DYNAMICZNE MODELE EKONOMETRYCZNE

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "DYNAMICZNE MODELE EKONOMETRYCZNE"

Transkrypt

1 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 w Toruniu Jak zwiększyć rafność prognoz zmienności konsruowanych na podsawie modeli GARCH? *. Wprowadzenie Lieraura doycząca prognozowania zmienności insrumenów finansowych jes niezwykle bogaa (parz Poon i Granger, 2003), jednakże jak doąd nie ma jednoznacznych wskazówek doyczących wyboru najlepszej meody prognozowania zmienności. Wyniki badań empirycznych są niejednoznaczne, a częso nawe sprzeczne. W osanich dwudziesu laach powsało wiele uogólnień i rozszerzeń modelu GARCH, niemniej jednak jak doąd nie ma konsensusu co do jakości konsruowanych na ich podsawie prognoz zmienności. Wyniki doychczasowych badań nie wskazują jednoznacznie określonej klasy modeli, na podsawie kórych uzyskiwałoby się najlepsze prognozy zmienności dla procesów finansowych. Analizy doyczące polskiego rynku finansowego z zasosowaniem modelu GARCH zosały przeprowadzone między innymi przez Pionka (2003), Doman i Doman (2004), Fiszedera (2004a, b, 2005) oraz Pipienia (2006). Tylko w pracach Doman i Doman oraz Fiszedera do oceny jakości prognoz wykorzysano dane o wysokiej częsoliwości. Niniejsze badanie obejmuje jednakże znacznie szerszą klasę modeli GARCH, szczególnie modeli rozszerzonych o dodakowe informacje oraz doyczy znacznie szerszego okresu badania, co może mieć znaczący wpływ na uzyskane wyniki. Głównym celem arykułu jes ocena rafności prognoz zmienności konsruowanych na podsawie różnych posaci modeli GARCH. Wykorzysanie dodakowych informacji przy konsrukcji modelu GARCH lub esymacji jego paramerów nie zawsze prowadzi do wzrosu rafności prognoz zmienności. * Praca naukowa finansowana ze środków na naukę w laach , projek badawczy nr -H02B

2 52 Pior Fiszeder Układ arykułu jes nasępujący. Część druga zawiera króki opis sosowanych w badaniu meod prognozowania zmienności oraz meod oceny rafności prognoz. W części rzeciej zbadano rafność prognoz zmienności dla indeksu WIG20. Arykuł kończy podsumowanie. 2. Meody prognozowania zmienności oraz meody oceny rafności prognoz Analizowane meody prognozowania zmienności można podzielić na rzy grupy. Pierwsza grupa obejmuje modele GARCH, kórych paramery były esymowane na podsawie dziennych sóp zwrou z wykorzysaniem wyłącznie cen zamknięcia: GARCH, IGARCH, GARCH-M, model GARCH z progowym efekem GARCH-M (GARCH-MT), GJR, TGARCH i FIGARCH, model GARCH z warunkowym rozkładem -Sudena (oznaczony jako GARCH-). Zasosowano również model EGARCH, jednakże z uwagi na problemy z esymacją paramerów dla niekórych okresów (płaska funkcja wiarygodności) pominięo prezenację wyników ego modelu. Druga grupa obejmuje inne meody, kóre zasosowano również dla danych dziennych 2 : model błądzenia przypadkowego dla wariancji (RW), model zmienności hisorycznej (HA), model wariancji ruchomej (MA), model wyrównywania wykładniczego dla wariancji (ES) oraz model sochasycznej zmienności (SV). Trzecia grupa obejmuje meody, w kórych wykorzysuje się dodakowe informacje: model GARCH szacowany na podsawie przeskalowanego prawdziwego zakresu zmiany (GARCH dla TR), model GARCH rozszerzony o dodakowe zmienne objaśniające z okresu prawdziwy zakres zmiany (GARCH z TR), różnicę między logarymami z maksymalnej i minimalnej ceny w ciągu dnia (GARCH z HL), sumę kwadraów sóp zwrou o częsoliwości 5 minu (GARCH z 5MR) oraz kwadra sopy zwrou indeksu S&P 500 (GARCH z S&P). Badano również modele GARCH opisujące wahania sezonowe (GARCH z sez.), efek ygodnia (GARCH z yg.) oraz efek związany z okresami świąecznymi (GARCH ze św.) - modele rozszerzone o odpowiednie zmienne zerojedynkowe, model GARCH z indeksem S&P 500 w średniej (S&P w średniej) oraz model błądzenia przypadkowego dla zmienności zrealizowanej obliczanej jako suma kwadraów 5-minuowych sóp zwrou (RW inra). Z uwagi na ograniczony rozmiar publikacji pominięo prezenację podsawowych specyfikacji modeli. Można je znaleźć na przykład w pracach Fiszedera (2004a, b). Poniżej omówiono ylko rzadziej sosowane parameryzacje modeli. Model GARCH z progowym efekem GARCH-M (zaproponowany w pracy Fiszedera, 2005) można przedsawić w formie: Dla skróconego okresu prognozy konsruowane na podsawie ego modelu były znacząco mniej rafne niż prognozy konsruowane na podsawie modelu GARCH (były częściej przeszacowane). 2 W nawiasach podano przyjęe oznaczenia w abelach.

3 y h + Jak zwiększyć rafność prognoz zmienności 53 = c + δ I h + δ I ) h + ε, 2 = α 0 + α ε + βh ( ψ ~ D ( 0, h ) ε, (), (2) gdzie I =, gdy x 0 i I = 0, gdy x < 0. Jako x przyjęo sopy zwrou indeksu S&P 500. Wyboru sałej wygładzania w modelu wariancji ruchomej oraz parameru wygasania w modelu wyrównywania wykładniczego dokonywano dla każdego okresu na podsawie próbki wsępnej. Wybierano e warości, dla kórych pierwiasek błędu średniokwadraowego był najmniejszy w próbce wsępnej. Dodakowo przyjęo sałą wygładzania równą 25 oraz paramer wygasania równy 0,94 (warość sosowana w procedurze RiskMerics). Fiszeder (2005) zaproponował, aby esymację modelu GARCH przeprowadzić na podsawie przeskalowanego prawdziwego zakresu zmiany. Prawdziwy zakres zmiany dla okresu jes obliczany jako: TR max{( H L ), C H, C L }, (3) = gdzie H i L oznaczają odpowiednio cenę maksymalną i minimalną w okresie, C o cena zamknięcia w okresie. Prawdziwy zakres zmiany daje zawyżone szacunki zmienności. Skalowanie można przeprowadzić na dwa sposoby, korzysając z kwadraów sóp zwrou lub warości bezwzględnych sóp zwrou. Przeskalowania TR dokonuje się na podsawie formuły: gdzie a STR = TR, (4) b a = i= 2 r i, b = TR i i= 2 lub a = i= r i, b = TR i i= w zależności od przyjęej meody skalowania 3. Skalowanie dla warości bezwzględnych sóp zwrou prowadzi na ogół do zaniżonych szacunków prognoz, dlaego sugerujemy sosowanie skalowania dla kwadraów sóp zwrou. Ocenę rafności prognoz dokonano na podsawie nasępujących miar: względnego błędu średniego (RME), średniego absolunego błędu (MAE), pierwiaska błędu średniokwadraowego (RMSE), logarymicznej funkcji sray (LL), średniego absolunego błędu prognozy skorygowanego o heeroskedasyczność (HMAE), pierwiaska błędu średniokwadraowego skorygowanego o heeroskedasyczność (HRMSE), współczynnika deerminacji R 2 dla funkcji 3 We wszyskich formułach zakłada się, że średnia sopa zwrou nie różni się isonie od zera.

4 54 Pior Fiszeder regresji realizacji wariancji względem prognoz wariancji, funkcji sray LINEX. Podano również procen prognoz przeszacowanych, oceny paramerów w równaniu regresji realizacji wariancji względem prognoz wariancji, ocenę współczynnika korelacji liniowej Pearsona prognoz wariancji warunkowych skonsruowanych na podsawie modelu GARCH i prognoz skonsruowanych na podsawie innych modeli. Ponado esowano isoność różnic dla błędu średniokwadraowego (parz Wes i Cho, 995). 3. Prognozowanie zmienności indeksu WIG20 Ocena rafności wybranych meod prognozowania zmienności zosała przeprowadzona dla indeksu WIG20. Do analizy przyjęo dzienne sopy zwrou od 2 sycznia 200 r. do 29 grudnia 2006 r. (504 obserwacje). Prognozy wariancji konsruowano na jedną sesję do przodu dla okresu od 2 sycznia 2004 r. do 29 grudnia 2006r. (757 sesji). Paramery wszyskich analizowanych modeli esymowano 757 razy dodając za każdym razem kolejną obserwację. Zaem ocena rafności prognoz zmienności zosała dokona dla sosunkowo długiego okresu (757 obserwacji dziennych, około 57 ys. obserwacji 5-minuowych). Badano procenowe logarymiczne sopy zwrou. Dla całego badanego okresu wysępowała słaba auokorelacja pierwszego rzędu o niesabilnej srukurze w czasie, nieisona saysycznie przy oddzielnym badaniu dla okresu esymacji i prognozowania. Jako realizacje wariancji do oceny rafności prognoz przyjęo sumy kwadraów 5-minuowych sóp zwrou. Esymacji paramerów modeli GARCH dokonano meodą quasi największej wiarygodności. Wyjąkiem jes model GARCH z warunkowym rozkładem - Sudena, w przypadku kórego zasosowano meodę największej wiarygodności. Na podsawie bayesowskiego kryerium Schwarza (SC) jako wysarczający do opisu zmienności warunkowej wariancji przyjęo model GARCH(,). Paramery modelu sochasycznej zmienności esymowano za pomocą meody quasi największej wiarygodności, w kórej do budowy funkcji wiarygodności wykorzysuje się filr Kalmana. W abeli podano procen prognoz przeszacowanych oraz szacunki dla: RME, MAE, RMSE oraz logarymicznej funkcji sray. Wyniki dla HMAE i HRMSE pominięo, ponieważ rankingi były zbliżone do wyników odpowiednio dla MAE i RMSE. Dla większości meod prognozy zmienności są częściej przeszacowane, jednakże sumarycznie niedoszacowane. W abeli 2 przedsawiono oceny paramerów funkcji regresji realizacji wariancji względem prognoz wariancji, szacunki współczynnika deerminacji dla ej funkcji oraz szacunki funkcji sray LINEX. Miejsce w rankingu badanych modeli zależy w dużym sopniu od przyjęego kryerium. Nie ma modelu, na podsawie kórego można by konsruować najdokładniejsze prognozy według wszyskich rozważanych miar rafności. Pomijając funkcję sray LINEX dla a =, kóra przywiązuje większą wagę do błędów przeszacowania zmienności niż błędów niedoszacowania najlepiej w

5 Jak zwiększyć rafność prognoz zmienności 55 rankingach wypada model GARCH szacowany na podsawie przeskalowanego prawdziwego zakresu zmiany. Tabela. Ocena dokładności prognoz: procen prognoz przeszacowanych, RME, MAE, RMSE i logarymiczna funkcja sray Model % RME MAE RMSE LL przeszac. w % Ocena Rank. Ocena Rank. Ocena Rank. GARCH GARCH IGARCH GARCH-M GARCH-MT GJR TGARCH FIGARCH RW HA MA MA k = ES RiskMerics SV GARCH dla TR GARCH z TR GARCH z HL GARCH z 5MR GARCH z S&P GARCH z sez GARCH z yg GARCH ze św S&P w średniej RW inra Przyjęe oznaczenia wyjaśniono w części 2 arykułu. Źródło: obliczenia własne. Drugą najlepszą meodą wydaje się być wykorzysanie wariancji ruchomej, gdzie sała wygładzania jes wybierana dla każdego okresu na podsawie próbki wsępnej. Meoda a jednak nie wypada dobrze w przypadku analizy pojedynczych spółek. Najmniej dokładne prognozy według większości miar oceny rafności są konsruowane na podsawie modeli błądzenia przypadkowego i zmienności hisorycznej. Model zmienności hisorycznej znacząco przeszacowuje zmienność. Zaem prognozy konsruowane na podsawie najprosszych meod są najmniej rafne. Wykorzysanie dodakowych informacji w modelu GARCH daje mieszane rezulay. Badanie pokazało, że wyniki zależą nie ylko od rodzaju informacji, ale również od sposobu wykorzysania ych informacji (por. w abelach np. GARCH dla TR i GARCH z TR czy GARCH z S&P i S&P w średniej).

6 56 Pior Fiszeder Tabela 2. Ocena dokładności prognoz: współczynnik deerminacji R 2, funkcja sray LINEX Model γ 0 γ R 2 LINEX a = - LINEX a = ( 0 9 ) Ocena Rank. Ocena Rank. Ocena Rank. GARCH GARCH IGARCH GARCH-M GARCH-MT GJR TGARCH FIGARCH RW.462* 0.22* e HA 4.567* -.234* MA MA k = ES RiskMerics SV GARCH dla TR GARCH z TR GARCH z HL GARCH z 5MR GARCH z S&P GARCH z sez GARCH z yg GARCH ze św S&P w średniej RW inra.088* 0.399* e Paramery γ 0 i γ oraz R 2 doyczą równania regresji realizacji wariancji względem prognoz wariancji. Gwiazdką oznaczono oceny paramerów γ 0 i γ isonie różniące się od odpowiednio zera i jedności na poziomie Średnie błędy szacunku szacowane były na podsawie formuły Newey i Wes. Przyjęe oznaczenia wyjaśniono w części 2 arykułu. Źródło: obliczenia własne. Prognozy zmienności skonsruowane na podsawie większości meod są bardzo silnie skorelowane z prognozami konsruowanymi na podsawie modelu GARCH (parz abela 3). Podobnie różnice w szacunkach wielu miar oceny rafności prognoz między różnymi meodami są częso niewielkie. Na przykład ylko w przypadku rzech meod: błądzenia przypadkowego, wariancji hisorycznej i modelu GARCH opisującego efek ygodnia błędy średniokwadraowe różniły się isonie od błędu dla modelu GARCH (parz abela 3). Z drugiej srony niekóre różnice są znaczące z ekonomicznego punku widzenia. Gdyby dodakowy błąd w szacunku zmienności porakować jako dodakowe ryzyko, o na przykład różnica między szacunkami RMSE między modelem GARCH szacowanym w radycyjny sposób, a modelem szacowanym na podsawie przeskalowanego prawdziwego zakresu zmiany (0.29) dodaje około 5.8% dodakowego ryzyka (mierzonego odchyleniem sandardowym) w skali roku w przypadku radycyjnej meody esymacji.

7 Jak zwiększyć rafność prognoz zmienności 57 Tabela 3. Współczynnik korelacji prognoz, es isoności różnic dla błędu średniokwadraowego oraz bayesowskie kryerium Schwarza Model ρ χ 2 SC SC ranking GARCH GARCH IGARCH GARCH-M GARCH-MT GJR TGARCH FIGARCH RW * - - HA * - - MA MA k = ES RiskMerics SV GARCH dla TR GARCH z TR GARCH z HL GARCH z 5MR GARCH z S&P GARCH z sez GARCH z yg * GARCH ze św S&P w średniej RW inra Kolumna ρ przedsawia oceny współczynników korelacji prognoz zmienności konsruowanych na podsawie modeli GARCH i innych analizowanych meod prognozowania. Kolumna χ 2 zawiera wyniki doyczące weryfikacji hipoezy o równości błędów MSE dla modelu GARCH i osobno pozosałych meod prognozowania. Gwiazdką oznaczono oceny saysyk, w przypadku kórych hipoeza zerowa zosała odrzucona na poziomie Przyjęe oznaczenia wyjaśniono w części 2 arykułu. Źródło: obliczenia własne. W większości prac doyczących prognozowania zmienności bardzo ogólnikowo analizuje się własności badanych szeregów czasowych, przez co nie możliwe jes sformułowanie bardziej ogólnych wniosków doyczących poszczególnych meod prognozowania. W badaniu przeprowadzono szereg esów doyczących prawidłowości przyjęych specyfikacji modeli GARCH najczęściej poprzez esowanie odpowiednich resrykcji 4. Wnioski płynące z wyników esów są najczęściej zgodne z wnioskami wynikającymi z analizy bayesowskiego kryerium Schwarza (parz abela 3). Wnioski wynikające z przeprowadzonych esów oraz analizy kryerium SC częso nie pokrywają się z rafnością modeli w prognozowaniu zmienności. Przy konsrukcji kryeriów informacyjnych i częso przy esowaniu resrykcji bierze się pod uwagę cały model (np. równanie dla średniej, dla wariancji, roz- 4 Wyniki zosały pominięe z uwagi na ograniczony rozmiar publikacji.

8 58 Pior Fiszeder kład warunkowy). Uwzględnienie w modelowaniu określonych charakerysyk szeregu czasowego sóp zwrou nie zawsze prowadzi do wzrosu rafności prognoz zmienności konsruowanych na podsawie ych modeli. Okazuje się, że niekóre charakerysyki są isone przy ocenie ogólnego dopasowania modelu w próbie, naomias nie mają dużego wpływu na rafność prognoz. 5. Podsumowanie W arykule dokonano oceny rafności prognoz zmienności konsruowanych na podsawie 7 specyfikacji modelu GARCH oraz 8 innych meod. Pokazano, że wykorzysanie dodakowych informacji przy konsrukcji modelu GARCH lub esymacji jego paramerów nie zawsze prowadzi do wzrosu rafności prognoz zmienności. Można jednakże w znaczący, z ekonomicznego punku widzenia 5, sposób zwiększyć rafność prognoz zmienności konsruowanych na podsawie modelu GARCH szacowanego na podsawie przeskalowanego prawdziwego zakresu zmiany. Lieraura Doman, M., Doman, R. (2004), Ekonomeryczne modelowanie dynamiki polskiego rynku finansowego, AE w Poznaniu, Poznań. Fiszeder, P. (2004a), Forecasing Volailiy wih GARCH Models, maeriały konferencji MACROMODELS'2003, Wydawnicwo Uniwersyeu Łódzkiego, Łódź. Fiszeder, P. (2004b), Prognozowanie zmienności na podsawie modeli GARCH, Rynek Terminowy, 25, Fiszeder, P. (2005), Forecasing he Volailiy of he Polish Sock Index WIG20, w: Forecasing Financial Markes. Theory and Applicaions, Wydawnicwo Uniwersyeu Łódzkiego, Łódź. Pionek, K. (2003), Weryfikacja wybranych echnik prognozowania zmienności Analiza szeregów czasowych, Inwesycje finansowe i ubezpieczenia - endencje świaowe a polski rynek, Prace naukowe AE we Wrocławiu, nr 99. Pipień, M. (2006), Wnioskowanie bayesowskie w ekonomerii finansowej, Wydawnicwo Akademii Ekonomicznej w Krakowie, Kraków. Poon, S-H., Granger, C. (2003), Forecasing Volailiy in Financial Markes: A Review, Journal of Economic Lieraure, 4, Wes, K. D., Cho, D. (995), The Predicive Abiliy of Several Models of Exchange Rae Volailiy, Journal of Economerics, 69, Choć nieisony ze saysycznego punku widzenia biorąc pod uwagę RMSE.

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE 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 szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE 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 szczegółowo

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz

Kombinowanie 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 szczegółowo

licencjat Pytania teoretyczne:

licencjat 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 szczegółowo

Analiza rynku projekt

Analiza 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 szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE 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 szczegółowo

Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015

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 szczegółowo

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.

EKONOMETRIA 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 szczegółowo

Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.

Jacek 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 szczegółowo

Bayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1

Bayesowskie 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 szczegółowo

MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH

MODELOWANIE 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 szczegółowo

UMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE

UMK 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 szczegółowo

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

PROGNOZOWANIE 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 szczegółowo

Prognozowanie średniego miesięcznego kursu kupna USD

Prognozowanie 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 szczegółowo

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression).

specyfikacji 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 szczegółowo

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji

Bardziej szczegółowo

TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH

TESTOWANIE 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 szczegółowo

ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI

ESTYMACJA 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 szczegółowo

Alicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii

Alicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza

Bardziej szczegółowo

WNIOSKOWANIE STATYSTYCZNE

WNIOSKOWANIE 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 szczegółowo

Efekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA

Efekty 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 szczegółowo

MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. 1. Wstęp

MODELOWANIE 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 szczegółowo

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

PROGNOZOWANIE. 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 szczegółowo

OPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR

OPTYMALIZACJA 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 szczegółowo

Wykład 6. Badanie dynamiki zjawisk

Wykład 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 szczegółowo

Heteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR

Heteroskedastyczność 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 szczegółowo

PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH

PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody

Bardziej szczegółowo

Strukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym

Strukturalne 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 szczegółowo

WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK

WYBRANE 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 szczegółowo

Parytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD

Parytet 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 szczegółowo

PREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY

PREDYKCJA 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 szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

PROGNOZOWANIE 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 szczegółowo

Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie

Bardziej szczegółowo

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

ANALIZA, 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 szczegółowo

Metody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?

Metody 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 szczegółowo

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych

Politechnika 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 szczegółowo

Pobieranie próby. Rozkład χ 2

Pobieranie 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 szczegółowo

METODY STATYSTYCZNE W FINANSACH

METODY 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 szczegółowo

Ocena efektywności procedury Congruent Specyfication dla małych prób

Ocena 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 szczegółowo

Krzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20

Krzysztof 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 szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki

Politechnika 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 szczegółowo

Transakcje insiderów a ceny akcji spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie S.A.

Transakcje 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 szczegółowo

Porównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz

Porównanie 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 szczegółowo

Daniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie

Daniel 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 szczegółowo

MODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX

MODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX Krzyszof Ćwikliński Uniwersye Ekonomiczny we Wrocławiu Wydział Zarządzania, Informayki i Finansów Kaedra Ekonomerii krzyszof.cwiklinski@ue.wroc.pl Daniel Papla Uniwersye Ekonomiczny we Wrocławiu Wydział

Bardziej szczegółowo

OeconomiA copernicana. Małgorzata Madrak-Grochowska, Mirosława Żurek Uniwersytet Mikołaja Kopernika w Toruniu

OeconomiA 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 szczegółowo

PIOTR FISZEDER, JACEK KWIATKOWSKI Katedra Ekonometrii i Statystyki

PIOTR 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 szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

PROGNOZOWANIE 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 szczegółowo

EFEKT DNIA TYGODNIA NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE WSTĘP

EFEKT 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 szczegółowo

Ocena płynności wybranymi metodami szacowania osadu 1

Ocena 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 szczegółowo

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH

WYKORZYSTANIE 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 szczegółowo

Pomiar ryzyka odchylenia od benchmarku w warunkach zmiennej w czasie strategii inwestycyjnej OFE - kotynuacja. Wojciech Otto Uniwersytet Warszawski

Pomiar ryzyka odchylenia od benchmarku w warunkach zmiennej w czasie strategii inwestycyjnej OFE - kotynuacja. Wojciech Otto Uniwersytet Warszawski Pomiar ryzyka odchylenia od benchmarku w warunkach zmiennej w czasie sraegii inwesycyjnej OFE - koynuacja Wojciech Oo Uniwersye Warszawski Refera przygoowany na Ogólnopolską Konferencję Naukową Zagadnienia

Bardziej szczegółowo

Niestacjonarne zmienne czasowe własności i testowanie

Niestacjonarne 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 szczegółowo

Anna Pajor Akademia Ekonomiczna w Krakowie

Anna Pajor Akademia Ekonomiczna w Krakowie DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Krakowie Prognozowanie

Bardziej szczegółowo

MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW

MODELOWANIE 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 szczegółowo

STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU KAPITAŁOWEGO WPROWADZENIE METODOLOGIA TESTOWANIA MODELU

STATYSTYCZNA 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 szczegółowo

Prognozowanie i symulacje

Prognozowanie 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 szczegółowo

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

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 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 szczegółowo

Krzysztof Jajuga Akademia Ekonomiczna we Wrocławiu. Modelowanie stóp procentowych a narzędzia ekonometrii finansowej

Krzysztof Jajuga Akademia Ekonomiczna we Wrocławiu. Modelowanie stóp procentowych a narzędzia ekonometrii finansowej DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Krzyszof Jajuga Akademia Ekonomiczna

Bardziej szczegółowo

ZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYCH INDEKSÓW GIEŁDOWYCH: WIG, WIG20, MIDWIG I TECHWIG

ZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYCH INDEKSÓW GIEŁDOWYCH: WIG, WIG20, MIDWIG I TECHWIG Doroa Wikowska, Anna Gasek Kaedra Ekonomerii i Informayki SGGW dwikowska@mors.sggw.waw.pl ZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYC INDEKSÓW GIEŁDOWYC: WIG, WIG2, MIDWIG I TECWIG Sreszczenie:

Bardziej szczegółowo

PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010

PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Chrisian Lis PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 Wprowadzenie Przedmioem

Bardziej szczegółowo

Metody badania wpływu zmian kursu walutowego na wskaźnik inflacji

Metody 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 szczegółowo

Kobiety w przedsiębiorstwach usługowych prognozy nieliniowe

Kobiety w przedsiębiorstwach usługowych prognozy nieliniowe Pior Srożek * Kobiey w przedsiębiorswach usługowych prognozy nieliniowe Wsęp W dzisiejszym świecie procesy społeczno-gospodarcze zachodzą bardzo dynamicznie. W związku z ym bardzo zmienił się sereoypowy

Bardziej szczegółowo

Wygładzanie metodą średnich ruchomych w procesach stałych

Wygładzanie 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 szczegółowo

Estymacja stopy NAIRU dla Polski *

Estymacja stopy NAIRU dla Polski * Michał Owerczuk * Pior Śpiewanowski Esymacja sopy NAIRU dla Polski * * Sudenci, Szkoła Główna Handlowa, Sudenckie Koło Naukowe Ekonomii Teoreycznej przy kaedrze Ekonomii I. Auorzy będą bardzo wdzięczni

Bardziej szczegółowo

Metody analizy i prognozowania szeregów czasowych

Metody analizy i prognozowania szeregów czasowych Meody analizy i prognozowania szeregów czasowych Wsęp 1. Modele szeregów czasowych 2. Modele ARMA i procedura Boxa-Jenkinsa 3. Modele rendów deerminisycznych i sochasycznych 4. Meody dekompozycji szeregów

Bardziej szczegółowo

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

Statystyka 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 szczegółowo

Zarządzanie ryzykiem. Lista 3

Zarządzanie 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 szczegółowo

Wyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH

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 szczegółowo

Natalia Iwaszczuk, Piotr Drygaś, Piotr Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE

Natalia Iwaszczuk, Piotr Drygaś, Piotr Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE Naalia Iwaszczuk, Pior Drygaś, Pior Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE Wyd-wo, Rzeszów 03 dr hab., prof. nadzw. Naalia Iwaszczuk, AGH Akademia Górniczo-Hunicza im. Sanisława Saszica w Krakowie

Bardziej szczegółowo

ANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM

ANALIZA 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 szczegółowo

Magdalena Osińska, Marcin Fałdziński Uniwersytet Mikołaja Kopernika w Toruniu. Modele GARCH i SV z zastosowaniem teorii wartości ekstremalnych

Magdalena 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 szczegółowo

E 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 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 szczegółowo

ZJAWISKA SZOKOWE W ROZWOJU GOSPODARCZYM WYBRANYCH KRAJÓW UNII EUROPEJSKIEJ

ZJAWISKA 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 szczegółowo

Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Katedra Inwestycji Finansowych i Ubezpieczeń

Akademia 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 szczegółowo

MODELOWANIE STRUKTURY TERMINOWEJ STÓP PROCENTOWYCH WYZWANIE DLA EKONOMETRII

MODELOWANIE STRUKTURY TERMINOWEJ STÓP PROCENTOWYCH WYZWANIE DLA EKONOMETRII KRZYSZTOF JAJUGA Akademia Ekonomiczna we Wrocławiu MODELOWANIE STRUKTURY TERMINOWEJ STÓP PROCENTOWYCH WYZWANIE DLA EKONOMETRII. Modele makroekonomiczne a modele sóp procenowych wprowadzenie Nie do podważenia

Bardziej szczegółowo

POMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU

POMIAR 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 szczegółowo

SZACOWANIE MODELU RYNKOWEGO CYKLU ŻYCIA PRODUKTU

SZACOWANIE 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 szczegółowo

SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE

SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne

Bardziej szczegółowo

MODEL CZASU OBSŁUGI NAZIEMNEJ STATKU POWIETRZNEGO

MODEL CZASU OBSŁUGI NAZIEMNEJ STATKU POWIETRZNEGO KIERZKOWSKI Arur 1 Transpor loniczy, szeregi czasowe, eksploaacja, modelowanie MODEL CZASU OBSŁUGI NAZIEMNEJ STATKU POWIETRZNEGO W referacie przedsawiono probabilisyczny model czasu obsługi naziemnej saku

Bardziej szczegółowo

1.1. Bezpośrednie transformowanie napięć przemiennych

1.1. Bezpośrednie transformowanie napięć przemiennych Rozdział Wprowadzenie.. Bezpośrednie ransformowanie napięć przemiennych Bezpośrednie ransformowanie napięć przemiennych jes formą zmiany paramerów wielkości fizycznych charakeryzujących energię elekryczną

Bardziej szczegółowo

Inwestycje w lokale mieszkalne jako efektywne zabezpieczenie przed inflacją na przykładzie Poznania w latach

Inwestycje w lokale mieszkalne jako efektywne zabezpieczenie przed inflacją na przykładzie Poznania w latach Radosław Trojanek Kaedra Mikroekonomii Akademia Ekonomiczna w Poznaniu Srona nieparzysa Inwesycje w lokale mieszkalne jako efekywne zabezpieczenie przed inflacją na przykładzie Poznania w laach 996-2004.

Bardziej szczegółowo

Analiza metod oceny efektywności inwestycji rzeczowych**

Analiza 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 szczegółowo

KRZYSZTOF JAJUGA Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Akademia Ekonomiczna we Wrocławiu 25 LAT EKONOMETRII FINANSOWEJ

KRZYSZTOF 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 szczegółowo

Wpływ przestępczości na wzrost gospodarczy

Wpływ przestępczości na wzrost gospodarczy Magdalena Paszkiewicz Uniwersye Łódzki magpasz@wp.pl Wpływ przesępczości na wzros gospodarczy Myśl o dobrobycie jes bliska każdemu z nas. Chcielibyśmy być obywaelami bogaego, praworządnego pańswa, w kórego

Bardziej szczegółowo

WPŁYW WARTOŚCI EKSTREMALNYCH NA ZMIENNOŚĆ STOCHASTYCZNĄ

WPŁYW 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 szczegółowo

STOPIEŃ AGREGACJI PRZESTRZENNEJ A ZMIENNOŚĆ SZEREGÓW CZASOWYCH CEN SUROWCÓW ROLNYCH

STOPIEŃ 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 szczegółowo

Krzysztof Piontek MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR

Krzysztof 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 szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika Zależność

Bardziej szczegółowo

Analiza szeregów czasowych w Gretlu (zajęcia 8)

Analiza 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 szczegółowo

ANALIZA PORÓWNAWCZA ŚREDNIEGO ODSETKA CZASU PRZEBYWANIA W PIERWSZEJ I DRUGIEJ POŁOWIE DNIA BADANIA EMPIRYCZNE

ANALIZA PORÓWNAWCZA ŚREDNIEGO ODSETKA CZASU PRZEBYWANIA W PIERWSZEJ I DRUGIEJ POŁOWIE DNIA BADANIA EMPIRYCZNE Tadeusz Czernik Daniel Iskra Uniwersye Ekonomiczny w Kaowicach Kaedra Maemayki Sosowanej adeusz.czernik@ue.kaowice.pl daniel.iskra@ue.kaowice.pl ANALIZA PORÓWNAWCZA ŚREDNIEGO ODSETKA CZASU PRZEBYWANIA

Bardziej szczegółowo

PROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM

PROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM PROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM prof. dr hab. Paweł Dimann 1 Znaczenie prognoz w zarządzaniu firmą Zarządzanie firmą jes nieusannym procesem podejmowania decyzji, kóry może być zdefiniowany

Bardziej szczegółowo

ŹRÓDŁA FLUKTUACJI REALNEGO EFEKTYWNEGO KURSU EUR/ PLN

ŹRÓDŁA 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 szczegółowo

Ekonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006

Ekonometria. 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 szczegółowo

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 2013

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 2013 ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 2013 MAŁGORZATA BOŁTUĆ Uniwersye Ekonomiczny we Wrocławiu ZALEŻNOŚĆ POMIĘDZY RYNKIEM SWAPÓW KREDYTOWYCH

Bardziej szczegółowo

WARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE

WARTOŚĆ 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 szczegółowo

MODELOWANIE I PROGNOZOWANIE EKONOMETRYCZNE W LOGISTYCE PRZEDSIĘBIORSTWA MODELING AND ECONOMETRIC PREDICTION IN LOGISTICS COMPANY

MODELOWANIE I PROGNOZOWANIE EKONOMETRYCZNE W LOGISTYCE PRZEDSIĘBIORSTWA MODELING AND ECONOMETRIC PREDICTION IN LOGISTICS COMPANY Sysemy Logisyczne Wojsk nr 44/06 MODELOWANIE I PROGNOZOWANIE EKONOMETRYCZNE W LOGISTYCE PRZEDSIĘBIORSTWA MODELING AND ECONOMETRIC PREDICTION IN LOGISTICS COMPANY Agnieszka DUDA a.duda@aon.edu.pl Akademia

Bardziej szczegółowo

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

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 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 Jarosław

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Anna Krauze Uniwersye Warmińsko-Mazurski

Bardziej szczegółowo

Stała potencjalnego wzrostu w rachunku kapitału ludzkiego

Stała potencjalnego wzrostu w rachunku kapitału ludzkiego 252 Dr Wojciech Kozioł Kaedra Rachunkowości Uniwersye Ekonomiczny w Krakowie Sała poencjalnego wzrosu w rachunku kapiału ludzkiego WSTĘP Prowadzone do ej pory badania naukowe wskazują, że poencjał kapiału

Bardziej szczegółowo