kk Flashcards
Reszta jednorównaniowego liniowego modelu ekonometrycznego
A. To różnica między wartością empiryczną i teoretyczną zmiennej objaśnianej
B. Mówi, o ile przeciętnie różnią się wartości empiryczne i teoretyczne modelu
C. Informuje o dokładności estymacji
D. Żadna z powyższych
A. To różnica między wartością empiryczną i teoretyczną zmiennej objaśnianej
Zwykły współczynnik determinacji R-kwadrat
A. Przyjmuje wartości z przedziału od 0-4
B. Nie jest miarą unormowaną
C. Jest niemalejącą funkcją liczby zmiennych objaśniających
D. Określa, jaka część zmienności zmiennej objaśnianej jest wyjaśniana poza modelem
c
Statystyka testowa w teście Durbina-Watsona
A. Przyjmuje wartości z przedziału od 0 do 1
B. Przyjmuje wartości z przedziału od 0 do 2
C. Przyjmuje wartości z przedziału od 0 do 4
D. Nie jest unormowana
c
Kryteria informacyjne
A. Tym lepiej świadczą o modelu, im przyjmują wartość mniejszą
B. Mówią jaka część zmienności zmiennej objaśnianej jest wyjaśniana przez model
C. Nakładają na model karę za zbyt małą liczbę zmiennych objaśniających
D. Każda z powyższych
a
Skorygowany współczynnik determinacji R-kwadrat
A. Tym lepiej świadczy o modelu, im przyjmuje wartość mniejszą
B. Może przyjmować wartości ujemne
C. Przyjmuje wartości nie mniejsze niż zwykły współczynnik determinacji
D. Żadna z powyższych
b
Dokładność estymacji parametrów strukturalnych JLME uznajemy za zadowalającą, gdy średnie względne błędy szacunku parametrów są A. poniżej 50% B. powyżej 50% C. wyższe od współczynnika determinacji D. niższe od statystyki Durbina-Watsona
a
Własność efektywności estymatora MNK
A. oznacza że ma on najmniejszą wariancję w klasie estymatorów liniowych i nieobciążonych
B. oznacza że ma on największą wariancję w klasie estymatorów liniowych i nieobciążonych
C. oznacza że jego wartość oczekiwana jest równa parametrowi
D. żadna z powyższych
a
Założenia MNK o rzędzie macierzy obserwacji na zmiennych objaśniających jest konieczne, aby:
A. estymatory parametrów były nieobciążone
B. estymatory parametrów były efektywne
C. estymatory parametrów były zgodne
D. model był zidentyfikowany
d
Proces białego szumu cechuje m.in. stała w czasie zerowa wartość oczekiwana
p
Proces błądzenia losowego cechuje stała w czasie wariancja
f
Proces stochastyczny słabo stacjonarny musi cechować m.in. stała w czasie wariancja.
p
W teście Dickeya-Fullera statystyka testowa ma rozkład t-Student
f
Proces białego szumu cechuje m.in. brak autokorelacji
p
Występowanie relacji kointegrującej badamy, gdy szeregi są zintegrowane w tym, samym stopniu
p
Zależność między szeregami zintegrowanym w stopniu pierwszym. jest relacją kointegrującą, gdy ich kombinacja liniowa jest szeregiem niestacjonarnym
f
Szeregi skointegrowane wykazują wspólny trend stochastyczny
p
Proces stochastyczny słabo stacjonarny musi cechować m.in. stała w czasie wartość oczekiwana
p
Proces słabo stacjonarny A. Nie wykazuje trendu B. Ma zmienną w czasie wariancję C. Cechuje trwały charakter wpływu szoku D. Żadna z powyższych
a
Proces błądzenia losowego: A. Cechuje trend stochastyczny B. Jest procesem niestacjonarnym C. Ma tendencję powrotu do średniej D. Ma stałą wariancję E. Żadna z powyższych
a
Proces trendostacjonarny
A. Staje się stacjonarny po usunięciu trendu deterministycznego
B. Staje się stacjonarny po usunięciu trendu stochastycznego
C. Ma stałą w czasie wartość oczekiwaną
D. Żadna powyższych
a
Rozszerzony test Dickey'a-Fullera stosujemy, gdy składnik losowy w równaniu testowym testu Dickey'a-Fullera A. Wykazuje heteroskedastyczność B. Nie ma rozkładu normalnego C. Wykazuje autokorelację D. Żadna z powyższych
c
Zmienność instrumentu finansowego rozumiemy jako odchylenie standardowe logarytmicznej stopy zwrotu z tego instrumentu wyrażone w skali roku
p
Rozkłady stóp zwrotu z akcji są platykurtyczne
f
Im wyższa częstotliwość pomiaru stóp zwrotu z akcji, tym większe rozbieżności między rozkładem tych stóp a rozkładem normalnym
p
Założenie o normalności rozkładu jest bliższe prostej stopie zwrotu niż logarytmicznej stopie zwrotu z akcji
f
Rozkład stóp zwrotu z pewnej akcji jest leptokurtyczny. Kurtoza tego rozkładu przyjmuje więc wartość większą niż 3.
p
Jeśli zwroty cechują grube ogony, to na wykresie kwanty-kwantyl dla tych zwrotów dolne kwantyle są mniejsze, a górne kwantyle są większe niż kwantyle rozkładu normalnego
p
Model ARIMA, to model ARMA dla szeregu zintegrowanego
p
Po poprawnymi dopasowaniu do szeregu y modelu ARMA(p,q) reszty modelu powinny być białym szumem
p
Proces AR(p) jest zawsze słabo stacjonarny.
f
Proces AR(p) jest zawsze odwracalny
f
Proces MA(q) jest zawsze słabo stacjonarny
p
W przypadku procesu autoregresyjnego rzędu p
A. funkcja autokorelacji przyjmuje wartość zero dla rzędów opóźnień s większych od p
B. funkcja autokorelacji cząstkowej przyjmuje wartość zero dla rzędów opoźnień s większych od p
C. funkcja autokorelacji cząstkowej maleje geometrycznie do zera co do wartości bezwzględnej
D. żadna z powyższych
b
W przypadku procesu średniej ruchomej rzędu q
A. funkcja autokorelacji przyjmuje wartość zero dla rzędów opóźnień s większych od q
B. funkcja autokorelacji cząstkowej przyjmuje wartość zero dla rzędów opoźnień s większych od
C. funkcja autokorelacji maleje geometrycznie do zera co do wartości bezwzględnej
D. żadna z powyższych
a
Jeśli dla słabo stacjonarnego szeregu y wartość funkcji autokorelacji maleje geometrycznie do zera co do wartości bezwzględnej, zaś funkcja autokorelacji cząstkowej przyjmuje wartość zero dla rzędów opóźnień większych niż 2, to
A. Szereg y jest generowany przez proces AR(2)
B. Szereg y jest generowany przez proces MA(2)
C. Szereg y jest generowany przez proces ARMA(2,2)
a
Jeśli dla słabo stacjonarnego szeregu y wartość funkcji autokorelacji cząstkowej maleje geometrycznie do zera co do wartości bezwzględnej, zaś funkcja aułokorelacji przyjmuje wartość zero dla rzędów opóźnień większych niż 3, to
A. Szereg y jest generowany przez proces AR(3)
B. Szereg y jest generowany przez proces MA(3)
C. Szereg y jest generowany przez proces ARMA(3,3)
b
Test McLeoda-Li służy weryfikacji hipotezy o braku efektu ARCH
p
W modelu ARCH(1) warunkowa wariancja w okresie t zależy od kwadratu szoku w okresie t
f
Symetryczne modele GARCH umożliwiają odwzorowanie efektu grupowania się zmienności
p
Symetryczne modele GARCH umożliwiają odwzorowanie efektu dźwigni
f
Efekt dźwigni polega na tym, że zmienność silniej reaguje na szoki ujemne niż dodatnie tej samej wielkości
p
Model GJR-GARCH pozwala na odwzorowanie efektu dźwigni.
p
Krzywa wpływu informacji (news impact curve, NIC) pozwala na graficzną prezentację reakcji warunkowej wariancji na szoki dodatnie i ujemne.
p
Wiadomo, że 5-procentowa jednodniowa wartość zagrożona wynosi 150 tys. zł. Oznacza to, że z prawdopodobieństwem 0,05 strata na jednodniowym statycznym portfelu nie przekroczy 150 tys. zł.
F
Wiadomo, że dzienna stopa zwrotu z portfela ma rozkład t-Studenta o 5 stopniach swobody z wartością oczekiwaną 0% i odchyleniem standardowym 1%. Wiadomo również, że kwanty) rzędu 0,99 rozkładu t-Studenta (niestandaryzowanego) wynosi 3,3649. 1-procentowa jednodniowa wartość zagrożona dla tego portfela wyrażona procentowo wynosi więc 3,3649%.
F
W teście liczby przekroczeń Kupca sukces rozumiany jest jako strata na portfelu większa od wartości zagrożonej
P
W analizie zdarzeń model rynkowy można wykorzystać do prognozowania normalnych stóp zwrotu w oknie zdarzenia
P
W analizie zdarzeń okno estymacyjne obejmuje okres po oknie zdarzenia
F
W analizie zdarzeń weryfikujemy hipotezę o zerowej wartości oczekiwanej normalnej stopy zwrotu
F
W analizie zdarzeń skumulowana anormalna stopa zwrotu to suma anormalnych stóp zwrotu z okna zdarzenia
P
W pewnym okresie należącym do okna zdarzenia stopa zwrotu z badanej akcji wyniosła 2%, zaś normalna stopa zwrotu w tym okresie 1,5%. Oznacza to, że nadzwyczajna stopa zwrotu w tym okresie była równa 0,005
P
Weryfikując w ramach analizy zdarzeń hipotezę o braku wpływu podziału akcji pewnej firmy na jej wartość, otrzymano skumulowaną anormalną stopę zwrotu równą 77 i jej wariancję równą 563. Oznacza to, że w teście służącym weryfikacji tej hipotezy statystyka testowa przyjmuje ,wartość A. 7,31 B. 3,25 C. 0,14 D. Żadna z powyższych
B
W teorii portfelowej Markowitza granica efektywna, to część zbioru dopuszczalnego, do której należą te portfele, które mają niższe ryzyko od wszystkich innych portfeli o tej samej oczekiwanej stopie zwrotu (wyższej od oczekiwanej stopy zwrotu portfela o minimalnym ryzyku)
P
W teorii portfelowej Markowitza granica efektywna, to część zbioru dopuszczalnego, do której należą te portfele, które mają wyższą oczekiwaną stopę zwrotu od wszystkich innych portfeli o tym samym ryzyku
P
Wiadomo, że stopa zwrotu z instrumentu wolnego od ryzyka wynosi 1%, oczekiwana stopa zwrotu z portfela rynkowego 4%, zaś odchylenie standardowe stopy zwrotu z portfela rynkowego 0,02. Cena jednostki ryzyka wynosi więc A. 0,02 B. 0,03 C. 1,5 D. Żadna z powyższych
C
W teorii portfelowej inwestor konstruujący portfel składający się z instrumentu wolnego od ryzyka i portfela akcji, powinien jako portfel akcji wybrać portfel o minimalnym ryzyku
F
W modelu Sharpe’a składnik losowy reprezentuje efekt działania czynników niezwiązanych ze wskaźnikiem rynku
P
Linia charakterystyczna akcji w modelu Sharpe’a uzależnia stopę zwrotu z danej akcji od stopy zwrotu z portfela o minimalnym ryzyku
F
Współczynnik beta akcji jest miarą jej ryzyka specyficznego
F
Wiadomo, że stopa zwrotu z instrumentu wolnego od ryzyka wynosi 1%, zaś oczekiwana stopa zwrotu z portfela rynkowego 4%. Wyraz wolny linii rynku papierów wartościowych w modelu CAPM powinien być więc równy 0,01
P
Wiadomo, że stopa zwrotu z instrumentu wolnego od ryzyka wynosi 2%, zaś oczekiwana stopa zwrotu z portfela rynkowego 6%. Współczynnik kierunkowy linii rynku papierów wartościowych w modelu CAPM powinien być więc równy 0,04
P
Zgodnie z modelem CAPM oczekiwana stopa zwrotu z akcji zależy liniowo od ryzyka całkowitego tej akcji mierzonego odchyleniem standardowym jej stopy zwrotu
F
W metodzie EWMA wagi przypisane obserwacjom maleją wykładniczo wraz z upływem czasu.
P
