STOPIEŃ AGREGACJI PRZESTRZENNEJ A ZMIENNOŚĆ SZEREGÓW CZASOWYCH CEN SUROWCÓW ROLNYCH
|
|
- Krzysztof Jóźwiak
- 6 lat temu
- Przeglądów:
Transkrypt
1 METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/, 011, sr STOPIEŃ AGREGACJI PRZESTRZENNEJ A ZMIENNOŚĆ SZEREGÓW CZASOWYCH CEN SUROWCÓW ROLNYCH Mariusz Hamulczuk Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków Gospodarczych, Szkoła Główna Gospodarswa Wiejskiego w Warszawie mariusz_hamulczuk@sggw.pl Sreszczenie: Ryzyko cenowe, na jakie narażeni są uczesnicy rynku wiąże się z niepewnością, co do poziomu i kierunku zmian orzymywanych i płaconych. W celu empirycznego oszacowania ryzyka cenowego wykorzysuje się między innymi miary zmienności hisorycznej. Różnego rodzaju ograniczenia powodują, że w prakyce informacja rynkowa sanowiąca odniesienie dla zachowań uczesników rynku ograniczana jes do cen przecięnych w kraju. akie nie zawsze odzwierciedlają lokalne uwarunkowania i poprzez sam proces agregacji mogą zaniżać szacowane ryzyko zmian cen. Celem niniejszego opracowania była odpowiedź na pyanie na ile agregacja przesrzenna danych zmienia charakerysyki szeregów czasowych, a ym samym wpływa na skalę i charaker obserwowanej zmienności. Ineresujące było również zbadanie faku wysępowania zmienności warunkowej w zależności od sopnia agregacji cen. Maeriał badawczy sanowiły ygodniowe ceny pszenicy na poziomie kraju, wojewódzwa i rynku lokalnego (argowisko). Słowa kluczowe: agregacja danych, zmienność cen, ceny surowców rolnych WSTĘP Zmienność cen surowców rolnych, obok zmienności cen nakładów, jes podsawowym źródłem ryzyka, z kórym mają do czynienia uczesnicy rynku. Skukiem niepewności co do przyszłego poziomu cen jes niepewność realizacji funkcją celu uczesników rynku. W przypadku producenów rolnych jes nią poziom osiąganych przez nich dochodów [Rembisz 007]. Funkcją celu inwesorów (w ym spekulanów) operujących na rynku pochodnych rolnych jes osiągnięcie jak największej sopy zwrou przy najmniejszym poziomie ryzyka.
2 Sopień agregacji przesrzennej 181 Przyjmuje się, że indywidualni uczesnicy rynku dokonujący fizycznej wymiany, jak i gracze giełdowi nie mają wpływu na ceny. O ich poziomie decyduje szeroko rozumiany rynek. Ryzyko wiąże się z fakem, że w krókim okresie podmioy dokonujące fizycznej wymiany nie są w sanie skompensować spadku opłacalności poprzez działania proefekywnościowe. Wszelkiego rodzaju działania proefekywnościowe związane np. ze zmianami echnologii zmniejszającymi koszy produkcji czy zmianami sposobu dysrybucji dają bowiem efeky po kilku laach od ich wprowadzenia. Uczesnicy rynku mogą naomias dokonywać prób neuralizacji ego ryzyka (kóre ma charaker krókookresowy) m.in. za pomocą owarowych insrumenów pochodnych [Rembisz 007]. Niezależnie jaki rynek rozparujemy, ryzyko niezrealizowania funkcji celu indywidualnego uczesnika rynku jes pochodną niepewności co do kszałowania się przyszłych cen. Aby zarządzać skuecznie ryzykiem cenowym isnieje porzeba badania zachowań cen. Jednym ze sposobów kwanyfikacji ej niepewności jes jej ocena na podsawie hisorycznej zmienności cen lub insrumenów. Sama zmienność ma charaker nieobserwowalny [Doman, Doman 009, s 139] co wymusza poszukiwanie różnych koncepcji jej pomiaru. Isnieje wiele sposobów mierzenia zmienności cen: począwszy od najprosszych mierników zmienności bezwarunkowej zakończywszy na zasosowaniu bardziej wyrafinowanych meod analizy szeregów czasowych akich jak ARCH czy GARCH [Alexander 1996, Andersen i in. 005, Bollerslev 1986, Moledina i in. 003]. Celem opracowania jes odpowiedź na pyanie na ile agregacja przesrzenna danych zmienia charakerysyki szeregów czasowych, a ym samym wpływa na skalę i charaker obserwowanej zmienności. średnie w kraju, przyjmowane częso jako podsawa szacowania zmienności, nie zawsze odzwierciedlają lokalne uwarunkowania a co za ym idzie poprzez sam proces agregacji mogą wpływać na szacunki ryzyka cenowego dokonywane na ich podsawie. Wyniki badań mają również pewne znaczenie prakyczne ponieważ mogą służyć implemenacji różnych insrumenów poliyki pańswa, w ym wspierania worzenia rynków insrumenów pochodnych, w odpowiedzi na wysępujące na rynku ryzyko cenowe. DANE I ICH WŁAŚCIWOŚCI Maeriał badawczy sanowią ygodniowe noowania argowiskowych cen pszenicy w Polsce z okresu od sycznia 003 roku do kwienia 011 roku. Mimo, że obró argowiskowy odgrywają coraz mniejszą rolę w obrocie owarami rolnymi o sanowią prakycznie jedyne źródło informacji o cenach lokalnych. Dzięki czemu możliwa jes realizacja posawionego celu badawczego. Źródłem danych jes Zinegrowany Sysem Rolniczej Informacji Rynkowej Miniserswa Rolnicwa i Rozwoju Wsi. W związku z posawionym problemem badawczych analizowano ceny na rzech poziomach agregacji: ceny lokalne (argowisko Ryki, woj. Lubelskie oznaczenie L), przecięne ceny na poziomie
3 18 Mariusz Hamulczuk wojewódzwa (wojewódzwo Lubelskie oznaczenie W) oraz przecięne ceny w kraju (oznaczenie K). Powyższe szeregi czasowe liczyły po 435 obserwacji. W przypadku cen pochodzących z argowiska w Rykach wysępowały brakujące informacje, kóre uzupełniono za pomocą meody inerpolacji liniowej Szeregi czasowe ceny pszenicy przedsawiono na rysunku 1. Ogólnie obserwuje się niewielką wzrosową endencję rozwojową, wokół kórej widoczne są średniookresowe zmiany o charakerze cyklicznych. Cykle owarowe ypowe dla kszałowania się cen surowców rolnych zarówno w kraju jaki świecie sanowią główne źródło zmienności cenowej. Zauważyć można znaczną zgodność długookresowych zmian cen na ych rynkach. Powierdzają ją wysokie warości współczynników korelacji wzajemnej pomiędzy szeregami czasowymi analizowanych cen (0,97 0,99), kóre o współczynniki przyjmują najwyższe warości dla opóźnienia zerowego. Rysunek 1. Tygodniowe noowania cen argowiskowych pszenicy [zł/] w okresie od sycznia 003 do kwienia 011 roku [zł/] Lokalne (L) Wojewódzwo (W) Kraj (K) Źródło: opracowanie własne na podsawie danych MRIRW Analiza graficzna szeregów czasowych wskazuje, że mamy do czynienia z podobnymi charakerysykami cen. Średnie warości szeregów czasowych zawierają się w przedziale od 580 (argowisko) do 611 zł/ (kraj). Zmienność cen ulega niewielkiemu zmniejszeniu wraz ze wzrosem sopnia agregacji danych. Powierdzają o warości odchylenia sandardowego (ceny argowiskowe 165 a ceny krajowe 156) oraz współczynnika zmienności losowej (odpowiednio: 0,8 i 0,5). W celu wsępnej analizy szeregów czasowych przeprowadzono ich dekompozycję na długookresowy rend (TC), wahania sezonowe i wahania
4 Sopień agregacji przesrzennej 183 przypadkowe. Do oszacowania wskaźników wahań sezonowych wykorzysano klasyczna dekompozycję sezonową. Ogólnie wzorce wahań sezonowych szacowane na podsawie analizowanych szeregów czasowych cen są podobne do siebie. Zauważyć można naomias, że wraz ze wzrosem agregacji danych mamy od czynienia z coraz większym wygładzeniem ego wzorca. Udział wariancji wynikającej z wahań sezonowych w całkowiej wariancji poszczególnych szeregów czasowych wynosi od 1,08% (woj. Lubelskie) do 1,57% (argowisko Ryki). Nasępnie wykorzysując filr Hodricka-Prescoa (dla lambda równej 435) oszacowano składnik długookresowy (TC) oraz wahania przypadkowe (I) jako warość rezydualną. Udział wariancji wynikającej z wahań przypadkowych w całkowiej wariancji wyniósł odpowiednio: 3,93% (ceny argowiskowe), 1,47% (ceny na poziomie wojewódzw) i 0,96% (średnie ceny krajowe). Zaem wraz ze wzrosem sopnia agregacji szeregów obserwuje się wzros znaczenia (udziału) zmienności średnio i długookresowej przy jednoczesnym spadku zmienności o charakerze krókookresowym (sezonowości i wahania przypadkowe). Tabela 1. Wyniki esu ADF dla badanych szeregów czasowych cen oraz ich pierwszych różnic (d_) Zmienna Saysyka esu au Asympoyczna warość p Decyzja L -1,5784 0,4937 d_l -5,5665 0,0000 I(1) W -1,7647 0,3986 d_w -4,193 0,0006 I(1) K -0,8669 0,799 d_k -7,3395 0,0000 I(1) Źródło: obliczenia własne Analiza graficzna szeregów czasowych wskazuje na duże prawdopodobieńswo ich niesacjonarności. Wyniki zasosowania rozszerzonego esu Dickeya-Fullera (ADF) z wyrazem wolnym [Charemza, Deadman 1997] p posaci ΔY = α 0 + α1y 1 + = δ Δ + i i Y 1 i ε dla szeregów czasowych cen i ich pierwszych różnic (d_) przedsawiono w abeli 1. Weryfikowano hipoezę zerową posaci H 0 : α = 1 0 zakładającą isnienie pierwiaska jednoskowego. Dla poziomów cen hipoeza a nie zosała odrzucona. Odrzucenie hipoezy zerowej dla pierwszych różnic pozwala uznać wszyskie szeregi czasowe cen argowiskowych za zinegrowane w sopniu pierwszym. STOPY ZWROTU Analizę zmienności cen surowców rolnych można przeprowadzić w sposób zbliżony do analiz insrumenów finansowych akich jak akcje czy obligacje mimo, że nie zawsze mamy do czynienia z ich wyceną w ramach rynków
5 184 Mariusz Hamulczuk zorganizowanych. Przyjęcie akiego podejścia implikuje sposoby oceny niepewności i ryzyka na ych rynkach. Ogólnie przyjęą podsawą oceny zmienności hisorycznej, a co za ym idzie ryzyka cenowego, są logarymiczne sopy zwrou r definiowane jako [Doman, Doman 009]: r = ln( Y / Y 1) (1) gdzie: r logarymiczne sopy zwrou w czasie, Y, Y cena insrumenu bazowego. 1 Na podsawie szeregów czasowych logarymicznych sóp zwrou argowiskowych cen pszenicy obliczono saysyki opisowe. Zawaro je w abeli. Zasadnicze różnice między saysykami dla różnych sopni agregacji doyczą charakerysyk opisujących dyspersję sóp zwrou r. Wraz ze wzrosem agregacji szeregów czasowych (od cen lokalnych (L) do cen średnich krajowych (K)) zmniejszeniu ulega sopień ich zmienności. Rozsęp pomiędzy warością maksymalna a minimalną w przypadku cen krajowych jes czerokronie mniejszy niż w przypadku cen lokalnych. Odchylenie sandardowe sóp zwrou cen lokalnych (argowisko w Rykach) jes ponad rzykronie wyższe od odchylenia sandardowego sóp zwrou średnich cen w kraju. Tabela. Saysyki opisowe logarymicznych sóp zwrou (r ) szeregów czasowych cen pszenicy Saysyka \ Zmienna lokalne (L) wojewódzkie (W) krajowe (K) Średnia 0,0014 0,0016 0,0017 Mediana 0,0000 0,006 0,003 Odchylenie sandardowe 0,0597 0,0346 0,0181 Minimum -0,4700-0,176-0,0943 Maksimum 0,3677 0,1607 0,1014 Rozsęp 0,8377 0,884 0,1958 Kuroza 13,4354 3,4865 5,9890 Skośność -0,5366 0,153-0,516 Saysyka esu χ 5543,99 (p<0,01) 75,8571 (p<0,01) 100,4 (p<0,01) Saysyka W Shapiro-Wilka 0,8081 (p<0,01) 0,9516 (p<0,01) 0,9361 (p<0,01) Źródło: obliczenia własne Odchylenie sandardowe logarymicznych sóp zwrou obliczone w abeli sanowić może podsawę oszacowania zmienności cen w dłuższym okresie. Odchylenie sandardowe sóp zwrou w horyzoncie inwesowania T jes liczone wg wzoru [Tarczyński 003]: n 1 ( r r ) () σ T gdzie: T = n 1 σ T odchylenie sandardowe w horyzoncie inwesowania, =1
6 Sopień agregacji przesrzennej 185 n liczba obserwacji, r średnia arymeyczna sóp zwrou r, T horyzon inwesowania. Jeżeli przyjmiemy roczny horyzon prognozowania (T=5), co ma charaker ypowy dla produkcji rolnej, uzyskuje się dosyć zróżnicowane wielkości ryzyka związanego z poencjalnym zakresem zmienności cen w ym okresie. Oczywiście jes ono pochodną zmienności obserwowanej w skali ygodniowej. W przypadku cen lokalnych warość σ T wynosi 0,43 co wskazuje, że oczekuje się 43% zmian cen w ciągu jednego roku. Oczekiwane zmiany cen wojewódzkich i cen krajowych w ciągu 5 ygodni wynoszą odpowiednio: 5 i 13%. W świele przedsawionych wyżej obliczeń można posawić zasadnicze pyanie, zmienność kórych cen w lepszym sopniu odzwierciedla niepewność związaną z poziomem przyszłych cen. Zapewne jes o charakerysyka bliższa rynkowi lokalnemu na kórym przychodzi dokonywać wymiany indywidualnemu uczesnikowi rynku. Za akim swierdzeniem obok meryorycznych względów przemawia porównanie obliczonych odchyleń sandardowych z warością przecięnej zmiany cen pszenicy (poziomów) jaka miała miejsce w ciągu jednego roku (bez względu na znak). Średnia zmiana cen zbóż w horyzoncie 5 ygodni w analizowanym okresie wynosiła od 3% (ceny krajowe) do 37% (ceny wojewódzkie). Z drugiej jednak srony rynki lokalne (argowiska) są mało płynne co przyczynia się do podwyższenia zmienności cen am noowanych. Normalność rozkładu szeregów czasowych sóp zwrou należy do najczęściej badanych własności sóp zwrou. Jes o isone z formalnego punku widzenia ponieważ przyjmując określone modele wyceny czy szacowania ryzyka opieramy się na pewnych założenia co do rozkładu analizowanej zmiennej. Bardzo częso jes o założenie o normalnym rozkładzie. Niespełnienie ego założenia podważa wnioski wyciągane na podsawie sosowanego modelu. W niniejszym opracowaniu wykorzysano esy chi-kwadra (saysyka χ) oraz Shapiro-Wilka (saysyka W). Saysyki esowe zawaro w abeli. Wyniki badania normalności nie powierdzają ej własności logarymicznych sóp zwrou. Przyjmując poziom isoności α=0,01 odrzucamy hipoezę zerową o normalności rozkładu sóp zwrou wszyskich szeregów czasowych. Wysokie warości współczynnika kurozy oznaczają wysokie prawdopodobieńswo wysępowania obserwacji eksremalnych. Jes o również właściwość obserwowana w finansowych szeregach czasowych. Tym samym oznaczać o, że zmienność cen szacowana wg formuły może być zawyżona. ZMIENNOŚĆ WARUNKOWA Lepokuryczny charaker rozkładów sóp zwrou analizowanych cen surowców rolnych oznacza większe niż w rozkładzie normalnym prawdopodobieńswo wysępowania obserwacji odsających. Brak normalności
7 186 Mariusz Hamulczuk rozkładów sóp zwrou sugeruje również możliwość wysąpienia nieliniowych zależności w szeregach czasowych. Wynika z ego podsawa esowania modeli opisujących grube ogony, np. modeli ARCH. Modele akie sosowane są do badania zmienności warunkowej wariancji sóp zwrou insrumenów finansowych, zn. akich w kórych wariancje mają endencję do skupiania się w grupy. W celu weryfikacji ego przypuszczenia zasosowano dwusopniową procedurę modelowania. W pierwszym kroku oszacowano modele ypu ARMAX dla logarymicznych sóp zwrou. Dodakowymi zmiennymi (X) były zmienne zerojedynkowe dla efeków sezonowych. Zaem posać modelu była nasępująca [Doman, Doman 009]: gdzie: r sopy zwrou,, δ i, φi θ paramery srukuralne 0 i φ, r k p q 0 + δixi, + φir i + e θie i i= 1 i= 1 i= 1 = φ, (3) x i, dodakowe zmienne objaśniające, w naszym przypadku dychoomiczne zmienne sezonowe, e składnik reszowy. Wybierające modele posiłkowano się wykresami ACF i PACF oraz warościami kryeriów informacyjnych Akaike'a i Hannana-Quinna. Przedsawione w abeli 3 oszacowania paramerów są saysycznie isone. W abeli pominięo paramery składnika deerminisycznego. Z ekonomicznego punku widzenia szacowanie zmienności bezpośrednio w oparciu o szeregi czasowe poziomów cen lub eż sóp zwrou budzi pewne zasrzeżenia. Szacunki zmienności, a co za ym idzie ryzyko cenowe mogą być zawyżone. Jak wskazują różni auorzy, racjonalnym jes rozumowanie, że uczesnicy rynku porafią rozróżnić regularny charaker zmian związany z elemenami deerminisycznymi akimi jak rend i wahania cykliczne czy sezonowość. Na ej podsawie generują oni probabilisyczną ocenę kszałowania się cen w przyszłości. W podejściu ym rozróżnia się przewidywalny i nieprzewidywalny (sochasyczny) komponen zmienności szeregów czasowych. W związku z czym en pierwszy składnik zmienności cen nie powinien być brany pod uwagę w ocenie sopnia ryzyka, a uwzględniany powinien być jedynie jej sochasyczny komponen. Zmienność sochasyczna może być rakowana jako odzwierciedlenie ryzyka cenowego, z kórym mają do czynienia uczesnicy rynku. Sochasycznym komponenem są wówczas reszy modeli ARMAX (wg wzoru 3) wyjaśniających zależności linowe. Porównując zamieszczone w abeli i 3 wielkości odchyleń sandardowych zauważyć możemy, że modele liniowe w niewielkim sopniu wyjaśniają zachowanie sóp zwrou cen.
8 Sopień agregacji przesrzennej 187 Tabela 3. Oszacowania liniowych modeli ARMAX dla logarymicznych sóp zwrou (r ) szeregów czasowych cen pszenicy oraz ich saysyki Saysyka \ Zmienna lokalne (L) wojewódzkie (W) krajowe (K) cons 0,0511 0,0047 0,0114 phi_1-0,600-0,147 0,311 phi_ -0,1637 0,1085 0,3386 phi_3-0, phi_4-0,149 - Odch.sand. resz 0,0541 0,0310 0,0143 Kryerium Akaike'a -1189, ,73-347,70 Kryerium Hannana-Quinna -1101, ,09-59,7 Saysyka esu χ resz 47,68 (p<0,01) 14,97 (p<0,01) 10,31 (p<0,01) * uwaga: w abeli pominięo oszacowania paramerów sezonowych, wszyskie paramery phi są saysycznie isone Źródło: obliczenia własne Wykorzysując saysykę daną wzorem możemy oszacować odchylenie sandardowe logarymicznych zmian cen w rocznym horyzoncie na podsawie resz modeli ARMAX (abela 3). Uzyskane wielkości (w przeliczeniu na proceny wynoszą) w przypadku cen lokalnych 39,0%, cen wojewódzkich,3% a cen krajowych 10,3%. Są o wielkości niższe o 3-4pp. od ych dla kórych podsawą są sopy zwrou. Reszy wszyskich modeli ARMAX odbiegają od rozkładu normalnego. Świadczą o ym wielkości saysyk esu χ zamieszczone w abeli 3. Hipoezy zerowe o normalnym rozkładzie resz zosały odrzucone na poziomie isoności p=0,01 w przypadku wszyskich modeli. Kolejnym eapem było esowane wysępowania efeku ARCH na podsawie resz modeli ARMAX. Wykorzysano w ym celu es ARCH LM Engle a. Oparo się na regresji posaci [Engel 198, Doman, Doman 009]: p e = α + α e + u (4) 0 i = 1 i i gdzie: α 0,α i paramery modelu, e reszy modelu danego wzorem 3, u składnik losowy. Współczynnik deerminacji oszacowany na podsawie powyższego równania sanowił podsawę saysyki esowej ARCH LM Engle a: LM = nr, (5)
9 188 Mariusz Hamulczuk gdzie: n liczba obserwacji, R współczynnik deerminacji modelu opisanego wzorem 4. Wyniki esu Engle a dla resz logarymicznych sóp zwrou (ab. 4) wskazują, że mamy do czynienia z wysępowaniem efeku ARCH w przypadku wszyskich szeregów czasowych. Oznacza o, że zmienność w jednym okresie zależy od zmienności w okresach poprzednich. Zauważyć można, że wraz ze wzrosem agregacji szeregów czasowych efek grupowania zmienności jes coraz silniejszy. Hipoeza zerowa zakładająca brak heeroskedasycznej auoregresji warunkowej (dla p=0,05) zosała odrzucona ylko dla pierwszego opóźnienia szeregów czasowych resz modeli logarymicznych sóp zwrou cen lokalnych. W przypadku analogicznych modeli cen wojewódzkich i przecięnych cen krajowych efek ARCH był również widoczny dla wyższych opóźnień. Tabela 4. Wyniki esu Englea a dla szeregów czasowych resz modeli logarymicznych sóp zwrou (r ) cen pszenicy (por. ab. 3) Nazwa Sopień q lokalne (L) wojewódzkie (W) krajowe (K) LM ARCH 5,4 1,0 73,53 1 P - value 0,0 0,00 0,00 LM ARCH 5,51 1,80 75, P - value 0,14 0,00 0,00 LM ARCH 6,4,80 79, P - value 0,7 0,00 0,00 LM ARCH 7,8 3,78 81, P - value 0,65 0,01 0,00 LM ARCH 1,73 5,94 83, P - value 0,89 0,17 0,00 Źródło: obliczenia własne Należy podkreślić, że badania prowadzone przez Borkowskiego i Krawiec [009] oraz Figiela i Hamulczuka [010] nie powierdziły ego efeku w przypadku cen skupu pszenicy w Polsce. Przyczyną może być fak, że ww. auorzy opierali się na danych miesięcznych, kóre poprzez fak emporalnej agregacji wygładzały efek ARCH. Kolejnym krokiem w badaniach powinien być wybór modelu, kóry opisuje zachowania zmienności cen. Wsępnie przeprowadzone badania wskazują, że w przypadku analizowanych uaj szeregów czasowych cen pszenicy nie będzie o prosy model GARCH(1,1) opierający się na normalnym rozkładzie. Należy przeanalizować inne modele i inne rozkłady w celu poprawnego opisu zachowań zmienności cen.
10 Sopień agregacji przesrzennej 189 PODSUMOWANIE Przeprowadzone badania wskazują, że paramery zmienności argowiskowych cen pszenicy w Polsce zależą od sopnia agregacji przesrzennej analizowanych szeregów czasowych. Wraz ze wzrosem agregacji (przechodzenie od cen lokalnych do cen średnich krajowych) znacznie maleje zmienność bezwarunkowa. Oznacza o, że przyjmowanie przecięnych cen krajowych i na ich podsawie formułowanie wniosków na ema ryzyka cenowego może prowadzić do jego zaniżenia. Najbliższe rzeczywisym zmianom cen w zakładanym horyzoncie czasowym są oszacowania zmienności dokonywane na podsawie logarymicznych sóp zwrou cen lokalnych. Co ciekawe, bardzo prose mierniki zmienności cen w posaci średniej zmiany poziomu cen w danym horyzoncie prognozowania (inwesowania) nie reagują w znaczący sposób na fak agregacji przesrzennej. Szeregi czasowe argowiskowych cen pszenicy na wszyskich analizowanych poziomach agregacji (od cen lokalnych do cen średnich krajowych) charakeryzują się zmiennością warunkową. Niemożność wykrycia ego efeku w niekórych badaniach wynika faku, że były one opare na danych miesięcznych, a więc bardziej zagregowanych emporalnie. Zaem podmioy, kórych syuacja finansowa uzależniona jes od poziomu cen surowców sprzedawanych (producenci rolni) czy kupowanych (przewórcy), narażone są ryzyko, kórego wielkość zmienia się w czasie. Sąd miary przecięne opare np. na odchyleniu sandardowym nie oddają w pełni faku zmieniającego się w czasie sopnia niepewności. Efek grupowania zmienności w przypadku cen lokalnych jes niewielki (na granicy isoności saysycznej) ale uwidacznia się coraz wyraźniej wraz ze wzrosem agregacji szeregów czasowych. Wskazywać o może, że agregacja przesrzenna danych wpływać może na akie właściwości szeregów czasowych. Jes o odwrony kierunek wpływu niż agregacji emporalnej. W ym drugim przypadku wraz ze wzrosem agregacji obserwuje się zanikanie efeku ARCH. BIBLIOGRAFIA Alexander C. (1996) Risk Managemen and Analysis, John Wiley&Sons, London. Andersen T.G., Bollerslev T., and Diebold F.X. (005) Parameric and Nonparameric Volailiy Measuremen, W: L.P. Hansen and Y. Ai-Sahalia (eds.), Handbook of Financial Economerics,Vol 1, Amserdam, Norh-Holland. Bollerslev T. (1986) Generalized Auoregressive Condiional Heeroscedasiciy, Journal of Economerics nr 31, sr Borkowski B., Krawiec M. (009) Ryzyko cenowe na rynku surowców rolnych, W: Hamulczuk M., Sańko S. (eds.), Zarządzanie ryzykiem cenowym a możliwości sabilizowania dochodów producenów rolnych aspeky poznawcze i aplikacyjne. IERiGŻ-PIB, Warszawa, sr Charemza W.W., Deadman D.F (1997) Nowa Ekonomeria. PWE. Warszawa.
11 190 Mariusz Hamulczuk Doman M., Doman R. (009) Modelowanie zmienności i ryzyka, Wolers Kluwer, Kraków. Engle R. (198) Auoregressive Condiional Heeroscedasiciy wih Esimaes of he Variance of UK Inflaion, Economerica, nr 50, sr Figiel S., Hamulczuk M. (010) Measuring Price Risk in Commodiy Markes, Olszyn Economic Journal, 010, 5(), UWM Olszyn, sr Moledina A.A., Roe T.L., Shane M. (003) Measuremen of commodiy price volailiy and he welfare consequences of eliminaing volailiy, Working Paper a he Economic Developmen Cenre, Universiy of Minnesoa. Moschini G., Hennessy D.A. (001) Uncerainy, Risk Aversion, and Risk Managemen for Agriculural Producers. W: Gardner B. and Rausser G. (eds.) Handbook of Agriculural Economics, Volume 1, Elsevier Science B.V., sr Rembisz W. (007) Mikroekonomiczne podsawy wzrosy dochodów producenów rolnych, VIZJA PRESS & IT, Warszawa. Tarczyński W. (003) Insrumeny pochodne na rynku kapiałowym, PWE, Warszawa. SPACE AGREGATION AND VOLATILITY OF AGRICULTURAL COMMODITY TIME SERIES PRICES Absrac: Price risk on he spo marke is direcly conneced wih uncerainy abou change of prices paid and received by marke paricipans. I means ha he risk level is a funcion of he volailiy of he level and relaion of hose prices. To assess price risk a hisorical price volailiy measures are used among he ohers. Thus is needed o ake ino accoun ha he risk level is associaed wih he local condiions. This implies an analysis of he local prices volailiy. Series of average counry prices which very ofen consiue a reference for marke agens no always reveal a local circumsances. Therefore spaial aggregaion of daa can lead o underesimaion of he risk level. The aim of he paper was o esimae he effec of spaial aggregaion of agriculural prices series on heir volailiy. I was reasonable also o invesigae an exisence of condiional volailiy in he series for differen aggregaion levels. Weakly marke prices of whea for counry, voivodeship and local marke level were used as an empirical maerial. Key words: daa aggregaion, price volailiy, agriculural commodiy prices
DYNAMICZNE 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 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 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 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 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 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 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 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 szczegółowoEFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE
Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE 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 szczegółowoAlicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej 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 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 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 szczegółowoZMIENNOŚĆI CENOWE NA RYNKACH ROLNYCH. Mariusz Hamulczuk SGGW
ZMIENNOŚĆI CENOWE NA RYNKACH ROLNYCH Mariusz Hamulczuk SGGW 2 Wstęp Rola cen w gospodarce rynkowej, Funkcja celu uczestników rynku rolnego, Zmiany ceny jako źródło ekspozycji na ryzyko dochodowe (zmienność
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 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 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 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 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 szczegółowoANALIZA SZEREGU CZASOWEGO CEN ŻYWCA BROJLERÓW W LATACH
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/1, 2012, sr. 224 233 ANALIZA SZEREGU CZASOWEGO CEN ŻYWCA BROJLERÓW W LATACH 1991-2011 Kaarzyna Unik-Banaś Kaedra Zarządzania i Markeingu w Agrobiznesie
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 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 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 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 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 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 szczegółowoPOWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE
Anea Kłodzińska, Poliechnika Koszalińska, Zakład Ekonomerii POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Sopy procenowe w analizach ekonomicznych Sopy procenowe
Bardziej szczegółowoMODELOWANIE 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 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 IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoZMIENNOŚĆ CEN NA RYNKU ŻYWCA DROBIOWEGO WSTĘP
Pior Bórawski, Jacek Kwiakowski, Kaedra Agrobiznesu i Ekonomii Środowiska UWM Olszyn, Kaedra Ekonomerii i Saysyki UMK Toruń, e-mail: pboraw@moski.uwm.edu.pl, e-mail: jkwia.uni.orun.pl. ZMIENNOŚĆ CEN NA
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 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 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 szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak ( ) ( ) ( ) i E E E i r r = = = = = θ θ ρ ν φ ε ρ α * 1 1 1 ) ( R. popyu R. Fishera Krzywa Phillipsa
Bardziej 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 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 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 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 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 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 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 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 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 szczegółowoWheat prices volatility in the European Union
Mariusz Hamulczuk 1 Katedra Ekonomiki Rolnictwa i Międzynarodowych Stosunków Gospodarczych Szkoła Główna Gospodarstwa Wiejskiego Warszawa Cezary Klimkowski 2 Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej
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 szczegółowoWERYFIKACJA JAKOŚCI PROGNOZ ZMIENNOŚCI WYKORZYSTYWANYCH W MODELU RISKMETRICS TM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-8611 Nr 86 016 Ekonomia 6 Uniwersye Ekonomiczny w Kaowicach Wydział Finansów i Ubezpieczeń Kaedra Inwesycji i Nieruchomości
Bardziej 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 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 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 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 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 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 szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoBayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1
Jacek Kwiakowski Uniwersye Mikołaja Kopernika w Toruniu Bayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1 WSTĘP Powszechnie wiadomo, że podsawowymi własnościami procesów finansowych
Bardziej 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 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 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 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 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 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 szczegółowoJerzy Czesław Ossowski Politechnika Gdańska. Dynamika wzrostu gospodarczego a stopy procentowe w Polsce w latach
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Poliechnika Gdańska Dynamika wzrosu
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 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 szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
Bardziej 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 szczegółowot MODELU AARCH ROZWOJU GOSPODARCZEGO
Uniwersye Ekonomiczny w Kaowicach Kaedra Maemayki anna.janiga-cmiel@ue.kaowice.pl SKŁADOWA γ MODELU AARCH ROZWOJU GOSPODARCZEGO Wprowadzenie Gospodarka każdego kraju jes kszałowana przez specyficzne dla
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 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 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 szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowo2. Wprowadzenie. Obiekt
POLITECHNIKA WARSZAWSKA Insyu Elekroenergeyki, Zakład Elekrowni i Gospodarki Elekroenergeycznej Bezpieczeńswo elekroenergeyczne i niezawodność zasilania laoraorium opracował: prof. dr ha. inż. Józef Paska,
Bardziej szczegółowoMODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX
Krzyszof Ćwikliński Uniwersye Ekonomiczny we Wrocławiu Wydział Zarządzania, Informayki i Finansów Kaedra Ekonomerii krzyszof.cwiklinski@ue.wroc.pl Daniel Papla Uniwersye Ekonomiczny we Wrocławiu Wydział
Bardziej szczegółowoZASTOSOWANIE MODELI EKONOMETRYCZNYCH DO BADANIA SKŁONNOŚCI
Zasosowanie modeli ekonomerycznych do badania skłonności STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 2 39 MARIUSZ DOSZYŃ Uniwersye Szczeciński ZASTOSOWANIE MODELI EKONOMETRYCZNYCH DO BADANIA
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 szczegółowoInwestycje w lokale mieszkalne jako efektywne zabezpieczenie przed inflacją na przykładzie Poznania w latach
Radosław Trojanek Kaedra Mikroekonomii Akademia Ekonomiczna w Poznaniu Srona nieparzysa Inwesycje w lokale mieszkalne jako efekywne zabezpieczenie przed inflacją na przykładzie Poznania w laach 996-2004.
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 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 szczegółowoANNA GÓRSKA MONIKA KRAWIEC Szkoła Główna Gospodarstwa Wiejskiego w Warszawie
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 013 ANNA GÓRSKA MONIKA KRAWIEC Szkoła Główna Gospodarswa Wiejskiego w Warszawie BADANIE EFEKTYWNOŚCI INFORMACYJNEJ
Bardziej szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak 2 Plan wykładu Zakłócenia w modelu DAD/DAS: Wzros produkcji poencjalnej; Zakłócenie podażowe o sile
Bardziej szczegółowoMetody ilościowe w systemie prognozowania cen produktów rolnych. Mariusz Hamulczuk Cezary Klimkowski Stanisław Stańko
Meody ilościowe w sysemie prognozowania cen produków rolnych nr 89 2013 Mariusz Hamulczuk Cezary Klimkowski Sanisław Sańko Meody ilościowe w sysemie prognozowania cen produków rolnych Meody ilościowe
Bardziej szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej szczegółowoZarządzanie ryzykiem. Lista 3
Zaządzanie yzykiem Lisa 3 1. Oszacowano nasępujący ozkład pawdopodobieńswa dla sóp zwou z akcji A i B (Tabela 1). W chwili obecnej Akcja A ma waość ynkową 70, a akcja B 50 zł. Ile wynosi pięciopocenowa
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 2013
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 2013 MAŁGORZATA BOŁTUĆ Uniwersye Ekonomiczny we Wrocławiu ZALEŻNOŚĆ POMIĘDZY RYNKIEM SWAPÓW KREDYTOWYCH
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 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 szczegółowo