0 Ks
0 Ks
0
Nákupní košík je prázdný.

K pokladně

Ekonomické časové řady

Vlastnosti, metody modelování, příklady a aplikace
Tištěná kniha
Brožovaná vazba
Titul doprodánr: 3820
Studenti ekonomických a matematických vysokých škol, ekonomičtí a finanční analytikové a specialisté najdou v této knize, která nemá na našem trhu konkurenci, vysvětlení základních vlastností, principů a progresivních metod komplexní analýzy ekonomických časových řad. Ojedinělou součástí publikace jsou konkrétní příklady praktického použití ekonomických časových řad, které ukazují ekonomickou podstatu problému, jeho modelovou a empirickou formulaci, konkrétní výpočetní postupy a způsob interpretace získaných výsledků. Uznávaní autoři působí na katedře statistiky a pravděpodobnosti Vysoké školy ekonomické v Praze.
 

Z obsahu knihy Ekonomické časové řady

O autorech 9
Předmluva 11
1. EKONOMICKÉ ČASOVÉ ŘADY A JEJICH VLASTNOSTI 13
1.1 Trend 15
1.2 Sezonnost 17
1.3 Nelinearita 20
1.4 Podmíněná heteroskedasticita 21
1.5 Společné vlastnosti časových řad 22
2. LINEÁRNÍ MODELY 25
2.1 Modely stacionárních časových řad 26
2.1.1 Stochastický proces a jeho stacionarita 26
2.1.2 Lineární proces 30
2.1.3 Autoregresní procesy [AR] 31
2.1.4 Procesy klouzavých průměrů [MA] 35
2.1.5 Smíšené procesy [ARMA] 36
2.2 Modely nestacionárních časových řad 38
2.2.1 Proces náhodné procházky („Random Walk Process“) 38
2.2.2 Procesy ARIMA 41
2.3 Modely sezonních časových řad 42
2.3.1 Sezonní autoregresní procesy [SAR] 42
2.3.2 Sezonní procesy klouzavých průměrů [SMA] 43
2.3.3 Smíšené sezonní a nesezonní procesy [SARMA] 43
2.3.4 Modely sezonních integrovaných časových řad [SARIMA] 44
2.4 Modely časových řad s dlouhou pamětí 46
2.4.1 Frakcionálně integrované procesy (FI) 46
2.4.2 Procesy ARFIMA 48
2.5 Konstrukce předpovědí na základě modelů ARIMA a ARFIMA 49
2.5.1 Předpovědi s minimální střední čtvercovou chybou na základě modelů ARIMA 49
2.5.2 Předpovědi s minimální střední čtvercovou chybou na základě modelů ARFIMA 51
2.5.3 Výpočet předpovědí 52
2.6 Výstavba lineárních modelů 54
2.6.1 Odhad parametrů modelů ARIMA 54
2.6.2 Odhad parametrů modelů FI a ARFIMA 56
2.6.3 Konstrukce předpovědí na základě odhadnutého modelu ARIMA a ARFIMA 59
2.6.4 Určení a ověřování řádu diferencování 59
2.6.5 Určení řádu polynomů fp(B) a qq(B) 65
2.6.6 Diagnostická kontrola modelu 66
2.6.7 Kritéria pro volbu modelu 68
2.7 Praktické příklady 69
2.8 Shrnutí 92
3. MODELY S PROMĚNLIVÝMI REŽIMY 95
3.1 Modely s režimy určenými pozorovatelnými veličinami 96
3.1.1 Modely SETAR („Self-Exciting Threshold Autoregressive“) 96
3.1.2 Modely STAR („Smooth Transition Autoregressive“) 99
3.2 Modely s režimy určenými nepozorovatelnými veličinami 103
3.2.1 Model MSW („Markov-Switching“) 103
3.3 Konstrukce předpovědí na základě modelů s proměnlivými režimy 104
3.3.1 Bodové předpovědi 104
3.3.2 Intervalové předpovědi 105
3.3.3 Přesnost předpovědí konstruovaných na základě nelineárních modelů 106
3.4 Výstavba modelů s proměnlivými režimy 106
3.4.1 Odhady parametrů 107
3.4.2 Konstrukce předpovědí na základě odhadnutých modelů 112
3.4.3 Určení řádu zpoždění 113
3.4.4 Testování proměnlivosti režimů modelu a diagnostická kontrola 114
3.5 Praktické příklady 114
3.6 Shrnutí 124
4. MODELY VOLATILITY 125
4.1 Základní reprezentace 126
4.2 Lineární modely volatility 128
4.2.1 Modely ARCH („Autoregressive Conditional Heteroscedasticity“) 128
4.2.2 Modely GARCH („Generalized ARCH“) 129
4.2.3 Modely IGARCH („Integrated GARCH“) 132
4.2.4 Modely FIGARCH („Fractionaly IGARCH“) 133
4.2.5 Modely GARCH-M („GARCH in mean“) 133
4.3 Nelineární modely volatility 134
4.3.1 Modely EGARCH („Exponential GARCH“) 135
4.3.2 Modely IEGARCH („Integrated EGARCH“) a FIEGARCH („Fractionaly IEGARCH“) 136
4.3.3 Modely GJR-GARCH („Glosten, Jagannathan, Runkle GARCH“) 137
4.3.4 Modely STGARCH („Smooth Transition GARCH“) 138
4.4 Modely volatility a podmínka pravděpodobnostního rozdělení veličiny et 139
4.5 Konstrukce předpovědí na základě modelů volatility 139
4.5.1 Předpovědi na základě modelů ARIMA za předpokladu podmíněné heteroskedasticity 139
4.5.2 Výpočet předpovědí podmíněného rozptylu na základě lineárních modelů volatility 140
4.5.3 Výpočet předpovědí podmíněného rozptylu na základě nelineárních modelů volatility 143
4.6 Výstavba modelů volatility 143
4.6.1 Testování podmíněné heteroskedasticity v časových řadách 144
4.6.2 Odhad parametrů 146
4.6.3 Konstrukce předpovědí na základě odhadnutých modelů 149
4.6.4 Diagnostická kontrola 149
4.7 Praktické příklady 150
4.8 Shrnutí 159
5. LINEÁRNÍ MODELY VÍCEROZMĚRNÝCH STACIONÁRNÍCH ČASOVÝCH ŘAD 161
5.1 Modely vícerozměrných stacionárních časových řad 162
5.1.1 Vektorový stochastický proces a jeho stacionarita 162
5.1.2 Vícerozměrný lineární proces 166
5.1.3 Vektorové autoregresní procesy 167
5.1.4 Vektorové procesy klouzavých průměrů 169
5.1.5 Smíšené vektorové procesy 170
5.1.6 Problém identifikace 171
5.2 Kauzalita v časových řadách a analýza „Impuls-Reakce“ (I-R) 173
5.2.1 Definice Grangerovy kauzality 173
5.2.2 Grangerova kauzalita a model VAR 174
5.2.3 Analýza „Impuls-Reakce“ 175
5.2.4 Problémy spjaté s analýzou „Impuls-Reakce“ 179
5.3 Systémy dynamických simultánních rovnic (SDSR) 179
5.3.1 Endogenita, striktní exogenita a predeterminovanost v modelu časových řad 179
5.3.2 Strukturní, redukovaný a konečný tvar 181
5.3.3 Exogenita slabá, silná a super 183
5.4 Konstrukce předpovědí na základě modelu VARMA a SDSR 190
5.4.1 Předpovědi s minimální střední čtvercovou chybou 190
5.4.2 Výpočet předpovědí na základě modelu VARMA 192
5.4.3 Výpočet předpovědí na základě redukované formy systému rovnic 193
5.5 Výstavba modelů VAR, VARMA a SDSR, testování kauzality a exogenity 195
5.5.1 Odhady parametrů modelu VAR a VARMA 195
5.5.2 Určení řádu modelu VAR a VARMA 198
5.5.3 Diagnostická kontrola modelu VAR a VARMA 199
5.5.4 Kritéria pro volbu řádu modelu VAR 201
5.5.5 Testování Grangerovy kauzality 201
5.5.6 Testování exogenity 203
5.5.7 Odhady parametrů systému dynamických simultánních rovnic 205
5.5.8 Specifikace a diagnostická kontrola systému dynamických simultánních rovnic 206
5.5.9 Konstrukce předpovědí na základě modelů s odhadnutými parametry 211
5.6 Praktické příklady 212
5.7 Shrnutí 227

Titul Ekonomické časové řady byl doprodán, nabízíme vám tématicky podobné tituly

Tištěná 1 059
Tištěná 159
E-kniha 159
Tištěná 355
E-kniha 302
Kloudová Jitka a kolektiv
Tištěná 375
E-kniha 319

Ekonomické časové řady

Vlastnosti, metody modelování, příklady a aplikace
Studenti ekonomických a matematických vysokých škol, ekonomičtí a finanční analytikové a specialisté najdou v této knize, která nemá na našem trhu konkurenci, vysvětlení základních vlastností, principů a progresivních metod komplexní analýzy ekonomických časových řad. Ojedinělou součástí publikace jsou konkrétní příklady praktického použití ekonomických časových řad, které ukazují ekonomickou podstatu problému, jeho modelovou a empirickou formulaci, konkrétní výpočetní postupy a způsob interpretace získaných výsledků. Uznávaní autoři působí na katedře statistiky a pravděpodobnosti Vysoké školy ekonomické v Praze.
 
Tištěná kniha
Brožovaná vazba
Titul doprodánr: 3820

Z obsahu knihy Ekonomické časové řady

O autorech 9
Předmluva 11
1. EKONOMICKÉ ČASOVÉ ŘADY A JEJICH VLASTNOSTI 13
1.1 Trend 15
1.2 Sezonnost 17
1.3 Nelinearita 20
1.4 Podmíněná heteroskedasticita 21
1.5 Společné vlastnosti časových řad 22
2. LINEÁRNÍ MODELY 25
2.1 Modely stacionárních časových řad 26
2.1.1 Stochastický proces a jeho stacionarita 26
2.1.2 Lineární proces 30
2.1.3 Autoregresní procesy [AR] 31
2.1.4 Procesy klouzavých průměrů [MA] 35
2.1.5 Smíšené procesy [ARMA] 36
2.2 Modely nestacionárních časových řad 38
2.2.1 Proces náhodné procházky („Random Walk Process“) 38
2.2.2 Procesy ARIMA 41
2.3 Modely sezonních časových řad 42
2.3.1 Sezonní autoregresní procesy [SAR] 42
2.3.2 Sezonní procesy klouzavých průměrů [SMA] 43
2.3.3 Smíšené sezonní a nesezonní procesy [SARMA] 43
2.3.4 Modely sezonních integrovaných časových řad [SARIMA] 44
2.4 Modely časových řad s dlouhou pamětí 46
2.4.1 Frakcionálně integrované procesy (FI) 46
2.4.2 Procesy ARFIMA 48
2.5 Konstrukce předpovědí na základě modelů ARIMA a ARFIMA 49
2.5.1 Předpovědi s minimální střední čtvercovou chybou na základě modelů ARIMA 49
2.5.2 Předpovědi s minimální střední čtvercovou chybou na základě modelů ARFIMA 51
2.5.3 Výpočet předpovědí 52
2.6 Výstavba lineárních modelů 54
2.6.1 Odhad parametrů modelů ARIMA 54
2.6.2 Odhad parametrů modelů FI a ARFIMA 56
2.6.3 Konstrukce předpovědí na základě odhadnutého modelu ARIMA a ARFIMA 59
2.6.4 Určení a ověřování řádu diferencování 59
2.6.5 Určení řádu polynomů fp(B) a qq(B) 65
2.6.6 Diagnostická kontrola modelu 66
2.6.7 Kritéria pro volbu modelu 68
2.7 Praktické příklady 69
2.8 Shrnutí 92
3. MODELY S PROMĚNLIVÝMI REŽIMY 95
3.1 Modely s režimy určenými pozorovatelnými veličinami 96
3.1.1 Modely SETAR („Self-Exciting Threshold Autoregressive“) 96
3.1.2 Modely STAR („Smooth Transition Autoregressive“) 99
3.2 Modely s režimy určenými nepozorovatelnými veličinami 103
3.2.1 Model MSW („Markov-Switching“) 103
3.3 Konstrukce předpovědí na základě modelů s proměnlivými režimy 104
3.3.1 Bodové předpovědi 104
3.3.2 Intervalové předpovědi 105
3.3.3 Přesnost předpovědí konstruovaných na základě nelineárních modelů 106
3.4 Výstavba modelů s proměnlivými režimy 106
3.4.1 Odhady parametrů 107
3.4.2 Konstrukce předpovědí na základě odhadnutých modelů 112
3.4.3 Určení řádu zpoždění 113
3.4.4 Testování proměnlivosti režimů modelu a diagnostická kontrola 114
3.5 Praktické příklady 114
3.6 Shrnutí 124
4. MODELY VOLATILITY 125
4.1 Základní reprezentace 126
4.2 Lineární modely volatility 128
4.2.1 Modely ARCH („Autoregressive Conditional Heteroscedasticity“) 128
4.2.2 Modely GARCH („Generalized ARCH“) 129
4.2.3 Modely IGARCH („Integrated GARCH“) 132
4.2.4 Modely FIGARCH („Fractionaly IGARCH“) 133
4.2.5 Modely GARCH-M („GARCH in mean“) 133
4.3 Nelineární modely volatility 134
4.3.1 Modely EGARCH („Exponential GARCH“) 135
4.3.2 Modely IEGARCH („Integrated EGARCH“) a FIEGARCH („Fractionaly IEGARCH“) 136
4.3.3 Modely GJR-GARCH („Glosten, Jagannathan, Runkle GARCH“) 137
4.3.4 Modely STGARCH („Smooth Transition GARCH“) 138
4.4 Modely volatility a podmínka pravděpodobnostního rozdělení veličiny et 139
4.5 Konstrukce předpovědí na základě modelů volatility 139
4.5.1 Předpovědi na základě modelů ARIMA za předpokladu podmíněné heteroskedasticity 139
4.5.2 Výpočet předpovědí podmíněného rozptylu na základě lineárních modelů volatility 140
4.5.3 Výpočet předpovědí podmíněného rozptylu na základě nelineárních modelů volatility 143
4.6 Výstavba modelů volatility 143
4.6.1 Testování podmíněné heteroskedasticity v časových řadách 144
4.6.2 Odhad parametrů 146
4.6.3 Konstrukce předpovědí na základě odhadnutých modelů 149
4.6.4 Diagnostická kontrola 149
4.7 Praktické příklady 150
4.8 Shrnutí 159
5. LINEÁRNÍ MODELY VÍCEROZMĚRNÝCH STACIONÁRNÍCH ČASOVÝCH ŘAD 161
5.1 Modely vícerozměrných stacionárních časových řad 162
5.1.1 Vektorový stochastický proces a jeho stacionarita 162
5.1.2 Vícerozměrný lineární proces 166
5.1.3 Vektorové autoregresní procesy 167
5.1.4 Vektorové procesy klouzavých průměrů 169
5.1.5 Smíšené vektorové procesy 170
5.1.6 Problém identifikace 171
5.2 Kauzalita v časových řadách a analýza „Impuls-Reakce“ (I-R) 173
5.2.1 Definice Grangerovy kauzality 173
5.2.2 Grangerova kauzalita a model VAR 174
5.2.3 Analýza „Impuls-Reakce“ 175
5.2.4 Problémy spjaté s analýzou „Impuls-Reakce“ 179
5.3 Systémy dynamických simultánních rovnic (SDSR) 179
5.3.1 Endogenita, striktní exogenita a predeterminovanost v modelu časových řad 179
5.3.2 Strukturní, redukovaný a konečný tvar 181
5.3.3 Exogenita slabá, silná a super 183
5.4 Konstrukce předpovědí na základě modelu VARMA a SDSR 190
5.4.1 Předpovědi s minimální střední čtvercovou chybou 190
5.4.2 Výpočet předpovědí na základě modelu VARMA 192
5.4.3 Výpočet předpovědí na základě redukované formy systému rovnic 193
5.5 Výstavba modelů VAR, VARMA a SDSR, testování kauzality a exogenity 195
5.5.1 Odhady parametrů modelu VAR a VARMA 195
5.5.2 Určení řádu modelu VAR a VARMA 198
5.5.3 Diagnostická kontrola modelu VAR a VARMA 199
5.5.4 Kritéria pro volbu řádu modelu VAR 201
5.5.5 Testování Grangerovy kauzality 201
5.5.6 Testování exogenity 203
5.5.7 Odhady parametrů systému dynamických simultánních rovnic 205
5.5.8 Specifikace a diagnostická kontrola systému dynamických simultánních rovnic 206
5.5.9 Konstrukce předpovědí na základě modelů s odhadnutými parametry 211
5.6 Praktické příklady 212
5.7 Shrnutí 227

O Autorovi

Arlt Josef

Vystudoval obor ekonomická statistika na Vysoké škole ekonomické v Praze. V současnosti působí jako docent na katedře statistiky a pravděpodobnosti VŠE v Praze. Odborně se specializuje především na problémy analýzy ekonomických a finančních časových řad a ekonometrické analýzy časových řad.

Arltová Markéta

Vystudovala obor ekonomická statistika na Vysoké škole ekonomické v Praze. V doktorském studiu pokračovala v oboru statistika. V současnosti působí jako odborný asistent na katedře statistiky a pravděpodobnosti VŠE v Praze.V pedagogické činnosti se specializuje na předměty spojené s analýzou ekonomických a finančních časových řad a se statistickým výpočetním prostředím.

Zařazena v kategoriích

Hodnocení čtenářů

Knihu ještě nikdo nehodnotil. Přihlašte se do svého účtu a buďte první!

Zobrazit všechny recenze Přihlásit

Čtenáři, kteří si koupili tuto knihu, si dále koupili

Tištěná 1 059
Tištěná 219
E-kniha 110 -41 %
Tištěná 999
Tištěná 999
Tištěná 279

Novinky a akční nabídky knih

Přeji si být informován o novinkách


















Pole zanechte prosím prázdné

Přihlásit

Přihlásit přes sociální sítě:

Registrace

 




Síla hesla:
 

 

Fakturační adresa

Tento web používá k poskytování služeb, personalizaci reklam a analýze návštěvnosti soubory cookie. Používáním tohoto webu s tím souhlasíte. Další informace