Baltijos šalių akcijų kainų sektorinių indeksų prognozavimas

LTStraipsnis skirtas OMX Baltijos vertybinių popierių (VP) rinkos akcijų kainų sektorinių indeksų ketvirtinių reikšmių trumpalaikiam prognozavimui ekonometriniais metodais ir yra ankstesnio straipsnio [31] tęsinys. Ankstesniame straipsnyje matematinių modelių sudarymui taikyta ARMA metodika šiame darbe yra papildyta laiko eilučių agregavimo ir ypatingų požymių išskyrimo algoritmais. Informatyvių veiksnių pirminė atranka vykdoma remiantis specialios literatūros apžvalga. Po to modelių specifikacija tikslinama, naudojant tradicinius regresorių statistinio reikšmingumo dydžius (p-value) ir kryžminės patikros metodą. Pastarasis būdas šiame darbe realizuotas naudojant Jack-knife algoritmą. Tyrimui naudoti 2000–2013 m. laikotarpio duomenys. Gauti rezultatai rodo, kad sudarant autoregresinius modelius yra tikslinga į lygčių dešiniąsias puses įtraukti ne tik praeities stebinių duomenis, bet ir jų agreguotas statistikas (indeksų raidos ypatingus požymius) – tai žymiai pagerina prognozavimo tikslumą. Skaičiavimai atlikti su statistinės analizės sistema SAS. [Iš leidinio]Reikšminiai žodžiai: Agregavimas; Akcijų kainų sektoriniai indeksai; Autoregresinė analizė; Duomenų; Duomenų agregavimas; OMX Baltijos vertybinių popierių (VP) rinka; Prognozavimas; Autoregression analysis; Data aggregation; Forecast; OMX Baltic security market; Sectoral indices of stock prices.

ENExtending the research started in [31], the paper uses econometric methods for the short-term forecasting of quarterly values of sector indexes of stock prices from the OMX Baltic stock exchange. The ARMA models and modelling methodology that was used to build the statistical models in the previous paper are now augmented with the algorithms of time series aggregation and identification of special features of the series. Here, the search for informative factors relies on the study of related literature. The specification of models is further tailored using the traditional significance (p-value) analysis of regressors and a cross-validation analysis. The latter is implemented in this paper using the Jack-knife approach. The data period analysed covers the years 2000–2013. The results of the analysis indicate that the inclusion not only of recent autoregressive terms but also of some aggregated characteristics (as certain special features of indexes) improves the precision of forecasting substantially. The calculations were performed using the statistical analysis software SAS. [From the publication]