Obiettivi formativi
Apprendere le nozioni base dell’econometria per la finanza. Una volta imparate le nozioni teoriche del corso, lo studente deve saper implementare e interpretare gli output di software statistici.
Prerequisiti
Conoscenza e comprensione: lo studente avrà acquisto conoscenze base riguardanti tecniche utili nel campo di finanza quantitativa ed econometria della finanza. La conoscenza permetterà agli studenti di saper programmare e saper interpretare gli output di software statistici.
Capacità di applicare conoscenza e comprensione:
lo studente sarà in grado di analizzare problemi quantitativi finanziari con l’ausilio del software MATLAB.
Autonomia di giudizio: lo studente avrà sviluppato una consapevolezza critica tale da consentire la formulazione di giudizi autonomi sulla pratica econometrica.
Abilità comunicative: lo studente avrà maturato la capacità di comunicare in maniera precisa risultati di analisi quantitative nell’ambito dell’econometria della finanza.
Capacità di apprendimento: lo studente sarà in grado di condurre la propria attività di formulazione e risoluzione di problemi nel campo dell’econometria della finanza.
Risultati di apprendimento attesi
Algebra lineare. Statistica ed econometria base.
Contenuti Del Corso
1. Metodo dei minimi quadrati e la sua implementazione.
2. Stima di modelli longitudinali (panel data)
3. Stima di modelli di serie storica e la loro previsione.
4. Modelli di volatilità – ARCH e GARCH.
5. Risk management.
Testi Di Riferimento
Financial Econometric Modelling – Hurn, Martin, Yu and Phillips
Metodologie Didattiche
Le attività didattiche si serviranno di lezioni frontali, ed esercitazioni pratiche. In particolare si concentreranno sull’utilizzo del software PYTHON.
Modalità di verifica dell'apprendimento
Frequentanti : 50% elaborato in gruppo su un tema scelto dal docente + 50% scritto su tutto il programma (senza Python)
Non frequentanti: prova unica che verte su tutto il programma (con Python) con l’aggiunta di articoli aggiuntivi che lo studente dovrà studiare autonomamente.
Criteri per l’assegnazione dell’elaborato finale
Passione per la materia.
Settimana 1
Algebra lineare e Probabilità- Markowitz portfolio theory.
Probabilità e statistica – le basi.
Settimana 2
Statistica: concetti base, tests, consistenza, asintotica normalità. Massima verosomiglianza.
Esercitazione.
Settimana 3
Trinity of tests: Likelihood Ratio, Wald e test dei moltiplicatori di Lagrange. Minimi quadrati ordinari nella regression semplice.
Esercitazione.
Settimana 4
Minimi quadrati ordinari nella regressione multipla e loro proprietà. Test t ed F. Significatività statistica.
Esercitazione.
Settimana 5
GLS e tests di miss-specificazione. Applicazione in finanza: CAPM e two pass regression.
Esercitazione.
Settimana 6
Sessioni on line
Pooled OLS e Panel Data: Fixed e Random effects.
Esercitazione.
Settimana 7
Introduzione alle serie storiche e ai processi stocastici. White Noise, iid e martingale processes. Funzione di autocovarianza e sua stima. Rappresentazione di Wald. Modello Moving Average.
Esercitazione
Settimana 8
Modello Autoregressivo. Stazionarietà. Modello ARMA e non-stazionarietà. Stima dei modelli AR e MA.
Esercitazione.
Settimana 9
Forecasting con processi AR e MA. Specificazione dei modelli ARMA. Modello VAR.
Esercitazione.
Settimana 10
Rendimento e le sue caratteristiche a livello empirico. Volatilità condizionale. Modelli ARCH e GARCH.
Esercitazione.
Settimana 11
Stima e previsione dei modelli ARCH e GARCH. Tests. Modelli alternativi di volatilità.
Esercitazioni.
Settimana 12
Risk Management. Le basi.
Ripasso dei contenuti del corso.