http://hdl.handle.net/11089/4908 2026-04-08T23:08:02Z 2026-04-08T23:08:02Z Domański, Czesław http://hdl.handle.net/11089/10154 2018-02-01T11:19:10Z 2013-01-01T00:00:00Z

Józef Kleczyński (1841–1900) Domański, Czesław

2013-01-01T00:00:00Z Domański, Czesław http://hdl.handle.net/11089/10150 2018-02-01T11:19:09Z 2013-01-01T00:00:00Z

Samuel Dickstein (1851–1939) Domański, Czesław

2013-01-01T00:00:00Z Zaborski, Artur Pełka, Marcin http://hdl.handle.net/11089/10092 2018-02-01T11:19:18Z 2013-01-01T00:00:00Z

Geometrical Presentation of Preferences by Using Profit Analysis and R Program Zaborski, Artur; Pełka, Marcin PROFIT is a kind of external vector analysis of preference mapping. It is a combination of multidimensional scaling and multiple regression analysis. PROFIT takes as input both a configuration of stimulus points and a set of preference rankings of the different properties of the stimuli. For stimulus space obtained by multidimensional scaling multiple regression is performed using the coordinates as independent variables and attribute as the dependent variable. The program locates each property as a vector through the configuration of points, so that it indicates the direction over the space in which the property is increasing. The article presents PROFIT analysis and the R code to carry out the method. The function is illustrated with an example of application in the analysis of consumer preferences.; PROFIT jest przykładem „zewnętrznej” wektorowej metody map preferencji. Jest ona połączeniem skalowania wielowymiarowego i analizy regresji wielorakiej. Danymi wejściowymi w analizie PROFIT są zarówno współrzędne punktów reprezentujących obiekty na mapie percepcyjnej jak również oceny preferencji obiektów ze względu na wybrane zmienne. Dla konfiguracji punktów reprezentujących obiekty otrzymanej za pomocą skalowania wielowymiarowego przeprowadza się analizę regresji wielorakiej, w której zmiennymi objaśniającymi są współrzędne obiektów na mapie percepcyjnej, a zmiennymi zależnymi oceny marek ze względu na poszczególne cechy. Program dokonuje rozmieszczenia na mapie percepcyjnej zmiennych w postaci wektorów wskazujących kierunek maksymalnej preferencji ze względu na daną zmienną. Artykuł jest prezentacją analizy PROFIT oraz składni poleceń programu R, pozwalającej na jej realizację. Sposób użycia funkcji zilustrowano przykładem badania preferencji.

2013-01-01T00:00:00Z Małecka, Marta http://hdl.handle.net/11089/10090 2021-07-12T11:03:07Z 2013-01-01T00:00:00Z

GARCH Process Application in Risk Valuation for WIG20 Index Małecka, Marta The recent economic crisis of 2008/2009 boosted a discussion about effectiveness of popular methods of controlling risk in financial markets, with value-at-risk approach being a topical issue. The paper contrasted a GARCH model for 1% VaR estimation for WIG20 with five basic approaches: variance-covariance, historical simulation, Risk Metrics™, Monte Carlo simulation and bootstrap method. A comprehensive study was supplied, with the focus on sample choice, to emphasize the influence of extraordinary price movements during the crisis. The study showed that nonparametric methods prevail over other models in the sense that the probability of exceeding the assumed loss level is the lowest. Further enquiry supported the view that GARCH model outperforms all techniques based on the assumption of a specific probability distribution of log returns. The problem of attaining the required level of tolerance in conditions of high instability of prices was evident from Kupiec tests results. A complementary analysis of capital requirements in relation to VaR estimation technique, gave the additional argument for GARCH model superiority over other risk valuation methods.; Kryzys przełomu lat 2008/2009 wywołał dyskusję dotyczącą efektywności popularnie stosowanych metod kontroli ryzyka na rynku finansowym, co w szczególności spowodowało wzrost zainteresowania metodologią VaR. W niniejszym opracowaniu przedstawione zostało porównanie metody VaR-GARCH do szacowania 1% VaR dla indeksu WIG20 z pięcioma innymi popularnymi podejściami: wariancji-kowariancji, symulacji historycznej, Risk Metrics™, Monte Carlo, metodą symulacyją i bootstrapową. Szczególną uwagę zwrócono na wybór próby, w celu podkreślenia wniosków specyficznych dla okresu kryzysu finansowego. Pokazano, że nieparametryczne metody przeważają nad pozostałymi w kontekście prawdopodobieństwa przekroczenia przewidywanego poziomu straty. Badanie potwierdziło hipotezę, że model GARCH daje lepsze rezultaty niż metody oparte na założeniu niezmiennego w czasie rozkładu logarytmicznych stóp zwrotu. Wyniki testu Kupca pokazały problem przekraczania założonego poziomu tolerancji w warunkach kryzysu. Badanie uzupełniono analizą wymogów kapitałowych w zależności od techniki estymacji VaR, co dodatkowo potwierdziło przewagę modelu GARCH nad innymi sposobami szacowania ryzyka.

2013-01-01T00:00:00Z