz Kopuła Claytona. Podobnie jak w przypadku danych finansowych badania auto-korelacji okazały się przydatne w procedurze wyboru funkcji Kopuły. Omówione badania wskazały wiele analogii pomiędzy zjawiskami fizycznymi oraz finansowymi. Warto jednak zwrócić uwagę na odmienność tych dwóch rodzajów zjawisk. Dlatego należy prowadzić dalsze badania, aby odpowiedzieć na pytanie, do jakiego stopnia analogia pomiędzy fizyką i ekonomią może być użyta do modelowania zjawisk ekonomicznych.