Modul: Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung. Leseprobe
|
|
- Achim Brinkerhoff
- vor 6 Jahren
- Abrufe
Transkript
1 Prof. Dr. Hermann Singer Modul: Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung Kurs: Version vom 10/2004 Überarbeitet am 10/2015 Leseprobe
2 Inhaltsverzeichnis 1 Überblick Zeitreihenanalyse Übungen mit EViews Zeitreihen vs. Querschnittsdaten Zeitreihen und stochastische Prozesse Querschnitte Zeitreihen Panel-Daten Zeitmittelwerte und Autokorrelation Stationarität und Ergodizität Stochastische Differenzen-Gleichungen Wold-Zerlegung, ARMA-Prozesse Wold-Zerlegung Autoregressive (AR) Prozesse Moving Average (MA)-Prozesse Autoregressive Moving Average (ARMA)-Prozesse Backshift- und Lag-Operator ACF und PACF Modell-Bildung (Identifikation) Methode von Box und Jenkins Modellselektion mit Informationskriterien Diagnostische Tests Residual-Analyse Portmanteau-Test Durbin-Watson-Test Lagrange-Multiplikator(Score)-Test ARCH-LM-Test Test auf Normalverteilung LQ, LM und Wald-Test Likelihood-Quotienten-(LQ)-Test
3 6 INHALTSVERZEICHNIS Lagrange-Multiplikator-(LM) bzw. Rao-Score-Test Wald-Test ML-Schätzung der ARMA-Parameter Beispiel: AR(1)-Prozeß AR(p)-Prozeß ARMA(p, q)-prozeß Nichtstationäre Zeitreihen ARIMA-Modelle Einheitswurzeln, Dickey-Fuller-Test Problemstellung Einfacher Dickey-Fuller-Test Regression mit AR-Fehlern und ARMAX-Modelle Regression mit autokorrelierten Fehlern ARMAX-Modelle KQ- und ML-Schätzung Heteroskedastische Modelle ARCH und GARCH Asymmetrische Ansätze: TARCH und EGARCH Threshold ARCH Exponential GARCH ARMA-GARCH und ARCH-M ML-Schätzung Stochastische Volatilität: ARV-Modelle Zustandsraum-Modelle Definition des Zustandsraum-Modells Momenten-Gleichungen und Stationarität Der Kalman-Filter-Algorithmus Abkürzungen und Bezeichnungen 169 Literaturverzeichnis 172 Index 175
4 36 KAPITEL 3. STOCHASTISCHE DIFFERENZEN-GLEICHUNGEN AR: γ k 0für k MA: γ k =0für k>q Autoregressive Moving Average (ARMA)-Prozesse ARMA- Modell Wie man sich denken kann, lassen sich die beiden Modelltypen in einem allgemeinen linearen Modellansatz vereinigen, dem ARMA(p, q)-modell: y t = φ 1 y t 1 + φ 2 y t φ p y t p + ǫ t + θ 1 ǫ t θ q ǫ t q (3.60) φ(b)y t = θ(b)ǫ t. (3.61) Dies bedeutet, daß der heutige Wert y t durch p verzögerte Werte der Zeitreihe und q verzögerte Fehlerterme erklärt wird. Durch Invertieren des Lag-Polynoms φ(b)läßt sich der ARMA(p, q)-prozeß als reiner MA( ) y t = φ(b) 1 θ(b)ǫ t = ψ l ǫ t l (3.62) l=0 oder durch Invertieren von θ(b)alsreiner AR( )schreiben θ(b) 1 φ(b)y t = π l y t l = ǫ t. (3.63) l=0 Die Koeffizienten ψ l bzw. π l ergeben sich explizit durch Invertieren der Lag- Polynome und Ausmultiplizieren. ARMA-Prozesse mit Mittelwert µ können durch Zentrieren auf y t µ analog definiert werden: oder φ(b)(y t µ) = θ(b)ǫ t (3.64) φ(b)y t = φ(1)µ + θ(b)ǫ t (3.65) := θ 0 + θ(b)ǫ t. (3.66) ARMA(1,1) Beispiel 3.5 (ARMA(1,1)-Prozeß) Der einfachste ARMA-Prozeß hat die Form y t = φy t 1 + ǫ t + θǫ t 1. (3.67) Löst man nach y t auf, so ergibt sich die MA( )-Darstellung y t = (1 φb) 1 (1 + θb)ǫ t (3.68) = (1+φB + φ 2 B )(1 + θb)ǫ t (3.69) = {1+(φ + θ)[b + φb 2 + φ 2 B ]}ǫ t. (3.70)
5 3.1. WOLD-ZERLEGUNG, ARMA-PROZESSE 37 Hierbei wurde die Taylor-Entwicklung (1 φb) 1 = (1+φB + φ 2 B (3.71) benutzt, die nur für φ < 1konvergiert (also Stationarität). In analoger Weise kann man auch nach ǫ t auflösen, d.h. diear( )-Darstellung (1 + θb) 1 (1 φb)y t = ǫ t (3.72) und die Taylor-Entwicklung für (1 + θb) 1 einsetzen (Übung). Auch hier ist die Invertierbarkeitsbedingung θ < 1 zu beachten. Die Momente und die Autokorrelation ergeben sich wie folgt: Wenn y t stationär ist mit µ = E(y t )=0,sogilt für γ 0 =Var(y t )=E(y 2 t )= E(φy t 1 + ǫ t + θǫ t 1 ) 2 = φ 2 γ 0 + σ 2 + θ 2 σ 2 +2φθE(y t 1 ǫ t 1 ). Setzt man in den letzen Term y t 1 = φy t 2 + ǫ t 1 + θǫ t 2 ein und nutzt die Unkorreliertheit der ǫ j, so ergibt sich E(y t 1 ǫ t 1 )=σ 2 und somit (1 φ 2 )γ 0 = σ 2 (1 + θ 2 +2φθ)oder γ 0 = σ 21+θ2 +2φθ 1 φ 2. (3.73) Zur Berechnung von γ 1 schreibt man Damitgilt y t φy t 1 = ǫ t + θǫ t 1 E(...y t 1 ) γ 1 φγ 0 = θe(ǫ t 1 y t 1 )=θσ 2. γ 1 = φγ 0 + θσ 2. (3.74) Die Autokovarianzen für k 2ergeben sich rekursiv aus y t φy t 1 = ǫ t + θǫ t 1 E(...y t k ) (3.75) γ k φγ k 1 = 0, (3.76) da in diesem Fall die Fehlerterme und y t k unkorreliert sind. Die Autokorrelation verhält sich also für k 2analogzum AR(1)-Prozeß und fällt exponentiell auf Null ab. Allgemein gilt somit beim ARMA(p, q) oder y t φ 1 y t 1 φ 2 y t 2... φ p y t p = ǫ t + θ 1 ǫ t θ q ǫ t q E(...y t k ) γ k φ 1 γ k 1 φ 2 γ k 2... φ p γ k p = 0 (3.77) φ(b)γ k = 0 (k>q). (3.78) Dies zeigt, daß für Zeitverschiebungen k>qdie gleichen Yule-Walker-Gleichungen wie beim AR(p)erfüllt sind.
6 38 KAPITEL 3. STOCHASTISCHE DIFFERENZEN-GLEICHUNGEN 3.2 Backshift- und Lag-Operator Backshift- Operator Dieser Abschnitt ist etwas technisch und soll die formalen Manipulationen mit dem Backshift(Lag)-Operator B und daraus abgeleiteten Differenzen kompakt darstellen. Man definiert Definition 3.1 (Operatoren) By t := y t 1 :Rückwärts (Backshift, Lag)-Operator B 1 y t := Fy t = y t+1 :Vorwärts (Lead, Forward)-Operator y t := (1 B)y t = y t y t 1 :Rückwärts-Differenz (Ableitung) := (1 B):Rückwärts-Differenzen-Operator 1 y t := (1 B) 1 y t =(1+B + B )y t = t j= y j S(B)= 1 =(1 B) 1 = j=0 B j :Summations(Integral)-Operator y t := y t+1 y t =(B 1 1)y t = y t+1 :Vorwärts-Differenz :=B 1 :Vorwärts-Differenzen-Operator 2 y t := (1 B) 2 y t = y t 2y t 1 + y t 2 :2.Ableitung Beispiel 3.6 (Polynomial-Trends) Der lineare Trend µ t = t kann durch t = t (t 1) = 1 beseitigt werden. Analog wird der quadratische Trend µ t = t 2 durch t 2 = t 2 (t 1) 2 =2t 1 und 2 t 2 =2t 1 (2(t 1) 1) = 2 zum Verschwinden gebracht. Allgemein gilt t d = t d (t 1) d = dt d und somit d t d = d!(übung). 3.3 Autokorrelation und partielle Autokorrelation (ACF, PACF) ACF SACF Die Autokorrelationsfunktion (ACF) und ihre Schätzung ˆρ k (SACF; sample autocorrelation function) kann dazu benutzt werden, bei einem Datensatz herauszufinden, welches AR- bzw. ARMA-Modell zu den Daten paßt. Es galt die Form (k>q) ρ k = A 1 λ k 1 + A 2λ k A pλ k p (3.79) wobei die Wurzeln λ i Lösungen der Gleichung φ(1/λ)=0waren(vgl. Glg. 3.77). Allerdings ist es schwierig, zwischen einem AR(p) und einem AR(p )-Prozeß zu
7 3.3. ACF UND PACF 39 partielle Autokorrelation unterscheiden, da in beiden Fällen die Autokorrelationen exponentiell bis Unendlich abfallen. Eine Idee, die hier weiterhilft, ist die sogenannte partielle Autokorrelation, d.h. die Korrelation zwischen y t und y t k unter Herauspartialisierung der Zwischenwerte y t 1,..., y t k+1.diesbedeutet, daß die reine Korrelation zwischen y t und y t k unter Berücksichtigung der Korrelationen mit den Zwischenwerten berechnet wird. Definition 3.2 (Partielle Autokorrelation PACF) Die k-te partielle Autokorrelation (PACF) ist der Koeffizient φ kk in der Gleichung y t = φ k1 y t 1 + φ k2 y t φ kk y t k + ǫ t. (3.80) Satz 3.2 (Partielle Autokorrelation PACF) Der Koeffizient φ kk ist gleich der Korrelation zwischen und y t E(y t y t 1,..., y t k+1 ) (3.81) y t k E(y t k y t 1,..., y t k+1 ). (3.82) Beweis: Gourieroux und Montfort (1997), Kap Dies heißt, daß die Zwischenwerte schon zur Prognose von y t und y t k herangezogen wurden und nur die verbleibende Restkorrelation berechnet wird. Bei einem AR(p)-Prozeß ist also φ kk =0für k>p.manschätzt daher die Koeffizienten in y t = φ 11 y t 1 + ǫ t y t = φ 21 y t 1 + φ 22 y t 2 + ǫ t... y t = φ k1 y t 1 + φ k2 y t φ kk y t k + ǫ t. Im Falle eines AR(p)-Prozesses muß ˆφ kk 0für k>pgelten. Die partielle Autokorrelation PACF nimmt also ab einer bestimmten Zeitverschiebung auf Null ab (bis auf Schätzfehler). Beispiel 3.7 (Partielle Autokorrelation) In Abb. (3.1) istrechts das geschätzte Korrelogramm SACF und die geschätzte partielle Autokorrelation SPACF (sample partial autocorrelation function) eines AR(1)-Prozesses zu sehen. Letztere fällt nach Lag 1 fast auf Null ab, während die geschätzte Autokorrelation exponentiell gegen Null geht. In Abb. (3.3)isteinAR(2)-Prozeß (links) und die zugehörige SACF bzw. SPACF zu sehen. Auch hier fällt die SPACF nach Lag 2 sofort auf Null ab, während die SACF oszillatorisch langsam gegen Null geht. Dieses Verhalten ist optisch leichter
8 40 KAPITEL 3. STOCHASTISCHE DIFFERENZEN-GLEICHUNGEN zu erkennen, besonders wenn Schätzfehler im Spiel sind. Übung: Simulieren Sie AR-Prozesse und stellen Sie die S(P)ACF graphisch dar. Achten Sie auf die statistischen Fluktuationen (Schätzfehler). In folgenden werden die PACF s für den AR(1)- und AR(2)-Prozeß explizit berechnet. Man findet: AR(1): E(y t y t 1 )=γ 1 = φ 11 γ 0 φ 11 = γ 1 /γ 0 = ρ 1 = φ φ kk =0,k 2 AR(2): γ 1 = φ 11 γ 0 φ 11 = ρ 1 γ 1 = φ 21 γ 0 + φ 22 γ 1 ; ρ 1 = φ 21 ρ 0 + φ 22 ρ 1 φ 21 =(1 φ 22 )ρ 1 γ 2 = φ 21 γ 1 + φ 22 γ 0 ; ρ 2 = φ 21 ρ 1 + φ 22 ρ 0 φ 22 = ρ 2 ρ ρ 2 1 φ kk =0,k 3 I.a. gelten wieder die Yule-Walker-Gleichungen φ(b)γ k =0oderexplizit γ k φ k1 γ k 1 φ k2 γ k 2... φ kk γ k k = 0 ρ k φ k1 ρ k 1 φ k2 ρ k 2... φ kk ρ k k = 0;k =1,..., k. Dies entspricht der Matrix-Gleichung 1 ρ 1 ρ 2... ρ k 1 φ k1 ρ 1 ρ 1 1 ρ 1... ρ k ρ 1... = ρ 2... ρ k φ kk ρ k A x = b (3.83) Auflösen nach x ergibt dann die gesuchten Koeffizienten φ kk.dieoben abgeleiteten Formeln ergeben sichalsspezialfälle für k =1und k =2(Übung). Wie schon erwähnt, müssen bei einem AR(p)-Prozeß alle partiellen Autokorrelationen für k > p verschwinden, da nur p verzögerte Werte vorliegen. Man hat also folgende Situation: ACF: geht bis,gedämpfte Schwingungen und abklingende Exponential- Terme λ k PACF: 0für k>p
9 3.3. ACF UND PACF 41 Wie sieht nun die Sache bei einem MA(q)-Prozeß aus? In Abschnitt (3.1.3) wurde schon gezeigt, daß bei einem MA(q) die Autokorrelation ab k>qexakt auf Null abfällt. Anderererseits konnte gezeigt werden, daß dies einem AR( )-Prozeß entspricht, so daß die PACF nicht ab einem Wert k max exakt auf Null abfallen kann. Es ergibt sich also eine duale Situation im Vergleich zum AR-Prozeß. Etwas genauer findet man beim MA(q): ρ k = θ k + θ k+1 θ θ q θ q k,k=1,..., q 1+θ θq 2 (3.84) ρ k = 0,k>q. (3.85) Andererseits ergibt sich durch Invertieren die AR( )-Darstellung θ(b) 1 y t = ǫ t, (3.86) so daß die PACF nicht Null sein kann ab einem Wert k max. Zusammenfassend gilt also beim MA(q): ACF: 0für k>q PACF: geht bis, gedämpfte Schwingungen und abklingende Exponential-Terme λ k. Leider ist im Falle der ARMA-Modelle kein klares Muster erkennbar, da diese, wie schon gezeigt, sowohl als AR( )als auch MA( )-Modelle dargestellt werden können. Daher fällt in diesem Fall weder die ACF noch die PACF exakt auf Null ab. Beispiel 3.8 (ACF und PACF bei MA- und ARMA-Modellen) Im letzten Beispiel wurde schon das AR(1) und AR(2)-Modell und das zugehörige Verhalten der (P)ACF diskutiert. Bild (3.4) zeigt einen simulierten MA(1)-Prozeß (links) und die zugehörigen geschätzten ACF und PACF (rechts). Deutlich ist zu sehen, daß die Autokorrelation nach Lag 1 auf Null abfällt, während die SPACF aufgrund der AR( )- Darstellung nur langsam verschwindet. Als Gleichung wurde y t = ǫ t 0.9ǫ t 1 mit Startwert y 0 =0genommen. EVIEWS-Menü-Befehle: File/Open/Workfile/armasimul.wf1 (öffne Workfile) File/Open/Program/ma1.prg (Simulations-Programm ma1 öffnen) Program: ma1/run/ (simuliere die Zeitreihe ma1) Series: ma1/view/graph/line (Linien-Graphik von ma1)
10 42 KAPITEL 3. STOCHASTISCHE DIFFERENZEN-GLEICHUNGEN Abbildung 3.4: Simulierter Pfad und geschätzte (partielle) Autokorrelation eines MA(1)-Prozesses. Series: ma1/view/correlogram (SACF und SPACF von ma1) Das Simulationsprogramm ma1 hat die Form: rndseed %0 series ma1 =%1 series z = nrnd series ma1(1) =%2 + %3*z(1) + %4*z(0) delete z Diesbedeutet, daß zuerst eine random seed den Zufallsgenerator nrnd (normalverteilte Zufallszahlen) initialisiert. Bei einer Wiederholung des Programms erhält man dann die gleiche Zeitreihe. Im gezeigten Beispiel wurde eine seed von benutzt. Zum Vergleich noch die Simulation eines ARMA(1,1) der Form y t = 0.5y t 1 + ǫ t 0.9ǫ t 1 mit Startwert y 0 =0und gleichen Zufallszahlen (Bild 3.5). EVIEWS-Menü-Befehle: File/Open/Workfile/armasimul.wf1 (öffne Workfile)
11 3.3. ACF UND PACF 43 Abbildung 3.5: Simulierter Pfad und geschätzte (partielle) Autokorrelation eines ARMA(1,1)-Prozesses. File/Open/Program/arma11.prg (Simulations-Programm arma11 öffnen) Program: arma11/run/ (simuliere die Zeitreihe arma11) Series: arma11/view/graph/line (Linien-Graphik von arma11) Series: arma11/view/correlogram (ACF und PACF von arma11) Das Simulationsprogram arma11 hat die Form: rndseed %0 series arma11 =%1 series z = nrnd series arma11(1) =%2 + %3*arma11(0) +%4*z(1) + %5*z(0) delete z Auch jetzt fällt die SACF schnell auf Null ab, was nun auch für die SPACF gilt. Aufgrund der Darstellung (1 0.5B)(1 0.9B) 1 y t = ǫ t ( B +0.36B )y t = ǫ t sieht man, daß das AR( )-Polynom schneller als beim MA(1) gegen 0 abfällt und somit auch die PACF schneller verschwindet. Dort galt ja (1 0.9B) 1 y t = ǫ t
12 Übungsaufgabe
13 KAPITEL 4. ARMA-PROZESSE UND ERWEITERUNGEN Abbildung 4.1: ACF und PACF des ARMA(1,1)-Prozesses mit φ = 0.7 und θ = 0.8 Wir haben im Fall der MA-Prozesse bereits gesehen, dass jeder nicht-invertierbare Prozess ein Gegenstück besitzt, das über dieselbe Autokorrelationsstruktur verfügt wie der ursprüngliche Prozess, aber die geforderten Bedingungen für Invertierbarkeit erfüllt. Diese Eigenschaft erstreckt sich auch auf den MA-Teil des ARMA-Prozesses. Invertierbarkeit scheint also eine eher unproblematische Eigenschaft zu sein. Bezüglich der Stationarität erwartet uns eine angenehme Überraschung. Wir wissen, dass ein MA-Prozess immer stationär ist. Wir haben weiterhin das ARMA(1,1)-Modell in (4.6) als MA( )-Modell dargestellt. Die Bedingung für Stationarität ist also dieselbe, unter der der ARMA(1,1)-Prozess in MA- Form überführt werden kann. Eine kurze Inspektion von (4.5) zeigt, dass die kritische Bedingung φ < 1 ist, da sonst die geometrische Reihenentwicklung unzulässig wäre. Das entspricht aber genau der Stationaritätsbedingung des AR(1)-Modells. Es stellt sich heraus, dass diese Eigenschaft auch für ARMA(p,q)-Modelle gilt: Ein ARMA(p, q)-prozess ist genau dann stationär, wenn sein AR-Teil die Stationaritätsbedingung erfüllt. Das bedeutet konkret, die Wurzeln des AR-Teils müssen außerhalb des komplexen Einheitskreises liegen, oder anders herum, die inversen Wurzeln (inverted roots) müssen innerhalb des komplexen Einheitskreises liegen. Aufgabe 4.1 Zeigen Sie, dass die Autokovarianzfunktion mit Lag 1 im ARMA(1,1)-Modell durch gegeben ist. γ 1 = φγ 0 +θσ 2 72
14 KAPITEL 8. LÖSUNGEN Lösungen zu Kapitel 4 Lösung 4.1 γ 1 = σ 2 (ψ 1 + = σ 2 ( ) ( ) ψ j+1 ψ j = σ 2 φ+θ+(φ+θ) 2 φ 2k 1 j=1 ) φ+θ+φ(φ+θ) 2 φ 2k k=0 ( ) = φσ 2 1+ (φ+θ)2 +θσ 2 = φγ 1 φ 2 0 +θσ 2 j=1 = σ 2 ( φ+θ+ φ(φ+θ)2 1 φ 2 ) Lösung 4.2 φ(b)y t = θ(b)ǫ t (1 φb)y t = (1+θB)ǫ t = (1 φb)ǫ t y t = ǫ t Lösung 4.3 (ǫ t ) t=0,...,6 = {0,2,1, 1, 1, 1,2} l(0.5,0,0.5,1) = = Lösung 4.4 a) (1 φb) y t = ǫ t (1 φb)(1 B)y t = ǫ t (1 B φb +φb 2 )y t = ǫ t y t = (1+φ)y t 1 φy t 2 +ǫ t 156
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrWirtschaftsmathematik Wirtschaftsstatistik
Wirtschaftsmathematik Wirtschaftsstatistik Ökonometrie ARMA-Prozesse Prof. Dr. Franz Seitz, Weiden / Dr. Benjamin R. Auer, Leipzig Neben den formalen Grundlagen von ARMA-Prozessen (Autoregressive Moving
MehrSAS Forecast Server. Copyright 2005, SAS Institute Inc. All rights reserved.
SAS Forecast Server Eine neue Lösung für automatisierte Prognosen bei großen Datenmengen Stefan Ahrens Competence Center Analytic Intelligence SAS Deutschland Copyright 2005, SAS Institute Inc. All rights
MehrFORMELSAMMLUNG. Analyse longitudinaler Daten und Zeitreihen WS 2003/04
FORMELSAMMLUNG Analyse longitudinaler Daten und Zeitreihen WS 2003/04 Inhaltsverzeichnis 1 Zeitreihenanalyse 3 1.1 Grundlagen................................ 3 1.1.1 Notation..............................
Mehr3. Einführung in die Zeitreihenanalyse
3. Einführung in die Zeitreihenanalyse Dr. Johann Burgstaller Finance Department, JKU Linz (Dieser Foliensatz wurde zuletzt aktualisiert am 25. Dezember 2007.) Dr. Johann Burgstaller IK Empirische Kapitalmarktforschung
MehrDas GARCH Modell zur Modellierung von Finanzmarktzeitreihen. Seminararbeit von Frauke Heuermann Juni 2010
Das GARCH Modell zur Modellierung von Finanzmarktzeitreihen Seminararbeit von Frauke Heuermann Juni 2010 i Inhaltsverzeichnis 0 Einleitung 1 1 Der ARCH-Prozess 1 1.1 Das ARCH(1)-Modell........................
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrMultivariate Zeitreihenanalyse mit EViews 4.1
Multivariate Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 30. Mai 2005, Redaktion: Frühwirth-Schnatter 1 Deskriptive
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrStochastische Prozesse und Zeitreihenmodelle
Kapitel 12 Stochastische Prozesse und reihenmodelle [ Stochastische Prozesse und reihenmodelle ] Einleitung:.com-Blase an der NASDAQ Department of Statistics and Mathematics WU Wien c 2008 Statistik 12
Mehr4. Zeitreihenanalyse, ARCH & GARCH
4. Zeitreihenanalyse, ARCH & GARCH Nach einführenden Bemerkungen wenden wir uns der Beschreibung von Zeitreihen zu. Die gängigen Modelle werden präsentiert. Dann werden wir uns mit der statistischen Analyse
MehrZeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX
Zeitreihenanalyse Teil III: Nichtlineare Zeitreihenmodelle Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel DAX -10-5 0 5 10 0 200 400 600 800 1000 trading day Göttingen, Januar 2008 Inhaltsverzeichnis
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
MehrPreis- und Trendvorhersagen auf Energiemarktdaten
Diplomarbeit Preis- und Trendvorhersagen auf Energiemarktdaten Oliver Heering Diplomarbeit Fakultät Informatik Technische Universität Dortmund Dortmund, 4. September 2009 Betreuer: Prof. Dr. Katharina
MehrARCH- und GARCH-Modelle
ARCH- und GARCH-Modelle Thomas Simon Analyse und Modellierung komplexer Systeme 04.11.2009 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle 04.11.2009 1 / 27 Ausgangssituation
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 01: Einführung EViews Oktober 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Anmerkung 4 Das Hilfesystem von EViews 5 Workshop
MehrAnwendung der Methoden und Modelle der Zeitreihenanalyse auf Spot- und Kraftstoffpreise
Humboldt-Universität zu Berlin Wirtschaftswissenschaftliche Fakultät Ladislaus von Bortkiewicz Chair of Statistics Anwendung der Methoden und Modelle der Zeitreihenanalyse auf Spot- und Kraftstoffpreise
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrDie Volatilität von Finanzmarktdaten
Die Volatilität von Finanzmarktdaten Theoretische Grundlagen und empirische Analysen von stündlichen Renditezeitreihen und Risikomaßen Inauguraldissertation zur Erlangung des Doktorgrades der Wirtschafts-
MehrEinsatz von SPSS-Trends bei der Regressionsanalyse mit seriell abhängigen Daten
Universitäts-Rechenzentrum rier AWS.SPSS.4 rier, den 5..998 Einsatz von SPSS-rends bei der Regressionsanalyse mit seriell abhängigen Daten EINLEIUNG 3 OLS-REGRESSION ROZ AUOKORRELIERER RESIDUEN 7. Schätz-
MehrZeitreihenanalyse mit R
Zeitreihenanalyse mit R Matti Schneider, Sebastian Mentemeier SS 2010 Inhaltsverzeichnis 1 Klassische Zeitreihenanalyse 4 1.1 Einführung...................................... 4 1.1.1 Das klassische Komponentenmodell.....................
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrZeitreihenanalyse. Prof. Dr. Hajo Holzmann Fachbereich Mathematik und Informatik, Universität Marburg. Wintersemester 2008/09 (Stand: 26.
Zeitreihenanalyse Prof. Dr. Hajo Holzmann Fachbereich Mathematik und Informatik, Universität Marburg Wintersemester 2008/09 (Stand: 26. Januar 2009) ii INHALTSVERZEICHNIS Inhaltsverzeichnis 1 Beispiele
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrDarstellung eines VAR(p)-Prozesses als VAR(1)-Prozess
Darstellung eines VAR(p)-Prozesses als VAR(1)-Prozess Definiere x t = Y t Y t 1. Y t p+1 Sylvia Frühwirth-Schnatter Econometrics III WS 2012/13 1-84 Darstellung eines VAR(p)-Prozesses als VAR(1)-Prozess
MehrTutorium zur Makroökonomik
Universität Ulm 89069 Ulm Germany Dipl. WiWi. Sabrina Böck Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Tutorium zur Makroökonomik
MehrZusammenfassung der 8. Vorlesung
Zusammenfassung der 8. Vorlesung Beschreibung und und Analyse dynamischer Systeme im im Zustandsraum Steuerbarkeit eines dynamischen Systems Unterscheidung: Zustandssteuerbarkeit, Zustandserreichbarkeit
MehrProbeklausur Zeitreihenökonometrie (Sommersemester 2014) 1
Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrTheorie und Empirie der Kaufkraftparität (23.5.)
Theorie und Empirie der Kaufkraftparität (23.5.) Text: Taylor, A., Taylor M. (2004): The Purchasing Power Debate, NBER Working Paper No. 10607 (June 2004) Fragen: 1. Beschreiben Sie in ein, zwei Sätzen,
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
MehrKlausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung
Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz und Bankwirtschaft Matrikelnummer Klausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung Prof. Dr. Marco Wilkens
MehrA First Course on Time Series Analysis with SAS - Ein Open-Source Projekt
Lehre A First Course on Time Series Analysis with SAS - Ein Open-Source Projekt Michael Falk Frank Marohn Lehrstuhl für Statistik, Universität Würzburg Lehrstuhl für Statistik, Universität Würzburg Am
MehrPRAKTIKUM REGELUNGSTECHNIK 2
FACHHOCHSCHULE LANDSHUT Fachbereich Elektrotechnik Prof. Dr. G. Dorn PRAKTIKUM REGELUNGSTECHNIK 2 1 Versuch 2: Übertragungsfunktion und Polvorgabe 1.1 Einleitung Die Laplace Transformation ist ein äußerst
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
MehrWENDEPUNKTE IN FINANZMÄRKTEN Prognose und Asset Allocation
Reihe Financial Research, Band 3: WENDEPUNKTE IN FINANZMÄRKTEN Prognose und Asset Allocation von Claus Huber 619 Seiten, Uhlenbruch Verlag, 2000 EUR 59.- inkl. MwSt. und Versand ISBN 3-933207-11-8 - -
MehrRekursionen (Teschl/Teschl 8.1-8.2)
Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 9B a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Man kann erwarten, dass der Absatz mit steigendem Preis abnimmt, mit höherer Anzahl der Außendienstmitarbeiter sowie mit erhöhten
MehrSkalare Differentialgleichungen
Kapitel 2 Skalare Differentialgleichungen 2.1 Skalare lineare Differentialgleichungen 2.2 Bernoulli und Riccati Differentialgleichungen 2.3 Differentialgleichungen mit getrennten Variablen 2.4 Exakte Differentialgleichungen
MehrDie Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation
Die Bestimmung von Value-at-Risk-Werten mit Hilfe der Monte-Carlo-Simulation Studiengang Informatik Jens Schiborowski 8. Januar 2009 Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik 1 Abstract
MehrStatistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrMonte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 014 Inhaltsverzeichnis Inhaltsverzeichnis 1 Was sind Monte Carlo Simulationen? 3 Zufallszahlen 3
MehrDynamische Modelle. 1 Ökonomische Relevanz. 2 Ökonometrische Modelle. a) Statisches Modell und Differenzenbildung
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
Mehr34 5. FINANZMATHEMATIK
34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.
MehrEinführung in die Zeitreihenanalyse mit EViews
1. Einführung 1 Reinhold Kosfeld und Matthias Türck Einführung in die Zeitreihenanalyse mit EViews 1. Einführung Das Programm "Eviews" ist ein Computerprogramm der Firma "Quantitative Micro Software" für
MehrDas RSA-Verfahren. Armin Litzel. Proseminar Kryptographische Protokolle SS 2009
Das RSA-Verfahren Armin Litzel Proseminar Kryptographische Protokolle SS 2009 1 Einleitung RSA steht für die drei Namen Ronald L. Rivest, Adi Shamir und Leonard Adleman und bezeichnet ein von diesen Personen
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrExcel-Anleitung zur Übung 1. Formeln in Excel (Auszug aus der MS Excel Hilfe)
Excel-Anleitung zur Übung 1 Diese Unterlage bezieht sich auf Excel 2003 (auf Deutsch), die Version, die auch im PC-Labor des WWZ zur Verfügung steht. Die Benutzeroberfläche kann in anderen Versionen der
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie
MehrBEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001)
AMOS - Bedienungsanaleitung 1 BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) A. Aufbau einer Inputdatei (Excel-Arbeitsblatt), welche eine Kovarianz- bzw. Korrelationsmatrix
Mehr2.5.2 Selbstorganisierte Karten: das Modell von Kohonen. Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht
2.5.2 Selbstorganisierte Karten: das Modell von Kohonen Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht zwischen den einzelnen Neuronen gibt, spielt deren räumliche Anordnung keine
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrZeitreihen. Statistik II
Statistik II Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Zum Nachlesen
Mehr3. Übungsblatt zu Computersimulationen WS 2015/2016. Simulation des Ising-Modells
3. Übungsblatt zu Computersimulationen WS 2015/2016 Abgabe: 19.(20.) November bis 3.(4.) Dezember. Bitte tragen Sie sich in die Liste auf der Webseite der Vorlesung ein. Diese Übungsaufgabe steht exemplarisch
MehrÜbung Halbleiterschaltungstechnik
Übung Halbleiterschaltungstechnik WS 2011/12 Übungsleiter: Hannes Antlinger Martin Heinisch Thomas Voglhuber-Brunnmaier Institut für Mikroelektronik und Mikrosensorik Altenbergerstr. 69, 4040 Linz, Internet:
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
Mehr(1) Problemstellung. (2) Kalman Filter
Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung
MehrWeiterbildungskurs Stochastik
Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen
MehrHOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG. Das Luzifer-Rätsel. Prof. Dr. Hartmut Plesske Wintersemester 2008/09. von.
HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG Fakultät Informatik Das Luzifer-Rätsel Prof. Dr. Hartmut Plesske Wintersemester 2008/09 von Max Nagl nagl@fh-konstanz.de Inhaltsverzeichnis Inhaltsverzeichnis
MehrQualifizierungsprogramm Ökonometrie
Weiterbildung am ZEW Foto: digitalstock Qualifizierungsprogramm Ökonometrie Basistechniken Finanzmarkt-Ökonometrie: Modellierung von Zinsen und Aktienkursen Panelökonometrie Weitere Informationen: kompetenz
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
MehrHamilton-Formalismus
KAPITEL IV Hamilton-Formalismus Einleitung! IV.1 Hamilton sche Bewegungsgleichungen IV.1.1 Kanonisch konjugierter Impuls Sei ein mechanisches System mit s Freiheitsgraden. Im Rahmen des in Kap. II eingeführten
Mehr4. Auflage. Kapitel IX: Bubbles
Eine Einführung in die Theorie der Güter-, Arbeits- und Finanzmärkte Mohr Siebeck c Kapitel IX: Bubbles Inhaltsverzeichnis Dieses Kapitel widmet sich Finanzmärkten, auf denen Finanzprodukte (Assets) gehandelt
Mehr3. Value at Risk für Collateralised Trading 44
3. Value at Risk für Collateralised Trading 44 3. Value at Risk für Collateralised Trading Der Value at Risk (=VaR) ist derzeit das populärste Risikomaß für Markt- und Kreditrisiken. Es bestehen jedoch
Mehr3 Monte-Carlo-Simulationen
3 Monte-Carlo-Simulationen In diesem Kapitel soll mit der so genannten Monte-Carlo-Methode ein wichtiges Anwendungsgebiet des in Kapitel 2 erarbeiteten Begriffs- und Methodenapparats detaillierter beleuchtet
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
MehrIBM SPSS Forecasting. In Sekundenschnelle präzise Vorhersagen erstellen. Highlights. IBM Software Business Analytics
In Sekundenschnelle präzise Vorhersagen erstellen Highlights Schnelles Entwickeln zuverlässiger Vorhersagen Reduzieren von Vorhersagefehlern Effizientes Aktualisieren und Verwalten von Vorhersagemodellen
MehrDer Bipolar-Transistor und die Emitterschaltung Gruppe B412
TECHNISCHE UNIVERSITÄT MÜNCHEN Der Bipolar-Transistor und die Emitterschaltung Gruppe B412 Patrick Christ und Daniel Biedermann 16.10.2009 1. INHALTSVERZEICHNIS 1. INHALTSVERZEICHNIS... 2 2. AUFGABE 1...
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrEMPIRISCHE MAKROÖKONOMIE 1
EMPIRISCHE MAKROÖKONOMIE 1 SS 2006 Prof. Dr. Christoph Knoppik Universität Bamberg 2 1 Version: 1.1.176. Stand/Release: 25.07.2006. Druck: 25.07.2006. 2 Prof. Dr. Christoph Knoppik, Sozial- und Wirtschaftswissenschaftliche
Mehr2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.
2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. r. N. Bäuerle ipl.-math. S. Urban Lösungsvorschlag 3. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe as endnutzenoptimale Aktienportfolio bei Exp-Nutzen Wir betrachten
MehrMINT-Circle-Schülerakademie
1 Einführung MINT-Circle-Schülerakademie Kurze Einführung, was Maple ist, wozu es dienen kann, wo es verwendet wird. Zur Einführung die folgenden Aufgaben bearbeiten lassen. Aufgabe 1. Gib unter Maple
Mehr1 Statistische Grundlagen
Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.
MehrUntersuchungen zum Thema Tracking Error
Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen
MehrSimulation elektrischer Schaltungen
Simulation elektrischer Schaltungen mittels Modizierter Knotenanalyse Teilnehmer: Artur Stephan Andreas Dietrich Thomas Schoppe Maximilian Gruber Jacob Zschuppe Sven Wittig Gruppenleiter: René Lamour Heinrich-Hertz-Oberschule,
MehrMögliche Prüfungsfragen zu VO Mathematische Software
Mögliche Prüfungsfragen zu VO Mathematische Software SS 2009 Der Prüfungsstoff umfasst alles, was in der Vorlesung vorgetragen wurde. Die folgende Liste soll Ihnen bei der Vorbereitung helfen. Bei der
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
MehrDatamining-Cup 2012 - TeamFK i. Datamining-Cup 2012 - TeamFK
i Datamining-Cup 2012 - TeamFK ii Inhaltsverzeichnis 1 Programme und Datenvorverarbeitung 1 2 Vorbetrachtung der Daten 2 2.1 Zeitintervalle..................................................... 2 2.2 Mittelwert
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrEin neues Geschäftsmodell der Lebensversicherung?
Versicherungsmathematisches Kolloquium am 11. Juli 2011 Ludwig-Maximilian-Universität München Ein neues Geschäftsmodell der Lebensversicherung? Ein Beitrag zur Theorie des kollektiven Sparens Prof. Dr.
MehrKernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung
Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrStatistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
MehrMATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE
Europäische Schulen Büro des Generalsekretärs Abteilung für pädagogische Entwicklung Ref.:2010-D-581-de-2 Orig.: EN MATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE Kurs 4 Stunden/Woche VOM GEMISCHTER PÄDAGOGISCHER
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrWas kann die Statistik zur Bankenkrise beitragen?
Was kann die Statistik zur Bankenkrise beitragen? Rafael Weißbach Lehrstuhl für Statistik, insbesondere demografischer Wandel Institut für Volkswirtschaftslehre Wirtschafts- und Sozialwissenschaftliche
MehrMannheimer Manuskripte zu Risikotheorie, Portfolio Management und Versicherungswirtschaft. Nr. 153
Mannheimer Manuskripte zu Risikotheorie, Portfolio Management und Versicherungswirtschaft Nr. 153 Ermittlung des beizulegenden Wertes von Einzelaktien auf der Basis des Kurs/Gewinn-Verhältnisses von Peter
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
Mehr