Docenti

Giuseppe Buccheri,

Referente

Giuseppe Buccheri

Crediti

5

Lingua di erogazione

English

Frequenza alle lezioni

Scelta Libera

Sede

VERONA

Moodle Seminari 0

Obiettivi di apprendimento

Il corso tratta argomenti avanzati di analisi delle serie temporali finanziarie. Nella prima parte del corso gli studenti familiarizzeranno con i modelli ARMA ed i modelli stato-spazio lineari. Nella seconda parte saranno presentati alcuni recenti sviluppi nella ricerca sulle serie temporali a parametri variabili, con particolare riferimento ai modelli di volatilità e correlazione dinamiche.

Prerequisiti e nozioni di base

Il corso richiede una conoscenza di base del calcolo, dell'algebra lineare, e della statistica. È inoltre richiesta una conoscenza di base di un software di calcolo scientifico (Matlab, Python, R).

Programma

Part 1
- Introduction to time series; review of univariate and multivariate statistics; joint and conditional distributions. Markov property; Hilbert spaces and convergence of random variables.
- Weak and strong stationarity; examples of autocorrelation structures; ARMA and VARMA models; Wold decomposition; short and long memory.
- Law of Large Numbers and Central Limit Theorem for dependent data; estimation via Yule-Walker equations. OLS estimation; maximum Likelihood estimation; conditional Maximum Likelihood; Information Criteria.
- Linear state-space models; derivation of the Kalman filter; main properties of the filter; dynamic factor models.
Part 2
- Introductory topics; GARCH-type models; stochastic volatility models; Nonlinear state-space models; Cox classification of parameter-driven versus observation-driven models;
- Score-driven models as observation-driven models; univariate score-driven volatility models based on Student-t and GED distributions; scaling factors and link functions; stationarity and ergodicity.
- DCC and dynamic correlation models based on the Student-t distribution; ``DRD" decomposition of the covariance matrix; (un)identifiability of static parameters; hyperspherical coordinates; comparison with DCC.
- Realized measures; univariate and multivariate score-driven models for realized measures; estimation errors and curse-of-dimensionality; two-step approaches and comparison with HAR-DRD.

Bibliografia

Modalità didattiche

Lezioni frontali in presenza.

Modalità di verifica dell'apprendimento

L'esame finale consiste nell'analisi di un articolo scientifico correlato alla Parte 2 del corso. L'analisi comporta l'elaborazione e la modellazione di dati di serie temporali e la presentazione dei risultati.

Valutazione

La valutazione è basa sull'esame finale.

Criteri di composizione del voto finale

Il voto finale è dato dalla valutazione della presentazione.

Lezioni Programmate