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

Во главе 2 мы убедились, что использование фактора времени для прогноза курса доллара не дает достаточно точного результата, поэтому необходимо найти более подходящую независимую переменную (или переменные). Как известно, согласно теории эффективного рынка, наиболее полную информацию для прогноза будущей стоимости какого-либо финансового актива в момент времени t можно извлечь из его цены в момент времени t-1. Причем точность прогноза уменьшается по мере того, как прогноз делается в моменты времени t-2, t-3 и т. д. Исходя из этого вполне очевидного постулата можно прийти к выводу, что наиболее полную информацию о курсе доллара на момент времени t содержит его курс на момент времени t-1. Следовательно, наиболее точный прогноз курса американской валюты можно рассчитать на основе уравнения регрессии, включив в него в качестве независимой переменной курс доллара с лагом t-1. Такого рода уравнения регрессии, в которых значения результативного признака прогнозируются на основе его предыдущих значений, в статистической литературе называют уравнениями авторегрессии.

Правда, в отличие от прогностической модели, в которой в качестве независимой переменной используется фактор времени, а потому горизонт для прогноза практически безграничен, прогноз по авторегрессионной модели имеет небольшой временной горизонт для прогноза, равный длине лага. В частности, модель авторегрессии с лагом в один месяц способна давать прогноз с упреждением в один месяц.

Помимо относительно небольшого временного горизонта для прогноза в процессе построения моделей авторегрессии возникает еще одна серьезная проблема. Дело в том, что наличие лаговых значений зависимой переменной в правой части уравнения приводит к нарушению одной из важнейших предпосылок метода наименьших квадратов (МНК) — об отсутствии связи между зависимой (результативной) и независимой (факторной) переменными. Если перейти к языку формул, то теоретически эта проблема может быть изложена следующим образом:

Y_t= c + bY_t-1 + e, (3.1)

где с — свободный член (константа) уравнения;

Y_t — зависимая (результативная) переменная;

Y_t-1 — независимая (факторная) переменная с лагом в один месяц;

b — соответствующий коэффициент при Y_t-1,

е_t — отклонение прогноза от фактического курса доллара (остаток) в текущем месяце t.

Таким образом, из формулы (3.1) следует, что в уравнении авторегрессии может иметь место, во-первых, зависимость между e_t и е_t-1, т. е. может быть нарушена предпосылка МНК об отсутствии автокорреляция в остатках; во-вторых, может появиться зависимость между факторной переменной Y, и остатками e_t, т. е. будет нарушена предпосылка МНК о гомоскедастичности[9] остатков.

Наличие автокорреляции в остатках означает определенную связь (корреляцию) между остатками текущих и предыдущих наблюдений. При наличии такой зависимости остатки могут содержать определенную тенденцию либо какие-то циклические колебания. В этом случае делается вывод, что отклонения от прогноза не могут иметь случайный характер. При наличии автокорреляции в остатках оценки коэффициентов уравнения регрессии нельзя назвать состоятельными и эффективными.

Гомоскедастичность остатков означает, что дисперсия остатков E_t не изменяется в зависимости от величины факторной переменной Y_t_\. Если это не так, то возникает гетероскедастичностъ остатков, что так же, как и в случае автокорреляции в остатках, влияет на состоятельность оценки коэффициентов уравнения регрессии.

Для справки заметим, что состоятельными называются такие оценки, чья точность повышается по мере роста объема выборки, объема данных, на основе которых строится уравнение регрессии. В свою очередь эффективными называются такие оценки, которые имеют наименьшую дисперсию.

Несмотря на высказанные опасения, многие авторитетные специалисты полагают, что в случае больших выборок уравнения авторегрессии позволяют получать состоятельные и эффективные оценки. Вот как, например, оценивает авторегрессионные модели профессор статистики Стэнфордского университета Т. Андерсон: «Модель авторегрессии обладает рядом преимуществ по сравнению с моделью скользящего среднего и процессом авторегрессии с остатками в виде скользящего среднего, хотя последние в определенных случаях могут хорошо описывать образование наблюдаемых временных рядов. Оценки коэффициентов процесса авторегрессии легко вычисляются. Статистические процедуры для такого процесса, основывающиеся на теории больших выборок, легко выполнимы, поскольку они соответствуют обычной технике наименьших квадратов. Во многих случаях коэффициенты процесса авторегрессии допускают непосредственную интерпретацию, а линейные функции от запаздывающих переменных могут быть использованы для прогнозирования»[10].

Следует заметить, что в зависимости от того, сколько предыдущих значений временного ряда будет включено в уравнение авторегрессии в качестве лаговых (факторных) переменных, принято различать авторегрессионные процессы разного порядка. Так, в формуле (3.1) представлен авторегрессионный процесс 1-го порядка, который в англоязычной литературе обычно называется словосочетанием Auto Regressive и кратко обозначается как AR(1).

Например, в том случае, когда в авторегрессию 1-го порядка добавляются лаговые переменные Y_t-2 и Y_t-3, его принято обозначать как AR(3), т. е. как авторегрессионный процесс 3-го порядка. При этом уравнение для AR(3) примет следующий вид:

Y_t = с+b₁Y_t-1 +b₂Y_t-2+b₃Y_t-3 +e_t, (3.2)

где Y_t-1, Y_t-2 и Y_t-3 — независимые (факторные) переменные с лагом в один, два и три месяца;

b₁, b₂ и b₃ — соответствующие коэффициенты регрессии при лаговых переменных.

3.2. Специфика уравнений авторегрессии со скользящим средним (ARMA)

Помимо авторегрессионных моделей нам необходимо также познакомиться и с моделями со скользящим средним в остатках, которые в англоязычной литературе обычно называются словосочетанием Moving Average. Полезность моделей со скользящим средним в остатках обусловлена тем, что для стационарного ряда предсказываемую переменную Y_t можно представить в виде линейной функции прошлых ошибок (отклонений прогнозов от их фактических значений). Следует иметь в виду, что термин «скользящая средняя» в данном случае не является синонимом скользящей средней, применяемой, например, для сезонного сглаживания уровней динамического ряда. При этом модель со скользящим средним в остатках 1-го порядка кратко обозначается как МА(1), а в виде формулы она приобретает следующий вид:

Объединение в одной модели авторегрессионного процесса AR и модели со скользящим средним в остатках МА приводит к созданию более экономичной модели с точки зрения количества используемых параметров. Эту объединенную модель в англоязычной литературе кратко называют ARMA. Эта аббревиатура произошла от словосочетания Auto Regressive — Moving Average, что в переводе означает «авторегрессионный процесс со скользящим средним в остатках».

Порядок в этой модели в буквенной форме принято обозначать как ARMA(p, q), где р — величина порядка авторегрессионного процесса, a q — величина порядка процесса со скользящим средним в остатках. Например, модель ARMA(2; 1) фактически представляет собой комбинацию модели AR(2) с моделью МА(1), т. е. в одной модели объединена авторегрессионная модель 2-го порядка с моделью со скользящим средним в остатках 1-го порядка. В результате модель ARMA(2; 1) приобретает следующий вид:

Чтобы объединенная модель ARMA(2; 1) была более понятна, ее можно задать в виде двух уравнений. Так, для AR(2) формула будет иметь вид

в то время как уравнение для МА(1) можно представить в следующем виде:

Следовательно, формулу (3.4) модели ARMA(2; 1) можно получить путем вычитания из формулы (3.5) расчетного параметра Ое, из левой части уравнения (3.6).

3.3. Коррелограмма и идентификация лаговых переменных в уравнениях AR и ARMA

При практическом построении модели ARMA(/? q) наиболее трудным является определение параметров ряд, т. е. определение оптимального количества лагов. При этом инструментами для нахождения соответствующих лаговых переменных являются автокорреляционная функция и частная автокорреляционная функция.

Программа EViews позволяет довольно быстро найти оптимальные параметры р и q для модели ARMA, для этого используется коррелограмма зависимости между различными лагами временного ряда с ежемесячными курсами американского доллара к российскому рублю.

Алгоритм действий № 5

Как построить коррелограмму в EViews

Шаг 1. Выбор основных опций для построения коррелограммы

С этой целью загрузим в EViews ежемесячные данные по курсу доллара (столбец с данными обозначим как USDollar) в соответствии с алгоритмом действий № 2 «Импорт данных и создание рабочего файла в EViews», изложенным в главе 1.

Далее строим коррелограмму, тем более что в EViews сделать это довольно просто. С этой целью в Workfile (рабочем файле) этой программы открываем файл USDollar. После чего в файле USDollar нам необходимо выбрать опции VIEW/CORRELOGRAM, а в появившемся окне (рис. 3.1) CORRELOGRAM SPECIFICATION (спецификация коррелограммы) оставить заданные по умолчанию опцию LEVEL (исходный уровень) и опцию LAGS ТО INCLUDE (максимальная величина лага, включенного в коррелограмму). В результате у нас получится коррелограмма исходных уровней (фактических значений курса доллара) временного ряда USDollar с величиной лага от 1 до 36.

Шаг 2. Дополнительные возможности, которые можно использовать для построения коррелограммы

Если бы мы выбрали, например, опцию 1ST DIFFERENCE (разница исходных уровней 1-го порядка) или 2ND DIFFERENCE (разница исходных уровней 2-го порядка), тогда была бы построена коррелограмма не исходных уровней временного ряда, а соответственно их первых и вторых разностей. Например, исходный уровень для курса доллара по состоянию на апрель 2010 г. был равен 29,2886 руб. В то время как разница исходных уровней 1-го порядка на эту же дату оказалась равна -0,0752 руб. (т. е. по сравнению с прошлым месяцем курс доллара снизился на 7,52 коп.), а разница исходных уровней 2-го порядка составила 0,5094 руб. (т. е. падение курса доллара по сравнению с предыдущим месяцем уменьшилось на 50,94 коп.).

В полученной коррелограмме (см. табл. 3.1) можно увидеть, как меняются коэффициенты автокорреляции (Autocorrelation, или АС) и частной автокорреляции (Partial Correlation, или РАС) в зависимости от изменения величины лага. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда. Так, коэффициент автокорреляции уровней первого порядка измеряет корреляционную зависимость между динамикой курса доллара временного ряда t и динамикой курса доллара временного ряда t-1, т. е. в нашем случае измеряется коэффициент автокорреляции при лаге в один месяц. В свою очередь коэффициент автокорреляции уровней второго порядка измеряет зависимость между динамикой курса доллара временного ряда t и динамикой курса доллара временного ряда t- 2, т. е. при лаге в два месяца. И так далее, вплоть до коэффициента автокорреляции уровней 36-го порядка, измеряющего зависимость между динамикой курса доллара временного ряда t и динамикой курса доллара временного ряда t-36, т. е. с лагом в 36 месяцев.

При этом коэффициент автокорреляции уровней k-го (т. е. 1-го, 2-го…., 36-го) порядка находится в EViews по следующей формуле:

Следует заметить, что коэффициент автокорреляции, рассчитываемый в EViews, несколько отличается от обычно вычисляемого коэффициента автокорреляции. Дело в том, что в EViews с целью упрощения вычислений в качестве Y- взята средняя для всей выборки, в то время как обычно для рядов Y_t и Y_t__k берутся свои средние.

Частной автокорреляционной функцией называют серию частных коэффициентов автокорреляции г, измеряющих связь между текущим лагом временного ряда Y_t и предыдущими лагами временного ряда Y_t-1, Y_t_₂…., Y_t__k_₁ с устранением влияния других промежуточных временных лагов. Вполне естественно, что при нулевом лаге коэффициент частной корреляции ρ₀ = 1, а при лаге k = 1 ρ₁ = r₁, т. е. коэффициент частной корреляции равен коэффициенту автокорреляции.

Для лага k больше 1 EViews рекурсивно вычисляет частную автокорреляцию по следующей формуле:

где r_k — коэффициент автокорреляции для лага k.

Этот алгоритм вычисления коэффициента частной корреляции, предложенный Боксом и Дженкинсом в 1976 г., представляет собой аппроксимацию. Чтобы найти его более точную оценку, следует решить следующее уравнение регрессии, с помощью которого мы найдем коэффициент частной корреляции ρ_k для лага k:

где е_t — остатки.

Судя по полученной коррелограмме (см. табл. 3.1), уровень автокорреляции (АС) между исходными уровнями временного ряда USDollar постоянно убывает начиная с 1-го лага. В свою очередь уровень частной корреляции (РАС) резко снижается уже после 1-го лага, а после 2-го лага осциллирующим образом стремится к нулю (т. е. колеблется вокруг нуля).

В том случае, когда мы хотим построить модель авторегрессионного процесса AR(/?), для определения оптимального числа р мы должны использовать частную автокорреляционную функцию. При этом следует исходить из следующего критерия: оптимальное число р в уравнении авторегрессии должно быть меньше лага, в котором частная автокорреляционная функция начинает стремиться к нулю. Судя по коррелограмме, помещенной в табл. 3.1, коэффициент частной автокорреляции для лага один месяц (или лага 1-го порядка) равен 0,99, а для лага два месяца (или лага 2-го порядка) -0,25. Однако для 3-го порядка коэффициент частной автокорреляции равен -0,014, причем начиная с этого лага величина этого коэффициента колеблется вокруг нулевого уровня. Следовательно, можно сделать вывод, что для прогнозирования курса доллара с помощью модели авторегрессии необходимо использовать модель AR(2), которая примет следующий вид:

В свою очередь при идентификации модели ARMA(/? q) в качестве лага р выбирается лаг, после которого начинает убывать частная автокорреляционная функция, а в качестве лага q — лаг, после которого начинает убывать автокорреляционная функция. Исходя из табл. 3.1 легко прийти к выводу, что коэффициент автокорреляции начинает убывать уже с лага 2-го порядка. Аналогичный вывод можно сделать и относительно коэффициента частной автокорреляции. Поэтому для прогнозирования курса доллара с помощью модели авторегрессии со скользящими средними в остатках необходимо использовать модель ARMA(1, 1), которая примет следующий вид:

Два последних столбца в табл. 3.1 показывают соответственно Q-статистику Люнга — Бокса (Q-Stat) и ее значимость (Prob.) для каждого лага. Следует иметь в виду, что Q-статистика для лага k является тестовой статистикой при нулевой гипотезе об отсутствии автокорреляции между динамикой курса доллара временного ряда t и динамикой курса доллара временного ряда t- k.

При этом Q-статистика Люнга — Бокса для лага k-го порядка находится по следующей формуле:

где Т — число наблюдений;

r_k — автокорреляция k-го порядка;

m — число проверяемых лагов.

Например, для лага 1-го порядка формула (3.12) имеет следующее значение:

Следует иметь в виду, что в том случае, когда в табл. 3.1 значимость (Prob.) 0-статистики будет больше 0,05, то нулевую гипотезу об отсутствии автокорреляции между уровнями ряда с лагом А:-го порядка нельзя считать опровергнутой с 95 %-ным уровнем надежности. Если значимость 0-статистики будет больше 0,01, но меньше 0,05, то нулевую гипотезу об отсутствии автокорреляции между уровнями ряда с лагом А:-го порядка нельзя считать опровергнутой с 99 %-ным уровнем надежности. Судя по коррелограмме исходных уровней временного ряда USDollar (см. табл. 3.1), значимость Q-статистики для всех 36 лагов равна нулю, поэтому нулевая гипотеза об отсутствии автокорреляции в остатках отклоняется для всех лагов.

3.4. Решение в Excel уравнения авторегрессии 2-го порядка AR(2)

После того как с помощью соответствующей коррелограммы (см. табл. 3.1) мы пришли к выводу, что для получения оптимального прогноза по курсу доллара следует построить модель авторегрессии 2-го порядка AR(2), следующим нашим шагом должно стать нахождение ее параметров. Правда, для этого развернутое уравнение авторегрессии AR(2), представленное в формуле (3.10), необходимо немного упростить. С этой целью из формулы следует убрать остатки, которые появятся только после решения этого уравнения. Кроме того, чтобы убрать у коэффициентов факторных переменных подстрочные индексы (цифры), обозначим их различными буквами. В результате формула (3.10) приобретет более удобный для решения вид:

Мы уже научились решать уравнения регрессии в Excel (см. алгоритм действий № 3 «Как решить уравнение регрессии в Excel»), поэтому, используя этот алгоритм, можно получить соответствующее уравнение авторегрессии, которое, как известно, является частным случаем уравнения регрессии и отличается от последнего лишь наличием лаговых факторных переменных. А для загрузки и первичной обработки данных по ежемесячному курсу доллара необходимо воспользоваться алгоритмом действий № 1 «Как строить диаграммы в Microsoft Excel» — Шаг 1 «Поиск данных, их загрузка и первичная обработка в Excel».

Далее создадим в Excel три столбца: во-первых, с зависимой переменной USDollar — ежемесячный курс доллара США; во-вторых, с двумя независимыми переменными USDollar(-l) — курс доллара США с лагом в один месяц и USDollar(-2) — курс доллара США с лагом в два месяца. При этом загруженная база данных по американской валюте охватывает период с июня 1992 г. по апрель 2010 г.

Далее, согласно алгоритму действий № 3 «Как решить уравнение регрессии в Excel», установим в появившемся окне РЕГРЕССИЯ следующие опции (рис. 3.2): ВХОДНОЙ ИНТЕРВАЛ Y ($В$1:$В$214); ВХОДНОЙ ИНТЕРВАЛ X ($C$1:$D$214); УРОВЕНЬ НАДЕЖНОСТИ (99); ВЫХОДНОЙ ИНТЕРВАЛ ($L$2).

В результате решения в Excel уравнения авторегрессии AR(2) со свободным членом мы получим следующий ВЫВОД ИТОГОВ, представленный в виде табл. 3.2. Возьмем из этой таблицы значения коэффициентов (см. столбец «Коэффициенты») и, подставив их в формулу (3.13), получим следующее уравнение авторегрессии (с округлением):

USDollar = 0,2260 + 1,2980 USDollar(-l) — 0,3047 USDollar(-2),

где USDollar — зависимая переменная, курс доллара США;

USDollar(-l) — независимая переменная, курс доллара США с лагом в один месяц;

USDollar(-2) — независимая переменная, курс доллара США с лагом в два месяца;

0,2260 — свободный член (константа).

При этом экономическая интерпретация этого уравнения авторегрессии 2-го порядка следующая: во-первых, в период с июня 1992 г. по апрель 2010 г. при исходном уровне 0,2260 руб. рост на 1 руб. курса доллара в текущем месяце приводил к повышению прогнозируемого курса доллара в будущем месяце в среднем на 1,2980 руб.; во-вторых, одновременно с этим рост курса доллара в прошлом месяце приводил к снижению прогнозируемого курса доллара в будущем месяце в среднем на 0,3047 руб.

Действуя согласно алгоритму действий № 4 «Оценка статистической значимости уравнения регрессии и его коэффициентов», мы можем сделать следующие выводы.

1. Поскольку коэффициент детерминации R2 дня уравнения регрессии оказался равен 0,9977, то отсюда следует, что оно в 99,77 % случаях в состоянии объяснить ежемесячные колебания курса доллара.

2. Значимость F равна 1,ЗЕ-245 или нулю, следовательно, уравнение регрессии статистически значимо как при 95 %-ном уровне надежности, так и при 99 %-ном уровне надежности.

3. Р-значение для свободного члена (константы) равно 0,037226, следовательно, константа статистически значима лишь при 95 %-ном уровне надежности, но незначима при 99 %-ном уровне надежности, поскольку ее P-значение больше 0,01. Р-значение для двух коэффициентов регрессии равно 0, следовательно, эти коэффициенты статистически значимы как при 95 %-ном уровне надежности, так и при 99 %-ном уровне надежности.

3.5. Решение в EViews уравнения авторегрессии 2-го порядка AR(2)

Уравнение авторегрессии 2-го порядка с константой можно решить не только в Excel, но и в EViews. Более того, решение этого уравнения регрессии в EViews имеет ряд преимуществ, обусловленных спецификой этой программы. Во-первых, в EViews можно быстрее оценить прогностическую точность полученной статистической модели; во-вторых, есть возможность протестировать полученные остатки на стационарность, наличие автокорреляции, а также провести ряд других важных тестов, о которых мы расскажем позднее. Тем читателям, которым еще не приходилось решать уравнения регрессии в EViews, советуем внимательно ознакомиться с алгоритмом действий № 6 «Как решить уравнение регрессии в EViews».

Алгоритм действий № 6 Как решить уравнение регрессии в EViews

Шаг 1. Импорт данных из Excel и создание рабочего файла в EViews

Для импорта ежемесячных данных по курсу доллара (на конец месяца) за период с июня 1992 г. по апрель 2010 г. из Excel в EViews необходимо воспользоваться алгоритмом действий № 2 «Импорт данных и создание рабочего файла в EViews». При этом столбец с соответствующими данными по курсу доллара мы обозначили как USDollar.

Шаг 2. Выбор опций в EViews для решения уравнения регрессии

После импорта данных в Excel выбираем в командной строке EViews опции OBJECT/NEW OBJECT, а затем в появившемся окне (NEW OBJECT (НОВЫЙ ОБЪЕКТ) выбираем опцию EQUATION (УРАВНЕНИЕ) — рис. 3.3).

Далее в EViews появляется новое окно — EQUATION ESTIMATION (ОЦЕНКА УРАВНЕНИЯ), которое мы должны заполнить, как показано на рис. 3.4.

Следует иметь в виду, что в опции ESTIMATION SETTINGS (ПАРАМЕТРЫ ОЦЕНИВАЕМОЙ МОДЕЛИ) в мини-окне METHOD (МЕТОД РЕШЕНИЯ) по умолчанию появляется опция LS — LEAST SQUARES (NIC AND ARMA), название которой переводится как МЕТОД НАИМЕНЬШИХ КВАДРАТОВ (НЕЛИНЕЙНЫЙ МНК И ARM А). Поскольку это уравнение авторегрессии мы решаем с помощью метода наименьших квадратов, то эту опцию мы оставляем. Хотя при необходимости в EViews можно использовать несколько других методов решения уравнений, на которых мы сейчас не будем останавливаться.

Шаг 3. Выбор параметров оцениваемой статистической модели