Sei sulla pagina 1di 50

UNIVERSITA DEGLI STUDI DI BARI

FACOLTA DI ECONOMIA CORSO DI LAUREA IN SCIENZE STATISTICHE ED ECONOMICHE DIPARTIMENTO di SCIENZE ECONOMICHE

La Previsione dei Mercati Finanziari con Metodi Quantitativi


Trading System-Modello Econometrico

RELATORE:

dott. Cristiano GRUA

ANNO ACCADEMICO 2002-2003


1

INDICE

1) La Prevedibilit delle Serie Storiche Finanziarie -Introduzione 3)LApporto Econometrico


-Dal prezzo alla serie storica -Valore medio atteso -Varianza -Autocovarianza -La funzione dautocorrelazione -Impostazione econometrica -I modelli ARCH e GARCH -LARCH in formule -Il modello lineare GARCH(p, q)

4)LApplicazione Empirica
-Lo strumento derivato: Il FUTURE -Il FUTURE visto come serie storica -Evidenza em. della scelta del modello GARCH -Previsione della Volatilit -Il trading system

Note Bibliografia
2

La prevedibilit delle serie storiche finanziarie


Introduzione

Nel mondo finanziario lattenzione degli accademici e degli operatori si concretizzano nello studio dellevoluzione delle serie storiche finanziarie, preffigendosi di rilevare comportamenti non casuali e quindi prevedibili. Lattenzione di tutti concentrata sullo studio dinamico del bene trattato e sulla rilevazione del prezzo. Si dibattuto molto su ci che il prezzo pu o potrebbe indicare. Secondo i keneysiani il prezzo sganciato dal valore intrinseco del bene contrattato e connesso alle dinamiche della psicologia delle masse. Daltro canto l i p o t e s i astratta del percorso casuale dei prezzi, che ha consentito di procedere con utilissime modellizzazioni, difficilmente percepita dagli operatori. Non da meno lipotesi che vede nelle dinamiche dei prezzi i cambiamenti delle dinamiche quantitative della domanda e dellofferta: il prezzo il punto dequilibrio fra compratori e venditori. Proprio per la diversa interpretazione che si data e s da al prezzo del bene, si sono sviluppati diversi approcci e metodologie danalisi. Ma tutte basate sulla previsione dellandamento futuro dello stesso. In un mercato efficiente, per definizione, i prezzi delle attivit finanziare riflettono istantaneamente tutte le informazioni disponibili, cos da rendere incapace a qualsiasi tipo dinvestitore lelaborazione delle stesse e il conseguimento di risultati dinvestimento superiori alla media. In letteratura le condizioni defficienza di un mercato, sono testate attraverso modelli matematici di tipo random walk1. In tale teoria i prezzi delle attivit finanziarie fluttuano in modo casuale e si assume che il processo generatore dei prezzi delle attivit finanziarie sia un processo stocastico senza memoria dove solo il presente permette di prevedere il futuro; la storia non contiene alcuninformazione ed quindi inutile per uneventuale 3

analisi e previsione finanziaria. Queste assunzioni escludono a priori leventuale correlazione fra prezzi registrati in periodi differenti e negano, di conseguenza, lesistenza dogni tipo di trend. In contrapposizione allassunzione di efficienza vi quella di inefficienza,che si espleta nellassunzione dellimpossibilit da parte degli investitori di sfruttare nello stesso istante le stesse informazioni, quindi operazioni di compravendita di natura diversa. Un esempio di tale inefficienza riscontrata nel crescente utilizzo degli strumenti derivati(opzioni, future, swap etc.) dove la leva finanziari rende sfruttabile anche la pi piccola oscillazione di prezzo. A supporto dellassunzione di inefficienza dei mercati corre la teoria matematica dei frattali.Tale metodologia capace di descrivere graficamente un gran numero di fenomeni complessi e irregolari presenti in natura con algoritmi semplici e ripetitivi, sfruttando strutture geometriche molto simili alle forme e ai processi naturali complessi, quantificando il grado dirregolarit con procedimenti matematici rigorosi. Infatti, lo studioso Benoit Mandelbront (The Fractal geometry of nature, 1982) ha dimostrato la presenza di una qualche memoria nelle serie storiche dei prezzi, asserendo che possibile classificare il comportamento casuale e imprevedibile, nella classe di sistemi deterministici caotici le cui manifestazioni osservabili possono ricavarsi da leggi matematiche. Le scoperte di Mandelbront hanno ulteriormente qualificato lAnalisi Tecnica, che nasce come metodo induttivo ( grazie ai primi studi nel 1900 da parte di Dow-Jones) dindagine economica le cui radici epistemologiche sono da ricondursi alla ricerca empirica. Lanalisi tecnica attraverso losservazione dei prezzi cerca di valutare lo stato del mercato(non osservabile) ed anticipare i movimenti mediante lindividuazione di formazioni grafiche ricorrenti e la ragionata applicazione di strategie operative. Dimostrare che nelle serie storiche vi traccia di memoria, significa poter prevedere(analizzando il passato e il presente) la tendenza futura.

Ogni evento, nel tempo, si realizza in una certa misura, quindi possibile pensare ad uno stesso mercato in una certa misura efficiente o inefficiente, sebbene in periodi diversi. In entrambi i casi, lanalisi tecnica considera il mercato come un sistema complesso che riceve in ingresso sequenze dinformazioni pi o meno inerenti e correlate tali da generare possibili scenari economici. Il prezzo del bene trattato, la sintesi ottima di tutte le variabili di tipo economico che agiscono sul mercato e delle aspettative degli investitori. Assunzione su cui si fonda lipostazione teorica secondo cui il mercato si muova rincorrendo il prezzo dequilibrio, con alterne fasi di sopravvalutazione e sottovalutazione, fasi direttamente proporzionali al grado dincertezza e allassenza dinformazioni a disposizione.

Il comportamento del mercato azionario italiano


Tradizionalmente il comportamento dei titoli nellambito del mercato azionario analizzato seguendo un approccio cosiddetto dei fondamentali(analisi dello stato societario), verificando se il prezzo di mercato coincide con il valore fondamentale o intrinseco del titolo.Verga(1994, Il mercato azionario fra fondamentali e bolle speculative) ha presentato unanalisi di questo genere riferita al valore complessivo della capitalizzazione di un campione di 25 societ quotate dal 1975 al 1992; tale valore stato confrontato con landamento corrispondente dutili e dividendi, nonch con levoluzione dellindice dei prezzi. E primario il ruolo svolto dai risultati economici e dalla remunerazione del capitale nella determinazione del valore delle imprese, nonch leffettiva funzione dattivit reali delle azioni nel lungo periodo; altres risultata importante levoluzione passata dei dividendi e delle percentuali dautofinanziamento, nonch evidentemente landamento dei tassi dinteresse di mercato.Il legame tendenzialmente molto forte tra queste variabili ed il prezzo delle azioni risultano esistere nel lungo periodo, ma meno significativo nel breve periodo dove si riscontrano irregolarit ed oscillazioni, di cui alcune di ampiezza significativa. 5

Anche la componente psicologica, influenza latteggiamento degli investitori nei confronti del mercato azionario.La determinazione di questa variabile e leffetto sul mercato azionario difficilmente perseguibile. Si tratta di movimenti di prezzo particolarmente imprevedibili e apparentemente inspiegabili in base ai fondamentali; infatti, in seguito ad una crescita abbastanza prolungata del prezzo dei titoli, prende avvio un processo che genera aspettative di nuovi incrementi e che attira nuovi investitori, la cui domanda genera ulteriori incrementi nei corsi e cos via. Ad un certo punto il meccanismo si blocca e si verifica un crollo repentino delle quotazioni, per ragioni che si possono far risalire ad un eccessivo allontanamento dei fondamentali o per il verificarsi di qualche altro fenomeno che muta le aspettative. Lanalisi tra fasi bullish (fase rialzista) e fasi bearish (fase ribassista) rileva un comportamento assimetrico.Durante le tendenze rialziste, gli operatori entrano (acquisto del bene) in modo relativamente veloce ma sono al contrario pi lenti nel chiudere (vendita del bene trattato) le posizioni una volta che iniziato il ribasso, probabilmente nella speranza di recuperare le perdite nel prossimo futuro. Questa considerazione in linea con le risultanze di unanalisi congiunta di prezzi e volumi di contrattazione; tale studio ha riscontrato che le fasi di borsa con scambi molto vivaci si riferiscono in misura maggiore a periodi con forti aumenti di prezzi, rispetto al numero di periodi con forti flessioni. Caparelli F. e DArcangelis A.M. (1995, La Relazione in eccesso del prezzo dei titoli: la teoria e una verifica empirica sulle azioni italiane) hanno analizzato lefficienza del mercato italiano dal punto di vista della valutazione che gli investitori fanno delle informazioni sulla redditivit dellimpresa. Secondo tale ipotesi gli investitori tenderebbero ad attribuire ai fatti un peso maggiore di quel corretto; questanomalia potrebbe avere origine nella difficolt di stima delle aspettative di lungo termine che determinano il prezzo dequilibrio del titolo, cosicch gli investitori concentrerebbero la loro attenzione sulle implicazioni di breve termine delle informazioni. Il mercato sarebbe quindi efficiente in quanto assorbirebbe con rapidit le informazioni che hanno effetti sui corsi di borsa nel breve periodo, mentre sarebbe inefficiente nel senso che non trasferirebbe in modo corretto, nella valutazione, le informazioni di lungo 6

periodo. Di conseguenza i prezzi non coincidono con il vero valore se non dopo che limportanza sia valutata e la quotazione sia corretta di conseguenza.

LApporto econometrico
Se il trading system(visto come risultato finale dellimpiego di diversi strumenti danalisi quantitativa)nella sua completezza ci permette di disciplinare loperativit, lapporto econometrico fondamentale per stimare la volatilit del bene ,su cui noi vorremmo speculare,e quindi quantificare la rischiosit connessa. Inoltre la stima del comportamento della volatilit, presupponendo ladeguatezza dei modelli econometrici,pu essere impiegata per implementare regole di set-up ed entry e successivamente un trading system .

Dal prezzo alla serie storica


Si definisce una serie storica una successione ordinata di numeri reali che misura un certo fenomeno seguendo un preciso ordine temporale(nel nostro caso si rileva il prezzo del bene su cui si vuole speculare , ogni 15/30/60 minuti e giornalmente ma possibile arrivare a rilevazioni decennali se non pure centenarie o al contrario ogni minuto o addirittura ogni scambio). Lo studio di tale successione trova la propria ragion d'essere nel fatto che la conoscenza di quanto avvenuto determina ci che avverr secondo un principio generale dinerzia e di stabilit delle leggi che conosciamo. Nel caso in cui la serie storica oggetto di studio non di tipo deterministico ma si basa su una certa distribuzione di probabilit, sar chiamata processo stocastico. Si definisce processo stocastico una famiglia di variabili casuali caratterizzate da un parametro "t" (dove nelle serie storiche t l'unit di tempo considerata). Tali variabili casuali sono definite tutte nel medesimo spazio fondamentale "S"18 . In altre parole si pu affermare che una data serie temporale una particolare realizzazione di un processo stocastico. Nel grafico qui di sotto si sono riportate graficamente le serie storiche, ponendo il prezzo sulle ordinate e il tempo sullascisse,ovviamente il prezzo si riferisce al giorno in cui stato rilevato.

Fig.1:Grafici della serie storica relativi al FUTURE del MIB30, rilevato a 15/30/60 minuti e daily.

(Note:si rappresentato landamento del prezzo di chiusura del future, rilevato in


diverso modo, in funzione del tempo.Tale rappresentazione permette di avere subito un quadro generale sullandamento dello stesso-output Matlab).

In quest'ottica risulta fondamentale studiare i momenti19 della serie, i cosiddetti momenti teorici, attraverso i quali si possono accettare determinate ipotesi, come ad esempio la stazionariet (ossia quando tali momenti risultano essere costanti), che facilitano enormemente lo studio di una serie. Lo studio dei momenti, ed in particolare dalcuni momenti della serie, deriva dal fatto che tutti i modelli stocastici sono in grado di generare una serie temporale di lunghezza infinita, di conseguenza necessario riassumere le informazioni a disposizione attraverso poche grandezze caratteristiche. Tale compito pu essere svolto in due modi: o attraverso la specificazione della distribuzione di probabilit congiunta della serie nel corso del tempo, o attraverso il calcolo dei momenti del processo teorico. La prima opzione risulta piuttosto complicata, di conseguenza si analizzano i momenti teorici, in particolare i momenti di primo e second'ordine. Di seguito saranno esposte le relazioni formali che esprimono i momenti teorici di primo e second'ordine sottolineando comessi siano tutti in funzione dell'unit temporale.

Valore medio atteso


Una volta assunto il modello da "associare" alla sequenza di valori osservati, si assume che i valori generati da tale modello appartengano ad un processo stocastico che chiameremo Z t . Il valore medio atteso del

processo stocastico suddetto sar espresso dalla relazione:

(t ) = E ( Z t )
dove E sta per expected value. Tale terminologia sta a sottolineare che il valore espresso il valore che si attende dovrebbe realizzarsi nel lungo periodo. In realt la relazione suddetta un vero e proprio "artificio teorico" poich, essendo la serie di lunghezza infinita, probabilmente non si arriver mai al valore suddetto. Il valore medio costituisce il momento di prim'ordine della serie teorica studiata e si differenzia notevolmente dal momento di prim'ordine della serie osservata: in quest'ultimo caso infatti il valore non nient'altro che la media dei valori osservati. Il valore atteso espresso in funzione del parametro temporale.

10

Varianza
In formule si ha:

2 (t ) = E[Z t (t )]2 = var(Z t )


Anche in questo caso la relazione evidenzia la dipendenza della varianza dal tempo. La varianza un momento di second'ordine che esprime una misura della dispersione media della variabile Z rispetto al suo valore atteso nel corso del tempo. La radice quadrata della varianza si definisce come scarto quadratico medio.

Autocovarianza
Lautocovarianza la covarianza tra valori della serie Z in istanti temporali diversi. Normalmente la covarianza misura la tendenza di due grandezze a variare nello stesso senso, in questo caso si utilizza ununica variabile misurata in due istanti temporali diversi. Si ottiene:

(t , t + k ) = E [( Z t (t ))( Z t + k (t ))] = cov(Z t Z t + k )


Da notare che lautocovarianza funzione di due istanti temporali, t e (t+k). In questottica la varianza risulta essere un caso particolare dellautocovarianza, ponendo k=0.

La funzione dautocorrelazione
Sempre nellottica del perseguimento di unesatta identificazione del modello pi appropriato da associare alla serie osservata. Risulta molto importante lanalisi delle funzioni dautocorrelazione e dautocorrelazione parziale. Lautocorrelazione supera, rispetto allautocovarianza, il limite di questultima di non essere compresa fra limiti fissi in quanto compresa tra i valori estremi di 1 e +1. Lautocorrelazione si ottiene semplicemente dividendo lautocovarianza per il prodotto degli scarti quadratici medi di Z t e Zt k . La funzione dautocorrelazione globale

(k ) del processo stocastico

X t il coefficiente di correlazione lineare tra le variabili casuali Z t e Zt k calcolato al variare di k=0,1,2,.

11

(k ) = Corr ( Z t Z t k ) =

Cov( Z t , Z t k ) ; Var ( Z t )Var ( Z t k )

Lo strumento utilizzato per visualizzare le eventuali correlazioni seriali tra i termini della serie il correlogramma. Esso rappresenta linsieme dei coefficienti dautocorrelazione per k=0,1, 2,3,.. K riportati su di un sistema dassi cartesiani che vede sullasse delle ascisse il lag k e sullasse delle ordinate (k ) . I valori ottenuti saranno tutti compresi tra 1 e +1. Molto spesso la morfologia assunta dal correlogramma aiuta nel processo didentificazione del giusto modello da associare alla sequenza osservata. Va sottolineato inoltre che leventuale presenza di una forte correlazione seriale rende impossibile assumere lipotesi dindipendenza dei valori osservati, creando problemi per lidentificazione di un modello significativo. Un altro metodo utile per esaminare la dipendenza seriale tra i termini della serie in esame la funzione dAutocorrelazione parziale. Essa rappresenta unestensione della funzione dAutocorrelazione globale. La funzione dautocorrelazione parziale kk definita come la correlazione lineare tra Z t e Zt k al netto delle correlazioni lineari intermedie.

Impostazione econometrica
La ricerca econometria rivolta alla corretta specificazione dei modelli soffermandosi sulla formulazione dellequazione che interpreta il valor medio, e individuando le variabili esplicative e la forma funzionale pi idonea allo studio di un fenomeno. Laumento dellimportanza assunta dallincertezza e dal rischio nella teoria economica ha richiesto lo sviluppo di modelli che in grado di interpretare o non solo il valor medio, ma anche e soprattutto la volatilit dei fenomeni analizzati. Le serie storiche di carattere economico, e in modo particolare quelle finanziarie, presentano spesso un problema di variazioni (scarto quadratico medio o volatilit) non costanti nel tempo,soprattutto se osservate ad alta frequenza. Per tale esigenza, sono stati proposti in letteratura i modelli ARCH( Auto Regressive Conditioned Heteroschedasticity) che consentono di modellare la varianza condizionata secondo uno schema di tipo autoregressivo; la 12

classe dei modelli originali stata successivamente affiancata dai pi complessi modelli GARCH ( Generalized ARCH) e pi recentemente dagli schemi integrati I-GARCH Integrated GARCH), M-GARCH ( Mean GARCH), E-GARCH ( Exponential GARCH). Limportanza di avere uno strumento danalisi in grado di interpretare le mutevoli manifestazioni della volatilit risulta destremo interesse per gli operatori dei mercati finanziari, per il naturale legame che esiste tra volatilit e rischiosit di unattivit finanziaria. La varianza di una serie finanziaria un parametro fondamentale per loperativit dell'investitore. Infatti, linvestitore vorrebbe trovare il giusto compromesso fra il rendimento medio atteso e la rischiosit, misurata proprio dalla varianza. Accettare l'ipotesi di varianza costante nel tempo (detta ipotesi di omoschedasticit e quindi stazionarie) di fatto vuol dire introdurre nell'analisi della serie un elemento fortemente distorcente soprattutto per quanto riguarda la stima dei parametri dei modelli econometrici e i relativi test. Le analisi empiriche mostrano, infatti, che grandissima parte delle serie finanziarie caratterizzata da un comportamento non costante, ovvero eteroschedastico, della loro varianza. Generalmente la volatilit sembra assumere un comportamento particolare a seconda del rendimento: in fasi di mercato crescenti i rendimenti tendono ad essere caratterizzati da una volatilit inferiore rispetto ai rendimenti legati a fasi discendenti dei titoli, sintomo questo di una vischiosit dei corsi al rialzo (Schwert, 1989). Unaltra caratteristica, empiricamente evidente nelle serie finanziarie, che le loro distribuzioni di probabilit sono leptocurtiche20. Le distribuzioni leptocurtiche hanno la particolarit di assegnare una maggiore probabilit ad eventi molto lontani dal valor medio della distribuzione rispetto alle probabilit che sarebbero assegnate a tali eventi da una distribuzione normale (detta mesocurtica). Per questo motivo si parla di distribuzioni con code spesse. La presenza di leptocurtosi compatibile con lipotesi di varianza dipendente dal tempo. Eteroschedasticit e code spesse della distribuzione di probabilit sono i due connotati di fondo delle serie finanziarie, a cui si possono aggiungere altri elementi peculiari, primo fra tutti la persistenza di shock esogeni sui titoli e sulle loro quotazioni. A ci 13

si aggiunge il comportamento asimmetrico, evidenziato dalle quotazioni, in base al quale shock negativi sembrano incrementare la volatilit pi di quanto non facciano shock positivi (leverage effect). Le Baron (1992) ha messo in risalto come volatilit e correlazione dei rendimenti abbiano caratteristiche contrapposte, per cui a bassa volatilit corrisponde alta correlazione e viceversa: intuitivamente, piccole escursioni dei titoli, tipiche di fasi di stagnazione del mercato, sono legate da una forte correlazione lineare.

I modelli ARCH e GARCH


I modelli ARCH, proposti dalleconometrico Engle (1982), possiedono molte delle caratteristiche , nei loro parametri teorici ,che possono mimare relativamente bene il comportamento delle quantit empiriche calcolate sulle serie finanziarie. Essi hanno, ad esempio, una componente erratica (quella a cui si pu assegnare il compito di interpretare i rendimenti) che non autocorrelata, invece la sua varianza non costante nel tempo ed autocorrelata, infine la distribuzione si presenta con le caratteristiche delle distribuzioni leptocurtiche. La formulazione di questi modelli pu essere sintetica ma necessario avere familiarit con le nozioni probabilistiche ed econometriche: si prover perci a darne ragione in modo il pi possibile discorsivo. Anzitutto si osservi che il modello dei prezzi: pt = pt-1+ rt pu essere riscritto, alla luce dellassunzione del processo martingala [E(pt| pt-1) = pt-1], nel seguente modo: pt = E(pt| pt-1)+ rt Questa rappresentazione dice che il prezzo al tempo t dato dallaspettativa che loperatore si formato sulla base delle informazioni disponibili nel periodo precedente pi il rendimento effettivo per lo stesso tempo t. Qualora ci si chieda in che modo oscillano i prezzi, la risposta implicita nel concetto di varianza o volatilit; anche la varianza pu essere calcolata in modo condizionale rispetto alle informazioni disponibili. Siccome laspettativa non ha variabilit (ha variabilit zero) e i rendimenti 14

sono indipendenti o non correlati rispetto allaspettativa, si pu dedurre la seguente relazione: V(pt| pt-1) = V(rt| pt-1), cio la volatilit dei prezzi uguale alla volatilit dei rendimenti. La sua variabilit pu esprimersi, in generale, attraverso una funzione delle informazioni disponibili al tempo t-1, vale a dire: V(rt| pt-1) = f(pt-1). Dalle assunzioni sulla forma della funzione f(pt-1) discendono varie classi di modelli. La classe di modelli ARCH assume che f(pt-1) sia definito come combinazione lineare di un preassegnato numero p di rendimenti quadratici rt-12, rt-22, . . ., rt-p2. Il numero di rendimenti quadratici coinvolti segnalato attraverso la notazione ARCH(p). Un limite dei modelli ARCH pu essere dato dal numero troppo elevato di rendimenti necessari per adattarlo ai dati osservati. Per superare questo limite, Bollerslev (1986) propone di utilizzare una classe di modelli pi generale, detta dei processi ARCH generalizzati (GARCH). Definita con ht = f(pt-1) la varianza condizionale al tempo t, la classe dei modelli GARCH assume che tale varianza sia definita come combinazione lineare di un preassegnato numero p di rendimenti quadratici (come per la classe dei processi ARCH) e di un preassegnato numero q di varianze condizionali ritardate nel tempo, cio ht-1, ht-2, ..., ht-q. Anche in questo caso il numero dei rendimenti e delle varianze utilizzato nel modello indicato dalla notazione GARCH(p,q); nella pratica econometrica raramente si utilizzano modelli dordine superiore al modello GARCH(1,1).

L ARCH in formule

Una delle caratteristiche fondamentali di tali processi la presenza di una distribuzione della varianza condizionata del termine derrore omoschedastica. In realt piuttosto frequente osservare come numerose serie finanziarie presentino un andamento eteroschedastico della varianza 15

condizionata. Si parla di varianza condizionata poich si fa riferimento a quella porzione della variabilit della serie spiegata dal modello utilizzato. In generale, data una generica variabile casuale Yt , il valore atteso e la varianza non condizionata sono espressi dalle seguenti relazioni: E (Yt ) = ;

V (Yt ) = E[(Yt ) 2 ] = 2 .
Se la medesima variabileYt pu essere spiegata da un set informativo I t 1 , il valore atteso e la varianza condizionata sono dati da: mt = E (Yt / I t 1 ); V (Yt / I t 1 ) = E[(Yt mt ) 2 / I t 1 ] = E (et2 / I t 1 ) , da cui si ricava che la varianza condizionata coincide con lo scarto al quadrato et2 . Se si assume che il set informativo I t 1 rappresentato dalla combinazione lineare dei p valori passati della stessa variabile Yt , i due momenti condizionati diventano: mt = + 1Yt 1 + ... + p Yt p ; V (Yt / I t 1 ) = E[(Yt 1Yt 1 ... p Yt p ) 2 ] = E[et2 / I t 1 ] Leteroschedasticit si evidenzia osservando il secondo momento condizionato, spesso caratterizzato da periodi di forti oscillazioni alternati a periodi di calma. Conseguentemente a ci sembrato inopportuno lutilizzo di processi con varianza condizionata omoschedastica. In questottica si cercato di individuare delle variabili significative che spiegassero landamento della varianza condizionata. Il primo a fornire una risposta a tale problema stato Engle, proponendo il processo ARCH(p). La sigla ARCH st per Autoregressive Conditional Heteroschedasticity with Estimates of the Variance. Lidea alla base del lavoro dEngle consisteva nellassunzione di una varianza condizionata che dipendesse dal passato. Engle parte da un processo stocastico autoregressivo dordine uno poich la modellistica ARIMA si era rivelata un ottimo strumento previsivo 16

proprio per luso che in essa era fatto della media condizionata della variabile in esame nellinsieme delle informazioni disponibili. Lidea era quella di introdurre le informazioni passate anche nella varianza condizionata oltre che nella media condizionata. In tal modo utilizza una nuova classe di processi stocastici caratterizzati da incorrelazione seriale e media nulla, con varianza non condizionata costante e varianza condizionata non costante ma dipendente dal set dinformazioni disponibile al tempo t-1. Il modello, da un punto di vista formale, risulta essere:

t = zt ht1/ 2 ;
ht = h( t21 , t2 2 , t23 ,......., t2 p , ); con :

t / t 1 > N (0, ht ); zt i.i.d .; E ( zt ) = 0; Var ( zt ) = 1;


dove p lordine del processo ARCH ed un vettore di parametri incogniti, h varianza condizionata.

17

Il modello GARCH(p,q)
Uno dei problemi generalmente riscontrabili nella stima dei modelli ARCH costituito dalla necessit di introdurre una quantit considerevole di ritardi temporali nellequazione della varianza condizionata. Al fine di disporre di una parametrizzazione pi parsimoniosa del modello si pens (T.Bollerslev, Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics 1986) di utilizzare la stessa logica che permette di passare dai processi AR(p) ai processi ARMA(p,q). La varianza dellerrore stata perci definita sulla base di un processo eteroschedastico generalizzato autoregressivo dordine p, q: ht = 0 + 1 t21 + ... + p t2 p + 1 ht 1 + ... + q ht q = 0 + ( L) t2 + ( L)ht ; con 0 > 0;

1 , 2 ,..., p 0 1 , 2 ,..., q 0 ;

Il comportamento della varianza condizionata dipende dunque, oltre che dagli errori passati al quadrato, anche dai valori antecedenti della varianza stessa. Risulta inoltre immediato che per q=0 si ricade nella modellistica ARCH(p). Lanalisi del processo condotta in modo analogo a quella gi vista per il modello ARCH(p), portando alla conclusione che la stazionariet in covarianza di un processo GARCH(p,q) lineare possibile, se e solo se, soddisfatto il seguente vincolo:
p q

+
i =1 i j =1

< 1.

Oltre a ci il calcolo della Kurtosi mostra che anche in questo caso la distribuzione degli t leptocurtica. Va sottolineato infine che stato dimostrato che le propriet statistiche degli t al quadrato sono simili a un processo ARMA perci la procedura di identificazione degli ordini p e q comunemente usata pu essere analoga a quella indicata da Box e Jenkins per lidentificazione dei modelli classici ARMA (p, q), inoltre con lausilio di un Likelihood Ratio Test, posso verificare lequivalenza fra un GARCH (1,1) e un GARCH (2,1), per esempio.

18

LApplicazione Empirica
La ricerca del miglior strumento possibile per ottenere profittevoli operazioni di trading ,ha portato allo sviluppo di sistemi complessi per la previsione e la gestione delle attivit dinvestimento con alterni risultati . I mercati finanziari moderni offrono una vasta gamma di strumenti finanziari per investire e speculare che sono utilizzati dalle diverse figure professionali che , ogni giorno, operano in essi. Lidea di poter conoscere a priori landamento della volatilit di una serie storica finanziaria pu essere un elemento chiave per implementare un trading system del tipo break-out volatility. Le piattaforme professionali Tradestation e Metastock , permettono la scrittura, la programmazione ed infine limplementazione dei trading system(e la relativa fase dottimizzazione e verifica della loro efficacia),per passi successivi.Abbiamo programmato lalgoritmo (ossia la funzione base), un indicatore ed infine implementato il trading system(questa fase ancora in atto vista la complessit della scrittura e luso congiunto di piattaforme informatiche di natura diversa).La funzione base la deviazione standard ossia la volatilit,che stata la linea guida della costruzione del sistema con lidea di individuare una regola di set-up ed entry e simultaneamente di gestire le posizioni gi in essere attraverso regole di stop-loss e reversal .Per testare il trading system e la sua profittevolit, abbiamo scelto uno strumento finanziario caratterizzato da una volatilit non costante , liquido(cio presenza di compratori e venditori),e con un elevato effetto leva. Di seguito spieghiamo cos questo strumento finanziario ossia il Future e perch si usa. Nelle sezioni successive procediamo allanalisi della serie storica e con lausilio dellapproccio econometrico si cerca di modellare la volatilit e di prevederla. 19

Lo strumento derivato: il FUTURE


Che cosa sono i futures. Il futures un contratto che impegna ad acquistare o vendere, ad una data futura, una determinata quantit di merce o attivit finanziaria ad un prezzo prefissato. Le contrattazioni dei futures in Borse specializzate e regolamentate danno origine a dei prezzi pubblici e ufficiali. Le quotazioni sono fissate mediante una trattazione alle grida (al Pit) nelle Borse maggiori (Chicago, Londra). Nelle altre Borse (aperte in epoca pi recente) le trattazioni avvengono con il sistema telematico, per esempio il Mif (Mercato italiano dei futures) un mercato esclusivamente telematico. I contratti conclusi nelle Borse regolamentate devono rispondere a dei requisiti (altamente standard) sia in termini di quantit che di qualit dello strumento sottostante. La consegna del bene o dellattivit finanziaria deve avvenire in periodi fissi (normalmente sono previste quattro scadenze per ogni anno), secondo quantitativi fissi per ogni singolo contratto e, in alcuni casi, il luogo della consegna e la quantit sono elementi predeterminati. Attraverso la standardizzazione dei contratti si cercato di aumentare la liquidit del mercato e di ridurre, quindi, i costi degli operatori. Con la concentrazione degli scambi in un unico luogo, invece, si voluto favorire la trasparenza dei prezzi per far s che essi riflettano leffettiva domanda e offerta. Il contratto futures, particolarmente se si tratta di un financial futures anzich un commodity futures, raramente regolato mediante la consegna fisica del bene. Normalmente, la sua liquidazione avviene con il pagamento della differenza del valore (positiva o negativa) rilevata fra il mercato a contanti ed il prezzo indicato nel contratto a termine (cash settlement). Lacquisto o la vendita di un contratto futures genera dei profitti o delle perdite che sono giornalmente calcolati e accreditati o addebitati sul conto che ogni operatore ha presso la clearing house (si tratta del principio marking to market).Landamento delle quotazioni del futures connesso alle aspettative di prezzo dellattivit sottostante. Il prezzo del derivato, risultante dalla combinazione tra domanda e offerta, rappresenta il punto dequilibrio delle 20

aspettative formulate dal mercato. Pertanto, il prezzo del futures tende a convergere al valore del sottostante man mano che si avvicina la data di scadenza. Per quanto concerne i prezzi dei futures, normalmente predefinita la minima variazione di prezzo che in gergo definita tick .Nel mercato italiano un tick corrisponde ad un incremento minimo di cinque punti A cosa serve il futures. Lazienda o il privato che effettua una compravendita in futures pu avere due finalit prevalenti. La prima quella di copertura, vale a dire loperazione eseguita per eliminare un rischio sorto nel corso di unattivit economica (un esempio pu essere quello dellazienda esportatrice che si copre dal rischio di cambio o dal rischio dinteresse). La seconda quella di speculazione. Loperatore si serve di contratti futures per speculare su eventuali differenze fra le sue aspettative concernenti i movimenti futuri dei prezzi e le attese correnti del mercato. I futures (e in generale i derivati) permettono di gestire in modo efficiente i rischi legati allandamento di un portafoglio poich rappresentano una sorta di polizza assicurativa. Lacquisto di titoli di Stato soggetto ad un rischio specifico, connesso allandamento dei tassi dinteresse, la compravendita in valute incorpora il rischio di cambio e quella in azioni implica il pericolo di variazioni di prezzo contrarie alloperazione eseguita. Questi rischi possono essere efficacemente coperti mediante lutilizzo di futures. In particolare, essi consentono di coprire il rischio mediante lapertura di posizioni a termine contrarie a quelle sorte dalle contrattazioni a pronti. Tuttavia, sono rare le cosiddette coperture perfette (perfect hedge), vale a dire operazioni di hedging che eliminano completamente il rischio. I principali motivi di ci sono: 1) la durata della copertura diversa dalla scadenza naturale del futures; 2) la merce o lo strumento finanziario che deve essere coperto non coincide con lattivit sottostante del futures; 3) non si conosce esattamente la data dacquisto o di vendita della merce o del prodotto finanziario.

Il financial futures. Il financial futures un contratto che obbliga il contraente ad acquistare, o a vendere uno strumento finanziario ad una data 21

futura e ad un prezzo prefissato. Si distinguono tre tipologie principali: 1) linterest rate futures; 2) il currency futures; 3) lo stock index futures. Linterest rate futures. Linterest rate futures un financial futures dove lo strumento finanziario sottostante rappresentativo di un tasso dinteresse. In altri termini, si tratta di un contratto che impegna a consegnare o a ricevere, uno strumento finanziario che pu consistere in titoli di Stato. . Il currency futures. Nel currency futures i contraenti si obbligano a cedere, o a ricevere, a termine un certo ammontare di valuta ad un cambio prefissato. Loggetto della compravendita , in questo caso, una divisa. Lo stock index futures. Un indice di borsa una media dei prezzi delle azioni che lo costituiscono.Esso rappresenta landamento del mercato mobiliare cui si riferisce, ovvero di una sua frazione, ed ha la funzione di informare il pubblico dellandamento delle quotazioni di un insieme di titoli trattati. Oltre a adempiere un ruolo informativo, gli indici di borsa svolgono anche una funzione economica. Essi possono costituire lattivit sottostante di contratti a termine.Lo stock index futures un contratto che obbliga il possessore a comprare o a vendere ad una data scadenza un indice di borsa ad un prezzo prefissato. Il suo funzionamento del tutto simile a quello dogni altro contratto a termine. In questo caso lentit sottostante un indice, quindi un numero, e ci non deve disorientare. Si pu pensare, infatti, che il sottostante sia un portafoglio azionario identificato dallindice (o un suo multiplo). Poich non sempre possibile costruire un portafoglio rappresentativo di un indice (costi elevati, indivisibilit delle azioni, ecc.), alla scadenza di uno stock index futures non si procede alleffettiva consegna del portafoglio sottostante, bens alla liquidazione per contanti. Alla data di scadenza del contratto, se il livello dellindice superiore al prezzo a termine pattuito, il compratore a termine dellindice riceve dal venditore la differenza, mentre se il valore dellindice inferiore al prezzo pattuito il compratore che versa al venditore la differenza. Come per le altre tipologie di futures, anche gli stock index 22

futures sono scambiati in borse organizzate. Ci significa che si tratta di contratti caratterizzati da un rischio dinsolvenza della controparte nullo, da unelevata liquidit e da una notevole trasparenza nel processo di formazione del prezzo. Le funzioni economiche degli stock index futures possono essere molteplici. Limpiego pi importante quello di copertura. Si tratta di strumenti dindubbia efficacia ed utilit nella gestione dei portafogli azionari diversificati. La copertura di un portafoglio diversificato pu avvenire mediante la vendita di stock index futures (oltre che con altri derivati come le opzioni). Il detentore di un portafoglio composto di diverse azioni pu proteggersi da eventuali ribassi dei corsi azionari attraverso i guadagni derivanti dalla posizione in futures. Questa strategia fa s che il portafoglio dazioni si trasformi in un portafogliosintetico di titoli di Stato a breve termine e presenta dei vantaggi rispetto alla strategia di vendita delle azioni ed acquisto dei titoli di Stato. Lo stock index futures si presta anche ad un uso speculativo. Un operatore sulla base delle sue aspettative sul futuro andamento del mercato azionario pu acquistare o vendere contratti a termine sullindice. Non bisogna, tuttavia, sottovalutare la pericolosit di questo strumento (la chiusura di numerose gestioni in derivati proposte da banche e sim italiane testimonia ci). Uno stock index futures il Fib 30 che un contratto a termine sul Mib 30.Lindice Mib 30 un indice a pesi fissi basato sulle trenta azioni italiane pi liquide e a pi ampia capitalizzazione. La sua composizione rivista una volta lanno (salvo eventi straordinari). Questindice costituisce lentit sottostante del Fib30. Per poter eseguire operazioni di compravendita necessario depositare un margine di garanzia che non pu essere inferiore al 4% del controvalore di ciascun contratto Fib 30 valorizzato al prezzo di chiusura del giorno precedente. La garanzia pu essere in denaro ovvero in titoli di Stato, mentre gli eventuali reintegri devono essere fatti esclusivamente in contanti. Le scadenze previste in un anno sono quattro, rispettivamente nel mese di marzo, giugno, settembre e dicembre, e lultimo giorno di contrattazione di ciascun mese di scadenza coincide con il terzo venerd del mese solare. Non prevista la consegna fisica dei titoli che compongo lindice Mib 30. Per la determinazione del valore delle posizioni contrattuali ancora aperte successivamente alla chiusura delle contrattazioni nellultimo giorno, si procede al calcolo 23

dellindice Mib 30 considerando i prezzi dapertura dei titoli che lo compongono.La maggioranza delle operazioni effettuate nel mercato del Fib 30 sono di tipo speculativo. Si stima che solo il 20% del totale delle operazioni ha finalit di copertura dei rischi di portafoglio e il 10% riguarda arbitraggi. Il restante 70% degli scambi ha finalit speculativa (il 40% circa sono operazioni della durata dalcune ore o giorni e il 30% hanno durata di poche settimane o mesi).Si consideri lesempio di un operatore che decide di eseguire un trade (operazione dacquisto o vendita da tale termine nasce il termine trader) sul Fib 30 della durata di pochi minuti al fine di speculare su piccoli movimenti dei corsi. Lelevato leverage, infatti, consente di ottenere buoni guadagni anche su piccole fluttuazioni di prezzo. Alle ore 10,30 la quotazione del Fib 30 28250. Loperatore decide di acquistare n contratti perch pensa che la tendenza intragiornaliera dei prezzi sar al rialzo. Pertanto alle 10,35 il trader comunica al broker di voler comprare n contratti al prezzo di 28300 on stop, stop loss a 28150 (luso dello stop loss sempre consigliabile data la pericolosit di questo strumento derivato). Il broker gli d leseguito a 28305 (per semplicit assumiamo che tutti gli n contratti siano stati comprati allo stesso prezzo). Alle 10.45 il valore del Fib 30 a 29150. A questa quotazione l operatore ritiene opportuno chiudere il trade poich pensa che sia vicino un movimento discendente. Pertanto, comunica al suo broker di vendere al meglio(tipo dordine di vendita ) gli n contratti precedentemente acquistati. Lordine impartito eseguito al prezzo di 29100. Il profitto derivante dalloperazione di 795 punti al lordo delle commissioni. Naturalmente, in questo esempio si considerato il caso in cui laspettativa delloperatore corretta. Tuttavia, qualora lattesa si fosse verificata errata (i prezzi incominciano a scendere dopo lesecuzione dellordine), la perdita delloperatore sarebbe stata di circa 150 punti (dipende dal prezzo di vendita; comunque, salvo casi particolari, questo valore si colloca vicino allo stop loss).

Gli strumenti danalisi. Come pi volte ribadito, da un punto di vista operativo, le finalit principali del futures sono quelle di copertura e speculazione. In conformit a questi fini varia loggetto dellanalisi che un 24

attento operatore dovrebbe effettuare per utilizzare in modo appropriato lo strumento futures. Per unefficace copertura di una posizione cash si deve studiare attentamente la relazione tra prezzi spot e futures e prevederne la sua evoluzione nel futuro oltre che la volatilit, mentre per un uso speculativo utile stimare landamento futuro dei prezzi del sottostante e del futures, oppure degli spread fra le quotazioni di derivati diversi. Due strumenti idonei a svolgere queste analisi sono la statistica e leconometria. Un appropriato utilizzo di questi strumenti danalisi richiede un continuo studio e luso di metodologie che non sono sempre di facile applicazione.

25

Il FUTURE visto come serie storica


Per questa analisi abbiamo rilevato il valore del contratto future dal 20/07/2001 fino al 11/11/2002 ogni 15/30/60 minuti e giornalmente(daily) cos da avere quattro serie storiche. Nella tabella qui di sotto sono riportati i parametri statistici che caratterizzano le quattro serie storiche ottenute rilevando il valore del future. Le ipotesi che le serie storiche da me trattate siano leptocurtiche, assimetriche, non stazionarie e eteroschedastiche confermata dai valori dellindice di Kurtosi (ben oltre tre, valore limite per la mesocurtosi, quindi code spesse), da quello di Skewness21 (negativo, quindi assimetriche), dai grafici pi che eloquenti dellautocorrelazione (anche parziale e di secondo ordine) e dalla non costanza della varianza calcolata asintoticamente.

26

Tabella.1:Tabella relativa ai parametri statistici delle quattro serie

Parametri statistici Min Mean Median Max Total N. Std Dev. Variance Skewness Jarque-Bera Kurtosis

Future 15min -0.0470 -4.6964e 005 0 0.0474 9149 0.0035 1.2547e005 -0.2706 1 40.2392

Future 30min -0.0510 -9.5128e005 0 0.0481 4578 0.0050 2.4520e005 -0.2066 1 23.3788

Future 60min -0.0579 -1.7653e004 0 0.0545 2467 4139.852 1713.837 -0.1717 1 15.0736

Future daily -0.1043 -9.3801e-004 -0.0016 0.0763 476 0.0184 3.3925e-004 -0.1593 1 5.7293

(Note:parametri che ci permettono di poter capire che tipo di distribuzione caratterizza la


serie, se essa ha code spesse, assimetria ,e se lo vedendo che valori assume la media e la mediana , capire se assimetria positivamente o negativamente-output Matlab )

27

Il passo successivo stato quello di verificare la non stazionariet delle serie attraverso il computo e la rappresentazione del correlogramma e del correlogramma parziale.Per confermare tale ipostesi il correlogramma deve presentarsi con un andamento decadente lento,mentre il correlogramma parziale deve presentare un decadimento repentino dopo il primo lag (ritardo).Poich come software danalisi si utilizzato Matlab ( con gli applicativi Garch e Statistic tool), si fa rilevare che lipotesi di non stazionariet confermata se i grafici presentano valori compresi in delle bande che vanno da 0,1 e 0,1, tale rappresentazione caratteristica di tale software. Le figure confermano le ipotesi di non stazionariet: Fig.2:Grafici relativi alla serie rilevata a 15 minuti-30minuti,60minuti e daily

28

29

Fig.3: Grafici relativi alla serie rilevata giornalmente

30

(Note:i grafici rappresentano i rendimenti calcolati (returns) ,il correlogramma, il correlogramma parziale e quello di secondo ordine. Landamento soprattutto del correlogramma,di quello parziale e secondo ordine, ci permettono di poter capire se le serie risultano essere stazionarie oppure no output Matlab)

Dallanalisi dei grafici dove si evince la non stazionariet, si passati alla modellizzazione della volatilit. Particolare attenzione si dovuta porre sulla scelta dei parametri p,q che caratterizzano il modello GARCH.. Per la scelta del modello migliore applicabile alla serie , ho seguito la procedura indicata dallo stesso software, che prevede una serie di prove , con relative variazioni dei parametri p,q e lausilio di un test statistico unidirezionale per la scelta definitiva. Tale analisi stata effettuata per tutte le quattro serie 15/30/60 minuti e daily sfruttando la funzione garchset e applicando il Likelihood Ratio Test.

31

Evidenza empirica della scelta del modello G.A.R.C.H. (1,1) e G.A.R.C.H. (2,1)
a) SERIE DAILY:stima parametri caratteristici con modello GARH(1,1) Value (T statistic) -0.00082562 (-0.8099) 45915e-006 (0.7854) 0.91332 (15.4962) 0.072757 (1.6158) LLF11=638.3942

Parameter C K GARCH(1) ARCH(1)

b) SERIE DAILY:stima parametri caratteristici con modello GARH(2,1) Value (T statistic) -0.0008274 (-0.799) 46015e-006 (0.5881) 0.91317 (0.5754) 0 (0) 0.072881 (0.662) LLF11=638.3942

Parameter C K GARCH(1) GARCH(2) ARCH(1)

32

b)SERIE 15/MINUTI: stima parametri caratteristici con modello GARH (1,1)

Parameter C K GARCH(1) ARCH(1) LLF11=39670

Value (T statistic) -2.3117e-005 (-0.7727) 25324e-009 (9.4963) 0.99404 (10504.1807) 0.0059175 (65.2425)

d) SERIE 15/MINUTI :stima parametri caratteristici con modello GARH (2,1) Value (T statistic) -4.9098e-005 (-1.5693) 1.1255e-008 (17.3539) 0.18225 (1664.0926) 0.80477 (7181.5359) 0.012639 (580473) LLF11=39687

Parameter C K GARCH(1) GARCH(2) ARCH(1)

33

Applicando il Likelihood Ratio Tests, con ipotesi nulla uguale allequivalenza di un modello GARCH (1,1) con un GARCH (2,1), posso concludere che per una serie a cos alta frequenza, come quella a 15 minuti, stata rifiutata lipotesi nulla al contrario di quella scelta, ossia in questo caso per modellare e predirne la volatilit preferibile un modello GARCH (2,1), come si evince dalloutput del test effettuato:
H 1 pValue 3.2973e009 Stat 34.9998 CriticalValue 3.8415

Per tutte le altre daily,60/30 minuti va bene un modello GARCH (1,1)

34

Previsione della Volatilit


Dopo aver constatato che possiamo usare un modello GARCH (1,1) per la serie giornaliera /60 minuti e 30minuti ,al contrario di quella a 15 minuti (per cui si usato un modello GARCH (2,1) si passati a stimare la volatilit. Si imposto al modello di prevedere una deviazione standard e varianza anche nel futuro per 15 periodi (giorni,ore e mezze ore ) e 40 periodi (quarti dora) ,previsione che stata possibile sfruttando a pieno le funzioni del GARCH -TOOL di Matlab. Sono stati calcolati anche dei parametri caratteristici che confermano le ipotesi teoriche che sottendono il modello, e poi opportunamente poste in tabella. Nelle prime due righe sono stati riportati i valori calcolati dei minimum mean square error (MMSE) relativo alla previsione della deviazione standard e della media condizionata su un solo periodo (giorno/ora/mezzora/quarto dora). Al contrario di quelli riportati nella terza e quarta riga ,dove invece si sono calcolati supponendo una previsione asintotica, ossia prevedendoli per periodi molto ,molto lunghi ,per esempio per larco temporale relativo alla serie a 15 minuti ,si imposto al modello di effettuare una previsione di 30000 periodi nel futuro. Levidenza empirica mostra come la media condizionata rimane costante per ogni periodo previsto mentre la previsione della deviazione standard cambia da periodo a periodo

35

Tab.2:Tabella parametri teorici/caratteristici

Future daily
MMSE forecasts of the conditional standard deviations conditional mean of the return series the unconditional standard deviation of {et} 0.0151

Future 60m.
0.0062

Future 30m.
0.0046

Future 15m.
0.0032

Previsione fatte sui returns (rendimenti) ma su un solo periodo -0.0006 -0.0002 -0.0001 -0.0000

0.0244

0.0079

0.0052

0.0057 Previsioni fatte su periodi che vanno dai:15giorn,15ore, 15 mezze ore e 40 quarti di ora

AsyBehaviour: f forecast of the conditional mean and s.t.d

0.0151/18 (crecente) -0.0006(k)

0.0062;/65 (crecente) -0.0002(k)

0.0046/48 (crecente) -0.0001(k)

0.0031/32/33(crecente) 0

(Note:si riportato volutamente i valori della deviazione standard e quella della media condizionata rilevati su un periodo e asintoticamente,proprio per risaltare come nel secondo caso la deviazione standard risulta essere crescente a differenza della media)

Qui di seguito sono riportati i grafici relativi alle quattro serie . Si pu vedere la previsione relativa alla deviazione standard e alla varianza dei rendimenti

36

Fig.4:Grafici relativi alla previsione della deviazione standard della serie a rilevazione giornaliera,sessanta /trenta /quindici minuti

(Note:si rileva la previsione della deviazione standard e della varianza ,anche


asintoticamente, per la serie a rilevazi0one giornaliera output Matlab)

37

(Note:si rileva la previsione della deviazione standard e della varianza ,anche


asintoticamente,per la serie rilevata a 60 minuti -output Matlab )

38

(Note:si rileva la previsione della deviazione standard e della varianza ,anche


asintoticamente,per la serie rilevata a 30 minuti -output Matlab)

39

(Note:si rileva la previsione della deviazione standard e della varianza ,anche


asintoticamente, per la serie a 15 minuti ,ma con il modello GARCH(2,1) -output Matlab )

40

Come ultima analisi abbiamo voluto testare se la previsione della volatilit risulta essere attendibile anche nel futuro, ossia verificare la presenza di un eventuale differenza fra valori teorici e quelli empirici. Per questo abbiamo rielaborato la serie del contratto future rilevazione daily, fino al 6/12/2002 ,ossia 15 osservazioni in pi , lequivalente del numero di periodi previsti dal nostro modello sulla volatilit. Come si evince nella fig.5 il comportamento della volatilit del Future risulta essere concorde con quello previsto dal modello, infatti lo stesso, prevede una crescita della volatilit nei 15 periodi successivi(in questo caso corrispondono ai 15 giorni successivi) che mostrata nel grafico seguente ed evidenziata attraverso il cerchio. . Fig.5:Grafico relativo alla rilevazione della deviazione standard del future daily rilevato fino al 06/12/2002

41

LAlgoritmo,lindicatore e il trading system

Qui di seguito sono riportati una serie di grafici ottenuti con lutilizzo del Tradestation, ma lo stesso output ottenibile anche con lutilizzo del Metastock, che ci permettono di comprendere intuitivamente loperativit del trading system, realizzato appunto con lintento di sfruttare appieno la modellistica econometrica.. Sistema automatico che ancor oggi in fase di implementazione ed ottimizzazione,perch la Mathworks da poco tempo ci ha reso disponibile linterfaccia che permette lelaborazione dei dati in real time,cos da poter conoscere e modellare la volatilit in tempo reale. Nel primo grafico si mostra il Future (linea continua nera e pi marcata) e lindicatore, che consiste in quattro linee(tratteggiate), che sono i livelli soglia calcolati dallalgoritmo sfruttando la deviazione standard del Future. Lidea di base ,come gi detto sfruttare questi livelli soglia per ottimizzare loperativit su tale strumento finanziario. Il sistema in fase di implementazione ha un operativit temporale di tipo giornaliera, le regole di set-up ed entry non sono strettamente legate allandamento della volatilit anche se il primo livello soglia (color Magenta) potrebbe essere sfruttato per tale fine, al contrario delle regole di stop-loss e reversal (verde,celeste,rosso) che sono state codificate tenendo conto dellandamento della volatilit.Nel trading system che si sta elaborando (tenendo conto del numero max di operazioni che si vogliono effettuare, del drawdown su operazione,etc..) si constatato che per una migliore ottimizzazione si sono resi necessari i primi due livelli soglia tarati diversamente a seconda della previsione della volatilit effettuata su 15 e 30 periodi. Se si passa invece allutilizzo di una serie rilevata a 1/5/15/30/60 minuti il sistema deve usare tutti i livelli soglia calcolati dallindicatore, tarandoli su previsioni della volatilit fatta su 15/30/60/90 periodi, perch luso congiunto risulta essere provvidenziale, per una gestione al meglio delle posizioni in essere(quando si acquistato o venduto il future). Infatti si riesce a filtrare quei comportamenti erratici che la serie pu presentare nellarco della stessa giornata , per esempio quando 42

pubblicata una notizia relativa ad un dato economico o societario che pu influenzare landamento del mercato sia in senso ascendente che discendente.Qui di seguito sono riportati i grafici con inserito lindicatore Fig.6:Grafico del Future rilevazione giornaliera e dellindicatore.

Fig.7:Grafico del Future rilevazione giornaliera ,relativo al periodo del 11/09/2001

43

Effettuando una serie di simulazioni passando da modelli con ordine dei ritardi differenti a serie con rilevazione da 1 minuto fino alla settimanale , si potuto riscontrare e confermare che a cambiamenti nel trend anche di breve periodo corrispondono aumenti della volatilit , quindi presenza di volatilit clustering. Attraverso il modello G.A.R.C.H ho previsto un incremento della deviazione standard, ossia un aumento della volatilit. Sulla base di questa informazione si ottimizzano i parametri di controllo dellindicatore e quindi la stessa funzionalit del trading system. Fig.8:Grafici del Future,in cui si evince loperativit del trading system si evidenzia il bottom (picco negativo) del future.

44

Riporto nuovamente la previsione della volatilit relativa alla serie storica del future estendendo larco temporale dirilevazione

Come si evince dal grafico ,si vede lestensione ascendente del Future

45

In questo grafico si mostra lo stesso indicatore ma implementato su METASTOCK.

46

NOTE
1

Processo autoregressivo del tipo yt=ayt-1+ut con media zero e varianza pari sigma quadro,

in cui per il processo autoregressivo a radice unitaria . Caratteristiche simili a quelle del moto oscillatorio -moto browniano- seguito da piccoli granelli di polline sospesi in una soluzione liquida,scoperto nel 1827 dal botanico Robert Brown.
4

Gi esplicitati precedentemente, comunque i rendimenti giornalieri sono stati calcolati nella forma usuale come la differenza tra i logaritmi dei prezzi azionari al tempo t ed al tempo t-1. La differenza logaritmica definisce in modo esatto il rendimento composto continuo, cio quel rendimento che si ricava da una capitalizzazione continua nel tempo.

Per mercato sottile si intende un mercato in cui i beni scambiati sono contraddistinti da bassi volumi ,orari di contrattazione ridotti e scarsa attenzione da parte degli investitori.

18

Lo spazio fondamentale linsieme degli eventi possibili. Quando si parla di variabili casuali esso coincide con il campo desistenza di una funzione, la variabile casuale appunto, la quale va da S R con R insieme dei numeri reali.

19

In una serie storica si parla infatti di studi dei momenti fino al quarto:media, varianza,autocovarianza,autocorrelazione La leptocurtosi una propriet che pu essere espressa attraverso il valore di un parametro statistico.Questo parametro assume il valore 3 per la distribuzione normale mesocurtica, mentre superiore a tale valore nel caso di distribuzioni leptocurtiche.Tale parametro statistico lindice di KURTOSI che in serie ad alta frequenza di rilevazione raggiunge lavori di ben oltre il valore soglia di 3,per esempio su rilevazioni a 5 minuti raggiunge a 60.

20

21 23

Altro parametro statistico ,che se assume valori negativi indica assimetria. Mercato regolamentato su cui sono contrattate le opzioni legate solo allindice Mib30,al contrario del mercato IsoAlpha dove sono contrattate le opzioni legate alle azioni che formano lindice del paniere Mib30.Gli Istituiti Finanziari che provvedono a rendere il mercato liquido, nel senso da assicurare sempre una domanda ed offerta , sono indicati come Market Maker.

47

BIBLIOGRAFIA
Altman R., 1990.Parameter Optimization, Stocks & Commodities Vol.8, Bollerslev,T.(1986),Generalised.Autoregressive.Conditional.Heteroskeda sticity,Journal of Econometrics, 31, 307-327 Bollinger J., (1992)Using Bollinger Bands, Stocks & Commodities Vol.10, Bowman M. F., (1990)Dow Theory, Stocks & Commodities Vol.8, Burk M. R., (1991)Predicting the Shape of a Cycle Bottom, Stocks & Commodities Vol.9, Cartweight D., (1991)RSI as an Exit Tool, Stocks & Commodities Vol.9, Cassetti D. M., (1993 Neural Network System For Reliable Trading Signals, Stocks & Commodities Chande T. S., (1992) Adapting moving Averages to Market Volatility, Stocks & Commodities Vol.10 Diebold, F.X., Im, J. e Lee, C.J. (1988), Conditional Heteroskedasticity in the Market, Board of Governors of the Federal Reserve System Finance and Economics Discussion Series, 42, September, 24. Dorsey D., (1993)The Relative Volatility Index, Stocks & Commodities Vol.11, Dunbar B., (1987) The Stock Market Random?, Stocks & Commodities Vol.2, Engle, R.F. ,(1982) Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K. Inflation, Econometrica, 50, 987-1008. Ehers F. J., (1988)Understanding Cycles, Stocks & Commodities Vol.3, Ehers J. F., (1989)A Complete Computer Trading Program, Stocks & Commodities Vol.5, Eng W. F., (1989)A Mechanical Trading System, Stocks & Commodities Vol.4, Faber B. R., (1994)On Balance Volume Indicator, Stocks & Commodities Vol.12, Faber B., (1994)The Relative Strenght Index, Stocks & Commodities Fornasini A. & Bertotti A., (1989).Analisi tecnica dei mercati finanziari, Etaslibri, 48

Fraisse J. O., (1990)Volatility and Trading, Stocks & Commodities Vol.8, Frankel G., (1987)Investment Software Benefits, Stocks & Commodities Vol.2, Gourieroux, C. e Monfort, A. (1992), Qualitative Threshold ARCH Models, Journal of Econometrics, 52(1-2), 159-99. Goldstein S., (1989)Money Flow Analysis, Stocks & Commodities Vol.6, Gordon N., (1989)Artificial Intelligence, Stocks & Commodities Vol.5, Hoover G., (1994)The Market Facilitation Index, Stocks & Commodities Vol.12, Hull R. W.,(1989)Using Basic Statistic for Stops, Stocks & Commodities Vol.4, Hutson J.,(1989)Maximizing Profits with Stops Orders, Stocks & Commodities Vol.5, Jani A.,(1994)Simulating Trading Portfolios, Stocks & Commodities Vol.12, Johnson A. B., 1990.Finding Cycles in Time series Data, Stocks & Commodities Vol.8, Kalt S., 1988.Probability of Investment Ruin, Stocks & Commodities Vol.3, Kestner L. N.,(1994)Using a Moving Average System, Stocks & Commodities Vol.12, Kille S.,(1989)Finding Reliable Trading Strategies, Stocks & Commodities Vol.6, Lawlor C. J.,(1989)Cumulative Volume and Momentum, Stocks & Commodities Vol.6, Lamoureux, C.G. e Lastrapes, W.D. (1990), Heterosckdasticity in Stock Return Data LeBaron, B., (1992), Some Relations Between Volatility and Serial Correlation in Stock Market Return, Journal of Business, 65(2), 199-219. Lukac L. P., (1989)The Value of Optimization, Stocks & Commodities Maguire T. A., (1987)The Dow Theory, Stocks & Commodities Vol.2, Mason W., (1989).Ratio Accumulators, Stocks & Commodities Vol.7, McGuiness J.,(1990) Optimizing Moving Averages, Stocks & Commodities Miller R. L.,(1989)A new Cycle Analysis Trading Technique, Stocks & Commodities Vol.7, Neftci, S., (1991), Naive Trading Rules in Financial Markets and Wiener49

Kolmogorov Prediction Theory: a Study of Technical Analysis, Journal of Business, 64(4), 549-571. Nelson,(1990),Stationarity and Persistence in the GARCH(1,1) Model,Econometric Theory;6(3), 318 Nelson,(1991),Conditional Heteroskedasticity in Asset Returns: A New Approach,Econometrica, 347 Nicol D. S.,(1992)System Optimization Techniques, Stocks & Commodities Prechter R. R., (1986)Computerizing Elliot, Stocks & Commodities Vol.1, Pring M. J.,(1992)Rate of Change, Stocks & Commodities Vol.10 Pring M., ,(1993) The Volume Oscillator, Stocks & Commodities Vol.11 Star B.,(1994)The MACD Momentum Oscillator, Stocks & Commodities Vol.12, Stendhal D. C.,(1994)The Volatility Index, Stocks & Commodities Vol.12, Schwert,G,.(1989),Why Does Stock Market Volatility Change over Time? Journal of Finance; 1115 Sweeney J.,(1991)Stopping a System, Stocks & Commodities Vol.9, Taylor W. T.,(1987)Fourier Spectral Analysis, Stocks & Commodities Vol.2, Technical Analysis Staff,(1986)A technical review: Moving Averages, Stocks & Commodities Vol.1, Volume Versus,GARCH Effects, Journal of Finance, 45(1), 221-229. Warwick B., (1994)Trading With Statistics, Stocks & Commodities Vol.12, Wilder W., (1989)The Relative Strenght Index, Stocks & Commodities Vol.4, Williams L., (1988)The Ultimate Oscillator, Stocks & Commodities Vol.3,

50