Course Syllabus
Obiettivi formativi
Il corso offre una introduzione ai metodi econometrici utili per lo studio e le applicazioni in econometria della finanza.
Al termine del corso, gli studenti saranno in grado di scegliere, stimare ed interpretare i modelli lineari per le applicazioni finanziarie.
In particolare, lo studente sarà in grado di:
• Conoscere gli aspetti di base del modello lineare e dei relativi criteri di stima;
• Applicare, stimare e valutare i modelli stimati;
• Individuare violazioni alle assunzioni classiche, applicare i test di valutazione del modello e adottare criteri di stima idonei;
• Conoscere le peculiarità e gli strumenti di base per l’analisi dei dati in serie temporali;
• Stimare e valutare le stime di modelli dinamici per le serie temporali.
Contenuti sintetici
Il corso propone lo studio dei metodi econometrici in cross-section (o longitudinali) e in time-series (o serie temporali). Nella prima parte si affrontata la regressione bivariata e multivariata lineare classica. Le applicazioni empiriche riguardano i modelli lineari a fattori e l'analisi delle componenti principali. Nella seconda parte si affrontano i modelli univariati e multivariati per l'analisi delle serie storiche. Le applicazioni si basano sulla stima e la previsione con esempi tratti dalla letteratura empirica economica e finanziaria.
Programma esteso
1. Introduzione:
- Che cos'è l'econometria?
- Che cos'è l'econometria della finanza?
2. Il modello di regressione classico (CLRM):
- Il modello di regressione
- Regressione lineare bivariata
- Le ipotesi del modello
- Le proprietà degli stimatori
3. Regressione lineare multivariata
- Derivazione degli stimatori OLS
- Le proprietà degli stimatori
- Bontà esplicativa del modello
- Inferenza sui parametri del modello
- OLS vincolato
- Dummy variables
4. Violazioni alle assunzioni classiche del CLRM
- Conseguenze delle violazioni
- Test di valutazione
- Soluzioni
5. Modelli e previsione di serie storiche
- Processi MA
- Processi AR
- Processi ARMA
- Previsioni
6. Modelli multivariati
- Forma strutturale e forma ridotta
- Regressori stocastici
- Modelli VAR
7. Processi non stazionari
- Introduzione alla cointegrazione
8. Modelli per la volatilità:
- Modelli ARCH e GARCH
Prerequisiti
Per la compresione degli argomenti trattati è necessario la competenza degli argomenti trattatati in Statistica e essere a conoscenza delle nozioni di base di Algebra Matriciale.
Metodi didattici
Lezioni frontali con slides, in inglese, messe a disposizione a inizio lezione.
Esercitazioni in aula su problemi teorici ed empirici. Gli esercizi empirici verranno svolti in Matlab.
Le lezioni si terranno in inglese.
Modalità di verifica dell'apprendimento
Esame scritto.
Testi di riferimento
Appunti delle lezioni forniti dal docente.
Brooks, C. (2019). Introductory Econometrics for Finance, Cambridge University Press.
Greene, W. (2008). Econometric Analysis, 7th ed. Prentice Hall. New York, 7.
Ulteriori riferimenti
Hayashi, F. (2000), Econometrics. Princeton University Press.
Enders W. (2014). Applied Econometric Time Series, 4th edition, John Wiley.
Sustainable Development Goals
Learning objectives
The course aims to offer an introduction to the econometrics techniques in the area of financial econometrics.
At the end of the course, the students will be able to choice, estimate and interpret linear models for financial applications.
In details, the student will be able to:
• Know the specification and the estimation of the classical linear model;
• Apply, estimate and evaluate the estimated models;
• Identify violations of classical assumptions, apply diagnostic tests and adopt suitable estimation criteria;
• Know the characteristics and analysis data in time series;
• Estimate and evaluate estimates of dynamic models for time series.
Contents
The course deals with econometrics methodology concerning cross-sectional, and time-series data. The first block of the course covers an overview of the classical linear regression model and generalizes it in a multiple linear setting. Empirical applications on the linear factor models and principal components analysis are carried out. The second block covers univariate and multivariate time series analysis. The applications concern estimation and forecasting exercises based on empirical economics and financial literature.
Detailed program
1. Introduction:
- What is Econometrics?
- What is Financial Econometrics?
2. Classical linear regression model (CLRM):
- Regression model
- Simple linear regression
- The assumptions of the model
- Properties of the OLS estimator
3. Multiple linear regression model
- Ordinary Least Squared (OLS)
- Properties of estimators
- Goodness of fit statistics
- Diagnostic tests
- Restricted OLS estimator
- Dummy variables
4. Violations of the Assumptions of the CLRM
- Consequences
- Assumptions and Diagnostic Tests
- "Remedies"
5. Time series modelling and forecasting
- Moving average processes
- Autoregressive processes
- ARMA processes
6. Multivariate models
- Structural and Reduced forms
- Stochastic regressors
- VAR
7. Non-stationary processes
- Cointegration: an introduction
8. Volatility models
- ARCH and GARCH models
Prerequisites
In order to understand the topics covered, it is necessary to have the competence of the topics covered in Statistics and to be aware of the basic notions of Matrix Algebra.
Teaching methods
Face-to-face lectures using notes provided by the lecturer. The notes will be available at the beginning of the lesson.
Classroom exercises on theoretical and empirical problems. The empirical applications consist on the developing and discussion of empirical problem sets using Matlab.
Classes will be held in English.
Assessment methods
Written examination.
Textbooks and Reading Materials
Lecture notes/slides.
Brooks, C. (2019). Introductory Econometrics for Finance, Cambridge University Press.
Greene, W. (2008). Econometric Analysis, 7th ed. Prentice Hall. New York, 7.
Additional references:
Hayashi, F. (2000), Econometrics. Princeton University Press.
Enders W. (2014). Applied Econometric Time Series, 4th edition, John Wiley.
Sustainable Development Goals
Staff
-
Elisa Ossola
