Statistica piețelor financiare

Capitolul 3 · Distribuții α-stabile

În stînga este slide-ul din curs, în dreapta aceeași figură, calculată în browser din aceleași date. Butonul ▶ modifică parametrul pas cu pas.

Stabilitatea la adunare · Teorema limită centrală generalizată · Parametrii și funcția caracteristică · Cozi și momente · Simulare · Estimare · Estimarea pe randamente reale · Critica modelului stabil: varianță finită sau infinită

Stabilitatea la adunare

Stabilitatea într-o simulare

Slide-ul 11: Stabilitatea într-o simulare
Slide-ul 11
    Întrebare pentru sală Pe slide, suma a 10 extrageri din S(1,7; 0; 1; 0) împărțită la √10 are cuantila de 99% egală cu 6,31, față de 5,04 pentru o singură extragere. Cît devine această cuantilă dacă adunăm 50 de extrageri și împărțim tot la √n?
    Răspuns

    Circa 7,27. Împărțită la 501/1,7 = 9,98, aceeași sumă are cuantila de 99% egală cu 5,15, adică legea unei singure extrageri. Regula √n subestimează scala sumei cu factorul n1/α − 1/2, care crește cu n: 100,088 = 1,23 și 500,088 = 1,41. Cu varianță infinită, mai mulți termeni nu aduc suma mai aproape de regula distribuției Normale.

    Consecințe: orizonturi și diversificare

    Slide-ul 12: Consecințe: orizonturi și diversificare
    Slide-ul 12

    Factorul de scală al sumei pe n zile și al portofoliului cu N active (γ = 1)

    Exemplu lucrat: scala riscului pe n zile, cu α̂ și γ̂ estimate

    \[X_1 + \dots + X_n \overset{d}{=} n^{1/\alpha}X + d_n, \qquad \gamma_n = n^{1/\alpha}\gamma, \qquad \frac{\gamma_n}{\sqrt{n}\,\gamma} = n^{1/\alpha - 1/2}, \qquad \gamma_{N} = N^{1/\alpha - 1}\gamma\]
        Întrebare pentru sală Pe slide, cu α = 1,5 scala sumei pe 20 de zile este 7,37γ, de 1,65 ori factorul √20 = 4,47. Butonul ▶ mută orizontul n pînă la 250 de zile. De cîte ori este scala pentru α = 1,5 mai mare decît cea dată de regula rădăcinii pătrate a timpului la n = 250?
        Răspuns

        De 2,51 ori: 2501/1,5 = 39,69, față de √250 = 15,81. Raportul este n1/α − 1/2 = 2501/6, deci crește cu orizontul. Cu α̂ = 1,540 estimat pentru S&P 500, raportul este 1,56 la 20 de zile și 2,28 la 250 de zile. Pentru un portofoliu cu ponderi egale din N = 10 active, scala scade la 0,46γ pentru α = 1,5, față de 0,32γ pentru distribuția Normală.

        Teorema limită centrală generalizată

        GCLT într-o simulare

        Slide-ul 16: GCLT într-o simulare
        Slide-ul 16
          Întrebare pentru sală La pragul 10, distribuția Normală cu același interval intercuartilic ca limita stabilă dă P(|·| > 10) = 0,0005%, față de 2,64% la limită. Ce probabilitate dă aceeași distribuție Normală la pragul 3?
          Răspuns

          17,2%, aproape de 19,2% pentru sumele cu n = 100 și de 21,7% pentru limita stabilă. Același interval intercuartilic face corpurile celor două legi asemănătoare; diferența apare departe în cozi: la pragul 10, 0,0005% față de 2,73% în simulare. Butonul ▶ arată cum raportul crește odată cu pragul.

          Parametrii și funcția caracteristică

          Efectul lui α

          Slide-ul 21: Efectul lui α
          Slide-ul 21
            Întrebare pentru sală De la α = 2 la α = 1,5, ce se schimbă mai mult: densitatea în x = 0 sau densitatea în x = 5?
            Răspuns

            Densitatea în x = 5. f(0) crește de la 0,2821 la 0,2874, cu 1,9%, iar f(5) crește de la 0,000545 la 0,00711, de 13 ori. Pe scara liniară curbele par apropiate; pe scara logaritmică se vede că α schimbă mai ales cozile. P(|X| > 5) este 0,041% pentru α = 2 și 4,14% pentru α = 1,5.

            Efectul lui β și γ

            Slide-ul 22: Efectul lui β și γ
            Slide-ul 22
              Întrebare pentru sală Pentru α = 1,3 și β = 0,5, de cîte ori este mai probabilă o valoare peste 10 decît o valoare sub −10?
              Răspuns

              De circa 3 ori: raportul este 3,29 la pragul 10 și tinde la (1 + β)/(1 − β) = 1,5/0,5 = 3, din formula cozilor P(X > x) ∼ cα(1 + β)x−α și P(X < −x) ∼ cα(1 − β)x−α. La pragul 3 probabilitățile sînt 10,8% și 3,37%. Cu β = 1, coada stîngă scade mult mai repede decît x−α.

              S1 și S0 în apropiere de α = 1

              Slide-ul 24: S1 și S0 în apropiere de α = 1
              Slide-ul 24
                Întrebare pentru sală Butonul ▶ mută α de la 0,80 la 1,20, cu β = 0,8. Unde se află modul densității în parametrizarea S1 pentru α = 0,99?
                Răspuns

                La circa 50,5, departe în afara graficului. Deplasarea dintre cele două parametrizări este β tan(πα/2) = 0,8 × 63,66 = 50,93, iar modul în S0 este −0,38. La α = 1,01 tangenta își schimbă semnul și modul în S1 ajunge la circa −51. În S0 modul rămîne între −0,48 și −0,26 pe tot intervalul.

                Distribuțiile Normală, Cauchy și Lévy

                Slide-ul 27: Distribuțiile Normală, Cauchy și Lévy
                Slide-ul 27
                  Întrebare pentru sală Pentru pragul x = 20, care dintre cele trei legi are cea mai mare probabilitate P(X > x)?
                  Răspuns

                  Legea Lévy: 17,7%, față de 1,59% pentru Cauchy și circa 3 × 10−87% pentru distribuția Normală. Coada Lévy scade ca x−1/2 (α = 1/2), coada Cauchy ca x−1. Pentru x = 3 probabilitățile sînt 43,6% (Lévy), 10,2% (Cauchy) și 0,13% (distribuția Normală).

                  Exemplu lucrat: S1 și S0 în t = 1

                  Slide-ul 28: Exemplu lucrat: S1 și S0 în t = 1
                  Slide-ul 28

                  Diferența de locație dintre S0 și S1

                  Exemplu lucrat: φ(t) în S1 și în S0

                  \[\begin{gathered}\text{S1: } \ln\varphi(t) = -|t|^\alpha\Big[1 - i\beta\,\mathrm{sign}(t)\tan\frac{\pi\alpha}{2}\Big],\\ \text{S0: } \ln\varphi(t) = -|t|^\alpha\Big[1 + i\beta\,\mathrm{sign}(t)\tan\frac{\pi\alpha}{2}\big(|t|^{1-\alpha} - 1\big)\Big],\\ \gamma = 1, \qquad \delta_0 = \delta_1 + \beta\gamma\tan\frac{\pi\alpha}{2}\end{gathered}\]
                      Întrebare pentru sală Pe slide, α = 1,5 și β = 0,3 dau δ0 − δ1 = −0,3. Butonul ▶ crește α de la 1,1 la 1,9, cu β = 0,3. Pentru care valoare este diferența dintre cele două locații mai mare în valoare absolută: α = 1,1 sau α = 1,9?
                      Răspuns

                      Pentru α = 1,1: β tan(πα/2) = 0,3 × (−6,314) = −1,894, față de 0,3 × (−0,158) = −0,048 pentru α = 1,9. Tangenta tinde la infinit cînd α se apropie de 1, de aceea parametrizarea S1 deplasează densitatea foarte mult în jurul lui α = 1, iar S0 nu. Modulul |φ(t)| = e−|t|α este același în ambele parametrizări; diferă doar argumentul, printr-un termen liniar în t.

                      Cozi și momente

                      Cozile pe axe log-log

                      Slide-ul 31: Cozile pe axe log-log
                      Slide-ul 31
                        Întrebare pentru sală Pentru α = 1,9, P(X > 10) = 0,064%. Cît este P(X > 20)?
                        Răspuns

                        0,0165%: dublarea pragului împarte probabilitatea la circa 21,9 = 3,7 (raportul exact este 0,256, legea de tip putere dă 2−1,9 = 0,268). Cu α aproape de 2 coada rămîne de tip putere, departe de distribuția Normală, pentru care P(X > 10) este de ordinul 10−12.

                        Instabilitatea varianței de selecție

                        Slide-ul 33: Instabilitatea varianței de selecție
                        Slide-ul 33
                          Întrebare pentru sală Butonul ▶ trece α de la 1,1 la 2. Pentru α = 1,9, ajung cele trei varianțe de selecție lîngă 2 după 20 000 de extrageri, ca în cazul distribuției Normale?
                          Răspuns

                          Nu: 3,16, 2,62 și 4,12, față de 1,96 pentru distribuția Normală. Pentru orice α < 2 varianța este infinită și fiecare extragere mare produce un salt. Cu α = 1,95 valorile finale sînt 2,46, 2,22 și 2,83; numai α = 2 dă 2,00, 1,97 și 1,99. Cu α = 1,7 (slide-ul): 10,4, 6,6 și 20,2.

                          Probabilitățile din cozi: distribuția stabilă și distribuția Normală

                          Slide-ul 34: Probabilitățile din cozi: distribuția stabilă și distribuția Normală
                          Slide-ul 34

                          P(|X| > k): distribuția Normală N(0, 2) și legea stabilă S(α; 0; 1; 0)

                            Întrebare pentru sală Pe slide, pentru α = 1,7 și k = 10, P(|X| > k) este 0,56%. Cît dă legea de tip putere 2cαk−α, cu c1,7 = 0,1313?
                            Răspuns

                            0,52%, adică 94% din valoarea exactă. La k = 20 aproximarea dă 0,161% față de 0,166% exact (97%), iar la k = 2 doar 8,1% față de 18,6%: formula cozii este asimptotică și devine precisă departe în coadă. Raportul față de distribuția Normală N(0, 2) este 1,2 la k = 2 și 3,6 × 109 la k = 10.

                            Simulare

                            Exemplu lucrat: o extragere pas cu pas

                            Slide-ul 39: Exemplu lucrat: o extragere pas cu pas
                            Slide-ul 39

                            Exemplu lucrat: o extragere CMS din (U, W)

                            \[\begin{gathered}V = \pi\big(U - \tfrac12\big), \qquad B = \frac{\arctan(\beta\tan\frac{\pi\alpha}{2})}{\alpha}, \qquad S = \Big(1 + \beta^2\tan^2\frac{\pi\alpha}{2}\Big)^{1/(2\alpha)},\\ X = S\,\frac{\sin(\alpha(V + B))}{(\cos V)^{1/\alpha}}\left(\frac{\cos(V - \alpha(V + B))}{W}\right)^{(1-\alpha)/\alpha} \sim S(\alpha, \beta, 1, 0; 1)\end{gathered}\]
                                Întrebare pentru sală Pe slide, U = 0,8 și W = 1,2 dau X = 1,554 pentru α = 1,5 și β = 0. Ce devine X dacă W crește la 2, cu același U?
                                Răspuns

                                1,843. Pentru β = 0, W intră doar prin factorul (cos((1 − α)V)/W)(1 − α)/α; exponentul (1 − α)/α = −1/3 este negativ, deci X crește proporțional cu W1/3: 1,554 × (2/1,2)1/3 = 1,843. Un W mai mic micșorează extragerea: W = 0,5 dă 1,161. Pentru α = 2 formula devine 2 sin V √W, o extragere din N(0, 2): 1,772 pentru U = 0,8 și W = 1,2.

                                Extrageri CMS față de densitatea exactă

                                Slide-ul 40: Extrageri CMS față de densitatea exactă
                                Slide-ul 40
                                  Întrebare pentru sală Pentru α = 1,5 și β = 0,5, cuantilele exacte de 1% și 99% sînt −5,39 și 9,79 (grila FFT a graficului dă −5,40 și 9,76). Ce devin ele pentru β = −0,5?
                                  Răspuns

                                  În oglindă: −9,79 și 5,39 exact, −9,81 și 5,38 pe grila FFT a graficului (în eșantionul simulat −9,99 și 5,21). În S1 cu δ = 0, legea cu −β este legea cu β reflectată față de 0, deci β schimbă coada mai lungă, nu doar poziția. Histograma urmează densitatea exactă pentru fiecare combinație de α și β.

                                  Estimare

                                  Corespondența McCulloch între ν_α și α

                                  Slide-ul 44: Corespondența McCulloch între ν_α și α
                                  Slide-ul 44
                                    Întrebare pentru sală Butonul ▶ mută începutul eșantionului de la 2000 la 2020. Eșantionul S&P 500 din 2020 are 1 687 de zile, iar criza din martie 2020 cîntărește mai mult în el. Scade α̂ McCulloch față de 1,438?
                                    Răspuns

                                    Nu, crește la 1,543: να scade de la 3,338 la 3,044. Estimatorul McCulloch folosește doar cuantilele de 5%, 25%, 50%, 75% și 95%, deci zilele extreme nu intră direct în calcul; contează cît de lată este banda 5–95% față de intervalul intercuartilic. DAX trece de la 1,455 la 1,590, BET de la 1,414 la 1,480, Bitcoin de la 1,322 la 1,400.

                                    Exemplu lucrat: McCulloch pe BET

                                    Slide-ul 45: Exemplu lucrat: McCulloch pe BET
                                    Slide-ul 45

                                    Estimatorul McCulloch pe randamentele logaritmice zilnice (%)

                                    Exemplu lucrat: de la cuantile la α̂, β̂, γ̂ și δ̂0

                                    \[\begin{gathered}\nu_\alpha = \frac{\hat q_{0{,}95} - \hat q_{0{,}05}}{\hat q_{0{,}75} - \hat q_{0{,}25}}, \qquad \nu_\beta = \frac{\hat q_{0{,}95} + \hat q_{0{,}05} - 2\hat q_{0{,}5}}{\hat q_{0{,}95} - \hat q_{0{,}05}},\\ \hat\alpha \approx \alpha_j + \frac{\nu_\alpha - \nu_j}{\nu_{j+1} - \nu_j}\,(\alpha_{j+1} - \alpha_j), \qquad \hat\gamma = \frac{\hat q_{0{,}75} - \hat q_{0{,}25}}{\phi_3(\hat\alpha, \hat\beta)}\end{gathered}\]
                                        Întrebare pentru sală Pe slide, να = 3,425 al BET dă α̂ = 1,414. Butonul ▶ mută începutul eșantionului; din 2010, να al BET scade la 3,082. Ce α̂ dă Tabelul III?
                                        Răspuns

                                        Circa 1,53: între να = 3,0 ↦ 1,563 și να = 3,2 ↦ 1,484, interpolarea liniară dă 1,531, iar cu |νβ| = 0,036 rezultă α̂ = 1,529. Un να mai mic înseamnă o bandă 5–95% mai îngustă față de intervalul intercuartilic, deci cozi mai subțiri și α̂ mai mare. Distribuția Normală are να = 2,439 și α = 2.

                                        McCulloch și ML într-un studiu Monte Carlo

                                        Slide-ul 47: McCulloch și ML într-un studiu Monte Carlo
                                        Slide-ul 47

                                        Media și abaterea standard a lui α̂, α = 1,7

                                          Întrebare pentru sală Butonul ▶ crește numărul de eșantioane Monte Carlo de la 10 la 200. Se schimbă abaterea standard a lui α̂ ML pentru n = 500 între 100 și 200 de eșantioane?
                                          Răspuns

                                          Da: de la 0,050 la 0,061. Precizia lui α̂ depinde de mărimea eșantionului n; numărul de eșantioane Monte Carlo determină doar cît de bine este măsurată această precizie. Cu 100 de eșantioane, abaterea standard estimată are încă o eroare relativă de cel puțin 1/√(2 × 100) = 7%. Pentru McCulloch, 0,110 la 100 și 0,107 la 200.

                                          Estimarea pe randamente reale

                                          Legi stabile estimate pe randamentele logaritmice zilnice

                                          Slide-ul 49: Legi stabile estimate pe randamentele logaritmice zilnice
                                          Slide-ul 49

                                          Legi stabile estimate (S0) pe randamentele logaritmice zilnice

                                          Exemplu lucrat: locația din S0 în S1

                                          \[\delta_1 = \delta_0 - \beta\gamma\tan\frac{\pi\alpha}{2} \qquad (\alpha \ne 1)\]
                                              Întrebare pentru sală La 95%, intervalul ML pentru α al S&P 500 este [1,499; 1,581], iar α̂ McCulloch este 1,438, sub interval. Pentru cîte dintre cele patru serii este α̂ McCulloch sub intervalul ML de 99%?
                                              Răspuns

                                              Pentru toate patru. La 99% (±2,576 erori standard) intervalele sînt BET [1,435; 1,537], S&P 500 [1,486; 1,594], DAX [1,551; 1,661] și Bitcoin [1,343; 1,476], iar α̂ McCulloch este 1,414, 1,438, 1,455 și 1,322. Nici la 99,9% nu se schimbă concluzia (Bitcoin: limita inferioară 1,324). Cele două metode ponderează diferit cozile. Intervalele sînt asimptotice și nu includ incertitudinea estimației McCulloch.

                                              Densități estimate, pe scară logaritmică

                                              Slide-ul 51: Densități estimate, pe scară logaritmică
                                              Slide-ul 51
                                                Întrebare pentru sală La x = −6 abateri standard (−7,28% pe zi pentru S&P 500), de cîte ori este densitatea distribuției Normale estimate mai mică decît densitatea Student-t?
                                                Răspuns

                                                De circa 120 000 de ori: 4,4 × 10−9 față de 5,5 × 10−4. Densitatea stabilă este 1,0 × 10−3, aproape de două ori densitatea Student-t. Coada Normală scade ca e−x²/2, iar cozile celorlalte două ca o putere a lui x, deci raportul crește foarte repede cu |x|.

                                                Densități estimate, pe scară logaritmică

                                                Slide-ul 52: Densități estimate, pe scară logaritmică
                                                Slide-ul 52
                                                  Întrebare pentru sală La x = −8 abateri standard pentru DAX (−11,26% pe zi), de cîte ori este densitatea stabilă mai mare decît densitatea Student-t?
                                                  Răspuns

                                                  De circa 2,9 ori: 3,7 × 10−4 față de 1,3 × 10−4. Coada stabilă scade ca |x|−α̂−1 cu α̂ = 1,61, coada Student-t ca |x|−ν̂−1 cu ν̂ = 3,09; un exponent mai mic înseamnă o coadă mai groasă. Raportul este 1,6 la −5 abateri standard și 3,9 la −10.

                                                  QQ plots față de cele trei modele

                                                  Slide-ul 53: QQ plots față de cele trei modele
                                                  Slide-ul 53
                                                    Întrebare pentru sală Butonul ▶ coboară nivelul p de la 5% la 0,1%. La p = 0,1%, ce VaR dă legea stabilă estimată pentru S&P 500, față de 7,22% în date?
                                                    Răspuns

                                                    19,70%, de 2,7 ori cuantila empirică. Student-t dă 8,58%, distribuția Normală 3,72%. La p = 1%, valorile sînt 3,45% (date), 4,54% (stabilă), 3,46% (Student-t) și 2,80% (Normală): legea stabilă exagerează deja, dar diferența crește cu cît p este mai mic.

                                                    QQ plots față de cele trei modele

                                                    Slide-ul 54: QQ plots față de cele trei modele
                                                    Slide-ul 54
                                                      Întrebare pentru sală La p = 1%, VaR Bitcoin din date este 10,51%. Care model estimat dă valoarea cea mai apropiată?
                                                      Răspuns

                                                      Student-t: 11,06%. Legea stabilă dă 14,26%, distribuția Normală 7,99%. La p = 0,1%, datele dau 18,05%, Student-t 31,95% și legea stabilă 74,16%: și Student-t exagerează coada îndepărtată a Bitcoin, dar mult mai puțin decît legea stabilă.

                                                      Coada stîngă pe axe log-log

                                                      Slide-ul 55: Coada stîngă pe axe log-log
                                                      Slide-ul 55
                                                        Întrebare pentru sală S&P 500 are 23 de zile cu pierderi peste 5% în 6 714 zile. Cîte astfel de zile așteaptă legea stabilă estimată?
                                                        Răspuns

                                                        57,3, de 2,5 ori mai multe. Student-t așteaptă 27,0, distribuția Normală 0,1. Pentru pierderi peste 10%: o zi observată, 4,5 conform Student-t și 19,1 conform legii stabile. Raportul dintre zilele așteptate de legea stabilă și cele observate crește odată cu pragul.

                                                        Coada stîngă pe axe log-log

                                                        Slide-ul 56: Coada stîngă pe axe log-log
                                                        Slide-ul 56
                                                          Întrebare pentru sală Bitcoin are 4 zile cu pierderi peste 20% în 4 384 de zile. Cîte zile așteaptă Student-t și cîte legea stabilă?
                                                          Răspuns

                                                          12,3 conform Student-t și 26,9 conform legii stabile; distribuția Normală dă practic zero. Ambele modele cu cozi groase exagerează coada îndepărtată a Bitcoin, legea stabilă de peste 6 ori. Pentru pierderi peste 10%: 56 observate, 54,2 (Student-t), 73,9 (stabilă).

                                                          Numărarea pierderilor mari

                                                          Slide-ul 57: Numărarea pierderilor mari
                                                          Slide-ul 57

                                                          Zile cu pierderi peste x%: observate și așteptate (n × P(r < −x)) conform fiecărui model estimat

                                                          Exemplu lucrat: coada de tip putere a legii stabile estimate

                                                          \[\begin{gathered}P(r_t < -x) = P\Big(Z < -\frac{x + \hat\delta_0}{\hat\gamma}\Big) \approx c_\alpha (1 - \hat\beta)\Big(\frac{x + \hat\delta_0}{\hat\gamma}\Big)^{-\hat\alpha}, \qquad c_\alpha = \frac{\Gamma(\alpha)\sin(\pi\alpha/2)}{\pi},\\ Z \sim S(\hat\alpha, \hat\beta, 1, 0; 0), \qquad E = n\,P(r_t < -x)\end{gathered}\]
                                                              Întrebare pentru sală Legea stabilă estimată pe S&P 500 așteaptă 19,1 zile cu pierderi peste 10% în 6 714 zile. Cîte zile dă aproximarea cozii de tip putere cα(1 − β̂)z−α̂, cu z = (10 + δ̂0)/γ̂ = 17,33?
                                                              Răspuns

                                                              18,3 zile, 96% din valoarea exactă: c1,540 = 0,1868, P ≈ 0,1868 × 1,181 × 17,33−1,540 = 0,00273. Factorul 1 − β̂ = 1,181 vine din β̂ = −0,181: coada stîngă a legii estimate este mai groasă decît cea dreaptă. Observate: o singură zi. Pentru Bitcoin la 10%, aproximarea dă 68,2 zile, față de 73,9 exact și 56 observate.

                                                              VaR 1% și VaR 0,1% conform celor trei modele

                                                              Slide-ul 58: VaR 1% și VaR 0,1% conform celor trei modele
                                                              Slide-ul 58

                                                              VaRp = −qp din date și din cele trei modele estimate (% pe zi)

                                                              Exemplu lucrat: VaR din legea stabilă estimată și din distribuția Normală

                                                              \[\begin{gathered}\mathrm{VaR}_p = -q_p: \qquad \text{distribuția Normală: } -(\hat\mu + \hat\sigma z_p), \quad z_p = \Phi^{-1}(p);\\ \text{legea stabilă: } -(\hat\delta_0 + \hat\gamma\, z^{S}_p), \quad z^{S}_p = F^{-1}_{S(\hat\alpha, \hat\beta, 1, 0; 0)}(p)\end{gathered}\]
                                                                  Întrebare pentru sală La VaR 1% pentru S&P 500, legea stabilă dă 4,54%, de 1,62 ori VaR-ul distribuției Normale (2,80%). Butonul ▶ coboară nivelul celui de-al doilea grup de coloane. Cît devine raportul stabil/Normal la VaR 0,05%?
                                                                  Răspuns

                                                                  Circa 7,9: 31,21% față de 3,97%. Raportul crește pe măsură ce p scade, deoarece cuantila legii stabile crește ca p−1/α, iar cea Normală doar ca √(2 ln(1/p)). Cuantila empirică la 0,05% este 9,31%, deci legea stabilă depășește datele de 3,4 ori. La 5% raportul stabil/Normal este 0,91: în corpul distribuției, legea stabilă dă un VaR mai mic.

                                                                  Compararea celor trei modele

                                                                  Slide-ul 59: Compararea celor trei modele
                                                                  Slide-ul 59

                                                                  Criterii informaționale ale celor trei modele estimate

                                                                    Întrebare pentru sală Pe slide, AIC preferă distribuția Student-t legii stabile cu 92 de puncte la S&P 500. Cît devine diferența dacă folosim BIC = k ln n − 2ℓ?
                                                                    Răspuns

                                                                    98,4 puncte. Legea stabilă are un parametru în plus (4 față de 3), iar BIC îl penalizează cu ln 6 714 = 8,81 în loc de 2: 91,6 + 6,8 = 98,4. Concluzia nu se schimbă. Față de distribuția Normală, diferențele AIC ale distribuției Student-t sînt între 1 306 (DAX) și 2 411 (BET) puncte, cele ale legii stabile între 1 204 și 2 319, exact ca pe slide.

                                                                    Critica modelului stabil: varianță finită sau infinită

                                                                    Testul 1: stabilitatea lui α la agregarea randamentelor

                                                                    Slide-ul 61: Testul 1: stabilitatea lui α la agregarea randamentelor
                                                                    Slide-ul 61
                                                                      Întrebare pentru sală Pe slide, intervalele de 95% ale lui α̂ ML pentru S&P 500 la orizontul zilnic (1,54) și lunar (1,82) nu se suprapun. Se suprapun la nivelul de încredere 99%?
                                                                      Răspuns

                                                                      Nu. La 99% (±2,576 erori standard), intervalul zilnic este [1,486; 1,594], iar cel lunar [1,655; 1,984]. Nici la 99,9% (±3,29 erori standard) nu se suprapun, deși distanța dintre ele ajunge aproape la zero. Pentru DAX și BET intervalele se suprapun deja la 95%. Intervalele sînt asimptotice, iar cel lunar se bazează pe 321 de luni.

                                                                      Testul 2: convergența varianței de selecție

                                                                      Slide-ul 63: Testul 2: convergența varianței de selecție
                                                                      Slide-ul 63
                                                                        Întrebare pentru sală Pentru Bitcoin (α̂ = 1,410), varianța cumulată a datelor la sfîrșitul eșantionului este 12,14. Unde ajung varianțele finale ale celor trei traiectorii simulate din legea stabilă estimată?
                                                                        Răspuns

                                                                        Mult mai sus: 252,1, 111,4 și 52,6, de 4 pînă la 21 de ori varianța datelor. La fel pentru S&P 500 (slide-ul): datele 1,47, traiectoriile 5,9, 5,4 și 15,6. O lege stabilă cu α̂ < 2 produce extreme pe care seriile reale nu le au, iar varianța lor de selecție nu se stabilizează.

                                                                        Randamente logaritmice zilnice, în %: BET, S&P 500 și DAX din ianuarie 2000, Bitcoin din septembrie 2014 (7 zile pe săptămînă), pînă la 18 septembrie 2026. Prețuri de închidere EODHD. Legile estimate sînt cele din curs: distribuția Normală, Student-t și legea stabilă estimată prin verosimilitate maximă în parametrizarea S0.