Symulacje Monte Carlo i Bootstraping w środowisku R

Przedmiot to laboratorium z symulacji Monte Carlo i technik Bootstrapingu z wykorzystaniem programowania w języku R.

W trakcie przedmiotu poznaje się ideę, założenia i zastosowanie technik w ekonomii, bankowości i finansach. Przeprowadza się symulacje procesów stochastycznych. Omawiana jest silna versus słaba zbieżność oraz zależność zmiennych losowych. Analizowane są różne rodzaje kopul. Omawiane są ciągi o niskiej zbieżności oraz poznawane są algorytmy Haltona i Sobola generowania ciągów. Przedstawiane są metody redukcji wariancji w metodach Monte Carlo, metoda różnic skończonych.

W trakcie trwania przedmiotu poznaje się zastosowanie bootstrapingu w estymacji parametrów regresji liniowej i nieliniowej, przedziału ufności i weryfikacji hipotez statystycznych oraz w modelowaniu szeregów czasowych. Prezentowane są różne warianty bootstrapingu.

Nauka technik symulacji Monte Carlo do rozwiązywania zaawansowanych problemów ekonomicznych i finansowych, gdy podstawowe techniki zawodzą. Nauka metod otrzymywania dokładniejszych parametrów dla małych prób.

Literatura podstawowa:

Michael R. Chernick, Robert A. LaBudde (2014), An Introduction to Bootstrap Methods with Applications to R, John Wiley & Sons.

Peter Jäckel (2002), Monte Carlo Methods in Finance, John Wiley & Sons.

Literatura uzupełniająca:

Kopczewska Katarzyna, Kopczewski Tomasz, Wójcik Piotr, Metody ilościowe w R. Aplikacje ekonomiczne i finansowe, CeDeWu, 2016.

Chen, Ding-Geng, Chen, John Dean (2017), Monte-Carlo Simulation-Based Statistical Modeling, Springer.

Publikacje własne:

Ewa Ratuszny, Crisis - Threat or Opportunity. Multivariate Time Series Models,2021

Kryteria oceniania:

egzamin tradycyjny-pisemny: 0.00%

egzamin testowy: 0.00%

egzamin ustny: 0.00%

kolokwium: 0.00%

referaty/eseje: 0.00%

inne: 0.00%

projekty (projekt 2 osobowy + prezentacja): 100.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50%

Przedmiot to laboratorium z symulacji Monte Carlo i technik Bootstrapingu z wykorzystaniem programowania w języku R.

W trakcie przedmiotu poznaje się ideę, założenia i zastosowanie technik w ekonomii, bankowości i finansach. Przeprowadza się symulacje procesów stochastycznych. Omawiana jest silna versus słaba zbieżność oraz zależność zmiennych losowych. Analizowane są różne rodzaje kopul. Omawiane są ciągi o niskiej zbieżności oraz poznawane są algorytmy Haltona i Sobola generowania ciągów. Przedstawiane są metody redukcji wariancji w metodach Monte Carlo, metoda różnic skończonych.

W trakcie trwania przedmiotu poznaje się zastosowanie bootstrapingu w estymacji parametrów regresji liniowej i nieliniowej, przedziału ufności i weryfikacji hipotez statystycznych oraz w modelowaniu szeregów czasowych. Prezentowane są różne warianty bootstrapingu.

Nauka technik symulacji Monte Carlo do rozwiązywania zaawansowanych problemów ekonomicznych i finansowych, gdy podstawowe techniki zawodzą. Nauka metod otrzymywania dokładniejszych parametrów dla małych prób.

Literatura podstawowa:

Michael R. Chernick, Robert A. LaBudde (2014), An Introduction to Bootstrap Methods with Applications to R, John Wiley & Sons.

Peter Jäckel (2002), Monte Carlo Methods in Finance, John Wiley & Sons.

Literatura uzupełniająca:

Kopczewska Katarzyna, Kopczewski Tomasz, Wójcik Piotr, Metody ilościowe w R. Aplikacje ekonomiczne i finansowe, CeDeWu, 2016.

Chen, Ding-Geng, Chen, John Dean (2017), Monte-Carlo Simulation-Based Statistical Modeling, Springer.

Publikacje własne:

Ewa Ratuszny, Crisis - Threat or Opportunity. Multivariate Time Series Models,2021

Kryteria oceniania:

egzamin tradycyjny-pisemny: 0.00%

egzamin testowy: 0.00%

egzamin ustny: 0.00%

kolokwium: 0.00%

referaty/eseje: 0.00%

inne: 0.00%

projekty (projekt 2 osobowy + prezentacja): 100.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50%

Przedmiot to laboratorium z symulacji Monte Carlo i technik Bootstrapingu z wykorzystaniem programowania w języku R.

W trakcie przedmiotu poznaje się ideę, założenia i zastosowanie technik w ekonomii, bankowości i finansach. Przeprowadza się symulacje procesów stochastycznych. Omawiana jest silna versus słaba zbieżność oraz zależność zmiennych losowych. Analizowane są różne rodzaje kopul. Omawiane są ciągi o niskiej zbieżności oraz poznawane są algorytmy Haltona i Sobola generowania ciągów. Przedstawiane są metody redukcji wariancji w metodach Monte Carlo, metoda różnic skończonych.

W trakcie trwania przedmiotu poznaje się zastosowanie bootstrapingu w estymacji parametrów regresji liniowej i nieliniowej, przedziału ufności i weryfikacji hipotez statystycznych oraz w modelowaniu szeregów czasowych. Prezentowane są różne warianty bootstrapingu.

Nauka technik symulacji Monte Carlo do rozwiązywania zaawansowanych problemów ekonomicznych i finansowych, gdy podstawowe techniki zawodzą. Nauka metod otrzymywania dokładniejszych parametrów dla małych prób.

Literatura podstawowa:

Michael R. Chernick, Robert A. LaBudde (2014), An Introduction to Bootstrap Methods with Applications to R, John Wiley & Sons.

Peter Jäckel (2002), Monte Carlo Methods in Finance, John Wiley & Sons.

Literatura uzupełniająca:

Kopczewska Katarzyna, Kopczewski Tomasz, Wójcik Piotr, Metody ilościowe w R. Aplikacje ekonomiczne i finansowe, CeDeWu, 2016.

Chen, Ding-Geng, Chen, John Dean (2017), Monte-Carlo Simulation-Based Statistical Modeling, Springer.

Publikacje własne:

Ewa Ratuszny, Crisis - Threat or Opportunity. Multivariate Time Series Models,2021 Doświadczenie zawodowe lub doświadczenie dydaktyczne: Ratuszny E., Walczyk K. (2022), Use of Data from Business Tendency Surveys in Output Gap Estimation [w:] S. Białowąs (red.), Economic tendency surveys and economic policy ? measuring output gaps and growth potentials, Wydawnictwo Uniwersytetu Ekonomicznego w Poznaniu. Ratuszny E. (2019), Zastosowanie kaskad kopuli do wyznaczania wymogu kapitałowego portfela instrumentów walutowych, Prace Instytutu Ekonometrii, Szkoła Główna Handlowa w Warszawie.

Przedmiot to laboratorium z symulacji Monte Carlo i technik Bootstrapingu z wykorzystaniem programowania w języku R.

W trakcie przedmiotu poznaje się ideę, założenia i zastosowanie technik w ekonomii, bankowości i finansach. Przeprowadza się symulacje procesów stochastycznych. Omawiana jest silna versus słaba zbieżność oraz zależność zmiennych losowych. Analizowane są różne rodzaje kopul. Omawiane są ciągi o niskiej zbieżności oraz poznawane są algorytmy Haltona i Sobola generowania ciągów. Przedstawiane są metody redukcji wariancji w metodach Monte Carlo, metoda różnic skończonych.

W trakcie trwania przedmiotu poznaje się zastosowanie bootstrapingu w estymacji parametrów regresji liniowej i nieliniowej, przedziału ufności i weryfikacji hipotez statystycznych oraz w modelowaniu szeregów czasowych. Prezentowane są różne warianty bootstrapingu.

Nauka technik symulacji Monte Carlo do rozwiązywania zaawansowanych problemów ekonomicznych i finansowych, gdy podstawowe techniki zawodzą. Nauka metod otrzymywania dokładniejszych parametrów dla małych prób.

Literatura podstawowa:

Michael R. Chernick, Robert A. LaBudde (2014), An Introduction to Bootstrap Methods with Applications to R, John Wiley & Sons.

Peter Jäckel (2002), Monte Carlo Methods in Finance, John Wiley & Sons.

Literatura uzupełniająca:

Kopczewska Katarzyna, Kopczewski Tomasz, Wójcik Piotr, Metody ilościowe w R. Aplikacje ekonomiczne i finansowe, CeDeWu, 2016.

Chen, Ding-Geng, Chen, John Dean (2017), Monte-Carlo Simulation-Based Statistical Modeling, Springer.

Publikacje własne:

Ewa Ratuszny, Crisis - Threat or Opportunity. Multivariate Time Series Models,2021 Doświadczenie zawodowe lub doświadczenie dydaktyczne: Ratuszny E., Walczyk K. (2022), Use of Data from Business Tendency Surveys in Output Gap Estimation [w:] S. Białowąs (red.), Economic tendency surveys and economic policy ? measuring output gaps and growth potentials, Wydawnictwo Uniwersytetu Ekonomicznego w Poznaniu. Ratuszny E. (2019), Zastosowanie kaskad kopuli do wyznaczania wymogu kapitałowego portfela instrumentów walutowych, Prace Instytutu Ekonometrii, Szkoła Główna Handlowa w Warszawie.