• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
2023/2024

Анализ временных рядов

Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Маго-лего
Когда читается: 3, 4 модуль
Охват аудитории: для всех кампусов НИУ ВШЭ
Язык: русский
Кредиты: 6
Контактные часы: 76

Программа дисциплины

Аннотация

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента, и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов, обучающихся по магистерской программе "Прикладная экономика". Программа разработана в соответствии с: • Образовательным стандартом федерального государственного автономного образовательного учреждения высшего профессионального образования «Национальный исследовательский университет “Высшая школа экономики”» для направления 38.04.01 Экономика подготовки магистра; • Рабочим учебным планом университета по направлению 38.04.01 Экономика» подготовки магистра утвержденным в 2019 г. Курс "Анализ временных рядов" является курсом по выбору и рассчитан, в первую очередь, на студентов 1-го курса магистерской программы «Прикладная экономика», а также студентов иных магистерских программ. Материал курса предназначен для использования в курсах, связанных с количественным анализом динамики реальных экономических явлений, таких как, например, макроэкономика, прикладная макроэкономика, теория финансов и других. Он может быть использован в спецкурсах по теории случайных процессов, математическим моделям в экономике, оптимальному управлению, статистическому прогнозированию, применению методов теории вероятностей в финансовой математике, принятию решений в условиях неопределенности. Требования к студентам: курс "Анализ временных рядов" рассчитан на студентов, прослушавших курс математического анализа (включающий дифференциальное и интегральное исчисление), курс разностных уравнений, а также курсы линейной алгебры, методов оптимальных решений, экономической статистики, теории вероятностей и математической статистики, эконометрики.
Цель освоения дисциплины

Цель освоения дисциплины

  • В результате освоения дисциплины студент: 1. Способен оценивать и перерабатывать освоенные научные методы и способы деятельности; 2. Способен предлагать концепции, модели, изобретать и апробировать способы и инструменты профессиональной деятельности; 3. Способен анализировать, верифицировать, оценивать полноту информации в ходе профессиональной деятельности, при необходимости восполнять и синтезировать недостающую информацию и работать в условиях неопределенности; 4. Способен вести профессиональную, в том числе научно-исследовательскую деятельность в международной среде; 5. Способен ставить задачу и принимать решение с учетом возможных рисков и последствий, разрабатывать соответствующие методические и нормативные документы, а также предложения и мероприятия по реализации разработанных проектов и программ; 6. Способен готовить аналитические материалы для оценки мероприятий в области экономической политики и принятия стратегических решений на микро- и макроуровне; 7. Способен находить данные, необходимые для анализа и проведения экономических расчетов, используя различные источники информации; 8. Способен работать с большими массивами разнообразной информации, составлять прогноз основных социально-экономических показателей деятельности предприятия, отрасли, региона и экономики в целом, в т. ч. используя современные информационно-компьютерные технологии.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знакомство с основными понятиями теории случайных процессов.
  • Понимает различие между стационарными и нестационарными рядами, умеет приводить ряды к стационарному виду.
  • Понимать к чему ведет наличие или отсутствие коинтеграции нестационарных временных рядов. Уметь переписать ARDL-модели в ECM форме.
  • Умеет оценивать коэффициенты моделей ARMA.
  • Умеет построить как точечный, так и интервальный прогноз по модели ARMA.
  • Умеет проводить тесты на наличие экзогенных и эндогенных структурных сдвигов.
  • Умеет различать процессы ARMA(p,q) и рассчитывать их характеристики
  • Умеет тестировать коинтеграцию многих временных рядов и строить многомерные модели как стационарных, так и нестационарных временных рядов.
  • Умеет тестировать наличие единичного корня, понимает особенности распределения тестовой статистики.
  • Умеет тестировать тип нестационарнности.
  • Уметь оценивать VAR-модели и проверять их стационарность.
  • Уметь оценивать модели с условной гетероскедастичностью.
  • Уметь строить многомерные модели условной гетероскедастичности
  • Уметь тестировать три типа экзогенности.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Временной ряд, как дискретный случайный процесс. Стационарность случайных процессов.
  • Модели авторегрессии-скользящего среднего ARMA (р, q). Автокорреляционные и частные автокорреляционные функции.
  • Оценивание коэффициентов процессов ARMA (p, q). Информационные критерии.
  • Прогнозирование в модели Бокса-Дженкинса
  • Нестационарные временные ряды.. Подход Бокса-Дженкинса к определению степени интеграции временного ряда.
  • Тесты на единичные корни: тесты Дикки-Фуллера, Филлипса-Перрона, KPSS и др.
  • Единичные корни и структурные сдвиги: Тесты Перрона, Бай-Перрона и Зивота-Эндрюса.
  • Методика исследования типа нестационарности временного ряда TSP или DSP. Другие типы нестационарных процессов.
  • Авторегрессионные модели с распределенными лагами. Понятие экзогенности (слабой, сильной, супер–). Причинность по Грэнджеру.
  • Коинтеграция временных рядов. Модели коррекции ошибками.
  • Многомерные временные ряды. Структурная и приведенная формы многомерных моделей. Модели векторной авторегрессии (VAR). Стационарность VAR-моделей. Оценивание коэффициентов VAR моделей. Тестирование VAR моделей.
  • 13. Тестирование коинтеграции. Тест Йохансена. Теорема Гренджера о представлении. Структурные модели векторной авторегрессии (SVAR).
  • 15. Нелинейные модели временных рядов: ARCH, GARCH и др.
  • 16. Многомерные модели условной гетероскедастичности.
Элементы контроля

Элементы контроля

  • неблокирующий Тест
  • неблокирующий Домашнее задание 1
  • неблокирующий Контрольная работа 1:
  • неблокирующий Домашнее задание 2
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 4 модуль
    0.15 * Домашнее задание 1 + 0.15 * Домашнее задание 2 + 0.2 * Контрольная работа 1: + 0.1 * Тест + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Канторович Г.Г. (2002). Лекции: Анализ Временных Рядов. Higher School of Economics Economic Journal Экономический Журнал Высшей Школы Экономики, (1), 85. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.a.scn.025886.16537823
  • Канторович Г.Г. (2002). Лекции: Анализ временных рядов. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.69D6F004
  • Канторович Г.Г. (2002). Лекции: Анализ временных рядов. Экономический Журнал Высшей Школы Экономики, (1). Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsclk&AN=edsclk.16537823
  • Канторович, Г. (2002). Лекции: Анализ Временных Рядов. Экономический Журнал Высшей Школы Экономики, (3). Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsclk&AN=edsclk.15693389
  • Путеводитель по современной эконометрике : учеб.- метод. пособие для вузов, Вербик, М., 2008

Рекомендуемая дополнительная литература

  • Time series analysis, Hamilton, J. D., 1994