Syllabus
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI:Introdurre gli studenti ad argomenti avanzati sui dati dipendenti ad alta dimensionalità, per renderli capaci di ricerca indipendente. Esempi di argomenti attivi di ricerca saranno dati durante le lezioni.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Il corso insegnerà agli studenti gli
strumenti teorici e pratici per lo studio avanzato di serie storiche macroeconomiche e
finanziarie ad alta dimensionalità.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:Gli studenti saranno in
grado di produrre ed interpretare analisi statistiche avanzate.
AUTONOMIA DI GIUDIZIO: Gli studenti impareranno a valutare le implicazioni dei risultati statistici per il problema in esame.
ABILITÀ COMUNICATIVE: Gli studenti saranno in grado di comunicare efficacemente risultati delle analisi empiriche basate su dati in serie storiche.
CAPACITÀ DI APPRENDIMENTO: Gli studenti saranno stimolati a sviluppare le loro abilità mediante la lettura di articoli scientifici e l'uso di database specializzati.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Il corso insegnerà agli studenti gli
strumenti teorici e pratici per lo studio avanzato di serie storiche macroeconomiche e
finanziarie ad alta dimensionalità.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:Gli studenti saranno in
grado di produrre ed interpretare analisi statistiche avanzate.
AUTONOMIA DI GIUDIZIO: Gli studenti impareranno a valutare le implicazioni dei risultati statistici per il problema in esame.
ABILITÀ COMUNICATIVE: Gli studenti saranno in grado di comunicare efficacemente risultati delle analisi empiriche basate su dati in serie storiche.
CAPACITÀ DI APPRENDIMENTO: Gli studenti saranno stimolati a sviluppare le loro abilità mediante la lettura di articoli scientifici e l'uso di database specializzati.
GIANLUCA CUBADDA
Prerequisiti
Studenti della LM in Economics: Econometrics
Studenti della LM in Finance & Banking: Time Series
Studenti della LM in Finance & Banking: Time Series
Programma
1) Ripasso sui modelli multivariati di serie storiche; modelli dinamici uniequazionali (prima settimana).
2) Regolarizzazione per modelli dinamici ad alta dimensionalità; metodi di riduzione della dimensione; modelli fattoriali dinamici (seconda settimana)
3) Bootstrap e validazione incrociata per dati dipendenti; previsione economico-finanziaria (terza settimana).
2) Regolarizzazione per modelli dinamici ad alta dimensionalità; metodi di riduzione della dimensione; modelli fattoriali dinamici (seconda settimana)
3) Bootstrap e validazione incrociata per dati dipendenti; previsione economico-finanziaria (terza settimana).
Testi Adottati
Peña, D, and Tsay, R.S. (2021), Statistical learning for big dependent data, Wiley. New York.
Bibliografia
I lucidi del corso, alcuni articoli scientifici e routine di calcolo saranno resi disponibili tramite la pagina WEB del corso.
Modalità di svolgimento
Ogni argomento del corso sarà trattato in aula sia in una prospettiva teorica che applicata. Gli studenti saranno stimolati ad una partecipazione attiva e vivace alle lezioni.
Regolamento Esame
La prova di esame è scritta. I quesiti riguarderanno potenzialmente tutti gli argomenti del programma e saranno sia di natura teorica che applicata. Il fine principale della prova è verificare sia lo conoscenza teorica degli strumenti oggetto del corso che la capacità dello studente di farne uso ai fini dell'analisi empirica dei fenomeni economici e finanziari.
La prova non può essere sostenuta due volte nella sessione invernale.
La prova di esame sarà valutata secondo i seguenti criteri:
o Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni.
o 18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti.
o 21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica coerente.
o 24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso.
o 27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi, sintesi. Buona autonomia di giudizio.
o 30-30L: Ottimo livello di conoscenza e comprensione degli argomenti. Notevoli capacità di analisi e di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale.
La prova non può essere sostenuta due volte nella sessione invernale.
La prova di esame sarà valutata secondo i seguenti criteri:
o Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni.
o 18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti.
o 21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica coerente.
o 24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso.
o 27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi, sintesi. Buona autonomia di giudizio.
o 30-30L: Ottimo livello di conoscenza e comprensione degli argomenti. Notevoli capacità di analisi e di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale.
Modalità di frequenza
Benché la frequenza non sia ufficialmente obbligatoria per ragioni burocratiche, è considerata di primaria importanza per la piena comprensione della materia.
GIANLUCA CUBADDA
STEFANO GRASSI
Programma
1. Introduzione
2. Teoria del filtraggio Parte 1
• Filtri lineari
3. Teoria del filtraggio Parte 2
• State-space form
• Kalman filter ed Smoother
• Esempi economici
4. Stima
• Stima di massima verosimiglianza
• Stima Bayesiana
• DSGE. Time Varying Parameters VAR.
2. Teoria del filtraggio Parte 1
• Filtri lineari
3. Teoria del filtraggio Parte 2
• State-space form
• Kalman filter ed Smoother
• Esempi economici
4. Stima
• Stima di massima verosimiglianza
• Stima Bayesiana
• DSGE. Time Varying Parameters VAR.
Testi Adottati
• Durbin, J., and Koopman, S.J. (2001), Time Series Analysis by State Space Methods, Oxford University Press, Oxford, UK.
• Harvey, A.C. (1989), Forecasting, Structural Time Series and the Kalman Filter, Cambridge University Press, Cambridge, UK.
• Bayesian Multivariate Time Series Methods for Empirical Macroeconomics (2010), by Gary Koop, Dimitris Korobilis
• Bayesian Estimation of DSGE Models (2016) by Edward P. Herbst and Frank Schorfheide, Princeton University Press Princeton
• Harvey, A.C. (1989), Forecasting, Structural Time Series and the Kalman Filter, Cambridge University Press, Cambridge, UK.
• Bayesian Multivariate Time Series Methods for Empirical Macroeconomics (2010), by Gary Koop, Dimitris Korobilis
• Bayesian Estimation of DSGE Models (2016) by Edward P. Herbst and Frank Schorfheide, Princeton University Press Princeton