Финансовая статистика: конспект лекций

3) выясняется, что на основе этого уравнения нельзя создать оптимально работающую прогностическую модель.

Трудность в том, что остатки данной регрессии (отклонения фактических значений от плановых) в ходе их исследования не смогли пройти тест на выполнение важнейших предпосылок метода наименьших квадратов.

1. Получившиеся в результате решения уравнения регрессии остатки должны носить случайный характер.

Между величиной отклонений и расчетными значениями Y существует сильная линейная зависимость, о чем говорит высокий коэффициент детерминации, который равен 0,98. Короче говоря, 98 % всех колебаний в остатках можно объяснить изменением величины прогноза. Исходя из формулы линейного тренда, следует вывод: рост прогнозируемого курса доллара на 1 руб., как правило, вел в среднем к отклонению остатков (от 0, когда разница отсутствует и достигается точный прогноз) в сторону отрицательных значений на 1,49 руб. (плюс 42,22 руб. – исходный уровень). Из чего следует, что повышение расчетного значения ведет к отклонениям остатков в сторону положительных значений в той же пропорции.

2. Остатки не должны зависеть от независимой переменной X (в данном случае – величины курса «рубль/евро»).

Изменение величины остатков на 98 % обусловлено колебаниями независимой переменной X. Об этом утверждает высокий коэффициент детерминации, равный 0,98. Согласно формуле линейного тренда, увеличение курса «рубль/евро» на 1 руб. ведет в среднем к отклонениям остатков в сторону отрицательных значений на 1,20 руб. (плюс 42,22 руб. – исходный уровень). Следовательно, снижение переменной X ведет к отклонениям остатков в сторону положительных значений в той же пропорции.

3. Гомоскедастичность (одинаковый разброс) остатков независимо от значения номера наблюдения (для временных рядов). Несоблюдение данного условия называется гетероскедастичностью, т. е. неодинаковым разбросом в остатках.

4. Отсутствие автокорреляции остатков, т. е. остатки должны быть распределены во времени независимо друг от друга. Стоит обратить внимание на наличие автокорреляции в остатках и, если оставить найденные коэффициенты уравнения без дальнейших поправок, в результате не удастся построить прогностическую модель, которая способна работать с достаточно высокой степенью точности.

5. Остатки подчиняются нормальному распределению. При наличии автокорреляции в остатках это означает, что каждый последующий уровень отклонения прогноза от фактических данных зависит от предыдущего. Если эта информация будет учитываться в расчетах, то получится уравнение регрессии со смещенными параметрами. Проделав соответствующие вычисления, видно, что коэффициент автокорреляции Rasm для отклонений, которые получены на основе нашего уравнения регрессии, оказался равным 0,988 (максимальное значение этого параметра равно 1), т. е. очень высоким. Из чего следует, что для оценки параметров уравнения регрессии нужно скорректировать статистические ряды данных по следующей формуле:

X_{посл. корр.} = X_посл. – R_автX_пред.,

где Х_{пред .} и Х_{посл .} – предыдущее и последующее значения курса евро;

X_{посл . корр.} – последующее значение курса евро после его корректировки на автокорреляцию;

R_авт – значение коэффициента автокорреляции.

Аналогичную формулу стоит применить и по отношению к Y, т. е. к зависимой переменной, обозначающей курс доллара. После чего на основе скорректированных рядов данных вновь проводится регрессионный анализ. В результате получается уравнение регрессии (с лагом, равным 0), которое скорректировано с учетом автокорреляции:

Y = 0,707X.

Данное уравнение можно сформулировать следующим образом: рост (или падение) курса евро на 1 руб. в 2005 г. приводил в среднем к повышению (или, соответственно, к снижению) курса доллара на 70,7 коп. Одновременно коэффициент детерминации для скорректированного уравнения оказался равен 87,4 %, при том что аналогичный показатель для предыдущего уравнения регрессии был гораздо выше – 99,8 %. Следовательно, устранение автокорреляции привело к понижению коэффициента детерминации на 12,4 %. Затем по вновь полученным остаткам скорректированной регрессии вычисляется критерий Дарбина-Уотсона, который получается равным 1,98. Данный вывод свидетельствует практически о полном отсутствии автокорреляции (если критерий Дарбина-Уотсона равен 2, то это означает, что R_авт равно 0).

Чтобы построить эффективно работающую прогнозную модель, недостаточно только устранения автокорреляции в остатках, поскольку в отклонениях фактических данных от прогноза по-прежнему присутствует неучтенная тенденция. Для этого модель необходимо изменить таким образом, чтобы она отражала этот тренд.

Для решения этой задачи стоит воспользоваться разработанными тремя основными способами: методом отклонений от тренда, методом последовательных разностей и методом включения в модель регрессии фактора времени.

Валютный курс