• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Временные ряды

2023/2024
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты
Статус:
Курс обязательный
Когда читается:
3-й курс, 3 модуль

Преподаватели

Программа дисциплины

Аннотация

Курс посвящён методам и моделям анализа и прогнозирования временных рядов. Конкретными результатами данной дисциплины является освоение студентами методов корректировки данных на инфляцию и сезонность, методов выявления нестационарности и сведения временного ряда к стационарному, построение AR, MA и ARMA моделей временного ряда, построение моделей волатильности, выявление и анализ структурных разрывов в данных, построение VAR моделей для многомерных временных рядов, прогнозирование по указанным моделям, анализ коинтеграции временных рядов. Изучение данной дисциплины базируется на следующих дисциплинах: Теория вероятностей, Статистика, Эконометрика. Основные положения дисциплины должны быть использованы в дальнейшем при изучении дисциплин «Риск-менеджмент», «Финансовый риск-менеджмент», «Количественные методы в финансах», а также при подготовке курсовой и выпускной квалификационной работы.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью курса является формирование у студента компетенций для анализа и прогнозирования одномерных и многомерных временных рядов.
Планируемые результаты обучения

Планируемые результаты обучения

  • Студент умеет считать простые и логарифмические темпы прироста показателей. Способен скорректировать временной ряд на инфляцию и сезонность. Способен измерить присутствие автокорреляции во временном ряду (ACF, тест Льюнг-Бокса). Способен провести тесты на стационарность: ADF, KPSS, PP. Способен свести ряд к стационарному. Знает основные команды R Studio.
  • Знает основные модели генерации данных. Знает свойства AR, MA и ARMA моделей
  • Способен оценить параметры AR, MA, ARMA модели. Способен протестировать ARCH эффект в остатках. Способен осуществить прогнозирование временного ряда в R Studio.
  • Способен оценить порядок и оценить параметры ARCH и GARCH моделей. Способен использовать эти модели для прогнозирования
  • Способен провести тесты на наличие структурных разрывов в данных.
  • Способен проверить пару временных рядов на наличие коинтеграции. Умеет построить VECM модель.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • 1. Введение в анализ временных рядов. Свойства ARMA процессов генерации данных.
  • 2. Линейные модели одномерных временных рядов. Оценка параметров ARMA.
  • 3. Прогнозирование по ARMA моделям.
  • 4. Моделирование волатильности.
  • 5. Структурные разрывы.
  • 6. Модели многомерных временных рядов. Модель векторной авторегрессии (VAR).
  • 7. Анализ нестационарных рядов. Модели с трендовой компонентой. Коинтеграция.
Элементы контроля

Элементы контроля

  • неблокирующий Активность на занятиях и выполнение домашних заданий
  • неблокирующий Контрольная работа
  • блокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 3 модуль
    0.3 * Активность на занятиях и выполнение домашних заданий + 0.3 * Контрольная работа + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Enders, W. (2015). Applied Econometric Time Series (Vol. Fourth edition). Hoboken, NJ: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1639192
  • Tsay, R. S. (2010). Analysis of Financial Time Series (Vol. 3rd ed). Hoboken, N.J.: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=334288

Рекомендуемая дополнительная литература

  • Эконометрия, Кулинич, Е. И., 2001

Авторы

  • Мишура Анна Владимировна
  • Бродская Наталья Николаевна