 | | |
| FINA0060-1 | Empirical Methods in Financial Markets
|
|
| Durée : | 30h Th |
|
| Nombre de crédits : |
| Master en sciences économiques, orientation générale, à finalité approfondie, 1re année | | 5 |
|
| Master en sciences économiques, orientation générale, à finalité didactique, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Performance Management and Control, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Performance Management and Control, 1re année | | 5 |
|
| Master en sciences économiques, orientation générale, à finalité spécialisée en analyse et politique économique, 1re année | | 5 |
|
| Master en sciences économiques,orientation générale, à finalité spécialisée en Economics and Finance, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Financial Engineering, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Financial Engineering, 1re année | | 5 |
|
| Master en sciences économiques, orientation générale, à finalité spécialisée en Economic Analysis and Public Governance, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en intrapreneuriat, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en intrapreneuriat, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Modélisation et technologie, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Modélisation et technologie, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Supply Chain Management, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Supply Chain Management, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Performance Management Systems, 1re année | | 5 |
|
| Master en ingénieur de gestion, à finalité spécialisée en Performance Management Systems, 1re année | | 5 |
|
|
|
| Nom du professeur : | Cédric Heuchenne |
|
| Coordinateur(s) : | Cédric Heuchenne |
|
Langue(s) du cours :
|
| Langue anglaise |
|
Organisation et évaluation :
|
| Enseignement au deuxième quadrimestre |
|
Contenus du cours :
|
| Le monde financier porte un intérêt sans cesse grandissant aux méthodes quantitatives de prédiction. Pour le spéculateur, il est en effet essentiel d'avoir une bonne approximation des valeurs futures de son portefeuille d'actions. Un analyste financier doit toujours prévoir au mieux le comportement des entreprises dans lesquelles ses clients sont susceptibles d'investir. C'est dans ce cadre que ce cours propose de développer les différentes méthodes existantes pour approcher ces problèmes. Son contenu dépend fortement des désirs des étudiants et de leurs aspirations professionnelles. Entre autres, les thématiques suivantes peuvent être abordées :
- prédiction de données saisonnières
- gestion du risque
- causalité
- prédiction dans les modèles autorégressifs à moyenne mobile (modèles ARMA)
- modèles à hétéroscédastité conditionnelle autorégressive généralisés (modèles GARCH)
- filtre de Kalman
- ... |
|
Acquis d'apprentissage (objectifs d'apprentissage) du cours :
|
| P2. Application des méthodes basiques de statistique aux processus stochastiques
C3. Analyse, identification de dénominateurs communs aux différentes méthodes
C4. Analyse critique de méthodes existantes en regard des situations pratiques rencontrées |
|
Prérequis et corequis / Modules de cours optionnels recommandés :
|
| 1) Cours de base de probabilités (fonction de répartion, distribution, densité, espérance, variance, lois discrètes et continues usuelles univariées, normale multivariée) et d'inférence statistique (estimation, intervalles de confiance, tests d'hypothèses). Equivalent au contenu du cours : Probabilités et inférence statistique STAT1208-1.
2) Cours de méthodes quantitatives de gestion : principalement bases de la régression multiple, maximum de vraisemblance, analyse en composantes principales. Par exemple, ce contenu est abordé dans
STAT0800-1 Models and methods in applied statistics ou
MQGE0005 Quantitative Methods in Management (Partim Statistics). |
|
Activités d'apprentissage prévues et méthodes d'enseignement :
|
| |
|
Mode d'enseignement (présentiel ; enseignement à distance) :
|
| Méthodologie utilisée
A3. Analyse d'un problème pratique par chaque étudiant (en partie encadré par le professeur).
A4. Synthèses critiques de recherches, de lectures et/ou d'applications pratiques menées par l'étudiant. En principe, chaque étudiant présente à la fin du quadrimestre ses lectures et les éventuels résultats obtenus. Lors de sa présentation, il est invité
1) à exposer clairement un problème d'intérêt dans son contexte financier et les méthodes existantes pour le résoudre,
2) à critiquer ces méthodes et justifier le choix d'une ou plusieurs d'entre elles dans un contexte particulier.
Parallèlement, il assiste aux présentations des autres étudiants, s'intéresse et critique la démarche que ceux-ci utilisent pour traiter leur problème propre.
Planification
Le cours s'étale sur 10 semaines. Les 12 premières heures, les professeurs présentent les différents problèmes d'intérêt assortis des notions nécessaires à leur compréhension.
Les étudiants choisissent alors deux problèmes et ils effectuent une recherche bibliographique personnelle.
Les septième et huitième semaines, les étudiants et le professeur se réunissent pour effectuer un état d'avancement de chaque travail.
Les étudiants préparent alors un rapport et une présentation du problème abordé pour la période d'évaluations qui suit le cours.
Répartition de la charge de travail étudiant
A1 Cours 12h
A3 Analyse personnelle de problème 70h
A3 Etat d'avancement 8h
A4 Rapport 25h
A4 Présentations 5h |
|
Lectures recommandées ou obligatoires et notes de cours :
|
| Syllabus introductif
Lectures conseillées :
1. Brockwell, P. J., & Davis, R. A. (1996). Introduction to Time Series and
Forecasting. New York : Springer.
2. Franses, P. H. (1998). Time series models for business and economic forecasting. Cambridge University Press.
3. Mills, T. C. (1999). The Econometric Modelling of Financial Time Series (Second ed.). Cambridge University Press.
4. Lectures conseillées (bibliographie ciblée) |
|
Modalités d'évaluation et critères :
|
| Outils d'évaluation, critères d'évaluation et pondération
E4. Rapport final (40% de la note finale)
L'évaluation se base sur la clarté, la capacité à synthétiser et l'analyse critique de l'étudiant.
E4. Présentation orale (40% de la note finale)
1. Qualité de la présentation : démarche scientifique (10%), contenu des transparents (10%) et qualité des explications (10%).
2. Défense du travail : réponses aux critiques du professeur et des autres étudiants (10%).
E4. Participation critique aux travaux des autres étudiants, qualité des questions posées (20%)
Pondération relative de l'évaluation individuelle : 60%
Calendrier des évaluations
Le rapport doit être remis au professeur avant la période d'évaluations qui suit le cours. La présentation orale se déroule durant les heures prévues pour le cours. |
|
Stage(s) :
|
| |
|
Remarques organisationnelles :
|
| Langue d'enseignement : anglais |
|
Contacts :
|
| Cédric HEUCHENNE, HEC-ULg Ecole de Gestion de l'Université de Liège, Bât N1, local 309, email: C.Heuchenne@ulg.ac.be
Julien HAMBUCKERS, HEC-ULg Ecole de Gestion de l'Université de Liège, Bât N1, local 310, email: jhambuckers@ulg.ac.be
(C.Heuchenne@ulg.ac.be) |
|
|
| |
