Ekonometria Finansowa II EARF. Michał Rubaszek
|
|
- Milena Drozd
- 7 lat temu
- Przeglądów:
Transkrypt
1 Ekonometria Finansowa II EARF Michał Rubaszek 1
2 Cele - Zapoznanie z charakterystykami szeregów finansowych - Omówienie jednowymiarowych metod liczenia VaR - Omówienie wielowymiarowych metod liczenia VaR - Backtesting - Programowanie w pakiecie R - Liczenie VaR jako projekt badawczy 2
3 Literatura 3
4 Spotkanie 1 Ryzyko dla pojedynczego aktywa 4
5 Stopy zwrotu Prosta stopa zwrotu: = + = exp 1 Logarytmiczna stopa zwrotu (=stopa o ciągłej kapitalizacji): = ln + ln = ln (1 + ) 5
6 Stopy zwrotu Stopy proste: Łatwiejsze przy liczeniu stóp zwrotu z portfela Inwestorzy zainteresowani stopami prostymi Stopy logarytmiczne Symetryczność Sumowalność Wygodne dla modelowania ekonometrycznego 6
7 Charakterystyki szeregów finansowych 1. Grupowanie zmienności (volatility clustering) 2. Grube ogony (fat tails) wariancja = ryzyko : jedynie dla rozkładu normalnego 3. Brak autokorelacji stóp zwrotu, = 0 4. Nieliniowe zależności autokorelacyjne brak korelacji niezależność, 0: grupowanie zmienności, 0: efekt dźwigni 7
8 Przykład: EUR/PLN 8
9 Grube ogony: rozkład t-studenta Rozkład t-studenta: - dla = rozkład normalny - dla < 2 brak wariancji (która ogólnie wynosi ) - Ogólnie, rozkład ma momenty stopnia do 1 - Dla cen akcji, zazwyczaj 5 - Jak uzyskać zmienną o rozkładzie t-studenta? 5% wartość krytyczna rozkładu t-studenta dla różnej wartości v t*
10 Grube ogony - testowanie 1. Test Jarque-Bera Porównanie skośności i kurtozy do teoretycznych wartości dla rozkładu normalnego 2. Test Kolmogorova-Smirnova Porównanie teoretycznej i empirycznej dystrybuanty 3. Wykres QQ (quantile-quantile plot) Wykres empirycznych percentyli względem percentyli dla teoretycznego rozkładu 4. Wykres rekursywnych momentów Weryfikacja czy moment k-tego rzędu ma asymptotę [zauważ, że dla rozkładu ( ) istnieją momenty rzędu do -1] 10
11 Metody szacowania wariancji A. Średnia ruchoma (moving average, MA) B. Średnia wykładnicza (exponentially weighted MA, EWMA) C. Zmienność implikowana (implied volatility) D. Modele klasy GARCH E. Modele zmienności stochastycznej (stochastic volatility, SV) 11
12 A. Średnia ruchoma, MA Wariancja liczona jako: Opcja ze średnią: = Opcja bez średniej: = Ważne!!! - Oszacowanie wariancji zależy od wyboru okna estymacji - Wszystkie obserwacje traktujemy jednakowo 12
13 B. Średnia wykładnicza, EWMA Zaproponowane przez JP Morgan w 1993, znane równiez jako RiskMetrics Wariancja jako średnia ważona przeszłych obserwacji: = Można to sprowadzić do postaci IGARCH(1,1): = + W ramach EWMA nie estymujemy, ale przyjmujemy, że =. [dla danych dziennych, kalibracja JP Morgan] 13
14 C. Zmienność implikowana, IV Model Blacka-Scholesa: =,,,, Zmienność implikowana: = (,,,, ) Ale, zależy od wyboru opcji Zmienność dla WIG20 implikowana z cen opcji notowanych na GPW 14
15 D. Modele klasy GARCH Podstawowy model GARCH(1,1): = +, h = + gdzie > 0,, 0. + h 0, h Wariancja bezwarunkowa: Rozszerzenia: rozkład bezwarunkowy jest -Studenta wpływ na h zależy od znaku : GJR-GARCH, EGARCH h ma wpływ na : GARCH-in-mean 15
16 E. Modele SV Podstawowy model SV: = +, 0, h h = exp + ln h + (0, ) gdzie > 0, 0. Ważne!!! - W modelu GARCH h w momencie jest deterministyczne, a w modelu SV stochastyczne - Model SV trudniejszy do oszacowania niż model GARCH 16
17 Ryzyko Wartość oczekiwana i wariancja to nie wszystko Trzy szeregi z ( ) = 0 i ( ) = 1 (za Danielson, 2012) 17
18 Ryzyko Value at Risk i Expected Shortfall Wariancja pozwala mierzyć ryzyko gdy rozkład stóp zwrotu jest normalny W innym przypadku lepsze są inne miary: Wartość zagrożona (Value at Risk, VaR) = Oczekiwana strata (Expected shortfall, ES) lub prościej = = ( ) lub trudniej ES = Wartości dla rozkładu normalnego = 18
19 Ryzyko Value at Risk i Expected Shortfall 19
20 Ryzyko Value at Risk i Expected Shortfall Etapy liczenia VaR/ES a. Ustalenie p b. Ustalenie horyzontu (square root method) c. Ustalenie okna estymacji/kalibracji oraz częstotliwości danych d. Wybór modelu e. Metoda weryfikacji modelu Basel ii/iii: Basel iv: miarą ryzyka jest VaR plany zamiany miary ryzyka na ES 20
21 Ryzyko Value at Risk i Expected Shortfall Quantitative standards Basel II a. 99th percentile VaR must be computed on a daily basis b. In calculating VaR the minimum holding period will be ten trading days. Banks may use VaR numbers calculated according to shorter holding periods scaled up to ten days by the square root of time c. The choice of sample period for calculating VaR is constrained to a minimum length of one year. d. banks will be free to use models based, for example, on variance-covariance matrices, historical simulations, or Monte Carlo simulations e. The multiplication factor will be set by individual supervisory authorities on the basis of their assessment of the quality of the bank s risk management system, subject to an absolute minimum of 3. Banks will be required to add to this factor a plus directly related to the ex-post performance of the model, thereby introducing a builtin positive incentive to maintain the predictive quality of the model. The plus will range from 0 to 1 based on the outcome of so-called backtesting. 21
22 Metody szacowania VaR/ES A. Modele nieparametryczne B. Modele parametryczne C. Symulacje Monte-Carlo 22
23 A. Modele nieparametryczne Symulacja historyczna - Zakładamy, że rozkład stóp zwrotu w przeszłości dobrze przybliża rozkład stóp w przyszłości. - Porządkujemy stopy zwrotu od najmniejszej do największej: < - Wartość VaR( ) ustalana na podstawie empirycznego rozkład z ostatnich obserwacji, tj. bierzemy = ( )-tą stopę ( ) = - Wartość ( ) liczona jako średnia stopa zwrotu dla stóp mniejszych niż ( ) = 1 23
24 A. Modele nieparametryczne Symulacja historyczna + Nie potrzebujemy założeń odnoście DGP - Wartości VaR / ES zależą od wyboru - Problemy w przypadku zmian strukturalnych [np. jeżeli panują warunki podwyższonej niepewności] 24
25 B. Modele parametryczne - Poszukujemy postaci rozkładu gęstości stóp zwrotu w przyszłości - Znając ten rozkład, możemy analitycznie obliczyć VaR i ES = oraz ( ) = - Możemy wykorzystać proste modele (mean-variance, rozkład normalny) - Lub bardziej zaawansowane (EWMA, GARCH, SV) - Jak liczyć zmienność dla dalszych horyzontów? - zasada kciuka, tj. Squared root of time - metody Monte Carlo 25
26 C. Symulacje Monte Carlo - Załóżmy, ze znamy model opisujący DGP ale nie potrafimy wyprowadzić analitycznej postaci rozkładu - Aby obliczyć VaR(p) oraz ES(p) możemy wykorzystać metody Monte Carlo. W tym celu: 1. Generujemy sztucznych, przyszłych stóp zwrotu dla = 1,2,, 2. Porządkujemy te stopy od najmniejszej do największej 3. Dla = ( ) liczymy : = oraz = 26
27 Zadanie domowe, spotkanie 1 1. Wybierz surowiec 2. Oblicz VaR i ES na kolejny dzień wykorzystując 7 metod omówionych na wykładzie (inwestycja warta 1mln USD). Przedstaw wyniki obliczeń w tabeli 3. Oblicz VaR i ES dla horyzontu od 1 to 25 dla 2 metod (rozkład normalny, zasada square root of time oraz symulacje MC z modelem GARCH) 4. Stwórz wykres dla (VaR/ES vs horyzont prognozy) dla dwóch metod 5. Omów uzyskane wyniki 27
Ekonometria Finansowa II EARF. Michał Rubaszek
Ekonometria Finansowa II EARF Michał Rubaszek 1 Cele - Zapoznanie z charakterystykami szeregów finansowych - Omówienie jednowymiarowych metod liczenia VaR - Omówienie wielowymiarowych metod liczenia VaR
Bardziej szczegółowoModelowanie Ryzyka Finansowego z R Blok 2 : Backtesting oraz stress testing
Modelowanie Ryzyka Finansowego z R Blok 2 : Backtesting oraz stress testing Zakład Modelowania Rynków Finansowych Instytut Ekonometrii Marek Kwas mkwas@sgh.waw.pl Michał Rubaszek mrubas@sgh.waw.pl 1 Zakres
Bardziej szczegółowoMODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek
Tytuł: Autor: MODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek Wstęp Książka "Modelowanie polskiej gospodarki z pakietem R" powstała na bazie materiałów, które wykorzystywałem przez ostatnie
Bardziej szczegółowoModelowanie Ryzyka Finansowego z R Blok 1 : Value atrisk
Modelowanie Ryzyka Finansowego z R Blok 1 : Value atrisk Zakład Modelowania Rynków Finansowych Instytut Ekonometrii Marek Kwas mkwas@sgh.waw.pl Michał Rubaszek mrubas@sgh.waw.pl 1 Zakres / cele spotkań
Bardziej szczegółowoModelowanie rynków finansowych
Modelowanie rynków finansowych Jerzy Mycielski WNE UW 5 października 2017 Jerzy Mycielski (WNE UW) Modelowanie rynków finansowych 5 października 2017 1 / 12 Podstawowe elementy teorii 1 racjonalne oczekiwania
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoEkonometria dynamiczna i finansowa Kod przedmiotu
Ekonometria dynamiczna i finansowa - opis przedmiotu Informacje ogólne Nazwa przedmiotu Ekonometria dynamiczna i finansowa Kod przedmiotu 11.5-WK-IiED-EDF-W-S14_pNadGenMOT56 Wydział Kierunek Wydział Matematyki,
Bardziej szczegółowoĆwiczenia Zarządzanie Ryzykiem. dr hab. Renata Karkowska, ćwiczenia Zarządzanie ryzykiem 1
Ćwiczenia Zarządzanie Ryzykiem 1 VaR to strata wartości instrumentu (portfela) taka, że prawdopodobieństwo osiągnięcia jej lub przekroczenia w określonym przedziale czasowym jest równe zadanemu poziomowi
Bardziej szczegółowodr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Czym jest ryzyko? Rodzaje ryzyka? Co oznacza zarządzanie? Dlaczego zarządzamy ryzykiem? 2 Przedmiot ryzyka Otoczenie bliższe/dalsze (czynniki ryzyka egzogeniczne vs endogeniczne)
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
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 szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoKonstrukcja uśmiechu zmienności. Dr Piotr Zasępa
Konstrukcja uśmiechu zmienności Dr Piotr Zasępa Rynek opcji FX Rynek Międzybankowy Market Makerów Klientowski (bank/klient) (bank makler/bank user) Rynek opcji waniliowych Opcje egzotyczne I generacji
Bardziej szczegółowoSeminaria dyplomowe w ZMRF informacje ogólne. Michał Rubaszek Zakład Modelowania Rynków Finansowych Instytut Ekonometrii
Seminaria dyplomowe w ZMRF informacje ogólne Michał Rubaszek Zakład Modelowania Rynków Finansowych Instytut Ekonometrii 1 Co sprawdza praca dyplomowa 1. Zrozumienie materiału omawianego w trakcie studiów
Bardziej szczegółowoExcel i VBA w analizach i modelowaniu finansowym Pomiar ryzyka. Pomiar ryzyka
Pomiar ryzyka Miary obiektywne stosowane w kwantyfikacji ryzyka rynkowego towarzyszącego zaangażowaniu środków w inwestycjach finansowych obejmują: Miary zmienności, Miary zagrożenia, Miary wrażliwości.
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoWykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego. Katarzyna Kuziak
Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego Katarzyna Kuziak Cel: łączenie różnych rodzajów ryzyka rynkowego za pomocą wielowymiarowej funkcji powiązań 2 Ryzyko rynkowe W pomiarze ryzyka
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 szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowoRaport i dokumentacja Obliczanie Value-at-Risk portfela metodą Monte Carlo
Raport i dokumentacja Obliczanie Value-at-Risk portfela metodą Monte Carlo 1. Opis problemu Celem pracy jest policzenie jednodniowej wartości narażonej na ryzyko (Value-at- Risk) portfela składającego
Bardziej szczegółowoMikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez
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 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 szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowo1. Klasyfikacja stóp zwrotu 2. Zmienność stóp zwrotu 3. Mierniki ryzyka 4. Mierniki wrażliwości wyceny na ryzyko rynkowe
I Ryzyko i rentowność instrumentów finansowych 1. Klasyfikacja stóp zwrotu 2. Zmienność stóp zwrotu 3. Mierniki ryzyka 4. Mierniki wrażliwości wyceny na ryzyko rynkowe 1 Stopa zwrotu z inwestycji w ujęciu
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoSzacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego
Radosław Pietrzyk Katedra Inwestycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Szacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego 1.
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoPorównanie metod szacowania Value at Risk
Porównanie metod szacowania Value at Risk Metoda wariancji i kowariancji i metoda symulacji historycznej Dominika Zarychta Nr indeksu: 161385 Spis treści 1. Wstęp....3 2. Co to jest Value at Risk?...3
Bardziej szczegółowoSymulacyjne metody analizy ryzyka inwestycyjnego wybrane aspekty. Grzegorz Szwałek Katedra Matematyki Stosowanej Uniwersytet Ekonomiczny w Poznaniu
Symulacyjne metody analizy ryzyka inwestycyjnego wybrane aspekty Grzegorz Szwałek Katedra Matematyki Stosowanej Uniwersytet Ekonomiczny w Poznaniu Plan prezentacji 1. Opis metody wyceny opcji rzeczywistej
Bardziej szczegółowoANALIZA STATYSTYCZNA WYNIKÓW BADAŃ
ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ Dopasowanie rozkładów Dopasowanie rozkładów- ogólny cel Porównanie średnich dwóch zmiennych 2 zmienne posiadają rozkład normalny -> test parametryczny (t- studenta) 2
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowoAnaliza porównawcza gotówkowych i pieniężnych FIO w Polsce w latach pod względem
Dr Iwona Dittmann Uniwersytet Ekonomiczny we Wrocławiu Katedra Finansów Analiza porównawcza gotówkowych i pieniężnych FIO w Polsce w latach 2005 2016 pod względem wybranych parametrów rozkładów stóp zwrotu
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoFinansowe szeregi czasowe
24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoWycena papierów wartościowych - instrumenty pochodne
Matematyka finansowa - 8 Wycena papierów wartościowych - instrumenty pochodne W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoMatematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych
Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoWstęp do analitycznych i numerycznych metod wyceny opcji
Wstęp do analitycznych i numerycznych metod wyceny opcji Jan Palczewski Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 16 maja 2008 Jan Palczewski Wycena opcji Warszawa, 2008
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoStatystyka i Analiza Danych
Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania wybranych technik regresyjnych do modelowania współzależności zjawisk Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoAnaliza skuteczności wybranych nieparametrycznych metod obliczania VaR
Grzegorz Mentel, Tomasz Pisula Analiza skuteczności wybranych nieparametrycznych metod obliczania VaR Wstęp Bardzo często jako narzędzia oceny ryzyka inwestowania w akcje wykorzystuje się metody oparte
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoVaR Value atrisk(var) co to jest? Inne nazwy: Wartość zagrożona Wartość narażona na ryzyko
VaR 11 Value atrisk(var) co to jest? Inne nazwy: Wartość zagrożona Wartość narażona na ryzyko Popularna miara ryzyka Co może mieć negatywne skutki z punktu widzenia ryzyka systemowego Popularność wspierana
Bardziej szczegółowoKomisja Egzaminacyjna dla Aktuariuszy. XLIV Egzamin dla Aktuariuszy z 3 grudnia 2007 r. Część I. Matematyka finansowa
Komisja Egzaminacyjna dla Aktuariuszy XLIV Egzamin dla Aktuariuszy z 3 grudnia 2007 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Rachunki oszczędnościowe
Bardziej szczegółowoStatystyka opisowa. Robert Pietrzykowski.
Statystyka opisowa Robert Pietrzykowski email: robert_pietrzykowski@sggw.pl www.ekonometria.info 2 Na dziś Sprawy bieżące Przypominam, że 14.11.2015 pierwszy sprawdzian Konsultacje Sobota 9:00 10:00 pok.
Bardziej szczegółowoPrognozowanie popytu. mgr inż. Michał Adamczak
Prognozowanie popytu mgr inż. Michał Adamczak Plan prezentacji 1. Definicja prognozy 2. Klasyfikacja prognoz 3. Szereg czasowy 4. Metody prognozowania 4.1. Model naiwny 4.2. Modele średniej arytmetycznej
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoSpis treści. Ze świata biznesu... 13. Przedmowa do wydania polskiego... 15. Wstęp... 19
Spis treści Ze świata biznesu............................................................ 13 Przedmowa do wydania polskiego.............................................. 15 Wstęp.......................................................................
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 szczegółowoZarządzanie ryzykiem finansowym
Zarządzanie projektami Wrocław, 30 października 2013 Spis treści Motywacja Rachunek prawdopodobieństwa Koherentne miary ryzyka Przykłady zastosowań Podsumowanie Po co analizować ryzyko na rynkach finansowych?
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoModele zmienności w kalkulacjach Value at Risk ocena i dobór modelu
Dariusz Letkowski * Modele zmienności w kalkulacjach Value at Risk ocena i dobór modelu Wstęp Do kwantyfikacji ryzyka służą tzw. miary ryzyka. Najczęściej w praktyce wykorzystywane są [Marcinkowska, 2009,
Bardziej szczegółowoTestowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;
LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny
Bardziej szczegółowoIdentyfikacja i pomiar ryzyka pierwszy krok w zarządzaniu ryzykiem.
Identyfikacja i pomiar ryzyka pierwszy krok w zarządzaniu ryzykiem. Andrzej Podszywałow Własność przemysłowa w innowacyjnej gospodarce. Zarządzanie ryzykiem, strategia zarządzania własnością intelektualną
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. Populacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test
Bardziej szczegółowoModelowanie rynków finansowych
Modelowanie rynków finansowych Przegląd zagadnień 8 października 2012 Główna przesłanka doboru tematów Koncepcje i techniki modelowe jako priorytet: Modele empiryczne bazujące na wiedzy teoretycznej Zakres
Bardziej szczegółowoMetody oceny ryzyka operacyjnego
Instytut Matematyki i Informatyki Wrocław, 10 VII 2009 Bazylejski Komitet Nadzoru Bankowego Umowa Kapitałowa - 1988 Opracowanie najlepszych praktyk rynkowych w zakresie zarządzania ryzykiem Nowa Umowa
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoKrzywa dochodowości. termin. SGH Rynki Finansowe
Wykład Futures na obligacje Value at Risk % Krzywa dochodowości termin SGH Rynki Finansowe 2015 1 Krzywa dochodowości zmiana kształtu % termin Pytanie do Napoleona: O czym wystarczy pamiętać, by wiedzieć
Bardziej szczegółowoWycena equity derivatives notowanych na GPW w obliczu wysokiego ryzyka dywidendy
Instrumenty pochodne 2014 Wycena equity derivatives notowanych na GPW w obliczu wysokiego ryzyka dywidendy Jerzy Dzieża, WMS, AGH Kraków 28 maja 2014 (Instrumenty pochodne 2014 ) Wycena equity derivatives
Bardziej szczegółowoMikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 4 Mikołaj Czajkowski Wiktor Budziński Regresja kwantylowa W standardowej Metodzie Najmniejszych Kwadratów modelujemy warunkową średnią zmiennej objaśnianej: E( yi Xi) = μ ( Xi) Pokazaliśmy,
Bardziej szczegółowoMetody zarządzania ryzykiem finansowym w projektach innowacyjnych przedsięwzięć symulacja Monte Carlo i opcje realne
Metody zarządzania ryzykiem finansowym w projektach innowacyjnych przedsięwzięć symulacja Monte Carlo i opcje realne dr Tomasz Krawczyk 1 Co to jest ryzyko? Ryzyko jest to potencjalny stopień zagrożenia
Bardziej szczegółowoRYZYKO INWESTYCJI W SPÓŁKI GIEŁDOWE SEKTORA ENERGETYCZNEGO
Alicja Ganczarek-Gamrot Uniwersytet Ekonomiczny w Katowicach RYZYKO INWESTYCJI W SPÓŁKI GIEŁDOWE SEKTORA ENERGETYCZNEGO Wprowadzenie Liberalizacja polskiego rynku energii elektrycznej wpłynęła na rozwój
Bardziej szczegółowoDWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI
DWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI mgr Marcin Pawlak Katedra Inwestycji i Wyceny Przedsiębiorstw Plan wystąpienia
Bardziej szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowodr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Miary zmienności: obrazują zmiany cen, stóp zwrotu instrumentów finansowych, opierają się na rozproszeniu ich rozkładu, tym samym uśredniają ryzyko: wariancja stopy zwrotu, odchylenie
Bardziej szczegółowoO wyborze metody estymacji wartości zagrożonej na przykładzie portfela narażonego na ryzyko zmian kursów USD/PLN i EUR/PLN *
393 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 2(34)/2013 Szkoła Główna Handlowa w Warszawie O wyborze metody estymacji wartości zagrożonej na przykładzie portfela narażonego na ryzyko zmian
Bardziej szczegółowoMarcin Bartkowiak Katedra Matematyki Stosowanej AE Poznań. Charakterystyka wybranych szeregów czasowych na GPW
Marcin Bartkowiak Katedra Matematyki Stosowanej AE Poznań Charakterystyka wybranych szeregów czasowych na GPW 1. Wstęp Modelowanie szeregów czasowych jest podstawą ekonometrii finansowej. Umożliwia między
Bardziej szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowoSTATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie
STATYSTYKA OD PODSTAW Z SYSTEMEM SAS wersja 9.2 i 9.3 Szkoła Główna Handlowa w Warszawie Spis treści Wprowadzenie... 6 1. Podstawowe informacje o systemie SAS... 9 1.1. Informacje ogólne... 9 1.2. Analityka...
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 01 JERZY TYMIŃSKI TEORETYCZNE I PRAKTYCZNE ASPEKTY KONCEPCJI WARTOŚCI ZAGROŻONEJ 1 Wprowadzenie W działalności
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoAnaliza zdarzeń Event studies
Analiza zdarzeń Event studies Dobromił Serwa akson.sgh.waw.pl/~dserwa/ef.htm Leratura Campbell J., Lo A., MacKinlay A.C.(997) he Econometrics of Financial Markets. Princeton Universy Press, Rozdział 4.
Bardziej szczegółowoInżynieria Finansowa: 9. Wartość opcji i model Blacka-Scholesa w praktyce
Inżynieria Finansowa: 9. Wartość opcji i model Blacka-Scholesa w praktyce Piotr Bańbuła atedra Ekonomii Ilościowej, AE Czerwiec 2017 r. Warszawa, Szkoła Główna Handlowa Wypłata Wypłata Opcja binarna 0
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoZarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński
Zarządzanie ryzykiem Opracował: Dr inŝ. Tomasz Zieliński I. OGÓLNE INFORMACJE O PRZEDMIOCIE Cel przedmiotu: Celem przedmiotu jest zaprezentowanie studentom podstawowych pojęć z zakresu ryzyka w działalności
Bardziej szczegółowoOpcje koszykowe a lokaty strukturyzowane - wycena
Opcje koszykowe a lokaty strukturyzowane - wycena Basket options and structured deposits - pricing Janusz Gajda Promotor: dr hab. inz. Rafał Weron Politechnika Wrocławska Plan prezentacji Cel pracy Wprowadzenie
Bardziej szczegółowoweryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)
PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoZyskowność i statystyczna istotność reguł analizy technicznej
Katarzyna Sagan nr albumu: 240006 Robert Chyliński nr albumu: 239779 Zyskowność i statystyczna istotność reguł analizy technicznej White's Reality Check Praca zaliczeniowa wykonana w ramach przedmiotu:
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 szczegółowoNOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Wprowadzenie do teorii ekonometrii. Część A
NOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Autor: 1. Dobromił Serwa 2. Tytuł przedmiotu Sygnatura (będzie nadana, po akceptacji przez Senacką Komisję Programową) Wprowadzenie do teorii
Bardziej szczegółowoWYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU CZASOWEGO ZWIĄZANEGO ZE SPRZEDAŻĄ ASORTYMENTU HUTNICZEGO
5/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-5308 WYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU
Bardziej szczegółowoInne kryteria tworzenia portfela. Inne kryteria tworzenia portfela. Poziom bezpieczeństwa. Analiza i Zarządzanie Portfelem cz. 3. Dr Katarzyna Kuziak
Inne kryteria tworzenia portfela Analiza i Zarządzanie Portfelem cz. 3 Dr Katarzyna Kuziak. Minimalizacja ryzyka przy zadanym dochodzie Portfel efektywny w rozumieniu Markowitza odchylenie standardowe
Bardziej szczegółowoGlobalizacja ryzyka cenowego na przykładzie rynku zbóż
Globalizacja ryzyka cenowego na przykładzie rynku zbóż Mariusz Hamulczuk IERiGŻ-PIB Warszawa "Ryzyko w gospodarce żywnościowej teoria i praktyka" Jachranka, 23-25 listopada 2016 Uzasadnienie Procesy globalizacji
Bardziej szczegółowoEKSTREMALNE RYZYKO CENOWE NA RYNKU ZBÓŻ W POLSCE
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 297 2016 Małgorzata Just Uniwersytet Przyrodniczy w Poznaniu Wydział Ekonomiczno-Społeczny Katedra Finansów
Bardziej szczegółowo