Prognozowanie (finanse 2011)

Slides:



Advertisements
Podobne prezentacje
Regresja i korelacja materiały dydaktyczne.
Advertisements

Test zgodności c2.
Automatyczne systemy transakcyjne na rynkach finansowych
Ocena dokładności i trafności prognoz
Modelowanie kursu walutowego- perspektywa krótkookresowa
SYMULACYJNA ANALIZA SZEREGU CZASOWEGO
Treść wykładu Wstęp Przewidywanie - prognoza Klasyfikacja prognoz
Test zgodności Joanna Tomanek i Piotr Nowak.
Ekonometria prognozowanie.
Metody ekonometryczne
Podstawowe pojęcia prognozowania i symulacji na podstawie modeli ekonometrycznych Przewidywaniem nazywać będziemy wnioskowanie o zdarzeniach nieznanych.
Ekonometria wykladowca: dr Michał Karpuk
KWESTIA ENDOGENICZNOŚCI
Jakość sieci geodezyjnych. Pomiary wykonane z największą starannością, nie dostarczają nam prawdziwej wartości mierzonej wielkości, lecz są zwykle obarczone.
Prognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie szeregów czasowych
Prognozowanie i symulacje (semestr zimowy)
Jednoczynnikowa analiza wariancji (ANOVA)
Metody ilościowe w biznesie Wykład 1
dr Grzegorz Szafrański
dr Grzegorz Szafrański
Konstrukcja, estymacja parametrów
Metoda najmniejszych kwadratów dla jednej zmiennej objaśniającej
Testowanie hipotez statystycznych
i jak odczytywać prognozę?
Jak mierzyć i od czego zależy?
Ekonometria. Co wynika z podejścia stochastycznego?
Irena Woroniecka EKONOMIA MENEDŻERSKA - dodatek do W2
Elementy Rachunku Prawdopodobieństwa i Statystyki
Prognozowanie z wykorzystaniem modeli ekonometrycznych
Modelowanie ekonometryczne
Finanse - lato 2011 dr Grzegorz Szafrański pokój B106
Prognozowanie (finanse 2011)
1 Kilka wybranych uzupełnień do zagadnień regresji Janusz Górczyński.
Prognozowanie i symulacje
Finanse 2009/2010 dr Grzegorz Szafrański pokój B106 Termin konsultacji poniedziałek:
Elementy Rachunku Prawdopodobieństwa i Statystyki
Kilka wybranych uzupelnień
Ekonometria stosowana
Wytrzymałość materiałów Wykład nr 3
Jacek Wasilewski Politechnika Warszawska Instytut Elektroenergetyki
Seminarium licencjackie Beata Kapuścińska
Konwergencja gospodarcza
Cele: 1. wyposażenie studenta w umiejętności porównywania i wartościowania zamierzeń edukacyjnych w poszczególnych systemach oświatowych, 2. zrozumienie.
Porównywanie średnich prób o rozkładach normalnych (testy t-studenta)
Ekonometryczne modele nieliniowe
Filtr Kalmana (z ang. Kalman Filter w skrócie KF)
Ekonometria stosowana
D. Ciołek EKONOMETRIA – wykład 6
D. Ciołek EKONOMETRIA – wykład 3
Seminarium magisterskie Zajęcia szóste – sprawdzamy jak to jest z przeżywaniem...
Regresja liniowa. Dlaczego regresja? Regresja zastosowanie Dopasowanie modelu do danych Na podstawie modelu, przewidujemy wartość zmiennej zależnej na.
METODA OPERACYJNEGO PROGNOZOWAN IA WIELKOŚCI POPYTU UWZGLĘDNIAJĄCA DETERMINANTY RYNKU Doktorant: mgr inż. Łukasz Mach Warszawa 2005 Promotor: prof. dr.
Model trendu liniowego
Treść dzisiejszego wykładu l Weryfikacja statystyczna modelu ekonometrycznego –błędy szacunku parametrów, –istotność zmiennych objaśniających, –autokorelacja,
Monte Carlo, bootstrap, jacknife. 2 Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej :
Ekonometria stosowana Heteroskedastyczność składnika losowego Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych.
Treść dzisiejszego wykładu l Wprowadzenie do ekonometrii. l Model ekonomiczny i ekonometryczny. l Klasyfikacja modeli ekonometrycznych. l Klasyfikacja.
WYKŁAD Teoria błędów Katedra Geodezji im. K. Weigla ul. Poznańska 2
Modele nieliniowe sprowadzane do liniowych
STATYSTYKA – kurs podstawowy wykład 11
Estymacja parametryczna dr Marta Marszałek Zakład Statystyki Stosowanej Instytut Statystyki i Demografii Kolegium Analiz.
Treść dzisiejszego wykładu l Metoda Najmniejszych Kwadratów (MNK) l Współczynnik determinacji l Koincydencja l Kataliza l Współliniowość zmiennych.
Statystyka matematyczna
EKONOMETRIA Wykład 1a prof. UG, dr hab. Tadeusz W. Bołt
Regresja wieloraka – bada wpływ wielu zmiennych objaśniających (niezależnych) na jedną zmienną objaśnianą (zależą)
Jednorównaniowy model regresji liniowej
Pomysł Estymacja Przygotowanie Praca nad wdrożeniem Wdrożenie
MNK – podejście algebraiczne
Analiza Rynku Producentów Ryb Łososiowatych za 2017 rok
Zapis prezentacji:

Prognozowanie (finanse 2011) dr Grzegorz Szafrański pokój B106 Termin konsultacji piątki: parzysty 8.10-9.40, nieparzysty 13.15-14.45

Zasada oceny prognoz out of sample Dzielimy okres ex post na: okres estymacji/próby (typu ex post w węższym sensie), okres weryfikacji/testowania prognozy (typu ex ante). Testujemy metodę prognozowania wg schematu: Na podstawie okresu estymacji szacujemy parametry modelu i prognozujemy na kilka okresów naprzód (poza próbę out-of-sample). W okresie weryfikacji wyliczamy błędy prognozy (out of sample). Estymujemy model na podstawie całej próby (okres próby i weryfikacji), wykonujemy właściwą prognozę ex ante.

Kwestie porównywania błędów Obciążenie prognozy? Prognozy OBCIĄŻONE W GÓRĘ I W DÓŁ Jak mierzyć siłę obciążenia? ME/MPE Prognozy SYSTEMATYCZNIE obciążone |ME|=MAE lub |MPE|=MAPE Pojedyncze duże błędy (obserwacje nietypowe) Miary absolutne i kwadratowe MAE<<RMSE Wyjątek – proc. miary błędów dla zmiennych (-1,1) Liczymy oddzielnie sumy liczników i mianowników

Współczynnik Janusowy Porównanie prognozy w 2 podokresach (estymacji i prognozy) współczynnik Janusowy

Przyczyny błędów prognoz Współczynnik Theila (Zeliaś): i jego dekompozycja na składniki: obciążenia: zmienności: i zgodności kierunku zmian prognozy ze zmianami yt

Metoda Holta Trend (S) Ft = a yt-1 +(1-a)(Ft-1 +St-1) poziom St = b(Ft -Ft-1)+(1-b) St-1 trend Prognoza ex ante na h okresów: y*t+h = Ft + h St Trend multiplikatywny (wykładniczy) St = b(Ft/Ft-1)+(1-b) St-1

Metoda Holta-Wintersa Trend (S) i sezonowość (I) o okresie r Ft =a (yt-1-It-r)+(1-a)(Ft-1+St-1) St = b(Ft-Ft-1)+(1-b)St-1 It = g(yt-Ft)+(1-g) It-r Prognoza ex ante: y*t+h = y*t+1 + h Ft +It+h-r Sezonowość multiplikatywna: St = b(Ft/Ft-1)+(1-b) St-1

Modele trendów Funkcja prognozy trendu (deterministycznego) x*t = f(t) Np. funkcja liniowa x*t = a0+a1t lub funkcje nieliniowe: x*t = a0+ a1t +a2 t2 x*t = exp(a0+ a1t) log(x*t) = a0 + a1t Zalety: zawsze znamy t (ex ante) Wady: trendy ulegają zmianom

Modele autoregresyjne Model autoregresyjny AR(1): t=1,...,T yt=a0+ a1yt-1 + et Prognoza statyczna (h=1): y*t+1=a0+ a1yt-1 Prognoza dynamiczna (h>1): y*t+h=a0+ a1y*t+h-1

Prognozy łączone Prognoza ważona z kilku prognoz dokładniejsza niż pojedyncza prognoza ze względu na możliwość dywersyfikacji ryzyka popełnienia błędu Ważne jest, żeby łączyć jak najlepsze prognozy Zwykle dobre wyniki można uzyskać przy równych wagach (zwykła średnia)