Časové řady - NMST414

• Anglický název: Time Series
• Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2023
• Semestr: letní
• E-Kredity: 8
• Rozsah, examinace: letní s.:4/2, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Garant: prof. RNDr. Tomáš Cipra, DrSc.; RNDr. Šárka Hudecová, Ph.D.
• Vyučující: prof. RNDr. Tomáš Cipra, DrSc.; RNDr. Radek Hendrych, Ph.D.
• Třída: M Mgr. PMSE; M Mgr. PMSE > Povinně volitelné
• Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
• Korekvizity : NMSA409
• Neslučitelnost : NMFP404, NMST537
• Záměnnost : NMST537
• Je neslučitelnost pro: NMST537, NMFP404
• Je prerekvizitou pro: NMEK521
• Je záměnnost pro: NMST537

Anotace

čeština

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.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

angličtina

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.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Cíl předmětu

čeština

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

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

angličtina

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

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Podmínky zakončení předmětu

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.

Poslední úprava: Hendrych Radek, RNDr., Ph.D. (15.02.2024)

Literatura

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

Poslední úprava: Cipra Tomáš, prof. RNDr., DrSc. (04.09.2023)

Metody výuky

čeština

Přednáška+cvičení.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

angličtina

Lecture+exercises.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Požadavky ke zkoušce

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.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Sylabus

čeština

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).

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

angličtina

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).

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Vstupní požadavky

čeština

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

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

angličtina

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

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)