Studie závislosti cen komodit a kurzů komoditních měn

Mendelova univerzita v Brně Provozně ekonomická fakulta

Studie závislosti cen komodit a kurzů komoditních měn Diplomová práce

Vedoucí práce:

Autor práce:

doc. Ing. Václav Adamec, Ph.D.

Bc. Martina Hotárková

Brno 2013

Prohlášení Veškeré informace poskytované v této práci jsou určeny výhradně ke studijním účelům a neslouží v žádném případě jako konkrétní investiční či obchodní doporučení. Touto prací nikomu neradím ani nedoporučuji konkrétní investici. Obchodování a investování s finančními instrumenty, obzvláště s komoditními je vysoce rizikové. Rozhodnutí obchodovat s komoditami a akciemi je odpovědností každého jednotlivce a jedině on sám nese za svá rozhodnutí plnou odpovědnost.

Poděkování Na tomto místě bych ráda poděkovala doc. Ing. Václavu Adamcovi,PhD. za odborné vedení práce, cenné rady a připomínky, které mi poskytl při zpracování diplomové práce.

Prohlášení Prohlašuji, že jsem diplomovou práci na téma Studie závislostí cen komodit a kurzů komoditních měn zpracovala samostatně dle instrukcí vedoucího práce za použití odborné literatury a pramenů, které uvádím na konci práce v přiloženém seznamu. V Brně dne 20. 5. 2013

_______________________

Abstract HOTARKOVÁ, M. Study of relationship between commodity prices and exchange rates commodity currencies, Diploma thesis. Brno, Mendel University in Brno, 2013 This diploma thesis deals with the relationship between commodity prices and exchange rates of commodity currencies. Commodity currencies in this work are represented by the Canadian dollar, Australian dollar, Norwegian krone and the Brazilian real. These currencies are measured in the currency pairs the U.S. dollar, the euro and the British pound. The work explores the influence of prices of oil, natural gas, gold, sugar and cotton together with the volume of production and export of these commodities on the exchange rate. Interdependencies are evaluated by correlation and regression analysis, causal relationships are evaluated Granger causality test. Keywords: commodity currency, OLS, Granger causality, dependency, correlation, regression analysis

Abstrakt HOTÁRKOVÁ, M. Studie závislostí cen komodit a kurzů komoditních měn, Diplomová práce. Brno, Mendelova univerzita v Brně, 2013 Předkládaná diplomová práce se zabývá problematikou vztahů mezi cenami komodit a kurzů komoditních měn. Komoditní měny v této práci jsou reprezentovány kanadský dolar, australský dolar, norská koruna a brazilský real. Tyto měny jsou sledovány v měnových párech s americkým dolarem, eurem a britskou librou. Práce sleduje vliv ceny ropy, zemního plynu, zlata, cukru a bavlny společně s objemem produkce a exportu těchto komodit na dané měnové kurzy. Vzájemné závislosti jsou zhodnoceny korelační a regresní analýzou, příčinné vztahy jsou hodnoceny testem Grangerovy kauzality. Klíčová slova: komoditní měna, metoda OLS, Grangerova kauzalita, závislost, korelace, regresní analýza

Úvod

7

Obsah 1

Úvod

9

2

Cíl práce

11

3

Literární přehled

12

3.1

Derivátové instrumenty a obchodování s nimi .......................................................... 12

3.2

Komoditní trhy ............................................................................................................. 15

3.2.1

Charakteristiky vybraných komodit................................................................... 15

3.2.2

Vlivy tvořící cenu komodit .................................................................................. 16

3.3

Měnový trh................................................................................................................... 17

3.3.1 3.4

4

Komoditní měny ................................................................................................. 19

Individuální vs. kolektivní investování ........................................................................ 22

3.4.1

Individuální investování...................................................................................... 23

3.4.2

Kolektivní investování ........................................................................................24

3.4.3

Aktuální komoditní fondy v ČR .......................................................................... 25

Materiál a metodika

27

4.1

Materiál ........................................................................................................................ 27

4.2

Metodika ......................................................................................................................28

4.2.1

Ekonometrie .......................................................................................................29

4.2.2

Regresní a korelační analýza ..............................................................................29

4.2.3

Metoda nejmenších čtverců ............................................................................. 30

4.2.4

Předpoklady regresního lineárního modelu ..................................................... 31

4.2.5

Testování hypotéz .............................................................................................. 32

4.2.6

Korelační koeficient............................................................................................ 32

4.2.7

Časové řady a jejich analýza ............................................................................... 33

4.2.8

Stacionarita a kointegrace časových řad .......................................................... 33

4.2.9

Korelace časových řad .......................................................................................34

4.2.10

Grangerova kauzalita ......................................................................................... 35

4.2.11

VAR modely ........................................................................................................ 35

8

Úvod

5

Výsledky práce a diskuse 5.1

37

Kanada ......................................................................................................................... 37 5.1.1

Korelační analýza USD/CAD............................................................................... 38

5.1.2

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu USD/CAD ..... 40

5.1.3

Grangerova kauzalita USD/CAD ........................................................................ 43

5.2

Norsko ......................................................................................................................... 44

5.2.1

Korelační analýza ............................................................................................... 44

5.2.2

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu USD/NOK ..... 47

5.2.3

Grangerova kauzalita USD/NOK......................................................................... 51

5.2.4

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu GBP/NOK ......52

5.2.5

Grangerova kauzalita GBP/NOK ........................................................................ 54

5.2.6

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu EUR/NOK ..... 55

5.2.7

Grangerova kauzalita EUR/NOK........................................................................ 57

5.3

Austrálie....................................................................................................................... 58

5.3.1

Korelační analýza USD/AUD .............................................................................. 59

5.3.2

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu USD/AUD ..... 60

5.3.3

Grangerova kauzalita USD/AUD......................................................................... 61

5.4

Brazílie ......................................................................................................................... 62

5.4.1

Korelační analýza USD/BRL ............................................................................... 63

5.4.2

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu USD/BRL ...... 64

5.4.3

Grangerova kauzalita USD/BRL......................................................................... 64

5.5

Korelační analýza cen komodit a výsledné zhodnocení ........................................... 64

6

Závěr

67

7

Seznam použité literatury

71

8

7.1

Bibliografie ................................................................................................................... 71

7.2

Internetové zdroje ...................................................................................................... 73

Seznam tabulek a obrázků

79

8.1

Seznam tabulek........................................................................................................... 79

8.2

Seznam obrázků.......................................................................................................... 80

Úvod

9

1 Úvod V současné době stále více investorů investuje na trhu s komoditami, současně měnové trhy a obchody s cizími měnami jsou jedny z největších. Vývoj na všech trzích se neustále posouvá směrem dopředu. V minulosti se většina kontraktů s komoditami, ať už zemědělskými, železnou rudou, uhlím či drahými kovy, obchodovala ve fyzické formě. Zboží tedy bylo skutečně předáno kupci. Tento způsob obchodování v současnosti vystřídaly termínované derivátové obchody. Termínované kontrakty jsou uzavírány různě dlouhou dobu před jejich skutečným vypořádáním, avšak k fyzickému předání nedochází, tyto kontrakty se dále obchodují. Nejpoužívanějším derivátem jsou tzv. futures kontrakty, jejichž podkladové aktivum je většinou tvořeno právě komoditami. Principem futures jsou tzv. marginy neboli mechanismus nazývaný finanční páka, kdy investor dané podkladové aktivum nakoupí za zlomek skutečné ceny, většinou kolem 5–15 % hodnoty aktiva. Tímto způsobem investor získává prostor pro spekulativní obchody, kdy i jen s malou disponibilní finanční částkou může uzavírat kontrakty za milióny. Tímto způsobem může každý jedinec vytvořit obrovský zisk a právě tato skutečnost zvyšuje atraktivitu komoditního investování na celém světě. Člověk samozřejmě nesmí zapomínat, že jsou tyto obchody spojeny i s vysokým rizikem a potenciálními ztrátami. V minulosti byly komoditní kontrakty využívány zejména k zajištění. Typickým příkladem byli zemědělci, kteří v době před úrodou a sklizní uzavřeli kontrakt s budoucím kupcem za současnou cenu. Pokud v době prodeje byla cena nižší, zemědělec vydělat, naopak pokud by např. z důvodu slabé úrody cena vzrostla, zemědělec dosahoval ztráty, zatímco kupec vydělal. Tento základní princip komoditních obchodů se objevil a téměř nezměnil již v 17. století v Japonsku, kdy si termínovanými obchody zajišťovali pěstitelé úrodu rýže. Tyto obchody rýžovým farmářům umožňovaly získat potřebné zdroje k profinancování pěstování a současně si zajistili kupce. Naopak investor, většinou majitel obchodu si zajistil onu rýži k budoucímu prodeji. Nicméně první dochované důkazy o obdobném principu obchodování jsou již ze staré Číny. V dnešní době je většina těchto kontraktů spekulativního charakteru. Každý účastník trhu si volí jednu ze dvou hlavních strategií, a to spekulaci na budoucí vzestup či pokles trhu, tedy cen aktiv, které se na něm obchodují. Pro základní seznámení se s trhy je dobré znát i pojmenování těchto trhů, rostoucím se říká býčí trhy, zatímco klesajícím medvědí trhy. Komodity hýbou světem, potřeba energií, zemědělských surovin, bavlny, dřeva, potravin, kovů a zlata, vždy byla a vždy bude. Obchody s komoditami mají tedy nekončící životnost. Umožňují dosahovat mnohonásobně vyšší zisky, než obchodování s cennými papíry, avšak zároveň i mnohonásobně vyšší ztráty.

10

Úvod

Vývoj cen komodit ovlivňuje nejen počasí, potažmo úroda zemědělských surovin, ale i těžba ropy a zemního plynu, dále ekonomická situace v zemi, legislativní úprava týkající se tarifních i netarifních poplatků, daní a jiné. Vzhledem k neustálým pohybům v cenách komodit, zmiňované finanční páce a možnosti vzniku vysokých ztrát při neočekávaném vývoji cen, mohou investoři snížit své riziko ze špatného rozhodnutí společným investováním do fondů kolektivního investování. Tyto fondy přináší nezvratitelnou výhodu v podobě nižšího podstupovaného rizika, diverzifikaci širokého portfolia a rozdělení případné ztráty mezi všechny investory, avšak i rozdělení zisku stejným způsobem. Fondy mohou své portfolio rozšiřovat i investicemi do akcií, nemovitostí či cizích měn. Investor se pouze rozhodne pro daný fond dle složení jeho portfolia. Správu fondu a volbu nákupu či prodeje jednotlivých investic vykonává konkrétní investiční společnost, která má ovšem předem nadefinované parametry, kterými se řídí a investorovi jsou známi již před vstupem do fondu. Jedná se tedy o vhodnou alternativu investování pro osoby, jež mají větší averzi k riziku. Dosahovat zisky je možné i obchodováním do cizích měn, jež je známé pod názvem FOREX, vyplývající z anglického výrazu foreign exchange. Obchody s měnami mají jen jeden cíl a to vydělat na pohybech měnových kurzů. Obchoduje se přibližně s 30–35 měnami, hlavními z nich jsou dolar, libra, švýcarský frank a euro. Nejvíce obchodovaným měnovým párem je EUR/USD. Tyto kontrakty probíhají na měnových trzích prostřednictvím celosvětové sítě, v níž jsou zapojeny všichni obchodníci, počínaje investičními a hedgeovými fondy, banky, ale i individuální investoři. Hlavní finanční centra, ve kterých probíhají kontrakty s cizími měnami, představují Londýn, New York, Tokio a Hongkong. Vývoj hodnoty měny, potažmo měnového páru ovlivňuje několik významných faktorů. Zejména inflace, úrokové sazby a ekonomická situace v zemi. Dalšími vlivy jsou například psychické rozpoložení a nálada spekulantů, jež ovlivňují vývoj jednotlivých obchodů, politická situace a důvěra v jednotlivé země. Tyto proměnné ovlivňují hodnotu všech měn na světě. Mezi měnami existuje i malá skupina specifických měn, která dané měny označuje jako komoditní. Tento přívlastek měna získá, pokud je ekonomika dané země silně ovlivněna produkcí a exportem určité komodity. Například Austrálie a Kanada jsou největšími exportéry zlata, Kanada a Norsko vývozci energií, zejména ropy a zemního plynu. Pokud vzroste cena některé komodity, vzroste i poptávka po měně země vyvážející tuto komoditu a to pozitivně ovlivní hodnotu daného měnového kurzu. Jejich vývoj je do značné míry ovlivňován i produkcí daných komodit a náladami na celosvětových finančních trzích, jejichž provázanost spojuje vývoj všech cen.

Cíl práce

11

2 Cíl práce Cílem této práce je identifikovat a kvantitativně vyjádřit vzájemné závislosti mezi vývojem cen komodit a tzv. komoditními měnami. Práce je zaměřena na vývoj kanadského dolaru, australského dolaru, norské koruny a brazilského realu v závislosti na ceně ropy, zemního plynu, zlata, cukru a bavlny. Vývoj komoditních měn bude vysvětlován i pomocí objemu produkce a exportu daných komodit ze země. Vývoj těchto měn budeme sledovat v měnovém páru s americkým dolarem, eurem nebo britskou librou. Závislosti mezi jednotlivými veličinami budou zkoumány pomocí vzájemné korelace. Tu budeme identifikovat prostřednictvím korelační matice, výsledné koeficienty korelace budou porovnány s p-hodnotou t-testu o nezávislosti a tak bude zjištěna jejich průkaznost. Dle hodnoty jednotlivých koeficientů korelace určíme, zda je vztah mezi vývojem měnového kurzu a cenami komodit pozitivní, negativní, či neutrální. Tuto analýzu vztáhneme i na data popisující objem produkce a exportu zkoumaných komodit. V další části práce budou sestaveny jednorozměrné regresní modely OLS, ve kterých budeme zkoumat především vztah mezi vývojem měnového kurzu a cenami komodit. Dále sestavíme vícerozměrné regresní modely OLS, s již zahrnutými proměnnými exportu a produkce daných komodit vč. jejich cen. Hlavním cílem práce je pomocí těchto regresních modelů ověřit následující hypotézy: • Hypozéta č. 1: Při růstu ceny komodity posílí daná komoditní měna, např. na příkladu ceny ropy a kanadského dolaru. • Hypozéta č. 2: S růstem objemu exportu dané komodity, roste tlak na změnu kurzu měnového páru, např. na příkladu zlata a australského dolaru. • Hypozéta č. 3: Růst produkce komodity povede k posílení dané komoditní měny.

• Hypozéta č. 4: Růst objemu vývozu ropy a zemního plynu z Norska povede k posílení kurzu norské koruny vůči americkému dolaru, euru a britské libry.

• Hypozéta č. 5: Růst vyváženého objemu cukru z Brazílie povede k posílení kurzu brazilského realu vůči americkému dolaru. Součástí práce je také ověření existence příčinné závislosti, tzv. Grangerovy kauzality, jež ověřuje, zda mezi současnými a minulými hodnotami vybraných veličin trvá vzájemný příčinný vztah podle Grangerovy definice. Tato kauzalita bude ověřena testem Grangerovy kauzality za pomocí VAR modelů, jejichž délku zpoždění určíme testem věrohodnosti, dle hodnoty kritéria BIC. Získané výsledky se pokusíme věcně zhodnotit a využít k sestavení konkrétních kritérií a doporučení, jež by mohla potenciální investory nasměrovat a pomoci při tvorbě jejich portfolia.

12


3 Literární přehled V první části této kapitoly uvedeme rozdělení finančních derivátů, vzájemný vztah mezi nimi a možnosti jejich obchodování. V dalších částí se zaměříme na komoditní a měnový trh a jejich vzájemnou provázanost. Dále na měnové kurzy, možnosti obchodování s měnami a existenci tzv. komoditních měn. Na závěr si přiblížíme možnosti individuálního a kolektivního investování.

3.1

Derivátové instrumenty a obchodování s nimi

Existuje několik různých definic derivátů, avšak jejich podstata se shoduje. Pro přiblížení můžeme uvést příklad definice derivátů dle mezinárodních účetních standardů, která je obsažena v IAS 39 o účtování a měření finančních nástrojů (Jílek, 2002). Derivát definuje jako finanční nástroj: •

jehož hodnota se mění v závislosti na změně úrokové míry, ceny cenných papírů, ceny komodit, měnového kurzu, cenového indexu, úvěrovém hodnocení, úvěrovém indexu nebo podobné proměnné (tzv. podkladové proměnné),

•

který nevyžaduje žádnou nebo nízkou počáteční investici vzhledem k jiným kontraktům, které reagují podobně na změnu tržních podmínek,

který se vypořádá k datu v budoucnosti. (Jílek, 2002) Deriváty jsou tedy využívány pro termínové obchody, kdy existuje časová prodleva mezi uzavřením kontraktu a jeho samotným vypořádáním. Termínové derivátové nástroje jsou právními dokumenty o uzavřených, avšak doposud nevypořádaných termínových obchodech, jejichž hodnota je derivována od hodnoty podkladových aktiv, a tudíž je i jejich hodnota závislá na vývoji hodnoty těchto aktiv (Rejnuš, 2008). V praxi jsou deriváty využívány k zajištění, k tzv. hedgingu, a ke spekulacím. •

Hedgingové deriváty Hedgingem se rozumí uzavírání úrokových, akciových, komoditních a měnových pozic. Principem zajištění je kompenzace krátké pozice dlouhou pozicí v jednom nástroji a naopak. Zajištění snižuje tržní a úvěrové riziko konečného spotřebitele, nejjednodušeji uzavřením dvou přesně opačných operací. Takto jsou následně ztráty z jedné operace kryty zisky z operace druhé (Jílek, 2002). Rozlišujeme dokonalý a nedokonalý hedging. Zatímco dokonalý hedging poskytuje úplné zajištění, nedokonalý neboli částečný hedging umožňuje pouze částečné krytí rizika (Rejnuš, 2008).


13

Spekulační deriváty Spekulační deriváty jsou nástroji ke spekulacím, kterými na rozdíl od zajištění, rozumíme otevírání úrokových, akciových, komoditních a měnových pozic. Jedná se o převzetí rizik plynoucích z vývoje hodnoty podkladových aktiv nebo rizikovosti konkrétního subjektu. Nepříznivé změny ve vývoji podkladových aktiv jsou spojeny se ztrátou spekulanta. Dlouhá pozice, kdy spekulant nakupuje určitý derivát, spekuluje na růst ceny podkladového aktiva a ztráta je tedy spojena s poklesem jeho ceny. Naopak v krátké pozici, kdy je derivát prodáván, se spekuluje na pokles ceny podkladového aktiva, a tudíž je ztráta spojena s růstem jeho ceny (Hull, 2012). Obchodování s derivátovými kontrakty je spojeno s tzv. pákovým efektem. Derivátové kontrakty, jak říká samotná definice derivátů, jsou spojené s žádnou nebo jen malou počáteční investicí, oproti skutečné hodnotě podkladového aktiva. Člověk tedy zaplatí jen zlomek hodnoty podkladového aktiva v podobě zálohy, tzv. marginu. Při pohybu ceny aktiva, resp. při jejím růstu, vše se ziskem prodá bez potřeby většího objemu peněz (Jak obchodovat futures, 2013). Je tedy možné obchodovat s větším množstvím komodit a jiných aktiv, než na jaké by dotyčný ve skutečnosti neměl dostatek peněz. To přináší možnost obchodovat s velkými objemy podkladových aktiv a tak při správné volbě i velké zisky, naopak je ale také nutné nezapomínat, že takový obchod může přinést i velké ztráty. Spekulanti tak vytváří příležitosti ostatním účastníkům trhu využívat deriváty k hedgingu. Právě ochota spekulantů, přebírat na sebe určitou část rizika za očekávaný zisk, snižuje riziko těch, kteří využívají zajištění, přerozdělením tohoto rizika mezi tyto účastníky (Herbst, 1992). Druhy derivátů Podle druhu se deriváty dělí na pevné termínové operace a opce. Do první skupiny řadíme forwardy, futures a swapy. •

Forward – forwardy jsou obchodovány na OTC trzích. Jedná se o deriváty s vypořádáním dvou podkladových aktiv mezi dvěma subjekty v jednom okamžiku v budoucnosti. K samotnému vypořádání dochází později, než na spotovém trhu (Hull, 2012). Dle předmětu kontraktu, dělíme forwardy, stejně jako ostatní pevné termínové operace na úrokové, úvěrové, měnové, akciové a komoditní. Forwardovou cenu podkladového aktiva si mezi sebou stanoví prodávající a kupující a může být nižší nebo vyšší než současná cena daného podkladového aktiva a je ovlivněna náklady přenosu daného aktiva a očekávaným vývojem na trhu. Daný kontrakt představuje závazek pro obě strany (Jílek, 2002).

•

Futures – jsou deriváty obchodované na burze, proto se o nich hovoří jako o standardizovaných kontraktech (Hull, 2012). Obdobně jako forwardy se jejich vypořádání váže k okamžiku v budoucnosti, cena je stanovena mezi obchodníky dle očekávaného budoucí vývoje a nákladů na přenos podkladového aktiva. Setkáváme se

14


s úrokovými, úvěrovými, měnovými, akciovými a komoditními kontrakty. Stejně jako forward, i futures, znamená závazek pro kupujícího i prodávajícího (Jílek, 2002). Naopak nejvýznamnějším rozdílem mezi futures a forwardem shledáváme v tom, že futures se vypořádávají postupně, nikoliv jednorázově jako forwardy. Většinou jsou vypořádány dříve, než před konečným termínem (Hull, 2012). Jílek (2002) stejně jako Hull zdůrazňuje, že se futures obvykle obchodují na specializovaných burzách, ačkoliv upozorňuje, že již existují i OTC trhy pro futures. Podmínky obchodu společně se standardizací podkladového aktiva stanovuje burza, na které se obchoduje. •

Swap – je derivát s vypořádáním podkladových aktiv ve více okamžicích v budoucnosti, obchodovaný na OTC trzích. Jde v podstatě o několik forwardů poskládaných za sebou. Opět se vyskytují měnové, úvěrové, úrokové, akciové a komoditní kontrakty. Swapy taktéž představují závazek smluvních stran (Jílek, 2002).

Opce – může být obchodována na burze i OTC trzích. Kupující opce si za úplatu, tzv. opční prémii, kupuje právo na vypořádání podkladového aktiva v budoucnosti. Zatímco prodávající opce obdrží opční prémii a zavazuje se splnit závazek v případě, že kupující opce práva využije. Opce stejně jako ostatní deriváty dělíme dle podkladových aktiv na úrokové, úvěrové, měnové, akciové a komoditní. Dále se opce dělí na kupní a prodejní, dle toho zda si kupující opce kupuje právo podkladové aktivum v budoucnosti koupit či prodat. Třetím možným dělením je na opce evropské a americké. Rozdíl mezi těmito opcemi spočívá v tom, zda je derivát vypořádán v budoucnosti v jednom okamžiku, tzv. evropská opce, nebo vypořádání probíhá v rámci určitého období v budoucnosti, tzv. americká opce (Jílek, 2002). Jak je z předchozího textu patrné, deriváty se mohou obchodovat jak na burzách, tak i na mimoburzovních trzích. Výhodou obchodování na burzách je vysoká transparentnost všech kontraktů, kde jsou podmínky i ceny známé veřejnosti, hovoříme tedy o tzv. standardizovaných operacích. Dále zde dochází k přeceňování jednotlivých kontraktů, a tudíž se eliminuje úvěrové riziko klientů i manipulace s cenou. Naopak nevýhodou jsou vyšší náklady realizace kontraktů, vzhledem ke skutečnosti, že chod burzy financují samotní účastníci trhu (Jílek, 2002). Na mimoburzovních trzích, tzv. OTC, se uzavírají specifické kontrakty, dle požadavků a společné domluvy obou partnerů. Navíc nejsou zpoplatněny velkými poplatky derivátovým burzám a clearingovým centrům. Nevýhodou naopak je netransparentnost jednotlivých obchodů, podmínky i ceny jsou ujednávány soukromě. To umožňuje jednodušeji manipulovat s cenou, a tak na OTC trzích dochází k podvodným operacím (Jílek, 2002). Tyto rozdíly vedou mj. k tomu, že na mimoburzovních trzích, v prosinci 2010, byly uskutečněny obchody v téměř desetkrát větší hodnotě než na burzách (Hull, 2012). •


3.2

15

Komoditní trhy

Komoditní trhy zprostředkovávají kontrakty s reálnými aktivy, které se obchodují v hmotných jednotkách, jsou uchovatelné a přepravitelné. Avšak obchody tohoto typu mohou být vypořádány i finančně, bez nutnosti fyzického předání zboží (Shipman, 2007). Každý komoditní trh obchoduje jiná reálná aktiva, má specifické vlastnosti, rozdílnou nabídku, poptávku a využití (Veselá, 2011). Komoditní deriváty zahrnují obchodování se zemědělskými komoditami, drahými kovy, základními kovy a energiemi. Mezi zemědělské komodity řadíme kukuřici, oves, sóju, sójové pokrutiny, sójový olej, rýži, řepku, pšenici, mladý hovězí dobytek, živý skot, vepře, vepřové půlky, řezivo, mléko, kakao, kávu, cukr, bavlnu a pomerančovou šťávu. Drahé kovy zahrnují zlato, stříbro a platinu, základní kovy měď, hliník, zinek, olovo, nikl a cín. Podkladovými nástroji energetických komodit jsou ropa, topný olej, benzin a zemní plyn (Jílek, 2010).

3.2.1

Charakteristiky vybraných komodit

V rámci této práce se zaměříme pouze na vybrané komodity a jejich trhy, proto zde uvádíme charakteristiky pouze těchto komoditních trhů. Ropa Ropa je mezi komoditními investory nazývána „černým zlatem“. Vznikla před mnoha miliony let, byla využívána již starověkými národy, mimo jiné pro stavbu lodí, výrobu zbraní a šperků. Avšak až po průmyslové revoluci, vynálezu petrolejové lampy, začala být lidstvem vnímaná jako důležitá. Největšími světovými producenty surové ropy jsou Saúdská Arábie, Rusko, Norsko, Spojené státy, Irán, Čína, Mexiko, Venezuela a Indonésie. Zároveň je známo, že Čína, Spojené státy americké a Indonésie spotřebují ropy více, než kolik jí samy vyrobí (Shipman, 2007). Ropa se využívá při výrobě leteckého benzinu, benzinu, topných olejů a motorové nafty. V současné době se obchoduje se severomořskou ropou typu Brent a lehkou americkou ropou typu WTI. I přesto, že americká ropa WTI je kvalitnější, v současné době dochází k poklesu poptávky po tomto typu ropy a zároveň roste její nabídka. To tlačí její cenu dolů. Naopak ropa typu Brent je obchodována na londýnské burze a její cena díky poklesu nabídky roste (Pro investory, 2011). Zemní plyn Význam zemního plynu objevili Číňané, kteří jej před 2 500 lety vedli bambusovým potrubím a zapálili ho, aby ze slané mořské vody vyrobili čerstvou. Využívá se jako levnější forma energie oproti elektřině a to jak v domácnostech, tak v širokém průmyslu. Nejvýznamnějšími producenty zemního plynu jsou Rusko a Spojené státy americké, kteří zajišťují téměř 2/3 světové produkce. Dalším významným producentem je Kanada (Shipman, 2007).

16


Cukr Cukr je bílá krystalická organická látka, vyskytuje se zejména v cukrové řepě a cukrové třtině. Cukrová řepa se pěstuje v chladnějším podnebí, zatímco cukrová třtina v tropických oblastech. Světová produkce cukru je ze tří čtvrtin zajišťovaná pěstováním cukrové třtiny. Využívá se jako zdroj energie, přísada do jídel a je součástí některých paliv, například etanolu. Světové prvenství v produkci cukru připadá na Brazílii. Dalšími významnými producenty jsou Indie a Evropská unie (Shipman, 2007). Zlato Egypťané těžili zlato již 2 000 let před naším letopočtem. Zlato bylo vždy žádanou komoditou nejen kvůli své drahocennosti a kráse, ale také díky rozsáhlým možnostem jeho využití. Je odolné vůči žáru, vlhkosti a většině rozpouštědel. V dnešní době se využívá pro výrobu šperků, ve stomatologii, dále je žádoucí v elektronickém průmyslu kvůli svým vlastnostem, jako je vodivost tepla a elektřiny. Zlato se těží na každém kontinentu, kromě na Antarktidě, kde je těžba zakázaná. Největším světovým producentem zlata je Jížní Afrika, dále Spojené státy, Austrálie, Čína, Rusko a Kanada (Shipman, 2007).

3.2.2

Vlivy tvořící cenu komodit

Cena zboží a služeb, tedy i cena komodit, se utváří prostřednictvím vzájemného vztahu nabídky a poptávky. Poptávka vyjadřuje vztah mezi cenou a požadovaným množstvím daného zboží. Tento vztah je u normálních statků nepřímý, tedy s rostoucí cenou klesá poptávané množství. Poptávku, kromě ceny daného zboží, ovlivňuje i několik dalších faktorů. Spotřebitelé se dále rozhodují na základě výše svého disponibilního důchodu, který omezuje jejich spotřebu. Také množství spotřebitelů, velikost daného trhu a alternativní možnosti spotřeby (Vlček, 2009). Investory a obchodníky také ovlivňují změny cen ostatních i potenciálních složek jejich portfolia. Nezanedbatelný vliv má i budoucí očekávání ohledně vývoje situace na daných komoditních trzích, které ovlivňují mimo jiné ekonomická a politická situace v producentských zemích a chování ostatních investorů. Nabídka je naopak charakterizována jako vztah mezi množstvím nabízeného zboží a cenou, za kterou jsou prodávající toto množství ochotni nabízet a prodat. Zde je vztah, na rozdíl od poptávky, pozitivní, tedy s rostoucí cenou nabízeného zboží roste i nabízené množství. Cena je opět hlavním faktorem, avšak je zde potřeba myslet i na to, zda se jedná o růst ceny pouze dané komodity, nebo dochází k růstu všeobecné cenové hladiny a tedy i růstu nákladů na produkci dané komodity, které naopak mohou snižovat nabízené množství (Vlček, 2009).


17

V rámci vybraných komodit, které budeme řešit v další části této práce, jsou rozhodující i další faktory, jako jsou například počasí, v případě pěstování cukrové třtiny, avšak počasí může ovlivnit i těžbu ropy a zemního plynu. Například silné bouře nad Mexickým zálivem každoročně ovlivňují těžbu, a tak zásadním způsobem mohou ovlivnit i cenu ropy na světových trzích, jako např. v roce 2005, kdy hurikán Katrina potopil několik ropných rafinérií (Euroekonom.cz, 26. 9. 2005), ale i menší bouře, které pouze pozastavily těžbu, jako tomu bylo mj. v minulém roce (ČT24, 27. 8. 2012). Cenu komodit na světových trzích ovlivňují i mzdové náklady v producentských zemích, kdy můžeme uvést např. nedávnou stávku těžařů zlata v Jihoafrické republice, kterým byly zvýšeny mzdy o 10 procentních bodů (Finance.cz, 2. 8. 2011). Tyto faktory ovlivňují nejen velikost produkce, ale také exportu a konkurenční podmínky mezi konkrétními subjekty. Vývoj cen na komoditních burzách je podstatnou měrou ovlivněn i chováním spekulantů, kteří nákupem a prodejem komoditních derivátů za účelem dosažení zisku, ovlivňují poptávku resp. i nabídku dané komodity a tedy její cenu. Spekulanti zároveň svým chováním zmírňují cenové rozdíly jak v prostoru, tedy mezi jednotlivými trhy, tak i v čase. Hovoříme-li o arbitráži, pak spekulanti sledují cenové hladiny konkrétní komodity na několika různých trzích současně. Samotná arbitráž spočívá v tom, že spekulant na jednom trhu komoditu nakoupí a vzápětí ji prodá na trhu jiném, kde je cena v daný okamžik vyšší. Tímto mechanismem dochází postupem času k vyrovnávání cen na všech trzích (Samuelson, Nordhaus, 2007). Ovšem spekulanti, zaměřeni především na zemědělské komodity, nemusí ovlivňovat ceny komodit na jednotlivých trzích, nýbrž svým chováním ovlivňují jejich cenu v čase. Podstata této spekulace je odvozena od skutečnosti, že zemědělské plodiny se sklízí jednou ročně, ale jejich potřeba je celoroční. V době sklizně je nabídka dané produkce nejvyšší a ta tlačí její cenu dolů, naopak v době mezi jednotlivými sklizněmi, kdy je nabídka omezená, její cena neustále roste. Této skutečnosti spekulanti využijí ve svůj prospěch, kdy v okamžiku, kdy je cena nejnižší, komoditu nakoupí, následně ji uskladní a prodají ji až ve chvíli, kdy na trhu bude převis poptávky po dané komoditě. I tento mechanismus vyrovnává výkyvy v cenách (Samuelson, Nordhaus, 2007). Tedy i tyto informace jsou velice důležité při tvorbě portfolia individuálních investorů a fondů kolektivního investování.

3.3

Měnový trh

Samuelson měnový trh definuje jako místo, kde se určují měnové kurzy díky obchodům s jednotlivými měnami. S měnami se obchoduje na celém světě, na organizovaných trzích v Londýně, Tokiu, Curychu a New Yorku, dále také v bankách, směnárnách a na maloobchodní úrovni. Dle Taušera (2007) měnový trh zahrnuje všechny měny, se kterými se obchoduje na světových trzích.

18


Na měnovém trhu se utváří cena měn ve formě měnového kurzu, stejně jako ceny jiných komodit, interakcí nabídky a poptávky. Pro stanovení konkrétního kurzu měnového páru, je však zapotřebí sledovat situaci na trhu daných měn, nikoliv na celém měnovém trhu. Měnový kurz ve skutečnosti vyjadřuje hodnotu jedné měny v jednotkách jiné měny (Taušer, 2007). V případě nepřímé kotace, tedy kdy měnový kurz uvádíme jako množství zahraniční měny za jednotku domácí měny, pak při růstu kurzu dochází k růstu potřebného množství zahraniční měny ke koupi jedné jednotky měny domácí. Uvedeme-li příklad měnového kurzu JPY/USD, pak při růstu kurzu dochází za podmínky ceteris paribus k relativnímu zlevnění japonského zboží vůči ceně amerického zboží. Tato situace vede k nárůstu americké poptávky po japonském zboží a tak k nárůstu nabídky USD, což opět stlačuje měnový kurz dolů (Samuelson, Nordhaus, 2007). Měnové kurzy dále ovlivňuje stav platební bilance dané země, avšak současně se dá hovořit o tom, že právě změny v měnovém kurzu odstraňují nerovnováhu platební bilance prostřednictvím změny poptávky po domácí měně. S růstem této poptávky dochází k zhodnocení domácí měny a následně znehodnocení ostatních měn, čímž dochází k relativnímu snížení cenové hladiny zahraničního zboží a tak nárůstu importu a poklesu exportu. Tento mechanismus snižuje přebytek běžného účtu platební bilance. Opačnými kroky lze ovlivnit deficit běžného účtu (Samuelson, Nordhaus, 2007). Pro lepší pochopení vývoje měnových kurzů je potřeba se seznámit se základní faktory, které svým působením ovlivňují hodnotu kurzu a s jejich vzájemnými vztahy. Základní faktor, který ovlivňuje vývoj měnového kurzu je daný měnový režim, který je zakotven v dané zemi. Nejznámějším rozdělením měnových systémů je založeno na rozlišování pevného a plovoucího kurzu. Tyto dva režimy se liší možnostmi monetární politiky. V případě plovoucího měnového režimu se centrální banka vzdává pravomoci intervenovat měnový kurz. Naopak v případě pevného kurzu je domácí měna navázána na jinou měnu nebo koš měn a centrální banka se zavazuje devizovými intervencemi daný kurz udržet, obvykle ve stanoveném fluktuačním pásmu (Žamberský, Taušer, 2003). Další používané měnové režimy jsou řízený plovoucí kurz, kdy centrální banka může zasahovat do dění na devizovém trhu, dále systém pevného nominálního kurzu, s pravidelnými, v minulosti ohlášenými úpravami centrální parity vůči referenční měně, či koši měn, nazývající se Crawling peg. Takzvaný systém Currency board je skutečně pevným kurzem bez pásem oscilace (Žamberský, Taušer, 2003). Jak již bylo uvedeno v předcházejícím textu, základními determinanty měnového kurzu je vzájemný vztah poptávky a nabídky dané měny. Otázkou však zůstává, které faktory ovlivňují tyto determinanty. Všeobecně hovoříme o faktorech ovlivňujících makroekonomický vývoj v dané zemi, jmenovitě tedy hovoříme o vývoji mezinárodního obchodu a stavu platební bilance, tempu růstu domácího produktu a reálného důchodu, stavu a vývoji inflace


19

a výši a vývoji úrokových sazeb ovlivňujících úrokový diferenciál s dalšími zeměmi, a tak investiční potenciál (Brčák, 2005). Na vývoj měnového kurzu má vliv i politická situace v zemi, stabilita a chování vlády, chování a důvěryhodnost centrální banky, nebezpečí různých konfliktů, ale i významná prohlášení politiků či nositelů monetární politiky. Nezanedbatelný vliv na vývoj měnového kurzu má i očekávaný budoucí vývoj ekonomické situace a spekulace na světových devizových trzích. (Brčák, 2005). McConnel, Brue a Flynn (2012) tyto faktory definují shodně jako Brčák, ale zaměřují se pouze na makroekonomické ukazatele. Hovoří o změně velikosti spotřebitelské poptávky po zahraniční produkci, placené v cizí měně, o změně relativní velikosti příjmů, které umožňují růst poptávky. Dále o změně relativní výše inflace, kdy měna země s vyšší inflací podléhá většímu tlaku znehodnocení. Dalším důležitým faktorem je relativní úroková míra, která svým růstem zvyšuje i příliv zahraničních investic a tak zvyšuje poptávku po dané měně. Na vývoj měnového kurzu má vliv i očekávání investorů ohledně výnosnosti zahraničních dluhopisů, investic do akcií a nemovitostí. Poslední faktor, který uvádí, jsou spekulace na devizovém trhu. Obdobné determinanty měnového kurzu definuje i Bilsonův a Frenkelův model determinace měnového kurzu, který byl vyvinut v 70. letech 20. století. Danými determinanty jsou velikost domácí peněžní zásoby a její změny, hladina domácí úrokové míry a velikost reálného důchodu (Taušer, 2007). Spekulace na měnových trzích je směřována na posílení či oslabení jedné měny vůči druhé. Všeobecně se na těchto trzích obchodují tzv. hlavní páry, křížové páry a exotické páry. Hlavní páry jsou tvořeny americkým dolarem a jednou z dalších sedmi měn. Hovoříme o EUR, GBP, CHF, JPY, CAD, AUD a NZD. Křížové páry jsou kombinace měnových párů, které neobsahují americký dolar. Naproti tomu exotické páry, jsou páry, které obsahují americký dolar, ale nejsou hlavními měnovými páry (FOREX, 2011). Zde můžeme uvažovat i některé měnové páry, které bude zkoumat v další části této práce, např. USD/BRL, USD/ZAR, USD/NOK, USD/AUD a jiné.

3.3.1

Komoditní měny

Na devizových trzích existuje pojem „komoditní měna“. Měna získává přívlastek komoditní, v okamžiku, kdy se jedná o měnu významného světového exportéra jedné či více komodit. Tyto země jsou ekonomicky vyspělé a vytvářejí dobré podmínky pro portfoliové investice. Vývoj měnového páru s komoditní měnou je ovlivňován nejen základními determinanty, které jsme uváděli v předchozí podkapitole. Navíc jsou významně ovlivňovány skutečnou a očekávanou produkcí a exportem daných komodit, s čímž souvisí i vliv spekulací na komoditních trzích. Právě díky rostoucímu významu komoditních obchodů jsou i komoditní měny stále více žádané. Využívají se ke spekulačním, ale i zajišťovacím obchodům (Finance.cz, 4. 4. 2008).

20


Existuje několik nejznámějších komoditních měn, ovšem jejich význam se v průběhu času, v závislosti na exportní pozici dané země, mění. V posledních letech se nejčastěji hovořilo o trojici dolarů, konkrétně o kanadském (CAD), australském (AUD) a novozélandském (NZD) (Finance.cz, 4. 4. 2008). Dalšími významnými komoditními měnami jsou brazilský real (BRL), norská koruna (NOK), jihoafrický rand (ZAR) a ruský rubl (RUB) (FINEZ: Investment management, 5. 4. 2011). Významnost těchto zemí, respektive těchto měn, dokazují následující dvě tabulky, které sestupně seřazují největší producenty a exportéry daných komodit. Vývoj na prvních třech pozicích se v průběhu let 2006 – 2011, i přestože jen nepatrně, měnil. Tabulka č. 1 udává největší světové producenty vybraných komodit a tabulka č. 2 největší exportéry. Tabulka 1: Největší producenti vybraných komodit v letech 2006 – 2011

SVĚTOVÁ PRODUKCE VYBRANÝCH KOMODIT Zemní plyn miliard kubických stop

ropa

zlato

tisíc barelů za den

cukrová třtina tisíc metrických tun

metrických tun

množství

země

množství

země

21 736,38

Rusko

9 247,21

Rusko

275,00

JAR

477 411

Brazílie

18 504,00

USA

9 152,33

S. Arábie

260,00

USA

281 172

Indie

6 547,93

Kanada

5 088,55

USA

251,00

Austrálie

93 306

Čína

2007

21 595,12 19 266,00 6 415,75

Rusko USA Kanada

9 437,06 8 721,51 5 076,95

Rusko S. Arábie USA

276,00 254,70 246,00

Čína JAR Austrálie

549 707 355 520 113 731

Brazílie Indie Čína

2008

21 515,00 20 159,00 6 045,75

Rusko USA Kanada

9 356,78 9 261,25 5 000,37


288,00 234,00 232,00

China USA JAR

645 300 348 188 124 917


2009

20 624,00 18 890,00 5 633,66

USA Rusko Kanada

9 495,36 8 250,11 5 352,88


313,98 227,00 216,00

Čína Austrálie USA

691 606 285 029 116 251


2010

21 316,00 20 915,00 5 389,78

USA Rusko Kanada

9 694,11 8 900,00 5 478,72


345,00 255,00 230,00

Čína Austrálie USA

717 464 292 302 111 501


23 685,77 22 902,00

Rusko USA

9 773,52 9 458,36

Rusko S. Arábie

355,00 270,00

Čína Austrálie

734 006 342 382

Brazílie Indie

5 360,82

Irán

5 651,96

USA

237,00

USA

2006

2011

množství

země

množství

115 123

země

Čína

Zdroj: vlastní zpracování; Eia, 2013a; Eia 2013b; GOLDSHEET Mining Directory, 1995-2012; FAOSTAT, 2013a

Avšak např. změny v produkci zlata jsou významné. V prvních třech letech, sledovaného období, došlo k výraznému poklesu těžby zlata v Jihoafrické republice. V roce 2009 se dostala na čtvrtou pozici a v roce 2010 dosáhl pokles těžby, za posledních 40 let, 80 % (Chaize,


21

28. 6. 2011). I přesto JAR vlastní největší zásoby zlata na světě, avšak největšími exportéry jsou USA a Austrálie. Tato skutečnost významně ovlivňuje hodnotu měnového kurzu. Tabulka 2: Největší exportéři vybraných komodit v letech 2006 – 2011

NĚJVĚTŠÍ EXPORTÉŘI VYBRANÝCH KOMODIT Zemní plyn Miliard kubických stop

ropa

zlato

Tisíc barelů za den

cukrová třtina tisíc metrických tun

metrických tun

množství

země

množství

země

tisíc USD

země

8 401,79

Rusko

7 036,10

S. Arábie

množství

USA

12 806

Brazílie

3 605,73

Kanada

5 106,26

Rusko

7 428 218

Austrálie

3 062

Austrálie

2 974,23

Norsko

2 539,65

Irán

6 892 099

Čína

1 332

Guatemala

2007

8 187,08 3 782,73 3 011,66

Rusko Kanada Norsko

6 968,74 5 171,58 2 617,63

S. Arábie Rusko Irán

5 018 561 11 792 112 9 395 533

USA Austrálie Kanada

12 443 2 673 2 422

Brazílie Austrálie India

2008

8 380,25 3 589,10 3 380,35

Rusko Kanada Norsko

7 298,70 5 120,00 2 475,16


5 505 491 16 644 090 12 030 355

USA Austrálie UAE

13 624 2 977 2 351

Brazílie Thajsko Austrálie

2009

7 122,68 3 433,32 3 271,12

Rusko Norsko Kanada

6 250,41 4 890,63 2 296,62


7 960 682 12 120 254 11 760 357

USA Austrálie Čína

17 925 2 445 2 348

Brazílie Austrálie Thajsko

2010

7 933,51 3 778,71 3 561,52

Rusko Qatar Norsko

6 844,10 4 887,83 2 377,19


10 047 606 15 259 447 13 436 678

USA Kanada Austrálie

20 938 2 801 2 074

Brazílie Austrálie Thajsko

7 808,15 4 015,32

Rusko Qatar

---

---

12 816 149 25 972 018

Čína USA

---

---

3 435,80

Norsko

--

--

24 602 492

Kanada

--

--

2006

2011

množství

země

Zdroj: vlastní práce; Eia, 2013b; Eic 2013c; International Trade Centre, 2013; FAOSTAT, 2013b

Export jednotlivých zemí hraje velice důležitou roli, při investování na devizových trzích, se zaměřením nejen na komoditní měny. Důležité ale je znát i pozici jednotlivých zemí vůči ostatním obchodním partnerům a vzájemné vazby dalších faktorů ovlivňujících obchody jak na devizových, tak komoditních trzích. Významným ukazatelem je korelace mezi vybranými měnami společně v závislosti na vývoji ceny sledované komodity. Dobrým příkladem je měnový pár kanadského dolaru vůči japonskému jenu (CAD/JPY) při obchodu s ropou. Tento měnový pár má významnou negativní závislost vzhledem ke skutečnosti, že Kanada je jedním z největších světových producentů a exportérů ropy, na rozdíl od Japonska, které nemá téměř žádné vlastní zdroje ropy a je závislé na importu této komodity (Finance.cz, 4. 4. 2008). Prakticky to lze vysvětlit tak, že v případě růstu ceny ropy, poroste po-

22


ptávka po kanadském dolaru, což bude zvyšovat jeho hodnotu, naproti tomu, Japonsko bude muset zvyšovat nabídku své domácí měny a tím stlačovat kurz dolů. Ovšem, více takovýchto učebnicových příkladů ve světě hledáme jen stěží, a proto se většina spekulací provádí na měnových párech s americkým dolarem. A to z toho důvodu, že se drtivá většina komoditních kontraktů, na všech burzách obchoduje právě v americkém dolaru. Na základně toho, lze usuzovat inverzní vztah mezi cenou komodit a USD. Oslabení dolaru vede k relativnímu nárůstu ceny zlata, protože je potřeba větší objem měny, naopak posílení dolaru vede k poklesu relativní ceny zlata (Urban, 12. 4. 2010). Zhodnocování komoditních měn je umocňováno i monetární politikou dané země, a tedy nastavením úrokových měr. Do investiční strategie s komoditními měnami je důležité zahrnout i skutečnost, že vývoj komoditních měn je vysoce provázaný se světovou ekonomikou, jejíž zpomalení může vyvolat rychlé a masivní znehodnocení komoditních měn (Finance.cz, 4. 4. 2008). Investoři si musí být vědomi, že ve skutečném světě se situace může vyvinout i zcela jinak, než by se dalo očekávat. Příkladem může být druhé čtvrtletí roku 2012. V té době komoditní měny oslabily v průměru o 3–4 % vůči dolaru, zatímco ceny komodit klesly až o 26 %. Tento stav komoditní a měnoví analytici nazvali extrémní dislokací mezi komoditními měnami a cenami komodit. Vysvětlením je, že komoditní měny patří mezi nejvíce úročené měny ve světě a tak vysoký úrokový diferenciál udržuje i vysoký zájem investorů o tyto měny a tak udržují jejich kurz (Pečený, 2012). Dalším důvodem zájmu o tyto měny byl odliv aktiv z rizikové eurozóny, vývoj také ovlivnily centrální banky, které nákupem komoditních měn, diverzifikovaly své měnové rezervy od eura a amerického dolaru (XTB: Online trading, 2013). Jak vychází z předchozího textu, v případě obchodování s měnami, ve spojení s komoditním obchodováním je dobré sledovat poptávku, po vybraných komoditách, jednotlivých zemí. To investorům umožní lépe odhadnout možný existující vztah ceny s měnou. Ovšem, jak jsme již také uváděli, většina kontraktů je obchodována v americkém dolaru, a tudíž je možné zaměřit pozornost pouze na měnové páry s USD. Zároveň, je důležité si uvědomit, že tento ukazatel, je jedním z mnoha provázaných faktorů. Proto investor nemůže slepě sledovat pouze vzájemné korelace mezi cenami komodit a komoditními měnami. Důležité jsou i politické a ekonomické situace zemí, prognózy a očekávání investorů, dávka odhodlání a riskování.

3.4

Individuální vs. kolektivní investování

Obchodování na burze, neboli trading, je ve své podstatě podnikání. Každý může individuálně, sám za sebe, obchodovat na akciových, devizových a komoditních trzích. Stejně tak se jedinec může rozhodnout vstoupit na finanční trh nepřímo, prostřednictvím fondů kolektivního investování.


3.4.1

23

Individuální investování

Na úplném začátku je důležité si uvědomit, nejen onu skutečnost, že si na burze může jedinec vydělat velké peníze, ale i ten fakt, že obchodování s sebou přináší velká rizika. Proto je důležité, před tím, než člověk vstoupí na komoditní burzu, věnovat dostatečný čas studiu teorie o aspektech obchodování, navštívit odborné semináře, nalézt svou obchodní strategii a následně, po vstupu na trh utužovat vlastní psychologii (Turek, 2008). Obchodování na komoditních burzách má velký potenciál, zejména v dobách nestabilních ekonomik, ovlivněných hospodářskými a dluhovými krizemi. Investorům poskytují možnost diverzifikace jejich portfolia, právě v okamžicích nedůvěry v akciové trhy a recese. Spotřební komodity, jako jsou např. káva, obilí, kukuřice, maso, cukr a jiné, jsou nezávislé na globálním hospodářství a celosvětové mezinárodní politice. Na rozdíl od cen energií se jejich cena odvíjí především od velikosti úrody, předpovědi počasí, velikosti produkce, a podobně. Zároveň na komoditních trzích se investoři nesetkávají s korupcí, účetními skandály nebo uměle nadhodnocenými cenami (Turek, 2008). Burzovní obchody investorům přináší velkou výhodu v podobě hedgingových kontraktů. Komoditní burzy jsou vysoce likvidní, denně na nich obchodují tisíce lidí, a proto je snadné najít svého obchodního partnera a tak si skutečně vytvořit portfolio dle vlastní obchodní strategie (Adámek, Jarolímek, 2004). Na komoditních burzách se obchodují zejména futures kontrakty. Velkou výhodou a zároveň velkým rizikem je existence tzv. finanční páky. Tento mechanismus spočívá v možnosti při koupi derivátu složit jen zlomek ceny podkladového aktiva. Z této částky pak investor, v případě požadovaného směru vývoje ceny, trží právě prostřednictvím páky mnohonásobně vyšší zisky. V opačném případě může prodělat stejně násobenou ztrátu. Velikost páky se u komoditních obchodů pohybuje v poměrech 1:5, 1:20, ale i výše. Pro srovnání, v případě obchodování s akciemi je obvykle počáteční účet investora mnohem vyšší, avšak finanční páka dosahuje poměru jen 1:2 (Turek, 2008). Herbst (1992) uvádí, že se výše marginu, při koupi komoditního derivátu pohybuje zhruba okolo 10 % jeho hodnoty, zatímco při koupi akcií se jeho výše pohybuje okolo 50 %. Navíc procentní změna ceny komodity vyvolá 10% změnu hodnoty kontraktu, zatímco procentní změna ceny akcie vyvolá pouze 2% změnu hodnoty celého kontraktu. Právě velikost finanční páky u komoditních kontraktů umožňuje i jejich nízký margin a vytváří i vyšší riziko. Rozhodování investorů je ovlivněno sledováním aktuálních dat. Odborníci doporučují při sestavování investiční strategie sledovat týdenní data vývoje cen, která nejsou ovlivněna chováním krátkodobých spekulantů. Tito spekulanti svými rychlými nákupy a prodeji způsobují značné rozkolísání jednodenních dat a nesnadné rozpoznání dlouhodobějšího vývoje (Nesnídal, Podhajský, 2006). Sledování týdenních hodnot tedy očišťuje výkyvy od obchodníků, kteří spekulují jen na krátkodobý vývoj v daném týdnu, či jednotlivých dnech, kteří své pozice uzavírají nejpozději poslední obchodní den (Shipman, 2007). Dále je důležité mít stále

24


na paměti, že vývoj na trzích je ovlivněn dalšími faktory, které mohou ovlivnit dlouhodobý trend z minuty na minutu.

3.4.2

Kolektivní investování

Pokud chce jedinec investovat do komodit, lépe řečeno spekulovat na růst jejich ceny, a zároveň nechce podstupovat velké riziko z vlastního rozhodování a věnovat dlouhý čas studiu a tvorbě vlastní strategie, může své volné prostředky vložit do jednoho z mnoha fondů kolektivního investování. Tyto fondy v mnoha případech tvoří své portfolio zcela nebo jen z částí investice do komodit. Prostřednictvím těchto fondů mohou drobní investoři nepřímo vstoupit na trh. Kolektivní investování je založeno na slučování finančních prostředků drobných investorů. Význam spočívá v možnosti dosažení efektivnější správy společných prostředků, diverzifikace a minimalizace rizik a dosažení přístupu na trhy, které jsou drobným investorům nedostupné (Liška, Gazda, 2004). Liška a Gazda spatřují výhody kolektivního investování ve skutečnosti, že investor nemusí mít žádné odborné znalosti o investování či o vlastnostech portfolia. Dále v diverzifikaci rizika v rámci daného portfolia, a zároveň společnost kolektivního investování nesmí svěřené prostředky investovat rizikově, podléhá zvláštnímu dozoru a legislativně. Investování přes tyto společnosti snižuje i transformační náklady na koupi cenných papírů a jiných derivátů. Skutečný přínos definují šesti výhodami, a to diverzifikací, nízkými provozními náklady, úsporou času, kompletním servisem, likviditou a zajištěním majetku proti ztrátám z neetických praktik. Naproti tomu, Veselá (2011), souhrnně definuje sedm výhod, a to diverzifikace rizika, snížení transakčních nákladů, jednodušší přístup k instrumentům a trhům, profesionální správa svěřeného majetku, vyšší a soustavně zajištěná likvidita, možné daňové výhody ve vybraných zemích a jednoduché a pohodlné investování. Přes nesporné výhody, existují i negativní stránky. Mezi ty patří výše správních poplatků fondům, ztráta tzv. investiční volnosti, tedy možnosti ovlivňovat zaměření investic, ale také skutečnost, že se tito investoři stále pohybují na kapitálových a peněžních trzích, jejž nesou svá rizika. V poslední řadě se dá hovořit o podstupovaném riziku podvodů a nelegálních transakcí, ze strany investičních společností (Liška, Gazda, 2004). Veselá (2011) tyto nevýhody doplňuje o konflikty mezi zájmy investorů a správci portfolia, podprůměrné výkonnosti fondů, riziko ztráty hodnoty v důsledku tržních pohybů a neexistence státních systémů pojištění instrumentů kolektivního investování. Pokud se investor rozhodne právě pro kolektivní investování, musí si na začátku vybrat fond, kam své volné peněžní prostředky vloží. Tímto krokem si v podstatě volí svou strategii.


3.4.3

25

Aktuální komoditní fondy v ČR

V ČR v současné době existuje deset různých komoditních fondů. Některé z nich jsou měnově zajištěny, obchodovány v české koruně, jiné v americkém dolaru. Čtyři fondy jsou tzv. indexové, jejich portfolio je rozloženo dle složení komoditních indexů. Další tři fondy jsou tzv. fondy fondů, kdy nakupují podíly v jiných komoditních fondech, což zvyšuje jejich celkovou roční nákladovost a zároveň snižuje jejich výkonnost. Ostatní fondy investují přímo do komodit (FINMAG: peníze v souvislostech, 18. 6. 2012). Fondy kolektivního investování jsou zaměřeny na dlouhodobý vývoj a obvykle je vhodné v takovém fondu setrvat alespoň 8 let. Dále existují fondy, které jsou primárně zaměřeny, např. na akcie, dluhopisy, nemovitosti, či jiná podkladová aktiva, ale jejich součástí jsou i komodity, čímž lépe diverzifikují riziko. Seznam aktuálních komoditních fondů v ČR: •

ČSOB Komoditní fond – založen byl v roce 2008. Jeho portfolio je navázáno na komoditní index Dow Jones – UBS Commodity index. Tento index je složen z následujících komodit – rostlinný olej, ropa, benzín, topná nafta, dobytek, vepřové maso, pšenice, kukuřice, sója, sojový olej, hliník, měď, zinek, nikl, zlato, stříbro, cukr, bavlna, káva. Je veden v české měně (ČSOB, 2013).

•

ING (L) Invest Commodity Enhanced – založen byl v roce 2011. Jeho portfolio je taktéž složeno z obdobných položek jako komoditní index Dow Jones UBS. Investice jsou z jedné třetiny vloženy do sektoru energetiky, druhá třetina do zemědělských komodit a zbytek se dělí do průmyslových kovů, vzácných kovů a hospodářských zvířat. Měna fondu je česká koruna (ING: incestment management, 2010).

•

BNPP L1 World Commodities (USD) – byl založený v roce 2006. I tento fond investuje dle aktuálního složení indexu Dow Jones UBS a je denominován v USD (CONSEQ: rozhodnutí, které vynáší, 2006a).

•

Credit Suisse Fund (Lux) DJ-AIG Commodity Index Plus (US$) – byl založený v roce 2005. Opět jeho portfolio kopíruje komoditní index Dow Jones UBS. Jako předchozí fond je denominován v USD (PATRIA: online, 1997–2013).

•

Raiffeisen Active Commodities – Založen byl v roce 2009. Portfolio je složeno zejména z komodit ze sektoru energetiky, zemědělské produkce, ušlechtilých a průmyslových kovů. Dále může investovat do cenných papírů, státních dluhopisů a jiných fondů. Denominován je v eurech (Raiffeisen BANK: banka inspirovaná klienty, 2008–2013).

•

Pioneer Funds - Commodity Alpha – založený byl v roce 2008. Fond investuje do finančních derivátů s vhodnými indexy nebo sub-indexy komoditních futures, dále do dluhopisů a cenných papírů s pevným úrokem. Denominován je v eurech i amerických dolarech (PIONEER Investments, 2010).

26


•

Zlatý fond ČP INVEST – založený byl v roce 2006. Jak název napovídá, fond investuje zejména do zlata a jiných drahých kovů, dále do akcií společností těžící především zlato (ČP INVEST, 1991–2011a).

•

Generali PPF Komoditní fond – založený byl v roce 2011, portfolio tvoří přímé investice do komodit, především do energetických, zemědělských a průmyslových. Denominován je v české koruně (ČP INVEST, 1991–2011b).

•

Parvest World Agriculture (USD) – založený v roce 2008, zaměřuje se zejména na zemědělské komodity a je denominován v USD (CONSEQ: rozhodnutí, které vynáší, 2006b).

•

J&T komoditní fond – svou činnost zahájil v roce 2011. Fond provádí přímé investice do komodit, ale i dluhopisů a cenných papírů ze sektoru těžby a zpracování nerostných surovin, a také produkce a zpracování zemědělských plodin. Není vázán na žádný index a je veden v české měně (J&T BANKA, 2013).


27

4 Materiál a metodika Smyslem této práce je potvrdit či vyvrátit a číselně vyjádřit existenci závislostí mezi cenami komodit na světových trzích a měnovými páry tzv. komoditních měn. Jak uvádíme v předchozí kapitole, základními měřitelnými faktory, které ovlivňují vývoj měnového kurzu, jsou inflace, úroková míra, stav platební bilance, velikost reálného důchodu a tempo růstu národního produktu. Avšak v rámci komoditních měn budeme sledovat vliv exportu dané země a konkrétní komodity, ovlivňující poptávku po domácí měně s využitím ekonometrické analýzy. Ke zpracování číselných dat byl využit tabulkový procesor MS EXCEL a volně dostupný statistický program Gretl zaměřený především na ekonometrické modelování.

4.1

Materiál

K tomu, abychom mohli ověřit hypotézy, bylo nutné získat potřebná sekundární data, která jsme sehnali z období od 1. 1. 2006 do 31. 12. 2011, v některých případech až do konce roku 2012. Zajištění těchto dat bylo velice složitým a časově náročným úkolem. Mnoho informací nebylo v době, kdy jsme data shromažďovali dostupná veřejně na internetových stránkách, a proto bylo nutné, pro jejich dosažení, komunikovat s úřady jednotlivých zemí prostřednictvím e-mailů. Dalším problémem bylo, že některé země, ačkoliv své statistické údaje zveřejňují, využívají k tomu webové stránky specializovaných organizací či úřadu, jež mají na starosti data ohledně konkrétních komodit, či exportu nebo produkci. O těchto organizacích jsme se většinou dozvěděli z předcházející komunikace se statistickým úřadem dané země. Bylo tedy nutné, komunikovat s několika úřady v každé zemi. Historické ceny jednotlivých komodit jsme získali od pana Martina Prokopa, analytika finančních trhů, společnosti Next Finance, s. r. o., dále byly čerpány z internetových stránek www.penize.cz (penize.cz, 2012a; 2012b, 2012c, 2012d). Oba zdroje uvádí cenu v měně amerického dolaru. Cena zlata, ropy a zemního plynu je uvedena z newyorské burzy a cena cukru z burzy ICE (Intercontinental Exchange). Konkrétně cena zlata je uvedena v USD za jednu trojskou unci, neboli 31,1 g. Cena ropy je uvedena v USD za barel, tedy 158,97 litrů ropy, často bývá zaokrouhlováno na 159 litrů. Cena zemního plynu je uváděna v britské tepelné jednotce, tedy za energetický obsah v palivu, přesně v USD za milion Btu (mmBtu). Zkratka mmBtu je rovna jednomu GJ. Cena cukru a bavlny je uváděna v centech amerického dolaru za libru, čili za 0,454 kg. Historické údaje denních spotových kurzů USD byly čerpány z oficiálních internetových stránek FEDu, kde je možné v rámci databáze vybrat několik měnových párů na jednou a extrahovat je do souboru MS Excel. Z pohledu USA jsou spotové kurzy USD vůči EUR, GBP a AUD uvedeny v přímé kotaci, naproti tomu kurzy vůči BRL a NOK jsou v databázi vedeny v nepřímé kotaci (Board of Governors of the Federal Reserve System, 2012). Denní spotové

28


kurzy EUR byly staženy z databáze ECB, veškeré údaje jsou uvedeny v nepřímé kotaci z pohledu EU (European central bank: Eurosystem, 2013). Denní spotové kurzy GBP byly čerpány z databáze Bank of England (Bank of England, 2013). Tyto kurzy jsou taktéž uvedeny v nepřímé kotaci. Jelikož veškeré ceny komodit jsou uváděny v USD, tak i veškeré měnové kurzy budeme v práci uvádět v hodnotě USD. Informace ohledně exportu a produkci cukru a líhu z Brazílie byly čerpány z oficiálních stránek brazilského sdružení pěstitelů cukrové třtiny UNICA, jež zveřejňují každoroční statistiky (UNICA, sugar cane industry association, 2012a; 2012b; 2012c; 2012d). Pro samotnou práci s daty je potřeba převést veškeré objemové hodnoty o exportu a produkci na stejnou jednotku, jako např. v případě cukru, kdy export je uváděn v kilogramech, zatímco celková produkce v tisících tun. Hodnoty produkce zemního plynu a ropy z Norska byly čerpány z oficiálních webových stránek norského statistického úřadu (Statistisk sentralbyra: Statistics Norway, 2012). Měsíční data o exportu zemního plynu a ropy byla vygenerována na webových stránkách norského statistického úřadu dle komodit, zemní plyn je uváděn pod číslem 2711.2100 a ropa pod číslem 2709.0009 (Statistisk sentralbyra: Statistics Norway, 2013) Získaná data jsou měsíční a uvedena v kilogramech, zatímco hodnoty o produkci těchto komodit jsou uváděna v m3. Při převodu hodnot na m3 bylo využito vlastností těchto energií, kdy udávaná hustota ropy je 939,7 kg/m3 a hustota zemního plynu je 0,7 kg/m3 (Čmelík, Machonský, Šíma, 2001). Data ohledně exportu zlata z Austrálie byla čerpána z oficiálních stránek australského statistického úřadu. Tato data jsou evidována pouze jako čtvrtletní, a to v tunách a cenovém vyjádření v AUD. Na základě e-mailové komunikace jsme získali dočasný přístup do oficiální databáze na stránkách Global Trade Atlas, odkud byla čerpána čtvrtletní data ohledně exportu zlata z Austrálie, jak v peněžních, tak hmotnostních jednotkách. Později byla na stránkách australského statistického úřadu zveřejněna měsíční data a ta nakonec byla použita při samotných analýzách (Australian Bureau of Statistics: Celebrating the International Year of Statistics 2013, 2013). Údaje o produkci zlata nebyla získána. Měsíční data z let 2006 – 2012 o vývozu zlata z Kanady, jež nejsou nikde zveřejňována, byla poskytnuta přímo pracovníkem úřadu Natural Resources Canada v dokumentu ve formátu MS Excel. Data o těžbě zlata je již veřejná a byla také získána z výše uvedených internetových stránek (Natural Resources Canada, 2013). Údaje o produkci ropy byly čerpány z databáze statistického úřadu Kanady (Statistics Canada, 2013a) údaje o exportu ropy a zemního plynu taktéž (Statistics Canada, 2013b)

4.2

Metodika

V této podkapitole popisujeme nástroje a postup řešení statistických analýz, jež budou použity k vypracování této práce. Získaná sekundární data zpracujeme v rámci kvantitativ-


29

ního výzkumu, v němž sestavíme ekonometrické modely vysvětlující utváření hodnoty měnových kurzů daných měn. Na základě obecné teorie ohledně vývoje měnových kurzů a ekonomie budeme dedukovat závěry ohledně měnových kurzů tzv. komoditních měn.

4.2.1

Ekonometrie

Vědní obor ekonometrie, i pod tímto názvem, byl založen v USA v roce 1930 společností Econometric Society. Hušek (2007) ekonometrii definuje jako kvantitativní ekonomickou disciplínu zabývající se měřením a empirickou verifikací reálných ekonomických vztahů a závislostí. Ekonometrická analýza spojuje poznatky ekonomické teorie, matematiky, statistiky, ale i informatiky za účelem vyhledávání, měření a empirického ověřování či testování především ekonomických, ale i dalších společenských jevů (Hušek, 2007). Verbeek (2008) ekonometrii definuje jako průnik ekonomické teorie, naměřených dat a statistických metod. Jejím hlavním úkolem je kvantifikovat vztahy mezi ekonomickými proměnnými na základě dostupných dat a za pomocí statistických analýz. K samotné interpretaci zkoumaných vztahů využívá výsledky těchto analýz.

4.2.2

Regresní a korelační analýza

Statistická analýza se jen málokdy zabývá pouze jednou izolovanou proměnnou, častěji se využívá ke zkoumání změn proměnné v čase nebo vzájemných vztahů mezi proměnnými. Většinou ověřuje vztahy, které nemají ryze funkčně deterministický charakter, jako je například predikce výšky dítěte v závislosti na jeho věku či pohlaví, vliv spotřeby alkoholu na snížení tělesné teploty, predikce budoucích zisků z prodeje zboží v závislosti na jeho ceně a spoustu jiných. V těchto případech se využívá metod regresní a korelační analýzy (Hendl, 2006). Regresní analýza řeší jednostranné závislosti mezi proměnnými. Hovoříme o vztahu mezi nezávisle (vysvětlující) proměnou vůči závisle (vysvětlované) proměnnou. Vysvětlující proměnné značíme písmenem X a vystupují v úloze příčin, zatímco vysvětlované značíme písmenem Y a vystupují v úloze následků. Snahou je zodpovědět otázky, týkající se formy změn např. vysvětlované proměnné při změnách vysvětlující proměnné (Hindls, Hronová, Seger, 2003). Regresní analýza tedy poskytuje odpovědi na otázky vztahu mezi proměnnými X a Y, zda lze proměnnou Y odhadnout pomocí proměnné X a s jakou chybou (Hendl, 2006). Korelační analýza se naopak zabývá vzájemnými závislostmi s důrazem na intenzitu daného vztahu, než na zkoumání veličin ve směru příčina-následek. Avšak často dochází k prolínání obou těchto přístupů (Hindls, Hronová, Seger, 2003). Tato analýza se provádí pomocí grafů a různých měr závislosti, nazývanými korelační koeficienty (Hendl, 2006).

30


Při bližšími pohledu na regresní analýzu, rozlišujeme teoretickou regresní funkci, která je nezměřitelná a empirickou regresní funkci, která je vypočítaná na základě naměřených údajů. Empirická funkce je v podstatě odhad teoretické regresní funkce. Budeme-li teoretickou regresní funkci považovat za model průběhu proměnné Y při systematických změnách vysvětlující proměnné X, pak empirickou regresní funkci pokládáme za odhad modelu na základě získaných pozorování. Celé lze vysvětlit na zápisu rovnice, = ( ) + , kde yi je i-tá hodnota vysvětlované proměnné Y, Xi je i-tá hodnota teoretické regresní funkce a εi je odchylka yi od Xi. Odchylka vzniká z toho důvodu, že na vysvětlovanou proměnnou y působí i jiné proměnné než jen uvažovaná vysvětlující proměnná X, dále forma teoretické regresní funkce není skutečným obrazem nezměřitelných závislostí a také proto, že na pozorování působí další náhodné chyby. Modely s chybovým členem nazýváme stochastické (Hindls, Hronová, Seger, 2003). Jak uvádí Hušek (2007) nejčastějším typem regresní funkce je lineární. Lze ji zapsat ve tvaru + … + + , = + Kde: •

Y

je vysvětlovaná, neboli zkoumaná proměnná,

•

β0

je tzv. absolutní člen, neboli úrovňová konstanta,

•

βi

je i-tý regresní koeficient či parametr (i = 1, 2, ..., k),

• ε je náhodná složka neboli chybový člen. Dalšími případy lineární regresní funkce jsou např. regrese přímková, parabolická, polynomická n-tého stupně, hyperbolická, logaritmická, exponenciální a další.

4.2.3

Metoda nejmenších čtverců

Nejznámější metodou, která zkoumá příčinný vztah mezi proměnnými Y a X, je metoda nejmenších čtverců (v literatuře známá pod českou zkratkou MNČ, nebo taktéž pod zkratkou OLS z anglického výrazu Ordinary Least Squares). Vztah mezi proměnnými lze zapsat jedinou rovnicí přímky, = +

.

Parametry neboli koeficienty α a β udávají pozici přímky, tak aby veškerá zkoumaná data ležela na dané přímce, nebo k ní byla co nejblíže. Ovšem takovýto model, kde by se jednou přímkou dala popsat veškerá data, je nerealistický a proto se v metodě počítá s tzv. náhodnou složkou neboli rezidui. Tuto složku v rovnici značíme písmenem ε, nebo u. Rovnice získává následující tvar, = +

+ ,


31

kde symbol „i“ označuje jednotlivá pozorování (Brooks, 2008). Metoda MNČ spočívá v minimalizaci celkového součtu ploch čtverců reziduí neboli odchylek lek naměřených hodnot od jejich odhadnutých hodnot. hodnot V grafickém rafickém vyjádření hovoříme o čtvercích, jejichž svislé hrany jsou spuštěny od bodů pozorování k přímce Yi, jak je vidět na obrázku č. 1.

Obrázek 1:: Metoda nejmenších čtverců

Zdroj: Brooks, 2008 Pro zpřesnění zápisu regresního modelu rozlišujeme zápis skutečných a vyrovnaných hodnot. Hodnoty značené , jsou aktuálně naměřené hodnoty y, v daném pozorování i, zatímco tzv. vyrovnané hodnoty vysvětlované proměnné, ležící na regresní přímce značíznač me . Jednoduše řečeno, pro odhady v modelu, ať už parametrů nebo proměnných, se v zápise využívá stříška nad daným písmenem. písmenem Pro lepší pochopení uvádíme opět grafické vyjádření, obrázek č. 2, naměřených a vyrovnaných hodnot (Brooks, ooks, 2008). 2008) Odhad reziduí vypočítáme jako rozdíl mezi naměřenou hodnotou a hodnotou vyrovvyro nanou, ̂ = y y . Odhad parametrů regresní funkce pak metoda provádí minimalizací sumy reziduálních čtverců, čtverců konkrétně ∑ ̂ = ∑ ( ) (Brooks, (Brooks, 2008).

4.2.4

Předpoklady regresního lineárního modelu

Gujarati, Porter (2009) definují sedm základních předpokladů regresního lineárního modelu, jež budeme v práci testovat, testovat (v závorce uvádíme testy, jež v práci použijeme), použijeme a to: •

model je lineární v parametrech a správně specifikován (F-test, test, RESET test), test

•

vysvětlující proměnné jsou nekorelovány s chybovým členem,

•

chybový člen má nulovou střední hodnotu (t-test),

•

homoskedasticita neboli konstantní rozptyl chybového členu (Whiteův test, test Breusch-Paganův test)),

•

chybový člen není sériově korelován (Durbin-Watsonův test,, graf autokorelační funkce ACF, resp. graf parciální autokorelční funkce), funkce

32


•

vysvětlující proměnné nejsou vzájemně korelované – není perfektní multikolinearita (VIF),

•

normální rozdělení chybového členu (test dobré shody, histogram).

4.2.5

Testování hypotéz

Po odhadu lineárního regresního modelu metodou nejmenších čtverců pokračujeme ve fázi statistické verifikace a testování hypotéz o odhadnutých parametrech a modelu. Základní principy testování hypotéz lze popsat třemi základními kroky: •

formulace nulové a alternativní hypotézy (H0 a H1),

•

výpočet testovací statistiky,

provedení statistického testu, které je možné uskutečnit jedním ze tří způsobů, a to buď pomocí kritického oboru testovací statistiky, nebo prostřednictvím intervalu spolehlivosti anebo pomocí p-hodnoty (Hančlová, 2012). Statistické hypotézy můžeme testovat prostřednictvím oboustranného nebo jednostranného testu. Statistický program Gretl, jež v práci použijeme, využívá oboustranné testování hypotéz. V práci využijeme jako rozhodovací pravidlo p-hodnotu. P-hodnota udává hladinu významnosti , která odpovídá vypočtené statistice •

!

=

" $%&'

0

~ !()* ) .

Takto vypočtenou p-hodnotu, porovnáváme se stanovenou hladinou spolehlivosti . Běžně se používá 10%, 5% a 1% hladina spolehlivosti . Jelikož hladinu významnosti můžeme označit také jako úroveň chybovosti testu, pak prokázání testu na nižší hladině významnosti, tedy s nižší chybovostí, je výsledek statisticky významnější (Hančlová, 2012). V práci budeme phodnotu porovnávat s α na úrovni 5 %.

4.2.6

Korelační koeficient

Korelace udává míru propojení dvou proměnných. Takovéto propojení existuje v tom případě, když určité hodnoty jedné proměnné mají sklon se vyskytovat společně s určitými hodnotami druhé proměnné. Pearsonův korelační koeficient značíme písmenem r a udává sílu vztahu dvou náhodných spojitých proměnných X a Y. Koeficient počítáme z n naměřených párových hodnot proměnných Xi a Yi a může nabývat hodnot z intervalu [-1;1]. Pokud koeficient nabývá hodnoty +1, pak hovoříme o přímé lineární závislosti, kdy se s danou hodnotou proměnné X, objevuje právě jedna hodnota proměnné Y. Hodnota koeficientu -1, značí nepřímou lineární závislost. Nabývá-li hodnoty 0, poté hovoříme o lineární nezávislosti, čili nekorelovanosti. Čím více se absolutní hodnota koeficientu blíží jedné, tím je závislost mezi proměnnými silnější, naopak čím více se blíží nule, tím je vztah volnější. Korelační koe-


33

ficient r počítáme pomocí kovariance sxy a směrodatných odchylek sx a sy obou proměnných (Hendl, 2006): ,- =

∑) (.

.̅ )( 1 1

3- =

4.2.7

456

46 45

0)

.

Časové řady a jejich analýza

Pojmem časová řada se obecně rozumí posloupnost věcně a prostorově srovnatelných dat chronologicky uspořádaných v čase, jejíž prvky mají charakter náhodnosti (Cipra, 2008). Finanční časové řady charakterizují ceny a jejich vývoj a jsou sbírány z dluhopisových trhů, akciových a devizových trhů. Hovoříme mimo jiné o cenách měn, a tedy o vývoji měnových kurzů. Specifickou vlastností finančních časových řad je mikrostruktura finančních trhů, kde jsou generovány, dále jejich vysoká časová frekvence, kdy jsou tyto data sbírána nejčastěji denně, ale i v minutových intervalech. Tyto časové řady významně ovlivňují i nesystematické faktory, které se v důsledku projevují v jejich relativně vysoké a proměnlivé variabilitě. Systematické faktory naopak vytvářejí všeobecně v časových řadách, tedy i ve finančních, trendovou, cyklickou a sezónní složku. Zároveň jsou většinou nestacionární (Arlt, Arltová, 2003). Analýza časových řad se provádí souborem metod, které tyto řady popisují anebo předvídají jejich budoucí vývoj. Hlavním cílem analýzy časových řad je konstrukce správného modelu, který nám pomůže porozumět mechanismu, který časovou řadu vytvořil. Poté můžeme testovat hypotézy ohledně různých očekávání a statisticky je vyhodnotit, predikovat budoucí vývoj a tyto informace využít v reálném životě (Cipra, 2008). Při analýze časové řady je důležité očistit je o nepravidelnosti, které se vyskytují v kalendáři. Např. každý měsíc je jinak dlouhý, má jiný počet víkendů, jiný počet pracovních dní, či obchodních dní na burzách. Při dlouhých časových řadách je potřeba myslet na to, aby data byla sbírána stále stejnou metodikou, navíc, časové řady by neměly být příliš krátké, ale ani příliš dlouhé (Cipra, 2008). Specifické problémy ekonomických časových řad jsou nelinearita, sezónnost, zdánlivá závislost mezi časovými řadami, podmíněná heteroskedsticita, nestacionarita a kointegrace (Arlt, Arltová, 2009).

4.2.8

Stacionarita a kointegrace časových řad

Stacionarita je důležitou vlastností časové řady pro její kvalitní ekonometrickou analýzu a predikci. Stacionární řady jsou takové, jejichž náhodné složky jsou v čase neměnné, naopak, pokud časové řady podléhají změnám v průměru či variabilitě, hovoříme o řadách nestacionárních. Nestacionární časové řady jsou charakteristické vykazováním trendu (Arlt,

34


Arltová, 2009). Nestacionarita vysvětlujících proměnných způsobuje tzv. nepravou regresi, která nadhodnocuje koeficient determinace a hodnoty t-statistik. Trend se dá odstranit pomocí prvních diferencí a jejich vyššími stupni, nebo začleněním trendové složky do modelu (Hampel a kol., 2011). Zdánlivá regrese v tomto případě nastává právě tehdy, kdy dvě proměnné Yt a Xt mají pouze stejný trend a v důsledku nestacionárnosti vykazují významnou regresní závislost. Ta vede k vysokým hodnotám koeficientu determinace a adjustovaného koeficientu determinace (Hušek, 1999). Model náhodné procházky, též random walk process (RW), je typem nestacionární časové řady a lze jej popsat autoregresní rovnicí = Φ * + . Testováním hodnoty parametru Ф lze odhalit nestacionaritu časové řady, • •

pokud ⃒Ф⃒ < 1, pak střední hodnota Yi konverguje k nule a jedná se o stacionární řadu,

pokud ⃒Ф⃒ > 1 pak střední hodnota Yi roste postupně nade všechny meze a jedná se o nestacionární řadu s explozivním průběhem,

pokud ⃒Ф⃒= 1, pak se jedná o řadu náhodné procházky, neboť střední hodnota nekonverguje a to znamená, že Yi je nestacionární (Hampel a kol., 2011). Nestacionaritu budeme v této práci testovat pomocí Dicky-Fullerova testu (DF testu), nebo pomocí rozšířeného DF testu, jejichž hypotézy jsou stanoveny takto: •

•

H0 : β1 = 0, neboli ⃒Ф⃒= 1 a

H1 : β1 < 0, neboli ⃒Ф⃒< 1. Kointegrované nestacionární časové řady eliminují nepravou regresi, vytvořením jejich lineární kombinace tak, aby rezidua byla stacionární. Tedy samostatné časové řady mohou být nestacionární, ale pokud je jejich kombinace stacionární, pak jsou tzv. kointegrované. V takovémto případě existuje rovnovážný lineární vztah mezi nestacionárními proměnnými a rezidui, jež jsou funkcí těchto nestacionárních řad, který je následně stacionární (Hampel D., Blašková V., Střelec L., 2011). V této práci budeme kointegraci testovat pomocí Engleova-Grangerova testu, neboli EG testem kointegrace, na základě testu jednotkového kořene. Nulovou hypotézou je, že proměnné nejsou kointegrované, naopak alternativní hypotéza potvrzuje jejich kointegraci (Hušek, 1999). •

4.2.9

Korelace časových řad

Při zkoumání vztahů mezi více časovými řadami vycházíme z předpokladu, že je lze popsat aditivním modelem, tedy že každá časová řada je popsatelná součtem pravidelné a nepravidelné složky. Pravidelné neboli deterministické složky jsou ovlivněny sezónností a časovým trendem, který může stejným způsobem ovlivnit i ve skutečnosti vzájemně nezávislé řady. Pokud tedy chceme zkoumat příčinný vztah, mezi časovými řadami, musíme hledat vztah mezi jejich nepravidelnými čili náhodnými složkami (Hindls, Hronová, Seger, 2003).


35

Pro zkoumání existence příčinného vztahu mezi proměnnými se používají metody měření těsnosti závislosti řad náhodné složky, tedy řad očištěných od trendu a sezónní složky. Tímto očištěním zabráníme mylnému pozorování silné závislosti mezi proměnnými, jejichž závislost může být ve skutečnosti velice nízká nebo žádná, hovoříme o tzv. zdánlivé korelaci (Hindls, Hronová, Seger, 2003). Ve skutečném světě se vliv určitého jevu na jiný jev projevuje až po určitém období. V takovémto případě hovoříme o tzv. opožděné korelaci. Její sílu zkoumáme stejnými metodami jako korelaci mezi stejnými obdobími, akorát musíme časovou řadu závisle proměnné posunout o daný počet období. Tímto vypozorujeme, zda vliv vysvětlující proměnné na závisle proměnnou je omezen pouze na jedno nebo více období (Hindls, Hronová, Seger, 2003).

4.2.10

Grangerova kauzalita

Grangerova kauzalita se využívá k ověřování směru kauzální závislosti, kdy kauzalita je chápána jako schopnost dané proměnné predikovat jinou proměnnou. Grangerovou kauzalitou tedy ověřujeme, zda změny proměnné X, předcházejí změně proměnné Y, či naopak. Nezkoumá tedy příčinný vztah, nýbrž časovou posloupnost sledovaných proměnných (Hušek, 2009). Hušek (1999) ji též vysvětluje jako stav, kdy „běžné a různě zpožděné hodnoty, např. proměnné Xt, vysvětlují v regresi významnou měrou závislost Yt na zpožděných hodnotách Xt a Yt.“ Grangerova kauzalita je definovaná, jak pro jednorozměrné, tak i pro n-rozměrné procesy (Arlt, Arltová, 2009). Můžeme tedy zkoumat vzájemné vlivy více proměnných, ne jen dvou. Tuto kauzalitu ověřujeme pomocí testů založených na principech VAR modelů. Chceme-li zkoumat vztah mezi proměnnými Xt a Yt, můžeme začít testováním nulové hypotézy, že proměnná X nepodmiňuje Y, nebo naopak. V prvním případě vycházíme z lineární regrese Yt na zpožděných hodnotách Y a zpožděných hodnotách X. Maximální zpoždění můžeme určit libovolně dlouhé a proto je vhodné test provést vícekrát s různou délkou zpoždění. V druhém kroku testujeme nulovou hypotézu, že proměnná Y nepodmiňuje X. K samotnému závěru, že X podmiňuje Y ve smyslu Grangerovy kauzality dojdeme v okamžiku, kdy v prvním kroku hypotézu odmítneme a v druhém kroku hypotézu nezamítneme. Test se může doplnit i dalšími proměnnými, které jsou korelováné s oběma proměnnými Y i X a následně testovat jejich vzájemné působení (Hušek, 1999).

4.2.11

VAR modely

Modely VAR jsou modely vektorové autoregrese, jejichž veškeré proměnné jsou endogenní a využívají se při ověřování tzv. Grangerovy kauzality mezi proměnnými. Jejich princi-

36


pem je zkoumání existence korelovanosti mezi současnou hodnotou jedné proměnné a dřívějšími hodnotami jiných proměnných (Cipra, 2008). Během modelování můžeme pozorovat, že zpožděné hodnoty jedné proměnné kauzálně ovlivňují hodnoty jiné proměnné, a tím potvrzujeme jejich vzájemnou závislost v Grangerově smyslu, tato závislost může být buď pouze jednosměrná, anebo vzájemná, pak hovoříme o existenci zpětné vazby. Avšak ani jedna proměnná v modelu nemusí ovlivňovat druhou, pak hovoříme o nezávislých proměnných (Cipra, 2008). Podmínkou pro využití VAR modelů je stacionarita časových řad, pokud jsou nestacionární a nelze je ani diferencováním přeměnit na stacionární, lze k modelování využít VEC modely, které data testují na základě kointegrační analýzy. VEC modely jsou modely vektorové korekce chyby (Cipra, 2008). VAR modely využíváme nejčastěji pro první diference časových řad. Model zapisujeme ve tvaru VAR (p). Kdy hodnota p udává p-období zpoždění proměnných (Artl, Artlová, 2009). Při výběru nejlepšího modelu, budu porovnávat vypočtené hodnoty informačních kritérií, a to Akaikova (AIC), Schwarzova (BIC) a Hannan-Quinnova (HQC). Nižší hodnoty těchto kriterií znamenají vyšší vypovídací schopnost modelu. Řád zpoždění u všech modelů VAR v této práci bude určován dle hodnoty Schwarzova kritéria. Pomocí těchto modelů budeme zkoumat kauzální vlivy cen komodit a kurzů komoditních měn.

Výsledky práce a diskuse

37

5 Výsledky práce a diskuse Tato kapitola popisuje výsledky provedených analýz na získaných datech a zároveň je porovnává s výsledky autorů, kteří se zabývali prácemi na obdobná témata. Kapitola je rozdělena do pěti podkapitol, první čtyři se týkají jednotlivých zemí, jejichž měny se mohou zařadit mezi komoditní a poslední podkapitola je věnovaná korelační analýze cen sledovaných komodit.

5.1

Kanada

Kanada se dlouhodobě řadí mezi tři největší exportéry zemního plynu a mezi první desítku největších exportérů a producentů ropy na světě. V posledních letech se stala i významným exportérem zlata, jak uvádí tabulky č. 1 a č. 2. Nejvýznamnější provázanost obchodních vztahů má Kanada s USA, jež jsou na sobě fakticky závislé. Tyto země již roku 1986 podepsaly dohodu o volném obchodu, která se vztahuje jak na zboží, tak služby. Omezuje tarifní i netarifní bariéry obchodu, stanovuje mechanismy pro spravedlivé a rychlé řešení obchodních sporů (Foreing Affairs and International Trade Canada, 2013). Právě z těchto důvodů budeme analyzovat vztah mezi americkým a kanadským dolarem a cenami ropy, zlata, zemního plynu a jejich produkcí a exportem. Získané časové řady cen komodit a měnového kurzu jsou denní, zatímco data týkající se exportu a produkce komodit pouze měsíční, za roky 2006–2011. Denní data jsme zprůměrovali pomocí tabulkového editoru MS Excel počtem dní v měsíci. Výsledné modely jsme zkonstruovali na datech od srpna 2008 do prosince 2011.

Obrázek 2: Vývoj měnového kurzu USD/CAD a cen ropy a zlata od srpna 2008 do konce prosince 2011

Zdroj: vlastní zpracování výsledků z programu Gretl

38


Jak vidíme na obrázku číslo 2, v polovině roku 2008, kdy propukla světová finanční krize, došlo k prudkému poklesu ceny ropy, jež se až do konce roku 2008 stále propadala. Tento vývoj byl zapříčiněn nedůvěrou ve finanční trhy a negativní vyhlídky vývoje světové ekonomiky. Spojené státy razantně snížily poptávku po ropě, globální prognózy hovořily o snižování poptávky i v roce 2009, což tlačilo cenu ropy stále níž. Až začátkem roku 2009, OPEC uveřejnila rozhodnutí snížit těžbu ropy o 13 %, což vedlo ke změně spekulací na komoditních trzích a cena ropy se do konce roku 2010 dostala na hranici 90 dolarů za barel. Naopak tento negativní vývoj na všech trzích posiloval cenu zlata, která se během prvních dvou let hospodářské krize zdvojnásobila a měla tak silný vliv na všechny měny zemí významných exportérů zlata.

Obrázek 3: Vývoj měnového kurzu USD/CAD, produkce ropy a zlata od srpna 2008 do konce prosince 2011

Zdroj: vlastní zpracování výsledků z programu Gretl Z grafu na obrázku č. 3 je patrné, že vývoj produkce zlata se vyvíjí opačným směrem než hodnota měnového kurzu. U produkce ropy je tento vývoj vidět méně, ale i zde je patrný. Jak jsme konstatovali výše, po propuknutí hospodářské krize a prudkém poklesu ceny ropy, začaly země snižovat její produkci, dokud se alespoň částečně neobrátilo investiční očekávání, a snížená nabídka nepodpořila oslabenou poptávku.

5.1.1

Korelační analýza USD/CAD Proměnné vstupující do korelační a regresní analýzy jsou: USD/CAD průměrný měsíční uzavírací měnový kurz USD/CAD Ropa průměrná měsíční uzavírací cena ropy za barel (159 l), ZP průměrná měsíční uzavírací cena zemního plynu za GJ, Zlato průměrná měsíční uzavírací cena zlata za unci (31,1 g), Prod_ropa měsíční produkce ropy v 1.000 m3 (1.000.000 litrů),


Ex_ropa Prod_zlato Ex_ZP

39

měsíční export ropy v 1.000 m3 (1.000.000 litrů), měsíční produkce zlata v kg, měsíční export zemního plynu v 1.000 m3.

U cen komodit očekáváme pozitivní závislost, kdy s růstem ceny komodity, posílí i daná komoditní měna. U proměnných udávajících objem produkce a exportu, očekáváme dle ekonomické teorie možnou existenci kladné i záporné závislosti. Zápornou závislost můžeme vysvětlit skutečností, že při poklesu produkce a tedy nabídky potažmo exportu dané komodity, při zachování stejného poptávaného množství, dochází k růstu ceny komodity a posílení komoditní měny. Naopak při růstu produkce a exportu, při zachování stejného poptávaného množství, cena klesá. Ovšem může dojít i k opačné situaci, kdy při růstu produkce a tedy nabídky, poroste i poptávka a cena komodit, čímž posílí i daná měna. Korelační analýza, jejíž výsledky jsou uvedeny v tabulce č. 4, byla provedena na prvních diferencí sezónně adjustovaných proměnných, při pozorování n = 40, měsíčních dat od srpna 2008 do konce roku 2011. První diference, vyjma u proměnné export zemního plynu, jsme zvolili vzhledem ke skutečnosti, že rozšířený Dickey-Fullerův test nezamítal nulové hypotézy o existenci jednotkového kořene a tedy nestacionaritě daných časových řad, jak uvádíme v tabulce č. 3. První diference již nestacionaritu časových řad vyřešily. Tabulka 3: Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro39 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou, Kanada

Proměnná

p-hodnota

USD/CAD Ropa

0,2445 0,5357

ZP Zlato

0,9889 0,5087

Prod_ropa Ex_ropa

0,8186 0,6127

Prod_zlato

0,0525

Ex_ZP Zdroj: vlastní zpracování výsledků z programu Gretl

0,0259

Významnost jednotlivých korelačních koeficientů určujeme testem nezávislosti, jehož nulová hypotéza je stanovena následovně 9 : ; = 0, o zamítnutí resp. nezamítnutí této hypotézy rozhodujeme dle p-hodnoty daných testů, které uvádíme v následující tabulce č. 4. U proměnných produkce a export ropy, produkce zlata a export zemního plynu z Kanady uvádíme v tabulce dva koeficienty korelace a tedy i dvě různé t-statistiky a p-hodnoty, jelikož jsme analýzu prováděli na hodnotách udávající objem v jednotkách množství, ale i daný objem vyjádřený v peněžních jednotkách, v USD.

40


Tabulka 4: Korelační analýza vzájemných vztahů měnového kurzu USD/CAD a ceny komodit a exportu a produkce těchto komodit pro 39 pozorování za období od září 2008 do konce roku 2011 Proměnné testu vůči USD/CAD

Ropa

Zlato

ZP

Prod_ropa množství/ cena

Ex_ropa množství/ cena

Prod_zlato množství/ cena

Ex_ZP množství/ cena

Korelační koef. r

0,3963

0,3283

0,3437

-0,2003/ 0,1690

-0,1758/ 0,0862

-0,2751/ -0,0594

0,2251/ 0,2804

t-statistika

2,6956

2,1705

2,2856

-1,2767/ 1,0708

-1,1152/ 0,5403

-1,7869/ 0,3716

1,4427/ 1,8242

p-hodnota

0,0103

0,0361

0,0277

0,2092/ 0,2908

0,2715/ 0,5920

0,0817/ 0,7121

0,157/ 0,0757

Zdroj: vlastní zpracování výsledků z programu Gretl a MS Excel U proměnných produkce a export ropy, produkce zlata a export zemního plynu nemůžeme zamítnout nulovou hypotézu o nezávislosti, hodnoty korelačních koeficientů jsou blízké nule. Avšak očekávání silné a pozitivní závislosti mezi cenou ropy a měnovým kurzem, kde koeficient korelace dosahuje hodnoty 40, se potvrdilo. Předpokládáme, že tato závislost je způsobena nejen tím, že Kanada je čistým vývozcem ropy, ale také průměrně 65 – 70 % vyprodukované ropy v Kanadě míří právě do Spojených států (BusinessInfo.cz, 2013). Kathy Lian (2011) dokonce uvádí, že v letech 2006–2009 byla hodnota korelace mezi CAD a cenou ropy přibližně 80. I přestože se může každým dnem těsnost tohoto vztahu změnit, dlouhodobě je korelace silná, jak dokazují i výsledky naší analýzy. Obdobně, jak uvádíme v úvodu této podkapitoly i Kathy Lian (2011) spatřuje velký význam v provázanosti ekonomik Kanady a Spojených států, dále i významný podíl vývozu do Japonska. Obdobně je to i s vývozem ostatních surovin, ale i importem z USA do Kanady. Vzhledem k podílu vývozu do Spojených států budeme analyzovat pouze vzájemný vztah kanadského a amerického dolaru.

5.1.2

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu USD/CAD

V této kapitole uvádíme výsledky regresních modelů, do kterých vstupují veškeré proměnné uvedené v podkapitole 5.1.1. Jednotlivé časové řady, kromě exportu zemního plynu, byly nestacionární, proto jsme je prostřednictvím jejich prvních diferencí stacionarizovali. I přes toto očištění, se mezi daty v regresních modelech objevovala autokorelace 1. řádu a tak jsme identifikovali sezónní závislost, kterou jsme očistili analýzou TRAMO/SEATS nabízenou v programu Gretl. V následující tabulce č. 5 uvádíme model OLS, jímž vysvětlujeme hodnotu měnového kurzu USD/CAD.


41

Tabulka 5: Model OLS vysvětlující měnový kurz USD/CAD cenou ropy a zlata, exportem ropy a produkcí zlata a testy klasických předpokladů regresního modelu

Ropa Zlato Ex ropa Prod zlato

Závisle proměnná USD/CAD Pozorování 2008:09–2011:12 (T=40) Koeficient Směr. chyba t-podíl 0,0023377 0,00098267 2,3789 9,13381e-05 3,76888e-05 2,4235 -7,57571e-06 3,46394e-06 -2,1870 -4,52483e-06 2,30268e-06 -1,9650

Koeficient determinace Adjustovaný koeficient determinace

p-hodnota 0,02279 0,02053 0,03532 0,05716

0,3779 0,3260

Test F-test Test nelinearity (druhé mocniny) Test RESET pro specifikaci Whiteův test heteroskedasticity Test normality reziduí Durbin-Watsonův test

p-hodnota 0,0015 0,6998 0,6799 0,8067 0,4648 0,8605 Test kolinearity

VIF Ropa 1,081 Zlato 1,014 Ex ropa 1,086 Prod zlato 1,147 Zdroj: vlastní zpracování výsledků z programu Gretl Model je správně specifikován a splňuje veškeré předpoklady regresního modelu. Regresní koeficienty jsou průkazné na 5% hladině významnosti, s výjimkou produkce zlata, jež je průkazná na 10% hladině významnosti. Na základě tohoto modelu byl potvrzen vztah mezi vývojem měnového páru USD/CAD a cenami ropy a zlata, exportem ropy a produkcí zlata. Výsledek interpretujeme tak, že s průměrným nárůstem ceny jednoho barelu ropy o jeden americký dolar, posílí kanadský dolar v průměru přibližně o 0,0024 USD. A zároveň pokud průměrná cena zlata za jednu unci vzroste o jeden USD, pak CAD průměrně posílí o 0,0000091 USD. Vliv exportu ropy a produkce zlata je v tomto modelu potvrzen negativní závislostí. Kdy s poklesem produkce ropy o 1.000 m3 posílí CAD v průměru přibližně o 0,0000007576 USD a s poklesem produkce zlata o jednu unci CAD posílí o 0,0000004254 USD. Tyto vlivy jsou ovšem velice malé, avšak při zařazení dalších vhodných proměnných do regresního modelu, by mohl vztah posílit. Velikost těchto koeficientů je ovlivněna i malým poměrem sledované změny vůči objemům celkové měsíční produkce a exportu těchto komodit. Tyto hodnoty také již vstupují do ceny

42


jednotlivých komodit, jejich vliv je tedy už obsažen v působení samotných cen na měnový kurz. Negativní závislost exportu a produkce na měnový kurz zde můžeme vysvětlit prudkým poklesem poptávky po ropě a tedy jejím relativním přebytkem na trhu, jež stlačil cenu dolů a tak růst exportu a produkce by cenu ještě více snižoval. Regresním modelem vysvětlujeme pouze necelých 33 % vlivů a vztahů ovlivňující hodnotu měnového kurzu. Ten je ovlivňován řadou dalších ekonomických ukazatelů a spekulacemi na komoditních a měnových burzách, proto hodnotíme hodnotu adjustovaného koeficientu determinace jako vysokou. Model jsme také sestavovali s proměnnými exportem a produkcí vyjádřených v objemu CAD. V tomto případě ovšem vysvětlovanou proměnnou USD/CAD vysvětlovaly pouze proměnné cena ropy a cena zlata. Výsledek se shodoval s předcházejícím modelem, a proto jej zde neuvádíme. Pro lepší představivost významnosti jednotlivých faktorů působících na vývoj měnového páru sledujeme v následujícím modelu vliv změny ceny komodit o jeden dolar na jeden litr ropy, v případě zemního plynu sledujeme změnu ceny vyjádřené jeho výhřevností v MJ na jeden m3 a u zlata na 1 gram. Teoretická očekávání pozitivního vlivu změny ceny komodit na změnu měnového kurzu, a možný pozitivní i negativní vliv exportu a produkce daných komodit jsou stejná, jako v případě vyjádření ceny ropy v barelech, zemního plynu jeho výhřevností jednoho GJ a zlata v uncích. Vyjma proměnných cen komodit vyjádřených v jiných jednotkách jsou proměnné stejné, jako v předcházejícím modelu. Změna proběhla u těchto komodit, Ropa_l průměrná měsíční uzavírací cena ropy za jeden litr, ZP_m průměrná měsíční uzavírací cena zemního plynu za m3, Zlato_gr průměrná měsíční uzavírací cena zlata za jeden gram. I u těchto proměnných jsme ověřovali existenci jednotkového kořene. V tabulce č. 6 udáváme p-hodnoty rozšířeného Dickey-Fullerova testu, jež dokazují, že časové řady byly nestacionární a proto jsme je pomocí prvních diferencí stacionarizovali. Tabulka 6: Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro 39 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou

Proměnná

p-hodnota

Ropa_l ZP_m

0,5356 0,7568

Zlato_gr Zdroj: vlastní zpracování výsledků z programu Gretl

0,5087

V následující tabulce č. 7 je uveden regresní model, jímž jsou vysvětleny pohyby v měnovém kurzu USD/CAD pomocí ceny za jeden litr ropy, ceny zlata za jeden gram, exportem ropy a produkcí zlata.


43

Tabulka 7: Model OLS vysvětlující měnový kurz USD/CAD cenou ropy za 1l a zlata za 1 g, exportem ropy a produkcí zlata a testy klasických předpokladů regresního modelu

Ropa l Zlato_gr Ex_ropa Prod_zlato

Závisle proměnná USD/CAD Pozorování 2008:09–2011:12 (T=40) Koeficient Směr. chyba t-podíl 0,371602 0,156226 2,3786 0,00284082 0,00117211 2,4237 -7,57609e-06 3,46401e-06 -2,1871 -4,52517e-06 2,30269e-06 -1,9652


p-hodnota 0,02280 0,02052 0,03531 0,05715

0,3778 0,3260

Test F-test Test nelinearity (druhé mocniny) Test RESET pro specifikaci Whiteův test heteroskedasticity ARCH test 1. řádu Durbin-Watsonův test Test normality reziduí

p-hodnota 0,0015 0,6997 0,6799 0,8067 0,5006 0,8004 0,4648 Test kolinearity

Ropa l Zlato_gr Ex_ropa Prod_zlato Zdroj: vlastní zpracování výsledků z programu Gretl

VIF 1,081 1,014 1,086 1,147

Výsledky modelu se poměrově shodují s předchozími, změnilo se pouze vyjádření změny ceny komodity na menší jednotku. Nyní můžeme výsledky interpretovat takto: pokud vzroste průměrná cena jednoho litru ropy o 1 USD, pak CAD průměrně posílí o 0,3716 USD, při růstu průměrné měsíční ceny gramu zlata o 1 USD, CAD posílí průměrně o 0,0028 USD. Koeficienty u proměnných export ropy a produkce zlata jsou stejné, jelikož sledování nárůstu exportu či produkce o 1 litr ropy či gram zlata měsíčně by mělo naopak ještě menší dopad na vysvětlovanou proměnou USD/CAD.

5.1.3

Grangerova kauzalita USD/CAD

V rámci Grangerovy kauzality jsme zkoumali kauzální vztah mezi měnovým párem USD/CAD a cenou ropy, zemního plynu a hodnotou jejich exportu v modelu VAR se zpoždě-

44


ním řádu jedna, který jsme určili porovnáním kritéria BIC a jehož hodnoty uvádíme v tabulce č. 8. Tabulka 8: Test Grangerovy kauzality mezi USD/CAD a cenami komodit a jejich exportem za období od srpna 2008 do prosince 2011 dle VAR modelu s řádem zpoždění jedna

koeficient

p-hodnota

USD/CAD--> USD/CAD

-0,1917

0,1546

Ropa_l--> USD/CAD Zlato_gr--> USD/CAD

0,2550 -0,0017

0,0014 0,3576

Ex_ropa-->USD/CAD

-4,5812e-7

0,9291

-5

0,0021

Prod_zlato-->USD/CAD 3,0100e Zdroj: vlastní zpracování výsledků z programu Gretl

Z výsledků testu je patrné, že minulé hodnoty ceny ropy vysvětlují současné hodnoty měnového páru USD/CAD. Tato závislost se potvrdila i u produkce zlata. Tyto výsledky jsou v souladu s ekonomickou teorií. Kanada ve sledovaném období byla mezi třemi největšími exportéry zlata na světě, jež je ovlivněno jeho produkcí a zásobami. Současně, jak již bylo řečeno, téměř ¾ produkce ropy je exportováno a prodáno do USA. Další závislost byla nalezena jen mezi současnou cenou ropy a jejími zpožděnými hodnotami. Mezi ostatními proměnnými testy kauzalitu neprokázaly.

5.2

Norsko

Norsko je významným světovým exportérem ropy a zemního plynu; tyto dvě komodity tvoří více jak polovinu celkového norského exportu. Největšími odběrateli jsou Velká Británie, země Evropské unie a Spojené státy americké (Statistics Norway, 2013). Vzhledem k této skutečnosti jsme analyzovali vztah norské koruny vůči americkému dolaru, euru a britské libře. Obdobně jako v případě analýz prováděných na datech ohledně kanadské produkce a exportu komodit s měnovým kurzem USD/CAD, i zde očekáváme pozitivní závislost měnových kurzů norské koruny vůči všem výše zmiňovaným měnám. Vliv mezi těmito měnovými páry a produkcí či exportem komodit se může objevit pozitivní, ale i negativní.

5.2.1

Korelační analýza

Korelační analýza byla opět provedena na již stacionárních a sezónně adjustovaných proměnných. Proměnné z období let 2006–2011, které byly použity v korelační a regresní analýze, jsou následující: USD/NOK průměrný měsíční uzavírací měnový kurz USD/NOK, GBP/NOK průměrný měsíční uzavírací měnový kurz GBP/NOK, EUR/NOK průměrný měsíční uzavírací měnový kurz EUR/NOK,


45

Ropa průměrná měsíční uzavírací cena ropy za barel (159 l), Ropa_l průměrná měsíční uzavírací cena ropy za jeden litr, ZP průměrná měsíční uzavírací cena zemního plynu za GJ, ZP_m průměrná měsíční uzavírací cena zemního plynu za m3, Prod_ropa měsíční produkce ropy v 1.000 m3 (1.000.000 l)/ v USD, Ex_ ropa měsíční export ropy v 1.000 m3 (1.000.000 l)/ v USD/ v EUR, Prod_ZP měsíční produkce zemního plynu v mil. m3/ v USD/ v EUR, Ex_ZP měsíční export zemního plynu v 1000 m3/ v USD/ v EUR, Ex_ROPA_UK měsíční export ropy do UK v barelech, Ex_ropa_UK měsíční export ropy do UK v GBP. Jelikož je Velká Británie hlavním odběratelem ropy a zemního plynu, využili jsme v analýze dostupnost dat ohledně exportu mířícího přímo do UK, nikoliv jen celkový export Norska. Ověření stacionarity jednotlivých časových řad jsme provedli pomocí rozšířeného Dickey-Fullerova testu, jehož výsledky uvádíme v tabulce č. 9. Tabulka 9: Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro 59 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou, Norsko

Proměnná USD/NOK

p-hodnota 0,3605

GBP/NOK

0,2001

EUR/NOK Ropa

0,3579 0,0880

Ropa_l ZP

0,0881 0,3999

ZP_m Prod_ropa

0,4787 0,2342

Ex_ropa Prod_ZP Ex_ZP

0,2633 0,2854 0,2402

Ex_ROPA_UK Ex_ropa_UK

0,232 0,5859

Zdroj: vlastní zpracování výsledků z programu Gretl V následujících tabulkách č. 10 – 12 jsou uvedeny korelační koeficienty a výsledky testů o nezávislosti jednotlivých vztahů mezi sledovanými proměnnými. Údaje o exportu a produkci jsou vyjádřeny jak v měrných jednotkách, tak v peněžních. Proto se i u těchto proměnných objevují dvě hodnoty korelačních koeficientů a t-statistik a p-hodnot.

46


Tabulka 10: Korelační analýza vzájemných vztahů měnového kurzu USD/NOK a ceny komodit, exportu a produkce těchto komodit pro 59 pozorování za období od ledna 2006 do konce roku 2010 Proměnné testu vůči USD/NOK ZP

Ropa

Ex_ropa m3/USD

Ex_ZP m3/USD

Prod_ropa m3/USD

Prod_ZP m3/USD

Korelační koef. r

0,4041

0,7297

0,0998 /0,5478

0,0295/ 0,5839

-0,0013/ 0,5603

0,2671/ 0,5750

t-statistika

3,3353

8,057

0,7572/ 4,9435

0,2228/ 5,4301

-0,0098/ 5,10

2,0925/ 5,306

p-hodnota

0,0015

5,53e-11

0,4520/ 7,1e-6

0,8244/ 1,21e-6

0,9922/ 3,94e-6

0,0408/ 1,91e-6

Zdroj: vlastní zpracování výsledků z programu Gretl a MS Excel Tabulka 11: Korelační analýza vzájemných vztahů měnového kurzu GBP/NOK a ceny komodit, exportu a produkce těchto komodit pro 47 pozorování za období od ledna 2008 do konce roku 2011 Proměnné testu vůči GBP/NOK Prod_ZP

Ex_ropa_ UK (GBP)

Ex_ROPA _UK (barel)

ZP

Ropa

Ex_ropa

Ex_ZP

Prod_rop a

Korelační koef.r

0,5600

0,2870

0,3031

0,0280

-0,0113

0,0484

0,0906

0,2204

tstatistika

4,5342

2,0098

2,1336

0,1879

-0,0758

0,3250

0,6102

1,5157

phodnota

4,26e-5

0,0504

0,0383

0,8517

0,9399

0,7466

0,5447

0,1365

Zdroj: vlastní zpracování výsledků z programu Gretl a MS Excel Tabulka 12: Korelační analýza vzájemných vztahů měnového kurzu EUR/NOK a ceny komodit, exportu a produkce těchto komodit pro 71 pozorování za období od ledna 2006 do konce roku 2011 Proměnné testu vůči EUR/NOK ZP

Ropa

Ex_ropa m3/eur

Ex_ZP m3/eur

Prod_ropa m3/eur

Prod_ZP m3/eur

Korelační koef.r

0,0737

0,2831

0,0887/0,1973

0,0897/0,0655

-0,1471/ 0,3687

0,0908/0,0702

t-statistika

0,6138

2,4519

0,7397/ 1,6717

0,7181/ 0,55452

-1,2353/ 3,2947

0,7573/ 0,5845

p-hodnota

0,5413

0,0167

0,4619/ 0,0991

0,4569/ 0,5873

0,2208/ 0,001

0,4514/ 0,5607

Zdroj: vlastní zpracování výsledků z programu Gretl a MS Excel Výsledky dokazují, že největší závislost měnových párů je s cenou ropy, v případě britské libry převládá závislost s cenou zemního plynu. Korelační závislost mezi exportem a produkcí ropy a zemního plynu v hodnotě v USD vyjádřeného koeficientem korelace s měnovým kurzem USD/NOK, přesahuje hodnotu 50,


47

jak uvádí tabulka č. 10. Předpokládáme, že sílu tohoto vlivu ovlivňuje skutečnost zúčtování všech kontraktů ropy a zemního plynu právě v USD. Vliv exportu a produkce je na ostatní měny zprostředkovaný právě prostřednictvím USD a tudíž je projevovaná závislost slabší. Všeobecně můžeme konstatovat, že korelace je silnější, pokud hodnotu exportu či produkce vyjádříme v peněžních jednotkách, jak je uvedeno v tabulce č. 10 a 12. To můžeme vnímat jako vodítko pro případné investory, kteří chtějí investovat do komoditních měn, aby sledovali objem exportu vyjádřený i v penězích, nikoliv jen objem v měrných jednotkách. K obdobnému závěru dospěli i Chen a Rogoff (2002), jež objevili silný a stabilní vliv ceny exportu významných komodit vyjádřených v reálné hodnotě amerického dolaru. Ačkoliv některé koeficienty jsou nízké a nemůžeme zamítnout nulovou hypotézu o neexistenci závislosti, je důležité si uvědomit, že korelační analýza zkoumá vztah vždy pouze mezi dvěma proměnnými, zatímco vícerozměrná regresní analýza zkoumá vztahy několika proměnných působících na danou vysvětlovanou proměnnou současně. Proto i přes nízkou korelaci můžeme očekávat existenci vzájemného vztahu v rámci regresní analýzy. Dále je tato korelační analýza prováděna na průměrných měsíčních datech, poněvadž údaje o exportu a produkci jsou dostupné pouze v měsíčních a delších časových intervalech. Avšak korelační analýza, pouze mezi denními hodnotami kurzu USD/NOK a cenami ropy a zemního plynu poukazuje na mnohem silnější vztahy. Koeficient korelace s cenou zemního plynu je v tomto případě 27,33 a s ropou dokonce 85,96. Korelace denních dat vystihuje skutečné každodenní pohyby, jež nejsou oslabeny vlivem zprůměrovaných hodnot, a proto více odpovídají skutečnosti. Koeficient korelace denních hodnot ceny ropy s denními hodnotami kurzu EUR/NOK je téměř dvojnásobný, oproti korelaci mezi průměrnými měsíčními daty dosahuje hodnoty 44,65. Ačkoliv korelační analýza denních dat poskytuje důkaz o mnohem silnějším vztahu komoditní měny s cenou vybraných komodit, i korelační analýza měsíčních dat potvrdila námi očekávané závislosti i ekonomickou teorii. Právě vzhledem k síle daných vztahů i agregace do měsíčních dat nezměnila výsledky.

5.2.2

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu USD/NOK

V této podkapitole uvádíme výsledky regresních analýz vysvětlované proměnné USD/NOK. V první řadě jsme zkoumali jednorozměrné modely vlivu ceny ropy na USD/NOK a ceny zemního plynu na USD/NOK. Poté jsme modely rozšířily na vícerozměrné. Pro lepší představivost o síle vzájemných vztahů budeme v modelech sledovat změnu ceny na jeden litr ropy a jeden krychlový metr zemního plynu. Na obrázku č. 4 vidíme provázanost vývoje ceny ropy a zemního plynu, kdy po pozvolném nárůstu ceny mezi lety 2006 – 2008, došlo vlivem hospodářské krize k jejímu prudkému poklesu. Tento vývoj je patrný i na vývoji měnového kurzu, který v polovině roku 2008 výrazně oslabil.

48


Obrázek 4: Vývoj USD/NOK a ceny zemního plynu a ropy od ledna 2006 do konce 2011

Zdroj: vlastní zpracování výsledků z programu Gretl Původní časové řady jsme očistili o tři odlehlá pozorování a to měsíce červenec, srpen a září roku 2008. Tato pozorování způsobovala velkou variabilitu rozptylu, čímž byly vychýleny hodnoty testů. Po očištění jsme získali následující výsledky uvedené v tabulce č. 13. Tabulka 13: Model OLS vysvětlující měnový kurz USD/NOK cenou ropy za 1 l a testy klasických předpokladů regresního modelu

Ropa_l

Koeficient 0,0896616

Závisle proměnná USD/NOK Pozorování 2006:02–2010:12 (T=59) Směr. chyba t-podíl 0,0110036 8,1484

Koeficient determinace Adjustovaný koeficient determinace Test F-test Test nelinearity (druhé mocniny) Test RESET pro specifikaci Whiteův test heteroskedasticity ARCH test 1. řádu Durbin-Watsonův test Test normality reziduí Zdroj: vlastní zpracování výsledků z programu Gretl

p-hodnota <0,00001

0,5337 0, 5337 p-hodnota 3,46e-11 0,8003 0,8017 0,0384 0,2753 0,5651 0,1287

Model je správně specifikovaný, splňuje klasické předpoklady regresního modelu, koeficient je průkazný a statisticky významný.


49

Adjustovaný koeficient determinace 53,3 % vystihuje sílu vlivu ceny ropy na utváření měnového kurzu USD/NOK. Výsledek tedy interpretujeme obdobně jako v případě Kanady, vzroste-li průměrná měsíční cena jednoho litru ropy o 1 USD, posílí průměrně norská koruna o 0,0897 USD. Jak jsme již uváděli výše, vývoz zemního plynu společně s ropou, tvoří více jak polovinu celého norského exportu a tímto byla síla vlivu této komodity potvrzena. Druhým modelem uvedeným v tabulce č. 14, jsme zjišťovali vztah mezi USD/NOK a cenou zemního plynu. Tabulka 14: Model OLS vysvětlující měnový kurz USD/NOK cenou zemního plynu za 1 m3 a testy klasických předpokladů regresního modelu

ZP_m


Závisle proměnná USD/NOK Pozorování 2006:02–2010:12 (T=59) Směr. chyba t-podíl 0,0248336 3,1725

Koeficient determinace Adjustovaný koeficient determinace Test F-test Test nelinearity (druhé mocniny) Test RESET pro specifikaci Whiteův test heteroskedasticity ARCH test 1. řádu Durbin-Watsonův test Test normality reziduí Zdroj: vlastní zpracování výsledků z programu Gretl

p-hodnota 0,00242

0,1478 0,1478 p-hodnota 0,0024 0,6667 0,9088 0,2960 0,1280 0,1452 0,1287

Uvedený model potvrzuje také významný vliv ceny zemního plynu na utváření měnového kurzu USD/NOK. Koeficient je statisticky průkazný, model je správně specifikovaný a splňuje klasické předpoklady regresního modelu. Adjustovaný koeficient determinace je 14,78 %. Cena zemního plynu vysvětluje pohyby v měnovém kurzu USD/NOK v menší míře, než cena ropy. Na základě analyzovaných dat můžeme tvrdit, že průměrný nárůst ceny zemního plynu o 1 USD za m3 vede v průměru k posílení norské koruny o 0,0787 USD. V rámci sledovaného období převládal v norském exportu vývoz ropy, ačkoliv se ve světovém žebříčku neumístil na prvních pozicích, v tom spatřujeme i důvod, proč byl významnější vliv ceny ropy. Ovšem v posledních letech zásoby ropy v norských nalezištích ubývaly, a tak se začal zvyšovat relativní podíl vývozu zemního plynu oproti ropě. Z tohoto důvodu bychom očekávali i narůstající vliv zemního plynu na utváření měnového kurzu USD/NOK. Avšak v letošním roce šéf Norského státního úřadu pro ropné zdroje oznámil nalezení nových ložisek ropy a zemního plynu v norských arktických mořích. První odhady

50


udávají zvýšení zásoby ropy o 15 %. Současně se očekává nalezení dalších ložisek (Finance.cz, 27. 2. 2013). Na základě těchto nových informací není zřejmé, zda vliv ceny ropy na USD/NOK poroste, ustane na stejné míře, či poklesne, obdobně jako vliv ceny zemního plynu. S relativní jistotou můžeme předpokládat, že norské koruně bude i nadále ponechán štítek komoditní měny, jejíž hodnotu bude utvářet zejména cena ropy a zemního plynu. Po těchto jednorozměrných regresních analýzách jsme se pokusili vymodelovat i vliv exportu a produkce zemního plynu a ropy na utváření měnového kurzu USD/NOK. Závisle proměnnou USD/NOK jsme chtěli vysvětlit všemi nezávisle proměnnými najednou. V tomto případě se v modelech objevovala výrazná heteroskedasticita, postupnou sekvenční eliminací jsme na závěr dostali model uvedený v tabulce č. 15. Tabulka 15: Model OLS vysvětlující měnový kurz USD/NOK hodnotou exportu ropy a zemního plynu v USD a testy klasických předpokladů regresního modelu

Ex_ ropa Ex_ZP

Koeficient 3,27441e-09 9,24307e-012

Závisle proměnná USD/NOK Pozorování 2006:02–2010:12 (T=59) Směr. chyba t-podíl 1,03575e-09 3,1614 2,57937e-012 3,5835


p-hodnota 0,00252 0,00070

0,4239 0, 4138

Test F-test Test nelinearity (druhé mocniny) Test RESET pro specifikaci Whiteův test heteroskedasticity ARCH test 1. řádu Test normality reziduí Durbin-Watsonův test

p-hodnota 1,49e-07 0,6802 0,9773 0,0597 0,2557 0,1588 0,2468 Test kolinearity

Ex_ropa Ex_ZP Zdroj: vlastní zpracování výsledků z programu Gretl

VIF 1,265 1,265

Tento model je opět správně specifikován, splňuje klasické předpoklady regresního modelu a jeho koeficienty jsou statisticky průkazné. Přestože koeficienty nabývají velice nízkých hodnot, model vysvětluje téměř 42 % proměnlivosti směnného kurzu USD/NOK. Tyto koeficienty mají stejnou interpretaci, jako u předchozích proměnných. Tedy vzroste-li hodnota exportu ropy o 1 USD, posílí norská koruna o 3,27441e-09 USD a zároveň, vzroste-li hodnota exportu zemního plynu o 1 USD, posílí norská koruna o 9,24307e-012 USD. Tyto malé


51

koeficienty jsou také zapříčiněny poměrem sledované změny 1 USD na celkovou hodnotu exportu, jež je méně než zanedbatelná. Dalším důvodem takto malého vlivu exportu na utváření měnového kurzu je, dle našeho názoru, způsobeno tím, že se množství vyvážené komodity přímo projevuje v ceně dané komodity a tak samotné vyčíslení vlivu exportu je již oslabeno. Tímto modelem jsme potvrdili hypotézu o vlivu exportu na hodnotu měnového kurzu. Korelační i regresní analýza potvrzuje význam přírodního bohatství a exportu těchto surovin na norskou korunu, jež dle této analýzy můžeme bez obav zařadit mezi komoditní měny. Norská koruna je dlouhodobě silná a spolehlivá měna nejen kvůli průkazné provázanosti s cenou komodit a jejich dostatečnými zdroji, ale také kvůli velice dobré ekonomické situaci země. Norský rozpočet dlouhodobě dosahuje přebytku, měna sílí vůči dolaru i euru, míra nezaměstnanosti nepřesahuje 4 % (Adam Smith, 23. 3. 2009). I aktuální data z loňského roku potvrzují pozitivní vývoj norské ekonomiky, HDP vzrostlo bez zahrnutí příjmů z ropy o 3,5 %, míra nezaměstnanosti se pohybovala blízko 3 %, inflace dosahovala pouhých 1,4 % a státní rozpočet stále dosahoval přebytku (BusinessInfo.cz, 8.4.20.13). Nadále tedy můžeme očekávat tento trend ve vývoji norské ekonomiky, a tedy i posilující norské koruny. Tímto se NOK stává vhodnou měnou do případného portfolia v rámci investic do komodit i cizích měn.

5.2.3

Grangerova kauzalita USD/NOK

V rámci Grangerovy kauzality jsme zkoumali kauzální vztah mezi měnovým párem USD/NOK a cenou ropy, zemního plynu a hodnotou jejich exportu s řádem zpoždění jedna, jež jsme určili v rámci VAR modelu dle BIC kritéria. V následující tabulce č. 16 uvádíme phodnoty F-testů o významnosti jednotlivých proměnných. Dle těchto p-hodnot zamítáme nulové hypotézy o nevýznamnosti proměnných cena ropy za 1 litr, cena zemního plynu za 1 m3 a export ropy vyjádřený v USD, avšak pouze na 10% hladině významnosti. Můžeme tedy tvrdit, že minulé hodnoty těchto veličin kauzálně působí na současnou hodnotu měnového kurzu USD/NOK. Tabulka 16: Test Grangerovy kauzality mezi USD/CAD a cenami komodit a jejich exportem za období od února 2006 do prosince 2011 dle VAR modelu s řádem zpoždění jedna

koeficient 0,0607

p-hodnota 0,9058

Ropa_l --> USD/NOK ZP_m --> USD/NOK

0,0318 0,0486

00,0557 00,0789

Ex_ropa --> USD/NOK Ex_ZP --> USD/NOK

2,4252e-12 5,6253e-11

00,0533 0,1189

USD/NOK --> USD/NOK


52

5.2.4


Regresní analýza vysvětlující proměnlivosti v měnovém kurzu GBP/NOK

V této podkapitole uvádíme výsledky regresní analýzy nezávisle proměnné GBP/NOK. Důvodem zkoumání vlivů na tento měnový kurz je, že Velká Británie patří mezi největší odběratele norského zemního plynu a ropy.

Obr. 1 Obrázek 5: Vývoj GBP/NOK, ceny ropy a zemního plynu a export ropy od ledna 2008 do konce 2011

Zdroj: vlastní zpracování výsledků z programu Gretl Při pohledu na časové řady ceny ropy a zemního plynu, na obrázku č. 5, opět vidíme vývoj ovlivněný vypuknutím hospodářské krize v roce 2008. Vývoj hodnoty GBP je, kromě základních veličin jako jsou úrokové sazby, míra inflace a všeobecná ekonomická situace v zemi, do značné míry ovlivňován i obchody a spekulacemi na měnových trzích, jelikož se běžně obchoduje ke spekulacím a hedgingu, čímž je podstatným způsobem ovlivňován i měnový kurz GBP/NOK. Cena sledovaných komodit je vyjádřená v britské libře, stejně tak i hodnota exportu jednotlivých komodit. Teoretické předpoklady vztahů mezi jednotlivými proměnnými je obdobný jako u předchozích modelů. Očekáváme, že s růstem ceny ropy a zemního plynu posílí i norská koruna. S růstem exportu i produkce jednotlivých komodit může dojít jak k posílení, tak i oslabení norské koruny, vzhledem ke globální situaci, pokud bude nízká poptávka po daném zboží a poroste jeho nabídka, tak se dá očekávat pokles jeho ceny a tedy i oslabení norského koruny, naopak při růstu poptávky s růstem produkce a exportu norská koruna posílí. V rámci regresní analýzy jsme postupovali od jednorozměrné regresní analýzy k vícerozměrné. Pro získaná data jsme nesestavili žádný jednorozměrný model, který by zcela splňoval klasické předpoklady regresního modelu. Vícerozměrnou regresní analýzou


53

jsme získali následující model, jež vysvětluje proměnlivost měnového kurzu GBP/NOK cenou zemního plynu v GBP a objemem exportu ropy, který je uvedený v následující tabulce č. 17. Tabulka 17: Model OLS vysvětlující měnový kurz GBP/NOK cenou zemního plynu a objemem exportu ropy 1000 m3 a testy klasických předpokladů regresního modelu

ZP Ex_ropa

Koeficient 0,00831222 2,34561e-06

Závisle proměnná GBP/NOK 2008:02–2011:12 (T=47) Směr. chyba t-podíl 0,00198827 4,1806 1,3264e-06 1,7684


p-hodnota 0,00013 0,08377

0,3446 0,3300

Test F-test Test nelinearity (druhé mocniny) Test RESET pro specifikaci Whiteův test heteroskedasticity Breusch-Paganův test heteroskedasticity ARCH test 1. řádu Durbin-Watsonův test Test normality reziduí

p-hodnota 0000,000074 0,1103 0,4557 0,0441 0,4909 0,8150 0,9465 0,9774

Test kolinearity ZP Ex ropa Zdroj: vlastní zpracování výsledků z programu Gretl

VIF 1,024 1,024

Uvedený model je správně specifikovaný, statisticky průkazný a splňuje klasické předpoklady regresního modelu. V modelu se neobjevuje heteroskedasticita, model má normálně rozdělena rezidua, neobjevuje se v něm kolinearita, ani autokorelace, budeme jej tedy dále interpretovat. Adjustovaný koeficient determinace dosahuje hodnoty 33 %. Vzhledem k značnému množství faktorů, které ovlivňují vývoj měnového kurzu, modelem vysvětlujeme značnou část proměnlivostí nezávisle proměnné. Model interpretujeme následovně, pokud vzroste průměrná měsíční cena GJ zemního plynu o jednu libru, norská koruna posílí průměrně o 0,0083 GBP, zároveň zvýší-li se měsíční export ropy o 1.000 m3, posílí norská koruna o 2,34561e-06 GBP. Pozorujeme tedy silné působení ceny zemního plynu na utváření měnového kurzu GBP/NOK, dopad změny objemu exportu má ve srovnání s daným měřítkem, také podstatný

54


vliv. Tímto modelem jsme opět potvrdili hypotézy o významu ceny komodit a exportu daných komodit na kurz tzv. komoditní měny. Tyto výsledky jsme očekávali právě pro vysoký podíl norského exportu do Velké Británie. Očekávali jsme i průkazný vliv ceny ropy, ovšem na získaných datech prokázán nebyl, neboť dané regresní modely vykazovaly heteroskedasticitu. Časové řady jsme se snažili vhodně zkrátit, odstranit heteroskedasticitu pomocí logaritmů časových řad, avšak problém variability vyřešen nebyl.

5.2.5

Grangerova kauzalita GBP/NOK

V rámci Grangerovy kauzality jsme zkoumali vztah mezi časovými řadami měnového kurzu GBP/NOK, cenou zemního plynu, ropy a exportem ropy a zemního plynu, pomocí Ftestů o nezávislosti ve VAR modelech s řádem zpoždění jedna, jež jsme určili porovnáním hodnot kritéria BIC. Tabulka 18: Test Grangerovy kauzality mezi GBP/NOK a cenami komodit a jejich exportem za období od února 2008 do prosince 2011 dle VAR modelu s řádem zpoždění jedna

koeficient

p-hodnota

GBP/NOK --> GBP/NOK ZP m --> GBP/NOK

-0,3785 00,00085

0,0219 0,7559

Ropa --> GBP/NOK Ex_ropa --> GBP/NOK Ex_ZP --> GBP/NOK

-0,00045 2,3112e-6 3,6104e-11

0,3142 0,6225 0,7465

Zdroj: vlastní zpracování výsledků z programu Gretl Výsledky uvedené v tabulce č. 18 potvrzují příčinnou kauzalitu mezi současnými a zpožděnými hodnotami měnového kurzu GBP/NOK, s negativním vlivem. Ovšem i přestože VAR model byl správně specifikován, neobjevovala se v něm heteroskedasticita, autokorelace a rezidua měla normální rozdělení, tento vztah není v souladu s ekonomickou teorií. Pokud bychom vůbec uvažovali příčinnou kauzalitu mezi současnou a minulou hodnotnou samotného měnového kurzu, domníváme se, že by takový vliv byl pozitivní a téměř nulový. Grangerova kauzalita nebyla prokázána ani mezi cenou ropy a GBP/NOK v žádném směru. Na základě poznatků z korelační a regresní analýzy, jsme tuto příčinnou závislost neočekávali. Abychom ověřili sílu vlivu změny ceny těchto komodit na britskou libru, jež je významným odběratelem a čistým importérem norské ropy a zemního plynu, vyhodnotili jsme tyto vlivy na VAR modelu vůči měnovému kurzu GBP/USD. Opět jsme porovnáním hodnot kritéria BIC určili řád zpoždění jedna. Výsledky potvrdily naše očekávání. Minulé hodnoty ceny ropy ovlivňují současnou hodnotu britské libry, potažmo měnového kurzu GBP/USD. Tedy s růstem ceny ropy oslabí hodnota britské libry, jelikož roste její nabídka ve vztahu k americkému dolaru, ve kterém se účtují kontrakty s ropou a zemním plynem. Tento vztah


55

se ovšem nepotvrdil u ceny zemního plynu, ani u exportu těchto komodit, jak uvádíme v tabulce č. 19. Tabulka 19: Test Grangerovy kauzality mezi GBP/USD a cenami komodit a jejich exportem za období od února 2008 do prosince 2011 dle VAR modelu s řádem zpoždění jedna

koeficient

p-hodnota

GBP/USD --> GBP/USD

-0,2167

0,1295

ZP m --> GBP/USD

-0,0172

0,3298

Ropa --> GBP/USD

0,0070

0,0495

-5

Ex_ropa --> GBP/USD Ex_ZP --> GBP/USD

1,5963e 4,3862e-10

0,2128 0,6154


5.2.6

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu EUR/NOK

Dalším významným odběratelem norské ropy a zemního plynu jsou země Evropské unie. Z dostupných dat jsme sestavili následující modely. Výsledný model uvedený v tabulce č. 20 vysvětluje vztah mezi přírůstky ceny ropy a přírůstky měnového kurzu EUR/NOK necelými 19 %, jež utváří tento měnový kurz. Vzhledem k velkému množství tlaků na hodnotu eura, je tento výsledek velice dobrý. Tvrdíme, vzroste-li průměrná cena 1 litru ropy o jedno euro, posílí v průměru norská koruna o 0,0422 eura. Tabulka 20: Model OLS vysvětlující měnový kurz EUR/NOK cenou ropy za jeden litr a testy klasických předpokladů regresního modelu

Ropa l


Závisle proměnná EUR/NOK 2006:02–2010:09 (T=56) Směr. chyba t-podíl 0,0118373 3,571

Koeficient determinace Adjustovaný koeficient determinace Test F-test Test nelinearity (druhé mocniny) Test RESET pro specifikaci Whiteův test heteroskedasticity Breusch-Paganův test heteroskedasticity ARCH test řádu 1 Durbin-Watsonův test Test normality reziduí Zdroj: vlastní zpracování výsledků z programu Gretl

0,1882 0,1882 p-hodnota 00,000747 0,6968 0,7952 0,0289 1,7976e+308 0,2026 0,9679 0,6969

p-hodnota 0,0007

56


Druhým jednorozměrným modelem vysvětlujeme vliv změny produkce ropy na vývoj měnového kurzu EUR/NOK. Tento model vysvětluje 13,37 % proměnlivosti kurzu EUR/NOK. Vzroste-li produkce ropy o 1.000 m3, norská koruna posílí o 4,64956e-09 eura. Tato změna je opět velice nepatrná, nicméně je zde zřejmý a statisticky průkazný vliv. V průběhu sledovaného období Norsko průměrně vyprodukovalo 10.000.000 m3 ropy měsíčně. Je tedy důležité si uvědomit, že uvažovaná změna 1.000 m3 je vůči celé produkci relativně velice malá, a tak i samotný vliv na změnu kurzu je v případě této změny nízký. Podstatné je, že zvýšení produkce a tedy možnosti vyvážet větší množství ropy, vede i k posílení měny. Nachází se zde tedy pozitivní vliv. Tento regresní model uvádíme v následující tabulce č. 21. Model je správně specifikovaný, splňuje klasické předpoklady regresního modelu a koeficient je průkazný. Tabulka 21: Model OLS vysvětlující měnový kurz EUR/NOK objemem produkcí ropy a testy klasických předpokladů regresního modelu

Prod_ropa

Koeficient 4,64956e-09

Závisle proměnná EUR/NOK 2006:02–2011:12 (T=71) Směr. chyba t-podíl 1,41439e-09 3,2873

Koeficient determinace Adjustovaný koeficient determinace Test F-test Test nelinearity (druhé mocniny) Test RESET pro specifikaci Whiteův test heteroskedasticity Durbin-Watsonův test Test normality reziduí Zdroj: vlastní zpracování výsledků z programu Gretl

p-hodnota 0,00158

0,1337 0,1337 p-hodnota 0,0016 0,6643 0,5617 0,1820 0,9920 0,5719

V rámci dalších analýz jsme nepotvrdili vztah mezi cenou zemního plynu a vývojem měnového kurzu EUR/NOK, avšak tuto nezávislost jsme očekávali. I přesto se domníváme, že mezi vývojem cen a exportem těchto komodit určitý vliv existuje. NOK může ve skutečnosti vůči EUR posilovat v závislosti na produkci a exportu, potažmo ceny těchto komodit, ovšem na euro působí nespočetně mnoho dalších vlivů. Vznik dluhové krize v eurozóně, vysoké úrokové diferenciály mezi zeměmi eurozóny, odlišná hladina inflace a tempa růstu HDP jednotlivých zemí. V nedávné minulosti ekonomické problémy v Řecku, Irsku, Španělsku a dalších zemí, nedůvěra ve stabilitu eura a ve finanční trhy mají mnohem silnější vliv na vývoj hodnoty eura. Tím je vztah mezi norskou korunou a eurem značně oslaben, i přes vysoký podíl norského exportu do zemí eurozóny. Na hodnotu měnového kurzu EUR/NOK očekáváme také významný vliv skutečnosti, že veškeré kontrakty s ropou jsou zúčtovány v USD, obdobně jako v případě měnového kurzu GBP/NOK.


57

Z těchto důvodu jsme chtěli analýzy provést i za období před pádem investiční banky Lehman Brothers v září 2008 a tedy před počátkem negativního vývoje na finančních trzích, který se odrážel na situaci v celé Evropské unii a hodnotě eura, avšak pro nás dostupné časové řady byly v tomto případě příliš krátké.

5.2.7

Grangerova kauzalita EUR/NOK

Grangerovu kauzalitu jsme zkoumali na časových řadách s řádem zpoždění jedna, jež jsme určili v rámci VAR modelu porovnáním hodnot BIC kritéria, model je správně specifikován, neobjevuje se v něm heteroskedasticita ani autokorelace, rezidua mají normální rozdělení, avšak dle F-testu mezi těmito proměnnými nebyla prokázána příčinná závislost, jak uvádíme v následující tabulce č. 22. Tabulka 22: Test Grangerovy kauzality mezi EUR/NOK a cenami komodit a jejich exportem za období od února 2006 do prosince 2011 dle VAR modelu s řádem zpoždění jedna

EUR/NOK --> EUR/NOK

koeficient -0,1628

p-hodnota 0,2707

Ropa_l--> EUR/NOK Prod_ropa --> EUR/NOK

0,0420 -1,5826e-09

0,1461 0,5540

Ropa_l --> EUR/USD 0,0831 Zdroj: vlastní zpracování výsledků z programu Gretl

0,7543

Dále jsme ověřovali příčinnou závislost mezi cenou ropy v eurech vůči měnovému kurzu EUR/USD, abychom mohli prověřit hypotézu, zda neexistuje významný vliv mezi eurem a americkým dolarem, ve kterém se kontrakty s ropou účtují. Avšak ani zde nebyla příčinná závislost prokázána. Domníváme se, že v rámci sledovaného období mají silný vliv ostatní faktory, které působili na vývoj eura a tedy i měnových párů s eurem. V této kapitole 5.2 jsme příčinou kauzalitu pomocí Grangerova testu prokázali pouze na měnovém páru USD/NOK. Domníváme se, že kauzalita zde byla prokázána vzhledem k tomu, že ropa i zemní plyn se obchoduje a zúčtovává právě v USD a tak i změna těchto cen příčinně ovlivňuje chování měnového kurzu USD/NOK, zatímco měnové kurzy GBP/NOK a EUR/NOK jsou již tvořeny primárními přeměnami v měnovém kurzu USD/NOK. To jsme i potvrdili u britské libry, kde jsme prokázali příčinný vztah s měnovým kurzem GBP/USD a cenou ropy. Obdobný vztah se nám u měnového kurzu EUR/USD potvrdit nepodařilo. I přestože je Norsko celosvětově významným exportérem ropy a zemního plynu, při studii prací na obdobná témata jsme neobjevili práci, která by se zabývala právě vlivem cen komodit na norskou korunu. Touto kapitolou jsme prokázali vliv cen ropy a zemního plynu, ale i jejich produkce a exportu na hodnotu NOK a tedy i na měnové páry s ní.

58

5.3


Austrálie

Čína, země Evropské unie a USA jsou největšími odběrateli australského exportu. Hlavními komoditami jsou železná ruda, uhlí, zlato a v roce 2012 i bavlna, jejíž vývoz se oproti roku 2011 zdvojnásobil (BusinessInfo.cz, 3. 4. 2013). Austrálie patří mezi tři největší producenty a exportéry zlata na světě, proto také očekáváme významnou provázanost ceny zlata s australským dolarem. Austrálie je pokrytá rozsáhlými farmami a tak produkuje i velké množství bavlny a pšenice. Celou analýzu jsme tedy zaměřili především na cenu a vývoz zlata, dále jsme zahrnuli cenu bavlny. Vývoj ceny zlata a měnového kurzu USD/AUD, jak je vidět na obrázku č. 6, se vyvíjí obdobně jako v případě dolaru kanadského. Cena zlata byla ke konci roku 2008 tažena vzhůru obavami na finančních trzích a pádem ceny ropy a zemního plynu. Produkce a cena bavlny byla taktéž ovlivněna propadem ceny ropy, avšak pozitivně snížením nákladů na její produkci. Na obrázku č. 7 vidíme vývoj měnového kurzu USD/AUD společně s cenou bavlny. Ke konci roku 2010 došly zásoby světových producentů bavlny, poptávka po této surovině předčila její maximální možnou nabídku a tak její cena výrazně vzrostla. Tento nárůst byl opětovně snížen dostatečně vysokou úrodou. Vývoj ceny bavlny je tedy ovlivněn především její očekávanou a skutečnou produkcí a vysokou poptávkou, zejména z Číny.

Obrázek 6: Vývoj USD/AUD a ceny zlata od ledna 2006 do konce 2011



59

Obrázek 7: Vývoj USD/AUD a ceny bavlny od ledna 2006 do ledna 2012


5.3.1

Korelační analýza USD/AUD

Korelační a regresní analýzu jsme prováděli na následujících časových řadách, USD/AUD průměrný měsíční uzavírací měnový kurz USD/AUD, Zlato průměrná měsíční uzavírací cena zlata za 1 gram, Bavlna průměrná měsíční uzavírací cena bavlny za libru (0,454 kg), Ex_zlato_AUD měsíční hodnota exportu zlata v mil. AUD. Korelační analýzu jsme prováděli na prvních diferencích sezónně adjustovaných časových řad. Diferencemi jsme vyřešili existenci jednotkového kořene, kterou jsme ověřovali rozšířeným Dickey-Fullerovým testem, jehož p-hodnoty uvádíme v následující tabulce č. 23. Tabulka 23:Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro 41 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou, Austrálie

Proměnná USD/AUD

p-hodnota 0,6594

Zlato

0,7690

Bavlna

0,4298

Ex_zlato_AUD Zdroj: vlastní zpracování výsledků z programu Gretl

0,0032

Jak je patrné z tabulky č. 24, korelační analýza potvrdila existenci pozitivního vzájemného vztahu mezi cenou zlata a měnovým párem USD/AUD. Ovšem neexistenci vztahu mezi měnovým párem USD/AUD a exportem zlata a ceny bavlny zamítnout nemůžeme.

60


Tabulka 24: Korelační analýza vzájemných vztahů měnového kurzu USD/AUD a ceny zlata, bavlny a exportu zlata pro 41 pozorování za období od srpna 2008 do konce roku 2011 Proměnné testu vůči USD/AUD

Zlato

Bavlna

Ex_zlato_mil AUD

Korelační koef. r

0,3865

0,2292

0,1060

t-statistika

2,6170 0,0125

1,4704 0,1494

0,6657 0,5095

p-hodnota

Zdroj: vlastní zpracování výsledků z programu Gretl a Excel Korelační analýzou denních záznamů uzavíracích cen zlata a měnového kurzu USD/AUD dostáváme více jak dvojnásobně vyšší koeficient, hodnota dosahuje 84,14. Agregace dat do měsíčních, hodnotu závislosti snižuje, avšak právě takto vysoká závislost na denních datech je průkazná i na měsíčních. Mezi lety 1999 až 2008 dosahovala korelace mezi zlatem a australským dolarem také hodnoty 84, jak uvádí Kathy Lien (2011). Silný vztah mezi australským dolarem a cenou zlata již přetrvává déle jak dvacet let. Vzhledem ke skutečnosti, že Austrálie se neustále řadí mezi největší producenty zlata na světě a jeho zásoby má dostatečně velké, aby si tuto pozici mohla udržet, předpokládáme, že vývoj ceny zlata bude neustále pozitivním směrem ovlivňovat i hodnotu australského dolaru. Případné investice do zlata bychom tedy mohli doporučit doplnit i investicemi do australského dolaru a v období růstu ceny zlata tak zvýšit hodnotu portfolia dvojnásobně.

5.3.2

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu USD/AUD

Regresní analýzou jsme ověřovali vlivy působící na utváření hodnoty měnového kurzu USD/AUD. Předpokládali jsme, že cena zlata a bavlny bude mít pozitivní vliv na hodnotu australského dolaru a tedy, že s růstem těchto cen, dojde k posílení AUD. U exportu zlata jsme očekávali možný pozitivní vliv, kdy s růstem hodnoty vyváženého zlata, dojde i k nárůstu poptávky po australském dolaru a tedy jeho posílení, avšak může se mezi nimi objevit i negativní závislost. Tabulka 25: Model OLS vysvětlující měnový kurz USD/AUD objemem produkcí ropy a testy klasických předpokladů regresního modelu

Závisle proměnná USD/AUD

Zlato



2008:08–2011:12 (T=41) Směr. chyba t-podíl 0,00284021 2,7354 0,1543 0,1543

p-hodnota 0,00916


61

Test Test nelinearity (druhé mocniny) Test RESET pro specifikaci Whiteův test heteroskedasticity Durbin-Watsonův test Test normality reziduí Zdroj: vlastní zpracování výsledků z programu Gretl

p-hodnota 0,1639 0,1285 0,1009 0,0244 0,3103

Jak uvádíme v tabulce č. 25, regresní analýza nám potvrdila výsledky korelační analýzy. Při hledání vlivů, které tvoří hodnotu měnového kurzu USD/AUD, jsme potvrdili pozitivní vztah s cenou zlata. Pokud vzroste průměrná cena jednoho gramu zlata o jeden americký dolar, australský dolar posílí o 0,0077 USD. Model vysvětluje 15,43 % proměnlivosti kurzu USD/AUD, je správně specifikovaný, splňuje klasické předpoklady regresního modelu vyjma slabé autokorelace chybového členu. Vzhledem k tomuto nedostatku daného modelu, jsme se při ověřování Grangerovy kauzality více zaměřili i na samotný VAR model, kde se tato autokorelace již neobjevuje. Model uvádíme v následující podkapitole 5.3.3.

5.3.3

Grangerova kauzalita USD/AUD

Grangerovu kauzalitu jsme zkoumali na časových řadách s řádem zpoždění jedna, jež jsme určili dle kritéria BIC. I touto analýzou jsme potvrdili jednostranný příčinný vztah mezi cenou zlata a měnovým párem USD/AUD. Model uvádíme v tabulce č. 26. Tabulka 26: Test Grangerovy kauzality mezi USD/AUD a cenou zlata za období od srpna 2008 do prosince 2011 dle VAR modelu s řádem zpoždění jedna

USD/AUD --> USD/AUD Zlato --> USD/AUD

koeficient

p-hodnota

0,1784 0,0067

000,2137 000,0200

Koeficient determinace Adjustovaný koeficient determinace Test F-test Ljung-Box ARCH test 1. řádu Test normality reziduí Durbin-Watsonova statistika Zdroj: vlastní zpracování výsledků z programu Gretl

0,1935 0,1728 p-hodnota 0,0150 0,7320 0,5932 0,3698 1,9198

62


Je tedy zjevné, že vývoj na trhu zlata do značné míry ovlivňuje vývoj i australského dolaru. Pokud tedy vzroste průměrná uzavírací cena zlata o jeden dolar, tak v následujícím měsíci se tato změna projeví posílením australského dolaru o 0,0067 USD. Vliv ceny bavlny se nám sice nepodařilo prokázat, avšak k hlavnímu nárůstu vyváženého množství a tedy i potenciálního vlivu na měnový kurz, došlo až koncem roku 2011 a v průběhu roku 2012. Naše data končí již rokem 2011 a tak nebylo možné tento vztah vzhledem k nedostatečné délce dat kvantifikovat. V kapitole 5.1 jsme upozorňovali na skutečnost, že v době negativního vývoje na finančních trzích, se cena zlata a ropy vyvíjí protichůdně. Požadavek snad každého investora na diverzifikace jeho portfolia do méně rizikových investicí doporučujeme vyřešit investicemi do ropy a například kanadského dolaru a norské koruny vůči zlatu a australskému dolaru. V případě investic do fondů kolektivního investování je vhodné vyhledat takový fond, jenž investuje do ropy i zlata současně.

5.4

Brazílie

Brazílie je významnou exportní ekonomikou, směnný kurz brazilského realu je tak značně ovlivňován cenou vyvážených komodit. Je největším světovým exportérem sojových bobů a pomerančového džusu. Pokrývá více jak třetinu celosvětového exportu surového a třtinového cukru, dále technického lihu (Trade Economics, 2013). Pro analýzy brazilského realu jsme získali spolehlivá data pouze ohledně produkce a vývozu cukru a etanolu. Ovšem produkce cukru i ostatních zemědělských komodit, stejně jako etanolu je zveřejňovaná pouze v ročním měřítku. To je avšak pro naši analýzu nedostačující. Dále nejsou veřejně dostupná data obchodních cen etanolu. Vzhledem k těmto skutečnostem jsme analýzu provedli pouze na pro nás dostupných datech, a to na měsíčních časových řadách průměrné uzavírací ceny cukru, objemech exportu cukru v 10.000 tun a objemech vyváženého etanolu v tunách, za období let 2006 až 2011, vůči nezávisle proměnné USD/BRL. Data jsme očistili o sezónnost pomocí funkce TRAMO/SEATS v programu Gretl a stacionarizovali je prvními diferencemi. Vývoj ceny cukru je stejně jako bavlny ovlivňován především spekulacemi na vývoj jeho produkce a tedy světových zásob. Výrazný nárůst ceny cukru během roku 2009, který je vidět na obrázku č. 8, byl způsoben strachem z očekávaného celosvětového nedostatku cukru. Jeho cena se vyšplhala až na osmadvacetileté maximum a byla předmětem zájmu téměř všech obchodníků a spekulantů na trhu komodit (Listy cukrovarnické a řepařské, 2009). Naopak pozdější propad ceny v roce 2010 zapříčinila dlouhá sucha, která zasáhla Rusko, jednoho z nejvýznamnějších producentů cukru, čímž se zvýšil obsah sacharózy v dřeni stébla cukrové třtiny a tak se zvýšila i její úroda. Takto zvýšená nabídka stlačila jeho cenu velice rychle dolů.


63

Obrázek 8: Vývoj USD/BRL a ceny cukru od ledna 2006 do konce roku 2011


5.4.1

Korelační analýza USD/BRL

V rámci korelační analýzy jsme sledovali vzájemné vztahy měnového kurzu USD/BRL s cenou cukru a exportem cukru a etanolu, proměnné jsme definovali takto, USD/BRL průměrný měsíční uzavírací směnný kurz USD/BRL, Cukr průměrná měsíční uzavírací cena cukru za libru (0,454 kg), Ex_cukr měsíční export cukru v 1.000 tunách, Ex_etanol měsíční export etanolu v 1.000 tunách. Časové řady jsme vhodně stacionarizovali prvními diferencemi vzhledem prokázání existence jednotkového kořene, který jsme ověřovali rozšířeným Dickey-Fullerovým testem, jak uvádíme v tabulce č. 27. Tabulka 27: Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro 70 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou, Brazílie

Proměnná

p-hodnota

USD/BRL Cukr

0,3060 0,4477

Ex_cukr

0,0016

Ex_etanol 0,0307 Zdroj: vlastní zpracování výsledků z programu Gretl V následující tabulce č. 28 uvádíme korelační koeficienty jednotlivých proměnných vůči vysvětlovanému měnovému kurzu USD/BRL. Tyto koeficienty naznačují, že mezi cenou cukru a jeho exportem neexistuje s USD/BRL žádný vztah, avšak ani mezi vývozem etanolu. Korelační analýzu jsme prováděli i na kratším časovém období od roku 2008 po začátku hospodářské krize, ale výsledek byl stejný.

64


Tabulka 28: Korelační analýza vzájemných vztahů měnového kurzu USD/BRL a ceny cukru, exportu cukru a etanolu v tunách pro 70 pozorování za období od ledna 2006 do konce roku 2011 Proměnné testu vůči USD/BRL Cena cukr

Ex_cukr

Ex_etanol

Korelační koef. r

0,0461

0,0047

-0,1850

t-statistika

0,3805

0,0387

-1,5523

p-hodnota

0,7047

0,9691

0,1252

Zdroj: vlastní zpracování výsledků z programu Gretl a MS Excel

5.4.2

Regresní analýza vysvětlující proměnlivosti v měnovém kurzu USD/BRL

Na získaných datech jsme v rámci jednorozměrné i vícerozměrné regresní analýzy nepotvrdili žádné vztahy. Regresi jsme prováděli na různě dlouhých časových řadách, sezónně adjustovaných a stacionárních. Regresní analýza nám potvrdila výsledky korelační analýzy.

5.4.3

Grangerova kauzalita USD/BRL

Pomocí testu Grangerovy kauzality na datech s řádem zpoždění jedna, jež jsme určili porovnáním kritérií BIC, jsme odhalili příčinný vztah pouze mezi současnými a minulými hodnotami měnového kurzu USD/BRL, jak uvádí tabulka č. 29. Tabulka 29: Test Grangerovy kauzality mezi USD/BRL a cenou cukru a objemem exportu cukru a etanolu za období od ledna 2006 do prosince 2011 dle VAR modelu s řádem zpoždění jedna

USD/BRL--> USD/BRL

koeficient 0,2732

p-hodnota 0,0189

Cukr --> USD/BRL Ex_cukr -->USD/BRL

8,2894e-5 4,3245e-5

0,9343 0,1036

Ex_etanol --> USD/BRL -2,8356e-8 Zdroj: vlastní zpracování výsledků z programu Gretl

0,1009

Těmito analýzami jsme nepotvrdili vliv vývoje ceny cukru, ani jeho exportu na měnový kurz USD/BRL. Z tohoto důvodu by bylo vhodné tyto vztahy analyzovat i mezi ostatními komoditami, které Brazílie vyváží, zejména sójovými boby a pomerančovým džusem, u nichž předpokládáme, že míra vlivu na měnový kurz bude silnější a tedy i kvantifikovatelná.

5.5

Korelační analýza cen komodit a výsledné zhodnocení

V této kapitole uvádíme výsledky korelační analýzy časových řad cen námi analyzovaných komodit, tedy cenou zlata, cukru, ropy, zemního plynu a bavlny v amerických dolarech za období let 2006 – 2011. Výsledky této korelační analýzy jsou uvedeny v tabulce č. 30.


65

Tabulka 30: Korelační analýza vzájemných vztahů cen sledovaných komodit pro 72 pozorování za období od ledna 2006 do konce roku 2011

Zlato 1,0000

Cukr 0,7992 1,0000

Ropa 0,4363 0,2532 1,0000

Zemni plyn -0,6207 -0,6019 0,2716 1,0000

Bavlna 0,7833 0,6901 0,5012 -0,3563 1,0000

Zlato Cukr Ropa Zemni plyn Bavlna

Zdroj: vlastní zpracování výsledků z programu Gretl Veškeré koeficienty korelační matice jsou průkazné, jelikož 5% oboustranná kritická hodnota je rovna 0,2319, při pozorování n=72, stejně tak závislost byla potvrzena i porovnáním t-statistik a p-hodnotou u jednotlivých koeficientů. Dle korelační matice můžeme tvrdit, že vývoj ceny zlata a zemního plynu je silně negativně provázaný. Dá se tedy očekávat, že v dobách, kdy cena zemního plynu bude klesat, cena zlata naopak poroste, jako tomu bylo v době po vypuknutí hospodářské krize v roce 2008. Cena ropy je pozitivně provázaná s cenou zemního plynu, bavlny a cukru. Pozitivní vývoj mezi zemním plynem a ropou je dán především jejich vzájemnou celosvětovou poptávkou, vzájemně se dokážou doplňovat, ale i nahrazovat. Dá se tedy očekávat, že v případě silného nárůstu ceny jedné z těchto komodit, by částečně došlo k jejich substituci, proto si dodavatelé mohou dovolit cenu zvýšit, a naopak. Pozitivní vývoj s cenou zemědělských komodit spatřujeme ve skutečnosti, že ropa se využívá při výrobě hnojiv, je důležitá jako pohonná hmota do zemědělských strojů, apod. Tedy pokud poklesne cena ropy, sníží se náklady na pěstování zemědělských surovin, čímž se současně s příznivým počasím zvýší úroda, potažmo nabídka a cena zemědělských komodit může klesat. Pozitivní vztah mezi cenou bavlny a cukrem bude s největší pravděpodobností dán očekávaným vývojem počasí, jenž působí na pěstování daných komodit a tedy i úrodu. Tyto korelace je vhodné sledovat vždy, pokud se jedinec rozhodne začít investovat do více komodit či rozšiřovat již stávající portfolio. V případě pozitivní závislosti lze očekávat souběžně posilující výsledek, ať zisk či ztrátu. V případě negativního vzájemného vývoje je možné dané komodity využít k zajištění portfolia. Vzhledem k získaným výsledkům je zřejmé, že vývoj hodnoty komoditních měn je ovlivňován vývojem cen komodit, jejich produkcí a vývozem z významných exportních zemí. Tedy pokud chce jedinec obchodovat s komoditními měnami, je dobré sledovat vývoj na komoditních burzách. Pokud se potenciální investor rozhodne obchodovat s komoditami, je důležité pozorovat údaje o produkci daných komodit a jejich očekávaném a plánovaném exportu. Nabídka daných komodit značně ovlivňuje jejich výslednou cenu. Například země, které mají největší podíl světových zásob ropy a zemního plynu svým chováním ovlivňují situaci na daných komoditních trzích. Proto je nezbytné neustále sledovat jejich počínání a vyhlašované predikce o produkci a exportu.

66


Naše analýza byla zaměřena pouze na čtyři země, z těchto výsledků lze dovodit příčinnou závislost mezi cenou ropy a vývojem kanadského dolaru a norské koruny a australského dolaru s cenou zlata. V těchto případech se dá spekulovat na pozitivní souběh vývoje. Zároveň lze dovozovat, že cena zlata a ropy se vyvíjí protichůdně, tudíž těmito komoditami lze teoreticky zajistit hodnotu portfolia. Samozřejmě je důležité mít stále na paměti, že směr vývoje cen se může kdykoliv otočit. Proto je důležité neustále sledovat i politický a ekonomický vývoj v daných zemích. Toto platí i pro kolektivní investování. Při volbě daného fondu je vhodné si pečlivě nastudovat složení portfolia a ověřit si, zda se dá předpokládat, že se vývoj jedné jeho části bude pohybovat opačným směrem než části druhé.

Závěr

67

6 Závěr Cílem této práce bylo potvrdit či vyvrátit existenci příčinných vztahů mezi cenami komodit a komoditními měnami. Tento primární cíl jsme rozšířili o hypotézy týkající se vlivu produkce a exportu daných komodit na kurz komoditních měn. Analýza byla provedena na datech o Austrálii, Brazílii, Kanadě a Norsku. Definovali jsme tedy vztahy mezi australským dolarem a cenou zlata a bavlny, brazilským realem a cenou cukru, kanadským dolarem a cenou ropy a zlata a norské koruny s cenami zemního plynu a ropy. Analýza byla provedena pomocí průměrných měsíčních časových řad, od začátku roku 2006 do konce roku 2011, u některých zemí byla data dostupná až do konce roku 2012. U všech zemí jsme provedli korelační analýzu, regresní analýzu a test na Grangerovu kauzalitu u VAR modelů s řádem zpoždění jedna. Nejdříve byl zkoumán měnový pár amerického a kanadského dolaru, který je značně ovlivněn vývozem ropy z Kanady do USA, tyto dvě země jsou na sobě ekonomicky závislé. Výsledná časová řada byla za období od září roku 2008 do konce roku 2011. Korelační analýza prokázala významný vztah mezi měnovým párem USD/CAD a cenami ropy, zemního plynu i zlata, avšak korelace mezi měnovým párem a objemem vyváženého množství ropy a zemního plynu a produkcí ropy a zlata byla identifikovaná jako nevýznamná. Regresní analýzou jsme kvantifikovali pozitivní vztah mezi měnovým párem USD/CAD a cenou ropy a zlata. Tímto jsme potvrdili hypotézu číslo 1, která zněla „Při růstu ceny komodity posílí daná komoditní měna“. První hypotéza byla potvrzena i u analýzy norské koruny a ceny ropy a zemního plynu, obdobně jako u australského dolaru a ceny zlata. Je tedy patrné, že při vzrůstající ceně těchto komodit se země mohou těšit z posilující měny. Zároveň analýzou dat týkající se Kanady, byly průkazné i hodnoty export ropy a produkce zlata, ovšem vztah byl negativní. Tento negativní vztah jsme si vysvětlili skutečností, že v daném období, těsně po propuknutí hospodářské krize v roce 2008, došlo k rapidnímu a hlubokému poklesu ceny ropy a poptávky po ní. Kanada stejně jako země OPEC byly nuceni snížit produkci ropy, což snížilo nabídku a postupem času, začala cena ropy opět růst. Objevil se zde tedy protichůdný vývoj jednotlivých proměnných. Tímto výsledkem byla potvrzena i druhá hypotéza „S růstem objemu exportu dané komodity, roste tlak na změnu kurzu měnového páru“. S růstem exportu, ale i v opačném případě s jeho poklesem, se objevuje tlak na změnu hodnoty kurzu. V případě Kanady se projevil vztah negativní. Dále byla potvrzena hypotéza číslo tři o vlivu produkce, „Růst produkce komodity povede k posílení dané komoditní měny“. Tento vliv je sice velice malý, ovšem přináší důkaz o jeho existenci. Nicméně spekulace ohledně produkce vybrané komodity, vede k nejrůznějšímu chování investorů a spekulací na cenu dané komodity. Grangerova kauzalita byla taktéž potvrzena u působení ceny ropy a objemu produkce zlata na sledovaný měnový pár USD/CAD.

68

Závěr

Další zkoumanou zemí bylo Norsko, jež jsme výsledné modely získali z časových řad z období od ledna roku 2006, do konce roku 2010. Zde jsme vývoj norské koruny zkoumali v závislosti na hodnotě amerického dolaru, eura a britské libry, vzhledem k rozdělení exportu především do zemí těchto měn. Závislosti byly zkoumány s vývojem objemu produkce a exportu ropy a zemního plynu. Korelační analýza prokázala velice silný pozitivní vztah mezi měnovým párem USD/NOK a cenou ropy, dále silný vztah s cenou zemního plynu a exportem zemního plynu, na měnovém páru GBP/NOK byla prokázána silnější pozitivní závislost s cenou zemního plynu a ropy, na měnovém páru EUR/NOK byla prokázána pouze slabá závislost s cenou ropy. Tyto výsledky potvrzují podstatný význam ropy pro norskou ekonomiku, a tedy i všeobecně komunikovanou skutečnost o důležitosti ropy pro tuto zemi. Silná korelace GBP s cenou plynu potvrzuje skutečnost, že Norsko do Velké Británie vyváží především zemní plyn. Regresní analýza prokázala významný vliv ceny ropy i zemního plynu, ale také exportu zemního plynu a ropy. U všech těchto regresí je pozitivní vztah. Zde tedy rostoucí objem exportu komodit a tak rostoucí nabídka byla realizovaná a tudíž vzrostla poptávka po norské koruně a ta posílila. Ovšem vyčíslení vlivů změn exportu na utváření měnového kurzu je velice nízké, avšak předpokládáme, že vzhledem ke skutečnosti, že objem exportu ovlivňuje samotnou cenu dané komodity, která podstatnou měrou ovlivňuje hodnotu kurzu, je vliv samotného exportu přenesen zejména prostřednictvím této ceny. Test Grangerovy kauzality prokázal příčinné vztahy minulých hodnot ceny ropy, zemního plynu a exportu ropy, jenž působí na utváření měnového kurzu USD/NOK. Regresní analýza měnového kurzu GBP/NOK byla provedena na časových řadách z období od začátku roku 2008 až do konce roku 2011. Zde byl prokázán vliv ceny ropy a exportu zemního plynu. Jedná se opět o pozitivní působení jednotlivých proměnných a tedy s růstem ceny zemního plynu a s růstem exportu ropy dojde i k posílení měnového páru GBP/NOK. Tímto byly potvrzeny výsledky korelační analýzy. Avšak test Grangerovy kauzality neprokázal vzájemné působení minulých hodnot těchto časových řad na hodnoty současné. Podařilo se nám ale statisticky ověřit kauzální působení minulých hodnot ceny ropy na současnou hodnotu měnového páru GBP/USD, čímž jsme ověřili naši hypotézu, že vliv na měnový kurzu GBP/NOK je již oslabený přes působení ceny ropy na hodnotu GBP/USD. Tento vztah jsme zkoumali vzhledem ke skutečnosti, že kontrakty s ropou, ale i zemním plynem jsou zúčtovávány právě v americkém dolaru. I v případě regresní analýzy vlivů na měnový kurz EUR/NOK byl potvrzen výsledek korelační analýzy o vlivu ceny ropy. V případě eurozony byly vytvořeny dva jednorozměrné regresní modely, jež vysvětlují utváření kurzu EUR/NOK prostřednictvím vývoje ceny ropy a produkce ropy. Produkce ropy má i zde velice nízký vliv, ačkoliv je důležité si uvědomit, že vývoj produkce jakékoli komodity ovlivňuje především cenu daného aktiva, zároveň zde byla sledovaná změna 1.000 m3 ropy měsíčně, ovšem Norsko měsíčně vyprodukuje desettisíckrát více, čímž může být umocněna velikost daného koeficientu. Avšak analýza vývoje

Závěr

69

měnových párů s norskou korunou potvrdila i čtvrtou hypotézu, „Růst objemu vývozu ropy a zemního plynu z Norska povede k posílení kurzu Norské koruny vůči americkému dolaru, euru a britské libry“. Význam exportu zemního plynu byla prokázána v případě USD/NOK, export ropy taktéž v případě USD/NOK, ale i GBP/NOK. Dále analýzou Norska byl potvrzen i slabý vliv produkce ropy na měnový kurzu EUR/NOK. Další zkoumanou zemí byla Austrálie a to na časové řadě od srpna roku 2008 do konce roku 2011. Vývoj australského dolaru jsme řešili vývojem cen zlata a bavlny a exportem zlata. Korelační analýza prokázala pouze pozitivní vztah s cenou zlata. Austrálie dlouhodobě patří mezi největší producenty a exportéry zlata. Regresní analýza prokázala obdobný vztah, kdy je cena zlata schopna částečně vysvětlit utváření měnového kurzu USD/AUD. U tohoto měnového páru byla prokázána i příčinná kauzalita za pomoci testu Grangerovy kauzality, kdy minulé hodnoty ceny zlata a měnového kurzu USD/AUD ovlivňují současný vývoj kurzu USD/AUD. Vliv ceny bavlny se prokázat nepodařilo, ovšem podstatnější vliv této komodity by se mohl projevit až od začátku roku 2011, kdy se její export zdvojnásobil. A tak by bylo zajímavé tento vztah analyzovat i po roce 2011. V rámci této analýzy byla potvrzena hypotéza o vlivu růstu ceny komodity na vývoj komoditní měny. Poslední země, jež byla podrobena analýze, je Brazílie, a to na časové řadě od začátku roku 2006 do konce roku 2008. Vývoj brazilského realu jsme se pokusili kvantifikovat cenou cukru a objemem exportu cukru a etanolu, avšak korelační ani regresní analýza neprokázala žádnou závislost. Ani test Grangerovy kauzality neprokázal vliv těchto veličin na vývoj měnového kurzu. I přestože export cukru hraje pro brazilskou ekonomiku významnou roli, předpokládáme, že vliv by byl patrný v případě zahrnutí dalších proměnných, a to zejména ceny sojových bobů a pomerančového džusu, jež jsou na vrcholu brazilského exportu. Zde tedy nebyla potvrzena pátá hypotéza, „Růst vyváženého objemu cukru z Brazílie povede k posílení kurzu brazilského realu vůči americkému dolaru“. Výsledky této práce odhalily vzájemné vztahy mezi vývojem tzv. komoditních měn, jež jsou významně provázány s vývojem cen vybraných vyvážených komodit. Byly prokázány i vlivy měnícího se objemu produkce a exportu daných komodit na utváření hodnoty kurzu komoditních měn, a tak oprávněnost hodnotit vybrané měny jako komoditní. Tyto výsledky mohou využít potenciální investoři do komodit, ale i obchodů s cizími měnami. I přestože nebylo vyvráceno působení produkce a objemu vyváženého množství jednotlivých komodit na utváření měnového kurzu, tyto hodnoty byly hodně nízké. Z tohoto důvodu bychom navrhovali zkoumat vliv relativní velikosti exportu dané komodity vůči světové spotřebě daných komodit. Pokud by vybraná země vyvážela významný podíl celosvětové spotřeby komodity, předpokládáme, že vliv by byl mnohem vyšší. Silný vliv se objevil i mezi hodnotou USD/CAD, kdy sice kanadský export nepokrývá celosvětovou spotřebu ropy, avšak velice významný podíl americké spotřeby ropy. Stejným způsobem by se dal hodnotit i vliv produkce daných komodit, tedy jejich relativní podíl k celosvětové produkci.

70

Závěr

Obsah této práce by byl jistě zajímavější, pokud bychom mohli zpracovat větší objem dat, zejména s více druhy komodit. I přestože se nám např. na datech o Brazílii nepodařily kvantifikovat žádné vztahy, domníváme se, že doplněním analýzy o další komodity a údaje o exportu a produkci, by byly prokázány. Práci by bylo také možné rozšířit o analyzování vývoje hodnot komoditních indexů, které tvoří portfolia fondů kolektivního investování. Znalost existence těchto vztahů je jistě důležitá nejen pro obchodníky, ale i pro ekonomickou vědu, která vysvětluje pohyby měnových kurzů mj. platební bilancí, ovšem zúžením vztahu na konkrétní komodity může přinést nová zjištění a porozumění změn v těchto proměnných. Jelikož se domníváme, že vliv exportu a produkce je značně přenesen do samotné tvorby cen komodit, mohlo by být zajímavé kvantifikovat konkrétní působení změn exportu i produkce na ceny vybraných komodit.


71

7 Seznam použité literatury 7.1

Bibliografie

ADÁMEK, Miroslav a Jan JAROLÍMEK. Mechanismus obchodování na komoditní burze. Vyd. 1. Praha: Česká zemědělská univerzita v Praze, Informační a poradenské centrum PEF, 2004, 34 s. ISBN 80-213-1263-7 ARLT, Josef a Markéta ARLTOVÁ. Ekonomické časové řady. V Professional Publishing vyd. 1. Praha: Professional Publishing, 2009, 290 s. ISBN 978-80-86946-85-6. ARLT, Josef a Markéta ARLTOVÁ. Finanční časové řady: [vlastnosti, metody modelování, příklady a aplikace]. 1. vyd. Praha: Grada, 2003, 220 s. ISBN 80-247-0330-0. BROOKS, Chris. Introductory econometrics for finance. 2nd ed. New York: Cambridge University Press, 2008, xxiv, 648 p. ISBN 05-216-9468-X. CIPRA, Tomáš. Finanční ekonometrie. 1. vyd. Praha: Ekopress, 2008, 538 s. ISBN 978-8086929-43-9. ČMELÍK, Milan, Lubor MACHONSKÝ a Zdislav ŠÍMA. Fyzikální tabulky. Vyd. 1. Liberec: Technická univerzita v Liberci, 2001, 58 s. ISBN 80-7083-515-x. FOREX - jak zbohatnout a nekrást: obchodování na měnových trzích. 1. vyd. Praha: Grada, 2011, 185 s. ISBN 978-80-247-3739-3. GUJARATI, Damodar N a Dawn C PORTER. Basic econometrics. 5th ed. Boston: McGraw-Hill, 2009, xx, 922 s. McGraw-Hill international editions. ISBN 978-007-1276-252. HAMPEL D., BLAŠKOVÁ V., STŘELEC L. Ekonometrie 2. 1. vyd. V Brně: Mendelova univerzita, 2011, 147 s. ISBN 978-80-7375-540-9. HANČLOVÁ, Jana. Ekonometrické modelování: klasické přístupy s aplikacemi. 1. vyd. Praha: Professional Publishing, 2012, 214 s. ISBN 978-80-7431-088-1. HENDL, Jan. Přehled statistických metod zpracování dat: analýza a metaanalýza dat. Vyd. 2., opr. Praha: Portál, 2006, 583 s. ISBN 80-7367-123-9. HERBST, Anthony F. Analyzing and forecasting futures prices: a guide for hedgers, speculators, and traders. New York: Wiley, 1992, xvi, 238 p. ISBN 04-715-3312-2 HINDLS, Richard, Stanislava HRONOVÁ a Jan SEGER. Statistika pro ekonomy. 3. vyd. Praha: Professional Publishing, 2003, 415 s. ISBN 80-86419-34-7.

72


HULL, John. Risk management and financial institutions. 3rd ed. Hoboken, N.J.: John Wiley, 2012, xxi, 643 p. ISBN 11-182-6903-9. HUŠEK, Roman. Aplikovaná ekonometrie: teorie a praxe. Vyd. 1. Praha: Oeconomica, 2009, 344 s. ISBN 978-80-245-1623-3. HUŠEK, Roman. Ekonometrická analýza. Vyd. 1. Praha: Oeconomica, 2007, 367 s. ISBN 97880-245-1300-3. HUŠEK, Roman. Ekonometrická analýza: [předmět a metody : simulační modely a techniky : ekonometrické prognózování]. Vyd. 1. Praha: Ekopress, 1999, 303 s. ISBN 80-86119-19-x. JÍLEK, Josef. Finanční a komoditní deriváty. 1. vyd. Praha: Grada, 2002, 624 s. ISBN 80-2470342-4. JÍLEK, Josef. Finanční a komoditní deriváty v praxi. 2., upr. vyd. Praha: Grada, 2010, 630 s. ISBN 978-80-247-3696-9. LIŠKA, Václav a Jan GAZDA. Kapitálové trhy a kolektivní investování. 1. vyd. Praha: Professional Publishing, 2004, 525 s. ISBN 80-86419-63-0. McCONNELL, Campbell R, Stanley L BRUE a Sean Masaki FLYNN. Macroeconomics: principles, problems, and policies. 19th ed. New York: McGraw-Hill/Irwin, 2012, 499, 20, 14 s. ISBN 978-0-07-122104-7. NESNÍDAL, Tomáš a Petr PODHAJSKÝ. Obchodování na komoditních trzích: průvodce spekulanta. 2., rozš. vyd. Praha: Grada, 2006, 200 s. ISBN 80-247-1851-0. REJNUŠ, Oldřich. Peněžní ekonomie: (finanční trhy). Vyd. 4., aktualiz. Brno: Akademické nakladatelství CERM, 2008, 352 s. ISBN 978-80-214-3703-6. SAMUELSON, Paul Anthony a William D NORDHAUS. Ekonomie: 18. vydání. Vyd. 1. Praha: NS Svoboda, 2007, xxiii, 775 s. ISBN 978-80-205-0590-3. SHIPMAN, Mark. Komodity: jak investovat a vydělat. Vyd. 1. Brno: Computer Press, 2007, x, 133 s. ISBN 978-80-251-1866-5. TAUŠER, Josef. Měnový kurz v mezinárodním podnikání. Vyd. 1. Praha: Oeconomica, 2007, 162 s. ISBN 978-80-245-1165-8. TUREK, Ludvík. První kroky na burze. Vyd. 1. Brno: Computer Press, 2008, 154 s. ISBN 978-80251-1915-0 VERBEEK, Marno. A guide to modern econometrics. 3rd ed. Hoboken, NJ: John Wiley, 2008, xv, 472 p. ISBN 04-705-1769-7.


73

VESELÁ, Jitka. Investování na kapitálových trzích. 2., aktualiz. vyd. Praha: Wolters Kluwer Česká republika, 2011, 789 s. ISBN 978-80-7357-647-9. VLČEK, Josef. Ekonomie a ekonomika. 4., zcela přeprac. vyd. Praha: Wolters Kluwer Česká republika, 2009, 515 s. ISBN 978-80-7357-478-9. ŽAMBERSKÝ, Pavel a Josef TAUŠER. Ekonomie měnového kurzu I. Vyd. 1. V Praze: Vysoká škola ekonomická, Nakladatelství Oeconomica, 2003, 60 s. ISBN 80-245-0637-8

7.2

Internetové zdroje

Australian Bureau of Statistics: Celebrating the International Year of Statistics 2013. Time Series Spreadsheets: TABLE 12a. MERCHANDISE EXPORTS, Standard International Trade Classification (1 and 2 digit), FOB Value [online]. 2013 [cit. 2013-03-20]. Dostupné z: http://www.abs.gov.au/AUSSTATS/[email protected]/DetailsPage/5368.0Feb%202013?OpenDocume nt Bank of England. Selection Summary [online]. 2013 [cit. 2013-02-03]. Dostupné z: http://www.bankofengland.co.uk/boeapps/iadb/index.asp?Travel=NIxIRx&levels=1&XNotes =Y&C=5VN&G0Xtop.x=67&G0Xtop.y=4&XNotes2=Y&Nodes=X3951X3972&SectionRequired= I&HideNums=-1&ExtraInfo=true#BM Board of Governors of the Federal Reserve System. Data download program: G.5/H.10 Foreing Exchange Rates [online]. 2012 [cit. 2012-03-14]. Dostupné z: http://www.federalreserve.gov/datadownload/Download.aspx?rel=H10&series=4400a91e51 6f5eef901b5ab271ce7108&filetype=spreadsheetml&label=include&layout=seriescolumn&fr om=01/01/2006&to=02/29/2012 BRČÁK. Vývoj měnových kursů a činitelé je ovlivňující. In: Sborní prací z mezinárodní vědecké konference Agrární perspektivy XIV. Praha: Česká zemědělská univerzita v Praze, PEF, 2005, s. 6. Dostupné z: http://www.agris.cz/Content/files/main_files/70/148473/12Brcak.pdf BusinessInfo.cz: Oficiální portál pro podnikání a export. Austrálie: Zahraniční obchod země [online]. 3.4.2013 [cit. 2013-04-24]. Dostupné z: http://www.businessinfo.cz/cs/clanky/australie-zahranicni-obchod-zeme-19123.html BusinessInfo.cz: Oficiální portál pro podnikání a export. Kanada: ekonomická charakteristika země [online]. 2013 [cit. 2013-04-22]. Dostupné z: http://www.businessinfo.cz/cs/clanky/kanada-ekonomicka-charakteristika-zeme-17930.html BusinessInfo.cz: Oficiální portál pro podnikání a export. Norsko: ekonomická charakteristika země [online]. 8.4.2013 [cit. 2013-04-29]. Dostupné z: http://www.businessinfo.cz/cs/clanky/norsko-ekonomicka-charakteristika-zeme-18919.html

74


CONSEQ: rozhodnutí, které vynáší, BNPP L1 World Commodities (USD). [online]. 2006a [cit. 2013-02-15]. Dostupné z: https://www.conseq.cz/fund_detail.asp?fund=1201 CONSEQ: rozhodnutí, které vynáší, Parvest World Agriculture (USD) [online]. 2006b [cit. 2013-02-15]. Dostupné z: https://www.conseq.cz/fund_detail.asp?fund=755 ČP INVEST, Generali PPF Komoditní fond, [online]. 1991-2011b [cit. 2013-02-15]. Dostupné z: http://www.cpinvest.cz/produkty/investice-v-czk/fondy/generali-ppf-komoditni-fond.html ČP INVEST, Zlatý fond ČP INVEST, [online]. 1991-2011a [cit. 2013-02-15]. Dostupné z: http://www.cpinvest.cz/produkty/investice-v-czk/fondy/zlaty-fond-cp-invest.html ČSOB, ČSOB Komoditní fond: Horizon CSOB Komoditni fond. [online]. 2013 [cit. 2013-02-15]. Dostupné z: http://www.csob.cz/cz/fondy/akciove-fondy/stranky/be0948266912.aspx ČT24. Útěk z ropných plošin: Ropa kvůli Isaacovi zdražuje [online]. 27.8.2012 [cit. 2013-02-12]. Dostupné z: http://www.ceskatelevize.cz/ct24/ekonomika/193438-utek-z-ropnych-plosinropa-kvuli-isaacovi-zdrazuje/ E15.cz. PEČENÝ, Zdeněk. „Komoditní měny“ vzdorují pádu surovin. [online]. 28.6.2012 [cit. 2013-02-13]. Dostupné z: www.admiralmarkets.cz/analytics/denni-analyza/komoditn-m-nyaktualizace Eia: Independent statistics & Analysis. International Energy Statistics: Exports of Crude Oil including Lease Condensate (Thousand Barrels Per Day) [online]. 2013c [cit. 2013-02-15]. Dostupné z: http://www.eia.gov/cfapps/ipdbproject/iedindex3.cfm?tid=5&pid=57&aid=4&cid=regions&s yid=2005&eyid=2010&unit=TBPD Eia: Independent statistics & Analysis. International Energy Statistics: Exports of Dry Natural Gas (Billion Cubic Feet) [online]. 2013b [cit. 2013-02-15]. Dostupné z: http://www.eia.gov/cfapps/ipdbproject/iedindex3.cfm?tid=3&pid=26&aid=4&cid=regions&s yid=2005&eyid=2011&unit=BCF Eia: Independent statistics & Analysis. International Energy Statistics: Gross Natural Gas Production (Billion Cubic Feet) [online]. 2013a [cit. 2013-02-15]. Dostupné z: http://www.eia.gov/cfapps/ipdbproject/IEDIndex3.cfm?tid=3&pid=3&aid=1 Eia: Independent statistics & Analysis. International Energy Statistics: Production of Crude Oil including Lease Condensate (Thousand Barrels Per Day) [online]. 2013d [cit. 2013-02-15]. Dostupné z: http://www.eia.gov/cfapps/ipdbproject/iedindex3.cfm?tid=5&pid=57&aid=1&cid=regions&sy id=2005&eyid=2011&unit=TBPD Euroekonom.cz: ekonomický portál. ZEMÁNEK, Josef. Vývoj na trzích s ropou a benzínem v


roce 2006 [online]. 26.9.2005 [cit. 2013-02-12]. http://www.euroekonom.cz/analyzy-tisk.php?type=jz-ropa05

75

Dostupné

z:

FAOSTAT. EXPORTS: Countries by commodity [online]. 2013b [cit. 2013-02-14]. Dostupné z: http://faostat.fao.org/site/342/default.aspx FAOSTAT. Food and Agricultural commodities production [online]. 2013a [cit. 2013-02-14]. Dostupné z: http://faostat.fao.org/site/339/default.aspx Finance.cz. BRYCHTA, Jaroslav. Jak vydělávat na komoditních měnách?. [online]. 4.4.2008 [cit. 2013-02-13]. Dostupné z: http://www.finance.cz/zpravy/finance/159645-jak-vydelavat-nakomoditnich-menach-/ Finance.cz. Norsko zvýšilo odhad zdrojů ropy a plynu v Arktidě o 15 procent [online]. 27. 2.2013 [cit. 2013-04-22]. Dostupné z: http://www.finance.cz/zpravy/finance/381132-norsko-zvysiloodhad-zdroju-ropy-a-plynu-v-arktide-o-15-procent/ Finance.cz. Těžařům zlata v JAR vzrostou platy až o deset pct; stávka končí [online]. Johanesburg, 2. 8. 2011 [cit. 2013-02-12]. Dostupné z: http://www.finance.cz/zpravy/finance/320364tezarum-zlata-v-jar-vzrostou-platy-az-o-deset-pct-stavka-konci/ FINEZ: Investment management. TRAXLER, Jan. Inflace, Čína a komoditní měny. [online]. 5.4.2011 [cit. 2013-02-13]. Dostupné z: http://www.finez.cz/odborne-clanky/meny/inflace-cinaa-komoditni-meny FINMAG: peníze v souvislostech, TRAXLER, Jan. Analýza: Který komoditní fond zvolit. [online]. 18. 6. 2012 [cit. 2013-02-15]. Dostupné z: http://www.finmag.cz/cs/finmag/investice/analyza-ktery-komoditni-fond-zvolit/ Fio banka, Jak obchodovat futures. [online]. 2013. [cit. 2013-02-09]. Dostupné z: http://www.fio.cz/akcie-investice/obchodovani-derivaty/futures/jak-obchodovat-futures Foreing Affairs and International Trade Canada. Canada-United States Free Trade Agreement (FTA), [online]. 2013 [cit. 2013-04-22]. Dostupné z: http://www.international.gc.ca/tradeagreements-accords-commerciaux/agr-acc/us-eu.aspx?lang=eng FXstreet.cz. URBAN, Patrik. Fundamentální analýza III - Carry Trade (2/2) [online]. 12. 4. 2010 [cit. 2013-02-14]. Dostupné z: http://www.fxstreet.cz/fundamentalni-analyza-iii-carry-tradecast-2.html Goldseek. CHAIZE, Thomas. World Production of Gold, 2011. [online]. 28. 6. 2011 [cit. 2013-0210]. Dostupné z: http://news.goldseek.com/Dani/1309290922.php GOLDSHEET Mining Directory: World Gold Production. Gold Production History [online]. 1995-2012 [cit. 2013-02-12]. Dostupné z: http://www.goldsheetlinks.com/production.htm

76


CHEN, Yu-chin a Kenneth ROGOFF. SciVerse: ScienceDirect. Commodity currencies [online]. 2002 [cit. 2013-03-29]. Dostupné z: http://www.sciencedirect.com/science/article/pii/S0022199602000727 ING: Investment management, Seznam fondů: ING (L) Invest Commodity Enhanced. [online]. 2010 [cit. 2013-02-15]. Dostupné z: https://cz.ingfondy.eu/fund_detail.asp?fund=171 International Trade Centre. List of exporters for the selected product: Product : 7108 Gold unwrought or in semi-manuf forms [online]. 2013 [cit. 2013-02-14]. Dostupné z: http://www.trademap.org/Country_SelProduct_TS.aspx J&T BANKA, Fondy pro veřejnost. [online] 2013 [cit. 2013-02-15]. Dostupné z: http://www.jtbank.cz/privatni-klienti/investice/fondy/pro-verejnost/fondy-pro-verejnost Listy cukrovarnické a řepařské. Trh s cukrem ve světě [online]. 2009 [cit. 2013-04-25]. Dostupné z: http://www.cukr-listy.cz/on_line/2009/pdf/302-305.pdf Natural Resources Canada. Mineral Production: Production of Canada's Leading Minerals [online]. 2013 [cit. 2013-03-20]. Dostupné z: http://sead.nrcan.gc.ca/prod-prod/mon-meneng.aspx PATRIA: online, Credit Suisse Fund (Lux) DJ-AIG Commodity Index Plus (US$). [online] 19972013 [cit. 2013-02-15]. Dostupné z: http://www.patria.cz/fond/LU0230918368USD/creditsuisse-fund-lux-dj-aig-commodity-index-plus-us-b/detail.html Penize.cz. Zemní plyn [online]. 2012a [cit. 2012-03-15]. http://www.penize.cz/komodity-a-futures/56161-zemni-plyn

Dostupné

z:

Penize.cz. Ropa WTI [online]. 2012 b[cit. http://www.penize.cz/komodity-a-futures/56160-ropa-wti

Dostupné

z:

Penize.cz. Zlato [online]. 2012c [cit. http://www.penize.cz/komodity-a-futures/56164-zlato Penize.cz. Cukr č.11 [online]. 2012d [cit. http://www.penize.cz/komodity-a-futures/56183-cukr-c-11

2012-03-15].

2012-03-16].

2012-03-16].

Dostupné

Dostupné

z:

z:

PIONEER Investment, Pioneer Funds - Commodity Alpha. [online] 2010. [cit. 2013-0215]. Dostupné z: http://www.pioneer.cz/Fond/ZakladniUdaje.asp?fond=PFCommodityAlpha &class=USD Pro investory, DVOŘÁK, Jan. Proč je ropa Brent dražší než americká WTI. [online]. 2011 [cit. 2013-02-04]. Dostupné z: http://proinvestory.cz/proc-je-ropa-brent-drazsi-nez-americka-wti Raiffeisen BANK: banka inspirovaná klienty, Raiffeisen Active Commodities. [online] 2008 -


77

2013 [cit. 2013-02-15]. Dostupné z: http://www.rb.cz/osobni-finance/zhodnocovaniuspor/podilove-fondy/detail-fondu-raiffeisen/active-commodities/ SMITH, Adam. Time: Business & Money, Why the Norwegian krone is the world's safest currency. [online]. 23.3.2009 [cit. 2013-04-28]. Dostupné z: http://www.time.com/time/business/article/0,8599,1887090,00.html Statistics Canada. Table 126-0001: Supply and disposition of crude oil and equivalent [online]. 2013a [cit. 2013-03-05]. Dostupné z: http://www5.statcan.gc.ca/cansim/a26?lang=eng&retrLang=eng&id=1260001&paSer=&patt ern=&stByVal=1&p1=1&p2=-1&tabMode=dataTable&csid= Statistics Canada. Table 129-0004: Exports and imports of natural gas to and from the United States [online]. 2013b [cit. 2013-03-05]. Dostupné z: http://www5.statcan.gc.ca/cansim/a26?lang=eng&retrLang=eng&id=1290004&tabMode=da taTable&srchLan=-1&p1=-1&p2=9 Statistics Norway. External trade in goods [online]. 2013 [cit. 2013-04-22]. Dostupné z: https://www.ssb.no/statistikkbanken/SelectVarVal/Define.asp?MainTable=UhArOljeGass&Kort NavnWeb=muh&PLanguage=1&checked=true Statistisk sentralbyra: Statistics Norway. Oil and gas activities, production and reserves [online]. 2012 [cit. 2012-10-10]. Dostupné z: https://www.ssb.no/statistikkbanken/selectvarval/saveselections.asp Statistisk sentralbyra: Statistics Norway. External trade in goods: Table: 08799: External trade in goods, by commodity number (HS) and country [online]. 2013 [cit. 2013-01-13]. Dostupné z: https://www.ssb.no/statistikkbanken/selectvarval/saveselections.asp TRADING ECONOMICS. Brazil exports [online]. 2013 [cit. 2013-04-23]. Dostupné z: http://www.tradingeconomics.com/brazil/exports LIEN, Kathy. INVESTOPEDIA, Commodity Prices And Currency Movements. [online]. 23.8.2011 [cit. 2013-04-28]. Dostupné z: http://www.investopedia.com/articles/forex/06/commoditycurrencies.asp#axzz2LweTbfip UNICA: Sugar cane industry association. HISTORICAL SERIE OF BRAZILIAN SUGAR EXPORTS: Month by month [online]. 2012a [cit. 2012-05-15]. Dostupné z: http://www.unicadata.com.br/listagem.php?idMn=66 UNICA: Sugar cane industry association. HISTORICAL SERIE OF BRAZILIAN ETHANOL EXPORTS [online]. 2012b [cit. 2012-05-15]. Dostupné z: http://www.unicadata.com.br/listagem.php?idMn=65 UNICA: Sugar cane industry association. Sugar production, 2000/2001 - 2006/2007 [online]. 2012c [cit. 2012-05-15]. Dostupné z: http://www.unicadata.com.br/historico-de-producao-emoagem.php?idMn=31&tipoHistorico=2&acao=visualizar&idTabela=1326&produto=acucar&safr

78


aIni=2000%2F2001&safraFim=2006%2F2007&estado=RS%2CSC%2CPR%2CSP%2CRJ%2CMG%2CES %2CMS%2CMT%2CGO%2CDF%2CBA%2CSE%2CAL%2CPE%2CPB%2CRN%2CCE%2CPI%2CMA%2CTO% 2CPA%2CAP%2CRO%2CAM%2CAC%2CRR UNICA: Sugar cane industry association. EXCEL Total Ethanol production, 2000/2001 2006/2007 [online]. 2012d [cit. 2012-05-15]. Dostupné z: http://www.unicadata.com.br/historico-de-producao-emoagem.php?idMn=31&tipoHistorico=2&acao=visualizar&idTabela=1326&produto=etanol_tota l&safraIni=2000%2F2001&safraFim=2006%2F2007&estado=RS%2CSC%2CPR%2CSP%2CRJ%2CM G%2CES%2CMS%2CMT%2CGO%2CDF%2CBA%2CSE%2CAL%2CPE%2CPB%2CRN%2CCE%2CPI%2CMA %2CTO%2CPA%2CAP%2CRO%2CAM%2CAC%2CRR Xtb: online trading. Denní postřeh XTB: Komodity dostaly těžký zásah, ale komoditním měnám se daří. [online]. 2013 [cit. 2013-02-13]. Dostupné z: http://news.xtb.cz/denni-postreh-xtbkomodity-dostaly-tezky-zasah-ale-komoditnim-menam-se-dari_57


79

8 Seznam tabulek a obrázků 8.1

Seznam tabulek

Tabulka 1: Největší producenti vybraných komodit v letech 2006 – 2011 ............................... 20 Tabulka 2: Největší exportéři vybraných komodit v letech 2006 – 2011 .................................. 21 Tabulka 3: Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro39 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou, Kanada ........... 39 Tabulka 4: Korelační analýza vzájemných vztahů měnového kurzu USD/CAD a ceny komodit a exportu a produkce těchto komodit pro 39 pozorování za období od září 2008 do konce roku 2011 ........................................................................................................................... 40 Tabulka 5: Model OLS vysvětlující měnový kurz USD/CAD cenou ropy a zlata, exportem ropy a produkcí zlata a testy klasických předpokladů regresního modelu ...................................... 41 Tabulka 6: Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro 39 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou ......................... 42 Tabulka 7: Model OLS vysvětlující měnový kurz USD/CAD cenou ropy za 1l a zlata za 1 g, exportem ropy a produkcí zlata a testy klasických předpokladů regresního modelu ........... 43 Tabulka 8: Test Grangerovy kauzality mezi USD/CAD a cenami komodit a jejich exportem za období od srpna 2008 do prosince 2011 dle VAR modelu s řádem zpoždění jedna ............... 44 Tabulka 9: Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro 59 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou, Norsko ........... 45 Tabulka 10: Korelační analýza vzájemných vztahů měnového kurzu USD/NOK a ceny komodit, exportu a produkce těchto komodit pro 59 pozorování za období od ledna 2006 do konce roku 2010 .................................................................................................................... 46 Tabulka 11: Korelační analýza vzájemných vztahů měnového kurzu GBP/NOK a ceny komodit, exportu a produkce těchto komodit pro 47 pozorování za období od ledna 2008 do konce roku 2011 ..................................................................................................................... 46 Tabulka 12: Korelační analýza vzájemných vztahů měnového kurzu EUR/NOK a ceny komodit, exportu a produkce těchto komodit pro 71 pozorování za období od ledna 2006 do konce roku 2011 ..................................................................................................................... 46 Tabulka 13: Model OLS vysvětlující měnový kurz USD/NOK cenou ropy za 1 l a testy klasických předpokladů regresního modelu ............................................................................. 48 Tabulka 14: Model OLS vysvětlující měnový kurz USD/NOK cenou zemního plynu za 1 m3 a testy klasických předpokladů regresního modelu ................................................................... 49 Tabulka 15: Model OLS vysvětlující měnový kurz USD/NOK hodnotou exportu ropy a zemního plynu v USD a testy klasických předpokladů regresního modelu ............................ 50 Tabulka 16: Test Grangerovy kauzality mezi USD/CAD a cenami komodit a jejich exportem za období od února 2006 do prosince 2011 dle VAR modelu s řádem zpoždění jedna ................ 51 Tabulka 17: Model OLS vysvětlující měnový kurz GBP/NOK cenou zemního plynu a objemem exportu ropy 1000 m3 a testy klasických předpokladů regresního modelu ........................... 53 Tabulka 18: Test Grangerovy kauzality mezi GBP/NOK a cenami komodit a jejich exportem za období od února 2008 do prosince 2011 dle VAR modelu s řádem zpoždění jedna ............... 54 Tabulka 19: Test Grangerovy kauzality mezi GBP/USD a cenami komodit a jejich exportem za období od února 2008 do prosince 2011 dle VAR modelu s řádem zpoždění jedna ............... 55

80


Tabulka 20: Model OLS vysvětlující měnový kurz EUR/NOK cenou ropy za jeden litr a testy klasických předpokladů regresního modelu ............................................................................. 55 Tabulka 21: Model OLS vysvětlující měnový kurz EUR/NOK objemem produkcí ropy a testy klasických předpokladů regresního modelu ............................................................................. 56 Tabulka 22: Test Grangerovy kauzality mezi EUR/NOK a cenami komodit a jejich exportem za období od února 2006 do prosince 2011 dle VAR modelu s řádem zpoždění jedna........... 57 Tabulka 23:Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro 41 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou, Austrálie ......... 59 Tabulka 24: Korelační analýza vzájemných vztahů měnového kurzu USD/AUD a ceny zlata, bavlny a exportu zlata pro 41 pozorování za období od srpna 2008 do konce roku 2011 ...... 60 Tabulka 25: Model OLS vysvětlující měnový kurz USD/AUD objemem produkcí ropy a testy klasických předpokladů regresního........................................................................................... 60 Tabulka 26: Test Grangerovy kauzality mezi USD/AUD a cenou zlata za období od srpna 2008 do prosince 2011 dle VAR modelu s řádem zpoždění jedna ............................................ 61 Tabulka 27: Rozšířený Dickey-Fullerův test s použitím jedné zpožděné proměnné, pro 70 pozorování, nulová hypotéza jednotkového kořenu a=1, test s konstantou, Brazílie ........... 63 Tabulka 28: Korelační analýza vzájemných vztahů měnového kurzu USD/BRL a ceny cukru, exportu cukru a etanolu v tunách pro 70 pozorování za období od ledna 2006 do konce roku 2011 ........................................................................................................................... 64 Tabulka 29: Test Grangerovy kauzality mezi USD/BRL a cenou cukru a objemem exportu cukru a etanolu za období od ledna 2006 do prosince 2011 dle VAR modelu s řádem zpoždění jedna ........................................................................................................................... 64 Tabulka 30: Korelační analýza vzájemných vztahů cen sledovaných komodit pro 72 pozorování za období od ledna 2006 do konce roku 2011 ....................................................... 65

8.2

Seznam obrázků

Obrázek 1: Metoda nejmenších čtverců ..................................................................................... 31 Obrázek 2: Vývoj měnového kurzu USD/CAD a cen ropy a zlata od srpna 2008 do konce prosince 2011 ............................................................................................................................... 37 Obrázek 3: Vývoj měnového kurzu USD/CAD, produkce ropy a zlata od srpna 2008 do konce prosince 2011 ............................................................................................................................... 38 Obrázek 4: Vývoj USD/NOK a ceny zemního plynu a ropy od ledna 2006 do konce 2011 ...... 48 Obrázek 5: Vývoj GBP/NOK, ceny ropy a zemního plynu a export ropy od ledna 2008 do konce 2011 ................................................................................................................................... 52 Obrázek 6: Vývoj USD/AUD a ceny zlata od ledna 2006 do konce 2011 .................................. 58 Obrázek 7: Vývoj USD/AUD a ceny bavlny od ledna 2006 do ledna 2012 ................................ 59 Obrázek 8: Vývoj USD/BRL a ceny cukru od ledna 2006 do konce roku 2011.......................... 63

Studie závislosti cen komodit a kurzů komoditních měn

Recommend Documents