FINANZA QUANTITATIVA
Syllabus
Obiettivi Formativi
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio. Il corso ha i seguenti obiettivi formativi: - conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato; - saper prevedere la volatilità delle attività finanziarie ed il Value at Risk; - acquisire la capacità di selezionare e combinare regole predittive; - saper trattare i dati ad alta frequenza; - essere in grado di comunicare le principali evidenze empiriche che emergono dall’'analisi; - svolgere analisi statistiche col il software appropriato; - apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Il corso tratta la logica e le metodogie fondamentali dell’analisi dei dati finanziari, che servono a misurare e prevedere il rischio.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Le conoscenze acquisite vengono applicate a problemi di previsione del rischio dei titoli finanziari e alla comparazione dei metodi acquisiti. Costituiscono parte integrante del corso le esercitazioni di laboratorio che vengono svolte mediante i software R e Matlab. Gli studenti utilizzano le loro conoscenze per analizzare casi di studio, sia in laboratorio che negli esercizi individuali.
AUTONOMIA DI GIUDIZIO:
Lo studente viene stimolato a trarre conclusioni sulla validità interna ed esterna dei modelli considerati sulla base del confronto con i dati osservati. Il corso dedica molta attenzione alla comunicazione delle evidenze empiriche mediante grafici e statistiche di sintesi e sulla capacità di saper presentare le suddette evidenze a non esperti, in maniera efficace e sintetica.
ABILITÀ COMUNICATIVE: Al fine di accertare il conseguimento di questo obiettivo formativo sono previsti compiti settimanali, il cui deliverable fondamentale è una relazione scritta che evidenzi i principali elementi interpretativi delle applicazioni. Il software utilizzato (R e Matlab) è peraltro fortemente orientato verso la comunicazione grafica delle evidenze statistiche.
Learning Objectives
Econometric models of financial markets form integral part of the curriculum in economics and finance.
The course deals with the measurement, analysis and prediction of market risk. A core component is modelling volatility via conditional heteroscedastic models, i.e. ARCH and GARCH models and their extensions. We will consider their mutlivariate extensions and their role for portfolio management, touching upon high dimensional methods for financial time series and the theory of copulae. The class of stochastic volatility models will be considered and finally, we will devote our attention to the prediction of realized volatility using long memory models.
Matlab and R illustrations for integral part of the course.
KNOWLEDGE AND UNDERSTANDING:
The course teaches essential methods for predicting volatility. It provides a solid theoretical background on econometric methods for the analysis of financial markets.
APPLYING KNOWLEDGE AND UNDERSTANDING:
The methodologies exposed during the course are applied to real life datasets and case studies, dealing with the prediction of the volatility.
Two hours per week are dedicated to tutorials where statistical analyses are conducted in the Laboratory and implemented in Matlab and R-studio.
Students are expected to perform their statistical analyses in weekly assignments
MAKING JUDGEMENTS:
The prediction of an outcome is an informed decision based on the knowledge of covariates and antecedents. The student is expected to be able to draw conclusions on the basis of the statistical evidence and to validate those conclusions on validation or test samples drawn from the same target population.
COMMUNICATION SKILLS:
Particular attention is dedicated to the ability to communicate the statistical evidence in a systematic and synthetic way, using graphs and summaries, to a non-specialist target audience.
The software used in the tutorials is oriented towards graphical displays and visualization of data. The student is asked to report on the statistical analysis carried out for a particular purpose in the individual assignments.
LEARNING SKILLS:
Students develop their learning skills by comparing the teaching material provided by the instructor and exposed in the lectures with the readings suggested with weekly periodicity. The software tutorials and the analysis of cases studies in the assignments will help build their applied skills and their autonomous progress towards the intended learning outcomes.
Prerequisiti
Prerequisites
Programma
2. Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimiglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
Distribuzioni alternative per il termine di errore. Leptocurtosi e asimmetria.
3. Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH. Matrici di covarianza di elevata dimensionalità. Shrinkage. Dipendenza e copule.
4. Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
5. Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting. Quantili condizionati, approccio caviar.
6. Dati ad alta frequenza. Volatilità realizzata. Proprietà degli stimatori. Microstructure noise. Memoria lunga nelle serie finanziarie.
Program
2 Volatility measurement and analysis: autoregressive Conditional Heteroscedasticity (ARCH): model specification, properties, maximum likelihood estimation, prediction. Extensions: ARCH in mean. Generalized ARCH models, Integrated GARCH, Exponential GARCH models. GJR-GARCH, Leverage. Fat and heavy tails.
3 Multivariate GARCH models. VEC and BEKK. Conditional correlation models: constant and dynamic, CCC, DCC. Factor models: Factor GARCH, O-GARCH. Large dimensional covariance and correlation matrices. Copulae and dependence
4 Stochastic volatility models. Pseudo-maximum likelihood inference. State space models. The Kalman filter.
5 High-frequency data in finance. Realized volatility. Properties of the estimators. Microstructure noise. Long memory in financial time series.
6 Risk measurement: Value at Risk and expected shortfall. Conditional Autoregressive quantiles and Value at Risk. Tail dependence.
Testi Adottati
Fan J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambride University Press.
Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Books
Fan J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambride University Press.
Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Bibliografia
Fan J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambride University Press.
Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Bibliography
Fan J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambride University Press.
Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Modalità di svolgimento
Teaching methods
Regolamento Esame
• Laboratori (Matlab, R)
L’'accertamento dei risultati dell'apprendimento viene effettuato con le seguenti modalità:
30% Compiti settimanali
70% Esame finale
Il lavoro settimanale riguarda l'elaborazione e la presentazione di casi di studio riguardante la previsione della volatilità e del value at risk di uno o più titoli finanziari. Esso mira a valutare la capacità di lavorare in gruppo, di utilizzare le conoscenze e le metodologie acquisite durante il corso, nonché la capacità di comunicare le evidenze statistiche.
L’'esame finale è una prova scritta di 2 ore che valuta l’ effettiva acquisizione parte dello studente degli obiettivi formativi e dei risultati di apprendimento attesi. Esso consta di tre domande a risposta aperta con sotto-quesiti che richiedono l'elaborazione gli elementi fondamentali della specificazione dei modelli per le serie storiche finanziarie, la stima mediante il metodo della massima verosimiglianza, la verifica empirica e la validazione predittiva. Lo studente deve saper valutare criticamente le assunzioni sottostanti alla specificazione ed essere in grado di sintetizzare le proprietà statistiche dei metodi utilizzati e di prevedere i processi sottostanti. La valutazione degli elaborati è fondata sul rigore formale, l'abilità di derivare analiticamente le conseguenze delle assunzioni fatte, la consequenzialità e la fondamentale comprensione delle tecniche. Ciascun quesito e sotto-quesito ha un numero di punti dichiarato che concorre al punteggio finale.
Exam Rules
• Tutorials (12 hours)
The assessment for this course has two components:
30% Four Weekly Assignments
70% Final Exam
The weekly deals with the elaboration and presentation of case studies concerning the prediction of the work of the volatility and value at risk of one or more financial securities. It aims to course the ability to work in a team, to use the knowledge and methodologies acquired while communicating, as well as the statistical evidence.
The final exam is a 2 hours written test that evaluates the learning of the program topics. Students face open questions with subquestions that test the understanding of the techniques presented throughout the course and the ability to critically assess their scope. The questions deal with the specification, estimation and validation of models of financial returns, risk and volatility, both univariate and multivariate. The students will have to prove his/her proficiency in understanding the basic assumptions that are made about the stochastic process generating the series, how the data are used to learn about the model parameters, and finally how we diagnose the external and predictive validity of the methods and models. The assessment criteria are based on mathematical rigour, ability to derive consequences from the stated assumptions, consequentiality and understanding. Main questions and items are scored according to difficulty. The score is disclosed to the students directly on the exam paper.
Obiettivi Formativi
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio. Il corso ha i seguenti obiettivi formativi: - conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato; - saper prevedere la volatilità delle attività finanziarie ed il Value at Risk; - acquisire la capacità di selezionare e combinare regole predittive; - saper trattare i dati ad alta frequenza; - essere in grado di comunicare le principali evidenze empiriche che emergono dall’'analisi; - svolgere analisi statistiche col il software appropriato; - apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Il corso tratta la logica e le metodogie fondamentali dell’analisi dei dati finanziari, che servono a misurare e prevedere il rischio.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Le conoscenze acquisite vengono applicate a problemi di previsione del rischio dei titoli finanziari e alla comparazione dei metodi acquisiti. Costituiscono parte integrante del corso le esercitazioni di laboratorio che vengono svolte mediante i software R e Matlab. Gli studenti utilizzano le loro conoscenze per analizzare casi di studio, sia in laboratorio che negli esercizi individuali.
AUTONOMIA DI GIUDIZIO:
Lo studente viene stimolato a trarre conclusioni sulla validità interna ed esterna dei modelli considerati sulla base del confronto con i dati osservati. Il corso dedica molta attenzione alla comunicazione delle evidenze empiriche mediante grafici e statistiche di sintesi e sulla capacità di saper presentare le suddette evidenze a non esperti, in maniera efficace e sintetica.
ABILITÀ COMUNICATIVE: Al fine di accertare il conseguimento di questo obiettivo formativo sono previsti compiti settimanali, il cui deliverable fondamentale è una relazione scritta che evidenzi i principali elementi interpretativi delle applicazioni. Il software utilizzato (R e Matlab) è peraltro fortemente orientato verso la comunicazione grafica delle evidenze statistiche.
Learning Objectives
Econometric models of financial markets form integral part of the curriculum in economics and finance.
The course deals with the measurement, analysis and prediction of market risk. A core component is modelling volatility via conditional heteroscedastic models, i.e. ARCH and GARCH models and their extensions. We will consider their mutlivariate extensions and their role for portfolio management, touching upon high dimensional methods for financial time series and the theory of copulae. The class of stochastic volatility models will be considered and finally, we will devote our attention to the prediction of realized volatility using long memory models.
Matlab and R illustrations for integral part of the course.
KNOWLEDGE AND UNDERSTANDING:
The course teaches essential methods for predicting volatility. It provides a solid theoretical background on econometric methods for the analysis of financial markets.
APPLYING KNOWLEDGE AND UNDERSTANDING:
The methodologies exposed during the course are applied to real life datasets and case studies, dealing with the prediction of the volatility.
Two hours per week are dedicated to tutorials where statistical analyses are conducted in the Laboratory and implemented in Matlab and R-studio.
Students are expected to perform their statistical analyses in weekly assignments
MAKING JUDGEMENTS:
The prediction of an outcome is an informed decision based on the knowledge of covariates and antecedents. The student is expected to be able to draw conclusions on the basis of the statistical evidence and to validate those conclusions on validation or test samples drawn from the same target population.
COMMUNICATION SKILLS:
Particular attention is dedicated to the ability to communicate the statistical evidence in a systematic and synthetic way, using graphs and summaries, to a non-specialist target audience.
The software used in the tutorials is oriented towards graphical displays and visualization of data. The student is asked to report on the statistical analysis carried out for a particular purpose in the individual assignments.
LEARNING SKILLS:
Students develop their learning skills by comparing the teaching material provided by the instructor and exposed in the lectures with the readings suggested with weekly periodicity. The software tutorials and the analysis of cases studies in the assignments will help build their applied skills and their autonomous progress towards the intended learning outcomes.
Prerequisiti
Prerequisites
Programma
2. Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimiglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
Distribuzioni alternative per il termine di errore. Leptocurtosi e asimmetria.
3. Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH. Matrici di covarianza di elevata dimensionalità. Shrinkage. Dipendenza e copule.
4. Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
5. Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting. Quantili condizionati, approccio caviar.
6. Dati ad alta frequenza. Volatilità realizzata. Proprietà degli stimatori. Microstructure noise. Memoria lunga nelle serie finanziarie.
Program
2 Volatility measurement and analysis: autoregressive Conditional Heteroscedasticity (ARCH): model specification, properties, maximum likelihood estimation, prediction. Extensions: ARCH in mean. Generalized ARCH models, Integrated GARCH, Exponential GARCH models. GJR-GARCH, Leverage. Fat and heavy tails.
3 Multivariate GARCH models. VEC and BEKK. Conditional correlation models: constant and dynamic, CCC, DCC. Factor models: Factor GARCH, O-GARCH. Large dimensional covariance and correlation matrices. Copulae and dependence
4 Stochastic volatility models. Pseudo-maximum likelihood inference. State space models. The Kalman filter.
5 High-frequency data in finance. Realized volatility. Properties of the estimators. Microstructure noise. Long memory in financial time series.
6 Risk measurement: Value at Risk and expected shortfall. Conditional Autoregressive quantiles and Value at Risk. Tail dependence.
Testi Adottati
Fan J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambride University Press.
Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Books
Fan J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambride University Press.
Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Bibliografia
Fan J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambride University Press.
Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Bibliography
Fan J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambride University Press.
Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Modalità di svolgimento
Teaching methods
Regolamento Esame
• Laboratori (Matlab, R)
L’'accertamento dei risultati dell'apprendimento viene effettuato con le seguenti modalità:
30% Compiti settimanali
70% Esame finale
Il lavoro settimanale riguarda l'elaborazione e la presentazione di casi di studio riguardante la previsione della volatilità e del value at risk di uno o più titoli finanziari. Esso mira a valutare la capacità di lavorare in gruppo, di utilizzare le conoscenze e le metodologie acquisite durante il corso, nonché la capacità di comunicare le evidenze statistiche.
L’'esame finale è una prova scritta di 2 ore che valuta l’ effettiva acquisizione parte dello studente degli obiettivi formativi e dei risultati di apprendimento attesi. Esso consta di tre domande a risposta aperta con sotto-quesiti che richiedono l'elaborazione gli elementi fondamentali della specificazione dei modelli per le serie storiche finanziarie, la stima mediante il metodo della massima verosimiglianza, la verifica empirica e la validazione predittiva. Lo studente deve saper valutare criticamente le assunzioni sottostanti alla specificazione ed essere in grado di sintetizzare le proprietà statistiche dei metodi utilizzati e di prevedere i processi sottostanti. La valutazione degli elaborati è fondata sul rigore formale, l'abilità di derivare analiticamente le conseguenze delle assunzioni fatte, la consequenzialità e la fondamentale comprensione delle tecniche. Ciascun quesito e sotto-quesito ha un numero di punti dichiarato che concorre al punteggio finale.
Exam Rules
• Tutorials (12 hours)
The assessment for this course has two components:
30% Four Weekly Assignments
70% Final Exam
The weekly deals with the elaboration and presentation of case studies concerning the prediction of the work of the volatility and value at risk of one or more financial securities. It aims to course the ability to work in a team, to use the knowledge and methodologies acquired while communicating, as well as the statistical evidence.
The final exam is a 2 hours written test that evaluates the learning of the program topics. Students face open questions with subquestions that test the understanding of the techniques presented throughout the course and the ability to critically assess their scope. The questions deal with the specification, estimation and validation of models of financial returns, risk and volatility, both univariate and multivariate. The students will have to prove his/her proficiency in understanding the basic assumptions that are made about the stochastic process generating the series, how the data are used to learn about the model parameters, and finally how we diagnose the external and predictive validity of the methods and models. The assessment criteria are based on mathematical rigour, ability to derive consequences from the stated assumptions, consequentiality and understanding. Main questions and items are scored according to difficulty. The score is disclosed to the students directly on the exam paper.
Aggiornato A.A. 2022-2023
I modelli econometrici per l'analisi e la previsione dei mercati finanziari rappresentano una parte essenziale del percorso formativo in economia e finanza. Il corso parte con una breve rassegna delle conoscenze già acquisite sui processi stocastici stazionari e su una importante classe di modelli per la media condizionata delle serie finanziarie: i modelli ARMA. Discuteremo poi i processi a memoria lunga, importanti per la modellazione delle misure di volatilità realizzata, e processi non stazionari (martingale), mettendo in luce la loro rilevanza in finanza.
La misurazione e la previsione del rischio di mercato costituiscono i temi fondamentali del corso. La parte centrale verte sulla stima della volatilità nei mercati finanziari. Verranno introdotti i modelli di eteroschedasticità condizionata, ARCH e GARCH, e le loro estensioni per catturare il premio al rischio e le asimmetrie di comportamento della volatilità. Si passerà dunque ad esaminare i modelli di volatilità stocastica e i modelli di volatilità multivariati, che trovano fondamentale impiego nella stima della matrice di covarianza condizionata da utilizzare per la scelta ottimale del portafoglio.
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio.
Il corso ha i seguenti obiettivi formativi:
- conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato;
- saper prevedere la volatilità delle attività finanziarie ed il Value at Risk;
- acquisire la capacità di selezionare una regola predittiva tra quelle disponibili;
- essere in grado di comunicare le principali evidenze empiriche che emergono dall’analisi;
- svolgere analisi statistiche col il software appropriato;
- apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
Programma
Presentazione del corso. Variabili casuali e loro proprietà. Momenti. Distribuzioni condizionate. Momenti condizionali. Legge dei valori attesi iterati.
Serie temporali e loro caratteristiche. Natura e caratteristiche dei dati finanziari. Asimmetria, curtosi e volatility clustering.
Processi stocastici. Stazionarietà. White noise. Processi Autoregressivi e Media Mobile (ARMA).
Nonstazionarietà, random walk e martingale. Test di stazionarietà e del rapporto di varianze.
Richiami di teoria della previsione. Previsione ottimale. Previsione lineare ottimale. Previsione da modelli non stazionari: livellamento esponenziale.
Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimoglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH.
Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
Memoria lunga nelle serie finanziarie: volatilità realizzata. Misure di dipendenza e copule.
Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting.
Riferimenti bibliografici
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Fan, J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambridge University Press.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Aggiornato A.A. 2022-2023
- 1. Introduction. Asset returns. Stylized facts: asymmetry, kurtosis and volatility clustering. Stochastic processes: stationarity, purely random processes. Random walks and martingales. Review of prediction theory. Optimal prediction.
- Volatility measurement and analysis: autoregressive Conditional Heteroscedasticity (ARCH): model specification, properties, maximum
likelihood estimation, prediction. Extensions: ARCH in mean. Generalized ARCH models, Integrated GARCH, Exponential GARCH models. GJR-GARCH, Leverage. Fat and heavy tails. - Multivariate GARCH models. VEC and BEKK. Conditional correlation models, constant and dynamic, CCC, DCC. Factor models: Factor GARCH, O-GARCH. Large dimensional covariance and correlation matrices.
- Stochastic volatility models. Pseudo-maximum likelihood inference. State space models. The Kalman filter.
- Realized volatility. Long memory.
- Risk measurement: Value at Risk and expected shortfall. Copulae and tail dependence.
References
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Fan, J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambridge University Press.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Aggiornato A.A. 2020-2021
I modelli econometrici per l'analisi e la previsione dei mercati finanziari rappresentano una parte essenziale del percorso formativo in economia e finanza. Il corso parte con una breve rassegna delle conoscenze già acquisite sui processi stocastici stazionari e su una importante classe di modelli per la media condizionata delle serie finanziarie: i modelli ARMA. Discuteremo poi i processi a memoria lunga, importanti per la modellazione delle misure di volatilità realizzata, e processi non stazionari (martingale), mettendo in luce la loro rilevanza in finanza.
La misurazione e la previsione del rischio di mercato costituiscono i temi fondamentali del corso. La parte centrale verte sulla stima della volatilità nei mercati finanziari. Verranno introdotti i modelli di eteroschedasticità condizionata, ARCH e GARCH, e le loro estensioni per catturare il premio al rischio e le asimmetrie di comportamento della volatilità. Si passerà dunque ad esaminare i modelli di volatilità stocastica e i modelli di volatilità multivariati, che trovano fondamentale impiego nella stima della matrice di covarianza condizionata da utilizzare per la scelta ottimale del portafoglio.
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio.
Il corso ha i seguenti obiettivi formativi:
- conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato;
- saper prevedere la volatilità delle attività finanziarie ed il Value at Risk;
- acquisire la capacità di selezionare una regola predittiva tra quelle disponibili;
- essere in grado di comunicare le principali evidenze empiriche che emergono dall’analisi;
- svolgere analisi statistiche col il software appropriato;
- apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
Programma
Presentazione del corso. Variabili casuali e loro proprietà. Momenti. Distribuzioni condizionate. Momenti condizionali. Legge dei valori attesi iterati.
Serie temporali e loro caratteristiche. Natura e caratteristiche dei dati finanziari. Asimmetria, curtosi e volatility clustering.
Processi stocastici. Stazionarietà. White noise. Processi Autoregressivi e Media Mobile (ARMA).
Nonstazionarietà, random walk e martingale. Test di stazionarietà e del rapporto di varianze.
Richiami di teoria della previsione. Previsione ottimale. Previsione lineare ottimale. Previsione da modelli non stazionari: livellamento esponenziale.
Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimoglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH.
Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
Memoria lunga nelle serie finanziarie: volatilità realizzata. Misure di dipendenza e copule.
Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting.
Riferimenti bibliografici
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Fan, J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambridge University Press.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Aggiornato A.A. 2020-2021
- 1. Introduction. Asset returns. Stylized facts: asymmetry, kurtosis and volatility clustering. Stochastic processes: stationarity, purely random processes. Random walks and martingales. Review of prediction theory. Optimal prediction.
- Volatility measurement and analysis: autoregressive Conditional Heteroscedasticity (ARCH): model specification, properties, maximum
likelihood estimation, prediction. Extensions: ARCH in mean. Generalized ARCH models, Integrated GARCH, Exponential GARCH models. GJR-GARCH, Leverage. Fat and heavy tails. - Multivariate GARCH models. VEC and BEKK. Conditional correlation models, constant and dynamic, CCC, DCC. Factor models: Factor GARCH, O-GARCH. Large dimensional covariance and correlation matrices.
- Stochastic volatility models. Pseudo-maximum likelihood inference. State space models. The Kalman filter.
- Realized volatility. Long memory.
- Risk measurement: Value at Risk and expected shortfall. Copulae and tail dependence.
References
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Fan, J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambridge University Press.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- Linton O. (2019). Financial Econometrics: Models and Methods. Cambridge University Press.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Aggiornato A.A. 2019-2020
I modelli econometrici per l'analisi e la previsione dei mercati finanziari rappresentano una parte essenziale del percorso formativo in economia e finanza. Il corso parte con una breve rassegna delle conoscenze già acquisite sui processi stocastici stazionari e su una importante classe di modelli per la media condizionata delle serie finanziarie: i modelli ARMA. Discuteremo poi i processi a memoria lunga, importanti per la modellazione delle misure di volatilità realizzata, e processi non stazionari (martingale), mettendo in luce la loro rilevanza in finanza.
La misurazione e la previsione del rischio di mercato costituiscono i temi fondamentali del corso. La parte centrale verte sulla stima della volatilità nei mercati finanziari. Verranno introdotti i modelli di eteroschedasticità condizionata, ARCH e GARCH, e le loro estensioni per catturare il premio al rischio e le asimmetrie di comportamento della volatilità. Si passerà dunque ad esaminare i modelli di volatilità stocastica e i modelli di volatilità multivariati, che trovano fondamentale impiego nella stima della matrice di covarianza condizionata da utilizzare per la scelta ottimale del portafoglio.
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio.
Il corso ha i seguenti obiettivi formativi:
- conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato;
- saper prevedere la volatilità delle attività finanziarie ed il Value at Risk;
- acquisire la capacità di selezionare una regola predittiva tra quelle disponibili;
- essere in grado di comunicare le principali evidenze empiriche che emergono dall’analisi;
- svolgere analisi statistiche col il software appropriato;
- apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
Programma
Presentazione del corso. Variabili casuali e loro proprietà. Momenti. Distribuzioni condizionate. Momenti condizionali. Legge dei valori attesi iterati.
Serie temporali e loro caratteristiche. Natura e caratteristiche dei dati finanziari. Asimmetria, curtosi e volatility clustering.
Processi stocastici. Stazionarietà. White noise. Processi Autoregressivi e Media Mobile (ARMA).
Nonstazionarietà, random walk e martingale. Test di stazionarietà e del rapporto di varianze.
Richiami di teoria della previsione. Previsione ottimale. Previsione lineare ottimale. Previsione da modelli non stazionari: livellamento esponenziale.
Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimoglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH.
Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
Memoria lunga nelle serie finanziarie: volatilità realizzata.
Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting.
Riferimenti bibliografici
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Fan, J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambridge University Press.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Aggiornato A.A. 2018-2019
I modelli econometrici per l'analisi e la previsione dei mercati finanziari rappresentano una parte essenziale del percorso formativo in economia e finanza. Il corso parte con una breve rassegna delle conoscenze già acquisite sui processi stocastici stazionari e su una importante classe di modelli per la media condizionata delle serie finanziarie: i modelli ARMA. Discuteremo poi i processi a memoria lunga, importanti per la modellazione delle misure di volatilità realizzata, e processi non stazionari (martingale), mettendo in luce la loro rilevanza in finanza.
La misurazione e la previsione del rischio di mercato costituiscono i temi fondamentali del corso. La parte centrale verte sulla stima della volatilità nei mercati finanziari. Verranno introdotti i modelli di eteroschedasticità condizionata, ARCH e GARCH, e le loro estensioni per catturare il premio al rischio e le asimmetrie di comportamento della volatilità. Si passerà dunque ad esaminare i modelli di volatilità stocastica e i modelli di volatilità multivariati, che trovano fondamentale impiego nella stima della matrice di covarianza condizionata da utilizzare per la scelta ottimale del portafoglio.
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio.
Il corso ha i seguenti obiettivi formativi:
- conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato;
- saper prevedere la volatilità delle attività finanziarie ed il Value at Risk;
- acquisire la capacità di selezionare una regola predittiva tra quelle disponibili;
- essere in grado di comunicare le principali evidenze empiriche che emergono dall’analisi;
- svolgere analisi statistiche col il software appropriato;
- apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
Programma
Presentazione del corso. Variabili casuali e loro proprietà. Momenti. Distribuzioni condizionate. Momenti condizionali. Legge dei valori attesi iterati.
Serie temporali e loro caratteristiche. Natura e caratteristiche dei dati finanziari. Asimmetria, curtosi e volatility clustering.
Processi stocastici. Stazionarietà. White noise. Processi Autoregressivi e Media Mobile (ARMA).
Nonstazionarietà, random walk e martingale. Test di stazionarietà e del rapporto di varianze.
Richiami di teoria della previsione. Previsione ottimale. Previsione lineare ottimale. Previsione da modelli non stazionari: livellamento esponenziale.
Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimoglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH.
Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
Memoria lunga nelle serie finanziarie: volatilità realizzata.
Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting.
Riferimenti bibliografici
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Fan, J. and Yao, Q. (2017). The Elements of Financial Econometrics. Cambridge University Press.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Aggiornato A.A. 2017-2018
I modelli econometrici per l'analisi e la previsione dei mercati finanziari rappresentano una parte essenziale del percorso formativo in economia e finanza. Il corso parte con una breve rassegna delle conoscenze già acquisite sui processi stocastici stazionari e su una importante classe di modelli per la media condizionata delle serie finanziarie: i modelli ARMA. Discuteremo poi i processi a memoria lunga, importanti per la modellazione delle misure di volatilità realizzata, e processi non stazionari (martingale), mettendo in luce la loro rilevanza in finanza.
La misurazione e la previsione del rischio di mercato costituiscono i temi fondamentali del corso. La parte centrale verte sulla stima della volatilità nei mercati finanziari. Verranno introdotti i modelli di eteroschedasticità condizionata, ARCH e GARCH, e le loro estensioni per catturare il premio al rischio e le asimmetrie di comportamento della volatilità. Si passerà dunque ad esaminare i modelli di volatilità stocastica e i modelli di volatilità multivariati, che trovano fondamentale impiego nella stima della matrice di covarianza condizionata da utilizzare per la scelta ottimale del portafoglio.
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio.
Il corso ha i seguenti obiettivi formativi:
- conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato;
- saper prevedere la volatilità delle attività finanziarie ed il Value at Risk;
- acquisire la capacità di selezionare una regola predittiva tra quelle disponibili;
- essere in grado di comunicare le principali evidenze empiriche che emergono dall’analisi;
- svolgere analisi statistiche col il software appropriato;
- apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
Programma
Presentazione del corso. Variabili casuali e loro proprietà. Momenti. Distribuzioni condizionate. Momenti condizionali. Legge dei valori attesi iterati.
Serie temporali e loro caratteristiche. Natura e caratteristiche dei dati finanziari. Asimmetria, curtosi e volatility clustering.
Processi stocastici. Stazionarietà. White noise. Processi Autoregressivi e Media Mobile (ARMA).
Nonstazionarietà, random walk e martingale. Test di stazionarietà e del rapporto di varianze.
Richiami di teoria della previsione. Previsione ottimale. Previsione lineare ottimale. Previsione da modelli non stazionari: livellamento esponenziale.
Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimoglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH.
Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
Memoria lunga nelle serie finanziarie: volatilità realizzata.
Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting.
Riferimenti bibliografici
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Aggiornato A.A. 2016-2017
I modelli econometrici per l'analisi e la previsione dei mercati finanziari rappresentano una parte essenziale del percorso formativo in economia e finanza. Il corso parte con una breve rassegna delle conoscenze già acquisite sui processi stocastici stazionari e su una importante classe di modelli per la media condizionata delle serie finanziarie: i modelli ARMA. Discuteremo poi i processi a memoria lunga, importanti per la modellazione delle misure di volatilità realizzata, e processi non stazionari (martingale), mettendo in luce la loro rilevanza in finanza.
La misurazione e la previsione del rischio di mercato costituiscono i temi fondamentali del corso. La parte centrale verte sulla stima della volatilità nei mercati finanziari. Verranno introdotti i modelli di eteroschedasticità condizionata, ARCH e GARCH, e le loro estensioni per catturare il premio al rischio e le asimmetrie di comportamento della volatilità. Si passerà dunque ad esaminare i modelli di volatilità stocastica e i modelli di volatilità multivariati, che trovano fondamentale impiego nella stima della matrice di covarianza condizionata da utilizzare per la scelta ottimale del portafoglio.
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio.
Il corso ha i seguenti obiettivi formativi:
- conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato;
- saper prevedere la volatilità delle attività finanziarie ed il Value at Risk;
- acquisire la capacità di selezionare una regola predittiva tra quelle disponibili;
- essere in grado di comunicare le principali evidenze empiriche che emergono dall’analisi;
- svolgere analisi statistiche col il software appropriato;
- apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
Programma
Presentazione del corso. Variabili casuali e loro proprietà. Momenti. Distribuzioni condizionate. Momenti condizionali. Legge dei valori attesi iterati.
Serie temporali e loro caratteristiche. Natura e caratteristiche dei dati finanziari. Asimmetria, curtosi e volatility clustering.
Processi stocastici. Stazionarietà. White noise. Processi Autoregressivi e Media Mobile (ARMA).
Nonstazionarietà, random walk e martingale. Test di stazionarietà e del rapporto di varianze.
Richiami di teoria della previsione. Previsione ottimale. Previsione lineare ottimale. Previsione da modelli non stazionari: livellamento esponenziale.
Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimoglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH.
Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
Memoria lunga nelle serie finanziarie: volatilità realizzata.
Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting.
Riferimenti bibliografici
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Aggiornato A.A. 2015-2016
I modelli econometrici per l'analisi e la previsione dei mercati finanziari rappresentano una parte essenziale del percorso formativo in economia e finanza. Il corso parte con una breve rassegna delle conoscenze già acquisite sui processi stocastici stazionari e su una importante classe di modelli per la media condizionata delle serie finanziarie: i modelli ARMA. Discuteremo poi i processi a memoria lunga, importanti per la modellazione delle misure di volatilità realizzata, e processi non stazionari (martingale), mettendo in luce la loro rilevanza in finanza.
La misurazione e la previsione del rischio di mercato costituiscono i temi fondamentali del corso. La parte centrale verte sulla stima della volatilità nei mercati finanziari. Verranno introdotti i modelli di eteroschedasticità condizionata, ARCH e GARCH, e le loro estensioni per catturare il premio al rischio e le asimmetrie di comportamento della volatilità. Si passerà dunque ad esaminare i modelli di volatilità stocastica e i modelli di volatilità multivariati, che trovano fondamentale impiego nella stima della matrice di covarianza condizionata da utilizzare per la scelta ottimale del portafoglio.
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio.
Il corso ha i seguenti obiettivi formativi:
- conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato;
- saper prevedere la volatilità delle attività finanziarie ed il Value at Risk;
- acquisire la capacità di selezionare una regola predittiva tra quelle disponibili;
- essere in grado di comunicare le principali evidenze empiriche che emergono dall’analisi;
- svolgere analisi statistiche col il software appropriato;
- apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
Programma
- Presentazione del corso. Variabili casuali e loro proprietà. Momenti. Distribuzioni condizionate. Momenti condizionali. Legge dei valori attesi iterati.
- Serie temporali e loro caratteristiche. Natura e caratteristiche dei dati finanziari. Asimmetria, curtosi e volatility clustering.
- Processi stocastici. Stazionarietà. White noise. Processi Autoregressivi e Media Mobile (ARMA).
- Nonstazionarietà, random walk e martingale. Test di stazionarietà e del rapporto di varianze.
- Richiami di teoria della previsione. Previsione ottimale. Previsione lineare ottimale. Previsione da modelli non stazionari: livellamento esponenziale.
- Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimoglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
- Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH.
- Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
- Memoria lunga nelle serie finanziarie: volatilità realizzata.
- Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting.
Riferimenti bibliografici
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.
Aggiornato A.A. 2014-2015
I modelli econometrici per l'analisi e la previsione dei mercati finanziari rappresentano una parte essenziale del percorso formativo in economia e finanza. Il corso parte con una breve rassegna delle conoscenze già acquisite sui processi stocastici stazionari e su una importante classe di modelli per la media condizionata delle serie finanziarie: i modelli ARMA. Discuteremo poi i processi a memoria lunga, importanti per la modellazione delle misure di volatilità realizzata, e processi non stazionari (martingale), mettendo in luce la loro rilevanza in finanza.
La misurazione e la previsione del rischio di mercato costituiscono i temi fondamentali del corso. La parte centrale verte sulla stima della volatilità nei mercati finanziari. Verranno introdotti i modelli di eteroschedasticità condizionata, ARCH e GARCH, e le loro estensioni per catturare il premio al rischio e le asimmetrie di comportamento della volatilità. Si passerà dunque ad esaminare i modelli di volatilità stocastica e i modelli di volatilità multivariati, che trovano fondamentale impiego nella stima della matrice di covarianza condizionata da utilizzare per la scelta ottimale del portafoglio.
Costituiscono parte integrante del corso le esercitazioni, svolte in Excel, R e Matlab, e i casi di studio.
Il corso ha i seguenti obiettivi formativi:
- conoscere le principali e più avanzate e moderne tecniche di misurazione e analisi del rischio di mercato;
- saper prevedere la volatilità delle attività finanziarie ed il Value at Risk;
- acquisire la capacità di selezionare una regola predittiva tra quelle disponibili;
- essere in grado di comunicare le principali evidenze empiriche che emergono dall’analisi;
- svolgere analisi statistiche col il software appropriato;
- apprezzare criticamente le potenzialità e i limiti delle metodologie disponibili, acquisendo la capacità di discriminare tra di esse.
Programma
- Presentazione del corso. Variabili casuali e loro proprietà. Momenti. Distribuzioni condizionate. Momenti condizionali. Legge dei valori attesi iterati.
- Serie temporali e loro caratteristiche. Natura e caratteristiche dei dati finanziari. Asimmetria, curtosi e volatility clustering.
- Processi stocastici. Stazionarietà. White noise. Processi Autoregressivi e Media Mobile (ARMA).
- Nonstazionarietà, random walk e martingale. Test di stazionarietà e del rapporto di varianze.
- Richiami di teoria della previsione. Previsione ottimale. Previsione lineare ottimale. Previsione da modelli non stazionari: livellamento esponenziale.
- Misura e analisi della volatilità: modelli di eteroschedasticità condizionata. Modelli ARCH: specificazione, caratteristiche, stima di massima verosimoglianza, previsione. Estensioni: ARCH in media. Modelli GARCH, IGARCH, Exponential GARCH, GJR-GARCH.
- Modelli (G)ARCH multivariati. VEC e BEKK. Modelli di correlazione condizionata: CCC, DCC. Modelli fattoriali: Factor GARCH, O-GARCH.
- Modelli di volatilità stocastica. Rappresentazione: modelli state space. Inferenza computazionale: il filtro di Kalman. Algoritmi di smoothing.
- Memoria lunga nelle serie finanziarie: volatilità realizzata.
- Misura del rischio di mercato: stima econometrica del value at risk expected shortfall. Backtesting.
Riferimenti bibliografici
- Campbell, J., Lo, A. and MacKinlay, A. (1999). The Econometrics of Financial Markets. Princeton University Press: New Jersey.
- Franke, J., Haerdle, W.K. and Hafner, C.M. (2012). Statistics of Financial Markets. An Introduction. Third Edition. Springer.
- McNeil, A.J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management, Princeton Series in Finance.
- Taylor, S. J. (2005). Asset Price Dynamics, Volatility, and Prediction. Princeton University Press.
- Tsay, R.S. (2010). Analysis of Financial Time Series, Third Edition. Wiley.