FINANSOWE SZEREGI CZASOWE WYKŁAD 3

Podobne dokumenty
Finansowe szeregi czasowe wykład 7

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

1. Szereg niesezonowy 1.1. Opis szeregu

Stanisław Cichocki Natalia Nehrebecka. Wykład 4

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Stanisław Cichocki Natalia Nehrebecka. Wykład 5

Niestacjonarne zmienne czasowe własności i testowanie

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Modelowanie i analiza szeregów czasowych

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

Integracja zmiennych Zmienna y

Modele ARIMA prognoza, specykacja

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

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk

Ekonometryczne modele nieliniowe

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

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

1 Modele ADL - interpretacja współczynników

Metody analizy i prognozowania szeregów czasowych

Matematyka ubezpieczeń majątkowych r.

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

DYNAMICZNE MODELE EKONOMETRYCZNE

Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu

Wykład z Podstaw matematyki dla studentów Inżynierii Środowiska. Wykład 8. CAŁKI NIEOZNACZONE. ( x) 2 cos2x

Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.

Krzysztof Piontek Weryfikacja modeli Blacka-Scholesa dla opcji na WIG20

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

ANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM

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

Analiza Szeregów Czasowych. Egzamin

Analiza szeregów czasowych: 6. Liniowe modele niestacjonarne

licencjat Pytania teoretyczne:

65120/ / / /200

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk

Analiza szeregów czasowych w Gretlu (zajęcia 8)

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

3. Analiza własności szeregu czasowego i wybór typu modelu

1.1 Opis danych Dekompozycja szeregu ARIMA Prognoza Podsumowanie Opis danych...

Klasyfikacja modeli. Metoda najmniejszych kwadratów

Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN Nr

Parytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD

Karolina Kluth Uniwersytet Mikołaja Kopernika w Toruniu. Konwergencja gospodarcza w zakresie kryteriów Traktatu z Maastricht analiza ekonometryczna

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?

Ekonometryczne modele nieliniowe

(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)

Analiza szeregów czasowych bezrobocia i inflacji w Danii

WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

4. Średnia i autoregresja zmiennej prognozowanej

PROGNOZOWANIE I SYMULACJE - zadania powtórzeniowe

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

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

Projekt z Ekonometrii Dynamicznej

t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o

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

Natalia Nehrebecka. Zajęcia 3

WNIOSKOWANIE STATYSTYCZNE

PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK

DYNAMICZNE MODELE EKONOMETRYCZNE

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)

Wykład 6. Badanie dynamiki zjawisk

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015

t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o ˆ

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

Kurtoza w procesach generowanych przez model RCA GARCH

Prawdopodobieństwo i statystyka r.

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

Funkcje i charakterystyki zmiennych losowych

Wykład 6. Badanie dynamiki zjawisk

Cechy szeregów czasowych

Natalia Nehrebecka. Wykład 2

Ocena efektywności procedury Congruent Specyfication dla małych prób

Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH

HIPOTEZA STOPY NATURALNEJ. MIĘDZY EKONOMETRIĄ A HISTORIĄ MYŚLI EKONOMICZNEJ.

Zaawansowane metody numeryczne

DYNAMICZNE MODELE EKONOMETRYCZNE

Statystyka. Zmienne losowe

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

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

Kier. MTR Programowanie w MATLABie Laboratorium

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Europejska opcja kupna akcji calloption

Natalia Nehrebecka. Zajęcia 4

5. Model sezonowości i autoregresji zmiennej prognozowanej

PROGNOZA WYSTĄPIENIA WSTRZĄSU ZA POMOCĄ SZEREGÓW CZASOWYCH. 1. Wprowadzenie. Zdzisław Iwulski* Górnictwo i Geoinżynieria Rok 31 Zeszyt 3/1 2007

Ekonometria I materiały do ćwiczeń data lp wykładu temat Wykład dr Dorota Ciołek Ćwiczenia mgr inż. Marta Chylińska

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania

Modelowanie systemów skointegrowanych. Aspekty teoretyczne

Magdalena Sokalska Szkoła Główna Handlowa. Modelowanie zmienności stóp zwrotu danych finansowych o wysokiej częstotliwości

Stacjonarność Integracja. Integracja. Integracja

MODEL CZASU OBSŁUGI NAZIEMNEJ STATKU POWIETRZNEGO

Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja. Dr Michał Gradzewicz Katedra Ekonomii I KAE

WYKŁAD: Szeregi czasowe I. Zaawansowane Metody Uczenia Maszynowego

Nie(efektywność) informacyjna giełdowego rynku kontraktów terminowych w Polsce

Transkrypt:

FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0

Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ). q q... 0 AR(p): gdze ε są d(0,σ ). p p... 0 gdze jes welomanem opóźneń AR(p) można zapsać w posac 0 ) ( p p... ) ( ) 0 ( Proces MA(q) można zapsać w posac gdze q q... ) (

Tomasz Wójowcz, WZ AGH Kraków ARMA(p,q) Model ARMA(p,q) jes sacjonarny, gdy perwask welomanu leżą na zewnąrz koła jednoskowego czyl q q p p...... 0 gdze: ) ( ) ( 0 p p... ) ( q q... ) ( ε są d(0,σ ). () Model ARMA(p,q) jes odwracalny, gdy perwask welomanu leżą na zewnąrz koła jednoskowego () jes procesem ARMA(p,q), gdy

Tomasz Wójowcz, WZ AGH Kraków esymacja prognozowane Esymacja paramerów modelu ARMA(p,q) meoda najwększej warogodnośc Wybór rzędu opóźnena mnmalzacja kryerum nformacyjnego Prognozowane mając dane dla =,...,T prognoza na okres: ) ( ) ( T T T T e ()) ( e T D ) ( ) ( 0 q p 0 q T p T T T T E 0,...) ( ) ( q T p T x T x 0 ˆ ) (

re przykład ygodnowe cągłe sopy zwrou TP SA w okrese 5.06.007 0.03.0 (95 ygodn) R ln P ln P 0.5 0. 0.05 0-0.05-0. 0 0 40 60 80 00 0 40 60 80 00 Tomasz Wójowcz, WZ AGH Kraków

korelogram: ACF dla zmennej re_psa +-,96/T^0,5 0.5 0-0.5-0 5 0 5 0 5 30 35 opónena PACF dla zmennej re_psa +-,96/T^0,5 0.5 0-0.5-0 5 0 5 0 5 30 35 opónena Tomasz Wójowcz, WZ AGH Kraków

korelogram: Opóźnena ACF PACF jung-box [p] -0,4-0,4,558 [0,0] -0,46** -0,608** 6,889 [0,03] 3-0,0465-0,0869 7,395 [0,06] 4 0,03-0,096 7,4377 [0,4] 5-0,0949-0,06* 9,958 [0,098] 6 0,078 0,040 0,3635 [0,0] 7-0,068-0,0374 0,49 [0,66] 8 0,0396 0,039 0,7509 [0,6] 9-0,04-0,033, [0,67] 0 0,0657 0,0597,036 [0,83] -0,0905-0,0735 3,778 [0,46] -0,057-0,0707 4,373 [0,78] 3 0,055 0,038 5,07 [0,306] 4-0,008-0,045 5,0368 [0,376] 5-0,073-0,0595 6,43 [0,373] 6 0,033-0,06 6,357 [0,48] 7-0,43** -0,76** 0,8046 [0,35] 8-0,0959-0,58**,837 [0,97] 9 0,0598-0,040 3,63 [0,] 0 0,7** 0,075 30,59 [0,066] -0,048 0,0095 30,3969 [0,084] 0,069 0,0577 30,5606 [0,05] 3 0,003 0,045 30,569 [0,34] Tomasz Wójowcz, WZ AGH Kraków 4-0,09-0,0757 3,47 [0,7]

kryera nformacyjne: AIC MA AR 0 3 4 5 6 7 0-737, -737,6-740,8-740,3-738,4-739,5-737,8-736, -738,8-743,3-74,3-740,4-738,6-738,6-737 -735-74,5-74,4-740 -739, -739,3-737 -736, -734, 3-74,4-74, -740, -744,8-737,8-735,8-733, -736,8 4-739,4-740, -739,6-743,5-74, -739,7-73, -734,8 5-739, -739-737,8-74,6-740, -736,3-734 -733 6-737,7-737 -736-739,9-736, -734,3-73,3-73, Tomasz Wójowcz, WZ AGH Kraków

kryera nformacyjne: MA HQC AR 0 3 4 5 6 7 0-734,4-733,6-735,5-733,6-730,4-730, -77, -74, -734,8-737,9-734,7-73,4-79,3-78 -75-7,7-737, -734,7-73 -79,8-78,6-75 -7,8-79,5 3-734,7-734, -730,9-734, -75,8-7,5-78,4-70,8 4-73,4-730,9-78,9-73,5-78,8-75, -76, -77,5 5-79,8-78,3-75,8-78,3-75,5-70,3-76,7-74,3 6-77 -75-7,6-75,3-70, -77-73,6-7, Tomasz Wójowcz, WZ AGH Kraków

kryera nformacyjne: MA BIC AR 0 3 4 5 6 7 0-730,5-77,7-77,6-73,8-78,6-76,5-7,4-706,5-78,9-730, -74,9-70,7-75,5-7,3-707,3-70, -79,3-74,9-70, -76, -7,9-707,4-703, -697,9 3-74,9-7,5-77, -78,5-708, -70,9-696,8-697,3 4-79,7-77, -73, -73,8-709, -703,5-69,7-69 5-76, -7,6-708, -708,7-703,9-696,8-69, -686,9 6-7,4-707,4-703 -703,7-696,7-69,5-686, -68,7 Tomasz Wójowcz, WZ AGH Kraków

model ARMA(3,3) Zmenna Współczynnk Błąd sand. Saysyka warość p cons -0,008503 0,0043956 -,608 0,0737 ph_ -0,906487 0,336585 -,693 0,00708 *** ph_ 0,6893 0,6406 0,3695 0,774 ph_3 0,5574 0,40473 0,5573 0,5779 hea_ 0,77584 0,355,4766 0,036 ** hea_ -0,5365 0,535058 -,000 0,3635 hea_3-0,448939 0,36406 -,330 0,758 AR MA Rzeczywsa Urojona Moduł Okresowość Perwasek -,50 0,0000,50 0,5000 Perwasek -,893 0,0000,893 0,5000 Perwasek 3,0364 0,0000,0364 0,0000 Perwasek -,657 0,53,907 0,4686 Perwasek -,657-0,53,907-0,4686 Perwasek 3,337 0,0000,337 0,0000 Tomasz Wójowcz, WZ AGH Kraków

model ARMA(,) Zmenna Współczynnk Błąd sand. Saysyka warość p cons -0,007647 0,00346 -,5583 0,96 ph_ 0,7088 0,7353 5,5608 <0,0000 *** hea_ -0,87856 0,0890079-9,8660 <0,0000 *** Rzeczywsa Urojona Moduł Okresowość AR Perwasek,4 0,0000,4 0,0000 MA Perwasek,387 0,0000,387 0,0000 Tes na normalność rozkładu resz: Hpoeza zerowa: składnk losowy ma rozkład normalny Saysyka esu: Ch-kwadra() = 3,779 (p = 0,000500) Tes ARCH dla rzędu opóźnena 4: Hpoeza zerowa: efek ARCH ne wysępuje Saysyka esu: TR =,6393 (p = 0,55504) Tomasz Wójowcz, WZ AGH Kraków

Gêsoæ przykład ARMA(,) - reszy 4 Tes na normalnoæ rozk³adu: Ch-kwadra() = 3,78, waroæ p = 0,0005 uha60 N(-0,000369 0,03734) 0 8 6 4 0-0. -0.05 0 0.05 0. 0.5 uha60 Tomasz Wójowcz, WZ AGH Kraków

ARMA(,) - reszy Opóźnena ACF PACF jung-box [p] 0,0074 0,0074 0,008 [0,97] -0,05-0,05 0,5486 [0,760] 3 0,07 0,036 0,5808 [0,90] 4 0,0649 0,06,447 [0,840] 5-0,048-0,048,897 [0,864] 6 0,0963 0,044 3,7663 [0,708] 7 0,0074-0,006 3,7775 [0,805] 8 0,0379 0,046 4,0707 [0,85] 9-0,0374-0,035 4,3588 [0,886] 0 0,0676 0,059 5,303 [0,870] -0,0877-0,088 6,900 [0,807] -0,0637-0,069 7,7475 [0,805] 3 0,03 0,0306 7,95 [0,847] 4-0,06-0,0548 8,0963 [0,884] 5-0,084-0,0538 9,5398 [0,848] 6 0,0086-0,0083 9,5554 [0,889] 7-0,475** -0,50** 4,30 [0,65] 8-0,095-0,077 6,0785 [0,587] 9 0,0545 0,0538 6,74 [0,609] 0 0,605** 0,597**,3548 [0,3] -0,044 0,078,4005 [0,377] 0,036 0,06,67 [0,43] 3 0,005 0,0053,63 [0,483] 4-0,074-0,0746 3,7953 [0,473] Tomasz Wójowcz, WZ AGH Kraków

ygodnowe cągłe sopy zwrou TP SA można opsać modelem ARMA(,): 0,708 0,005 0, 878 Tomasz Wójowcz, WZ AGH Kraków

R ln P ln P ln P ln P czyl na podsawe modelu ARMA(,) możemy wyznaczyć prognozy dla logarymów cen akcj TP SA: R Tomasz Wójowcz, WZ AGH Kraków

... dla samych cen... prognoza opara na rendze: Tomasz Wójowcz, WZ AGH Kraków

Tomasz Wójowcz, WZ AGH Kraków Model ARIMA

psa ARIMA 6 4 0 8 6 4 0 50 00 50 00 P - ceny akcj TP SA - nesacjonarne R ln P ln P - sopy zwrou (różnce log-cen) - sacjonarne (ARMA(,)) Defncja Nesacjonarny proces ( ) d jes procesem ARIMA(p,d,q), jeżel jes procesem ARMA(p,q). Tomasz Wójowcz, WZ AGH Kraków

ARIMA - przykłady Błądzene losowe: Tomasz Wójowcz, WZ AGH Kraków

Tomasz Wójowcz, WZ AGH Kraków ARIMA - przykłady Błądzene losowe z dryfem zawera rend lnowy: y 0 0 0 3 3 3 3

I(0) vs I() Oznaczena: ~ I(0) gdy jes sacjonarny ~ I() gdy jes sacjonarny ~ I() gdy ( ) jes sacjonarny a b a rend deermnsyczny rend sochasyczny 0,,8 0, 0, 8 Tomasz Wójowcz, WZ AGH Kraków

esy perwaska jednoskowego Badane sacjonarnośc esy perwaska jednoskowego: es ADF (Dckey-Fuller) H H 0 : : ~ I() ~ I(0) es KPSS (Kwakowsk-Phllps-Schmd-Shn): H H 0 : : ~ I(0) ~ I() odrzucć H 0 ADF dla ne odrzucć H 0 ~ I(0) może być I() odrzucć H 0 ADF dla Δ ne odrzucć H 0 ~ I() może być I() Tomasz Wójowcz, WZ AGH Kraków

Noowana TP SA w okrese 5.06.007 0.03.0 (95 ygodn) Tes ADF: Hpoeza zerowa: wysępuje perwasek jednoskowy a = ; proces I() es z wyrazem wolnym (cons) model: ( - )y = b0 + (a-)*y(-) +... + e Auokorelacja resz rzędu perwszego: -0,04 esymowana warość (a-) wynos: -0,0497 Saysyka esu: au_c() = -,5057 asympoyczna warość p = 0,885 z wyrazem wolnym rendem lnowym model: ( - )y = b0 + b* + (a-)*y(-) +... + e Auokorelacja resz rzędu perwszego: -0,007 esymowana warość (a-) wynos: -0,09835 Saysyka esu: au_c() = -,8503 asympoyczna warość p = 0,79 z wyrazem wolnym, rendem lnowym rendem kwadraowym model: ( - )y = b0 + b* + b*^ + (a-)*y(-) +... + e Auokorelacja resz rzędu perwszego: -0,007 esymowana warość (a-) wynos: -0,35698 Saysyka esu: au_c() = -3,47706 asympoyczna warość p = 0,87 Tomasz Wójowcz, WZ AGH Kraków

Noowana TP SA w okrese 5.06.007 0.03.0 (95 ygodn) es KPSS Hpoeza zerowa: proces sacjonarny; dla zm. psa (z rendem) Paramer rzędu opóźnena (lag runcaon) = 4 Saysyka esu = 0,55733 0% 5%,5% % Kryyczna war.: 0,9 0,46 0,76 0,6 Hpoeza zerowa: proces sacjonarny; es KPSS dla zm. psa (bez rendu) Paramer rzędu opóźnena (lag runcaon) = 4 Saysyka esu = 3,33464 0% 5%,5% % Kryyczna war.: 0,347 0,463 0,574 0,739 Tomasz Wójowcz, WZ AGH Kraków