Konwersatorium 3 ekonomia finansowa

Stooq, wyszukuję po symbolu  dane historyczne dzienny  za rok  pomijaj wszystko 

średnik na dole strony

Czas i język, data godzina i formatowanie regionalne, data krótka z separatorami

PKO data + zamknięcie

Wig20 + zamknięcie

Muszą być kropki, a nie przecinki w excelu znajdź i zamień:  . na , (musi na dole wyświetlać się
średnia, licznik i suma po zaznaczeniu dwóch pozycji w wierszu, jeśli będzie źle, to będzie pokazywać
sam licznik)

Zaznaczyć daneR_PKO, Rm_WIG, skopiować do nowego arkusza, zaznaczyć, zrobić kopiuj, wklej jako
wartości liczbowe

Importujemy do gretla bez tytułów, wybieramy dobry arkusz  szereg czasowy  dzienne tydzień
5dniowy  ustawiamy daty  data początkowa się będzie zgadzać, ale końcowa nie, bo czasem jest
wolne w jakiś dzień roboczy przez święta (dni niesesyjne) różnica może być kilka lub kilkanaście dni,
zastosuj

Model  klasyczna metoda najmniejszych kwadratów  zmienna zależna (y) to stopy zwrotu ze
spółki R_PKO, a x to stopa zwrotu z indeksu Rm_WIG20, const było i zostaje w regresorach  OK

W tym modelu nic nie będziemy usuwać, nie robimy problemu, jeśli stała wychodzi nieistotna
statystycznie, benchmark ma wyjść jako istotny statystycznie
Alfa=10%

1) ^R_PKO =0,00111 + 1,21-Rm_WIG20

Okno modelowe  plik  pokaż jako równanie:

^R_PKO = 0,00111 + 1,21*Rm_WIG20 (nasza stała z modelu + współczynnik wig)

(0,000904)(0,0783)  to są błędy standardowe

T = 250, Wsp. determ. R-kwadrat = 0,488

(Błędy ocen w nawiasach)

2) test t-studenta
H0: zmienna nie jest statystycznie istotna dla modelu
H1: zmienna jest statystycznie istotna dla modelu

Wartość p dla testu t studenta = 5,75*10^-38 (jest to w modelu kolumna wartość p, wiersz
rm wig20)
5,75*10^-38<0,1

P<alfa, co oznacza, że odrzucamy hipotezę zerową na rzecz hipotezy alternatywnej, czyli

zmienna jest istotna statystycznie dla modelu

3) odczytanie i interpretacja czynnika beta

(odczytuję z równania lub tablicy)
 Beta=1,21
Wig wzrasta o 1, pko o 1,21 i na odwrót, trzeba sprawdzić we własnościach bety z wykładu
Stopa zwrotu mocniej reaguje na zmiany, akcje agresywne

4) Odczytać i zinterpretować współczynnik determinacji i indeterminacji

Współczynnik determinacji R -kwadrat = 48,85%
Wsp. Interdeterminacji = 100%-48,85%= 51,15%
(łącznie dają 100%)
Zmiana stóp pko została wyjaśniona przez 48,85% naszego modelu
Na zmienność wpływają też inne czynniki, nieujęte w modelu, i wpływają w 51,15%

5) Przeprowadzić test modelu

5.1) nieliniowości kwadraty (testy  nieliniowości kwadraty):

Test na nieliniowość (kwadraty) -

H0 : zależność jest liniowa
H1: zależność nie jest liniowa
Statystyka testu: LM = 0,259516
z wartością p = P(Chi-kwadrat(1) > 0,259516) = 0,610453

graniczna wartość p 0,610453>0,1

p>alfa
brak podstaw do odrzucenia hipotezy zerowej, czyli zależność w naszym modelu jest liniowa

5.2) test normalności rozkładu reszty składnika

H0: składnik losowy ma rozkład normalny
H1: składnik losowy nie ma rozkładu normalnego

Test na normalność rozkładu reszt -

Hipoteza zerowa: składnik losowy ma rozkład normalny
Statystyka testu: Chi-kwadrat(2) = 53,8645
z wartością p = 2,01125e-012

p=2,01125*10^-12
2,01125*10^-12<0,1
P<alfa
Odrzucamy hipotezę zerową i przyjmujemy hipotezę alternatywną, która mówi nam o tym,
że nasza składnik losowy nie ma rozkładu normalnego
(formalnie w praktyce powinniśmy stwierdzić, że model nie jest poprawny i jakieś założenie
mamy niepoprawne)

5.3) homoskedastyczność wariancji (test heteroskedycznosci  test white’a)

Test White'a na heteroskedastyczność reszt (zmienność wariancji resztowej) -

Hipoteza zerowa: heteroskedastyczność reszt nie występuje
H1: heteroskedastyczność reszt występuje
Statystyka testu: LM = 0,723867
 z wartością p = P(Chi-kwadrat(2) > 0,723867) = 0,696328
p = 0, 696328
p>alfa
brak podstaw do odrzucenia h0, heteroskedastyczność reszt nie występuje

5.4) autokorelacja pierwszego rzędu składnika resztowego pierwszego rzędu

Test->test autokorelacji->rzędu 1

Test LM na autokorelację rzędu 5 -

Hipoteza zerowa: brak autokorelacji składnika losowego
H1: autokorelacja składnika losowego rzędu pierwszego występuje
Statystyka testu: LMF = 0,559417
z wartością p = P(F(5, 243) > 0,559417) = 0,73106

0,404206>0,1
p>alfa
brak podstaw do odrzucenia H0, brak autokorelacji składnika losowego
Porównanie dwóch modeli współczynnikiem R^2 będzie świadczyć, który model będzie lepszy (np.
wgi20 i wig banki)

TO BYŁ MODEL ACPM

MODEL APT

Alternatywa dla modelu acpm

Zmienne podane w cyklu miesięcznym

Szereg czasowy  jako dane miesięczne  2018:01, nie powinno się tutaj nic rozjechać, trzeba w
excelu usunąć cztery wysunięte na dole wiersze z KGH, bo będą miały wpływ na budowę naszego
modelu (są cztery wiersze więcej z KGH, a musimy porównywać tę samą liczbę wierszy)

Musimy dobrać zmienne do modelu, model KMNK  zmienna zależna Y R_KGH  regresory: bez T i
R_KGH

Edycja  specyfikacja modelu  usuwamy zmienną pkb rok do rok, a potem z drugiego wibor1m
Test  test pominiętych zmiennych  sekwencja eliminacyjna nieistotnych 0,1
Np. sprawdzić łączną istotność zmiennych, powinna wyjść co do zasady więcej niż jedna zmienna
istotna

Postać oszacowana modelu-plik, pokaż jako równanie

Współczynniki determinacji 24%

Powinniśmy wziąć pod uwagę notowania miedzi i srebra na rynku międzynarodowym (bo to kgh)