Analiza danych występujących w różnych obszarach (np. biznesie, ekonomii, czy przemyśle) wymaga zazwyczaj jednoczesnego modelowania kilku szeregów czasowych. Typowym przykładem są tu szeregi czasowe zawierające powiązane ze sobą wskaźniki makroekonomiczne, takie jak: inflacja, produkcja przemysłowa, stopa bezrobocia, itp. W analizie danych wielowymiarowych często stosuje się podejście jednowymiarowe, tzn. odrębne modele dopasowywane są dla każdego z szeregów, z pominięciem występujących zależności. Niestety postępowanie takie może prowadzić do błędnych lub, w najlepszym przypadku, nieoptymalnych decyzji.

W czasie szkolenia przedstawimy najważniejsze modele wielowymiarowe, pozwalające na odzwierciedlenie zależności występujących pomiędzy szeregami. W zakresie szkolenia uwzględnione będą różne, występujące w praktyce, formy zależności. Poznasz podstawowe modele wektorowe szeregów czasowych oraz dynamiczne modele regresyjne. Dowiesz się również, jak w analizie szeregów uwzględnić interwencje (czyli zewnętrzne zdarzenia, takie jak zmiany legislacyjne, technologiczne lub ekonomiczne). Dzięki szkoleniu zdobędziesz umiejętność stosowania modeli wielowymiarowych w praktyce.


Czego się nauczysz?

  • Nauczysz się jakie są charakterystyczne cechy wielowymiarowych szeregów czasowych oraz w jaki sposób można zidentyfikować je w analizowanych danych.
  • Poznasz wszystkie etapy analizy wielowymiarowych szeregów czasowych: od wstępnej analizy danych, poprzez identyfikację, dopasowanie i diagnostykę modeli, aż do wykorzystania modeli w praktyce.
  • Poznasz klasyczne i nowoczesne modele statystyczne stosowane w analizie wielowymiarowych szeregów czasowych.
  • Dowiesz się, jakie są rodzaje interwencji i jak uwzględnić je w modelowaniu.
  • Nauczysz się jak wybrać i dopasować optymalny model dla danych.
  • Poznasz modele i metody analityczne wspomagające zarządzanie ryzykiem rynkowym.
  • Wszystko przećwiczysz w praktyce na komputerze: używamy systemu R lub ITSM 2000.
  • Otrzymasz obszerne materiały umożliwiające samodzielną późniejszą pracę.


Dla kogo jest to szkolenie?

Pracownicy departamentów controllingu, sprzedaży, marketingu, zarządzania aktywami i pasywami, skarbu i innych:

  • zainteresowani stosowaniem nowoczesnych metod wspomagających zarządzanie ryzykiem rynkowym,
  • analizujący zachowanie i zmienność cen instrumentów finansowych w czasie,
  • analizujący przebiegi czasowe różnych wielkości związanych z finansami.


Skrót programu szkolenia

  • Specyfika analizy wielowymiarowych szeregów czasowych
  • Dopasowanie modeli wektorowych w praktyce
  • Dynamiczne modele regresyjne (transfer function models)
  • Dopasowanie modelu funkcji przenoszenia w praktyce
  • Analiza interwencji
  • Wykrywanie i analiza obserwacji odstających (outliers)
  • Wprowadzenie do analizy kointegracji


Program szkolenia

  1. Specyfika analizy wielowymiarowych szeregów czasowych
    • Przykłady wielowymiarowych szeregów czasowych spotykanych w praktyce (finanse, ekonomia, demografia, inne)
    • Zależności jednokierunkowe i zależności wzajemne szeregów
    • Podstawowe narzędzia wykorzystywane w analizie zależności szeregów – funkcja korelacji wzajemnej (cross-correlation function)
    • Testowanie hipotezy o braku zależności dwóch szeregów czasowych
  2. Przegląd wektorowych modeli szeregów czasowych
    • Wektorowy model autoregresji (VAR)
    • Wektorowy model autoregresji ruchomej średniej (VARMA)
    • Wektorowy model ARIMA (VARIMA)
  3. Dopasowanie modeli wektorowych w praktyce
    • Strategie budowy modeli wektorowych szeregów czasowych
    • Estymacja parametrów modelu
    • Diagnostyka i wybór optymalnego modelu
    • Konstrukcja prognoz – prognozy punktowe i przedziały predykcyjne
  4. Dynamiczne modele regresyjne (transfer function models)
    • Specyfika dynamicznych modeli regresyjnych — przykłady zastosowań
    • Podstawowa postać dynamicznych modeli regresyjnych: interpretacja, związek z innymi modelami i możliwe uogólnienia
    • Wybrane szczególne przypadki modelu funkcji przenoszenia
  5. Dopasowanie modelu funkcji przenoszenia w praktyce
    • Identyfikacja i estymacja parametrów modelu
      • Metoda CCF (Cross Correlation Function)
      • Metoda LTF (Linear Transfer Function)
    • Diagnostyka modelu
    • Zastosowanie dynamicznych modeli regresyjnych do prognozowania
  6. Analiza interwencji
    • Cel i przykłady stosowania analizy interwencji
    • Podstawowe modele stosowane w analizie interwencji
    • Dopasowanie modelu interwencji
    • Konstrukcja prognoz na bazie modelu interwencji
  7. Wykrywanie i analiza obserwacji odstających (outliers)
    • Wpływ obserwacji odstających na analizę i prognozowanie szeregów
    • Typy obserwacji odstających
    • Wykrywanie obserwacji odstających na bazie modeli ARIMA
    • Wykrywanie i analiza obserwacji odstających na bazie modeli interwencji
      • Metoda Chang-Tiao-Chen
      • Metoda Chen-Liu
    • Identyfikacja obserwacji odstających dla wybranych danych rzeczywistych
  8. Wprowadzenie do analizy kointegracji
    • Idea kointegracji
    • Testy stopnia integracji i testy stacjonarności
      • Test Phillipsa-Perrona (PP test)
      • Test Dickeya-Fullera (ADF test)
      • Test Kwiatkowskiego-Phillipsa-Schmidta-Shina (KPSS test)
    • Testowanie kointegracji
      • metoda Engle’a i Grangera
      • metoda Johansena
    • Modele VAR i kointegracja

Spróbuj ponownie