20192 - FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2 / FINANCIAL ECONOMETRICS AND EMPIRICAL FINANCE - MODULE 2
Dipartimento di Finanza / Department of Finance
Orario di ricevimento / Student consultation hours
Orario delle lezioni / Class timetable
Calendario esami / Exam timetable
Per la lingua del corso verificare le informazioni sulle classi/
For the instruction language of the course see class group/s below
MASSIMO GUIDOLIN
Classe/i impartita/e in lingua italiana
Conoscenze pregresse consigliate
Mission e Programma sintetico
MISSION
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
- 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
- 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 | |
---|---|---|---|
|
x | ||
|
x |
STUDENTI FREQUENTANTI E NON FREQUENTANTI
Esistono due opzioni di valutazione, tra cui lo studente ha facoltà di scelta.
Nel primo caso, la valutazione è basata su due elementi:
- 10 punti su 31 verranno da 5 homework di gruppo opzionali (ciascuno con un punteggio massimo di 2 punti) svolti durante il semestre;
- 21 punti 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.
Nella seconda opzione, l'intera valutazione (31 punti su 31) è basata su un esame finale.
Materiali didattici
STUDENTI FREQUENTANTI E NON FREQUENTANTI
- M. GUIDOLIN, M. PEDIO, Essentials of Time Series for Financial Applications, Academic Press, 2018, 1st edition.
Class group/s taught in English
Suggested background knowledge
Mission & Content Summary
MISSION
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
- 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
- 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 | |
---|---|---|---|
|
x | ||
|
x |
ATTENDING AND NOT ATTENDING STUDENTS
There are two assessment options, from which the student has the freedom to choose.
In the first case, the assessment is based on two components:
__ 10 points out of 31 will come from 5 optional group homework assignments (each with a maximum score of 2 points) completed during the semester.
__ 21 points are awarded based on a final exam.
Each in-class exercise is based on the laboratory sessions conducted in the EViews application and consists of an extension of commands, methods, and concepts presented during the labs. The final exam will consist of open-ended questions aimed at verifying the learning of statistical and applied knowledge and their correct understanding.
In the second option, the entire assessment (31 out of 31 points) is based on a final exam.
Teaching materials
ATTENDING AND NOT ATTENDING STUDENTS
- M GUIDOLIN, M. PEDIO, Essentials of Time Series for Financial Applications, Academic Press, 2018 1st edition.