Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással
    vissza a tantárgylistához   nyomtatható verzió    

    Algoritmikus tőzsdei folyamat-előrejelzés

    A tantárgy angol neve: Algorithmic Forecasting of Stock Price Processes

    Adatlap utolsó módosítása: 2017. június 28.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar     		Gazdaságinformatikus szak MSc képzés

     

    Pénzügyi informatika szakirány
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VISZM107   3/0/2/v 6  
    3. A tantárgyfelelős személy és tanszék Dr. Telcs András,
    4. A tantárgy előadója
    Név:

     

    		Beosztás:

     

    		Tanszék, Int.:

     

    Györfi László DSc

     

    		Egyetemi tanár.

     

    		Számítástudományi és Információelméleti Tanszék

     

    Telcs András DSc

     

    		Egyetemi docens

     

    		Számítástudományi és Információelméleti Tanszék

     
    5. A tantárgy az alábbi témakörök ismeretére épít Ajánlott: Matematikai statisztika, Pénzügyek, Pénzügyi befektetések tervezése

     
    7. A tantárgy célkitűzése a A tantárgy célkitűzése:

     

    Megismerteti a gazdasági informatikus hallgatókkal a pénzügyi idősorok modellezésének és előrejelzésének alapvető módszereit és a kapcsolódó befektetési/portfólió stratégiákat.

     

    Tőzsdei folyamatok előrejelzése helyett:

     

    Algoritmikus tőzsdei folyamat-előrejelzés

     

    Algorithmic forecasting of stock price processes

     

    b. Megszerezhető képességek

    A hallgató képes lesz modellezni és előre jelezni az egyes pénzügyi idősorokat. Alkalmassá válik arra, hogy bankok és befektetési alapok befektetési stratégiáinak tervezését segítse.

     
    8. A tantárgy részletes tematikája 8.a Előadás

     

    1.      Sűrűségfüggvény becslés, L1 hiba.

    2.      Sűrűségfüggvény becslés, hisztogram.

    3.      Sűrűségfüggvény becslés magfüggvényes becslés.

    4.      Regressziós probléma, regressziós függvény, partíciós.

    5.      Regressziós probléma, regressziós függvény magfüggvényes.

    6.      Regressziós probléma, legközelebbi szomszéd becslések.

    7.      Regressziós probléma, empirikus hibaminimalizálás.

    8.      Alakfelismerés: hibavalószínűség.

    9.      Alakfelismerés: Bayes döntés, partíciós.

    10.   Alakfelismerés: magfüggvényes legközelebbi szomszéd módszer.

    11.   Alakfelismerés: empirikus hibaminimalizálás.

    12.   Optimális portfólió-stratégiák, fix portfólió.

    13.   Optimális portfólió-stratégiák, konstans portfólió.

    14.   Optimális portfólió-stratégiák, dinamikus portfólió, empirikus portfólió.

     

    8.b. Laboratórium

     

    1.      Adatgyűjtés, adatbázis építés, adattisztítás, korrekció.

     

    2.      Bevezetés a program használatába.

     

    3.      Feltáró statisztika, leíró statisztika.

     

    4.      Feltáró statisztika, prezentálás, grafika.

     

    5.      Időssor elemzés, áttekintés, determinisztikus modellek.

     

    6.      Időssor elemzés, áttekintés, simítási eljárások.

     

    7.      Zárthelyi.

     

    8.      Időssor elemzés, áttekintés,  ARIMA, ARCH, GARCH modellek.

     

    9.      A regressziós feladat, regressziós függvény, elemi, spline, NN.

     

    10.   A regressziós feladat, regressziós függvény, magfüggvény – Gauss.

     

    11.   A regressziós feladat, legközelebbi társ.

     

    12.   Zárthelyi.

     

    13.   Log-optimális portfólió, algoritmikus megvalósítás állandó, megújított portfólió.

     

    14.   Log-optimális portfólió, algoritmikus megvalósítás kombinált szakértőkkel.

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) 3 óra előadás 2 óra labor

     
    10. Követelmények a. Előadásokon, aktív részvétel, az aláírás feltétele: a két ZH átlaga eléri a 40%-t, továbbá a labor feladatok teljesítése. A végső eredmény: 70%-a a vizsga 30%-a a két ZH átlaga.

     

    b. A vizsgaidőszakban: szóbeli vizsga.

     

    c. Elővizsga: lehetséges (az oktató engedélye alapján).

     
    11. Pótlási lehetőségek A pótlási héten, 1 pót ZH, illetve a maximum 30% elmaradt labor feladatokból bemutató, beszámoló lehetséges.

     
    12. Konzultációs lehetőségek személyes egyeztetés alapján
    13. Jegyzet, tankönyv, felhasználható irodalom 1.      Száz János: Tőzsdei opciók vételre és eladásra, Tanszék Kft, 1999.

     

    2.      R. S. Tsay: Analysis of Financial Time Series, Wiley, 2nd edition, 2005.

     

    3.      L. Györfi, M. Kohler, A. Krzyzak, H. Walk: A Distribution-Free Theory of Nonparametric Regression, Springer-Verlag, 2002.

     

    4.      L. Györfi, G. Ottucsák: Empirical log-optimal portfolio selections: a survey, http://www.szit.bme.hu/~oti/portfolio/articles/tgyorfi.pdf 2007

     
    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra70
    Készülés előadásra1010
    Készülés gyakorlatra0
    Készülés laborra14
    Készülés zárthelyire36
    Vizsgafelkészülés50
    Összesen180
    15. A tantárgy tematikáját kidolgozta
    Név:

     

    		Beosztás:

     

    		Tanszék, Int.:

     

    Györfi László DSc

     

    		Egyetemi tanár

     

    		Számítástudományi és Információelméleti Tanszék