Insegnamento ECONOMIC AND FINANCIAL TIME SERIES ANALYSIS
- Corso
- Finanza e metodi quantitativi per l'economia
- Codice insegnamento
- A000207
- Sede
- PERUGIA
- Curriculum
- Statistical data science for finance and economics
- Docente
- Barbara Guardabascio
- Docenti
-
- Barbara Guardabascio
- Ore
- 42 ore - Barbara Guardabascio
- CFU
- 6
- Regolamento
- Coorte 2023
- Erogato
- 2024/25
- Attività
- Caratterizzante
- Ambito
- Matematico, statistico, informatico
- Settore
- SECS-S/03
- Tipo insegnamento
- Obbligatorio (Required)
- Tipo attività
- Attività formativa monodisciplinare
- Lingua insegnamento
- INGLESE
- Contenuti
- La stima e la valutazione quantitativa delle serie storiche è un elemento essenziale per lo sviluppo di analisi economiche e finanziarie. In questo corso approfondiremo i metodi e le tecniche da utilizzare nello studio delle serie storiche, lasciando ampio spazio alla loro applicazione pratica per la risoluzione di questioni economiche. Particolare attenzione sarà rivolta alla misurazione ed interpretazione dei risultati empirici elaborati attraverso opportuni software statistici.
Lo scopo del modulo è familiarizzare con le tecniche utilizzate dagli economisti per misurare le relazioni economiche nel tempo al fine di testare ipotesi, prevedere o valutare l'impatto della politica economica - un campo molto impegnativo dell'economia applicata. - Testi di riferimento
- Il materiale didattico (dispense, slides, set di dati, script R) sarà messo a disposizione degli studenti durante il corso.
I libri consigliati sono:
Jeffrey M. Wooldridge (2020), “Introductory Econometrics: A modern approach”, 7th Edition, Cengage Learning.
George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel and Greta M. Ljung, (2015) “Time Series Analysis: Forecasting and Control”, 5th Edition, John Wiley and Sons Inc.
Peter J. Brockwell and Richard A. Devis (2016) “Introduction to Time Series and Forecasting”, Springer.
Klaus Neusser (2016), “Time Series Econometrics”, Springer. - Obiettivi formativi
- L’insegnamento si pone l’obiettivo generale di preparare lo studente ad una possibile attività di analisi empirica di dati finanziari con metodi di analisi statistica avanzata.
Alla fine del corso gli studenti saranno in grado di:
1. Avere una comprensione critica della natura delle serie storiche economiche e finanziarie;
2. Essere in grado di astrarre le caratteristiche essenziali di una questione o di un problema econometrico;
3. Essere in grado di eseguire e valutare con spirito critico l'adeguatezza di un modello utilizzando test diagnostici e altri strumenti statistici;
4. Avere una conoscenza approfondita di diversi modelli empirici dinamici e del loro ruolo nell'analisi dell'econometria delle serie storiche. - Prerequisiti
- I metodi statistici avanzati introdotti nel corso sono fortemente dipendenti da strumenti matematici e statistici di base. Pertanto, si prevede che gli studenti abbiano frequentato e completato con successo i previsti corsi di matematica e statistica.
- Metodi didattici
- Il corso prevede lezioni frontali ed esercitazioni. Le tecniche studiate saranno introdotte attraverso esempi economico-finanziari e descritte con formule matematiche. Particolare attenzione sarà rivolta alle applicazioni pratiche e all'interpretazione dei risultati.
- Altre informazioni
- Si consiglia vivamente di frequentare le lezioni.
- Modalità di verifica dell'apprendimento
- L’esame prevede una prova scritta, contenente sia quesiti teorici, esercizi di analisi dei dati numerici.
L'esame è progettato per testare le capacità analitiche, interpretative e la comprensione di questioni rilevanti che emergono nel lavoro sulle serie storiche. - Programma esteso
- 1. Introduzione alle serie storiche
Definizione di serie storica. Assunzioni OLS con variabili in serie storica. Il concetto di memoria e persistenza delle serie storica. Il concetto di autocovarianza e autocorrelazione. Interpretazione dell'intervallo di confidenza per l'autocorrelazione. La "statistica Q"
2. Il processo stocastico e le sue principali caratteristiche
Il processo stocastico. Stazionarietà e processo stazionario. Il rumore bianco. Funzione di autocorrelazione e funzione di autocorrelazione.
3. Modelli autoregressivi a media mobile ARMA (p,q)
L'operatore del ritardo. I modelli autoregressivi AR(p) – Media, varianza, autocovarianza e autocorrelazione. Condizioni di stazionarietà. Il processo a media mobile MA(q) - media, varianza, autocovarianza e autocorrelazione. Condizione di invertibilità. Modelli autoregressivi a media mobile ARMA (p,q).
4. Stima dei coefficienti nei processi ARMA (p,q).
Stima dei coefficienti nei modelli autoregressivi. Stima dei coefficienti nei processi ARMA. Adattamento dei modelli in serie storiche. Criterio informativo AIC. Il concetto di previsione. Utilizzo del modello AR per la previsione. Errore di previsione e intervalli di previsione. La funzione di risposta all'impulso.
5. Modelli multivariati di serie temporali
Le serie storiche multivariate. Il modello VAR (definizione, stazionarietà, stima e previsione). Il concetto di causalità Granger.
6. Modelli non stazionari
Trend stationary e Difference Stationary Models (definizione, stima e previsione). Il Random Walk (media, varianza, autocovarianza e autocorrelazione). Il Random Walk con drift. Il processo integrato. L'effetto di uno shock in una serie Random Walk. Previsione nel caso di serie aventi una radice unitaria.
7. Il problema alla radice dell'unità
Il problema della radice unitaria. Il Test per le radici unitarie (Dickey-Fuller e Augmented Dickey-Fuller).
8. Regressione spuria
Il concetto di regressione spuria come trappola della regressione di serie storiche. Come identificare una regressione spuria. La combinazione di processi stocastici. La cointegrazione. - Obiettivi Agenda 2030 per lo sviluppo sostenibile
- 4