Strona główna

Analiza fundamentalna

          W analizie fundamentalnej rynków akcji bada się wpływ wielkości makroekonomiczne takich jak PKB, inflacja czy liczba nowych miejsc pracy na stopy zwrotu z indeksów. W przykładzie tym zbadamy czy dane takie można wykorzystać w prognozowaniu amerykańskiego indeksu S&P500. Zmiennymi objaśniającymi w naszym przykładnie będą ogólnie dostępne dane publikowane i obserwowane przez rynki finansowe w USA. Są to m.in. inflacja, liczba nowych miejsc pracy, indeksy wyprzedzające koniunkturę itp. Ponieważ chcemy użyć tego modelu do prognozowania przyszłych stóp zwrotu użyjemy danych przesuniętych w czasie o odpowiedni okres (danych znanych w chwili stawiania prognoz). Możemy także celowo użyć zmiennych opóźnionych w czasie o większą liczbę okresów, aby zbadać jak szybko rynki dyskontują daną informację. W tym celu zbudujemy model liniowy, którego parametry estymowane będą KMNK. Zmienne objaśniające dobrane zostaną metodą selekcji wstecz opisanej w artykule „Budowa modelu i prognozowanie”. Dane makroekonomiczne użyte w budowie tego modelu można pobrać tutaj. Poniżej znajdują się odpowiednie statystyki dla zbudowanego w ten sposób modelu (o statytstykach można przeczytać tutaj).

Zmienna
Opóźnienie
Współczynnik
Błąd stand.
stat. t
p-value
Const
 
-0.2369
0.2445
-0.9690
0.3343
Capacity Utilization
2
0.0202
0.0060
3.3425
0.0011
Leading Indicators
3
0.0197
0.0082
2.3865
0.0184
Philadelphia Fed. 
3
-0.0008
0.0004
-2.1017
0.0374
Consumer Confidence
3
-0.0015
0.0005
-2.9627
0.0036
Personal Income    
3
-0.0142
0.0053
-2.6828
0.0082
ISM Manufacturing 
3
-0.0036
0.0013
-2.6746
0.0084
Factory Orders     
3
-0.0049
0.0019
-2.6384
0.0093
Change in Nonfarm Payrolls
3
-0.0001
0.0000
-3.0328
0.0029
Trade Balance          
3
0.0035
0.0014
2.4138
0.0171
Foreign Net Transactions 
3
-0.0004
0.0002
-2.5304
0.0125
Leading Indicators       
4
0.0376
0.0098
3.8533
0.0002
Personal Income     
4
-0.0136
0.0057
-2.4098
0.0173
University of Michigan Survey
4
-0.0029
0.0011
-2.7363
0.0070
Factory Orders         
4
-0.0075
0.0022
-3.4997
0.0006
Trade Balance          
4
-0.0042
0.0014
-2.9072
0.0042
Leading Indicators      
5
0.0400
0.0086
4.6466
0.0000
Philadelphia Fed.        
5
0.0008
0.0003
2.4268
0.0165
Personal Income         
5
-0.0115
0.0055
-2.0812
0.0392
Chicago PMI
5
0.0023
0.0008
2.7454
0.0068
University of Michigan Survey
5
0.0040
0.0010
4.0308
0.0001
Factory Orders          
5
-0.0062
0.0021
-2.9124
0.0042
Change in Nonfarm Payrolls
5
0.0001
0.0000
2.7498
0.0068
Unemployment Rate       
5
-0.0401
0.0137
-2.9279
0.0040
Capacity Utilization     
5
-0.0131
0.0061
-2.1322
0.0347
Leading Indicators    
6
0.0203
0.0085
2.3924
0.0181
Personal Income       
6
-0.0167
0.0051
-3.2718
0.0013
Factory Orders        
6
-0.0047
0.0018
-2.5953
0.0105
CPI                     
6
0.0531
0.0153
3.4788
0.0007
CPI Core              
6
-0.0958
0.0333
-2.8723
0.0047

 

          Wyniki modelu wydają się interesujące, gdyż współczynnik dopasowania R2 wynosi 30%. Oznacza to, że zmienne użyte w modelu wyjaśniają zachowanie się indeksu w 30%. Jeżeli zastosujemy najbardziej prostą strategię polegającą na kupnie indeksu, gdy prognoza jest dodatnia, a sprzedajemy, gdy jest ujemna to średniorocznie zysk będzie wynosił 28% przy odchyleniu standardowym równym 12%. W tym czasie strategia kup i trzymaj przyniosłaby 6% przy odchyleniu standardowym równym 14%. Wyniki okazały się zaskakująco dobre, biorąc pod uwagę, że użyliśmy w tym modelu wielości makroekonomicznych znanych w chwili stawiania prognoz.