Time Series - NMST414

• Title: Časové řady
• Guaranteed by: Department of Probability and Mathematical Statistics (32-KPMS)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2023
• Semester: summer
• E-Credits: 8
• Hours per week, examination: summer s.:4/2, C+Ex [HT]
• Capacity: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• State of the course: taught
• Language: Czech
• Teaching methods: full-time
• Guarantor: prof. RNDr. Tomáš Cipra, DrSc.; RNDr. Šárka Hudecová, Ph.D.
• Teacher(s): prof. RNDr. Tomáš Cipra, DrSc.; RNDr. Radek Hendrych, Ph.D.
• Class: M Mgr. PMSE; M Mgr. PMSE > Povinně volitelné
• Classification: Mathematics > Probability and Statistics
• Co-requisite : NMSA409
• Incompatibility : NMFP404, NMST537
• Interchangeability : NMST537
• Is incompatible with: NMST537, NMFP404
• Is pre-requisite for: NMEK521
• Is interchangeable with: NMST537

Annotation

English

Basic methods of time series analysis and their applications, time series decomposition and adaptive techniques, Box-Jenkins methodology including ARIMA and seasonal models, financial time series (models of volatility and nonlinear in mean), multivariate time series (vector autoregression, Kalman filter). Most of the methods are applied in a facultative seminar. Requirements: Basic knowledge of statistics.

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Czech

Základní metody analýzy časových řad včetně počítačového zpracování, dekompoziční metody včetně adaptivních technik, Boxova-Jenkinsova metodologie včetně modelů ARIMA a sezónních modelů, finanční časové řady (modelování volatility a modely nelineární ve střední hodnotě), vícerozměrné časové řady (vektorová autoregrese, Kalmanův filtr). Předpoklady: základní znalosti statistiky.

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Aim of the course

English

The students should master the most important methods of practical time series analysis so that they are capable to apply them in practice.

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Czech

Cílem je seznámit posluchače s většinou důležitých metod v praktické analýze časových řad tak, aby je byli schopni aktivně používat.

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Course completion requirements

Zápočet:

1. Vypracování a akceptace 3 domácích úloh v souladu s publikovaným zadáním, resp. publikovanými požadavky.

2. Vypracování a akceptace 3 recenzí domácích úloh kolegů v souladu s publikovanými požadavky.

3. Získání zápočtu není podmínkou účasti na zkoušce.

Zkouška:

1. Možnost zkoušky formou bodovaného písemného testu: 10 otázek pokrývajících odpřednesenou látku, jediný termín testu před koncem semestru.

2. Jinak ústní zkouška odpřednesené látky s termíny během zkouškového období (v případě zájmu možný předtermín) v souladu se zkušebním řádem na MFF UK.

3. Získání zápočtu není podmínkou účasti na zkoušce.

Last update: Hendrych Radek, RNDr., Ph.D. (15.02.2024)

Literature

Cipra, T.: Analýza časových řad s aplikacemi v ekonomii. SNTL/ALFA, Praha 1986

Cipra, T.: Finanční ekonometrie. Ekopress, Praha 2013 (2.vydání)

Cipra, T.: Time Series in Economics and Finance. Springer, Cham 2020

Last update: Cipra Tomáš, prof. RNDr., DrSc. (04.09.2023)

Teaching methods

English

Lecture+exercises.

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Czech

Přednáška+cvičení.

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Requirements to the exam

1. Dobrovolná možnost zkoušky formou bodovaného písemného testu: 10 otázek pokrývajících odpřednesenou látku; jediný termín testu před koncem semestru; oprava jen formou ústní zkoušky v rámci prvního opravného termínu.

2. Jinak ústní zkouška s možností předtermínu; požadavky ústní zkoušky odpovídají sylabu předmětu v rozsahu, který byl prezentován na přednášce.

3. Získání zápočtu není podmínkou účasti na zkoušce.

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Syllabus

English

I. Classification of random processes.

II. Decomposition methods: 1. Trend. 2. Seasonality and periodicity. 3. Tests of randomness.

III. Box-Jenkins methodology 1. ARMA models ARMA 2. Identification, estimation, verification and prediction. 3. ARIMA and seasonal models.

IV. Financial time series: 1. Models of volatility (GARCH). 2. Models nonlinear in mean.

V. Multivariate time series (vector autoregression, Kalman filter).

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Czech

I. Klasifikace náhodných procesů.

II. Dekompoziční metody: 1. Trend. 2. Sezónnost a periodicita. 3. Testy náhodnosti.

III. Boxova-Jenkinsova metodologie: 1. Modely typu ARMA. 2. Identifikace, odhad, verifikace a předpověď. 3. Modely ARIMA a sezónní modely.

IV. Finanční časové řady: 1. Modely volatility (GARCH). 2. Modely nelineární ve střední hodnotě.

V. Vícerozměrné časové řady (vektorová autoregrese, Kalmanův filtr).

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Entry requirements

English

Basic knowledge of mathematical statistics, theory of probability and random processes. Ability to solve numerically practical projects in a chosen software system.

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Czech

Základní znalost matematické statistiky, teorie pravděpodobnosti a náhodných procesů. Schopnost výpočetně zvládnout praktické projekty ve zvoleném softwarovém systému.

Last update: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)