Număr de credite: 6

Cod: AME0158

Predare: curs 2h

Limba de predare: română

Tip: curs principal, semestrul 2, Masteratul Analiza Datelor Complexe

1. Serii de Timp: Definiții, Noțiuni Specifice, Caracteristici, Reprezentare Grafică

- În această temă, se explică conceptul de serii de timp ca o secvență ordonată de puncte de date înregistrate în funcție de timp.

- Se discută noțiunile specifice, cum ar fi punctele de date, frecvența de înregistrare și perioada de timp.

- Se arată cum să reprezentați grafic o serie temporală pentru a înțelege evoluția sa în timp.

2. Indicatori Derivați ai Seriilor Cronologice

- Se analizează indicatorii derivați, care sunt statistici calculate din serii de timp pentru a dezvălui tendințe sau modele.

- Acești indicatori includ medii mobile, variații și rate de schimbare și sunt utilizați pentru a evalua dinamicile seriei temporale.

3. Componentele unei Serii Cronologice: Trend-ul

- Această temă se concentrează pe componenta de trend a seriilor cronologice.

- Trend-ul reflectă tendința generală sau direcția în care se deplasează datele în timp.

- Se învață cum să identificați, să estimați și să interpretați trendurile într-o serie de timp.

4. Componentele unei Serii Cronologice: Sezonalitatea

- Se dezvoltă conceptul de sezonalitate, care indică modele sau cicluri regulate în datele de timp, care se repetă în mod obișnuit în același interval de timp.

- Această componentă este importantă în identificarea și modelarea variațiilor sezoniere.

5. Componentele unei Serii Cronologice: Ciclicitatea

- Ciclicitatea se diferențiază de sezonalitate prin faptul că nu este legată de perioade de timp fixe.

- Această temă explică natura ciclicității și modul în care poate influența datele temporale, precum și metodele pentru identificarea ciclurilor într-o serie de timp.

6. Metode Simple de Previziune: Naivă, Pe Baza Mediei Valorilor Trecute, Netezire (Media Mobilă și Netezirea Exponențială)

- Se prezintă metodele de previziune simplă, care pot fi aplicate rapid și fără necesitatea unor modele complexe.

- Aceste metode includ previziunea naivă, bazată pe media valorilor trecute și utilizarea tehnicii de netezire, cum ar fi media mobilă și netezirea exponențială.

7. Măsurarea Acurateței Previziunii

- Această temă se concentrează pe modul în care se măsoară precizia previziunilor.

- Se discută despre metrici precum eroarea medie absolută (MAE), eroarea medie pătratică (MSE) și coeficientul de determinare (R-squared), pentru a evalua cât de bine se potrivesc previziunile cu datele reale.

8. Tipuri de Corelații în Serii de Timp: Autocorelația, Corelația, Corelația Încrucișată

- Se explică conceptul de autocorelație (corelație între punctele de date din aceeași serie temporală)

- Se explică conceptul de corelație (corelație între două serii temporale diferite)

- Se explică conceptul de corelația încrucișată (corelație între aceeași serie temporală la diferite întârzieri).

9. Autoregresivitatea în Serii de Timp: Staționaritate versus Autoregresivitate

- Se discută importanța staționarității în seriile de timp și modul în care aceasta influențează autoregresivitatea.

- Se explică conceptul de procese autoregresive și se arată cum să se efectueze teste de staționaritate.

10. Modele de Tip Autoregresiv: AR, MA, ARMA, ARIMA, SARMA, SARIMA

- Se prezintă diferitele tipuri de modele autoregresive și se învață cum să le aplicăm pentru a modela și a prezice seriile temporale.

- Aceste modele includ AR (Autoregressive), MA (Moving Average), ARMA (Autoregressive Moving Average), ARIMA (Autoregressive Integrated Moving Average),

- Se prezintă și modele complexe de tip SARMA (Seasonal Autoregressive Moving Average) și SARIMA (Seasonal ARIMA).

11. Cointegrarea în Serii de Timp

- Se explică conceptul de cointegrare, care se referă la relațiile de lungă durată între mai multe serii de timp.

- Acest concept este important în analiza seriilor de timp care sunt interconectate și trebuie luate în considerare în modelarea și previziunea acestor date complexe.

Coroborarea conținuturilor disciplinei cu așteptările reprezentanților comunității epistemice, asociațiilor profesionale și angajatorilor reprezentativi din domeniul aferent programului

- Îmbunătățirea planificării și previziunii resurselor: Competențele dobândite în acest curs pot ajuta compania să dezvolte resurse umane capabile să analizeze serii de timp, să identifice tendințe și modele în datele istorice și să efectueze previziuni precise. Aceasta poate contribui la o planificare mai eficientă a resurselor, cum ar fi stocurile, personalul sau producția, reducând astfel costurile și riscurile asociate cu fluctuațiile de cerere și ofertă.

- Creșterea calității deciziilor strategice: O înțelegere profundă a serilor de timp și a tehnicilor de previziune poate sprijini compania în luarea unor decizii strategice mai bine informate. De exemplu, aceasta poate ajuta în identificarea momentelor optime pentru lansarea de produse sau servicii, pentru a satisface cerințele pieței.

- Eficiență în gestionarea riscurilor: Competențele în analiza seriilor de timp pot contribui la identificarea și gestionarea eficientă a riscurilor legate de variabilitatea datelor, astfel încât compania să poată lua măsuri preventive sau corective în timp util.

- Optimizarea resurselor financiare: Prin previziuni mai precise privind fluxurile de numerar.

• WOOLDRIGE, J. M. Introductory econometrics: A modern approach. Nelson Education; 2016.
• HENDRY, David F., Economic Forecasting, Nuffield College, University of Oxford, 2000 – lecture notes.
• SODERLIND, Paul, Lecture Notes in Empirical Macroeconomics, University of St. Gallen, 2005.
• SODERLIND, Paul, Lecture Notes in Macroeconomic and Financial Forecasting, University of St. Gallen, 2006.
• SODERLIND, Paul, Lecture Notes in Financial Econometrics, University of St. Gallen, 2011.
• COCHRANE, John H., Time Series for Macroeconomics and Finance,Graduate School of Business, University of Chicago, 2005.
• KLEIN, Lawrence R., WELFE Aleksander, WELFE Wladyslaw, Principiile modelării macroeconometrice, Ed. Economică, București, 2003.
• MAKRIDAKIS, Spyros, WHEELWRIGHT, Steven C., HYNDMAN, Rob J., Forecasting – Methods And Applications, Ed. John Wiley & Sons, Inc., 1998.
• DIEBOLD, Francis X., Forecasting in Economics, Business, Finance and Beyond, Edition 2017.
• LAZĂR, Dorina, Econometrie financiară, Ed. Casa Cărții de Știință, Cluj-Napoca, 2012.
• MARE, Codruța, Scenarios and Prospectives Regarding the Euro Introduction on the Romanian Market, Ed. Eikon, Cluj-Napoca, 2013.
• Mare Codruța, Litan Cristian-Marius, Perspectives on Euro introduction in the Romanian economy, Baltic Journal of Economics, vol. 12, nr. 1, Spring, 2012, P.23 – 40.

- 50% examen scris

- 50% 3 teme pentru acasa

- 10% prezentețe

Obiective generale

• Familiarizarea studenților cu principalele noțiuni legate de seriile de timp, cu principalele metode de analiză și previziune și cu diversitatea domeniilor de aplicabilitate

Obiective specifice

• Cunoașterea noțiunilor specifice seriilor de timp și a modului de analiză a acestora
• Familiarizarea cu tipurile de previziune și a cazurilor în care se aplică fiecare tip
• Identificarea pașilor specifici de analiză în funcție de scopul final
• Analiza datelor, identificarea componentelor seriilor cronologice analizate și extragerea specificităților evoluționiste
• Dobândirea capacităților de previzionare a mărimilor cronologice și de evaluare a eficienței procesului de previziune
• Cunoașterea metodologiilor ce pot fi aplicate în cadrul procesului de previziune