Kurtoza w procesach generowanych przez model RCA GARCH
|
|
- Bogdan Kuczyński
- 5 lat temu
- Przeglądów:
Transkrypt
1 Joanna Górka * Kuroza w procesach generowanych przez model RCA GARCH Wsęp Na przesrzen osanej dekady odnoowuje sę szybk rozwój model nelnowych. Wdoczna jes zwłaszcza różnorodność nelnowych specyfkacj modelowych, kóre rozszerzają uzupełnają meodologę szeregów czasowych przez wprowadzene bardzej ogólnych srukur lub dosarczają alernaywnych podejść. Ze względu na swą prosoę, ławe poddawane sę esymacj oraz duże możlwośc opsywana różnych aspeków nelnowej dynamk rynków fnanowych najwększą popularnoścą wśród badaczy ceszą sę modele z klasy GARCH [Engle, 98; Bollerslev, 986]. Innym, alernaywnych podejścem do opsu procesów fnansowych są modele auoregresyjne z losowym parameram (RCA [Ncholls, Qunn, 98]. Ne są one ak popularne jak modele z klasy GARCH, choć są nauralnym uogólnenem klasycznych lnowych model auoregresyjnych. Obydwa modele sanową dogodne narzędze do analzy zmennośc szeregów fnansowych zarówno modele RCA, jak modele ARCH są szczególnym przypadkem szerszej klasy model jakm są modele CHARMA [Tsay, 987]. Badana rynków fnansowych wykazały, ż procesy fnansowe, ake jak sopy zwrou, kursy walu nne charakeryzują sę lepokurycznoścą rozkładów zmenną warancją warunkową. Modelowane podwyższonej kurozy zmennej w czase warancj warunkowej ne zawsze jes możlwe za pomocą modelu ARMA-GARCH z nnowacjam o rozkładze normalnym. Sad eż, do model ARMA-GARCH, wprowadza sę nne rozkłady nnowacj, ake jak rozklad -Sudena, skośny -Sudena, czy eż rozkład GED. Alernaywnym sposobem modelowana podwyższonej kurozy szeregów fnansowych jes dopuszczene zmennośc parameru w modelu podsawowym (ARMA, GARCH. Zmenność parameru w modelu powoduje podwyższene warośc kurozy w sosunku do modelu ze sałym paramerem. Tak jes w przypadku modelowana średnej jak warancj warunkowej. W przypadku modelowana średnej jes o zasosowane modelu RCA, zamas modelu AR, naomas w przypadku warancj jes o zasosowane modelu RCA GARCH [Thavaneswaran, Appadoo, Samana, 005] zamas modelu GARCH z rozkładem -Sudena (lub podobnym. W leraurze modele GARCH z losowym parameram [Ghysels, Jasak, 998] były już zasosowane do modelu ACD-GARCH. Jednakże, wprowadzona am losowość paramerów znacząco różn sę od propozycj Thavaneswarana, Appadoo, Samany (005. * Dr, Kaedra Ekonomer Saysyk Wydzału Nauk Ekonomcznych Zarządzana UMK w Torunu, adres e-mal: jgora@un.orun.pl.
2 578 Joanna Górka Celem nnejszego arykułu jes przedsawene model RCA GARCH jako alernaywnego, w sosunku do model GARCH z rozkładem -Sudena, sposobu modelowana zmennośc. W perwszej częśc przedsawony zosane ogólny model GARCH. Jako, że przedmoem porównań analzowanych model będze warość kurozy, w nnejszym opracowanu przedsawono ogólną posać kurozy dla model GARCH oraz wyprowadzono wzory dla konkrenych posac model. Druga część zawera krók ops modelu RCA wraz z jego podsawowym własnoścam. W kolejnej częśc przedsawono modele GARCH(, z losowym paramerem wraz z waroścam kurozy. Osana część zawera porównane eoreycznych warośc kurozy dla omawanych model.. Modele GARCH Ogólny model GARCH(p, q opsany jes równanam: y = σ ε ( gdze ~ d( 0, q p = + ω α y + = j = j j σ β σ ( ε, ω > 0, α 0 oraz β 0. Wzory na eoreyczną warośc kurozy dla procesów generowanych przez poszczególne modele GARCH, są podawane w leraurze z ego zakresu. Brak jes ogólnego wzoru na warość kurozy procesu. Ponżej zaprezenowany będze bardzej ogólny wzór na kurozę dla welu model z klasy GARCH (zn. z różnym rozkładam resz W celu zapsana ogólnego wzoru na kurozę modelu GARCH bez względu na yp rozkładu model (-( należy zapsać w posac ARMA. Jeżel u = σ jes różncą maryngałową o warancj var( u = σ, o model (- y ( może być nerpreowany jako model ARMA(m, q dla lub m p = + = j = j ( α + β y β ju j u u y posac: y ω + ( φ ( B y = ω + β ( B u m gdze ( ( = m p φ B = α + = β B φ = B, ( = j = m = max{ p, q}, α = 0 dla > q oraz β = 0 dla j > p. B (4 j j B β β, Warunkam sacjonarnośc dla y, kóry ma reprezenacje ARMA(m,q, są [Thavaneswaran, Appadoo, Samana, 005]: (Z. Wszyske perwask równana charakerysycznego φ ( B = 0 leżą poza kołem jednoskowym.
3 (Z. Kuroza w procesach generowanych przez model RCA GARCH 579 =0 ψ <, gdze ψ są współczynnkam welomanu spełnającego równane ψ ( B φ( B = β ( B posac ψ ( + = = B ψ B. Współczynnk welomanu wyznacza sę ak samo jak dla modelu ARMA. Założena e gwaranują neskorelowane u, średną zero skończoną waran- cję dla u oraz o, że proces y jes sacjonarny w szerszym sense. Jeżel model GARCH(p,q opsany równanem (4 spełna warunk (Z.- (Z. ma skończony bezwarunkowy momen czwarego rzędu, o kurozę K procesu y opsanego równanem (4 można zapsać [Thavaneswaran, Appadoo, Samana, 005]: 4 E( ε (5 4 4 ( [ ( ] E ε E ε ψ = 0 Warośc paramerów konkrenego modelu są zaware w poszczególnych waroścach wag. Przyjmując e same założena jak w sosunku do kurozy, orzymujemy równeż ogólne wzory na warancję auokowarancję y [Thavaneswa- ran, Appadoo, Samana, 005]: var( y = 0 σ u = ( y y k σ u = ψ kψ = ψ γ, (6 cov dla k > 0. (7 = + Jeżel oprócz założeń (Z.-(Z., skończonego momenu czwarego rzędu przymnemy jeszcze, że: a ~ N( 0, ε, o wówczas ( b ε ~ -Sudena z > 4 E ε zaś równane (5 ma posać: 4 = = ψ, (8a 4 ( ν ν sopnam swobody, o ( = ν ( ν ( ν ( ν = E oraz:. (8b ψ Wzory (8a-(8b przedsawają ogólny wzór na kurozę dla procesów generowanych przez modele GARCH przy założenu, ż rozkład nnowacj ε jes rozkładem normalnym lub -Sudena. Nech dany będze model ARCH( posac: = σ ε, σ ω + α y (9 gdze ~ d( 0, y = + αy y = ε, ω > 0 oraz α 0. u = Perwszym krokem jes zapsane (9 w posac modelu ARMA. Nech σ. Wówczas równane warancj modelu ARCH ma posać y ω + u, zaś φ( B = αb, β ( B =, ψ ( B = + ψ B + ψ B +... Rozwązując równane ( B φ( B β ( B ψ =, ε 4 ψ = orzymujemy: α ψ = α,...,
4 580 Joanna Górka α = ψ =,.... Sąd ψ = + α + α Na podsawe założena (Z., wemy, że α <. Wówczas ψ = = 0. Podsawając do wzorów (8a α (8b orzymujemy wzory na kurozę procesu generowanego przez model ARCH(: ( α =, (0a α α 4 ( ν ( α ( ν ( α ( ν, (0b Warunkem konecznym snena kurozy (0a jes α <, zaś w przypadku ν 4 (0b jes α < ( ν. W podobny sposób można orzymać kurozę procesu opsanego przez model GARCH(,. Nech dany będze model GARCH(, opsany równanam: y = σ ε, σ = ω + αy + βσ ( gdze ε ~ d( 0,, ω > 0, α 0 oraz β 0. Wówczas, welomany modelu ARMA opsanego równanem (4 przyjmują warośc: φ ( B = ( α + βb, β ( B = βb, zaś ψ = α, ψ = α( α + β,..., ( 4 ψ = α α + β,... Zaem ψ = + α + α ( α + β + α ( α + β +... = 0 Na podsawe założena (Z. wadomo, że ( α + β <. Sąd suma skończona α kwadraów wag wynos ψ = + = 0. Nasępne, podsawając ( α + β do wzorów (8a (8b, orzymujemy wzory na kurozę y : ( ( α + β = α ( + ( ( α + β α, (a α + β [ ] [ ] ( ν α ( ν ( α + β ( ν 4 ( α + β. (b Wzór (a jes znany w leraurze [np. Doman, Doman, 004]. Warość kurozy (a procesu generowanego przez model GARCH wysępuje, jeśl spełnony jes warunek ( α + β + α <. Spełnene ego warunku gwaranuje rów- neż spełnene założena (Z. oraz, w przypadku parameru α, redukuje sę do warunku α < [Doman, Doman, 004]. Kuroza procesu generowanego
5 Kuroza w procesach generowanych przez model RCA GARCH 58 przez model GARCH z nnowacjam o rozkładze -Sudena (b sneje, gdy α ν 4 < ( α + β ( ν.. Modele RCA Modele auoregresyjne z losowym parameram (RCA są nauralnym uogólnenem klasycznych lnowych model auoregresyjnych. Pełny ops ych model wraz z własnoścam, meodam esymacj oraz aplkację można znaleźć w pracy Ncholls Qunn (98. Jednowymarowy model auoregresyjny rzędu perwszego z losowym paramerem można zapsać w posac: y = ( α + δ y + ε, ( gdze δ d 0 σ δ 0 ~,. (4 ε 0 0 σ ε Dla zapewnena sacjonarnośc oraz ergodycznośc procesu y załóżmy, że: α + σ δ <. (5 Warunek (5 jes warunkem konecznym wysarczającym sacjonarnośc drugego rzędu procesu y. Warunk (4-(5 gwaranują ścsłą sacjonarność procesu. Model (, przy odpowednch założenach, może być modelem ypu AR, STUR, RCA(, p [Górka, 007; Lee, 998]. Jeżel spełnone są warunk (4-(5, o proces ( ma nasępujące własnośc [Appadoo, Thavaneswaran, Sngh, 006; Aue, 004]: E =, (6 ( 0 y σ ε ( y = E, (7 α σ δ τ α σ ε cov( y, y τ =, (8 α σ ( α σ δ ( α + 6α σ + σ. (9 δ δ Zaem proces charakeryzuje sę zerową średną, sałą warancją kurozą oraz auokowarancją zależną ylko od przesunęca czasowego. Warość warancj jak auokowarancj dla procesu opsanego modelem RCA( jes wększa nż dla procesu opsanego AR(. Warunek koneczny wysępowana kurozy ma 4 4 posać α + 6α σ δ + σ δ <. Jeżel σ δ = 0 (j. dla modelu AR(, o warość kurozy (9 redukuje sę do warośc. Z wzoru (9 wynka, że: δ
6 58 Joanna Górka K K. (0 AR( RCA( Relację (0 można uogólnć dla model AR oraz RCA [Appadoo, Thavaneswaran, Sngh, 006]. Warunkowa średna oraz warancja procesu opsanego równanem ( ma posać [Hwang, Basawa, Km, 006]: E y F α y, ( Var [ ] = [ y F ] σ y = ε + δ σ. ( Warunkowa średna, podobne jak dla model AR, opsana jes funkcją lnową, zaś warunkowa warancja opsana jes funkcją nelnową. Sąd eż nelnowość modelu RCA wysępuje w warancj. Zaem konsekwencją wysępowana losowego parameru w modelu AR jes wększa warość kurozy oraz zmenna w czase warancja warunkowa. Zauważmy, że ops warunkowej warancj jes analogczny jak w przypadku procesu ARCH(. Esymacj ocen paramerów modelu RCA( można dokonać z wykorzysanem meody: MNK, WMNK, MNW [Górka, 007] czy eż modelu przesrzen sanów zasosowana flru Kalmana.. Modele RCA GARCH Analogczne jak w przypadku modelu AR wprowadza sę losowość parameru do modelu ARCH. Model RCA ARCH( ma posać: gdze ε ~ N ( 0, σ ε, ( y = σ ε, ( = ω + α + a y a ~ 0, N σ a. y σ y = + ( α + a y + u σ ( Jeżel przyjmemy u =, o równane warancj warunkowej ma posać: ω. (4 Zaem, równane warancj w modelu RCA ARCH( może być nerpreowane jako model RCA dla y. Kuroza procesu opsanego modelem (4 ma posać [Appadoo, Thavaneswaran, Sngh, 006]: 4 ( ασ ε (5 σ ε ( α + σ a Warunek koneczny snena kurozy dla modelu RCA ARCH, o σ ε ( α + σ a <, podczas gdy dla modelu ARCH σ ε α <. Porównując wzory (0a (5 orzymujemy: K ARCH ( K RCA ARCH (. (6 Zaem, podobne jak dla modelu AR, wprowadzene zmennośc parameru w modelu ARCH prowadz do podwyższena warośc kurozy. W przypadku losowośc parameru sojącego przy y w modelu GARCH(, mamy do czynena z modelem RCA GARCH(,, kóry zapsuje sę w posac:
7 Kuroza w procesach generowanych przez model RCA GARCH 58 y ~ N 0, σ ε =, ω + ( α + a y β σ σ ε gdze ε (, ( = + a ~ 0, N σ a. y σ σ (7 Jeżel przyjmemy u =, o równane warancj warunkowej ma posać modelu ARMA z losowym paramerem auoregresyjnym, dla y, zn.: ( α + β + a y + u βu = + y ω. (8 Dla procesu opsanego równanem (7 warość kurozy wynos [Appadoo, Thavaneswaran, Sngh, 006]: ( ασ ε + β. (9 4 σ ε αβ σ ε ( α + σ a β Warunek koneczny wysępowna kurozy dla procesu opsanego modelem 4 RCA GARCH(, wynos σ ε αβ + σ ε ( α + σ a + β <. Podobne jak w przypadku modelu RCA ARCH, warość kurozy modelu RCA GARCH jes wyższa nż warość kurozy modelu GARCH przy założenu rozkładu normalnego nnowacj, zn.: K. (0 GARCH (, K RCA GARCH (, W każdym, z przedsawonych przypadków losowość paramerów prowadzła do podwyższena warośc kurozy.. Analza porównawcza eoreycznych warośc kurozy W celu zobrazowana różncy we własnoścach momenu czwarego poszczególnych model, oblczono przykładowe eoreyczne warośc kurozy. W każdym modelu przyjęo perwszy rząd opóźneń auoregresyjnych. Przy wyznaczenu warośc kurozy, uwzględnono warunk jej snena. Mało o wpływ na warośc poszczególnych paramerów model. Warunk snena kurozy dla procesu generowanego przez model ARCH( z rozkładem normalnym są nasępujące: a jeżel σ ε =, o α < , b jeżel σ ε = 0. 9, o α < , c jeżel σ ε = 0. 8, o α < W ablcy, umeszczono warośc kurozy modelu ARCH( zależnej od warośc parameru od warancj nnowacj. Na podsawe wynków zameszczonych w ablcy można swerdzć, ż dla modelu ARCH z rozkładem normalnym nemożlwe jes uzyskane małej warośc parameru α przy jednocześne znaczne podwyższonej kuroze jednoskowej (lub zblżonej do ej warośc warancj nnowacj. Dla modelu ARCH z rozkładem -Sudena warość maksymalna parameru zależy od sopn swobody. Zależność a przedsawona jes w ablcy.
8 584 Joanna Górka Tablca. Teoreyczne warośc kurozy dla procesu generowanego przez model ARCH( z nnowacjam z rozkładu normalnego α δ ε Kuroza α δ ε Kuroza α δ ε Kuroza Źródło: opracowane własne. Tablca. Maksymalne warośc parameru, przy kórych sneje kuroza procesu, generowanego przez model ARCH( z nnowacjam z rozkładu -Sudena, w zależnośc od lczby sopn swobody ν max warość max warość max warość ν ν parameru parameru parameru Źródło: opracowane własne. Dla jeszcze wększej lczby sopn swobody, warość parameru neznaczne sę zwększa osągając warość 0, 556 dla 0 sopn swobody. Wylczone warośc kurozy dla procesu opsanego poszczególnym modelam przedsawono w ablcy. Tablca. Teoreyczne warośc kurozy dla procesu generowanego przez model ARCH( z nnowacjam z rozkładu -Sudena α ν Kuroza α ν Kuroza α ν Kuroza Źródło: opracowane własne. W przypadku modelu ARCH z nnowacjam o rozkładze -Sudena uzyskane podwyższonej warośc kurozy, przy jednoczesnej małej warośc parameru
9 Kuroza w procesach generowanych przez model RCA GARCH 585 ne sanow problemu. Sosując en rozkład uzyskuje sę równeż grube ogony, co pozwala na lepsze modelowane szeregów fnansowych. Nemnej jednak, rozkład en ne jes pozbawony wad. Teoreyczne rzecz borąc, w przypadku użyca ego ypu rozkładu ne uzyska sę wyższych ocen parameru nż Dla procesu opsanego modelem RCA ARCH warość parameru zależy od warancj nnowacj warancj parameru. Przy odpowednch waroścach ych zmennych możlwe jes uzyskane dowolnej ( < warośc parameru. Tablca 4. Teoreyczne warośc kurozy dla procesu generowanego przez model RCA ARCH( α δ ε δ a Kuroza α δ ε δ a Kuroza α δ ε δ a Kuroza Źródło: opracowane własne. Gdy proces opsany jes przez model RCA ARCH( (Tablca 4 możlwe jes uzyskane zarówno wyższej, w sosunku do rozkładu normalnego, warośc kurozy jak wększych warośc parameru. Na uwagę zasługuje równeż fak, że dla wększych warośc parameru, zmana warośc warancj parameru δ o 0. 0, powoduje znaczącą zmanę warośc kurozy. Zaem warośc kurozy dla modelu RCA GARCH są porównywalne do modelu ARCH z rozkładem - Sudena. Przewagą rozkładu -Sudena nad rozkładem normalnym jes równeż możlwość opsu grubych ogonów. Dla modelu RCA ARCH warancja y, jes wyższa nż dla modelu ARCH z rozkładem normalnym, zaem rozkład nnowacj będze mał grubsze ogony. Teoreyczne warośc kurozy dla procesu generowanego przez modele GARCH oraz RCA GARCH przedsawono w ablcach 5-7. W ym przypadku, podobne jak dla procesów generowanych przez modele ARCH czy RCA ARCH, warość kurozy sneje pod warunkem spełnena warunków konecznych wysępowana kurozy. Wąże sę o z ogranczenem warośc paramerów, kóre w przypadku parameru α w modelu GARCH z nnowacjam a Korzysając z własnośc (7 oraz poprzez analoge modelu RCA ARCH, do modelu RCA.
10 586 Joanna Górka z rozkładu normalnego redukuje sę do ego samego ogranczena co dla modelu ARCH z nnowacjam z rozkładu normalnego. Tablca 5. Teoreyczne warośc kurozy dla procesu generowanego przez model GARCH(, z nnowacjam z rozkładu normalnego α β δ ε Kuroza α β δ ε Kuroza α β δ ε Kuroza Źródło: opracowane własne. Tablca 6. Teoreyczne warośc kurozy dla procesu generowanego przez model GARCH(, z nnowacjam z rozkładu -Sudena α β ν Kuroza α β ν Kuroza α β ν Kuroza Źródło: opracowane własne. Proces generowany przez model GARCH z nnowacjam z rozkładu normalnego ma warośc kurozy wyższe nż proces generowany przez model GARCH z ym samym waroścam parameru ylko z nnowacjam z rozkładu -Sudena. Wyższe warośc kurozy procesu generowanego przez model GARCH z nnowacjam z rozkładu normalnego można uzyskać poprzez wprowadzene losowośc parameru sojącego przy y (model RCA GARCH. Wówczas, średna parameru losowego sojącego przy y wynos α, zaś jego warancja jes równa δ a, zaś warość parameru sojącego przy σ ne zmena sę. Procesy generowane przez modele GARCH z nnowacjam z rozkładu - Sudena oraz RCA GARCH z nnowacjam z rozkładu normalnego pozwalają na opsywane podwyższonej kurozy.
11 Kuroza w procesach generowanych przez model RCA GARCH 587 Tablca 7. Teoreyczne warośc kurozy dla procesu generowanego przez model RCA GARCH(, α β δ ε δ a Kuroza α β δ ε δ a Kuroza Źródło: opracowane własne. Zakończene W leraurze doyczącej fnansowych szeregów czasowy, częso bywa kwesonowana możlwość opsu zjawsk za pomocą model ze sałym parameram. W modelu RCA GARCH zakłada sę znajomość rozkładu parameru. Założene o ma wpływ na warość kurozy procesu generowanego przez model GARCH. Przeanalzowane eoreyczne własnośc kurozy procesu pozwalają na sformułowane nasępujących wnosków: Ogranczenem sosowana rozkładu normalnego dla nnowacj w modelach GARCH jes ogranczene warośc parameru α do warośc spełnających nerówność α <. Ogranczenem sosowana rozkładu -Sudena dla nnowacj w modelach GARCH jes ogranczene warośc parameru α do warośc mnejszych nż Warośc kurozy procesu generowanego przez model RCA GARCH są wyższe nż dla procesu generowanego przez model GARCH z nnowacjam z rozkładu normalnego. Model RCA GARCH może sanowć alernaywę w sosunku do model GARCH z rozkładem -Sudena.
12 588 Joanna Górka Leraura. Appadoo S.S., Thavaneswaran A., Sngh J., (006, RCA models wh correlaed errors Appled Mahemacs Leers 9, Aue A. (004, Srong approxmaon for RCA( me seres wh applcaons, Sascs & Probably Leers 68, Bollerslev T. (986, Generalzed auoregressve condonal heeroscedascy, Journal of Economercs,, Brzeszczyńsk J., R. Kelm (00,Ekonomeryczne modele rynków fnansowych. WIG-Press 5. Engle R. F. (98, Auoregressve condonal heeroscedascy wh esmaes of he varance of Uned Kngdom nflaon, Economerca, 50, Doman, M., Doman, R. (004, Ekonomeryczne modelowane dynamk polskego rynku fnansowego, Wyd. AE w Poznanu, Poznań. 7. Ghysels E., Jasak J., (998, GARCH for Irregularly Spaced Fnancal Daa: The ACD-GARCH Model, Sudes n Nonlnear Dynamcs and Economercs, (4, Górka J., (007, Modele auoregresyjne z losowym parameram, w Osńska M. (red., Procesy STUR. Modelowane zasosowane do fnansowych szeregów czasowych, Wydawncwo Dom Organzaora, Toruń. 9. Hwang S.Y., Basawa I., Km T.Y. (006, Leas squares esmaon for crcal random coeffcen frs-order auoregressve processes, Sascs & Probably Leers 76, Lee S. (998, Coeffcen consancy es n a random coeffcen auoregressve model Journal of Sascal Plannng and Inference 74, Ncholls D.F., Qunn B.G., (98, Random Coeffcen Auoregressve Models: An Inroducon, n: Lecure Noes n Sascs, vol., Sprnger, New York.. Thavaneswaran A., Appadoo S.S., Pers S., (005, Forecasng volaly, Sascs & Probably Leers 75, 0.. Thavaneswaran A., Appadoo S.S., Samana M., (005, Random coeffcen GARCH models, Mah. Compu. Modellng 4, Tsay R.S., (987, Condonal Heeroscedasc Tme Seres Models Journal of he Amercan Sascal Assocaon, Vol. 8, No. 98, Sreszczene W arykule przedsawono eoreyczne warośc kurozy procesu generowanego przez modele auoregresyjne ze losowym paramerem (RCA, modele GARCH z nnowacjam z rozkładu normalnego albo z rozkładu -Sudena oraz modele GARCH z losowym paramerem (RCA GARCH. Podano równeż warunk koneczne snena kurozy dla poszczególnych procesów. W przypadku model GARCH przedsawono ogólny wzór na warość kurozy, kóry pozwala na wyznaczene eoreycznej warośc kurozy procesu w zależnośc od paramerów modelu GARCH(p,q czy rozkładu nnowacj. W osanej częśc wyznaczona zosała warość kurozy procesów opsanych przez modele z zadanym waroścam paramerów zadanym rozkładem nnowacj.
13 Kuroza w procesach generowanych przez model RCA GARCH 589 Zarówno dla procesów generowanych przez model GARCH z nnowacjam z rozkładu -Sudena jak dla procesu generowanego przez model RCA GARCH warość kurozy jes wyższa nż dla procesu generowanego przez model GARCH z nnowacjam z rozkładu normalnego, co czyn e dwa modele, modelam konkurencyjnym. The kuross of he RCA GARCH process (Summary Ths paper consders momen properes as well as kuross of he RCA models, GARCH models and RCA GARCH models. An ARMA represenaon s used o derve he kuross of he GARCH models wh ndependen, dencally dsrbued random varables wh zero mean and un varance.
DYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaa Kopernka w Torunu Unwersye Mkołaa Kopernka w Torunu Ops kurozy rozkładów
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAICZNE ODELE EKONOETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 7 w Torunu Kaedra Ekonomer Saysyk, Unwersye kołaja Kopernka w Torunu Jacek Kwakowsk Unwersye kołaja Kopernka w Torunu odele RCA
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg
Bardziej szczegółowoFinansowe szeregi czasowe wykład 7
Fnansowe szereg czasowe wykład 7 dr Tomasz Wójowcz Wydzał Zarządzana AGH 38 33 28 23 18 13 8 1 11 21 31 41 51 61 71 Kraków 213 Noowana ndeksu WIG w okrese: 3 marca 29 31 syczna 211 55 5 45 4 35 3 25 2
Bardziej szczegółowoMonika Kośko Wyższa Szkoła Informatyki i Ekonomii TWP w Olsztynie Michał Pietrzak Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaja Kopernka w Torunu Monka Kośko Wyższa Szkoła Informayk Ekonom TWP w Olszyne
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego
Bardziej szczegółowoFINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej szczegółowoPROBLEM ODWROTNY DLA RÓWNANIA PARABOLICZNEGO W PRZESTRZENI NIESKOŃCZENIE WYMIAROWEJ THE INVERSE PARABOLIC PROBLEM IN THE INFINITE DIMENSIONAL SPACE
JAN KOOŃSKI POBLEM ODWOTNY DLA ÓWNANIA PAABOLICZNEGO W PZESTZENI NIESKOŃCZENIE WYMIAOWEJ THE INVESE PAABOLIC POBLEM IN THE INFINITE DIMENSIONAL SPACE S r e s z c z e n e A b s r a c W arykule skonsruowano
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium
Ker. MTR Programowane w MATLABe Laboraorum Ćw. Zasosowane bbloecznych funkcj MATLABa do numerycznego rozwązywana równań różnczkowych. Wprowadzene Układy równań różnczkowych zwyczajnych perwszego rzędu
Bardziej szczegółowoEfekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA
Joanna Górka * Efeky agregacji czasowej szeregów finansowych a modele klasy Sign RCA Wsęp Wprowadzenie losowego parameru do modelu auoregresyjnego zwiększa możliwości aplikacyjne ego modelu, gdyż pozwala
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej szczegółowoOddziaływanie procesu informacji na dynamikę cen akcji. Małgorzata Doman Akademia Ekonomiczna w Poznaniu
Oddziaływanie procesu informacji na dynamikę cen akcji. Małgorzaa Doman Akademia Ekonomiczna w Poznaniu Modele mikrosrukury rynku Bageho (97) informed raders próbują wykorzysać swoją przewagę informacyjną
Bardziej szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Joanna Górka WŁASNOŚCI PROGNOSTYCZNE
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
Bardziej szczegółowoMETODY KOMPUTEROWE 10
MEODY KOMPUEROWE RÓWNANIA RÓŻNICZKOWE CZĄSKOWE Poechnka Poznańska Mchał Płokowak Adam Łodgowsk Mchał PŁOKOWIAK Adam ŁODYGOWSKI Konsace nakowe dr nż. Wod Kąko Poznań 00/00 MEODY KOMPUEROWE 0 RÓWNANIA RÓŻNICZKOWE
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoOCENA RYZYKA INWESTYCJI W METALE SZLACHETNE W OKRESIE ŚWIATOWEGO KRYZYSU FINANSOWEGO 2007-2012
Elza Buszkowska Unwersye m. Adama Mckewcza w Poznanu, Wydzał Prawa Admnsracj, Kaedra Nauk Ekonomcznych Por Płucennk Unwersye m. Adama Mckewcza w Poznanu, Wydzał Maemayk Informayk, Pracowna Ekonomer Fnansowej
Bardziej szczegółowoψ przedstawia zależność
Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi
Bardziej szczegółowoPrognozowanie cen detalicznych żywności w Polsce
Prognozowane cen dealcznych żywnośc w Polsce Marusz Hamulczuk IERGŻ - PIB Kaarzyna Herel NBP Co dlaczego prognozujemy Krókookresowe prognozy cen dealcznych Ceny dealczne (ndywdualne produky, agregay) Isone
Bardziej szczegółowo(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)
W ypowym zadanu z regresj nelnowej mamy nasępujące eapy: Esymacja (uzyskane ocen punkowych paramerów), w ym: 1. Dobór punków sarowych.. Kolejne eracje algorymu Gaussa Newona. 3. Zakończene algorymu Gaussa
Bardziej szczegółowoPodstawowe algorytmy indeksów giełdowych
Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 25-11-13 Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 2013-11-25 Sps reśc I. Algorymy oblczana warośc ndeksów gełdowych...3 1. Warość beżąca
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowo13. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,1998)
3. Dwa modele pooku ruchu (eorokolejkowe) 3. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,998) 3.. Model Hagha Isneje wele prac z la powojennych, w kórych wysępują próby modelowana kolejek ruchowych
Bardziej szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Bardziej szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoModelowanie równowagi cenowej na Giełdzie Papierów Wartościowych w Warszawie w okresach przed i po wejściu Polski do Unii Europejskiej
Sansław Urbańsk * Modelowane równowag cenowej na Gełdze Paperów Waroścowych w Warszawe w okresach przed po wejścu Polsk do Un Europejskej Wsęp Praca nnejsza sanow konynuację badań doyczących wyceny akcj
Bardziej szczegółowoWYBRANE ASPEKTY HARMONOGRAMOWANIA PROCESU MAGAZYNOWEGO
PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 64 Transpor 28 Tomasz AMBROZIAK, Konrad LEWCZUK Wydzał Transporu Polechnk Warszawske Zakład Logsyk Sysemów Transporowych ul. Koszykowa 75, -662 Warszawa am@.pw.edu.pl;
Bardziej szczegółowoEFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE
Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji
Bardziej szczegółowoElżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyk Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoKRZYSZTOF JAJUGA Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Akademia Ekonomiczna we Wrocławiu 25 LAT EKONOMETRII FINANSOWEJ
KRZYSZTOF JAJUGA Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Akademia Ekonomiczna we Wrocławiu 25 LAT EKONOMETRII FINANSOWEJ EKONOMETRIA FINANSOWA OKREŚLENIE Modele ekonomerii finansowej są worzone
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoZASTOSOWANIE ZMODYFIKOWANEJ METODY NAJBLIŻSZYCH SĄSIADÓW DO PROGNOZOWANIA CHAOTYCZNYCH SZEREGÓW CZASOWYCH
Kaarzyna Zeug-Żebro Unwersye Ekonomczny w Kaowcach ZASTOSOWANIE ZMODYFIKOWANEJ METODY NAJBLIŻSZYCH SĄSIADÓW DO PROGNOZOWANIA CHAOTYCZNYCH SZEREGÓW CZASOWYCH Wprowazene Deermnzm ukłaów chaoycznych wskazuje
Bardziej szczegółowoWykład z Podstaw matematyki dla studentów Inżynierii Środowiska. Wykład 8. CAŁKI NIEOZNACZONE. ( x) 2 cos2x
Wykład z Podsaw maemayk dla sudenów Inżyner Środowska Wykład 8. CŁKI NIEOZNCZONE Defnca (funkca perwona) Nech F es funkcą perwoną funkc f na przedzale I, eżel F '( ) f ( ) dla każdego I. Udowodnć, że funkce
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoMODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wsęp MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Nowoczesne echniki zarządzania ryzykiem rynkowym
Bardziej szczegółowoDaniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Wykorzysanie
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoBayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1
Jacek Kwiakowski Uniwersye Mikołaja Kopernika w Toruniu Bayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1 WSTĘP Powszechnie wiadomo, że podsawowymi własnościami procesów finansowych
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o
Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz na podsawe ego odelu ożna wcągać wnos doczące badanego zjawsa
Bardziej szczegółowoKrzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informayki Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Krzyszof Pionek Weryfikacja modeli Blacka-Scholesa oraz AR-GARCH
Bardziej szczegółowoMODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. 1. Wstęp
WERSJA ROBOCZA - PRZED POPRAWKAMI RECENZENTA Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. Wsęp Spośród wielu rodzajów ryzyka, szczególną
Bardziej szczegółowoMODEL DWUMIANOWY II RZĘDU I SKOŚNY ROZKŁAD STUDENTA W ANALIZIE RYZYKA KREDYTOWEGO *
Jacek Osewalsk, Jerzy Marzec, Kaedra Ekonomer Badań Operacyjnych, Unwersye Ekonomczny w Krakowe MODEL DWUMIANOWY II RZĘDU I SKOŚNY ROZKŁAD STUDENTA W ANALIZIE RYZYKA KREDYTOWEGO * Jacek Osewalsk e-mal:
Bardziej szczegółowoPARAMETRY ELEKTRYCZNE CYFROWYCH ELEMENTÓW PÓŁPRZEWODNIKOWYCH
ARAMETRY ELEKTRYZNE YFROWYH ELEMENTÓW ÓŁRZEWODNIKOWYH SZYBKOŚĆ DZIAŁANIA wyrażona maksymalną częsolwoścą racy max MO OBIERANA WSÓŁZYNNIK DOBROI D OBIĄŻALNOŚĆ ELEMENTÓW N MAKSYMALNA LIZBA WEJŚĆ M ODORNOŚĆ
Bardziej szczegółowoZbigniew Palmowski. Analiza Przeżycia
Zbgnew Palmowsk Analza Przeżyca Wrocław 9 Zbgnew Palmowsk Docendo dscmus (Ucząc nnych, sam sę uczymy) Seneka Mos of he me I fnd myself workng n heorecal problems, because I am neresed n applcaons. I also
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoMODEL DWUCZYNNIKOWY w ARYTMETYCE FINANSOWEJ PROBLEM BADAWCZY 1.MODEL APRECJACJI KAPITAŁU
Krzyszof Paseck Akadema Ekonomczna w Poznanu MODEL DWUCZYNNIKOWY w ARYTMETYCE FINANSOWEJ PROBLEM BADAWCZY W [7] przedsawono aksjomayczno-dedukcyjną eorę arymeyk fnansowej oparą na pojęcu warośc przyszłej
Bardziej szczegółowo= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
Bardziej szczegółowoALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max
Bardziej szczegółowoOeconomiA copernicana. Małgorzata Madrak-Grochowska, Mirosława Żurek Uniwersytet Mikołaja Kopernika w Toruniu
OeconomiA copernicana 2011 Nr 4 Małgorzaa Madrak-Grochowska, Mirosława Żurek Uniwersye Mikołaja Kopernika w Toruniu TESTOWANIE PRZYCZYNOWOŚCI W WARIANCJI MIĘDZY WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoXXXV Konferencja Statystyka Matematyczna
XXXV Konferencja Saysyka Maeayczna MODEL OTOWOŚCI SYSTEMU TECHNICZNEO Karol J. ANDRZEJCZAK karol.andrzejczak@pu.poznan.pl Polechnka Poznańska hp://www.pu.poznan.pl/ PRORAM REERATU 1. WPROWADZENIE 2. ORMALIZACJA
Bardziej szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
mę, nazwsko, nr ndeksu: Ekonometra egzamn 1//19 1. Egzamn trwa 9 mnut.. Rozwązywane zadań należy rozpocząć po ogłoszenu początku egzamnu a skończyć wraz z ogłoszenem końca egzamnu. Złamane tej zasady skutkuje
Bardziej szczegółowoLABORATORIUM PODSTAWY ELEKTRONIKI Badanie Bramki X-OR
LORTORIUM PODSTWY ELEKTRONIKI adanie ramki X-OR 1.1 Wsęp eoreyczny. ramka XOR ramka a realizuje funkcję logiczną zwaną po angielsku EXLUSIVE-OR (WYŁĄZNIE LU). Polska nazwa brzmi LO. Funkcję EX-OR zapisuje
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoRozdział 2. Zasady budowy prognoz
Rozdzał. Zasady budowy prognoz Rozdzał. Zasady budowy prognoz (z ksążk A. Mankowsk, Z. arapaa, Prognozowane symulacja rozwoju przedsęborsw, Warszawa 00) Kopowane za zgodą auorów.. Rodzaje prognoz... Klasyfkacje
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoWyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH
Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 2009.
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 009 Uniwerse Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saski WŁASNOŚCI
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoMagdalena Sokalska Szkoła Główna Handlowa. Modelowanie zmienności stóp zwrotu danych finansowych o wysokiej częstotliwości
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Szkoła Główna Handlowa Modelowanie zmienności
Bardziej szczegółowow łącznej analizie zmiennych licznikowych
F O L I A O E C O N O M I C A C R A C O V I E N S I A Vol. LIII PL ISSN 7-674X Dwuwymarowy model TYPU ZIP-CP w łącznej analze zmennych lcznkowych Jerzy Marzec Kaedra Ekonomer Badań Operacyjnych Unwersyeu
Bardziej szczegółowo