Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Autoři: Ing. Patrice Marek, KMA, FAV – ZČU Ing. Martina Neumanová, KMA, FAV – ZČU Ing. Kateřina Vokáčová, KMA, FAV – ZČU Tento projekt byl financován z.

Podobné prezentace


Prezentace na téma: "Autoři: Ing. Patrice Marek, KMA, FAV – ZČU Ing. Martina Neumanová, KMA, FAV – ZČU Ing. Kateřina Vokáčová, KMA, FAV – ZČU Tento projekt byl financován z."— Transkript prezentace:

1 Autoři: Ing. Patrice Marek, KMA, FAV – ZČU Ing. Martina Neumanová, KMA, FAV – ZČU Ing. Kateřina Vokáčová, KMA, FAV – ZČU Tento projekt byl financován z Fondu pro rozvoj vysokých škol

2 Obsah prezentace  Zadání semestrálních prací  Obecný postup při vypracovávání  Na co si dávat pozor  Vzorové analýzy  Proč vznikly a kde je naleznete  Dokumenty tvořící analýzy a jejich provázanost  Predikce nezaměstnanosti v Plzeňském kraji  Předpověď kurzů měn a akcií Obsah prezentace

3  Jedno zadání neexistuje.  Každý student dostane své vlastní zadání, které bude schváleno vyučujícím  Cílem semestrálních prací – sestavit matematický či statistický model nad reálnými daty, řešící zadaný problém Zadání semestrálních prací

4 Obsah prezentace 1. Specifikace problému  Popis problému – zdroj problému, současný stav, východiska řešení  Popis zdroje dat  Popis možných variant řešení  Výběr jedné z variant a jeho zdůvodnění 2. Řešení problému  Podrobný popis vybrané varianty, její úzká místa  Popis vstupních dat  Kritika datových zdrojů, a dat samotných  Kvantifikace a verifikace modelu Obecný postup při vypracovávání

5 Obsah prezentace  Diskuse nesouladů mezi technickým a fundamentálním modelem 3. Kalkulace nákladů vypracování této analýzy  Bude uvedena na závěr 4. Součástí analýzy může být i programové řešení problému  V případě že existuje – doložit 5. Zdrojová data  Budou dodána se semestrální prací v elektronické podobě (*.xls, *.csv, *.txt,*.htm), případně včetně výpočtů a postupů úprav. Obecný postup při vypracovávání

6 Obsah prezentace  Důsledně uvádějte zdroje dat  Např.: Zdrojem dat je ČSÚ [1]  [1] Metodika ČSÚ: D4D5B/$File/310107q2-2.pdf D4D5B/$File/310107q2-2.pdf  Popisovat metodiku měření dat  K jakému datu jsou hodnoty platné  Zdůvodňovat u vybrané varianty řešení proč jste ji vybrali Na co si dávat pozor

7 Vzorové analýzy  Proč vznikly  Chyběl ukázkový studijní materiál s metodickými pokyny  Vybraná témata  Předpověď kurzů měn a akcií na jeden, dva až tři kotační dny  Predikce nezaměstnanosti v Plzeňském kraji  Kde je naleznete  V elektronické podobě -  V papírové podobě spolu s CD – v knihovně pod názvy  Předpověď kurzů měn a akcií na jeden, dva až tři kotační dny  Predikce nezaměstnanosti v Plzeňském kraji Vzorové analýzy

8  Dokumenty tvořící vzorové analýzy: Vzorová práce MRF xxx.pdf obsahuje  Vzorové vypracování semestrální práce  Barevně odlišené metodické pokyny na co si dávat pozor, na co nezapomenout,  Metodické pokyny jak při analýze postupovat, na co dávat pozor  Odkazy na přednášky MRF a jiných předmětů  Adresář Excel obsahuje soubor(y) se:  Vstupními daty, transformací dat  Kvantifikací a verifikací modelu  Aplikací modelu  Obsahuje podklady pro vypracování xxx.pdf souboru Vzorové analýzy

9 1. Zadání 2. Popis problematiky 3. Navržená řešení problému 4. Vybrané řešení 5. Kvantifikace modelu 6. Verifikace modelu 7. Závěr Predikce nezaměstnanosti v PK Obsah

10 Předmětem této studie je sestavení kauzálního modelu vývoje nezaměstnanosti v některých okresech Pzeňského kraje. Tento model bude popisovat toky nezaměstnaných mezi okresy. Hlavním cílem je provedení predikce počtu nezaměstnaných v jednotlivých okresech pro nejbližší 3 roky na základě sestaveného kauzálního modelu. 1.Zadání Predikce nezaměstnanosti v PK

11  Popis jakým způsobem se dá nezaměstnanost měřit – ukazatele nezaměstnanosti  Mírou nezaměstnanosti  Počty nezaměstnaných  Souvislosti, závislosti mezi jednotlivými ukazateli  Popis způsobů měření v realitě, zdroj 2.Popis problematiky Predikce nezaměstnanosti v PK

12  Sestavit lineární regresní kauzální model  N Okres t - počet nezaměstnaných v daném okrese v čase t  Koeficienty matice A - charakterizují velikost toků mezi okresy  Modifikací tohoto modelu můžeme určit velikost míry nezaměstnanosti 3.Navržená řešení Predikce nezaměstnanosti v PK

13  Model, ve kterém bude k predikci hodnot nezaměstnanosti využita časová řada 1.Pro počet nezaměstnaných v okrese PM (N PM ), bude sestavena časová řada. 2.Bude sestaven kauzální model pro zbylé okresy: N PJ = a 1 N PM + b 1 N PS = a 2 N PM + b 2 N Rokycany = a 3 N PM + b 3 3.Navržená řešení Predikce nezaměstnanosti v PK

14  Vhodnější je 1. varianta řešení  Důvody:  Splňuje veškeré požadavky zadání – lépe popisuje toky mezi okresy  Menší výpočetní složitost (při použití časové řady – specifikace sezónnosti - tím vzrůstá složitost tohoto řešení  Výhoda – vícestranná využitelnost – modelace míry nezaměstnanosti transformací modelu 4.Vybrané řešení Predikce nezaměstnanosti v PK

15  Sestavení lineárních regresních modelů pro jednotlivé okresy nad reálnými daty – využití metody nejmenších čtverců  Z vypočtených koeficientů a odvozených vztahů pro tok z okresu i do j platí: 5.Kvantifikace modelu Predikce nezaměstnanosti v PK

16  Kvantifikovaný model toků má pak tvar 5.Kvantifikace modelu Predikce nezaměstnanosti v PK

17  Ekonomická verifikace – ověření, zda výsledky dávají smysl i z ekonomického hlediska  Matice A má statisticky významné prvky vždy na diagonále - potvrzuje vlastnost, že vývoj nezaměstnanosti v okrese nejvíce ovlivňuje předchozí počet nezaměstnaných v tomto okrese. Prvky mimo diagonálu ukazují, že se mezi okresy nachází tok. 6.Verifikace modelu Predikce nezaměstnanosti v PK

18  Statistická verifikace  Statistická významnost - regresní koeficienty modelu jsou statisticky významné  Koeficienty determinace R 2, vícenásobné determinace R 2 v jsou statisticky významné a nabývají vysokých hodnot 6.Verifikace modelu Predikce nezaměstnanosti v PK

19  Ekonometrická verifikace – prověření předpokladů MNČ  prověření multikolinearity  sloupce matice A jsou lineárně nezávislé  test heteroskedasticity  Rezidua nevykazují žádnou funkční závislost nárůstu či poklesu svých velikostí  test autokorelace náhodných složek  byl proveden D-W test na existenci autokorelace 1. řádu korelace prvního řádu náhodných složek se nevyskytuje. 6.Verifikace modelu Predikce nezaměstnanosti v PK

20  Na základě prověření hodnot predikce s realitou bylo zjištěno, že model poskytuje dobrou roční (průměrnou) predikci vývoje počtu nezaměstnaných i tendence vývoje.  Model odhalil jen málo toků mezi okresy. To může být způsobeno nedostatečným množstvím bazických dat, nad kterými byl model sestaven. 7.Závěr Predikce nezaměstnanosti v PK

21 Vzorové analýzy 1. Zadání 2. Popis problematiky 3. Navržená řešení problému 4. Výsledky modelů 5. Závěr Předpověď kurzů měn a akcií Obsah

22  Sestavte lineární model pro předpověď kurzů měn a akcií na jeden dva až tři kotační dny.  Zpracování modelu  Metody identifikace parametrů  Ověření na kurzu USD k CZK, EUR k CZK, indexu PX a kurzu akcií ČEZ.  Diskuse možností takových modelů. 1.Zadání Předpověď kurzů měn a akcií

23  Neexistuje žádný univerzální model.  Odhadnutá hodnota má velmi široký interval spolehlivosti.  Přesný odhad budoucí hodnoty není příliš reálný, proto bude v této práci věnována pozornost především odhadu budoucího růstu a poklesu kurzu. 2.Popis problematiky Předpověď kurzů měn a akcií

24  ARMA modely  Řady musí být transformovány a diferencovány  Předpovědi mají velmi široké intervaly spolehlivosti  Potřeba specielního softwaru pro odhady – např. Statistica  V práci není používáno vzhledem k nevhodnosti 3.Navržená řešení Předpověď kurzů měn a akcií

25  Odhad trendu řady  Nejdříve je prováděn výběr trendu – ve všech případech byl nejvhodnější exponenciální trend  Pro použití MNČ je nutné model transformovat (zlogaritmovat)  Koeficienty netransformovaného modelu lze odhadnout metodou maximální věrohodnost (např. pomocí Statistica 7.0)  Vhodné především pro odhad dlouhodobého trendu, na krátkou dobu není vhodné. 3.Navržená řešení Předpověď kurzů měn a akcií

26  Odhad změn kurzů  Z minulých hodnot je odhadována změna na následující dny  Kurz klesne o p% a více → investor realizuje prodej nakrátko  Kurz vzroste o p% a více → investor dnes koupí a zítra prodá  Kurz bude v tolerančním pásmu (-p%, p%) → investor čeká  Hodnota p je stanovena dle poplatků za provedené obchody  Budoucí vývoj je stanoven pomocí trinomického rozdělení  K předpovědi je používáno n posledních hodnot  Poté jsou odhadovány pravděpodobnosti výskytu n+1 hodnot, kdy jako poslední hodnota jsou vyzkoušeny všechny tři možnosti 3.Navržená řešení Předpověď kurzů měn a akcií

27  Klouzavé průměry  Lze použít k vyrovnávání časové řady – zde předpověď = vyrovnaná hodnota  V práci jsou použity následující klouzavé průměry  Klasický klouzavý průměr  Klouzavý průměr s lineárně klesajícími váhami  Klouzavý průměr s exponenciálně klesajícími váhami  Předpovědi použity pro odhady a růsty kurzů – předpokladem je, že by se kurz od svého klouzavého průměru neměl příliš vzdalovat 3.Navržená řešení Předpověď kurzů měn a akcií

28  Odhad trendu řady – ukázka ČEZ  V případě odhadu pomocí MNČ je chyba oproti metodě maximální věrohodnosti velmi vysoká  Nelze vyčíst kolísání v případě dnů, o které jde především 4.Výsledky modelů Předpověď kurzů měn a akcií

29  Odhad změn kurzů – ukázka odhadu na 2 dny  Uvedené hodnoty X : Y : Z  X = správná předpověď  Y = chyba A, tj. předpověď a skutečnost se liší v jednom stavu (např. místo růstu je předpovídáno setrvání v tolerančním pásmu)  Z = chyba B, tj. předpověď a skutečnost je opačná (místo růstu pokles a opačně)  Nepříliš spolehlivé předpovědi (většina správných o setrvání v tolerančním pásmu) 4.Výsledky modelů 3 Hodnoty5 Hodnot10 Hodnot15 Hodnot ČEZ14:12: 313:15: 112:15: 29:16: 4 PX15:11: 316:11: 210:15: 46:16: 7 EUR23: 6: 0 25: 4: 0 USD14:15:013:13: 310:14: 54:14:10 Předpověď kurzů měn a akcií

30  Klouzavé průměry pro odhad růstů a poklesů  Opět jsou uvažovány tři oblasti (růst o p% a více, pokles o p% a více, setrvání v tolerančním pásmu)  Ukázka je v následující tabulce (správně : chyba A : chyba B)  Předpovědi u akcií nejsou příliš spolehlivé  V případě měn nejsou dostatečné pohyby a správné předpovědi se týkají především setrvání v tolerančním pásmu 4.Výsledky modelů Klasický MAMA s lin. váhamiMA s exp. váhami ČEZ35:51:1437:50:1345:45:10 PX57:36: 760:37: 365:34: 1 EUR91: 9 :092: 8: 0 USD70:29: 174:26: 075:25: 0 Předpověď kurzů měn a akcií

31  Předpovědi nejsou v žádném případě příliš spolehlivé  Odhad trendu a klouzavé průměry jsou vhodné především pro delší časové období  Odhady růstů/poklesů/setrvání jsou vhodné pro krátké časové úseky, předpovědi ale nejsou velmi úspěšné  V případě reálné studie by muselo být provedeno mnohem více testů, výsledek by byl pravděpodobně ale stejný. Předpověď kurzů měn a akcií 4.Závěr5.Závěr


Stáhnout ppt "Autoři: Ing. Patrice Marek, KMA, FAV – ZČU Ing. Martina Neumanová, KMA, FAV – ZČU Ing. Kateřina Vokáčová, KMA, FAV – ZČU Tento projekt byl financován z."

Podobné prezentace


Reklamy Google