Magdalena Osińska, Joanna Górka Uniwersytet Mikołaja Kopernika w Toruniu
|
|
- Bronisław Czarnecki
- 7 lat temu
- Przeglądów:
Transkrypt
1 DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 5 w Toruniu Kaedra Ekonomerii i Saski, Uniwerse Mikołaja Kopernika w Toruniu Uniwerse Mikołaja Kopernika w Toruniu Idenfikacja nieliniowości w ekonomicznch szeregach czasowch. Analiza smulacjna. Wsęp Współczesna ekonomeria coraz częściej zwraca się ku zasosowaniu modeli nieliniowch opisującch mechanizm generując dane w empircznch szeregach czasowch. Szczególnie prężna sała się pod m względem ekonomeria finansowa por. Doman, Doman 4)). Jedną z osanio powsałch specfikacji modelowch, generującch szeregi czasowe są proces zawierające sochasczn pierwiasek jednoskow STUR por. Granger, Swanson 997)). Są o proces definiowane przez model z losowmi paramerami, kóre znajdują się pomiędz klasą procesów zawierającch dokładn pierwiasek jednoskow np. błądzenie przpadkowe lub ogólnie ARIMA p,,q)) a klasą procesów sacjonarnch np. ARMA p,q)). Modele e poprzez przekszałcenia mogą bć sprowadzone go klas modeli nieliniowch np. dwuliniowch lub GARCH. Z drugiej sron isnieje niewiele możliwości skuecznej idenfikacji rodzaju nieliniowości w rzeczwisch szeregach czasowch. Celem referau jes próba określenia możliwości idenfikacji odpowiadającch sobie procesów: GARCH, zmienności sochascznej, dwuliniowch oraz STUR na podsawie ekspermenu Mone Carlo. Dla porównania pokazane zosaną charakerski szeregów generowanch jako biał szum, SETAR oraz błądzenie przpadkowe. Jako, że zasosowanie omawianch modeli odnosi się najczęściej do finansowch szeregów czasowch, w końcowej części prac pokazane zosał wniki idenfikacji empircznch szeregów finansowch. Praca finansowana przez KBN w ramach granu nr -HB-5-5.
2 38. Charakerska nieliniowch szeregów czasowch W lieraurze znajduje się szereg esów pozwalającch na idenfikację nieliniowości. Ogólnie możem je podzielić na dwie grup. Do grup pierwszej zaliczm wszskie es, kóre esują nieliniowość bez określenia z jakim jej rodzajem mam do cznienia. W ej grupie najbardziej znanm jes es BDS. Zaliczć u można akże es opare na reprezenacji spekralnej momenów wższch rzędów, w m bikowariancji i bispekrum, np. es Hinicha. Z drugiej sron dsponujem szeregiem esów nakierowanch na werfikację konkrenej alernaw, np. es modeli STAR i SETAR, a akże es Lebourne a i innch nakierowane na badanie alernaw w posaci modelu sochascznego pierwiaska jednoskowego. W niniejszej prac wkorzsane zosał: es Hinicha 98) oraz es Lebourne a, McCabe a i Tremane a 996) i Lebourne a. McCabe a i Millsa 996). Za pomocą esu Hinicha, oparego na bispekrum, badam dane ze względu na wsępowanie zależności rzeciego rzędu. Załóżm, że jes realizacją procesu sochascznego o średniej zero, sacjonarnego aż do rzeciego rzędu. 3 Oznacza o, że E = K < oraz momen E, nie zależą od prze-, 3 ) sunięć w czasie. Bispekrum ω ω ) Fouriera funkcji r, s) = E ) c 3 + r + s posaci: B ω ) = c3 r, s) exp[ πi ωr + ω r= s= B szeregu nazwam ransformaę ω s)]. ) ω ω o dziedzinie podsawowej < ω < π ; ω < ω < ω + }. Saska Hinicha opara Funkcja ) jes dwuokresową funkcją dwóch zmiennch ) { 3 π jes na współcznniku bikoherencji, kórego esmaor ma posać: Bˆ ) ω ω Ψ ωω ) = fˆ ω fˆ ω fˆ ω gdzie ) ) ) + ) B ˆ ω ω ) jes esmaorem bispekrum szeregu, zaś f ˆ ω j = {, } oznacza uśrednion periodogram dla częsości ω j. Formuła ) znajduje zasosowanie w werfikacji hipoez dwojako: po pierwsze esuje się normalność rozkładu z kórego pochodzi badan szereg, po drugie naomias liniowość ch szeregów, dla kórch zosała odrzucona hipoeza o normalności. W pierwszm przpadku prz założeniu prawdziwości hipoez zerowej saska H = Ψ ω ω ) 3) ma asmpoczn rozkład χ P), gdzie P jes liczbą par częsości ) ω ω w dziedzinie podsawowej. Przjęcie hipoez zerowej kończ badanie, naomias jej odrzucenie wmaga esowania hipoez o liniowości badanego procesu. Oznacza o, że proces może bć nie-gaussowski ale liniow albo nie- j )
3 Idenfikacja nieliniowości w ekonomicznch szeregach czasowch Gaussowski i nieliniow. Prz założeniu prawdziwości hipoez o liniowości χ, λ, gdzie λ jes war- procesu, saska 3) ma nie scenrowan rozkład ) ością średnią ego procesu. Wówczas esmaor ωω ) leżnch warości z rozkładu χ, λ) Ψ dosarcza P nieza- wpadku saska ). Jeżeli zaem badan proces jes liniow, o dspersja próbkowa P warości jes zgodna z m rozkładem. W przeciwnm Ψ ω ω dosarcza P niezależnch warości pochodzącch z nie scenrowanego rozkładu χ ze zmienną warością średnią, kórego dspersja jes oczwiście różna. Tesowanie polega na porównaniu dspersji obu rozkładów, na przkład poprzez rozsęp declow lub rozsęp kwarlow. Ten osani zosał wkorzsan w niniejszej prac. Hipoeza o liniowości szeregu będzie odrzucana wówczas, gd warości empirczna i eoreczna rozsępu kwarlowego będą się znacznie różnic międz sobą. Hinich 98) udowodnił, że zasosowanie powższch esów nie wmaga uprzedniego filrowania ewenualnch zależności liniowch. W celu zbadania cz dan szereg jes realizacja procesu sochascznego zawierającego STUR rozważm nasępując model auoregresjn ze zmiennmi paramerami: = α + 4) gdzie: α = α + δ, δ =, δ = ρδ + η 5) prz czm α = i ρ. Ponado ~ N, σ ) i η ~ N, ω ) są od siebie niezależne. Hipoez w eście LMT Lebourne, McCabe, Tremane) doczą wariancji ω. Jeżeli H : ω =, o model 4) sprowadza się do modelu błądzenia przpadkowego lub w uogólnionm przpadku ARIMAp,,)). Hipoeza alernawna H : ω > oznacza model STUR. W celu uniknięcia wpłwu ewenualnego rendu deerminiscznego, auorz proponują rozszerzenie modelu o rend liniow lub kwadraow. Ponado możliwe jes rozszerzenie specfikacji równania poprzez włączenie do modelu opóźnionch warości zmiennej endogenicznej. Procedura esowania przebiega w nasępując sposób: * * Niech α + 6) * = p gdzie = P ϕ 7) prz czm P i= i i jes składnikiem deerminiscznm, np. rendem, naomias część auoregresjna w 8) jes sacjonarna. Jeżeli w H ρ <, o saskę Z oblicza się na podsawie nasępującej zależności, oszacowanej KMNK
4 4 = P + p i i= Saska Z ma posać: ϕ + σ 3 T Z = T σ κ j = j= ) 9) T T gdzie: σ = T oraz κ = T σ ). = P = Zależnie od wboru posaci rendu liniow) lub kwadraow) oznacza się ją jako Z lub Z. Dla ρ = w H proponuje się przjęcie nasępującej saski por. Lebourne, McCabe, Mills 996)) T T T 4 j σ i= = i j= = i 3 E = T σ ) j = j i, podobnie jak w poprzednim wpadku, zależnie od przjęej funkcji rendu saskę powższą oznacza się przez E lub E. Wniki smulacji pokazują, że moc esu E jes wższa niż esu Z por. Talor, van Dijk 999)) Warości krczne esów Z i E dla wbranch poziomów isoności oraz liczebności prób zosał przedsawione w prac Osińska 4). Generowane oraz empirczne szeregi czasowe zosał akże scharakerzowane za pomocą sascznch miar opisu. Ponado za pomocą sandardowch esów zbadano auokorelację w zakresie poziomów es Boxa-Ljunga) oraz w zakresie zmienności es Engle a i McLeoda-Li). Wniki e nie zosał zaprezenowane w celu oszczędności miejsca, są naomias dosępne u auorów. P 8) 3. Wniki ekspermenu Mone Carlo Celem analiz smulacjnej jes określenie wrażliwości esów wkrwającch sochasczn pierwiasek jednoskow, na różne form hipoez alernawnej, podczas gd H sandardowo oznacza model błądzenia przpadkowego. Podobne badanie dla wbranch alernaw przeprowadzone zosał w prac Talor, van Dijk 999). Ponado wkorzsan zosał es Hinicha w celu określenia na ile generowane szeregi czasowe mogą zosać uznane za Gaussowskie, a nasępnie za nieliniowe. Własności esów oparch na bispekrum bł przedmioem prac Bruzda ) i Doman, Doman 4), jak doąd jednak nie rozważano pod m kąem procesów zawierającch sochasczn pierwiasek jednoskow. Wnika o zapewne z faku, że zasosowanie analiz spekralnej wmaga sacjonarności procesów aż do rzędu badanego momenu. Proces STUR ej własności z definicji nie posiadają. W niniejszm opracowaniu podję-
5 Idenfikacja nieliniowości w ekonomicznch szeregach czasowch... 4 o jednak próbę zasosowania esu Hinicha w celu określenia możliwości idenfikacji liniowości szeregów generowanch przez model STUR. W analizie smulacjnej przjęe zosał nasępujące posaci modeli: WN RW = + BI = σ u BL diag BL nad BL pod ARCH GARCH SV SETAR,,) RCA,) = σ =.5 =.5 =.5 σ + h = u ~ N, ) h =, = h, h =, +.89h +. = h η ln h =, +.95 ln h +.9η <.7 = = b b =.3b +.6η STUR α =, =. 98 STUR α =, =. 95 η ω =. ρ, ω ω =. ω =. ω =. ω =. ω =. ω =. ω =. ω =. ω =. ω =. ρ, =. STUR3 α =. 98, =. 98 STUR4 α =. 98, =. 95 STUR5 α =, =. 98 STUR6 α =, =. 95 STUR7 α =. 98, =. 98 STUR8 α =. 98, =. 95 STUR9 α =, =. 98 STUR α =, =. 95 STUR α =. 98, =. 98 STUR α =. 98, =. 95 ρ, ρ, ρ, 5 ρ, 5 ρ, 5 ρ, 5 ρ, ρ, ρ, ρ, Model BI zosał zdefiniowan w prac Hansen 99). Paramer modelu SV zosał zaczerpnięe z prac Pajor 3).
6 4 Dla każdego z powższch modeli wgenerowano 5 obserwacji i dokonano powórzeń. Wniki esów Z i E oraz esu Hinicha zaprezenowane zosał w ablic. Tablica. Wniki esów Z, E oraz esu Hinicha dla danch generowanch. W abeli podane zosał odseki odrzucenia hipoez zerowej prz poziomie isoności.5. Model Tes Z Tes E Tes Hinicha Z Z E E Normalność Liniowość WN RW BI BL diag BL nad BL pod ARCH GARCH SV SETAR RCA.) STUR STUR STUR STUR STUR STUR STUR STUR STUR STUR STUR STUR Źródło: opracowanie własne. Tes na isnienie sochascznego pierwiaska jednoskowego poprzesają na akcepacji hipoez zerowej w przpadku szeregów generowanch przez sacjonarne proces sochasczne, akich jak biał szum, model współzinegrowan BI), modele dwuliniowe, ARCH, GARCH, model zmienności sochascznej, RCA,) oraz SETAR. W przpadku szeregów niesacjonarnch reprezenowanch przez model błądzenia przpadkowego RW, es STUR wraźnie wskazują na hipoezę zerową, kóra mówi, że mam do cznienia z dokładnm pierwiaskiem jednoskowm. W przpadku szeregów generowanch przez różne p modeli STUR wniki esów Z i E są obiecujące. Zależnie od
7 Idenfikacja nieliniowości w ekonomicznch szeregach czasowch warości paramerów modeli procen odrzucenia hipoez zerowej waha się w granicach od 73% do 96%. Wniki esu Hinicha są dość zróżnicowane. Na przkład dla procesów dwuliniowch diagonalnch i poddiagonalnch w ok. 6% odrzucam hipoezę zerową o normalności rozkładu, naomias w przpadku procesów naddiagonalnch lko w 8.9%. Podobne wniki obserwujem w odniesieniu do modeli zmienności ARCH, GARCH i SV. Jeżeli chodzi o wniki esu Hinicha dla szeregów STUR o niemal w % przpadków obserwujem brak normalności rozkładu i nieliniowość, co może bć obciążone niespełnieniem założenia o sacjonarności. 4. Wniki analiz empircznch Idenfikacja empircznch szeregów czasowch skoncenrowana zosała na badaniu dziennch obserwacji wbranch indeksów noowanch na GPW w Warszawie oraz ich logarmicznch sóp zmian w okresie Wniki esów Z i E oraz esu Hinicha przedsawione zosał w ablic. Tablica. Wniki esowania empircznch szeregów czasowch. Model Tes Z Tes E Tes Hinicha Z Z E E Normalność Liniowość WIG ln s zw WIG WIG.785*.667*.88*.67* ln s zw WIG WIG-BANKI ln s zw WIG-BANKI WIG-BUDOW ln s zw WIG-BUDOW WIG-INFO -.74.* ln s zw WIG-INFO WIG-SPOZYW * ln s zw WIG-SPOZYW WIG-TELKOM.493*.374* ln s zw WIG-TELKOM * oznaczono odrzucenie H o dokładnm pierwiasku jednoskowm. Źródło: opracowanie własne. Z przedsawionch rezulaów empircznch wnika, że indeks WIG, WIG-info, WIG-spożwcz oraz WIG-elkom charakerzują się sochascznm pierwiaskiem jednoskowm. Tes Hinicha dla indeksów, kóre poencjalnie są procesami I) nie zosał policzon. Dla logarmicznch sóp zmian w żadnm przpadku nie bło podsaw do odrzucenia hipoez zerowej.
8 44 Lieraura Bruzda, J. ), Bispekra procesów ekonomicznch kierunki zasosowań i analiza smulacjna, Aca Universiais Nicolai Copernici, Toruń. Doman, M., Doman, R. 4), Ekonomerczne modelowanie dnamiki polskiego rnku finansowego, Wd. AE w Poznaniu, Poznań. Hansen, B. E. 99), Heeroskedasic coinegraion, Journal of Economerics, vol.54. Hinich, M.J. 98), Tesing for Gaussiani and Lineari of a Saionar Time Series, Journal of Time Series Analsis, vol.3. Granger, C.W.J., Swanson, N.R. 997), An inroducion o sochasic uni-roo process, Journal of Economerics, vol.8. Lebourne, S.J., McCabe, B.P.M., Mills, T.C. 996), Randomized uni roo processes for modeling and forecasing financial ime series: heor and applicaions, Journal of Forecasing, vol.5. Lebourne, S.J., McCabe, B.P.M., Tremane, A.R. 996), Can economic ime series be differenced o saionari?, Journal of Business and Economic Saisics, vol.4. Osińska, M. 4), Sochasic uni roos processes - properies and applicaion, w: MACROMODELS 3, red. A. Welfe, W. Welfe, Wd. Uniwerseu Łódzkiego, Łódź. Pajor, A. 3), Proces zmienności sochascznej SV w baesowskiej analizie szeregów czasowch, Wdawnicwo AE, Kraków. Talor, A.M.R, van Dijk, D. 999), Tesing for Sochasic Uni Roos. Some Mone Carlo Evidence, Economeric Insiue Research Repor EI-99/A.
PROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM 1. Joanna Górka. Wydział Nauk Ekonomicznych i Zarządzania UMK w Toruniu Katedra Ekonometrii i Statystyki
PROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM Joanna Górka Wdział Nauk Ekonomicznch i Zarządzania UMK w Toruniu Kaedra Ekonomerii i Saski WSTĘP Niesacjonarne proces o średniej zero mogą bć reprezenowane
Bardziej szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej 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 szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowoKonspekty wykładów z ekonometrii
Konspek wkładów z ekonomerii Budowa i werfikaca modelu - reść przkładu W wniku ssemacznch badań popu na warzwa w pewnm mieście, orzmano nasępuące szeregi czasowe: przros (zmian) popu na warzwa (w zł. na
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 5
Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA
Bardziej szczegółowoCechy szeregów czasowych
energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas
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 XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 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 XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 009 Uniwerse Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saski WŁASNOŚCI
Bardziej szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 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 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 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 szczegółowoPrognozowanie i symulacje
Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez
Bardziej szczegółowoEkonometria I materiały do ćwiczeń
lp daa wkładu ema Wkład dr Doroa Ciołek Ćwiczenia mgr inż. - Rodzaje danch sascznch - Zmienne ekonomiczne jako zmienne losowe 1a) Przkład problemów badawczch hipoeza, propozcja modelu ekonomercznego, zmienne
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 szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoBayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1
Jacek Kwiakowski Uniwersye Mikołaja Kopernika w Toruniu Bayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1 WSTĘP Powszechnie wiadomo, że podsawowymi własnościami procesów finansowych
Bardziej 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 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 szczegółowoZASTOSOWANIA EKONOMETRII
ZASTOSOWANIA EKONOMETRII Budowa, esmacja, werfikacja i inerpreacja modelu ekonomercznego. dr Doroa Ciołek Kaedra Ekonomerii Wdział Zarządzania UG hp://wzr.pl/~dciolek doroa.ciolek@ug.edu.pl Lieraura Osińska
Bardziej szczegółowoANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-86 Nr 89 06 Uniwersye Ekonomiczny w Kaowicach Wydział Ekonomii Kaedra Meod Saysyczno-Maemaycznych w Ekonomii pawel.prenzena@edu.ueka.pl
Bardziej szczegółowoSYMULACYJNE BADANIE EFEKTYWNOŚCI WYKORZYSTANIA METOD NUMERYCZNYCH W PROGNOZOWANIU ZMIENNEJ ZAWIERAJĄCEJ LUKI NIESYSTEMATYCZNE
Sudia Ekonomiczne. Zesz Naukowe Uniwerseu Ekonomicznego w Kaowicach ISSN 8-86 Nr 4 7 Zachodniopomorski Uniwerse Technologiczn w Szczecinie Wdział Ekonomiczn Kaedra Zasosowań Maemaki w Ekonomii maciej.oeserreich@zu.edu.pl
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 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 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 szczegółowoTESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Mariusz Doszyń TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH Od pewnego czasu w lieraurze ekonomerycznej pojawiają się
Bardziej szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
Bardziej 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 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 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 szczegółowoElżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyk Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoBayesowska analiza modeli ARFIMA i persystencji na przykładzie kursu jednostek uczestnictwa funduszu Pioneer.
Jacek Kwiakowski Bayesowska analiza modeli ARFIMA i persysencji na przykładzie kursu jednosek uczesnicwa funduszu Pioneer.. Wsęp Celem prezenowanego arykułu jes analiza empiryczna modeli AR- FIMA oraz
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 szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
Bardziej szczegółowoKRZYSZTOF JAJUGA Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Akademia Ekonomiczna we Wrocławiu 25 LAT EKONOMETRII FINANSOWEJ
KRZYSZTOF JAJUGA Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Akademia Ekonomiczna we Wrocławiu 25 LAT EKONOMETRII FINANSOWEJ EKONOMETRIA FINANSOWA OKREŚLENIE Modele ekonomerii finansowej są worzone
Bardziej szczegółowoIntegracja zmiennych Zmienna y
Inegracja zmiennych Zmienna y jes zinegrowana rzędu d jeśli jej różnice rzędu d są sacjonarne. Zapisujemy o y ~ I ( d ). Przyjmuje się również, że zmienna sacjonarna y (jako że nie rzeba jej różnicować,
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoAnaliza szeregów czasowych uwagi dodatkowe
Analiza szeregów czasowch uwagi dodakowe Jerz Sefanowski Poliechnika Poznańska Zaawansowana Eksploracja Danch Prognozowanie Wbór i konsrukcja modelu o dobrch własnościach predkcji przszłch warości zmiennej.
Bardziej 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 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 szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej 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 szczegółowoROZDZIAŁ 11 WPŁYW ZMIAN KURSU WALUTOWEGO NA RYNEK PRACY
Rszard Sefański ROZDZIAŁ 11 WPŁYW ZMIAN KURSU WALUTOWEGO NA RYNEK PRACY Absrak Ocena wpłwu zmian kursu waluowego na rnek prac jes szczególnie isona dla polskiej gospodarki w najbliższch laach. Spośród
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 szczegółowoModelowanie i analiza szeregów czasowych
Modelowanie i analiza szeregów czasowych Małgorzaa Doman Plan zajęć Część. Modelowanie szeregów jednowymiarowych.. Szeregi jednowymiarowe własności i diagnozowanie. Modele auoregresji i średniej ruchomej
Bardziej szczegółowoFINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej 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 szczegółowoZbudowany i pozytywnie zweryfikowany jednorównaniowy model ekonometryczny. jest uŝyteczny do analizy zaleŝności między zmiennymi uwzględnionymi w
ROGNOZOWANIE EKONOMERYCZNE (REDYKCJA EKONOMERYCZNA) ZEAW V Zbudowan i pozwnie zwerfikowan jednorównaniow model ekonomerczn je uŝeczn do analiz zaleŝności międz zmiennmi uwzględnionmi w modelu w okreie,
Bardziej szczegółowoMODEL TENDENCJI ROZWOJOWEJ
MODEL TENDENCJI ROZWOJOWEJ Model endencji rozwojowej o konsrukcja eoreczna (równanie lub układ równań) opisująca kszałowanie się określonego zjawiska jako funkcji: zmiennej czasowej wahań okresowch (sezonowe
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaa Kopernika w Toruniu Małgorzaa Borzyszkowska Uniwersye Gdański
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 szczegółowooznacza przyrost argumentu (zmiennej niezależnej) x 3A82 (Definicja). Granicę (właściwą) ilorazu różnicowego funkcji f w punkcie x x x e x lim x lim
WYKŁAD 9 34 Pochodna nkcji w pnkcie Inerpreacja geomerczna pochodnej Własności pochodnch Twierdzenia Rolle a Lagrange a Cach ego Regla de lhôspiala Niech ( ) O( ) będzie nkcją określoną w pewnm ooczeni
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 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 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 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 szczegółowoEkonometryczne modele nieliniowe
Eonomeryczne modele nieliniowe Wyład Doromił Serwa Zajęcia Wyład Laoraorium ompuerowe Prezenacje Zaliczenie EGZAMI 50% a egzaminie oowiązują wszysie informacje przeazane w czasie wyładów np. slajdy. Aywność
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 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 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 szczegółowoZwiązek między ruchem harmonicznym a ruchem jednostajnym po okręgu
Związek międz ruchem harmonicznm a ruchem jednosajnm po okręgu Rozważm rzu Q i R punku P na osie i : Q cos v r R sin R Q P δ Q cos ( δ ) R sin ( δ ) Jeżeli punk P porusza się ruchem jednosajnm po okręgu,
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoWykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów.
Wkład Test zgodności. Test zgodności służą do werikacji hipotez mówiącch, że a dstrbuanta rozkładu populacji ma określoną z gór postać unkcjną b dstrbuant rozkładów dwóch populacji nie różnią się w sposób
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 szczegółowoMODEL 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 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 szczegółowoKrzywe na płaszczyźnie.
Krzwe na płaszczźnie. Współrzędne paramerczne i biegunowe. Współrzędne biegunowe. Dan jes punk O, zwan biegunem, kór sanowi począek półprosej, zwanej półosią. Dowoln punk P na płaszczźnie można opisać
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 szczegółowoWykład Analiza jakościowa równań różniczkowych
Na podstawie książki J. Rusinka, Równania różniczkowe i różnicowe w zarządzaniu, Oficna Wdawnicza WSM, Warszawa 2005. 21 maja 2012 Definicja Stabilność Niech = F (x, ) będzie równaniem różniczkowm. Rozwiązanie
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
Bardziej szczegółowoDYNAMICZNE 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 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 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 szczegółowoPROGNOZY I SYMULACJE
orecasig is he ar of saig wha will happe, ad he explaiig wh i did. Ch. Chafield (986 PROGNOZY I YMULACJE Kaarza Chud Laskowska kosulacje: p. 400A środa -4 czwarek -4 sroa iereowa: hp://kc.sd.prz.edu.pl/
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 szczegółowoPrognozowanie i symulacje
Prognozowanie i smulacje Ramow plan wkładu.wprowadzenie w przedmio.rafność dopuszczalność i błąd prognoz 3.Prognozowanie na podsawie szeregów czasowch 4.Prognozowanie na podsawie modelu ekonomercznego
Bardziej szczegółowo25. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU. y +y tgx=sinx
5. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU 5.1. Pojęcia wstępne. Klasfikacja równań i rozwiązań Rozróżniam dwa zasadnicze tp równań różniczkowch: równania różniczkowe zwczajne i równania różniczkowe cząstkowe.
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 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 szczegółowoDaniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Wykorzysanie
Bardziej szczegółowoModelowanie systemów skointegrowanych. Aspekty teoretyczne
Bank i Kredy 45(5), 04, 433 466 Modelowanie sysemów skoinegrowanych. Aspeky eoreyczne Michał Majserek Nadesłany: 30 kwienia 04 r. Zaakcepowany: 3 września 04 r. Sreszczenie Analiza ekonomeryczna w przypadku
Bardziej szczegółowoModele ekonometryczne dzielimy na statyczne i dynamiczne. Cecha charakterystyczną modeli dynamicznych jest jawne uwzględnienie czynnika czasu.
PODSTAWY ANALIZY SZEREGÓW CZASOWYCH ZESTAW VII Modele eonomerczne dzielim na saczne i dnamiczne. Cecha charaersczną modeli dnamicznch jes jawne uwzględnienie cznnia czasu. MODELE Z ROZKŁADEM OPÓŹNIEŃ Model
Bardziej szczegółowoMotto. Czy to nie zabawne, że ci sami ludzie, którzy śmieją się z science fiction, słuchają prognoz pogody oraz ekonomistów? (K.
Motto Cz to nie zabawne, że ci sami ludzie, którz śmieją się z science fiction, słuchają prognoz pogod oraz ekonomistów? (K. Throop III) 1 Specfika szeregów czasowch Modele szeregów czasowch są alternatwą
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 szczegółowoWYBRANE MODELE ZAWIERAJĄCE STOCHASTYCZNY PIERWIASTEK JEDNOSTKOWY W ANALIZIE KURSÓW WALUTOWYCH 1 1. WSTĘP
PRZEGLĄD STATYSTYCZNY R. LVIII ZESZYT 3-4 0 JACEK KWIATKOWSKI WYBRANE MODELE ZAWIERAJĄCE STOCHASTYCZNY PIERWIASTEK JEDNOSTKOWY W ANALIZIE KURSÓW WALUTOWYCH. WSTĘP Granger i Swanson [5] wykazali że finansowe
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 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 szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Joanna Górka WŁASNOŚCI PROGNOSTYCZNE
Bardziej szczegółowoKrzysztof Borowski, Paweł Skrzypczyński Szkoła Główna Handlowa. Analiza spektralna indeksów giełdowych DJIA i WIG. 1. Wprowadzenie
Krzyszof Borowski, Paweł Skrzypczyński Szkoła Główna Handlowa Analiza spekralna indeksów giełdowych DJIA i WIG 1 Wprowadzenie We współczesnych analizach ekonomicznych doyczących pomiaru cyklu koniunkuralnego
Bardziej szczegółowoKrzysztof Piontek Akademia Ekonomiczna we Wrocławiu. Modelowanie warunkowej kurtozy oraz skośności w finansowych szeregach czasowych
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 5 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Modelowanie
Bardziej 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 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 szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej 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 szczegółowoWitold Orzeszko WSPÓŁCZYNNIK INFORMACJI WZAJEMNEJ JAKO MIARA ZALEŻNOŚCI NIELINIOWYCH W SZEREGACH CZASOWYCH
Uniwersye Miołaja Kopernia w Toruniu Kaedra Eonomerii i Saysyi Wiold Orzeszo WSPÓŁCZYNNIK INFORMACJI WZAJEMNEJ JAKO MIARA ZALEŻNOŚCI NIELINIOWYCH W SZEREGACH CZASOWYCH Z a r y s r e ś c i. W aryule scharaeryzowano
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 szczegółowo