EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI:Introdurre gli studenti ad argomenti avanzati sulle serie storiche,
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.
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.
Learning Objectives
LEARNING OUTCOMES: The objective of this module is to introduce
students to advanced topics in time series analysis to enhance independent research. Examples of active topic of research will be provided during the lectures.
KNOWLEDGE AND UNDERSTANDING:
Thee course provides the students with the theoretical and practical undergrounds of advance time series analyses, for Macro and Financial time series.
APPLYING KNOWLEDGE AND UNDERSTANDING:The students will be able to produce
and interpret advance statistical analyses.
MAKING JUDGEMENTS: Students will gain the ability to make judgments about implications of the statistical results for the issue at hand.
COMMUNICATION SKILLS: Students will be able to present and communicate effectively the results of the empirical analyses on time series data.
LEARNING SKILLS: Students will have the ability to develop and increase their skills through the consultation of the published scientific literature and the use of databases and other information.
GIANLUCA CUBADDA
Prerequisiti
Studenti della LM in Economics: Time Series
Studenti della LM in Finance & Banking: Time Series and Econometrics
Prerequisites
LM in Economics students: Time Series
LM in Finance & Banking students: Time Series and Econometrics
Programma
1) Modelli dinamici uniequazionali; modelli fattoriali dinamici (prima settimana).
2) Regolarizzazione per modelli dinamici ad alta dimensionalità; metodi di riduzione della dimensione (seconda settimana)
3) Applicazioni in macroeconomia e finanza; previsione economico-finanziaria (terza settimana).
Program
1) Single equation dynamic models; Dynamic factor models (first week);
2) Regularization for large dynamic regression models; dimension reduction methods (second week).
3) Applications in macroeconomics and finance; Economic and financial forecasting (third week).
Testi Adottati
Peña, D, and Tsay, R.S. (2021), Statistical learning for big dependent data, Wiley. New York.
Books
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 disponibili nella pagina Teams del corso.
Bibliography
The slides of the course, as well as some papers and computational routines, will be available in the course Teams page.
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.
Teaching methods
Each topic of the course will be covered in class both in a theoretical and in an empirical perspective. Students will be stimulated to an active and lively participation at the lessons.
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.
Exam Rules
The final evaluation is a written examination. Questions will potentially cover all the topics of the course and will be of both theoretical and applied nature. The main goal of the exam is to evaluate both the theoretical knowledge of the methods taught in the course and the student's ability to use them for the empirical analysis of economic and financial phenomena.
The exam cannot be taken twice in the winter session.
STEFANO GRASSI
Programma
1. Introduzione
• Ripasso delle serie storiche.
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.
Program
1. Introduction
• General review of time series models.
2. Filtering theory Part 1
• Linear filters
3. Filtering theory Part 2
• State-space form
• Kalman filter and Smoother
• Some economic examples
4. Estimation
• Maximum likelihood
• Bayesian estimation
• 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.
Books
• 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.
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI:Introdurre gli studenti ad argomenti avanzati sulle serie storiche,
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.
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.
Learning Objectives
LEARNING OUTCOMES: The objective of this module is to introduce
students to advanced topics in time series analysis to enhance independent research. Examples of active topic of research will be provided during the lectures.
KNOWLEDGE AND UNDERSTANDING:
Thee course provides the students with the theoretical and practical undergrounds of advance time series analyses, for Macro and Financial time series.
APPLYING KNOWLEDGE AND UNDERSTANDING:The students will be able to produce
and interpret advance statistical analyses.
MAKING JUDGEMENTS: Students will gain the ability to make judgments about implications of the statistical results for the issue at hand.
COMMUNICATION SKILLS: Students will be able to present and communicate effectively the results of the empirical analyses on time series data.
LEARNING SKILLS: Students will have the ability to develop and increase their skills through the consultation of the published scientific literature and the use of databases and other information.
GIANLUCA CUBADDA
Prerequisiti
Studenti della LM in Economics: Time Series
Studenti della LM in Finance & Banking: Time Series and Econometrics
Prerequisites
LM in Economics students: Time Series
LM in Finance & Banking students: Time Series and Econometrics
Programma
Modelli dinamici uniequazionali
Modelli fattoriali dinamici
Regolarizzazione per modelli dinamici ad alta dimensionalità
Metodi di riduzione della dimensione
Applicazioni in macroeconomia e finanza
Previsione economico-finanziaria
Program
Single equation dynamic models
Dynamic factor models
Regularization for large dynamic regression models
Dimension reduction methods
Applications in macroeconomics and finance
Economic and financial forecasting
Testi Adottati
Peña, D, and Tsay, R.S. (2021), Statistical learning for big dependent data, Wiley. New York.
Books
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 disponibili nella pagina Teams del corso.
Bibliography
The slides of the course, as well as some papers and computational routines, will be available in the course Teams page.
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.
Teaching methods
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.
Exam Rules
The final evaluation is a written examination. Questions will potentially cover all the topics of the course and will be of both theoretical and applied nature. The main goal of the exam is to evaluate both the theoretical knowledge of the methods taught in the course and the student's ability to use them for the empirical analysis of economic and financial phenomena.
The exam cannot be taken twice in the winter session.
STEFANO GRASSI
Teaching methods
Each topic of the course will be covered in class both in a theoretical and in an empirical perspective. Students will be stimulated to an active and lively participation at the lessons.
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI:Introdurre gli studenti ad argomenti avanzati sulle serie storiche,
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.
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.
Learning Objectives
LEARNING OUTCOMES: The objective of this module is to introduce
students to advanced topics in time series analysis to enhance independent research. Examples of active topic of research will be provided during the lectures.
KNOWLEDGE AND UNDERSTANDING:
Thee course provides the students with the theoretical and practical undergrounds of advance time series analyses, for
Macro and Financial time series.
APPLYING KNOWLEDGE AND UNDERSTANDING:The students will be able to produce
and interpret advance statistical analyses.
MAKING JUDGEMENTS: Students will gain the ability to make judgments about implications of the statistical results for the issue at hand.
COMMUNICATION SKILLS: Students will be able to present and communicate effectively the results of the empirical analyses on time series data.
LEARNING SKILLS: Students will have the ability to develop and increase their skills through the consultation of the published scientific literature and the use of databases and other information.
GIANLUCA CUBADDA
Prerequisiti
Studenti della LM in Economics: Time Series
Studenti della LM in Finance & Banking: Time Series and Econometrics
Prerequisites
LM in Economics students: Time Series
LM in Finance & Banking students: Time Series and Econometrics
Programma
Modelli fattoriali dinamici
Regolarizzazione per modelli dinamici ad alta dimensionalità
Metodi di riduzione della dimensione
Applicazioni in macroeconomia e finanza
Teoria del filtraggio
Modelli State space
Stima Bayesiana
VAR Bayesiani
Program
Dynamic factor models
Regularization for large dynamic regression models
Dimension reduction methods
Applications in macroeconomics and finance
Filtering theory
State space models
Bayesian Estimation
Bayesian VAR
Testi Adottati
Peña, D, and Tsay, R.S. (2021), Statistical learning for big dependent data, Wiley. New York.
Books
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 disponibili nella pagina WEB del corso.
Bibliography
The slides of the course, as well as some papers and computational routines, will be available in the course WEB page.
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.
Teaching methods
Each topic of the course will be covered in class both in a theoretical and in an empirical perspective. Students will be stimulated to an active and lively participation at the lessons.
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.
Exam Rules
The final evaluation is a written examination. Questions will potentially cover all the topics of the course and will be of both theoretical and applied nature. The main goal of the exam is to evaluate both the theoretical knowledge of the methods taught in the course and the student's ability to use them for the empirical analysis of economic and financial phenomena.
STEFANO GRASSI
Programma
Modelli fattoriali dinamici
Regolarizzazione per modelli dinamici ad alta dimensionalità
Metodi di riduzione della dimensione
Applicazioni in macroeconomia e finanza
Program
Dynamic factor models
Regularization for large dynamic regression models
Dimension reduction methods
Applications in macroeconomics and finance.
Modalità di svolgimento
Si veda la pagina WEB del corso.
Teaching methods
See the course WEB page.
Regolamento Esame
Si veda la pagina WEB del corso.
Exam Rules
See the course WEB page.
Prof.ssa Lucia Leonelli
