Aggiornato A.A. 2019-2020
Parte I: Rendimenti e loro caratteristiche (ripasso di statistica)
• Tipologia di dati e rappresentazione grafica
• Statistiche descrittive
• Distribuzioni
• Inferenza statistica
• Test d’ipotesi
Parte II: Event study ed eccesso di rendimento (regressione lineare, cross-section)
• Cos’è un event study e la definizione di eccesso di rendimento tramite constant mean return.
• Magnitudine dell’eccesso di rendimento spiegata attraverso le caratteristiche dell’evento: regressione lineare
• Modello di regressione lineare bivariato e multivariato: interpretazione dei coefficienti, significatività e fit del modello
• Omoschedasticità ed eteroschedasticità
• Diagnostica
• Introduzione alla non linearità: trasformazione di variabile
Parte III: Rendimenti e loro predittività (serie storiche)
• Previsione e teoria delle decisioni.
• Modellizzazione per serie storiche stazionarie - Univariato: ARMA
• Clusterizzazione delle volatilità e modellizzazione per serie storiche non-stazionarie: Rolling window, EWMA, ARCH, GARCH
Parte IV (da valutare in base alle tempistiche): Probabilità di default e solidità finanziaria (classificazione)
• Variabile dipendente qualitativa
• Rudimenti di cluster analysis
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Il corso fornisce i fondamenti teorici della analisi statistica ed econometrica, partendo da concetti di finanza. Il corso è strutturato in quattro parti.
Nella prima si richiameranno i fondamenti di statistica descrittiva e inferenziale, partendo dal concetto di rendimento.
La seconda si concentra sul metodo di regressione lineare bivariato e multivariato. Gli argomenti verranno introdotti partendo dal concetto di event study, utilizzando la regressione lineare per spiegare la magnitudine degli eccessi di rendimento.
La terza parte si concentra sull’analisi delle serie storiche partendo dalla predittività dei rendimenti, introducendo le nozioni di previsione, di non-stazionarietà, e di clusterizzazione della volatilità.
La quarta parte presenta la modellizzazione per variabili dipendenti qualitative e il concetto di classificazione, partendo dalla probabilità di default.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Il corso fornisce gli strumenti necessari per implementare una corretta analisi econometrica di cross-section e serie storiche economiche.
L'utilizzo di dati reali e del software MatLab, licenza disponibile per gli studenti sul portale dell'università, sono parte integrante del corso ed oggetto di tutte le esercitazioni.
Tra le finalità del corso rientrano pertanto la capacità di reperire dataset di natura economico/finanziaria e di analizzarli.
AUTONOMIA DI GIUDIZIO:
Al termine del corso gli studenti saranno capaci, partendo dai dati correttamente pre-trattati, di darne adeguata rappresentazione grafica, di formulare ipotesi e di testarle.
Riusciranno a costruire/stimare un modello di regressione lineare e testarne la bontà.
Sapranno modellizzare serie storiche economiche/finanziarie, stazionarie e non-stazionarie, e interpretare le previsioni fornite dal modello.
Infine sapranno interpretare il concetto di cluster e comprendere i risultati/previsioni per modelli con variabili dipendenti qualitative.
ABILITÀ COMUNICATIVE:
Il corso fornirà gli strumenti per utilizzare i dati al fine di estrarre indicazioni su un fenomeno e comunicarle efficacemente.
In particolare, lo studente sarà capace di produrre e presentare chiaramente le varie fasi dell’analisi: la presentazione del quesito, la descrizione del dataset utilizzato, la rappresentazione grafica dei dati, la motivazione delle metodologie scelte per condurre l’analisi, la stima e la previsione del modello selezionato.
CAPACITÀ DI APPRENDIMENTO:
Il corso consente allo studente di acquisire una maggiore capacità operativa in termini di analisi esplorativa dei dati e modellizzazione.
Tali capacità saranno funzionali alla stesura dell’elaborato di tesi finale e in ambito lavorativo.
Aggiornato A.A. 2019-2020
Part I: Asset returns and their characteristics (review of statistics)
• Types of data and their graphical representation
• Descriptive statistics
• Distributions
• Inference
• Hypothesis testing
Part II: Event study and excess of returns (linear regression on cross-section)
• Definition of event study and excess of return via constant mean return.
• The magnitude of excess of return and event characteristics: linear regression analysis
• Linear regression model: bivariate and multivariate: coefficient interpretation, statistical significance, model fit
• Homoskedasticity and heteroskedasticity
• Model diagnostic procedures
• Introduction to non-linearity: variable transformation
Part III: Returns and their predictability (time series)
• Forecast and decision theory
• Model for stationary time series - Univariate: ARMA
• Volatility clustering: naive models, EWMA, ARCH, GARCH
Part IV: Default probability and financial health (classification)
• Limited dependent variable
• Introduction to cluster analysis
KNOWLEDGE AND UNDERSTANDING:
The course provides the students with the theoretical undergrounds of statistical analysis and econometrics, departing from finance topics. The course is divided into 4 parts.
In the first part, a review of descriptive statistics and inference will be presented.
The second part focus on the linear regression model, bivariate and multivariate. The theoretical aspects will be presented through the idea of an event study, where linear regression models are implemented to explain the magnitude of the excess of returns.
The third part will cover time series analysis, considering returns predictability, non-stationarity and volatility clustering.
The fourth part will present limited dependent variable models and cluster analysis, to model default probability.
APPLYING KNOWLEDGE AND UNDERSTANDING:
The students will be able to interpret an econometric analysis of cross-sectional and time-series data correctly.
Part of the class will be devoted to the analysis of real data and the analysis will be implemented in MatLab (student license available for students on University website).
The students, therefore, will be able to retrieve data and analyze them.
MAKING JUDGEMENTS:
The students will be able to perform a complete analysis: Data collection, pre-treatment of the data, graphical representation, hypothesis testing.
The students will be able to estimate and evaluate linear regression model for cross-section data.
The students will be able to estimate time series model for stationary and non-stationary variables, make and interpret forecasts.
The students will know the basic knowledge of cluster analysis and limited dependent variable models.
COMMUNICATION SKILLS:
The students will be able to analyze and communicate information on economic phenomena.
Specifically, he/she will be able to present all the analysis steps: economic question, dataset description, graphical representation, methodological choices, estimation, and forecast.
LEARNING SKILLS:
The course endows the students with a substantial operative ability concerning exploratory data analysis and modeling, which is functional to the thesis and subsequent career.
Prof.ssa Lucia Leonelli
