„Algoritmikus tőzsdei folyamat-előrejelzés” változatai közötti eltérés
Ugrás a navigációhoz
Ugrás a kereséshez
a (→2016) |
|||
(17 közbenső módosítás ugyanattól a szerkesztőtől nincs mutatva) | |||
8. sor: | 8. sor: | ||
| tanszék = VIK-SZIT | | tanszék = VIK-SZIT | ||
| jelenlét = ajánlott | | jelenlét = ajánlott | ||
+ | | labor = hetente | ||
| kiszh = nincs | | kiszh = nincs | ||
− | | nagyzh = | + | | nagyzh = 2 db |
| hf = 4 db | | hf = 4 db | ||
| vizsga = szóbeli | | vizsga = szóbeli | ||
19. sor: | 20. sor: | ||
Megismerteti a gazdaságinformatikus hallgatókkal a pénzügyi idősorok modellezésének és előrejelzésének alapvető módszereit és a kapcsolódó befektetési/portfólió stratégiákat. A hallgató képes lesz modellezni és előre jelezni az egyes pénzügyi idősorokat. Alkalmassá válik arra, hogy bankok és befektetési alapok befektetési stratégiáinak tervezését segítse. '''A tantárgy csak angol nyelven indul.''' | Megismerteti a gazdaságinformatikus hallgatókkal a pénzügyi idősorok modellezésének és előrejelzésének alapvető módszereit és a kapcsolódó befektetési/portfólió stratégiákat. A hallgató képes lesz modellezni és előre jelezni az egyes pénzügyi idősorokat. Alkalmassá válik arra, hogy bankok és befektetési alapok befektetési stratégiáinak tervezését segítse. '''A tantárgy csak angol nyelven indul.''' | ||
== Követelmények == | == Követelmények == | ||
− | * Szorgalmi időszakban 4 db házi feladat önálló megoldása. | + | *Szorgalmi időszakban 4 db házi feladat önálló megoldása + 2ZH elégséges teljesítése. |
− | * Vizsgaidőszakban szóbeli vizsga. | + | *Vizsgaidőszakban szóbeli vizsga. |
+ | |||
== Segédanyagok == | == Segédanyagok == | ||
− | === | + | === Ajánlott irodalom === |
− | * Dr. Telcs András - [http://www.szit.bme.hu/~telcs/stat/SJ.pdf Statisztika jegyzet] | + | *Dr. Telcs András - [http://www.szit.bme.hu/~telcs/stat/SJ.pdf Statisztika jegyzet] |
− | * Maricza István - [http://www.cs.bme.hu/~telcs/stat/MariczaStat.pdf Matematikai statisztika] | + | *Maricza István - [http://www.cs.bme.hu/~telcs/stat/MariczaStat.pdf Matematikai statisztika] |
− | === | + | *Dr Györfi László - [http://www.szit.bme.hu/~gyorfi/booknempar.pdf Nemparaméteres statisztika] |
− | * Zlatniczki Ádám [http://cs.bme.hu/~adam.zlatniczki/ honlapja] | + | *L. Györfi, M. Kohler, A. Krzyzak, H. Walk - A Distribution-Free Theory of Nonparametric Regression |
− | ** Házi feladatok | + | *R. S. Tsay - Analysis of Financial Time Series |
− | ** Órai anyagok/kódok | + | *L. Györfi, Gy. Ottucsák, H. Walk (2012) - Machine Learning for Financial Engineering |
− | * [http://finance.yahoo.com/ Yahoo finance] | + | |
− | ** Pénzügyi idősorok | + | === Hasznos honlapok === |
+ | *Zlatniczki Ádám [http://cs.bme.hu/~adam.zlatniczki/ honlapja] | ||
+ | **Házi feladatok | ||
+ | **Órai anyagok/kódok | ||
+ | *[http://finance.yahoo.com/ Yahoo finance] | ||
+ | **Pénzügyi idősorok | ||
+ | === Python === | ||
+ | *Gérard Swinnen - [http://mek.oszk.hu/08400/08435/08435.pdf Tanuljunk meg programozni Python nyelven] | ||
+ | *Python [https://docs.continuum.io/ Anaconda modul] | ||
+ | |||
+ | == Vizsga == | ||
+ | === Tételsor === | ||
+ | '''2016''' | ||
+ | {{Rejtett | ||
+ | |mutatott='''Magyar''' | ||
+ | |szöveg= | ||
+ | #Valószínűségszámítás alapjai: | ||
+ | ##Valószínűségi változó, Feltételes valószínűség, Sűrűségfüggvény, eloszlásfüggvény | ||
+ | ##Normál eloszlás, Várható érték, szórás, momentumok | ||
+ | ##Kovariancia, korreláció | ||
+ | #Statisztika alapjai | ||
+ | ##Leíró statisztikák | ||
+ | ###Várható érték, szórás, kovariancia, korreláció (mit mutat meg, hogyan becsüljük) | ||
+ | ###Autokovariancia, autokorreláció (mit mutat meg, hogyan becsüljük) | ||
+ | ##Hipotéziselmélet | ||
+ | #Fehér zaj tulajdonságai | ||
+ | #Regresszió | ||
+ | ##Lineáris | ||
+ | ###Legkisebb négyzetek módszere (érintőlegesen) | ||
+ | #Idősor elemzés alapjai | ||
+ | ##Sztochasztikus modell (alapja), stacionaritás | ||
+ | ##Simítási eljárások | ||
+ | ###Moving average | ||
+ | #Determinisztikus modellek | ||
+ | ##Periodicitás meghatározása: periodogram | ||
+ | ##Trend meghatározása: regresszió | ||
+ | #ARIMA modellcsalád | ||
+ | ##AR(p), MA(q), ARMA(p, q) | ||
+ | ##Paraméterek illesztése: ACF, PACF vizsgálata | ||
+ | #Autoregresszív heteroszkedasztikus modellek | ||
+ | ##ARCH alapjai | ||
+ | ##GARCH alapjai | ||
+ | #Nem paraméteres előrejelzés | ||
+ | ##Nem paraméteres regresszió, lokális átlagolás, hiba dekompozíció | ||
+ | ##K-NN, kernel, partíciós módszer | ||
+ | ##Kevert szakértők | ||
+ | }} | ||
+ | {{Rejtett | ||
+ | |mutatott='''Angol''' | ||
+ | |szöveg= | ||
+ | #Basic of probability theory: | ||
+ | ##Random variable, Conditional probability, Density function, Distribution function | ||
+ | ##Normal distribution, Expected value, Deviation, Momentums | ||
+ | ##Covariance, Correlation | ||
+ | #Basic of statistics | ||
+ | ##Describing statistics | ||
+ | ###Expected value, Deviation, Covariance, Correlation (what show us, how can we estimate) | ||
+ | ###Autocovariance, Autocorrelation (what show us, how can we estimate) | ||
+ | ##Hyphotesis theory | ||
+ | #White noise features | ||
+ | #Regression | ||
+ | ##Linear | ||
+ | ###Least square errors method (partly) | ||
+ | #Basic of time series analysis | ||
+ | ##Stochastic model (basic), stacionarity | ||
+ | ##Smoothing processes | ||
+ | ###Moving average | ||
+ | #Deterministic models | ||
+ | ##Determination of periodicity: periodogram | ||
+ | ##determination of trend: regression | ||
+ | #ARIMA model family | ||
+ | ##AR(p), MA(q), ARMA(p, q) | ||
+ | ##Fitting parameters: ACF, PACF analysis | ||
+ | #Autoregressive heteroskedasticity models | ||
+ | ##Basic of ARCH | ||
+ | ##Basic of GARCH | ||
+ | #Non-parametric forecasting | ||
+ | ##Non-parametric regression, local averaging, error decomposition | ||
+ | ##K-NN, kernel, partition method | ||
+ | ##Mixed experts | ||
+ | }} |
A lap jelenlegi, 2016. december 27., 21:42-kori változata
Tartalomjegyzék
Bevezetés
Megismerteti a gazdaságinformatikus hallgatókkal a pénzügyi idősorok modellezésének és előrejelzésének alapvető módszereit és a kapcsolódó befektetési/portfólió stratégiákat. A hallgató képes lesz modellezni és előre jelezni az egyes pénzügyi idősorokat. Alkalmassá válik arra, hogy bankok és befektetési alapok befektetési stratégiáinak tervezését segítse. A tantárgy csak angol nyelven indul.
Követelmények
- Szorgalmi időszakban 4 db házi feladat önálló megoldása + 2ZH elégséges teljesítése.
- Vizsgaidőszakban szóbeli vizsga.
Segédanyagok
Ajánlott irodalom
- Dr. Telcs András - Statisztika jegyzet
- Maricza István - Matematikai statisztika
- Dr Györfi László - Nemparaméteres statisztika
- L. Györfi, M. Kohler, A. Krzyzak, H. Walk - A Distribution-Free Theory of Nonparametric Regression
- R. S. Tsay - Analysis of Financial Time Series
- L. Györfi, Gy. Ottucsák, H. Walk (2012) - Machine Learning for Financial Engineering
Hasznos honlapok
- Zlatniczki Ádám honlapja
- Házi feladatok
- Órai anyagok/kódok
- Yahoo finance
- Pénzügyi idősorok
Python
- Gérard Swinnen - Tanuljunk meg programozni Python nyelven
- Python Anaconda modul
Vizsga
Tételsor
2016
Magyar
- Valószínűségszámítás alapjai:
- Valószínűségi változó, Feltételes valószínűség, Sűrűségfüggvény, eloszlásfüggvény
- Normál eloszlás, Várható érték, szórás, momentumok
- Kovariancia, korreláció
- Statisztika alapjai
- Leíró statisztikák
- Várható érték, szórás, kovariancia, korreláció (mit mutat meg, hogyan becsüljük)
- Autokovariancia, autokorreláció (mit mutat meg, hogyan becsüljük)
- Hipotéziselmélet
- Leíró statisztikák
- Fehér zaj tulajdonságai
- Regresszió
- Lineáris
- Legkisebb négyzetek módszere (érintőlegesen)
- Lineáris
- Idősor elemzés alapjai
- Sztochasztikus modell (alapja), stacionaritás
- Simítási eljárások
- Moving average
- Determinisztikus modellek
- Periodicitás meghatározása: periodogram
- Trend meghatározása: regresszió
- ARIMA modellcsalád
- AR(p), MA(q), ARMA(p, q)
- Paraméterek illesztése: ACF, PACF vizsgálata
- Autoregresszív heteroszkedasztikus modellek
- ARCH alapjai
- GARCH alapjai
- Nem paraméteres előrejelzés
- Nem paraméteres regresszió, lokális átlagolás, hiba dekompozíció
- K-NN, kernel, partíciós módszer
- Kevert szakértők
Angol
- Basic of probability theory:
- Random variable, Conditional probability, Density function, Distribution function
- Normal distribution, Expected value, Deviation, Momentums
- Covariance, Correlation
- Basic of statistics
- Describing statistics
- Expected value, Deviation, Covariance, Correlation (what show us, how can we estimate)
- Autocovariance, Autocorrelation (what show us, how can we estimate)
- Hyphotesis theory
- Describing statistics
- White noise features
- Regression
- Linear
- Least square errors method (partly)
- Linear
- Basic of time series analysis
- Stochastic model (basic), stacionarity
- Smoothing processes
- Moving average
- Deterministic models
- Determination of periodicity: periodogram
- determination of trend: regression
- ARIMA model family
- AR(p), MA(q), ARMA(p, q)
- Fitting parameters: ACF, PACF analysis
- Autoregressive heteroskedasticity models
- Basic of ARCH
- Basic of GARCH
- Non-parametric forecasting
- Non-parametric regression, local averaging, error decomposition
- K-NN, kernel, partition method
- Mixed experts