„Algoritmikus tőzsdei folyamat-előrejelzés” változatai közötti eltérés
aNincs szerkesztési összefoglaló |
a →2016 |
||
| (9 közbenső módosítás ugyanattól a felhasználótól nincs mutatva) | |||
| 10. sor: | 10. sor: | ||
| labor = hetente | | labor = hetente | ||
| kiszh = nincs | | kiszh = nincs | ||
| nagyzh = | | nagyzh = 2 db | ||
| hf = 4 db | | hf = 4 db | ||
| vizsga = szóbeli | | vizsga = szóbeli | ||
| 20. sor: | 20. sor: | ||
Megismerteti a gazdaságinformatikus hallgatókkal a pénzügyi idősorok modellezésének és előrejelzésének alapvető módszereit és a kapcsolódó befektetési/portfólió stratégiákat. A hallgató képes lesz modellezni és előre jelezni az egyes pénzügyi idősorokat. Alkalmassá válik arra, hogy bankok és befektetési alapok befektetési stratégiáinak tervezését segítse. '''A tantárgy csak angol nyelven indul.''' | Megismerteti a gazdaságinformatikus hallgatókkal a pénzügyi idősorok modellezésének és előrejelzésének alapvető módszereit és a kapcsolódó befektetési/portfólió stratégiákat. A hallgató képes lesz modellezni és előre jelezni az egyes pénzügyi idősorokat. Alkalmassá válik arra, hogy bankok és befektetési alapok befektetési stratégiáinak tervezését segítse. '''A tantárgy csak angol nyelven indul.''' | ||
== Követelmények == | == Követelmények == | ||
*Szorgalmi időszakban 4 db házi feladat önálló megoldása. | *Szorgalmi időszakban 4 db házi feladat önálló megoldása + 2ZH elégséges teljesítése. | ||
*Vizsgaidőszakban szóbeli vizsga. | *Vizsgaidőszakban szóbeli vizsga. | ||
== Segédanyagok == | == Segédanyagok == | ||
=== | === Ajánlott irodalom === | ||
*Dr. Telcs András - [http://www.szit.bme.hu/~telcs/stat/SJ.pdf Statisztika jegyzet] | *Dr. Telcs András - [http://www.szit.bme.hu/~telcs/stat/SJ.pdf Statisztika jegyzet] | ||
*Maricza István - [http://www.cs.bme.hu/~telcs/stat/MariczaStat.pdf Matematikai statisztika] | *Maricza István - [http://www.cs.bme.hu/~telcs/stat/MariczaStat.pdf Matematikai statisztika] | ||
*Dr Györfi László - [http://www.szit.bme.hu/~gyorfi/booknempar.pdf Nemparaméteres statisztika] | *Dr Györfi László - [http://www.szit.bme.hu/~gyorfi/booknempar.pdf Nemparaméteres statisztika] | ||
*L. Györfi, M. Kohler, A. Krzyzak, H. Walk - A Distribution-Free Theory of Nonparametric Regression | |||
*R. S. Tsay - Analysis of Financial Time Series | |||
*L. Györfi, Gy. Ottucsák, H. Walk (2012) - Machine Learning for Financial Engineering | |||
=== | === Hasznos honlapok === | ||
*Zlatniczki Ádám [http://cs.bme.hu/~adam.zlatniczki/ honlapja] | *Zlatniczki Ádám [http://cs.bme.hu/~adam.zlatniczki/ honlapja] | ||
**Házi feladatok | **Házi feladatok | ||
| 37. sor: | 41. sor: | ||
*Gérard Swinnen - [http://mek.oszk.hu/08400/08435/08435.pdf Tanuljunk meg programozni Python nyelven] | *Gérard Swinnen - [http://mek.oszk.hu/08400/08435/08435.pdf Tanuljunk meg programozni Python nyelven] | ||
*Python [https://docs.continuum.io/ Anaconda modul] | *Python [https://docs.continuum.io/ Anaconda modul] | ||
== Vizsga == | == Vizsga == | ||
=== Tételsor === | === Tételsor === | ||
'''2016''' | |||
{{Rejtett | {{Rejtett | ||
|mutatott=''' | |mutatott='''Magyar''' | ||
|szöveg= | |szöveg= | ||
#Valószínűségszámítás alapjai: | #Valószínűségszámítás alapjai: | ||
| 72. sor: | 78. sor: | ||
##K-NN, kernel, partíciós módszer | ##K-NN, kernel, partíciós módszer | ||
##Kevert szakértők | ##Kevert szakértők | ||
}} | |||
{{Rejtett | |||
|mutatott='''Angol''' | |||
|szöveg= | |||
#Basic of probability theory: | |||
##Random variable, Conditional probability, Density function, Distribution function | |||
##Normal distribution, Expected value, Deviation, Momentums | |||
##Covariance, Correlation | |||
#Basic of statistics | |||
##Describing statistics | |||
###Expected value, Deviation, Covariance, Correlation (what show us, how can we estimate) | |||
###Autocovariance, Autocorrelation (what show us, how can we estimate) | |||
##Hyphotesis theory | |||
#White noise features | |||
#Regression | |||
##Linear | |||
###Least square errors method (partly) | |||
#Basic of time series analysis | |||
##Stochastic model (basic), stacionarity | |||
##Smoothing processes | |||
###Moving average | |||
#Deterministic models | |||
##Determination of periodicity: periodogram | |||
##determination of trend: regression | |||
#ARIMA model family | |||
##AR(p), MA(q), ARMA(p, q) | |||
##Fitting parameters: ACF, PACF analysis | |||
#Autoregressive heteroskedasticity models | |||
##Basic of ARCH | |||
##Basic of GARCH | |||
#Non-parametric forecasting | |||
##Non-parametric regression, local averaging, error decomposition | |||
##K-NN, kernel, partition method | |||
##Mixed experts | |||
}} | }} | ||