Contents: white noise and basic ARMA models, lag operators and polynomials, auto- and crosscorrelation, autocovariance, fundamental representation, state space representation, predicting ARMA models, impulse-response function, stationary ARMA models, Wold Decomposition,
vector autoregression (VAR): Sims and Blanchard-Quah orthogonalization, variance decomposition, VARs in state space notation, Granger causality, spectral representation, spectral density, filtering, spectrum of the filtered series, constructing filters, Hodri ck-Prescott filter, random walks and unit root time series, cointegration, Beveridge-Nelson decomposition, Bayesian Vector Autoregression (BVAR) models, Gibbs
Sampling, coding practice and application to financial and macroeconomic data.

Tematika: ARMA modellek, fehét zaj, eltolás operátor és polinomjai, autókorreláció, keresztkorreláció, autókovariancia, alap vető reprezentáció, állapottér reprezentáció, ARMA modellek előrejelzése, impulzus-válasz függvény, stacionárius ARMA modell, vektor autóregresszió(VAR), Sims és Blanchard-Quah ortogonalizáció, szórásfelbontás, VAR állapottérben, Granger okozat, spektrál reprezentáció, spektrálsürüség, szűrők, szűrt sorok spektruma, szűrők konstruálása, Hodrick-Prescott szűrő, véletlen bolyongás, Beveridge-Nelson felbontás, Bayes-féle vektor autóregresszió (BVAR), Gibbs minták, kódolási gyakorlat és alkalmazásai pénzügyi valamint makroökonomiai adatokra.