|
|
|
||
Last update: T_KPMS (15.05.2013)
|
|
||
Last update: T_KPMS (15.05.2013)
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: prof. RNDr. Tomáš Cipra, DrSc. (13.10.2021)
Zápočet: 1. Vypracování a akceptace 5 domácích úloh v souladu s publikovaným zadáním, resp. publikovanými požadavky (požadavky viz webová stránka cvičícího). 2. Vypracování a akceptace 5 recenzí domácích úloh kolegů v souladu s publikovanými požadavky (požadavky viz webová stránka cvičícího). 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 dle sylabu přednášky 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: prof. RNDr. Tomáš Cipra, DrSc. (04.01.2016)
Cipra, T.: Analýza časových řad s aplikacemi v ekonomii. SNTL/ALFA, Praha 1986 Cipra, T.: Finanční ekonometrie. Ekopress, Praha 2013 (2.vydání) |
|
||
Last update: T_KPMS (15.05.2013)
Lecture+exercises. |
|
||
Last update: prof. RNDr. Tomáš Cipra, DrSc. (06.10.2017)
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: T_KPMS (15.05.2013)
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: prof. RNDr. Tomáš Cipra, DrSc. (24.04.2018)
Basic knowledge of mathematical statistics, theory of probability and random processes. Ability to solve numerically practical projects in a chosen software system. |