Insegnamento a.a. 2018-2019

20192 - FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 / FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2

Dipartimento di Finanza / Department of Finance


Per la lingua del corso verificare le informazioni sulle classi/
For the instruction language of the course see class group/s below
Vai alle classi / Go to class group/s: 15 - 16 - 17
FIN (6 cfu - II sem. - OB  |  SECS-P/01)
Docente responsabile dell'insegnamento / Course Director:
MASSIMO GUIDOLIN

Classi: 15 (II sem.)
Docenti responsabili delle classi:
Classe 15: MASSIMO GUIDOLIN


Classe/i impartita/e in lingua italiana

Prerequisiti

Financial Econometrics and Empirical Finance I (20191). Un precorso di Statistica รจ offerto nell'agosto di ogni anno accademico ed il materiale insegnato nel precorso rappresenta base essenziale per 20192, si veda: http://didattica.unibocconi.eu/mypage/map.php?IdUte=135242&idr=14063&lingua=eng

Mission e Programma sintetico

MISSION

Il corso fornisce una introduzione alle moderne tecniche nell'area dell'econometria finanziaria; in particolare, l'interazione tra teoria ed analisi empirica e' enfatizzata nelle sue applicazioni univariate. Lo scopo e' permettere agli studenti di comprendere le tematiche connesse ed acquisire un'esperienza pratica nella previsione della media condizionata, della varianza condizionata ed ove possibile i momenti condizionati di ordine superiore.

PROGRAMMA SINTETICO

  1. L'econometria dei rendimenti finanziari: i fatti stilizzati
  2. Concetti di base in analisi delle serie storiche: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations
  3. Modelli Autoregressive Moving Average (ARMA) e le loro applicazioni pratiche; Selection and Estimation of AR, MA and ARMA models; Previsione dei processi ARMA
  4. Analisi di serie storiche multivariata: VAR in forma strutturale e ridotta; Estimation of VAR models; Specification, Hypothesis Testing, and Forecasting; Structural Analysis con modelli VAR (Impulse Response Functions, Variance Decomposition, Granger Causality) 
  5. Radici unitarie, cointegrazione ed error correction models; il problema della regressione spuria
  6. Modelli di volatilità univariata: ARCH and GARCH
  7. Modelli avanzati di volatilità: Non-Gaussian Marginal Innovations; modelli GARCH aumentati con Exogenous (Predetermined) Factors; Prevedere con GARCH; stima ed inferenza di modelli GARCH

Risultati di Apprendimento Attesi (RAA)

CONOSCENZA E COMPRENSIONE

Al termine dell'insegnamento, lo studente sarà in grado di...
  • Apprezzare i fatti stilizzati chiave riguardanti le serie finanziarie
  • Padroneggiare concetti di base in analisis delle serie storiche: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations
  • Comprendere struttura e proprietà di base dei modelli ARMA e le loro applicazioni; Selection and Estimation of AR, MA and ARMA models; Previsione dei processi ARMA
  • Comprendere struttura e proprietà di base dei modelli VAR strutturali ed in forma ridotta e maturare una conoscenza operativa della loro stima, specificazione e previsione
  • Usare l'analisi strutturale di modelli VAR (Impulse Response Functions, Variance Decomposition, Granger Causality) 
  • Familiarizzare con il concetto e le conseguenze delle radici unitarie e della cointegrazione
  • Comprendere i problemi causati dalle regressioni spurie
  • Apprendere pienamente i principi della modellizzazione della volatilità a livello univariato

CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE

Al termine dell'insegnamento, lo studente sarà in grado di...
  • Riconoscere ed invocare i fatti stilizzati chiave riguardanti le serie finanziarie
  • Stimare ed utilizzare le Sample Autocorrelations and Sample Partial Autocorrelations
  • Stimare modelli ARMA ed applicarli in pratica; selezionare e stimare modelli AR, MA ed ARMA; Previsione dei processi ARMA
  • Stimare modelli VAR strutturali ed in forma ridotta ed effettuare la loro specificazione e previsione
  • Condurre l'analisi strutturale di modelli VAR (Impulse Response Functions, Variance Decomposition, Granger Causality) 
  • Individuare potenziali radici unitarie e gestirle
  • Testare e sfruttare la cointegrazione costruendo modelli a correzione d'errore
  • Riconoscere e trattare problemi di regressione spuria
  • Specificare e stimare modelli univariati di volatilità di diverse tipologie
  • Specificare e stimare modelli di volatilità con innovazioni non-Gaussiane ed estesti a variabili esogene
  • Forecasting with GARCH Models

Modalità didattiche

  • Lezioni frontali
  • Esercitazioni (esercizi, banche dati, software etc.)
  • Lavori/Assignment individuali

DETTAGLI

Il corso prevede 6 sessioni di laboratorio nell'applicativo EViews. Durante le sessioni vengono presentati una gamma di esempi concernenti il materiale teorico coperto nelle lezioni frontali e semplici programmi sono scritti e commentati per fornire un'introduzione alla pratica dell'applicazione dell'econometria finanziaria a problemi concreti. Alcuni laboratori sono programmati durante il semestre mentre le ultime 3 lezioni del corso avranno interamente luogo in laboratorio.

 

Le sessioni di laboratorio rappresenteranno occasione di lavorare ad assignment individuali che saranno valutati qualora presentati ai docenti seguendo le istruzioni e modalità che saranno comunicate. I brevi esercizi saranno 5 e ciascuno darà un punteggio pari al 4% del voto complessivo.


Metodi di valutazione dell'apprendimento

  Accertamento in itinere Prove parziali Prova generale
  • Prova individuale scritta (tradizionale/online)
    x
  • Assignment individuale (relazione, esercizio, dimostrazione, progetto etc.)
    x

STUDENTI FREQUENTANTI E NON FREQUENTANTI

  • Esame individuale finale: peso 80%
  • Esercizi di laboratorio individuali: peso 20%
  • L'esame scritto testerà l'indispensabile comprensione dei concetti teorici.
  • I lavori di laboratorio individuali verificheranno l'adeguata comprensione dell'interazione tra teoria ed analisi empirica.

Materiali didattici


STUDENTI FREQUENTANTI E NON FREQUENTANTI

  • Guidolin, M. and M., Pedio (2018) Essentials of Time Series for Financial Applications, Academic Press 1st edition.
Modificato il 02/05/2018 22:12

Classes: 16 (II sem.) - 17 (II sem.)
Instructors:
Class 16: MASSIMO GUIDOLIN, Class 17: MASSIMO GUIDOLIN


Class group/s taught in English

Prerequisites

A prerequisite is Financial Econometrics and Empirical Finance I (20191). A Statistics Prep course is been offered in August and that the material covered in those 24 hours represent essential background, see: http://didattica.unibocconi.eu/mypage/map.php?IdUte=135242&idr=14063&lingua=eng

Mission & Content Summary

MISSION

The course introduces a student to modern techniques in the area of financial econometrics; in particular, the interaction between theory and empirical analysis is emphasized at the univariate level. To goal is to enable students to understand the issues related to and get practical experience at forecasting the conditional mean, the conditional variance, and when possible the conditional higher-order moments of financial time series. The course features 6 lab sessions in EViews. In the sessions, a range of examples on the theoretical material taught during the classes will be provided and simple script codes will be written and tested to provide an introduction to the practice and the applications of financial econometrics to problem solving.

CONTENT SUMMARY

1. The Econometrics of Financial Returns: the Basic Stylized Facts

2. Essential Concepts in Time Series Analysis: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations

3. Autoregressive Moving Average (ARMA) Models and their Practical Applications; Selection and Estimation of AR, MA and ARMA models; Forecasting ARMA processes

4. Multivariate Time Series Analysis: Structural vs. Reduced-Form VARs; Estimation of VAR models; Specification, Hypothesis Testing, and Forecasting; Structural Analysis with VAR Models (Impulse Response Functions, Variance Decomposition, Granger Causality) 

5. Unit Roots, Cointegration and Error Correction Models; The Spurious Regression Problem

6. Univariate Volatility Modeling: ARCH and GARCH

7. Advanced Univariate Volatility Modeling: Non-Gaussian Marginal Innovations; GARCH Models Augmented by Exogenous (Predetermined) Factors; Forecasting with GARCH Models; Estimation of and Inference on GARCH Models


Intended Learning Outcomes (ILO)

KNOWLEDGE AND UNDERSTANDING

At the end of the course student will be able to...
  • Appreciate the Key Stylized Facts Concering Financial Returns
  • Master Key Concepts in Time Series Analysis: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations
  • Understand the Structure and Key Properties of Autoregressive Moving Average (ARMA) Models and their Practical Applications; Selection and Estimation of AR, MA and ARMA models; Forecasting ARMA processes
  • Understand the Structure and Key Properties of Structural vs. Reduced-Form VARs and have a working knowledge of their  Estimation, Specification, Hypothesis Testing, and Forecasting
  • Use Structural Analysis with VAR Models (Impulse Response Functions, Variance Decomposition, Granger Causality) 
  • Appreciate the Concept and Consequences of Unit Roots and Cointegration
  • Understand the Pitfalls of Spurious Regressions

8. Grasp thoroughly the Principle of Univariate Volatility Modeling

APPLYING KNOWLEDGE AND UNDERSTANDING

At the end of the course student will be able to...
  • Recognize and Invoke the Basic Stylized Facts in Finance
  • Estimated and Use Sample Autocorrelations and Sample Partial Autocorrelations
  • Estimate Autoregressive Moving Average (ARMA) Models and Apply them in Practice; Select and Estimate AR, MA and ARMA models; Forecast with ARMA processes
  • Estimate Structural vs. Reduced-Form VARs; Perform Specification, Hypothesis Testing, and Forecasting
  • Conduct Structural Analysis with VAR Models (Impulse Response Functions, Variance Decomposition, Granger Causality) 
  • Detect and Deal with Unit Roots
  • Test and exploit Cointegration and Build Vector Error Correction Models
  • Recognize and Deal the Spurious Regression Problem
  • Specify and Estimate Univariate Volatility Models of Many Types
  • Specify and Estimate Volatility Models with Non-Gaussian Marginal Innovations and Augmented by Exogenous (Predetermined) Factors
  •  Forecasting with GARCH Models

Teaching methods

  • Face-to-face lectures
  • Exercises (exercises, database, software etc.)
  • Individual assignments

DETAILS

The course features 6 lab sessions in EViews. In the sessions a range of examples on the theoretical material taught during the classes will be provided and simple script codes will be written and tested to provide an introduction to the practice and the applications of financial econometrics to problem solving. A few labs will be scheduled during the semester and the last 3 class meetings of the course will take place entirely in the lab, while 3 lab sessions will precede them, for a total of 6.

The lab sessions will represent the occasion for individual in-class assignment that are optional and that will be assessed if and when they are turned in according to instructions that will be handed out. The short assignment will be 5 and each of them will give a score equal to 4% of the final grade.


Assessment methods

  Continuous assessment Partial exams General exam
  • Written individual exam (traditional/online)
    x
  • Individual assignment (report, exercise, presentation, project work etc.)
    x

ATTENDING AND NOT ATTENDING STUDENTS

  • Written individual final exam: weight 80%
  • Individual lab assignment: weight 20%

The written exam tests the necessary theoretical competencies.

The individual lab assignments test an adequate grasp of the interaction between theory and empirical analysis.


Teaching materials


ATTENDING AND NOT ATTENDING STUDENTS

  • Guidolin, M. and M., Pedio (2018) Essentials of Time Series for Financial Applications, Academic Press 1st edition.
  • A few additional academic articles may be indicated during the course and communicated through the dedicated platforms.
Last change 02/07/2018 16:38