BME VIK - Algoritmikus tőzsdei folyamat-előrejelzés

3. A tantárgyfelelős személy és tanszék Dr. Telcs András,

4. A tantárgy előadója Név:

Beosztás:

Tanszék, Int.:

Györfi László DSc

Egyetemi tanár.

Számítástudományi és Információelméleti Tanszék

Telcs András DSc

Egyetemi docens

Számítástudományi és Információelméleti Tanszék

5. A tantárgy az alábbi témakörök ismeretére épít Ajánlott: Matematikai statisztika, Pénzügyek, Pénzügyi befektetések tervezése

7. A tantárgy célkitűzése a A tantárgy célkitűzése:

Megismerteti a gazdasági informatikus hallgatókkal a pénzügyi idősorok modellezésének és előrejelzésének alapvető módszereit és a kapcsolódó befektetési/portfólió stratégiákat.

Tőzsdei folyamatok előrejelzése helyett:

Algoritmikus tőzsdei folyamat-előrejelzés

Algorithmic forecasting of stock price processes

b. Megszerezhető képességek

A hallgató képes lesz modellezni és előre jelezni az egyes pénzügyi idősorokat. Alkalmassá válik arra, hogy bankok és befektetési alapok befektetési stratégiáinak tervezését segítse.

8. A tantárgy részletes tematikája 8.a Előadás

1. Sűrűségfüggvény becslés, L1 hiba.

2. Sűrűségfüggvény becslés, hisztogram.

3. Sűrűségfüggvény becslés magfüggvényes becslés.

4. Regressziós probléma, regressziós függvény, partíciós.

5. Regressziós probléma, regressziós függvény magfüggvényes.

6. Regressziós probléma, legközelebbi szomszéd becslések.

7. Regressziós probléma, empirikus hibaminimalizálás.

8. Alakfelismerés: hibavalószínűség.

9. Alakfelismerés: Bayes döntés, partíciós.

10. Alakfelismerés: magfüggvényes legközelebbi szomszéd módszer.

11. Alakfelismerés: empirikus hibaminimalizálás.

12. Optimális portfólió-stratégiák, fix portfólió.

13. Optimális portfólió-stratégiák, konstans portfólió.

14. Optimális portfólió-stratégiák, dinamikus portfólió, empirikus portfólió.

8.b. Laboratórium

1. Adatgyűjtés, adatbázis építés, adattisztítás, korrekció.

2. Bevezetés a program használatába.

3. Feltáró statisztika, leíró statisztika.

4. Feltáró statisztika, prezentálás, grafika.

5. Időssor elemzés, áttekintés, determinisztikus modellek.

6. Időssor elemzés, áttekintés, simítási eljárások.

7. Zárthelyi.

8. Időssor elemzés, áttekintés, ARIMA, ARCH, GARCH modellek.

9. A regressziós feladat, regressziós függvény, elemi, spline, NN.

10. A regressziós feladat, regressziós függvény, magfüggvény – Gauss.

11. A regressziós feladat, legközelebbi társ.

12. Zárthelyi.

13. Log-optimális portfólió, algoritmikus megvalósítás állandó, megújított portfólió.

14. Log-optimális portfólió, algoritmikus megvalósítás kombinált szakértőkkel.

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) 3 óra előadás 2 óra labor

10. Követelmények a. Előadásokon, aktív részvétel, az aláírás feltétele: a két ZH átlaga eléri a 40%-t, továbbá a labor feladatok teljesítése. A végső eredmény: 70%-a a vizsga 30%-a a két ZH átlaga.

b. A vizsgaidőszakban: szóbeli vizsga.

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

11. Pótlási lehetőségek A pótlási héten, 1 pót ZH, illetve a maximum 30% elmaradt labor feladatokból bemutató, beszámoló lehetséges.

12. Konzultációs lehetőségek személyes egyeztetés alapján

13. Jegyzet, tankönyv, felhasználható irodalom 1.      Száz János: Tőzsdei opciók vételre és eladásra, Tanszék Kft, 1999.

2.      R. S. Tsay: Analysis of Financial Time Series, Wiley, 2nd edition, 2005.

3.      L. Györfi, M. Kohler, A. Krzyzak, H. Walk: A Distribution-Free Theory of Nonparametric Regression, Springer-Verlag, 2002.

4. L. Györfi, G. Ottucsák: Empirical log-optimal portfolio selections: a survey, http://www.szit.bme.hu/~oti/portfolio/articles/tgyorfi.pdf 2007

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

Kontakt óra	70
Készülés előadásra10	10
Készülés gyakorlatra	0
Készülés laborra	14
Készülés zárthelyire	36
Vizsgafelkészülés	50
Összesen	180

15. A tantárgy tematikáját kidolgozta

Név:	Beosztás:	Tanszék, Int.:
Györfi László DSc	Egyetemi tanár	Számítástudományi és Információelméleti Tanszék