Insegnamento a.a. 2022-2023

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

Conoscenze pregresse consigliate

Un precorso di Statistica è offerto nell'agosto di ogni anno accademico ed il materiale insegnato nel precorso rappresenta base essenziale per 20192, si veda la vostra pagina Blackboard. Nella suddetta pagina si trova anche collegamento ad un pre-corso di Statistica interamente on-line.

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

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

  • L'econometria dei rendimenti finanziari: i fatti stilizzati.
  • Concetti di base in analisi delle serie storiche: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations.
  • Modelli Autoregressive Moving Average (ARMA) e le loro applicazioni pratiche; Selection and Estimation of AR, MA and ARMA models; Previsione dei processi ARMA.
  • 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).
  • Radici unitarie, cointegrazione ed error correction models; il problema della regressione spuria.
  • Modelli di volatilità univariata: ARCH and GARCH.
  • 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.
  • La prevision con i modelli GARCH.

Modalità didattiche

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

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. 
  • Le sessioni di laboratorio rappresenteranno occasione per lavorare ad assignment di gruppo che sono valutati qualora presentati ai docenti seguendo le istruzioni e modalità che saranno comunicate. Gli assignmets saranno cinque e ciascuno dà un punteggio fino a 2 punti del voto complessivo.

Metodi di valutazione dell'apprendimento

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

STUDENTI FREQUENTANTI E NON FREQUENTANTI

Le modalità di valutazione sono basate su due elementi:

  • 10 punti su 31 (32,2% del voto complessivo) verranno da 5 esercitazioni d'aula (ciascuna con un punteggio massimo di 2 punti) svolte individualmente durante il semestre;
  • 21 punti (67,8% del voto totale) sono assegnati da un esame finale.
     

Ciascuna esercitazione d'aula è basata sulle sessioni di laboratorio tenute nell'applicativo EViews e consiste di una estensione applicazioni di comandi, metodi e concetti presentati duranti i laboratori. L'esame finale consisterà di domande aperte volte a verificare l’apprendimento delle conoscenze statistiche ed applicative e la loro corretta comprensione.

 


Materiali didattici


STUDENTI FREQUENTANTI E NON FREQUENTANTI

  • M. GUIDOLIN, M. PEDIO, Essentials of Time Series for Financial Applications, Academic Press, 2018, 1st edition.
Modificato il 19/12/2022 12:05

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

Class group/s taught in English

Suggested background knowledge

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 your Blackboard page. In the same Blackboard page you can also find a link to a complete on-line prep-course in Statistics.

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.

CONTENT SUMMARY

  • The Econometrics of Financial Returns: the Basic Stylized Facts.
  • Essential Concepts in Time Series Analysis: Weak and Strong Stationarity; Sample Autocorrelations and Sample Partial Autocorrelations.
  • Autoregressive Moving Average (ARMA) Models and their Practical Applications; Selection and Estimation of AR, MA and ARMA models; Forecasting ARMA processes.
  • 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) .
  • Unit Roots, Cointegration and Error Correction Models; The Spurious Regression Problem.
  • Univariate Volatility Modeling: ARCH and GARCH.
  • 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.
  • Realized Variance.

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.
  • 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
  • Online lectures
  • Guest speaker's talks (in class or in distance)
  • Exercises (exercises, database, software etc.)
  • Group 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 are provided and simple script codes are written and tested to provide an introduction to the practice and the applications of financial econometrics to problem solving.
  • The lab sessions represent the occasion for group assignments that are optional and that are assessed if and when they are turned in according to instructions that are handed out.

Assessment methods

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

ATTENDING AND NOT ATTENDING STUDENTS

The evaluation methods are based on two elements:
 

  • 10 points out of 31 (32.2% of the overall grade) will come from 5 take-home exercises (each with a maximum score of 2 points) carried out individually during the semester;
  • 21 points (67.8% of the total grade) are awarded by a final exam.


Each take-home exercise is based on the laboratory sessions held in the EViews application and consists of an application extension of commands, methods and concepts presented during the workshops.

 

The final exam will consist of open questions aimed at verifying the learning of statistical and applicative knowledge and their correct understanding.


Teaching materials


ATTENDING AND NOT ATTENDING STUDENTS

  • M GUIDOLIN, M. PEDIO, Essentials of Time Series for Financial Applications, Academic Press, 2018 1st edition.
Last change 19/12/2022 12:15