Insegnamento STATISTICAL METHODS FOR FINANCE

Nome del corso di laurea Finanza e metodi quantitativi per l'economia
Codice insegnamento A000204
Sede PERUGIA
Curriculum Finanza ed assicurazione
Docente responsabile Silvia Pandolfi
Docenti
  • Luca Scrucca (Codocenza)
  • Silvia Pandolfi
  • Francesca Pierri
Ore
  • 21 Ore (Codocenza) - Luca Scrucca
  • 21 Ore - Silvia Pandolfi
  • 10 Ore - Francesca Pierri
CFU 6
Regolamento Coorte 2019
Erogato Erogato nel 2019/20
Attività Caratterizzante
Ambito Matematico, statistico, informatico
Settore SECS-S/01
Periodo Primo Semestre
Tipo insegnamento Obbligatorio (Required)
Tipo attività Attività formativa monodisciplinare
Lingua insegnamento INGLESE
Contenuti Inferenza statistica: stime basate sul metodo della massima verosimiglianza. Regressione: il modello di regressione lineare semplice e multiplo; il modello di regressione logistico. Casi di studio reali introdotti e analizzati con il software statistico R.
Testi di riferimento Weisberg, S. (2014) Applied Linear Regression, 4th edition, Wiley

Ruppert, D. and Matteson, D.S. (2015) Statistics and Data Analysis for Financial Engineering, 2nd ed., Springer

Materiale supplementare fornito dal docente nel corso delle lezioni.
Obiettivi formativi Al termine del corso lo studente sarà in grado di applicare i metodi di inferenza statistica e di regressione lineare studiati a dati reali, tramite l'utilizzo del software R.
Prerequisiti Conoscenze di statistica di base (statistica descrittiva e inferenza statistica).
Metodi didattici Lezioni frontali e utilizzo del software statistico R.
Altre informazioni Frequenza facoltativa ma fortemente consigliata.
Modalità di verifica dell'apprendimento L'esame consiste in una prova scritta con domande aperte di carattere teorico e interpretazione dell’output del software R per l’analisi di dati.


Programma esteso Metodo della massima verosimiglianza: verosimiglianza e funzione di log-verosimiglianza, stime di massima verosimiglianza (MLE), funzione Score e informazione di Fisher, proprietà statistiche degli stimatori MLE, calcolo numerico delle stime MLE, test del rapporto di verosimiglianza e intervalli di confidenza basati sulla verosimiglianza. Stime di massima verosimiglianza per distribuzioni applicate ai log-return.
Modelli di regressione: regressione lineare semplice e multipla, stima dei parametri, metodo dei minimi quadrati e massima verosimiglianza, test di ipotesi, intervalli di confidenza, predittori categorici, analisi della varianza, bontà di adattamento, trasformazioni, metodi di selezione del modello, analisi diagnostica e dei residui, multicollinearità. Regressione logistica: specifica del modello, interpretazione dei parametri e stima dei parametri.
Condividi su