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

этом доля систематической ошибки в предсказаниях равна 0 или 0 %, в то время как доля вариации равна 0,0012, или 0,12 %, а доля ковариации — 0,9988, или 99,88 %.

Судя по табл. 3.6, с помощью двухфакторного уравнения регрессии со свободным членом нам удалось получить довольно качественную прогностическую модель. Тем не менее точность этой авторегрессионной модели можно повысить, причем довольно существенно.

Контрольные вопросы и задания

1. Какие уравнения называются уравнениями авторегрессии? Являются ли уравнения авторегрессии частным случаем уравнений регрессии? В чем преимущество использования в прогнозах лаговой переменной с точки зрения теории эффективного рынка?

2. Какая предпосылка метода наименьших квадратов (МНК) не соблюдается в уравнениях регрессии? В каких случаях с помощью уравнения авторегрессии можно получать состоятельные и эффективные оценки?

3. Что означают англоязычные аббревиатуры AR и ARMA? Чем отличается модель AR от модели ARMA? Какие переменные входят в модель ARMA(2; 1)?

4. Для чего необходима коррелограмма? В чем отличие автокорреляции от частной автокорреляционной функции? Что измеряет коэффициент автокорреляции уровней 1-го порядка?

5. Как производится идентификации моделей AR(p) и ARMA(p, q) с помощью коррелограммы? Как при этом используются автокорреляция и частная автокорреляция?

6. Почему критерий Дарбина — Уотсона нельзя использовать для тестирования уравнений авторегресии на наличие автокорреляции в остатках? Какой тест на наличие автокорелляции в остатках в уравнениях авторегрессии используется в EViews? Какой лаг нужно задать в этом тесте при тестировании уравнения авторегрессии 2-го порядка?

7. Как находится квадратный корень средней ошибки предсказания? Почему для нахождения средней ошибки приходится использовать их модульные значения? Как находится средняя ошибка по модулю (%)? Для чего используется коэффициент неравенства Тейла? Какое значение коэффициента неравенства Тейла считается идеальным для статистической модели?

Глава 4 Подбор адекватного уравнения авторегрессии и составление точечных и интервальных прогнозов по курсу доллара

4.1. Повышение статистической значимости коэффициентов в уравнении авторегрессии

Одним из способов повышения точности статистической модели является увеличение количества переменных, включаемых в уравнение регрессии. Однако в табл. 3.1 «Коррелограмма исходных уровней временного ряда USDollar с величиной лага от 1 до 36» хорошо видно, что коэффициент частной автокорреляции уже на лаге в три месяца становится близким к нулю. Отсюда следует вывод, что нет никакого смысла добавлять в уравнение авторегрессии 2-го порядка AR(2) со свободным членом факторную лаговую переменную с лагом в три месяца и более.

Вместе с тем вывод итогов как в Excel, так и в EViews для этого уравнения свидетельствует, что величина P-значений включенных в него коэффициентов далеко не одинакова (см. табл. 3.2 и 3.3). Так, Р-значения для коэффициентов регрессии факторных переменных USDollar(-l) и USDollar(-2) практически равны нулю, что свидетельствует об их статистической значимости с 99 %-ным уровнем надежности. А вот Р-значение для коэффициента свободного члена (константы) этого уравнения регрессии равно 0,037226, что свидетельствует о его статистической значимости лишь с 95 %-ным уровнем надежности (точнее сказать, с 96,28 %-ным уровнем надежности: 100 %-3,72 %).

Следовательно, чтобы повысить точность наших прогнозов, мы попробуем решить уравнение регрессии, исключив из формулы (3.14) статистически менее значимый свободный член. С этой целью необходимо воспользоваться алгоритмом действий № 6 «Как решить уравнение регрессии в EViews» (см. главу 3), но при выборе параметров оцениваемой статистической модели (см. шаг 3 этого алгоритма) мини-окно EQUATION SPECIFICATION нужно заполнить следующим образом:

USDollar USDollar(-l) USDollar(-2). (4.1)

Фактически в буквенной форме формула (4.1) приобретет следующий вид:

USDOLLAR = а ? USDOLLAR(-l) + b ? USDOLLAR(-2). (4.2)

Причем, введя спецификацию (4.1) в EViews, мы тем самым даем программе задание оценить коэффициенты а и b из формулы (4.2). В результате EViews выдает итоги, которые заносятся в табл. 4.1. На основе данных этой таблицы мы получаем уравнение авторегрессии 2-го порядка AR(2) без константы со следующими параметрами:

USDOLLAR = 1,321092 ? USDOLLAR(-l) — 0,319415 ? USDOLLAR(-2), (4.3)

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.

Экономическая интерпретация этого уравнения авторегрессии 2-го порядка следующая: во-первых, в период с июня 1992 г. по апрель 2010 г. рост на 1 руб. курса доллара в текущем месяце приводил к повышению прогнозируемого курса доллара в будущем месяце в среднем на 1,3210 руб.; во-вторых, одновременно с этим рост курса доллара в прошлом месяце приводил к снижению прогнозируемого курса доллара в будущем месяце в среднем на 0,3194 руб.

Судя по табл. 4.1, все коэффициенты в этом уравнении имеют Р-значения (Prob.) = 0, а следовательно, можно сделать вывод, что они значимы с 99 %-ным уровнем надежности. Вполне очевидно, этого нам удалось добиться благодаря тому, что мы убрали из уравнения авторегрессии свободный член. Но как этот факт повлиял в целом на прогностические качества этой статистической модели?

Если посмотреть на коэффициент детерминации R² (R-squared), то видно, что после удаления константы он уменьшился весьма незначительно: с 99,53 % (0,9953) до 99,52 % (0,9952), или на 0,01 процентного пункта. Еще меньше снизился скорректированный коэффициент детерминации R² (Adjusted R- squared). Вместе с тем в уравнении авторегрессии без свободного члена незначительно снизился логарифм максимального правдоподобия (его более высокое значение, как правило, свидетельствует о более высоком качестве прогноза) и одновременно с этим незначительно повысилась величина информационного критерия Акаика (его более низкое значение, как правило, свидетельствует о более высоком качестве прогноза). Однако плюсом для уравнения без константы стал тот факт, что информационный критерий Шварца, который сильнее «штрафует» включение в уравнение регрессии дополнительных факторов, у него оказался ниже (его более низкое значение, как правило, свидетельствует о более высоком качестве прогноза).

4.2. Оценка точности прогностической модели, проверка остатков на автокорреляцию и стационарность