Kursplan för Finansiella tidsserier

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2019-02-22 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnFinancial time series
  • KurskodTMS088
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPENM
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeMatematik
  • InstitutionMATEMATISKA VETENSKAPER
  • BetygsskalaTH - Fem, Fyra, Tre, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 20137
  • Sökbar för utbytesstudenterJa

Poängfördelning

0117 Tentamen 7,5 hp
Betygsskala: TH		 7,5 hp
  • 05 Jun 2020 em J
  • 03 Jan 2020 fm SB_MU
  • 20 Aug 2020 fm J

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Ersätter

  • TMS087 Finansiella tidsserier

Behörighet

Information saknas

Särskild behörighet

För kurser på avancerad nivå gäller samma grundläggande och särskilda behörighetskrav som till det kursägande programmet. (När kursen är på avancerad nivå men ägs av ett grundnivåprogram gäller dock tillträdeskrav för avancerad nivå.)
Undantag från tillträdeskraven: Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Goda kunskaper i grundläggande matematisk analys och linjär algebra, samt grundläggande kunskaper i sannolikhetsteori och statistik. En viss förtrogenhet med stokastiska processer och progammering i matlab är en stor fördel.

Syfte

Kursdeltagarna kommer att lära sig förstå klassisk och modern tidsserianalys, både teoretiskt och hur man använder teorin i praktiken, med tyngdpunkten på modellering av finansiella tidsserier. De kommer att lära sig förstå problemställningar, mål och tillvägagångsätt inom tidsserianalys genom att lära sig de grundläggande sannolikhetsteoretiska hjälpmedel och statistiska skattningsmetoder som används inom området, med fokus på metoder för analys och prediktion av finansiell avkastning.

Lärandemål (efter fullgjord kurs ska studenten kunna)

  • Beräkna och förstå marginalfördelningar och autokorrelationsfunktioner i tidsserier
  • Härleda egensaper hos  ARIMA- och GARCH-modeller
  • Välja en lämplig ARIMA/GARCH-modell för en given datamängd och anpassa modellen till data med hjälp av något lämpligt datorprogrampaket, samt
  • Beräkna prediktioner med hjälp av ett antal linjära och icke-linjära modeller och metoder

Innehåll

Kursen introducerar tidsserietekniker och hur man använder dem för att analysera och förutse finansiella tidsserier. Ämnen som täcks i kursen inkluderar:

ARIMA-modeller - sannolikhetsteoretiska egenskaper och skattningsmetoder 
  • Stationära stokastiska processer
  • Autokovarians- och autokorrelationsfunktioner
  • Grundläggande egenskaper hos ARMA-processer
  • Linjär representation av stokastiska processer
  • Skattning i ARMA-processer.

ARCH- och GARCH-processer - teori och praktik i modellering av volatilitet
  • Definition av ARCH-processer, och deras relation till ARMA-processer
  • Utvidgningar av GARCH-processer

Icke-linjära modeller
  • Bilinjära modeller och autoregressiva Markov-switchingmodeller
  • Modellanpassning med kärnskattning, val av bandbredd, och lokal linjär regression
  • Icke-parametriska och parametriska test för icke-linjaritet
  • Prediktion och att mäta prediktionsförmåga

Organisation

Föreläsningar samt handledda och självständiga övningar i dataanalys. Deltagarna ska använda ett statisiskt programpaket, såsom Matlab, Splus eller R.

Litteratur

Litteratur anges separat.

Examination inklusive obligatoriska moment

Skriftlig tentamen. Projekter ger bonuspoäng till tentamen.

Kursplanen innehåller ändringar

  • Ändring gjord på tentamen:
    • 2020-04-29: Tentamensdatum Tentamensdatum ändrat av elisabeth eriksson
      [31211, 51883, 3], Ny tenta för läsår 2019/2020, ordinal 3 (ej nedlagd kurs)
    • 2020-01-02: Plats Plats ändrat från Johanneberg till SB Multisal av annbe
      [2020-01-03 7,5 hp, 0117]
    • 2019-08-26: Tentamensdatum Tentamensdatum ändrat av Rickard Johansson
      [31211, 51883, 2], Ny tenta för läsår 2019/2020, ordinal 2 (ej nedlagd kurs)