Insegnamento STATISTICAL METHODS FOR FINANCE
- Corso
- Finanza e metodi quantitativi per l'economia
- Codice insegnamento
- A000204
- Sede
- PERUGIA
- Curriculum
- Finanza ed assicurazione
- Docente
- Luca Scrucca
- Docenti
-
- Luca Scrucca
- Silvia Pandolfi (Codocenza)
- Ore
- 21 ore - Luca Scrucca
- 21 ore (Codocenza) - Silvia Pandolfi
- CFU
- 6
- Regolamento
- Coorte 2020
- Erogato
- 2020/21
- Attività
- Caratterizzante
- Ambito
- Matematico, statistico, informatico
- Settore
- SECS-S/01
- Tipo insegnamento
- Obbligatorio (Required)
- Tipo attività
- Attività formativa monodisciplinare
- Lingua insegnamento
- INGLESE
- Contenuti
- Introduzione al software statistico R. Inferenza statistica: stime basate sul metodo della massima verosimiglianza. Regressione: il modello di regressione lineare semplice e multiplo; il modello di regressione logistico. Analisi e casi di studio reali.
- Testi di riferimento
- Weisberg, S. (2014) Applied Linear Regression, 4th edition, Wiley
Ruppert, D. and Matteson, D.S. (2015) Statistics and Data Analysis for Financial Engineering, 2nd ed., Springer
Materiale supplementare fornito dal docente nel corso delle lezioni. - Obiettivi formativi
- Al termine del corso lo studente sarà in grado di applicare a dati reali i metodi di inferenza statistica, regressione lineare e logistica, studiati con l’ausilio del software R.
- Prerequisiti
- Conoscenze di statistica di base (statistica descrittiva e inferenza statistica).
- Metodi didattici
- Lezioni frontali e utilizzo del software statistico R.
- Altre informazioni
- Frequenza facoltativa ma fortemente consigliata.
- Modalità di verifica dell'apprendimento
- L'esame consiste in una prova scritta con domande aperte di carattere teorico e interpretazione dell’output del software R per l’analisi di dati.
- Programma esteso
- Introduzione al software statistico R.
Il metodo della massima verosimiglianza: verosimiglianza e funzione di log-verosimiglianza, stime di massima verosimiglianza (MLE), funzione Score e informazione di Fisher, proprietà statistiche degli stimatori MLE, calcolo numerico delle stime MLE, test del rapporto di verosimiglianza e intervalli di confidenza basati sulla verosimiglianza. Stime di massima verosimiglianza per distribuzioni applicate ai rendimenti logaritmici.
Modelli di regressione: regressione lineare semplice e multipla, stima dei parametri, metodo dei minimi quadrati e massima verosimiglianza, test di ipotesi, intervalli di confidenza, predittori categorici, analisi della varianza, bontà di adattamento, trasformazioni, metodi di selezione del modello, analisi diagnostica e dei residui, multicollinearità. Regressione logistica: specifica del modello, interpretazione dei parametri e stima dei parametri.