Algoritmikus tőzsdei folyamat-előrejelzés

Algoritmikus tőzsdei folyamat-előrejelzés

Tárgykód	VISZM107
Általános infók
Szak	MSC gazdinfo
Kredit	6
Ajánlott félév	tavasz
Keresztfélév	nincs
Tanszék	VIK-SZIT
Követelmények
Jelenlét	ajánlott
Labor	hetente
KisZH	nincs
NagyZH	nincs
Házi feladat	4 db
Vizsga	szóbeli
Elérhetőségek
Tantárgyi adatlap
Tárgyhonlap

Bevezetés

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

• Szorgalmi időszakban 4 db házi feladat önálló megoldása.
• Vizsgaidőszakban szóbeli vizsga.

Segédanyagok

Ajánlott irodalom

• Dr. Telcs András - Statisztika jegyzet
• Maricza István - Matematikai statisztika
• Dr Györfi László - Nemparaméteres statisztika

Hasznos honlapok

• Zlatniczki Ádám honlapja
  • Házi feladatok
  • Órai anyagok/kódok
• Yahoo finance
  • Pénzügyi idősorok

Python

• Gérard Swinnen - Tanuljunk meg programozni Python nyelven
• Python Anaconda modul

Vizsga

Tételsor

kinyit2016 - magyar

1. Valószínűségszámítás alapjai:
   1. Valószínűségi változó, Feltételes valószínűség, Sűrűségfüggvény, eloszlásfüggvény
   2. Normál eloszlás, Várható érték, szórás, momentumok
   3. Kovariancia, korreláció
2. Statisztika alapjai
   1. Leíró statisztikák
      1. Várható érték, szórás, kovariancia, korreláció (mit mutat meg, hogyan becsüljük)
      2. Autokovariancia, autokorreláció (mit mutat meg, hogyan becsüljük)
   2. Hipotéziselmélet
3. Fehér zaj tulajdonságai
4. Regresszió
   1. Lineáris
      1. Legkisebb négyzetek módszere (érintőlegesen)
5. Idősor elemzés alapjai
   1. Sztochasztikus modell (alapja), stacionaritás
   2. Simítási eljárások
      1. Moving average
6. Determinisztikus modellek
   1. Periodicitás meghatározása: periodogram
   2. Trend meghatározása: regresszió
7. ARIMA modellcsalád
   1. AR(p), MA(q), ARMA(p, q)
   2. Paraméterek illesztése: ACF, PACF vizsgálata
8. Autoregresszív heteroszkedasztikus modellek
   1. ARCH alapjai
   2. GARCH alapjai
9. Nem paraméteres előrejelzés
   1. Nem paraméteres regresszió, lokális átlagolás, hiba dekompozíció
   2. K-NN, kernel, partíciós módszer
   3. Kevert szakértők

kinyit2016 - angol

1. Basic of probability theory:
   1. Random variable, Conditional probability, Density function, Distribution function
   2. Normal distribution, Expected value, Deviation, Momentums
   3. Covariance, Correlation
2. Basic of statistics
   1. Describing statistics
      1. Expected value, Deviation, Covariance, Correlation (what show us, how can we estimate)
      2. Autocovariance, Autocorrelation (what show us, how can we estimate)
   2. Hyphotesis theory
3. White noise features
4. Regression
   1. Linear
      1. Least square errors method (partly)
5. Basic of time series analysis
   1. Stochastic model (basic), stacionarity
   2. Finishing processes
      1. Moving average
6. Deterministic models
   1. Determination of periodicity: periodogram
   2. determination of trend: regression
7. ARIMA model family
   1. AR(p), MA(q), ARMA(p, q)
   2. Fitting parameters: ACF, PACF analysis
8. Autoregressive heteroskedasticity models
   1. Basic of ARCH
   2. Basic of GARCH
9. Non-parametric forecasting
   1. Non-parametric regression, local averaging, error decomposition
   2. K-NN, kernel, partition method
   3. Mixed experts