You are on page 1of 23

La classe dei modelli ACD: una applicazione pratica alla

misura del rischio


Cesare Orsini
Dipartimento di Economia e Finanza, LUISS Guido Carli
E-mail: 634061@luiss.it
Gennaio 2012

Abstract
Lobiettivo di questo paper quello di fornire una analisi dei modelli ACD introdotti da Russel ed
Engle nel 1998, ed utilizzare tra questi la variante WACD per determinare una misura del rischio di
mercato attenta ai continui cambiamenti di prezzo cui soggetto un titolo durante le ore di
negoziazione, lIrregularly Spaced Intraday Value at Risk. Inizialmente si stimato il modello
ACD pi appropriato a descrivere la dinamica degli intervalli di tempo tra le variazioni di prezzo
del titolo American Express. Infine, grazie al risultato ottenuto, abbiamo determinato lISIVaR del
titolo, che ci informa sul valore atteso della duration della prossima variazione di prezzo e sul
relativo Value at Risk . NellAppendice dellelaborato disponibile lo script del il codice utilizzato
per sviluppare il lavoro avvalendosi del software statistico R.

INTRODUZIONE
Le ampie fluttuazioni e la crescente volatilit che in questi ultimi anni hanno caratterizzato
i mercati finanziari impongono la raccolta di dati a frequenze sempre pi elevate, al fine di
minimizzare la naturale perdita di informazione a cui inevitabilmente si va incontro tramite
rilevazioni ad intervalli fissi, permettendo cosi la definizione di nuove misure di rischio.
La caratteristica principale delle osservazioni cosi raccolte lirregolarit della loro
distanza, questo fa si che il tempo tra il verificarsi degli eventi rilevati sia esso stesso una
variabile aleatoria che deve essere opportunamente trattata.

I modelli ACD, introdotti nel 1998 da Russel ed Engle1 forniscono lo strumento principale
per comprendere e prevedere la dinamica degli intervalli di tempo tra il verificarsi di eventi
riguardanti il titolo considerato. Nella prima parte del nostro lavoro (sezione 1 e 2) dopo
aver fornito una breve illustrazione teorica degli auteregressive conditional model
passeremo ad una loro applicazione pratica sul titolo American Express. Giungeremo cosi
alla determinazione di un modello WACD(2,2) per la modellizzazione delle duration del
titolo considerato, fino a fornire una previsione del tempo necessario per la prossima
variazione del prezzo (sezione 3). Questo e gli altri risultati ottenuti saranno utilizzati nella
sezione 4 per la determinazione di una misura di rischio caratterizzata da un
orizzonte temporale brevissimo, lIrregularly Spaced Intraday Value at Risk .
Pi precisamente lISIVaR un modello costituito da una coppia di valori: la duration
attesa tra due consecutivi cambiamenti del prezzo ed il corrispondente livello di rischio
sintetizzato nella previsione del relativo VaR. Quindi questa forma di Value at Risk
corrisponde alla massima perdita attesa che (ad un certo livello di confidenza) non sar
superata in corrispondenza della prossima variazione del prezzo.
In tal senso la sezione 3 introdurr una rassegna teorica del modello ed alcune formule utili
alla stima dellISIVaR per il titolo American Express mutuate dal lavoro di Russel ed
Engle del 1998. Nella sezione 5 si provveder a fornire i valori empirici del rischio
previsto. Lanalisi sul campione in esame stata condotta interamente mediante il software
statistico R.

1 Duration Models: la classe dei modelli ACD


I modelli per la durata considerano gli intervalli di tempo che intercorrono tra eventi
consecutivi e significativi, quali ad esempio, lattivit di scambio o il cambiamento del
prezzo che hanno interessato una attivit finanziaria. Intervalli di tempo pi lunghi
indicano mancanza di attivit negli scambi ed, in senso pi generico, periodi in cui nessuna
nuova informazione giunta sul mercato. Spesso infatti, larrivo di nuova informazione si
1

Engle R., Russell J. (1998), "Autoregressive Conditional Duration: a New Model for Irregularly
Spaced Transaction Data", Econometrica, 66, pp. 1127-1162.

traduce in una maggiore intensit dellattivit di scambio e quindi in intervalli di tempo pi


brevi

tra una transazione ed unaltra, o ad esempio, tra i cambiamenti del prezzo

dellattivit. Quindi il comportamento dinamico delle duration contiene informazioni utili


in merito allattivit che si sta generando sul mercato e a come questa tenda ad evolversi
durante la giornata di negoziazione. In questo ambito il contributo pi importante quello
fornito da Engle e Russel in un lavoro del 1998. La loro formulazione matematicostatistica, usando concetti similari a quelli dei modelli ARCH e GARCH, propone un
autoregressive conditional duration model (ACD), che ha lobbiettivo di descrivere
levoluzione dinamica degli intervalli di tempo tra il verificarsi di eventi. La classe dei
modelli ACD trova le sue basi teoriche nella teoria dei processi di punto, sicuramente il
contesto pi adatto per il trattamento di eventi che occorrono nel tempo secondo una legge
di probabilit. Formalmente, se (t1,t2,t3...titn) la sequenza di tempi di un campione ad
altissima frequenza, ti il tempo in cui si verifica la i-esimo evento e xi = ti- ti-1
lintervallo di tempo tra il verificarsi di due eventi, definito duration dell i-esimo evento.
Il modello ACD, proposto nel lavoro di Engle e Russel (l998), assume che laspettativa
condizionata di xi , E(xiFi-1) = i , catturi tutta la dipendenza temporale caratterizzante la
serie delle duration, dove Fi-1 il set di informazioni disponibili al momento in cui si
verifica l(i-1)-esimo scambio o variazione di prezzo. In altre parole, i lintervallo di
tempo atteso tra levento i-esimo e levento (i-1)-esimo dato Fi-1 .
Il modello ACD definito come:

xi = i i

da cui

(1.1)

dove i ~ i.i.d. con E(i ) = 1.


In Engle e Russel (1998), i segue una distribuzione esponenziale o una distribuzione di
Weibull standardizzata e i assume la forma:

(1.2)

dove, al fine di garantire la positivit delle medie


essere

>0e

e la stazionariet del processo deve

) < 1. Quando la distribuzione di i esponenziale il modello

risultante definito modello EACD(r,s) , in modo analogo, se i segue una distribuzione


di Weibull si avr un modello WACD(r,s).

2 Descrizione dei dati


Il campione utilizzato per la stima del modello WACD contiene i dati derivanti dalla
contrattazione del titolo American Express Company nel mercato

New York Stock

Exchange (i dati sono stati forniti da Bloomberg L.P.). Il campione racchiude al suo
interno informazioni dettagliate in merito ad ogni transazione avvenuta dal 03/01/2006 al
05/01/2006 con una frequenza di rilevazione maggiore o uguale al mezzo secondo, si tratta
quindi di un set di dati ad altissima frequenza caratterizzati da una spaziatura irregolare,
per un totale di 18661 osservazioni. Lapparato teorico stato illustrato riferendosi alla
durata i-esima come al tempo intercorrente tra la i-esima e la (i-1)-esima transazione, ma in
realt come proposto da Russel ed Engle (1998), si pu assumere come evento i-esimo
qualsiasi

evento di mercato. Nel caso del titolo American Express, ad esempio, si

osservano spesso transazioni successive avvenute al medesimo prezzo. Ai fini


interpretativi, appare invece di particolare interesse estrapolare la dinamica secondo cui si
succedono contrattazioni a prezzi differenti, quindi in questo caso sensato analizzare,
anzich le durate tra successive transazioni, le durate tra successive variazioni del prezzo.
Spostando lattenzione su questo diverso evento , seguendo cosi la metodologia proposta
da Russel ed Engle (1998), le durate da analizzare si riducono. Eliminate le durate nulle, le
contrattazioni della fase di pre-apertura, le durate tra il primo evento della giornata e
lultimo della giornata precedente, il dataset definitivo risulta formato da 8173 durate,
rappresentate graficamente nella figura 2.1, 2.2, 2.3, dove si nota evidentemente
lalternarsi di periodi di quiete (durate elevate) a periodi di turbolenza (durate piccole), nei
tre diversi giorni di negoziazione considerati.

Figura 2.1

Figura 2.2

Figura 2.3

Da questi primi tre grafici possibile apprezzare il ripetersi di alcune dinamiche interne ai
tre giorni considerati, nello specifico la prima parte della giornata presenta una maggior
intensit delle variazioni di prezzo, tradotta in duration minori, probabilmente dovuta
allinformazione accumulata tra la fase di chiusura del giorno precedente e lapertura del
giorno successivo. Proseguendo durante la giornata di negoziazione, gli intervalli di tempo
che intercorrono tra le variazioni del prezzo presentano un andamento crescente mostrando
i valori pi elevati nella parte intermedia della giornata, quindi nellarco temporale in cui il
mercato, da un lato sembra aver gi scontato linformazione sopraggiunta allapertura e
dallaltro si trova in una fase ancora distante dalla chiusura delle negoziazioni. Infatti, nel
periodo prossimo alla chiusura, gli operatori tenderanno a liquidare eventuali posizioni
rimaste aperte o a scontare immediatamente una aspettativa sulle quotazioni della
successiva riapertura, generando cosi una nuova intensificazione dei cambiamenti del
prezzo, che si tradurranno in duration ridotte. Quindi questo andamento sinusoidale,
dovuto alla maggiore attivit di trading nelle prime ore successive allapertura ed in quelle
prossime alla conclusione della giornata borsistica, pu esser considerato come uno
schema diurno (diurnal pattern) che tende a riproporsi in ogni giornata. Il ripetersi
giornaliero di questa dinamica rende preventivamente scontata linformazione contenuta al
suo interno, e quindi eliminabile. Ci sono diverse tecniche per eliminare questo diurnal
pattern, Engle e Russell (1998) e Zhang, Russell e Tsay (2001) usano una semplice
funzione esponenziale del tempo, Tsay (2005) costruisce una funzione deterministica del
tempo

che rappresenta la componente ciclica di

Adottando questa tecnica, focalizzeremo la nostra attenzione sulle cosiddette duration


aggiustate :

Naturalmente

(2.1)

dipende dal attivit sottostante e dal comportamento sistematico del

mercato.

Nella pratica esistono diverse tecniche per la stima di

senza che tra esse ne prevalga

una, nel nostro caso noi assumeremo che:

(2.2)

(2.3)

(2.4)

in cui

espresso in secondi ed i coefficienti

sono stati ottenuti tramite la stima

OLS della regressione lineare:

(2.5)

3 Analisi empirica e stima del modello WACD

Il primo passo nella fase di applicazione del modello stato quello di stimare il termine
noto

tramite lanalisi della regressione lineare

e i coefficienti della regressione

multipla (2.5), nella quale la variabile risposta data dal logaritmo delle duration presenti
nel campione e le covariate sono pari ai valori delle funzioni deterministiche del tempo
cosi come calcolati secondo la (2.3) e (2.4).
La regressione ci restituisce dei valori di

e di

= 0.58365 e

= 0.43547

, inoltre per ciascun coefficiente di regressione viene fornito lo standard error ed il valore
del test di Student t =

sotto lipotesi nulla = 0 ed il relativo p-value (Tabella 3.1),

da questi primi valori possiamo trarre conclusioni positive in merito alla significativit del
termine noto e dei coefficienti della regressione2.

coefficiente

stima

t value

p-value

significativit

1.21737

0.02436

49.976

< 2.2e-16

***

0.58365

0.06131

9.519

< 2.2e-16

***

0.43547

0.03527

12.347

< 2.2e-16

***

Codici di significativit: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1


Tabella 3.1
Tuttavia una delle ipotesi alla base del modello lineare classico lassenza di
autocorrelazione dei residui stimati, questo perch in caso di correlazione seriale le stime
OLS dei coefficienti di regressione, pur continuando ad essere corrette, non sarebbero le
pi efficienti. Per questo motivo procediamo ad un controllo sulla verifica di questa
ipotesi, a tal fine utilizziamo dapprima il grafico della funzione di autocorrelazione dei
residui standardizzati (ACF)

(Figura

3.4), da questo si nota subito la presenza di

correlazione seriale, confermata dal risultato del test di Ljung-Box.

Figura 3.4

Lipotesi nulla del t-test che i coefficienti della regressione siano uguali a 0, p-value cosi bassi ci spingono
a rifiutare lipotesi nulla, inoltre valori elevati della statistica ne confermano la significativit.

Relativamente al test di Ljung-Box di ordine 12, si osserva che il test restituisce un


p-value < 2.2e-16, quindi molto basso, che ci porta a rigettare lipotesi nulla di assenza di
autocorrelazione , a conferma quindi della presenza di correlazione seriale apprezzabile gi
dal grafico Figura (3.4). Procediamo allora con un metodo di trasformazione utile alla
correzione dellautocorrelazione, il metodo Cochrane-Orcutt.
Partiamo dal modello generico (2.5) in cui

sono i residui autocorrelati e

(3.1)

con

Successivamente tramite i valori stimati con la prima regressione calcoliamo

in questo

modo:

(3.2)

ottenendo
Ora ritardiamo il modello (2.4) di un periodo e premoltiplichiamo per

sottraiamo ora il modello originale per ottenere il modello rho-differenced

otteniamo cosi:

(3.3)

dove

Ora possiamo effettuare una nuova stima della regressione ottenendo dei valori del termine
noto e dei coefficienti di regressione pari a
e

=1.0763498,

= 0.5762601,

= 0.4321021

= 0.9998213, caratterizzati tutti e tre da una elevata significativit3. Analizzando i

residui di questa nuova regressione, dal grafico (Figura 3.5) della funzione di
autocorrelazione (ACF) degli errori standardizzati, possiamo notare come la correlazione
seriale riscontrata nella stima precedente sia stata del tutto eliminata.

Figura 3.5
La conferma dellassenza di autocorrelazione arriva dal test di Ljung-Box di ordine 12
effettuato sui residui della nuova regressione il cui p-value 0.9979. Una volto risolto il
problema dellautocorrelazione dei residui dobbiamo preoccuparci di verificare la loro
omoschedasticit, per far questo utilizziamo il test di Breusch-Pagan, il cui sito sulla
nostra regressione suggerisce la presenza di eteroschedasticit degli errori, infatti il p-value
0.0001768, questo ci porta a rifiutare lipotesi nulla di omoschedasticit. Per risolvere
questo problema calcoliamo gli standard error di White, detti standard error consistenti in
presenza di eteroschedasticit, otteniamo in questo modo dei nuovi standard error per i
coefficienti (estratti dalla nuova matrice varianza-covarianza).
Allora testando la consistenza dei coefficienti della regressione in corrispondenza di
questi nuovi standard error, possiamo affermare che la conclusione inferenziale sui
coefficienti stimati la stessa anche in presenza di eteroschedasticit, perch pur essendo

Questo risultato riscontrabile dai valori della tabella contenete i risultati della regressione che il software
ci restituisce come output.

10

i nuovi standard error (se( )=0.001921, se( )= 0.007391, se( )=0.003367,


se( )= 0.000179) pi elevati,

,e

continuano ad essere significativamente

diversi da 0. Con i coefficienti della regressione della nuova regressione procediamo alla
stima di

e di

secondo la (2.2), ottenendo in tal modo le duration aggiustate

. I grafici Figura 3.6, Figura 3.7 e Figura 3.8, riportano le duration dei tre giorni di
negoziazione in seguito alla eliminazione del diurnal pattern, da questi possiamo notare
come leliminazione della componente deterministica abbia smussato landamento
sinusoidale riscontrato nel paragrafo precedente.

Figura 3.6

Figura 3.7

11

Figura 3.8

Ora possiamo procedere alla stima vera e propria del modello WACD. Mediante il package
dynamo (software R) possiamo stimare i parametri

della (1.2) per i modelli

WACD(1,1), WACD(2,1), WACD(1,2) e WACD(2,2) (Tabella 3.2).

Modello
WACD(1,1)

0.00903

0.03817

0.95424

7.80091

WACD(2,1)

0.006688

0.077536

-0.046426

0.963154

7.612121

WACD(1,2)

0.01431

0.05681

0.45202

0.47907

7.75518

WACD(2,2)

0.13285

0.07592

0.03246

0.40400

0.37659

7.74169

Tabella 3.2

Adesso grazie ai parametri stimati possiamo determinare in modo ricorsivo il vettore delle
fino allultimo cambiamento di prezzo verificatosi prima della mia previsione,
ottenendo cosi il vettore

A questo punto possiamo andare a defnire quale tra questi quattro modelli sia quello
specificato nel modo migliore, infatti dalla (1.1), disponendo di
ottenere
4

e di

. Dallanalisi della funzione di autocorrelazione ACF di

Parametro di Weibull

12

, possiamo
opteremo per il

modello che presenta correlazione seriale degli errori minore, quindi in grado di descrivere
al meglio la dinamica delle duration lasciando la minor quantit di informazione nei
residui. In questa logica adotteremo il modello WACD(2,2) la cui ACF mostrata nella
Figura 3.9

Figura 3.9
4 LISIVaR
Ricordiamo che il Value at Risk una misura che indica la perdita potenziale di una
posizione di investimento in un certo orizzonte temporale, solitamente 1 giorno, con un
certo livello di confidenza, solitamente pari al 95% o 99%; lISIVaR (Irregularly Spaced
Intraday Value at Risk) per la probabilit di perdita una coppia, (

, che

fornisce simultaneamente due informazioni principali, precisamente, la duration attesa per


li-esimo cambiamento di prezzo del titolo,

, ed il corrispondente livello di rischio

tale che

(4.1)

dove

rappresenta il set di informazione disponibile al momento dell (i-1)-esimo

cambiamento di prezzo e

, con

il prezzo del titolo in

Questa coppia di valori, misura una duplice dimensione del rischio: una stima del rischio di

13

mercato5 che si sar verificato al prossimo cambiamento di prezzo e la previsione


dellintervallo di tempo atteso per tale cambiamento, che a sua volta pu essere interpretato
come un rischio di liquidit6.
Iniziamo supponendo che

dove

(4.2)

la volatilit dei cambiamenti di prezzo al tempo .

Allora il livello di rischio per li-esima variazione di prezzo pu essere espresso in questo
modo:

(4.3)

dove q il quantile

della distribuzione degli

Dal lavoro di Russel ed Engle (1998):

(4.4)
dove

(4.5)

la funzione di intensit7 di una distribuzione di Weibull standard di parametro


funzione Gamma e

la

sono le duration.

Rischio di perdite sulla posizione dovuto a movimenti del mercato.


Rischio che si verifica quando la transazione non pu essere condotta ai prezzi di mercato
prevalenti a causa dellinsufficienza dellattivit di mercato.
7
La funzione di intensit del prezzo definisce la probabilit che un cambiamento di prezzo si
verifichi nel prossimo istante condizionatamente alla storia passata, pi precisamente la
probabilit che il prezzo vari di c in un intervallo di tempo infinitesimo.
6

14

La scelta di esprimere il modello ACD, riferito agli intervalli di tempo tra le variazioni del
prezzo, in termini di funzione di intensit del prezzo appare pi chiara se si considerano i
risultati ottenuti da Russle ed Engle nel loro lavoro del 1998.
Essi propongono un collegamento tra lintensit del prezzo e la volatilit istantanea dei
cambiamenti di prezzo dato da:
=
=
da cui, per la definizione di funzione di intensit, otteniamo la (4.4).

5 Implementazione sul titolo American Express


La nostra analisi empirica parte considerando c = 0.01391484, questo valore stato
ottenuto tramite una media dei valori assoluti degli scostamenti di prezzo che il titolo
American Express ha registrato nei tre giorni di negoziazione considerati.
A questo punto con i dati a disposizione e con i parametri ottenuti del modello
WACD(2,2)

riusciamo a calcolare la previsione ad un passo grazie alla formula 8

(5.1)

Ottenuta la previsione
del parametro

e disponendo dei vettori stimati

, abbiamo stimato in modo ricorsivo grazie alla (4.4) e (4.5) i valori della

funzione di intensit e quindi

, ottenendo cosi i vettori stimati

. A questo punto avendo a disposizione il vettore dei rendimenti


grazie alla (4.2), determinare il vettore

stato facile,

) = -0.436904 per

.
8

Si optato per lutilizzo di questa formula poich non esiste, per il software statistico R, un
package che consenta di effettuare una previsione della aspettativa condizionata della duration,
per i modelli ACD.

15

Finalmente, il valore dell ISIVaR per il prossimo cambiamento di prezzo (con una
probabilit di perdita pari ad =5%) dato per la (4.3) e per la (5.1) da (
(

. Questo risultato ci permette di dire che ad un livello di

confidenza del 95% al prossimo cambiamento di prezzo il titolo considerato (o la mia


posizione) subir una perdita in termini di rendimento non maggiore di
la nostra previsione , che gi sappiamo esser pari a

. Inoltre

secondi, ottenuta stimando il

modello WACD(2,2), ci fornisce una misura del tempo che dall(i-1)-esima variazione di
prezzo bisogner attendere perche questo cambi di nuovo.

Conclusioni
Una parte cospicua della letteratura econometria negli ultimi anni ha focalizzato la propria
attenzione sui modelli per la durata. Fin dalla proposta iniziale avanzata nel 1998 da Engle
e Russel una larga parte dei ricercatori ha cercato di trovare una forma funzionale del
modello ACD. Questo paper ha voluto fornire una illustrazione teorica e pratica dei
modelli ACD dimostrando come le loro caratteristiche li rendano utili alla modellizzazione
di informazioni, e nello specifico alla definizione di misure di rischio, che in assenza di tali
modelli non avremmo potuto elaborare.

16

APPENDICE
Script del software utilizzato

library(timeDate)
library(fBasics)
library(MASS)
library(bbmle)
library(zoo)
library(timeSeries)
library(sandwich)
library(lmtest)
library(dynamo)
acd<-read.csv("AMEXrt.csv", header=TRUE, sep=";", dec=",")
dn<-acd[,1]
f11<-acd[,9]
f22<-acd[,10]
C<-acd[,11] ## variazioni del prezzo
Pi<-acd[,12] ## prezzi
rt<-acd[,13] ##rendimenti logaritmici
day1<-acd[1:3056,1]
day2<-acd[3057:5887,1]
day3<-acd[5888:8173,1]
plot(day1,type="l",main="duration del primo giorno di negoziazione") #duration del primo
giorno di negoziazione
plot(day2,type="l",main="duration del secondo giorno di negoziazione") #duration del
secondo giorno di negoziazione
plot(day3,type="l",main="duration del terzo giorno di negoziazione") #duration del terzo
giorno di negoziazione
fit<-lm(log(dn)~f11+f22)
summary(fit)
res<-residuals(fit)
res.std<-scale(res) ##residui standardizzati

17

acf(res.std, lag=12, main="ACF residui standardizzati")


lb<-Box.test(res, lag =12, type ="Ljung-Box")## test di Ljung-Box sui residui della prima
regressione
lb
##Cochrane-Orcutt Method (r sconosciuto):
n <- length(res)
rho <- sum(res[1:(n - 1)] * res[2:n])/sum(res^2)
rho
ldn<-log(dn)
f11diff=rep(1,8173)
f22diff=rep(1,8173)
ldndiff=rep(1,8173)
resdiff=rep(1,8173)
for (n in 2:8173) {
ldndiff[n]=ldn[n]-ldn[n-1]*rho
}
for (n in 2:8173) {
f11diff[n]=f11[n]-f11[n-1]*rho
}
for (n in 2:8173) {
f22diff[n]=f22[n]-f22[n-1]*rho
}
for (n in 2:8173) {
resdiff[n]=res[n]-res[n-1]*rho
}
fitdiff<-lm(ldndiff~f11diff+f22diff+resdiff)
summary(fitdiff)
res1<-residuals(fitdiff)
res1.std<-scale(res1)
acf(res1.std, lag=12, main="ACF residui standardizzati seconda regressione")
lb2<-Box.test(res1, lag =12, type ="Ljung-Box")## test di Ljung-Box sui residui della
seconda regressione

18

lb2
bptest(fitdiff) ##test di Breusch-Pagan H0 omoschedasticit
vcov(fitdiff)## matrice varianza-covarianza dei coefficienti
sqrt(diag(vcovHC(fitdiff))) ## standard error di White
coeftest(fitdiff, vcov = vcovHC(fitdiff))
## test di significativit dei coefficienti con standard error di White
coefv<-as.vector(coef(fitdiff))
B0<-coefv[1]
B1<-coefv[2]
B2<-coefv[3]
B3<-coefv[4]
di=B0+B1*f11diff+B2*f22diff+B3*resdiff
fi=exp(di)
da<-dn/fi ##duration aggiustate
day1adj<-da[1:3056] ##duration aggiustate del primo giorno di negoziazione
day2adj<-da[3057:5887] ##duration aggiustate del secondo giorno di negoziazione
day3adj<-da[5888:8173] ##duration aggiustate del terzo giorno di negoziazione
plot(day1adj,type="l",ylim=c(1,3.5),main="duration aggiustate del primo giorno di
negoziazione")
plot(day2adj,type="l",ylim=c(1,3.5),main="duration aggiustate del secondo giorno di
negoziazione")
plot(day3adj,type="l",ylim=c(1,3.5),main="duration aggiustate del terzo giorno di
negoziazione")
wacd11 <- dm( da~acd(1,1),innovations="weibull" )
wacd12 <- dm( da~acd(1,2),innovations="weibull" )
wacd21 <- dm( da~acd(2,1),innovations="weibull" )
wacd22 <- dm( da~acd(2,2),innovations="weibull" )
########################## wacd11
coeff.wacd11<-coefficients(wacd11)
a11<-coeff.wacd11[1]
a11
b11<-coeff.wacd11[2]

19

b11
c11<-coeff.wacd11[3]
par.w11<-coeff.wacd11[4]
psi11=rep(1,8173)
for (n in 2:8173) {
psi11[n]=a11 +b11*da[n-1]+c11*psi11[n-1]
}
e11<-da/psi11[1:8173]
e11.std<-scale(e11)
acf(e11.std, lag=12, main="ACF residui standardizzati del modello WACD(1,1)")

########################## wacd12
coeff.wacd12<-coefficients(wacd12)
a12<-coeff.wacd12[1]
b12<-coeff.wacd12[2]
c12<-coeff.wacd12[3]
d12<-coeff.wacd12[4]
par.w12<-coeff.wacd12[5]
psi12=rep(1,8173)
for (n in 3:8173) {
psi12[n]=a12 +b12*da[n-1]+c12*psi12[n-1]+d12*psi12[n-2]
}
e12<-da/psi12[1:8173]
e12.std<-scale(e12)
acf(e12.std, lag=12, main="ACF residui standardizzati del modello WACD(1,2)")
############################ wacd21
coeff.wacd21<-coefficients(wacd21)
a21<-coeff.wacd21[1]
b21<-coeff.wacd21[2]
c21<-coeff.wacd21[3]
d21<-coeff.wacd21[4]
par.w21<-coeff.wacd21[5]

20

psi21=rep(1,8173)
for (n in 3:8173) {
psi21[n]=a21 +b21*da[n-1]+c21*da[n-2]+d21*psi21[n-1]
}
e21<-da/psi21[1:8173]
e21.std<-scale(e21)
acf(e21.std, lag=12, main="ACF residui standardizzati del modello WACD(2,1)")
############################ wacd22
coeff.wacd22<-coefficients(wacd22)
a22<-coeff.wacd22[1]
b22<-coeff.wacd22[2]
c22<-coeff.wacd22[3]
d22<-coeff.wacd22[4]
r22<-coeff.wacd22[5]
par.w22<-coeff.wacd22[6]
psi22=rep(1,8173)
for (n in 3:8173) {
psi22[n]=a22 +b22*da[n-1]+c22*da[n-2]+d22*psi22[n-1]+r22*psi22[n-2]
}
e22<-da/psi22[1:8173]
e22.std<-scale(e22)
acf(e22.std, lag=12, main="ACF residui standardizzati del modello WACD(2,2)")
psi22[8174]<-a22+b22*da[8173]+c22*da[8172]+d22*psi22[8173]+r22*psi22[8172]
previsione con WACD(2,2)
############################ ISIVAR
lambda=rep(1,8173)
g<-gamma(1+1/par.w22)
g
for (n in 2:8173) {
lambda[n]=(g/psi22[n+1])*(da[n]^(par.w22-1))*par.w22
}
absC<-abs(C)

21

##

c<-mean(absC)
sigma2<-rep(1,8173)
for (n in 2:8173) {
sigma2[n]=lambda[n]*(c/Pi[n])^2
}
ut<-rt/((sigma2)^0.5)
VaR<--alpha.quantile*sigma[8173]
VaR

22

Bibliografia

Engle R., Russell J. (1998), "Autoregressive Conditional Duration: a New Model for
Irregularly Spaced Transaction Data", Econometrica, 66, pp. 1127-1162.
Zuccolotto, P. (2001) Autoregressive conditional duration models for ultra-high
frequency data, Rapporti di ricerca del Dipartimento Metodi Quantitativi, Universit di
Brescia, Quaderno n. 191.
Giot, P. (2005), "Market risk models for intraday data", European Journal of Finance,
2005, pp. 309-324.
Baldi P. (1998), Calcolo delle probabilit e statistica, pp.197-322.
Pacurar, M. (2006), "Autoregressive Conditional Duration (ACD) Models in Finance: A
Survey of the Theoretical and Empirical Literature", Working Paper, Dalhousie
Tsay, R. S. (2010), Analysis of Financial Time Series, terza edizione, John Wiley,
Hoboken, New Jersey, pp.231-284.
Tsay, R. S. (2005),

Autoregressive Conditional Duration Models, lecture 15, The

University of Chicago Booth School of Business.

23