ZASTOSOWANIE ZMODYFIKOWANEJ METODY NAJBLIŻSZYCH SĄSIADÓW DO PROGNOZOWANIA CHAOTYCZNYCH SZEREGÓW CZASOWYCH
|
|
- Ksawery Lipiński
- 8 lat temu
- Przeglądów:
Transkrypt
1 Kaarzyna Zeug-Żebro Unwersye Ekonomczny w Kaowcach ZASTOSOWANIE ZMODYFIKOWANEJ METODY NAJBLIŻSZYCH SĄSIADÓW DO PROGNOZOWANIA CHAOTYCZNYCH SZEREGÓW CZASOWYCH Wprowazene Deermnzm ukłaów chaoycznych wskazuje na możlwość ch prognozowana. Znajomość ynamk ukłau, f : R R, pozwala na barzo o- m m kłane prognozowane w blskm horyzonce czasowym (ze wzglęu na wrażlwość na zmanę warunków począkowych). Dla szeregów czasowych opsujących rzeczywse zjawska, w ym równeż ekonomczne, funkcja f jes zazwyczaj neznana. Isneją jenak meoy prognozowana, kóre ne wymagają znajomośc wzoru analycznego ej funkcj. Jeną z nch jes meoa najblższych sąsaów. Jej posawą eoreyczną jes fak, że sany ukłaów eermnsycznych ewoluują w czase w poobny sposób. Celem arykułu jes wyznaczene przyszłych warośc analzowanych szeregów czasowych, zweryfkowane użyecznośc meoy najblższych sąsaów jej zmoyfkowanej posac oraz zbaane wpływu ługośc horyzonu prognozy na jej okłaność. W baanach zosaną wykorzysane szereg chaoyczne wygenerowane przez owzorowane Ikey Kalora oraz ekonomczne szereg czasowe uworzone z cen zamknęca WIG WIG0 oraz wóch spółek noowanych na Gełze Paperów Waroścowych w Warszawe: INGBSK Vsula. Dane rzeczywse obejmują okres o o Oblczena przeprowazono z użycem programów napsanych przez auorkę w języku programowana Delph oraz pakeu Mcrosof Excel.
2 94 Kaarzyna Zeug-Żebro. Meoa opóźneń Meoa opóźneń jes jeną z meo rekonsrukcj przesrzen sanów ukłau ynamcznego, kóra powsała na posawe werzena Takensa o zanurzanu (98). Służy ona o wyobywana pewnych nformacj zawarych w chaoycznych szeregach czasowych. W ym celu wykorzysuje sę zw. wekory opóźneń zwane równeż -hsoram. Wekory e mają posać: ˆ ( ) x = x, x+ τ,..., x+ ( ) τ, () gze: jes wymarem zanurzena, τ jes pewną lczbą nauralną, nazwaną opóźnenem czasowym, zaś =,..., N ( )τ, gze N jes ługoścą szeregu czasowego. Z baań Takensa wynka, że la m +, gze m jes wymarem arakora, a jes wymarem zanurzena, przesrzeń sanów rozpęa przez zbór zmennych bęze opologczne równoważna z orygnalną przesrzeną.. Najwększy wykłank Lapunowa Wykłank Lapunowa są marą wrażlwośc ukłau ynamcznego na zmanę warunków począkowych. Najbarzej sonym z punku enyfkacj chaosu jes najwększy wykłank λ max. Służy on o rozróżnana charakeru ynamk ukłau: o regularnej o chaoycznej. W 993 r. Rosensen (993), a rok późnej Kanz (994) zaproponowal algorym wyznaczana najwększego wykłanka Lapunowa. Przebega on weług nasępujących kroków: Krok. Wyznaczamy zbory Z złożone z K najblższych sąsaów wekorów opóźneń xˆ, spełnających warunek j >, gze jes usaloną lczbą nauralną. Doany warunek zwększa prawopoobeńswo, że znalezony sąsa ne bęze należał o rajekor wekora xˆ. Krok. Oblczamy: r n () = K x+ n x, =,,..., M ; n = 0,,..., nmax, () xˆ j Z j + n gze: M = N ( )τ, n max jes usaloną lczbą nauralną, określającą lczbę eracj. xˆ j W sense werzena Takensa o zanurzenu.
3 Zasosowane zmoyfkowanej meoy najblższych sąsaów 95 Krok 3. Wyznaczamy śreną z r n ( ) po wszyskch -hsorach: r n = M M n = () r. (3) Krok 4. Najwększy wykłank Lapunowa jes współczynnkem regresj równana: ln ( ) ln( r ) + λ n r n =. (4) Waro zauważyć, że warość najwększego wykłanka Lapunowa w użej merze zależy o przyjęej meryk, warośc paramerów zrekonsruowanej przesrzen sanów oraz lczby najblższych sąsaów K. 0 max 3. Meoa najblższych sąsaów oraz zmoyfkowana meoa najblższych sąsaów Meoa najblższych sąsaów MNS jes jeną z najsarszych meo prognozowana chaoycznych szeregów czasowych. Zosała zaproponowana przez E.N. Lorenza w 969 r. Opera sę na założenu, że w sysemach eermnsycznych zblżone o sebe -hsore w poobny sposób ewoluują w czase. Algorym prognozowana przyszłych warośc szeregu czasowego złożonego z N obserwacj { x, x,..., x N } meoą MNS jes nasępujący: Krok. Wyznaczamy lczbę K najblższych sąsaów -hsor xˆ, w sense oległośc euklesowej, w -wymarowej zrekonsruowanej przesrzen sanów. Krok. Oblczamy wagę -ego sąsaa weług jenego z wzorów: lub: gze: r = w K r w = K e = r e K r = r = x xˆ oznacza oległość męzy TOT (5), (5 ) r TOT = r, (6) xˆ x, =,,..., K.
4 96 Kaarzyna Zeug-Żebro Krok 3. Wyberamy perwsze współrzęne, K najblższych sąsaów punku xˆ na ch posawe określamy perwsze współrzęne ch nasępnków x +, =,,..., K. Krok 4. Oblczamy prognozę N + elemenu jako sumę ważoną nasępnków perwszych współrzęnych najblższych sąsaów: x N + = K w x. (7) = Orzeszko (005) zaproponował pewną moyfkację meoy najblższych sąsaów ZMNS. Zamana polegała na uporząkowanu K najblższych sąsaów o najblższego o najalszego przypsanu każemu z nch wag zgone ze wzorem: ( K + ) ( K + ) + w =, =,,..., K. (8) K Wag zefnowane wzorem (8) zosały obrane w en sposób, aby: x K > w >... w K oraz w = w > =. (9) Poobne jak w meoze najblższych sąsaów, w ZMNS prognozę wyznacza sę ze wzoru (7). 4. Przemo przebeg baana W nnejszym arykule baana empryczne przeprowazono z wykorzysanem rzeczywsych anych ekonomcznych oraz la wygenerowanych szeregów chaoycznych. Rzeczywse szereg czasowe uworzono z cen zamknęca: WIG, WIG0 oraz wóch spółek noowanych na GPW w Warszawe, j. INGBSK, Vsula. Dane obejmowały okres o o Długość analzowanych szeregów ekonomcznych pozwala na orzymane warygonych rezulaów (powyżej 4600 obserwacj). Przeanalzowano obserwacje, kóre były zennym logarymcznym sopam zwrou. Dane pochozą z archwum plków programu Omega, osępnych na srone nerneowej
5 Zasosowane zmoyfkowanej meoy najblższych sąsaów 97 Doakowo baanu poano szereg chaoyczne wygenerowane przez owzorowana: Ikey (980) Kalora (940). Szereg e skłaały sę z 3000 obserwacj zosały skonsruowane nasępująco: Ikea szereg perwszych współrzęnych ukłau Ikey, określony przez wuwymarowe owzorowane zaane wzorem: ( x y ) ( x, y ) = ( γ + μ( x cosϕ y snϕ) ; μ( x snϕ y cosϕ) ) I + +, (0), + α gze: ϕ = β, la α = 6, β = 0,4, γ =, μ = 0, 9 oraz + x + y ( y ) ( 0,; 0,) x 0, 0 =. Kalor szereg wygenerowany z moelu wzrosu N. Kalora: gze: I Y K + + ( Y K ) Y K = a = [ I ( Y, K ) S ( Y )] I ( Y, K ) bk, () ( ey f ) + h, = c Y + + g, () ( Y ) sy K S =. (3) W baanu przyjęo paramery prowazące o ewolucj chaoycznej: a = 0, b = 0,05, c = 0, 05, = 0, e = 0, 0, f = 0, 0000, g = 5, h = 80, = 4,5, s = 0, oraz ( x 0, y0 ) = ( 65, 65). Szereg chaoyczne sanowły punk onesena la wynków orzymanych la rzeczywsych szeregów czasowych. Analza wymenonych wyżej szeregów czasowych bęze przebegała w nasępujących eapach:. Rekonsrukcja przesrzen sanów meoą opóźneń wekory opóźneń.. Ienyfkacja chaosu: oszacowane najwększego wykłanka Lapunowa. 3. Prognozowane na posawe meoy: MNS(wag wyznaczone na posawe wzoru (5)), MNS (wzór (5 )) oraz ZMNS (wzór (8)). 4. Ocena jakośc wyznaczonych prognoz wybranym mernkam: śren absoluny błą prognozy MAE, błą śrenokwaraowy MSE, perwasek błęu śrenokwaraowego RMSE, współczynnk Thela oraz wzglęny błą prognozy: N + N ~ N T T T = N + ( x x ) σ T =, (4) σ
6 98 Kaarzyna Zeug-Żebro gze: x T jes rzeczywsą waroścą baanej zmennej w momence T, x~ T jes prognozą warośc zmennej w momence T, σ jes ochylenem sanarowym szeregu obserwacj { x, x,..., xn }, N jes lczbą nauralną oznaczającą oległość okresu prognozowanego o okresu beżącego N = N + N ). ( Przeprowazone baana empryczne pozwolły za pomocą meoy opóźneń zrekonsruować przesrzeń sanów. Sosując meoę oparą na analze funkcj auokorelacj ACF (Ramsey, Sayers, Rohman, 990), oszacowano czas opóźneń τ. Nasępne za pomocą meoy najblższego pozornego sąsaa MNPS (Abarbanel, Brown, Kennel, 99), oblczono wymar zanurzena (abela ). Osaeczne zrekonsruowano wekory opóźneń w posac x ˆ = ( x, x+ τ,..., x+ ( ) τ ), la =,..., N ( )τ. Poneważ eermnzm ukłaów chaoycznych wskazuje na możlwość ch prognozowana, w kolejnym kroku baań oszacowano najwększy wykłank Lapunowa w celu enyfkacj chaosu w wybranych szeregach czasowych. W baanu posłużono sę algorymem Kanza Rosensena jako lczbę sąsaów przyjęo K = warość = 0. Nasępne zasosowano regresję lnową o przyblżana lną prosą wykresu zależnośc warośc ln r o numeru eracj n. W abel przesawono wynk szacowana najwększego wykłanka Lapunowa la analzowanych szeregów czasowych 3. n Wynk szacowana paramerów rekonsrukcj przesrzen sanów oraz wykłanka Lapunowa la wybranych szeregów czasowych Tabela Szereg Przyjęe paramery Wykłank Lapunowa Ikea τ =, = 9 0, Kalor τ = 9, = 0,6 WIG τ =, = 8 0,034 WIG0 τ = 5, = 7 0,49 INGBSK τ = 5, = 7 0,4 Vsula τ =, = 7 0,00 Można zauważyć, że wszyske objęe baanem fnansowe szereg czasowe są wrażlwe na zmanę warunków począkowych ( λ 0 ). Najbarzej wrażlwy na max > zmanę ych warunków okazał sę neks WIG0, najmnej zaś spółk Vsula. 3 Oblczena przeprowazono na posawe programu własnego auora, napsanego w języku programowana Delph.
7 Zasosowane zmoyfkowanej meoy najblższych sąsaów 99 W celu wyznaczena prognozy oparej na meoach MNS ZMNS wykorzysano K = ( +) najblższych sąsaów punku xˆ, =,..., N ( )τ oraz opowene warośc paramerów rekonsrukcj przesrzen sanów. Aby znaleźć najblższych sąsaów, posłużono sę meryką euklesową. W abel przesawono zesawene błęów preykcj. Błęy prognoz orzymanych meoam MNS, MNS ZMNS la wybranych szeregów chaoycznych fnansowych Tabela Szereg Błą MAE MSE RMSE I I I 3 Ikea Kalor WIG WIG0 INGBSK Vsula MNS 0,599 0,750 0,484 0,000 0,053 0,300 MNS 0,604 0,76 0,497 0,000 0,047 0,3047 ZMNS 0,69 0,89 0,465 0,000 0,0 0,377 MNS 8, ,594,036 0,0075 0,087 0,0633 MNS 9,06 57,888,7559 0,0087 0,0306 0,0668 ZMNS 8,438 48,7778,97 0,0084 0,030 0,0604 MNS 0,0054 0,000 0,0079 0,33 0,3875 0,595 MNS 0,0054 0,000 0,0079 0,3 0,3877 0,595 ZMNS 0,0058 0,000 0,0080 0,66 0,3579 0,63 MNS 0,0070 0,000 0,0098 0,3088 0,5548 0,3669 MNS 0,0070 0,000 0,0098 0,3084 0,5547 0,3669 ZMNS 0,0077 0,000 0,003 0,3409 0,504 0,549 MNS 0,0077 0,000 0,009 0,07 0,306,060 MNS 0,0077 0,000 0,009 0,08 0,3069,040 ZMNS 0,0086 0,000 0,0099 0,0044 0,790,3537 MNS 0,057 0,00 0,0336 0,0006 0,993,53 MNS 0,057 0,00 0,0336 0,0006 0,995,5 ZMNS 0,06 0,00 0,0336 0,0000 0,78,797 Przeprowazona analza błęów prognoz la wybranych szeregów czasowych wykazuje, że zmoyfkowana meoa najblższych sąsaów skueczne umożlwa prognozowane. Jenak ocena jakośc ych prognoz wypaa na nekorzyść meoy ZMNS. W wększośc przypaków warośc błęów orzymanych w wynku zasosowana MNS MNS są nższe nż uzyskane la ZMNS. W abel 3 przesawono zesawene wzglęnych błęów preykcj.
8 00 Kaarzyna Zeug-Żebro Wzglęne błęy prognoz la analzowanych szeregów czasowych Tabela 3 Szereg Meoa T = T = T = 3 T = 4 T = 5 T = 6 T = 7 T = 8 T = 9 T = 0 MNS 0,937 0,70 0,4089 0,58,063,5,043 0,9753 0,903 0,875 Ikea MNS 0,934 0,675 0,405 0,57,099,46,0456 0,9784 0,933 0,8780 ZMNS 0,97 0,535 0,3739 0,540,78,308,06 0,9938 0,9383 0,89 MNS 0,033 0,33 0,080 0,63 0,5485 0,774,66,3040,494,5556 Kalor MNS 0,0806 0,586 0,40 0,67 0,587 0,880,445,354,489,5754 ZMNS 0,0654 0,770 0,50 0,50 0,5600 0,780,099,997,454,555 MNS 0,769 0,436 0,636 0,5509 0,6049 0,5880 0,5445 0,5093 0,4864 0,463 WIG MNS 0,763 0,433 0,6360 0,5508 0,6049 0,5880 0,5445 0,5093 0,4864 0,463 ZMNS 0,644 0,943 0,664 0,573 0,6095 0,596 0,5480 0,57 0,4935 0,4697 MNS 0,3389 0,460 0,5894 0,55 0,676 0,639 0,5796 0,55 0,548 0,499 WIG0 MNS 0,3397 0,467 0,5895 0,553 0,6763 0,639 0,5796 0,55 0,547 0,499 ZMNS 0,736 0,075 0,608 0,5430 0,6930 0,645 0,5997 0,58 0,5558 0,580 MNS 0,080 0,794 0,8 0,885 0,464 0,4340 0,465 0,397 0,3778 0,3708 INGBSK MNS 0,087 0,594 0,466 0,884 0,464 0,4340 0,464 0,3969 0,3776 0,3706 ZMNS 0,035 0,85 0,30 0,3098 0,4688 0,455 0,4345 0,464 0,4068 0,3979 MNS,097,645,0545 0,954 0,9090 0,869 0,805,8,0548,09 Vsula MNS,097,644,0545 0,953 0,9088 0,8690 0,805,8,0548,09 ZMNS,05,699,0697 0,983 0,9434 0,89 0,86,96,0573,00 Kalor ING błą prognozy,0,0 0, horyzon prognozy T MNS MNS ZMNS błą prognozy 0,6 0,4 0, 0, horyzon prognozy T MNS MNS ZMNS Rys.. Wzglęne błęy prognoz w zależnośc o horyzonu prognozy Zaprezenowane na rysunku rezulay krókookresowego prognozowana szeregów chaoycznych powerzają wykłanczy wzros wzglęnego błęu prognozy wraz ze wzrosem jej horyzonu. Poobny efek można było zaobserwować la szeregu ING (la T < 6 ) po zasosowanu zmoyfkowanej meoy
9 Zasosowane zmoyfkowanej meoy najblższych sąsaów 0 najblższych sąsaów oraz la szeregu WIG (la T < 4). Brak ego efeku la pozosałych szeregów może sanowć sygnał, że ne są one generowane przez ukła chaoyczny. Posumowane Na posawe wynków baana emprycznego należy swerzć, że brak jes przesłanek jenoznaczne wskazujących, kóre wag (5), (5 ), (8) należy sosować w celu wyznaczena prognozy meoą najblższych sąsaów. Błęy preykcj orzymane la analzowanych szeregów prawe ne różną sę o sebe wskazują na ość okłane prognozy la blskego horyzonu czasowego. W celu poprawy jakośc wyznaczonych prognoz należy przeprowazć oblczena la różnej lczby najblższych sąsaów oraz zasosowana nnych meo wyznaczana paramerów rekonsrukcj przesrzen sanów wymaru zanurzena czasu opóźnena. Leraura Abarbanel H.D., Brown R., Kennel M.B. (99): Deermnng Embeng Dmenson for Phase Space Reconsrucon Usng a Geomercal Consrucon. Physcal Revew A, Vol. 45(6), s Ikea K., Dao H., Akmoo O. (980): Opcal Turbulence: Chaoc Behavor of Transme Lgh from a Rng Cavy. Phys. Rev. Le. 45, s Kalor N. (940): A Moel of he Trae Cycle. Economc Journal, Vol. 50, s Kanz H. (994): A Robus Meho o Esmae he Maxmal Lyapunov Exponen of a Tme Seres. Physcal Leers A, Vol. 85(), s Lorenz E.N. (969): Amospherc Precably as Reveale by Naurally Occurrng Analogues. J. Amos. Sc., 6, s Orzeszko W. (005): Ienyfkacja prognozowane chaosu eermnsycznego w ekonomcznych szeregach czasowych. Polske Towarzyswo Ekonomczne, Warszawa. Ramsey J.B., Sayers C.L., Rohman P. (990): The Sascal Properes of Dmenson Calculaons Usng Small Daa Ses: Some Economc Applcaons. Inernaonal Economc Revew, Vol. 3, No 4. Rosensen M.T., Collns J.J., De Luca C.J. (993): A Praccal Meho for Calculang Larges Lyapunov Exponens from Small Daa Ses. Physca D, Vol. 65, s Takens F. (98): Deecng Srange Aracors n Turbulence. Es. D.A. Ran, L.S. Young. Lecure Noes n Mahemacs, Sprnger, Berln, s
10 0 Kaarzyna Zeug-Żebro APPLICATION OF THE MODIFIED NEAREST NEIGHBOR METHOD TO PREDICTION OF THE CHAOTIC TIME SERIES Summary Forecasng fnancal me seres s a que ffcul problem, whch has been re o solve by a varey of mehos n he fel of economercs. Snce he eermnsc chaos appeare n he leraure, we can observe a huge ncrease n neres n researchers of nonlnear ynamcal sysems heory, whch le o he creaon of new mehos of precon. Among hese mehos can be sngushe he meho of neares neghbors an s mofcaons. The man am of he arcle wll be o evaluae an compare he accuracy of he precons obane usng he meho of neares neghbors an he mofe meho of neares neghbors. The es wll be conuce base on he economc me seres whch conss of closng prces of companes lse on he Warsaw Sock Exchange.
Wpływ redukcji poziomu szumu losowego metodą najbliższych sąsiadów 161
Kaarzya Zeug-Żebro WPŁYW REDUKCJI POZIOMU SZUMU LOSOWEGO MEODĄ NAJBLIŻSZYCH SĄSIADÓW NA WAROŚĆ NAJWIĘKSZEGO WYKŁADNIKA LAPUNOWA Wprowazee W aalze szeregów czasowych zakłaa sę, że w aych moża wyorębć skłak
Bardziej szczegółowoBADANIE WPŁYWU REDUKCJI SZUMU NA IDENTYFIKACJĘ DYNAMIKI CHAOTYCZNEJ NA PRZYKŁADZIE FINASOWYCH SZEREGÓW CZASOWYCH
Kaarzyna Zeug-Żebro Unwersye Ekonomczny w Kaowcach Wyzał Zarzązana Kaera Maemayk kaarzyna.zeug-zebro@ue.kaowce.p BADANIE WPŁYWU REDUKCJI SZUMU NA IDENTYFIKACJĘ DYNAMIKI CHAOTYCZNEJ NA PRZYKŁADZIE FINASOWYCH
Bardziej szczegółowoWPŁYW LICZBY NAJBLIŻSZYCH SĄSIADÓW NA DOKŁADNOŚĆ PROGNOZ EKONOMICZNYCH SZEREGÓW CZASOWYCH
Stua Ekonomczne. Zeszyty Naukowe Unwersytetu Ekonomcznego w Katowcach ISSN 2083-86 Nr 295 206 Monka Mśkewcz-Nawrocka Unwersytet Ekonomczny w Katowcach Wyzał Zarzązana Katera Matematyk monka.mskewcz@ue.katowce.pl
Bardziej szczegółowoIDENTYFIKACJA CHAOSU DETERMINISTYCZNEGO NA PODSTAWIE LICZBY NAJBLIŻSZYCH SĄSIADÓW
Suia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 295 206 Uniwersye Ekonomiczny w Kaowicach Wyział Zarzązania Kaera Maemayki kaarzyna.zeug-zebro@ue.kaowice.pl IDENTYFIKACJA
Bardziej szczegółowoANALIZA SZEREGÓW CZASOWYCH
ANALIZA SZEREGÓW CZASWYCH Szereg czasow zbór warośc baanej cech lub warośc baanego zjawska zaobserwowanch w różnch momenach czasu uporząkowan chronologczne. Skłank szeregu czasowego:. enencja rozwojowa
Bardziej szczegółowoWPŁYW REDUKCJI SZUMU LOSOWEGO METODĄ NAJBLIŻSZYCH SĄSIADÓW NA WYNIKI PROGNOZ OTRZYMANYCH ZA POMOCĄ NAJWIĘKSZEGO WYKŁADNIKA LAPUNOWA
Monika Miśkiewicz-Nawrocka Uniwersytet Ekonomiczny w Katowicach WPŁYW REDUKCJI SZUMU LOSOWEGO MEODĄ NAJBLIŻSZYCH SĄSIADÓW NA WYNIKI PROGNOZ ORZYMANYCH ZA POMOCĄ NAJWIĘKSZEGO WYKŁADNIKA LAPUNOWA Wprowazenie
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 szczegółowoANALIZA SZEREGÓW CZASOWYCH
ANALIZA ZEREGÓW CZAWYCH zereg czasow zbór warosc baanej cech lub warosc baanego zjawska zaobserwowanch w róznch momenach czasu uporzakowan chronologczne. klank szeregu czasowego:. enencja rozwojowa (ren)
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 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 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 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 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 szczegółowoOptymalizacja funkcji
MARCIN BRAŚ Opymalzacja funcj ) Opymalzacja w obszarze neoranczonym WK: y. y WW: > > y y Znaleźć mnmum funcj: (, y) ( ) y ( ) y y ( ) y solve, P(, ) y y solve, y ( ) y ( ) y y y ( ) y W W W > (, y) > Op.
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 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 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 szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1
ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,
Bardziej szczegółowoArytmetyka finansowa Wykład z dnia 30.04.2013
Arytmetyka fnansowa Wykła z na 30042013 Wesław Krakowak W tym rozzale bęzemy baać wartość aktualną rent pewnych, W szczególnośc, wartość obecną renty, a równeż wartość końcową Do wartośc końcowej renty
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 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 szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
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 szczegółowoNiezawodność. systemów nienaprawialnych. 1. Analiza systemów w nienaprawialnych. 2. System nienaprawialny przykładowe
Nezawoość sysemów eaprawalych. Aalza sysemów w eaprawalych. Sysemy eaprawale - przykłaowe srukury ezawooścowe 3. Sysemy eaprawale - przykłay aalzy. Aalza sysemów w eaprawalych Sysem eaprawaly jes o sysem
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowoWPŁYW OPTYMALNYCH PARAMETRÓW REDUKCJI SZUMU LOSOWEGO NA IDENTYFIKACJĘ CHAOSU W EKONOMICZNYCH SZEREGACH CZASOWYCH
Monka Mśkewcz-Nawrocka Unwerye Ekonomczny w Kaowcach Kaera Maemayk monka.mkewcz@ue.kaowce.pl WPŁYW OPTYMALNYCH PAAMETÓW EDUKCJI SZUMU LOSOWEGO NA IDENTYFIKACJĘ CHAOSU W EKONOMICZNYCH SZEEGACH CZASOWYCH
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 szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoPrognozowanie i symulacje
Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez
Bardziej szczegółowoEKONOMIA MENEDŻERSKA. Wykład 3 Funkcje produkcji 1 FUNKCJE PRODUKCJI. ANALIZA KOSZTÓW I KORZYŚCI SKALI. MINIMALIZACJA KOSZTÓW PRODUKCJI.
EONOMIA MENEDŻERSA Wykład 3 Funkcje rodukcj 1 FUNCJE PRODUCJI. ANAIZA OSZTÓW I ORZYŚCI SAI. MINIMAIZACJA OSZTÓW PRODUCJI. 1. FUNCJE PRODUCJI: JEDNO- I WIEOCZYNNIOWE Funkcja rodukcj określa zależność zdolnośc
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 szczegółowoMODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE
MODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE Marcn Zawada Kaedra Ekonomer Saysyk, Wydzał Zarządzana, Polechnka Częsochowska, Częsochowa 1 WSTĘP Proces ransformacj
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 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 szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoRegulamin. udzielania pomocy materialnej o charakterze socjalnym dla uczniów zamieszkaùych na terenie Gminy Wolbórz
Zaù¹cznk Nr 1 uchwaùy Nr XXVIII/167/2005 Rady Gmny Wolbórz z dna 30 marca 2005 r. Regulamn udzelana pomocy maeralnej o charakerze socjalnym dla ucznów zameszkaùych na erene Gmny Wolbórz I. Sposób usalana
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 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 szczegółowoANALIZA PORÓWNAWCZA WYNIKÓW UZYSKANYCH ZA POMOCĄ MIAR SYNTETYCZNYCH: M ORAZ PRZY ZASTOSOWANIU METODY UNITARYZACJI ZEROWANEJ
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XVI/3, 2015, str. 248 257 ANALIZA PORÓWNAWCZA WYNIKÓW UZYSKANYCH ZA POMOCĄ MIAR SYNTETYCZNYCH: M ORAZ PRZY ZASTOSOWANIU METODY UNITARYZACJI ZEROWANEJ Sławomr
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 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 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 szczegółowoModelowanie i obliczenia techniczne. Równania różniczkowe Numeryczne rozwiązywanie równań różniczkowych zwyczajnych
Moelowanie i obliczenia echniczne Równania różniczowe Numeryczne rozwiązywanie równań różniczowych zwyczajnych Przyła ułau ynamicznego E Uła ynamiczny R 0 Zachozi porzeba wyznaczenia: C u C () i() ur ir
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
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
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 szczegółowoi j k Oprac. W. Salejda, L. Bujkiewicz, G.Harań, K. Kluczyk, M. Mulak, J. Szatkowski. Wrocław, 1 października 2015
WM-E; kier. MBM, lisa za. nr. p. (z kary przemiou): Rozwiązywanie zaań z zakresu: ransformacji ukłaów współrzęnych, rachunku wekorowego i różniczkowo-całkowego o kursu Fizyka.6, r. ak. 05/6; po koniec
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 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 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 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 XLIII nr 2 (2012)
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 XLIII nr 2 (2012) 211 220 Pierwsza wersja złożona 25 października 2011 ISSN Końcowa wersja zaakcepowana 3 grudnia 2012 2080-0339
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
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 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 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 szczegółowoBadanie funktorów logicznych TTL - ćwiczenie 1
adanie funkorów logicznych TTL - ćwiczenie 1 1. Cel ćwiczenia Zapoznanie się z podsawowymi srukurami funkorów logicznych realizowanych w echnice TTL (Transisor Transisor Logic), ich podsawowymi paramerami
Bardziej szczegółowoPaństwowa Wyższa Szkoła Zawodowa w Kaliszu
Pańswowa Wyższa Szkoła Zawoowa w Kaliszu Ć wiczenia laboraoryjne z fizyki Ćwiczenie Wyznaczanie współczynnika rozszerzalności objęościowej cieczy za pomocą piknomeru Kalisz, luy 25 r. Opracował: Ryszar
Bardziej szczegółowoBelki złożone i zespolone
Belki łożone i espolone efinicja belki łożonej siła rowarswiająca projekowanie połąceń prkła obliceń efinicja belki espolonej ałożenia echnicnej eorii ginania rokła naprężeń normalnch prkła obliceń Belki
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 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 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 szczegółowoPROGNOZOWANIE. Ćwiczenia 3. mgr Dawid Doliński
Ćwiczenia 3 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
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 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 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 szczegółowoOPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE OPTIMAL INVESTMENT STRATEGY FUNDAMENTAL ANALYSIS
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Sera: ORGANIZACJA I ZARZĄDZANIE z. 68 Nr kol. 1905 Adranna MASTALERZ-KODZIS Unwersytet Ekonomczny w Katowcach OPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
Bardziej szczegółowoPomoce dydaktyczne do przedmiotu Kanalizacja (wykład i projekt) i do dyplomów - studia I stopnia (dzienne i zaoczne)
Pomoce yaktyczne o przemotu Kanalzacja (wykła projekt) o yplomów - stua I stopna (zenne zaoczne) [*] Kotowsk A.: Postawy bezpecznego wymarowana owoneń terenów. Wy. Seel-Przyweck, Warszawa 2011. 8. STANDARDY
Bardziej szczegółowoPOLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA i ENERGETYKI INSTYTUT MASZYN i URZĄDZEŃ ENERGETYCZNYCH
POLIECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA i ENERGEYKI INSYU MASZYN i URZĄDZEŃ ENERGEYCZNYCH IDENYFIKACJA PARAMERÓW RANSMIANCJI Laboraorium auomayki (A ) Opracował: Sprawdził: Zawierdził:
Bardziej szczegółowoBEZCZUJNIKOWE STEROWANIE TRAKCYJNYM SILNIKIEM SYNCHRONICZNYM Z MAGNESAMI TRWAŁYMI ZAGŁĘBIONYMI W WIRNIKU
POLITECHNIKA GDAŃSKA LESZEK JARZĘBOWICZ BEZCZUJNIKOWE STEROWANIE TRAKCYJNYM SILNIKIEM SYNCHRONICZNYM Z MAGNESAMI TRWAŁYMI ZAGŁĘBIONYMI W WIRNIKU GDAŃSK 2012 PRZEWODNICZĄCY KOMITETU REDAKCYJNEGO WYDAWNICTWA
Bardziej szczegółowoOBSERWACJE ODSTAJĄCE NA RYNKU ENERGII ELEKTRYCZNEJ
Suda Ekonomczne. Zeszyy Naukowe Unwersyeu Ekonomcznego w Kaowcach ISSN 083-86 Nr 88 06 Informayka Ekonomera 5 Alcja Ganczarek-Gamro Unwersye Ekonomczny Wydzał Informayk Komunkacj Kaedra Demograf Saysyk
Bardziej szczegółowoSubstytucja między kredytem kupieckim i bankowym w polskich przedsiębiorstwach wyniki empiryczne na podstawie danych panelowych
Bank Kredy 43 6, 01, 9 56 www.bankkredy.nbp.pl www.bankandcred.nbp.pl Subsyucja mędzy kredyem kupeckm bankowym w polskch przedsęborswach wynk empryczne na podsawe danych panelowych Jerzy Marzec*, Małgorzaa
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 szczegółowoAnaliza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak
Ocena wyników zarządzania porelem Analiza i Zarządzanie Porelem cz. 6 Dr Kaarzyna Kuziak Eapy oceny wyników zarządzania porelem: - (porolio perormance measuremen) - Przypisanie wyników zarządzania porelem
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 szczegółowo1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ
Ćwczene nr 1 cz.3 Dyfuzja pary wodnej zachodz w kerunku od środowska o wyższej temperaturze do środowska chłodnejszego. Para wodna dyfundująca przez przegrody budowlane w okrese zmowym napotyka na coraz
Bardziej szczegółowoEksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka.
Eksploracja danych KLASYFIKACJA I REGRESJA cz. 1 Wojciech Waloszek wowal@ei.pg.gda.pl Teresa Zawadzka egra@ei.pg.gda.pl Kaedra Inżyrii Oprogramowania Wydział Elekroniki, Telekomunikacji i Informayki Poliechnika
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 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 szczegółowoUkłady sekwencyjne asynchroniczne Zadania projektowe
Układy sekwencyjne asynchroniczne Zadania projekowe Zadanie Zaprojekować układ dwusopniowej sygnalizacji opycznej informującej operaora procesu o przekroczeniu przez konrolowany paramer warości granicznej.
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 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 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 szczegółowoInfrastruktura transportowa w wybranych krajach Unii Europejskiej analiza taksonomiczna Transport Infrastructure in UE countries taxonomic analysis
Infrastruktura transportowa w wybranych krajach Un Europejskej analza taksonomczna Transport Infrastructure n UE countres taxonomc analyss Danuta Tarka Poltechnka Bałostocka, Wyzał Zarzązana, Katera Informatyk
Bardziej szczegółowoO PEWNYM MODELU POZWALAJĄCYM IDENTYFIKOWAĆ K NAJBARDZIEJ PODEJRZANYCH REKORDÓW W ZBIORZE DANYCH KSIĘGOWYCH W PROCESIE WYKRYWANIA OSZUSTW FINANSOWYCH
Mateusz Baryła Unwersytet Ekonomczny w Krakowe O PEWNYM MODELU POZWALAJĄCYM IDENTYFIKOWAĆ K NAJBARDZIEJ PODEJRZANYCH REKORDÓW W ZBIORZE DANYCH KSIĘGOWYCH W PROCESIE WYKRYWANIA OSZUSTW FINANSOWYCH Wprowadzene
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoHSC Research Report. Principal Components Analysis in implied volatility modeling (Analiza składowych głównych w modelowaniu implikowanej zmienności)
HSC Research Repor HSC/04/03 Prncpal Componens Analyss n mpled volaly modelng (Analza składowych głównych w modelowanu mplkowanej zmennośc) Rafał Weron* Sławomr Wójck** * Hugo Senhaus Cener, Wrocław Unversy
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 szczegółowoTRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE
POLITHNIKA RZSZOWSKA Katedra Podstaw lektronk Instrkcja Nr4 F 00/003 sem. letn TRANZYSTOR IPOLARNY HARAKTRYSTYKI STATYZN elem ćwczena jest pomar charakterystyk statycznych tranzystora bpolarnego npn lb
Bardziej szczegółowoPROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA WAHANIA SEZONOWE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Krzysztof Dmytrów * Marusz Doszyń ** Unwersytet Szczecńsk PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA
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 szczegółowoWarunek równowagi bryły sztywnej: Znikanie sumy sił przyłożonych i sumy momentów sił przyłożonych.
Warunek równowag bryły sztywnej: Znkane suy sł przyłożonych suy oentów sł przyłożonych. r Precesja koła rowerowego L J Oznaczena na poprzench wykłaach L L L L g L t M M F L t F Częstość precesj: Ω ϕ t
Bardziej szczegółowoANALIZA BIPOLARNEGO DYNAMICZNEGO MODELU DIAGNOSTYCZNEGO MONITOROWANIA WYPOSAśENIA ELEKTRYCZNEGO SAMOCHODU
LOGITRANS - VII KONFERENCJA NAUKOWO-TECHNICZNA LOGISTYKA, SYSTEMY TRANSPORTOWE, BEZPIECZEŃSTWO W TRANSPORCIE Radosław GAD 1 Moniorowanie diagnosyczne, model dynamiczny, diagnosyka pojazdowa ANALIZA BIPOLARNEGO
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 szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
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 szczegółowody dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
Bardziej szczegółowo