Heteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR
|
|
- Jacek Podgórski
- 7 lat temu
- Przeglądów:
Transkrypt
1 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 na rynkach finansowych [6], szczególną uwagę zwrócono na ryzyko rynkowe. Jedną z grup meod pomiaru ryzyka rynkowego sanowią miary zagrożenia (downside risk measures) [7], z kórych najpopularniejszą miarą pozosaje Value A Risk (VaR). U podsaw rozważań o miarach zagrożenia znajduje się dyskusja o rozkładach sóp zwrou oraz o dynamicznych modelach opisujących zmianę ceny insrumenu finansowego. Sandardowe modele zakładają, że procesem kszałującym zmiany cen insrumenów bazowych jes geomeryczny proces Browna ze sałymi paramerami dryfu oraz zmienności. Model en zakłada że rozkład sop zwrou jes rozkładem normalnym, jednak badania empiryczne wykazały wysępowanie na rynkach finansowych: efeku skupiania danych, grubych ogonów rozkładów, skośności rozkładu, długoerminowej zależności danych, auokorelacji sóp zwrou. Niezbędne sało się więc poszukiwanie modeli lepiej opisujących rynek, kóre można by wykorzysać w wyznaczaniu miary VaR. W niniejszej pracy jako poencjalne modele umożliwiające wyznaczenie warości VaR przyjęe zosały modele zawierające się w klasie AR(1)-GARCH(1,1). Procesy e umożliwiają modelowanie szeregów z auokorelacją oraz zmienną wariancją sóp zwrou. Dokonano weryfikacji przydaności poszczególnych modeli dla danych z Giełdy Papierów Warościowych w Warszawie. Analizowanym szeregiem czasowym były dzienne logarymiczne sopy zwrou z indeksu WIG.
2 1. Analizowane modele finansowych szeregów czasowych Rozważania o pomiarze ryzyka rynkowego meodą VaR rozpocząć należy od wyboru i uzasadnienia modeli dynamiki sóp zwrou. O ile odpowiednie esy wykażą wysępowanie auokorelacji sóp zwrou, niezbędne wydaje się zasosowanie procesów auoregresji, a o ile odpowiednie esy powierdzą wysępowanie zmiennej w czasie wariancji (heeroskedasyczności), rozwiązaniem może być zasosowanie modeli klasy ARCH lub GARCH wprowadzonych przez Engla [4] i Bollersleva []. Próbę do badań sanowiły dzienne sopy zwrou z indeksu WIG. Indeks WIG wybrany zosał do badań ze względu na o, że jes o jeden z najdłuższych dosępnych szeregów czasowych dziennych sóp zwrou na rynku polskim. Próba rozpoczyna się (dzień wprowadzenia pięciosesyjnego ygodnia na GPW) a kończy Łączna długość szeregu wynosi 1750 obserwacji. Zosał on podzielony na próbę uczącą o długości 1000 obserwacji, kóra posłużyła do uzasadnienia wyboru odpowiednich modeli i ich kalibracji oraz na próbę esową o długości 750 obserwacji, na kórej dokonano weryfikacji przydaności poszczególnych modeli do wyznaczania miary VaR. Na próbie uczącej dokonano uzasadnienia wykorzysania modeli auregresyjnych oraz heeroskedasycznych. Isoność auokorelacji rzędu pierwszego sóp zwrou zbadano przy pomocy esu isoności współczynnika korelacji [16]. Weryfikacji podlegała hipoeza H 0 :[ ρ = 0 ] wobec hipoezy alernaywnej H 1 :[ ρ 0 ] dla τ = 1. τ τ I τ = ˆ ρ τ n τ 1 ˆ ρ τ (1) gdzie n - długość analizowanego szeregu, ρˆ τ - oszacowanie współczynnika auokorelacji rzędu τ. W przypadku prawdziwości H 0, saysyka I τ ma rozkład -Sudena z ( n τ ) sopniami swobody.
3 Dla próbki uczącej o długości n=1000, uzyskano ˆ1 ρ = 0, 14, co daje warość saysyki I 1 = 6, 949. Dla poziomu isoności 0,05 warość kryyczna wyznaczona z rozkładu -Sudena wynosi 1,963, hipoezę H 0 odrzucamy na rzecz hipoezy alernaywnej H 1 ; współczynnik auokorelacji rzędu pierwszego jes isony. Isoność pozosałych auokorelacji zbadano łącznie wykorzysując es Q Ljunga-Boxa-Pierce'a [3]. Z szeregu sóp zwrou usunięo auokorelację rzędu pierwszego i dla ak uzyskanego nowego szeregu zbadano isoność pierwszych 15 auokorelacji. Warość saysyki Q=14,53, co wobec warości kryycznej esu odczyanej z rozkładu χ (dla poziomu isoności 0.05 oraz ilości sopni swobody równej 15) wynoszącej 4,996 pozwala swierdzić, że brak jes podsaw do odrzucenia hipoezy zerowej o nieisoności obserwowanych auokorelacji. Pozwala o skupić nasze rozważania na modelach auoregresyjnych o rzędzie auoregresji nie większym niż 1. Wysępowanie efeku ARCH można zbadać przy pomocy esu zaproponowanego przez Engle'a [4].Tes polega na sprawdzeniu, czy składnik losowy ma sała wariancję wobec alernaywy, że wariancja zmienia się. Sprawdzianem efeku ARCH(p) jes saysyka TR o rozkładzie χ oraz p sopniach swobody (T - liczba obserwacji, R - współczynnik deerminacji równania auoregresji kwadraów resz modelu). Tes efeku GARCH(p,q) jes równoważny esowi ARCH(p+q). Dla naszej próbki uczącej uzyskano dla esu efeku ARCH(5) TR =161, 9 oraz warość kryyczną esu dla 5 sopni swobody i poziomu isoności 0,05 równą 11,07. Isnieją więc podsawy do odrzucenia hipoezy zerowej o braku heeroskedasyczności w analizowanym szeregu czasowym. Uzasadnieniem sosowania modeli heeroskedasycznych jes również zaprezenowana na rys.. silna auokorelacja kwadraów sóp zwrou. Dla pierwszych 15 warości auokorelacji warość Q esu wynosi 401,6 a warość kryyczna esu dla poziomu isoności 0,05 wynosi 4,99, co jes również powierdzeniem efeku ARCH.
4 Rys. 1 przedsawia auokorelację sóp zwrou w próbce "uczącej". Źródło - obliczenia własne. Rys. przedsawia auokorelację kwadraów sop zwrou w próbce "uczącej" W związku z wykazanymi właściwościami analizowanego szeregu sóp zwrou w dalszej części pracy rozparywane będą modele zagnieżdżone w modelu AR(1)-GARCH(1,1) danym równaniami: r = µ + ϕ 1 + ε () r ε = h η (3) h ϖ αε βh (4) = η ~ N(0,1) (5) Tak zdefiniowany model zakłada, że warunkowa warość oczekiwana sóp zwrou wynosi m µ + ϕr 1 (6), = a warunkowa wariancja zadana jes równaniem (4). Spośród rożnych dosępnych w ramach wzorów ()-(5) modeli do analiz wybrano nasępujące modele: Model Resrykcje AR(0)-GARCH(0,0) ϕ = α = β = 0 AR(1)-GARCH(0,0) α = β = 0 AR(0)-GARCH(1,1) ϕ = 0 AR(1)-GARCH(1,1) Brak
5 Wybór ych modeli, a akże ograniczenie się do odpowiednio niskich rzędów modeli podykowany był zby krókim szeregiem czasowym, by esymować bardziej skomplikowane modele. Dopasowanie modeli do danych zbadano poprzez analizę logarymu funkcji wiarygodności. Przykład esymacji paramerów modelu GARH(1,1) dla indeksu WIG można znaleźć np. w pracy [15] Model Resrykcje Logarym funkcji wiarygodności AR(0)-GARCH(0,0) ϕ = α = β = 0 474,7983 AR(1)-GARCH(0,0) α = β = 0 498,8841 AR(0)-GARCH(1,1) ϕ = 0 603,8038 AR(1)-GARCH(1,1) Brak 636,6637 Źródło - obliczenia własne. Ze względu na fak, że rozparywane modele zawierają się w sobie, do wyboru modelu, kóry najlepiej nadaje się do modelowania zadanego szeregu zasosowano es opary na warościach funkcji wiarygodności (Likelihood Raio Tes) dany nasępującą saysyką LRT = ( LLF 1 LLF ) (7), 0 gdzie: LLF 1 - warość logarymu funkcji największej wiarygodności dla modelu z mniejszą liczbą resrykcji, LLF 0 - warość logarymu funkcji największej wiarygodności dla modelu z większą liczbą resrykcji. Saysyka LRT ma rozkład χ z ilością sopni swobody równą różnicy w liczbie resrykcji. Model z większą Model z mniejszą Saysyka LTR Warość kryyczna liczbą resrykci liczbą resrykcji esu AR(0)-GARCH(0,0) AR(1)-GARCH(0,0) 48,171 3,841 AR(0)-GARCH(0,0) AR(0)-GARCH(1,1) 58,01 5,981 AR(0)-GARCH(0,0) AR(1)-GARCH(1,1) 33,73 7,81 AR(1)-GARCH(0,0) AR(1)-GARCH(1,1) 75,599 5,991 AR(0)-GARCH(1,1) AR(1)-GARCH(1,1) 65,70 3,841 Źródło - opracowanie własne
6 We wszyskich zesawieniach es wykazał, że model z większą ilością paramerów w lepszy sposób modeluje zrealizowane sopy zwrou. Ponieważ modele AR(1)-GARCH(0,0) oraz AR(0)-GARCH(1,1) nie zawierają się w sobie do ich oceny wykorzysano kryerium Akaike'a (AIC) [3]. Model Warość AIC AR(1)-GARCH(0,0) -4991,76819 AR(0)-GARCH(1,1) -5199,6076 Źródło - obliczenia własne. Kryerium Akaike'a preferuje model AR(0)-GARCH(1,1). Na podsawie powyższych analiz można powiedzieć, że najlepszym spośród analizowanych modeli (pod względem dopasowania do danych) jes model AR(1)-GARCH(1,1), a najgorszym model AR(0)-GARCH(0,0) odpowiadający klasycznemu ruchowi Browna dla czasu dyskrenego. W dalszej części pracy przedsawiona zosanie meoda wykorzysania zdefiniowanych modeli do pomiaru VaR oraz weryfikacja uzyskanych na ej podsawie wyników.. Pomiar ryzyka meodą VaR Warość narażona na ryzyko (warość zagrożona, Value a Risk - VaR) o maksymalna kwoa, jaką można sracić w wyniku inwesycji w porfel o określonym horyzoncie czasowym i przy założonym poziomie olerancji [1][10]. Powyższą definicję można zapisać w posaci: ( W W VaR) = α P 0 (8) gdzie: W 0 - obecna warość insrumenu, W - warość insrumenu na końcu okresu, α - poziom olerancji. Nie znając warości porfela W 0, nie zmniejszając ogólności rozważań, powyższą zależność można zapisać wykorzysując pojęcie sopy zwrou:
7 ( r F 1 ( α ) = α P co oznacza, że prawdopodobieńswo, że sopa zwrou w danym horyzoncie czasu nie przekroczy warości równej odpowiedniemu kwanylowi rozkładu sóp 1 zwrou F ( α ) (9),, wynosi α. Podejście o wywodzi się ze saycznego zarządzania ryzykiem (saic risk managemen), w kórym analizujemy jedynie bezwarunkowy rozkład sóp zwrou. Z akim podejściem konrasuje dynamiczne zarządzanie ryzykiem (dynamic risk managemen), pozwalające uchwycić akie zależności jak auokorelacje sóp zwrou i gromadzenie zmienności. Dla wersji dynamicznej zależność (9) przyjmuje posać: P 1 ( r m + h F ( α) ) α η = (10) gdzie: m -warunkowa oczekiwana sopa zwrou dla horyzonu w kórym liczymy VaR, h - warunkowa oczekiwana wariancja dla horyzonu, w kórym liczymy VaR, F 1 η ( α ) - kwanyl odpowiadający prawdopodobieńswu α dla warunkowego rozkładu zdefiniowanego wzorem (5). Ponieważ w analizowanym przypadku rozkład warunkowy zadany wzorem (5) jes rozkładem N(0,1), wiec dla sandardowych poziomów olerancji 0,05 oraz 0,01 uzyskujemy nasępujące 1 1 warości kwanyli: F ( 0,05) 1, 65 oraz ( 0,01), 33 η = F =. Poniżej, na rys. 3., przedsawiono liczbę oraz rozmieszczenie w czasie przekroczeń dziennej warości VaR dla poszczególnych modeli dla poziomu olerancji 0,05. Badanie przeprowadzono na próbce esowej o długości 750 sóp zwrou. Każdorazowo dokonywano ponownej esymacji modelu na podsawie osanich 1000 obserwacji, wyznaczano warunkową wariancję oraz warunkową oczekiwaną sopę zwrou, a nasępnie sprawdzano, czy ( r m h ) η. Jeśli ak, o w danym dniu sraa przekraczała VaR. Jedynie dla modelu AR(0)-
8 GARCH(0,0) prognoza sopy zwrou w kolejnym dniu oraz prognoza odchylenia sandardowego dokonywana była na podsawie osanich 150 obserwacji 1. Przekroczenie przez sraę warości VaR przedsawione zosało na poniższych rysunkach przez pionowy prążek. Rys. 3. Przekroczenia VaR. Źródło - obliczenia własne. 3 Tesowanie wseczne modelu Tesowanie wseczne modelu (backesing) [10][6][1] jes niezbędną procedurą, aby swierdzić, czy można sosować dany model. Tesu dokonuje jednoska, kóra wdraża dany model. Od wyniku esu zależy również odpowiedni mnożnik przy obliczaniu minimalnych wymogów kapiałowych dla banków zgodnie z rozporządzeniami Komieu Bazylejskiego. Insyucja 1 Okno o szerokości 150 obserwacji dobrane zosało eksperymenalnie, aby dla próbki uczącej orzymać jak najlepsze oszacowanie VaR.
9 wdrażająca swój wewnęrzny sysem VaR zaineresowana powinna więc być akim wyborem modelu, aby sprawdzał się jak najlepiej. Odpowiedzi na pyania, czy dany model w sposób wysarczająco dobrze mierzy ryzyko udzielają odpowiednie esy. Najprosszym esem jes es ilości przekroczeń (failure es) [5]. Dla danej wielkości próby eoreyczna liczba przekroczeń N ma rozkład dwumianowy. Odpowiednią saysykę esową zaproponował w 1995 roku Kupiec. Ma ona posać: T N N [( 1 p) p ] T N N N N LRuc = ln + ln 1 (11) T T gdzie: N - ilość przekroczeń VaR, T- długość próby esowej, p - poziom olerancji VaR przyjęy w modelu. Saysyka LR uc ma rozkład χ z jednym sopniem swobody. Dla T=750, poziomu olerancji VaR 0,05 oraz poziomu isoności esu 0.05, ilość przekroczeń wyznaczająca obszar niekryyczny (przyjęcia hipoezy o poprawności modelu) wynosi 7 N 49 wobec warości oczekiwanej ilości przekroczeń wynoszącej 37,5. Tes ilości przekroczeń nie jes jedynym esem, kóremu należy poddać weryfikowany model. Trudno zgodzić się, że model jes poprawny jeśli rzeczywiście w ciągu 750 esowanych dni, liczba przekroczeń wynosi 37, ale 15 przekroczeń wysąpiło w ciągu osaniego miesiąca. Do esu na ilość przekroczeń należy dołączyć es, czy przekroczenia są niezależne w czasie. Opracowano różne akie esy, ale największą popularność zdobył es niezależności przekroczeń Kupca LR ind [5] opary na dwóch esach - eście do pierwszego przekroczenia (Time unil Firs Failure Tes) [5] oraz eście czasu pomiędzy kolejnymi przekroczeniami (Time beween Failures Tes) [5] dany wzorem (1): LR ind p(1 p) = ln pˆ 1(1 pˆ ν 1 1 ν1 1 1) + N i= p(1 p) ln pˆ i(1 pˆ i) ν 1 i ν 1 i (1),
10 gdzie: ν 1 - czas w dniach do pierwszego przekroczenia, ν i - czas pomiędzy (i-1)-ym i i-ym przekroczeniem, 1 pˆ i = (13) ν Saysyka i LR ind ma rozkład χ z N sopniami swobody. Ponieważ saysyki LRuc oraz LR ind są niezależne, zaproponowano es mieszany przekroczeniami: LR mix uwzględniający zarówno ilość przekroczeń oraz czas pomiędzy mix = LRuc + LRind ~ N +1 LR χ (14) Poniżej przedsawiono wyniki esów dla poszczególnych modeli przy założeniu, że hipoezy esowana są dla poziomu isoności 0,05. AR(0)-GARCH(0,0) AR(1)-GARCH(0,0) AR(0)-GARCH(1,1) AR(1)-GARCH(1,1) LR CV LR CV LR CV LR CV LR uc 0,179 3,8415 3,4148 3,8415 0,0639 3,8415 0,0070 3,8415 LR ind 59,684 49,80 5,6 40,113 8,199 50,998 33,609 53,384 LR mix 59,864 50,998 55,641 41,337 8,63 5,19 33,616 54,384 źródło - obliczenia własne gdzie: LR - uzyskana warość saysyki esowej dla danego modelu, CV - warość kryyczna esu dla poziomu isoności 0,05. Zaznaczone zosały esy, sanowiące podsawę do odrzucenia hipoezy o poprawności modelu. Podsumowanie Na podsawie uzyskanych wyników można swierdzić, że dla żadnego modelu nie ma podsaw do odrzucenia go ze względu na ilość przekroczeń,
11 jednak esy niezależności nakazują odrzucenie modeli nie uwzględniających efeku GARCH. Analogiczne badania można przeprowadzić dla poziomu olerancji przy wyznaczaniu miary VaR na poziomie 0,01. Także w ym przypadku esy niezależności przekroczeń odrzucają modele bez heeroskedasyczności, lecz ze względu na niewielką długość szeregu esowego i niewielka liczbę przekroczeń należy formułować wnioski bardziej osrożnie. W wielu przypadkach szczególnie dla poziomu olerancji 0,01 miara VaR niedoszacowuje w sposób sysemayczny ryzyka i liczba pojawiających się przekroczeń jes większa od oczekiwanej. Dobre efeky uzyskuje się wedy sosując rozkład warunkowy o grubszych ogonach aniżeli rozkład normalny. Najczęściej sosuje się rozkłady warunkowe -Sudena, General Error Disribuion, α-sabilne lub rozkłady zdarzeń eksremalnych [14]. Poprawę uzyskiwanych wyników uzyskuje się również sosując modele heeroskedasyczne uwzględniające (w przeciwieńswie do modelu GARCH) asymerię informacji, czyli fak, że realizowane jednego dnia dodanie lub ujemne sopy zwrou w różny sposób wpływają na zmiany wariancji w dniu kolejnym [11]. Wyniki badań nad skuecznością sosowania meody VaR dla polskich szeregów czasowych znaleźć można również w pracach [8][9][1][13]. Lieraura [1] P. Bes, Warość narażona na ryzyko, Oficyna Ekonomiczna, Kraków, 000 [] T. Bollerslev, Generalized auoregressive condiional heeroskedasiciy, Journal of Economerics, 31, 1986 [3] G. Box, J. Jenkins, Analiza szeregów czasowych. Prognozowanie i serowanie, Pańswowe Wydawnicwo Naukowe, Warszawa, 1983 [4] R. Engle, Auoregressive condiional heeroskedasiciy wih esimaes of he variance of UK inflaion, Economerica, 50, 198
12 [5] M. Haas, New Mehods in Backesing, Financial Engineering Research cener, Bonn, February 001 [6] K. Jajuga, Nowe endencje w zarządzaniu ryzykiem finansowym, Rynek Terminowy 3, 5/1999 [7] K. Jajuga, Miary ryzyka rynkowego - część III. Miary zagrożenia., Rynek Terminowy 8, /000 [8] K. Jajuga, K. Kuziak, D. Papla, Ryzyko wybranych insrumenow polskiego rynku finansowego - cz. I, Rynek Terminowy 10, 4/000 [9] K. Jajuga, K. Kuziak, D. Papla, P. Rokia, Ryzyko wybranych insrumenow polskiego rynku finansowego - cz. II, Rynek Terminowy 11, 1/001 [10] P. Jorion, Value a Risk, nd ediion, McGraw-Hill, 001 [11] J. Knigh, S. Sachell, Forecasing volailiy in he financial markes, Buerworh-Heinemann, 1998 [1] J. Leśkow, S. Iwański, Obliczanie warości narażonej na ryzyko z wykorzysaniem algorymu geneycznego, Rynek Terminowy 1, /001 [13] M. Łach, A. Weron, Skueczność wybranych meod VaR dla danych finansowych z polskiego rynku, Rynek Terminowy 9, 3/000 [14] A. McNeil, R. Frey, Esimaion of Tail-Relaed Risk Measures for Heeroskedasic Financial Time Series: an Exreme Value Approach, Deparmen Mahemaik, ETH Zenrum, Zurich, April 000 [15] K. Pionek, Modelowanie finansowych szeregów czasowych z warunkową wariancją, "Inwesycje finansowe i Ubezpieczenia - endencje świaowe a rynek polski, październik 000, Szklarska Poręba [16] A. Welfe, Ekonomeria, Pańswowe Wydawnicwo Ekonomiczne, Warszawa, 1995
Studia 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 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 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 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 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 szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
Bardziej 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 szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej 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 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 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 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 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 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 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 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 szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 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 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 szczegółowoDaniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Wykorzysanie
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 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 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 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 szczegółowoKlasyfikacja modeli. Metoda najmniejszych kwadratów
Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Klasyfikacja modeli Modele dzielimy na: - jedno- i wielorównaniowe - liniowe i nieliniowe - sayczne i dynamiczne - sochasyczne i deerminisyczne -
Bardziej 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 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 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 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 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 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 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 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 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 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 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 szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 389 TORUŃ 2009
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 389 TORUŃ 2009 Uniwersye Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saysyki Marcin
Bardziej 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 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 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 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 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 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 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 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 szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
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 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 szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej 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 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 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 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 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 szczegółowoOCENA PRZYDATNOŚCI MODELI VaR DO SZACOWANIA RYZYKA INWESTYCJI NA RYNKU METALI SZLACHETNYCH
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-8611 Nr 295 2016 Małgorzaa Jus Uniwersye Przyrodniczy w Poznaniu Wydział Ekonomiczno-Społeczny Kaedra Finansów i Rachunkowości
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 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 szczegółowoANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-86 Nr 89 06 Uniwersye Ekonomiczny w Kaowicach Wydział Ekonomii Kaedra Meod Saysyczno-Maemaycznych w Ekonomii pawel.prenzena@edu.ueka.pl
Bardziej 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, 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 szczegółowoSTOPIEŃ AGREGACJI PRZESTRZENNEJ A ZMIENNOŚĆ SZEREGÓW CZASOWYCH CEN SUROWCÓW ROLNYCH
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/, 011, sr. 180 190 STOPIEŃ AGREGACJI PRZESTRZENNEJ A ZMIENNOŚĆ SZEREGÓW CZASOWYCH CEN SUROWCÓW ROLNYCH Mariusz Hamulczuk Kaedra Ekonomiki Rolnicwa i Międzynarodowych
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 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 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 szczegółowoFINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
Bardziej szczegółowoWPŁYW WARTOŚCI EKSTREMALNYCH NA ZMIENNOŚĆ STOCHASTYCZNĄ
Jusyna Majewska Uniwersye Ekonomiczny w Kaowicach WPŁYW WARTOŚCI EKSTREMALNYCH NA ZMIENNOŚĆ STOCHASTYCZNĄ Wprowadzenie Idea modelu zmienności sochasycznej (ang. sochasic volailiy, SV) powsała na podsawie
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 szczegółowoBayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1
Jacek Kwiakowski Uniwersye Mikołaja Kopernika w Toruniu Bayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1 WSTĘP Powszechnie wiadomo, że podsawowymi własnościami procesów finansowych
Bardziej 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 szczegółowoMetody i narzędzia ewaluacji
Meody i narzędzia ewaluacji wyników zdalnego esowania wiedzy (plaforma informayczna e-maura) Książka przygoowana w ramach projeku E-maura, współfinansowanego przez Unię Europejską w ramach Europejskiego
Bardziej szczegółowot MODELU AARCH ROZWOJU GOSPODARCZEGO
Uniwersye Ekonomiczny w Kaowicach Kaedra Maemayki anna.janiga-cmiel@ue.kaowice.pl SKŁADOWA γ MODELU AARCH ROZWOJU GOSPODARCZEGO Wprowadzenie Gospodarka każdego kraju jes kszałowana przez specyficzne dla
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoModelowanie i analiza szeregów czasowych
Modelowanie i analiza szeregów czasowych Małgorzaa Doman Plan zajęć Część. Modelowanie szeregów jednowymiarowych.. Szeregi jednowymiarowe własności i diagnozowanie. Modele auoregresji i średniej ruchomej
Bardziej 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 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 szczegółowoAnaliza szeregów czasowych w Gretlu (zajęcia 8)
Analiza szeregów czasowych w Grelu (zajęcia 8) Grel jes dość dobrym narzędziem do analizy szeregów czasowych. Już w samej podsawie Grela znajdziemy sporo zaimplemenowanych echnik służących do obróbki danych
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej 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 szczegółowoWYKORZYSTANIE TESTU OSTERBERGA DO STATYCZNYCH OBCIĄŻEŃ PRÓBNYCH PALI
Prof. dr hab.inż. Zygmun MEYER Poliechnika zczecińska, Kaedra Geoechniki Dr inż. Mariusz KOWALÓW, adres e-mail m.kowalow@gco-consul.com Geoechnical Consuling Office zczecin WYKORZYAIE EU OERERGA DO AYCZYCH
Bardziej szczegółowoElżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyk Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej 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 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 szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
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 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 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 szczegółowoZMIENNOŚĆ CEN NA RYNKU ŻYWCA DROBIOWEGO WSTĘP
Pior Bórawski, Jacek Kwiakowski, Kaedra Agrobiznesu i Ekonomii Środowiska UWM Olszyn, Kaedra Ekonomerii i Saysyki UMK Toruń, e-mail: pboraw@moski.uwm.edu.pl, e-mail: jkwia.uni.orun.pl. ZMIENNOŚĆ CEN NA
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 szczegółowoIntegracja zmiennych Zmienna y
Inegracja zmiennych Zmienna y jes zinegrowana rzędu d jeśli jej różnice rzędu d są sacjonarne. Zapisujemy o y ~ I ( d ). Przyjmuje się również, że zmienna sacjonarna y (jako że nie rzeba jej różnicować,
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 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 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 szczegółowoModelowanie rynków finansowych
Modelowanie rynków finansowych Jerzy Mycielski WNE UW 5 października 2017 Jerzy Mycielski (WNE UW) Modelowanie rynków finansowych 5 października 2017 1 / 12 Podstawowe elementy teorii 1 racjonalne oczekiwania
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowoDr hab. Jerzy Czesław Ossowski Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne
Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Ekonomeria-ćw.cz-SSW dr hab. Jerzy Czesław Ossowski Kaedra Nauk
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 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 szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowo