PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2004 | nr 41 | 179--192
Tytuł artykułu

Testowanie nieliniowości w zwrotach indeksów GPW w Warszawie

Warianty tytułu
Testing for Nonlinearity in the Returns of the Warsaw Stock Exchange Indices
Języki publikacji
PL
Abstrakty
Od ponad dwudziestu lat można zaobserwować w literaturze poświęconej analizie szeregów czasowych gwałtowny wzrost liczby badań, dotyczących modeli nieliniowych. Jest to niewątpliwie związane z rozwojem możliwości obliczeniowych. Jednocześnie jednak problem doboru właściwego modelu nieliniowego oraz oceny jakości jego specyfikacji pozostaje nierozwiązany. W niniejszej pracy podejmujemy próbę zdiagnozowania typów nieliniowości, występujących w szeregach zwrotów wybranych indeksów Giełdy Papierów Wartościowych w Warszawie. Analizie poddajemy 10 indeksów i subindeksów; WIG, WIG20, MIDWIG, TECHWIG, WIRR, WIG-banki, WIG-telekomunikacja, WIG-informatyka, WIG-budownictwo, WIG-spożywczy. Podobnie jak Ashley i Patterson stosujemy sześć testów: dwa testy na efekt ARCH (test McLeoda i Li oraz test LM Engle'a), test BDS, test Tsaya zależności kwadratowej oraz testy Hinicha - bikowariancyjny i bispektralny. Polski rynek finansowy jest rynkiem młodym, ciągle jeszcze rozwijającym się. Dynamika takich rynków znacznie różni się od dynamiki rynków rozwiniętych, co powoduje, że automatyczne przenoszenie sprawdzonych na tamtych rynkach modeli i przyjmowanie powszechnie stosowanych założeń nie daje dobrych rezultatów, zwłaszcza jeśli chodzi o prognozy. W związku z tym próby identyfikacji specyficznego charakteru nieliniowej dynamiki układów generujących szeregi polskiego rynku finansowego mają szczególne znaczenie, ponieważ dają szansę przynajmniej na odrzucenie modeli zdecydowanie nieadekwatnych. Analiza, jaką prezentujemy w niniejszej pracy, stanowi siłą rzeczy jedynie wstępny etap modelowania i prognozowania. Niemniej jednak jej wyniki pozwalają na określenie wyjściowych założeń, jakie muszą spełniać modele, by dały się dobrze dopasować do badanych szeregów czasowych i co za tym idzie, aby mogły być źródłem bardziej satysfakcjonujących prognoz. (fragment tekstu)
EN
The notion of nonlinearity is a very complex one. It consists of many different components. Nonlinear dynamics can be strictly deterministic, chaotic or nonlinear stochastic. The results of empirical investigations prove the existence of various nonlinear dependencies in financial time series. In this connection, one of the most important problems arising when modeling financial market processes is the problem of proper specification of a nonlinear model and its goodness of fit evaluation. In this paper we make attempt to diagnose the types of nonlinearity present in the time series of the returns of selected indices from the Warsaw Stock Exchange. Our analysis uses two groups of tests: portmanteau ones having high power against a wide spectrum of alternatives, and the ones based on Lagrange multipliers, testing the null hypothesis on linearity of the process against the alternative with strictly determined type of nonlinearity. (original abstract)
Rocznik
Numer
Strony
179--192
Opis fizyczny
Twórcy
  • Akademia Ekonomiczna w Poznaniu
  • Uniwersytet im. Adama Mickiewicza w Poznaniu
Bibliografia
  • Ashley R.A., Patterson D.M., Nonlinear Model Specification/Diagnostic: Insight from a Battery of Nonlinearity Tests, Kluwer Academic Publishers, Boston 1999.
  • Ashley R.A., Patterson D.M., A Nonlinear Time Series Workshop: A Toolkit for Detecting and Identyfying Nonlinear Serial Dependence, Working Paper E99-05, Economics Department Virginia Tech, 2000.
  • Barnett W.A., Gallant A.R., Hinich M.J., Jungeilges J.A., Kaplan D.T., Jensen M.J., A Single Blind Competition Among Tests for Nonlinearity and Chaos, Journal of Econometrics 1998, no. 82.
  • Brock W.A., Hsieh D.A., LeBaron B., Nonlinear Dynamics, Chaos and Instability: Statistical Theory and Economic Evidence, MIT Press, Cambridge MA 1991.
  • Brock W.A., Hsieh D.A., Scheinkman J.A., LeBaron B., A Test for Independence Based on the Correlation Dimension, Econometric Reviews 1996, no 15.
  • Engle R.F. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation, Econometrica 1982, no. 50.
  • Grassberger P., Procaccia I., Measuring of the Strangeness of Strange Attractor, Physica D 1983, no. 9.
  • Hinich M., Testing for Dependence in the Input to a Linear Time Series Model, Journal of Nonparametric statistics 1996, no. 6.
  • Hinich M., Patterson D.M., Detecting Epochs of Transient Dependece in White Noise, Journal of Business and Economic Statistics 1985, no. 3.
  • McLeod A.I., Li W.K., Diagnostic Checking ARMA Time Series Model Using Squared-residual Autocorrelations, Journal of Time Series Analysis 1983, no. 4.
  • Tsay R.S., Nonlinearity Tests for Time Series, Biometrica 1986, no. 73.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171229129

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.