BPF_STAF Statistika pro finance

Ekonomicko-správní fakulta
jaro 2025
Rozsah
2/2/0. 6 kr. Ukončení: zk.
Vyučováno prezenčně.
Vyučující
prof. Ing. Štefan Lyócsa, PhD. (přednášející)
prof. Ing. Štefan Lyócsa, PhD. (cvičící)
Garance
prof. Ing. Štefan Lyócsa, PhD.
Katedra financí – Ekonomicko-správní fakulta
Kontaktní osoba: Iva Havlíčková
Dodavatelské pracoviště: Katedra financí – Ekonomicko-správní fakulta
Předpoklady
Základní pojmy teorie pravděpodobnosti a matematické statistiky.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
Cíle předmětu
Na konci tohoto kurzu bude student schopen : - porozumět a vysvětlit základní pojmy z teorie časových řad; - aplikovat vyučované procedury na reálná data; - vyučované procedury použít ve statistickém softwaru;
Výstupy z učení
Student bude po absolvování předmětu schopen:
- určit statistické metody vhodné pro kontext aplikace
- pomocí sw R řešit jednotlivé úlohy na reálných datech
- správně interpretovat výsledky analýz
Osnova
  • 1. Charakteristiky časových řad: auto-korelace, parciální auto-korelace, testování sériové korelace a auto-korelace.
  • 2.Stacionární a nestacionární časové řady, kovarianční stacionarita, týdenně závislé časové řady, testy jednotkového kořene (ADF, ADF-GLS, KPSS), diferencování.
  • 3. Predikce nestacionárních dat část I: Klouzavý průměr, Exponenciální klouzavý průměr, Principy predikce a cross-validace modelů časových řad.
  • 4. Hodnocení predikce, střední kvadratická chyba, střední absolutní chyba, asymetrické ztrátové funkce, ekonomické ztrátové funkce (zisk/ztráta, náklady,...).
  • 5. Predikce nestacionárních dat část II: Klasická aditivní a multiplikativní dekompozice časové řady.
  • 6. Predikce nestacionárních dat část III: Holtova metoda dvojitého exponenciálního vyrovnávání a Brownova metoda dvojitého exponenciálního vyrovnávání (klouzavý průměr), Holtova-Wintersova metoda pro sezónní vyrovnávání.
  • 7. Statické modely, Modely s konečně distribuovaným zpožděním, Předpoklady metody nejmenších čtverců (OLS) a inference v časových řadách (auto-korelace a heteroskedasticita pro odhady a inference), robustní inference.
  • 8. Trend a sezónnost v regresních modelech.
  • 9. AR(1) model, AR(p) modely, ARDL modely, rekurzivní a přímé predikce.
  • 10. Granger - Engle test.
  • 11. Grangerova kauzalita (uni-variátní).
  • 12. Případová studie časových řad (tržní modely, abnormální výnosy, statistické testy).
Literatura
    povinná literatura
  • WOOLDRIDGE, Jeffrey M. Introductory econometrics : a modern approach. Seventh edition. Boston: Cengage Learning, 2020, xxi, 826. ISBN 9781337558860. info
  • HYNDMAN, RJ a G ATHANASOPOULOS. Forecasting: principles and practice. 2nd edition. Melbourne, Australia: OTexts, 2018. URL info
Výukové metody
teoretická příprava formou přednášek; praktická cvičení s využitím počítače
Metody hodnocení
Hodnocení zkoušky je určeno bodovým ziskem ze závěrečného testu; podmínkou k připuštění k testu je aktivní účast ve cvičeních v PC .
Jakékoli opisování, zaznamenávání nebo vynášení testů, používání nedovolených pomůcek jakož i komunikačních prostředků nebo jiné narušování objektivity zkoušky (zápočtu) bude považováno za nesplnění podmínek k ukončení předmětu a za hrubé porušení studijních předpisů. Následkem toho uzavře vyučující zkoušku (zápočet) hodnocením v ISu známkou "F" a děkan zahájí disciplinární řízení, jehož výsledkem může být až ukončení studia.“ V případě výjezdu na Erasmus musí student splnit všechny stanovené podmínky s výjimkou účasti na seminářích. Doporučuje se během výjezdu absolvovat nějaký ekvivalentní kurz na zahraniční univerzitě.
Další komentáře
Předmět je vyučován každoročně.
Výuka probíhá každý týden.
  • Permalink: https://is.muni.cz/predmet/econ/jaro2025/BPF_STAF