Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN Nr
|
|
- Łucja Wolska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN Nr Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii i Saysyki Ekonomicznej alicja.ganczarek-gamro@ue.kaowice.pl PORÓWNANIE METOD ESTYMACJI VaR NA POLSKIM RYNKU GAZU Sreszczenie: Celem pracy jes przeprowadzenie analizy porównawczej meod esymacji ryzyka zmiany ceny gazu oszacowanego za pomocą Value-a-Risk (VaR). W pracy do porównania efekywności esymacji ryzyka zmiany ceny gazu wybrano meodę symulacji Mone Carlo, w kórej VaR rakowany jes jako kwanyl rozkładu zmiennej losowej o rozkładzie normalnym, -Sudena, GED oraz skośnym rozkładzie -Sudena z VaR oszacowanym z uwzględnieniem dynamiki zmienności cen gazu za pomocą liniowych oraz nieliniowych modeli szeregów czasowych AR-GARCH. Analiza porównawcza zosała przeprowadzona w oparciu o wyniki esu przekroczeń Kupca na podsawie logarymicznych sóp zwrou warości indeksu gas_base noowanego na Rynku Dnia Nasępnego (RDN) TGE w okresie od sycznia do 20 lisopada 204 roku. Słowa kluczowe: VaR, rozkład sóp zwrou, modele szeregów czasowych. Wprowadzenie W 202 roku na Rynku Terminowym Towarowym polskiej Towarowej Giełdy Energii (TGE) pojawiły się insrumeny erminowe owarowe na gaz, a 3 grudnia 202 roku uruchomiony zosał rynek spo gazu, na kórym od marca 203 roku podawane są noowania ciągłe konraków na dosawę gazu, łączny dzienny wolumen obrou oraz warości indeksów gas_base i gas_weekend. Celem pracy jes przeprowadzenie analizy porównawczej meod esymacji ryzyka zmiany ceny gazu oszacowanego za pomocą Value-a-Risk (VaR). Meody esymacji warości zagrożonej generalnie można podzielić na meody rakujące VaR jako paramer, czyli kwanyl rozkładu zmiennej losowej, lub jako funkcję zależną od czasu, czyli kwanyl rozkładu procesu sochasycznego. W pracy do porównania efekywności esymacji ryzyka zmiany ceny gazu wybrano meodę,
2 42 Alicja Ganczarek-Gamro w kórej VaR rakowany jes jako kwanyl rozkładu: normalnego, -Sudena, GED oraz skośnego -Sudena z VaR oszacowanym z uwzględnieniem dynamiki zmienności cen gazu za pomocą liniowych i nieliniowych modeli szeregów czasowych. Analiza porównawcza zosała przeprowadzona w oparciu o wyniki esu przekroczeń Kupca na podsawie dziennych logarymicznych sóp zwrou warości indeksu gas_base noowanego na Rynku Dnia Nasępnego (RDN) TGE w okresie od sycznia do 20 lisopada 204 roku.. Wybrane meody esymacji VaR Warość narażona na ryzyko (ang. Value-a-Risk, VaR) jes o aka sraa warości, kóra z zadanym prawdopodobieńswem ( 0, ) nie zosanie przekroczona w określonym czasie Δ [Jajuga, 2000]. VaR dla pozycji krókiej definiowana jes nasępująco: P( X + Δ X VaR ) =, () gdzie: X obecna warość waloru w chwili, X + Δ zmienna losowa, warość waloru na końcu rwania inwesycji. Oznaczając przez Z logarymiczną sopę zwrou z inwesycji X Δ Z = ln( + ), (2) X równość () można zapisać jako kwanyl rzędu ( 0, ) rozkładu logarymicznych sóp zwrou [Jajuga, 2000]: VaR (e Z = -)X. (3) Spośród meod esymacji kwanyla w niniejszym arykule wybrano meodę symulacji Mone Carlo, w kórej przyjmuje się pewien hipoeyczny model najlepiej opisujący rozkład sóp zwrou w szczególności w ogonach rozkładu. Kwanyl rzędu ( 0, ) można zapisać nasępująco [Blanco, 998]: Z = μ + F ( σ, (4) ) Dla pozycji długiej warość sray VaR można zdefiniować nasępująco: P( X + Δ X VaR ) =.
3 Porównanie meod esymacji VaR na polskim rynku gazu 43 gdzie: μ średnia rozkładu sóp zwrou, σ odchylenie sandardowe rozkładu sóp zwrou, F ( ) kwanyl rzędu rozparywanego zesandaryzowanego rozkładu, F () dysrybuana rozkładu. Podejście esymacji kwanyla danego równością (4) zosało porównane z esymacją kwanyla będącego funkcją czasu w nasępujący sposób [Doman, 2004a; Doman, 2004b, Pionek, 2002]: Z μ + F ( ) σ =, (5) gdzie: μ średnia sóp zwrou zależna od czasu, σ odchylenie sandardowe sóp zwrou zależne od czasu, F ( ) kwanyl rzędu rozparywanego zesandaryzowanego rozkładu, F () dysrybuana rozkładu. Biorąc pod uwagę charaker zmienności oraz częsoliwość danych warość oczekiwaną procesu sochasycznego zmienności cen gazu μ można zapisać, wykorzysując modele uwzględniające rend, sezonowość i auokorelację, np. model SARIMA (ang. Seasonal Auo-Regressive Inegraed Moving Average) (p,d,q) (P, D, Q) [Brockwell i Davis, 996]: gdzie: p( B )P ( s d s s B ) s z = q( B )Qs ( B ) p ε, (6) p ( B ) = p B, P ( B ) = P B, i= q i i= i i i s P si i= q ( B ) = q B, Q ( B ) = Q B, s Q i= s opóźnienie sezonowe, d rząd zinegrowania szeregu, z empiryczne warości szeregu, s B operaor przesunięcia B z = z s, s operaor różnicowy z = z z s s = ( B )z, ε reszy modelu, p rząd opóźnienia części auoregresyjnej modelu, d rząd sopnia zinegrowania modelu, si i i
4 44 Alicja Ganczarek-Gamro q rząd opóźnienia części średniej ruchomej modelu, P rząd opóźnienia sezonowej części auoregresyjnej modelu, D rząd sezonowego sopnia zinegrowania modelu, Q rząd opóźnienia sezonowej części średniej ruchomej modelu. Ze względu na obserwowany efek skupiania się zmienności wariancję szeregu logarymicznych sóp zwrou cen gazu opisano uogólnionym modelem wariancji GARCH(m, k) (ang. Generalized Auoregressive Condiional Heeroscedasiciy) [Engle i Bollerslev, 986]: σ + + m l = iz i βiσ i= i= 0, (7) gdzie: 0 warość bezwarunkowej wariancji procesu ( a 0 0 ),, β q p > 0 a pozosałe współczynniki są nieujemne, m, l rząd modelu. Do porównania poprawności esymacji warości VaR w pracy wykorzysano es ilości przekroczeń VaR [Kupiec, 995], w kórym weryfikowana jes hipoeza: H w = 0 : VaR wobec hipoezy alernaywnej H w : VaR, gdzie: rząd przekroczeń VaR, w VaR udział przekroczeń VaR w procesie rozparywanych sóp zwrou, w = K udział przekroczeń VaR VaR w szeregu rozparywanych sóp zwrou T (K liczba przekroczeń, T długość szeregu). Przy założeniu prawdziwości hipoezy zerowej saysyka: LR POF ( ) 2ln T K T T K = K K K K T ~ χ 2 (8) 2 ma asympoyczny rozkład χ z jednym sopniem swobody [Kupiec, 995].
5 Porównanie meod esymacji VaR na polskim rynku gazu Analiza empiryczna Na rys. przedsawiono szereg czasowy warości indeksu gas_base noowanego od marca 203 roku (począku funkcjonowania RDN gazu) do 20 lisopada 204 roku. Warość indeksu gas_base odpowiada średniej dziennej cenie gazu [PLN/MWh] spośród wszyskich ransakcji zawarych na dany dzień. Indeks noowany jes każdego dnia ygodnia łącznie z dniami świąecznymi. Na począku wprowadzenia handlu konrakami na gaz poza nielicznymi wyjąkami ceny gazu kszałowały się na sałym poziomie. Dopiero pod koniec roku 203 można zauważyć zmiany w poziomie kszałowania się cen gazu, jak również rend i siedmiodniową cykliczność /03/0 203/04/25 203/06/07 203/07/7 203/08/26 203/0/05 203//4 203/2/24 204/02/05 204/04/05 204/05/5 204/06/24 204/08/03 204/09/2 indeks [PLN/MWh] 204/0/22 Rys.. Warości indeksu gas_base [PLN/MWh] noowanego na Rynku Dnia Nasępnego Towarowej Giełdy Energii w okresie od do Źródło: [www ]. Na rys. 2 przedsawiono szereg czasowy dziennych logarymicznych sóp zwrou indeksu gas_base dla analogicznego okresu. W szeregu sóp zwrou rend nie jes widoczny, naomias wyraźnie widać okresy bardzo niskiej zmienności cen, czyli okresy niskiego ryzyka zmiany ceny gazu, jak również okresy podwyższonej zmienności cen, a najwyższy poziom ryzyka zmiany ceny obserwujemy w momencie pojawienia się konfliku na Ukrainie.
6 46 Alicja Ganczarek-Gamro 0,2 0,0 0,08 0,06 0,04 0,02 0,00-0,02-0,04-0,06-0,08-0,0-0,2-0,4-0,6 203/03/0 203/04/25 203/06/07 203/07/7 203/08/26 203/0/05 203//4 203/2/24 204/02/05 204/04/05 204/05/5 204/06/24 204/08/03 204/09/2 z 204/0/22 Rys. 2. Szereg czasowy logarymicznych sóp zwrou warości indeksu gas_base w okresie od do Biorąc pod uwagę kszałowanie się cen oraz logarymicznych sóp zwrou cen gazu (rys. -2), do analizy porównawczej efekywności meod esymacji VaR wybrano szereg logarymicznych sóp zwrou cen gazu noowanych na RDN od sycznia do 20 października 204. Na rys. 3 przedsawiono hisogram rozkładu oraz wykres kwanyl-kwanyl. Na poziomie isoności 0,05 należy odrzucić hipoezę, że rozkład sóp zwrou cen gazu jes rozkładem normalnym. W ocenie rozkładu należy uwzględnić akie charakerysyki jak: obserwowana na rys. 3 asymeria, grube ogony oraz lepokuryczność ,2 0,0 0,08 z = 2,2445E-5+0,0283*x 0,0 0,05 0,25 0,50 0,75 0,90 0,99 Liczba obserwacji ,490-0,068-0,0646-0,0224 0,098 0,0620 0,042-0,279-0,0857-0,0435-0,003 0,0409 0,083 z Warość obserwowana 0,06 0,04 0,02 0,00-0,02-0,04-0,06-0,08-0,0-0,2-0,4-0, Kwanyl eoreyczny Rys. 3. Rozkład logarymicznych sóp zwrou warości indeksu gas_base w okresie od do
7 Porównanie meod esymacji VaR na polskim rynku gazu 47 0,2 0,0 0,08 0,06 0,04 0,02 0,00 z -0,02-0,04-0,06-0,08-0,0-0,2-0,4-0, dzień ygodnia Mediana 5%-95% Zakres nieodsających Odsające Eksremalne Rys. 4. Wykres ramka-wąsy logarymicznych sóp zwrou warości indeksu gas_base w okresie od do w poszczególne dni ygodnia ( poniedziałek, 7 niedziela) W wyborze modelu szeregu czasowego logarymicznych sóp zwrou cen gazu należy uwzględnić brak rendu oraz efek skupiania się zmienności (rys. 2), jak również wysępującą w szeregu auokorelację związaną z cyklicznością ygodniową widoczną na rys Warości funkcji auokorelacji (ACF) oraz auokorelacji cząskowej (PACF) (rys. 5) zanikają. Biorąc pod uwagę wymienione charakerysyki szeregu empirycznego (auokorelację, sezonowość) oraz isoność paramerów modelu, oszacowany model SARIMA meodą najmniejszych kwadraów zosał zredukowany do posaci μ = 0,5z 7.
8 48 Alicja Ganczarek-Gamro 0,20 0,5 0,0 0,05 0,00-0,05-0,0-0, ACF PACF Rys. 5. Wykres funkcji ACF oraz PACF logarymicznych sóp zwrou warości indeksu gas_base w okresie od do Paramery modelu wariancji w zależności od zakładanego rozkładu zawiera abela. Na mocy kryerium Schwarza (BIC) [Schwarz, 978] najlepiej do danych dopasowany jes model z lepokurycznym rozkładem GED. Tabela. Paramery modelu wariancji Rozkład a 0 a b Paramery rozkładu BIC normalny (N) 2,54 0,23 0,43 N(0, ) -4, Sudena () 2,28 0,3 0,46 (0,, 4,3) -4, GED 2,27 0,26 0,45 GED(0,,,6) -4, skośny -Sudena (sk-) 2,28 0,3 0,45 sk-(0,, 0,02, 4,) -4,4748 W abeli 2 przedsawiono udział przekroczeń VaR, oszacowanego z jednodniowym horyzonem rwania inwesycji, w zależności od wybranej meody szacunku oraz usalonego rzędu. Dla warości VaR oszacowanych z rozkładu zmiennej losowej udział przekroczeń znacznie odbiega od oczekiwanej. Naomias w przypadku VaR szacowanego przy uwzględnieniu zmienności paramerów rozkładu udział przekroczeń jes zbliżony do oczekiwanych z wyjąkiem rozkładów z grubymi ogonami (rozkładem -Sudena, GED, rozkładem skośnym -Sudena) dla pozycji długiej i niskich warości. Tabela 2. Empiryczna liczba przekroczeń VaR w zależności od meody esymacji Meoda Zmienna losowa Proces sochasyczny Rozkład N GED sk- N GED sk- K w VaR = T Pozycja króka 0,0500 0,3907 0,4404 0,4570 0,4404 0,0497 0,0563 0,0530 0,0563 0,0250 0,3676 0,4305 0,437 0,4305 0,033 0,0298 0,0298 0,0298
9 Porównanie meod esymacji VaR na polskim rynku gazu 49 cd. abeli ,000 0,3543 0,3676 0,3676 0,3676 0,033 0,0066 0,0066 0,0066 0,0050 0,3344 0,3344 0,3046 0,3278 0,0066 0,0033 0,0066 0,0033 0,0025 0,3278 0,275 0,238 0,266 0,0066 0,0033 0,0033 0,0033 Pozycja długa 0,0500 0,384 0,3676 0, ,3676 0,0629 0,0695 0,0563 0,0762 0,0250 0,3676 0,3477 0,333 0,3477 0,033 0,033 0,0265 0,033 0,000 0,3477 0,2947 0,2566 0,2947 0,0232 0,0066 0,0099 0,0066 0,0050 0,33 0,247 0,292 0,257 0,032 0,0000 0,0000 0,0000 0,0025 0,379 0,29 0,5563 0,252 0,0033 0,0000 0,0000 0,0000 W abeli 3 zamieszczono p-warości esu przekroczeń Kupca. Biorąc pod uwagę wyniki z abel 2-3 można powiedzieć, że spośród omawianych meod esymacji VaR zdecydowanie lepsze wyniki esymacji daje meoda rakująca obserwowane warości sóp zwrou jako realizacje procesu sochasycznego. Uwzględnienie zależności obserwacji od czasu wyraźnie poprawiło jakość esymacji warości VaR na polskim rynku gazu. Porównując ze sobą wyniki esymacji VaR za pomocą modelu auokorelacji i warunkowej wariancji można dodakowo swierdzić, że efek skośności, lepokuryczności i grubych ogonów rozkładu logarymicznych sóp zwrou zosał poprawnie oszacowany za pomocą modeli warunkowych z rozkładem normalnym. Tabela 3. P-warości esu przekroczeń Kupca Meoda Zmienna losowa Proces sochasyczny Rozkład N GED sk- N GED sk- p-warość Pozycja króka 0,0500 0,0000 0,0000 0,0000 0,0000 0,9789 0,6226 0,839 0,6226 0,0250 0,0000 0,0000 0,0000 0,0000 0,3893 0,6038 0,6038 0,6038 0,000 0,0000 0,0000 0,0000 0,0000 0,5893 0,5297 0,5297 0,5297 0,0050 0,0000 0,0000 0,0000 0,0000 0,7034 0,6574 0,7034 0,6574 0,0025 0,0000 0,0000 0,0000 0,0000 0,2347 0,788 0,788 0,788 Pozycja długa 0,0500 0,0000 0,0000 0,0000 0,0000 0,323 0,403 0,6226 0,0520 0,0250 0,0000 0,0000 0,0000 0,0000 0,3893 0,3893 0,8695 0,3893 0,000 0,0000 0,0000 0,0000 0,0000 0,0494 0,5297 0,9908 0,5297 0,0050 0,0000 0,0000 0,0000 0,0000 0,0923 0,0000 0,0000 0,0000 0,0025 0,0000 0,0000 0,0000 0,0000 0,788 0,0000 0,0000 0,0000 Podsumowanie Na rysunkach zilusrowano wybrane oszacowania VaR jako kwanyla rozkładu zmiennej losowej oszacowanego na podsawie próby (rys. 6) oraz kwanyla procesu sochasycznego oszacowanego na podsawie empirycznego szeregu czasowego.
10 50 Alicja Ganczarek-Gamro Rys. 6. VaR oszacowane w oparciu o rozkład normalny w okresie od do Rys. 7. VaR oszacowane w oparciu o model uwzględniający zmienność warości oczekiwanej i wariancji w czasie z rozkładem normalnym w okresie od do
11 Porównanie meod esymacji VaR na polskim rynku gazu 5 Podsumowując uzyskane wyniki należy swierdzić, że w esymacji VaR na polskim rynku gazu zdecydowanie należy uwzględniać w zmienności cen sezonowość oraz heeroskedasyczność wariancji. Dla wybranego szeregu czasowego najprossze modele GARCH(,) z rozkładem normalnym na poziomie isoności 0,05 poprawnie oszacowały warość zagrożoną dla większości poziomów olerancji. Lieraura Blanco C. (998), Value a risk for energy: Is VaR useful o manage energy price risk?, Commodiies-Now, December. Brockwell P.J., Davis R.A. (996), Inroducion o Time Series and Forecasing, Springer-Verlag, New York. Doman M. (2004a), Zasosowanie modeli CAViaR w szacowaniu warości zagrożonej, Zeszyy Naukowe Uniwersyeu Szczecińskiego, nr 389. Doman R. (2004b), Dynamika korelacji między rynkami kapiałowymi krajów Europy Środkowej, Zeszyy Naukowe Uniwersyeu Szczecińskiego, nr 389. Engle R.F., Bollerslev T. (986), Modeling he persisence of condiional variance, Economeric Review, Vol. 5. Jajuga K., Jajuga T. (999), Inwesycje, WN PWN, Warszawa. Jajuga K. (2000), Ryzyko w finansach. Ujęcie saysyczne [w:] A. Zeliaś (red.), Współczesne problemy badań saysycznych i ekonomerycznych, Wydawnicwo Akademii Ekonomicznej w Krakowie, Kraków. Kupiec P. (995), Techniques for verifying he accuracy of risk managemen models, Journal of Derivaives, Vol. 2. Pionek. K. (2002), Pomiar ryzyka meodą VaR a modele AR-GARCH ze składnikiem losowym o warunkowym rozkładzie z grubymi ogonami, Rynek Kapiałowy. Skueczne Inwesowanie. Schwarz G. (978), Esimaing he Dimension of a Model, The Annals of Saisics, Vol. 6. [www ] COMPARISON OF VaR ESTIMATION METHODS ON POLISH NATURAL GAS MARKET Summary: This work is aimed a comparing mehods of Value-a-Risk (VaR) esimaion on Polish naural gas marke. Two mehods of calculaing VaR were examined. One of hem uses a quanile of he normal, -Suden, skewed -Suden or GED disribuion. Anoher mehod is based on AR-GARCH models. Empirical analysis was carried ou for
12 52 Alicja Ganczarek-Gamro logarihmic raes of reurn of gas-base index noed on he Day Ahead Marke from h January o 20 h November 204. Based on Kupiec es resuls one may say ha on Polish naural gas marke VaR esimaes calculaed by ime series models are more appropriae han VaR esimaes calculaed as a quanile of disribuion. Key words: VaR, raes of reurn disribuion, ime series models.
Alicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE 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 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 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 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 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 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 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 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 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 szczegółowoHeteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Heeroskedasyczność szeregu sóp zwrou a koncepcja pomiaru ryzyka meodą VaR Wsęp Spośród wielu rodzajów ryzyka
Bardziej szczegółowoEFEKT DNIA TYGODNIA NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE WSTĘP
Joanna Landmesser Kaedra Ekonomerii i Informayki SGGW e-mail: jgwiazda@mors.sggw.waw.pl EFEKT DNIA TYGODNIA NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE Sreszczenie: W pracy zbadano wysępowanie efeku
Bardziej 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 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 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 szczegółowoKONCEPCJA WARTOŚCI ZAGROŻONEJ VaR (VALUE AT RISK)
KONCEPCJA WARTOŚCI ZAGROŻONEJ VaR (VALUE AT RISK) Kaarzyna Kuziak Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W 1994 roku insyucja finansowa JP Morgan opublikowała
Bardziej szczegółowoOeconomiA copernicana. Małgorzata Madrak-Grochowska, Mirosława Żurek Uniwersytet Mikołaja Kopernika w Toruniu
OeconomiA copernicana 2011 Nr 4 Małgorzaa Madrak-Grochowska, Mirosława Żurek Uniwersye Mikołaja Kopernika w Toruniu TESTOWANIE PRZYCZYNOWOŚCI W WARIANCJI MIĘDZY WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej 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 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 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 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 szczegółowoWARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE
Daniel Iskra Uniwersye Ekonomiczny w Kaowicach WARTOŚĆ ZAGROŻONA OPCJI EUROPEJSKICH SZACOWANA PRZEDZIAŁOWO. SYMULACJE Wprowadzenie Jednym z aspeków współczesnej ekonomii jes zarządzanie ryzykiem związanym
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 szczegółowoZarządzanie ryzykiem. Lista 3
Zaządzanie yzykiem Lisa 3 1. Oszacowano nasępujący ozkład pawdopodobieńswa dla sóp zwou z akcji A i B (Tabela 1). W chwili obecnej Akcja A ma waość ynkową 70, a akcja B 50 zł. Ile wynosi pięciopocenowa
Bardziej 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 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 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 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej 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 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 szczegółowoAkademia Ekonomiczna im. Oskara Langego we Wrocławiu Katedra Inwestycji Finansowych i Ubezpieczeń
Krzyszof Pionek Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Kaedra Inwesycji Finansowych i Ubezpieczeń Przegląd i porównanie meod oceny modeli VaR Wsęp - Miara VaR Warość zagrożona (warość narażona
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej 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 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 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 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 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 szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
Bardziej 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 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 szczegółowoNie(efektywność) informacyjna giełdowego rynku kontraktów terminowych w Polsce
Zeszyy Naukowe Uniwersyeu Szczecińskiego nr 862 Finanse, Rynki Finansowe, Ubezpieczenia nr 75 (2015) DOI: 10.18276/frfu.2015.75-16 s. 193 204 Nie(efekywność) informacyjna giełdowego rynku konraków erminowych
Bardziej szczegółowoPUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Chrisian Lis PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 Wprowadzenie Przedmioem
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 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 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 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 szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYCH INDEKSÓW GIEŁDOWYCH: WIG, WIG20, MIDWIG I TECHWIG
Doroa Wikowska, Anna Gasek Kaedra Ekonomerii i Informayki SGGW dwikowska@mors.sggw.waw.pl ZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYC INDEKSÓW GIEŁDOWYC: WIG, WIG2, MIDWIG I TECWIG Sreszczenie:
Bardziej 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 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 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 szczegółowoMiara ryzyka estymacji parametrów modelu VaR
Zeszyy Uniwersye Ekonomiczny w Krakowie Naukowe 4 (976) ISSN 1898-6447 e-issn 2545-3238 Zesz. Nauk. UEK, 2018; 4 (976): 183 200 hps://doi.org/10.15678/znuek.2018.0976.0411 Miara ryzyka esymacji paramerów
Bardziej 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 szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika Zależność
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowoOBLICZANIE TERMINU REALIZACJI PRZEDSIĘWZIĘĆ BUDOWLANYCH METODĄ CCPM NA PODSTAWIE MULTIPLIKATYWNEGO MODELU CZASU TRWANIA CZYNNOŚCI
Dane bibliograficzne o arykule: hp://mieczyslaw_polonski.users.sggw.pl/mppublikacje Mieczysław POŁOŃSKI 1 OBLICZANIE TERMIN REALIZACJI PRZEDSIĘWZIĘĆ BDOWLANYCH METODĄ CCPM NA PODSTAWIE MLTIPLIKATYWNEGO
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 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 szczegółowoEuropejska opcja kupna akcji calloption
Europejska opcja kupna akcji callopion Nabywca holder: prawo kupna long posiion jednej akcji w okresie epiraiondae po cenie wykonania eercise price K w zamian za opłaę C Wysawca underwrier: obowiązek liabiliy
Bardziej szczegółowoModelowanie premii za ryzyko na polskim rynku pieniężnym z wykorzystaniem instrumentów SWAP na POLONIĘ
Agaa Kliber * Pior Płuciennik ** Modelowanie premii za ryzyko na polskim rynku pieniężnym z wykorzysaniem insrumenów SWAP na POLONIĘ Wsęp Problemem polskiej bankowości jes duża nadpłynność. Banki niechęnie
Bardziej szczegółowoTESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Mariusz Doszyń TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH Od pewnego czasu w lieraurze ekonomerycznej pojawiają się
Bardziej 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 szczegółowoPomiar ryzyka odchylenia od benchmarku w warunkach zmiennej w czasie strategii inwestycyjnej OFE - kotynuacja. Wojciech Otto Uniwersytet Warszawski
Pomiar ryzyka odchylenia od benchmarku w warunkach zmiennej w czasie sraegii inwesycyjnej OFE - koynuacja Wojciech Oo Uniwersye Warszawski Refera przygoowany na Ogólnopolską Konferencję Naukową Zagadnienia
Bardziej szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
Bardziej 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 szczegółowoWYCENA KONTRAKTÓW FUTURES, FORWARD I SWAP
Krzyszof Jajuga Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Uniwersye Ekonomiczny we Wrocławiu WYCENA KONRAKÓW FUURES, FORWARD I SWAP DWA RODZAJE SYMERYCZNYCH INSRUMENÓW POCHODNYCH Symeryczne insrumeny
Bardziej szczegółowoSTATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU KAPITAŁOWEGO WPROWADZENIE METODOLOGIA TESTOWANIA MODELU
GraŜyna Trzpio, Dominik KręŜołek Kaedra Saysyki Akademii Ekonomicznej w Kaowicach e-mail rzpio@sulu.ae.kaowice.pl, dominik_arkano@wp.pl STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU
Bardziej szczegółowoSTOPIEŃ AGREGACJI PRZESTRZENNEJ A ZMIENNOŚĆ SZEREGÓW CZASOWYCH CEN SUROWCÓW ROLNYCH
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XII/, 011, sr. 180 190 STOPIEŃ AGREGACJI PRZESTRZENNEJ A ZMIENNOŚĆ SZEREGÓW CZASOWYCH CEN SUROWCÓW ROLNYCH Mariusz Hamulczuk Kaedra Ekonomiki Rolnicwa i Międzynarodowych
Bardziej szczegółowoOCENA PRZYDATNOŚCI MODELI VaR DO SZACOWANIA RYZYKA INWESTYCJI NA RYNKU METALI SZLACHETNYCH
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-8611 Nr 295 2016 Małgorzaa Jus Uniwersye Przyrodniczy w Poznaniu Wydział Ekonomiczno-Społeczny Kaedra Finansów i Rachunkowości
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej 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 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 szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej 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 szczegółowoKlasyfikacja modeli. Metoda najmniejszych kwadratów
Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Klasyfikacja modeli Modele dzielimy na: - jedno- i wielorównaniowe - liniowe i nieliniowe - sayczne i dynamiczne - sochasyczne i deerminisyczne -
Bardziej 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 szczegółowoMODELOWANIE ZMIENNOŚCI I RYZYKA INWESTYCJI W ZŁOTO. Celina Otolińska
MODELOWANIE ZMIENNOŚCI I RYZYKA INWESTYCJI W ZŁOTO Celina Otolińska PLAN: 1. Rynek złota-krótka informacja. 2. Wartość zagrożona i dlaczego ona. 3. Badany szereg czasowy oraz jego własności. 4. Modele
Bardziej szczegółowoMetody analizy i prognozowania szeregów czasowych
Meody analizy i prognozowania szeregów czasowych Wsęp 1. Modele szeregów czasowych 2. Modele ARMA i procedura Boxa-Jenkinsa 3. Modele rendów deerminisycznych i sochasycznych 4. Meody dekompozycji szeregów
Bardziej 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 szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 2012
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 690 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 51 2012 MAŁGORZATA WASILEWSKA PORÓWNANIE METODY NPV, DRZEW DECYZYJNYCH I METODY OPCJI REALNYCH W WYCENIE PROJEKTÓW
Bardziej szczegółowoO PEWNYCH KRYTERIACH INWESTOWANIA W OPCJE NA AKCJE
MEODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH om XIII/3, 01, sr 43 5 O EWNYCH KRYERIACH INWESOWANIA W OCJE NA AKCJE omasz Warowny Kaedra Meod Ilościowych w Zarządzaniu oliechnika Lubelska e-mail: warowny@pollubpl
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoPROGNOZOWANIE BRAKUJĄCYCH DANYCH DLA SZEREGÓW O WYSOKIEJ CZĘSTOTLIWOŚCI OCZYSZCZONYCH Z SEZONOWOŚCI
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-8611 Nr 289 2016 Maria Szmuksa-Zawadzka Zachodniopomorski Uniwersye Technologiczny w Szczecinie Sudium Maemayki Jan Zawadzki
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 5
Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH
Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Zarządzania i Informatyki Krzysztof Piontek MODELOWANIE I PROGNOZOWANIE ZMIENNOŚCI INSTRUMENTÓW FINANSOWYCH rozprawa doktorska Promotor: prof.
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej 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 szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Anna Krauze Uniwersye Warmińsko-Mazurski
Bardziej szczegółowoRACHUNEK EFEKTYWNOŚCI INWESTYCJI METODY ZŁOŻONE DYNAMICZNE
RACHUNEK EFEKTYWNOŚCI INWESTYCJI METODY ZŁOŻONE DYNAMICZNE PYTANIA KONTROLNE Czym charakeryzują się wskaźniki saycznej meody oceny projeku inwesycyjnego Dla kórego wskaźnika wyliczamy średnią księgową
Bardziej szczegółowoWYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe II Zaawansowane Metody Uczenia Maszynowego Zwroty indeksów finansowych Y t : indeks finansowy w momencie t (wartość waloru, kurs walutowy itp). Określimy zwrot indeksu finansowego
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 szczegółowoZASTOSOWANIE FUNKCJI KOPULI W MODELOWNIU INDEKSÓW GIEŁDOWYCH
ZASTOSOWANIE FUNKCJI KOPULI W MODELOWNIU INDEKSÓW GIEŁDOWYCH Jacek Leśkow, Jusyna Mokrzycka, Kamil Krawiec 1 Sreszczenie Współczesne zarządzanie ryzykiem finansowanym opiera się na analizie zwroów szeregów
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej szczegółowoIdentyfikacja wahań koniunkturalnych gospodarki polskiej
Rozdział i Idenyfikacja wahań koniunkuralnych gospodarki polskiej dr Rafał Kasperowicz Uniwersye Ekonomiczny w Poznaniu Kaedra Mikroekonomii Sreszczenie Celem niniejszego opracowania jes idenyfikacja wahao
Bardziej szczegółowoKrzysztof 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