Eliza Buszkowska1 zastosowanie statystyki wielowymiarowej do badania kryzysu subprime streszczenie



Pobieranie 162.58 Kb.
Data02.05.2016
Rozmiar162.58 Kb.



Eliza Buszkowska1


ZASTOSOWANIE STATYSTYKI WIELOWYMIAROWEJ DO BADANIA KRYZYSU SUBPRIME
Streszczenie
Zastosowano metody analizy skupień z zakresu statystyki wielowymiarowej do badania okresu kryzysu finansowego. Zgrupowano zgodnie z tymi algorytmami indeksy giełdowe oraz kursy walutowe z okresów charakteryzujących się ich podwyższoną korelacją i szczególną zmiennością. Przeprowadzono dyskusję nad możliwością zastosowania tej metody do generowania ram czasowych różnych okresów giełdowych. Analiza skupień umożliwiła poczynienie nowych obserwacji na temat kryzysu subprime
Słowa kluczowe: analiza skupień, kryzys finansowy, korelacje, zmienność

CLUSTER ANALYSIS AND A SUBPRIME CRISIS
Sumary
One used data clustering methods from the range of multivariate statistics to research the period of last financial crisis. One grouped in compliance with this algorithms stock market indexes and stock exchange rates from the periods characterized by their higher correlation and higher volatility. In the article was included the discussion over application of this methods to generate time frames on the stock market. Cluster analysis enabled making some new observations concerning subprime crisis.

Key words: cluster analysis, financial crisis, correlations, volatility
1. Wstęp
Problemy klasyfikacji były przedmiotem zainteresowania wielu dyscyplin naukowych [Stanisz, 2007]. W tej pracy zastosowano jedną z metod grupowania - metodę analizy skupień, z zakresu statystyki wielowymiarowej, do analizy notowań okresu ostatniego kryzysu finansowego. Dokonano tego poprzez grupowanie indeksów giełdowych oraz wybranych kursów walutowych z okresów charakteryzujących się ich podwyższoną korelacją i podwyższoną zmiennością. Inne charakterystyczne cechy kryzysu opisane w literaturze przedmiotu to duży wpływ oczekiwań na zmienność [Buszkowska E. i Płuciennik P. 2014, s. 21-33], i asymetria spadków i wzrostów [Foster J. B., Magdoff F. 2009 ]. Ze względu na metodykę badania nie będą one brane pod uwagę. Analiza wielowymiarowa w oparciu o zmienne charakteryzujące obiekty znajduje klastry obiektów podobnych. Znalazła zastosowanie na przykład w medycynie do grupowania chorób, szukania metod leczenia lub symptomów chorób. W psychiatrii pozwala na poprawną diagnozę wiązek symptomów takich jak paranoja i schizofrenia. W marketingu można przeprowadzić za jej pomocą segmentację rynku. W archeologii techniki analizy skupień wykorzystuje się do grupowania narzędzi kamiennych, akcesoriów pogrzebowych itd. W finansach zastosowano je między innymi w analizie portfelowej do badania spółek giełdowych [Pietrzykowski i Kobus 2006, s. 301]. Techniki te generalnie są narzędziem do klasyfikacji zbiorów wielu zmiennych, którymi będą w tym badaniu główne europejskie indeksy giełdowe oraz ważne kursy walutowe, notowane w różnych okresach. Sprawdzono, czy przy użyciu metody analizy skupień można wyróżnić okresy kryzysu, tzn. czy instrumenty finansowe z okresu kryzysu oraz pozostałych badanych okresów tworzyły osobne charakterystyczne skupienia. Sprawdzono czy otrzymane skupienia mają jakąś prawidłowość Zweryfikowano, czy analiza skupień wnosi nowe informacje do naszej wiedzy na temat kryzysu finansowego subprime. Należy dodać, że określenie kryzys subprime jest często stosowane w literaturze i wiąże się z najczęściej podawaną przyczyną ostatniego kryzysu - udzielaniem kredytów hipotecznych o podwyższonym ryzyku. [Konopczak M., Sieradzki R., Wiernicki M. 2010, s. 45-70]..

W artykule uwzględniono kursy walutowe względem złotego. Dobre modelowanie zmienności kursów walutowych ma istotne znaczenie, ponieważ kursy walutowe pełnią ważną funkcję w gospodarce. Kurs walutowy ma wpływ na ceny towarów na rynku i jest elementem polityki gospodarczej. Na podstawie kursów podejmuje się ważne decyzje i jest to jeden z najważniejszych instrumentów pośredniego zarządzania handlem zagranicznym. Najbardziej istotnymi skutkami zmian kursów walutowych jest ich wpływ na bilans handlowy i płatniczy, inflację oraz obroty kapitału. Na rynkach finansowych zmienność kursów walutowych jest elementem decydującym o cenach walutowych instrumentów pochodnych, które są popularnymi derywatami. W artykule uwzględniono następujące kursy walutowe:



  1. EUR/PLN,

  2. CHF/PLN,

  3. GBP/PLN,

  4. USD/PLN.2

Były to w ostatnich latach kursy walutowe szczególnie ważne dla Polski. W pracy uwzględniono również indeksy giełdowe ważnych państw UE: AEX, CAC40, DAX, FTSE100 i WIG20 3 [Buszkowska E. 2015]., na które w znacznym stopniu mógł oddziaływać kryzys amerykański [Buszkowska E. i Płuciennik P. 2013] oraz indeks rosyjski RTS, jako indeks ważnego, częściowo europejskiego państwa.

Badanie to pozwoli ocenić przydatność metody statystycznej, jaką jest analiza skupień, na rynku finansowym, w powiązaniu z ostatnim kryzysem finansowym. Umożliwi lepsze poznanie kryzysu subprime [Blackburn R. 2008].

Autorka stawia hipotezy, że analiza skupień jest przydatną techniką do określania lat kryzysów finansowych. Ujmuje na jednym wykresie istotne informacje o okresach podwyższonej zmienności i korelacji, co byłoby trudne do zaprezentowania na klasycznych wykresach. Pozwala dostrzec, czy okres kryzysu różnił się od pozostałych ze względu na rozpatrywane zmienne. Analiza skupień jest konkurencyjnym sposobem analizowania cech kryzysów finansowych widocznych w danych giełdowych. Inaczej można tego dokonać poprzez klasyczne porównania indywidualne danych giełdowych. Co więcej autorka potwierdzi nowym sposobem, że zgodnie z literaturą przedmiotu kryzys finansowy charakteryzował się wzrostem zmienności oraz wzrostem korelacji. Celem artykułu jest zweryfikowanie powyższych hipotez a także poczynienie dodatkowych obserwacji, wzbogacających wnioski z badania.

2. Metodyka badania
Przeprowadzono badanie taksonomiczne, które umożliwia grupowanie obiektów przy użyciu analizy skupień [Stanisz, 2007]. Analiza skupień jest to zbiór metod służących do wyodrębniania jednorodnych podzbiorów obiektów populacji. Jest działem statystyki wielowymiarowej. W oparciu o pewne zmienne znajduje grupy obiektów bardziej podobnych do obiektów należących do tego samego skupienia aniżeli do obiektów z innych skupień. Wyniki analizy skupień zależą od doboru zmiennych różnicujących obiekty, które można wyróżnić na podstawie literatury przedmiotu, tak by silnie różnicowały analizowane obiekty.

Istnieje wiele procedur grupowania obiektów za pomocą analizy skupień. Najczęściej stosuje się metody hierarchiczne, których rezultaty są prezentowane w postaci specjalnych drzew tzw. dendrogramów. Metodę hierarchiczną zastosowano w tym artykule. Innym często wykorzystywanym algorytmem jest metoda k-średnich, w której obiekty przydzielane są do k skupień, każdy tylko do jednego skupienia. Liczba skupień k jest ustalana przez badacza.

Metody hierarchiczne zawierają dwie grupy technik. Są to techniki aglomeracyjne i techniki podziałowe. W zastosowanych w tym badaniu technikach aglomeracyjnych początkowo każdy obiekt tworzy odrębne skupienie. Następnie sukcesywnie łączy się najbliższe siebie obiekty w nowe skupienia, aż do uzyskania jednego skupienia. Techniki podziałowe to algorytmy odwrotne. Częściej stosowane są w praktyce techniki aglomeracyjne. Istnieje problem jak określić odległość między nowymi skupieniami, innymi słowy, kiedy dwa skupienia są dostatecznie podobne żeby je połączyć. Można wymienić wiele różnych zasad wiązania. W tym badaniu zastosowano metodę pojedynczego wiązania, zwaną również metodą najbliższego sąsiedztwa. W metodzie tej odległość między dwoma skupieniami jest określona przez odległość między dwoma najbliższymi sąsiadami należącymi do różnych skupień. Jest to metoda najbardziej intuicyjna. Inne istniejące metody to metoda pełnego wiązania, metoda średnich połączeń, metoda średnich połączeń ważonych, metoda środków ciężkości, metoda ważonych środków ciężkości i metoda Warda opisane w podręczniku do nauki programu STATISTICA [Stanisz 2007].

Metoda pełnego wiązania (najdalszego sąsiedztwa) to metoda, w której odległość miedzy klastrami to odległość największa. Metoda nie została zastosowana w tej pracy, ponieważ skupienia nie zawsze tworzyły zwarte kępki. Zamiast poprzedniej metody można było wykorzystać trudniejszą, lecz bardziej dokładną, a zarazem uniwersalną metodę średnich połączeń. Kolejny sposób - metodę średnich połączeń ważonych powinno się stosować, gdy skupienia są zdecydowanie różnoliczne. W tym badaniu w większości było inaczej. Metoda środków ciężkości polega na wyznaczeniu średniego punktu w przestrzeni wielowymiarowej, zdefiniowanej przez wymiary obserwacji. Byłaby odpowiednia do tego badania, gdyby nie było obserwacji odstających. Metoda ważonych środków ciężkości (mediany) wprowadza ważenie, żeby uwzględnić różne wielkości skupień. Zatem w tym badaniu nie ma zastosowania, gdyż skupienia mają w większości podobny rozmiar. Można było oszacować odległość między skupieniami wykorzystując analizę wariancji. Metoda ta w literaturze jest opisywana, jako „bardzo efektywna, chociaż zmierza do tworzenia skupień o małej wielkości.”


Odległość między obiektami wyznaczono za pomocą dwóch metryk: klasycznej metryki euklidesowej zdefiniowanej następująco:

,

gdzie



oraz metryki uwzględniającej współczynnik korelacji Pearsona w postaci następującego wyrażenia:

, (2)
gdzie r jest współczynnikiem korelacji Pearsona. [Stanisz 2007].
Skupienia dotyczące wariancji warunkowych wyznaczono na podstawie zmienności otrzymanych jako wartości teoretyczne z parametrycznych modeli zmienności typu GARCH(1,1), [Doman M, Doman R., 2009], w programie TSM. Żeby wyznaczyć szeregi zmienności warunkowej z uwzględnieniem stacjonarności dla surowych danych obliczono zwroty logarytmiczne.
3. Dane

W badaniu wykorzystano dzienne obserwacje notowań wybranych kursów walutowych i indeksów giełdowych wymienionych i opisanych we wstępie, pochodzące z trzech charakterystycznych okresów. Pierwszy okres to okres przed kryzysem finansowym subprime obejmujący lata 04.01.2004 – 07.08.2007 dla indeksów giełdowych i dla kursów walutowych. Drugi przedział czasowy, to okres ostatniego kryzysu finansowego Ramy tego kryzysu zostały określone zgodnie z literaturą przedmiotu w granicach 08.08.2007- 10.03.2009. [Płuciennik 2012, s. 19-30]. Są związane z zachowaniem spreadów LIBOR – OIS. [Thornton 2009], Ostatni okres, to okres kryzysu dłużnego od 11.03.2009 do 14.06.2013. Wybór przedziałów czasowych: 04.01.2004 - 07.08.2007 i 11.03.2009 - 14.06.2013 jest przypadkowy. Są to ramy czasowe, które obejmowały wybrany sąsiedni okres przed kryzysem subprime oraz kryzys dłużny. Szeregi czasowe zostały podzielone na trzy wymienione, charakterystyczne okresy oraz na poszczególne lata. Ponieważ analiza skupień ma zastosowanie tylko do równolicznych zbiorów danych szeregi czasowe musiały być skrócone do szeregów jednakowej długości. Należy dodać, że badanie można było zrobić inaczej, dzieląc całą próbę nie na lata, lecz na interwały równej długości. Wtedy za pewne udałoby się wygenerować przedziały odpowiadające okresowi kryzysu. Może być to tematem innego badania.




  1. Wyniki empiryczne

Na pierwszym etapie badania sprawdzono, czy kryzys finansowy wiązał się ze wzrostem korelacji pomiędzy indeksami giełdowymi. Wyniki w postaci dendrogramów metody hierarchicznej są zaprezentowane na rysunku pierwszym.

Rysunek 1

Dendrogram ze zmienną różnicującą oznaczającą współczynnik korelacji Pearsona dla indeksów giełdowych. Cyfry oznaczają poszczególne lata wieku dwudziestego pierwszego : 1- 2001, 2- 2002

Źródło opracowanie własne


Zauważamy, że indeksy giełdowe z okresu kryzysu finansowego, oznaczone cyframi 7 - 2007, 8 - 2008 i 9 - 2009 nie utworzyły osobnego skupienia charakteryzującego się podwyższoną korelacją, ale można wyróżnić skupienia związane z poszczególnymi latami kryzysu finansowego i pozostałych badanych lat oznaczone cyframi 4 - 2004, 5 - 2005, 6 - 2006 , 10 -2010, 11 - 2011, 12 - 2012, 13 - 2013.

Po podzieleniu danych na trzy okresy okres przed kryzysem, okres kryzysu i okres po kryzysie uzyskano wyniki, które prezentuje rysunek 2.

Dendrogram ze zmienną różnicującą oznaczającą współczynnik korelacji Pearsona dla indeksów giełdowych. Cyfry oznaczają trzy wyszczególnione okresy 1 - przed, 2 - w trakcie i 3 - po ostatnim kryzysie finansowym
Rysunek 2
Dendrogram ze zmienną różnicującą oznaczającą współczynnik korelacji Pearsona dla indeksów giełdowych

Źródło opracowanie własne


Można zauważyć, że notowania z okresu kryzysu były bardziej skorelowane niż notowania z pozostałych okresów. Utworzyły one charakterystyczne skupienie oznaczone na wykresie cyfrą 2. Wyjątek stanowił RTS, który jest indeksem państwa spoza UE. Wśród wskaźników rynków UE powiązania były znaczne. W przypadku okresu trzeciego wyjątek stanowią aż dwa indeksy indeks brytyjski i indeks WIG20, które nie były silnie skorelowane z pozostałymi.

Następnie przeprowadzono analizę zmienności. Wyniki prezentuje rysunek 3.


Rysunek 3.
Dendrogram ze zmienną różnicującą wariancję warunkową dla indeksów giełdowych. Cyfry oznaczają poszczególne lata wieku dwudziestego pierwszego

Źródło opracowanie własne


Stwierdzamy, że w latach 2008 i 2009, zmienności były wyraźnie odmienne. Indeksy giełdowe z tymi zmiennościami utworzyły osobne skupienie. Zmienności w pozostałych okresach kształtowały się nieregularnie.

Rysunek 4.

Dendrogram ze zmienną różnicującą wariancję warunkową dla indeksów giełdowych

Źródło opracowanie własne


Po wyróżnieniu trzech charakterystycznych okresów przed kryzysem, kryzysu i po kryzysie zauważamy, że obiekty z okresu kryzysu finansowego zostały sklasyfikowane do tej samej grupy. Charakteryzuje się ona dużym zróżnicowaniem elementów. Obiekty z pozostałych dwóch okresów są rozrzucone na osi.

Drugie badanie przeprowadzono dla kursów walutowych względem złotego. Najpierw przeprowadzono analizę korelacji.



Rysunek 5.

Diagram drzewa przedstawiający skupienia dla trzech wyróżnionych okresów dla kursów walutowych

.

Źródło opracowanie własne


Zauważamy, że również dla kursów walutowych istniały wysokie korelacje w okresie kryzysu. Kursy walutowe z okresu kryzysu (2) utworzyły skupienie charakteryzujące się wysokimi korelacjami. W pozostałych okresach korelacje pomiędzy kursami walutowymi były małe, z wyjątkiem pary EUR/PLN-CHF/PLN.

Rysunek 6.

Diagram drzewa przedstawiający skupienia różnych lat wieku dwudziestego pierwszego, dla kursów walutowych

Źródło opracowanie własne


Zauważamy, że przy podziale obiektów na lata nie można za pomocą analizy skupień wygenerować ram kryzysu, jeżeli za zmienną różnicującą obiekty przyjmie się współczynnik korelacji Pearsona. Podobnie jak dla indeksów giełdowych skupienia były związane z poszczególnymi latami. (Kursy walutowe z tych okresów są zgrupowane blisko siebie).

Rysunek 7.
Diagram drzewa przedstawiający skupienia różnych lat wieku dwudziestego dla kursów walutowych, wyznaczone ze względu na zmienność

Stwierdzamy, że w latach 2008 i 2009, zmienności utworzyły osobne skupienie. Zmienności w pozostałych okresach kształtowały się nieregularnie. Rok 2007 nie został ujęty prawdopodobnie ze względu na to, że początek kryzysu subprime to dopiero 08.08.2007, a do analizy były pobierane dane również początku roku 2007.

Rysunek 8



Diagram drzewa przedstawiający skupienia dla trzech wyróżnionych okresów dla kursów walutowych, wyznaczone ze względu na zmienność.

Źródło opracowanie własne


Na ostatnim etapie badania wyróżniono trzy charakterystyczne okresy 1 - przed kryzysem, 2 - kryzysu i 3 - po kryzysie. Zauważamy, że obiekty z okresu kryzysu finansowego zostały sklasyfikowane do tej samej grupy, (charakteryzującej się większą zmiennością).

W analizie heteroskedastyczności warunkowej indeksów giełdowych wykorzystano następujące modele z rodziny GARCH:

Do zwrotów logarytmicznych z indeksu WIG20 dopasowano model FIGARCH(1,1). TABELA 1

Estymacje parametrów modelu


WIG20

Estymacja parametru

Błąd standardowy

Statystyka t

p-wartość

[2]GARCH Intercept

0.02175

0.0109

------

------

FIGARCH d

0.67489

0.0825

------

------

GARCH Alpha1

-0.66902

0.08256

-8.103

0

GARCH Beta1

0.78735

0.05032

15.647

0




Statystyka testowa

p-wartość




Box - Pierce (reszty)

Q(12) = 12.9809

0.37

Box - Pierce

(kwadraty reszt)



Q(12) = 11.9601

0.449

Źródło opracowanie własne


Dla zwrotów logarytmicznych z indeksu FTSE100 otrzymano model GARCH(1,1). Jest to najbardziej podstawowy model parametryczny heteroskedastyczności warunkowej. Jego dopasowanie świadczy o np. o braku długiej pamięci w danych, braku efektu dźwigni, bądź innych cechach szeregu czasowego, które uwzględniają inne sprawdzane przez autorkę modele.
TABELA 2.

Estymacje parametrów modelu


FTSE100

Estymacja parametru

Błąd standardowy

Statystyka t

p-wartość

[2]GARCH Intercept

0.01701

0.0049

------

------

GARCH Alpha1

0.10032

0.01723

5.822

0

GARCH Beta1

0.88781

0.01805

49.186

0




Statystyka testowa

p - wartość




Box-Pierce (reszty)

Q(12) = 7.3193

0.836

Box-Pierce

(kwadraty reszt):



Q(12) = 18.063

0.114

Źródło opracowanie własne


Dla zwrotów logarytmicznych z indeksu CAC40 otrzymano model ARIMA(1,0,1) - FIGARCH(1,1). Jest to model zmienności warunkowej z długą pamięcią. Dobór ARIMA wartości oczekiwanej oznacza że dane zlogarytmowane były niestacjonarne.

TABELA 3.
Estymacje parametrów modelu


CAC40

Estymacja parametru

Błąd standardowy

Statystyka t

p-wartość

Student’s t d.f.

8.80242

1.6217

------

------

Skośność (ksi)

0.85578

0.026

------

------

AR1

0.70429

0.07511

9.377

0

MA1

0.77708

0.06622

11.735

0

GARCH Intercept

0.17017

0.0322

------

------

FIGARCH d

0.49212

0.1137

------

------

GARCH AR1

-0.00293

0.06816

-0.043

0.966

GARCH MA1

0.48536

0.14458

3.357

0.001




Statystyka testowa

p-wartość




Box-Pierce (reszty):

Q(10) = 12.1124

0.278

Box-Pierce

(kwadraty reszt)



Q(12) = 16.3314

0.177

Źródło opracowanie własne


Dla zmiennej zależnej DAX - zwrot logarytmiczny otrzymano model GARCH(1,1). Ograniczenie do dwóch parametrów w tym modelu nie oznacza, że model ten wypada gorzej niż inne modele. Jest to znana prawidłowość z literatury.
TABELA 4.

Estymacje parametrów modelu


DAX

Estymacja parametru

Błąd standardowy

Statystyka t

p - wartość

[2]GARCH Intercept

0.02597

0.0079

------

------

GARCH Alpha1

0.08444

0.01418

5.955

0

GARCH Beta1

0.90145

0.01482

60.827

0




Statystyka testowa

p - wartość




Box-Pierce (reszty)

Q(12) = 5.639

0.933

Box-Pierce

(kwadraty reszt):



Q(12) = 17.7288

0.124

Źródło opracowanie własne


Dla zmiennej zależnej AEX zwrot logarytmiczny otrzymano model GARCH(1,1)
TABELA 5.

Estymacje parametrów modelu



AEX

Estymacja parametru

Błąd standardowy

Statystyka t

p - wartość

[2]GARCH Intercept

0.02301

0.0069

------

------

GARCH Alpha1

0.10259

0.01719

5.968

0

GARCH Beta1

0.88382

0.01805

48.965

0




Statystyka testowa

p - wartość




Box - Pierce (reszty)

Q(12) = 11.3361

0.5

Box - Pierce

(kwadraty reszt):



Q(12) = 8.3526

0.757

Źródło opracowanie własne


Modele klasy GARCH zostały wybrane do badania ze względu na ich dużą popularność.

Sprawdzono pomocą dendrogramu czy można dla kursów walutowych względem złotego określić lata kryzysu na podstawie zmienności, co zostało przedstawione wcześniej. Wariancje warunkowe zostały wyznaczone za pomocą modeli GARCH(1,1). Dla zwrotów logarytmicznych z kursu walutowego CHF/PLN otrzymano model GARCH(1,1).



TABELA 6.

Estymacje parametrów modelu


CHF/PLN

Estymacja parametru

Błąd standardowy

Statystyka t

p-wartość

[2]GARCH Intercept

0.00672

0.0025

------

--------

GARCH Alpha1

0.07301

0.01229

5.941

0

GARCH Beta1

0.91689

0.01363

67.27

0




Statystyka testowa

p - wartość




Box - Pierce (reszty)

Q(12) = 11.3754

0.497

Box - Pierce

(kwadraty reszt):



Q(12) = 16.9549

0.151

Źródło opracowanie własne


Dla zwrotów logarytmicznych z kursu walutowego GBP/PLN otrzymano model GARCH(1,1)

TABELA 7.

Estymacje parametrów modelu



GBP/PLN

Estymacja parametru

Błąd standardowy

p-wartość

[2]GARCH Intercept

0.01121

0.0035

------

GARCH Alpha1

0.07182

0.01182

0

GARCH Beta1

0.90952

0.01594

0




Statystyka testowa

p - wartość




Box - Pierce (reszty)

Q(12) = 14.1131

0.294




Box - Pierce

(kwadraty reszt):



Q(12) = 11.5862

0.479



Źródło opracowanie własne


Dla zwrotów logarytmicznych z kursu walutowego EUR/PLN otrzymano model

GARCH(1,1)



TABELA 8.

Estymacje parametrów modelu


EUR/PLN

Estymacja parametru

Błąd standardowy

p-wartość

[2]GARCH Intercept

0.00471

0.0018

-------

GARCH Alpha1

0.07297

0.01256

0

GARCH Beta1

0.9148

0.01525

0




Statystyka testowa

p - wartość




Box - Pierce (reszty)

Q(12) = 8.9317

0.709




Box - Pierce

(kwadraty reszt):



Q(12) = 11.4383

0.492




Źródło opracowanie własne


Dla zwrotów logarytmicznych z kursu walutowego USD/PLN otrzymano model GARCH(1,1)

TABELA 9.

Estymacje parametrów modelu


USD/PLN

Estymacja parametru

Błąd standardowy

Statystyka t

p-wartość

[2]GARCH Intercept

0.0143

0.0048

------

--------

GARCH Alpha1

0.07471

0.01089

6.86

0

GARCH Beta1

0.91117

0.01369

66.558

0




Statystyka testowa

p - wartość




Box - Pierce (reszty)

Q(12) = 11.3655

0.498




Box - Pierce

(kwadraty reszt):



Q(12) = 7.9678

0.788




Źródło opracowanie własne


Wszystkie modele heteroskedastyczności warunkowej zostały zweryfikowane pozytywnie. Wynika to stad, że miały istotne parametry statystyczne, spełniały warunek stacjonarności tzn. suma parametrów modelu GARCH(1,1) była mniejsza od jeden. Ponadto nie było istotnych korelacji w resztach standaryzowanych i kwadratach reszt standaryzowanych, co stwierdzono na podstawie testu Boxa – Pierce, [Doman M. i Doman R. 2009]. Zatem można było na podstawie tych modeli poprawnie wnioskować o zmienności badanych danych.

5. Podsumowanie
Analizę skupień można wykorzystać do potwierdzenia, że dane pochodzą z kryzysu. Jest to wygodna metoda, jeśli chcemy ująć na jednym wykresie - w sposób sumaryczny informacje o dłuższym interwale czasowym. Indeksy giełdowe i kursy walutowe reprezentujące poszczególne lata kryzysu finansowego nie utworzyły osobnego skupienia z podwyższoną korelacją, ale można wyróżnić skupienia związane z różnymi latami kryzysu finansowego i kastry obserwacji z poszczególnych innych lat. Po wyróżnieniu obiektów reprezentujących okres kryzysu finansowego zauważono, że odpowiadające im notowania kursów walutowych i ważnych indeksów giełdowych UE były bardziej skorelowane niż notowania z pozostałych okresów i utworzyły charakterystyczne skupienie. Zarówno dla kursów walutowych jak i dla indeksów giełdowych stwierdzono, że w latach 2008 i 2009 ich zmienności były szczególne. Nie można jednak wnioskować na podstawie wyników analizy wielowymiarowej, że były one wyższe. Zmienności w pozostałych okresach kształtowały się nieregularnie i odpowiadające im obiekty nie zostały zgrupowane razem. Po wyróżnieniu trzech okresów: przed, w trakcie i po kryzysie finansowym można zauważyć, że obiekty reprezentujące okres kryzysu miały charakterystyczną (wyższą) zmienność. Ponadto indeksy giełdowe i kursy walutowe w okresie kryzysu bardziej różniły się od siebie zmiennością niż w okresach spokoju. Należy podkreślić, że analiza skupień może być wykorzystywana do weryfikowania własności charakterystycznych okresów na giełdzie, nie zaś do określania ich ram czasowych, gdy za jednostkę podziału przyjmie się kolejne lata. Potwierdzono nową metodą w okresie kryzysu wyższe korelacje zarówno dla indeksów giełdowych jak i kursów walutowych. Ponadto podobne korelacje były związane z obiektami pochodzącymi z tych samych lat. Należy wspomnieć, że wykryte korelacje świadczyły o współwystępowaniu obserwacji (podobnych tendencjach na wykresie), a nie o zależnościach przyczynowo – skutkowych, gdyż w przypadku korelacji nie operowano szeregami stacjonarnymi. Jednak dla inwestora, który dokonuje inwestycji na giełdzie może być bardziej interesująca sama relacja wykresów notowań a nie wzajemne wpływy jednych instrumentów finansowych na drugie, dlatego w tym artykule autorka rezygnuje z analizy stacjonarności. Badania dla szeregów stacjonarnych w postaci stóp zwrotu zostały już opisane w artykułach z odnośnikami: [Doman M., Doman R., 2014], [Buszkowska E., 2010] oraz [Buszkowska E., 2015] Należy dodać, że dla szeregów stacjonarnych, uzyskanych poprzez wyliczenie stóp zwrotu w kryzysie subprime nie było w większości istotnych korelacji pomiędzy indeksami, a także pomiędzy kursami walutowymi. Zatem analiza skupień dla danych stacjonarnych potwierdziłaby tylko przedstawione w literaturze wyniki. Najważniejsza hipoteza o możliwości zastosowania analizy skupień do generowania ram czasowych charakterystycznych okresów na giełdzie przy podziale próby na lata i skracaniu szeregów została odrzucona. Być może byłoby inaczej gdyby dokonano w inny sposób podziału na okresy, bez skracania próby. Udało się zweryfikować pozytywnie pozostałe hipotezy i na podstawie przeprowadzonego badania sformułować dodatkowe wnioski. Zatem cel artykułu został zrealizowany.

Literatura
Blackburn R. 2008, The Subprime Crisis, New Left Review, 50, march, april
Buszkowska E. 2010, Badanie zależności między indeksami giełdowymi a

kursami walutowymi, Zeszyty Naukowe UE w Krakowie,
Buszkowska E. 2015, Dynamika przepływów inwestycji pomiędzy giełdami,

AUNC Ekonomia


Buszkowska E. i Płuciennik P. 2013, Wpływ kryzysu subprime na polski rynek

kapitałowy, „Ekonomiczne i etyczne aspekty kryzysu gospodarczego”
Buszkowska E., Płuciennik P. 2014, Wpływ kryzysu subprime na determinanty

wariancji warunkowej indeksu WIG20, „Matematyka i informatyka na usługach

ekonomii”, Wydawnictwo Uniwersytetu Ekonomicznego w Poznaniu,

Poznań.
Doman M., Doman R. 2009, Modelowanie zmienności i ryzyka. Metody

ekonometrii finansowej, Kraków. Oficyna a Wolter Kluwer Business.
Doman M., Doman R. 2014, Dynamika zależności na globalnym rynku finansowym, Difin, Warszawa
Foster J.B., Magdoff F. 2009, The great financial crisis, causes and consequences,

Monthly Review Press.


Konopczak M., Sieradzki R., Wiernicki M. 2010, Kryzys na światowych

rynkach finansowych – wpływ na rynek finansowy w Polsce oraz implikacje dla sektora realnego, „Bank i Kredyt”, 41 (6), 45–70.

Migut G. 2009 Zastosowanie technik analizy skupień i drzew decyzyjnych do segmentacji rynku, http://www.statsoft.pl/portals/0/Downloads/Zastosowanie_technik.pdf,

Pietrzykowski R. , Kobus P. Zastosowanie modyfikacji metody k-średnich w analizie portfelowej http://www.wne.sggw.pl/czasopisma/pdf/EIOGZ_2006_nr60_s301.pdf

Płuciennik P. 2012, Influence of the American Financial Market on Other Markets During the Subprime Crisis, Folia Oeconomica Stetinensia.


Stanisz A. 2007, Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom 3. Analizy wielowymiarowe, Statsoft, Kraków
Thornton D. L. 2009, What the Libor-OIS Spread Says, „Economic Synopses”, 24, Federal Reserve Bank of St. Louis https://research.stlouisfed.org/publications/es/09/ES0924.pdf,

(11. 05. 2009)





1 Adiunkt/Doktor/Eliza Buszkowska-Wydział Prawa i Administracji, UAM w Poznaniu, eliza_b2@o2.pl.

2 a) Kurs EUR/PLN. Znaczenie tego kursu dla polskiej gospodarki a w szczególności polskiego rynku finansowego wzrosło po przystąpieniu Polski do Unii Europejskiej.
b) Kurs CHF/PLN. Frank szwajcarski był często wybieraną walutą przez osoby chcące zaciągnąć długoterminowy kredyt na wysoką kwotę.
c) Kurs GBP/PLN. Zmienność tego kursu stała się bardzo ważna ze względu na dużą po otwarciu rynku pracy emigrację Polaków do Wielkiej Brytanii.
d) Kurs USD/PLN. Jak wiadomo w dolarze kwotowane są ceny wszystkich głównych surowców (np. ropa naftowa) i z tego względu kurs dolara wobec złotego ma istotny wpływ na inflację w Polsce

3 AEX - (Amsterdam Exchange Index). Jest indeksem giełdowym spółek notowanych na giełdzie w Amsterdamie - Euronext Amsterdam.).W jego skład wchodzi 25 największych spółek.

DAX – (Deutscher Aktienindex). Jest najważniejszym indeksem Giełdy Niemieckiej (Frankfurter Wertpapierbörse, Frankfurt nad Menem). Oddaje zmianę wartości akcji 30 największych spółek akcyjnych pod względem kapitalizacji oraz obrotu.

CAC40 - (Cotation Assistée en Continu). Jest francuskim indeksem akcji, giełdy Euronext. Indeks ten skupia 40 najsilniejszych spółek spośród 100 o najwyższej kapitalizacji na Giełdzie Paryskiej (Bourse de Paris).

FTSE100 - (skrót od Financial Times Stock Exchange). Jest indeksem akcji spółek giełdowych notowanych na Giełdzie Papierów Wartościowych w Londynie (London Stock Exchange. Indeks obejmuje 100 największych spółek spełniających liczne wymagania dotyczące płynności, kapitalizacji itp.



WIG20 (Warszawski Indeks Giełdowy). Jest indeksem giełdowym 20 największych spółek akcyjnych notowanych na warszawskiej Giełdzie Papierów Wartościowych.
RTS (Rosyjski indeks giełdowy) Indeks 50 największych spółek notowanych na Giełdzie Papierów Wartościowych w Moskwie







©absta.pl 2019
wyślij wiadomość

    Strona główna