Autoři:Ing. Patrice Marek, KMA, FAV – ZČUIng. Martina Neumanová, KMA , FAV – ZČUIng. Kateřina Vokáčová, KMA, FAV – ZČU

Tento projekt byl financován z Fondu pro rozvoj vysokých škol

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

Obsah prezentace

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

Obsah prezentace1. 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

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

Obsah prezentace Důsledně uvádějte zdroje dat

Např.: Zdrojem dat je ČSÚ [1] [1] Metodika ČSÚ:

http://www.czso.cz/csu/2007edicniplan.nsf/t/55002D4D5B/$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

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 - http://www.kma.zcu.cz/

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

Vzorové analýzy 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

Vzorové analýzy

1. Zadání2. Popis problematiky3. Navržená řešení problému4. Vybrané řešení 5. Kvantifikace modelu6. Verifikace modelu7. Závěr

Predikce nezaměstnanosti v PK

Obsah

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

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

Sestavit lineární regresní kauzální model

NOkres 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

3. Navržená řešení

Predikce nezaměstnanosti v PK

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

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

Kvantifikovaný model toků má pak tvar

5. Kvantifikace modelu

Predikce nezaměstnanosti v PK

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

Statistická verifikace Statistická významnost - regresní

koeficienty modelu jsou statisticky významné

Koeficienty determinace R2 , vícenásobné determinace R2

v jsou statisticky významné a nabývají vysokých hodnot

6. Verifikace modelu

Predikce nezaměstnanosti v PK

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

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

Vzorové analýzy

1. Zadání2. Popis problematiky3. Navržená řešení problému4. Výsledky modelů5. Závěr

Předpověď kurzů měn a akcií

Obsah

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

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

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

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

Odhad změn kurzů Z minulých hodnot je odhadována změna na

následující dnyKurz klesne o p% a více → investor realizuje prodej nakrátkoKurz vzroste o p% a více → investor dnes koupí a zítra prodáKurz bude v tolerančním pásmu (-p%, p%) → investor čeká

Hodnota p je stanovena dle poplatků za provedené obchody

Budoucí vývoj je stanoven pomocí trinomického rozděleníK předpovědi je používáno n posledních hodnotPoté jsou odhadovány pravděpodobnosti výskytu n+1 hodnot,

kdy jako poslední hodnota jsou vyzkoušeny všechny tři možnosti

3. Navržená řešení

Předpověď kurzů měn a akcií

Klouzavé průměry Lze použít k vyrovnávání časové řady – zde

předpověď = vyrovnaná hodnota V práci jsou použity následující klouzavé

průměryKlasický klouzavý průměrKlouzavý průměr s lineárně klesajícími váhamiKlouzavý 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

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

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

Předpověď kurzů měn a akcií

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

Předpověď kurzů měn a akcií

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