Time Series - NMST537

• Title: Časové řady
• Guaranteed by: Department of Probability and Mathematical Statistics (32-KPMS)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2022
• 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: not 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 : NMST414
• Interchangeability : NMST414
• Is incompatible with: NMST414, NMFP404
• Is interchangeable with: NMFP404, NMST414, NSTP165, NSTP007

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.

Course completion requirements

Last update: prof. RNDr. Tomáš Cipra, DrSc. (13.10.2021)

Zápočet:

1. Vypracování a akceptace 5 domácích úloh v souladu s publikovaným zadáním, resp. publikovanými požadavky (požadavky viz webová stránka cvičícího).

2. Vypracování a akceptace 5 recenzí domácích úloh kolegů v souladu s publikovanými požadavky (požadavky viz webová stránka cvičícího).

3. Získání zápočtu není podmínkou účasti na zkoušce.

Zkouška:

1. Možnost zkoušky formou bodovaného písemného testu: 10 otázek pokrývajících odpřednesenou látku, jediný termín testu před koncem semestru.

2. Jinak ústní zkouška odpřednesené látky dle sylabu přednášky s termíny během zkouškového období (v případě zájmu možný předtermín) v souladu se zkušebním řádem na MFF UK.

3. Získání zápočtu není podmínkou účasti na zkoušce.

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 2013 (2.vydání)

Teaching methods

English

Last update: T_KPMS (15.05.2013)

Lecture+exercises.

Czech

Last update: T_KPMS (15.05.2013)

Přednáška+cvičení.

Requirements to the exam

Last update: prof. RNDr. Tomáš Cipra, DrSc. (06.10.2017)

1. Dobrovolná možnost zkoušky formou bodovaného písemného testu: 10 otázek pokrývajících odpřednesenou látku; jediný termín testu před koncem semestru; oprava jen formou ústní zkoušky v rámci prvního opravného termínu.

2. Jinak ústní zkouška s možností předtermínu; požadavky ústní zkoušky odpovídají sylabu předmětu v rozsahu, který byl prezentován na přednášce.

3. Získání zápočtu není podmínkou účasti na zkoušce.

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).

Entry requirements

English

Last update: prof. RNDr. Tomáš Cipra, DrSc. (24.04.2018)

Basic knowledge of mathematical statistics, theory of probability and random processes. Ability to solve numerically practical projects in a chosen software system.

Czech

Last update: prof. RNDr. Tomáš Cipra, DrSc. (24.04.2018)

Základní znalost matematické statistiky, teorie pravděpodobnosti a náhodných procesů. Schopnost výpočetně zvládnout praktické projekty ve zvoleném softwarovém systému.