Prognozowanie macierzy kowariancji finansowych szeregów czasowych stóp zwrotu nie jest sprawą błahą. Zagadnienie to związane jest również w oczywisty
|
|
- Władysława Kot
- 7 lat temu
- Przeglądów:
Transkrypt
1 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 sóp zwrou nie jes sprawą błahą. Zagadnienie o związane jes również w oczywisy sposób z prognozowaniem wariancji (bądź zmienności sóp zwrou) oraz macierzy korelacji sóp zwrou. Kowariancja i korelacja, analogicznie jak zmienność, są zmiennymi nieobserwowalnymi wpros, co urudnia ich pomiar, modelowanie i prognozowanie. Prawidłowe wyznaczanie prognoz powyższych paramerów jes niezbędne w akich zagadnieniach jak: analiza porfelowa (zarówno dla modelu Markowiza, jak i Sharpe a), modele równowagi rynków kapiałowych, wycena opcji (szczególnie pewnych złożonych insrumenów egzoycznych), pomiar ryzyka rynkowego według koncepcji VaR (meoda kowariancji-wariancji oraz meoda symulacji Mone Carlo) oraz w zagadnieniu zabezpieczania ceny insrumenu lub porfela insrumenów (hedging). Prawidłowa ocena przyszłej macierzy wariancji-kowariancji lub wynikającej z niej korelacji umożliwia wiec skueczniejsze zarządzanie ryzykiem inwesycji i/lub osiąganie dochodów (spekulacyjnych lub arbirażowych) (por. [5][6][7][9] i [0]). Prakyka wypracowała różne meody prognozowania kowariancji oraz korelacji finansowych szeregów czasowych. Dzielą się one na dwie podsawowe grupy narzędzi; oparych na analizie szeregów czasowych oraz na oszacowaniach rynkowych na podsawie odpowiednich insrumenów opcyjnych (korelacja implikowana) (por. [3][8][]). Brak jes zgodności, kóra z meod pozwala na lepsze oszacowanie przyszłych warości macierzy.
2 K r zy s z of P ion ek Prakycznie każdego roku proponowane są bądź o kolejne modele, bądź prezenowane wyniki nowych badań. Ze względu znaczne urudnienia (por. [3][]) w przeprowadzeniu badań prognozowania korelacji implikowanej w warunkach polskich, ograniczone rozmiary pracy oraz odmienny apara badań, w niniejszej pracy przedsawione zosaną jedynie najpopularniejsze echniki wykorzysujące szeregi czasowe sóp zwrou. Podejście wykorzysujące zw. korelacje implikowana zosanie jedynie zasygnalizowane i sanowić będzie dalszy obszar prac auora. W części empirycznej przedsawione zosaną wyniki prognoz korelacji (na podsawie prognoz macierzy kowariancji) dla subiekywnie wybranego horyzonu kwaralnego dla przykładowych szeregów finansowych ze szczególnym uwzględnieniem rynku polskiego. Wykorzysane zosaną echniki prognoz opare o sałą macierz kowariancji, wygładzania wykładniczego, a akże o wielorównaniowe modele klasy GARCH. Przykład empiryczny ma przede wszyskim charaker ilusracyjny do omówionych zagadnień eoreycznych. Celem badań jes odpowiedź na pyanie, kóra z prezenowanych echnik prognozowania korelacji sprawdzała się do ej pory najlepiej dla kilku wybranych par szeregów i powinna przynajmniej sanowić obszar poencjalnie rozszerzonych badań.. D w u w y m i a r o w y m o d e l só p z w r o u W dalszej części pracy, w obszarze zaineresowania pozosaje jedynie model dwuwymiarowy służący do opisu zależności pomiędzy szeregami sóp zwrou dla dwóch insrumenów. Uogólnienie na wiele insrumenów zazwyczaj nie nasręcza większych kłopoów. Punkem wyjścia do dalszych rozważań są pojęcia wekora warunkowych warości oczekiwanych ( ) µ, warunkowej macierzy wariancji-kowariancji ( H ) oraz posaci warunkowego rozkładu sandaryzowanych resz modelu ( z ). Wszyskie 3 zagadnienia należy rozparywać łącznie, gdyż wzajemnie wpływają na siebie i wspólnie deerminują własności osaecznego modelu. Więcej informacji na en ema znaleźć można w pracach np. [][9][0]. uaj przedsawione zosaną jedynie podsawowe i niezbędne informacje. Rozparywany w niniejszej pracy dwuwymiarowy model sóp zwrou zadany jes nasępującymi równaniami: r = µ + ε, gdzie: ()
3 P r og nozow anie macier zy kow ar iancj i i kor el acj i 3 r, r = r,, µ, µ = µ,, ε, ε = ε. (), Zazwyczaj zakłada się, że sopy zwrou r i r pochodzą w ym przypadku z zw. dwuwymiarowego warunkowego rozkładu normalnego, co oznacza się jako (por. []): r N µ, H, (3) ( ) I gdzie I o informacja dosępna w chwili -. Wekor µ oznacza wekor warunkowych warości oczekiwanych na podsawie informacji w chwili - dla szeregu pierwszego oraz drugiego. Przyjmuje się, że (por. [0]): = E r I = f r, r, i=,, k=,,, l=,,, (4) [ ] ( ) µ i, i, k, l gdzie f ( ) o liniowa funkcja przeszłych warości sóp zwrou. Gdy µ, i/lub µ, zależą jednocześnie od przeszłych warości zarówno r, jak i r, o mamy do czynienia z klasą modeli VAR (vecor auoregressive models). Najczęściej zakłada się jednak, iż (por. [7][9][0]): = f r, k=,,, (5) ( i k ) µ i,, czyli, że warunkowe warości oczekiwane dla jednego insrumenu nie zależą od przeszłych realizacji sóp zwrou dla drugiego insrumenu. W większości przypadków wysarczające bywa uwzględnienie jedynie osaniej sopy zwrou (k=), co wprowadza modele auoregresyjne AR() zadane wzorem: µ i, = µ i0 + ϕiri,. (6) Dodakowo, ponieważ badania dowodzą, że długoerminowa (bezwarunkowa) warość oczekiwana szeregów dziennych sóp zwrou wynosi zazwyczaj zero, przyjmuje się bez większej sray dla jakości modelu, iż µ i0 = 0, co prowadzi do przyjęcia nasępującego założenia: ϕr, µ = ϕ r. (7), Powyższe założenia znacznie upraszczają (w sosunku do modeli VAR) problemy esymacji i prognozowania, zapewniając jednocześnie, że model w przejrzysy sposób ujmuje poencjalnie obserwowane w szeregach zależności auokorelacyjne. Możliwe są oczywiście rozwiązania z warunkowymi rozkładami o grubszych ogonach, np. z wielowymiarowym rozkładem -Sudena (por. [][5][0]).
4 4 Krzyszof Pionek akie podejście sanowi chwilowy sandard w przypadku analiz wielowymiarowych i będzie wykorzysane również w niniejszej pracy. Należy ponado zaznaczyć, że jeżeli rozparuje się model dany wzorem (), w kórym wekor warunkowych warości oczekiwanych zadany jes wzorem (7) i korelacja pomiędzy szeregami błędów wynosi: ρ ε, ε = ρ, (8) (,, ) o korelacja pomiędzy szeregami sóp zwrou dana jes zależnością: ρ ( r,,r, ) = ρ ( ϕ )( ϕ ) ϕ ϕ. (9) W przypadku wysępowania auokorelacji w szeregach sóp zwrou, niezbędne może być więc wniesienie odpowiednich poprawek w przypadku analizy macierzy korelacji lub wariancji-kowariancji błędów ε. Zależności e będą wykorzysywane na eapie worzenia prognoz korelacji na podsawie różnych modeli. Drugim, lecz kluczowym z punku widzenia niniejszej pracy, zagadnieniem jes opis zmian warości warunkowej macierzy wariancjikowariancji oznaczanej przez H. Pomiędzy warunkową macierzą wariancji-kowariancji ( H ), wekorem ε oraz wekorem sandaryzowanych resz modelu ( z ) błędów modelu ( ) zachodzą nasępujące związki (por. [][][4][5][0]): = ε H z, (0) gdzie: z iid E z = 0, var z = I, () [ ] [ ] = var I = E I = [ ] ( ) H ε ε ε H H. () Wekor ( z ) jes więc wekorem dwóch zmiennych o zerowych średnich, macierzy wariancji-kowariancji zadanej przez dwuwymiarową z pochodzi z macierz jednoskową ( ) I. W pracy przyjęo, że wekor ( ) dwuwymiarowego rozkładu normalnego, lecz spoyka się również rozwiązania z wykorzysaniem rozkładu dwuwymiarowego o grubszych ogonach, najczęściej wielowymiarowego rozkładu -Sudena. Macierz kwadraową ( H ) uzyskuje się w ym przypadku najczęściej przez rozkład Cholesky ego.
5 Prognozowanie macierzy kowariancji i korel acji 5 W dalszej części pracy elemeny warunkowej macierzy wariancjikowariancji oznaczane będą w sposób nasępujący: h, h, H = h h, h, = h, (3),, Poniżej w sposób skróowy zaprezenowane zosaną modele zmian warości warunkowej macierzy wariancji-kowariancji. Na podsawie ych modeli odbywać się będzie prognozowanie przyszłych warunkowych warości H ; k,,3.... Prognozy e posłużą wariancji-kowariancji na kolejne dni ( ) + k = naomias nasępnie do sformułowania prognoz korelacji szeregów sóp zwrou r i r w chwili dla zadanego horyzonu, np. ygodnia, miesiąca, kwarału ( ) ( ) H.. Modele warunkowej macierzy wariancji kowariancji.. MEODA SAŁEJ WARUNKOWEJ MACIERZY Meoda a jes najprosszym i dość częso spoykanym podejściem, w H macierz kórym zakłada się, że warunkowa ( ) H i bezwarunkowa ( ) wariancji-kowariancji są równe i sałe w czasie (por. [3][8][]): H E + = H = ε ε, (4) czyli N ii, + ε ii, k N k = 0 N, + h, + ε, kε, k N k = 0 h h =, i=,, (5) = =. (6) Waro zwrócić uwagę, iż problemem pozosaje wybór wielkości zw. okna, czyli parameru N. Najczęściej przyjmuje się warości N rzędu Bezwarunkowa macierz wariancji-kowariancji dana jes w ogólności wzorem: H = E[ H ].
6 6 Krzyszof Pionek Dopuszcza się u jednak pewną niekonsekwencję, uzasadniając wybór wielkości N zmiennymi w czasie paramerami procesu. Podejście, w kórym sałą macierz wariancji-kowariancji na kolejnych N dni prognozuje się na podsawie hisorycznej macierzy wariancji-kowariancji z porównywalnej ilości dni z przeszłości nazywa się prognozą naiwną. Zakładając jednak, zgodnie z wcześniejszym ogólnym założeniem, że macierz H jes sała w czasie dla całego szeregu dwuwymiarowych danych, macierz bezwarunkowa powinna być wyznaczana na podsawie całego zbioru dosępnych danych z przeszłości (rozszerzające się okno), a przynajmniej na podsawie odpowiednio dużego zbioru obserwacji (por. przykład empiryczny)... MEODA ŚREDNIEJ WAŻONEJ WYKŁADNICZO Drugie prezenowane podejście zakłada już wpros, że warunkowe wariancje i kowariancje mogą być zmienne w czasie. Nadal warunkowa macierz wariancji-kowariancji wyznaczana jes jako średnia z macierzy iloczynów wekorów błędów, lecz zasosowany jes wykładniczy sysem wag nadający większe znaczenie obserwacjom mniej odległym w czasie. Jes o podejście rozpropagowane w ramach zw. meodologii RiskMerics M (por. [7][0][3][8][]). Warości warunkowej macierzy H + opisywane są nasępującą zależnością: ( ) ( ) H k + = λ ε ε + λh = λ λ ε k ε k, (7) k = o gdzie paramer λ ( 0,), przyjmuje zwykle warości bliskie i nazywany jes sałą wygładzania. W prakyce korzysa się z wzorów, w kórych sumowanie do nieskończoności zasąpione jes ważoną sumą N elemenów: N N k k hii, + λ ε i, k ( λ N ) λ ε i, k, i=,, (8) l k = 0 k = 0 λ l= 0 oraz N N k k h, + = h, + λ ε, k ε, k ( λ N ) λ ε, k ε, k. (9) l k = 0 k = 0 λ l= 0 W podejściu ym wielkość parameru λ usala się bądź o na podsawie minimalizacji odpowiedniego błędu prognoz wewnąrz zw. próby uczącej lub na podsawie relacji pomiędzy paramerami N, λ i ilorazem sumy uwzględnianych wag do sumy nieskończonego ciągu wag, najczęściej
7 Prognozowanie macierzy kowariancji i korel acji 7 przyjmując, iż uwzględnia się yle składników, by wpływ wag sojących przy nich sanowił 99% wpływu wszyskich wag (w sumowaniu do nieskończoności) (por. [7]): N k N λ λ = 99% λ= 0,0 k = 0 ( ). (0) Im wyższa warość λ, ym z relaywnie dłuższego okresu z przeszłości uwzględniane są dane podlegające ważonemu uśrednianiu. Na przykład dla parameru λ = 0,97 okno, kóre uwzględnia wpływ 99% wagi obserwacji ma szerokość 5 obserwacji. Odpowiedni dobór parameru λ skraca więc okno, dla kórego liczona jes średnia do rozmiarów, kóre zbliżają o podejście do prognozy naiwnej, w kórej o okres dla kórego dokonuje się prognoz jes porównywalny z okresem z przeszłości, służącym do wyznaczenia prognozy. Formalnie w każdym z równań (9) i (0) mógłby być użyy paramer λ o innej warości, nie czyni się ak jednak, by zapewnić dodanią określoność macierzy wariancji-kowariancji w każdej chwili..3. MODEL KLASY MGARCH Kolejna, najbardziej skomplikowana meoda zakłada, że warunkowa macierz wariancji-kowariancji opisywana jes wielorównaniowym modelem GARCH, kóry jes nauralnym rozszerzeniem modeli jednorównaniowych wprowadzonych przez Engle a w 98 i Bollersleva w 986 roku (por. [][9][0]). Ogólna posać wielowymiarowego modelu GARCH (Mulivariae GARCH MGARCH) zaproponowana zosała przez Bollersleva w roku 988 (por. [][5][0]) i w lieraurze nosi nazwę VECH-GARCH. Macierz H zadana jes nasępującym równaniem: vech H = vech W + A vech ε ε + B vech H, () ( ) ( ) ( ) ( ) w kórym operaor vech ( ) (vecor-half operaor) zdefiniowany jes w nasępujący sposób: a b c vech b d e = a b c d e f c e f [ ]. () Powyższy model jes wielowymiarowym odpowiednikiem jednowymiarowego modelu GARCH(,). Możliwa jes oczywiście analiza modeli VECH-GARCH wyższych rzędów, ale w prakyce nie jes spoykana.
8 8 Krzyszof Pionek Dla przypadku dwuwymiarowego macierz W jes symeryczną macierzą o wymiarach, naomias macierze à i B są symerycznymi macierzami o wymiarach 3 3. Model przyjmuje więc posać: h, ω a a a3 ε,- b b b3 h,- h, = ω + a a a3,-,- + ε ε b b b3 h,-. (3) h, ω a3 a3 a33 ε,- b3 b3 b33 h,- Podsawowymi problemami, kóre wysępują w przypadku prakycznego sosowania modelu VECH-GARCH jes duża liczba paramerów, kóre należy wyesymować, konieczność zapewnienia dodaniej określoność macierzy H w każdym punkcie czasu oraz konieczność zapewnienia skończoności warości bezwarunkowej macierzy wariancji-kowariancji. W przypadku pełnego dwuwymiarowego modelu VECH niezbędna jes esymacja paramerów (ylko w zakresie modelu warunkowej macierzy wariancjikowariancji) co już samo w sobie w prakyce uniemożliwia sosowanie ego rozwiązania (por. [][0][5][4]). Zaproponowano więc szereg modeli zawierających się w ogólnym modelu VECH, kóre ograniczają liczbę esymowanych paramerów i/lub zapewniają dodanią określoność macierzy. Odbywa się o jednak zawsze koszem ogólności modelu. Do najczęściej wykorzysywanych rozwiązań zalicza się modele diagonalne DVECH oraz modele klasy BEKK (pełne i diagonalne) (por. [][][4][5][0]). W niniejszej pracy wykorzysano model diagonalny DVECH zaproponowany w 988 roku przez Bollersleva, Engle a i Wooldridge a (por. [][]). Macierze à i B są w ym rozwiązaniu macierzami diagonalnymi, a wykorzysany w dalszej części pracy model ma posać: h, ω a 0 0 ε,- b 0 0 h,-, = h ω + 0 a 0,-,- + 0 b 0 ε ε h,-. (4) h, ω 0 0 a 33 ε,- 0 0 b 33 h,- Jak ławo zauważyć, w modelu ym, niezbędna jes już ylko esymacja 9 paramerów. Elemeny h, + macierzy H zależą jedynie od swoich przeszłych warości (, ) ( i, j, ) + h oraz odpowiednich iloczynów błędów z chwili ε ε, co powoduje, że brak jes zw. efeku przenikania (por. [][5]).
9 Prognozowanie macierzy kowariancji i korel acji 9 Elemeny h oraz h opisane są w ym przypadku wpros klasycznym, jednowymiarowym modelem GARCH(,), a elemen h - jego odpowiednikiem (por. [][9][0]): h = ω + a ε + b h,,, h = ω + a ε ε + b h,,,, h = ω + a ε + b h,,,. (5) Skukuje o uławieniami w zakresie esymacji oraz prognozowania warości macierzy. Nierudno akże pokazać, że model diagonalny można przedsawić w nasępującej posaci, kóra uławia dalsze analizy (por. [4]): H = W + A ε ε + B H, (6) + ( ) gdzie X Y oznacza iloczyn Hadamarda 3 oraz W = ω ω ω ω, A = a a a a i B = b b b b. (7) Posać a uławia zapis oraz analizę warunków dodaniej określoności H, co jes znacznym problemem dla modeli VECH. macierzy ( ) + Korzysając z faku, że suma macierzy dodanio określonej oraz macierzy (pół)dodanio określonej jes macierzą dodanio określoną uzyskuje się warunki wysarczające, by zapewnić dodanią określoność macierzy H w każdym momencie czasu: macierze W, A, B muszą być dodanio określone 4 co uzyskuje się poprzez spełnienie nasępujących nierówności: x > 0, x > 0, x x x > 0, (8) gdzie x o odpowiednie elemeny ω, a i b macierzy W, A i B. macierz H (dla =) musi być dodanio określona, co najprościej zapewnić przyrównując ją do bezwarunkowej macierzy wariancjikowariancji 5. 3 Iloczyn Hadamarda jes zw. iloczynem ablicowym. Jeśli macierze Z, X i Y mają e same wymiary i Z = X Y o elemeny macierzy Z wyznacza się jako iloczyny odpowiadających elemenów macierzy X i Y, j. z = x y. 4 Formalnie, przynajmniej jedna macierz spośród W, A, B musi być dodanio okręcona, pozosałe dwie mogą być połówkowo dodanio określone. Najczęściej warunek dodaniej określoności narzuca się jednak na wszyskie macierze. 5 Dla procedury esymacji jes o macierz wariancji-kowariancji szacowana z próby, naomias w procedurach symulacyjnych jes o macierz wynikająca z przyjęych paramerów modelu (por. wzór (37)).
10 0 Krzyszof Pionek Oprócz dodaniej określoności macierz wariancji-kowariancji niezbędne jes zapewnienie również skończoności elemenów bezwarunkowej macierzy wariancji-kowariancji H. W przypadku dwuwymiarowego diagonalnego modelu DVECH dodakowe warunki mają wyjąkowo prosą posać analogiczną jak dla modeli jednowymiarowych, a mianowicie: a + b < ; i, j =, (9) a = a, b = b ; i, j =,, i j. ji ji Paramery modelu esymuje się zazwyczaj meodą największej wiarygodności maksymalizując funkcję (por. [][5][0]): LLF = ln H + ε ' H ε. (30) = Posać diagonalna umożliwia jednak esymację osobno każdego z równań (5). Paramery modeli wariancji h i h esymuje się jako zwykłe jednorównaniowe modele, a paramery modelu kowariancji h na podsawie maksymalizacji funkcji wiarygodności (wzór (30)) przy założeniu, że paramery modeli wariancji zosały wyesymowane wcześniej. Pozwala o skrócić szereg niezbędny do esymacji. Nierudno jednocześnie zauważyć, że dwie wcześniej rozparywane meody opisu macierzy H zawierają się w prezenowanym modelu DVECH- GARCH. Meodę z punku.. uzyskuje się przy założeniu, że macierze A i B są macierzami skalarnymi o paramerach równych zero, naomias meodę wygładzania wykładniczego z punku.. - przy założeniu, że: W = , A = λ λ λ λ i B = λ λ λ λ. 3. Prognozowanie macierzy wariancji k owariancji oraz k orel acji Korelacja warunkowa zdefiniowana jes w analogiczny sposób jak korelacja bezwarunkowa, a mianowicie (por. 3][7][0]): h, ρ ( ε,, ε, ) =. (3) h h,, Chcąc jednak zaprognozować korelację bezwarunkową dla okresu (+,+) na podsawie informacji dosępnej w chwili, niezbędna jes umiejęność
11 Prognozowanie macierzy kowariancji i korel acji prognozowania elemenów warunkowej macierzy wariancji-kowariancji h + dla każdej chwili rozparywanego okresu (k=,, ) a nasępnie (, k ) uśrednienie ych prognoz. Znając prognozowane średnie warości odpowiednich elemenów macierzy w zadanym okresie (+,+): ( ), = h, + k k= h, k=,,,, (3) ( ) ( h, ) możliwe jes wyznaczenie prognozy korelacji pomiędzy sopami zwrou w rozparywanym okresie (por. [3][8][]): ( ) ( ) h, ( ) ( ) h, h, ρ =. (33) Waro zaznaczyć, iż uśrednianie prognoz warunkowych korelacji dla zadanego okresu, uzyskanych na podsawie prognoz warunkowych elemenów macierzy kowariancji, prowadzi w ogólności do fałszywych wyników. W przypadku dokonywania analiz dla szeregów z auokorelacją należy pamięać o wnioskach wynikających z zależności (8) i (9). Poniżej zaprezenowane zosaną wzory do wyznaczania prognoz odpowiednich elemenów macierzy wariancji-kowariancji oraz ich średnich dla zadanego okresu dla każdej z prezenowanych meod. W meodzie sałej macierzy wariancji-kowariancji prognozy elemenów macierzy dla chwil z przedziału (+,+) oraz średnie prognozy z ego okresu równe są elemenom oszacowanej bezwarunkowej macierzy wariancjikowariancji: ( ) h, + k = h, = h. (34) Dla meody wygładzania wykładniczego zachodzą naomias nasępujące zależności: ( ) h = h = h. (35), + k,, + Warunkowe warości macierzy wariancji-kowariancji, dla każdego dnia rozparywanego okresu, jak i średnie dla odpowiednich elemenów równe są prognozie poszczególnych elemenów dla pierwszego dnia okresu. Znacznie bardziej skomplikowane jes omawiane zagadnienie dla wielowymiarowych modeli MGARCH nawe dla uproszczonego przypadku diagonalnego.
12 Krzyszof Pionek Prognoza elemenów warunkowej macierzy wariancji-kowariancji na podsawie informacji dosępnej w chwili dana jes nasępującymi wzorami (por. [8][9]): k h + ( α + β ) ( h, + h ); k h, + k = ω + αε i,ε j, + βh, ; k = i, j =, (36) gdzie h ω α β (37) Można ławo wykazać, że gdy k, o warości h, + k h. W przypadku modelu DVECH-GARCH wysępuje więc efek powrou do długoerminowej średniej (do warości bezwarunkowej). Prognozę średnich warości uzyskuje się w ym modelu z zależności: h h h h ( ) ( ), = +, + ( α β ) ( α β ) + +. (38) Przedsawione powyżej meody wyznaczania prognoz warości h posłużą w dalszej części pracy do wyznaczenie prognoz korelacji ( ) ( ), ρ dla poszczególnych par szeregów sóp zwrou. Do oceny jakości prognoz służą odpowiednie miary błędów ex pos. 4. Ocena błędów prognoz Ze względu na prezenowany w dalszej części przykład empiryczny doyczący jedynie, ze względu na ograniczony rozmiar pracy, wyników prognozowania macierzy korelacji, poniżej zaprezenowane zosaną jedynie miary oceny błędów dla warości skalarnych (korelacji). Analogicznie mogą być oceniane prognozy z osobna każdego z elemenów macierzy wariancjikowariancji. zaniechano prezenacji miar oceny prognoz całej macierzy. rafność prognoz w analizowanych wcześniej przypadkach określa się za pomocą błędów ex pos. Miary e mogą zosać wykorzysane zarówno podczas analizy błędu prognozy wewnąrz próby (dla próbki uczącej), kóry może posłużyć do kalibracji modelu prognozy, jak i do analizy błędu prognozy poza próbą (próbka esowa). Miary błędów prognozy ex pos dzielimy na (por. 8][9][]): miary symeryczne, kóre w aki sam sposób uwzględniają przeszacowanie i niedoszacowanie prognozy korelacji,
13 Prognozowanie macierzy kowariancji i korel acji 3 miary niesymeryczne, kóre w odmienny sposób uwzględniają przeszacowanie i niedoszacowanie prognozy korelacji np. w poszczególnych kwarałach. W zależności od wykorzysania prognoz do wyboru najlepszej meody sosuje się różne oszacowania błędu ex pos. Niezbędne jes dodakowo świadomość, iż w zagadnieniach ekonomicznych minimalizacja odpowiedniej saysycznej miary błędów prognoz nie musi prowadzić w każdym przypadku do minimalizacji sra ekonomicznych. Zależy o między innymi od faku, jak wpływa niedoszacowanie oraz przeszacowanie prognozy na wynik finansowy. W poniższych wzorach ρ f, m oznacza prognozę korelacji dla okresu m, naomias ρ h, m o hisorycznie zaobserwowana korelacja w ym okresie. Jako przykładowe (por. np. [9]) miary symeryczne można wymienić: pierwiasek średniego kwadrau błędu (roo mean squared error) M f m h m RMSE = M ( ρ ), ρ,, (39) m= średni błąd bezwzględny (mean absolue error) M ρ f, m ρh, m m= MEA =. (40) M Naomias przykładowe miary niesymeryczne błędu ex pos o: średnie błędy mieszane (mean mixed errors) M M MMEU = ρ f, m ρh, m Km + ρ f, m ρh, m Lm M, (4) m= m= M M MMEO = ρ ρ K + ρ ρ L M, (4) f, m h, m m f, m h, m m m= m= dla ρ f, m ρ h, m L dla ρ f, m > ρh, m m =, K m =. (43) 0 dla ρ f, m > ρh, m 0 dla ρ f, m ρh, m Miara MMEU uwzględnia silniej błędy niedoszacowania zmienności, a miara MMEO błędy przeszacowania zmienności. Do porównania przydaności różnych echnik prognozowania zmienności wykorzysuje się model regresji liniowej (por. [9]): ρ = α + βρ + e (44) h, m f, m m W przypadku doskonalej, nieobciążonej prognozy wyraz wolny w równaniu regresji powinien mieć warość 0, naomias wyraz sojący przy prognozie warość. Miarą efekywności poszczególnych meod prognozowania
14 4 Krzyszof Pionek zmienności są współczynniki deerminacji R dla poszczególnych modeli regresji. Aby określić przydaność danych modeli prognoz należy łącznie rozparywać informacje o paramerach α i β oraz R. Powyższe miary błędów posłużą do zobrazowania jakości wybranych echnik prognozowania w przykładzie empirycznym. 5. Przykład empiryczny Celem przykładu empirycznego jes zobrazowanie rozważań z części eoreycznej. Ze względu na ograniczony rozmiar badań, przykład en w żaden sposób nie preenduje do jednoznacznej odpowiedzi na pyanie, kóra z prezenowanych meod prognozowania macierzy kowariancji i korelacji sprawdzała się w przeszłości (na podsawie miar błędów ex pos) najlepiej dla wybranych par szeregów, i kóra powinna być więc używana w przyszłości. Rozważania mają charaker ilusracyjny. Pewne osrożne wnioski można jednak wysnuć. Wszyskie prezenowane w pracy wyniki badań empirycznych uzyskano na podsawie auorskich procedur napisanych w środowisku MALAB 6.0. Próbę do badań sanowiły dość subiekywnie wybrane pary szeregów dziennych sóp zwrou z nasępujących insrumenów i okresów: indeksy DJIA i WIG (okres od do , obserwacje), waluy DOLAR i EURO (okres od do , 563 obserwacje) oraz akcje BRE I VISULA (okres od do , 766 obserwacji). Każdorazowo prognozowaniu podlegała korelacja pomiędzy szeregami w okresie kolejnych 63 dni sesyjnych (co odpowiada długości kwarału, przy czym odpowiednie okresy nie koniecznie zaczynały się dnia kalendarzowego kwarału). Esymacji paramerów poszczególnych modeli dokonywano z 500 osanich dni, by zapewnić prawidłowe oszacowania modeli, szczególnie w przypadku modelu AR()-DVECH-GARCH. Paramer λ w meodzie wygładzania wykładniczego usalono na 0,97, co odpowiada paramerowi minimalizującemu błąd wewnąrz próby dla prognoz zmienności dla wcześniejszych badań auora (por. [9]). Kwaralną korelację prognozowano osaecznie 6 meodami (dla każdej z proponowanych echnik uwzględniono przypadek z założeniem auokorelacji 6 Jeśli w dowolnym dniu analizowanego okresu nie było z jakiegokolwiek powodu danej dla jednego szeregu, o dzień en usuwany był z analizowanej próby.
15 Prog nozow a nie m a c ierzy kow a ria nc j i i korel a c j i 5 w szeregach, jak i bez auokorelacji). Osaecznie meody oznaczono w sposób nasępujący: F meoda sałej macierzy warunkowej bez uwzględnienia auokorelacji, F meoda sałej macierzy warunkowej z uwzględnieniem auokorelacji, F3 meoda wygładzania wykładniczego bez uwzględnienia auokorelacji, F4 meoda wygładzania wykładniczego bez uwzględnienia auokorelacji, F5 diagonalny model VECH bez uwzględniania auokorelacji, F6 diagonalny model VECH z uwzględnianiem auokorelacji. abele od do 3 prezenują uzyskane oceny błędów prognoz odpowiednio dla rozparywanych par insrumenów. abela. Wyniki oceny błędów prognoz dla indeksów RMSE MEA MME0 MMEU alfa bea R F 0,08 0,6 0,63 0,67 0,443-0,363 0,036 F 0,09 0,6 0,65 0,68 0,37-0,97 0,054 F3 0,887 0,548 0,558 0,643 0,90 0,364 0,383 F4 0,884 0,545 0,506 0,684 0,99 0,365 0,37 F5 0,968 0,56 0,89 0,8 0,04-0,63 0,0056 F6 0,967 0,559 0,8 0,84 0,07-0,53 0,0050 Źródło: obliczenia własne. abela. Wyniki oceny błędów prognoz dla walu RMSE MEA MME0 MMEU alfa bea R F 0,90 0,845 0,33 0,64 0,858-0,654 0,0853 F 0,05 0,83 0,378 0,633 0,7988-0,564 0,075 F3 0,040 0,575 0,386 0,85 0,3354 0,376 0,30 F4 0,045 0,553 0,68 0,848 0,3337 0,3833 0,48 F5 0,357 0,8 0,65 0,3374 0,8346-0,95 0,0555 F6 0,374 0,86 0,44 0,348 0,839-0,96 0,057 Źródło: obliczenia własne. abela 3. Wyniki oceny błędów prognoz dla akcji RMSE MEA MME0 MMEU alfa bea R F 0,93 0,56 0,883 0,30 0,074 0,4467 0,73 F 0,9 0,50 0,898 0,39 0,0764 0,4376 0,30 F3 0,883 0,063 0,596 0,8 0,084 0,4576 0,370 F4 0,846 0,09 0,45 0, 0,08 0,4749 0,45 F5 0,00 0,098 0, 0,67 0,455 0,669 0,007 F6 0,0 0,088 0,08 0,66 0,454 0,709 0,0 Źródło: obliczenia własne.
16 6 Krzyszof Pionek W przypadku szeregów sóp zwrou z indeksów odpowiednie miary oceny błędów prognoz wyznaczone zosały na podsawie 3 sformułowanych prognoz na kolejny kwarał. Dla szeregów walu i akcji liczba odpowiednich prognoz wynosiła 6 i 35. Na podsawie uzyskanych wyników dla ych szczególnych, wybranych szeregów możliwe jes wyciągnięcie nasępujących osrożnych wniosków: prognozowanie bezwarunkowej macierzy kowariancji i korelacji prezenowanymi ypowymi meodami obarczone jes znacznymi błędami ex pos, prognozy w niewielkim sopniu wyjaśniają hisorycznie nasępnie realizowane korelacje (niska warość saysyki R ), dla każdej z prezenowanych par szeregów najmniejszy błąd prognozy (RMSE) uzyskano dla meody wygładzania wykładniczego z paramerem wygładzania równym 0,97, najbardziej skomplikowany model DVECH-GARCH każdorazowo generował prognozy obarczone najwyższym symerycznym błędem, model en każdorazowo częściej niedoszacowywał prognozy przyszłej korelacji. Zaprezenowane wnioski należy rakować z osrożnością, gdyż doyczą jedynie 3 wybranych par szeregów. Prezenowane wyniki są jedynie wsępem do niezbędnych szerszych badań. Po ds u mo w anie Na podsawie badań nad możliwością prognozowania korelacji finansowych szeregów czasowych na okres kolejnego kwarału (63 dni sesyjne) swierdzono, iż korelacja 7 jes wyjąkowo rudnym paramerem do prognozowania. Niezbędne jes poszukiwanie skueczniejszych meod prognozowania oraz przede wszyskim osrożne sosowanie narzędzi finansowych opierających się na prognozach macierzy korelacji i kowariancji. Modele prossze okazały się przewyższać znacznie bardziej skomplikowany model DVECH-GARCH. Isoy ego poszukiwać można w fakcie, że prognozowana była korelacja dla dość długiego okresu na podsawie warości osanio obserwowanej pojedynczej warunkowej macierzy 7 Badania innych auorów wykazały, że macierz kowariancji jes jeszcze mniej sabilna w czasie i rudniejsza ym samym do prognozowania.
17 Prog nozow a nie m a c ierzy kow a ria nc j i i korel a c j i 7 kowariancji, co jes specyfiką modeli klasy MGARCH(,). Przewaga ego modelu powinna rosnąć w zagadnieniach, w kórych niezbędne jes prognozowanie warunkowej macierzy wariancji-kowariancji dla krókich okresów czasu. Ponieważ model średniej ważonej wykładniczo każdorazowo okazał się najlepszy, należy zwrócić szczególną uwagę w prakycznych zasosowaniach na ę propozycję, kórej zaleą pozosaje również prosoa i inuicyjna inerpreacja. Prezenowane powyżej wnioski wymagają zdecydowanie dalszego powierdzenia w kolejnych pogłębionych badaniach dla innych meod i szeregów. Lieraura. Bollerslev., Engle. R., Nelson D. (994) ARCH Models. W: Handbook of Economerics. Volume IV. Amserdam. Holland Bollerslev., Engle R., Wooldridge J. (988). A Capial Asse Pricing Model wih ime-varying Covariance., Journal of Poliical Economy. Universiy of Chicago Press, vol. 96() Campa J., Chang K. (997). he Forecasing Abiliy of Correlaions Implied in Foreign Exchange Opions. NBER Working Paper Series. Working Paper Ding Z., Engle R. (00). Large Scale Condiional Covariance Marix Modeling, Esimaion and esing. Academia Economic Papers. 5. Gourieroux C. (997). ARCH Models and Financial Applicaions. Springer- Verlag. New York. 6. Hull J. (999). Fuures, opions and oher derivaives. Prenive-Hall, New York 7. J.P. Morgan (996). J.P. Morgan/Reuers Risk Merics M echnical Documen. J.P. Morgan. New York 8. Lopez J., Waler C. (000). Evaluaing covariance marix forecass in a value-a-risk framework. Federal Reserve Bank of San Francisco. Working Papers in Applied Economic heory Pionek K. (00). Modelowanie i prognozowanie zmienności insrumenów finansowych. Akademia Ekonomiczna we Wrocławiu (praca dokorska) 0. say R. (00). Analysis of Financial ime Series. Wiley and Sons.. Chicago Waler C., Lopez J. (000). Is implied correlaion worh calculaing? Evidence from foreign exchange opions and hisorical daa. Federal Reserve Bank of San Francisco. Working Papers in Applied Economic heory
Wyzwania 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoWykorzystywanie wielomywiarowych modeli klasy GARCH do badania wzajemnego wpływu rynków finansowych na świecie
E q u i l i b r i u m 1 (2) 2009 ISSN 1689-765X Tomasz Chruściński Wykorzysywanie wielomywiarowych modeli klasy GARCH do badania wzajemnego wpływu rynków finansowych na świecie Słowa kluczowe: giełdy papierów
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 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 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 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 szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009
A C A U N I V E R S I A I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISYCZNO-SPOŁECZNE ZESZY 389 ORUŃ 2009 Uniwersye Mikołaja Kopernika w oruniu Kaedra Ekonomerii i Saysyki omasz Chruściński
Bardziej szczegółowoWARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE
Daniel Iskra Uniwersye Ekonomiczny w Kaowicach WARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE Wprowadzenie Jednym z aspeków współczesnej ekonomii jes zarządzanie ryzykiem związanym
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 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 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 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 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 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 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 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 szczegółowoDodatek 2. Wielowymiarowe modele GARCH
Dodatek 2. Wielowymiarowe modele GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 2) Modele MGARCH 1 / 15 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu MGARCH {y t }: y
Bardziej szczegółowoĆWICZENIE NR 43 U R I (1)
ĆWCZENE N 43 POMY OPO METODĄ TECHNCZNĄ Cel ćwiczenia: wyznaczenie warości oporu oporników poprzez pomiary naężania prądu płynącego przez opornik oraz napięcia na oporniku Wsęp W celu wyznaczenia warości
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE 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 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 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 szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
Bardziej 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 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 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 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej 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 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 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 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 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 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 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 szczegółowoPROPOZYCJA NOWEJ METODY OKREŚLANIA ZUŻYCIA TECHNICZNEGO BUDYNKÓW
Udosępnione na prawach rękopisu, 8.04.014r. Publikacja: Knyziak P., "Propozycja nowej meody określania zuzycia echnicznego budynków" (Proposal Of New Mehod For Calculaing he echnical Deerioraion Of Buildings),
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 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 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 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 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 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 szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej 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 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 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 szczegółowoWERYFIKACJA WYBRANYCH TECHNIK PROGNOZOWANIA ZMIENNOCI ANALIZA SZEREGÓW CZASOWYCH
PRACE NAUKOWE AKADEII EKONOICZNEJ WE WROCŁAWIU Nr 99 2003 Inwesycje finansowe i ubezpieczenia endencje wiaowe a polski rynek Krzyszof Pionek Akadeia Ekonoiczna we Wrocławiu WERYFIKACJA WYBRANYCH TECHNIK
Bardziej szczegółowo4.2. Obliczanie przewodów grzejnych metodą dopuszczalnego obciążenia powierzchniowego
4.. Obliczanie przewodów grzejnych meodą dopuszczalnego obciążenia powierzchniowego Meodą częściej sosowaną w prakyce projekowej niż poprzednia, jes meoda dopuszczalnego obciążenia powierzchniowego. W
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 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 szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 2012
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 2012 MAŁGORZATA WASILEWSKA PORÓWNANIE METODY NPV, DRZEW DECYZYJNYCH I METODY OPCJI REALNYCH W WYCENIE PROJEKTÓW
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 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 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 szczegółowoPOMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU
Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów
Bardziej szczegółowoWykład 5 Elementy teorii układów liniowych stacjonarnych odpowiedź na dowolne wymuszenie
Wykład 5 Elemeny eorii układów liniowych sacjonarnych odpowiedź na dowolne wymuszenie Prowadzący: dr inż. Tomasz Sikorski Insyu Podsaw Elekroechniki i Elekroechnologii Wydział Elekryczny Poliechnika Wrocławska
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 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 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 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 szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej 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 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 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 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 szczegółowoMiara ryzyka estymacji parametrów modelu VaR
Zeszyy Uniwersye Ekonomiczny w Krakowie Naukowe 4 (976) ISSN 1898-6447 e-issn 2545-3238 Zesz. Nauk. UEK, 2018; 4 (976): 183 200 hps://doi.org/10.15678/znuek.2018.0976.0411 Miara ryzyka esymacji paramerów
Bardziej szczegółowoDodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH
Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 3) Modele MGARCH 1 / 11 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu
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 szczegółowoAnaliza szeregów czasowych uwagi dodatkowe
Analiza szeregów czasowch uwagi dodakowe Jerz Sefanowski Poliechnika Poznańska Zaawansowana Eksploracja Danch Prognozowanie Wbór i konsrukcja modelu o dobrch własnościach predkcji przszłch warości zmiennej.
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 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 szczegółowoCałka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona
Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu
Bardziej 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 szczegółowoC d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:
Zadanie. Obliczyć przebieg napięcia na pojemności C w sanie przejściowym przebiegającym przy nasępującej sekwencji działania łączników: ) łączniki Si S są oware dla < 0, ) łącznik S zamyka się w chwili
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 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 szczegółowoDOBÓR PRZEKROJU ŻYŁY POWROTNEJ W KABLACH ELEKTROENERGETYCZNYCH
Franciszek SPYRA ZPBE Energopomiar Elekryka, Gliwice Marian URBAŃCZYK Insyu Fizyki Poliechnika Śląska, Gliwice DOBÓR PRZEKROJU ŻYŁY POWROTNEJ W KABLACH ELEKTROENERGETYCZNYCH. Wsęp Zagadnienie poprawnego
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 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 szczegółowoSilniki cieplne i rekurencje
6 FOTO 33, Lao 6 Silniki cieplne i rekurencje Jakub Mielczarek Insyu Fizyki UJ Chciałbym Pańswu zaprezenować zagadnienie, kóre pozwala, rozważając emaykę sprawności układu silników cieplnych, zapoznać
Bardziej 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 szczegółowo