Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
|
|
- Magda Cichoń
- 6 lat temu
- Przeglądów:
Transkrypt
1 DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury związanej z analizą szeregów czasowych doyczy procesów w kórych sopień inegracji jes sały. Powszechnie znany w lieraurze przedmiou model ARIMA (Box i Jenkins, 983) przyjmuje, że niekóre pierwiaski wielomianu charakerysycznego leżą na kole jednoskowym. Zakłada się również, że wszyskie pierwiaski przyjmują sałe warości, czyli nie podlegają zmianom w czasie. Najprosszym przykładem akiego procesu jes model błądzenia przypadkowego określany jako proces zinegrowany sopnia pierwszego, zawierający jeden pierwiasek jednoskowy. Okazuje się jednak, że isnieje porzeba (Granger i Swanson, 997; Sollis i in., 000) analizy procesów o zmiennym sopniu inegracji, w kórych pierwiaski wielomianu charakerysycznego oscylują w czasie wokół jedynki i przyjmują czasem warości znajdujące się na kole jednoskowym, a czasem poza nim. Modele e określa się jako modele ze sochasycznym pierwiaskiem jednoskowym (ang. sochasic uni roo processes; STUR). W modelach ych zakłada się zmienność paramerów w czasie, a ym samym zmienność pierwiasków wielomianu charakerysycznego. Badana klasa procesów, była po raz pierwszy rozważana w lieraurze w połowie la 90-ych (por. Leybourne, McCabe i Mills, 996; Leybourne, McCabe i Tremayne, 996; Granger i Swanson, 997). Z uwagi na rozparywaną u w ujęciu dynamicznym losowość paramerów, modele ze sochasycznym pierwiaskiem jednoskowym można również rakować jako szczególny przypadek znanych już w wcześniejszej lieraurze modeli ze zmiennym paramerem; por. Judge i in. (985).
2 Jacek Kwiakowski Magdalena Osińska. Posać modelu i esymacja MNW. Procesy ypu STUR (sochasic uni roos) można zapisać w posaci ogólnej jako: y = α y + ε, () gdzie: α = α 0 +, δ δ 0 = 0, δ = ρδ + η, () przy czym ρ. Ponado ε ~ N(0, ) i η ~ N(0, ) są od siebie niezależne. Dla α 0 = i = 0, y jes procesem błądzenia losowego. Jeśli α 0 = i > 0 o mamy do czynienia z procesem, kórego średnia zawiera pierwiasek jednoskowy, i kóry jes nazywany procesem ze sochasycznym pierwiaskiem jednoskowym. Analizowana w dalszej części pracy posać modelu ze sochasycznym pierwiaskiem jednoskowym ma posać: y = δ y + ε, (3) δ = ρδ + η, (4) gdzie y oznacza obserwowany proces w czasie, naomias ε i η oznaczają ak jak poprzednio niezależne względem siebie gaussowskie białe szumy o średniej zero i wariancji równej i. Równanie (3) można przedsawić w równoważnej formie, mianowicie y ( + δ ) y + ε =. (5) = Gdy ρ = 0 i 0 o paramer δ dla wszyskich przyjmuje warości równe zero i orzymujemy proces błądzenia przypadkowego. Użyecznym narzędziem do esymacji paramerów modelu (3)-(4) jes meoda największej wiarygodności opara o filr Kalmana i związany z nim model przesrzeni sanów. Niech z oznacza ( n ) wymiarowy wekor obserwowanych zmiennych w czasie. Model przesrzeni sanów można zapisać jako (Harvey, 989; Hamilon, 994; Górka, 997):
3 Procesy zawierające sochasyczne pierwiaski... 3 z = H ξ + w, (6) = ξ ξ F + v. (7) gdzie równanie (8) określa się jako wyjścia lub obserwacji, równanie (7) jes równaniem sanu, ξ oznacza ( r ) wymiarowy wekor sanu, F i H są n r. Wekory kolejno macierzami sanu oraz wyjścia o wymiarach ( r) v o wymiarach ( n ) oraz ( ) w i mianowicie r i ( ) r są wekorami białych szumów, ( w w ) R E τ = 0 dla = τ dla τ Q E τ = 0 i ( v v ) dla = τ, dla τ gdzie R i Q są macierzami o wymiarach ( n n) i ( r r). Dodakowo zakłada się niezależność wekorów w i v. Oznaczmy przez ˆ ξ wekor sanu oszacowany w oparciu o informacje dosępne w chwili oraz przez W wariancję ego oszacowania W [( ˆ ξ )( ˆ ξ ξ )] ξ. (8) = E Załóżmy, że chcemy esymować ξˆ w oparciu o ξ. Korzysając z równania (7) prognozą ξ oznaczoną przez ˆ ξ jes ˆ ˆ ξ Fξˆ, (9) = naomias wariancja błędu predykcji wynosi: [( ˆ ξ )( ξ ˆ ) ] = FW F Q W = E ξ ξ +. (0) ˆ Prognozę z przy danym ξ uzyskuje się z równania (6): zˆ ˆ ξ () = H z błędem równym = z zˆ u ()
4 4 Jacek Kwiakowski Magdalena Osińska i jego wariancją ( u ) = H W H R K E u + =. (3) Korzysając z własności wielowymiarowego rozkładu normalnego, oczekiwaną warości ξ przy danym z można uzyskać z równania ( z H ˆ ξ ) ˆ ξ ˆ, (4) = ξ + W H K z wariancją równą: = W W H K H W W. (5) Filr Kalmana oblicza zaem prognozę ξ w sposób rekurencyjny, przyjmując warości począkowe dla W 0 i ξ 0. Dalsze szczegóły na en ema filru Kalmana można znaleźć m.in. w pracy Hamilona (994). Jeżeli począkowy wekor sanu ξ oraz w i v mają wielowymiarowe rozkłady normalne o warunkowy rozkład z względem wcześniejszych obserwacji Z ( z, z, z ) =..., i nieznanych warości paramerów θ znajdujących się w F, Q i R jes również rozkładem normalnym ze średnią i wariancją daną odpowiednio w punkcie () i (3) ( H ˆ H W H R) z Z, θ ~ N ξ, +. Oznaczając przez T liczbę obserwacji, logarym funkcji wiarygodności dla obserwacji w chwili można zapisać: ln L n = ln( π ) ln K u K u dla =,..., T. (6) Wykorzysując modele przesrzeni sanów, równanie (3) można rakować jako równanie obserwacji, naomias równanie (4) jako równanie sanu. Oznaczmy przez θ wekor paramerów w modelu (3)-(4), mianowicie θ = ( ρ,, ). Nieznane warości paramerów uzyskuje się więc poprzez maksymalizację funkcji wiarygodności.
5 Procesy zawierające sochasyczne pierwiaski Tesowanie sochasycznych pierwiasków jednoskowych Hipoezy w eście LMT (Leybourne, McCabe i Tremayne) doyczą wariancji, czyli modelu zmienności paramerów. H 0 : = 0 (oznacza błądzenie przypadkowe lub w uogólnionym przypadku ARIMA(p,,0)) H : > 0. Rozważa się przyjęcie różnych formuł esu zależnie od modelu będącego podsawą badania. W celu uniknięcia wpływu ewenualnego rendu deerminisycznego, auorzy proponują rozszerzenie modelu o rend liniowy lub -go sopnia. Ponado możliwe jes rozszerzenie specyfikacji równania poprzez włączenie do modelu opóźnionych warości zmiennej endogenicznej. Procedura esowania przebiega w nasępujący sposób: Niech y * * = y α + ε, (7) gdzie y * = y P p = ϕ y, (8) i przy czym P jes składnikiem deerminisycznym, np. rendem posaci P = β + γ + θ ( + ) / lub P = β + γ, naomias część auoregresyjna w (7) jes sacjonarna i pełni rolę podobną jak rozszerzenie w eście ADF (Augmened Dickey Fuller). Jeżeli w H ρ <, o saysykę Z oblicza się na podsawie nasępującej zależności, oszacowanej KMNK y = P + p i= ϕ y. (9) i + ε Saysyka Z ma posać: Z = T 3 T κ εj ( ε ), (0) = j= gdzie: T T = T ε oraz = T ( ε ) = κ. =
6 6 Jacek Kwiakowski Magdalena Osińska Zależnie od wyboru posaci rendu P lub P oznacza się ją jako Z lub Z. Tes jes odporny na ransformację logarymiczną oraz efek ARCH, z wyjąkiem IGARCH (por. Granger i Swanson, 997). Warości kryyczne generowane przy założeniu zerowej kowariancji pomiędzy ε i ε dla wybranych poziomów isoności zosały przedsawione w ablicy. Tablica. Wybrane warości kryyczne esu LMT. T p = 0, 0 p = 0, 05 p = 0, 50 0,349 0,5 0,6 00 0,30 0,9 0,4 50 0,89 0,68 0, 500 0,78 0,6 0, ,6 0,49 0,04 Źródło: Leybourne, McCabe i Tremayne (996) oraz Granger i Swanson (997). 4. Próbkowe własności esymaora MNW. Badania własności próbkowych esymaorów przedsawionych w drugim punkcie dokonano za pomocą symulacji Mone Carlo. W ym celu wygenerowano 000 realizacji procesu opisanego równaniami (3) (4), a nasępnie esymowano jego paramery maksymalizując funkcję największej wiarygodności przedsawioną w punkcie drugim. Badane szeregi składały się ze 00, 50 i 500 obserwacji. W oparciu o uzyskane wyniki dla każdego parameru obliczono współczynnik zmienności, kóry jes ilorazem próbkowego odchylenia sandardowego i średniej arymeycznej badanego esymaora. Tablica przedsawia obliczone na podsawie ocen paramerów współczynniki zmienności: D ( θˆ )/ E( θˆ ), dodakowo w celu zbadania próbkowego obciążenia esymaorów obliczono iloraz próbkowej średniej arymeycznej i prawdziwej warości parameru [ ( ˆ E θ )/ θ ], przy różnych warościach. Analizując wyniki zamieszczone w ablicy można swierdzić, że meoda największej wiarygodności pozwala uzyskać sosunkowo dobre wyniki szczególnie dla dużej próby j. T = 500. Najdokładniejsze wyniki uzyskano dla wariancji składnika losowego w równaniu obserwacji. W porównaniu z pozosałymi paramerami wydają się być najbardziej zbliżone do prawdziwych warości, zarówno ze względu na relaywnie małą próbkową wariancję jak i obciążenie. Najmniej dokładne wyniki orzymano dla wariancji składnika losowego w równaniu sanu. W przeważającej większości są znacznie gorsze niż dla pozosałych paramerów, szczególnie dla małej próby T = 00. Warość
7 Procesy zawierające sochasyczne pierwiaski... 7 wariancji składnika losowego ma również zasadniczy wpływ na dokładność uzyskiwanych wyników dla pozosałych paramerów, mianowicie porównując wyniki orzymane przy różnych warościach można swierdzić, że dla mniejszej warości wariancji składnika losowego uzyskane wyniki dla wszyskich paramerów charakeryzują się większą wariancją i obciążeniem. 5. Analiza procesu STUR na przykładzie indeksu WIG0. W zakresie esowania i esymacji procesów ze sochasycznym pierwiaskiem jednoskowym, analizie poddano ygodniowy kurs indeksu WIG0 od lipca 94 do końca marca 00. Analizowany szereg składał się zaem z 380 obserwacji ygodniowych. Warość saysyki Z dla ego szeregu wyniosła 0,9, co przy 5% procenowym poziomie isoności może wskazywać, że jes o proces, kórego średnia zawiera pierwiasek jednoskowy. Wyniki ocen paramerów uzyskane w poparciu o przedsawioną wcześniej meodę największej wiarygodności dały nasępujące punkowe oceny paramerów: ρ = , =.5464E - 06, =.399. Rysunek przedsawia punkową ocenę parameru α = + δ, kórą uzyskano za pomocą filru Kalmana. Orzymane wyniki są zbieżne z wynikami publikowanymi w pracy Sollis i in. (000) dla danych giełdowych. Rysunek. Punkowa ocena parameru α = + δ dla Wig Źródło: Obliczenia własne.
8 8 Jacek Kwiakowski Magdalena Osińska Tablica. Wyniki esymacji MNW przeprowadzonej w oparciu o symulację Mone Carlo dla 000 powórzeń na szeregach o długości 00, 50 i 500. W abeli zamieszono obliczone na podsawie ocen paramerów współczynniki zmienności: D ( θ ˆ ) / E ( θ ˆ ), (syl E θ ˆ / θ (kursywa). sandardowy czcionki) oraz iloraz próbkowej średniej arymeycznej i prawdziwej warości parameru [ ( ) ] T = 00 T = 50 T = 500 T = 00 T = 50 T = 500 ρ = 0, = 0,0 =.43; ; ; ; ; ; ; ; ; 0.08 ρ = 0, = 0,00 =.775; ; ; ; ; ; ; ; ; 0.0 ρ = 0,6 = 0,0 = 0.606; ; ; ; ; ; ; ; ; 0.05 ρ = 0,6 = 0,00 = 0.764; ; ; ; ; ; ; ; ; ρ = 0,9 = 0,0 = 0.; ; ; ; ; ; ; ; ; ρ = 0,9 = 0,00 = 0.3; ; ; ; ; ; ; ; ; Źródło: obliczenia własne.
9 Procesy zawierające sochasyczne pierwiaski Lieraura. Box G.E.P., G.M. Jenkins (983), Analiza szeregów czasowych. Prognozowanie i serowanie, Wydawnicwo Naukowe PWN. Cuhberson K., S.G.Hall, M.P. Taylor (99), Applied Economeric Techniques, Philip Allan. Górka J., (997), Reprezenacja ARMA i reprezenacja przesrzeni sanów szeregów czasowych, maeriały na V Ogólnopolskie Seminarium Naukowe p.: Dynamiczne modele ekonomeryczne, Toruń. Granger C.W.J., N.R. Swanson (997), An inroducion o sochasic uni-roo process. Journal of Economerics 80. Granger C.W.J., T. Terasvira (993), Modeling Nonlinear Economic Relaionships, Oxford Universiy Press. Hamilon J.D., (994), Time Series Analysis, Princeon Universiy Press. Harvey, A.C. (989), Forecasing, Srucural Time Series Models and he Kalman Filer, Cambridge Universiy Press. Judge, G. G., W. E. Griffihs, R. C. Hill, H. Lükepohl, and T.C. Lee (985), The Theory and Pracice of Economerics, John Wiley & Sons. Leybourne S.J., B.P.M. McCabe, T.C. Mills (996), Randomized uni roo processes for modeling and forecasing financial ime series: heory and applicaions, Journal of Forecasing 5. Leybourne S.J., B.P.M. McCabe, A.R Tremayne (996), Can economic ime series be differenced o saionariy?, Journal of Business and Economic Saisics 4. Maddala G.S., I-M Kim (00), Uni Roos, Coinegraion and Srucural Change, Cambridge Universiy Press. Sollis R., S.J. Leybourne, P. Newbold (000), Sochasic uni roos modeling of sock price indices, Applied Financial Economics 0. Taylor A.M.R, D. van Dijk (999), Tesing for Sochasic Uni Roos. Some Mone Carlo Evidence, Economeric Insiue Research Repor EI-99/A.
Witold 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 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 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 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 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 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 szczegółowoMetody badania wpływu zmian kursu walutowego na wskaźnik inflacji
Agnieszka Przybylska-Mazur * Meody badania wpływu zmian kursu waluowego na wskaźnik inflacji Wsęp Do oceny łącznego efeku przenoszenia zmian czynników zewnęrznych, akich jak zmiany cen zewnęrznych (szoki
Bardziej 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoPROCESY 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoEstymacja stopy NAIRU dla Polski *
Michał Owerczuk * Pior Śpiewanowski Esymacja sopy NAIRU dla Polski * * Sudenci, Szkoła Główna Handlowa, Sudenckie Koło Naukowe Ekonomii Teoreycznej przy kaedrze Ekonomii I. Auorzy będą bardzo wdzięczni
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej 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 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 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 szczegółowo( ) ( ) ( τ) ( t) = 0
Obliczanie wraŝliwości w dziedzinie czasu... 1 OBLICZANIE WRAśLIWOŚCI W DZIEDZINIE CZASU Meoda układu dołączonego do obliczenia wraŝliwości układu dynamicznego w dziedzinie czasu. Wyznaczane będą zmiany
Bardziej szczegółowoPOWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE
Anea Kłodzińska, Poliechnika Koszalińska, Zakład Ekonomerii POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Sopy procenowe w analizach ekonomicznych Sopy procenowe
Bardziej 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 szczegółowoAnaliza szeregów czasowych w Gretlu (zajęcia 8)
Analiza szeregów czasowych w Grelu (zajęcia 8) Grel jes dość dobrym narzędziem do analizy szeregów czasowych. Już w samej podsawie Grela znajdziemy sporo zaimplemenowanych echnik służących do obróbki danych
Bardziej szczegółowoKlasyfikacja modeli. Metoda najmniejszych kwadratów
Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Klasyfikacja modeli Modele dzielimy na: - jedno- i wielorównaniowe - liniowe i nieliniowe - sayczne i dynamiczne - sochasyczne i deerminisyczne -
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 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 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 szczegółowoCopyright by Politechnika Białostocka, Białystok 2017
Recenzenci: dr hab. Sanisław Łobejko, prof. SGH prof. dr hab. Doroa Wikowska Redakor naukowy: Joanicjusz Nazarko Auorzy: Ewa Chodakowska Kaarzyna Halicka Arkadiusz Jurczuk Joanicjusz Nazarko Redakor wydawnicwa:
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 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 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 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 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 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 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 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 szczegółowoPROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 69 Elecrical Engineering 0 Janusz WALCZAK* Seweryn MAZURKIEWICZ* PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO W arykule opisano meodę generacji
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 szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 2014, 313(76)3, 137 146 Maria Szmuksa-Zawadzka, Jan Zawadzki MODELE WYRÓWNYWANIA WYKŁADNICZEGO W PROGNOZOWANIU
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej 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 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 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 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 szczegółowoy 1 y 2 = f 2 (t, y 1, y 2,..., y n )... y n = f n (t, y 1, y 2,..., y n ) f 1 (t, y 1, y 2,..., y n ) y = f(t, y),, f(t, y) =
Uk lady równań różniczkowych Pojȩcia wsȩpne Uk ladem równań różniczkowych nazywamy uk lad posaci y = f (, y, y 2,, y n ) y 2 = f 2 (, y, y 2,, y n ) y n = f n (, y, y 2,, y n ) () funkcje f j, j =, 2,,
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 szczegółowoVII. ZAGADNIENIA DYNAMIKI
Konderla P. Meoda Elemenów Skończonych, eoria i zasosowania 47 VII. ZAGADNIENIA DYNAMIKI. Równanie ruchu dla zagadnienia dynamicznego Q, (7.) gdzie M NxN macierz mas, C NxN macierz łumienia, K NxN macierz
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 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 szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
Bardziej 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 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 szczegółowoMagdalena Osińska, Joanna Górka Uniwersytet Mikołaja Kopernika w Toruniu
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
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 Anna Krauze Uniwersye Warmińsko-Mazurski
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 szczegółowoŹRÓDŁA FLUKTUACJI REALNEGO EFEKTYWNEGO KURSU EUR/ PLN
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/, 0, sr. 389 398 ŹRÓDŁA FLUKTUACJI REALNEGO EFEKTYWNEGO KURSU EUR/ PLN Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków Gospodarczych
Bardziej szczegółowoSTATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU KAPITAŁOWEGO WPROWADZENIE METODOLOGIA TESTOWANIA MODELU
GraŜyna Trzpio, Dominik KręŜołek Kaedra Saysyki Akademii Ekonomicznej w Kaowicach e-mail rzpio@sulu.ae.kaowice.pl, dominik_arkano@wp.pl STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU
Bardziej szczegółowoSilniki cieplne i rekurencje
6 FOTO 33, Lao 6 Silniki cieplne i rekurencje Jakub Mielczarek Insyu Fizyki UJ Chciałbym Pańswu zaprezenować zagadnienie, kóre pozwala, rozważając emaykę sprawności układu silników cieplnych, zapoznać
Bardziej szczegółowoWykład 4 Metoda Klasyczna część III
Teoria Obwodów Wykład 4 Meoda Klasyczna część III Prowadzący: dr inż. Tomasz Sikorski Insyu Podsaw Elekroechniki i Elekroechnologii Wydział Elekryczny Poliechnika Wrocławska D-, 5/8 el: (7) 3 6 fax: (7)
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 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 szczegółowoNie(efektywność) informacyjna giełdowego rynku kontraktów terminowych w Polsce
Zeszyy Naukowe Uniwersyeu Szczecińskiego nr 862 Finanse, Rynki Finansowe, Ubezpieczenia nr 75 (2015) DOI: 10.18276/frfu.2015.75-16 s. 193 204 Nie(efekywność) informacyjna giełdowego rynku konraków erminowych
Bardziej 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 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 szczegółowoTestowanie współzależności w rozwoju gospodarczym
The Wroclaw School of Banking Research Journal ISSN 1643-7772 I eissn 2392-1153 Vol. 15 I No. 5 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu ISSN 1643-7772 I eissn 2392-1153 R. 15 I Nr 5 Tesowanie
Bardziej szczegółowo