Module also offered within study programmes:
General information:
Name:
Financial Econometrics
Course of study:
2019/2020
Code:
AMAT-2-409-MU-s
Faculty of:
Applied Mathematics
Study level:
Second-cycle studies
Specialty:
Insurance Mathematics
Field of study:
Mathematics
Semester:
4
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr Kostrzewski Maciej (kostrzew@agh.edu.pl)
Module summary

Seminarium częściowo zapewnia studentowi udział w badaniach.
Seminarium jest wybierane zgodnie z zainteresowaniami, rozszerza wiedzę teoretyczną lub zastosowania, zapoznaje z fachową literaturą.

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: is able to
M_K001 zna zakres własnej wiedzy, potrafi ocenić brakujące elementy rozumowania i rozumie potrzebę dalszego kształcenia MAT2A_K01, MAT2A_K05 Activity during classes,
Oral answer,
Presentation,
Participation in a discussion,
Execution of a project,
Involvement in teamwork
M_K002 potrafi pracować zespołowo jak również samodzielnie wyszukiwać informacje w literaturze, także w językach obcych MAT2A_K03 Activity during classes,
Oral answer,
Project,
Execution of a project
Skills: he can
M_U001 potrafi wykorzystać wiedzę z innych działów matematyki (rachunek prawdopodobieństwa, statystyka, algebra liniowa i analizy numerycznej) w ekonometrii MAT2A_U04 Activity during classes,
Oral answer,
Presentation,
Participation in a discussion,
Execution of a project
M_U002 orientuje się w podstawach statystyki (zagadnienia estymacji i testowanie hipotez) oraz w podstawach statystycznej obróbki danych MAT2A_U12, MAT2A_U11, MAT2A_U16 Activity during classes,
Oral answer,
Participation in a discussion,
Execution of a project
Knowledge: he knows and understands
M_W001 zna podstawy i przykłady modelownia stochastycznego w matematyce finansowej, ekonomii. Potrafi stosować procesy stochastyczne jako narzędzie do modelowania zjawisk i analizy ich ewolucji MAT2A_U04, MAT2A_W09 Activity during classes,
Oral answer,
Project,
Participation in a discussion,
Execution of a project,
Involvement in teamwork
M_W002 zna dobrze program R, służący do statystycznej obróbki danych MAT2A_W12 Execution of a project
M_W003 zna podstawowe rozkłady probabilistyczne i ich własności; potrafi je stosować w zagadnieniach estymacji parametrów i testowania hipotez statystycznych MAT2A_U11 Activity during classes,
Presentation,
Project,
Execution of a project
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
30 0 0 0 0 0 30 0 0 0 0 0
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
Prace kontr. przejść.
Lektorat
Social competence
M_K001 zna zakres własnej wiedzy, potrafi ocenić brakujące elementy rozumowania i rozumie potrzebę dalszego kształcenia - - - - - + - - - - -
M_K002 potrafi pracować zespołowo jak również samodzielnie wyszukiwać informacje w literaturze, także w językach obcych - - - - - + - - - - -
Skills
M_U001 potrafi wykorzystać wiedzę z innych działów matematyki (rachunek prawdopodobieństwa, statystyka, algebra liniowa i analizy numerycznej) w ekonometrii - - - - - + - - - - -
M_U002 orientuje się w podstawach statystyki (zagadnienia estymacji i testowanie hipotez) oraz w podstawach statystycznej obróbki danych - - - - - + - - - - -
Knowledge
M_W001 zna podstawy i przykłady modelownia stochastycznego w matematyce finansowej, ekonomii. Potrafi stosować procesy stochastyczne jako narzędzie do modelowania zjawisk i analizy ich ewolucji - - - - - + - - - - -
M_W002 zna dobrze program R, służący do statystycznej obróbki danych - - - - - + - - - - -
M_W003 zna podstawowe rozkłady probabilistyczne i ich własności; potrafi je stosować w zagadnieniach estymacji parametrów i testowania hipotez statystycznych - - - - - + - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 55 h
Module ECTS credits 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 h
Preparation for classes 8 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 15 h
Contact hours 2 h
Module content
Seminar classes (30h):
  1. Wprowadzenie.

    Przypomnienie podstaw programowania w R na przykładach.
    Prognozowanie.
    Niestacjonarność szeregów czasowych.

  2. Heteroskedastyczność

    Modele GARCH

  3. Wielowymiarowe szeregi czasowe

    Wielowymiarowy model ARMA.
    Model VAR
    Wielowymiarowy model GARCH

  4. Modele przestrzeni stanów

    Modele SV
    Filtr Kalmana

  5. Kointegracja

    Twierdzenie Granger’a i jego zastosowania.
    Statystyczny arbitraż
    Strategie inwestycyjne dla par aktywów inwestycyjnych.

Additional information
Teaching methods and techniques:
  • Seminar classes: Na zajęciach seminaryjnych podstawą jest prezentacja multimedialna oraz ustna prowadzona przez studentów. Kolejnym ważnym elementem kształcenia są odpowiedzi na powstałe pytania, a także dyskusja studentów nad prezentowanymi treściami.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Participation rules in classes:
  • Seminar classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci prezentują na forum grupy temat wskazany przez prowadzącego oraz uczestniczą w dyskusji nad tym tematem. Ocenie podlega zarówno wartość merytoryczna prezentacji, jak i tzw. kompetencje miękkie.
Method of calculating the final grade:

Ocena końcowa, to ocena projektu otrzymana za wykonanie projektu i jego prezentacje.
W przypadku poprawnego rozwiązania problemów pojawiających się w trakcie zajęć ocena końcowa może być wyższa niż ocena projektu.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Student powinien zgłosić się do prowadzącego w celu ustalenia indywidualnego sposobu nadrobienia zaległości.

Prerequisites and additional requirements:

Student powinien ukończyć przedmiot ekonometria.

Recommended literature and teaching resources:
1. Brockwell, Davis, Introduction to Time Series and Forecasting, Springer-Verlag, New York

2. Brockwell, Davis, Time Series: Theory and Methods, Springer-Verlag, New York
3. Greene, William, Econometric Analysis, Prentice Halls
4. Maddala G.S., Ekonometria, Wydawnictwo Naukowe PWN

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

Additional scientific publications not specified

Additional information:

None