ECONOMETRIA PER LA FINANZA
Obiettivi formativi
L’obiettivo principale del corso è fornire agli studenti del corso una preparazione di base su come formulare e stimare econometrici finanziari di base.
Risultati di apprendimento attesi
Lo studente possa e riesca a collocare l’econometria dentro a modelli finanziari per interpretare i dati e le complessità in questo campo economico.
Contenuti Del Corso
Regressione e OLS in problemi con applicazioni finanziarie.
Variabili strumentali ed errori di misura.
Serie storiche e modelli dinamici, applicati in problemi di macro-finanza e finanziari.
Testi Di Riferimento
Hurn, S., Martin, V., Phillips, P.C. and Yu, J., 2021. Financial econometric modeling. Oxford University Press.
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.