Как предсказать курс доллара. Эффективные методы прогнозирования с использованием Excel и EViews

Шаг 2. Проведение в EViews теста Чоу на точность прогноза

Чтобы в EViews получить результаты теста Чоу на точность прогноза, необходимо выбрать следующие опции: VIEW/STABILITY TESTS/CHOW FORECAST TEST… (посмотреть/тесты на стабильность/тест Чоу на точность прогноза). После чего в появившемся диалоговом мини-окне CHOW TESTS мы указываем прогнозируемое наблюдение — 98m08, т. е. август 1998 г. (рис. 5.9). Таким образом, все остальные наблюдения у нас попадут в неполную выборку охватывающую период с июня 1992 г. по июль 1998 г.

Если в диалоговом мини-окне CHOWTESTS мы щелкнем кнопку ОК, то получим готовый вывод данных с результатами теста Чоу на точность прогноза. Эти данные поместим в табл. 5.13, из которой следует, что уровень значимости как F– критерия, так LR– статистики у нас оказался равен нулю. Следовательно, нулевая гипотеза о структурной стабильности во временном ряде отвергается и делается вывод о значимости структурных изменений во временном ряде, произошедших в августе 1998 г. Таким образом, вывод о наличии структурных изменений зависит не только от этих изменений, но и от объема взятой нами выборки.

Некоторые математические подробности для теста Чоу на точность прогноза

Расчет F– критерия для теста Чоу на точность прогноза построен на сравнении суммы квадратов остатков, полученных для двух моделей, основанных соответственно на всей и неполной выборках.

При этом вычисления делаются по следующей формуле:

где SS₁ — сумма квадратов остатков, полученных по уравнению регрессии, построенному на всей выборке;

SS₂ — сумма квадратов остатков, полученных по уравнению регрессии, построенному на неполной выборке;

Т₁ — количество наблюдений в неполной выборке;

Т₂ — количество прогнозируемых наблюдений, т. е. наблюдений, не вошедших в неполную выборку;

k — количество параметров в уравнении регрессии.

Таким образом, в нашем случае фактический F– критерий в тесте Чоу на точность прогноза относительно прогнозируемого наблюдения — августа 1998 г. будет иметь следующее значение:

Далее находим уровень значимости F_факт с помощью функции в Excel РРАСП(200,28; 1; 70) = 0. Поскольку уровень значимости F_факт равен нулю, то, следовательно, нулевая гипотеза отвергается.

Как мы уже говорили ранее, LR– статистика этого теста основана на сравнении соотношения ограниченного и неограниченного максимума логарифма правдоподобия. Причем как ограниченный, так и неограниченный логарифм правдоподобия находятся путем оценки всей выборки наблюдений. Однако при расчете ограниченного логарифма правдоподобия используется первоначальный набор независимых переменных, в то время как для нахождения неограниченного логарифма правдоподобия в первоначальный набор регрессоров добавляют еще фиктивную переменную, которая равна единице — для прогнозируемых наблюдений выборки и равна нулю — для остальных наблюдений выборки. Следовательно, в нашем случае фиктивная переменная равна единице лишь для августа 1998 г.

Следует иметь в виду, что при нулевой гипотезе об отсутствии структурных изменений LR– статистика имеет асимптотическое ² (хи-квадрат) распределение со степенями свободы, равными количеству прогнозируемых наблюдений. В том случае, если уровень значимости LR– статистики оказывается меньше 0,05, нулевая гипотеза о структурной стабильности отвергается.

Таким образом, тесты Чоу на структурную стабильность и на точность прогноза помогают анализировать устойчивость временного ряда. При этом тест на структурную стабильность, на наш взгляд, лучше подходит для ретроспективного анализа устойчивости статистической модели за весь период наблюдений, а тест на точность прогноза — для анализа ее стабильности относительно последнего наблюдения.

Причем в том случае, когда тест на точность прогноза свидетельствует о структурной нестабильности, возникшей в модели в результате резкого изменения курса доллара в последнем наблюдении, то для устранения смещения в коэффициентах регрессии (и (или) величины константы) в уравнение можно ввести фиктивную переменную. Приравняем к единице фиктивную переменную для последнего наблюдения, а все остальные наблюдения приравняем к нулю, и тем самым прогностической моделью будет аппроксимирован последний рост без изменения коэффициентов регрессии и константы (свободного члена) уравнения. Еще более надежным способом получения точного прогноза в ситуации, когда тест Чоу на точность прогноза показал структурную нестабильность, является отказ от уравнения авторегрессии с нестационарной ARMА-структурой и переход к уравнению авторегрессии со стационарной ARMA-структурой, поскольку внешние шоки в гораздо меньшей степени влияют на коэффициенты регрессии и константу последнего уравнения. О том, как построить прогностическую модель со стационарной ARMA-структурой, мы будем говорить в главе 6.

5.6. Структурные изменения в курсе доллара, произошедшие в августе-октябре 1998 г

Пока остановимся на тестировании характера структурных изменений во временном нестационарном ряде, поскольку по форме они могут быть различными. Вполне очевидно, что в том случае, когда тестирование показывает нестабильность временнoго ряда, тогда перед нами стоит задача выявить характер произошедших структурных изменений. В общем виде этот анализ проводится следующим образом. Например, предположим, что в момент времени t = 5 в динамике временнoго ряда произошли кардинальные изменения. Чтобы понять характер этих изменений, нужно сравнить параметры следующего уравнения регрессии:

Y= a₁ + b₁ x Y(-1) в момент времени t <= 5;

Y= а₂ + b₂ x Y(-1) в момент времени t > 5,

где Y(-1) — независимая переменная с лагом в один месяц;

а — свободный член уравнения регрессии;

b — коэффициент регрессии уравнения регрессии.

Если, например, после момента времени t = 5 в уравнении регрессии (5.8) статистически значимо изменился свободный член уравнения, т. е. если мы пришли к выводу, что а₁ /= а₂, это свидетельствует о произошедшем структурном изменении в виде сдвига. Геометрически это означает, что графики стабильного тренда и тренда со сдвигом продолжают оставаться параллельными друг другу (рис. 5.10), в то время как изменение в начальном уровне тренда со сдвигом произошло единовременно в момент времени t = 5 при неизменном среднем темпе прироста в обоих трендах за весь период времени t.

Если, например, после момента времени t = 5 в уравнении (5.8) статистически значимо изменился коэффициент регрессии, т. е. если мы пришли к выводу, что b₁ /= b₂, это свидетельствует о произошедшем структурном изменении в виде изменения наклона. Геометрически это означает, что графики стабильного тренда и тренда с изменением наклона становятся непараллельными друг другу, пересекаясь в момент времени t = 5 (рис. 5.11). При этом изменения в динамике обоих трендов обусловлены возникшей у них существенной разницей в среднем темпе прироста.