OPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR
|
|
- Adam Kaczor
- 7 lat temu
- Przeglądów:
Transkrypt
1 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 się warość zagrożona (warość narażona na ryzyko, Value a Risk lub w skrócie VaR). Definicja warości zagrożonej VaR ( α,) z poziomem olerancji α dla usalonego czasu jes nasępująca [1; 7]: ( S S VaR( α ) ) = α P 0,, (1) gdzie: S 0, S warość począkowa i końcowa procesu ceny insrumenu finansowego (porfela), α poziom olerancji (poziom isoności) dla szacowanej warości VaR. Warość zagrożona o aka sraa warości insrumenu finansowego, że sray większe lub równe VaR mogą wysąpić z zadanym prawdopodobieńswem (poziomem olerancji) α. W arykule opisano model opymalizacji srukury porfela inwesycyjnego, w kórym dla założonego poziomu akcepowalnej sray (warości zagrożonej) minimalizowano poziom olerancji α (czyli prawdopodobieńswo, że sray w porfelu będą większe od założonej). Rozkłady użye do opisu logarymicznej sopy zwrou z porfela były rozkładami empirycznymi wyznaczanymi meodą hisoryczną (na podsawie danych hisorycznych) oraz jej rozszerzeniem uwzględniającym jednodniową pamięć. Pamięć modelowano procesem Markowa [2; 3; 6], w kórym san był deerminowany znakiem osaniej sopy zwrou.
2 50 Daniel Iskra 1. Tes zgodności poziomu olerancji warości zagrożonej Weryfikację, czy prognozowany poziom olerancji α (dla usalonego poziomu warości zagrożonej) jes zgodny z rzeczywisym prawdopodobieńswem, można oprzeć na szeregu przekroczeń VaR. iech I będzie zmienną zero-jedynkową, kóra przyjmuje warość 1 z prawdopodobieńswem α ( P( = 1) = α ), jeżeli spadek warości porfela jes I równy lub większy od usalonej warości VaR w dniu i 0 w przeciwnym przypadku ( P( = 0) = 1 α ). ależy podkreślić, że dla usalonej warości VaR I (jednakowej dla każdego ), prawdopodobieńswo α w każdym dniu może być i w prakyce jes różne. Konsrukcję esu weryfikującego, czy poziom olerancji α (warość eoreyczna obliczona na podsawie przyjęego w pracy modelu) jes zgodny z rzeczywisym prawdopodobieńswem przekroczeń usalonej warości VaR, oparo na porównaniu isonych różnic pomiędzy oczekiwanym odsekiem przekroczeń a średnim odsekiem przekroczeń (policzonym z próby). Rozparując -elemenowy szereg ( dni), warość oczekiwaną ilości przekroczeń usalonej warości VaR zapisuje się jako: naomias: E [ = 1 I ] = = α 1, (2) 1 1 E[ I = = ] α 1 = 1 (3) * jes oczekiwanym odsekiem ilości przekroczeń usalonej warości zagrożonej w ciągu dni. Przez I oznaczono funkcję przyjmującą warość 1, jeżeli w dniu zaobserwowano przekroczenie usalonej warości VaR (ex pos), i zero w przeciwnym przypadku. Wówczas średnia warość odseka przekroczeń policzona z -elemen-owej próby ( dni) jes opisana wzorem: 1 = 1 I *. (4) Sąd eż w przeprowadzonym eście hipoeza zerowa ma posać: 1 * 1 H 0 : I = [ ] = 1 E I = 1, (5)
3 Opymalizacja porfela inwesycyjnego ze względu na minimalny poziom 51 gdzie: ilość próbek użyych w eście. Opisana hipoeza zerowa zakłada, że rzeczywisy odseek przekroczeń policzony z próby nie różni się isonie od warości eoreycznej. Saysyka użya w opisywanym eście przyjmuje posać: 1 * 1 I [ = 1 E 1 D[ I = 1 ] = 1 I ], (6) gdzie: E ( ), D ( ) warość oczekiwana i odchylenie sandardowe. Jeżeli przyjmie się, że suma zmiennych losowych (niezależnych) I ma asympoyczny rozkład normalny, wówczas saysyka (6) opisywanego esu powinna pochodzić z zesandaryzowanego rozkładu normalnego (0,1). 2. Efek pamięci modelowany procesem Markowa W badaniach efek pamięci modelowano procesem Markowa, w kórym san rynku był określony znakiem osaniej logarymicznej sopy zwrou (badania oparo na jednodniowych logarymicznych sopach zwrou) [4; 5]. W zależności od sanu rynku (od znaku osaniej logarymicznej sopy zwrou) kolejna sopa zwrou pochodzi z innego rozkładu. Dla insrumenów finansowych noowanych na polskim rynku należy wyróżnić rzy sany [4; 5]: minus gdy osania odnoowana sopa zwrou ma znak ujemny, zero gdy osania odnoowana sopa zwrou jes równa zero, plus gdy osania odnoowana sopa zwrou ma znak dodani. Wprowadzenie sanu zero jes uzasadnione ze względu na ilość wysąpień sopy zerowej w hisorycznych noowaniach insrumenów (na GPW w Warszawie), kóra jes saysycznie isona. Zazwyczaj w 75% badanych spółek wysępuje co najmniej 8% sóp zerowych [4; 5]. Aby móc rozważać wysępowanie efeku pamięci w insrumenach finansowych, należy zdefiniować, jak jes rozumiane pojęcie pamięci [4; 5]: Powiemy, że wysępuje efek pamięci, jeżeli przynajmniej dwa rozkłady sóp zwrou będą isonie różne od siebie. Jeżeli rozkłady sóp zwrou w każdym sanie nie są saysycznie isonie różne od pozosałych rozkładów, wówczas powiemy, że nie wysępuje efek pamięci.
4 52 Daniel Iskra W opisywanym podejściu szereg logarymicznych sóp zwrou dzieli się na rzy rozkłady: minus, zero i plus (nazwy analogiczne do sanów). Każdy z ych rzech rozkładów składa się z części ciągłej i części dyskrenej w zerze (aom w zerze). W każdej parze rozkładów porównywano ze sobą części ciągłe i części dyskrene. Powiemy, że wysąpiła isona różnica pomiędzy dwoma rozkładami sóp zwrou w dwóch różnych sanach, jeżeli wysąpiła isona różnica pomiędzy częściami ciągłymi lub pomiędzy częściami dyskrenymi ych rozkładów [4; 5]. Wysępowanie opisanego powyżej efeku pamięci sprawdzono dla badanych insrumenów. Do symulacji wybrano insrumeny finansowe (akcje) noowane na Giełdzie Papierów Warościowych w Warszawie w okresie od począku 2000 roku do końca 2011 roku, kórych średnia ilość noowań w badanym okresie wynosiła co najmniej 240 na rok. Do weryfikacji isonych różnic pomiędzy ciągłymi częściami rozkładów użyo esu Kołmogorowa-Smirnowa [8] z poziomem isoności 0,05, pomiędzy dyskrenymi częściami rozkładów esu wskaźnika srukury [8] również z poziomem isoności 0,05. W abeli 1 przedsawiono srukurę isonych różnic pomiędzy poszczególnymi rozkładami. Można było zaobserwować brak isonych różnic (brak pamięci) do 6 isonych różnic (różnice w 3 parach części ciągłych i 3 parach części dyskrenych). Ilość isonych różnic pomiędzy rozkładami Ilość isonych różnic Ilość insrumenów Odseek insrumenów 0 2 2,44% 1 3 3,66% ,39% ,83% ,27% ,20% 6 1 1,22% Tabela 1 Z abeli 1 wynika, iż efek pamięci zaobserwowano w około 97% spółek; ylko w 2 insrumenach (z 82) pamięci nie zaobserwowano. Podobne wyniki były obserwowane we wcześniejszych badaniach. Zazwyczaj najwięcej obserwowano 2 lub 3 isone różnice pomiędzy rozkładami, a akże nieznacznie większą ilość różnic pomiędzy dyskrenymi częściami rozkładów niż ich częściami ciągłymi. Opisywany przypadek akże nie odbiega od ego schemau. Opisany model można zasosować również do porfela inwesycyjnego. W arykule w modelowaniu efeku pamięci porfela wyróżniono ylko dwa sany: minus i plus. W pojedynczej spółce wysępowało średnio około 13%
5 Opymalizacja porfela inwesycyjnego ze względu na minimalny poziom 53 sóp zerowych w badanym okresie, co przekłada się w przypadku porfela dwuskładnikowego na średnio około 1,7% sóp zerowych. Skukiem małej ilości danych w sanie zero są gorsze wyniki (badania empiryczne) niż w przypadku modelu z dwoma sanami: minus i plus. Sąd eż w arykule zrezygnowano ze sanu zerowego w przypadku porfela inwesycyjnego. Jeżeli jednak wysąpiła sopa zerowa, przydzielano ją losowo do jednego z rozkładów minus lub plus (obecnie oba rozkłady są ciągłe, nie ma w ym przypadku części dyskrenych w zerze). Zważywszy na fak, iż w porfelu inwesycyjnym wysępują ylko dwa sany: minus i plus i oba rozkłady w ych sanach są ciągłe, isnieje największa szansa wysąpienia efeku pamięci w porfelu, jeżeli wysępują isone różnice pomiędzy ciągłymi częściami rozkładów minus i plus insrumenów wchodzących w jego skład. Badania wykazują, że pamięć insrumenów w ym przypadku przenosi się na porfel inwesycyjny (dwuskładnikowy) w około 50% symulacji. Jeżeli rozkłady wyznaczano w porfelach zawierających spółki bez pamięci, efek pamięci wysępował bardzo rzadko lub wcale. W pozosałych przypadkach wyniki były pośrednie. 3. Efek pamięci modelowany procesem Markowa minimalizacja poziomu olerancji dla usalonej warości VaR Opisany model zosanie użyy do wyznaczania srukury porfela inwesycyjnego o minimalnej olerancji α dla usalonej jednodniowej warości zagrożonej (dokładniej dla względnej warości zagrożonej w sosunku do począkowej warości porfela, kóra dalej będzie oznaczana jako wzvar). Zosanie on porównany z ypowym modelem, w kórym rozkłady empiryczne wyznacza się na podsawie danych hisorycznych, nie uwzględniając efeku pamięci. Modele e w dalszej części będą króko nazywane modelem z pamięcią i modelem bez pamięci. a porzeby symulacji skonsruowano 50 porfeli o losowo dobranych dwóch spółkach. Dla każdego z 50 porfeli inwesycyjnych minimalizację poziomu olerancji przeprowadzono dla warości wzvar usalonej na poziomie 0,01, 0,03 oraz 0,05. Empiryczne rozkłady sóp zwrou dla każdego możliwego składu porfela (w obu przypadkach, model z pamięcią i bez pamięci) wyznaczano na podsawie 250 oraz 500 noowań. W symulacjach dla każdego możliwego składu porfela wyznaczano rozkład logarymicznych sóp zwrou, nasępnie na jego podsawie poziom olerancji dla usalonej jednodniowej względnej warości zagrożonej. Skład porfela zmieniano co 1%, czyli co 1 akcję, zakładając, że w porfelu jes w sumie 100 akcji. Urzymując sały sosunek ilości akcji jednej spółki do ilości akcji drugiej spółki, można orzymać porfel o dowolnej warości począkowej i zawsze akich samych sopach zwrou. Kolejnym eapem
6 54 Daniel Iskra był wybór składu, dla kórego poziom olerancji α był minimalny. Jeżeli rozkład sóp zwrou był wyznaczany np. z 250 danych, wówczas jego posać była urzymywana przez kolejne 10 dni (z 500 danych przez 20 dni). Po ich upływie szereg noowań przesuwano o 10 dni (20 dni) i procedurę powarzano od począku. W modelu uwzględniającym pamięć procedura opymalizacji srukury porfela była analogiczna. Różnica kwiła w wyznaczaniu dwóch rozkładów logarymicznych sóp zwrou porfela: plus i minus. asępnie sprawdzano, czy rozkłady e isonie się różnią, zn. czy wysępuje pamięć (za pomocą esu Kołmogorowa-Smirnowa z poziomem isoności 0,05). Jeżeli dla danej srukury porfela nie wysępowała pamięć, porfel o ej srukurze pomijano. Z wszyskich możliwych składów porfela, dla kórych zaobserwowano pamięć, wybierano porfel o minimalnym poziomie olerancji α. Do weryfikacji zgodności oszacowanego minimalnego poziomu olerancji użyo esu opisanego w rozdziale 2 z poziomem isoności 0,05. Z przeprowadzonych badań wynika, że najlepsze wyniki uzyskano odpowiednio w przypadku modelu z pamięcią konsruowanego na podsawie 250 logarymicznych sóp zwrou i dla modelu nieuwzględniającego pamięci na podsawie 500 logarymicznych sóp zwrou. Uzasadnione będzie zaem porównanie ych dwóch przypadków. W abeli 2 przedsawiono syneyczne wyniki, odseek porfeli, w kórych minimalny poziom olerancji α dla usalonego wzvar (VaR w sosunku do warości począkowej porfela) był pozyywnie zweryfikowany z poziomem isoności 0,05 (za pomocą esu opisanego w rozdziale 2). Zgodność prognoz poziomu olerancji. Porównanie Tabela 2 Odseek porfeli, w kórych poziom olerancji przeszedł pozyywnie es zgodności (wzvar względna warość VaR do począkowej warości porfela) Zgodność prognoz poziomu olerancji (dla poziomu wzvar = 0.01 ) (500 DAYCH) (250 DAYCH) 52% 70% Zgodność prognoz poziomu olerancji (dla poziomu wzvar = 0.03) (500 DAYCH) (250 DAYCH) 58% 86% Zgodność prognoz poziomu olerancji (dla poziomu wzvar = 0.05) (500 DAYCH) (250 DAYCH) 68% 88%
7 Opymalizacja porfela inwesycyjnego ze względu na minimalny poziom 55 a podsawie uzyskanych wyników można swierdzić, że model uwzględniający pamięć zdecydowanie lepiej prognozuje (co do esu zgodności) poziom olerancji warości zagrożonej. Uzyskane wyniki o od 70% do 88% porfeli, kórych prognozy poziomu olerancji były zgodne z rzeczywisym prawdopodobieńswem przekroczenia usalonej warości zagrożonej. W modelu bez pamięci odseek porfeli o pozyywnie zweryfikowanym poziomie olerancji wynosi od 52% do 68%. Model z pamięcią ma ę przewagę, iż wykorzysuje efek pamięci, czyli różnicę pomiędzy rozkładami konsruowanymi na podsawie znaku osanio zaobserwowanej sopy zwrou. Oba modele są nieparameryczne, co jes niewąpliwie zarówno ich zaleą (pomija się esymację paramerów), jak i wadą. Cała informacja o rozkładzie sóp zwrou, kóra jes dosępna za pomocą empirycznej dysrybuany, doyczy danych zawarych pomiędzy minimalną i maksymalną sopą zwrou zaobserwowaną w okresie, z kórego wyznaczano rozkłady. ie są uwzględniane poencjalne skrajne warości, kóre eoreycznie mogą wysąpić, a kórych doąd nie zaobserwowano. W abeli 3 przedsawiono wyniki kolejnych symulacji, w kórych część danych empirycznych (lewy ogon) był aproksymowany ogonem rozkładu normalnego. Podano najlepsze wyniki dla modelu z pamięcią i bez pamięci dla poszczególnych względnych warości zagrożonych. Modelowanie przeprowadzano dla lewego ogona rozkładu empirycznego do kwanyla 25% w przypadku usalonej warości wzvar = 0,03 i wzvar = 0,05 oraz do kwanyla 50% w przypadku wzvar = 0,01 (w ym przypadku prawdopodobieńswo spadku warości porfela większego od usalonego 1% zazwyczaj było większe niż 0,25). Paramery warunkowych rozkładów eoreycznych szacowano meodą największej wiarygodności, esując każdorazowo zgodność dopasowania rozkładu warunkowego do danych empirycznych. Tesy oparo na saysyce Kołmogorowa-Smirnowa wyznaczanej meodą Mone-Carlo na podsawie 5000 symulacji. Zgodność prognoz poziomu olerancji. Porównanie Tabela 3 Model, w kórym lewy ogon rozkładów empirycznych aproksymowano warunkowym rozkładem normalnym Odseek porfeli, w kórych poziom olerancji przeszedł pozyywnie es zgodności (wzvar względna warość VaR do począkowej warości porfela) Zgodność prognoz poziomu olerancji (dla poziomu wzvar = 0.01 ) (500 DAYCH) (250 DAYCH) 78% 70% Zgodność prognoz poziomu olerancji (dla poziomu wzvar = 0.03)
8 56 Daniel Iskra cd. abeli 3 (250 DAYCH) (250 DAYCH) 92% 88% Zgodność prognoz poziomu olerancji (dla poziomu wzvar = 0.05) (250 DAYCH) (250 DAYCH) 58% 72% Symulacje wykazały, że modelowanie ogona rozkładu empirycznego rozkładem normalnym w modelu z pamięcią nie wpłynęło pozyywnie na wyniki, wręcz nawe zosały one nieznacznie pogorszone. Zdecydowanie poprawiły się naomias wyniki uzyskane z modelu bez pamięci. Jeżeli rozkłady empiryczne były wyznaczane na podsawie 250 sóp zwrou, odseek porfeli o pozyywnie zweryfikowanym poziomie olerancji wzrósł do warości od 66% do 92%. Można swierdzić, że model bez pamięci z ogonami modelowanymi rozkładem normalnym daje równie dobre rezulay, jak model z pamięcią (nieparameryczny, bez modelowania ogona rozkładu). W obu modelach (nieparamerycznym z pamięcią i bez pamięci z ogonami normalnymi) do wyznaczania rozkładów empirycznych sóp zwrou w prawie wszyskich przypadkach należało użyć 250 danych. Można porównać obie meody ze względu na odseek czasu, w kórym można było aplikować oba modele. ieznaczna przewaga jes na korzyść modelu z pamięcią, w kórym średnio w 80% dni badanego okresu można było go zasosować (w ylu przypadkach wysąpił efek pamięci) w porównaniu do około 70% dla modelu bez pamięci (w ylu przypadkach można było użyć rozkładu normalnego do modelowania ogona rozkładu empirycznego, co do esów zgodności rozkładów). Podsumowanie iniejszy arykuł koncenruje się na wykorzysaniu warości zagrożonej w opymalizacji srukury porfela inwesycyjnego. Przedsawiono w nim sraegię opymalizacji srukury porfela inwesycyjnego ze względu na minimalny poziom olerancji usalonej warości zagrożonej. Do opisania rozkładów logarymicznej sopy zwrou z porfela zosały użye rozkłady empiryczne szacowane meodą hisoryczną oraz jej rozszerzeniem uwzględniającym jednodniową pamięć. W przypadku wyznaczania minimalnej warości zagrożonej na podsawie kwanyla rozkładu empirycznego w modelu z pamięcią, model en wykazuje się dobrą skuecznością (pomiędzy 70% a 88%, zależy od usalonego poziomu
9 Opymalizacja porfela inwesycyjnego ze względu na minimalny poziom 57 wzvar). W modelu bez pamięci dopiero próba modelowania ogona rozkładu empirycznego rozkładem normalnym znacząco poprawiła prognosyczne własności modelu (skueczność pomiędzy 66% a 90%). Można akże nadmienić, że nieparameryczny model z pamięcią przełącza się całkowicie losowo pomiędzy rozkładami minus i plus. Lieraura 1. Alexander C., Marke Risk Analysis: Value a Risk Models, Vol. IV, John Wiley & Sons, England Gillespie D.T., Markov Processes. An Inroducion for Physical Scieniss, Academic Press IC., San Diego Iosifescu M., Skończone procesy Markowa i ich zasosowania, PW, Warszawa Iskra D., Czernik T., Warość zagrożona insrumenu z uwzględnieniem efeku pamięci modelowanym wielosanowym procesem Markowa. Badania symulacyjne, w: Maemayczne aspeky ekonomii. Ryzyko reasekuracja równowaga, red. W. Kulpa, Wydawnicwo Uniwersyeu Kardynała Sefana Wyszyńskiego, Warszawa Iskra D., Czernik T., Jednookresowy efek pamięci modelowany rzysanowym procesem Markowa. Analiza insrumenów noowanych na GPW w Warszawiei, w: Inwesycje finansowe i ubezpieczenia endencje świaowe a polski rynek, red. W. Ronka-Chmielowiec, K. Jajuga, Wydawnicwo Uniwersyeu Ekonomicznego, Wrocław Kowalenko I.., Kuzniecow.J., Szurienkow W.M., Procesy sochasyczne, PW, Warszawa 1989, 7. Wilmo P., Paul Wilmo On Quaniive Finance, Vol. 1, John Wiley & Sons, England Wywiał J., Wprowadzenie do wnioskowania saysycznego, Wydawnicwo Akademii Ekonomicznej, Kaowice 2004.
10 58 Daniel Iskra THE MIIMUM LEVEL OF SIGIFICACE FOR FIXED VaR PORTFOLIO OPTIMIZATIO Summary The paper presens he opimizaion of securiies porfolio. Taking ino accoun level of accepance α for fixed Value a Risk he opimizaion concerns he porfolio srucure. The paper proposes a modeling of he memory effec using he muli-sae Markov process where he sae is deermined by he sign of he las hisorical growh rae.
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 szczegółowoOCENA ATRAKCYJNOŚCI INWESTYCYJNEJ AKCJI NA PODSTAWIE CZASU PRZEBYWANIA W OBSZARACH OGRANICZONYCH KRZYWĄ WYKŁADNICZĄ
Tadeusz Czernik Daniel Iskra Uniwersye Ekonomiczny w Kaowicach Kaedra Maemayki Sosowanej adeusz.czernik@ue.kaowice.pl daniel.iskra@ue.kaowice.pl OCEN TRKCYJNOŚCI INWESTYCYJNEJ KCJI N PODSTWIE CZSU PRZEBYWNI
Bardziej szczegółowoANALIZA 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 szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowoWARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE
Daniel Iskra Uniwersye Ekonomiczny w Kaowicach WARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE Wprowadzenie Jednym z aspeków współczesnej ekonomii jes zarządzanie ryzykiem związanym
Bardziej szczegółowoEFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE
Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji
Bardziej szczegółowoAlicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE 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 szczegółowoMETODY STATYSTYCZNE W FINANSACH
METODY STATYSTYCZNE W FINANSACH Krzyszof Jajuga Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W osanich kilkunasu laach na świecie obserwuje się dynamiczny
Bardziej szczegółowoTransakcje insiderów a ceny akcji spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie S.A.
Agaa Srzelczyk Transakcje insiderów a ceny akcji spółek noowanych na Giełdzie Papierów Warościowych w Warszawie S.A. Wsęp Inwesorzy oczekują od każdej noowanej na Giełdzie Papierów Warościowych spółki
Bardziej szczegółowoKONCEPCJA WARTOŚCI ZAGROŻONEJ VaR (VALUE AT RISK)
KONCEPCJA WARTOŚCI ZAGROŻONEJ VaR (VALUE AT RISK) Kaarzyna Kuziak Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W 1994 roku insyucja finansowa JP Morgan opublikowała
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoZarządzanie ryzykiem. Lista 3
Zaządzanie yzykiem Lisa 3 1. Oszacowano nasępujący ozkład pawdopodobieńswa dla sóp zwou z akcji A i B (Tabela 1). W chwili obecnej Akcja A ma waość ynkową 70, a akcja B 50 zł. Ile wynosi pięciopocenowa
Bardziej szczegółowoMODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW Wprowadzenie Współczesne zarządzanie ryzykiem
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowoWPŁYW NIEPEWNOŚCI OSZACOWANIA ZMIENNOŚCI NA CENĘ INSTRUMENTÓW POCHODNYCH
Tadeusz Czernik Uniwersye Ekonomiczny w Kaowicach WPŁYW NIEPEWNOŚCI OZACOWANIA ZMIENNOŚCI NA CENĘ INTRUMENTÓW POCHODNYCH Wprowadzenie Jednym z filarów współczesnych finansów jes eoria wyceny insrumenów
Bardziej szczegółowoSTATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU KAPITAŁOWEGO WPROWADZENIE METODOLOGIA TESTOWANIA MODELU
GraŜyna Trzpio, Dominik KręŜołek Kaedra Saysyki Akademii Ekonomicznej w Kaowicach e-mail rzpio@sulu.ae.kaowice.pl, dominik_arkano@wp.pl STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYCH INDEKSÓW GIEŁDOWYCH: WIG, WIG20, MIDWIG I TECHWIG
Doroa Wikowska, Anna Gasek Kaedra Ekonomerii i Informayki SGGW dwikowska@mors.sggw.waw.pl ZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYC INDEKSÓW GIEŁDOWYC: WIG, WIG2, MIDWIG I TECWIG Sreszczenie:
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n
Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XLIII nr 2 (2012)
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 XLIII nr 2 (2012) 211 220 Pierwsza wersja złożona 25 października 2011 ISSN Końcowa wersja zaakcepowana 3 grudnia 2012 2080-0339
Bardziej szczegółowoOcena efektywności procedury Congruent Specyfication dla małych prób
243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji
Bardziej szczegółowoEwa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoAnaliza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak
Ocena wyników zarządzania porelem Analiza i Zarządzanie Porelem cz. 6 Dr Kaarzyna Kuziak Eapy oceny wyników zarządzania porelem: - (porolio perormance measuremen) - Przypisanie wyników zarządzania porelem
Bardziej szczegółowoMagdalena Osińska, Marcin Fałdziński Uniwersytet Mikołaja Kopernika w Toruniu. Modele GARCH i SV z zastosowaniem teorii wartości ekstremalnych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarim Nakowe 4 6 września 2007 w Torni Kaedra Ekonomerii i Saysyki Uniwersye Mikołaja Kopernika w Torni Magdalena Osińska Marcin Fałdziński Uniwersye
Bardziej szczegółowoHeteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Heeroskedasyczność szeregu sóp zwrou a koncepcja pomiaru ryzyka meodą VaR Wsęp Spośród wielu rodzajów ryzyka
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoOeconomiA copernicana. Małgorzata Madrak-Grochowska, Mirosława Żurek Uniwersytet Mikołaja Kopernika w Toruniu
OeconomiA copernicana 2011 Nr 4 Małgorzaa Madrak-Grochowska, Mirosława Żurek Uniwersye Mikołaja Kopernika w Toruniu TESTOWANIE PRZYCZYNOWOŚCI W WARIANCJI MIĘDZY WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE
Bardziej szczegółowoPOWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE
Anea Kłodzińska, Poliechnika Koszalińska, Zakład Ekonomerii POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Sopy procenowe w analizach ekonomicznych Sopy procenowe
Bardziej szczegółowoMODELOWANIE 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoNie(efektywność) informacyjna giełdowego rynku kontraktów terminowych w Polsce
Zeszyy Naukowe Uniwersyeu Szczecińskiego nr 862 Finanse, Rynki Finansowe, Ubezpieczenia nr 75 (2015) DOI: 10.18276/frfu.2015.75-16 s. 193 204 Nie(efekywność) informacyjna giełdowego rynku konraków erminowych
Bardziej szczegółowoMiara ryzyka estymacji parametrów modelu VaR
Zeszyy Uniwersye Ekonomiczny w Krakowie Naukowe 4 (976) ISSN 1898-6447 e-issn 2545-3238 Zesz. Nauk. UEK, 2018; 4 (976): 183 200 hps://doi.org/10.15678/znuek.2018.0976.0411 Miara ryzyka esymacji paramerów
Bardziej szczegółowoAnaliza metod oceny efektywności inwestycji rzeczowych**
Ekonomia Menedżerska 2009, nr 6, s. 119 128 Marek Łukasz Michalski* Analiza meod oceny efekywności inwesycji rzeczowych** 1. Wsęp Podsawowymi celami przedsiębiorswa w długim okresie jes rozwój i osiąganie
Bardziej szczegółowoMODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. 1. Wstęp
WERSJA ROBOCZA - PRZED POPRAWKAMI RECENZENTA Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. Wsęp Spośród wielu rodzajów ryzyka, szczególną
Bardziej szczegółowoAnaliza danych DRZEWA DECYZYJNE. Drzewa decyzyjne. Entropia. http://zajecia.jakubw.pl/ test 1 dopełnienie testu 1
Analiza danych Drzewa decyzyjne. Enropia. Jakub Wróblewski jakubw@pjwsk.edu.pl hp://zajecia.jakubw.pl/ DRZEWA DECYZYJNE Meoda reprezenacji wiedzy (modelowania ablic decyzyjnych). Pozwala na przejrzysy
Bardziej szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
Bardziej szczegółowoPREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW
Bardziej szczegółowoModelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU
Modelowanie ryzyka kredyowego MODELOWANIE ZA POMOCA PROCESU HAZARDU Mariusz Niewęgłowski Wydział Maemayki i Nauk Informacyjnych, Poliechniki Warszawskiej Warszawa 2014 hazardu Warszawa 2014 1 / 18 Proces
Bardziej szczegółowoRACHUNEK EFEKTYWNOŚCI INWESTYCJI METODY ZŁOŻONE DYNAMICZNE
RACHUNEK EFEKTYWNOŚCI INWESTYCJI METODY ZŁOŻONE DYNAMICZNE PYTANIA KONTROLNE Czym charakeryzują się wskaźniki saycznej meody oceny projeku inwesycyjnego Dla kórego wskaźnika wyliczamy średnią księgową
Bardziej szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak 2 Plan wykładu Zakłócenia w modelu DAD/DAS: Wzros produkcji poencjalnej; Zakłócenie podażowe o sile
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoANNA GÓRSKA MONIKA KRAWIEC Szkoła Główna Gospodarstwa Wiejskiego w Warszawie
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 013 ANNA GÓRSKA MONIKA KRAWIEC Szkoła Główna Gospodarswa Wiejskiego w Warszawie BADANIE EFEKTYWNOŚCI INFORMACYJNEJ
Bardziej szczegółowoWskazówki projektowe do obliczania nośności i maksymalnego zanurzenia statku rybackiego na wstępnym etapie projektowania
CEPOWSKI omasz 1 Wskazówki projekowe do obliczania nośności i maksymalnego zanurzenia saku rybackiego na wsępnym eapie projekowania WSĘP Celem podjęych badań było opracowanie wskazówek projekowych do wyznaczania
Bardziej szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1
ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR
Inwesycje finansowe i ubezpieczenia endencje świaowe a rynek polski Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR Wsęp Konieczność
Bardziej szczegółowoStrukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym
Jacek Baóg Uniwersye Szczeciński Srukuralne podejście w prognozowaniu produku krajowego bruo w ujęciu regionalnym Znajomość poziomu i dynamiki produku krajowego bruo wyworzonego w poszczególnych regionach
Bardziej szczegółowoKrzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informayki Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Krzyszof Pionek Weryfikacja modeli Blacka-Scholesa oraz AR-GARCH
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak ( ) ( ) ( ) i E E E i r r = = = = = θ θ ρ ν φ ε ρ α * 1 1 1 ) ( R. popyu R. Fishera Krzywa Phillipsa
Bardziej szczegółowoEfekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA
Joanna Górka * Efeky agregacji czasowej szeregów finansowych a modele klasy Sign RCA Wsęp Wprowadzenie losowego parameru do modelu auoregresyjnego zwiększa możliwości aplikacyjne ego modelu, gdyż pozwala
Bardziej szczegółowoWyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH
Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele
Bardziej szczegółowoMODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX
Krzyszof Ćwikliński Uniwersye Ekonomiczny we Wrocławiu Wydział Zarządzania, Informayki i Finansów Kaedra Ekonomerii krzyszof.cwiklinski@ue.wroc.pl Daniel Papla Uniwersye Ekonomiczny we Wrocławiu Wydział
Bardziej szczegółowoPrognozowanie średniego miesięcznego kursu kupna USD
Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska
Bardziej szczegółowoO PEWNYCH KRYTERIACH INWESTOWANIA W OPCJE NA AKCJE
MEODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH om XIII/3, 01, sr 43 5 O EWNYCH KRYERIACH INWESOWANIA W OCJE NA AKCJE omasz Warowny Kaedra Meod Ilościowych w Zarządzaniu oliechnika Lubelska e-mail: warowny@pollubpl
Bardziej szczegółowo2. Wprowadzenie. Obiekt
POLITECHNIKA WARSZAWSKA Insyu Elekroenergeyki, Zakład Elekrowni i Gospodarki Elekroenergeycznej Bezpieczeńswo elekroenergeyczne i niezawodność zasilania laoraorium opracował: prof. dr ha. inż. Józef Paska,
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
Bardziej szczegółowoZarządzanie Projektami. Wykład 3 Techniki sieciowe (część 1)
Zarządzanie Projekami Wykład 3 Techniki sieciowe (część ) Przedsięwzięcie wieloczynnościowe Przedsięwzięcie wieloczynnościowe skończona liczba wzajemnie ze sobą powiązanych czynności (eapów). Powiązania
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej szczegółowoDendrochronologia Tworzenie chronologii
Dendrochronologia Dendrochronologia jes nauką wykorzysującą słoje przyrosu rocznego drzew do określania wieku (daowania) obieków drewnianych (budynki, przedmioy). Analizy różnych paramerów słojów przyrosu
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoStała 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 szczegółowoAkademia Ekonomiczna im. Oskara Langego we Wrocławiu Katedra Inwestycji Finansowych i Ubezpieczeń
Krzyszof Pionek Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Kaedra Inwesycji Finansowych i Ubezpieczeń Przegląd i porównanie meod oceny modeli VaR Wsęp - Miara VaR Warość zagrożona (warość narażona
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoUMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE
Pior Fiszeder UMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE. Wprowadzenie Rynki kapiałowe na świecie są coraz silniej powiązane. Do najważniejszych
Bardziej szczegółowoANALIZA RYZYKA NA RYNKU NORD POOL SPOT
Alicja Ganczarek-Gamro Dominik Krężołek Uniwersye Ekonomiczny w Kaowicach ANALIZA RYZYKA NA RYNKU NORD POOL SPOT Wprowadzenie Rynek owarowy można zdefiniować jako pewien sysem, w kórym nasępuje konfronacja
Bardziej szczegółowoWERYFIKACJA JAKOŚCI PROGNOZ ZMIENNOŚCI WYKORZYSTYWANYCH W MODELU RISKMETRICS TM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-8611 Nr 86 016 Ekonomia 6 Uniwersye Ekonomiczny w Kaowicach Wydział Finansów i Ubezpieczeń Kaedra Inwesycji i Nieruchomości
Bardziej szczegółowoROCZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/2007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Katowicach
ROZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Kaowicach WYZNAZANIE PARAMETRÓW FUNKJI PEŁZANIA DREWNA W UJĘIU LOSOWYM * Kamil PAWLIK Poliechnika
Bardziej szczegółowoSYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE
SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne
Bardziej szczegółowoMODELOWANIE STRUKTURY TERMINOWEJ STÓP PROCENTOWYCH WYZWANIE DLA EKONOMETRII
KRZYSZTOF JAJUGA Akademia Ekonomiczna we Wrocławiu MODELOWANIE STRUKTURY TERMINOWEJ STÓP PROCENTOWYCH WYZWANIE DLA EKONOMETRII. Modele makroekonomiczne a modele sóp procenowych wprowadzenie Nie do podważenia
Bardziej szczegółowoψ przedstawia zależność
Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowoPomiar 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 szczegółowoEFEKT DNIA TYGODNIA NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE WSTĘP
Joanna Landmesser Kaedra Ekonomerii i Informayki SGGW e-mail: jgwiazda@mors.sggw.waw.pl EFEKT DNIA TYGODNIA NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE Sreszczenie: W pracy zbadano wysępowanie efeku
Bardziej szczegółowoWykład 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 szczegółowoWykorzystanie wielorównaniowych modeli AR-GARCH w pomiarze ryzyka metodą VaR
Krzyszof Pionek Daniel Papla Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wykorzysanie wielorównaniowych modeli AR-GARCH w pomiarze ryzyka meodą VaR Wsęp Wśród różnych meod
Bardziej szczegółowoOddziaływanie procesu informacji na dynamikę cen akcji. Małgorzata Doman Akademia Ekonomiczna w Poznaniu
Oddziaływanie procesu informacji na dynamikę cen akcji. Małgorzaa Doman Akademia Ekonomiczna w Poznaniu Modele mikrosrukury rynku Bageho (97) informed raders próbują wykorzysać swoją przewagę informacyjną
Bardziej szczegółowoLABORATORIUM PODSTAWY ELEKTRONIKI Badanie Bramki X-OR
LORTORIUM PODSTWY ELEKTRONIKI adanie ramki X-OR 1.1 Wsęp eoreyczny. ramka XOR ramka a realizuje funkcję logiczną zwaną po angielsku EXLUSIVE-OR (WYŁĄZNIE LU). Polska nazwa brzmi LO. Funkcję EX-OR zapisuje
Bardziej szczegółowoĆWICZENIE 4 Badanie stanów nieustalonych w obwodach RL, RC i RLC przy wymuszeniu stałym
ĆWIZENIE 4 Badanie sanów nieusalonych w obwodach, i przy wymuszeniu sałym. el ćwiczenia Zapoznanie się z rozpływem prądów, rozkładem w sanach nieusalonych w obwodach szeregowych, i Zapoznanie się ze sposobami
Bardziej szczegółowoMagdalena Sokalska Szkoła Główna Handlowa. Modelowanie zmienności stóp zwrotu danych finansowych o wysokiej częstotliwości
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Szkoła Główna Handlowa Modelowanie zmienności
Bardziej szczegółowoCHEMIA KWANTOWA Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoretycznej Zespół Chemii Kwantowej Grupa Teorii Reaktywności Chemicznej
CHEMI KWTOW CHEMI KWTOW Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoreycznej Zespół Chemii Kwanowej Grupa Teorii Reakywności Chemicznej LITERTUR R. F. alewajski, Podsawy i meody chemii kwanowej:
Bardziej szczegółowoBEZRYZYKOWNE BONY I LOKATY BANKOWE ALTERNATYWĄ DLA PRZYSZŁYCH EMERYTÓW. W tym krótkim i matematycznie bardzo prostym artykule pragnę osiągnąc 3 cele:
1 BEZRYZYKOWNE BONY I LOKATY BANKOWE ALTERNATYWĄ DLA PRZYSZŁYCH EMERYTÓW Leszek S. Zaremba (Polish Open Universiy) W ym krókim i maemaycznie bardzo prosym arykule pragnę osiągnąc cele: (a) pokazac że kupowanie
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 2012
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 2012 MAŁGORZATA WASILEWSKA PORÓWNANIE METODY NPV, DRZEW DECYZYJNYCH I METODY OPCJI REALNYCH W WYCENIE PROJEKTÓW
Bardziej szczegółowo