Modelowanie i prognozowanie zapotrzebowania oraz cen energii elektrycznej w warunkach rynkowych
|
|
- Ryszard Antczak
- 7 lat temu
- Przeglądów:
Transkrypt
1 Modelowanie i prognozowanie zapotrzebowania oraz cen energii elektrycznej w warunkach rynkowych Rafał Weron Centrum im. H.Steinhausa Politechnika Wrocławska
2 Wprowadzenie Jakie jest pytanie? Jaka jest dynamika cen energii elektrycznej? Dlaczego zadajemy sobie to pytanie? 2/27
3 Koło niefortuny Spekulacja Nicka Leesona (995) Straty handlowe i oszustwa księgowe (995) Spekulacja na stopach procentowych (998) $. mld $3.8 mld Wątpliwe transakcje (996) Ogólne oszustwa (99) $.3 mld Barings BCCI Daiwa BANKI ENERGE- TYCZNE MG LTCM FUNDU- CO- SZE FIRMY RP. PCA Morgan Grenfell UBEZP. Cendant $0.3 mld Confed Life $.3 mld Straty na nieruchomościach (994) $0 mld Złe inwestycje i twórcza księgowość (200) $40 mld ENRON Lloyd s $5.3 mld PG&E $8.9 mld $0.3 mld Ograniczenie cen detalicznych i pik na rynku hurtowym (200) $ mld $0.24 mld Zabezpieczenie kontraktami forward-futures (993) Niewypłacalność kontrpartnera (998) Oszustwa księgowe (998) Ugoda w procesach azbestowych (995) 3/27
4 Wprowadzenie cd. Jakie jest pytanie? Dlaczego zadajemy sobie to pytanie? Czy umiemy na to pytanie odpowiedzieć? 4/27
5 Wyjątkowy charakter energii elektrycznej Ekstremalna zmienność cen do 0 razy większa niż dla innych towarów czy instrumentów finansowych Skoki / piki cen oraz zapotrzebowania Powracanie do średniej Sezonowość Zależność od pogody Weron, Przybyłowicz (2000), Weron (2000), Trück, Weron (2004) 5/27
6 Wyjątkowy charakter energii elektrycznej cd. Brak lub ograniczone możliwości przechowywania energii elektrycznej Wycena arbitrażowa raczej niemożliwa Zarządzanie ryzykiem utrudnione Instrumenty finansowe szyte na miarę Niezbędne realistyczne modele dynamiki cen Bujko, Malko, Weron, Weron (2000), Weron, Weron (2000) BM 6/27
7 Modelowanie cen spotowych (cen rynku dnia następnego ) Modele statystyczne (ekonometryczne) Modelowanie procesem stochastycznym (losowym) Model dyfuzji z pikami Modele typu regime switching Modele fundamentalne Równowaga podaż/popyt (equilibrium models) Czynniki zewnętrzne : czapa śnieżna, itp. 7/27
8 Modele dyfuzji ze skokami Cena spotowa energii elektrycznej często jest modelowana procesem dyfuzji ze skokami: X t = µ ( X, t) t + σ( X, t) B t + i = N t J i ( X ) Dryf, np. ( )t α βx t Proces ruchu Browna ( klasyczna dyfuzja ) Złożony proces Poissona q(x,t), tj. proces skokowy z pewną intensywnością i rozkładem wielkości skoków J i (X) Clewlow, Strickland (2000), Eydeland, Geman (2000), Johnson, Barz (999) 8/27
9 Modele dyfuzji ze skokami cd. Po skoku proces ceny jest ściągany do normalnego poziomu przez: powracanie do średniej zbyt wolny powrót! ( µ ( X, t) = α β ) powracanie do średniej + skoki w dół nagłe spadki cen! X t Alternatywnie, po skoku w górę może zawsze następować skok w dół o podobnej wielkości skala dobowa Weron, Simonsen, Wilman (2004) 9/27
10 Model dyfuzji z pikami dla cen energii z giełdy Cena spotowa: p t = s t + S t + exp(q t + X t ) s t tygodniowa komponenta sezonowa (tj. typowy tydzień), S t roczna komponenta sezonowa (sinusoida), q t komponenta poissonowska o skokach J t, np. log J t ~N(µ,ρ 2 ) X t uogólniony proces Ornsteina-Uhlenbecka: dx t = ( α βx ) dt + σdb t t Cena [NOK/MWh] Cena spotowa Cykl roczny (dekomp. falkowa) Cykl sinusoidalny z dryfem Weron (2004) Dni 0/27
11 Model dyfuzji z pikami : symulacje Monte Carlo 60 Kalibracja modelu Okres handlu do Okres rozliczenia Cena spotowa [NOK/MWh] Wycena kontraktów terminowych 40 Cena spotowa Cykl roczny oraz trend Dni /27
12 Modele typu regime switching Można modelować proces ceny zmienną losową opisaną łańcuchem Markowa z n możliwymi stanami (regimes): Model 2-stanowy: X t = {,2} -p p 2 p 22 Cena spotowa -p 22 Prawdopodobieństwa przejścia: Model 2-stanowy Huisman-Mahieu (2003) 2/27
13 2-stanowy czy 3-stanowy? Model 2-stanowy: Stan podstawowy X t = (powracający do średniej) Stan wzbudzony X t = 2 (zm. los.: gaussowska, log-normalna, Pareto) Model 3-stanowy: Stan podstawowy X t = (powracający do średniej) Skok w górę X t = 2 Skok w dół X t = 3 Cena spotowa Model 2-stanowy (prawd. stanu X t =2) Model 3-stanowy (prawd. stanu X t =2) Rachev, Trück, Weron (2004), Weron, Bierbrauer, Trück (2004) 3/27
14 Wyniki estymacji modeli typu regime switching Dane 2-stany, skoki gaussowskie 2-stany, skoki log-normalne 2-stany, skoki Pareto 3-stany, skoki gaussowskie P (X t = ) 0,9926 0,9484 0,9485 0,9699 0,985 P (X t = 2) 0,0074 0,056 0,055 0,030 0,0075 Liczba skoków 9 7,26 8,05 33,32 3,72 Max skok 248,9 73,8 80, 72,5 69,8 Min skok 38,6 36,5 37, 8,5 40,9 Bierbrauer, Trück, Weron (2004) 4/27
15 Modelowanie cen spotowych: podsumowanie Modele cen pozwalają wyceniać kontrakty terminowe... ale nie nadają się do prognozy Próby wykorzystania prognoz zapotrzebowania mocy: Deterministyczna prognoza zapotrzebowania +SARIMA X t = exp(f (t,l t / v t ) + Z t + Y t ) Funkcja deterministyczna; oczekiwana względna dostępność elektrownii Burger, Klar, Müller, Schindlmayr (2004) Ruch Browna z dryfem wahania cen terminowych Krótkoterminowe wahania cen (SARIMA) 5/27
16 Dlaczego można uwzględniać prognozy zapotrzebowania? Cena energii [$/MWh] Kwiecień 998 Grudzień Zapotrzebowanie Szczytowa cena energii / koszt paliwa Źródło: C.Pirrong Styczeń 997 Lipiec Zapotrzebowanie z godz.6 Dobre prognozy zapotrzebowania lepsze modele cen! 6/27
17 Ogólne podejście statystyczne do prognozowania Zapotrzebowanie Z t jest modelowane jako suma: komponenty stochastycznej Y t np. AR, ARMAX, SARIMA, GARCH, PARMA, etc. komponenty deterministycznej (sezonowej) X t 7/27
18 Komponenta sezonowa: Model A - różnicowanie Najprościej: X t = Z t Z t-7 Ogólniej: X t = N gdzie N i= Z t it + M j= t jd T = 68 godzin (tj. tydzień); D = 24 godzin (tj. dzień) N = 4 lub 5 tygodni użytych do kalibracji M = 7 jest liczbą dni w tygodniu M Z NM N M i= j= Z t it jd Malko i in. (998), Skorupski i in. (2000), Borgosz-Koczwara i in. (200) 8/27
19 Model B - metody średniej ruchomej i sezonowej zmienności Met. średniej ruchomej typowy tydzień Nie może być użyta do usunięcia cyklu rocznego bo dane obejmują tylko kilka pełnych cykli Met. sezonowej zmienności Rolowana zmienność dla zwrotów (tzn. procentowych różnic): v t = 24 ( R R ) 24 i = 0 t 2+ i Średnia roczna zmienność σ t = (v t v t 2000 )/2 Wygładzona zmienność (średnia ruchoma z σ t ) t 2 9/27
20 Metoda sezonowej zmienności cd. Skalujemy dane dzieląc je przez wygładzoną roczną zmienność σ t Dni z okresu Otrzymany szereg zapotrzebowania nie posiada cyklu rocznego Weron, Kozłowska, Nowicka-Zagrajek (200) 20/27
21 Analizowane dane: dobowe zapotrzebowanie w Kalifornii Dobowe zapotrzebowanie [GW] Kalibracja modeli lata rok 200 rok Dni z okresu /27
22 Periodogram przed i po usunięciu sezonowości Periodogram Periodogram 2 x dni 7 dni ω k Zapotrzebowanie dni Harmoniczne wskazują, że dane przejawiają cykl 7-dniowy, który nie jest sinusoidalny 2.33 dni ω k x 0 7 Model A 8 Model B Periodogram ω k Nowicka-Zagrajek, Weron (2002), Misiorek, Weron (2004) 22/27
23 ARMA z szumem... hiperbolicznym Y t φ Y t K φ pyt p = εt + θε t + K+ θ q ε t q Prawdopodobieństwo Residua Gęstość Residua R. gaussowski R. hiperboliczny Residua Nowicka-Zagrajek, Weron (2002) 23/27
24 Zapotrzebowanie [GW] styczeń 2 marzec 200 r. Dane rzeczywiste Model A Model B Prognoza CAISO stycznia Blackouts stycznia Nowy Rok 9 lutego Washington s 60 Birthday 20% 5% 5 stycznia Birthday of Martin Luther King, Jr. Błąd prognozy jednodniowej (day-ahead) MAPE = n n i = ˆ x i x i Model A Model B CAISO 0% 5% 30 stycznia Giełda CalPX zawiesza działalność Misiorek, Weron (2004) EEM-04 24/27
25 Błędy prognozy MAPE = n n i = ˆ x i x i 200 MAPE CAISO Model A Model B Ze świętami,84% 2,29% 2,08% Bez świąt,83% 2,00%,74% 2002 MAPE CAISO Model A Model B Ze świętami,37% 2,06%,86% Bez świąt,35%,86%,67% 25/27
26 Błędy prognozy cd. MAPE prognozy CAISO Dobowa zmienność rzeczywistego zapotrzebowania 998 (*) 2,02% 5,26% 999,79% 5,22% 2000,96% 4,99% 200,84% 4,9% 2002,37% 4,42% Misiorek, Weron (2004) 26/27
27 Podsumowanie: zastosowania i wdrożenia Modele cen energii elektrycznej analiza ryzyka rynkowego i operacyjnego Elektrownia Opole S.A., PKE S.A. Prognozowanie zapotrzebowania mocy zamknięcie pozycji na rynku bilansującym Spółki dystrybucyjne (m.in. ZE Opole) Pakiety komputerowe 27/27
Ryzyko, Czarne Poniedziałki i długie ogony. Rafał Weron
Ryzyko, Czarne Poniedziałki i długie ogony Rafał Weron rweron@im.pwr.wroc.pl Plan wykładu Ryzyko Czarne Poniedziałki Prawa potęgowe Pomiar ryzyka (c) 2004 Rafał Weron 2 Ryzyko Ryzyko /wł. risico/ - możliwość
Bardziej szczegółowoZarządzanie ryzykiem. Rafał Weron
Zarządzanie ryzykiem Rafał Weron rweron@im.pwr.wroc.pl Plan wykładu Część I: Narzędzia Część II: Metody (c) 2005 Rafał Weron 2 Plan części II wykładu Ile możemy stracić, czyli miary ryzyka Jak to robią
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoRafał Weron. Institute of Organization and Management Wrocław University of Technology
Rafał Weron We współpracy z Joanną Janczurą, Kubą Nowotarskim, Kubą Tomczykiem (Wrocław), Stefanem Trückem (Sydney) oraz Rodney em Wolffem (Brisbane) Institute of Organization and Management Wrocław University
Bardziej szczegółowoModelowanie sezonowości a prognozowanie zapotrzebowania na energię elektryczną
Mgr inż. Adam Misiorek, 1) IASE Wrocław dr inż. Rafał Weron Centrum im. H. Steinhausa, Politechnika Wrocławska Modelowanie sezonowości a prognozowanie zapotrzebowania na energię elektryczną 1) Praca wykonana
Bardziej szczegółowoPROGNOZOWANIE CEN ENERGII NA RYNKU BILANSUJĄCYM
"DIALOG 0047/2016" PROGNOZOWANIE CEN ENERGII NA RYNKU BILANSUJĄCYM WYDZIAŁ ELEKT RYCZ N Y Prof. dr hab. inż. Tomasz Popławski Moc zamówiona 600 Rynek bilansujący Moc faktycznie pobrana Energia zakupiona
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowoPODSTAWY LOGISTYKI ZARZĄDZANIE ZAPASAMI PODSTAWY LOGISTYKI ZARZĄDZANIE ZAPASAMI MARCIN FOLTYŃSKI
PODSTAWY LOGISTYKI ZARZĄDZANIE ZAPASAMI WŁAŚCIWIE PO CO ZAPASY?! Zasadniczą przyczyną utrzymywania zapasów jest występowanie nieciągłości w przepływach materiałów i towarów. MIEJSCA UTRZYMYWANIA ZAPASÓW
Bardziej szczegółowoEkonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006
Modele dynamiczne Paweł Cibis pcibis@o2.pl 27 kwietnia 2006 1 Wyodrębnianie tendencji rozwojowej 2 Etap I Wyodrębnienie tendencji rozwojowej Etap II Uwolnienie wyrazów szeregu empirycznego od trendu Etap
Bardziej szczegółowoRAPORT MIESIĘCZNY. Marzec Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
150,00 RAPORT MIESIĘCZNY Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 2003 140,00 130,00 120,00 110,00 100,00 90,00 80,00 70,00 średni kurs ważony obrotem kurs
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoRola innowacji w ocenie ryzyka eksploatacji obiektów hydrotechnicznych
Politechnika Krakowska Instytut Inżynierii i Gospodarki Wodnej Rola innowacji w ocenie ryzyka eksploatacji obiektów hydrotechnicznych XXVI Konferencja Naukowa Metody Komputerowe w Projektowaniu i Analizie
Bardziej szczegółowoOpcje koszykowe a lokaty strukturyzowane - wycena
Opcje koszykowe a lokaty strukturyzowane - wycena Basket options and structured deposits - pricing Janusz Gajda Promotor: dr hab. inz. Rafał Weron Politechnika Wrocławska Plan prezentacji Cel pracy Wprowadzenie
Bardziej szczegółowoRAPORT MIESIĘCZNY. Grudzień Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
RAPORT MIESIĘCZNY Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 150,00 140,00 średni kurs ważony obrotem kurs max kurs min Grudzień 2003 130,00 120,00 110,00 100,00
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych Mariusz Hamulczuk Pułtusk 06.12.1011 Wprowadzenie Przewidywanie a prognozowanie Metoda prognozowania rodzaje metod i prognoz Czy moŝna
Bardziej szczegółowoEkonometria dynamiczna i finansowa Kod przedmiotu
Ekonometria dynamiczna i finansowa - opis przedmiotu Informacje ogólne Nazwa przedmiotu Ekonometria dynamiczna i finansowa Kod przedmiotu 11.5-WK-IiED-EDF-W-S14_pNadGenMOT56 Wydział Kierunek Wydział Matematyki,
Bardziej szczegółowoZachowania odbiorców. Grupa taryfowa G
Zachowania odbiorców. Grupa taryfowa G Autor: Jarosław Tomczykowski Biuro PTPiREE ( Energia elektryczna luty 2013) Jednym z założeń wprowadzania smart meteringu jest optymalizacja zużycia energii elektrycznej,
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
Bardziej szczegółowoDWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI
DWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI mgr Marcin Pawlak Katedra Inwestycji i Wyceny Przedsiębiorstw Plan wystąpienia
Bardziej szczegółowoZapraszamy do współpracy FACULTY OF ENGINEERING MANAGEMENT www.fem.put.poznan.pl Agnieszka Stachowiak agnieszka.stachowiak@put.poznan.pl Pokój 312 (obok czytelni) Dyżury: strona wydziałowa Materiały dydaktyczne:
Bardziej szczegółowoRE Giełda Energii. Wykład 4
RE Giełda Energii Wykład 4 Rynek konkurencyjny i regulowany Trzy możliwości sprzedaży (rynek hurtowy) Kontrakt dwustronny Giełda Energii Rynek Bilansujący Giełda Energii Giełda Rynek Dnia Następnego System
Bardziej szczegółowoRAPORT MIESIĘCZNY. Czerwiec Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
14, RAPORT MIESIĘCZNY Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 24 13, 12, 11, 1, 9, 8, 7, 6, 5, średni kurs ważony obrotem kurs max kurs min 1 2 3 4 5 6 7
Bardziej szczegółowoRAPORT MIESIĘCZNY. Wrzesień Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
15, RAPORT MIESIĘCZNY Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 24 14, 13, 12, 11, 1, 9, 8, 7, 6, 5, średni kurs ważony obrotem kurs max kurs min 1 2 3 4 5
Bardziej szczegółowoRAPORT MIESIĘCZNY. Lipiec Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
RAPORT MIESIĘCZNY 24 15, Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 14, 13, 12, 11, 1, 9, 8, 7, 6, 5, średni kurs ważony obrotem kurs max kurs min 1 2 3 4 5
Bardziej szczegółowoWycena opcji. Dr inż. Bożena Mielczarek
Wycena opcji Dr inż. Bożena Mielczarek Stock Price Wahania ceny akcji Cena jednostki podlega niewielkim wahaniom dziennym (miesięcznym) wykazując jednak stały trend wznoszący. Cena może się doraźnie obniżać,
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowo7. Zastosowanie wybranych modeli nieliniowych w badaniach ekonomicznych. 14. Decyzje produkcyjne i cenowe na rynku konkurencji doskonałej i monopolu
Zagadnienia na egzamin magisterski na kierunku Ekonomia 1. Znaczenie wnioskowania statystycznego w weryfikacji hipotez 2. Organizacja doboru próby do badań 3. Rozkłady zmiennej losowej 4. Zasady analizy
Bardziej szczegółowoRAPORT MIESIĘCZNY. Maj Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
RAPORT MIESIĘCZNY 24 15, Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 14, 13, 12, 11, 1, 9, 8, 7, 6, 5, średni kurs ważony obrotem kurs max kurs min 1 2 3 4 5
Bardziej szczegółowoRachunek Prawdopodobieństwa Anna Janicka
Rachunek Prawdopodobieństwa Anna Janicka wykład XIV, 24.01.2017 ŁAŃCUCHYMARKOWA CD. KRÓTKIE INFO O RÓŻNYCH WAŻNYCH ROZKŁADACH Plan na dzisiaj Łańcuchy Markowa cd. Różne ważne rozkłady prawdopodobieństwa,
Bardziej szczegółowoRAPORT MIESIĘCZNY. Sierpień Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
140,00 RAPORT MIESIĘCZNY Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] Sierpień 2003 130,00 120,00 110,00 100,00 90,00 80,00 70,00 średni kurs ważony obrotem kurs
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowo1 Podstawy rachunku prawdopodobieństwa
1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej
Bardziej szczegółowoRAPORT MIESIĘCZNY. Listopad Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
RAPORT MIESIĘCZNY Rynek Dnia Następnego 2002 Średni Kurs Ważony Obrotem [PLN/MWh] 160 150 140 130 120 110 100 90 80 70 60 kurs średni kurs ważony obrotem kurs kurs max kurs kurs min 1 2 3 4 5 6 7 8 9 10
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informatyki Krzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH rozprawa doktorska Promotor: prof.
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoPARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV
Elektroenergetyczne linie napowietrzne i kablowe wysokich i najwyższych napięć PARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV Wisła, 18-19 października 2017
Bardziej szczegółowoEkonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 4 Prognozowanie, sezonowość Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu Prognozowanie Założenia i własności predykcji ekonometrycznej Stabilność modelu ekonometrycznego
Bardziej szczegółowoCzy opcje walutowe mogą być toksyczne?
Katedra Matematyki Finansowej Wydział Matematyki Stosowanej AGH 11 maja 2012 Kurs walutowy Kurs walutowy cena danej waluty wyrażona w innej walucie np. 1 USD = 3,21 PLN; USD/PLN = 3,21 Rodzaje kursów walutowych:
Bardziej szczegółowoZMIENNOŚĆI CENOWE NA RYNKACH ROLNYCH. Mariusz Hamulczuk SGGW
ZMIENNOŚĆI CENOWE NA RYNKACH ROLNYCH Mariusz Hamulczuk SGGW 2 Wstęp Rola cen w gospodarce rynkowej, Funkcja celu uczestników rynku rolnego, Zmiany ceny jako źródło ekspozycji na ryzyko dochodowe (zmienność
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoRAPORT MIESIĘCZNY. Kwiecień Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
140,00 RAPORT MIESIĘCZNY Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 2004 130,00 120,00 110,00 100,00 90,00 80,00 70,00 60,00 50,00 średni kurs ważony obrotem
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoModele rynku, kontrakty terminowe, spekulacje
Modele rynku, kontrakty terminowe, spekulacje Marcin Abram WFAIS UJ w Krakowie 9 marca 2009 Założenia modelu Cena rozpatrywanego obiektu zmienia się skokowo co czas δt. Bezwzględna wartość zmiany ceny
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoSystem prognozowania rynków energii
System prognozowania rynków energii STERMEDIA Sp. z o. o. Software Development Grupa IT Kontrakt ul. Ostrowskiego13 Wrocław Poland tel.: 0 71 723 43 22 fax: 0 71 733 64 66 http://www.stermedia.eu Piotr
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.
STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z
Bardziej szczegółowoEkonometryczna analiza popytu na wodę
Jacek Batóg Uniwersytet Szczeciński Ekonometryczna analiza popytu na wodę Jednym z czynników niezbędnych dla funkcjonowania gospodarstw domowych oraz realizacji wielu procesów technologicznych jest woda.
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoMetody zarządzania ryzykiem finansowym w projektach innowacyjnych przedsięwzięć symulacja Monte Carlo i opcje realne
Metody zarządzania ryzykiem finansowym w projektach innowacyjnych przedsięwzięć symulacja Monte Carlo i opcje realne dr Tomasz Krawczyk 1 Co to jest ryzyko? Ryzyko jest to potencjalny stopień zagrożenia
Bardziej szczegółowoKontrakty Terminowe na indeks IRDN24. materiał informacyjny
Kontrakty Terminowe na indeks IRDN24 materiał informacyjny 1 Kontrakty typu FUTURES Ogólne informacje: Notowane kontrakty: kontrakty terminowe na indeks IRDN24 Wykonanie kontraktu poprzez rozliczenie pieniężne
Bardziej szczegółowoWojny Coli - czyli siła reklamy na rynku oligopolicznym
Wojny Coli (Cola wars) - czyli siła reklamy na rynku oligopolicznym Maja Włoszczowska Promotor: Dr Rafał Weron Wydział Podstawowych Problemów Techniki Politechnika Wrocławska Wrocław, 26 stycznia 2008
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoRAPORT MIESIĘCZNY. Luty Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
RAPORT MIESIĘCZNY 2004 150,00 Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 140,00 130,00 120,00 110,00 100,00 90,00 80,00 70,00 60,00 50,00 średni kurs ważony
Bardziej szczegółowoOpcje - wprowadzenie. Mała powtórka: instrumenty liniowe. Anna Chmielewska, SGH,
Opcje - wprowadzenie Mała powtórka: instrumenty liniowe Punkt odniesienia dla rozliczania transakcji terminowej forward: ustalony wcześniej kurs terminowy. W dniu rozliczenia transakcji terminowej forward:
Bardziej szczegółowoLABORATORIUM PODSTAW TELEKOMUNIKACJI
WOJSKOWA AKADEMIA TECHNICZNA im. Jarosława Dąbrowskiego w Warszawie Wydział Elektroniki LABORATORIUM PODSTAW TELEKOMUNIKACJI Grupa Podgrupa Data wykonania ćwiczenia Ćwiczenie prowadził... Skład podgrupy:
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD grudnia 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 10 14 grudnia 2009 PARAMETRY POŁOŻENIA Przypomnienie: Model statystyczny pomiaru: wynik pomiaru X = µ + ε 1. ε jest zmienną losową 2. E(ε) = 0 pomiar nieobciążony, pomiar
Bardziej szczegółowoKRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH. Sławomir Śmiech, Monika Papież
KRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH Sławomir Śmiech, Monika Papież email: smiechs@uek.krakow.pl papiezm@uek.krakow.pl Plan prezentacji Wprowadzenie Ceny
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,
Bardziej szczegółowoĆwiczenia Zarządzanie Ryzykiem. dr hab. Renata Karkowska, ćwiczenia Zarządzanie ryzykiem 1
Ćwiczenia Zarządzanie Ryzykiem 1 VaR to strata wartości instrumentu (portfela) taka, że prawdopodobieństwo osiągnięcia jej lub przekroczenia w określonym przedziale czasowym jest równe zadanemu poziomowi
Bardziej szczegółowoRynek, opcje i równania SDE
Rynek, opcje i równania SDE Adam Majewski Uniwersytet Gdański kwiecień 2009 Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień 2009 1 / 16 1 Rynek, portfel inwestycyjny, arbitraż
Bardziej szczegółowoPROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)
PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej
Bardziej szczegółowoSymulacja wyników finansowych i wartości spółki za pomocą modelu zysku rezydualnego. Karol Marek Klimczak
Symulacja wyników finansowych i wartości spółki za pomocą modelu zysku rezydualnego Karol Marek Klimczak kmklim@kozminski.edu.pl Finanse przedsiębiorstw 2 3 Ekonomia Y = A K α L β Funkcja produkcji Cobba-Douglasa
Bardziej szczegółowoA.Światkowski. Wroclaw University of Economics. Working paper
A.Światkowski Wroclaw University of Economics Working paper 1 Planowanie sprzedaży na przykładzie przedsiębiorstwa z branży deweloperskiej Cel pracy: Zaplanowanie sprzedaży spółki na rok 2012 Słowa kluczowe:
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoKierunek studiów: Finanse i Rachunkowość Specjalność: Inżynieria finansowa
Kierunek studiów: Finanse i Rachunkowość Specjalność: Inżynieria finansowa Kierunek studiów: FINANSE I RACHUNKOWOŚĆ Specjalność: Inżynieria finansowa Spis treści 1. Dlaczego warto wybrać specjalność Inżynieria
Bardziej szczegółowoSymulacyjne metody analizy ryzyka inwestycyjnego wybrane aspekty. Grzegorz Szwałek Katedra Matematyki Stosowanej Uniwersytet Ekonomiczny w Poznaniu
Symulacyjne metody analizy ryzyka inwestycyjnego wybrane aspekty Grzegorz Szwałek Katedra Matematyki Stosowanej Uniwersytet Ekonomiczny w Poznaniu Plan prezentacji 1. Opis metody wyceny opcji rzeczywistej
Bardziej szczegółowo1. Klasyfikacja stóp zwrotu 2. Zmienność stóp zwrotu 3. Mierniki ryzyka 4. Mierniki wrażliwości wyceny na ryzyko rynkowe
I Ryzyko i rentowność instrumentów finansowych 1. Klasyfikacja stóp zwrotu 2. Zmienność stóp zwrotu 3. Mierniki ryzyka 4. Mierniki wrażliwości wyceny na ryzyko rynkowe 1 Stopa zwrotu z inwestycji w ujęciu
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 50 2012 ANALIZA WŁASNOŚCI OPCJI SUPERSHARE
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 5 212 EWA DZIAWGO ANALIZA WŁASNOŚCI OPCJI SUPERSHARE Wprowadzenie Proces globalizacji rynków finansowych stwarza
Bardziej szczegółowoZadanie 1. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną:
Zadanie. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną: Pr Pr ( = k) ( N = k ) N = + k, k =,,,... Jeśli wiemy, że szkód wynosi: k= Pr( N = k) =, to prawdopodobieństwo,
Bardziej szczegółowoWykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
Bardziej szczegółowoCeny energii elektrycznej
19-kwi 26-kwi 03-maj Ceny energii elektrycznej 10-maj 17-maj 29 gru 11 sty 24 sty 6 lut 19 lut 4 mar 17 mar 30 mar 12 kwi 25 kwi 8 maj 21 maj 220 180 140 PLN/MWh Dzienne ceny SPOT w latach 2012-2013 2012
Bardziej szczegółowoZarządzanie ryzykiem finansowym
Zarządzanie projektami Wrocław, 30 października 2013 Spis treści Motywacja Rachunek prawdopodobieństwa Koherentne miary ryzyka Przykłady zastosowań Podsumowanie Po co analizować ryzyko na rynkach finansowych?
Bardziej szczegółowoObroty i średnie ceny na rynku terminowym
15-maj 25-maj 04-cze 14-cze 1 kwi 15 kwi 29 kwi 13 maj 27 maj 10 cze 220 zł/mwh Dzienne ceny SPOT w latach 2012-2013 2012 Avg m-c 2012 2013 Avg m-c 2013 210 200 190 Notowania kontraktów forward dla produktu
Bardziej szczegółowoWprowadzenie do szeregów czasowych i modelu ARIMA
Wprowadzenie do szeregów czasowych i modelu ARIMA 25.02.2011 Plan 1 Pojęcie szeregu czasowego 2 Stacjonarne szeregi czasowe 3 Model autoregresyjny - AR 4 Model średniej ruchomej - MA 5 Model ARMA 6 ARIMA
Bardziej szczegółowoCeny mięsa i zbóż: co w górę, a co w dół?
.pl Ceny mięsa i zbóż: co w górę, a co w dół? Autor: Elżbieta Sulima Data: 24 czerwca 2016 Wołowina cieszy się dużą popularnością, więc ceny rosną. Jakie są notowania zbóż, a które produkty w ostatnim
Bardziej szczegółowoPROGNOZOWANIE ZAPOTRZEBOWANIA A RYNEK ENERGII
Jarosław ARABAS Politechnika Warszawska Łukasz ADAMOWICZ Transition Technologies SA PROGNOZOWANIE ZAPOTRZEBOWANIA A RYNEK ENERGII Prognozowanie zapotrzebowania na energię elektryczną stanowi jedno z podstawowych
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoCeny energii na rynku polskim: umiarkowany wzrost RDN
Ceny energii na rynku polskim: umiarkowany wzrost RDN 20-maj 30-maj 09-cze 19-cze 1 kwi 15 kwi 29 kwi 13 maj 27 maj 10 cze 24 cze 200 zł/mwh Dzienne ceny SPOT w latach 2012-2013 2012 Avg m-c 2012 2013
Bardziej szczegółowoO ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE
Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru
Bardziej szczegółowoPolska energetyka scenariusze
27.12.217 Polska energetyka 25 4 scenariusze Andrzej Rubczyński Cel analizy Ekonomiczne, społeczne i środowiskowe skutki realizacji 4 różnych scenariuszy rozwoju polskiej energetyki. Wpływ na bezpieczeństwo
Bardziej szczegółowoAnaliza trendów branżowych
Analiza trendów branżowych Handel Listopad 2014 Inwestujemy w rozwój województwa podkarpackiego Projekt współfinansowany ze środków Unii Europejskiej z Europejskiego Funduszu Rozwoju Regionalnego w ramach
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoAgata Boratyńska Statystyka aktuarialna... 1
Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA Z TEORII WIAROGODNOŚCI Zad. 1. Niech X 1, X 2,..., X n będą niezależnymi zmiennymi losowymi z rozkładu wykładniczego o wartości oczekiwanej
Bardziej szczegółowoGlobalizacja ryzyka cenowego na przykładzie rynku zbóż
Globalizacja ryzyka cenowego na przykładzie rynku zbóż Mariusz Hamulczuk IERiGŻ-PIB Warszawa "Ryzyko w gospodarce żywnościowej teoria i praktyka" Jachranka, 23-25 listopada 2016 Uzasadnienie Procesy globalizacji
Bardziej szczegółowoKontrakty terminowe na stawki WIBOR
Kontrakty terminowe na stawki WIBOR Sebastian Siewiera Główny Specjalista Dział Rynku Terminowego Warszawa, marzec 2014-1- WSTĘP Kontrakty terminowe (futures) na stopy LIBOR/EURIBOR oraz obligacje skarbowe
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoMetody oceny ryzyka operacyjnego
Instytut Matematyki i Informatyki Wrocław, 10 VII 2009 Bazylejski Komitet Nadzoru Bankowego Umowa Kapitałowa - 1988 Opracowanie najlepszych praktyk rynkowych w zakresie zarządzania ryzykiem Nowa Umowa
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoPRODUKTY DEPARTAMENTU RYNKÓW FINANSOWYCH
PRODUKTY DEPARTAMENTU RYNKÓW FINANSOWYCH Warszawa, październik 2018 www.pekao.com.pl Cechy ogólne dokumentu i zastrzeżenia prawne Cechy ogólne dokumentu Karta Produktu zawiera podstawowe informacje o instrumencie
Bardziej szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoZmienność wiatru w okresie wieloletnim
Warsztaty: Prognozowanie produktywności farm wiatrowych PSEW, Warszawa 5.02.2015 Zmienność wiatru w okresie wieloletnim Dr Marcin Zientara DCAD / Stermedia Sp. z o.o. Zmienność wiatru w różnych skalach
Bardziej szczegółowoInstrumenty rynku akcji
Instrumenty rynku akcji Rynek akcji w relacji do PK Źródło: ank Światowy: Kapitalizacja w relacji do PK nna Chmielewska, SGH, 2016 1 Inwestorzy indywidualni na GPW Ok 13% obrotu na rynku podstawowym (w
Bardziej szczegółowo