Modelowanie "długotrwałej pamici" szeregów zmiennoci
|
|
- Janusz Michalik
- 8 lat temu
- Przeglądów:
Transkrypt
1 Krzyszof Pionek Kaera Inwesyci Finansowych i Ubezpiecze Akaemia Ekonomiczna we Wrocławiu Moelowanie "ługorwałe pamici" szeregów zmiennoci Wsp Cech charakerysyczn nowoczesnego zarzzania ryzykiem sało si wykorzysywanie coraz barzie wyrafinowanych insrumenów pochonych oraz meo maemaycznych, w ym przee wszyskim eorii procesów sochasycznych. W procesie zarzzania ryzykiem rynkowym, wynikacym ze zmiany cen insrumenów finansowych, moelowaniu polega b o ceny insrumenów finansowych, b sopy zwrou. Moele e wykorzysue si naspnie mizy innymi w zaganieniach zwizanych z analiz porfelow, z wycen opci oraz pomiarem ryzyka rynkowego meo Value a Risk [4]. Sanarowe (naprossze) moele zakłaa, e procesem kszałucym zmiany cen akci, walu i owarów es geomeryczny proces Browna ze sałymi w czasie paramerami ryfu (renu) i zmiennoci. Moel en zakłaa, e rozkła sóp zwrou es rozkłaem normalnym, a poszczególne sopy zwrou pochoz z rozkłaów ienycznych i niezalenych. W wielu pracach [,4,0,4,6] przesawiono baania empiryczne la rónych finansowych szeregów czasowych. Baania e wykazały wyspowanie w szeregach sóp zwrou: efeku skupiania (gromazenia) zmiennoci (volailiy clusering), co oznacza, e zarówno małe, ak i ue zmiany kursu naspu seriami, a ym samym oznacza niesało warianci sóp zwrou w czasie, efeku lepokurozy i grubych ogonów rozkłaów sóp zwrou, co oznacza, e prawopoobieswo wyspienia uych, nieypowych zmian kursu W ogólnoci warianca moe w ogóle nie isnie.
2 (ue co o waroci bezwzglne sopy zwrou) es wiksze ni gyby sopy zwrou pochoziły z rozkłau normalnego, efeku skonoci rozkłaów sóp zwrou (naczcie obserwue si rozkłay prawosronnie skone, lecz nie es o reguł), efeku auokorelaci sóp zwrou, szczególnie w okresach o małe zmiennoci, "efeku wigni" - efeku uemnego skorelowania poziomu kursów i poziomu zmiennoci sóp zwrou, czyli asymerycznego wpływu informaci pozyywnych i negaywnych na poziom przyszłe warianci, efeku "ługorwałe pamici" w szeregach zmiennoci (warianci), czyli isonie znaczcych współczynników wysokich rzów auokorelaci kwaraów sóp zwrou. Rysunki -4 prezenu niekóre opisywane własnoci na posawie szeregu ziennych, prosych sóp zwrou z ineksu WIG z okresu o (zie wprowazenie piciosesynego ygonia na GPW w Warszawie) o Niezbne sało si wic poszukiwanie moeli barzie skomplikowanych ni moel geomerycznego ruchu Browna, kóre lepie opisywałyby własnoci szeregów sóp zwrou (uwzglniałyby przynamnie niekóre z wymienionych powye efeków). Nawiksz popularno zyskały w ym obszarze moele z warunkow waroci oczekiwan procesu opisywan przez moele z klasy ARMA [4,4] oraz z warunkow warianc opisywan przez moele z klasy ARCH [0]. Rozwaa si równie moele z rónymi posaciami rozkłaów gsoci resz moelu [4]. Wszyskie moele klasy ARCH umoliwia opis grubych ogonów oraz efeku skupiania zmiennoci [,0]. Sosunkowo szeroko znane s równie moele opisuce asymeryczn reakc na poawianie si informaci obrych i złych, umoliwiace moelowanie efeku "wigni" (GJR-GARCH, EGARCH, TARCH) [4,6]. Namnie znane s naal moele opisuce "ługorwał pami" (isone
3 auokorelace wysokich rzów kwaraów sóp zwrou) w szeregach zmiennoci. Napopularnieszy aki moel (FIGARCH) sanie si obiekem analizy w niniesze pracy. Rys.. przesawia efek gromazenia zmiennoci la ineksu WIG Rys.. przesawia efek grubych ogonów rozkłau sóp zwrou ineksu WIG Rys. 3. przesawia auokorelac sóp zwrou la ineksu WIG róło - obliczenia własne. Rys. 4. przesawia auokorelac kwaraów sóp zwrou la ineksu WIG Rozparywany w alsze czci pracy moel w czasie yskrenym opisucy szereg czasowy prosych sóp zwrou any es równaniem [4]: X X r = = µ + ε = µ + h z, () X
4 gzie: X - cena w chwili, µ - warunkowa waro oczekiwana sopy zwrou w chwili, h - warunkowa warianca sopy zwrou w chwili, reszy moelu o zerowe renie i enoskowe warianci. z - niezalene W alsze czci pracy przymue si naprossze i nabarzie popularne rozwizanie, e bł moelu z ma rozkła normalny. Moliwe es oczywicie zasosowanie rozkłaów o grubszych ogonach [4]. W pracach [4] i [5] uowoniono wyspowanie isone auokorelaci rzu pierwszego w szeregu sóp zwrou z ineksu WIG. Efek en opisue si naczcie poprzez zasosowanie moeli auoregresynych. W ym przypaku wysarczace okazue si wybranie moelu auoregresi rzu pierwszego - AR(), co skukue przyciem moelu: µ µ ϕr = +. () Uowoniono równie wyspowanie w szeregu sóp zwrou efeku heeroskeasycznoci, a okłanie efeku ARCH [4,5]. Na ym poziomie rozwaa pominio opis "efeku wigni". Moliwe rozwizania wraz z wynikami baa empirycznych ononie ineksu WIG znale mona w pracy [4]. Posawowe rozwizania w zakresie moelowanie efeku gromazenia zmiennoci i "ługorwałe pamici" szeregu zmiennoci przesawiono w alsze czci pracy. Wczenie niezbnym es zefiniowanie pocia "pamici moelu". Pami moelu Samo pocie "pamici moelu" nie es enoznaczne, szczególnie w oniesieniu o moeli warunkowe warianci. Pocia "pami moelu" uywa si b o konekcie funkci auokorelaci kwaraów resz moelu ( ε ), b w konekcie wpływu zaburzenia z chwili na prognozy warunkowe warianci w chwilach kolenych [3,6,8,9,6]. Poecia e bywa rozbiene i moel o
5 "krókorwałe pamici" w sosunku o auokorelaci kwaraów resz moelu moe by moelem o "ługorwałe", a wrcz nieskoczone "pamici" w konekcie wpływu zaburzenia na prognoz warunkowe warianci. Dua owolno okrele i nieprecyzyne rozrónianie ych wóch koncepci prowazi o wielu nieasnoci i sprzecznoci. Naley wyranie zaznaczy, e emaem e pracy es "ługorwała pami procesu" w znaczeniu isonych współczynników auokorelaci wysokich rzów kwaraów resz moelu. Wyspowanie ego efeku w szeregu sop zwrou z ineksu WIG obrazue rysunek 4. Barzie precyzynie, mówi si o "ługorwałe pamici" szeregów zmiennoci (warianci) w przypaku, gy: n lim ρk =, (3) n = k n czyli gy współczynniki auokorelaci kwaraów resz moelu nie sumu si o skoczone waroci. W alsze czci przesawione zosan własnoci eoreyczne funkci auokorelaci kwaraów resz moelu la rónych moeli. Moele warunkowe warianci i ich własnoci Analizowany moel sóp zwrou zaany es naspucym ukłaem równa: r = µ + ϕr + ε, (4) ε I N(0, h ), (5) gzie I o informaca ospna w chwili (-) [6,4]. Do pełnego okrelenia moelu niezbne es eszcze wprowazenie rzeciego równania okrelacego posa moelu warunkowe warianci. Z przypakiem akim mamy o czynienia w oniesieniu o moelu IGARCH omówionego w alsze czci pracy.
6 Naprosszym moelem opisucym zmiany h es moel ARCH(q) (Auoregressive Coniional Heeroskeasic Moel) wprowazony przez Engle'a [0] w 98 roku: h q = ω + αiε i ω + α( L) ε i=, (6) gzie: ω 0, αk 0 k =,,..., q, α q > 0, α α α α q ( L) = L + L ql, a L o operaor przesunicia wsecz [4]: Lx = x, m L x Wykorzysanie w prakyce moelu ARCH wymaga =. x m o wysokich rzach q, a ym samym esymaci wielu paramerów. zasosowania moeli Rozwizaniem pozbawionym e nieogonoci es zaproponowany przez Bollersleva [] w 986 roku moel GARCH(p,q) (Generalize ARCH). Moel en efiniue naspuce równanie warunkowe warianci: q p = ω + αiε i + β = ω + α( ) ε + β ( ) i= =, (7) h h L L h gzie oakowo: βk 0 k =,,..., p, β p > 0, ( L) β L + β L +... β p p L. β + Moel GARCH (p,q) mona przesawi ako moel ARCH( ): ω α( L) h = + ε. (8) [ β ()] [ β ( L)] Z punku wizenia niniesze pracy, ciekawsz własnoci es fak, e moel en mona przesawi ako moel ARMA(m,p), m=max(p,q) la zmienne ν = ε h : [ α ( L) β ( L)] ε ω [ β ( L)] ν = +. (9) Zakłaa si, e wszyskie pierwiaski wielomianów α( L) β ( L) = 0 oraz β ( L) = 0 znau si poza okrgiem enoskowym na płaszczynie liczb zespolonych.
7 Napopularnieszy moel GARCH(,) any es wic równaniem: [ ( α + β ) L] ε = ω + [ β L] ν. (0) Bollerslev wykazał [9], e eoreyczna funkca auokorelaci kwaraów resz akiego moelu ana es równaniem: + k ] = ρk ( ε ) = ρ( ε ) + k ( α β ) corr[ ε, ε, () gzie: ρ ( ε α β ) = α +. () α β β Jak ławo zauway funkca auokorelaci malee ( α + β < ) w sposób wykłaniczy, co gwaranue, e suma we wzorze (3) es skoczona, czyli es o moel z zw. "krókorwała pamici" w zakresie szeregu zmiennoci. W wielu przypakach, szczególnie la szeregów sóp zwrou o ue czsoliwoci, wyesymowane paramery moelu GARCH(p,q) cechu si naspuc własnoci: q p α + β. (3) i i= = Doprowaziło o o wprowazenia osobne poklasy moeli IGARCH (Inegrae GARCH). Moel IGARCH(p,q) any es równaniem: L L = + L, (4) [ φ( )]( ) ε ω [ β ( )] ν gzie φ( L) es wielomianem rzu m- (m=max(p,q)). Bezwarunkowa warianca sóp zwrou w moelu IGARCH nie isniee, lecz sam moel es saconarny w cisłym sensie. Naprosszy moel IGARCH(,) uzyskuemy przy warunku ( α + β = ) ( ) ε ω ( β ) ν L = + L, (5) co opowiaa czcie uywane posaci:
8 h = ω + α ε + ( α ) h. (6) Uowoniono [9], e w ym przypaku funkca auokorelaci kwaraów resz moelu ana es wzorem: k ρk ( ε ) = ( + α )( + α ). (7) 3 Wynik en pozosae w sprzecznoci z inuic, e funkca auokorelaci kwaraów resz moelu IGARCH powinna by sała, co sugerowałby wzór () z warunkiem ( α β ) + =. Co waniesze, nieruno zauway, e funkca auokorelaci malee równie wykłaniczo, czyli zgonie z przy efinic es o równie moel z "krókorwała pamici" w szeregu zmiennoci. Kolenym, zecyowanie namnie poznanym i popularnym moelem umoliwiacym w kocu opis "ługorwałe pamici" w szeregu zmiennoci es moel FIGARCH(p,,q) (Fracionally IGARCH) wprowazony w 996 roku przez Baillie'go, Bollersleva i Mikkelsena []. Moel en opisany es naspucym wzorem: [ φ( L)]( L) ε ω [ β ( L)] ν = +, (8) gzie (0,), a wszyskie pierwiaski φ( L) = 0 oraz β ( L) = 0 le poza okrgiem enoskowym. Take la ego moelu bezwarunkowa warianca ε, a ym samym wariance bezwarunkowa r pozosae nieskoczona. Ułamkowy operaor rónicowy ( L) procesów ARFIMA [6,4]: Γ( ) ( L) = ( ) L = L = 0 = 0 Γ( ) Γ ( + ) zefiniowany es analogicznie ak la. (9)
9 W prakycznych zasosowaniach moel FIGARCH(p,,q) przesawia si ako moel ARCH( ): h ω [ φ( L)]( L) ω β () β ( L) β () = + ε + λ( L) ε. (0) Niesey inuica, e moel FIGARCH(p,0,q) reukue si zawsze o moelu GARCH(p,q) bywa zawona. Na przykła moel FIGARCH(,0,0), o moel: h = ω β ε + β h, czyli moel nie mieszczcy si w klasie moeli GARCH. Inuica sugeruca, e wynikiem powinien by moel ARCH() es zawona. Naczcie wykorzysywanym moelem es moel FIGARCH(,,): ( ) al ( L) ε = ω + ( bl) ν () Warunkiem isnienia oanie warianci warunkowe es w ym przypaku spełnienie ukłau równa []: b a oraz a b( b + a). () 3 Współczynniki opisuce moel FIGARCH(,,) ako ARCH( ) naprocie wyznaczy z naspucych wzorów rekurencynych. = π L = ( L) = a = al L = λ L bl = λ = + ( al)( L) ψ L ( )( ) a b π = π = π ψ = + ψ = π φπ (3) k = b +b k k = λ ψ ψ Wyznaczenie funkci auokorelaci kwaraów resz moelu w przypaku moelu FIGARCH es zecyowanie runiesze ni w przypaku wczenie analizowanych propozyci. Dokonue si ego meoami numerycznymi.
10 Opowienia proceura opisana zosała w pracy []. Polega ona na zapisaniu moelu FIGARCH(,,) w posaci: ε ω ( bl) ν ω ω ν (4) = + = + ( al)( L) = 0 k k k ω = ( ) + ( ) ( a a b) k (5) k = W prakyce enak wygonie skorzysa z opowienio zmoyfikowanych wzorów rekurencynych, co pozwala unikn problemów numerycznych. Współczynniki auokorelaci kwaraów resz moelu uzyskue si z wzoru: ρ n ( ε ) = ω ω = 0 = 0 ω + n. (6) Poecie o es ogólne i umoliwia szacowanie współczynników auokorelaci kwaraów resz ake la moeli GARCH i IGARCH, wygonie enak w ych przypakach korzysa z isniecych wzorów analiycznych. Funkca auokorelaci kwaraów resz moelu FIGARCH malee w sposób hiperboliczny, czyli la niewielkich rzów funkca auokorelaci malee w sposób szybszy ni la przypaku wykłaniczego, a la wysokich rzów malee barzo powoli. Takie zachowanie funkci auokorelaci prowazi o spełnienia warunku (3) i umoliwia nazwanie moelu FIGARCH moelem o "ługorwałe pamici" (w konekcie funkci auokorelaci kwaraów resz moelu). Inuicyne rakowanie moelu FIGARCH ako moelu o własnociach porenich mizy moelem GARCH a IGARCH es zawone. Zarówno moel GARCH, ak i IGARCH s moelami o "krókorwałe pamici", a moel FIGARCH es moelem o "ługorwałe pamici" w sensie efinici ane wzorem (3).
11 Im nisza waro parameru, ym funkca auokorelaci malee szybcie la niewielkich rzów opónie. Opowieni efek przesawia rysunek 5. Rys. 5. przesawia wpływ zmian waroci na funkc auokorelaci kwaraów resz moelu. róło: obliczenia własne. Paramery moeli GARCH, IGARCH i FIGARCH esymowane s zazwycza meo nawiksze wiarygonoci poprzez aki obór paramerów, by zmaksymalizowa waro funkci 3 : LLF N n n ( ˆ n N ; ε, h ) = ln(π ) ln( h ) ε θ, (7) h = = gzie : n- liczba obserwaci pomnieszona o liczb waroci poczkowych proceury, ˆN θ - wekor paramerów moelu. Aby wyesymowa paramery moelu FIGARCH naley oczywicie moel ARCH( ) z wzoru (0) przybliy moelem ARCH(q) osaecznie wysokiego rzu. Wybór rzu moelu es subiekywny. Naczcie sosue si waroci q=000 lub q=750, co opowiaa w przyblieniu zalenoci o ługoci 4 lub 3 la kalenarzowych. W lieraurze prezenowane s równie róne esy efeku "ługorwałe pamici" w szeregach zmiennoci [5]. Ograniczenie wielkoci pracy 3 Oczywicie przy załoeniu, e z N(0,).
12 uniemoliwia prezenac szczegółowych rozwiza w ym zakresie. W przesawionym ponie przykłazie isnienie efeku ługorwałe pamici "powierzone" bzie poprzez wykazanie saysycznie róne o zera waroci parameru. Przykła empiryczny Prób o baa sanowił szereg prosych, ziennych sóp zwrou z ineksu WIG z okresu o (zie wprowazenie piciosesynego ygonia na GPW) o nia Łczna ługo szeregu wynosi 0 obserwaci. W szeregu sóp zwrou swierzono wyspowanie auokorelaci rzu pierwszego. Współczynnik ϕ = 0,5 (,08) 4. Po usuniciu z szeregu efeku auokorelaci la uzyskanego szeregu ε wyesymowano paramery moeli GARCH(,), IGARCH(,) oraz FIGARCH(,,). Zaprezenowano eynie paramery mace wpływ na przebieg funkci auokorelaci kwaraów resz moelu. Tabela prezenue uzyskane wyniki. Tabela. Paramery moeli la szeregu sóp zwrou z ineksu WIG. Moel Paramery Kryerium Akaike'a 5 (AIC) GARCH(,) α =0,33 (0,5) β =0,899 (47,5) -5,47 IGARCH(,) α =0,54 (47,5) -5,44 FIGARCH(,,) a=0,948 (38,9) b=0,904 (0,08) -5,4304 =0,404 (,98) róło: obliczenia własne 6. 4 W nawiasach poano waroci saysyki la poziomu isonoci 0,05. 5 LLF (liczba paramerów moelu) AIC = + liczba obserwaci 6 Do esymaci paramerów moelu GARCH i IGARCH wykorzysano auorskie funkce napisane w pakiecie MATLAB. Paramery moelu FIGARCH(,,) uzyskano za pomoc programu ospnego na sronie hp://
13 Rysunek 6 przesawia waroci współczynników z rozwinicia moeli GARCH i FIGARCH w moel ARCH( ) z uwzglnieniem wyesymowanych la szeregu WIG paramerów. Moel GARCH es moelem ARCH( ), w kórym kolene współczynniki α i male w sposób wykłaniczy, naomias w moelu FIGARCH współczynniki e male w sposób hiperboliczny, co umoliwia opis efeku "ługorwałe pamici" w szeregu zmiennoci. Nanisza waro kryerium Akaike'a la moelu FIGARCH informue, e moel en nalepie opasował si o anych empirycznych. Nagorsze opasowanie uzyskano la moelu IGARCH. Wynik en powierza rysunek 7, na kórym zaprezenowana zosała empiryczna funkca auokorelaci kwarau resz moelu oraz funkce eoreyczne wynikace z opasowanych moeli GARCH, IGARCH oraz FIGARCH. Nalepie opasowana es funkca wynikaca z moelu FIGARCH. Tylko ona spełnia obserwowane własnoci, e funkca auokorelaci malee szybko la niskich rzów opónie, a naspnie malee powoli la rzów wysokich. Rys. 6. przesawia waroci współczynników z rozwinicia moeli GARCH i FIGARCH w moel ARCH( ) róło: obliczenia własne. Rys. 7. przesawia empiryczn i opasowane analiyczne funkc auokorelaci kwaraów resz moeli.
14 Posumowanie Przesawiony przykła powierza przyano moeli o "ługorwałe pamici" w przypaku opisywania szeregu sóp zwrou z ineksu WIG. Waro zaznaczy, e zaproponowano u moele barzie skomplikowane bce rozszerzeniem moelu FIGARCH o moliwo opisu m. in. "efeku wigni". Przykłaem akiego moelu es moel FIAPARCH (p,,q) : (Fracionally Inegrae Asymmeric Power GARCH Process) o posaci []: ( ) δ [ φ( L)]( L) ε γ ε = ω + [ β ( L)] η, (8) δ δ ( ) h k k η = ε γ ε. (9) Jeli załoy si γ k = 0 oraz δ = FIGARCH(p,,q)., o uzyskue si analizowany powye moel Przy pomocy moelu FIAPARCH la warunkowe warianci oraz opowieniego moelu ARMA la warunkowe waroci oczekiwane sóp zwrou moliwe es u uwzglnienie wszyskich prezenowanych we wspie efeków obserwowanych w szeregach sóp zwrou. Waro oakowo zaznaczy, i szeregi sóp zwrou opisanych przy pomocy moelu FIGARCH i ego uogólnie nie posiaa rozkłau bezwarunkowego o skoczonym rugim momencie, co ake es czso obserwowan własnoci w empirycznych szeregach sóp zwrou. Uwzglnienie powyszych efeków nie oznacza bynamnie wcale koca poszukiwa moeli coraz o lepie opasowywucych si o anych. Lieraura [] R. Baillie, T. Bollerslev, H. Mikkelsen, Fracionally Inegrae Generalize Auoregressive Coniional Heeroskeasiciy, Journal of Economerics, 74, 996, sr [] T. Bollerslev, Generalize auoregressive coniional heeroskeasiciy, Journal of Economerics, 3, 986 [3] T. Bollerslev, H. Mikkelsen, Moelling an pricing long-memory in sock
15 marke volailiy, Journal of Economerics, 73, 996, sr [4] G. Box, J. Jenkins, Analiza szeregów czasowych. Prognozowanie i serowanie, Paswowe Wyawnicwo Naukowe, Warszawa, 983 [ 5] J. Brei, N. Crao, P. e Lima On he eecion an esimaion of long memory in sochasic volailiy, Journal of Economerics, 83, 998, sr [6] M. Caporin, FIGARCH moels: saionariy, esimaion mehos an he ienificaion problem, 00, [7] Ch. Chung, Esimaing he Fracionally Inegrae GARCH Moel, 00, [8] J. Davison, Momen an Memory Properies of Linear Coiional Heeroskeasiciy Moels, Cariff Universiy, 00 [9] Z. Ding, C. Granger, Moeling volailiy persisence of speculaive reurns: A new approach, Journal of Economerics, 73, 996, sr [0] R. Engle, Auoregressive coniional heeroskeasiciy wih esimaes of he variance of UK inflaion, Economerica, 50, 98 [] T. Grau, Moelling Daily Value a Risk using FIGARCH ype moels, Universiy of Alicane, 00, merlin.fae.ua.es/nuevaweb/qe/ caniaos/niguez%0paper.pf [] M. Karanasos, Z. Psaraakis, M. Sola, On he Auocorrelaion Properies of Long Memory GARCH Processes, 00, [3] J. Maheu, Can GARCH Moels Capure he Long-Range Depenence in Financial Marke Volailiy?, Universiy of Torono, 00 [4] K. Pionek, Moelowanie i prognozowanie zmiennoci insrumenów finansowych, rozprawa okorska, Akaemia Ekonomiczna we Wrocławiu. Wrocław, 00 [5] K. Pionek, Heeroskeasyczno rozkłau sóp zwrou a koncepca pomiaru ryzyka meo VaR, Konferenca Moelowanie preferenci a ryzyko, Usro, 00, sr [6] R. Tsay, Analysis of Financial Time Series, Wiley & Sons, Chicago, 00
Krzysztof Piontek Katedra Inwestycji Finansowych i Ubezpiecze Akademia Ekonomiczna we Wrocławiu
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpiecze Akademia Ekonomiczna we Wrocławiu Zasosowanie modeli klasy ARCH do opisu własnoci szeregu sóp zwrou indeksu WIG Wsp Sporód rónych rodzajów ryzyka
Bardziej 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 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 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 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 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 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 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 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 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 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 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 szczegółowoMagdalena Sokalska Szkoła Główna Handlowa. Modelowanie zmienności stóp zwrotu danych finansowych o wysokiej częstotliwości
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Szkoła Główna Handlowa Modelowanie zmienności
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
Bardziej szczegółowoZASTOSOWANIE FUNKCJI KOPULI W MODELOWNIU INDEKSÓW GIEŁDOWYCH
ZASTOSOWANIE FUNKCJI KOPULI W MODELOWNIU INDEKSÓW GIEŁDOWYCH Jacek Leśkow, Jusyna Mokrzycka, Kamil Krawiec 1 Sreszczenie Współczesne zarządzanie ryzykiem finansowanym opiera się na analizie zwroów szeregów
Bardziej szczegółowoWERYFIKACJA WYBRANYCH TECHNIK PROGNOZOWANIA ZMIENNOCI ANALIZA SZEREGÓW CZASOWYCH
PRACE NAUKOWE AKADEII EKONOICZNEJ WE WROCŁAWIU Nr 99 2003 Inwesycje finansowe i ubezpieczenia endencje wiaowe a polski rynek Krzyszof Pionek Akadeia Ekonoiczna we Wrocławiu WERYFIKACJA WYBRANYCH TECHNIK
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 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 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 szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej 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 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 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 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 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 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 szczegółowoHarmonogram czyszczenia z osadów sieci wymienników ciepła w trakcie eksploatacji instalacji na przykładzie destylacji rurowo-wieżowej
Mariusz Markowski, Marian Trafczyński Poliechnika Warszawska Zakład Aparaury Przemysłowe ul. Jachowicza 2/4, 09-402 Płock Harmonogram czyszczenia z osadów sieci wymienników ciepła w rakcie eksploaaci insalaci
Bardziej szczegółowoPOMIAR RYZYKA RYNKOWEGO OPCJI NA PRZYKŁADZIE OPCJI NA WIG20
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 450 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 17 2006 KATARZYNA KUZIAK Akademia Ekonomiczna Wrocław POMIAR RYZYKA RYNKOWEGO OPCJI NA PRZYKŁADZIE OPCJI NA
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 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 szczegółowoRównania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.
Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać
Bardziej szczegółowoPiotr Fiszeder Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie procesów finansowych z długą pamięcią w średniej i wariancji
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Piotr Fiszeder Uniwersytet Mikołaja
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 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 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 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
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 szczegółowoRyzyko i d uga pami w modelach warunkowej wariancji
Ryzyko i duga pami w modelach warunkowej wariancji Ekonomia Menederska 2008, nr 4, s. 53 69 Henryk Gurgul *, Rober Syrek ** Ryzyko i duga pami w modelach warunkowej wariancji 1. Wsp Inwesorzy giedowi powinni
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informatyki Krzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH rozprawa doktorska Promotor: prof.
Bardziej 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 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 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 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 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 szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECI SKIEGO NR 394 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 5 4 EWA DZIAWGO Uniwersye Miołaa Kopernia w Toruniu ANALIZA WRA LIWO CI CENY KOSZYKOWEJ OPCJI KUPNA WPROWADZENIE
Bardziej szczegółowoC d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:
Zadanie. Obliczyć przebieg napięcia na pojemności C w sanie przejściowym przebiegającym przy nasępującej sekwencji działania łączników: ) łączniki Si S są oware dla < 0, ) łącznik S zamyka się w chwili
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 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 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, 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 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 szczegółowoFinansowe szeregi czasowe wykład 7
Fnansowe szereg czasowe wykład 7 dr Tomasz Wójowcz Wydzał Zarządzana AGH 38 33 28 23 18 13 8 1 11 21 31 41 51 61 71 Kraków 213 Noowana ndeksu WIG w okrese: 3 marca 29 31 syczna 211 55 5 45 4 35 3 25 2
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 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 szczegółowoZALEŻNOŚCI POMIĘDZY KURSAMI WALUT ŚRODKOWOEUROPEJSKICH W OKRESIE KRYZYSU 2008 *
PRZEGLĄD STATYSTYCZNY R. LVII ZESZYT 1 2010 AGATA KLIBER, PAWEŁ KLIBER ZALEŻNOŚCI POMIĘDZY KURSAMI WALUT ŚRODKOWOEUROPEJSKICH W OKRESIE KRYZYSU 2008 * 1. WSTĘP Celem niniejszego badania było zbadanie zależności
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 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 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 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 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 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 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 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 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 szczegółowoOPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR
Daniel Iskra Uniwersye Ekonomiczny w Kaowicach OPTYMALIZACJA PORTFELA IWESTYCYJEGO ZE WZGLĘDU A MIIMALY POZIOM TOLERACJI DLA USTALOEGO VaR Wprowadzenie W osanich laach bardzo popularną miarą ryzyka sała
Bardziej szczegółowoMatematyka A, kolokwium, 15 maja 2013 rozwia. ciem rozwia
Maemayka A kolokwium maja rozwia zania Należy przeczyać CA LE zadanie PRZED rozpocze ciem rozwia zywania go!. Niech M. p. Dowieść że dla każdej pary liczb ca lkowiych a b isnieje aka para liczb wymiernych
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 szczegółowoZJAWISKA 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 szczegółowoWykorzystanie modelu zmiennej sztywnoêci krzywej stóp terminowych do przybli ania krzywej rynku pieni nego
BANK I KREDYT luy 3 Rynki i Insyuce Finansowe 87 Wykorzysanie moelu zmienne szywnoêci krzywe sóp erminowych o przybli ania krzywe rynku pieni nego Eugeniusz Gurazowski W osanich kilkunasu laach obserwuemy
Bardziej szczegółowoPIOTR FISZEDER, JACEK KWIATKOWSKI Katedra Ekonometrii i Statystyki
PIOTR FISZEDER, JACEK KWIATKOWSKI Kaedra Ekonomerii i Saysyki DYNAMICZNA ANALIZA ZALEŻNOŚCI POMIĘDZY OCZEKIWANĄ STOPĄ ZWROTU A WARUNKOWĄ WARIANCJĄ Sreszczenie: W badaniu zasosowano modele GARCHM ze sałym
Bardziej szczegółowoModelowanie premii za ryzyko na polskim rynku pieniężnym z wykorzystaniem instrumentów SWAP na POLONIĘ
Agaa Kliber * Pior Płuciennik ** Modelowanie premii za ryzyko na polskim rynku pieniężnym z wykorzysaniem insrumenów SWAP na POLONIĘ Wsęp Problemem polskiej bankowości jes duża nadpłynność. Banki niechęnie
Bardziej szczegółowoIwona Müller - Frączek Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolsie Seminarium Nauowe, 4 6 września 2007 w Toruniu Kaera Eonomerii i Saysyi, Uniwersye Miołaa Kopernia w Toruniu Iwona Müller - Frącze Uniwersye Miołaa Kopernia
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 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 szczegółowoMetody 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 szczegółowoEuropejska opcja kupna akcji calloption
Europejska opcja kupna akcji callopion Nabywca holder: prawo kupna long posiion jednej akcji w okresie epiraiondae po cenie wykonania eercise price K w zamian za opłaę C Wysawca underwrier: obowiązek liabiliy
Bardziej 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 szczegółowoRuch płaski. Bryła w ruchu płaskim. (płaszczyzna kierująca) Punkty bryły o jednakowych prędkościach i przyspieszeniach. Prof.
Ruch płaski Ruchem płaskim nazywamy ruch, podczas kórego wszyskie punky ciała poruszają się w płaszczyznach równoległych do pewnej nieruchomej płaszczyzny, zwanej płaszczyzną kierującą. Punky bryły o jednakowych
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowoi j k Oprac. W. Salejda, L. Bujkiewicz, G.Harań, K. Kluczyk, M. Mulak, J. Szatkowski. Wrocław, 1 października 2015
WM-E; kier. MBM, lisa za. nr. p. (z kary przemiou): Rozwiązywanie zaań z zakresu: ransformacji ukłaów współrzęnych, rachunku wekorowego i różniczkowo-całkowego o kursu Fizyka.6, r. ak. 05/6; po koniec
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 szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
Bardziej 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 szczegółowoUNIWESRYTET EKONOMICZNY WE WROCŁAWIU HOSSA ProCAPITAL WYCENA OPCJI. Sebastian Gajęcki WYDZIAŁ NAUK EKONOMICZNYCH
UNIWESRYTET EKONOMICZNY WE WROCŁAWIU HOSSA ProCAPITAL WYCENA OPCJI Sebastian Gajęcki WYDZIAŁ NAUK EKONOMICZNYCH WPROWADZENIE Opcje są instrumentem pochonym, zatem takim, którego cena zależy o ceny instrumentu
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 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 szczegółowoModelowanie Rynków Finansowych
Modelowanie Rynków Finansowych Modelowanie zmienności, modele GARCH Zajęcia 6 Katarzyna Lada, Paweł Sakowski, Paweł Strawiński 23 marca, 2009 Literatura na dziś Engle (2001), The Use of ARCH/GARCH Models
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 szczegółowoSTOPIEŃ AGREGACJI PRZESTRZENNEJ A ZMIENNOŚĆ SZEREGÓW CZASOWYCH CEN SUROWCÓW ROLNYCH
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/, 011, sr. 180 190 STOPIEŃ AGREGACJI PRZESTRZENNEJ A ZMIENNOŚĆ SZEREGÓW CZASOWYCH CEN SUROWCÓW ROLNYCH Mariusz Hamulczuk Kaedra Ekonomiki Rolnicwa i Międzynarodowych
Bardziej 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 szczegółowoTESTOWANIE STABILNOŚCI PARAMETRÓW WIELOCZYNNIKOWYCH MODELI MARKET TIMING Z OPÓŹNIONĄ ZMIENNĄ RYNKOWĄ 1
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/, 011, sr. 59 69 TESTOWANIE STABILNOŚCI PARAMETRÓW WIELOCZYNNIKOWYCH MODELI MARKET TIMING Z OPÓŹNIONĄ ZMIENNĄ RYNKOWĄ 1 Joanna Olbryś Wydział Informayki,
Bardziej szczegółowoWYKORZYSTANIE TESTU OSTERBERGA DO STATYCZNYCH OBCIĄŻEŃ PRÓBNYCH PALI
Prof. dr hab.inż. Zygmun MEYER Poliechnika zczecińska, Kaedra Geoechniki Dr inż. Mariusz KOWALÓW, adres e-mail m.kowalow@gco-consul.com Geoechnical Consuling Office zczecin WYKORZYAIE EU OERERGA DO AYCZYCH
Bardziej szczegółowoMODELOWANIE ZMIENNOŚCI I RYZYKA INWESTYCJI W ZŁOTO. Celina Otolińska
MODELOWANIE ZMIENNOŚCI I RYZYKA INWESTYCJI W ZŁOTO Celina Otolińska PLAN: 1. Rynek złota-krótka informacja. 2. Wartość zagrożona i dlaczego ona. 3. Badany szereg czasowy oraz jego własności. 4. Modele
Bardziej szczegółowoCałka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona
Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu
Bardziej szczegółowoKrzysztof 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 szczegółowoModelowanie i obliczenia techniczne. Równania różniczkowe Numeryczne rozwiązywanie równań różniczkowych zwyczajnych
Moelowanie i obliczenia echniczne Równania różniczowe Numeryczne rozwiązywanie równań różniczowych zwyczajnych Przyła ułau ynamicznego E Uła ynamiczny R 0 Zachozi porzeba wyznaczenia: C u C () i() ur ir
Bardziej szczegółowoIMPLEMENTACJA WYBRANYCH METOD ANALIZY STANÓW NIEUSTALONYCH W ŚRODOWISKU MATHCAD
Pior Jankowski Akademia Morska w Gdyni IMPLEMENTACJA WYBRANYCH METOD ANALIZY STANÓW NIEUSTALONYCH W ŚRODOWISKU MATHCAD W arykule przedsawiono możliwości (oraz ograniczenia) środowiska Mahcad do analizy
Bardziej szczegółowoPrognozowanie wska ników jako ciowych i ilo ciowych dla gospodarki polskiej z wykorzystaniem wybranych metod statystycznych
dr Anna Koz owska-grzybek mgr Marcin Kowalski Kaedra Mikroekonomii Akademia Ekonomiczna w Poznaniu Prognozowanie wska ników jako ciowych i ilo ciowych dla gospodarki polskiej z wykorzysaniem wybranych
Bardziej szczegółowo