Cira PERNA | TIME SERIES ANALYSIS
Cira PERNA TIME SERIES ANALYSIS
cod. 0222400034
TIME SERIES ANALYSIS
| 0222400034 | |
| DIPARTIMENTO DI SCIENZE ECONOMICHE E STATISTICHE | |
| CORSO DI LAUREA MAGISTRALE | |
| SCIENZE STATISTICHE PER LA FINANZA | |
| 2022/2023 |
| OBBLIGATORIO | |
| ANNO CORSO 1 | |
| ANNO ORDINAMENTO 2014 | |
| PRIMO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| SECS-S/01 | 10 | 60 | LEZIONE |
| Obiettivi | |
|---|---|
| CONOSCENZE E CAPACITÀ DI COMPRENSIONE LO SCOPO DI QUESTO CORSO È QUELLO DI FORNIRE AGLI STUDENTI UNA INTRODUZIONE DEI PRINCIPALI MODELLI DI SERIE STORICHE E DELLA LORO APPLICAZIONE ALLA MODELLIZZAZIONE E ALLA PREVISIONE DEI DATI RACCOLTI SEQUENZIALMENTE NEL TEMPO. L'OBIETTIVO È FORNIRE TECNICHE SPECIFICHE PER L'ANALISI DEI DATI E ALLO STESSO TEMPO UNA SOLIDA COMPRENSIONE DELLE BASI TEORICHE DELLE TECNICHE E DEI MODELLI INTRODOTTI. GLI ARGOMENTI TRATTATI INCLUDERANNO MODELLI STAZIONARI E NON STAZIONARI UNIVARIATI, MODELLI ARMA / ARIMA E LORO IDENTIFICAZIONE E STIMA. SARÀ PRESA IN CONSIDERAZIONE L'IMPLEMENTAZIONE DETTAGLIATA DEI MODELLI SU DATI REALI UTILIZZANDO IL SOFTWARE STATISTICO R. GLI OBIETTIVI DI QUESTO CORSO SONO, PERTANTO: PRESENTARE AGLI STUDENTI I PRINCIPALI SVILUPPI NELL'ANALISI DELLE SERIE STORICHE, APPRENDERE METODI TEORICI, APPLICATI E COMPUTAZIONALI PER L'ANALISI E LA PREVISIONE DI SERIE TEMPORALI; ACQUISIRE ESPERIENZA NELLA COSTRUZIONE DI MODELLI. GLI STRUMENTI STATISTICI INTRODOTTI NEL CORSO SARANNO PRESENTATI METTENDO IN EVIDENZA ALCUNI IMPORTANTI RISULTATI TEORICI E LA LORO POSSIBILE IMPLEMENTAZIONE IN CONTESTI EMPIRICI. ALLO STUDENTE VERRANNO FORNITI STRUMENTI SU COME SELEZIONARE E UTILIZZARE GLI STRUMENTI STATISTICI APPROPRIATI PER L'ANALISI DELLE SERIE TEMPORALI, NONCHÉ SU COME INTERPRETARE E COMMENTARE I RISULTATI CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE GLI STRUMENTI STATISTICI INTRODOTTI AL CORSO SARANNO PRESENTATI EVIDENZIANDO ALCUNI RILEVANTI RISULTATI TEORICI ED IL POSSIBILE IMPIEGO IN CONTESTI EMPIRICI ALLO STUDENTE È DATA EVIDENZA DI COME SELEZIONARE E APPLICARE OPPORTUNAMENTE GLI STRUMENTI ACQUISITI NONCHÉ DI COME INTERPRETARE E COMMENTARE I RISULTATI DELLE ANALISI EFFETTUATE. |
| Prerequisiti | |
|---|---|
| STATISTICA |
| Contenuti | |
|---|---|
| IL CORSO E' DI 60H (10CFU) PER IL PER IL CDS IN SCIENZE STATISTICHE PER LA FINANZA CARATTERISTICHE DELLE SERIE TEMPORALI. (5H) LA NATURA DEI DATI. MODELLI STATISTICI PER SERIE STORICHE. MISURE DI DIPENDENZA: AUTOCORRELAZIONE E CROSS-CORRELAZIONI. SERIE STORICHE STAZIONARIE. STIMA DELLA CORRELAZIONE. DECOMPOSIZIONE DELLE SERIE TEMPORALI. (10H) LE COMPONENTI DI UNA SERIE STORICA. DECOMPOSIZIONE CLASSICA. DECOMPOSIZIONE STL. TRASFORMAZIONE BOX-COX PROCESSI STOCASTICI. (15H) GLI OPERATORI “BACKWARD” E “FORWARD”. LA STAZIONARIETÀ DEBOLE E FORTE. PROCESSI STOCASTICI GAUSSIANI. PROCESSI LINEARI. DECOMPOSIZIONE DI WOLD. ERGODICITÀ. INVERTIBILITÀ MODELLI AUTOREGRESSIVI A MEDIA MOBILE (ARIMA) (20H) INTRODUZIONE, MODELLI LINEARI PER SERIE TEMPORALI STAZIONARIE. STAZIONARIETÀ. SERIE STORICHE STAZIONARIE. LA GENESI DEI MODELLI ARMA. I MODELLI A MEDIA MOBILE DI ORDINE FINITO (MA). IL MODELLO MEDIA MOBILE DEL PRIMO ORDINE, MA(L ). IL MODELLO MEDIA MOBILE DEL SECONDO ORDINE, MA(2). PROCESSI AUTOREGRESSIVI DI ORDINE FINITO. PROCESSO AUTOREGRESSIVO DEL PRIMO ORDINE, AR(L ). PROCESSO AUTOREGRESSIVO DEL SECONDO ORDINE, AR(2). MODELLI AUTOREGRESSIVI DI ORDINE P, AR(P). FUNZIONE DI AUTOCORRELAZIONE E FUNZIONE DI AUTOCORRELAZIONE PARZIALE. MODELLI ARMA. PROCESSI NON STAZIONARI. MODELLI ARMA INTEGRATI. LA COSTRUZIONE DEL MODELLO. IDENTIFICAZIONE DEL MODELLO. STIMA DEI PARAMETRI. CONTROLLO DIAGNOSTICO. ESEMPI DI IDENTIFICAZIONE E STIMA DI MODELLI ARIMA . MODELLI STAGIONALI. PREVISIONE DEI MODELLI ARIMA ARGOMENTI AGGIUNTIVI. (10H + 3H PER GLI STUDENTI DI DATA SCIENCE E GESTIONE DELL'INNOVAZIONE) INTRODUZIONE. ARMA A MEMORIA LUNGA E DIFFERENZA FRAZIONARIA .UNIT ROOT TESTING. MODELLI A SOGLIA. MODELLI GARCH. CENNI AI METODI NON PARAMETRICI PER SERIE STORICHE. |
| Metodi Didattici | |
|---|---|
| LEZIONI FRONTALI (40 H) ED ESERCITAZIONI (20H+3H PER GLI STUDENTI DI DATA SCIENCE AND INNOVATION MANAGEMENT) |
| Verifica dell'apprendimento | |
|---|---|
| PROJECT WORK CON DISCUSSIONE AND ESAME ORALE E’ OBBLIGATORIA LA PREDISPOSIZIONE DI UN PROJECT WORK COME ATTIVITÀ DI APPRENDIMENTO ESSENZIALE; AGLI STUDENTI VIENE RICHIESTO DI ANALIZZARE PROPRIE SERIE STORICHE REALI. IL PROJECT WORK VIENE SVOLTO IN GRUPPI DI 1-3 STUDENTI E VIENE VALUTATO SULLA BASE DI UNA RELAZIONE SCRITTA. E’ NECESSARIA LA PARTECIPAZIONE ATTIVA AL LAVORO DI GRUPPO DURANTE TUTTO IL PROGETTO. LA DISCUSSIONE INDIVIDUALE DEL PROJECT WORK È UN ELEMENTO DI VALUTAZIONE. OGNI STUDENTE È VALUTATO INDIVIDUALMENTE SULLA BASE DELLA DISCUSSIONE DEL PROGETTO. LA SECONDA PROVA CONSISTE IN UNA PROVA ORALE (OBBLIGATORIA) SUGLI ARGOMENTI DEL CORSO. GLI STUDENTI SARANNO VALUTATI IN TRENTESIMI. |
| Testi | |
|---|---|
| SHUMWAY R.H. AND STOFFER D.S. TIME SERIES ANALYSIS AND ITS APPLICATIONS, WITH R EXAMPLES (THIRD EDITION), SPRINGER, 2011 |
| Altre Informazioni | |
|---|---|
| DURANTE IL CORSO, SARANNO FORNITI MATERIALI AGGIUNTIVI |
BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-08-21]
