Witold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
|
|
- Kinga Adamczyk
- 5 lat temu
- Przeglądów:
Transkrypt
1 DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu Wykorzysanie koncepcji nieliniowej przyczynowości do idenyfikacji auozależności w szeregach czasowych 1. Wprowadzenie Pojęcie przyczynowości w sensie Grangera pełni kluczową rolę w ekonomerycznej analizie zależności pomiędzy procesami ekonomicznymi. Meodą esowania nieliniowej przyczynowości jes procedura Hiemsry i Jonesa (1994), odwołująca się do koncepcji Baeka i Brocka (1992). Celem niniejszej pracy jes zasosowanie esu Hiemsry i Jonesa w odmienny sposób do idenyfikacji auozależności w szeregach czasowych. Pomysł en zrealizowano w zasosowaniu do danych symulowanych, a akże do szeregów czasowych z Giełdy Papierów Warościowych w Warszawie. 2. Tesowanie przyczynowości w zakresie zależności nieliniowych Wysępowanie zależności przyczynowych między sacjonarnymi procesami X i Y zosało zdefiniowane przez Grangera (1969) w kaegorii warunkowych rozkładów prawdopodobieńswa. Według ej definicji X nie jes przyczyną Y, jeśli dla dowolnych opóźnień czasowych lx, ly 1 zachodzi równość: ( Y X,..., X ; Y,..., Y )) F( Y ( Y,..., Y )) F. (1) ( lx 1 1 = 1 W przypadku, gdy warunek (1) nie jes spełniony mówimy, że X jes przyczyną Y, co w szczególności implikuje możliwość wykorzysania przeszłości X do prognozowania Y. Tesowanie wysępowania zależności przyczynowych polega na weryfikacji hipoezy zerowej, iż X nie jes przyczyną Y. W prakyce, nie weryfikuje się
2 82 zawarego w definicji warunku (1), lecz zasępuje się go bardziej operacyjnymi formułami. Jedną z meod jes ograniczenie zakresu badania do idenyfikacji zależności przyczynowych jedynie o charakerze liniowym. W akiej syuacji badanie polega na zbudowaniu i analizie modelu VAR. Z kolei operacyjną meodą analizy przyczynowych zależności o charakerze nieliniowym jes meoda Baeka i Brocka (1992). Odwołuje się ona do pojęcia całki korelacyjnej C W (ε ), będącej prawdopodobieńswem zdarzenia, iż dwie losowo wybrane realizacje wekora losowego W oddalone są od siebie o nie więcej niż ε, zn. CW ( ε ) = P{ W1 W2 ε} = I( s1, s2, ε ) fw ( s1 ) fw ( s2 ) ds2ds1, (2) gdzie W 1,W2 są niezależnymi realizacjami wekora W, jes normą supremum, naomias funkcja ( s, s, ε ) 1; s1 s2 ε I 1 2 =. 0; s1 s2 > ε Dla usalonych opóźnień czasowych lx, ly 1 niech X oraz Y oznaczają wekory opóźnień posaci X lx = ( X lx,..., X ) i Y ly = ( Y,..., Y ). Odwołując się do pojęcia wekorów opóźnień, Baek i Brock przeformułowali definicję przyczynowości w sensie Grangera. Według ich koncepcji X nie jes przyczyną Y, jeśli: gdzie 1 1 { Y Ys < ε Y Ys < ε, X lx X slx < ε } P 1 = P{ Y Ys < ε Y Ys < ε }, jes normą supremum. Niespełnienie warunku (3) oznacza, że X X,..., X ) może być lx = 1 lx = ( lx 1 pomocne w prognozowaniu Y. Ta inerpreacja przyczynowości jes kluczowa dla rozważań zawarych w rozdziale rzecim niniejszego arykułu. Niech C1, C2, C3 oraz C4 oznaczają nasępujące całki korelacyjne: s 1 { Y Ys < ε, X lx X slx < ε } 1 1 { Y Ys < ε, X lx X slx < ε } s { Y Ys ly < ε } 1 { Y Ys < ε } C 1 = P, (4a) C 2 = P, (4b) C3, (4c) = P C 4 = P. (4d) Można udowodnić (np. Orzeszko, Osińska), że: ly (3)
3 Wykorzysanie koncepcji nieliniowej przyczynowości P 1 1 C1 { Y Ys < Y Ys < ε, X lx X slx < ε } = C2 P Y Y ε, (5) 1 1 C3 ε Y Y. (6) oraz { s < s < ε } = C4 C 1 C3 A wówczas wzór (3) równoważny jes formule =. (7) C2 C4 Równanie (7) jes podsawą procedury esowania wysępowania zależności przyczynowych w szeregach czasowych ( x ) i ( y ). Esymaorami całek korelacyjnych C1, C2, C3 oraz C4 są odpowiednio: 2 s 1 C 1( = (,, ε ) (,, ε ) ( 1) < I y s ly lx s lx s ly y I x x, n n (8a) C 2( = I( y,, ε ) (,, ε ) ( 1) < s ly lx s lx s ly y I x x, n n (8b) 2 s C3( = I( y, s ly, ε ) ( 1) s ly y n n <, (8c) 2 1 C 4( = I( y,, ε ) ( 1) < s ly s ly y, (8d) n n gdzie, s = max( lx, ly) + 1,..., T, n = T max( lx, ly), T długość szeregów. Hiemsra i Jones (1994) udowodnili, że dla dowolnych sacjonarnych, słabo zależnych i spełniających warunki Denkera i Kellera (1983), procesów X, Y oraz dla dowolnych lx, ly 1 i ε > 0, jeśli X nie jes przyczyną Y, o: TVAL df = n C1( C3( ~ N ( lx, ly, ) C2( C4( σ ε ( 0,1), (9) gdzie σ ( lx, ly, ε ) i jej esymaor są zdefiniowane w dodaku arykułu Hiemsry i Jonesa (1994). Należy podkreślić, że meoda Hiemsry i Jonesa (H J) idenyfikuje zależności przyczynowe różnej naury. Z ego powodu w celu idenyfikacji zależności nieliniowych, należy badaniu poddawać dane pozbawione zależności liniowych. Auorzy esu zalecają również, aby dokonać normalizacji danych i w eście rozważyć warości ε pomiędzy 0.5 a Zasosowanie esu Hiemsry Jonesa do idenyfikacji auozależności w szeregach czasowych W niniejszej pracy wykorzysano es H J w odmienny sposób do idenyfikacji auozależności w szeregach czasowych. W ym celu przyjęo w
4 84 eście za ( x ) (zn. proces przyczynę ) szereg złożony z przeszłych realizacji procesu ( y ) (zn. procesu skuku ). Prowadzi o do weryfikacji isnienia w ( y ) auozależności o charakerze nieliniowym, kóre dają poencjalną możliwość prognozowania szeregu ( y ) w oparciu o jego przeszłość. Badaniu poddano indeksy pochodzące z GPW w Warszawie, z okresu (1600 obserwacji). Dla każdego z indeksów esowaniu poddano rzy szeregi: logarymicznych sóp, orzymanych dla nich resz z modeli ARMA oraz ARMA-GARCH. Zbadanie resz z modeli ARMA daje możliwość swierdzenia, czy ewenualnie wykrye zależności w szeregu sóp mają charaker liniowy. W przypadku odpowiedzi negaywnej, przebadanie sandaryzowanych resz z modelu ARMA-GARCH umożliwia swierdzenie, czy a klasa modeli dobrze opisuje zidenyfikowaną nieliniowość. W eście H J przyjęo ε =1.5 oraz lx=ly równe kolejno 1,2,..., 5. Dla każdego z badanych szeregów (ozn. ( a ) ) w procedurze esowania przyjęo dwa zesawy szeregów: A) ( y ) badany szereg (zn. y = a ), ( x ) szereg jego pierwszych opóźnień (zn. x = a 1 ), B) ( y ) szereg złożony z obserwacji o numerach parzysych (zn. y = a2 ), ( x ) szereg złożony z obserwacji nieparzysych (zn. x = a2 + 1 ). W pierwszym zesawie odrzucenie H 0 dla pewnej warości lx=ly oznacza, że efekywność prognozowania obserwacji a wzrośnie, gdy wiedza badacza o obserwacjach a 1, a2,..., alx zosanie poszerzona o znajomość warości a lx1. Ponieważ lx 1, więc w en sposób możliwe jes sprawdzenie isnienia w szeregu zależności między opóźnieniami co najmniej drugiego rzędu. Weryfikację isnienia zależności pomiędzy sąsiednimi obserwacjami umożliwia drugi zesaw, w przypadku kórego odrzucenie H 0 oznacza, że wykorzysanie do prognozowania obserwacji a2, a2 2,..., a22lx prowadzi do gorszych rezulaów, niż wykorzysanie a2, a2 1, a22,..., a22lx+ 1, a22lx. Przyjmując lx = 1 można zweryfikować, czy a 21 wpływa na a 2 pod warunkiem znajomości również a 22. Wadą drugiego zesawu jes fak, iż badane szeregi sają się dwa razy krósze, co wpływa negaywnie na wiarygodność esu. W pierwszej kolejności, przedsawioną powyżej procedurę esowania zasosowano do danych symulowanych. W ym celu, z odwzorowania logisycznego posaci a+ 1 = 4a (1 a ), dla a 0 = 0. 7, wygenerowano szereg chaoyczny złożony z 1599 obserwacji. W abeli 1 zaprezenowano wyniki esowania zależności nieliniowych w ym szeregu, dla porównania zesawione z rezulaami orzymanymi dla białego szumu. W każdej z komórek widoczna jes warość wyrażenia TVAL (por. wzór 9). W główce abeli, symbolami A i B oznaczono kolumny zawierające wyniki esu dla szeregów skonsruowanych
5 Wykorzysanie koncepcji nieliniowej przyczynowości odpowiednio wg procedur A oraz B. Symbole *, **, *** oznaczają odrzucenie H o braku przyczynowości na poziomie, odpowiednio, 10%, 5% i 1%. 0 Tabela 1. Wyniki esu Hiemsry-Jonesa dla białego szumu i odwzorowania logisycznego lx=ly Biały szum Biały szum Odwzor. logis (A) Odwzor. logis (B) (A) (B) szereg szereg *** *** 4.262*** 4.141*** *** *** 3.860*** *** *** 3.088*** *** 2.189** *** 2.136** Jak widać, w przypadku białego szumu es nie wykazał obecności zależności pomiędzy obserwacjami. Odmienny, a jednocześnie zgodny z oczekiwaniami, rezula orzymano dla odwzorowania logisycznego. Zarówno dla zesawu A, jak i B, es wykazał isnienie zależności w szeregu. Ponieważ dokonana analiza auokorelacji wskazała na brak zależności liniowych, więc orzymane wyniki rafnie oznaczają nieliniowość. Model GARCH ylko w ograniczonym sopniu był w sanie opisać zidenyfikowane zależności. Z kolei w abelach 2-11 zaprezenowano wyniki esu H J dla indeksów giełdowych. Tabela 2. Wyniki esu Hiemsry-Jonesa dla indeksu WIG-BANKI WIG-BANKI (A) WIG-BANKI (B) lx=ly Sopy MA(1) Sopy MA(1)- MA(1) MA(1) *** 1.666* *** 3.027*** ** 2.076** * 2.501** 2.220** * 1.658* *** 2.276** *** 2.826*** Tabela 3. Wyniki esu Hiemsry-Jonesa dla indeksu WIG-BUDOW WIG-BUDOW (A) WIG-BUDOW (B) lx=ly Sopy - Sopy - GARCH(2,1) GARCH(2,1) *** 2.694*** *** 2.852*** *** 3.846*** 1.855* 4.188*** 4.095*** *** 5.462*** 2.150** *** 3.149*** *** 5.163*** 2.377** * 1.980** *** 4.600*** 1.563
6 86 Tabela 4. Wyniki esu Hiemsry-Jonesa dla indeksu WIG-INFO WIG-INFO (A) WIG-INFO (B) lx=ly Sopy - Sopy - GARCH(2,1) GARCH(2,1) *** 4.230*** *** 3.383*** *** 4.128*** *** 4.185*** *** 4.694*** *** 4.219*** *** 3.626*** *** 3.628*** *** 2.549** *** 4.025*** Tabela 5. Wyniki esu Hiemsry-Jonesa dla indeksu MWIG40 MWIG40 (A) MWIG40 (B) lx=ly Sopy ARMA(2,1)- Sopy ARMA(2,1)- ARMA(2,1) ARMA(2,1) *** 4.362*** *** 2.395** *** 3.649*** *** 2.728*** *** 3.696*** *** 3.738*** *** 4.514*** *** 4.344*** *** 3.465*** *** 3.712*** Tabela 6. Wyniki esu Hiemsry-Jonesa dla indeksu WIG-SPOZY WIG-SPOZY (A) WIG-SPOZY (B) lx=ly Sopy AR(2)- Sopy AR(2)- AR(2) AR(2) *** 3.949*** *** 3.091*** *** 3.698*** * 3.896*** 3.851*** *** 3.870*** *** 4.498*** *** 3.486*** *** 4.823*** *** 3.103*** *** 4.625*** Tabela 7. Wyniki esu Hiemsry-Jonesa dla indeksu SWIG80 SWIG80 (A) SWIG80 (B) lx=ly Sopy ARMA(2,1) - Sopy ARMA(2,1) - ARMA(2,1) ARMA(2,1) *** 3.906*** *** 2.965*** *** 2.667*** *** 3.308*** *** 2.148** *** 3.433*** *** 2.006** *** 2.314** *** 2.380** *** 1.779*
7 Wykorzysanie koncepcji nieliniowej przyczynowości Tabela 8. Wyniki esu Hiemsry-Jonesa dla indeksu TECHWIG TECHWIG (A) TECHWIG (B) lx=ly Sopy - Sopy *** 4.196*** *** 4.068*** *** 4.804*** *** 4.788*** *** 5.390*** 1.894* 4.236*** 5.325*** *** 4.158*** *** 5.098*** *** 3.093*** *** 5.303*** Tabela 9. Wyniki esu Hiemsry-Jonesa dla indeksu WIG-TELKO lx=ly WIG-TELKO (A) WIG-TELKO (B) Sopy Sopy *** ** *** *** *** *** *** *** *** *** Tabela 10. Wyniki esu Hiemsry-Jonesa dla indeksu WIG WIG (A) WIG (B) lx=ly Sopy - Sopy ** *** 3.368*** ** 1.817* *** 3.154*** *** 3.415*** *** 4.025*** 2.266** 4.053*** 2.892*** *** 3.453*** *** 3.204*** Tabela 11. Wyniki esu Hiemsry-Jonesa dla indeksu WIG20 WIG20 (A) WIG20 (B) lx=ly Sopy MA(1)- Sopy MA(1)- MA(1) MA(1) *** ** *** 3.494*** ** 2.147** *** 3.034*** *** 3.261*** *** 3.593*** *** 3.285*** *** 3.146*** *** 4.153*** 0.033
8 88 W przypadku wszyskich przebadanych indeksów, es wykazał isnienie auozależności w szeregach sóp 1. Taki sam rezula orzymano dla resz z modelu ARMA, co wskazuje na nieliniowy charaker zidenyfikowanych zależności. W większości wypadków przefilrowanie modelem ARMA-GARCH zmniejszało (co do modułu) warości saysyki TVAL, jednak w wielu wypadkach (WIG-BUDOW (A) i (B), WIG-SPOZY (A), TECHWIG (A), WIG (A)) model en nie był w sanie całkowicie opisać charakeru zidenyfikowanych nieliniowości. Co więcej, w niekórych wypadkach (WIG-BANKI (A), WIG (A), WIG20 (A) i (B)) filrowanie prowadziło do wzrosu warości saysyki, co również może wskazywać, że wykrye zależności są innej naury niż proces GARCH. Zidenyfikowanie nieliniowych zależności w szeregach oznacza poencjalną możliwość ich prognozowania. Oczywiście zasosowana w pracy meoda esowania nie daje żadnych wskazówek co do posaci modelu opisującego e zależności. Jednak należy sobie zdawać sprawę z faku, że ze względu na bogacwo klasy funkcji nieliniowych próba znalezienia właściwego modelu może okazać się daremna. Z ego względu zasadne może być rozważenie innych meod prognozowania (por. np. Orzeszko, 2004). Jednak kwesia wyboru właściwej meody oraz jej zasosowanie do analizowanych w pracy danych, wykracza poza zakres niniejszego arykułu. Lieraura Baek, E.G., Brock, W.A. (1992), A General Tes for Nonlinear Granger Causaliy: Bivariae Model. Technical Repor. Iowa Sae Universiy and Universiy of Wisconsin, Madison. Denker, M., Keller, G. (1983), On U-saisics and von Mises Saisics for Weakly Dependen Processes. Zeischrif für Wahrscheinlichkeisheorie und Verwande Gebiee, 64, Diks, C., Panchenko, V (2006), A New Saisics and Pracical Guidelines for nonparameric Granger Causaliy Tesing, Journal of Economic Dynamics and Conrol, 30, Granger, C.W.J. (1969), Invesigaing Causal Relaions by Economeric Models and Cross-Specral Mehods. Economerica, 37, Hiemsra, C., Jones, J.D. (1994), Tesing for Linear and Nonlinear Granger Causaliy in he Sock Price Volume Relaion. Journal of Finance, 49, Orzeszko, W. (2004) Krókoerminowe prognozowanie chaoycznych szeregów czasowych, Przegląd Saysyczny, vol. 51, Orzeszko, W., Osińska, M., Analiza przyczynowości w zakresie zależności nieliniowych. Implikacje finansowe, w druku. 1 Auozależności w szeregu isnieją, jeśli, dla choć jednej warości lx, saysyka TVAL wpada do obszaru kryycznego (por. definicję przyczynowości wzór 1).
ANALIZA PRZYCZYNOWOŚCI W ZAKRESIE ZALEŻNOŚCI NIELINIOWYCH. IMPLIKACJE FINANSOWE
Wiold Orzeszko Magdalea Osińska Uiwersye Mikołaja Koperika w Toruiu ANALIA PRCNOWOŚCI W AKRSI ALŻNOŚCI NILINIOWCH. IMPLIKACJ FINANSOW WSTĘP Przyczyowość w sesie Gragera jes jedym z kluczowych pojęć ekoomeryczej
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 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 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 szczegółowoAlicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza
Bardziej szczegółowoTESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Mariusz Doszyń TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH Od pewnego czasu w lieraurze ekonomerycznej pojawiają się
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
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 szczegółowoEwa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoUMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE
Pior Fiszeder UMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE. Wprowadzenie Rynki kapiałowe na świecie są coraz silniej powiązane. Do najważniejszych
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 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 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 szczegółowoZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYCH INDEKSÓW GIEŁDOWYCH: WIG, WIG20, MIDWIG I TECHWIG
Doroa Wikowska, Anna Gasek Kaedra Ekonomerii i Informayki SGGW dwikowska@mors.sggw.waw.pl ZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYC INDEKSÓW GIEŁDOWYC: WIG, WIG2, MIDWIG I TECWIG Sreszczenie:
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 szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
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 szczegółowoANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-86 Nr 89 06 Uniwersye Ekonomiczny w Kaowicach Wydział Ekonomii Kaedra Meod Saysyczno-Maemaycznych w Ekonomii pawel.prenzena@edu.ueka.pl
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 szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
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 szczegółowoWitold Orzeszko WSPÓŁCZYNNIK INFORMACJI WZAJEMNEJ JAKO MIARA ZALEŻNOŚCI NIELINIOWYCH W SZEREGACH CZASOWYCH
Uniwersye Miołaja Kopernia w Toruniu Kaedra Eonomerii i Saysyi Wiold Orzeszo WSPÓŁCZYNNIK INFORMACJI WZAJEMNEJ JAKO MIARA ZALEŻNOŚCI NIELINIOWYCH W SZEREGACH CZASOWYCH Z a r y s r e ś c i. W aryule scharaeryzowano
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 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 Pior Fiszeder Uniwersye Mikołaja Kopernika
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 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 szczegółowoPrognozowanie średniego miesięcznego kursu kupna USD
Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska
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 szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
Bardziej szczegółowoTransakcje insiderów a ceny akcji spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie S.A.
Agaa Srzelczyk Transakcje insiderów a ceny akcji spółek noowanych na Giełdzie Papierów Warościowych w Warszawie S.A. Wsęp Inwesorzy oczekują od każdej noowanej na Giełdzie Papierów Warościowych spółki
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
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 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 szczegółowoKlasyfikacja modeli. Metoda najmniejszych kwadratów
Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Klasyfikacja modeli Modele dzielimy na: - jedno- i wielorównaniowe - liniowe i nieliniowe - sayczne i dynamiczne - sochasyczne i deerminisyczne -
Bardziej szczegółowoOPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR
Daniel Iskra Uniwersye Ekonomiczny w Kaowicach OPTYMALIZACJA PORTFELA IWESTYCYJEGO ZE WZGLĘDU A MIIMALY POZIOM TOLERACJI DLA USTALOEGO VaR Wprowadzenie W osanich laach bardzo popularną miarą ryzyka sała
Bardziej szczegółowoPOWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE
Anea Kłodzińska, Poliechnika Koszalińska, Zakład Ekonomerii POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Sopy procenowe w analizach ekonomicznych Sopy procenowe
Bardziej szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
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 szczegółowoNie(efektywność) informacyjna giełdowego rynku kontraktów terminowych w Polsce
Zeszyy Naukowe Uniwersyeu Szczecińskiego nr 862 Finanse, Rynki Finansowe, Ubezpieczenia nr 75 (2015) DOI: 10.18276/frfu.2015.75-16 s. 193 204 Nie(efekywność) informacyjna giełdowego rynku konraków erminowych
Bardziej szczegółowoOcena efektywności procedury Congruent Specyfication dla małych prób
243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji
Bardziej szczegółowoŹRÓDŁA FLUKTUACJI REALNEGO EFEKTYWNEGO KURSU EUR/ PLN
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/, 0, sr. 389 398 ŹRÓDŁA FLUKTUACJI REALNEGO EFEKTYWNEGO KURSU EUR/ PLN Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków Gospodarczych
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 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 szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 2013
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 2013 MAŁGORZATA BOŁTUĆ Uniwersye Ekonomiczny we Wrocławiu ZALEŻNOŚĆ POMIĘDZY RYNKIEM SWAPÓW KREDYTOWYCH
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoStrukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym
Jacek Baóg Uniwersye Szczeciński Srukuralne podejście w prognozowaniu produku krajowego bruo w ujęciu regionalnym Znajomość poziomu i dynamiki produku krajowego bruo wyworzonego w poszczególnych regionach
Bardziej szczegółowoZASTOSOWANIE MODELI EKONOMETRYCZNYCH DO BADANIA SKŁONNOŚCI
Zasosowanie modeli ekonomerycznych do badania skłonności STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 2 39 MARIUSZ DOSZYŃ Uniwersye Szczeciński ZASTOSOWANIE MODELI EKONOMETRYCZNYCH DO BADANIA
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoPREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW
Bardziej szczegółowoCałka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona
Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu
Bardziej szczegółowoModelowanie i analiza szeregów czasowych
Modelowanie i analiza szeregów czasowych Małgorzaa Doman Plan zajęć Część. Modelowanie szeregów jednowymiarowych.. Szeregi jednowymiarowe własności i diagnozowanie. Modele auoregresji i średniej ruchomej
Bardziej szczegółowoMETODY STATYSTYCZNE W FINANSACH
METODY STATYSTYCZNE W FINANSACH Krzyszof Jajuga Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W osanich kilkunasu laach na świecie obserwuje się dynamiczny
Bardziej szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
Bardziej szczegółowoInwestycje w lokale mieszkalne jako efektywne zabezpieczenie przed inflacją na przykładzie Poznania w latach
Radosław Trojanek Kaedra Mikroekonomii Akademia Ekonomiczna w Poznaniu Srona nieparzysa Inwesycje w lokale mieszkalne jako efekywne zabezpieczenie przed inflacją na przykładzie Poznania w laach 996-2004.
Bardziej szczegółowoAnaliza danych DRZEWA DECYZYJNE. Drzewa decyzyjne. Entropia. http://zajecia.jakubw.pl/ test 1 dopełnienie testu 1
Analiza danych Drzewa decyzyjne. Enropia. Jakub Wróblewski jakubw@pjwsk.edu.pl hp://zajecia.jakubw.pl/ DRZEWA DECYZYJNE Meoda reprezenacji wiedzy (modelowania ablic decyzyjnych). Pozwala na przejrzysy
Bardziej szczegółowoKrzysztof Piontek Akademia Ekonomiczna we Wrocławiu. Modelowanie warunkowej kurtozy oraz skośności w finansowych szeregach czasowych
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 5 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Modelowanie
Bardziej szczegółowoMetody badania wpływu zmian kursu walutowego na wskaźnik inflacji
Agnieszka Przybylska-Mazur * Meody badania wpływu zmian kursu waluowego na wskaźnik inflacji Wsęp Do oceny łącznego efeku przenoszenia zmian czynników zewnęrznych, akich jak zmiany cen zewnęrznych (szoki
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 szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika Zależność
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 5
Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA
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 szczegółowoStała potencjalnego wzrostu w rachunku kapitału ludzkiego
252 Dr Wojciech Kozioł Kaedra Rachunkowości Uniwersye Ekonomiczny w Krakowie Sała poencjalnego wzrosu w rachunku kapiału ludzkiego WSTĘP Prowadzone do ej pory badania naukowe wskazują, że poencjał kapiału
Bardziej szczegółowoMagdalena Osińska, Marcin Fałdziński Uniwersytet Mikołaja Kopernika w Toruniu. Modele GARCH i SV z zastosowaniem teorii wartości ekstremalnych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarim Nakowe 4 6 września 2007 w Torni Kaedra Ekonomerii i Saysyki Uniwersye Mikołaja Kopernika w Torni Magdalena Osińska Marcin Fałdziński Uniwersye
Bardziej szczegółowoAnaliza szeregów czasowych w Gretlu (zajęcia 8)
Analiza szeregów czasowych w Grelu (zajęcia 8) Grel jes dość dobrym narzędziem do analizy szeregów czasowych. Już w samej podsawie Grela znajdziemy sporo zaimplemenowanych echnik służących do obróbki danych
Bardziej szczegółowoRównania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.
Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaa Kopernika w Toruniu Małgorzaa Borzyszkowska Uniwersye Gdański
Bardziej szczegółowoAkademia Ekonomiczna im. Oskara Langego we Wrocławiu Katedra Inwestycji Finansowych i Ubezpieczeń
Krzyszof Pionek Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Kaedra Inwesycji Finansowych i Ubezpieczeń Przegląd i porównanie meod oceny modeli VaR Wsęp - Miara VaR Warość zagrożona (warość narażona
Bardziej szczegółowoOCENA ATRAKCYJNOŚCI INWESTYCYJNEJ AKCJI NA PODSTAWIE CZASU PRZEBYWANIA W OBSZARACH OGRANICZONYCH KRZYWĄ WYKŁADNICZĄ
Tadeusz Czernik Daniel Iskra Uniwersye Ekonomiczny w Kaowicach Kaedra Maemayki Sosowanej adeusz.czernik@ue.kaowice.pl daniel.iskra@ue.kaowice.pl OCEN TRKCYJNOŚCI INWESTYCYJNEJ KCJI N PODSTWIE CZSU PRZEBYWNI
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 XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 389 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 XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 389 TORUŃ 2009 Uniwersye Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saysyki Jarosław
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 szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej szczegółowoKrzysztof Borowski, Paweł Skrzypczyński Szkoła Główna Handlowa. Analiza spektralna indeksów giełdowych DJIA i WIG. 1. Wprowadzenie
Krzyszof Borowski, Paweł Skrzypczyński Szkoła Główna Handlowa Analiza spekralna indeksów giełdowych DJIA i WIG 1 Wprowadzenie We współczesnych analizach ekonomicznych doyczących pomiaru cyklu koniunkuralnego
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 szczegółowoCHEMIA KWANTOWA Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoretycznej Zespół Chemii Kwantowej Grupa Teorii Reaktywności Chemicznej
CHEMI KWTOW CHEMI KWTOW Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoreycznej Zespół Chemii Kwanowej Grupa Teorii Reakywności Chemicznej LITERTUR R. F. alewajski, Podsawy i meody chemii kwanowej:
Bardziej szczegółowoMODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW Wprowadzenie Współczesne zarządzanie ryzykiem
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Zastosowanie testu Kaplana do identyfikacji ekonomicznych szeregów czasowych
Witold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu Zastosowanie testu Kaplana do identyfikacji ekonomicznych szeregów czasowych Streszczenie Identyfikacja zależności w szeregach czasowych jest jednym
Bardziej szczegółowoKomputerowa analiza przepływów turbulentnych i indeksu Dow Jones
Kompuerowa analiza przepływów urbulennych i indeksu Dow Jones Rafał Ogrodowczyk Pańswowa Wyższa Szkoła Zawodowa w Chełmie Wiesław A. Kamiński Uniwersye Marii Curie-Skłodowskie w Lublinie W badaniach porównano
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
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 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 XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 389 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 XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 389 TORUŃ 2009 Uniwersye Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saysyki Marcin
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2015, 323(81)4,
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 205, 323(8)4, 25 32 Joanna PERZYŃSKA WYBRANE MIERNIKI TRAFNOŚCI PROGNOZ EX POST W WYZNACZANIU PROGNOZ
Bardziej szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
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 szczegółowoZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH
Pior KISIELEWSKI, Łukasz SOBOTA ZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH W arykule przedsawiono zasosowanie eorii masowej obsługi do analizy i modelowania wybranych sysemów
Bardziej szczegółowoWPŁYW CZYNNIKÓW POGODOWYCH NA WIELKOŚĆ I CENY SKUPU PSZENICY I ŻYTA W POLSCE
WODA-ŚRODOWISKO-OBSZARY WIEJSKIE 011:. 11 z. 4 (36) WATER-ENVIRONMENT-RURAL AREAS s. 17 7 Rolnicwo jes jedną z ych gałęzi akywności ludzkiej, na kórą warunki pogodowe mają szczególny wpływ. Niekorzysne
Bardziej szczegółowoRzetelność komunikowania wyników egzaminów zewnętrznych w oparciu o metodę tendencji rozwojowej próba oceny
dr Maria Sasin Poliechnika Koszalińska Teraźniejszość i przyszłość oceniania szkolnego Rzeelność komunikowania wyników egzaminów zewnęrznych w oparciu o meodę endencji rozwojowej próba oceny Wprowadzenie
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoAnaliza związku pomiędzy cenami i pieniądzem w gospodarce polskiej na podstawie modelu Π*
Michał Brzoza-Brzezina, Jacek Kołowski 1 Analiza związku pomiędzy cenami i pieniądzem w gospodarce polskiej na podsawie modelu Π* W ramach przekszałconej do posaci przyrosowej wersji modelu P-sar, auorzy
Bardziej szczegółowoZarządzanie ryzykiem. Lista 3
Zaządzanie yzykiem Lisa 3 1. Oszacowano nasępujący ozkład pawdopodobieńswa dla sóp zwou z akcji A i B (Tabela 1). W chwili obecnej Akcja A ma waość ynkową 70, a akcja B 50 zł. Ile wynosi pięciopocenowa
Bardziej szczegółowoIdentyfikacja wahań koniunkturalnych gospodarki polskiej
Rozdział i Idenyfikacja wahań koniunkuralnych gospodarki polskiej dr Rafał Kasperowicz Uniwersye Ekonomiczny w Poznaniu Kaedra Mikroekonomii Sreszczenie Celem niniejszego opracowania jes idenyfikacja wahao
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 2014, 313(76)3, 137 146 Maria Szmuksa-Zawadzka, Jan Zawadzki MODELE WYRÓWNYWANIA WYKŁADNICZEGO W PROGNOZOWANIU
Bardziej szczegółowoNatalia Iwaszczuk, Piotr Drygaś, Piotr Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE
Naalia Iwaszczuk, Pior Drygaś, Pior Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE Wyd-wo, Rzeszów 03 dr hab., prof. nadzw. Naalia Iwaszczuk, AGH Akademia Górniczo-Hunicza im. Sanisława Saszica w Krakowie
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n
Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
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 Empiryczna
Bardziej szczegółowoSilniki cieplne i rekurencje
6 FOTO 33, Lao 6 Silniki cieplne i rekurencje Jakub Mielczarek Insyu Fizyki UJ Chciałbym Pańswu zaprezenować zagadnienie, kóre pozwala, rozważając emaykę sprawności układu silników cieplnych, zapoznać
Bardziej szczegółowoSTATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU KAPITAŁOWEGO WPROWADZENIE METODOLOGIA TESTOWANIA MODELU
GraŜyna Trzpio, Dominik KręŜołek Kaedra Saysyki Akademii Ekonomicznej w Kaowicach e-mail rzpio@sulu.ae.kaowice.pl, dominik_arkano@wp.pl STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU
Bardziej szczegółowoMetody weryfikacji stabilności fiskalnej porównanie własności
Bank i Kredy 41 (2), 2010, 87 110 www.bankikredy.nbp.pl www.bankandcredi.nbp.pl Meody weryfikacji sabilności fiskalnej porównanie własności Michał Mackiewicz* Nadesłany: 30 lipca 2009 r. Zaakcepowany:
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 szczegółowo