Finansowe szeregi czasowe wykład 7

Wielkość: px
Rozpocząć pokaz od strony:

Download "Finansowe szeregi czasowe wykład 7"

Transkrypt

1 Fnansowe szereg czasowe wykład 7 dr Tomasz Wójowcz Wydzał Zarządzana AGH Kraków 213

2 Noowana ndeksu WIG w okrese: 3 marca syczna Tomasz Wójowcz, WZ AGH Kraków

3 wg Dzenne sopy zwrou ndeksu WIG w okrese: 3 marca syczna mar maj lp wrz ls 21 mar maj lp wrz ls 211 Tomasz Wójowcz, WZ AGH Kraków

4 Dzenne sopy zwrou ndeksu WIG w okrese: 3 marca syczna 211 ACF dla zmennej wg ,96/T^, opónena PACF dla zmennej wg ,96/T^, opónena Tomasz Wójowcz, WZ AGH Kraków

5 ACF PACF Opóźnena ACF PACF Ljung-Box Q [warość p] 1,8 *,8 * 3,1148 [,78] 2 -,925 ** -,996 ** 7,2922 [,26] 3 -,422 -,265 8,1626 [,43] 4 -,73 -,17 8,1885 [,85] 5 -,679 -,742 1,4516 [,63] 6 -,348 -,263 11,484 [,87] 7,338,253 11,6117 [,114] 8 -,578 -,757 * 13,2631 [,13] 9 -,444 -,319 14,2396 [,114] 1,656,581 16,373 [,89] 11,76 *,53 19,2468 [,57] 12,97 **,942 ** 23,3436 [,25] 13,48,381 24,177 [,3] 14 -,41 -,35 24,9822 [,35] 15 -,65,261 25,34 [,5] 16 -,1186 *** -,1172 ** 32,753 [,1] 17,73,329 32,123 [,15] 18,52,435 33,4669 [,15] 19,9 -,15 33,578 [,21] 2 -,354 -,185 34,1424 [,25] 21,532,581 35,582 [,24] 22,72,369 38,2197 [,17] 23 -,26 -,238 38,4365 [,23] 24 -,511 -,548 39,7729 [,23] 25,372,33 4,4817 [,26] Tomasz Wójowcz, WZ AGH Kraków sona auokorelacja model ARMA

6 dobór opóźneń w modelu ARMA kryerum nformacyjne Akake: AR , , ,6-279,4-2788, , , , , , , , , , , , , , , , , ,5-2791,37-279,6 MA ,5-2789, , , , ,5-279, , ,5-2787, , , ,6-2789,7-2796,3-2795, ,5-2786, , ,4-2796, , , , ,5-2791,67-279, , ,1-2794,2-2794,13 Tomasz Wójowcz, WZ AGH Kraków

7 dobór opóźneń w modelu ARMA kryerum nformacyjne Schwarza: AR , , , , , , ,4-2748, , ,8-277,4-2764, , , , ,78-277, , , , , , ,6 MA 3-277, , , ,8-2756, , , , , , , , , ,7-2746,11-274, , ,42-275, ,58-275, ,14-274, , ,1-275, , , , , , ,4 Tomasz Wójowcz, WZ AGH Kraków

8 dobór opóźneń w modelu ARMA kryerum nformacyjne Hannana-Qunna: AR , , , , ,6-2777, ,35-277, , ,9-2779, , , , , , , , , , , , ,53 MA , , , , , , , , , , , , , , , , , , , , , , , , , ,4-2776, , ,2-2769,48 Tomasz Wójowcz, WZ AGH Kraków

9 model ARMA(2,) Esymacja ARMA(2,) z wykorzysanem 484 obserwacj Zmenna zależna: wg Średna arymeyczna zmennej zależnej =,15971 Odchylene sandardowe zmennej zależnej =,13537 Średna z zaburzeń losowych = 6,7946e-6 warancja z zaburzeń losowych =, Logarym warygodnośc = 14,3 Kryerum nformacyjne Akake'a = -2792,6 Kryerum bayesowske Schwarza = -2775,33 Kryerum nfor. Hannana-Qunna = -2785,48 Zmenna Współczynnk Błąd sand. Saysyka warość p cons,159226, ,6438,82 *** ph_1,8758, ,9374,527 * ph_2 -,168, ,231,2759 ** Tomasz Wójowcz, WZ AGH Kraków

10 model ARMA(2,) auokorelacja resz: Funkcja ACF dla resz ,96/T^, opónena Funkcja PACF dla resz ,96/T^, opónena Tomasz Wójowcz, WZ AGH Kraków

11 model ARMA(2,) auokorelacja resz: brak sonej auokorelacj resz Opóźnena ACF PACF Ljung-Box Q [warość p] 1 -,23 -,23,26 [,959] 2,15,15,37 [,998] 3 -,327 -,327,5259 [,913] 4 -,97 -,98,5716 [,966] 5 -,67 -,67 2,7744 [,735] 6 -,394 -,41 3,5375 [,739] 7,326,319 4,613 [,773] 8 -,557 -,64 5,5925 [,693] 9 -,356 -,45 6,2215 [,718] 1,681,656 8,5246 [,578] 11,631,556 1,526 [,486] 12,849 *,857 * 14,968 [,295] 13,444,458 15,86 [,32] 14 -,476 -,535 16,2157 [,3] 15,138,34 16,3113 [,362] 16 -,1216 *** -,179 ** 23,7479 [,95] 17,143,164 23,853 [,124] 18,364,539 24,5193 [,139] 19,137,9 24,6145 [,174] 2 -,31 -,244 25,727 [,199] 21,53,495 26,366 [,193] 22,624,41 28,3439 [,165] 23 -,141 -,174 28,4458 [,199] 24 -,511 -,657 29,7836 [,192] 25,59,383 31,188 [,185] Tomasz Wójowcz, WZ AGH Kraków

12 prognoza model ARMA(2,) R,16,876R 1, 1R dane poza próbką prognoza prognoza - odch. sand prognoza + odch. sand Tomasz Wójowcz, WZ AGH Kraków

13 model ARMA(2,) cd auokorelacja kwadraów resz modelu ARMA(2,): ACF dla zmennej usq ,96/T^, opónena PACF dla zmennej usq ,96/T^, opónena Tomasz Wójowcz, WZ AGH Kraków

14 model ARMA(2,) cd auokorelacja kwadraów resz modelu ARMA(2,): sona auokorelacja kwadraów resz zależność pomędzy warancjam kolejnych sóp zwrou ACF PACF Ljung-Box [warość p] 1,379,379,6996 [,43] 2,12,87,751 [,687] 3,144***,1435*** 1,8839 [,12] 4,1749***,1679*** 25,8733 [,] 5,535,454 27,2777 [,] 6,959**,771* 31,834 [,] 7,876*,41 35,585 [,] 8,2158***,1848*** 58,5897 [,] 9,434,82 59,5236 [,] 1,914**,586 63,6652 [,] 11,441 -,317 64,6316 [,] 12,1181***,497 71,5825 [,] 13,433 -,45 72,5175 [,] 14,1673***,1261*** 86,531 [,] 15,647,176 88,6288 [,] 16,1358***,79* 97,8983 [,] 17,483 -,62 99,735 [,] 18,37 -,788* 99,84 [,] 19,547,21 1,5916 [,] 2,112**,24 16,7486 [,] Tomasz Wójowcz, WZ AGH Kraków

15 wg Zjawsko grupowana warancj mar maj lp wrz ls 21 mar maj lp wrz ls 211 Tomasz Wójowcz, WZ AGH Kraków

16 model ARCH(q) ARCH - ang. AuoRegressve Condonal Heeroscedasc Rober Engle (1982) gdze e e d(,1) (w wersj podsawowej: N(,1)) h qq h h warunkowa warancja ε zn. Własnośc: E( ) D 2 ( ) 1 q 1 h 2 D ( 1,...) Tomasz Wójowcz, WZ AGH Kraków

17 model ARCH(q) model ARCH(q) dla resz modelu ARMA(2,) kryera nformacyjne q AIC 1372, , , , , , , ,98 BIC 1376, , , , , , ,3 1343,14 HQC 1373,77 137, , ,45 135, , ,5 134,62 koneczny model o dużej lczbe paramerów Tomasz Wójowcz, WZ AGH Kraków

18 model ARCH(q) model ARCH(q) dla resz modelu ARMA(2,) Zmenna Współczynnk Błąd sand. Saysyka warość p μ -,182678, ,346,73353 ω 8,11535e-5 2,41339e-5 3,3626,84 *** α 1 -,852946, ,1877,8512 α 2 -,35996, ,793,42817 α 3,11356, ,4974,1285 ** α 4,13369, ,9343,351 *** α 5,263587,455444,5787,5634 α 6,84932, ,8573,639 * α 7,415246,452185,9183,35893 α 8,185549, ,13,5 *** Tomasz Wójowcz, WZ AGH Kraków

19 es efeku ARCH es Engle H : q H : dla pewnego 1 (brak efeku ARCH) Na podsawe T danych, meodą najmnejszych kwadraów szacujemy regresję: q 2 q wówczas przy założenu prawdzwośc H saysyka ma rozkład χ 2 o q sopnach swobody 2 TR Tomasz Wójowcz, WZ AGH Kraków

20 model GARCH(p,q) GARCH - ang. Generalsed AuoRegressve Condonal Heeroscedasc Tm Bollerslev (1986) gdze e e d(,1) (w wersj podsawowej: N(,1)) q 1 2 h h p j1 j j h warunkowa warancja ε zn. Własnośc: E( ) D 2 ( ) q 1 1 h p j1 h j 2 D ( 1,...) j Tomasz Wójowcz, WZ AGH Kraków

21 model GARCH(1,1) gdze e h e d(,1) h 2 1 h 1 wedy: D 2 ( ) 1 Uwaga: W przypadku fnansowych szeregów czasowych częso 1 Tomasz Wójowcz, WZ AGH Kraków

22 dobór p q w modelu GARCH(p,q) model GARCH(p,q) dla resz modelu ARMA(2,) dla sóp zwrou ndeksu WIG: q AIC p 1-93, , , , , ,8-2852, ,4-2852,61 q BIC p 1-8, ,4-2854, ,5-2821, , , , ,16 Tomasz Wójowcz, WZ AGH Kraków

23 model GARCH(1,1) model GARCH(1,1) dla resz modelu ARMA(2,) dla sóp zwrou ndeksu WIG: Zmenna Współczynnk Błąd sand. Saysyka warość p μ -,372842, ,754,4585 ω 8,27359e-7 9,9913e-7,993,36321 α 1,553411, ,1446,166 *** β 1,93878, ,7329 <,1 *** Średna arymeyczna zmennej zależnej = 6,7946e-6 Odchylene sandardowe zmennej zależnej =, Bezwarunkowa warancja błędu modelu =,13922 Logarym warygodnośc = 1442,51 Kryerum nformacyjne Akake'a = -2875,2 Kryerum bayesowske Schwarza = -2854,1 Kryerum nfor. Hannana-Qunna = -2866,8 Tomasz Wójowcz, WZ AGH Kraków

24 model GARCH(1,1) model GARCH(1,1) dla resz modelu ARMA(2,) dla sóp zwrou ndeksu WIG: Funkcja ACF dla resz ,96/T^, opónena Funkcja PACF dla resz ,96/T^, opónena Tomasz Wójowcz, WZ AGH Kraków

25 model GARCH(1,1) reszy modelu GARCH(1,1):.6 reszy +- h()^ Tomasz Wójowcz, WZ AGH Kraków

26 su model GARCH(1,1) zesandaryzowane reszy modelu GARCH(1,1): mar maj lp wrz ls 21 mar maj lp wrz ls 211 Tomasz Wójowcz, WZ AGH Kraków

27 Gêsoæ model GARCH(1,1) zesandaryzowane reszy modelu GARCH(1,1):.5.45 Tes na normalnoæ rozk³adu: Ch-kwadra(2) = 18,28, waroæ p =,11 su N(-, ,91) su Tomasz Wójowcz, WZ AGH Kraków

28 model GARCH(1,1) prognoza na podsawe modelu ARMA(2,)-GARCH(1,1): dane poza próbką prognoza prognoza +- odch. sand prognoza +- war. odch. s Tomasz Wójowcz, WZ AGH Kraków

29 model GARCH(p,q) Zaley: prosoa mała lczba paramerów Wady: jednakowo rakuje odchylena dodane ujemne (brak efeku dźwgn) Tomasz Wójowcz, WZ AGH Kraków

30 Tomasz Wójowcz, WZ AGH Kraków model EGARCH(p,q) EGARCH - ang. Exponenal GARCH h e e d(,1) (w wersj podsawowej: N(,1)) p j j q q h h h E h h ln gdze h E gdy e ma rozkład normalny gdy e ma rozkład -Sudena Nelson (1991)

31 Tomasz Wójowcz, WZ AGH Kraków model GJR-GARCH(p,q) GJR-GARCH -Glosen, Jagannahan, Runkle (1993) h e e d(,1) (w wersj podsawowej: N(,1)) p j j q h S h gdze 1 S

32 Tomasz Wójowcz, WZ AGH Kraków nne modele klasy GARCH

33 ARMA(2,) - GJR-GARCH(1,1) Coeffcen Sd.Error -value -prob Cs(M),1146, ,326,24 AR(1),44653,4793,9322,3517 AR(2) -,74776, ,637,124 Cs(V),974,1277,7665,4438 ARCH(Alpha1),54127, ,13,36 GARCH(Bea1),93161, ,46 GJR(Gamma1),2991,43948,4776,6331 Tomasz Wójowcz, WZ AGH Kraków

34 ARMA(2,) - GJR-GARCH(1,1) dane poza próbką prognoza prognoza +- odch. sand prognoza +- war. odch. s Tomasz Wójowcz, WZ AGH Kraków

35 model GARCH(p,q) Można rozważać modele GARCH, w kórych nnowacje mają rozkład z grubym ogonam lub skośny gdze e h e d(,1) (np. rozkład -Sudena, GED, skośny rozkład -Sudena q 1 2 h h p j1 j j j Tomasz Wójowcz, WZ AGH Kraków

36 model GARCH(p,q) model ARMA(2,)-GARCH(1,1) dla sóp zwrou ndeksu WIG; nnowacje mają rozkład -Sudena Coeffcen Sd,Error -value -prob Cs(M),115, ,395,17 AR(1),5188, ,121,263 AR(2) -,96264, ,15,321 Cs(V),15957, ,21,2267 ARCH(Alpha1),6433, ,4,168 GARCH(Bea1),926232, ,63 Suden(DF) 7, ,8619 3,77,2 Tomasz Wójowcz, WZ AGH Kraków

37 rozkłady N(, (7) 1) normalny -Sudena 1,317311, ,455, ,27, ,33E-5, Tomasz Wójowcz, WZ AGH Kraków

38 model GARCH(p,q) reszy model ARMA(2,)-GARCH(1,1) dla sóp zwrou ndeksu WIG; nnowacje mają rozkład -Sudena Esymacja funkcj gêsoc dla v j¹dro Gaussa szerokoæ funkcj bazowej = Tomasz Wójowcz, WZ AGH Kraków

39 model GARCH(p,q) reszy model ARMA(2,)-GARCH(1,1) dla sóp zwrou ndeksu WIG; nnowacje mają rozkład -Sudena Esymacja funkcj gêsoc dla v5 1.4 j¹dro Gaussa szerokoæ funkcj bazowej = Tomasz Wójowcz, WZ AGH Kraków

40 model GARCH(p,q) model ARMA(2,)-GARCH(1,1) dla sóp zwrou ndeksu WIG; nnowacje mają rozkład -Sudena dane poza próbką prognoza prognoza +- war. odch. s Tomasz Wójowcz, WZ AGH Kraków

41 model GARCH(p,q) model ARMA(2,)-GARCH(1,1) dla sóp zwrou ndeksu WIG; nnowacje mają rozkład GED Coeffcen Sd.Error -value -prob Cs(M) AR(1) AR(2) Cs(V) ARCH(Alpha1) GARCH(Bea1) G.E.D.(DF) Tomasz Wójowcz, WZ AGH Kraków

42 model GARCH(p,q) model ARMA(2,)-GARCH(1,1) dla sóp zwrou ndeksu WIG; nnowacje mają rozkład skośny -Sudena Coeffcen Sd,Error -value -prob Cs(M),1185, ,487,132 AR(1),54472, ,19,2348 AR(2) -,96594, ,123,342 Cs(V),1685, ,237,2167 ARCH(Alpha1),65546, ,379,177 GARCH(Bea1),924231, ,42 Asymmery,4297,68349,5896,5557 Tal 7, ,916 3,697,2 Tomasz Wójowcz, WZ AGH Kraków

43 modele GARCH(p,q) warośc paramerów modelu ARMA(2,)-GARCH(1,1) dla sóp zwrou WIGu; dla różnych rozkładów nnowacj normalny -Sudena GED skośny Cs(M),121, ,119 AR(1),4258, ,5447 AR(2) -,7692 -, ,9659 Cs(V),996, ,1685 ARCH(Alpha1),666, ,6555 GARCH(Bea1),9336, ,92423 Tomasz Wójowcz, WZ AGH Kraków

44 model GARCH-M(p,q) model GARCH-M (ang. GARCH n mean) gdze e h h e d(,1) (w wersj podsawowej: N(,1)) q 1 2 h h p j1 j j h warunkowa warancja ε zn. h 2 D ( 1,...) j Tomasz Wójowcz, WZ AGH Kraków

45 model GARCH-M(p,q) model ARMA(2,)-GARCH-M(1,1) dla sóp zwrou ndeksu WIG; Coeffcen Sd,Error -value -prob Cs(M),384,86116,4456,6561 AR(1),3894,48772,7977,4255 AR(2) -,79348, ,751,86 Cs(V),9878,12861,7681,4428 ARCH(Alpha1),5975,3129 1,91,568 GARCH(Bea1),933777, ,63 ARCH-n-mean(var) 6, ,821 1,168,2435 Tomasz Wójowcz, WZ AGH Kraków

46 Ryzyko możlwość wysąpena nekorzysnej zmany (zn. syuacj gorszej nż oczekwana) Ryzyko możlwość wysąpena zmany (zn. syuacj nnej nż oczekwana) Czynnk ryzyka dla paperu waroścowego: kursy walu, sopy procenowe, nflacja, płynność rynku, rendy na rynku, ryzyko sekorowe Tomasz Wójowcz, WZ AGH Kraków

47 Zarządzane ryzykem: denyfkacja źródeł, pomar welkośc, konrola serowane. Mary ryzyka: mary zmennośc, mary wrażlwośc, mary zagrożena. Tomasz Wójowcz, WZ AGH Kraków

48 Mary zmennośc: warancja, odchylene sandardowe, odchylene średne s 1 n n 1 ( R R) 2 współczynnk zmennośc rozsęp s 1 n n 1 V R R S R Tomasz Wójowcz, WZ AGH Kraków

49 Noowana TPSA w okrese Tomasz Wójowcz, WZ AGH Kraków

50 Noowana TPSA w okrese średna,598 odch. sand.,17159 wsp. zmennośc 28,68 Tomasz Wójowcz, WZ AGH Kraków

51 Mary wrażlwośc: współczynnk bea (model jednoczynnkowy) R R M, współczynnk bea (modele weloczynnkowe) R 1F1, 2F2,... k Fk, Tomasz Wójowcz, WZ AGH Kraków

52 Mary zagrożena: semwarancja, semodchylene sandardowe, s _ 1 m n 2 d 1 d R R R R R R pozom bezpeczeńswa R b P( R Rb ) 1 prawdopodobeńswo neosągnęca pozomu aspracj P( R Ra ) 1 warość zagrożona (VaR) P( W W VaR) Tomasz Wójowcz, WZ AGH Kraków

53 Mary zagrożena dla sóp zwrou TPSA: semwarancja,334 semodchylene sand.,18263 alfa pozom bezp.,1 -,2139,5 -,2763,1 -,3932 pozom aspracj alfa,1,291876,2,12992,3,43313 Tomasz Wójowcz, WZ AGH Kraków

54 Jeżel W - kwanyl rzędu α rozkładu warośc W nsrumenu, zn. o W W VaR P( W W ) VaR W W Dla prosych sóp zwrou: R W W W VaR R W Dla cągłych sóp zwrou: R lnw lnw VaR W e R ) (1 Tomasz Wójowcz, WZ AGH Kraków

55 Esymacja VaR: krók horyzon (dzeń, ydzeń) nsk pozom olerancj Meody esymacj VaR: meoda warancj-kowarancj meoda hsoryczna meoda Mone Carlo Tomasz Wójowcz, WZ AGH Kraków

FINANSOWE SZEREGI CZASOWE WYKŁAD 3

FINANSOWE SZEREGI CZASOWE WYKŁAD 3 FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).

Bardziej szczegółowo

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego

Bardziej szczegółowo

Funkcje i charakterystyki zmiennych losowych

Funkcje i charakterystyki zmiennych losowych Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych

Bardziej szczegółowo

Monika Kośko Wyższa Szkoła Informatyki i Ekonomii TWP w Olsztynie Michał Pietrzak Uniwersytet Mikołaja Kopernika w Toruniu

Monika Kośko Wyższa Szkoła Informatyki i Ekonomii TWP w Olsztynie Michał Pietrzak Uniwersytet Mikołaja Kopernika w Toruniu DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaja Kopernka w Torunu Monka Kośko Wyższa Szkoła Informayk Ekonom TWP w Olszyne

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAICZNE ODELE EKONOETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 7 w Torunu Kaedra Ekonomer Saysyk, Unwersye kołaja Kopernka w Torunu Jacek Kwakowsk Unwersye kołaja Kopernka w Torunu odele RCA

Bardziej szczegółowo

Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015

Studia 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 szczegółowo

Oddziaływanie procesu informacji na dynamikę cen akcji. Małgorzata Doman Akademia Ekonomiczna w Poznaniu

Oddziaływanie 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 szczegółowo

Kurtoza w procesach generowanych przez model RCA GARCH

Kurtoza w procesach generowanych przez model RCA GARCH Joanna Górka * Kuroza w procesach generowanych przez model RCA GARCH Wsęp Na przesrzen osanej dekady odnoowuje sę szybk rozwój model nelnowych. Wdoczna jes zwłaszcza różnorodność nelnowych specyfkacj modelowych,

Bardziej szczegółowo

OCENA RYZYKA INWESTYCJI W METALE SZLACHETNE W OKRESIE ŚWIATOWEGO KRYZYSU FINANSOWEGO 2007-2012

OCENA RYZYKA INWESTYCJI W METALE SZLACHETNE W OKRESIE ŚWIATOWEGO KRYZYSU FINANSOWEGO 2007-2012 Elza Buszkowska Unwersye m. Adama Mckewcza w Poznanu, Wydzał Prawa Admnsracj, Kaedra Nauk Ekonomcznych Por Płucennk Unwersye m. Adama Mckewcza w Poznanu, Wydzał Maemayk Informayk, Pracowna Ekonomer Fnansowej

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

Stanisław 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 szczegółowo

Modelowanie Rynków Finansowych

Modelowanie 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 szczegółowo

MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH

MODELOWANIE 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 szczegółowo

Weryfikacja hipotez dla wielu populacji

Weryfikacja hipotez dla wielu populacji Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

Stanisław 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 szczegółowo

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16

Value 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 szczegółowo

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4. Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Stanisław Cichocki Natalia Nehrebecka. Wykład 2 Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych

Bardziej szczegółowo

Statystyka. Zmienne losowe

Statystyka. Zmienne losowe Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu

Bardziej szczegółowo

MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. 1. Wstęp

MODELOWANIE 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny

Bardziej szczegółowo

Modele warunkowej heteroscedastyczności

Modele 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 szczegółowo

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE

EFEKT 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 szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE 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 szczegółowo

65120/ / / /200

65120/ / / /200 . W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Stanisław Cichocki Natalia Nehrebecka. Wykład 2 Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego

Bardziej szczegółowo

Rozdziaª 7. Modele klasy ARCH

Rozdziaª 7. Modele klasy ARCH Rozdziaª 7. Modele klasy ARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 7) Modele ARCH 1 / 24 Modele klasy ARCH Charakterystyki wi kszo±ci szeregów nansowych: Grupowanie wariancji (volatility clustering):

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

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 szczegółowo

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4 Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (

Bardziej szczegółowo

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej

Bardziej szczegółowo

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4 Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 4 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających

Bardziej szczegółowo

Ekonometryczne modele nieliniowe

Ekonometryczne modele nieliniowe Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

EFEKT DNIA TYGODNIA NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE WSTĘP

EFEKT 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 szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje

Bardziej szczegółowo

licencjat Pytania teoretyczne:

licencjat 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 szczegółowo

Dobór zmiennych objaśniających

Dobór zmiennych objaśniających Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 3

Natalia Nehrebecka. Zajęcia 3 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaa Kopernka w Torunu Unwersye Mkołaa Kopernka w Torunu Ops kurozy rozkładów

Bardziej szczegółowo

Zadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne

Bardziej szczegółowo

Procedura normalizacji

Procedura normalizacji Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny

Bardziej szczegółowo

Pattern Classification

Pattern Classification attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter

Bardziej szczegółowo

ARTYKUŁY PRZYDATNOŚĆ WYBRANYCH METOD OCENY PAPIERÓW WARTOŚCIOWYCH

ARTYKUŁY PRZYDATNOŚĆ WYBRANYCH METOD OCENY PAPIERÓW WARTOŚCIOWYCH ARYKUŁY onka oścbrodzka, Jolana Żukowska PRZYDANOŚĆ WYBRANYCH EOD OCENY PAPIERÓW WAROŚCIOWYCH Wprowadzene Rzeczywsość gospodarcza nese za sobą koneczność kerowana sę przez przedsęborców nwesorów kryerum

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 5

Stanisław 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 szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4 Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja

Bardziej szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

Model CAPM z ryzykiem płynności na polskim rynku kapitałowym

Model CAPM z ryzykiem płynności na polskim rynku kapitałowym UNIWERSYTET SZCZECIŃSKI Zeszyy Naukowe nr 858 Wspó łczesne Problemy Ekonomczne n r 11 ( 2 0 1 5 DOI: 10.18276/wpe.2015.11-18 Sebasan Porowsk* Model CAPM z ryzykem płynnośc na polskm rynku kapałowym Słowa

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Bardziej szczegółowo

1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:

1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń: .. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B

Bardziej szczegółowo

Model CAPM z ryzykiem płynności na polskim rynku kapitałowym

Model CAPM z ryzykiem płynności na polskim rynku kapitałowym UNIWERSYTET SZCZECIŃSKI Z e s z y y Naukowe nr 858 Współczesne Problemy Ekonomczne DOI: 10.18276/wpe.2015.11-18 Sebasan Porowsk* odel CAP z ryzykem płynnośc na polskm rynku kapałowym Słowa kluczowe: eora

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE 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 szczegółowo

Podstawowe algorytmy indeksów giełdowych

Podstawowe algorytmy indeksów giełdowych Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 25-11-13 Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 2013-11-25 Sps reśc I. Algorymy oblczana warośc ndeksów gełdowych...3 1. Warość beżąca

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 4

Stanisław 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 szczegółowo

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.

EKONOMETRIA 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 szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE 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 szczegółowo

WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK

WYBRANE 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy

Bardziej szczegółowo

Natalia Nehrebecka. Wykład 2

Natalia Nehrebecka. Wykład 2 Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16 Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna

Bardziej szczegółowo

Krzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20

Krzysztof 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 szczegółowo

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj

Bardziej szczegółowo

Modelowanie rynków finansowych

Modelowanie rynków finansowych Modelowanie rynków finansowych Przegląd zagadnień 8 października 2012 Główna przesłanka doboru tematów Koncepcje i techniki modelowe jako priorytet: Modele empiryczne bazujące na wiedzy teoretycznej Zakres

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,

Bardziej szczegółowo

EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia

EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnena dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG http://wzr.pl/dorota-colek/ dorota.colek@ug.edu.pl 1 Wpływ skalowana danych na MNK

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =

Bardziej szczegółowo

Niestacjonarne zmienne czasowe własności i testowanie

Niestacjonarne 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 szczegółowo

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1 KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

PROGNOZOWANIE 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 szczegółowo

Krzysztof Piontek Katedra Inwestycji Finansowych i Ubezpiecze Akademia Ekonomiczna we Wrocławiu

Krzysztof Piontek Katedra Inwestycji Finansowych i Ubezpiecze Akademia Ekonomiczna we Wrocławiu Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpiecze Akademia Ekonomiczna we Wrocławiu Zasosowanie modeli klasy ARCH do opisu własnoci szeregu sóp zwrou indeksu WIG Wsp Sporód rónych rodzajów ryzyka

Bardziej szczegółowo

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression).

specyfikacji 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 szczegółowo

1 Modele ADL - interpretacja współczynników

1 Modele ADL - interpretacja współczynników 1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać

Bardziej szczegółowo

Heteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR

Heteroskedastyczność 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 szczegółowo

Modelowanie rynków finansowych

Modelowanie 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 szczegółowo

Krzysztof Piontek Akademia Ekonomiczna we Wrocławiu. Modelowanie warunkowej kurtozy oraz skośności w finansowych szeregach czasowych

Krzysztof 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 szczegółowo

Ą Ż Ł ś ż ńż ż ż ś ź ź ć ź ś ń ż ć ź ź ź ż ź ś ź ń ź Ę ż ź ź ź ż ż ś ń ż ż ś ż ź ż ź źń ż ż ż ź ś ś ż ś ż ż Ż Ł ń ż ś ż ń ź ź ż żń ść ż ż ń ń ń ń ń ż ś ź ż ń ż ś ń ż ć ż ś ż ż ć ń ż ż ź ż ć ż ż ś ż ż ć

Bardziej szczegółowo

Ę ć ń ż ć Ń ń ż ć ć ń ż ć ń ź ń Ę Ń ń ń ż ć ż ć ć Ń ż ć ń ć ż ń ż ć ć Ń ż ć Ń ż Ń Ń Ń ż ż Ń ż ż Ń ń ź Ń ń Ń ń ń Ą ń ń ź ń Ń Ń ć Ę ż Ń ż ć ć ć Ę ńż ń Ą ć ć Ę ż ż ć ż ć Ń ż Ń ż Ń ż ż ń ć ń Ń ń Ę ż Ł Ń ż

Bardziej szczegółowo

1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.

1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. 1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące

Bardziej szczegółowo

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np. Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas

Bardziej szczegółowo

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1 Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa

Bardziej szczegółowo

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

Szeregi czasowe, analiza zależności krótkoi długozasięgowych Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t

Bardziej szczegółowo

1. Szereg niesezonowy 1.1. Opis szeregu

1. 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 szczegółowo

Ntli Natalia Nehrebecka. Dariusz Szymański. Zajęcia 4

Ntli Natalia Nehrebecka. Dariusz Szymański. Zajęcia 4 Ntl Natala Nehrebecka Darusz Szymańsk Zajęca 4 1 1. Zmenne dyskretne 3. Modele z nterakcjam 2. Przyblżane model dlnelnowych 2 Zmenne dyskretne Zmenne nomnalne Zmenne uporządkowane 3 Neco bardzej skomplkowana

Bardziej szczegółowo

Ó Ż ź Ó Ą Ż Ó ń ń ć ć ĘŚ Ś ŚĆ Ę ć ć ć ć Ś Ź ń ź ŚĆ ń Ś ź ć ć Ó ć ć ź ć ć ć ń ń Ł ć ź ć ń Ś ć ć ć Ł Ę Ś Ł Ę Ł ć ń ć Ś ź Ć Ś Ś ć ź Ó ź ć ć Ś ń ź Ś ź Ó Ś Ó Ś Ś ń Ś Ś ć ć ń ć ć Ż Ś ć ń ń Ł Ł ń ć ź ć ć Ó ć

Bardziej szczegółowo

Efekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA

Efekty 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 szczegółowo

Ekonometryczne modele nieliniowe

Ekonometryczne modele nieliniowe Eonomeryczne modele nieliniowe Wyład Doromił Serwa Zajęcia Wyład Laoraorium ompuerowe Prezenacje Zaliczenie EGZAMI 50% a egzaminie oowiązują wszysie informacje przeazane w czasie wyładów np. slajdy. Aywność

Bardziej szczegółowo

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość

Bardziej szczegółowo

Parytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD

Parytet 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 szczegółowo

Rozdziaª 4. Jednowymiarowe modele szeregów czasowych

Rozdziaª 4. Jednowymiarowe modele szeregów czasowych Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:

Bardziej szczegółowo

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna

Bardziej szczegółowo

Prognozowanie cen detalicznych żywności w Polsce

Prognozowanie cen detalicznych żywności w Polsce Prognozowane cen dealcznych żywnośc w Polsce Marusz Hamulczuk IERGŻ - PIB Kaarzyna Herel NBP Co dlaczego prognozujemy Krókookresowe prognozy cen dealcznych Ceny dealczne (ndywdualne produky, agregay) Isone

Bardziej szczegółowo

Parametry zmiennej losowej

Parametry zmiennej losowej Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru

Bardziej szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe

Bardziej szczegółowo

Inne kanały transmisji

Inne kanały transmisji Wykład 4 Inne kanały ransmsj Plan wykładu. Ceny akywów 3. Ceny akywów Wzros sopy procenowej powoduje spadek cen domów akcj. gdze C warość kuponu, F warość nomnalna gdze dywdenda, g empo wzrosu dywdendy

Bardziej szczegółowo

BADANIE STABILNOŚCI WSPÓŁCZYNNIKA BETA AKCJI INDEKSU WIG20

BADANIE STABILNOŚCI WSPÓŁCZYNNIKA BETA AKCJI INDEKSU WIG20 Darusz Letkowsk Unwersytet Łódzk BADANIE STABILNOŚCI WSPÓŁCZYNNIKA BETA AKCJI INDEKSU WIG0 Wprowadzene Teora wyboru efektywnego portfela nwestycyjnego zaproponowana przez H. Markowtza oraz jej rozwnęca

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE - zadania powtórzeniowe

PROGNOZOWANIE I SYMULACJE - zadania powtórzeniowe PROGNOZOWANIE I SYMULACJE - zadana powórzenowe Zadana I. Na podsawe danych z la 88- zbudowano model: y = + 3, 5 s = szuk, R =,3 opsujcy lczb sprzedawanych arówek w yscach szuk w pewnej frme. Wyznaczy prognoz

Bardziej szczegółowo

(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)

(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN) W ypowym zadanu z regresj nelnowej mamy nasępujące eapy: Esymacja (uzyskane ocen punkowych paramerów), w ym: 1. Dobór punków sarowych.. Kolejne eracje algorymu Gaussa Newona. 3. Zakończene algorymu Gaussa

Bardziej szczegółowo

EKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK NOTOWANYCH NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE

EKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK NOTOWANYCH NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Marusz Doszyń Unwersytet Szczecńsk Beata Antonewcz-Nogaj Ccero SC EKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK

Bardziej szczegółowo