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

Если в параметре BACKCAST МА TERMS убрать «галочку», значение прошлой ошибки в точечном прогнозе для первого наблюдения приравнивается нулю, поскольку оно на тот момент отсутствует. В свою очередь в случае применения в статистической модели скользящей средней второго порядка прошлые ошибки при прогнозировании не только первого, но и второго наблюдений либо приравниваются нулю, либо вычисляются рекурсивным методом.

В результате ввода в диалоговое мини-окно EQUATION ESTIMATION формулы (6.7) получается следующий вывод данных (табл. 6.6). Причем все полученные коэффициенты в этом уравнении у нас получились статистически значимыми (все выделенные жирным шрифтом значения Prob. меньше 0,05). Кстати, в таблице появляется информация о рекурсивном вычислении предыдущей ошибки относительно июня 1992 г. — Backcast: 1992М06. После замены буквенных обозначений вычисленными коэффициентами получилось следующее уравнение регрессии со скользящей средней:

log(USDollar) = 0,105219 + 0,968257 x log(USDollar(-l)) + 0,253616 e_t-1, (6.9)

где е_t-1 — прошлая ошибка (отклонение фактического курса доллара от его прогноза), которая в уравнении (6.8) представлена скользящей средней МА(1).

К сожалению, в отличие от формулы (6.5) формулу (6.9) нельзя путем потенцирования привести к исходному временному ряду, что обусловлено применением в этой статистической модели скользящей средней, рассчитанной применительно к остаткам, полученным от логарифмического ряда. Поэтому интерпретация формулы (6.9) будет достаточно затруднительной, поскольку мы вынуждены ее дать относительно логарифмического, а не исходного временного ряда.

Тем не менее все-таки эту интерпретацию нужно представить, чтобы смысл уравнения (6.9) был для читателя более понятен. Во-первых, рост на одну единицу логарифмического значения курса доллара в текущем месяце в среднем способствовал повышению логарифмического значения курса доллара в прогнозируемом месяце на 0,968 ед. (при исходном уровне логарифмического значения курса доллара, равном 0,105 ед.). Во-вторых, рост на одну единицу отклонения логарифмического значения фактического курса доллара от его прогноза способствовал повышению логарифмического значения курса доллара в прогнозируемом месяце в среднем на 0,254 ед.

6.3. Тестирование модели авторегрессии со скользящей средней на автокорреляцию в остатках и проверка стационарности ее ARMA-структуры

Теперь посмотрим, есть ли автокорреляция в остатках у полученной статистической модели, а потому вновь проведем тестирование с помощью LM– теста Бройша — Годфри. Причем при выполнении теста в диалоговом мини-окне LAG SPECIFICATION (лаговая спецификация) нужно, как и в предыдущем случае, установить 1, поскольку в нашем уравнении авторегрессии со скользящим средним ARMA(1,1) как факторная переменная, так и скользящая средняя имеют один лаг (см. формулу (6.8)).

По результатам проведения этого теста у нас получилась табл. 6.7, данные которой уверенно свидетельствуют об отсутствии автокорреляции в остатках. Такой вывод можно сделать исходя из того, что уровень значимости как основного критерия теста Obs x R-squared (Наблюдения x R²), так и дополнительного — F-statistic (F– критерия) существенно выше 0,05.

Теперь протестируем ARMA-структуру этого уравнения на стационарность, воспользовавшись при этом алгоритмом действий № 13. В результате у нас получится табл. 6.8, свидетельствующая, что ARMA-структура этой статистической модели получилась стационарной, поскольку все обратные корни в этом уравнении лежат внутри единичного круга. Этот вывод можно найти в нижней части этой таблицы.

Далее посмотрим, как стационарная ARM А-структура уравнения log(USDollar) = с + а x log(USDollar(-l)) +nА(1) влияет на надежность полученных с ее помощью прогнозов, поэтому, воспользовавшись алгоритмом действий № 14, протестируем эту статистическую модель на импульсный ответ.

При этом в опции IMPULSE (импульс) мы выбрали вариант по умолчанию — ONE STANDARD DEVIATION (одно стандартное отклонение), т. е. поступили также, как и в главе 4 при анализе импульсного ответа для уравнения USDOLLAR = а x USDOLLAR(-l) + b x USDOLLAR(-2).

В результате получим табл. 6.9, в которой содержится информация, характеризующая специфику импульсного и накопленного импульсного ответа этой ARMA-модели. Поскольку мы выбрали величину импульса в размере одного стандартного отклонения, то EViews в этом случае выдает нам информацию об уровне инновационной неопределенности, полученной после оценки размера стандартной ошибки импульсного ответа. Важным свойством стационарных моделей является то обстоятельство, что у них как уровень инновационной неопределенности, так и величина стандартного отклонения импульсного ответа — по мере увеличения количества тестируемых периодов — стремятся к нулю. Судя по табл. 6.9, уровень инновационной неопределенности и величина ответа на импульс асимптотически у стационарной модели log(USDollar) = с + а x log(USDollar(-l)) + МА(1) действительно стремятся к нулю. При этом в нижней части раздела Response и крайнего правого раздела Std. Err. дается асимптотическая оценка того, что эти параметры равны нулю.

Кроме того, в табл. 6.9 хорошо видно, что по мере увеличения количества исследуемых периодов величина стандартного отклонения у накопленного импульсного ответа (см. раздел таблицы Accumulated) и уровень накопленной инновационной неопределенности (см. раздел в центре таблицы — Sid. Err.) стремятся к определенному асимптотическому пределу, значение которого приводится внизу. Следует заметить, что у статистической модели с нестационарной ARMA-структурой указанный предел отсутствует.

В целях экономии места в табл. 6.9 приведена лишь часть данных. Однако эта информация в наглядном виде представлена на рис. 6.6, который полностью подтверждает наши выводы. Кроме того, на рисунке точечными линиями с двух сторон обозначены доверительные интервалы, показывающие возможную погрешность в оценке величины импульсного и накопленного импульсного ответов.

Алгоритм действий № 23

Как сравнить коррелограмму остатков стационарной модели с ее теоретическим аналогом

Насколько хорошо построена стационарная модель, можно судить по оценке соответствия фактических значений коррелограммы остатков их теоретическим значениям. С этой целью воспользуемся опциями VIEW/ARMA STRUCTURE (посмотреть/структура модели ARMA). В результате на экране появится диалоговое мини-окно ARMA DIAGNOSTIC VIEWS (посмотреть диагностику модели ARMA), в которой нужно выбрать параметр CORRELOGRAM (рис. 6.7). Причем если нам нужна коррелограмма в табличной форме, то в опции DISPLAY мы выбираем надпись TABLE, а если в виде графика, то следует выбрать надпись GRAPH. При этом по умолчанию составляется коррелограмма для 24 лагов, но при необходимости пользователь может выбрать и иное количество лагов.

В таблице 6.10 представлены как фактические, так и теоретические значения коррелограммы остатков, полученных после решения уравнения регрессии log(USDollar) = с + а x log(USDollar(—1)) + МА(1). В таблице представлены значения автокорреляционной и частной автокорреляционной функций (т. е. автокорреляция между двумя лагами без учета влияния других промежуточных временных лагов). Как вычисляются коэффициенты автокорреляции и частной автокорреляции, можно уточнить в формулах (3.7–3.9).