Отрицательная сериальная корреляция на рынке акций Пакистана [c.140]
Сериальная корреляция. Сериальная корреляция измеряет корреляцию между изменениями цен в следующие друг за другом временные периоды (например, часовые, дневные или недельные) и служит показателем, в какой степени ценовые изменения в любой из периодов зависят от ценовых изменений в предшествующие периоды. Сериальная корреляция, равная нулю, свидетельствует об отсутствии корреляции между изменениями цен в следующих друг за другом периодах, что говорит против возможности предсказания будущих цен на основе прошлого. Положительная и статистически значимая сериальная корреляция свидетельствует о наличии ценового импульса на рынках и подтверждает, что доходность за определенный период времени скорее всего окажется положительной (отрицательной) величиной, если доходность предыдущего периода была положительной (отрицательной). Отрицательная и статистически значимая сериальная корреляция свидетельствует о противоположно направленном движении цен и соответствует рынку, где положительная доходность, по большей части, сменяется отрицательной доходностью и наоборот. [c.163]
С точки зрения инвестиционной стратегии, сериальную корреляцию можно использовать, зарабатывая прибыль на избыточной доходности. В случае положительной сериальной корреляции следует покупать после периодов с положительной корреляцией и продавать после интервалов с отрицательной корреляцией. Отрицательная сериальная корреляция стимулирует стратегию покупки после периодов с отрицательной доходностью и продажи — после отрезков с положительной доходностью. Поскольку эти стратегии порождают трансакционные издержки, корреляция должна быть достаточно сильной, чтобы прибыль, полученная инвесторами, покрыла их издержки. Таким образом, очень может быть, что существует сериальная корреляция доходности, однако у большинства инвесторов нет никакой возможности заработать избыточную доходность. [c.163]
Сериальная корреляция в отношении краткосрочных доходов подвержена влиянию ликвидности рынка, а также спреда между ценой продавца и покупателя. Не все входящие в индекс бумаги ликвидны, и в некоторых случаях акции не продаются на рынке в течение рассматриваемого периода. Когда акция продавалась на предшествующем временном отрезке, возникшие ценовые колебания могут создать положительную сериальную корреляцию. Чтобы увидеть причину, предположим, что рынок пошел на подъем в день 1, однако в этот день 3 акции в индексе не продавались на рынке. Если эти акции продавались в день 2, они, по всей вероятности, поднимутся в цене, чтобы отразить рост рынка в предыдущий день. В конечном итоге, можно ожидать положительную сериальную корреляцию доходности, создаваемой на дневных и часовых интервалах на неликвидных рыночных индексах. [c.164]
Данная стратегия основывается на предположении, что изменения цен характеризуются сериальной корреляцией, и существует ценовая тенденция (т. е. цены акций, которые пережили резкий рост в прошлом, скорее продолжат оставаться в повышающейся тенденции, чем начнут падать). [c.164]
Тест направленности. Тест направленности, или тест серий, является непараметрической дисперсией сериальной корреляции, который основывается на подсчете числа серий (т. е. последовательностей повышений и понижений цены), наблюдаемых при ценовых колебаниях. Так, временные ряды ценовых колебаний, где U означает движение цены вверх, a D — движение вниз, будут состоять из следующих серий [c.166]
В то время как большинство ранних исследований поведения цен фокусировалось на доходности в более кратких интервалах, в последние годы больше внимания уделялось ценовым колебаниям на более длительных периодах (от одного года до пяти лет). Здесь существует интересная двойственность результатов. Когда в качестве длительного срока выбран месяц, а не год, то, по-видимому, существует тенденция, формирующая положительную сериальную корреляцию или ценовой импульс. Однако когда в качестве длительного срока выбраны годы, существует отрицательная корреляция в доходности, что приводит к предположению об изменении рыночной тенденции на длительных промежутках времени. [c.167]
Мы проанализируем АЩ1)-разности логарифмических прибылей для рынков капитала. АК(1)-разности используются для устранения - или, по крайней мере, для сведения к минимуму - линейной зависимости. Как мы видели в Главе 5, линейная зависимость может сместить показатель Херста (и может заставить его выглядеть значимым, когда нет процесса с долговременной памятью) т.е. вызвать ошибку первого рода. Используя АК(1)-разности, мы сводим смещение к минимуму, и, будем надеяться, делаем результаты незначительными. Такой процесс часто называют, предварительным отбеливанием или удалением трендов. Мы будем использовать последний термин. Удаление трендов не подходит для всех статистических испытаний, хотя кажется, что оно используется почти волей-неволей. Для некоторых испытаний удаление трендов может скрыть значимую информацию. Однако в случае R/S-анализа удаление трендов устранит сериальную корреляцию, или кратковременную память, а также инфляционный рост. Сериальная корреляция представляет проблему для очень высокочастотных данных, таких как пятиминутные прибыли. Инфляционный рост является проблемой для низкочастотных данных, таких как 60 лет месячных прибылей. Однако, как мы увидим, для R/S-анализа процесс с кратковременной памятью представляет гораздо большую проблему, чем проблема инфляционного роста. Мы начинаем с ряда логарифмической доходности [c.110]
ПЕРВОНАЧАЛЬНЫЕ ДАННЫЕ И СЕРИАЛЬНАЯ КОРРЕЛЯЦИЯ [c.129]
Как мы видели в Главе 5, различные процессы с кратковременной памятью могут вызвать смещение в R/S-анализе. Процессы AR(1), которые, технически, также являются процессами с бесконечной памятью, могут дать результаты, которые выглядят значимыми. В этом разделе мы сравним логарифмические первые разности цен с АК(1)-разностями, чтобы определить, присутствует ли существенная проблема сериальной корреляции в первоначальных данных. [c.129]
На рисунке 8.9 показан график V-статистики для первоначальных данных против АК(1)-разностей для 20-дневной доходности. В таблице 8.9 приведены значения R/S для двух рядов, а также вычисление показателя Херста. Небольшое смещение AR(1) в первоначальных данных приводит к тому, что значения R/S немного выше, чем при использовании разностей. Вычисление показателя Херста также немного смещено. Тем не менее, выборочная частота, равная 20, уменьшает воздействие сериальной корреляции, как нам уже известно. [c.129]
Когда данные упоминаются как высокочастотные данные, это означает, что они охватывают очень короткие горизонты времени и часто имеют место. Высокочастотные данные, как известно, имеют существенные статистические проблемы. Самой главной среди этих проблем являются высокие уровни сериальной корреляции, которые могут исказить и стандартные методы анализа, и R/S-анализ. Использование АК(1)-разностей компенсирует большую часть этой проблемы, но это делает любой анализ сомнительным, независимо от используемых критериев значимости. [c.133]
В Главе 9 мы видели потенциальную проблему избыточной выборки -эффекты искажения данных испытаний на слишком высокой частоте. Среди статистических проблем (сериальная корреляция, например) таится еще одна опасность чрезмерная уверенность аналитика из-за большого объема выборки. В этой главе рассматривается обратная проблема, недостаточная выборка. Вследствие недостаточной выборки аналитик может принять фрактальный временной ряд за случайный просто потому, что нет достаточного количества наблюдений, чтобы принять уверенное решение. [c.150]
Аналитик, однако, стоит перед дилеммой. Если сохранен тот же самый период времени, но выборка производится более часто, то существует возможность избыточной выборки данных, как мы видели в Главе 9. Если частота становится слишком высокой, то шум и сериальная корреляция могут скрыть сигнал. В отношении рыночных данных предпочтительно, чтобы выборка производилась ежедневно или через более долгие промежутки времени, чтобы избежать проблемы избыточной выборки. К сожалению, единственной альтернативой высокочастотных данных является более длинный период времени. Не всегда существует возможность получить больше времени, но такой способ является предпочтительным. [c.151]
Реальная жизнь не так проста. Дети Демиурга сложны и не могут быть классифицированы в соответствии с несколькими простыми характеристиками. Мы нашли, что на рынках капитала большинство рядов характеризуется эффектами долговременной памяти, или смещениями сегодняшняя рыночная деятельность смещает будущую деятельность на очень долгое время. Подобный эффект Иосифа может вызвать серьезные проблемы для традиционного анализа временных рядов например, эффект Иосифа очень сложно, если не невозможно, отфильтровать. AR(1)-разности, самый распространенный метод для устранения сериальной корреляции, не могут удалить эффекты долговременной памяти. Долговременная память вызывает появление трендов и циклов. Эти циклы могут быть ложными, поскольку они являются просто функцией эффекта долговременной памяти и случайного изменения в смещении рынка. [c.261]
Автокорреляция, также известная как сериальная корреляция, имеет место, когда остатки не являются независимыми друг от друга, потому что текущие значения Y находятся под влиянием прошлых значений. Зависимость между остатками описывается с помощью авторегрессионной схемы. Например, допустим, что остаток et находится под влиянием остатка из предыдущего периода времени et— и какого-либо текущего значения случайной переменной Zt- Остаток е, будет описываться следующей авторегрессионной функцией [c.288]
По определению, автоковариация с запаздыванием s, деленная на дисперсию а2, дает автокорреляцию или сериальную корреляцию [c.122]
В тех гических терминах это означает, что ряды выпуска имеют положительную сериальную корреляцию. [c.583]
Фама использовал показатели сериальной корреляции и спроса. На основе [c.94]
Спред между ценами продавца и покупателя создает предубеждение, действующее в противоположном направлении, если для вычисления доходности используются цены сделок, поскольку ценовое движение имеет равные шансы завершиться по цене как продавца, так и покупателя. Скачки, являющиеся следствием существования в реальности разницы между ценами продавца и покупателя (бид/аск спред), способны привести к отрицательной сериальной корреляции в доходности. Ролл (Roll, 1984) предложил простую меру для этого соотношения [c.164]
Фама и Френч (Fama and Fren h, 1988) исследовали пятилетнюю доходность акций с 1931 по 1986 год и представили свидетельства, подтверждающие это явление. Исследования, в которых акции классифицировались на основе рыночной стоимости, показали, что сериальная корреляция принимает отрицательные значения в отношении пятилетней доходности в большей степени, чем при исследовании однолетней доходности. Причем она принимает куда большие отрицательные значения для акций малых фирм, чем — крупных компаний. На рисунке 6.2 представлена однолетняя и пятилетняя сериальная корреляция, полученная благодаря исследованиям Фамы — Френча и классифицированная по размеру соответствующих фирм, чьи акции торгуются на Нью-йоркской фондовой бирже. Данное явление было изучено также и на других рынках, а полученные выводы оказались аналогичными. [c.167]
Иными словами, удачные годы с большей вероятностью сменяются неудачными годами, и наоборот. Свидетельства в пользу отрицательной сериальной корреляции исчерпывающи, и их можно найти в исследованиях Фамы и Френча (Fama and Fren h, 1988). Хотя они обнаружили, что годовая корреляция невысока, пятилетняя сериальная корреляция принимает значительные отрицательные значения для всех пяти классов. [c.212]
Такой временной ряд является примером "идеального" временного ряда для R/S-анализа. Он охватывает длительный период времени и имеет много наблюдений. Эта комбинация позволяет свести к минимуму проблему сверхчастой выборки (и смещения сериальной корреляции). В следующей главе ситуация будет иной. [c.132]
Авторы рассмотренных исследований исходили из предположения о независимости слагаемых, образующих кумулятивные суммы. В действительности это предположение не всегда является справедливым. Багшоу и Джонсон [75], [117] изучали влияние сериальной корреляции на параметры контрольных карт кумулятивных сумм и дали рекомендации по ее учету. [c.129]
Нейлор и его соавторы хотели выбрать экономическую политику, которая минимизирует флуктуации в национальной экономике. Эти флуктуации были измерены оценкой дисперсии s2. = 2 zoOj (Xli = ]Гг)2/199 (i = 1,. .., 5). Укажем, что оценка s2 могла бы быть несмещенной оценкой дисперсий совокупностей аЗ, если бы Хц были независимыми наблюдениями из какой-то одной определенной совокупности П,-. Эти авторы не учитывали смещения, вызываемого сериальной корреляцией и переходным состоянием, и брали Е (s -) в качестве критерия выбора. Процедура ранжирования применялась к 2 g = ln S2gx [c.264]
Независимость ютаткаа. Допущение независимости остатков состоит в том что отклонение от среднего значения для любого одного наблюдения не взаимосвязано с отклонением от среднего значения любого другого наблюдения. Про-б.ч ма сериальной корреляции остатков таюке наэьшл мой автокорреляцией, уси- [c.435]
Полагаем, что сериальный коэффициент Корреляции ps положителен и уменьшается с ростом сдвига s. Первое предположение кажется разумным для большинства моделей второе выполняется, если нет периодичности1. Знаменатель в уравнении (9) возрастает с ростом а, так [c.125]