niedziela, 30 lipca 2017

Usuwanie sezowości i prognozowanie przy pomocy X-13-ARIMA i TRAMO/SEATS

Różne branże, np. budownictwo, charakteryzuje sezonowość, która zniekształca obraz ich sytuacji finansowej. Jeśli dokonujemy analizy fundamentalnej albo sporządzamy prognozę ekonometryczną, to powinniśmy usunąć zmienność kalendarzową. Nazywa się to wyrównaniem sezonowym. Weźmy GUS-owski Wskaźnik ogólnego klimatu koniunktury (który jest średnią arytmetyczną z odpowiedzi na pytania dyrektorów przedsiębiorstw o aktualną oraz przewidywaną ogólną sytuację gospodarczą danego przedsiębiorstwa), który jest aktualizowany co miesiąc. Dla budownictwa w okresie 1.2001-7.2017 wygląda on tak:



Wskaźnik ten wydaje się być podany jako niewyrównany sezonowo, co nawet GUS zaznacza w tabeli. Ale zarówno w "Uwagach ogólnych" jak i "Wyjaśnieniach metodycznych" GUS stwierdza, że dane dotyczące wskaźnika koniunktury zostały wyrównane sezonowo metodą TRAMO/SEATS. Skąd taka niekonsekwencja? Nie wiem. Powinny być to dane niewyrównane, bo występuje ewidentna cykliczność. Np. gdy powiększymy ten wykres dla lat 2014-2017 to zobaczymy idealnie ten sam wzór:




Obecnie mamy do czynienia ze szczytem cyklu, tzn. że trzeba spodziewać się pogorszenia nastrojów koniunkturalnych. Czy to oznacza, że giełda powinna reagować spadkiem? Oczywiście nie, bo efektywny rynek powinien dyskontować takie informacje o sezonowości, a więc racjonalny inwestor użyje narzędzia do wyrównania sezonowego.

Są dwie znane metody do tego: pierwsza to X-12-ARIMA, która niedawno została zastąpiona przez X-13-ARIMA-SEATS, a druga to TRAMO/SEATS. Obydwie bardzo łatwo użyć w Gretlu.

Nie chcę się skupiać na teoretycznych aspektach tych metod, przejdę więc od razu do rzeczy, czyli do praktycznego zastosowania obydwu metod. Pakiety X-13-ARIMA i TRAMO/SEATS nie są automatycznie instalowane razem z Gretlem, dlatego musimy na stronie Gretla je najpierw ściągnąć i zainstalować, co nie jest żadnym problemem, bo po instalacji powinniśmy mieć te pakiety w Gretlu. Czasami mogą wystąpić problemy ze znalezieniem ścieżki. Żeby sprawdzić czy Gretl poprawnie łączy się z programem, wchodzimy w gretlu w: Narzędzia -> Ustawienia -> Ogólne -> Programy. Wyszukujemy tutaj "Ścieżka do programu X-12-ARIMA" (przynajmniej u mnie tak jest, że nie zaktualizowano nazwy na X-13-ARIMA) i "Ścieżka do programu TRAMO". Jeśli wyświetlona obok ścieżka jest błędna, to musimy ją poprawić.

Aby użyć metody, musimy mieć zaznaczoną naszą zmienną w oknie gretla,a sama zmienna musi być szeregiem czasowym o określonej wcześniej częstości, tutaj 12 miesięcy. Same programy działają po wejściu w Zmienna -> Analiza ... i w zależności od typu wybieramy program.

X-13-ARIMA-SEATS:
Przy standardowych opcjach, klikamy OK; wówczas GUS-owski Wskaźnik koniunktury budownictwa zostanie podzielony na 3 części: wyrównany sezonowo, trend/cykl oraz odchylenia przypadkowe:


Wyrównanie sezonowe nie jest filtrowaniem z odchyleń przypadkowych, a jedynie ze zmian sezonowych. Mówiąc prosto: zmienna 'wyrównany sezonowo' to zmienna złożona z dwóch części: 'trendu' oraz zmian przypadkowych.
Wynika z tego, że filtrowanie z danych sezonowych oraz ze zmian przypadkowych zawiera trend. Dlatego inwestor będzie najbardziej zainteresowany drugim wykresem, który wskazuje w jakiej fazie cyklu koniunkturalnego rzeczywiście się znajdujemy.

Oprócz wykresu dostajemy także bardzo duży zestaw statystyk, których ilość może zniechęcać do ich analizy. Ogólnie to interesuje nas tylko wybór modelu, jego parametry i istotność statystyczna. W zestawie otrzymanych danych szukamy terminu "Final automatic model choice". W tym przypadku dostajemy coś takiego:

Final automatic model choice : (0 1 1)(0 1 1)

Co oznacza, po kolei w 1 nawiasie:
AR(0) - czyli nie występuje autoregresja liniowa w oryginalnych danych (z miesiąca na miesiąc)
d = 1 - czyli oryginalne dane są niestacjonarne i trzeba je zamienić na zmiany pierwszego rzędu
MA(1) - występuje średnia ruchoma pierwszego rzędu (z miesiąca na miesiąc) w oryginalnych danych.

W 2 nawiasie:
SAR(0) - nie występuje sezonowa autoregresja
Sd = 1 - oryginalne dane są niestacjonarne i trzeba je zamienić na zmiany 12-miesięczne
SMA(1) - występuje sezonowa średnia ruchoma pierwszego rzędu w oryginalnych danych (nie mylić z Simple Moving Average z AT)

Trzeba pamiętać, że AR i MA odnoszą się do zmian z okresu na okres (tutaj z miesiąca na miesiąc). Natomiast SAR i SMA odnoszą się do zmian danego miesiąca w stosunku do zmian tego samego miesiąca z poprzedniego roku.

Istotność statystyczną sezonowości oceniamy szukając wyników do 3 testów:
- test na stabilność sezonowości: Test for the presence of seasonality assuming stability
Wynik:
Seasonality present at the 0.1 per cent level.
tj. sezonowość występuje poziomie istotności 0,1%.

- nieparametryczny test na stabilność sezonowości:Nonparametric Test for the Presence of Seasonality Assuming Stability.
Wynik:
Seasonality present at the one percent level.

- test na zmienność amplitudy sezonowości: Test na Moving Seasonality Test
Wynik:
Moving seasonality present at the one percent level
tj. wykryta sezonowość zmienia swoją wielkość (amplitudę) z okresu na okres przy 1% istotności.
Ta własność nie występowałaby gdyby np. w danym miesiącu zmiana byłaby zawsze taka sama.

Jak powiedziałem inwestor jest zainteresowany głównie trendem, a więc także jego prognozą. Jeżeli na początku zaznaczymy opcję 'Zapisywanie danych' - składnik trendowy, to możemy wykorzystać sam trend jako zmienną do prognozy. Jakie jednak przyjąć dla niej parametry? Skoro X-13-ARIMA poszukuje optymalnego modelu, to moglibyśmy ponownie wykonać całą procedurę już dla trendu - spodziewając się, że wskaże model bez sezonowości, np. (1, 1, 1)(0, 0, 0). Jak najbardziej jest to możliwe, jednak okazuje się, że gdy to zrobiłem, to dostałem:
Final automatic model choice : (3 2 1)(1 0 1) ,
co sugeruje, że sezonowość występuje także w trendzie!

Aby sprawdzić prognozę trendu, możemy wykorzystać zwykłą procedurę ARIMA (Model -> Modele szeregów czasowych -> model ARIMA) i zaznaczyć AR=3, d=2, MA=1, SAR=1, Sd=0, MA=1.

Wyniki:

Następnie sprawdzamy prognozę (Analiza -> Prognoza). Przy wyborze 12 miesięcy do przodu, można spodziewać się ożywienia w budownictwie:



Metoda ta ma ograniczenia w postaci maksymalnych rzędów części AR i MA. Jest też inna metoda. Instalujemy dodatek o nazwie armax (Narzędzia -> pakiety funkcji -> na serwerze gretla, tam wybieramy 'armax'). Dodatek ten jest fajny, bo szuka najlepszego możliwego modelu ARMAX (literka X oznacza tylko, że możemy dodać zmienną zewnętrzną do modelu) przy wybranym maksymalnym rzędzie AR i MA (nie ma tutaj ograniczeń). Ze względu na miesięczną częstotliwość, wybrałem max rząd 12 dla obydwu. I tu trzeba się zastanowić czy tak wysoki pułap chcemy sprawdzić, bo będziemy długo czekać zanim program przeliczy parametry AR i MA od 0 do 12. Jeśli zależy nam na tej liczbie, a chcemy przyspieszyć działanie, możemy zmienić metodę estymacji. Program używa dwóch metod: standardowa to dokładna metoda największej wiarogodności (exact ML), druga to metoda warunkowej wiarogodności (conditional ML).

Która metoda jest lepsza? Obydwa estymatory są zgodne, ale exact ML jest efektywniejsza od conditional ML w tym sensie, że jej wariancja jest najmniejsza [1], tzn. także lepsza od uogólnionej metody najmniejszych kwadratów - w sytuacji gdy występuje proces ARMA [2]. Ta druga jest jednak obliczeniowo bardzo szybka przy dużej liczbie parametrów.

Pamiętać należy o dwóch rzeczach: po pierwsze dodatek armax nie sprawdza sezonowości, co w naszym przypadku może być zaletą, bo już ją usunęliśmy; po drugie jeśli wiemy już, że nasz szereg jest niestacjonarną zmienną, to musimy przekształcić je w różnice (Dodawanie zmiennych -> pierwsze różnice), bo armax bada tylko model ARMAX, a nie ARIMAX.

Optimum zostaje osiągnięte, gdy kryteria AIC, BIC lub HQC osiągną najmniejszą wartość (tak jak entropia - im mniejsza, tym mniejsza niepewność co do modelu). Tutaj znów powstaje pytanie, które kryterium wybrać? Najczęściej wybierane jest AIC, jednak nie jest to wybór absolutny, co więcej nie jest optymalny w przypadku procesów ARMA. Hannan i Quinn [3] pokazali empirycznie, że ich kryterium, które potem zostało nazwane od ich nazwisk HQC, jest prawdopodobnie lepsze gdy proces jest autoregresyjny, a próba jest stosunkowo duża (np. powyżej 100). W przeciwnym wypadku AIC lub BIC może być lepsze. AIC minimalizuje błąd prognozy, a BIC razem z HQC dążą do wartości oczekiwanej prawdziwego modelu. Jeżeli wszystkie 3 kryteria wskazują najniższą wartość dla tego samego modelu, to nie mamy wątpliwości, że ten właśnie jest najlepszy z danego zestawu modeli. Dodatek armax umożliwia ocenę tych 3 kryteriów jednocześnie.

Najpierw użyłem metody exact ML, w której AIC, BIC i HQC wskazały jednoznacznie ten sam model: AR(4)-MA(2). Aby sprawdzić prognozę, robię to samo co poprzednio - używam standardowego modelu ARIMA, w której wpisuję odpowiednio rzędy parametrów (oczywiście bez sezonowości). Tym razem dostałem następujący wykres prognozy:


 


A więc zupełnie inna prognoza niż ta wzięta z X-13-ARIMA. Która jest bardziej prawdopodobna? Tutaj idealnie sprawdzą się kryteria AIC, BIC i HQC. Trzeba tylko wiedzieć, że:
AIC = Kryt. inform. Akaike'a
BIC = Kryt. bayes. Schwarza
HQC = Kryt. Hannana-Quinna

Zauważmy, że każdy z tych kryteriów jest niższy dla ostatniego modelu, co oznacza, że ożywienie w budownictwie nie jest wcale takie pewne.

Analogicznie sprawdźmy conditional ML. Wyniki tym razem nie są jednoznaczne, bo każde kryterium przynosi inne rezultaty. Biorąc pod uwagę, że mamy 199 obserwacji, wykorzystam wnioski Hannana i Quinna i skorzystam z HQC, które wskazało model AR(8)-MA(0). Użycie prognozy z tymi parametrami przyniosło bardzo podobną prognozę, co dla exact ML, tylko nieco bardziej stromą.


TRAMO/SEATS:
Drugą procedurą jest TRAMO/SEATS ("Time Series Regression with ARIMA Noise Missing Observations, and Outliers" / "Signal Extraction in ARIMA Time Series"). Przy standardowych opcjach, klikamy OK; GUS-owski Wskaźnik koniunktury budownictwa został podzielony na 3 części: wyrównany sezonowo, trend/cykl oraz odchylenia przypadkowe:


Znów dostaniemy skomplikowane statystyki, ale najbardziej interesuje nas to:
MODEL FITTED

      NONSEASONAL     P= 0     D= 1     Q= 1
         SEASONAL    BP= 0    BD= 1    BQ= 1
      PERIODICITY    MQ= 12

Przekładając na X13-ARIMA zapisalibyśmy to tak: (0, 1, 1)(0, 1, 1)

Czyli dostaliśmy ten sam schemat co w X-13-ARIMA. Nie zawsze jednak tak będzie.

Tutaj także możemy zapisać składnik trendowy (Wynik -> Zapisz...), który chcielibyśmy prognozować. Aby to zrobić możemy wybrać - tak jak poprzednio - jedną z dwóch metod. A więc pierwsza to zaznaczenie zmiennej trendu i użycie dla niej TRAMO-SEATS. Otrzymamy statystyki, wśród których szukamy:

 MODEL FITTED

      NONSEASONAL     P= 3     D= 1     Q= 1
      PERIODICITY    MQ= 12

Zniknęła sezonowość (SEASONAL), co świadczy, że jesteśmy na dobrej drodze. Uzyskane parametry wykorzystujemy do prognozy, a więc znów wchodzimy w Modele szeregów czasowych -> ARIMA. Tam wpisujemy te parametry AR=3, I=1, MA=1. Wyniki:



I prognoza:



W przeciwieństwie do X-13-ARIMA, Tramo sygnalizuje szczyt.

Druga metoda to identycznie jak przy X-13-ARIMA użycie dodatku armax. Tworzymy więc pierwsze przyrosty zmiennej trendu, zaznaczamy tę nową zmienną i możemy porównać dwie pod-metody: exact ML i conditional ML. Wyniki dla exact ML nie są jednoznaczne. AIC wskazuje AR(6)-MA(10), BIC i HQC - AR(1)-MA(4). W dodatku conditional ML prowadzi do jeszcze innych wniosków: dla AIC AR(12)-MA(1), BIC AR(3)-MA(1) i HQC AR(6)-MA(1). Idąc tropem HQC, exact ML i conditional ML przynoszą podobną prognozę. Poniżej wykres dla pierwszej z nich.



Ta prognoza współgra z tą, przeprowadzoną na Tramo. Sugeruje stabilność w branży budowniczej, ale nie ożywienie. W sumie więc zaprzecza początkowej intuicji, że trend jest rosnący.

Uwaga na fałszywe trendy
Niedawno opisywałem filtr Hodrika-Prescotta. Przestrzegałem, że może być mylący, bo zawsze wskaże "trend" nawet, jeśli jest to tylko przypadek. Tutaj jest podobnie. Samą zmienną trendu nie można się sugerować. Może wspomagać, ale musi być powiązana z istotnością statystyczną modelowania pierwotnej zmiennej. Np. wygenerujmy 199 obserwacji procesu Browna i zastosujmy X-13-ARIMA. Dostaniemy:



Jaki otrzymałem model optymalny?

Final automatic model choice : (0 1 1)

Wprawdzie nie pokazał żadnej sezonowości, ale przecież powinniśmy mieć (0 1 0). Przekonamy się o tym dopiero gdy sprawdzimy istotność statystyczną takiego modelu; wtedy otrzymamy p = 0,63.
Tylko że ta wartość p dotyczy zmiennej ruchu Browna, a nie zmiennej "trendu". Ponieważ procedura filtruje dane, to zaczyna tworzyć sztuczny trend. Możemy przecież znowu ten sztuczny trend przeanalizować X-13-ARIMA. Dostaniemy wówczas:
Final automatic model choice : (3 1 1)(0 0 1)
A więc nie dość, że występują autokorelacje, to jeszcze znalazła się nie wiadomo skąd sezonowość.

Dlatego nie można się sugerować tutaj nazwą "trend", bo prawidłowo powinno brzmieć po prostu "filtr". Dlatego zarówno X-13-ARIMA jak i TRAMO/SEATS wymagają dużej ostrożności przy wnioskowaniu co do przyszłości.



[1] Andersen, E. B., Asymptotic Properties of Conditional Maximum-Likelihood Estimators, 1970,
[2] Beach, C. M., MacKinnon, J. G., A Maximum Likelihood Procedure for Regression with Autocorrelated Errors, Jan. 1978,
[3] Hannan, E. J., Quinn, B. G., The Determination of the Order of an Autoregression, 1979.

niedziela, 16 lipca 2017

Nie potrzebujemy wejścia do strefy euro

Wejście do strefy euro stanowi jedną z najbardziej kontrowersyjnych kwestii ekonomicznych. Wielu autorytetów twierdzi, że korzyści z tej waluty przeważają nad kosztami. Jednym z jej orędowników jest G. Kołodko, który stwierdził, że "gdybyśmy weszli do euro bylibyśmy od razu w trzonie Europy, w Europie pierwszej szybkości, a być może przestano by dyskutować o Europie pierwszej szybkości". A ponadto, że waluta ta "wyjdzie wzmocniona z ostatniego kryzysu" [5]. D. Rosati stosunkowo niedawno (2013 r.) także przekonywał, że euro jest dla gospodarki pozytywne [4]. Profesor przedstawił następujące argumenty:
a) spadek kosztów transakcyjnych związanych z wymianą walut i ryzykiem kursowym (ma dać wzrost 0,5% PKB);
b) spadek stóp procentowych i lepszy dostęp do zasobów kapitału (potencjalny wzrost o 1,46% PKB);
c) eliminacja ryzyka kryzysu walutowego. Wielkości zysku Rosati nie oblicza, bo wg niego "korzyści z eliminacji ryzyka kryzysu walutowego (...) są trudne do bezpośredniego oszacowania". Nie zauważa on, że przecież korzyść ta jest równa kosztowi transakcyjnemu, jaki płacą inwestorzy za hedging na instrumentach finansowych, takich jak kontrakty terminowe, opcje czy swapy, które właśnie pozwalają zabezpieczyć się przed zmianami np. kursu walutowego;
d) korzyści z większej przejrzystości i porównywalności cen;
e) korzyści ze zwiększonej stabilności makroekonomicznej;
f) korzyści z waluty międzynarodowej (wzrost zagranicznych inwestycji bezpośrednich - ma zwiększyć tempo wzrostu PKB o 0,7 pkt proc);
g) korzyści polityczne.

Autor wymienia także koszty, ale korzyści netto mają przynieść w sumie 1,5-2% PKB w skali roku.

Również L. Balcerowicz i jego Fundacja "Forum Obywatelskiego Rozwoju" jeszcze niecałą dekadę temu wyłożyli nam cudowną wizję: "Wprowadzenie euro w Polsce może przyczynić się do wzrostu PKB per capita o 8–12 proc" [1]. Jednak nie rocznie, tylko w okresie 20 lat. Skąd takie liczby? Niestety tylko na podstawie modelu teoretycznego (czyli eksperymentu myślowego) i to zaprezentowanego przez NBP w 2004 r.

A przecież już w roku 2007 Drake i Mills [2] doszli do wniosku, że wejście do strefy euro nie tylko nie poprawiło sytuacji gospodarczej w krajach Unii, ale wręcz mogło zmniejszyć trend wzrostu. Autorzy zbadali 3 okresy: od 1983 do 1992, od 1992 do 2000 i od 2001 do 1 kw 2005. W każdym okresie rozbili zmiany realnego PKB na trend i na cykle. Zarówno w okresie konwergencji 1992-2000, jak i 2001Q1-2005Q1 trend okazał się słabszy niż w okresie 1983-1992.



Oczywiście taka analiza o niczym jeszcze nie świadczy, bo po roku 1999 kraje euro mogły napotkać okres słabszy niezależnie od waluty.

Fernandez i Perea [3] zbadali strefę euro innymi metodami i dotarli do konkluzji, że przyjęcie euro średnio biorąc nie przynosi ani pozytywnych, ani negatywnych efektów gospodarczych. Niemcy, Holandia i Austria nie otrzymały żadnych zysków ani strat z tego powodu. Irlandia, Hiszpania i Grecja uzyskały dodatnie, istotne efekty, ale tylko w latach ekspansji po przyjęciu euro. Natomiast Włochy i Portugalia szybko spadły poza przewidywany przez wariant kontrfaktyczny PKB per capita. Na rysunku porównano realny PKB na osobę w USA, Japonii, Wielkiej Brytanii i Strefie Euro w różnych okresach:



Dokładniejsze porównanie otrzymali w wyniku zbudowania specjalnego modelu porównującego realny PKB per capita dla strefy euro (na rys. linia ciągła) z PKB per capita kontrfaktycznym (linia przerywana).



Na początku XXI w. kraje euro wygrywały z krajami nie-euro. Wtedy to właśnie większość polskich ekonomistów była entuzjastycznie nastawiona do tej waluty. Jednak po roku 2005 sytuacja zaczęła się odwracać, tak że w końcu cała nadwyżka siły euro została utracona. Ostatnie lata od roku 2011 to kryzys strefy euro, co odzwierciedla dywergencja na wykresie powyżej. Automatycznie spowodowało to gwałtowny wzrost euro-sceptyków także wśród fachowców.


Literatura:
[1] Borowski, J., Czy warto przyjąć euro w Polsce?, 2008, https://for.org.pl/pl/a/418,Czy-warto-przyjac-euro-w-Polsce;
[2] Drake, Leigh; Mills, Terence C., Trends and cycles in Euro area real GDP, 2007;
[3] Fernández, C., Perea, P. G., The Impact Of The Euro On Euro Area Gdp Per Capita, 2015;
[4] Rosati, D., Czy Polska powinna przystąpić do strefy euro?, Gospodarka Narodowa, 2013;
[5] #RZECZoBIZNESIE: Grzegorz Kołodko: euro zatrzyma Europę 2 prędkości, 2017, http://www.rp.pl/Gospodarka/170319319-RZECZoBIZNESIE-Grzegorz-Kolodko-Euro-zatrzyma-Europe-2-predkosci.html#ap-1