„Algoritmikus tőzsdei folyamat-előrejelzés” változatai közötti eltérés

A VIK Wikiből
Ugrás a navigációhoz Ugrás a kereséshez
a
40. sor: 40. sor:
 
=== Tételsor ===
 
=== Tételsor ===
 
{{Rejtett
 
{{Rejtett
−
|mutatott='''2016'''
+
|mutatott='''2016 - magyar'''
 
|szöveg=
 
|szöveg=
 
#Valószínűségszámítás alapjai:
 
#Valószínűségszámítás alapjai:
72. sor: 72. sor:
 
##K-NN, kernel, partíciós módszer
 
##K-NN, kernel, partíciós módszer
 
##Kevert szakértők
 
##Kevert szakértők
 +
}}
 +
{{Rejtett
 +
|mutatott='''2016 - 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
 +
##Finishing 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 2016. június 15., 07:39-kori változata

Algoritmikus tőzsdei folyamat-előrejelzés
Tárgykód
VISZM107
Általános infók
Szak
MSC gazdinfo
Kredit
6
Ajánlott félév
tavasz
Keresztfélév
nincs
Tanszék
VIK-SZIT
Követelmények
Jelenlét
ajánlott
Labor
hetente
KisZH
nincs
NagyZH
nincs
Házi feladat
4 db
Vizsga
szóbeli
Elérhetőségek

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.
  • Vizsgaidőszakban szóbeli vizsga.

Segédanyagok

Hivatalos jegyzet

Ajánlott honlapok

Python

Vizsga

Tételsor

2016 - magyar
  1. Valószínűségszámítás alapjai:
    1. Valószínűségi változó, Feltételes valószínűség, Sűrűségfüggvény, eloszlásfüggvény
    2. Normál eloszlás, Várható érték, szórás, momentumok
    3. Kovariancia, korreláció
  2. Statisztika alapjai
    1. Leíró statisztikák
      1. Várható érték, szórás, kovariancia, korreláció (mit mutat meg, hogyan becsüljük)
      2. Autokovariancia, autokorreláció (mit mutat meg, hogyan becsüljük)
    2. Hipotéziselmélet
  3. Fehér zaj tulajdonságai
  4. Regresszió
    1. Lineáris
      1. Legkisebb négyzetek módszere (érintőlegesen)
  5. Idősor elemzés alapjai
    1. Sztochasztikus modell (alapja), stacionaritás
    2. Simítási eljárások
      1. Moving average
  6. Determinisztikus modellek
    1. Periodicitás meghatározása: periodogram
    2. Trend meghatározása: regresszió
  7. ARIMA modellcsalád
    1. AR(p), MA(q), ARMA(p, q)
    2. Paraméterek illesztése: ACF, PACF vizsgálata
  8. Autoregresszív heteroszkedasztikus modellek
    1. ARCH alapjai
    2. GARCH alapjai
  9. Nem paraméteres előrejelzés
    1. Nem paraméteres regresszió, lokális átlagolás, hiba dekompozíció
    2. K-NN, kernel, partíciós módszer
    3. Kevert szakértők
2016 - angol
  1. Basic of probability theory:
    1. Random variable, Conditional probability, Density function, Distribution function
    2. Normal distribution, Expected value, Deviation, Momentums
    3. Covariance, Correlation
  2. Basic of statistics
    1. Describing statistics
      1. Expected value, Deviation, Covariance, Correlation (what show us, how can we estimate)
      2. Autocovariance, Autocorrelation (what show us, how can we estimate)
    2. Hyphotesis theory
  3. White noise features
  4. Regression
    1. Linear
      1. Least square errors method (partly)
  5. Basic of time series analysis
    1. Stochastic model (basic), stacionarity
    2. Finishing processes
      1. Moving average
  6. Deterministic models
    1. Determination of periodicity: periodogram
    2. determination of trend: regression
  7. ARIMA model family
    1. AR(p), MA(q), ARMA(p, q)
    2. Fitting parameters: ACF, PACF analysis
  8. Autoregressive heteroskedasticity models
    1. Basic of ARCH
    2. Basic of GARCH
  9. Non-parametric forecasting
    1. Non-parametric regression, local averaging, error decomposition
    2. K-NN, kernel, partition method
    3. Mixed experts
A lap eredeti címe: „https://wiki.sch.bme.hu/index.php?title=Algoritmikus_tőzsdei_folyamat-előrejelzés&oldid=189907”