DYNAMICZNE MODELE EKONOMETRYCZNE
|
|
- Franciszek Maj
- 5 lat temu
- Przeglądów:
Transkrypt
1 DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Krakowie Modelowanie macierzy warunkowych kowariancji za pomocą procesów SV 1 1. Wprowadzenie W analizie zjawisk finansowych bardzo ważną rolę odgrywa łączne modelowanie zmienności kilku szeregów sóp zmian (zwrou) akywów finansowych. Dość powszechnie sosowane są procesy ypu ARCH oraz GARCH, w kórych macierz warunkowych kowariancji jes zdeerminowane przeszłością procesu (zob. np. Bollerslev, Chou i Kroner (199), Osiewalski i Pipień (00, 004)). Inne podejście do modelowania finansowych szeregów czasowych polega na rakowaniu kowariancji warunkowych jako zmiennych ukryych. Definiuje się więc zw. procesy zmienności (wariancji) sochasycznej (ang. sochasic volailiy process, sochasic variance process, SV), w kórych, w odróżnieniu od procesów ypu ARCH lub GARCH, wariancje i kowariancje warunkowe są procesami ukryymi, niezdeerminowanymi przeszłością. Niniejszy arykuł jes konynuacją prac związanych z bayesowskim porównaniem czerech różnych specyfikacji dwuwymiarowych modeli SV (SDF, BSV, JSV, TSV, zob. Pajor (005b, 005c)). Rozważane specyfikacje różniły się liczbą procesów ukryych opisujących macierz warunkowej kowariancji oraz założeniami o współczynniku warunkowej korelacji. Orzymane wyniki empiryczne dla kursów waluowych (PLN/DEM i PLN/USD, ) wskazały na zdecydowaną przewagę modeli o zmiennym warunkowym współczynniku korelacji (czyli modeli TSV i JSV), przy czym model TSV, w kórym do opisu dynamiki zarówno warunkowych wariancji jak i kowariancji użyo rzech procesów ukry- 1 Praca wykonana w ramach badań sauowych finansowanych przez AE w Krakowie w roku 005. Auorka dziękuje Profesorowi Jackowi Osiewalskiemu za cenne uwagi, kóre przyczyniły się do powsania arykułu.
2 94 ych, uzyskał największe prawdopodobieńswo a poseriori. Naomias modele o sałym warunkowym współczynniku korelacji zosały zdecydowane odrzucone przez dane. Głównym celem niniejszej pracy jes rozszerzenie przedsawionej uprzednio klasy dwuwymiarowych modeli SV oraz bayesowskie porównanie mocy wyjaśniającej ych modeli w oparciu o czynniki Bayesa. W części drugiej pracy przedsawiono modele bayesowskie będące przedmioem porównania. Ograniczono się do modeli, kóre uzyskały największe prawdopodobieńswo a poseriori w poprzedniej analizie (zob. Pajor (005c)), oraz niekórych ich rozszerzeń. Przedsawione, w części rzeciej, ogólne zasady bayesowskiego porównywania modeli, zosaną wykorzysane do porównania mocy wyjaśniającej dwuwymiarowych modeli SV opisujących zmienność noowań dolara amerykańskiego, marki niemieckiej i euro (część 4). Część piąa zawiera uwagi końcowe i podsumowanie.. Dwuwymiarowe modele SV Niech {x = (x 1,, x, ), = 0, 1,..., T} oznacza szereg czasowy cen akywów finansowych (w niniejszej pracy są o noowania kursów waluowych). Logarymiczne sopy zmian {y = (y 1,, y, ), = 1,,...,T}, obliczone według formuły (por. Campbell, Lo i MacKinlay (1997)): yi, = 100ln( xi, / xi, 1), = 1,..., T, i = 1,, (1) modelujemy przyjmując srukurę VAR(1): y δ = R( y 1 δ ) + ξ, =, 1,..., T () czyli y 1, δ y 1 r r1 1, 1 δ ξ 1 1, = +, y, δ r r y 1, 1 δ ξ, gdzie {ξ } jes dwuwymiarowym procesem SV. Ograniczamy się do procesów SV o warunkowym rozkładzie normalnym, a więc ξ Θ ~ N(0[ 1],Σ ), gdzie Θ jes wekorem zmiennych ukryych. Przedsawione poniżej różne specyfikacje modelu SV będą różniły się założeniami o wekorze zmiennych ukryych Θ oraz srukurą macierzy warunkowych kowariancji Σ. Aby rozważane modele były komplene, konieczna jes specyfikacja rozkładów a priori dla paramerów ych modeli. Dla paramerów wspólnych, a więc wekora ω = (δ 1, δ, r, r 1, r 1, r ) R 6 przyjęo sandardowy rozkład normalny, ucięy resrykcją, że wekory własne macierzy R co do modułu są mniejsze od jeden: ω ~ N 6 (0, I 6 )I C (R), gdzie C = {R : warości własne macierzy R co do modułu są mniejsze od 1}. Symbol N p (a, A) oznacza p-wymiarowy rozkład normalny o wekorze średnich a i macierzy kowariancji A, I C ( ) jes funkcją charakerysyczną zbioru C.
3 Modelowanie macierzy warunkowych kowariancji za pomocą modeli SV Model TSV Definicja 1. Proces sochasyczny {ξ, Z} jes dwuwymiarowym procesem TSV wedy i ylko wedy, gdy ξ Θ ~ (0, Σ ), Σ = L G L, gdzie 1 0 L =, G q, 0 =, q 1 0 1, q, ln γ = φ (ln q γ + σ N [ 1] q,, 1 ) η,, ln q, γ = φ(ln q, 1 γ ) + σ η, q 1, γ 1 = φ1( q 1 γ 1) + σ 1η, ( η,, η,, η )' ~ iin(0[ 3 1], I3, η =, η ), Θ = q, q, q )', Z, Z = {..., -, -1, 0, 1,,...}. (,, W definicji procesu TSV wykorzysano dekompozycje Choleskiego macierzy Σ (zob. Tsay (00)). Dekompozycję a gwaranuje dodanią określoność macierzy Σ bez nakładania dodakowych resrykcji na paramery lub zmienne ukrye. Wysarczyło przyjąć jedynie, że ln q ii,, nie zaś bezpośrednio zmienna qii,. (i = 1, ), podlega procesowi auoregresyjnemu rzędu pierwszego. Macierz warunkowych kowariancji jes uaj funkcją rzech zmiennych ukryych q,, q,, q : σ q, q, q, σ1, Σ = =. (3) σ 1 q q q q + q, σ,,,, Zaem proces en charakeryzuje się niezerową, zmienną w czasie, sochasyczną warunkową korelacją. W chwili, podobnie jak wariancje warunkowe, jes zmienną losową, niezdeerminowaną przeszłością procesu: q, q ρ 1, =. (4) ( q + q q q,, ), Dla paramerów swoisych modelu TSV przyjmujemy nasępujące niezależne rozkłady a priori (zob. Pajor (005c)): β (ij) ~ N (0, 100I )I (-1,1) (φ ij ), β (ij) =(γ ij, φ ij ), σ ij ~ IG(1, 0,005), lnq ii,0 ~ N 1 (0, 100), i, j =1,, i j, q 0 ~ N 1 (0, 100). Wekory β (ij) (i, j=1, ; i j) mają a priori rozkłady normalne ucięe na drugiej współrzędnej (aby proces TSV był sacjonarny). Paramery σ ij (i, j=1, ; i j) mają odwrócony rozkład gamma, kórego zarówno warości średnie, jak i wariancja nie isnieją (por. jednowymiarowy model SV: Pajor (003)). Symbol IG(a, b) oznacza bowiem gęsość odwróconego rozkładu gamma ze średnią b/(a-1) (dla a > 1) i wariancją b /[(a-1) (a-)] (dla a > ). Warości począkowe procesów {lnq ii, } (i = 1, ) oraz {q }, oznaczone odpowiednio przez lnq ii,0, q 0, rakowane są jako dodakowe nieznane paramer modelu - przyjmujemy
4 96 dla niech a priori rozkład normalny o zerowej warości oczekiwanej i wariancji równej Model JSV() Zauważmy, że w modelu TSV wariancje warunkowe nie są modelowane symerycznie. Warunkowa wariancja drugiej składowej procesu zależy od warunkowej wariancji pierwszej składowej. Kolejność modelowanych szeregów czasowych może więc mieć wpływ na moc wyjaśniającą modelu oraz wnioskowanie o warunkowych wariancjach i kowariancji. W kolejnych rozważanych modelach wariancje warunkowe będą modelowane symerycznie. Zakładamy eraz, że zmiennymi ukryymi są warości własne macierzy warunkowych kowariancji Σ, zob. Pajor (005c). W definicji procesu JSV() wykorzysamy bowiem wierdzenie Jordana o zmianie bazy (wierdzenie o zw. posaci jordanowskiej macierzy kwadraowej, zob. Gancarzewicz (1993)). Definicja. Proces sochasyczny {ξ, Z} jes dwuwymiarowym procesem JSV() wedy i ylko wedy, gdy ξ Θ ~ N (0[ 1], Σ ), Σ = P Λ P -1, w 1 w 1 w w λ1, 0 Λ =, P = 0 λ, ponado ln λ γ = φ (ln λ γ + σ, w (0,1], 1, 1, 1 ) η 1,,, γ = φ (lnλ, 1 γ ) σ η,, ( η1,, η )', η ~ iin(0[ 1], I ), Θ = ( λ1,, λ, )'. lnλ + gdzie η =, Macierz Λ jes macierzą diagonalną zawierającą warości własne macierzy Σ, naomias macierz P jes zw. macierzą przejścia z bazy kanonicznej do bazy Jordana (inaczej macierzą sprowadzającą Σ do posaci diagonalnej). Jes o macierz nieosobliwa, zawierająca wekory własne Σ. Ponieważ macierz Σ jes symeryczna, dodakowo założono, że macierz P jes orogonalna zn. P P=I. Macierz warunkowych kowariancji jes eraz definiowana za pomocą dwóch procesów ukryych i jednego parameru: λ1, w + λ, (1 w) ( λ1, λ, ) w 1 w Σ =. (5) ( λ1, λ, ) w 1 w λ, w + λ1, (1 w) Warunkowy współczynnik korelacji jes posaci: ρ = ( λ 1, ( λ 1, λ λ ) w, ), w (1 w 1 w ) + λ λ 1,,. (6) Baza kanoniczna w R : e 1 = (1,0), e = (0,1).
5 Modelowanie macierzy warunkowych kowariancji za pomocą modeli SV 97 Przyjmujemy nasępujące rozkłady a priori paramerów modelu JSV(): β (ii) ~ N (0, 100 I ) I (-1,1) (φ ii ), β (ii) = (γ ii, φ ii), σ ii ~ IG(1, 0,005), lnλ i,0 ~ N 1 (0, 100), i = 1,, w ~ U(0,1) (j. rozkład jednosajny na przedziale (0,1))..3. Model JSV(3) Nauralnym uogólnieniem modelu JSV() jes uzmiennienie parameru w. Definicja 3. Proces sochasyczny {ξ, Z} jes dwuwymiarowym procesem JSV(3) wedy i ylko wedy, gdy ξ Θ ~ (0, Σ ), Σ = P Λ P -1, λ1, 0 w, 1 w Λ =, P = 0 λ, 1 w, w, ponado lnλ γ = φ (lnλ γ + σ η, lnλ + ln[ N [ 1] 1, 1, 1 ),, γ = φ (lnλ, 1 γ ) σ η,, w, /(1 w, )] γ 1 = φ1(ln[ w, 1 /(1 w, 1 )] γ 1) + σ 1η, ( η,, η,, η )' η ~ iin(0[ 3 1], I3, Θ = ( λ1,, λ,, w, )'., η =, ) Podobnie jak w modelu JSV() przyjmujemy nasępujące rozkłady a priori: β (ij) ~ N (0, 100 I ) I (-1,1) (φ ij ), β (ij) = (γ ij, φ ij), σ ij ~ IG(1, 0,005), lnλ i,0 ~ N 1 (0, 100), i, j =1,, i j, ln[w,0 /(1- w,0 )] ~ N 1 (0, 100). Liczba zmiennych ukryych opisujących elemeny macierzy warunkowych korelacji w modelu JSV(3) równa liczbie zmiennych ukryych wysępujących w modelu TSV (a więc rzy elemeny macierzy Σ są opisane rzema procesami ukryymi). W przeciwieńswie do modelu TSV wariancje warunkowe są uaj rakowane symerycznie, a więc nie ma znaczenia kolejność modelowanych szeregów czasowych., 3. Bayesowskie porównanie modeli Na gruncie bayesowskim podsawowym kryerium porównawczym modeli jes prawdopodobieńswo a poseriori modelu. Model, kóry uzyska największe prawdopodobieńswo a poseriori ma największą moc wyjaśniającą spośród rozważanych modeli bayesowskich (dane najsilniej przemawiają za ym modelem). Załóżmy, że {M 1, M,..., M n } (n N) o kompleny zbiór modeli, parami wykluczających się. Niech y = (y 1, y,..., y T ) oznacza macierz obserwacji. Niech ponado p(m 1 ), p(m ),..., p(m n ) będą prawdopodobieńswami a priori ych modeli. Wówczas prawdopodobieńswa a poseriori są równe:
6 98 n p( M y) = p( M ) p( y M ) / p( M ) p( y M ), i { 1,,..., n}, i i i j= 1 gdzie p(y M i ) jes brzegową gęsością macierzy obserwacji w modelu M i. Porównując modele parami wykorzysuje się zw. czynnik Bayesa: B ij = p(y M i )/p(y M j ), kóry przy jednakowych prawdopodobieńswach a priori modeli jes równy ilorazowi szans a poseriori: p(m i y)/p(m j y). Do obliczenia warość brzegowej gęsości macierzy obserwacji sosujemy meody Mone Carlo opare na łańcuchach Markowa (MCMC). Mając próbę pseudolosową z rozkładu a poseriori, warość brzegowej gęsości macierzy obserwacji jes aproksymowana sosowną średnią harmoniczną (zob. Newon i Rafery (1994), Pajor (005c)). j j 4. Wyniki empiryczne Przedmioem rozważań są dwa badane wcześniej kursy waluowe PL- N/USD i PLN/DEM ( , T = 148) oraz PLN/USD i PL- N/EUR ( , T = 758), a analiza ograniczona zosała do procesów dwuwymiarowych o zmiennym warunkowym współczynniku korelacji. W niniejszej pracy rozważamy czery modele bayesowskie: TSV USD_DEM (M 1 ) (odpowiednio TSV USD_EUR w przypadku kursów PLN/USD i PLN/EUR) i TSV DEM_USD (M ) (odpowiednio TSV EUR_USD ), model JSV() (M 3 ) i model JSV(3) (M 4 ). Modele TSV USD_DEM (odpowiednio TSV USD_EUR ) i TSV DEM_USD (odpowiednio TSV EUR_USD ) różnią się kolejnością modelowanych szeregów czasowych. W modelu TSV USD_DEM pierwsza składowa wekora y odpowiada noowaniom dolara amerykańskiego, zaś druga składowa noowaniom marki niemieckiej (ak jes również w modelach JSV() i JSV(3)). W modelu TSV DEM_USD kolejność modelowanych szeregów jes odwrona. Naomias w modelu TSV USD_EUR pierwsza składowa wekora y odpowiada noowaniom dolara amerykańskiego, zaś druga noowaniom euro. Table 1. Logarymy dziesięne czynników Bayesa w sosunku do modelu JSV(3) Model TSV USD_DEM (TSV USD_EUR ) TSV DEM_USD Liczba procesów ukryych Liczba paramerów Log 10 (B JSV(3) i ) PLN/USD, PLN/DEM ( ) Log 10 (B JSV(3) i ) PLN/USD, PLN/EUR ( ) (TSV EUR_USD ) JSV() JSV(3) SDF BSV Źródło: obliczenia własne
7 Modelowanie macierzy warunkowych kowariancji za pomocą modeli SV 99 Tabela 1 przedsawia logarymy dziesięne czynników Bayesa w sosunku do modelu JSV(3) 3. Dla porównania zamieściliśmy również modele, kóre były rozważane w naszych poprzednich pracach (SDF i BSV o sałym lub zerowym warunkowym współczynniku korelacji). Uzyskane wyniki pokazują, że prawdopodobieńswo a poseriori modelu TSV zależy od kolejności modelowanych szeregów. Model TSV USD_DEM uzyskał prawdopodobieńswo a poseriori o około 4 rzędy wielkości wyższe niż model TSV DEM_USD (dla danych z okresu: ). Prawdopodobnie jes o spowodowane ym, że zmienność wariancji warunkowej sóp zmian noowań marki niemieckiej (mierzona kwadraem współczynnika zmienności CV, zob. Pajor (003)) była, w badanym okresie, wyższa niż warunkowej wariancji sóp zmian noowań dolara amerykańskiego. Model TSV, w kórym szereg charakeryzujący się mniejszą zmiennością wariancji warunkowej rakowany jes jako realizacja pierwszej składowej procesu, może być lepiej dopasowany do danych. Ponado model TSV DEM_USD jes mniej prawdopodobny a poseriori niż model JSV() (model z dwoma procesami ukryymi). Zaem nie ylko liczba procesów ukryych wpływa na prawdopodobieńswo a poseriori modelu, ale również sposób modelowania macierzy warunkowych kowariancji. Najsłabiej wypadają modele o zerowym lub sałym warunkowym współczynniku korelacji. W przypadku rozważanych danych największą moc wyjaśniającą uzyskał model JSV(3), w kórym, podobnie jak w przypadku modelu TSV, macierz warunkowych kowariancji opisana jes za pomocą rzech procesów ukryych. W przeciwieńswie do modelu TSV wariancje warunkowe modelowane są symerycznie (nie ma znaczenia kolejność modelowanych szeregów). Jednak uogólnienie modelu JSV(3) na przypadek wyżej niż dwuwymiarowy nie jes ak prose jak modelu TSV. Znacznie mniejsze różnice w logarymach czynników Bayesa uzyskaliśmy dla noowań dolara amerykańskiego i euro (długość modelowanych szeregów jes w ym przypadku prawie o połowę krósza, sąd dane słabiej opowiadają się" za danym modelem). Zmienił się również ranking modeli największą moc wyjaśniającą mają modele z rzema procesami ukryymi. 5. Podsumowanie Celem pracy była prezenacja i porównanie dwuwymiarowych procesów wariancji sochasycznej (SV) w analizie zmienności i korelacji warunkowej finansowych szeregów czasowych. Wyniki empiryczne, orzymane w oparciu o szereg dziennych sóp zmian dolara amerykańskiego i marki niemieckiej ( ) oraz dolara amerykańskiego i euro ( ) pokazały, iż w modelowaniu zmienności dwóch szeregów czaso- 3 Prezenowane wyniki orzymano wykorzysując meody MCMC algorym Gibbsa, wewnąrz kórego sosowano algorym Meropolisa i Hasingsa wykonano losowań (cykli Gibbsa), w ym cykli spalonych. Meody e są omówione w pracach: O Hagan (1994), Gamerman (1997), Jacquier, Polson i Rossi (1999), Tsay (00), Pajor (003, 005a).
8 100 wych bardzo ważne jes uwzględnienie niezerowego i zmiennego warunkowego współczynnika korelacji. Zależność między badanymi szeregami czasowymi najlepiej opisują modele, kóre uwzględniają zmienną w czasie korelację warunkową oraz modele o liczbie zmiennych ukryych równej liczbie różnych elemenów macierzy warunkowych kowariancji j. model TSV (z właściwą kolejnością modelowanych szeregów), i JSV(3). Lieraura Bollerslev, T., Chou, R.Y., Kroner, K.F. (199), ARCH Modelling in Finance: A Review of he Theory and Emprical Evidence, Journal of Economerics, vol. 5, Campbell, J.Y., Lo, A.W., MacKinlay, A.C. (1997), The Economerics of Financial Markes, Princeon Universiy Press, Chicheser. Gamerman, D., (1997), Markov Chain Mone Carlo. Saisic simulaion for Bayesian inference, Chapman and Hall, London. Gancarzewicz, J., (1993), Algebra liniowa z elemenami geomerii, Wydanie drugie poprawione, Skrypy uczelniane, nr 675, Drukarnia Uniwersyey Jagiellońskiego w Krakowie, Kraków. Jacquier, E., Polson, N., Rossi, P. (1999), Sochasic Volailiy: Univariae and Mulivariae Exensions, Cahiers Cirano, Cenre Ineruniversiaire de Recherche en Analyse des Organisaions, Monréal. Newon, M.A., Rafery, A.E. (1994), Approximae Bayesian inference by he weighed likelihood boosrap (wih discussion), Journal of he Royal Saisical Sociey B, vol. 56, No. 1, O Hagan, A. (1994), Bayesian Inference, Halsed Press, New York. Osiewalski, J., Pipień, M. (00), Mulivariae ARCH Type Models: A Bayesian Comparison, Dynamic Economeric Models, vol. 5, ed. Zieliński Z., Toruń. Osiewalski, J., Pipień, M. (004), Bayesian Comparison of Bivariae ARCH-Type Models for he Main Exchange Raes in Poland, Journal of Economerics, vol. 13, Pajor, A. (003), Procesy zmienności sochasycznej SV w bayesowskiej analizie finansowych szeregów czasowych, Monografie: Prace Dokorskie, Nr, Wydawnicwo AE w Krakowie, Kraków. Pajor, A. (005a), Bayesian Analysis of Sochasic Volailiy Model and Porfolio Allocaion, [w:] Issues in Modelling, Forecasing and Decision-Making in Financial Markes, (Aca Universiais Lodzensis Folia Oeconomica, Łódź (w druku). Pajor, A. (005b), Dwuwymiarowe procesy SV w bayesowskiej analizie porfelowej, Meody ilościowe w naukach ekonomicznych. Piąe Warszay Dokorskie z Ekonomerii i Saysyki (red. A. Welfe), Wydawnicwo SGH w Warszawie (w druku). Pajor, A. (005c), Bayesian comparison of bivariae SV models for wo relaed ime series, Aca Universiais Lodziensis - Folia Oeconomica, (refera wygłoszony na Thiry Firs Inernaional Conference Macromodels 004, December 1 4, 004, Bełchaów, Poland i przesłany do recenzji). Tsay, R. S. (00), Analysis of Financial Time Series. Financial Economerics, A Wiley-Inerscience Publicaion, John Wiley & Sons, INC.
Anna Pajor Akademia Ekonomiczna w Krakowie
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Krakowie Prognozowanie
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoBayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1
Jacek Kwiakowski Uniwersye Mikołaja Kopernika w Toruniu Bayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1 WSTĘP Powszechnie wiadomo, że podsawowymi własnościami procesów finansowych
Bardziej szczegółowoMagdalena Sokalska Szkoła Główna Handlowa. Modelowanie zmienności stóp zwrotu danych finansowych o wysokiej częstotliwości
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Szkoła Główna Handlowa Modelowanie zmienności
Bardziej szczegółowoUogólnienie dychotomicznego modelu probitowego z wykorzystaniem skośnego rozkładu Studenta *
Jacek Osiewalski Jerzy Marzec, Kaedra Ekonomerii i Badań Operacyjnych, Uniwersye Ekonomiczny w Krakowie Jacek Osiewalski, Jerzy Marzec Uogólnienie dychoomicznego modelu probiowego z wykorzysaniem skośnego
Bardziej szczegółowoEwa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoWyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH
Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele
Bardziej szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej szczegółowoOddziaływanie procesu informacji na dynamikę cen akcji. Małgorzata Doman Akademia Ekonomiczna w Poznaniu
Oddziaływanie procesu informacji na dynamikę cen akcji. Małgorzaa Doman Akademia Ekonomiczna w Poznaniu Modele mikrosrukury rynku Bageho (97) informed raders próbują wykorzysać swoją przewagę informacyjną
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoEFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE
Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
Bardziej szczegółowoDaniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Wykorzysanie
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
Bardziej szczegółowoKRZYSZTOF JAJUGA Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Akademia Ekonomiczna we Wrocławiu 25 LAT EKONOMETRII FINANSOWEJ
KRZYSZTOF JAJUGA Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Akademia Ekonomiczna we Wrocławiu 25 LAT EKONOMETRII FINANSOWEJ EKONOMETRIA FINANSOWA OKREŚLENIE Modele ekonomerii finansowej są worzone
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowoROCZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/2007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Katowicach
ROZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Kaowicach WYZNAZANIE PARAMETRÓW FUNKJI PEŁZANIA DREWNA W UJĘIU LOSOWYM * Kamil PAWLIK Poliechnika
Bardziej szczegółowoPROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 69 Elecrical Engineering 0 Janusz WALCZAK* Seweryn MAZURKIEWICZ* PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO W arykule opisano meodę generacji
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoKrzysztof Piontek Akademia Ekonomiczna we Wrocławiu. Modelowanie warunkowej kurtozy oraz skośności w finansowych szeregach czasowych
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 5 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Modelowanie
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoMODELOWANIE 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 szczegółowoUMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE
Pior Fiszeder UMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE. Wprowadzenie Rynki kapiałowe na świecie są coraz silniej powiązane. Do najważniejszych
Bardziej szczegółowo2. Wprowadzenie. Obiekt
POLITECHNIKA WARSZAWSKA Insyu Elekroenergeyki, Zakład Elekrowni i Gospodarki Elekroenergeycznej Bezpieczeńswo elekroenergeyczne i niezawodność zasilania laoraorium opracował: prof. dr ha. inż. Józef Paska,
Bardziej szczegółowoPIOTR FISZEDER, JACEK KWIATKOWSKI Katedra Ekonometrii i Statystyki
PIOTR FISZEDER, JACEK KWIATKOWSKI Kaedra Ekonomerii i Saysyki DYNAMICZNA ANALIZA ZALEŻNOŚCI POMIĘDZY OCZEKIWANĄ STOPĄ ZWROTU A WARUNKOWĄ WARIANCJĄ Sreszczenie: W badaniu zasosowano modele GARCHM ze sałym
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoEfekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA
Joanna Górka * Efeky agregacji czasowej szeregów finansowych a modele klasy Sign RCA Wsęp Wprowadzenie losowego parameru do modelu auoregresyjnego zwiększa możliwości aplikacyjne ego modelu, gdyż pozwala
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoElżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyk Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoAlicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza
Bardziej szczegółowoKrzysztof Jajuga Akademia Ekonomiczna we Wrocławiu. Modelowanie stóp procentowych a narzędzia ekonometrii finansowej
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Krzyszof Jajuga Akademia Ekonomiczna
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 szczegółowoNiezawodność elementu nienaprawialnego. nienaprawialnego. 1. Model niezawodnościowy elementu. 1. Model niezawodnościowy elementu
Niezawodność elemenu nienarawialnego. Model niezawodnościowy elemenu nienarawialnego. Niekóre rozkłady zmiennych losowych sosowane w oisie niezawodności elemenów 3. Funkcyjne i liczbowe charakerysyki niezawodności
Bardziej szczegółowoKrzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informayki Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Krzyszof Pionek Weryfikacja modeli Blacka-Scholesa oraz AR-GARCH
Bardziej szczegółowoMODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW Wprowadzenie Współczesne zarządzanie ryzykiem
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
Bardziej szczegółowoCHEMIA KWANTOWA Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoretycznej Zespół Chemii Kwantowej Grupa Teorii Reaktywności Chemicznej
CHEMI KWTOW CHEMI KWTOW Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoreycznej Zespół Chemii Kwanowej Grupa Teorii Reakywności Chemicznej LITERTUR R. F. alewajski, Podsawy i meody chemii kwanowej:
Bardziej szczegółowoWPŁYW WARTOŚCI EKSTREMALNYCH NA ZMIENNOŚĆ STOCHASTYCZNĄ
Jusyna Majewska Uniwersye Ekonomiczny w Kaowicach WPŁYW WARTOŚCI EKSTREMALNYCH NA ZMIENNOŚĆ STOCHASTYCZNĄ Wprowadzenie Idea modelu zmienności sochasycznej (ang. sochasic volailiy, SV) powsała na podsawie
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X
Bardziej szczegółowoBayesowska analiza modeli ARFIMA i persystencji na przykładzie kursu jednostek uczestnictwa funduszu Pioneer.
Jacek Kwiakowski Bayesowska analiza modeli ARFIMA i persysencji na przykładzie kursu jednosek uczesnicwa funduszu Pioneer.. Wsęp Celem prezenowanego arykułu jes analiza empiryczna modeli AR- FIMA oraz
Bardziej szczegółowoMODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wsęp MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Nowoczesne echniki zarządzania ryzykiem rynkowym
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoψ przedstawia zależność
Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoWykorzystanie wielorównaniowych modeli AR-GARCH w pomiarze ryzyka metodą VaR
Krzyszof Pionek Daniel Papla Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wykorzysanie wielorównaniowych modeli AR-GARCH w pomiarze ryzyka meodą VaR Wsęp Wśród różnych meod
Bardziej szczegółowoMETODY STATYSTYCZNE W FINANSACH
METODY STATYSTYCZNE W FINANSACH Krzyszof Jajuga Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W osanich kilkunasu laach na świecie obserwuje się dynamiczny
Bardziej szczegółowoMetody badania wpływu zmian kursu walutowego na wskaźnik inflacji
Agnieszka Przybylska-Mazur * Meody badania wpływu zmian kursu waluowego na wskaźnik inflacji Wsęp Do oceny łącznego efeku przenoszenia zmian czynników zewnęrznych, akich jak zmiany cen zewnęrznych (szoki
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowoVII. ZAGADNIENIA DYNAMIKI
Konderla P. Meoda Elemenów Skończonych, eoria i zasosowania 47 VII. ZAGADNIENIA DYNAMIKI. Równanie ruchu dla zagadnienia dynamicznego Q, (7.) gdzie M NxN macierz mas, C NxN macierz łumienia, K NxN macierz
Bardziej szczegółowoKomputerowa analiza przepływów turbulentnych i indeksu Dow Jones
Kompuerowa analiza przepływów urbulennych i indeksu Dow Jones Rafał Ogrodowczyk Pańswowa Wyższa Szkoła Zawodowa w Chełmie Wiesław A. Kamiński Uniwersye Marii Curie-Skłodowskie w Lublinie W badaniach porównano
Bardziej szczegółowoMagdalena Osińska, Marcin Fałdziński Uniwersytet Mikołaja Kopernika w Toruniu. Modele GARCH i SV z zastosowaniem teorii wartości ekstremalnych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarim Nakowe 4 6 września 2007 w Torni Kaedra Ekonomerii i Saysyki Uniwersye Mikołaja Kopernika w Torni Magdalena Osińska Marcin Fałdziński Uniwersye
Bardziej szczegółowoPrognozowanie średniego miesięcznego kursu kupna USD
Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska
Bardziej szczegółowoOcena efektywności procedury Congruent Specyfication dla małych prób
243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji
Bardziej szczegółowoMODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX
Krzyszof Ćwikliński Uniwersye Ekonomiczny we Wrocławiu Wydział Zarządzania, Informayki i Finansów Kaedra Ekonomerii krzyszof.cwiklinski@ue.wroc.pl Daniel Papla Uniwersye Ekonomiczny we Wrocławiu Wydział
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoRównania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.
Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR
Inwesycje finansowe i ubezpieczenia endencje świaowe a rynek polski Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR Wsęp Konieczność
Bardziej szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoTransakcje insiderów a ceny akcji spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie S.A.
Agaa Srzelczyk Transakcje insiderów a ceny akcji spółek noowanych na Giełdzie Papierów Warościowych w Warszawie S.A. Wsęp Inwesorzy oczekują od każdej noowanej na Giełdzie Papierów Warościowych spółki
Bardziej szczegółowoRuch płaski. Bryła w ruchu płaskim. (płaszczyzna kierująca) Punkty bryły o jednakowych prędkościach i przyspieszeniach. Prof.
Ruch płaski Ruchem płaskim nazywamy ruch, podczas kórego wszyskie punky ciała poruszają się w płaszczyznach równoległych do pewnej nieruchomej płaszczyzny, zwanej płaszczyzną kierującą. Punky bryły o jednakowych
Bardziej szczegółowoŹRÓDŁA FLUKTUACJI REALNEGO EFEKTYWNEGO KURSU EUR/ PLN
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/, 0, sr. 389 398 ŹRÓDŁA FLUKTUACJI REALNEGO EFEKTYWNEGO KURSU EUR/ PLN Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków Gospodarczych
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoPrzemysław Klęsk. Słowa kluczowe: analiza składowych głównych, rozmaitości algebraiczne
Przemysław Klęsk O ALGORYTMIE PRINCIPAL MANIFOLDS OPARTYM NA PCA SŁUŻACYM DO ZNAJDOWANIA DZIEDZIN JAKO ROZMAITOŚCI ALGEBRAICZNYCH NA PODSTAWIE ZBIORU DANYCH, PROPOZYCJA MIAR JAKOŚCI ROZMAITOŚCI Sreszczenie
Bardziej szczegółowoPOWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE
Anea Kłodzińska, Poliechnika Koszalińska, Zakład Ekonomerii POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Sopy procenowe w analizach ekonomicznych Sopy procenowe
Bardziej szczegółowoWykład 4 Metoda Klasyczna część III
Teoria Obwodów Wykład 4 Meoda Klasyczna część III Prowadzący: dr inż. Tomasz Sikorski Insyu Podsaw Elekroechniki i Elekroechnologii Wydział Elekryczny Poliechnika Wrocławska D-, 5/8 el: (7) 3 6 fax: (7)
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n
Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoTestowanie współzależności w rozwoju gospodarczym
The Wroclaw School of Banking Research Journal ISSN 1643-7772 I eissn 2392-1153 Vol. 15 I No. 5 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu ISSN 1643-7772 I eissn 2392-1153 R. 15 I Nr 5 Tesowanie
Bardziej 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 szczegółowoOCENA ATRAKCYJNOŚCI INWESTYCYJNEJ AKCJI NA PODSTAWIE CZASU PRZEBYWANIA W OBSZARACH OGRANICZONYCH KRZYWĄ WYKŁADNICZĄ
Tadeusz Czernik Daniel Iskra Uniwersye Ekonomiczny w Kaowicach Kaedra Maemayki Sosowanej adeusz.czernik@ue.kaowice.pl daniel.iskra@ue.kaowice.pl OCEN TRKCYJNOŚCI INWESTYCYJNEJ KCJI N PODSTWIE CZSU PRZEBYWNI
Bardziej szczegółowoPODSTAWY CHEMII KWANTOWEJ. Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoretycznej Zespół Chemii Kwantowej Grupa Teorii Reaktywności Chemicznej
PODSTWY CHEMII KWTOWEJ Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoreycznej Zespół Chemii Kwanowej Grupa Teorii Reakywności Chemicznej LITERTUR R. F. alewajski, Podsawy i meody chemii kwanowej:
Bardziej szczegółowoPREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW
Bardziej szczegółowoOPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR
Daniel Iskra Uniwersye Ekonomiczny w Kaowicach OPTYMALIZACJA PORTFELA IWESTYCYJEGO ZE WZGLĘDU A MIIMALY POZIOM TOLERACJI DLA USTALOEGO VaR Wprowadzenie W osanich laach bardzo popularną miarą ryzyka sała
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoEkonometryczne modele nieliniowe
Eonomeryczne modele nieliniowe Wyład Doromił Serwa Zajęcia Wyład Laoraorium ompuerowe Prezenacje Zaliczenie EGZAMI 50% a egzaminie oowiązują wszysie informacje przeazane w czasie wyładów np. slajdy. Aywność
Bardziej szczegółowoModelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU
Modelowanie ryzyka kredyowego MODELOWANIE ZA POMOCA PROCESU HAZARDU Mariusz Niewęgłowski Wydział Maemayki i Nauk Informacyjnych, Poliechniki Warszawskiej Warszawa 2014 hazardu Warszawa 2014 1 / 18 Proces
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 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 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 szczegółowoDyskretny proces Markowa
Procesy sochasyczne WYKŁAD 4 Dyskreny roces Markowa Rozarujemy roces sochasyczny X, w kórym aramer jes ciągły zwykle. Będziemy zakładać, że zbiór sanów jes co najwyżej rzeliczalny. Proces X, jes rocesem
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009 Uniwersye Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saysyki
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoSYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE
SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne
Bardziej szczegółowoWybrane dwuwymiarowe modele dla zmiennych licznikowych w ekonomii 1
Jerzy Marzec Adres e mail: marzecj@uek.krakow.pl Uniwersye Ekonomiczny w Krakowie Kaedra: Kaedra Ekonomerii i Badań Operacyjnych Wybrane dwuwymiarowe modele dla zmiennych licznikowych w ekonomii. Wsęp
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowo