Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania
Strona główna

Time Series Analysis

Informacje ogólne

Kod przedmiotu: 2400-QFU1TSA
Kod Erasmus / ISCED: 14.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Time Series Analysis
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Przedmioty obowiązkowe dla I roku Quantitative Finance
Punkty ECTS i inne: 6.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

obowiązkowe

Skrócony opis:

The lecture gives theoretical basis for time series modelling. Participants will acquire theoretical knowledge about concepts and tools used in time series analysis and forecasting. The role of practical sections is to practise econometric analysis of time series: preparing the data, estimation and post estimation procedures, model verification and diagnostics, forecasts building and evaluation. Every topic discussed during the lecture will be illustrated with case study examples and exercises to be solved by students. R software will be used - its previous knowledge is not required.

Pełny opis:

1. Decomposition of time series and simple extrapolative models [lectures 1-2]

- classical decomposition methods in additive and multiplicative form

- X12 procedure

- moving average and exponential smoothing,

- seasonal smoothing

- Holt and Holt-Winters models,

- forecasting in extrapolative models

Literature: Evans (2003)

2. Univariate time series – modeling and forecasting [lectures 3-6]

- stochastic process, deterministic process and time series – definitions,

- weak and strong stationarity of time series,

- random walk (with/without drift), white noise,

- stationarity testing, unit root tests: DF/ADF, KPSS

- autocorrelation and partial autocorrelation functions, correlograms,

- autoregressive process AR(p) and its features,

- moving average process MA(q) and its characteristics,

- ARMA(p,q) models, stationarity conditions, Box-Jenkins procedure, information criteria AIC, SBC (BIC), parameter estimation and model diagnostics,

- Portmanteau test, Box-Pierce and Ljung-Box tests,

- integrated series, integration level, differentiation of series,

- ARIMA models for integrated series,

- forecasting in ARMA/ARIMA models, ex-ante forecast error, confidence intervals for the forecast, ex-post measures of forecast quality (absolute and percentage)

- seasonal SARIMA models – estimation and forecasting,

Literature: Brooks (2008), Charemza, Deadman (1997), Enders (2004)

3. Modeling volatility [lectures 7-10]

- stylised facts in financial time series, leptokurtic series, “fat tails”, leverage effect,

- homoskedasticity vs. heteroskedasticity,

- conditional vs. unconditional variance,

- ARCH(q) process and its features, testing for conditional heteroskedasticity,

- estimation of ARCH models,

- generalized ARCH models (GARCH), estimation methods,

- GARCH extensions: IGARCH, GARCH-M, GARCH-t, asymmetric GARCH models: EGARCH, GJR-GARCH, TGARCH

Literature: Brooks (2008), Enders (1995), Mills (1999), Tsay (2005)

4. Multivariate time series models [lectures 11-13]

- long-term relationships in financial time series

- cointegration – definition and testing, estimation of cointegrating vector, Johansen test, error correction mechanism models (ECM),

- Granger causality testing,

- vector autoregression models (VAR),

- impulse response functions,

- variance decomposition,

- vector error correction mechanism models (VECM),

Literature: Brooks (2008), Enders (1995), Charemza, Deadman (1997)

5. Switching models [lectures 14-15]

- Markov switching models

- Threshold autoregressive models

Literature: Brooks (2008), Tsay (2005)

Literatura:

OBOWIĄZKOWA

Brooks, Ch. (2008/2014), Introductory Econometrics for Finance, CUP, 2nd or 3rd edition

Evans, M. K. (2003), Practical Business Forecasting, Blackwell Publishing

Tsay, R. (2010), Analysis of Financial Times Series, Wiley

Tsay, R. (2013), Multivariate Time Series Analysis: With R and Financial Applications, Wiley

Shumway, R.H. and Stoffer D.S. (2016) , Time Series Analysis and Its Applications: With R Examples, Springer, 4th edition, https://www.stat.pitt.edu/stoffer/tsa4/tsa4.pdf

DODATKOWA

Cowpertwait, Paul S.P., Metcalfe, Andrew V. (2009) Introductory Time Series With R, Springer

Cryer, J. D., & Chan, K. S. (2008), Time Series Analysis: With Applications in R, Springer

Wayne, A. and Woodward, Henry L. Gray and Alan C. Elliott (2016), Applied Time Series Analysis with R, 2nd edition, CRC Press

Shmueli, G. and Lichtendahl Jr, K.C. (2016), Practical Time Series Forecasting with R: A Hands-On Guide, 2nd edition, Axelrod Schnall Publishers Brand.

Enders, W. (2004), Applied Econometric Time Series, Wiley Series in Probability and Statistics

Kirchgässner, G. and Wolters, J. (2007), Introduction to Modern Time Series Analysis, Springer

Xekalaki, E. and Degiannakis, S. (2010) ARCH Models for Financial Applications, Wiley

Efekty uczenia się:

Students will be able to identify features of time series and select best modeling method. They will know how to decompose time series into its components, identify, estimate and interpret models in univariate and multivariate time series framework (for macroeconomic and financial data), produce and evaluate forecasts and verify research hypotheses. In addition, students will know how to apply wide range of models, including modeling non-stationary time series and long-run relationships between economic variables.

KW01, KU01

Metody i kryteria oceniania:

- class presence according to common University of Warsaw rules

- preparation and presentation of own research project on real data (50%)

- written, open book final exam (50%).

Zajęcia w cyklu "Semestr letni 2022/23" (jeszcze nie rozpoczęty)

Okres: 2023-02-20 - 2023-06-18

Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Paweł Sakowski, Maciej Świtała
Prowadzący grup: Paweł Sakowski, Maciej Świtała
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Ćwiczenia - Zaliczenie na ocenę
Wykład - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.
ul. Długa 44/50
00-241 Warszawa
tel: +48 22 55 49 126 https://www.wne.uw.edu.pl/
kontakt deklaracja dostępności USOSweb 6.8.0.0-7 (2022-11-16)