Statistica piețelor financiare

Capitolul 16 · Recapitulare

În stînga este slide-ul din curs, în dreapta aceeași figură sau același tabel, calculat în browser din aceleași date. Butonul ▶ modifică parametrul pas cu pas; tabelele și problemele de recapitulare se recalculează odată cu el. Abrevieri: VaR (value at risk), ES (expected shortfall), HS (simulare istorică), EWMA (exponentially weighted moving average, media mobilă ponderată exponențial), GARCH (generalised autoregressive conditional heteroskedasticity), IGARCH (GARCH integrat), ML (verosimilitate maximă), ACF (funcția de autocorelație), VR (raportul varianțelor), JB (Jarque–Bera), R/S (amplitudinea rescalată), MDD (drawdown maxim), CAGR (rata anuală compusă de creștere), SE (eroarea standard), CI (intervalul de încredere), LR (raportul de verosimilitate), GBM (mișcarea browniană geometrică), TPR (rata adevărat pozitivelor), FPR (rata fals pozitivelor), AUC (aria de sub curba ROC), EL (pierderea așteptată), PD (probabilitatea de nerambursare), LGD (pierderea în caz de nerambursare), EAD (expunerea la nerambursare), CoVaR (VaR-ul sistemului condiționat de o instituție), ΔCoVaR (contribuția instituției la CoVaR), BET (indicele Bursei de Valori București), i.i.d. (independente și identic distribuite).

Harta cursului · Capitolele 0–3: date, randamente și distribuții · Capitolele 8–11: volatilitate, risc și memorie · Examenul

Harta cursului

S&P 500, BET și Bitcoin în aceeași perioadă

Slide-ul 9: S&P 500, BET și Bitcoin în aceeași perioadă
Slide-ul 9
    Întrebare pentru sală ▶ mută începutul ferestrei în ianuarie 2019 (rulare suplimentară). Care dintre cele trei drawdown-uri maxime se schimbă?
    Răspuns

    Doar cel al Bitcoin: −76,6% (de la 8 noiembrie 2021 la 21 noiembrie 2022) în loc de −83,4% (decembrie 2017 – decembrie 2018). S&P 500 (−33,9%) și BET (−31,1%) își păstrează minimul din 23 martie 2020, care rămîne în fereastră. Drawdown-ul maxim depinde de eșantion: el măsoară cea mai mare cădere observată, nu o proprietate fixă a activului.

    Tabelul de sinteză al cursului

    Slide-ul 10: Tabelul de sinteză al cursului
    Slide-ul 10

    Randamente logaritmice zilnice pe fereastra aleasă (tabelul de pe slide pentru ianuarie 2015)

      Întrebare pentru sală Cu fereastra din ianuarie 2021 (▶, rulare suplimentară), mai respinge testul Ljung–Box Q(10) absența autocorelației randamentelor S&P 500?
      Răspuns

      Nu: Q(10) = 9,1 < 18,31 (p = 0,52), față de 236 pe fereastra din 2015, în timp ce pe rₜ² rămîne 291. Statistica mare din tabel vine în bună parte din zilele din martie 2020, cînd randamente mari de semne opuse au venit una după alta (ρ̂₁ = −0,13); volatility clustering se vede în orice fereastră.

      Interpretarea tabelului

      Slide-ul 11: Interpretarea tabelului
      Slide-ul 11
        Întrebare pentru sală ▶ trece la nivelul α = 5%. Mai este VaR Normal prea mic față de VaR istoric?
        Răspuns

        Nu: la 5%, VaR Normal este prea mare, cu 7,8% (S&P 500: 1,79% față de 1,66%), 13,1% (BET) și 6,4% (Bitcoin). Distribuția randamentelor are mai multă masă în centru și în cozile extreme decît distribuția Normală cu aceeași varianță, așa că cele două cuantile se încrucișează între 1% și 5% (la 2,5%, pentru BET, diferența este −0,5%). VaR Normal subestimează riscul tocmai la nivelurile mici, cele folosite în reglementare.

        Faptele stilizate: ACF a randamentelor și a randamentelor absolute

        Slide-ul 12: Faptele stilizate: ACF a randamentelor și a randamentelor absolute
        Slide-ul 12
          Întrebare pentru sală Cu fereastra din ianuarie 2021 (▶, rulare suplimentară), ce devine ρ̂₁(|r|) pentru S&P 500?
          Răspuns

          Scade la 0,16, de la 0,36, pentru că zilele din martie 2020 au ieșit din eșantion; toate cele 50 de autocorelații ale lui |r| rămîn totuși pozitive. Mărimea autocorelației depinde de crizele din fereastră, semnul ei pozitiv persistent nu.

          Capitolele 0–3: date, randamente și distribuții

          Capitolul 1: date, randamente și indicatori (2/2)

          Slide-ul 16: Capitolul 1: date, randamente și indicatori (2/2)
          Slide-ul 16
            Întrebare pentru sală Cu fereastra din ianuarie 2021 (▶, rulare suplimentară), care rapoarte Sharpe au un interval de 95% care conține 0?
            Răspuns

            S&P 500 (0,85, CI [−0,10; 1,81]) și Bitcoin (0,60, CI [−0,29; 1,49]); BET (1,53, CI [0,32; 2,74]) nu. Cu circa 5,7 ani de date, eroarea standard √((1 + SR²/2)/Y) este de aproape 0,5: chiar un Sharpe de 0,85 nu se separă de zero.

            Capitolul 3: distribuții α-stabile (2/2)

            Slide-ul 20: Capitolul 3: distribuții α-stabile (2/2)
            Slide-ul 20
              Întrebare pentru sală ▶ trece la BET. Crește α̂ de la randamentele zilnice la cele lunare, ca la S&P 500 (1,54 → 1,82)?
              Răspuns

              Nu clar: 1,49 zilnic, 1,56 săptămînal, 1,50 lunar, iar intervalul lunar [1,33; 1,67] este larg; BET este excepția de pe slide. Varianța de selecție cumulativă a BET scade totuși de la 3,32 (2010) la 1,96 (2026) și se stabilizează, cum se întîmplă cu o varianță finită. Pentru Bitcoin, α̂ lunar atinge frontiera α = 2.

              Capitolele 8–11: volatilitate, risc și memorie

              Prognoze VaR 1% pentru BET: simulare istorică și EWMA-Normal

              Slide-ul 35: Prognoze VaR 1% pentru BET: simulare istorică și EWMA-Normal
              Slide-ul 35
                Întrebare pentru sală Cu o fereastră de 250 de zile pentru simularea istorică (▶, rulare suplimentară), mai acceptă testul Kupiec VaR 1% al BET?
                Răspuns

                Nu: 38 de depășiri (1,57%, așteptat 24,2), LR = 6,76, p = 0,009. Cu 250 de zile, VaR 1% este a treia cea mai mică valoare din fereastră și coada este estimată din foarte puține observații; cu 500 de zile sînt 28 de depășiri (p = 0,450), cu 750 de zile 26.

                Examenul

                Problema 1: rezolvare

                Slide-ul 55: Problema 1: rezolvare
                Slide-ul 55

                Problemă de recapitulare: randamente și drawdown

                \[\begin{gathered} R_t = \frac{P_t}{P_{t-1}} - 1, \quad r_t = \ln(1 + R_t), \\ \text{CAGR} = \Big(\frac{P_3}{P_0}\Big)^{1/3} - 1, \quad \text{MDD} = \min_t\Big(\frac{P_t}{\max_{s \le t}P_s} - 1\Big) \end{gathered}\]
                    Întrebare pentru sală ▶ schimbă valoarea din anul 2. Dacă indicele coboară doar la 120 (rulare cu alte valori), ce devine CAGR?
                    Răspuns

                    Rămîne −1,35%: CAGR depinde doar de prima și de ultima valoare, (96/100)^(1/3) − 1. Se schimbă media aritmetică, (60 − 25 − 20)/3 = 5,00%, și drawdown-ul maxim, 96/160 − 1 = −40%.

                    Problema 2: rezolvare

                    Slide-ul 57: Problema 2: rezolvare
                    Slide-ul 57

                    Problemă de recapitulare: distribuție și cozi

                    \[\text{JB} = \frac{n}{6}\Big(S^2 + \frac{K^2}{4}\Big), \quad K = \frac{6}{\nu - 4}, \quad \hat\alpha = \Big[\frac{1}{k}\sum_{i=1}^{k}\ln\frac{L_{(i)}}{L_{(k+1)}}\Big]^{-1}\]
                        Întrebare pentru sală ▶ schimbă excesul de boltire. Dacă K scade de la 6 la 3, ce se întîmplă cu componenta boltirii din JB?
                        Răspuns

                        Scade la un sfert: 1000/24 × 9 = 375, față de 1500, pentru că K intră la pătrat; JB = 41,67 + 375 = 416,7, tot mult peste 5,99. Gradele de libertate ale distribuției Student-t cu același K cresc la ν = 4 + 6/3 = 6.

                        Problema 3: rezolvare

                        Slide-ul 59: Problema 3: rezolvare
                        Slide-ul 59

                        Problemă de recapitulare: portofoliu, Monte Carlo și GBM

                        \[\begin{gathered} \sigma_p^2 = w^2\sigma_1^2 + (1 - w)^2\sigma_2^2 + 2w(1 - w)\rho\,\sigma_1\sigma_2, \\ \text{SE} = \sqrt{\frac{p(1 - p)}{N}}, \quad P(S_1 < S_0) = \Phi\Big(-\frac{\mu - \sigma^2/2}{\sigma}\Big) \end{gathered}\]
                            Întrebare pentru sală ▶ trece prin corelații. Cît este volatilitatea zilnică a portofoliului la ρ = −1?
                            Răspuns

                            0,10%: σp² = 0,81 + 1,00 − 1,80 = 0,01. Cu ρ = −1 riscul nu dispare complet, pentru că cele două poziții nu se compensează exact: 0,6 × 1,5 = 0,9 față de 0,4 × 2,5 = 1,0. La ρ = 1, σp = 1,90%, egală cu media ponderată.

                            Problema 4: rezolvare

                            Slide-ul 61: Problema 4: rezolvare
                            Slide-ul 61

                            Problemă de recapitulare: autocorelație și raportul varianțelor

                            \[\begin{gathered} Q(m) = T(T + 2)\sum_{k=1}^{m}\frac{\hat\rho_k^2}{T - k}, \quad \mathrm{VR}(q) = 1 + 2\sum_{k=1}^{q-1}\Big(1 - \frac{k}{q}\Big)\hat\rho(k), \\ Z(q) = \frac{\widehat{\mathrm{VR}} - 1}{\sqrt{2(2q - 1)(q - 1)/(3qT)}} \end{gathered}\]
                                Întrebare pentru sală ▶ schimbă ρ̂(1). La ρ̂(1) = 0,09, respinge testul robust Z*(5) mersul aleator?
                                Răspuns

                                Da: VR(5) = 1 + 2 × 0,082 = 1,164 și Z*(5) = 0,164/0,065 = 2,52 > 1,96 (Z(5) = 3,74, Q(4) = 21,78). Cu ρ̂(1) = 0,06 diferența dintre cele două teste decidea rezultatul; aici autocorelația este destul de mare ca să fie respinsă și cu eroarea standard robustă.

                                Problema 5: rezolvare

                                Slide-ul 63: Problema 5: rezolvare
                                Slide-ul 63

                                Problemă de recapitulare: prognoze de volatilitate

                                \[\begin{gathered} \sigma_{t+1}^2 = \omega + \alpha\varepsilon_t^2 + \beta\sigma_t^2, \quad \bar\sigma^2 = \frac{\omega}{1 - \alpha - \beta}, \\ E_t\sigma_{t+h}^2 = \bar\sigma^2 + (\alpha + \beta)^{h-1}(\sigma_{t+1}^2 - \bar\sigma^2) \end{gathered}\]
                                    Întrebare pentru sală ▶ schimbă semnul și mărimea șocului. Cu εₜ = +2,5 în loc de −2,5, cît devine σ²ₜ₊₁?
                                    Răspuns

                                    Tot 2,1945: GARCH(1,1) folosește ε², deci un cîștig și o pierdere de aceeași mărime cresc varianța la fel. Asimetria (leverage effect) cere modele ca GJR sau EGARCH.

                                    Problema 6: rezolvare

                                    Slide-ul 65: Problema 6: rezolvare
                                    Slide-ul 65

                                    Problemă de recapitulare: VaR, ES și backtesting

                                    \[\begin{gathered} \mathrm{VaR}_\alpha = -(\mu + \sigma z_\alpha), \quad \mathrm{ES}_\alpha = -\mu + \sigma\frac{\varphi(z_\alpha)}{\alpha}, \\ LR_{uc} = -2\ln\frac{(1 - \alpha)^{n - x}\alpha^x}{(1 - \hat\pi)^{n - x}\hat\pi^x} \end{gathered}\]
                                        Întrebare pentru sală ▶ crește numărul de depășiri. Ce apare primul: zona galbenă Basel sau respingerea Kupiec la 5%?
                                        Răspuns

                                        Zona galbenă, de la 5 depășiri; pe măsură ce depășirile cresc, testul Kupiec respinge abia de la 7 (LR = 5,50, p = 0,019; cu 6, LR = 3,56 și p = 0,059). În 250 de zile testul are putere mică, de aceea semaforul Basel penalizează mai devreme. Testul respinge și la 0 depășiri (LR = 5,03): prea puține depășiri arată un VaR prea prudent.

                                        Problema 7: rezolvare

                                        Slide-ul 67: Problema 7: rezolvare
                                        Slide-ul 67

                                        Problemă de recapitulare: memorie lungă și scalarea riscului

                                        \[H = \frac{\log_{10}\big[(R/S)_{2000}/(R/S)_{20}\big]}{\log_{10}(2000/20)}, \quad d = H - 0{,}5, \quad \mathrm{VaR}^{(h)} = h^H\,\mathrm{VaR}^{(1)}\]
                                            Întrebare pentru sală ▶ schimbă R/S pentru n = 2000. Dacă este 40 în loc de 60, mai dă scalarea cu h^H un VaR pe 10 zile mai mare decît √h?
                                            Răspuns

                                            Nu: H = log₁₀(40/4,1)/2 = 0,495 < 0,5, deci 10^H = 3,12 și VaR = 7,81%, puțin sub 7,91% cu √10. Panta, nu creșterea lui R/S cu n, decide: R/S crește și pentru date fără memorie, cu exponentul 0,5.

                                            Problema 8: rezolvare

                                            Slide-ul 69: Problema 8: rezolvare
                                            Slide-ul 69

                                            Problemă de recapitulare: scoring de credit și risc sistemic

                                            \[\begin{gathered} \text{TPR} = \frac{TP}{TP + FN}, \quad \text{FPR} = \frac{FP}{FP + TN}, \\ \text{EL} = \text{PD} \times \text{LGD} \times \text{EAD}, \quad \Delta\mathrm{CoVaR} = \hat b\,(q_{50\%} - q_{1\%}) \end{gathered}\]
                                                Întrebare pentru sală ▶ crește numărul creditelor performante marcate ca neperformante. Cu 120 (rulare cu alte valori), care rată nu se schimbă?
                                                Răspuns

                                                TPR, 60/90 = 66,7%: ea privește doar creditele neperformante. Acuratețea scade la (60 + 90)/300 = 50%, sub regula „mereu bun” (70%), FPR crește la 57,1%, iar precizia scade la 60/180 = 33,3%.

                                                Datele cursului din data/market (pînă la 18 septembrie 2026): închiderile zilnice ale S&P 500 și BET din ianuarie 2000 și ale Bitcoin din septembrie 2014. Browserul taie fereastra și recalculează randamentele, indicatorii de performanță, momentele, indicele Hill, ACF, testele Ljung–Box și VR, VaR și ES, exponentul Hurst, varianța de selecție cumulativă, prognozele VaR 1% și testul Kupiec. Estimațiile GARCH(1,1)-t vin din codul capitolului (Quantlets/Ch_16), estimările α ale legii stabile pe trei orizonturi din Capitolul 3 (Quantlets/Ch_03). Alte ferestre, niveluri α, ferestre ale simulării istorice și valori λ sînt rulări suplimentare ale aceluiași cod. Problemele de recapitulare pornesc de la cifrele de pe slide-uri.