Module also offered within study programmes:
General information:
Name:
Prognozowanie rynków finansowych
Course of study:
2014/2015
Code:
EAR-2-203-IS-s
Faculty of:
Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering
Study level:
Second-cycle studies
Specialty:
Informatyka w sterowaniu i zarządzaniu
Field of study:
Automatics and Robotics
Semester:
2
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
Responsible teacher:
prof. dr hab. inż. Skulimowski Andrzej M. (ams@agh.edu.pl)
Academic teachers:
Pukocz Przemysław (pukocz@agh.edu.pl)
prof. dr hab. inż. Skulimowski Andrzej M. (ams@agh.edu.pl)
Module summary

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K001 Zna rolę metod prognostycznych we współczesnej rzeczywistości AR2A_W08 Activity during classes,
Test,
Execution of exercises
M_K002 Samodzielnie rozszerza wiedzę specjalistyczną w oparciu o podstawowy zestaw pojęciowy AR2A_W08 Activity during classes,
Test,
Execution of exercises
M_K003 Potrafi poprawnie przygotować dokumentację wykonanych zadań ćwiczeniowych oraz zaprogramować rozwiązanie zadanego problemu Treść modułu (przedmiotu) kształcenia (program wykładów i pozostałych zajęć) AR2A_W08 Activity during classes,
Test,
Execution of exercises
Skills
M_U001 Potrafi wykorzystać dostępne pakiety oprogramowania celem demonstracji metod prognostycznych AR2A_W08 Activity during classes,
Execution of exercises
M_U002 Potrafi zaimplementować wybrane metody prognostyczne stosowane w finansach AR2A_W08 Activity during classes,
Test,
Execution of exercises
M_U003 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem implementacji rozwiązania dowolnego problemu z wykorzystaniem prognostycznych AR2A_W08 Activity during classes,
Execution of exercises
Knowledge
M_W001 Zna i rozumie pojęcia związane z prognozowaniem Zna i rozumie rozszerzony zestaw pojęć związanych z prognozowaniem AR2A_W08 Activity during classes,
Test
M_W002 Zna podstawowe modele rynków finansowych i rozumie ich związek z prognozowaniem AR2A_W08 Activity during classes,
Test
M_W003 Zna podstawowe i rozszerzone obszary zastosowania metod prognostycznych AR2A_W08 Activity during classes,
Test
M_W004 Dysponuje wiedzą na temat wybranych metod prognostycznych i potrafi je stosować AR2A_W08 Activity during classes,
Test
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K001 Zna rolę metod prognostycznych we współczesnej rzeczywistości + - + - - - - - - - -
M_K002 Samodzielnie rozszerza wiedzę specjalistyczną w oparciu o podstawowy zestaw pojęciowy + - + - - - - - - - -
M_K003 Potrafi poprawnie przygotować dokumentację wykonanych zadań ćwiczeniowych oraz zaprogramować rozwiązanie zadanego problemu Treść modułu (przedmiotu) kształcenia (program wykładów i pozostałych zajęć) - - + - - - - - - - -
Skills
M_U001 Potrafi wykorzystać dostępne pakiety oprogramowania celem demonstracji metod prognostycznych - - + - - - - - - - -
M_U002 Potrafi zaimplementować wybrane metody prognostyczne stosowane w finansach - - + - - - - - - - -
M_U003 Potrafi swobodnie stosować zaawansowane narzędzia programistyczne celem implementacji rozwiązania dowolnego problemu z wykorzystaniem prognostycznych - - + - - - - - - - -
Knowledge
M_W001 Zna i rozumie pojęcia związane z prognozowaniem Zna i rozumie rozszerzony zestaw pojęć związanych z prognozowaniem + - - - - - - - - - -
M_W002 Zna podstawowe modele rynków finansowych i rozumie ich związek z prognozowaniem + - - - - - - - - - -
M_W003 Zna podstawowe i rozszerzone obszary zastosowania metod prognostycznych + - - - - - - - - - -
M_W004 Dysponuje wiedzą na temat wybranych metod prognostycznych i potrafi je stosować + - - - - - - - - - -
Module content
Lectures:
  1. Podstawy modeli matematycznych w finansach (2 godz.)

    Modele i procesy stochastyczne w finansach.
    Przykłady: procesy Gaussa, log-normalne, ruchy Browna, procesy leptokurtyczne w finansach, fraktalny charakter kursów finansowych, nieliniowe szeregi czasowe

  2. Wprowadzenie do metod prognostycznych w finansach

    Prognozowanie, a psychologia rynków finansowych, metody teorii gier, konstrukcja modeli prognostycznych, a zakres stosowalności metod prognostycznych w finansach, ocena błędu prognozowania ex-ante i ex-post

  3. Teoria rynków finansowych

    Aksjomatyczny model rynku, teoria wymiany.
    Mechanizmy kształtowania się kursów giełdowych, tabele ofert, arbitrażowa teoria rynku

  4. Rynki finansowe: pieniężne, walutowe i kapitałowe

    Związek rynku pieniężnego z rynkiem kapitałowym. Rynek walutowy i jego modele. Teoria dyskontowania. Instrumenty finansowe na rynkach kapitałowych, pieniężnych i walutowych

  5. Zastosowania metod autoregresyjnych do prognozowania heteroskedastycznych kursów finansowych

    Zastosowanie metod autoregresyjnych, metody eliminacji niestacjonarności, Heteroskedastycznośc szeregów finansowych: procesy ARCH, GARCH, IGARCH. Prognozowanie nieliniowych i niestacjonarnych szeregów czasowych, estymacja stochastyczna

  6. Instrumenty pochodne na rynkach finansowych

    Opcje, futures i swapy. Podstawy teorii wyceny instrumentów pochodnych. Uwzględnianie instrumentów pochodnych w modelach prognostycznych. Wariancja implikowana i jej zastosowania w modelach GARCH

  7. Metody przestrzeni stanów w prognozowaniu rynków kapitałowych

    Mikrostruktura rynku kapitałowego, konstrukcja modeli sterowania rynkiem i metody identyfikacji ich parametrów. Metoda przestrzeni stanów w prognozowaniu: filtr, wygładzanie i predykcja Kalmana, VARIMA.

  8. Analiza ryzyka na rynkach finasowych

    Przeciwstawny charakter minimalizacji ryzyka i maksymalizacji zysku, rodzaje ryzyk w finansach, ocena ryzyka finasnowego (ERM), metody wyznaczania ryzyka derywatów. Instrumenty pochodne, a zarządzanie ryzykiem, wyznaczania optymalnych strategii hedgingu, zastosowanie teorii użyteczności do łącznej oceny ryzyka: ryzyko globalne. Metody prognozowania ryzyka

  9. Wieloetapowa analiza portfelowa

    Teoria Markowitza, CAPM, dynamiczne modele inwestycji portfelowych: model Mertona, prognozy zmienności (volatility), zastosowanie modeli otoczenia ekonomicznego w wieloetapowej analizie portfelowej. dynamiczne zabezpieczanie (hedging) portfela, delta hedging

  10. Zastosowania metod prognostycznych w finansach

    Podstawy finansowej analizy decyzji. Architektura systemów wspomagania decyzji w finansach wykorzystujących metody prognostyczne. Prezentacja systemu prognostycznego dla kursów walutowych,

Laboratory classes:
  1. Zastosowania szeregów czasowych w prognozowaniu

    Analiza budowy modeli prognostycznych, implemenatcje w środowisku Matlab. zastosowania metody prognozowania szeregów czasowych: autoregresja (AR), heteroskedastyczność szeregów czasowych, procesy oparte o średnią kroczącą (MA), Przykłady obliczeniowe predykcji dla kursów walutowych (forex) i giełdowych (WGPW< NASDAQ) opisywanych procesami typu ARMA, ARIMA ARCH, GARCH, IGARCH

  2. Zastosowanie modeli przestrzeni stanów

    Metody prognostyczne oparte o analizę przestrzeni stanów, prognozowanie struktury zleceń giełdowych i procesów cyklicznych i finansach, ocena błedu ex-ante i ex-post metod prognostycznych. Uwzględnianie wpływu srodowiska makroekonomicznego i modeli rozwoju technologii

  3. Realizacja indywidualnych ćwiczeń prognostycznych

    W ramach ćwiczeń laboratoryjnych powstaje aplikacja zgodnie z dokonanym wyborem tematu oraz szczegółowa dokumentacjach techniczna ćwiczenia. Tematyka zadań jest zgodna z problematyką poruszaną na wykładzie.

  4. Analiza efektywności decyzji finansowych

    W oparciu o wybrany przykład inwestycji kapitałowej, student dokonuje oceny jej prognozowanej efektywności (ex-ante) posługując się modelem prognozowanego zysku i ryzyka oraz wykonana aplikacją, a nastepnie dokonuje symulowanej oceny ex-post. Na tej podstawie w małych grupach laboratoryjnych przygotowywana jest krótka prezentacja, którą studenci przedstawiają na zajęciach

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 110 h
Module ECTS credits 4 ECTS
Participation in lectures 14 h
Realization of independently performed tasks 42 h
Participation in laboratory classes 14 h
Preparation for classes 30 h
Examination or Final test 1 h
Preparation of a report, presentation, written work, etc. 9 h
Additional information
Method of calculating the final grade:

Średnia z ocen z laboratorium (70%), prezentacji (10%) i kolokwium zaliczeniowego (20%), przy czym wszystkie trzy oceny muszą być pozytywne (co najmniej 3.0)

Prerequisites and additional requirements:

Znajomość jednego z języków oprogramowania stosowanych w prognozowaniu, preferowany Matlab.
Znajomość matematyki i statystyki na poziomie studiów inżynierskich z automatyki i robotyki
Znajomość metod badań operacyjnych i optymalizacji w zakresie studiów inżynierskich oraz ekonometrii w zakresie wykłądanych w I. semestrze studiów magisterskich

Recommended literature and teaching resources:

1. Christian l. Dunis (wyd. pol. 2001). Prognozowanie rynków finansowych, Oficyna Ekonomiczna, Kraków, s.344.
2. J.C. Hull (1994). Futures, Options and other Derivative Securities, Prentice Hall (wydanie polskie PWN).
3. Instrumenty pochodne (1997), praca zbiorowa, Universitas, Kraków, s. 257.
4. H. Markowitz (1992). Mean-Variance Analysis in Portfolio Choice and Capital Markets, Blackwell, Oxford, s. 387.
5. E. Peters : Teoria Chaosu, a Rynki Kapitałowe. WIG Press, Warszawa, 1998.
6. A.M.J. Skulimowski (1999). Financial Modelling, Progress & Business Publishers, Kraków, s.504.

Scientific publications of module course instructors related to the topic of the module:

Additional scientific publications not specified

Additional information:

None