Как предсказать курс доллара. Эффективные методы прогнозирования с использованием Excel и EViews
Шрифт:
В ходе решения обычного уравнения регрессии рассчитывается t– статистика для коэффициента регрессии , совпадающая с расчетными значениями статистики Дикки — Фуллера, которая потом сравнивается с критическими значениями статистики Дикки — Фуллера (обычно даются в таблице, но в EViews, естественно, мы их получим в готовом виде). Сравнение проводится по одностороннему критерию, но если бы альтернативная гипотеза состояла в утверждении, что /= 1, то тогда мы пользовались бы двусторонним критерием. Поскольку проверка гипотезы проводится по одностороннему критерию, то в этом случае, если расчетное значение t– статистики для коэффициента регрессии будет меньше критического значения статистики Дикки — Фуллера (с поправкой на число наблюдений), нулевая гипотеза о том, что = 1 отклоняется и принимается
Стандартный тест Дикки — Фуллера проводится после вычитания Yt-1 из левой и правой частей уравнения (4.4). В результате мы получаем следующую формулу:
Yt — Yt– 1 = Yt– 1 — Yt– 1 + et (4.5)
Учитывая, что dY1 = Yt– Yt-l, а Yt– 1 — Yt– 1 = ( -1)Yt– 1, и приравняв = (-1), получим новое уравнение:
dY1 = Yt– 1 + et (4.6)
С учетом того, что при r = 1 параметр а становится равным нулю, то соответственно в случае принятия нулевой гипотезы = 0, а если принимается альтернативная гипотеза, то соответственно || < 1, а следовательно, временной ряд считается стационарным.
Однако на практике большую популярность приобрел расширенный тест Дикки — Фуллера AUGMENTED DICKEY — FULLER, так как он учитывает возможную автокорреляцию в остатках. При этом в правую часть уравнения (4.6) включаются дополнительные лаговые переменные Y. В результате это уравнение приобретает следующий вид:
В дальнейшем эти знания нам потребуются для проверки авторегрессионного процесса 2-го порядка (см. уравнение (4.1)) на стационарность, а пока применим эту теорию для проверки на стационарность остатков, полученных в результате решения этого уравнения. Заполнив в алгоритме № 9 мини-окно UNIT ROOT TEST и щелкнув кнопку ОК, мы фактически решили следующее уравнение регрессии:
В результате решения расширенного теста Дикки — Фуллера мы получили табл. 4.4 с итогами теста, свидетельствующими о стационарности остатков. О том, как мы пришли к этому выводу, подробно рассказано выше (см. алгоритм действий № 9 «Как проверить в EViews остатки на стационарность модели»).
Поскольку мы доказали, что остатки, полученные по модели авторегрессии 2-го порядка без константы, являются стационарными, то, следовательно, можно сделать вывод, что их распределение носит устойчивый характер.
4.3. Описательная статистика и тестирование остатков на нормальное распределение
Теперь
Чтобы узнать характер распределения остатков, необходимо в рабочем файле открыть файл RESID, а затем выбрать опции VIEW (CMOTpeTb)ZDESCRIPTIVE STATISTICS (описательная статистика)/ STATS TABLE (таблица со статистикой). В результате мы получили табл. 4.5 с описательной статистикой для остатков.
Во-первых, если Probability (значимость) больше 0,05, то гипотеза о нормальном распределении остатков подтверждается. Поскольку в нашем случае Probability = 0, то гипотеза о нормальном распределении остатков отклоняется. Во-вторых, если коэффициент асимметрии (Skewness) больше нуля, то в остатках наблюдается правосторонняя асимметрия, а если меньше нуля — левосторонняя асимметрия. Судя по табл. 4.5, в этом случае в распределении остатков наблюдается правосторонняя асимметрия. Если коэффициент эксцесса (Kurtosis) больше 3, то наблюдается островершинное распределение, а если меньше — плосковершинное распределение статистического ряда. В этом случае мы наблюдаем «островершинное» распределение остатков. С более подробной интерпретацией описательной статистики можно познакомиться ниже.
Дадим некоторые пояснения к табл. 4.5. Так, среднее (Mean) равно сумме всех остатков, деленной на количество наблюдений. В свою очередь медиана (Median) представляет собой величину, расположенную в середине нечетного ряда, ранжированного в порядке возрастания или убывания. В четном ряде медиана равна среднему значению двух соседних величин, расположенных в середине ряда. Соответственно максимум (Maximum) и минимум (Minimum) означают максимальное и минимальное значения временного ряда.
Стандартное отклонение является мерой дисперсии для временного ряда и находится по формуле для стандартного отклонения по выборке:
В нашем случае стандартное отклонение имеет следующее значение:
Коэффициент асимметрии является своего рода индикатором, показывающим степень асимметричности распределения статистического ряда. Следует иметь в виду, что в случае полной симметрии, в том числе и при нормальном распределении, коэффициент асимметрии должен быть равен нулю. Если коэффициент асимметрии меньше нуля, то говорят о левосторонней асимметрии, а если больше нуля, — то о правосторонней асимметрии. Коэффициент асимметрии для остатков в EViews рассчитан по следующей формуле:
В этом случае коэффициент асимметрии имеет следующее значение:
Как мы видим, в этом случае коэффициент асимметрии равен 4,939145, следовательно, в распределении остатков наблюдается очень сильная правосторонняя асимметрия, т. е. имеет место преобладание положительных остатков над отрицательными. Отсюда можно сделать вывод, что в динамике курса доллара к рублю чаще наблюдались резкие (вполне очевидно, что незначительные плавные колебания курса легко поддаются прогнозированию) подъемы, чем аналогичные падения. С фундаментальной точки зрения этот факт объясняется многолетней политикой Банка России по поддержанию слабого курса рубля.