EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI: Dopo aver seguito il corso, gli studenti saranno in grado di condurre un'analisi econometrica completa e corretta su una o più serie storiche di natura economica. In particolare, saranno in grado di scaricare/ottenere i dati individuandone le fonti più appropriate, riconoscerne le peculiarità (non-stazionarietà, cointegrazione) e modellarle di conseguenza, con l'ausilio di un software statistico gratuito ed open-source (R, Gretl).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Il corso fornisce i fondamenti teorici delle analisi statistiche ed econometriche applicate in particolare alle serie storiche economiche. Il corso sarà strutturato in due parti. Nella prima si richiameranno dapprima i fondamenti di probabilità e dell’analisi inferenziale, per poi analizzare in dettaglio i modelli di regressione lineare semplice e multipla – quest’ultima nella sua forma matriciale – trattandone in dettaglio le principali assunzioni e proprietà. La seconda parte del corso sarà più propriamente focalizzata sull’analisi delle serie storiche economiche, introducendo le nozioni di autocorrelazione, di non-stazionarietà, e di cointegrazione, analizzandone le conseguenze in termini di stima e illustrando le strategie necessarie per tenerne conto nelle analisi di regressione e di previsione.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Il corso fornisce gli strumenti necessari per implementare una corretta analisi econometrica delle serie storiche economiche.
L’utilizzo di dati reali (fonte Eurostat, NBER, ect…) e del software GRETL, gratuito ed open source, 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 economica (in particolare serie storiche) e di analizzarli in modelli di regressione adeguati, individuandone eventuali peculiarità, quali la presenza di osservazioni anomale, di autocorrelazione, di non-stazionarietà o cointegrazione tra due o più variabili.
AUTONOMIA DI GIUDIZIO: Al termine del corso gli studenti saranno in grado di formulare ipotesi di natura economica e di testarle con l’ausilio dei dati più appropriati, reperendoli dalle giuste fonti disponibili. Sapranno valutare quale modello applicare per la modellizzazione di serie storiche economiche di tipo diverso. Infine, saranno in grado di valutare la bontà di un’analisi di regressione in termini di diagnostica del modello e di validità interna ed esterna. Saranno inoltre capaci di interpretare e valutare le previsioni fornite dal modello.
ABILITÀ COMUNICATIVE: Tramite gli strumenti forniti dal corso, gli studenti saranno in grado di utilizzare i dati per estrarre indicazioni su un fenomeno (di natura prevalentemente economica) e comunicarle efficacemente. In particolare, agli studenti verrà chiesto di presentare chiaramente le varie fasi dell’analisi, dalla presentazione del quesito in analisi e delle ipotesi sotto test, alla descrizione del dataset utilizzato, sottolineandone eventuali peculiarità (es. osservazioni anomale, particolare natura dei dati, etc.), all’illustrazione e motivazione delle metodologie scelte per condurre l’analisi. Al termine del corso lo studente sarà inoltre in grado di produrre (nonché di leggere ed interpretare) tavole di statistiche descrittive e rappresentazioni grafiche utili alla dimostrazione della tesi. Infine, rientra tra gli obiettivi del corso la capacità di produrre in formato tabulare stime di vari modelli di regressione, al fine di consentirne un rapido e chiaro confronto, nonchè di leggere ed interpretare modelli stimati da altri.
CAPACITÀ DI APPRENDIMENTO: Il corso consente allo studente di acquisire una maggiore capacità operativa in termini di reperimento dei dati e di corretta modellizzazione delle serie storiche economiche. Tali capacità, oltre ad essere strettamente utili per il superamento degli esami quantitativi futuri previsti dal corso di studio, sono più in generale funzionali a tutte le successive fasi di studio, inclusa quella della stesura dell’elaborato di tesi finale. Si tratta inoltre di capacità particolarmente apprezzate nel mondo del lavoro e che consentiranno agli studenti di interpretare e valutare in più autonomia le modellizzazioni statistiche che vengono sempre più frequentemente fornite dalle varie fonti di informazione.
Learning Objectives
LEARNING OUTCOMES: After the course, the students will be able to retrieve economic and financial time-series as well as to perform a sound econometric analysis based on the mentioned data. Specifically, they will be able to retrieve the data from the proper data sources, they will be able to recognize potential peculiarities (such as non-stationarity, cointegration, etc) and to model the time-series accordingly. Finally, practices will endow students with a knowledge of the basics on free and open-source statistical softwares (R, Gretl)
KNOWLEDGE AND UNDERSTANDING: The course provides the theoretical fundamentals of statistical and econometric analysis. More specifically, after having recalled the basics of probability and inference, the linear regression model (both simple and multiple) will be analyzed, with particular attention to this assumptions and hypotheses. Afterwards, the notions of non-stationarity and cointegration will be analyzed in detail, illustrating their consequences as well as the most widespread strategies implemented in literature to tackle with those issues.
APPLYING KNOWLEDGE AND UNDERSTANDING: The theoretical notions are coupled with applications to real data all along the course. Students will apply these theoretical notions by retrieving real-world time-series data (from e.g. Eurostat, NBER, Datastream Thomoson Reuters, yahoo!finance etc..) and will analyses them by means of free and open source statistical softwares (R, Gretl).
MAKING JUDGEMENTS: Students will be able to formulate testable hypotheses and will be able to statistically test them using proper data, retrieved from suitable databases. They will be able to recognize the most appropriate techniques to model the time-series under analysis as well as to evaluate the soundness of econometric analysis done by others.
COMMUNICATION SKILLS: The course provides the students the tools required to extract indications on a (typically economic) phenomenon by analyzing the data. The successful student will be able to soundly present the various phases of the statistical analysis, by clearly stating the research question and the testable hypotheses under analysis, as well as the dataset used, highlighting potential peculiarities of the data (such as presence of outliers, non-stationarity of the series, etc…), and the methodology used, effectively motivating his/her choices.
At the end of the course, the students will be able to produce, as well as to read and interpret, graphical representations and outputs of estimated econometric models providing empirical evidence on the phenomenon under analysis.
LEARNING SKILLS: Students will develop understanding and critical thinking about econometric analysis on time-series data. These abilities not only instrumental for passing the exam, but also for all other subsequent phases of the education career of the students, including passing future quantitative exams as well as structuring and writing the final dissertation, as well being amongst the most highly required on the job market.
Prerequisiti
Si consiglia la conoscenza di nozioni di statistica.
Prerequisites
Basic knowledges in statistics are recommend.
Programma
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 univariate: modelli naive, EWMA, ARCH, GARCH
Parte IV: Probabilità di default e solidità finanziaria (classificazione)
Variabile dipendente qualitativa; rudimenti di cluster analysis
Program
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
Testi Adottati
Per ciascun argomento verranno indicati i capitoli di riferimento dei testi:
"Introduzione all'econometria", Stock e Watson
"Finanza quantitativa con R", Santi e Bee.
"The Econometrics of Financial Markets", Campbell, Lo e MacKinlay.
"Economic Forecasting", Elliott e Timmermann.
Le slides del corso ed eventuale materiale aggiuntivo saranno resi disponibili sul sito del corso, alla pagina Materiale Didattico.
Books
For each topic, chapters will be listed of the following textbooks:
"Introduzione all'econometria", Stock & Watson
"Finanza quantitativa con R", Santi & Bee.
"The Econometrics of Financial Markets", Campbell, Lo & MacKinlay.
"Economic Forecasting", Elliott & Timmermann.
Slides and additional materials will be available on the course website and the lecturer personal webpage.
Bibliografia
Cont, ‘Empirical properties of asset returns: stylized facts and statistical issues’. Quantitative Finance, 2001.
Asquith e Mullins, ‘Equity issues and offering dilution’. Journal of Financial Economics, 1986.
Hentschel, ‘All in the family. Nesting symmetric and asymmetric GARCH models’. Journal of Financial Economics, 1995.
Bibliography
Cont, ‘Empirical properties of asset returns: stylized facts and statistical issues’. Quantitative Finance, 2001.
Asquith e Mullins, ‘Equity issues and offering dilution’. Journal of Financial Economics, 1986.
Hentschel, ‘All in the family. Nesting symmetric and asymmetric GARCH models’. Journal of Financial Economics, 1995.
Modalità di svolgimento
2/3 del monte ore settimanale è dedicato alla didattica frontale, mentre il restante 1/3 ad attività di laboratorio in aula.
Gli studenti dovranno portare il proprio pc con MatLab funzionante. (E’ possibile anche lavorare in coppia su un singolo pc. )
Teaching methods
2/3 weekly hours traditional lecture + 1/3 practical implementation.
Students are requested to have a pc (single or per couple) with MatLab.
Regolamento Esame
La valutazione finale sarà composta dalla media pesata di tre componenti:
1. 25% primo problem set di gruppo (max.5 persone), verterà sulla parte di statistica e regessione
2. 25% secondo problem set di gruppo (max.5 persone), verterà sulla parte di serie storiche
3. 50% prova scritta individuale, che verterà su tutto il programma trattato. La prova scritta è composta da domande a risposta multipla, sia teoriche sia volte a valutare la capacità di analisi dello studente.
Non è prevista una prova intermedia.
Exam Rules
The evaluation will be the weighted average of three components:
1. 25% first problem set (a group of max.5 students), on statistics and regression
2. 25% second problem set (a group of max.5 students), on time series
3. 50% written test (individual), closed-book on the entire program. The test will be multiple choices, aimed at evaluating theoretical knowledge as well as interpretation ability of the student.
No mid-term.
Prof.ssa Lucia Leonelli
