Рассмотрим основы моделей скользящего среднего, сглаживание прошлых значений временного ряда с помощью скользящего среднего, а также прогнозирование с помощью моделей скользящего среднего, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим концепцию единичного корня, анализ временных рядов с единичным корнем, а также проверку авторегрессионной модели на нестационарность с помощью теста (критерия) единичного корня, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим случайное блуждание - одну из наиболее широко изученных моделей временных рядов для финансовых данных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим нестабильность коэффициентов регрессии моделей временных рядов, а также определение периода выборки при построении модели, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим сравнение точности прогнозирования в пределах выборки и вне выборки, а также сравнение точности прогнозов различных моделей временных рядов на основе критерия среднеквадратической ошибки, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим возврат (реверсию) к среднему временного ряда, а также прогнозирование нескольких периодов временного ряда, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим структуру авторегрессионных моделей и расчет прогнозов на ее основе, а также использование автокорреляции остаточных ошибок для проверки соответствия авторегрессионной модели временному ряду, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим авторегрессионные модели временных рядов, а также характеристики ковариантно стационарных временных рядов, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим факторы, определяющие выбор линейного или лог-линейного тренда для определенного временного ряда, а также оценку ограничений моделей трендов, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим прогнозирование временных рядов, смоделированных как логарифмический линейный тренд, а также особенности выбора и использования модели лог-линейного тренда, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим расчет и оценку прогнозируемого значения тренда для временных рядов, смоделированных как линейный тренд, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим концепцию временных рядов данных и фундаментальные вопросы анализа временных рядов при принятии финансовых и инвестиционных решений, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим качественные зависимые переменные, как работают регрессионные модели с такими переменными и как интерпретировать результаты таких регрессий, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим проблему ошибочной спецификации модели множественной регрессии, использующей временные ряды данных, а также влияние этой ошибки на результаты регрессионного анализа, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим, как ошибки спецификации модели множественной регрессии влияют на результаты регрессионного анализа, а также как избежать типичных ошибок неправильной спецификации модели, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим мультиколлинеарность, причины ее возникновения и последствия в регрессионном анализе, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим сериальную корреляцию (автокорреляцию), возникающую в регрессиях временных рядов, а также ее влияние на статистический вывод и методы ее устранения, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим типы гетероскедастичности, корректировку регрессии на гетероскедастичность и то, как гетероскедастичность влияет на статистический вывод, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим определение, интерпретацию и визуализацию фиктивных переменных в множественной линейной регрессии, а также проверку статистической значимости регрессионной модели с помощью фиктивных переменных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим проверку значимости модели множественной линейной регрессии в целом (F-критерий), расчет и интерпретацию F-статистики и коэффициента детерминации в модели множественной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим особенности прогнозирования зависимой переменной в модели множественной регрессии, основанной на предполагаемых значениях независимых переменных, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим допущения, которые определяют классическую нормальную модель множественной линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим модель, формулы и примеры множественной линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим особенности выбора подходящей функциональной формы простой линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим функциональные формы простых линейных регрессий, которые включают преобразование независимых и зависимых переменных с помощью логарифма, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим прогнозирование значения зависимой переменной в простой линейной регрессии, а также создание интервалов прогнозирования, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим особенности выбора уровня значимости и опредеделения p-значений, а также ошибки I и II рода при проверке гипотез о коэффициентах линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим проверку гипотез о коэффициентах линейной регрессии: точке пересечения (константе) и коэффициенте наклона, когда независимая переменная является индикаторной переменной, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим формулировку нулевой и альтернативной гипотезы о значении коэффициента наклона для линейной регрессии, а также принятие/отклонение нулевой гипотезы на заданном уровне значимости, - в рамках изучения количественных методов по программе CFA (Уровень II).

Использование дисперсионного анализа (ANOVA) в регрессионном анализе, интерпретация результатов ANOVA, а также расчет и интерпретация стандартной ошибки оценки в простой линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим разложение общей суммы квадратов регрессионной модели на компоненты, а также расчет и интерпретацию коэффициента детерминации, F-статистику и стандартную ошибку простой линейной регрессии, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим допущения, лежащие в основе модели простой линейной регрессии, а также как остатки и графики остатков регрессии указывают на нарушение этих допущений, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим расчет и интерпретацию коэффициентов простой линейной регрессии (точка пересечения, наклон), а также сравнение перекрестной регрессии и регрессии временных рядов, - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим основы расчета простой линейной регрессии, построение линии регрессии, а также практический пример регрессионного анализа рентабельности активов (ROA) по капитальным затратам (CAPEX), - в рамках изучения количественных методов по программе CFA (Уровень II).

Рассмотрим простую линейную регрессию на примере анализа факторов, управляющих рентабельностью активов (ROA), - в рамках изучения количественных методов по программе CFA (Уровень II).

Непараметрические методы проверки статистических гипотез используют меньше допущений и могут применяться с ранжированными данными, а также для решения вопросов, не связанных с параметрами. Рассмотрим эту концепцию в рамках изучения количественных методов по программе CFA.

Проверка статистических гипотез о значении коэффициента корреляции позволяет оценить, является ли связь между двумя случайными величинами результатом случайности. Рассмотрим эту методику в рамках изучения количественных методов по программе CFA.

Проверка гипотез о разнице между дисперсиями выполняется с использованием F-распределения и часто применяется для анализа различий в изменчивости показателей разных временных периодов. Рассмотрим эту методику в рамках изучения количественных методов по программе CFA.

Дисперсия и стандартное отклонение часто используются в качестве характеристик риска и доходности, поэтому финансовым аналитикам приходится проверять гипотезы о значении этих статистик. Рассмотрим методику проверки гипотез о значении дисперсии и стандартного отклонения, в рамках изучения количественных методов по программе CFA.

Проверка гипотез о среднем значении разности используется для парного сравнения средних значений доходности и других финансовых показателей. Рассмотрим эту концепцию и пример ее использования, - в рамках изучения количественных методов по программе CFA.

Проверка статистических гипотез, касающихся различий между средними значениями, используется для сравнения групп наблюдаемых финансовых коэффициентов. Рассмотрим эту концепцию и примеры ее использования, - в рамках изучения количественных методов по программе CFA.

Проверка статистических гипотез, касающихся среднего значения – наиболее распространенный тип проверки гипотез в практике финансового аналитика. Рассмотрим особенности такой проверки с использованием t-теста и z-теста, а также примеры из финансовой практики, - в рамках изучения количественных методов по программе CFA.

Проверка статистических гипотез используется финансовыми аналитиками для проверки утверждений о значениях статистических финансовых показателей. Рассмотрим концепцию и методику проверки статистических гипотез в рамках изучения количественных методов по программе CFA.

Выборки из финансовых баз данных подвержены систематическим ошибкам (смещениям) выборки., а также другим типам смещений, характерным для временных рядов финансовых данных. Рассмотрим эти проблемы финансового анализа в рамках изучения количественных методов по программе CFA.

Интеллектуальный анализ данных или добыча данных (data-mining) используется финансовыми аналитиками для разработки торговых стратегий, которые в свою очередь могут отражать систематические ошибки (или смещение) добычи данных. Рассмотрим эту концепцию в рамках изучения количественных методов по программе CFA.

Размер выборки влияет на стандартную ошибку и ширину доверительного интервала. Рассмотрим факторы, которые нужно учитывать при определении размера выборки, а также соответствующий пример из инвестиционной практики, - в рамках изучения количественных методов по программе CFA.

Доверительные интервалы используются для нахождения диапазона значений оцениваемой величины. Рассмотрим эту концепцию, а также концепцию степеней свободы (DF) и t-распределения Стьюдента, - в рамках изучения количественных методов по программе CFA.

Точечная оценка позволяет найти наилучший способ расчета одного значения параметра совокупности. Рассмотрим эту концепцию, а также концепции несмещенной, эффективной и состоятельной оценки, - в рамках изучения количественных методов по программе CFA.

Центральная предельная теорема - одна из наиболее практически полезных теорем теории вероятностей в работе финансового аналитика. Рассмотрим эту концепцию в рамках изучения количественных методов по программе CFA.

Временные ряды и перекрестные данные - это основные типы исходных данных, используемых для анализа доходности и прочих исторических финансовых данных. Рассмотрим эти типы данных в рамках изучения количественных методов по программе CFA.