Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Közgazdasági és pénzügyi idősorok

    A tantárgy angol neve: Economic and Financial Timeseries

    Adatlap utolsó módosítása: 2012. április 19.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar
    MSc  ALKALMAZOTT MATEMATIKA MESTERSZAK
    Pénzügy-matematika szakirány

     

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VISZM021   2/0/0/v 2  
    3. A tantárgyfelelős személy és tanszék Dr. Telcs András,
    4. A tantárgy előadója
    Név:

     

    Beosztás:

     

    Tanszék, Int.:

     

    Dr. Telcs András

     

    egyetemi docens

     

    Számítástudományi és Információelméleti Tanszék

     

    5. A tantárgy az alábbi témakörök ismeretére épít

    A tárgy technikai tekintetben, matematikai, valószínűségszámítási alapismereteknél többet nem tételez fel.

    6. Előtanulmányi rend
    Ajánlott:
    nincs

     

    Tematikaütközés miatt a tárgyat csak azok vehetik fel, akik korábban nem hallgatták a következő tárgyakat: Pénzügyi folyamatok előrejelzése

     

    7. A tantárgy célkitűzése Megismertetni a matematikus hallgatókat az idősorok elemzésével, paraméteres és nem paraméteres előrejelzési módszerekkel, különös tekintettel a tőzsdei idősorok esetében.

     

    Megszerezhető képességek

     

    A hallgatók képesek lesznek egy valós tőzsdei adatsor alapvető jellegzetességeinek felismerésére, jellegzetességeinek kiszűrésére és megbízható előrejelzés készítésére.

    8. A tantárgy részletes tematikája

    1.      Sztochasztikus folyamatok alapjai (a stacionaritás fogalma, gyenge, erős stacionaritás, Markov láncok)

    2.      Sztochasztikus folyamatok alapjai példák (autokorreláció, fehér zaj folyamat, Gauss folyamatok)

    3.      Lineáris folyamat-modellek: AR, a diszkrét derivált, formális polinomok és invertálásuk

    4.      MA, ARMA. Az autokolleláció és az együtthatók kapcsolata, kauzalitás, a modell illesztése, tesztje, előrejelzés, példák

    5.      ARIMA, a modell illesztése, tesztje, előrejelzés, példák, bolyongás

    6.      Nemlináris folyamat-modellek: ARCH, GARCH, az alap és a származtatott modell, a modell előnyei és hátrányai, paraméterek becslése, a modellek tesztelése

    7.      Log-optimális portfolió elmélet alapjai, diszkrét modell, a lóverseny példa, a vagyonnövekedési ráta, optimális portfólió,

    8.      Log-optimális portfolió elmélet alapjai, diszkrét modell, a lóverseny példa, az információ értéke, optimalitás hosszú távon, egy lépésben

    9.      Log-optimális portfolió elmélet alapjai, folytonos modell, a tőzsde modellje, a vagyonnövekedési ráta, optimális portfólió Kuhn-Tucker kritériuma,

    10.  Log-optimális portfolió elmélet alapjai, folytonos modell, a tőzsde modellje, az információ értéke, aszimptotikus optimalitás

    11.  Nemparaméteres regresszió becslés; partíciós becslés, alapfogalmak, konzisztencia

    12.  Nemparaméteres regresszió becslés; magfüggvényes becslés, legközelebbi szomszéd becslés.

    13.  Idősorok előrejelzése gépi tanulásos algoritmusok, magfüggvényes előrejelzések, legközelebbi szomszéd előrejelzés

    14.  Empirikus log-optimális portfólió-stratégiák, a Kelly játék, a Pétervári játék, l2 közelítés

     

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) 2 óra előadás

     

    10. Követelmények a. Az előadásokon aktív részvétel (kiselőadás tartása)

     

    b. A vizsgaidőszakban: szóbeli vizsga.

     

    c. Elővizsga: lehetséges (az oktató engedélye alapján).

     

    11. Pótlási lehetőségek TVSZ szerint

     

    12. Konzultációs lehetőségek az oktatóval való egyeztetés alapján.
    13. Jegyzet, tankönyv, felhasználható irodalom 1.      R. S. Tsay: Analysis of Financial Time Series, Wiley, 2nd edition, 2005

     

    2.      Száz János: Tőzsdei opciók vételre és eladásra, Tanszék Kft, 1999.

     

    3.      Györfi L., M. Kohler, A. Krzyzak, H. Walk: A Distribution-Free Theory of Nonparametric Regression, Springer-Verlag

    4.      Györfi L., Ottucsák Gy., Walk H.,(eds.) Machine learning for financial engereering, in advances in Computer Science and Engineering, Imperial College Press 2012

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra26
    Félévközi készülés órákra8
    Felkészülés zárthelyire0
    Házi feladat elkészítése
    Kijelölt írásos tananyag elsajátítása
    Vizsgafelkészülés26
    Összesen60
    15. A tantárgy tematikáját kidolgozta
    Név:

     

    Beosztás:

     

    Tanszék, Int.:

     

    Dr. Telcs András

     

    egyetemi docens

     

    Számítástudományi és Információelméleti Tanszék