Modelli time-series per la previsione mensile della domanda elettrica
|
|
- Filippa Martina
- 6 anni fa
- Visualizzazioni
Transcript
1 Modelli time-series per la previsione mensile della domanda elettrica Margherita Grasso Universita Bocconi IEFE FIRST DRAFT PRELIMINARY & INCOMPLETE 1
2 Indice della presentazione 1. Obiettivi 2. Analisi dei dati e filtri adottati 3. Approcci di modellizzazione 4. Risultati 5. Verifica della capacità predittiva 6. Possibili sviluppi 7. Conclusioni 2
3 Obiettivi Definire un intervallo di confidenza per valori di previsione, sulla base di modelli robusti e adatti all oggetto dell indagine Catturare i fondamentali di mercato con un analisi strutturata delle serie storiche e delle relazioni funzionali tra le variabili Quantificare come la scelta del modello impatti sull accuratezza delle previsioni ( fit vs forecast performance ) 3
4 Variabili considerate Il modello considera la serie storica della richiesta elettrica aggregata e include le seguenti ulteriori variabili: Indice della produzione industriale (variabile di reddito) Temperatura ambientale a scala nazionale (variabile climatica) In aggiunta, il modello controlla gli effetti legati a: Stagionalità mensile in relazione agli andamenti tipici dei consumi Effetti calendario. 4
5 Variabili considerate Dettaglio Richiesta elettrica in Italia (trasformazione logaritmica) dal al (el) Indice della Produzione Industriale in Italia dal (ip) Cooling Degree days (CD) and Heating Degree days (HD) series, definite come: - CD = max( 0, t 18 ) - ( 0, ) HD = max 18 t Due serie, dette RU e LY, che controllano rispettivamrente gli effetti calendario e anno bisestile. 5
6 Procedimento di modellizazione Scelta dei modelli Al fine di determinare quanto, e in che modo, la scelta del modello impatta sui risultati di previsione si implementano quattro modelli: Un modello di tipo SARIMA Seasonal Autoregressive Integrated Moving Average, che rappresenta un riferimento naturale a cui comparare i risultati per la sua semplicità, e perché è in genere quello più utilizzato da centri studi di grandi banche, aziende... ; Il VECM Vector Error Correction Model, individuato come modello base, in quanto tiene conto dell aggiustamento verso l equilibrio di lungo periodo ed è applicato alle previsioni della domanda elettrica in ambito accademico; Il modello TVP-BEC Time Varying Parameters Bayesian Error Correction, che in più rispetto al VECM, permette (i) di integrare gli a priori dell analista sui coefficienti, e (ii) di tener conto di possibili cambiamenti nel tempo dei coefficienti di sensibilità Un modello TVP-BVAR Time Varying Parameters Bayesian Vector Autoregressive, che semplifica il TVP-BEC non introducendo l aggiustamento alla relazione di lungo periodo 6 l
7 Procedimento di modellizzazione implementazione 1 Le serie mostrano una forte stagionalità; el ha un trend di crescita più forte Logaritmi della domanda elettrica (TWh) Logaritmi dell Indice della Produzione Industriale (2000=100),
8 Procedimento di modellizzazione implementazione 2 I picchi di HD e CD corrispondono alle temperature estreme Cooling Degree days Media ponderata delle maggiori città italiane :8 Heating Degree days Media ponderata delle maggiori città italiane :8 8
9 Procedimento di modellizzazione implementazione 3 Per testare se la stagionalità è di tipo deterministico o stocastico sono utilizzati due metodi: OCSB (Osborn et al., 1988) propongono di testare l adeguatezza del filtro: (1 L)(1 L 12 ) HEGY (Hylleberg et al., 1990) verificano se il filtro qui sotto sia da preferire ad uno dei suoi fattori: (1 L 12 ) 9
10 Procedimento di modellizzazione implementazione 4 OCSB considera la regressione ausiliaria: φ ( L) Δ Δ p 1 12 y t = 12 s= 1 δ d s s, t + π Δ 1 12 y t 1 + π 2Δ1yt 12 + ε t Quindi: π 2 = 0 Δ 12 è appropriato π 1 = π 2 = 0 Δ1Δ12 è necessario 10
11 Procedimento di modellizzazione implementazione 5 L HEGY testa separatamente la presenza di stagionalità standard e stagionale a tutte le frequenze t2 ( 1 + L ) 2 ( 1 + L ) w1 w ( 1 3 L + L ) HEGY tests 2 ( 1 + L + L ) w2 w ( L + L ) 2 ( 1 L + L ) w3 ( 1 L ) t1 11
12 Procedimento di modellizzazione implementazione 6 I risultati dei due test sono parzialmente discordanti per le serie el e ipi el ip [t-stat] [t-stat] HEGY Tests F-stat F-stat t1 [-1.47] [-2.96*] t2 [-2.43*] [-2.43*] w ** OCSB Tests lags t(π2) F(π1,π2) w2 5.26* 6.91** w el 1, ** 23.78** w4 4.98* 11.22** w ip 1,2,5,
13 Procedimento di modellizzazione implementazione 7 Il confronto delle capacità previsionali indica che la trasformazione (1-L) è appropriata sia per el che per ip Per ciascuna trasformazione (Δ0, Δ1=(1-0.8 L), ) il RMSE è quello della specificazione 0.6 che minimizza il BIC Bayesian Information 0.4 Criterion RMFE Δ0 Δ1 Δ12 Δ1Δ12 1-s t ep h-step Modelli univariati per el Capacità previsionali per il: RMFE Δ0 Δ1 Δ12 Δ1Δ12 1-s t ep h-step Modelli univariati per ip Capacità previsionali per il:
14 Procedimento di modellizzazione implementazione 8 SARIMA coefficienti stimati Β ase Β ase Δel(-1) RU Δel(-12) LY d CD d HD d d d d d d d d d c ase: absolute standard error 14
15 Procedimento di modellizzazione implementazione 9 Relazione di lungo periodo Partendo dalla rappresentazione VECM, con il metodo di massima verosimiglianza di Johansen (1988, 1995) si determinano: Il numero delle relazioni di equilibrio e Le stime relative al vettore di cointegrazione: el t 1 = ipt ( t 1) I tests Trace and Max-eigen indicano l esistenza di un unica equazione di cointegrazione tra le variabili (contenente costante e trend) 15
16 Procedimento di modellizzazione implementazione 10 VECM coefficienti stimati B ase B ase Δel(-1) RU Δip(-1) LY d CD d HD d ECT(-1) d d d d d d d d c ase: absolute standard error 16
17 Procedimento di modellizzazione implementazione 11 VECM Il test di Quandt (1960) e i relativi valori critici-andrews (1993) indicano possibile instabilità dei parametri Tests sequence Critical value 17
18 Procedimento di modellizzazione implementazione 12 TVP - BVAR coefficienti stimati B ase B ase Δel(-1) RU Δip(-1) LY d CD d HD d ECT(-1) d d d d d d d d c ase: absolute standard error 18
19 Procedimento di modellizzazione implementazione 13 TVP BVAR L andamento nel tempo dei coefficienti relativi a D7 (Luglio) e CD èin entrambi i casi un trend di crescita TVP stimati relativi a D7 nell equazione di el TVP stimati relativi a CD nell equazione di el 19
20 Risultati ottenuti e verifica della capacità predittiva 1 Il confronto del RMSE tra i quattro modelli mostra che TVP-BECM e TVP-BVAR non comportano una riduzione dell errore di previsione [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] SARIMA VECM TVP - BVAR TVP - BECM RMSE*100 Dynamic forecasts n-mesi in avanti Media di 92 valori del RMSE (previsioni per I): :12, II): ,, LXXII): 2008:1-2008:08) La differenza nei RMSE aumenta con l ampliarsi dell orizzonte predittivo 20
21 Risultati ottenuti e verifica della capacità predittiva 2 In base al MAE, i risultati confermano le conclusioni precedenti [MRSE*100] [MRSE*100] [MRSE*100] [MRSE*100] [MRSE*100] [MRSE*100] [MRSE*100] [MRSE*100] [MRSE*100] [MRSE*100] [MRSE*100] [MRSE*100] SARIMA VECM TVP - BVAR TVP - BECM
22 Risultati ottenuti e verifica della capacità predittiva 3 Da confronto delle previsioni per l ultimo anno emerge che la performance dei modelli a parametri variabili è migliore [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] [RMSE*100] VECM TVP - BVAR TVP - BECM RMSE*100 Dynamic forecasts n-mesi in avanti Media deivalori del RMSE (previsioni per 2008:3-2008:9,,2008:9-2009:02) In fasi economiche anomale con TVP BECM e TVP BVAR si ottiene un errore di previsione inferiore 22
23 Passi successivi I risultati empirici supportano le considerazioni teoriche iniziali: può esistere una discordanza tra accuratezza in sample e out of sample ; Il procedimento di previsione elaborato si rivela più efficace per prevedere il breve medio periodo (1-12 mesi); questo risponde a varie esigenze aziendali L esigenza del regolatore riguarda tipicamente periodi più lunghi; Per rispondere a questa esigenza vi è la necessità di estendere il procedimento elaborato al fine di catturare ulteriori dinamiche legate all impatto di altri fattori (regolatori, geopolitici, ambientali, ); Basterà quindi integrare il procedimento di previsione, in modo tale da operare anche su frequenze diverse, includendo quindi tra le variabili esplicative anche serie di dati aggiuntivi e dati disaggregati per settore 23
24 I modelli a coefficienti costanti e variabili evidenziano capacità di previsione analoghe, se misurati sulla base di RMSE and MAE Nonostante l instabilità dei parametri, l utilizzo dei modelli TVP-BVAR e TVP-BEC non comporta in genere una riduzione dell errore di previsione; I differenziali tra le loss function di previsione aumentano con il numero di mesi di previsione In fasi anomale maggiore flessibilità aiuta molto l accuratezza delle previsioni. L opportunità di ridurre il rischio di errore di previsione in presenza di un cambiamento della fase economica rende necessario attribuire un peso positivo a tutti i modelli; Un pooling dei modelli di previsione dovrà quindi attribuire un peso piccolo ma positivo ai TVP-BVAR 24
Verifica parte IV. Rif. Ghezzi et al
Verifica parte IV Rif. Ghezzi et al. 6.8-6.9 Debugging Individuazione e correzione degli errori Conseguente a un fallimento Attività non banale: Quale errore ha causato il fallimento? Come correggere l
DettagliRAPPORTO CER Aggiornamenti
RAPPORTO CER Aggiornamenti 12 Ottobre 2012 LO SPREAD PROSSIMO VENTURO Quanto potrà scendere lo spread Btp-Bund dopo le misure di austerità fiscale? Per rispondere, forniamo una semplice stima derivata
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
DettagliSPESA STORICA E FABBISOGNI STANDARD. METODOLOGIA ED APPLICAZIONE
SPESA STORICA E FABBISOGNI STANDARD. METODOLOGIA ED APPLICAZIONE FOCUS: FUNZIONI DI ISTRUZIONE PUBBLICA A cura di PAOLO MAZZEO SOSE SPA 1. IL PESO DELLE FUNZIONI DI ISTRUZIONE PUBBLICA 2. IL CALCOLO DEI
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliIl modello econometrico STEP Short Term Electricity Price
Il modello econometrico STEP Short Term Electricity Price Stagionalità Le specificità del prezzo elettrico: l impatto della stagionalità Componente giornaliera Componente settimanale Componente mensile
DettagliPer alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi.
Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si propongono di identificare
DettagliUN ANALISI COMPARATA DEL SETTORE DEI TABACCHI LAVORATI IN ITALIA. CASMEF Luiss Guido Carli Audizione presso la Camera dei Deputati 26 Novembre 2013
UN ANALISI COMPARATA DEL SETTORE DEI TABACCHI LAVORATI IN ITALIA Luiss Guido Carli Audizione presso la Camera dei Deputati 26 Novembre 2013 PREMESSA Situazione corrente Le entrate del Governo nel 2013
DettagliSerie storiche Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Serie storiche Introduzione Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliI nuovi settori attuali e futuri di
I nuovi settori attuali e futuri di sviluppo della professione Il ruolo dell attuario nel forecast: previsioni di vendita ed analisi delle serie storiche Francesca Evangelista 22 Novembre 2018 «Possiamo
DettagliEconomia Pubblica e Storia Economica Fausto Pacicco
Economia Pubblica e Storia Economica Fausto Pacicco fpacicco@liuc.it 1 Possiamo estendere il modello di regressione lineare includendo più di una xx, ottenendo un modello di regressione lineare multipla
DettagliBologna 15 settembre. Spazializzazione dati meteo
P.I.C. INTERREG III METODI, STRUMENTI ED INDICATORI PER LA DEFINIZIONE DELLE VARIABILI CLIMATICHE Tavolo di confronto BOLOGNA 15 Settembre 2004 Bologna 15 settembre Spazializzazione dati meteo Alfonso
DettagliCenni di teoria del consumo. La vastissima letteratura sull analisi del consumo può distinguersi in due grandi filoni:
Cenni di teoria del consumo La vastissima letteratura sull analisi del consumo può distinguersi in due grandi filoni: - un filone di analisi del consumo disaggregato che, sulla base degli studi di Engel,
DettagliDestagionalizzazione, detrendizzazione delle serie storiche
DATA MINING PER IL MARKETING (63 ore) Marco Riani mriani@unipr.it Sito web del corso http://www.riani.it/dmm Destagionalizzazione, detrendizzazione delle serie storiche 1 Serie storica della vendita di
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliUn applicazione della modellistica ARCH-GARCH
Un applicazione della modellistica ARCH-GARCH Federico Andreis Tesina per l esame di Metodi Statistici per la Finanza e le Assicurazioni A.A. 2005/2006 Prof. Diego Zappa Il grafico della serie storica
DettagliECONOMETRIA: Laboratorio III
ECONOMETRIA: Laboratorio III Luca De Angelis CLASS - Università di Bologna Programma Laboratorio III Analisi della specificazione del modello e test diagnostici: Test per la forma funzionale del modello
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
DettagliFacoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a.
Facoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a. 2008 PARTE I 1. Si consideri il seguente modello di regressione lineare su dati cross
DettagliModelli e Metodi per la Simulazione (MMS)
Modelli e Metodi per la Simulazione (MMS) adacher@dia.uniroma3.it Programma La simulazione ad eventi discreti, è una metodologia fondamentale per la valutazione delle prestazioni di sistemi complessi (di
DettagliLaboratorio di Fisica I Anno Accademico
Laboratorio di Fisica I Anno Accademico 018-019 Relazione terza esperienza di Laboratorio Giorgio Campione Misura del periodo di oscillazione e della costante elastica della molla di un oscillatore armonico
DettagliCenni all analisi di serie storiche. Prof. Julia Mortera
Cenni all analisi di serie storiche Prof. Julia Mortera Le serie storiche Serie storiche o temporali: rilevazione del fenomeno sottostante che stiamo misurando (variabile) in specifici momenti nel tempo
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
Dettagli0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
DettagliPrevisione della Domanda-Minimi Quadrati INTRODUZIONE PREVISIONE DELLA DOMANDA. Prof. Vincenzo Duraccio
ITRODUZIOE PREVISIOE DELLA DOMADA Prof. Vincenzo Duraccio AALISI DELLA DOMADA La determinazione dell andamento della domanda di un prodotto o di una gamma di prodotti può essere effettuata in tre modi
DettagliSTATISTICA CORSO BASE. Prova scritta del Tempo: 2 ore Cognome e Nome:... Matricola:...
STATISTICA CORSO BASE. Prova scritta del 4-6-2013. Tempo: 2 ore Cognome e Nome:.............................. Matricola:.............................. Attenzione: Prima di affrontare la prova si consiglia
DettagliImportanza dei modelli e delle tecniche di stima per un corretto forecasting
1 Importanza dei modelli e delle tecniche di stima per un corretto forecasting Valeria Di Cosmo Economic and Social Research Institute and Trinity College Dublin Workshop Un ponte tra universita e aziende
DettagliUniversità di Pavia Econometria Esercizi 5
Università di Pavia Econometria 2007-2008 Esercizi 5 Maggio, 2008 1. Una regressione lineare multipla di y su una costante, x 2 e x 3 produce i seguenti risultati: ŷ t = 4 + 0.4x t2 + 0.9x t3 con X X =
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html
DettagliVantaggi della scelta verso l utilizzo di un solo soggetto:
L uso della statistica per la valutazione degli interventi: premesse teoriche Capitolo 4 Vantaggi della scelta verso l utilizzo di un solo soggetto: 1) Analisi della prestazione individuale: analisi del
DettagliFacoltà di Psicologia Università di Padova Anno Accademico Corso di Psicometria - Modulo B
Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 27/12/2010 Regressione lineare Modello geometrico
Dettagli5. Applicazione ai dati sperimentali, un modello di previsione delle temperature
5. Applicazione ai dati sperimentali, un modello di previsione delle temperature 5.1 Ricostruzione dello spazio delle fasi L utilizzo del teorema di embedding per ricostruire lo spazio delle fasi relativo
DettagliIntegrazione numerica
Integrazione numerica Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Formule di quadratura semplici e composite Formule di quadratura Grado di precisione Formule di
DettagliUniversità degli Studi di Perugia Corso di Laurea Magistrale in Finanza e Metodi Quantitativi per l Economia. Econometria. Introduzione al corso
Università degli Studi di Perugia Corso di Laurea Magistrale in Finanza e Metodi Quantitativi per l Economia Econometria Introduzione al corso Febbraio 2015 Anno Accademico 2014-2015 D. Aristei Econometria
DettagliLaboratorio di Fisica I- Modulo I Anno Accademico 2018/2019 Esperienza di laboratorio n 3
Laboratorio di Fisica I- Modulo I Anno Accademico 018/019 Esperienza di laboratorio n 3 Misura del periodo di oscillazione e della costante elastica della molla di un oscillatore armonico semplice GRUPPO
DettagliStatistica Applicata all edilizia Lezione: Analisi delle serie storiche: parte I
Lezione: Analisi delle serie storiche: parte I E-mail: orietta.nicolis@unibg.it 27 aprile 21 Programma Programma Le serie storiche (o temporali) Sequenze di osservazioni effettuate nella sucessione dei
DettagliECONOMETRIA APPLICATA PER L IMPRESA. Test di Radici Unitarie - Esercizio 5
Modelli Dinamici - Esercizio 5 1 ECONOMETRIA APPLICATA PER L IMPRESA Test di Radici Unitarie - Esercizio 5 Davide Raggi davide.raggi@unibo.it 16 marzo 2010 Modelli Dinamici - Esercizio 5 2 Introduzione
DettagliCURVE DI DURATA: Introduzione e Rappresentazione analitica
CURVE DI DURATA: Introduzione e Rappresentazione analitica Premesse Si definisce durata di una portata Q riferita ad una sezione di misura, l'intervallo di tempo in cui le portate naturali del corso d
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
DettagliScenari di cambiamento climatico in ambiente urbano con un focus sulla città di Sassari
Sassari, 26 giugno 2018 Scenari di cambiamento climatico in ambiente urbano con un focus sulla città di Sassari Guido Rianna, Paola Mercogliano Fondazione CMCC Il cambiamento climatico è un fenomeno in
DettagliUN ANALISI COMPARATA DEL SETTORE DEI TABACCHI LAVORATI IN ITALIA
UN ANALISI COMPARATA DEL SETTORE DEI TABACCHI LAVORATI IN ITALIA Luiss Guido Carli Audizione presso il Senato della Repubblica 23 Settembre 2014 PREMESSA Situazione corrente Le entrate del Governo nel
DettagliRestrizioni lineari nel MRLM: esempi
Restrizioni lineari nel MRLM: esempi Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2013 Rossi Restrizioni lineari: esempi Econometria - 2013 1 / 22 Funzione di produzione Cobb-Douglas Esempio GDP
DettagliPROSPETTIVE FUTURE DELL IDROELETTRICO IN ITALIA Federico Marca Andrea Terret
PROSPETTIVE FUTURE DELL IDROELETTRICO IN ITALIA Federico Marca federicomarca01@gmail.com Andrea Terret andreaterret@gmail.com Relatore: Prof. Ing. Carlo De Michele Correlatore: Ing. Francesco Avanzi 1
Dettaglilezione 10 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Redditi svedesi - il dataset contiene i dati di reddito di 838 individui - il dataset contiene le variabili: sex = sesso age = età edu = anni di istruzione y_gross = reddito
DettagliI metodi quantitativi nelle indagini di Insider Trading
I metodi quantitativi nelle indagini di Insider Trading XXIV Convegno Annuale AMASES Padenghe sul Garda, 9 Settembre 2000 1 Market Abuse: Insider Trading Definizione: Abuso sul mercato di Informazioni:
DettagliPrefazione. 1 Le regolarità empiriche nel consumo 15
INDICE Prefazione xi 1 Le regolarità empiriche nel consumo 15 1.1 Le fonti statistiche 15 1.2 Analisi descrittiva 16 1.3 I dati dei Conti Economici Territoriali per l Italia 33 1.3.1 Le evidenze della
DettagliRegressione lineare semplice
Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro
DettagliScenari di cambiamento climatico in ambiente urbano con un focus sulla città di Alghero
Alghero, 25 giugno 2018 Scenari di cambiamento climatico in ambiente urbano con un focus sulla città di Alghero Guido Rianna, Paola Mercogliano Fondazione CMCC-REMHI Il cambiamento climatico è un fenomeno
DettagliESERCITAZIONE - Analisi della domanda
Impianti Industriali ESERCITAZIONE - Analisi della domanda Prof. Ing. Augusto Bianchini Ing. Jessica Rossi DIN Dipartimento di Ingegneria Industriale Università degli Studi di Bologna AGENDA Analisi della
Dettagli6.6 ARIMA Model. Autoregressive Integrated Moving Average (ARIMA ) Model. ARIMA(p, d, q) Process
128 6.6 ARIMA Model Autoregressive Integrated Moving Average (ARIMA ) Model ARIMA(p, d, q) Process φ(l) d y t = θ(l)ɛ t, where d y t = d 1 (1 L)y t = d 1 y t d 1 y t 1 = (1 L) d y t for d = 1, 2,, and
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliSTIMA DEL CLOUDINESS INDEX ATTRAVERSO MISURE DI POLARIZZAZIONE DELLA LUCE SOLARE DIFFUSA EMISFERICA
STIMA DEL CLOUDINESS INDEX ATTRAVERSO MISURE DI POLARIZZAZIONE DELLA LUCE SOLARE DIFFUSA EMISFERICA A. Parretta 1,2, M. Campa 2, E. Colombani 2, M. Lezziero 2, C. Malagù 2, M. Stefancich 2,3, 1 ENEA Centro
DettagliSTIMA DELLA PIENA INDICE
STIMA DELLA PIENA INDICE STIMA LOCALE - Anche se basata su un numero molto limitato di osservazioni (5-6) STIMA REGIONALE 1) Metodi basati su regressioni rispetto a parametri morfo-climatici 2) Metodi
DettagliTEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica
TEORIA DEI SISTEMI E DEL CONTROLLO LM in Ingegneria Informatica e Ingegneria Elettronica http://www.dii.unimore.it/~lbiagiotti/teoriasistemicontrollo.html Stima dello stato in presenza di disturbi: il
DettagliPEREQUAZIONE CON LEGGI DI SOPRAVVIVENZA
Siano PEREQUAZIONE CON LEGGI DI SOPRAVVIVENZA qˆ, = a, a +, K, ω le stime delle probabilità di morte q, = a, a +, K, ω, di un modello di sopravvivenza non parametrico ottenute secondo un approccio di stima
DettagliValutazione Immobiliare Giacomo Morri & Paolo Benedetto
Valutazione Immobiliare Giacomo Morri & Paolo Benedetto EGEA, 2017 www.valutazione-immobiliare.it Metodologia della Comparazione Fisica Capitolo 7 Indice Approccio e criteri applicativi Criterio Sintetico
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2017.html
DettagliNome: Nr. Mat. Firma:
Controlli Automatici - A.A. / Ingegneria Gestionale Luglio - Esercizi Nome: Nr. Mat. Firma: Rispondere alle seguenti domande. a) Calcolare la trasformata di Laplace X(s) dei seguenti segnali temporali
DettagliTECNICHE DI MISURAZIONE DEI RISCHI DI MERCATO. VALUE AT RISK VaR. Piatti --- Corso Rischi Bancari: VaR 1
TECNICHE DI MISURAZIONE DEI RISCHI DI MERCATO VALUE AT RISK VaR Piatti --- Corso Rischi Bancari: VaR 1 Limiti delle misure di sensitivity Dipendono dalla fase in cui si trova il mercato non consentono
DettagliSTATISTICA. Esercitazione 5
STATISTICA Esercitazione 5 Esercizio 1 Ad un esame universitario sono stati assegnati in modo casuale due compiti diversi con i seguenti risultati: Compito A Compito B Numero studenti 102 105 Media dei
DettagliSTATISTICA CORSO BASE. Prova scritta del Tempo: 2 ore Cognome e Nome:... Matricola:...
STATISTICA CORSO BASE. Prova scritta del 7-2-2013. Tempo: 2 ore Cognome e Nome:.............................. Matricola:.............................. Attenzione: Prima di affrontare la prova si consiglia
DettagliPrincipi di analisi causale Lezione 3
Anno accademico 2007/08 Principi di analisi causale Lezione 3 Docente: prof. Maurizio Pisati Approccio causale Nella maggior parte dei casi i ricercatori sociali utilizzano la regressione per stimare l
DettagliIl bilancio tecnico attuariale: strumento per il controllo dei rischi
Il bilancio tecnico attuariale: strumento per il controllo dei rischi Itinerari Previdenziali La sostenibilità finanziaria delle promesse pensionistiche Cassa Forense Roma 29 febbraio 2012 Paolo De Angelis
DettagliUniversità di Pavia Econometria Esercizi 4 Soluzioni
Università di Pavia Econometria 2008-2009 Esercizi 4 Soluzioni Maggio, 2009 Istruzioni: I commenti devono essere concisi! 1. Dato il modello di regressione lineare, con K regressori con E(ɛ) = 0 e E(ɛɛ
DettagliCrediti: Vecchio ordinamento: Econometria I: 5 Econometria II: 4 Nuovo ordinamento: 6 / 9 (cfr. indirizzo scelto)
ECONOMETRIA Prof. Giovanni Urga Crediti: Vecchio ordinamento: Econometria I: 5 Econometria II: 4 Nuovo ordinamento: 6 / 9 (cfr. indirizzo scelto) VECCHIO ORDINAMENTO Lo studente che non sceglie di passare
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
DettagliSettlement: Metodologie di profilazione dinamica dei prelievi ai sensi della deliberazione 72/2018/R/gas. San Donato Milanese, 09/05/2019
Settlement: Metodologie di profilazione dinamica dei prelievi ai sensi della deliberazione 72/2018/R/gas San Donato Milanese, 09/05/2019 Settlement: Metodologie di profilazione dinamica dei prelievi ai
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello
Metodi Quantitativi per Economia, Finanza e Management Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello 1. Introduzione ai modelli di regressione 2. Obiettivi 3. Le
Dettagli()Probablità, Statistica e Processi Stocastici
Probablità, Statistica e Processi Stocastici Esempio di serie storica Esportazioni italiane di pezzi di accessori auto (trend accentuato, poca stagionalità) Esempio di serie storica Esportazioni italiane
DettagliCapitolo 7. Forecasting
Capitolo 7 Forecasting Cosa è il Forecast? Forecast Una previsione di eventi futuri utilizzata a scopi di pianificazione. 1 Forecasting Le previsioni sono input critici per i piani strategici, per i piani
DettagliMichael Pontrelli Università di Cagliari UN ANALISI ECONOMETRICA SUL CONTENUTO INFORMATIVO DELLA STRUTTURA A TERMINE DEI TASSI DI INTERESSE TEDESCHI
Michael Pontrelli Università di Cagliari UN ANALISI ECONOMETRICA SUL CONTENUTO INFORMATIVO DELLA STRUTTURA A TERMINE DEI TASSI DI INTERESSE TEDESCHI Abstratct: In this paper the usefulness of spreads between
DettagliStatistica multivariata Donata Rodi 17/10/2016
Statistica multivariata Donata Rodi 17/10/2016 Quale analisi? Variabile Dipendente Categoriale Continua Variabile Indipendente Categoriale Chi Quadro ANOVA Continua Regressione Logistica Regressione Lineare
DettagliPREVISIONE. E inutile cercare di prevedere la componente deterministica. Quindi si opera su valori depurati di questa componente.
PREVISIONE Sono analoghi a quelli di simulazione tranne che per l'uso dell'informazione: - si utilizzano tutte le informazioni disponibili (ingressi) fino all'istante t e si calcola il passo/i passi successivi
DettagliStima di parametri per una risposta funzionale non lineare in un sistema preda-predatore stocastico
V Giornate di Studio GRIMPP - Piacenza, 29 p. 1/19 Stima di parametri per una risposta funzionale non lineare in un sistema preda-predatore stocastico Sara Pasquali CNR - Istituto di Matematica Applicata
DettagliI Componenti del processo decisionale 7
Indice Introduzione 1 I Componenti del processo decisionale 7 1 Business intelligence 9 1.1 Decisioni efficaci e tempestive........ 9 1.2 Dati, informazioni e conoscenza....... 12 1.3 Ruolo dei modelli
DettagliArgomenti della lezione:
Lezione 7 Argomenti della lezione: La regressione semplice Il modello teorico Il calcolo dei parametri Regressione lineare Esamina la relazione lineare tra una o più variabili esplicative (o indipendenti,
DettagliLaboratorio di Statistica Aziendale Modello di regressione lineare multipla
Laboratorio di Statistica Aziendale Modello di regressione lineare multipla Michela Pasetto michela.pasetto2@unibo.it Definizione del modello OLS (semplice) L obiettivo della regressione lineare è di valutare
DettagliAnalisi delle serie storiche parte V Modelli autoregressivi
Analisi delle serie storiche parte V Modelli autoregressivi a.a. 2016/2017 Economiche Internazionali 1 Definizioni introduttive Autoregressione: modello di regressione che spiega una serie temporale con
DettagliVALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
DettagliLa Volatilità Realizzata
1 Dipartimento di Economia Politica e Metodi Quantitativi Università di Pavia Pavia, 26 Marzo 2008 Outline 1 Modelli parametrici Modelli non parametrici 2 La distribuzione di RV 3 Analisi di cointegrazione
DettagliEstensione del mercato flow based a livello Europeo tramite l'utilizzo diretto di un modello completo della rete elettrica
Daniele Canever Padova, 18/10/2018 Estensione del mercato flow based a livello Europeo tramite l'utilizzo diretto di un modello completo della rete elettrica : un ponte tra Università e Aziende Un unico
DettagliBasilea 2 alla prova dei fatti
FINANCIAL SERVICES Basilea 2 alla prova dei fatti Stress Test: un framework di riferimento Roma 22 Aprile 2008 ADVISORY 2007 KPMG Advisory S.p.A., an Italian limited liability share capital company, is
DettagliEsercizio 2: voto e ore dedicate allo studio
La seguente tabella riporta il voto riportato da 10 studenti all esame di Statistica Sociale e il numero di ore di lezione non seguite dallo studente (il corso prevede 30 ore di lezione). Ci si chiede
DettagliRegressione Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il costo mensile Y di produzione e il corrispondente volume produttivo X per uno dei propri stabilimenti. Volume
DettagliSTATISTICA CORSO BASE. Prova scritta del Tempo: 2 ore Cognome e Nome:... Matricola:...
STATISTICA CORSO BASE. Prova scritta del 7-2-2013. Tempo: 2 ore Cognome e Nome:.............................. Matricola:.............................. Attenzione: Prima di affrontare la prova si consiglia
DettagliLA COMBINAZIONE DI PREVISIONI
LA COMBINAZIONE DI PREVISIONI Monica Billio Università Ca Foscari e GRETA, Venezia Domenico Sartore Università Ca Foscari e GRETA, Venezia Introduzione. Negli ultimi decenni sono state sviluppate molteplici
DettagliMODULO CRESCITA DI LUNGO PERIODO: INTRODUZIONE
CORSO DI POLITICA ECONOMICA AA 2016-2017 MODULO CRESCITA DI LUNGO PERIODO: INTRODUZIONE DOCENTE PIERLUIGI MONTALBANO p.montalbano@dte.uniroma1.it Dall analisi di breve a quella di lungo periodo La crescita
DettagliLE NUOVE SERIE DESTAGIONALIZZATE DEL COMMERCIO CON L ESTERO
Roma, 16 marzo 2012 LE NUOVE SERIE DESTAGIONALIZZATE DEL COMMERCIO CON L ESTERO 1. Premessa La revisione annuale dei modelli di destagionalizzazione applicati alle serie storiche del commercio con l estero,
DettagliSTATISTICA MULTIVARIATA SSD MAT/06
Università degli studi di Ferrara Dipartimento di Matematica A.A. 2018/2019 I semestre STATISTICA MULTIVARIATA SSD MAT/06 LEZIONE 4 - Questioni di analisi e applicazione della regressione lineare Pratica
DettagliEconomia dei tributi
Università degli studi di Bari Aldo Moro Anno accademico 2014-2015 Corso di laurea magistrale in Consulenza professionale per le aziende Corso di laurea magistrale in Economia e management Economia dei
Dettagli5.5 Modelli per l ozono di Vicenza
il modello Vl-Net3 è guidato con più forza dalle stesse variabili che influenzano maggiormente le determinazioni del modello Vl-Net2 : la temperatura, la radiazione solare, l ozono di Valdagno dell ora
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
9.3. IL METODO DEI MINIMI QUADRATI IN FORMALISMO MATRICIALE 121 9.3 Il metodo dei minimi quadrati in formalismo matriciale Per applicare il MMQ a funzioni polinomiali, ovvero a dipendenze di una grandezza
DettagliProva TIPO D per: ESERCIZIO 1.
Prova TIPO D per: Esame di FONDAMENTI DI AUTOMATICA (9 crediti): 6 dei 10 esercizi numerici (nell effettiva prova d esame verranno selezionati a priori dal docente) domande a risposta multipla (v. ultime
DettagliFasi del modello di regressione
Fasi del modello di regressione Specificazione del modello: scelta del tipo di funzione da utilizzare per descrivere un fenomeno; definizione delle ipotesi di base Stima dei parametri: uso di stimatori
DettagliIdentificazione di modello
SE5 Prof. Davide Manca Politecnico di Milano Dinamica e Controllo dei Processi Chimici Esercitazione #5 Identificazione di modello ing. Sara Brambilla SE5 Identificazione di modello Nel definire un modello
DettagliEsportazioni nel 2018 in Toscana e in Italia
12 Marzo 2019 Esportazioni nel 2018 in e in Gli ultimi dati Istat sulle esportazioni nel 2018 confermano la crescita del trend degli ultimi anni sia in che nel resto del paese. Le esportazioni tra il e
Dettagli