Insegnamento a.a. 2021-2022

20191 - FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 1 / FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 1

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 - I sem. - OB  |  SECS-S/06)
Docente responsabile dell'insegnamento / Course Director:
FRANCESCO CORIELLI

Classi: 15 (I sem.)
Docenti responsabili delle classi:
Classe 15: FRANCESCO ROTONDI

Classe/i impartita/e in lingua italiana

Conoscenze pregresse consigliate

PROPEDEUTICITA'

L'esame cod. 20191 ‘Financial econometrics and empirical finance - Module 1' è propedeutico all'esame cod. 20192 ‘Financial econometrics and empirical finance - Module 2'

Mission e Programma sintetico

MISSION

Fornire agli Studenti le tecniche base per comprendere ed utilizzare i modelli probabilistici e le procedure di statistica inferenziale comunemente impiegate in finanza allo scopo di: 1) descrivere ed analizzare processi di valutazione, 2) scegliere tra investimenti, 3) controllare il rischio di mercato. Le tecniche presentate nel corso sono discusse tramite esempi tratti dalla pratica finanziaria.

PROGRAMMA SINTETICO

  • Introduzione ai problemi statistici in finanza. Dati e loro trasformazioni. Rendimenti: definizioni e proprieta’ rispetto all’aggregazione di titoli in portafogli e rispetto all’aggregazione di rendimenti nel tempo.
  • Modelli probabilistici per la distribuzione di rendimenti: Il log random walk. Gaussiana o non Gaussiana? Dipendenza o indipendenza?
  • Problemi a una sola dimensione: stima del premio al rischio, stima della volatilita’, stima  del VaR (Value at Risk), intervalli di confidenza per il VaR.
  • Problemi che coinvolgono piu’ serie di rendimenti. Impiego dell’algebra matriciale in campo statistico. Nozioni di dipendenza. Indici di dipendenza.
  • Il modello lineare. Inferenza nel modello lineare. Metodo dei minimi quadrati e proprieta’ di questo sotto diverse ipotesi. Il problema della previsione. Lettura dei risultati di un modello lineare.
  • Modelli fattoriali in finanza: giustificazione della cross section dei rendimenti azionari attesi. 
  • La Style Analysis e la valutazione della performance di un fondo di investimento.
  • Metodi per la stima della matrice delle varianze e covarianze. Il metodo delle componenti principali. Applicazioni al risk management.

Risultati di Apprendimento Attesi (RAA)

CONOSCENZA E COMPRENSIONE

Al termine dell'insegnamento, lo studente sarà in grado di...
  • Trattare le applicazioni base di Statistica e Probabilità in Finanza, in particolare nei casi di scelta tra investimenti, gestione del rischio, controllo del rischio e performance attribution per un portafogli azionario.
  • Avere una corretta comprensione delle ipotesi alla base di molte procedure quantitative base della Finanza applicata come, per esempio:
  1. l'ipotesi di log random walk, la quantificazione della volatilità e la relazione di questa col tempo,
  2. la necessità di superare l'ipotesi Gaussiana per quanto riguarda la distribuzione dei rendimenti,
  3. le ipotesi comunemente considerate circa la scelta tra diverse attività finanziarie per diversi orizzonti temporali,
  4. ipotesi e tecniche per la stima dei rendimenti attesi e del premio al rischio.

CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE

Al termine dell'insegnamento, lo studente sarà in grado di...
  • Calcolare in modo corretto la volatilità dei rendimenti su diversi intervalli temporali.
  • Collegare la volatilità alle perdite potenziali.
  • Calcolare varie misure di VaR per singole azioni e per portafogli.
  • Analizzare una asset allocation in termini di fattori di rischio (style analysis).
  • Applicare e comprendere le implicazioni di un modello fattoriale di rischio.

Modalità didattiche

  • Lezioni frontali
  • Esercitazioni (esercizi, banche dati, software etc.)

DETTAGLI

  • Il corso è basato su lezioni frontali dove gli strumenti quantitativi necessari sono prima introdotti nei loro aspetti teorici e poi discussi con esempi pratici.
  • Esercitazioni specifiche sono dedicate ad una discussione dettagliata di temi d'esame passati e della loro connessione con quanto fatto in classe.

Metodi di valutazione dell'apprendimento

  Accertamento in itinere Prove parziali Prova generale
  • Prova individuale scritta (tradizionale/online)
    x

STUDENTI FREQUENTANTI E NON FREQUENTANTI

  • L'esame finale è un esame individuale, scritto e a libri chiusi.
  • In dipendenza delle decisioni dell'Università l'esame potrà essere "standard" (in classe) e/o online.
  • L'esame è identico nella versione standard (in classe) o online (se necessario), è basato su domande chiuse (multiple choice, true/false) e verte su tutti i punti del programma.
  • La versione online dell'esame utilizzerà Respondus Monitor.
  • L'esame sarà tipicamente composto da 20 domande. 15 a risposta multipla (4 alternative). 5 a risposta binaria (vero/falso). Per ogni risposta corretta alle domande a risposta multipla saranno assegnati 2 punti "grezzi" e per ogni risposta corretta alle domande a risposta binaria sarà assegnato 1 punto "grezzo".
  • Risposte errate non implicheranno sottrazione di punti.
  • I punti grezzi saranno convertiti in voti secondo la seguente scheda:
  • Punti grezzi=voto
  • 30-35           =30 cum laude
    28-29           =30
    26-27           =29
    24-25           =28
    14-23           =punti grezzi+4
    11-13           =18
    < 11             =punti grezzi
  • Quindi, ad esempio, un punteggio grezzo di 21 si tradurrà in un voto pari a 21+4=25
  • La durata dell'esame sarà fissata tra i 45 e i 50 minuti
  • L'esame, che si svolgerà nelle forme sopra descritte, verterà su tutti i temi del corso, come elencati nel programma, e sarà volta a verificare l'effettivo e sostanziale raggiungimento degli obiettivi didattici, come rappresentati nella sezione: "RAA: risultati attesi dell'apprendimento"
  • Le domande a risposta multipla e le domande a risposta binaria verteranno sia sugli aspetti teorici che applicativi del corso.
  • Ad esempio, considerando il tema "modello lineare", una domanda a risposta multipla potrà richiedere di scegliere il completamento corretto, tra le alternative proposte, di una dimostrazione o di una proposizione relative alle proprietà dello stimatore dei minimi quadrati.
  • Alternativamente, la domanda potrà vertere sull'interpretazione di un risultato empirico da scegliersi tra più alternative o, nel caso di domande a risposta binaria, si potrà chiedere se una data affermazione fatta circa tali risultati sia o meno corretta. 
  • Tutte le domande degli esami passati e relative soluzioni sono disponibili agli Studenti.
  • Si tengono esercitazioni specificamente dedicate alla discussione e soluzione di domande tratte dagli esami passati.

Nota: in caso di cambiamenti a quanto sopra descritto, gli Studenti saranno tempestivamente informati


Materiali didattici


STUDENTI FREQUENTANTI E NON FREQUENTANTI

  • Handouts per l'intero corso e per le esercitazioni.
  • Esempi svolti al computer.
  • Esami passati e loro soluzioni.
Modificato il 16/07/2021 09:07

Classes: 16 (I sem.) - 17 (I sem.)
Instructors:
Class 16: FRANCESCO CORIELLI, Class 17: FRANCESCO CORIELLI

Class group/s taught in English

Suggested background knowledge

PREREQUISITES

Exam code 20191 ‘Financial econometrics and empirical finance - Module 1' is a prerequisite of the exam code 20192 ‘Financial econometrics and empirical finance - Module 2'

Mission & Content Summary

MISSION

Provide the Students with basic techniques for understanding and implementing probabilistic modelling and statistical inference commonly applied in the field of finance in order to: 1) describe and analyze valuation processes, 2) choose between investments, 3) control market risk. The techniques presented in the course shall be illustrated with examples drawn from actual financial practice.

CONTENT SUMMARY

  • An introduction to statistical problems in finance. Data and data transforms. Returns, different definitions and aggregation properties of returns w.r.t. security portfolios and time.
  • Probability models for return distributions: log random walk. Gaussian or non Gaussian? Dependence or independence?
  • Univariate problems: risk premium and its estimation, volatility estimation. VaR (Value at Risk) estimation, confidence intervals for the VaR.
  • Multivariate problems. Matrix algebra and Statistics. Concepts of dependence. Measures of dependence.
  • The linear model. Inference for the linear model. The least squares method and its properties under several hypothetical settings. Prediction. How to read the results of a linear model .
  • Factor models in finance. Risk factor interpretation of the cross section of stock expected returns.
  • Style analysis and its use for fund management performance evaluation.
  • Estimation methods for the covariance matrix. Principal components method. Its applications to risk management.

Intended Learning Outcomes (ILO)

KNOWLEDGE AND UNDERSTANDING

At the end of the course student will be able to...
  • Deal with the basic applications of Statistics and Probability in Finance in particular when confronted with the asset choice, risk management, risk control and performance attribution of a portfolio of stocks.
  • Understand the nypotheses underlying many basic quantitative procedures in applied Finance as, for instance:
  1. the log random walk hypothesis, quantification of volatility and its relation with time,
  2. need for going beyond the Gaussian distribution in modelling stock returns,
  3. the basic hypotheses underlying the choice of different securities for different time horizons,
  4. Hypotheses and techniques for the estimate of expected returns and risk premia.

APPLYING KNOWLEDGE AND UNDERSTANDING

At the end of the course student will be able to...
  • Correctly compute the volatility of returns for different time windows.
  • Connect volatility with potential losses.
  • Compute several VaR measures for single stock investments and for portfolio.
  • Analize an asset allocation in terms of risk factors (Style Analysis).
  • Implement and understand the implications of a risk factor model.

Teaching methods

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

DETAILS

  • The course is based on face to face lectures, where required quantitative tools are first introduced as basic theory and then illustrated with practical examples.
  • A specific set of exercise classes is dedicated to a detailed discussion of past exams and their connection with what is done during lectures.

Assessment methods

  Continuous assessment Partial exams General exam
  • Written individual exam (traditional/online)
    x

ATTENDING AND NOT ATTENDING STUDENTS

  • The final exam shall be a written closed book individual exam.
  • According to the decisions of the University, the exam could be "standard" (classroom) end/or online.
  • The standard (classroom) and the (if necessary) online versions of the exam are identical and are based on closed-answer questions having as object the entirety of the course program (multiple choice and true/false).
  • The online version of the exam shall use Respondus Monitor.
  • As a rule, the exam shall be based on 20 questions. 15 multiple choice questions (4 possibilities). 5 binary answer questions (true/false). For each correct answer to a multiple choice question, 2 "raw" points shall be assigned. For each correct answer to a binary answer question 1 "raw" point shall be assigned.
  • No points are lost for wrong answers
  • Raw points shall be converted into grades according to the following schedule:
  • Raw points =Grade
  • 30-35           =30 cum laude
    28-29           =30
    26-27           =29
    24-25           =28
    14-23           =raw points+4
    11-13           =18
    < 11             =raw points
  • So, e.g., 21 raw points imply a grade of 21+4=25
  • The time for the exam completion shall be set between 45 and 50 minutes.
  • The exam, which shall follow the above described procedure, shall deal with all the topics in the course, as described in the course program, and shall check the actual and substantial achievement of the course objectives, as represented in the section "ILO: intended learning outcomes".
  • The multiple choice and the binary aswer (yes/no) questions shall deal with both the theoretical and practical aspects of the course.
  • For instance, if we consider the topic "linear model", a multiple choice question could ask for the choice of the correct completion, among possible alternatives, of a proof or of a proposition concerning least squares estimators properties.
  • Alternatively, the question could deal with the interpretation of an empirical result to be chosen among alternatives or, in the case of binary answer questions,it could be asked if a given statement about such results is or is not correct. 
  • All past exams questions, with solutions, are available to the Students.
  • Exercise classes specifically dedicated to discussing and solving exercises from past exams are provided.

Note: in case of changes to what described above, Students shall be promply informed


Teaching materials


ATTENDING AND NOT ATTENDING STUDENTS

  • Handouts for the whole course and for the exercise classes.
  • Computer examples.
  • Past exams with solutions.
Last change 16/07/2021 08:58