Time Series - NMST537

• Title: Časové řady
• Guaranteed by: Department of Probability and Mathematical Statistics (32-KPMS)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2013 to 2017
• Semester: winter
• E-Credits: 8
• Hours per week, examination: winter s.:4/2, C+Ex [HT]
• Capacity: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• State of the course: taught
• Language: Czech
• Teaching methods: full-time
• Teaching methods: full-time
• Guarantor: prof. RNDr. Tomáš Cipra, DrSc.
• Class: M Mgr. FPM; M Mgr. FPM > Povinné; M Mgr. PMSE; M Mgr. PMSE > Povinně volitelné
• Classification: Mathematics > Probability and Statistics
• Incompatibility : NSTP007
• Pre-requisite : NMSA409
• Interchangeability : NSTP007
• Is co-requisite for: NMFM507
• Is interchangeable with: NSTP007, NSTP165

Annotation

English

Last update: T_KPMS (15.05.2013)

Basic methods of time series analysis and their applications, time series decomposition and adaptive techniques, Box-Jenkins methodology including ARIMA and seasonal models, financial time series (models of volatility and nonlinear in mean), multivariate time series (vector autoregression, Kalman filter). Most of the methods are applied in a facultative seminar. Requirements: Basic knowledge of statistics.

Czech

Last update: T_KPMS (15.05.2013)

Základní metody analýzy časových řad včetně počítačového zpracování, dekompoziční metody včetně adaptivních technik, Boxova-Jenkinsova metodologie včetně modelů ARIMA a sezónních modelů, finanční časové řady (modelování volatility a modely nelineární ve střední hodnotě), vícerozměrné časové řady (vektorová autoregrese, Kalmanův filtr). Předpoklady: základní znalosti statistiky.

Aim of the course

English

Last update: T_KPMS (15.05.2013)

The students should master the most important methods of practical time series analysis so that they are capable to apply them in practice.

Czech

Last update: T_KPMS (15.05.2013)

Cílem je seznámit posluchače s většinou důležitých metod v praktické analýze časových řad tak, aby je byli schopni aktivně používat.

Literature

Last update: prof. RNDr. Tomáš Cipra, DrSc. (04.01.2016)

Cipra, T.: Analýza časových řad s aplikacemi v ekonomii. SNTL/ALFA, Praha 1986

Cipra, T.: Finanční ekonometrie. Ekopress, Praha 2008

Teaching methods

English

Last update: T_KPMS (15.05.2013)

Lecture+exercises.

Czech

Last update: T_KPMS (15.05.2013)

Přednáška+cvičení.

Syllabus

English

Last update: T_KPMS (15.05.2013)

I. Classification of random processes.

II. Decomposition methods: 1. Trend. 2. Seasonality and periodicity. 3. Tests of randomness.

III. Box-Jenkins methodology 1. ARMA models ARMA 2. Identification, estimation, verification and prediction. 3. ARIMA and seasonal models.

IV. Financial time series: 1. Models of volatility (GARCH). 2. Models nonlinear in mean.

V. Multivariate time series (vector autoregression, Kalman filter).

Czech

Last update: T_KPMS (15.05.2013)

I. Klasifikace náhodných procesů.

II. Dekompoziční metody: 1. Trend. 2. Sezónnost a periodicita. 3. Testy náhodnosti.

III. Boxova-Jenkinsova metodologie: 1. Modely typu ARMA. 2. Identifikace, odhad, verifikace a předpověď. 3. Modely ARIMA a sezónní modely.

IV. Finanční časové řady: 1. Modely volatility (GARCH). 2. Modely nelineární ve střední hodnotě.

V. Vícerozměrné časové řady (vektorová autoregrese, Kalmanův filtr).