Algoritmikus tőzsdei folyamat-előrejelzés

A tantárgy angol neve: Algorithmic Forecasting of Stock Price Processes

Adatlap utolsó módosítása: 2017. június 28.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar
Gazdaságinformatikus szak MSc képzés

 

Pénzügyi informatika szakirány
Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
VISZM107   3/0/2/v 6  
3. A tantárgyfelelős személy és tanszék Dr. Telcs András, Számítástudományi és Információelméleti Tanszék
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 óra70
Készülés előadásra1010
Készülés gyakorlatra0
Készülés laborra14
Készülés zárthelyire36
Vizsgafelkészülés50
Összesen180
15. A tantárgy tematikáját kidolgozta
Név:

 

Beosztás:

 

Tanszék, Int.:

 

Györfi László DSc

 

Egyetemi tanár

 

Számítástudományi és Információelméleti Tanszék