ANALIZA TRANSFERU RYZYKA EKSTREMALNEGO MI DZY WYBRANYMI RYNKAMI FINANSOWYMI Z ZASTOSOWANIEM PRZYCZYNOWO CI W RYZYKU W SENSIE GRANGERA 1
|
|
- Miłosz Paluch
- 8 lat temu
- Przeglądów:
Transkrypt
1 PRZEGLD STATYSTYCZNY R. LXI ZESZYT MARCIN FADZISKI ANALIZA TRANSFERU RYZYKA EKSTREMALNEGO MIDZY WYBRANYMI RYNKAMI FINANSOWYMI Z ZASTOSOWANIEM PRZYCZYNOWOCI W RYZYKU W SENSIE GRANGERA 1 1. WSTP Transmisja ryzyka, wywoana przez due zmiany cen, jest wana dla wszystkich uczestników rynku, zarówno dla inwestorów jak i instytucji nadzorujcych, dlatego te powinna by uwzgldniana we wspóczesnym zarzdzaniu ryzykiem. Efekt ten moe mie kluczowe znaczenie w szacowaniu ryzyka, w przypadku gdy na rynkach obserwuje si due straty, które utosamiane s z ekstremalnymi zmianami cen. Zmiany te mog by spowodowane midzy innymi przez: niepewno na rynku, zmiany polityki, zaskakujce informacje, ataki spekulacyjne oraz transmisj z innych rynków. Jeeli rynki s cakowicie niepowizane, to ryzyko nie moe przenosi si midzy nimi (np. Chiny w trakcie kryzysu azjatyckiego , Lardy, 1998). Jeeli rynki nansowe s powizane, to oczekuje si, e globalne szoki bd przenosi ryzyko midzy rynkami (np. USA-Europa ). Ryzyko moe by generowane lokalnie lub mie specyczn form. Na skutek integracji rynków, bdzie ono przenoszone na inne rynki (np. Japonia-USA 1997, Peek, Rosengren, 1997). Efekt transmisji ryzyka (ang. risk spillover effect) jest gównie wywoany przez wydarzenia ekstremalne i dlatego te odpowiednie opisanie takich zdarze ma bardzo wane znaczenie dla odpowiedniego zarzdzania ryzykiem. Teoria wartoci ekstremalnych (ang. Extreme Value Theory) dostarcza odpowiednich narzdzi do modelowania i prognozowania wartoci ekstremalnych (np. Coles, 2001; Embrechts i inni, 2003; McNeil, Frey, 2000; Fadziski, 2014). Dodatkowo naley podkreli, e zazwyczaj metody teorii warto- ci ekstremalnych lepiej opisuj zdarzenia ekstremalne, które maj istotny wpyw na ksztatowanie si ruchów cen na rynkach nansowych, ni inne metody do tego uyte (McNeil, Frey, 2000; Byström, 2004; Bekiros, Georgoutsos, 2005; Harmantzis, 2006; Kuester i inni, 2006; Osiska, Fadziski, 2007; Ghorbel, Trabelsi, 2008; Fadziski, 2009; Ozun i inni, 2010; Fadziski, 2014). W zwizku z tym w tej pracy zastosowano metod POT (ang. Peaks over Threshold) z modelami zmiennoci, która dobrze sprawdza si do szacowania wartoci zagroonej (VaR, ang. Value-at-Risk). 1 Praca snansowana ze rodków WNEiZ UMK w ramach grantu 1842-E.
2 434 Marcin Fadziski Celem artykuu jest analiza transmisji ryzyka ekstremalnego midzy gównymi rynkami nansowymi, reprezentujcymi procesy nansowe i gospodarcze zachodzce we wspóczesnym wiecie. Ukad artykuu jest nastpujcy: wstp, podstawy metodologiczne testu przyczynowoci Grangera w ryzyku, badanie empiryczne wraz z wnioskami oraz podsumowanie. 2. TEST PRZYCZYNOWOCI GRANGERA W RYZYKU Do badania zjawiska przenoszenia ryzyka, najczciej w literaturze dotychczas stosowano podejcie wykorzystujce test przyczynowo Grangera w ryzyku autorstwa Honga i in. (2009). Metoda ta polega na szacowaniu wartoci zagroonej na zadanym poziomie istotnoci i sprawdzeniu kiedy instrument nansowy jest poniej tej wartoci. W literaturze mona znale prace wykorzystujce to podejcie (np. Lee, Lee, 2009; Osiska i inni, 2012; Fadziski i inni, 2012; Osiska i Fadziski, 2013). Test w wersji Honga i inni (2009) zosta rozszerzony przez Candelona i inni (2013). Po pierwsze, rozszerzenie polega na uwzgldnieniu kilku poziomów prawdopodobiestwa, poniewa dynamika procesu ryzyka moe odbywa si na rónych poziomach dla rónych krajów (Engle i Manganelli, 2004). Po drugie, moe wystpowa efekt przyczynowoci krzyowych (ang. cross-causality), tzn. przyczynowo z jednego rynku na poziomie = 1% na inny rynek na poziomie = 10% albo = 5%. Po trzecie, test mona rozszerzy na przypadek wielowymiarowy, gdzie zakadamy przyczynowoci w ryzyku dla wicej ni dwóch rynków. Zanim zdeniujemy test przyczynowoci Grangera w ryzyku w rozwiniciu Candelona i inni (2013), konieczne jest zdeniowanie wartoci zagroonej. Warto zagroon mona okreli jako procentow strat wartoci instrumentu. Formalnie warto zagroona jest okrelona równaniem P(P t P t-1 VaR) =, gdzie P t jest wartoci analizowanego instrumentu nansowego w momencie t (Osiska, 2006). Jeli rozwaymy procentowe logarytmiczne stopy zwrotu r t = 100 (lnp t lnp t-1 ), to VaR jest dany jako: VaR = q 1-, (1) gdzie q 1- jest kwantylem 1 rozkadu strat (ujemne stopy zwrotu maj znak dodatni, a dodatnie stopy maj znak ujemny) na poziomie istotnoci. Jedna z najbardziej popularnych metod szacowania VaR opiera si na kwantylach rozkadów warunkowych, z powodu wasnoci jakimi charakteryzuj si nansowe szeregi czasowe. McNeil i Frey (2000) zakadaj, e X t jest szeregiem czasowym reprezentujcym dzienne obserwacje stóp zwrotów instrumentu nansowego. Zakada si, e dynamika procesu X t jest dana nastpujco: X t = t + t Z t, (2)
3 Analiza transferu ryzyka ekstremalnego midzy wybranymi rynkami nansowymi z zastosowaniem gdzie innowacje Z t s biaym szumem (i.i.d.) z zerow redni, jednostkow wariancj i dystrybuant rozkadu brzegowego F z (z). Zakadamy, e t jest oczekiwanym zwrotem, a t jest zmiennoci stóp zwrotów, gdzie obie s mierzalne w stosunku do zbioru informacji t-1 w czasie t1. Aby zastosowa procedur estymacji dla procesu (2) naley wybra dynamiczny model warunkowej redniej i warunkowej wariancji. W literaturze zaproponowano ca gam modeli moliwych do zastosowania (np. klasa modeli GARCH, SV itd.). McNeil i Frey (2000) zdeniowali proste jednodniowe wzory miar ryzyka w stosunku do procesu (2) jako: VaR 1 1VaRZ (3) t q t t q gdzie VaR(Z) q jest wartoci zagroon procesu Z t. Metoda przez nich zaproponowana zakada minimalne wymagania co do rozkadu innowacji i polega na modelowaniu ogona rozkadu na podstawie teorii wartoci ekstremalnych. W celu oszacowania VaR(Z) q autorzy proponuj uycie metody POT 2. Majc zdeniowan warto zagroon, mona przej do prezentacji testu przyczynowoci Grangera w ryzyku. Niech {Y 1t, Y 2t } s dwuwymiarowymi, niekoniecznie stacjonarnymi procesami stochastycznymi. Niech Alt Alt Ilt 1 l = 1,2 bdzie wartoci zagroon (VaR) na poziomie istotnoci (0;1) dla Y lt oszacowanego uywajc zbioru informacji I Y lt 1 l t Ylt dostpnego w czasie t1. Wtedy A lt spenia warunek PY lt Alt Ilt. Ustalamy, e V lt I Ylt Alt l = 1,2 oznacza funkcj, która w przypadku kiedy nastpuje przekroczenie warto- ci zagroonej otrzymuje warto 1, a w przypadku przeciwnym 0. Zaómy, e A = { 1,..., m } jest zbiorem m rónych poziomów istotnoci. Nastpnie rozwamy wektor Zit A Vit Vit mi zoony z m zmiennych powizanych z danym poziomem istotnoci j j = 1,..., m w czasie t. Hipoteza zerowa testu: H EZtAIt EZtAIt (4) gdzie It ZsAs t It ZsAZsAs t. Jak to zostao pokazane w pracy Candelon i inni (2013) statystyk testu mona zbudowa uywajc wielowymiarowej regresji liniowej postaci: Z ( A) Z ( A)... Z ( A), (5) 1, t 0 1 2, t1 L 2, tl 1t 2 Szczegóy tej metody mona znale w pracach McNeil, Frey (2000), Fadziski (2014).
4 436 Marcin Fadziski gdzie 0 jest wektorem staych o wymiarach (m,1), s, s 1,..., L s (m, m) macierzami parametrów strukturalnych i 1t jest wektorem (m,1) skadników losowych. Hipoteza zerowa odpowiada sytuacji, kiedy H 0 : 1 =... = L = 0. Spenione jest to dla Z A. (6) t t W zwizku z tym wielowymiarowa statystyka zdeniowana jest nastpujco: ' ' ( 1) log 2 2 log 1 1 LR T ml, (7) gdzie T jest liczb obserwacji w szeregu, m jest liczb zadanych poziomów istotnoci a L jest liczb opónie w przedstawionej regresji liniowej (5). Statystyka zbiega do rozkadu 2 (Lm 2 ). Niepewno co do oszacowa parametrów (ang. parameter uncertainty) moe wpywa na rozkad statystyki testu LR. Aby zapobiec temu, Dufour (2006) proponuje uycie metody Monte Carlo do wyznaczenia wartoci prawdopodobiestwa (ang. p-value). Dziki temu test bdzie dokadny w takim rozumieniu, e prawdopodobiestwo bdu I rodzaju bdzie równe nominalnemu poziomowi istotno- ci. Procedura Monte Carlo wyglda nastpujco 3 : 1. Naley wygenerowa M niezalenych realizacji statystyki testu oznaczonych jako S i i = 1,..., M pod warunkiem hipotezy zerowej, natomiast S 0 bdzie wartoci statystyki uzyskan z badanej próby. 2. W ogólnym przypadku warto prawdopodobiestwa jest zdeniowana jako: MGˆ M S pˆ M S (8) M 1 M 1 gdzie Gˆ MS Si S jeeli PS i Sj, a w przeciwnym przypadku M i 1 M M ˆ 1 1 G S IS S IS S IU U i M i i i M i1 M i1 U U Uni. 3 Szczegóy u Dufour (2006) albo Candelon i inni (2013).
5 Analiza transferu ryzyka ekstremalnego midzy wybranymi rynkami nansowymi z zastosowaniem Niezastosowanie powyszej procedury bdzie skutkowao niedoszacowaniami wartoci prawdopodobiestwa, a to oznacza, e atwiej bdzie mona odrzuci hipotez zerow i stwierdzi wystpowanie przyczynowoci, która w rzeczywistoci z duym prawdopodobiestwem jest pozorna. Dlatego, te zastosowanie procedury Monte Carlo do wyznaczania wartoci prawdopodobiestwa jest konieczne. Podsumowujc test przyczynowoci Grangera w ryzyku w wersji Candelona i inni (2013) wiemy, e: a) zakadamy m rónych poziomów prawdopodobiestwa j j = 1,..., m, co dopuszcza przyczynowoci krzyowe w zakresie poziomu istotnoci, b) przedstawiona procedura testowa dla dwóch szeregów moe by rozszerzona na n przypadków, c) powinno si stosowa metod Monte Carlo (Dufour, 2006) do wyznaczenia wartoci prawdopodobiestwa, d) ze wzgldu na to, e Z i, t (A) i = 1,2 s zmiennymi binarnymi, w regresji (5) moe wystpi wspóliniowo, co czasami uniemoliwia wykonanie testu, e) wymaga wyboru pewnej metody estymacji wartoci zagroonej VaR do wyznaczenia zmiennych zero-jedynkowych opisujcych przekroczenia Z i, t (A) i = 1,2. 3. BADANIE EMPIRYCZNE W badaniu empirycznym wykorzystano szeregi czasowe 12 indeksów giedowych (, CAC 40, DAX, DJIA, FTSE 100, HSI, KOSPI, NIKKEI 225, NASDAQ100, S&P 500, SSE, SSMI) 4 i jeden kurs walutowy () 5. Wybór wymienionych szeregów by podyktowany dostpnoci danych oraz ich znaczeniem na rynkach nansowych. Dane zostay zsynchronizowane ze wzgldu na czas, natomiast wszelkie braki w danych interpolowano stosujc metod redniej ruchomej dla 3 obserwacji poprzedzajcych i nastpujcych po danym braku. Do tego celu wykorzystano dzienne obserwacje od 3 stycznia 2000 roku do 3 stycznia 2012 roku, co dao cznie T = 3000 obserwacji 6. 4 Objanienia skrótów zostay podane w tabeli 1. 5 Dane zostay pobrane z serwisu Wykorzystanie kursu w badaniu pozwala dodatkowo na uwzgldnienie i sprawdzenie, czy rynek walutowy w istotny sposób móg skutkowa przenoszeniem ryzyka ekstremalnego midzy rynkiem nansowym i walutowym. 6 Tak dua liczba obserwacji wynika, przede wszystkim, z faktu stosowania przekrocze VaR (zmiennych binarnych) w modelu wielowymiarowej regresji (5) jako zmiennych objaniajcych.
6 438 Marcin Fadziski Szereg Kraj Szereg Kraj Szereg Kraj Tabela 1 Brazylia FTSE 100 Wielka Brytania NASDAQ100 Stany Zjednoczone CAC 40 Francja HSI Hong Kong S&P 500 Stany Zjednoczone DAX Niemcy KOSPI Korea Poudniowa SSE Chiny DJIA Stany Zjednoczone NIKKEI 225 Japonia SSMI Szwajcaria Rozwinicie skrótów indeksów uytych w badaniu empirycznym. ródo: opracowanie wasne. W badaniu uyto logarytmicznych stóp zwrotu r t = 100% * (ln(p t ) (lnp t-1 ). Warto zagroona (VaR) zostaa oszacowana przy uyciu metody POT, gdzie wykorzystano model AR(q) TARCH(1,1) (Zakoian 1994) z warunkowym rozkadem t Studenta. Do estymacji wykorzystano metod najwikszej wiarygodnoci, gdzie przyjto, e ekstrema stanowi 10% liczebnoci szeregu. Rzd opónienia q w czonie autoregresyjnym by testowany dla kadego szeregu oddzielnie. W tecie przyczynowoci w ryzyku w sensie Grangera przyjto tylko trzy poziomy istotnoci A = {1%,5%,10%} dla krótkiej (zyski) i dugiej (straty) pozycji oraz rón liczb opónie L = {1,2,3,4,5,10,15,20,25}. Tak szeroki wachlarz opónie pozwala na uwzgldnienie przesunicia czasowego, które jest potrzebne na reakcj rynków na informacje z innych rynków. Zdecydowano si uy tylko trzech poziomów istotnoci, poniewa wiksza ich liczba znacznie zwiksza ryzyko wystpienia wspóliniowoci w wielowymiarowej funkcji regresji (5). Róna liczba opónie pozwala na dokadniejsze sprawdzenie dynamiki zjawiska transmisji ryzyka ekstremalnego midzy rynkami. Wykorzystano procedur Monte Carlo (Dufour 2006) w celu obliczenia wartoci p dla statystyki LR, gdzie ustalono M = powtórze. Obliczenia przeprowadzone w ramach badania empirycznego wymagay napisania autorskich procedur, poniewa test przyczynowoci Grangera w ryzyku w wersji Candelon i inni (2013) nie jest dostpny w programach ekonometrycznych. Cao oblicze przeprowadzono w oprogramowaniu gretl. W tabeli 2 przedstawione s przykadowe wyniki uzyskane dla indeksu CAC 40 w przypadku dugiej pozycji dla rzdów opónie równych L = {5,10,15,20,25}. Na poziomie istotnoci 5% naley odrzuci hipotez zerow dla wszystkich opónie dla indeksu S&P 500 i stwierdzi, e wystpuje przyczynowo w ryzyku w sensie Grangera. Pokazuje to, e ryzyko ekstremalne jest przenoszone bardzo czsto, i naley to uwzgldni w przypadku zarzdzania ryzykiem. Dla rzdu opónie L = 5, wszystkie przedstawione indeksy w tabeli 2 s przyczyn w ryzyku w sensie Grangera dla indeksu CAC 40. Oznacza to, e transfer ryzyka ekstremalnego ze strony S&P 500, NASDAQ100, NIKKEI 225, FTSE 100, DJIA, DAX, oraz HSI nastpuje
7 Analiza transferu ryzyka ekstremalnego midzy wybranymi rynkami nansowymi z zastosowaniem z piciodniowym opónieniem. Wynik potwierdza, e na przebadanych rynkach nansowych wystpuje przenoszenie ryzyka ekstremalnego, co oznacza, e takie zjawisko moe si powtórzy w przyszoci. Tabela 2 Wyniki testu przyczynowoci w ryzyku w sensie Grangera dla dugiej pozycji CAC 40 L (rzd opónienia) S&P 500CAC ,56 238,14 308,78 373,52 418,71 warto p* 0,004995** 0,010989** 0,018981** 0,01998** 0,036963** NASDAQ 100CAC ,66 212,28 261,12 294,56 345,32 warto p* 0,017982** 0, , , ,19081 NIKKEI 225CAC ,96 205,8 259,6 287,66 331,06 warto p* 0,028971** 0,044955** 0, , ,24076 FTSE 100CAC ,43 202,95 262,03 335,58 377,92 warto p* 0,022977** 0, , , ,11788 DJIACAC ,1 222,39 278,99 348,17 388,52 warto p* 0,021978** 0,036963** 0, , ,08991 DAXCAC ,31 203,06 276,66 332,03 368,56 warto p* 0,020979** 0, , , ,12587 CAC ,98 220,15 273,81 325,02 357,95 warto p* 0,005994** 0,033966** 0, , ,14186 HSICAC ,44 210,87 264,59 316,59 359,92 warto p* 0,021978** 0,03996** 0, , ,14785 Wartoci p* wyznaczone na podstawie symulacji Monte Carlo (Dufour 2006). Wartoci wewntrz tabeli oznaczaj uzyskane statystyki testu LR. ** oznacza odrzucenie H0 na poziomie istotnoci 5%. oznacza kierunek przyczynowoci. ródo: opracowanie wasne. W tabeli 3 oraz 4 przedstawiono syntetyczne zestawienie uzyskanych wyników z badania empirycznego w przypadku zysków.
8 440 Marcin Fadziski Tabela 3 Zbiorcze wyniki testu przyczynowoci w ryzyku w sensie Grangera na poziomie istotnoci 5% dla krótkiej pozycji L SSMI S&P NASDAQ 100 NASDAQ 100, HSI NASDAQ 100, HSI NIKKEI 225 S&P 500, RTS, NASDAQ CAC 40,, SSMI S&P 500, RTS, NASDAQ CAC 40,, SSMI S&P 500, RTS, NASDAQ CAC 40,, SSMI, NIKKEI 225 S&P 500, RTS, NASDAQ CAC 40,, SSMI KOSPI S&P 500, NASDAQ 100, DJIA, DAX, CAC 40, RTS, FTSE 100,, KOSPI, SSMI S&P 500, NASDAQ 100, DJIA, DAX, CAC 40, RTS, FTSE 100,, KOSPI, SSMI S&P 500, NASDAQ 100, DJIA, DAX, CAC 40, RTS, FTSE 100,, KOSPI S&P 500, NASDAQ 100, DJIA, DAX, CAC 40, RTS, FTSE 100, FTSE NASDAQ 100, HSI S&P 500, RTS, NASDAQ CAC 40, S&P 500, NASDAQ 100, DJIA, DAX, CAC 40, 10 S&P 500, NASDAQ 100, DJIA, DAX, SSMI, FTSE 100, CAC 40 NASDAQ 100, DJIA, KOSPI, S&P S&P 500, NASDAQ 100, DJIA, DAX, NIKKEI 225 NASDAQ 100, DJIA, KOSPI 20 NASDAQ 100, DJIA, DAX, NASDAQ 100, DJIA, KOSPI 25 NASDAQ 100, DJIA, KOSPI oznacza, e na poziomie istotnoci 5% nie byo podstaw do odrzucenia hipotezy zerowej dla wszystkich badanych szeregów. Obecno indeksu wewntrz tabeli oznacza, e na 5% poziomie istotnoci naleao odrzuci hipotez zerow na korzy alternatywny i stwierdzi, e wystpuje przyczynowo w ryzyku z sensie Grangera. W pierwszej kolumnie L oznacza liczb opónie uytych w tecie. oznacza kierunek przyczynowoci. ródo: opracowanie wasne
9 Analiza transferu ryzyka ekstremalnego midzy wybranymi rynkami nansowymi z zastosowaniem Tabela 4 Zbiorcze wyniki testu przyczynowoci w ryzyku w sensie Grangera na poziomie istotnoci 5% dla krótkiej pozycji L DJIA DAX CAC 40 1 FTSE 100 FTSE FTSE SSE NASDAQ 100, KOSPI, DJIA, EUR_USD HSI S&P 500, NASDAQ 100, DJIA, FTSE 100, DAX, CAC 40,, SSMI S&P 500, NASDAQ 100, DJIA, FTSE 100, DAX, CAC 40, S&P 500, NASDAQ 100, DJIA, FTSE 100, DAX, CAC 40, S&P 500, NASDAQ 100, DJIA, FTSE 100, DAX, CAC 40, S&P 500, NASDAQ 100, DJIA, S&P 500, NASDAQ 100, DJIA, S&P 500, NASDAQ 100, DJIA,, CAC SSMI, S&P 500, NASDAQ 100, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, S&P 500, NASDAQ 100, DJIA, S&P 500 oznacza, e na poziomie istotnoci 5% nie byo podstaw do odrzucenia hipotezy zerowej dla wszystkich badanych szeregów. Obecno indeksu wewntrz tabeli oznacza, e na 5% poziomie istotnoci naleao odrzuci hipotez zerow na korzy alternatywny i stwierdzi, e wystpuje przyczynowo w ryzyku z sensie Grangera. W pierwszej kolumnie L oznacza liczb opónie uytych w tecie. oznacza kierunek przyczynowoci. ródo: opracowanie wasne
10 442 Marcin Fadziski Dla krótkiej pozycji najczciej biorcami ryzyka byy NIKKEI 225, KOSPI oraz HSI, co wizao si z wystpowaniem przyczynowoci w ryzyku w sensie Grangera. Ogólnie mona powiedzie, e im mniejsze opónienie czasowe L, tym czciej mamy do czynienia z transmisj ryzyka ekstremalnego, co jest naturalne i zgodne z oczekiwaniami. Przenoszenie ryzyka odbywa si najczciej z S&P 500, NASDQ100, DJIA, DAX, CAC 40, oraz SSMI w kierunku wymienionych indeksów. Mona to interpretowa w taki sposób, e bardzo pozytywne informacje s przenoszone z badanych rynków na rynki azjatyckie (NIKKEI 225, KOSPI i HSI) w badanym okresie, co wskazuje na zaleno midzy tymi rynkami (np. Hong 2003). Moe to wynika przede wszystkim z opónionej reakcji badanych rynków azjatyckich, na informacje, które powstaj w innej czci wiata. Efekt ten jest uwzgldniony w badaniu, poprzez wykorzystanie rónej liczby opónie L w tecie przyczynowoci Grangera w ryzyku. W przypadku szeregów SSMI, S&P 500, FTSE 100, DAX i nie stwierdzono wystpowania przyczynowoci w ryzyku w sensie Grangera. Taka sytuacja moe mie róne uzasadnienia, tzn. z jednej strony zdarzenia ekstremalne o charakterze pozytywnym mogy wystpowa do rzadko, a jeeli ju wystpoway to byy oczekiwane przez uczestników rynku i nie przyniosy nadzwyczajnego efektu. Z drugiej strony mona równie to tumaczy sytuacj, w której warto zagroona uzyskana z oszacowanego modelu generowaa bardzo niewielk liczb przekrocze, dlatego te nie byo podstaw do odrzucenia hipotezy zerowej w tecie przyczynowo- ci Grangera w ryzyku. W tabelach 5, 6 oraz 7 przedstawiono zestawienie uzyskanych wyników z badania w przypadku strat.
11 Analiza transferu ryzyka ekstremalnego midzy wybranymi rynkami nansowymi z zastosowaniem Tabela 5 Zbiorcze wyniki testu przyczynowoci w ryzyku w sensie Grangera na poziomie istotnoci 5% dla dugiej pozycji L SSMI S&P 500, DJIA, S&P 500, DJIA, S&P 500, DJIA S&P 500, DJIA S&P S&P NASDAQ 100 NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225 FTSE 100, DJIA, DAX, CAC 40,,, HSI FTSE 100, DJIA, DAX, CAC 40,,, HSI, NIKKEI 225, KOSPI, SSE FTSE 100, DJIA, DAX, CAC 40,,, HSI, KOSPI FTSE 100, DJIA, DAX, CAC 40,,, HSI FTSE 100, DJIA, DAX, CAC 40,, FTSE 100, DJIA, DAX, CAC 40, FTSE 100, DJIA, DAX, CAC 40, FTSE 100, DJIA, DAX, CAC 40, FTSE 100, DJIA, DAX, CAC 40, oznacza, e na poziomie istotnoci 5% nie byo podstaw do odrzucenia hipotezy zerowej dla wszystkich badanych szeregów. Obecno indeksu wewntrz tabeli oznacza, e na 5% poziomie istotnoci naleao odrzuci hipotez zerow na korzy alternatywny i stwierdzi, e wystpuje przyczynowo w ryzyku z sensie Grangera. W pierwszej kolumnie L oznacza liczb opónie uytych w tecie. oznacza kierunek przyczynowoci. ródo: opracowanie wasne
12 444 Marcin Fadziski L Tabela 6 Zbiorcze wyniki testu przyczynowoci w ryzyku w sensie Grangera na poziomie istotnoci 5% dla dugiej pozycji KOSPI 1 FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, 2 FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, 3 FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, 4 FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, 5 FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, 10 CAC 40,, NIKKEI 225, 15 CAC 40,, EUR- USD 20 CAC 40, 25 CAC 40, FTSE 100 S&P 500, DJIA, S&P 500, DJIA,, NASDAQ 100, DAX, CAC 40, SSE S&P 500, DJIA, S&P 500, DJIA, DJIA DAX S&P 500 CAC 40 FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, FTSE 100, DJIA, DAX, CAC 40,, SSE, HSI, CAC 40,, NIKKEI 225, S&P 500, NIKKEI 225, DJIA,, HSI, S&P 500, S&P 500 S&P 500 oznacza, e na poziomie istotnoci 5% nie byo podstaw do odrzucenia hipotezy zerowej dla wszystkich badanych szeregów. Obecno indeksu wewntrz tabeli oznacza, e na 5% poziomie istotnoci naleao odrzuci hipotez zerow na korzy alternatywny i stwierdzi, e wystpuje przyczynowo w ryzyku z sensie Grangera. W pierwszej kolumnie L oznacza liczb opónie uytych w tecie. oznacza kierunek przyczynowoci. ródo: opracowanie wasne
13 Analiza transferu ryzyka ekstremalnego midzy wybranymi rynkami nansowymi z zastosowaniem L 1 Tabela 7 Zbiorcze wyniki testu przyczynowoci w ryzyku w sensie Grangera na poziomie istotnoci 5% dla dugiej pozycji NIKKEI SSE S&P 500, DAX,, FTSE 100 S&P 500, DAX, 3 CAC HSI FTSE 100, DJIA, DAX, CAC 40,, SSE, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40,, NIKKEI 225, KOSPI, FTSE 100, DJIA, DAX, CAC 40, EUR- USD oznacza, e na poziomie istotnoci 5% nie byo podstaw do odrzucenia hipotezy zerowej dla wszystkich badanych szeregów. Obecno indeksu wewntrz tabeli oznacza, e na 5% poziomie istotnoci naleao odrzuci hipotez zerow na korzy alternatywny i stwierdzi, e wystpuje przyczynowo w ryzyku z sensie Grangera. W pierwszej kolumnie L oznacza liczb opónie uytych w tecie. oznacza kierunek przyczynowoci. ródo: opracowanie wasne. Dla dugiej pozycji najczciej biorcami ryzyka byy: NASDAQ 100, NIKKEI 225, KOSPI, CAC 40 i HSI, tzn. stwierdzono wystpowanie przyczynowoci w ryzyku w sensie Grangera. Równie w tym przypadku potwierdza si regua, e im krótsze opónienie tym wicej odnotowuje si przypadków transmisji ryzyka ekstremalnego. Do grupy szeregów z których najczciej odbywa si transmisja ryzyka ekstremal-
14 446 Marcin Fadziski nego naley zaliczy: S&P 500, NASDAQ100, DJIA, DAX, CAC 40, NIKKEI 225, oraz SSMI. Oznacza to, e wpyw negatywnych wydarze ekstremalnych przenosi si midzy rynkami, i trudno jest zabezpieczy si przed takimi stratami. Potwierdzaj to wyniki wczeniejszych bada (np. Lee i Lee, 2009; Osiska i inni, 2012; Wang, 2014), gdzie negatywne wydarzenia o charakterze wyjtkowym maj stosunkowo atw skonno do przenoszenia midzy rynkami. Daje to podstawy sdzi, e przebadane rynki nansowe s powizane i naley spodziewa si transmisji ryzyka w przypadku duych strat w przyszoci. Mona równie wyróni grup szeregów (S&P 500, DAX, DJIA,, SSE, ) na które nie dokonuje si transmisja ryzyka ekstremalnego albo jest ona niewielka. Naley pamita, e niekoniecznie implikuje to w ogóle brak przenoszenia ryzyka na wskazane rynki. Poniewa, zakadamy dyskretny zbiór poziomów istotnoci A = {1%,5%,10%}, wic test nie wychwyci transmisji ryzyka jeli zakadane poziomy s nisze. W przypadku S&P 500, DAX oraz mona zaobserwowa, e s to rynki, które czciej generuj transfer ryzyka, ni s obiorcami tego ryzyka. 4. PODSUMOWANIE Problem transmisji ryzyka ekstremalnego jest bardzo wanym zagadnieniem w kontekcie nie tylko zarzdzania ryzykiem, ale równie analizy mechanizmów dziaania rynków nansowych na wiecie. W przedstawionym artykule zajto si tematem przenoszenia ryzyka ekstremalnego midzy rynkami nansowymi. W tym celu wykorzystano test przyczynowoci Grangera w ryzyku w wersji przedstawionej prze Candelona i inni (2013), który pozwala na uwzgldnienie rónej dynamiki ryzyka midzy rynkami. W badaniu stwierdzono, e ryzyko ekstremalne przenoszone jest o wiele czciej w przypadku strat ni zysków, co jest potwierdzeniem znanych wasnoci nansowych szeregów czasowych. Krótko mówic, bardzo negatywne informacje przenosz si szybciej oraz czciej ni te pozytywne, co ma swoje pod- oe w psychologii dziaania czowieka. Transmisja ryzyka odbywa si równie z rónym opónieniem czasowym, a dokadniej mówic, im krótsze opónienie czasowe tym czciej wystpuje efekt przenoszenia ryzyka ekstremalnego midzy rynkami. Taka wasno równie bya spodziewana, poniewa im duszy czas upynie od wystpienia zdarzenia ekstremalnego, tym bardziej jego wpyw wygasa i jest mniej widoczny w reakcji rynków. W wyniku badania zdeniowano grup rynków, na które najczciej ryzyko ekstremalne byo przenoszone (NIKKEI 225, KOSPI, HSI, CAC 40, NASDAQ100, jak równie grup rynków z których owa transmisja si dokonywaa (S&P 500, NASDAQ100, DJIA, DAX, ). Podsumowujc, transmisja ryzyka ekstremalnego jest zjawiskiem wystpujcym na rynkach nansowych i stanowi ich nieodczny element. Uniwersytet Mikoaja Kopernika w Toruniu
15 Analiza transferu ryzyka ekstremalnego midzy wybranymi rynkami nansowymi z zastosowaniem LITERATURA Bekiros S. D., Georgoutsos D. A., (2005), Estimation of Value-at-Risk by Extreme Value and Conventional Methods: A Comparative Evaluation of their Predictive Performance, Journal of International Financial Markets, Institutions and Money, 15 (3), Bystrom H., (2004), Managing Extreme Risks in Tranquil and Volatile Markets Using Conditional Extreme Value Theory, International Review of Financial Analysis, 13 (2), Candelon B., Joëts M., Tokpavi S., (2013), Testing for Granger Causality in Distribution Tails: An Application to Oil Markets Integration, Economic Modelling, 31, Coles S., (2001), An Introduction to Statistical Modeling of Extreme Values, Springer, London. Dufour J.-M., (2006), Monte Carlo Tests with Nuisance Parameters: a General Approach to Finite Sample Inference and Nonstandard Asymptotics, Journal of Econometrics, 27 (2), Engle R. F., Manganelli S., (2004), CAViaR: Conditional Autoregressive Value-at-Risk by Regression Quantile, Journal of Business and Economic Statistics, 22, Fadziski M., Osiska M., Zdanowicz T., (2012), Detecting Risk Transfer in Financial Markets using Different Risk Measures, Central European Journal of Economic Modelling and Econometrics, 4 (1), Polish Academy of Sciences Oddzia ód, Fadziski M., (2014), Teoria Wartoci Ekstremalnych w ekonometrii nansowej, Wydawnictwo UMK, Toru. Ghorbel A., Trabelsi A., (2008), Predictive Performance of Conditional Extreme Value Theory in Value-at-Risk Survey, International Journal of Monetary Economics and Finance, 1 (2), Harmantzis F. C., Miao L., Chien Y., (2006), Empirical Study of Value-at-Risk and Expected Shortfall Models with Heavy Tails, Journal of Risk Finance, 7 (2), Hong Y., (2003), Extreme Risk Spillover Between Chinese Stock Markets and International Stock Markets, Working Paper, ( ). Hong Y., Liu Y., Wang S., (2009), Granger Causality in Risk and Detection of Extreme Risk Spillover between Financial Markets, Journal of Econometrics 150 (2), Kuester K., Mittik S., Paolella M. S., (2006), Value-at-Risk Prediction: a Comparison of Alternative Strategies, Journal of Financial Econometrics, 4 (1), Lee J., Lee H., (2009), Testing for Risk Spillover between Stock Market and Foreign Exchange Market in Korea, Journal of Economic Research, 14, McNeil J. A., Frey F., (2000), Estimation of Tail-Related Risk Measures for Heteroscedastic Financial Time Series: an Extreme Value Approach, Journal of Empirical Finance, 7, Lardy N., (1998), China and the Asian Contagion, Foreign Affairs, 77, Osiska M., (2006), Ekonometria nansowa, Polskie Wydawnictwo Ekonomiczne, Warszawa. Osiska M., Fadziski M., Zdanowicz T., (2012), Econometric Analysis of the Risk Transfer in Capital Markets. The Case of China, Argumenta Oeconomica, 2 (29)2012, Uniwersytet Ekonomiczny we Wrocawiu, Osiska M., Fadziski M., (2013), Are Currencies in Central Asian States Related? An Econometric Study of Granger Causality in Risk, Statistica Uet Audit, 4 (51), Osiska M., Fadziski M., (2007), Modele GARCH i SV z zastosowaniem teorii wartoci ekstremalnych, Dynamiczne Modele Ekonometryczne, Wydawnictwo Uniwersytetu Mikoaja Kopernika, 10, Ozun A., Cifter A., Yilmazer S., (2010), Filtered Extreme Value Theory for Value-at-Risk Estimation: Evidence from Turkey, Journal of Risk Finance Incorporating Balance Sheet, 11 (2), Peek J., Rosengre E. S., (1997), The International Transmission of Financial Shocks: The Case of Japan, The American Economic Review, 87,
16 448 Marcin Fadziski Wang L, (2014), Study on the Extreme Risk Spillover between China and World Stock Market after China s Share Structure Reform, Journal of Financial Risk Management, 3, Zakoian J.-M., (1994), Threshold Heteroscedastic Models, Journal of Economic Dynamics and Control, 18 (5), ANALIZA TRANSFERU RYZYKA EKSTREMALNEGO MIDZY WYBRANYMI RYNKAMI FINANSOWYMI Z ZASTOSOWANIEM PRZYCZYNOWOCI W RYZYKU W SENSIE GRANGERA Streszczenie Celem proponowanego artykuu jest analiza powiza midzy gównymi rynkami nansowymi, reprezentujcymi procesy nansowe i gospodarcze zachodzce we wspóczesnym wiecie. Badanie skupiao si na zagadnieniu przenoszenia ryzyka ekstremalnego na rynkach nansowych. Zrozumienie mechanizmu transferu ryzyka ma kluczowe znaczenie dla efektywnego zarzdzania ryzykiem, instytucji nansowych oraz podmiotów nadzorujcych rynki nansowe. W szczególnoci ryzyko ekstremalne ma najwiksze znaczenie, poniewa to ekstremalne ruchy cen powoduj najwiksze zagroenie oraz szanse dla uczestników rynku. Przedstawiony artyku stanowi rozszerzenie dotychczasowych bada, polegajce na wykorzystaniu najnowszej metodologii do badania przyczynowoci w ryzyku w sensie Grangera zaprezentowanej w pracy Candelon i inni (2013). Innowacyjno tego podejcia polega na uwzgldnieniu wielu rónych poziomów ryzyka w zakresie ogonów rozkadu, co dopuszcza rón dynamik transferu ryzyka pomidzy rynkami. W celu odpowiedniego zmierzenia ryzyka, mierzonego wartoci zagroon, wykorzystano podejcie Peaks over Threshold (POT) z modelami zmiennoci (McNeil, Frey, 2000). Sowa kluczowe: przyczynowo w ryzyku w sensie Grangera, warto zagroona, zjawisko transmisji ryzyka, ryzyko ekstremalne, metoda Peaks over Threshold (POT) ANALYSIS OF EXTREME RISK TRANSFER ACROSS SELECTED FINANCIAL MARKETS WITH APPLICATION OF GRANGER CAUSALITY IN RISK Abstract The main aim of this paper is an analysis of integration among main nancial markets which represent nancial and economic processes occurring in the contemporary world. This research focuses on issue of extreme risk spillover effect on nancial markets. Proper understanding of risk transfer mechanism has paramount importance for effective risk management, nancial institutions and market supervision institutions. In particular, extreme risk is the most important due the fact that the extreme prices movements are the main cause of threats and opportunities for market participants. This paper is the extension of previous researches on that issue. This extension takes into account the newest methodology framework which is Granger-causality test presented in work of Candelon et al. (2013). Innovation in this approach boils down to allowing for multiple different risk levels across distribution tails which takes into consideration different dynamics of risk transfer mechanism across markets. In order to estimate Value-at-Risk a Peaks over Threshold approach is applied with volatility models (McNeil, Frey, 2000). Keywords: Granger-causality in risk, Value-at-Risk, extreme risk, spillover effect, Peaks over Threshold (POT) method
NOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Wprowadzenie do teorii ekonometrii. Część A
NOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Autor: 1. Dobromił Serwa 2. Tytuł przedmiotu Sygnatura (będzie nadana, po akceptacji przez Senacką Komisję Programową) Wprowadzenie do teorii
Bardziej szczegółowoDodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH
Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 3) Modele MGARCH 1 / 11 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonometryczne modele nieliniowe Wykład 10 Modele przełącznikowe Markowa Literatura P.H.Franses, D. van Dijk (2000) Non-linear time series models in empirical finance, Cambridge University Press. R. Breuning,
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowoRynek motoryzacyjny 2011 Europa vs Polska
Rynek motoryzacyjny 2011 Europa vs Polska Rynek cz!"ci motoryzacyjnych nierozerwalnie #$czy si! z parkiem samochodowym, dlatego te% podczas oceny wyników sprzeda%y samochodowych cz!"ci zamiennych nie mo%na
Bardziej szczegółowostopie szaro ci piksela ( x, y)
I. Wstp. Jednym z podstawowych zada analizy obrazu jest segmentacja. Jest to podział obrazu na obszary spełniajce pewne kryterium jednorodnoci. Jedn z najprostszych metod segmentacji obrazu jest progowanie.
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 szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoJorge Chan-Lau (2001) Corporate Restructuring in Japan: An Event- Study Analysis IMF Working Paper WP/01/202.
Jorge Chan-Lau (2001) Corporate Restructuring in Japan: An Event- Study Analysis IMF Working Paper WP/01/202. Modelowanie Rynków Finansowych 1 Japoński system bankowo-przemysłowy akcjonariat krzyżowy brak
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Zastosowanie testu Kaplana do identyfikacji ekonomicznych szeregów czasowych
Witold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu Zastosowanie testu Kaplana do identyfikacji ekonomicznych szeregów czasowych Streszczenie Identyfikacja zależności w szeregach czasowych jest jednym
Bardziej szczegółowoPlanowanie adresacji IP dla przedsibiorstwa.
Planowanie adresacji IP dla przedsibiorstwa. Wstp Przy podejciu do planowania adresacji IP moemy spotka si z 2 głównymi przypadkami: planowanie za pomoc adresów sieci prywatnej przypadek, w którym jeeli
Bardziej szczegółowoEliza Khemissi, doctor of Economics
Eliza Khemissi, doctor of Economics https://www.researchgate.net/profile/eliza_khemissi Publication Highlights Thesis Eliza Khemissi: Wybór najlepszych prognostycznych modeli zmienności za pomocą testów
Bardziej szczegółowoANALIZA ZMIENNOŚCI INDEKSÓW GIEŁDOWYCH NA RYNKACH ZAGRANICZNYCH
Analiza zmienności indeksów giełdowych na rynkach zagranicznych STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 2 219 DOMINIK ROZKRUT Uniwersytet Szczeciński ANALIZA ZMIENNOŚCI INDEKSÓW GIEŁDOWYCH
Bardziej szczegółowostrona 1 / 5 Specjalizacja: B4. Analiza kointegracyjna Publikacje:
Specjalizacja: B4. Analiza kointegracyjna Publikacje: 1. Autorzy: Grabowski Wojciech; Welfe Aleksander Tytuł: Global Stability of Dynamic Models Strony: 782-784 - Teoria ekonometrii (B1. Makroekonometria)
Bardziej szczegółowoDodatek 2. Wielowymiarowe modele GARCH
Dodatek 2. Wielowymiarowe modele GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 2) Modele MGARCH 1 / 15 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu MGARCH {y t }: y
Bardziej szczegółowoBADANIA ZRÓŻNICOWANIA RYZYKA WYPADKÓW PRZY PRACY NA PRZYKŁADZIE ANALIZY STATYSTYKI WYPADKÓW DLA BRANŻY GÓRNICTWA I POLSKI
14 BADANIA ZRÓŻNICOWANIA RYZYKA WYPADKÓW PRZY PRACY NA PRZYKŁADZIE ANALIZY STATYSTYKI WYPADKÓW DLA BRANŻY GÓRNICTWA I POLSKI 14.1 WSTĘP Ogólne wymagania prawne dotyczące przy pracy określają m.in. przepisy
Bardziej szczegółowoSTATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie
STATYSTYKA OD PODSTAW Z SYSTEMEM SAS wersja 9.2 i 9.3 Szkoła Główna Handlowa w Warszawie Spis treści Wprowadzenie... 6 1. Podstawowe informacje o systemie SAS... 9 1.1. Informacje ogólne... 9 1.2. Analityka...
Bardziej szczegółowoANALIZA KOINTEGRACJI STÓP PROCENTOWYCH W POLSCE
Aneta KŁODZIŃSKA ZESZYTY NAUKOWE INSTYTUTU EKONOMII I ZARZĄDZANIA ANALIZA KOINTEGRACJI STÓP PROCENTOWYCH W POLSCE Zarys treści: Celem artykułu jest określenie czy między stopami procentowymi w Polsce występuje
Bardziej szczegółowoKierunek: Matematyka Poziom studiów: Studia II stopnia Forma i tryb studiów: Stacjonarne
Wydział: Matematyki Stosowanej Kierunek: Matematyka Poziom studiów: Studia II stopnia Forma i tryb studiów: Stacjonarne Specjalność: Matematyka ubezpieczeniowa Rocznik: 2016/2017 Język wykładowy: Polski
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Joanna Górka WŁASNOŚCI PROGNOSTYCZNE
Bardziej szczegółowoAnaliza zdarzeń Event studies
Analiza zdarzeń Event studies Dobromił Serwa akson.sgh.waw.pl/~dserwa/ef.htm Leratura Campbell J., Lo A., MacKinlay A.C.(997) he Econometrics of Financial Markets. Princeton Universy Press, Rozdział 4.
Bardziej szczegółowoKatedra Demografii i Statystki Ekonomicznej
Katedra Demografii i Statystki Ekonomicznej Wydział Informatyki i Komunikacji http://www.ue.katowice.pl/jednostki/katedry/katedry-wiik/ Skład osobowy Katedry Pracownicy: prof. zw. dr hab. Grażyna Trzpiot
Bardziej szczegółowoMinimum programowe dla studentów MIĘDZYWYDZIAŁOWYCH INDYWIDUALNYCH STUDIÓW SPOŁECZNO-HUMANISTYCZNYCH - studia magisterskie II stopnia
ROK AKADEMICKI 019-00 Minimum programowe dla studentów MIĘDZYWYDZIAŁOWYCH INDYWIDUALNYCH STUDIÓW SPOŁECZNO-HUMANISTYCZNYCH - studia magisterskie II stopnia Kierunek: FINANSE I RACHUNKOWOŚĆ Zaawansowana
Bardziej szczegółowoMODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek
Tytuł: Autor: MODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek Wstęp Książka "Modelowanie polskiej gospodarki z pakietem R" powstała na bazie materiałów, które wykorzystywałem przez ostatnie
Bardziej szczegółowoDodatek 2. Wielowymiarowe modele GARCH model GoGarch
Dodatek 2. Wielowymiarowe modele GARCH model GoGarch MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 2) Model GoGARCH 1 / 14 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu MGARCH
Bardziej szczegółowoPoprawa efektywnoci metody wstecznej propagacji bdu. Jacek Bartman
Poprawa efektywnoci metody wstecznej propagac bdu Algorytm wstecznej propagac bdu. Wygeneruj losowo wektory wag. 2. Podaj wybrany wzorzec na wejcie sieci. 3. Wyznacz odpowiedzi wszystkich neuronów wyjciowych
Bardziej szczegółowoEkonometria dynamiczna i finansowa Kod przedmiotu
Ekonometria dynamiczna i finansowa - opis przedmiotu Informacje ogólne Nazwa przedmiotu Ekonometria dynamiczna i finansowa Kod przedmiotu 11.5-WK-IiED-EDF-W-S14_pNadGenMOT56 Wydział Kierunek Wydział Matematyki,
Bardziej szczegółowoKluczowe przedmioty dla studentów studiów licencjackich i magisterskich na WNE UW od roku 2017/2018. Studia I stopnia
Kluczowe przedmioty dla studentów studiów licencjackich i magisterskich na WNE UW od roku 2017/2018 Przedmioty kluczowe (na podstawie Szczegółowych Zasad Studiowania na Wydziale Nauk Ekonomicznych Uniwersytetu
Bardziej szczegółowoSzacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego
Radosław Pietrzyk Katedra Inwestycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Szacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego 1.
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Ewa Dziawgo WYCENA POTĘGOWEJ ASYMETRYCZNEJ OPCJI KUPNA
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Ewa Dziawgo WYCENA POTĘGOWEJ
Bardziej szczegółowoWłaściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa.
Właściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa. Paweł Strawiński Uniwersytet Warszawski Wydział Nauk Ekonomicznych 16 stycznia 2006 Streszczenie W artykule analizowane są właściwości
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoBadanie własności kursów efektywnych w perspektywie pytania o stabilność rynków walutowych
Badanie własności kursów efektywnych w perspektywie pytania o stabilność rynków walutowych VI Konferencja Naukowa Modelowanie i Prognozowanie Gospodarki Narodowej Sopot, maj 2015 streszczenie Efektywny
Bardziej szczegółowoZASTOSOWANIE ODCINKOWO-LINIOWEGO MINIMODELU DO MODELOWANIA PRODUKCJI SPRZEDANEJ PRZEMYSŁU
ZASTOSOWANIE ODCINKOWO-LINIOWEGO MINIMODELU DO MODELOWANIA PRODUKCJI SPRZEDANEJ PRZEMYSŁU W artykule przedstawiono now metod modelowania zjawisk ekonomicznych. Metoda odcinkowo-liniowego minimodelu szczególnie
Bardziej szczegółowocif Model IS-LM Finansowe modele struktury terminowej - podstawowe pojęcia
lana DOiilbiBir ECraków 2010 cif O autorce 9 Wprowadzenie 11 Rozdział 1. Modele struktury terminowej 15 1.1. Wstęp 15 1.2. Struktura terminowa stóp procentowych - wprowadzenie.. 15 1.3. Nominalna a realna
Bardziej szczegółowoinformatyka Ekonomiczna
Dziedziny badań naukowych: ekonometria teoretyczna i empiryczna, historia gospodarcza i informatyka Ekonomiczna Przynależność do organizacji i stowarzyszeń naukowych: Członek Polskiego Towarzystwa Ekonomicznego
Bardziej szczegółowoStanisław Jędrusik, Andrzej Paliński, Wojciech Chmiel, Piotr Kadłuczka Testowanie wsteczne modeli wartości narażonej na stratę
Stanisław Jędrusik, Andrzej Paliński, Wojciech Chmiel, Piotr Kadłuczka Testowanie wsteczne modeli wartości narażonej na stratę Managerial Economics 1, 175-182 2007 Ekonomia Menedżerska 2007, nr 1, s. 175
Bardziej szczegółowoKierunek: Matematyka Poziom studiów: Studia II stopnia Forma i tryb studiów: Stacjonarne
Wydział: Matematyki Stosowanej Kierunek: Matematyka Poziom studiów: Studia II stopnia Forma i tryb studiów: Stacjonarne Specjalność: Matematyka finansowa Rocznik: 2014/2015 Język wykładowy: Polski Semestr
Bardziej szczegółowoDIAGNOZOWANIE STANÓW ZDOLNO CI JAKO CIOWEJ PROCESU PRODUKCYJNEGO
DIAGNOSTYKA 27 ARTYKUY GÓWNE SZKODA, Diagnozowanie stanów zdolnoci jakociowej 89 DIAGNOZOWANIE STANÓW ZDOLNOCI JAKOCIOWEJ PROCESU PRODUKCYJNEGO Jerzy SZKODA Katedra Eksploatacji Pojazdów i Maszyn Uniwersytetu
Bardziej szczegółowoModelowanie rynków finansowych
Modelowanie rynków finansowych Jerzy Mycielski WNE UW 5 października 2017 Jerzy Mycielski (WNE UW) Modelowanie rynków finansowych 5 października 2017 1 / 12 Podstawowe elementy teorii 1 racjonalne oczekiwania
Bardziej szczegółowodr Anna Matuszyk PUBLIKACJE: CeDeWu przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Profile of the Fraudulelent Customer
dr Anna Matuszyk PUBLIKACJE: Lp. Autor/ red. 2015 naukowy 1 A. Matuszyk, Zastosowanie analizy przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Tytuł Okładka CeDeWu 2 A.Matuszyk, A. Ptak-Chmielewska,
Bardziej szczegółowoSTRUKTURALNE MODELE SZEREGÓW CZASOWYCH W ESTYMACJI STOPY BEZROBOCIA W DEZAGREGACJI NA WOJEWÓDZTWA,
PRZEGLD STATYSTYCZNY R. LXI ZESZYT 4 2014 KAMIL WILAK STRUKTURALNE MODELE SZEREGÓW CZASOWYCH W ESTYMACJI STOPY BEZROBOCIA W DEZAGREGACJI NA WOJEWÓDZTWA, PE I WIEK 1. WSTP Jednym z podstawowych wskaników
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoZMIENNOŚĆ MOMENTÓW WYŻSZYCH RZĘDÓW NA RYNKACH FINANSOWYCH *
Tomasz Zdanowicz Uniwersytet Mikołaja Kopernika w Toruniu ZMIENNOŚĆ MOMENTÓW WYŻSZYCH RZĘDÓW NA RYNKACH FINANSOWYCH * Wprowadzenie Dynamiczny rozwój chińskiej gospodarki obserwowany od lat 80. XX w. coraz
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoUWAGI O TESTACH JARQUE A-BERA
PRZEGLĄD STATYSTYCZNY R. LVII ZESZYT 4 010 CZESŁAW DOMAŃSKI UWAGI O TESTACH JARQUE A-BERA 1. MIARY SKOŚNOŚCI I KURTOZY W literaturze statystycznej prezentuje się wiele miar skośności i spłaszczenia (kurtozy).
Bardziej szczegółowoBazy danych. Plan wykładu. Proces modelowania i implementacji bazy danych. Elementy ERD. Wykład 2: Diagramy zwizków encji (ERD)
Plan wykładu Bazy danych Wykład 2: Diagramy zwizków encji (ERD) Diagramy zwizków encji elementy ERD licznoci zwizków podklasy klucze zbiory słabych encji Małgorzata Krtowska Katedra Oprogramowania e-mail:
Bardziej szczegółowoWykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego. Katarzyna Kuziak
Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego Katarzyna Kuziak Cel: łączenie różnych rodzajów ryzyka rynkowego za pomocą wielowymiarowej funkcji powiązań 2 Ryzyko rynkowe W pomiarze ryzyka
Bardziej szczegółowoBazy danych. Plan wykładu. Proces modelowania i implementacji bazy danych. Elementy ERD. Wykład 2: Diagramy zwizków encji (ERD)
Plan wykładu Bazy danych Wykład 2: Diagramy zwizków encji (ERD) Diagramy zwizków encji elementy ERD licznoci zwizków podklasy klucze zbiory słabych encji Małgorzata Krtowska Katedra Oprogramowania e-mail:
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowoEXPECTED SHORTFALL W OCENIE RYZYKA AKCYJNYCH FUNDUSZY INWESTYCYJNYCH
Radosław Pietrzyk Uniwersytet Ekonomiczny We Wrocławiu EXPECTED SHORTFALL W OCENIE RYZYKA AKCYJNYCH FUNDUSZY INWESTYCYJNYCH 1. Wstęp Rok 2008 zapoczątkował kryzys na rynkach finansowych. Duża niestabilność
Bardziej szczegółowoPRZESTRZENNO-CZASOWE MODELOWANIE ZMIENNO CI PRODUKCJI PRZEDSI BIORSTW W POLSCE 1
PRZEGLD STATYSTYCZNY R. LX ZESZYT 013 ANDRZEJ GEISE PRZESTRZENNO-CZASOWE MODELOWANIE ZMIENNOCI PRODUKCJI W SEKTORACH MIKRO-, MAYCH, REDNICH I DUYCH PRZEDSIBIORSTW W POLSCE 1 1. WSTP Po roku 1989 Polska
Bardziej szczegółowoPORÓWNANIE METODY REDNIEJ ORAZ REDNIEJ WA ONEJ KONSTRUOWANIA INDEKSÓW CEN NIERUCHOMO CI MIESZKANIOWYCH
PORÓWNANIE METODY REDNIEJ ORAZ REDNIEJ WAONEJ KONSTRUOWANIA INDEKSÓW CEN NIERUCHOMOCI MIESZKANIOWYCH Radosaw Trojanek Katedra Inwestycji i Nieruchomoci Uniwersytet Ekonomiczny w Poznaniu e-mail: r.trojanek@ue.poznan.pl
Bardziej szczegółowoWYKORZYSTANIE WARUNKOWEGO MODELU MAKSIMÓW BLOKOWYCH DO POMIARU VALUE AT RISK
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 295 2016 Uniwersytet Ekonomiczny w Poznaniu Wydział Informatyki i Gospodarki Elektronicznej Katedra Badań Operacyjnych
Bardziej szczegółowoTemat: Technika zachłanna. Przykłady zastosowania. Własno wyboru zachłannego i optymalnej podstruktury.
Temat: Technika zachłanna. Przykłady zastosowania. Własno wyboru zachłannego i optymalnej podstruktury. Algorytm zachłanny ( ang. greedy algorithm) wykonuje zawsze działanie, które wydaje si w danej chwili
Bardziej szczegółowoBazy danych Podstawy teoretyczne
Pojcia podstawowe Baza Danych jest to zbiór danych o okrelonej strukturze zapisany w nieulotnej pamici, mogcy zaspokoi potrzeby wielu u!ytkowników korzystajcych z niego w sposóbs selektywny w dogodnym
Bardziej szczegółowoKONCEPCJA ZASTOSOWANIA REGU DECYZYJNYCH W DOBORZE RODKÓW REDUKCJI RYZYKA ZAGRO E
PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 96 Transport 2013 Adrian Gill Politechnika Poznaska, Instytut Silników Spalinowych i Transportu KONCEPCJA ZASTOSOWANIA REGU DECYZYJNYCH W DOBORZE RODKÓW REDUKCJI
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoIzolacja Anteny szerokopasmowe i wskopasmowe
Izolacja Anteny szerokopasmowe i wskopasmowe W literaturze technicznej mona znale róne opinie, na temat okrelenia, kiedy antena moe zosta nazwana szerokopasmow. Niektórzy producenci nazywaj anten szerokopasmow
Bardziej szczegółowoKorelacje krzyżowe kryzysów finansowych w ujęciu korelacji potęgowych. Analiza ewolucji sieci na progu liniowości.
Korelacje krzyżowe kryzysów finansowych w ujęciu korelacji potęgowych. Analiza ewolucji sieci na progu liniowości. Cross-correlations of financial crisis analysed by power law classification scheme. Evolving
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoModelowanie Rynków Finansowych
Modelowanie Rynków Finansowych Modelowanie zmienności, modele GARCH Zajęcia 6 Katarzyna Lada, Paweł Sakowski, Paweł Strawiński 23 marca, 2009 Literatura na dziś Engle (2001), The Use of ARCH/GARCH Models
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: przedmiot obowiązkowy w ramach treści kierunkowych, moduł kierunkowy ogólny Rodzaj zajęć: wykład, ćwiczenia I KARTA PRZEDMIOTU CEL PRZEDMIOTU
Bardziej szczegółowoZastosowanie programu Microsoft Excel do analizy wyników nauczania
Grayna Napieralska Zastosowanie programu Microsoft Excel do analizy wyników nauczania Koniecznym i bardzo wanym elementem pracy dydaktycznej nauczyciela jest badanie wyników nauczania. Prawidłow analiz
Bardziej szczegółowoEkonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
Bardziej szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoZastosowanie rozk adów stabilnego, hiperbolicznego i odwrotnego gaussowskiego do opisu dziennych stóp zwrotu indeksów gie d europejskich
Zastosowanie rozkadów stabilnego, hiperbolicznego i odwrotnego Ekonomia gaussowskiego... Menederska 008, nr 3, s. 67 75 Marcin Suder *, Jacek Wolak, Tomasz Wójtowicz ** Zastosowanie rozkadów stabilnego,
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoOpisy przedmiotów do wyboru
Opisy przedmiotów do wyboru moduły specjalistyczne oferowane na stacjonarnych studiach II stopnia (magisterskich) dla 2 roku matematyki semestr letni, rok akademicki 2017/2018 Spis treści 1. Data mining
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoSprawy organizacyjne
Sprawy organizacyjne forma zajęć warunki uczestnictwa warunki zaliczenia Modelowanie Rynków Finansowych 1 Hipoteza Random Walk na wschodzących rynkach Europejskich Graham Smith, Hyun-Jung Ryoo (2003) Variance
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Tomasz Zdanowicz TESTOWANIE SYMETRYCZNOŚCI ROZKŁADU WARUNKOWEGO
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Tomasz Zdanowicz TESTOWANIE
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoProjektowanie i analiza zadaniowa interfejsu na przykładzie okna dialogowego.
Projektowanie i analiza zadaniowa interfejsu na przykładzie okna dialogowego. Jerzy Grobelny Politechnika Wrocławska Projektowanie zadaniowe jest jednym z podstawowych podej do racjonalnego kształtowania
Bardziej szczegółowoMetody oceny ryzyka operacyjnego
Instytut Matematyki i Informatyki Wrocław, 10 VII 2009 Bazylejski Komitet Nadzoru Bankowego Umowa Kapitałowa - 1988 Opracowanie najlepszych praktyk rynkowych w zakresie zarządzania ryzykiem Nowa Umowa
Bardziej szczegółowoBazy danych. Plan wykładu. Podzapytania - wskazówki. Podzapytania po FROM. Wykład 5: Zalenoci wielowartociowe. Sprowadzanie do postaci normalnych.
Plan wykładu azy danych Wykład 5: Zalenoci wielowartociowe. Sprowadzanie do postaci normalnych. Dokoczenie SQL Zalenoci wielowartociowe zwarta posta normalna Dekompozycja do 4NF Przykład sprowadzanie do
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowoPlan wykładu. Reguły asocjacyjne. Przykłady asocjacji. Reguły asocjacyjne. Jeli warunki to efekty. warunki efekty
Plan wykładu Reguły asocjacyjne Marcin S. Szczuka Wykład 6 Terminologia dla reguł asocjacyjnych. Ogólny algorytm znajdowania reguł. Wyszukiwanie czstych zbiorów. Konstruowanie reguł - APRIORI. Reguły asocjacyjne
Bardziej szczegółowoAlgorytmy i bazy danych (wykład obowiązkowy dla wszystkich)
MATEMATYKA I EKONOMIA PROGRAM STUDIÓW DLA II STOPNIA Data: 2010-11-07 Opracowali: Krzysztof Rykaczewski Paweł Umiński Streszczenie: Poniższe opracowanie przedstawia projekt planu studiów II stopnia na
Bardziej szczegółowoO zgodności procedur jednoczesnego testowania zastosowanych do problemu selekcji zmiennych w modelu liniowym
O zgodności procedur jednoczesnego testowania zastosowanych do problemu selekcji zmiennych w modelu liniowym Konrad Furmańczyk Katedra Zastosowań Matematyki SGGW Wis a 2010 Plan referatu 1. Modele liniowe
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoWykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym
Wiesława MALSKA Politechnika Rzeszowska, Polska Anna KOZIOROWSKA Uniwersytet Rzeszowski, Polska Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym Wstęp Wnioskowanie statystyczne
Bardziej szczegółowoLista kontrolna umowy z podwykonawc
Dane podstawowe projektu:... Zleceniodawca:...... Nazwa podwykonawcy z którym zawierana jest umowa:... Nazwa detalu:... Numer detalu:... Odbiór Czy definicja tymczasowego odbioru jest jasno ustalona? Czy
Bardziej szczegółowoI Kolokwium z Ekonometrii. Nazwisko i imi...grupa...
ZESTAW A1 I Kolokwium z Ekonometrii Nazwisko i imi...grupa... 1. Model teoretyczny ma posta: z t = α 0 + α 1 x t + α 2 p t + ξ t, (t = 1, 2,..., 28) (1) gdzie: z t - koszty produkcji w mln z, p t - wielko
Bardziej szczegółowoEkonometria Finansowa II EARF. Michał Rubaszek
Ekonometria Finansowa II EARF Michał Rubaszek 1 Cele - Zapoznanie z charakterystykami szeregów finansowych - Omówienie jednowymiarowych metod liczenia VaR - Omówienie wielowymiarowych metod liczenia VaR
Bardziej szczegółowoZarządzanie ryzykiem finansowym
Zarządzanie projektami Wrocław, 30 października 2013 Spis treści Motywacja Rachunek prawdopodobieństwa Koherentne miary ryzyka Przykłady zastosowań Podsumowanie Po co analizować ryzyko na rynkach finansowych?
Bardziej szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informatyki Krzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH rozprawa doktorska Promotor: prof.
Bardziej szczegółowoPiotr Fiszeder Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie procesów finansowych z długą pamięcią w średniej i wariancji
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Piotr Fiszeder Uniwersytet Mikołaja
Bardziej szczegółowoZwiązki bezpośrednich inwestycji zagranicznych ze zmianami struktury eksportu i importu w Polsce
Dr Wojciech Zysk Katedra Handlu Zagranicznego Akademii Ekonomicznej w Krakowie Związki bezpośrednich zagranicznych ze zmianami struktury eksportu i importu w Polsce W opracowaniu podjęta zostanie próba
Bardziej szczegółowoRynkowa wycena egzotycznych instrumentów pochodnych kursów walutowych { opcje barierowe
Rynkowa wycena egzotycznych instrumentów pochodnych kursów walutowych { opcje barierowe Ewa Kijewska BRE Bank 16 maja 2008 Ewa Kijewska (BRE Bank) Rynkowa wycena egzotycznych instrumentów pochodnych kursów
Bardziej szczegółowo