- Autor
- Orzeszko Witold (Uniwersytet Mikołaja Kopernika w Toruniu)
- Tytuł
- Prognozowanie indeksu WIG za pomocą jądrowych estymatorów funkcji regresji
Forecasting the WIG Index Using Kernel Smoothers - Źródło
- Bank i Kredyt, 2018, nr 3, s. 253-288, aneks, bibliogr. 22 poz.
Bank & Credit - Słowa kluczowe
- Warszawski Indeks Giełdowy (WIG), Prognozowanie notowań giełdowych, Regresja nieparametryczna, Wyniki badań
Warsaw Stock Exchange Index, Stock exchange prediction, Nonparametric regression, Research results - Uwagi
- Klasyfikacja JEL: C14, C53, C58
streszcz., summ. - Abstrakt
- Celem pracy jest ocena wybranych jądrowych estymatorów funkcji regresji jako narzędzi prognozowania indeksu WIG. Prognozie poddano dwa szeregi czasowe: logarytmiczne stopy zmian indeksu oraz ich kwadraty. W badaniu zastosowano cztery metody prognozowania: estymator Nadarai-Watsona, lokalną jądrową regresję liniową oraz - dla porównania - model regresji liniowej i metodę naiwną. Jako zmienne objaśniające w modelach regresji zastosowano opóźnione o jeden dzień: indeks S&P 500, kurs USD/PLN, wolumen obrotów spółek wchodzących w skład indeksu WIG, a także zmienną autoregresyjną. Do oceny możliwości predykcyjnych analizowanych metod wykorzystano cztery różne kryteria jakości prognoz. Otrzymane wyniki nie pozwalają na sformułowanie jednoznacznego wniosku o wyższości estymatorów jądrowych nad pozostałymi zastosowanymi metodami prognozowania. Wykazano jednak, że w pewnych sytuacjach metody te mogą być użytecznymi narzędziami prognozowania. Zależy to np. od prognozowanego okresu, zastosowanego predyktora czy przyjętego kryterium jakości prognozy. (abstrakt oryginalny)
The aim of the paper is to assess the usefulness of the selected kernel smoothers to predict the Warsaw Stock Exchange WIG Index. Two time series were analysed: log returns and squares of log returns. The four following forecasting methods were applied in the research: the Nadaraya-Watson kernel estimator, the local-linear kernel estimator and, for comparison, the linear regression model and the naive method. Lagged by one day: the S&P 500 Index, the USD/PLN exchange rate, trading volume of the companies in the WIG Index, and the autoregressive variable were used as the predictors in the regression models. To assess the forecasting abilities of the analysed methods four criteria of forecasts quality were applied. The obtained results do not allow to formulate a univocal conclusion about the superiority of the kernel smoothers over the other applied forecasting methods. However, it was shown that in some cases kernel methods may be useful tools for forecasting. It depends on e.g. forecasted period, applied predictor or the criterion of forecasts quality. (original abstract) - Dostępne w
- Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu - Pełny tekst
- Pokaż
- Bibliografia
-
- Campbell J., Lo A., MacKinlay A. (1997), The Econometrics of Financial Markets , Princeton University Press.
- Diebold F.X., Mariano R.S. (1995), Comparing predictive accuracy, Journal of Business and Economic Statistics , 13, 253-265.
- Fama E.F. (1970), Efficient capital markets: a review of theory and empirical work, The Journal of Finance , 25(2), 383-417.
- Fama E.F. (1991), Efficient capital markets: II, The Journal of Finance , 46(5), 1575-1617.
- Fan J., Gijbels I. (1992), Variable bandwidth and local linear regression smoothers, Annals of Statistics , 20(4), 2008-2036.
- Fan J., Yao Q. (2005), Nonlinear Time Series . Nonparametric and Parametric Methods , Springer.
- Gajek L., Kałuszka M. (1996), Wnioskowanie statystyczne. Modele i metody , Wydawnictwa Naukowo- -Techniczne.
- Granger C.W.J., Teräsvirta T. (1992), Experiments in modeling nonlinear relationships between time series, w: M. Castagli, S. Eubank (red.), Nonlinear Modeling and Forecasting , Addison-Wesley.
- Härdle W., Lütkepohl H., Chen R. (1997), A review of nonparametric time series analysis, International Statistical Review , 65(1), 49-72.
- Kulczycki P. (2005), Estymatory jądrowe w analizie systemowej , Wydawnictwa Naukowo-Techniczne.
- Nadaraya E.A. (1964), On estimating regression, Theory of Probability and its Applications , 9(1), 141-142.
- Orzeszko W. (2016), Nieparametryczna identyfikacja nieliniowości w finansowych i ekonomicznych szeregach czasowych , Wydawnictwo UMK.
- Orzeszko W. (w druku), Wybrane aspekty nieparametrycznego prognozowania nieliniowych szeregów czasowych, Przegląd Statystyczny .
- Pagan A., Ullah A. (1999), Nonparametric Econometrics , Cambridge University Press.
- Racine J.S. (2008), Nonparametric econometrics: a primer, Foundations and Trends in Econometrics , 3(1), 1- 88.
- Ramsey J.B. (1996), If nonlinear models cannot forecast. What use are they?, Studies in Nonlinear Dynamics & Econometrics , 1(2), 65-86.
- Rapach D., Zhou G. (2013), Forecasting stock returns, w: G. Elliot, A. Timmermann (red.), Handbook of Economic Forecasting vol. 2A , Elsevier.
- Sekuła P. (2011), Efektywność inwestycyjna portfela fundamentalnego na GPW w Warszawie, Acta Universitatis Lodziensis , Folia Oeconomica , 261, 419-431.
- Sewell M. (2012), The efficient market hypothesis: empirical evidence, International Journal of Statistics and Probability , 1(2), 164 -178.
- Stone C.J. (1977), Consistent nonparametric regression, Annals of Statistics , 5, 595-620.
- Śliwicki D. (2016), Estymacja jądrowa w analizie ekonometrycznej , Wydawnictwo UMK.
- Watson G.S. (1964), Smooth regression analysis, Sankhya: The Indian Journal of Statistics ( Series A ), 26(4), 359-372.
- Cytowane przez
- ISSN
- 0137-5520
- Język
- pol
