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

Далее посмотрим, как стационарная ARM А-структура уравнения log(USDollar) = с + а × 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 × USDOLLAR(-l) + b × 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 × 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.

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 × 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).

Важной особенностью коррелограммы остатков, полученных по стационарным моделям, является то, что с увеличением величины лага значения автокорреляционной функции медленно, но с завидным постоянством убывают к нулю, в то время как частная автокорреляционная функция начинает колебаться около нуля уже со второго лага, при этом то немного вырастая, то убывая.