Nous introduirons des méthodes analytiques pour analyser les données de séries temporelles afin de construire des modèles de prévision et d'aider à la prise de décision. Les étudiants apprendront à analyser les données financières qui sont généralement présentées sous forme de séries chronologiques. Les sujets abordés incluent la prévision des mesures de performance, la moyenne mobile, les méthodes de lissage exponentiel et la méthode de Holt-Winters.

Dans ce module, nous commencerons par la stationnarité, la première étape nécessaire à l'analyse des données de séries temporelles. Les étudiants apprendront à identifier si une série temporelle est stationnaire ou non et à faire en sorte que des données non stationnaires deviennent stationnaires. Ensuite, nous étudierons un modèle de prévision de base : ARIMA. Les étudiants apprendront à construire un modèle de prévision ARIMA à l'aide de R.

Nous présenterons quelques mesures de base de la théorie moderne du portefeuille. Les étudiants comprendront ce que sont le risque et le rendement, comment les équilibrer et comment évaluer un portefeuille d'investissement.