MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH
|
|
- Ksawery Zdzisław Czajka
- 8 lat temu
- Przeglądów:
Transkrypt
1 Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wsęp MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Nowoczesne echniki zarządzania ryzykiem rynkowym (ryzykiem zmian cen insrumenów finansowych) bazują przede wszyskim na modelach wywodzących się z eorii procesów sochasycznych. Za pomocą procesów sochasycznych opisuje się zmiany cen insrumenów finansowych (w ym również zmiany poziomu sóp procenowych), bądź sopy zwrou z insrumenów. Możliwe jes również opisywanie bardziej złożonych zależności pomiędzy grupami insrumenów, np. macierzy kowariancji (por. Tsay (00)). Modele e wykorzysuje się nasępnie między innymi w zagadnieniach związanych z analizą porfelową, z wyceną opcji, czy pomiarem ryzyka rynkowego meodą Value a Risk (por. Gourieroux (1997), Tsay (00), Pionek (00)). Wybór modelu zależy od ego jakie obserwowalne w rzeczywisym szeregu czasowym własności powinien on opisywać. Celem niniejszej pracy jes przedsawienie podsawowych echnik opisu efeku dźwigni wysępującego w szeregach sóp zwrou z akcji oraz indeksów akcji. Rozparywane będą jedynie jednorównaniowe modele będące rozszerzeniem klasycznego już modelu GARCH. Niniejsza praca w żaden sposób nie preenduje do przedsawienia całej gamy możliwych rozwiązań. Do analizy wybrano modele najpopularniejsze, kóre częso wykorzysuje się nasępnie do bardziej złożonych zagadnień (pomiar ryzyka, wycena opcji ip.) (por. Pionek (00)). W części empirycznej pracy przedsawiono wykorzysanie modeli z warunkową warością oczekiwana oraz z warunkową wariancją do opisu szeregu sóp zwrou z indeksu WIG. Celem jes odpowiedź na pyanie, kóry z podsawowych, najpopularniejszych modeli najlepiej opisuje własności danych z rynku polskiego. 1. Własności finansowych szeregów czasowych sóp zwrou Dalsza część pracy doyczy jedynie rozwiązań ypowych w analizie szeregów sóp zwrou kursów akcji i indeksów akcji. Tylko w ych szeregach obserwuje się bowiem własność będącą emaem pracy (por. Pionek (00)). 1
2 Badania empiryczne szeregów sóp zwrou akcji i indeksów akcji prowadzą do odrzucenia hipoezy, że ceny ych insrumenów zmieniają się zgodnie z geomerycznym ruchem Browna o sałych paramerach (por. Pionek (00)). W wielu pracach (por. Box, Jenkins (1986), Bollerslev (1986), Tsay (00), Pionek (00), Pionek (003)) przedsawiono wyniki badań empirycznych dla różnych insrumenów, kóre przeczą emu założeniu. Badania e wykazały wysępowanie w szeregach sóp zwrou: efeku skupiania (gromadzenia) zmienności (volailiy clusering), czyli niesałości wariancji 1 sóp zwrou w czasie (por. rys.1.), efeku lepokurozy i grubszych ogonów rozkładów sóp zwrou od rozkładu normalnego (por. rys..), efeku skośności rozkładów sóp zwrou, efeku auokorelacji sóp zwrou (por. rys. 3.), efeku dźwigni czyli asymerycznego wpływu informacji pozyywnych i negaywnych na poziom przyszłej wariancji, efeku długiej pamięci w szeregach zmienności (por. rys. 4.). Rysunki 1-4 prezenują niekóre opisywane własności na podsawie szeregu dziennych, prosych sóp zwrou z indeksu WIG z okresu od (dzień wprowadzenie pięciosesyjnego ygodnia na GPW) do (por. Pionek (00) i Pionek (003)). Rys. 1. Efek gromadzenia zmienności dla indeksu WIG Źródło rys. 1 i : obliczenia własne (por. Pionek(003)). Rys.. Efek grubych ogonów rozkładu sóp zwrou indeksu WIG 1 W ogólności wariancja może w ogóle nie isnieć.
3 Rys. 3. Auokorelacja szeregu sóp zwrou dla indeksu WIG Źródło rys. 3-4 : obliczenia własne (por. Pionek (003)). Rys. 4. Auokorelację kwadraów sóp zwrou dla indeksu WIG W związku z wysępowaniem powyższych własności, niezbędne saje się poszukiwanie modeli bardziej skomplikowanych (niż model geomerycznego ruchu Browna), kóre uwzględniałyby przynajmniej niekóre z efeków. Najpopularniejszym rozwiązaniem są uogólnienia modelu AR-GARCH.. Klasyczny model AR-GARCH Zanim zaprezenowane zosaną najpopularniejsze rozwiązania w zakresie modelowania efeku dźwigni, niezbędne jes wprowadzenie podsawowych wiadomości na ema ogólnej koncepcji opisu szeregów sóp zwrou oraz klasycznego już modelu AR-GARCH. Rozparywany w dalszej części pracy model w czasie dyskrenym opisujący szereg czasowy prosych sóp zwrou dany jes równaniem (por. Pionek (00)): X X 1 r = = µ + ε = µ + h z, (1) X 1 gdzie: X - cena w chwili, µ - warunkowa warość oczekiwana sopy zwrou w chwili, µ E [ r I 1] h - warunkowa wariancja sopy zwrou w chwili, = var [ ], h r I 1 =, z - niezależne (sandaryzowane) reszy modelu o zerowej średniej i jednoskowej wariancji, z = iid D(0,1), I - informacja dosępna w chwili
4 Konsrukcja dobrego modelu szeregu sóp zwrou uwzględniać powinna: wybór posaci funkcji gęsości sandaryzowanych resz modelu modelowanie warunkowej warości oczekiwanej procesu, modelowanie warunkowej wariancji procesu. Wszyskie rzy zagadnienia należy rozparywać łącznie, gdyż wzajemnie wpływają na siebie i wspólnie deerminują własności osaecznego modelu (por. Pionek (003)). Sandaryzowane reszy modelu W podsawowych wersjach modeli zaproponowanych przez Engle a i Bollersleva (por. Bollerslev, Engle, Nelson (1994)) sandaryzowane reszy modelu ( z ): r µ ε z = =, () h h posiadają warunkowy rozkład normalny: z I 1 ~ N( µ, h ), (3) o funkcji gęsości danej znanym wzorem: 1 ε f N ( z ; ε, h, θ ) = exp, (4) π h h gdzie θ o wekor paramerów modelu sóp zwrou dla warunkowej warości oczekiwanej ( µ ) i warunkowej wariancji ( h ) (por. wzór (1) lub ()). Badania empiryczne wykazały, że rzeczywise reszy modelu posiadają rozkłady warunkowe o grubszych ogonach niż rozkład normalny. Zaproponowano więc szereg innowacji w ym zakresie. Najczęściej wykorzysuje się nasępujące rozkłady : uogólniony rozkład błędu (General Error Disribuion, GED), skośny oraz symeryczny rozkład -Sudena oraz rzadziej warości eksremalnych (por. Pionek (00)). Aby zachować koncepcyjną spójność w zakresie modelowania warunkowej warości oczekiwanej oraz warunkowej wariancji z klasycznym modelem AR-GARCH, musi isnieć możliwość skalowania wykorzysywanych rozkładów, ak aby uzyskać zerową średnią i jednoskową wariancję. Warunkowa warość oczekiwana Wprowadzenie do modelu warunkowej warości oczekiwanej umożliwia w prosy i elegancki sposób uwzględnić efek auokorelacji w szeregach sóp zwrou. W przypadku większości szeregów sóp zwrou dla akcji i przede Oprócz rozkładu normalnego, kóry nadal jeszcze dominuje. 4
5 wszyskim indeksów obserwuje się isoną, dodania warość auokorelacji pierwszego rzędu. Znaczące auokorelacje rzędów wyższych od pierwszego wysępują rzadko i najczęściej posiadają znak ujemny (por. Jajuga (000), Tsay (00)). Do opisu obserwowanej auokorelacji szeregów sóp zwrou wykorzysuje się znane procesy z klasy liniowych procesów auoregresji i średniej ruchomej (ARMA) (por. Box, Jenkins (1986), Milo (1990)). Zaznaczyć należy, iż najczęściej sosuje się czyse modele AR(m), gdyż wykorzysuje się w nich zmienne obserwowalne ( r k ), a nie jak w przypadku modeli średniej ruchomej i mieszanych zmienne nieobserwowalne ( ε k ). Zazwyczaj wykorzysuje się proces AR(1), kórego warunkowa warość oczekiwana dana jes wzorem: µ = E r I = µ + ϕ r, (5) [ ] gdzie µ 0, ϕ 1 - paramery modelu. Model en będzie wykorzysany również w części empirycznej do opisu szeregu sóp zwrou z indeksu WIG. Sosowanie modeli wyższych rzędów w przypadku szeregu dla rynku polskiego jes niewskazane (nieisone warości współczynników dla modelu wyższych rzędów niż 1) (por. Pionek (00)). Warunkowa wariancja procesu Z punku widzenia niniejszej pracy zdecydowanie najważniejsze pozosają modele warunkowej wariancji procesu. To właśnie e modele pozwalają opisać najciekawsze efeky obserwowane w szeregach sóp zwrou; gromadzenia zmienności, grubych ogonów rozkładów sóp zwrou, dźwigni i długiej pamięci w szeregach zmienności. Pierwszym modelem uwzględniającym zależność warunkowej wariancji procesu od poprzednich resz modelu był model ARCH (Auoregressive Condiional Heeroskedasic Model) wprowadzony w 198 roku przez Engle a (por. Engle (198), Bollerslev, Engle, Nelson (1994)). Odpowiednie dopasowanie modelu ARCH do danych wymaga jednak uwzględnienia wysokiej warości rzędu modelu, co jes wadą ego rozwiązania. Niedogodności ej pozbawiony jes niewąpliwie najpopularniejszy model (w zakresie opisu warunkowej wariancji procesu) - model GARCH (Generalized ARCH Model), wprowadzony przez Bollersleva (por. Bollerslev (1986)). Model en sanie się bazą do opisu dalszych uogólnień. Równanie warunkowej wariancji w modelu GARCH(p,q) dane jes nasępującą zależnością (por. wzór (1) lub ()): h q p = ω + αiε i + β jh j i= 1 j= 1, (6) 5
6 gdzie ω 0, αk 0, k = 1,,..., q 1 i α q > 0 oraz βk 0, k = 1,,..., p 1i β p > 0. W większości przypadków wysarczające pozosaje wykorzysanie modelu GARCH(1,1) 3 : h = ω + αε 1 + β h 1. (7) Odpowiednie warunki zapewniające isnienie momenów i 4 rzędu dla procesu ε znaleźć można np. w pracy Tsay a (por. Tsay (00)). Powyżej zdefiniowany zosał klasyczny model AR-GARCH. Wzory (1), (5), (7) opisują najpopularniejszy (w zasosowaniach prakycznych) klasyczny model AR(1)-GARCH(1,1). Model en umożliwia opis grubych ogonów rozkładu sóp zwrou, gromadzenia zmienności, auokorelacji sóp zwrou. Nie opisuje jednak efeku dźwigni. Poniżej zaprezenowane zosaną podsawowe modele umożliwiające uchwycenie i ego efeku. Kolejne modele prezenowane będą jako uogólnienia modelu rzędu (1,1). Waro jednak pamięać, iż każdy z ych modeli może być modelem dowolnie wyższego rzędu. Sosowanie modeli wyższych rzędów jes jednak uzasadnione bardzo rzadko. 3. Modelowanie efeku dźwigni Krzywa wpływu informacji Efek dźwigni zdefiniowany zosał jako asymeryczna reakcja w poziomie wariancji sóp zwrou na pojawiające się informacje pozyywne i negaywne. Ujemna korelacja pomiędzy poziomem cen a warunkową wariancją udokumenowana zosała w wielu pracach (por. np. Nelson (1991), Glosen, Jagannahan, Runkle (1993), Engle, Ng (1993)) szczególnie w odniesieniu do szeregów sóp zwrou z akcji i indeksów. Efek en nazywa się efekem dźwigni, gdyż przyjmuje się, że spadek ceny akcji zwiększa dźwignię finansową, powodując wzros ryzyka związanego z inwesycją w akcje analizowanej spółki, co w konsekwencji prowadzi do wzrosu zmienności. Jako drugie, uzupełniające uzasadnienie efeku dźwigni podaję się zazwyczaj isnienie zmiennej w czasie premii za ryzyko. Za łączna miarę informacji docierającej do rynku w chwili uznaje się reszę modelu ε. Dobre wiadomości ( ε > 0 ) skukują poencjalnie wzrosem 4 3 Dla uproszczenia zapisu, w dalszej części pracy, pominięe zosały indeksy przy paramerach α i β. 4 Oczywiście należy uwzględnić również wpływ parameru µ. 6
7 ceny insrumenu (dodania warości sopy zwrou), naomias złe wiadomości ( ε < 0 ), o poencjalny spadek ceny w kolejnym podokresie. Warość ε określa wagę informacji (por. Engle, Ng (1993)). Wygodnym narzędziem opisu w jaki sposób informacja z chwili poprzedzającej wpływa na warunkowa wariancję procesu jes zw. krzywa wpływu informacji (News Impac Curve), kóra jes graficznym obrazem zależności h = f ( ε 1 ). Meoda a wprowadzona zosała przez Pagana i Schwera w 1990 roku (por. Pagan, Schwer (1990)), a nasępnie spopularyzowana przez Engle a i Ng (por. Engle, Ng (1993)). Ideę ego podejścia najławiej przedsawić na przykładzie modelu GARCH(1,1). Warunkowa wariancja w chwili procesu zależy od informacji (zaburzenia) z chwili -1 poprzez zależność h = f ( ε 1) = A + α1ε 1, gdzie A = ω + β1h 1. Funkcja ( ) f ε opisuje właśnie krzywą wpływu informacji. Jak ławo 1 zauważyć, dla modeli GARCH, krzywa a opisywana jes przez funkcję symeryczną względem ( ε 1 = 0 ) o kszałcie paraboli. Pozyywne i negaywne informacje mają aki sam wpływ na warunkową wariancję. Model GARCH nie pozwala więc na uwzględnienie efeku dźwigni. Uogólnienia modelu GARCH prowadzące do możliwości opisu efeku f ε. dźwigni sprowadzają się do odmiennego zdefiniowania funkcji ( ) Uzyskuje się o poprzez odpowiednią modyfikację kszału lub położenia krzywej wpływu informacji. Poniżej zaprezenowane zosaną najpopularniejsze propozycje. Także w ym przypadku, rozróżnienia własności modeli najprościej dokonać poprzez analizę krzywej wpływu informacji. Efek asymerycznego wpływu informacji można uzyskać poprzez: przesunięcie symerycznej krzywej wpływu informacji ak, by minimum funkcji nie wypadało dla ε 1 = 0, f ε dla ε 1 = 0, ale wprowadzenie zagwaranowanie minimum funkcji ( ) 1 asymerii w nachyleniu obu ramion krzywej. Modele z przesunięciem krzywej wpływu informacji Podsawowym modelem, w kórym opis efeku dźwigni uzyskuje się poprzez przesunięcie symerycznej krzywej wpływu informacji jes model AGARCH (Asymmeric GARCH) 5, kórego warunkowa wariancja zadana jes w przypadku modelu rzędu (1,1) nasępującym równaniem: 1 5 Model en znany jes również zamiennie jako model QGARCH (Quadraic GARCH). 7
8 h ( ) = ω + α ε κ + β h. (8) 1 1 Funkcja wpływu informacji dana jes dla ego modelu nasępującym wzorem: h ( ε ) A α ( ε κ ) = +. (9) 1 1 Dla κ > 0 uzyskuje się model, w kórym krzywa wpływu informacji przesunięa jes w prawo, co pozwala uchwycić silniejszy wpływ informacji złych niż dobrych (o ej samej ważności) na kolejną warość warunkowej wariancji. Rys. 5. prezenuje krzywą wpływu informacji w modelu AGARCH dla różnych warości parameru κ. Modele z asymeryczną krzywą wpływu informacji Odmiennym podejściem jes wykorzysanie asymerycznej krzywej wpływu informacji, kóra jednak posiada swoje minimum dla ε 1 = 0. W podejściu ym narzuca się warunek, że lewe ramię krzywej ma rosnąć szybciej niż prawe, czyli f ( x) > f ( x) dla x > 0. Najpopularniejszymi rozwiązaniami w ym zakresie są modele GJR-GARCH (por. Glosen, Jagannahan, Runkle (1993)), Pionek (00) oraz EGARCH (Exponenial GARCH) (por. Nelson (1991), Pionek (00)). W modelu GJR-GARCH każde z ramion jes opisane przez połówkę paraboli o różnym nachyleniu, a w modelu EGARCH ramiona opisują funkcje wykładnicze. Poniżej przedsawione zosały posaci modeli oraz przykładowe kszały funkcji wpływu informacji. W modelu GJR-GARCH(1,1) warunkowa wariancja zadana jes nasępującym wzorem: h = ω + ( α + α I( ) ) ε β h ε +, (10) < gdzie: 1; gdy p = prawda I( p) =. 0; gdy p = fałsz Model en posiada nasępującą funkcje wpływu informacji: A + αε 1; ε 1 0 h ( ε 1) =. (11) A + ( α + α ) ε 1; ε 1 < 0 Dodanie, isone od zera warości parameru α świadczą o wysępowaniu w szeregu sóp zwrou efeku dźwigni. Im wyższa warość parameru, ym silniejszy efek dźwigni. Rysunek 6. Prezenuje odpowiednie dla ego modelu krzywe wpływu informacji dla różnych warości parameru α. 8
9 Warunkowa wariancja w modelu EGARCH(1,1) 6 zadana jes naomias poprzez równanie: ε 1 ε 1 ln h = ω + αa + αb + β ln h 1, (1) h h π 1 1 co definiuje funkcję wpływu informacji w posaci: ε 1 A'exp ( αa + αb ) ; ε 1 0 h 1 h ( ε 1) =, (13) ε 1 A'exp ( αa αb ) ; ε 1 < 0 h 1 gdzie: A' = h β 1 exp ω α1 π W modelu ym paramer α odpowiedzialny jes za uwzględnienie efeku znaku a reszy ε 1 (informacja negaywna lub pozyywna), naomias αb odpowiada za uwzględnienie ważności informacji. Ujemna warość α a umożliwia opis efeku dźwigni. Poprzez zasosowanie we wzorze (1) przekszałcenia logarymicznego, zagwaranowana jes dodaniość warunkowej wariancji niezależnie od warości i znaków paramerów modelu. Brak resrykcji jes zaleą ego modelu. Wadą naomias modelu jes znacznie bardziej skomplikowana posać wzorów na bezwarunkową warość wariancji procesu oraz wzorów prognoz kolejnych warości wariancji niż w modelu GJR-GARCH (por. np. Pionek (00)). Większe problemy esymacyjne wpływają również na mniejszą popularność modelu EGARCH. Rysunek 7. prezenuje odpowiednie krzywe wpływu informacji dla ego modelu. 6 Model EGARCH jes modelem, kórego posać zależy od przyjęego rozkładu warunkowego błędu modelu, czyli rozkładu z (por. Pionek (00)). Wzory (1) i (13) prawdziwe są ylko dla warunkowego rozkładu normalnego. 9
10 Rys. 5. Krzywe wpływu informacji dla modelu AGARCH Rys. 6. Krzywe wpływu informacji dla modelu GJR-GARCH Rys. 7. Krzywe wpływu informacji dla modelu EGARCH Źródło rys. 5-7: opracowanie własne (por. Pionek (00)). Model ogólny Zaprezenowane powyżej rzy modele nie wyczerpują zbioru proponowanych w lieraurze rozwiązań. Są o jednak najczęściej spoykane podejścia. Bardzo szeroką klasę modeli (w ym modele zaprezenowane powyżej) zawiera model o posaci zaproponowanej przez Henschela w 1995 roku (por. Henschel (1995)): λ λ λ ν ω αh 1 g ( z ) h β 1 h 1 1 = + +, λ λ (14) gdzie: g z = z b c z b. (15) ( ) ( ) 10
11 Model en umożliwia jednoczesne ujęcie przesunięcia krzywej wpływu informacji oraz asymerii w kszałcie krzywej. Zawiera on oczywiście w sobie również klasyczny model GARCH. Dodakowo model en umożliwia opis nie ylko warunkowej wariancji ( h ), ale również dowolnych innych warości ( h λ ) w zależności od przyjęej lub wysymowanej warości parameru λ. Przyjęcie warości λ=1 prowadzi do modelu TARCH (Threshold GARCH), kórego posać jes analogiczna jak dla modelu GJR-GARCH, ylko opisowi podlega nie warunkowa wariancja, lecz warunkowe odchylenie sandardowe (por. Pionek (00)). Model en nie jes szerzej rozparywany, ponieważ badania dla rynku polskiego dowodzą, iż paramer λ ma warość ponad 1,8. Znacznie lepszym modelem ej klasy jes więc model GJR-GARCH z paramerem λ= (por. wyniki w przykładzie empirycznym na końcu pracy). Model Henschela w swojej ogólnej posaci jes używany wyjąkowo rzadko. W poniższej pracy pominięa zosała całkowicie analiza efeku długiej pamięci w szeregu zmienności sóp zwrou z indeksu WIG. Wyniki badań doyczące modeli klasy FIGARCH (Fracionally Inegraed GARCH) odnośnie rynku polskiego znaleźć można w pracy Pionka (por. Pionek (003)). 4. Przekład empiryczny Celem przykładu empirycznego jes odpowiedź na pyanie, kóry z modeli podsawowych ujmujących efek dźwigni (wzory (8), (10), (1)) najlepiej opisuje szereg sóp zwrou z indeksu WIG. Próbę do badań sanowił szereg prosych, dziennych sóp zwrou z indeksu WIG liczonych według cen zamknięcia rynku w kolejnych dniach sesyjnych. Łączna długość szeregu o 36 obserwacji (od r. do r.). Esymacji paramerów analizowanych procesów dokonano za pomocą auorskich procedur napisanych w środowisku MATLAB 6.0. Do wyboru opymalnej posaci modelu wykorzysano kryerium Akaike a: LLF (liczba paramerów modelu) AIC = +, (16) liczba obserwacji gdzie LLF o logarym funkcji największej wiarygodności maksymalizowany w procesie esymacji paramerów. Tabela 1 prezenuje uzyskane przez auora wyniki dopasowania poszczególnych modeli do szeregu sóp zwrou z indeksu WIG. 11
12 Tabela. 1. Wyniki dopasowania dla różnych modeli Model (rozkł. norm.) LLF liczba paramerów kryerium AIC AR 634,38 3-5,7636 GARCH 6449,46 4-5,45763 AR-GARCH 6477,14 5-5,480 AR-AGARCH 6479,59 6-5,48145 AR-GJR-GARCH 6481,8 6-5,4888 AR-EGARCH 6476,3 6-5,4786 AR-TARCH 6476,68 7-5,47814 Źródło: obliczenia własne. Powyższe wyniki obrazują, że najlepszym modelem do opisu własności szeregu sóp zwrou z indeksu WIG jes w ym przypadku model AR-GJR- GARCH o funkcji wpływu informacji zadanej przez połówki paraboli o różnym nachyleniu ramion. Co wyjąkowo ciekawe bardzo źle wypadł model AR- EGARCH, kóry według kryerium AIC jes gorszy nawe od modelu AR- GARCH (kóry nie uwzględnia asymerii). Jedynym uzasadnieniem ego faku jes o, że widać rzeczywisa krzywa wpływu informacji wysępująca na rynku swoim kszałem znacznie bardziej przypomina złożenie funkcji parabolicznych niż wykładniczych. Także model AR-TARCH gorzej dopasowuje się do danych z rynku polskiego niż model AR-GJR-GARCH, co jes powierdzeniem, faku, ze paramer λ z wzoru (14) ma warość znacznie bliższą warości niż 1. Tabela. prezenuje wyesymowane warości paramerów modelu wraz z oceną ich isoności. Jak ławo zauważyć wszyskie paramery poza µ są isone przy poziomie 0,05. Tabela. Paramery modelu AR-GJR-GARCH Paramer waroś ć saysyka µ 3,815e-4 1,35 ϕ 0,164 7,814 ϕ 1,16e-5 5,840 α 0,0865 6,09 α - 0,0567 3,61 β 0, ,87 Źródło: obliczenia własne. Analizę jakości modelu przeprowadza się również odnośnie własności szeregu resz modelu. Wybrany model usuwa z szeregu resz efek auokorelacji 1
13 oraz auokorelacji kwadraów resz. Zmniejsza również grubość ogonów (por. rys. i rys. 9). Rys. 8. Hisogram resz modelu AR-GJR- GARCH z rozkładem normalnym Źródło rys. 8-9: obliczenia własne. Rys. 9. Wykres kwany-kwanyl dla resz modelu w porównaniu z rozkł. normalnym Z rysunków 8 i 9. wynika jednak jednoznacznie, że kolejnym krokiem do poprawienia własności modelu powinno być zasosowanie warunkowego rozkładu resz modelu o grubszych ogonach niż rozkład normalny, np. rozkładu -Sudena. Rysunki odnośnie efeków auokorelacji resz i ich kwadraów zosały pominięe ze względu na ograniczony rozmiar pracy Model AR-GJR-GARCH, po wyesymowaniu paramerów może być przydany w prognozowaniu zmienności, wycenie opcji, czy pomiarze ryzyka meodą Value a Risk (por. Pionek (003)). Lieraura T. Bollerslev, Generalized auoregressive condiional heeroskedasiciy, Journal of Economerics, 31, 1986, sr T. Bollerslev, R. Engle, D. Nelson, ARCH models (w: Engle, MacFadden, Handbook of economerics). Norh-Holland, Amserdam, 1994 G. Box, J. Jenkins, Analiza szeregów czasowych. Prognozowanie i serowanie. Pańswowe Wydawnicwo Naukowe, Warszawa, 1986 R. Engle, Auoregressive condiional heeroskedasiciy wih esimaes of he variance of UK inflaion, Economerica, 50, 198, sr R. Engle, V. Ng, Measuring and esing he impac of news on volailiy, Journal of Finance, 48, 1993, sr
14 L. Glosen, R. Jagannahan, D. Runkle, On he relaion beween he expeced value and he volailiy of he nominal excess reurn on socks, Journal of Finance,48, 1993, sr C. Gourieroux, ARCH Models and Financial Applicaions, Springer Verlag, New York, 1997 L. Henschel, All in he family. Nesing symmeric and asymmeric GARCH models, Journal of Financial Economics, 39, 1995, sr K. Jajuga, Meody ekonomeryczne i saysyczne a analizie rynku kapiałowego, Wydawnicwo Akademii Ekonomicznej we Wrocławiu, Wrocław (pod red.), 000 W. Milo, Szeregi czasowe. Pańswowe Wydawnicwo Ekonomiczne, Warszawa, 1990 D. Nelson, Condiional heeroskedasiciy in asses reurns: A new approach, Economerica, 59(), 1991, sr K. Pionek, Modelowanie i prognozowanie zmienności insrumenów finansowych. Akademia Ekonomiczna we Wrocławiu. Wrocław (rozprawa dokorska), 00 K. Pionek, Modelowanie długiej pamięci w szeregach zmienności sóp zwrou. Konferencja Modelowanie Preferencji a Ryzyko (w druku),. Usroń, 003 R. Tsay, Analysis of Financial Time Series. Wiley and Sons. Chicago, 00 14
EFEKT 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 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 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 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 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 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 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 szczegółowoKrzysztof Piontek Katedra Inwestycji Finansowych i Ubezpiecze Akademia Ekonomiczna we Wrocławiu
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpiecze Akademia Ekonomiczna we Wrocławiu Zasosowanie modeli klasy ARCH do opisu własnoci szeregu sóp zwrou indeksu WIG Wsp Sporód rónych rodzajów ryzyka
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR
Inwesycje finansowe i ubezpieczenia endencje świaowe a rynek polski Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR Wsęp Konieczność
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 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 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 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 szczegółowoEFEKT DNIA TYGODNIA NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE WSTĘP
Joanna Landmesser Kaedra Ekonomerii i Informayki SGGW e-mail: jgwiazda@mors.sggw.waw.pl EFEKT DNIA TYGODNIA NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE Sreszczenie: W pracy zbadano wysępowanie efeku
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 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 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 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 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 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 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 szczegółowoZASTOSOWANIE FUNKCJI KOPULI W MODELOWNIU INDEKSÓW GIEŁDOWYCH
ZASTOSOWANIE FUNKCJI KOPULI W MODELOWNIU INDEKSÓW GIEŁDOWYCH Jacek Leśkow, Jusyna Mokrzycka, Kamil Krawiec 1 Sreszczenie Współczesne zarządzanie ryzykiem finansowanym opiera się na analizie zwroów szeregów
Bardziej szczegółowoPOMIAR RYZYKA RYNKOWEGO OPCJI NA PRZYKŁADZIE OPCJI NA WIG20
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 450 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 17 2006 KATARZYNA KUZIAK Akademia Ekonomiczna Wrocław POMIAR RYZYKA RYNKOWEGO OPCJI NA PRZYKŁADZIE OPCJI NA
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 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 szczegółowoKrzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informatyki Krzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH rozprawa doktorska Promotor: prof.
Bardziej szczegółowoAnaliza metod oceny efektywności inwestycji rzeczowych**
Ekonomia Menedżerska 2009, nr 6, s. 119 128 Marek Łukasz Michalski* Analiza meod oceny efekywności inwesycji rzeczowych** 1. Wsęp Podsawowymi celami przedsiębiorswa w długim okresie jes rozwój i osiąganie
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 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 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 szczegółowoHeteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Heeroskedasyczność szeregu sóp zwrou a koncepcja pomiaru ryzyka meodą VaR Wsęp Spośród wielu rodzajów ryzyka
Bardziej szczegółowoZJAWISKA SZOKOWE W ROZWOJU GOSPODARCZYM WYBRANYCH KRAJÓW UNII EUROPEJSKIEJ
Anna Janiga-Ćmiel Uniwersye Ekonomiczny w Kaowicach Wydział Zarządzania Kaedra Maemayki anna.janiga-cmiel@ue.kaowice.pl ZJAWISKA SZOKOWE W ROZWOJU GOSPODARCZYM WYBRANYCH KRAJÓW UNII EUROPEJSKIEJ Sreszczenie:
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 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 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 szczegółowoWykorzystanie wielorównaniowych modeli AR-GARCH w pomiarze ryzyka metodą VaR
Krzyszof Pionek Daniel Papla Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wykorzysanie wielorównaniowych modeli AR-GARCH w pomiarze ryzyka meodą VaR Wsęp Wśród różnych meod
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 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 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 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 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 szczegółowoDendrochronologia Tworzenie chronologii
Dendrochronologia Dendrochronologia jes nauką wykorzysującą słoje przyrosu rocznego drzew do określania wieku (daowania) obieków drewnianych (budynki, przedmioy). Analizy różnych paramerów słojów przyrosu
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 X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika Zależność
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 szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
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 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 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 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 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 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 szczegółowoModelowanie "długotrwałej pamici" szeregów zmiennoci
Krzyszof Pionek Kaera Inwesyci Finansowych i Ubezpiecze Akaemia Ekonomiczna we Wrocławiu Moelowanie "ługorwałe pamici" szeregów zmiennoci Wsp Cech charakerysyczn nowoczesnego zarzzania ryzykiem sało si
Bardziej szczegółowoPrognozowanie macierzy kowariancji finansowych szeregów czasowych stóp zwrotu nie jest sprawą błahą. Zagadnienie to związane jest również w oczywisty
Krzyszof Pionek Akademia Ekonomiczna w e W r ocł aw iu Prognozowanie macierzy kowariancji i korel acji f inans owych s zeregó w czas owych Wsęp Prognozowanie macierzy kowariancji finansowych szeregów czasowych
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak ( ) ( ) ( ) i E E E i r r = = = = = θ θ ρ ν φ ε ρ α * 1 1 1 ) ( R. popyu R. Fishera Krzywa Phillipsa
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 szczegółowoPIOTR FISZEDER, JACEK KWIATKOWSKI Katedra Ekonometrii i Statystyki
PIOTR FISZEDER, JACEK KWIATKOWSKI Kaedra Ekonomerii i Saysyki DYNAMICZNA ANALIZA ZALEŻNOŚCI POMIĘDZY OCZEKIWANĄ STOPĄ ZWROTU A WARUNKOWĄ WARIANCJĄ Sreszczenie: W badaniu zasosowano modele GARCHM ze sałym
Bardziej szczegółowoKONCEPCJA WARTOŚCI ZAGROŻONEJ VaR (VALUE AT RISK)
KONCEPCJA WARTOŚCI ZAGROŻONEJ VaR (VALUE AT RISK) Kaarzyna Kuziak Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W 1994 roku insyucja finansowa JP Morgan opublikowała
Bardziej szczegółowoMetody analizy i prognozowania szeregów czasowych
Meody analizy i prognozowania szeregów czasowych Wsęp 1. Modele szeregów czasowych 2. Modele ARMA i procedura Boxa-Jenkinsa 3. Modele rendów deerminisycznych i sochasycznych 4. Meody dekompozycji szeregów
Bardziej szczegółowoMatematyka finansowa 20.03.2006 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXVIII Egzamin dla Aktuariuszy z 20 marca 2006 r.
Komisja Egzaminacyjna dla Akuariuszy XXXVIII Egzamin dla Akuariuszy z 20 marca 2006 r. Część I Maemayka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minu 1 1. Ile
Bardziej szczegółowoWERYFIKACJA JAKOŚCI PROGNOZ ZMIENNOŚCI WYKORZYSTYWANYCH W MODELU RISKMETRICS TM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-8611 Nr 86 016 Ekonomia 6 Uniwersye Ekonomiczny w Kaowicach Wydział Finansów i Ubezpieczeń Kaedra Inwesycji i Nieruchomości
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 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 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 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 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 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 szczegółowoMODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX
Krzyszof Ćwikliński Uniwersye Ekonomiczny we Wrocławiu Wydział Zarządzania, Informayki i Finansów Kaedra Ekonomerii krzyszof.cwiklinski@ue.wroc.pl Daniel Papla Uniwersye Ekonomiczny we Wrocławiu Wydział
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 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 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 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 szczegółowo1.1. Bezpośrednie transformowanie napięć przemiennych
Rozdział Wprowadzenie.. Bezpośrednie ransformowanie napięć przemiennych Bezpośrednie ransformowanie napięć przemiennych jes formą zmiany paramerów wielkości fizycznych charakeryzujących energię elekryczną
Bardziej szczegółowoPROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM
PROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM prof. dr hab. Paweł Dimann 1 Znaczenie prognoz w zarządzaniu firmą Zarządzanie firmą jes nieusannym procesem podejmowania decyzji, kóry może być zdefiniowany
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 szczegółowoEuropejska opcja kupna akcji calloption
Europejska opcja kupna akcji callopion Nabywca holder: prawo kupna long posiion jednej akcji w okresie epiraiondae po cenie wykonania eercise price K w zamian za opłaę C Wysawca underwrier: obowiązek liabiliy
Bardziej szczegółowoSYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE
SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne
Bardziej szczegółowoRACHUNEK EFEKTYWNOŚCI INWESTYCJI METODY ZŁOŻONE DYNAMICZNE
RACHUNEK EFEKTYWNOŚCI INWESTYCJI METODY ZŁOŻONE DYNAMICZNE PYTANIA KONTROLNE Czym charakeryzują się wskaźniki saycznej meody oceny projeku inwesycyjnego Dla kórego wskaźnika wyliczamy średnią księgową
Bardziej szczegółowoPROJEKT nr 1 Projekt spawanego węzła kratownicy. Sporządził: Andrzej Wölk
PROJEKT nr 1 Projek spawanego węzła kraownicy Sporządził: Andrzej Wölk Projek pojedynczego węzła spawnego kraownicy Siły: 1 = 10 3 = -10 Kąy: α = 5 o β = 75 o γ = 75 o Schema węzła kraownicy Dane: Grubość
Bardziej szczegółowoSZACOWANIE MODELU RYNKOWEGO CYKLU ŻYCIA PRODUKTU
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2 2006 Bogusław GUZIK* SZACOWANIE MODELU RNKOWEGO CKLU ŻCIA PRODUKTU Przedsawiono zasadnicze podejścia do saysycznego szacowania modelu rynkowego cyklu
Bardziej szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak E i E E i r r 1 1 1 ) ( R. popyu R. Fishera Krzywa Phillipsa Oczekiwania Reguła poliyki monearnej
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 szczegółowodr inż. MARCIN MAŁACHOWSKI Instytut Technik Innowacyjnych EMAG
dr inż. MARCIN MAŁACHOWSKI Insyu Technik Innowacyjnych EMAG Wykorzysanie opycznej meody pomiaru sężenia pyłu do wspomagania oceny paramerów wpływających na możliwość zaisnienia wybuchu osiadłego pyłu węglowego
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 szczegółowoMODELOWANIE ZMIENNOŚCI I RYZYKA INWESTYCJI W ZŁOTO. Celina Otolińska
MODELOWANIE ZMIENNOŚCI I RYZYKA INWESTYCJI W ZŁOTO Celina Otolińska PLAN: 1. Rynek złota-krótka informacja. 2. Wartość zagrożona i dlaczego ona. 3. Badany szereg czasowy oraz jego własności. 4. Modele
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 szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
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 szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
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 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 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 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 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 szczegółowoMODELOWANIE STRUKTURY TERMINOWEJ STÓP PROCENTOWYCH WYZWANIE DLA EKONOMETRII
KRZYSZTOF JAJUGA Akademia Ekonomiczna we Wrocławiu MODELOWANIE STRUKTURY TERMINOWEJ STÓP PROCENTOWYCH WYZWANIE DLA EKONOMETRII. Modele makroekonomiczne a modele sóp procenowych wprowadzenie Nie do podważenia
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 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 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 szczegółowo