Παρουσίαση/Προβολή

Διδάσκοντες

Καθηγητής Αχιλλέας Ζαπράνης

zapranis@uom.edu.gr

http://sites.uom.gr/zapranis/

Επίκουρος Καθηγητής Τζιογκίδης Παναγιώτης

tziogkidisp@uom.edu.gr

Μαθησιακοί στόχοι

Η κατανόηση του θεωρητικού υπόβαθρου πίσω από τις πλέον προηγμένες τεχνικές πρόβλεψης που παρουσιάζονται κατά την διάρκεια του μαθήματος, και η απόκτηση των απαραίτητων δεξιοτήτων για την αποτελεσματική εφαρμογή τους σε πραγματικές χρηματοοικονομικές εφαρμογές.

Περιεχόμενο μαθήματος

ΜΕΡΟΣ Α: ΠΑΡΑΜΕΤΡΙΚΗ ΕΚΤΙΜΗΣΗ (ΔΙΑΛΕΞΕΙΣ 1 – 6, Π. ΤΖΙΟΓΚΙΔΗΣ)

Εβδομάδα 1: ΕΙΣΑΓΩΓΗ ΣΤΗ ΠΡΟΒΛΕΨΗ

• Εισαγωγή στα υποδείγματα μέσου, γραμμικής τάσης, τυχαίου περιπάτου και γεωμετρικού τυχαίου περιπάτου.
• Τρία είδη πρόβλεψης: οι χρονικοί ορίζοντες εκτίμηση, επικύρωσης και η μελλοντική περίοδος. Εφαρμογές στους Η/Υ.

Εβδομάδα 2: Η ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

• Εισαγωγή στην ανάλυση παλινδρόμησης.
• Σύγκριση υποδειγμάτων.
• Η χρήση του σταθερού όρου.
• Διαχείριση ακραίων παρατηρήσεων.
• Ο λογαριθμικός μετασχηματισμός.
• Εφαρμογές στους Η/Υ.

Εβδομάδα 3: ΠΑΛΙΝΔΡΟΜΗΣΗ ΜΕ ΧΡΟΝΟΛΟΓΙΚΑ ΥΠΟΔΕΙΓΜΑΤΑ

• Χρήση μεταβλητών με χρονική υστέρηση και διαφοροποίηση.
  Αυτοσυσχέτιση και ετεροσυσχέτιση.
• Προσαρμογή χρονολογικού υποδείγματος παλινδρόμησης.
• Εφαρμογές στους Η/Υ.

Εβδομάδα 4: ΠΡΟΣΘΕΤΑ ΥΠΟΔΕΙΓΜΑΤΑ ΠΑΛΙΝΔΡΟΜΗΣΗΣ

• Το εκθετικό υπόδειγμα. Υπόδειγμα (απόλυτης) μεταβολής.
• Υπόδειγμα ποσοστιαίας μεταβολής.
• Αυτοπαλίνδρομο υπόδειγμα.
• Διαφοροποιήσιμο αυτοπαλίνδρoμο υπόδειγμα.
• Υποδείγματα γραμμικής και εκθετικής τάσης.
• Εφαρμογές στους Η/Υ.

Εβδομάδα 5: ΕΙΣΑΓΩΓΗ ΣΤΑ ΥΠΟΔΕΙΓΜΑΤΑ ARIMA

• Εισαγωγή: μη-εποχικά ARIMA υποδείγματα.
• Προσδιορισμός βαθμού διαφοροποίησης.
• Βαθμοί διαδικασίας MA και AR.
• Η εκτίμηση των υποδειγμάτων ARIMA.
• Εφαρμογές στους Η/Υ.

Εβδομάδα 6: ΒΗΜΑΤΑ ΕΠΙΛΟΓΗΣ ΥΠΟΔΕΙΓΜΑΤΟΣ ΠΡΟΒΛΕΨΗΣ

• Η προβλεπτική ικανότητα υποδείγματος.
• Δείκτες πρόβλεψης.
• Σύγκριση υποδειγμάτων.
• Μελέτη περίπτωσης.

ΜΕΡΟΣ Β: ΜΗ ΠΑΡΑΜΕΤΡΙΚΗ ΕΚΤΙΜΗΣΗ (ΔΙΑΛΕΞΕΙΣ 7 – 12, Α. ΖΑΠΡΑΝΗΣ)

Εβδομάδα 7: ΠΡΟΒΛΕΠΟΝΤΑΙ ΟΙ ΑΠΟΔΟΣΕΙΣ;

7^Α. ΘΕΩΡΙΑ

• Αποτελεσματικές αγορές – ορισμός
• Έλεγχοι αποτελεσματικότητας
• Πρόβλεψη τιμών ή αποδόσεων;
• Το μοντέλο Martingale
• Τυχαίος περίπατος και οι σχετικοί έλεγχοι
• Είναι οι αποδόσεις προβλέψιμες;

Αναγνώσματα (§ = προαιρετικό):

• Campbell, J., Lo, A., McKinley, A. (1997), The Econometrics of Financial Markets, Princeton: από το Κεφάλαιο 1 την ενότητα 1.5 και από το Κεφάλαιο 2 τις ενότητες 2.1 έως και 2.4 (§2.5-2.8).
• §Fama, E., M. Blume, (1966), “Filter rules and stock market trading”, The Journal of Business, Vol. 39, No. 1, Part 2: Supplement on Security Prices, p.p. 226-241.
• §Jegadeesh, N., S. Titman, (1993), “Returns to buying winners and selling losers: Implications for stock market efficiency”, The Journal of Finance, Vol. 48, No. 1, p.p. 65-91.
• §Neftci, S., A. Policano, (1984), “Can chartists outperform the market? Market efficiency tests for technical analysis’, The Journal of Futures Markets, Vol. 4, p.p. 465-478.

Εβδομάδα 8: ΣΤΑΤΙΣΤΙΚΟ ΥΠΟΒΑΘΡΟ ΚΑΙ ΑΠΟΔΟΣΕΙΣ

8^Α. ΘΕΩΡΙΑ

• Στατιστικό υπόβαθρο
• Τιμές, αποδόσεις και ανατοκισμός
• Η οριακή, υπό συνθήκη και κοινή κατανομή των αποδόσεων
• Έλεγχοι κανονικότητας

Αναγνώσματα (§ = πραιρετικό):

• §Fama, E., R. Role, (1971), “Parameter estimates for symmetric stable distributions”, Journal of the American Statistical Association, Vol. 66, No. 334, p.p. 331-338.
• §Simkowitz, M., W. Beedles, (1980), “Asymmetric stable distributed security returns”, Journal of the American Statistical Association, Vol. 75, No. 370, p.p. 306-312.

8^Β. ΕΡΓΑΣΤΗΡΙΟ

Tutorial: Οι βασικές λειτουργίες του MATLAB 6.5

Εβδομάδα 9: a. ΜΗ ΓΡΑΜΜΙΚΟΤΗΤΕΣ ΣΤΑ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΑ ΔΕΔΟΜΕΝΑ

1. b. ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΤΗΣ ΔΙΑΚΥΜΑΝΣΗΣ ΜΕ GARCH

9^Α. ΘΕΩΡΙΑ

• Μη γραμμικές δομές σε μονομεταβλητές χρονικές σειρές
• Μοντέλα μεταβαλλόμενης μεταβλητότητας
• Μη παραμετρική εκτίμηση
• Τα νευρωνικά δίκτυα οπισθοδιάδοσης ως μη παραμετρική προσέγγιση εκτίμησης

Αναγνώσματα (§ = προαιρετικό):

• Ζαπράνης, Α. (2005), Χρηματοοικονομική και Νευρωνικά Συστήματα, Αθήνα, Κλειδάριθμος: Κεφάλαια 1, 7.

• §Campbell, J., Lo, A., McKinley, A. (1997), The Econometrics of Financial Markets, Princeton: από το Κεφάλαιο 12 η ενότητα12.4.
• §Hsieh, D., (1991), “Chaos and nonlinear dynamics: Application to financial markets”, The Journal of Finance, Vol. 46, No. 5, p.p. 1839-1877.
• §Ζαπράνης, Α., Α. Ρεφενές, (2000), «Νευρωνικά δίκτυα και διαχείριση διαθεσίμων», Συλλογικός τόμος προς τιμή του καθηγητή Δημήτρη Κοδοσάκη, Οικονομικό Πανεπιστήμιο Πειραιώς.

9^Β. ΕΡΓΑΣΤΗΡΙΟ

Εκτίμηση ενός μοντέλου GARCH με το MATLAB 6.5

Εβδομάδα 10: ΜΗ ΠΑΡΑΜΕΤΡΙΚΗ ΕΚΤΙΜΗΣΗ - ΝΕΥΡΩΝΙΚΑ ΜΟΝΤΕΛΑ

10^Α. ΘΕΩΡΙΑ

• Βιολογικά και τεχνητά νευρωνικά δίκτυα
• Κατηγοριοποίηση νευρωνικών δικτύων, μοντέλα συνδεσιμότητας
• Ο κανόνας δέλτα, δίκτυα οπισθοδιάδοσης
• Γενικευμένος κανόνας δέλτα
• Γεωμετρική ερμηνεία οπισθοδιάδοσης
• Παράμετροι εκπαίδευσης

Αναγνώσματα (§ = προαιρετικό):

• Ζαπράνης, Α. (2005), Χρηματοοικονομική και Νευρωνικά Συστήματα, Αθήνα, Κλειδάριθμος: Κεφάλαια 2, 3.

• §Refenes, A., Y. Bentz, D. W. Bunn, A. N. Burgess, A. D. Zapranis, (1997), “Financial time series modeling with discounted least squares backpropagation”, Neurocomputing, Vol. 14, p.p. 123-138.
• §Zapranis, A., G. Haramis, (2001), “Obtaining locally identified models: The irrelevant connection elimination scheme”, in the Proceedings of HERCMA Conference, Athens, September 2001.
• §Zapranis, A., S. Sivridis, (2003), “Extending Vasicek with neural regression”, Neural Networks World, Vol. 2, p.p. 187-209.

10^Β. ΕΡΓΑΣΤΗΡΙΟ

Εκμάθηση του Neural Networks Toolbox του MATLAB 6.5

Εφαρμογή σε προσομοιωμένα δεδομένα

Εβδομάδα 11: Η ΔΙΑΔΙΚΑΣΙΑ ΚΑΤΑΣΚΕΥΗΣ ΝΕΥΡΩΝΙΚΩΝ ΥΠΟΔΕΙΓΜΑΤΩΝ

11^Α. ΘΕΩΡΙΑ

• Στάδια στη διαδικασία κατασκευής νευρωνικών υποδειγμάτων
• Προεπεξεργασία δεδομένων
• Επιλογή της αρχιτεκτονικής του νευρωνικού δικτύου
• Επιλογή παραμέτρων του αλγορίθμου εκπαίδευσης
• Το πρόβλημα της γενίκευσης

Αναγνώσματα (§ = προαιρετικό):

• Ζαπράνης, Α. (2005), Χρηματοοικονομική και Νευρωνικά Συστήματα, Αθήνα, Κλειδάριθμος: Κεφάλαια 4, 5.

• §Zapranis, A. and Refenes A. (1999), Principles of Neural Model Identifications, Selection and Adequacy: With Applications to Financial Econometrics, London, Springer-Verlag: Κεφάλαια 4, 5, 6.
• §Anders, U., O. Korn, (1999), “Model selection in neural networks”, Neural Networks, Vol. 12, p.p. 309,323.
• §Kaastra, I., M. Boyd, (1996), “Designing a neural network for forecasting financial and economic time series”, Neurocomputing, Vol. 10, p.p. 215-236.

11^Β. ΕΡΓΑΣΤΗΡΙΟ

Επίδειξη των λειτουργιών του BpSim (έκδοση MATLAB 6.5)

Ανάπτυξη χρηματοοικονομικής εφαρμογής

Εβδομάδα 12: ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΠΡΟΒΛΕΨΗΣ

12^Α. ΘΕΩΡΙΑ

• Επιλογή του νευρωνικού μοντέλου
• Εκτίμηση της σχετικής σπουδαιότητας των εξωγενών μεταβλητών
• Έλεγχος της επάρκειας του υποδείγματος
• Αξιολόγηση της ικανότητας πρόβλεψης του δικτύου
• Εκτίμηση της αβεβαιότητας της πρόβλεψης
• Ανάλυση Ευαισθησίας

Αναγνώσματα (§ = προαιρετικό):

• Ζαπράνης, Α. (2005), Χρηματοοικονομική και Νευρωνικά Συστήματα, Αθήνα, Κλειδάριθμος, Κεφάλαια 6, 8, 9, και από το Κεφάλαιο 10 οι ενότητες 10.1, 10.2.
• §Zapranis, A. and Refenes A. (1999), Principles of Neural Model Identifications, Selection and Adequacy: With Applications to Financial Econometrics, London, Springer-Verlag: Κεφάλαιο 7.
• §Refenes, A., A. Zapranis, (1999), “Neural model identification, variable selection and model adequacy”, Journal of Forecasting, Vol. 18, p.p. 299-332.
• §Refenes, A., A. Zapranis, and G. Francis, (1994), “Stock performance modelling using neural networks: A comparative study with regression models”, Neural Networks, Vol. 7, p.p.375-388.
• §Zapranis, A., S. Livanis, (2005), “Handling prediction uncertainty of neural network models”, WSEAS Transactions on Computers, Issue 7, Vol. 4.

12^Β. ΕΡΓΑΣΤΗΡΙΟ

Χρήση του BpSim (έκδοση MATLAB 6.5) για τον υπολογισμό διαστημάτων εμπιστοσύνης και πρόβλεψης.

Ανάπτυξη χρηματοοικονομικής εφαρμογής.

Εβδομάδα 13: ΕΞΕΤΑΣΗ (ΣΤΟ ΕΡΓΑΣΤΗΡΙΟ)

Μέθοδοι διδασκαλίας

Το μάθημα περιλαμβάνει 12 διαλέξεις 150 λεπτών. Στους φοιτητές μοιράζονται στην αρχή του μαθήματος αντίγραφα των διαφανειών που χρησιμοποιούνται σε κάθε διάλεξη καθώς και τα προαιρετικά αναγνώσματα. Το υλικό αυτό είναι διαθέσιμο και σε ηλεκτρονική μορφή μέσω του eclass.

Βιβλιογραφία

• Campbell, J., Lo, A., McKinley, A. (1997), The Econometrics of Financial Markets, Princeton.
• Ζαπράνης, Α. (2005), Χρηματοοικονομική και Νευρωνικά Συστήματα, Αθήνα, Κλειδάριθμος.
• Zapranis, A. and Refenes A. (1999), Principles of Neural Model Identifications, Selection and Adequacy: With Applications to Financial Econometrics, London, Springer-Verlag.
• Zapranis, A. (2005), Readings in Neural Networks and their Financial Applications.

Μέθοδοι αξιολόγησης

Ο βαθμός του μαθήματος εξάγεται από 2 υποχρεωτικές εργασίες (70%) και την τελική εξέταση η οποία πραγματοποιείται στο εργαστήριο (30%). Οι προθεσμίες για την παράδοση των εργασιών ανακοινώνονται από τους διδάσκοντες κατά την διάρκεια του μαθήματος.