Jak napisać pracę magisterską z finansów i bankowości – poradnik

Finanse i bankowość to jeden z tych kierunków, gdzie promotor od razu widzi, czy student rozumie temat, czy tylko cytuje podręcznik. Praca magisterska musi tu mieć fundament empiryczny: dane, model, wynik. Samo opisanie teorii Markowitza na 80 stronach nie wystarczy – musisz ją zastosować do konkretnego portfela i pokazać, co z tego wychodzi.

Specyfika tego kierunku polega na tym, że granica między pracą opisową a analityczną jest wyraźna i promotorzy po której stronie tej granicy stoisz, widzą już na etapie propozycji tematu. Jeśli twój tytuł zawiera słowa „analiza”, „wycena”, „ocena ryzyka” albo „wpływ X na Y” – to dobrze. Jeśli brzmi jak tytuł rozdziału w podręczniku – źle.

Poniżej znajdziesz praktyczny przewodnik: od wyboru tematu, przez teorie i metodologię, po źródła danych i typowe błędy, które kosztują ocenę.

Specyfika kierunku i typy prac

Na finansach i bankowości funkcjonują trzy dominujące typy prac magisterskich.

Pierwszy typ to praca empiryczna – masz dane, stosujesz model statystyczny lub ekonometryczny, interpretujesz wyniki. To najbardziej ceniony przez promotorów format, bo wymaga samodzielnej analizy. Przykład: badanie wpływu zmian stóp procentowych NBP na rentowność portfeli kredytów hipotecznych w polskich bankach komercyjnych w latach 2015-2023.

Drugi typ to praca wycenowa lub case study – bierzesz konkretną spółkę albo projekt inwestycyjny i przeprowadzasz pełną wycenę: DCF, mnożniki porównawcze, analiza wrażliwości. Często spotykana w specjalizacjach korporacyjnych.

Trzeci typ to praca przeglądowo-syntetyczna – przegląd literatury z elementem własnej analizy krytycznej lub meta-analizy wyników badań. Trudniejsza niż wygląda, bo wymaga dobrego warsztatu metodologicznego i szerokiej znajomości literatury angielskojęzycznej.

Na polskich uczelniach promotorzy coraz częściej wymagają prac empirycznych z rozbudowaną częścią metodologiczną. Jeśli twoja uczelnia daje wybór – idź w empirię.

Wybór tematu i pytanie badawcze

Dobry temat na finansach spełnia trzy warunki: masz do niego dane, masz metodę, którą możesz zastosować, i wynik nie jest z góry wiadomy. „Ryzyko bankructwa polskich spółek giełdowych – analiza z zastosowaniem modelu Altmana Z-score” spełnia wszystkie trzy. „Rola banków w gospodarce” – żadnego.

Pytanie badawcze to jedna konkretna rzecz, którą chcesz zbadać. Nie cel pracy, nie temat – pytanie. Powinno zaczynać się od „Czy”, „W jakim stopniu”, „Jak” lub „Jaki jest wpływ”. Promotor ocenia, czy da się na nie odpowiedzieć metodami naukowymi.

Finanse korporacyjne: wycena, struktura kapitału, dywidendy, M&A

Tematy z finansów korporacyjnych mają tę zaletę, że dane dla spółek giełdowych są publicznie dostępne. GPW, sprawozdania roczne, ESPI – to materiał, który możesz zebrać bez dostępu do płatnych baz.

Popularne kierunki badań to: determinanty polityki dywidendowej polskich spółek, wpływ struktury kapitałowej na wartość firmy (testowanie teorii trade-off vs. pecking order), efektywność fuzji i przejęć mierzona ponadnormatywnymi stopami zwrotu (CAR), ocena projektów inwestycyjnych metodą DCF z uwzględnieniem opcji realnych.

Jeśli planujesz temat z M&A, to event study jest tu standardem. Musisz wyznaczyć okno zdarzenia, obliczyć normalne i ponadnormalne stopy zwrotu, zagregować do CAR i przetestować istotność statystyczną.

Bankowość: ryzyko kredytowe, płynność, regulacje, fintech

Bankowość otwiera dostęp do danych NBP, KNF i EBC – wszystkie są bezpłatne i dobrze udokumentowane. Najczęstsze tematy to: modele credit scoring dla kredytów detalicznych, wpływ wymogów Bazylei III na politykę kredytową banków, analiza ryzyka płynności (LCR, NSFR), ocena skuteczności stress testów EBC.

Fintech jako obszar badań rośnie – blockchain, robo-doradcy, kryptowaluty jako klasa aktywów. Ale tu dane są trudniejsze do zebrania, a literatura jeszcze się formuje, co może być problemem przy recenzji.

Rynki finansowe: akcje, obligacje, derywaty, kryptowaluty

To obszar z najbogatszymi możliwościami metodologicznymi. Testujesz hipotezę rynku efektywnego, modelujesz zmienność za pomocą GARCH, badasz anomalie cenowe (efekt stycznia, efekt weekendowy), analizujesz współzależności między rynkami (korelacje, kointegracja).

Dane z GPW dostaniesz ze Stooq.pl bezpłatnie w formacie CSV. Dla rynków zagranicznych – Yahoo Finance API lub FRED. Kryptowaluty: CoinGecko API, Binance API.

Finanse publiczne: dług publiczny, budżet, podatki

Mniej popularny obszar na studiach ekonomicznych, ale z wyraźnym pytaniem badawczym daje ciekawe wyniki. Możesz analizować wpływ deficytu strukturalnego na koszty obsługi długu, badać skuteczność konsolidacji fiskalnych w krajach UE (dane Eurostatu), oceniać elastyczność dochodów podatkowych względem PKB.

Teorie finansowe

Każda praca empiryczna z finansów powinna zakotwiczać swoje hipotezy w teorii. Promotor pyta: „Skąd wiesz, czego szukać?” – i odpowiedź „z literatury” musi być poparta konkretnymi teoriami.

Hipoteza rynku efektywnego (EMH, Fama 1970) – formy slaba/polsilna/silna

Eugene Fama sformułował w 1970 roku hipotezę rynku efektywnego w trzech wersjach. Forma słaba mówi, że ceny akcji odzwierciedlają wszystkie informacje historyczne – analiza techniczna nie przynosi ponadprzeciętnych zysków. Forma półsilna zakłada, że ceny zawierają wszystkie publicznie dostępne informacje – analiza fundamentalna też nie działa na dłuższą metę. Forma silna: ceny odzwierciedlają też informacje prywatne (insider knowledge).

W pracy musisz wyraźnie napisać, którą formę testujesz i jak. Do formy słabej stosujesz testy losowego błądzenia (runs test, test Ljung-Boxa na autokorelację). Forma półsilna – event study z CAR. Forma silna – praktycznie nieobszerna w standardowych pracach magisterskich, bo wymaga danych o transakcjach insiderów.

Teoria portfela Markowitza (frontier, beta, alpha)

Harry Markowitz opublikował teorię portfela w 1952 roku i do dziś jest podstawą optymalizacji portfelowej. Kluczowy wniosek: inwestor może zredukować ryzyko portfela poprzez dywersyfikację, nawet jeśli poszczególne aktywa są ryzykowne. Granica efektywna (efficient frontier) to zbiór portfeli o maksymalnej oczekiwanej stopie zwrotu dla danego poziomu ryzyka.

W pracy obliczasz macierz wariancji-kowariancji, wyznaczasz portfel o minimalnym ryzyku i portfel optymalny (maximizing Sharpe ratio). Do tego służy pakiet PortfolioAnalytics w R lub scipy.optimize w Pythonie.

Beta mierzy wrażliwość akcji na ruchy rynku (beta = 1 to ruch jak indeks, beta > 1 to spółka bardziej zmienna niż rynek). Alpha to ponadnormatywna stopa zwrotu po uwzględnieniu ryzyka systematycznego.

CAPM (Sharpe 1964): E(Ri) = Rf + Bi(E(Rm) – Rf)

Model CAPM (Capital Asset Pricing Model), opracowany przez Williama Sharpe’a w 1964 roku, wyznacza oczekiwaną stopę zwrotu z aktywa jako funkcję ryzyka systematycznego:

E(Ri) = Rf + Bi * (E(Rm) – Rf)

gdzie: E(Ri) to oczekiwana stopa zwrotu z aktywa i, Rf to stopa wolna od ryzyka (np. rentowność obligacji skarbowych), Bi to beta aktywa, E(Rm) to oczekiwana stopa zwrotu rynku, a E(Rm) – Rf to premia za ryzyko rynkowe.

W pracy szacujesz betę regresją OLS: stopy zwrotu spółki jako zmienna zależna, stopy zwrotu indeksu (np. WIG20) jako niezależna. Intercept tej regresji to alpha Jensena – miara, czy spółka biła rynek po korekcie o ryzyko.

Fama-French 3-factor i 5-factor model

Fama i French w 1993 roku rozszerzyli CAPM o dwa dodatkowe czynniki: SMB (Small Minus Big – premia za małe spółki) i HML (High Minus Low – premia za spółki o wysokim wskaźniku B/M, czyli value stocks). W 2015 roku dodali RMW (profitability) i CMA (investment), tworząc model 5-czynnikowy.

Model 5-czynnikowy:

E(Ri) – Rf = Bi(E(Rm)-Rf) + siSMB + hiHML + riRMW + ci*CMA

Do polskiego rynku dane czynnikowe możesz pobrać ze strony Kennetha Frencha (mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html) dla czynników globalnych lub europejskich, albo samodzielnie skonstruować czynniki z danych GPW.

Teoria agencji (Jensen i Meckling 1976): problem principal-agent

Michael Jensen i William Meckling opisali w 1976 roku konflikt interesów między właścicielami (principals) a zarządzającymi (agents). Menedżerowie mogą działać we własnym interesie kosztem akcjonariuszy – przez nadmierne wynagrodzenia, empire building (przejęcia zwiększające prestiż, ale niszczące wartość), czy unikanie ryzyka.

Koszty agencji obejmują: koszty monitorowania (audyt, rady nadzorcze), koszty wiązania (opcje menedżerskie jako mechanizm wyrównania interesów) i koszt resztkowy (utracona wartość pomimo mechanizmów kontroli).

W pracy magisterskiej teorię agencji stosuje się jako uzasadnienie dla badań nad strukturą własnościową a efektywnością spółek, polityką dywidendową jako sygnałem dla rynku, albo skutecznością rad nadzorczych.

Finanse behawioralne: overconfidence, herding, disposition effect (Kahneman i Tversky)

Daniel Kahneman i Amos Tversky opublikowali prospect theory w 1979 roku, podważając założenie racjonalnego inwestora. Kluczowe anomalie behawioralne to: overconfidence (nadmierna pewność siebie – inwestorzy przeszacowują swoją wiedzę), herding (podążanie za tłumem nawet wbrew własnym sygnałom), disposition effect (skłonność do zbyt wczesnej sprzedaży zyskownych pozycji i trzymania stratnych).

W badaniach empirycznych herding mierzysz metodą Christiego i Huanga (1995) – analiza odchyleń standardowych stóp zwrotu między spółkami (CSSD, CSAD) w warunkach skrajnych ruchów rynku. Jeśli CSAD maleje w czasie dużych wzrostów lub spadków rynku, to sygnał stadnego zachowania.

Bazylejskie regulacje: Bazylea I/II/III – wymogi kapitalowe CET1, Tier 1, NSFR, LCR

Bazylea I (1988) wprowadził minimalny współczynnik kapitałowy 8%. Bazylea II (2004) dodał trzy filary: minimalne wymogi kapitałowe, nadzór regulacyjny i dyscyplinę rynkową, a ryzyko operacyjne po raz pierwszy stało się komponentem wymogu kapitałowego.

Bazylea III (wdrażana od 2013, finalna forma – Bazylea IV – od 2025) to odpowiedź na kryzys 2008. Kluczowe wskaźniki:

• CET1 (Common Equity Tier 1) – najwyższa jakość kapitału (akcje zwykłe + zyski zatrzymane), minimum 4,5% RWA
• Tier 1 = CET1 + Additional Tier 1, minimum 6% RWA
• LCR (Liquidity Coverage Ratio) – bufor płynnościowy na 30 dni stresu, minimum 100%
• NSFR (Net Stable Funding Ratio) – finansowanie stabilne vs. wymagane, minimum 100%

Dane do analizy zgodności banków z Bazyleą znajdziesz w raportach KNF (roczniki sektora bankowego), EBC (supervisory banking statistics) oraz BIS (quarterly review).

Metodologia ilosciowa

To serce pracy empirycznej z finansów. Każda metoda poniżej ma swoje założenia – musisz je sprawdzić, a nie tylko zastosować formułę.

Analiza szeregów czasowych: ARIMA, GARCH(1,1) – estymacja wariancji warunkowej

ARIMA (AutoRegressive Integrated Moving Average) służy do modelowania i prognozowania szeregów czasowych. Zanim użyjesz, sprawdź stacjonarność testem ADF (Augmented Dickey-Fuller) lub KPSS. Większość finansowych szeregów (ceny akcji) jest niestacjonarna w poziomach, ale stacjonarna po zróżnicowaniu (stopy zwrotu).

GARCH(1,1) (Generalized AutoRegressive Conditional Heteroskedasticity) modeluje zmienną w czasie wariancję (zmienność finansową). Model Bollersleva (1986) w wersji GARCH(1,1):

sigma^2_t = omega + alpha * epsilon^2_(t-1) + beta * sigma^2_(t-1)

gdzie: sigma^2_t to wariancja warunkowa w czasie t, epsilon to szok losowy, a alpha + beta < 1 zapewnia stacjonarność. Szacujesz GARCH w R pakietem rugarch (funkcja ugarchfit) lub w Pythonie pakietem arch (klasa arch_model). Wyniki interpretujesz jako persistence zmienności (alpha + beta blisko 1 = efekty zmienności długo zanikają).

Regresja panelowa (FE/RE, test Hausmana, GMM – Arellano-Bond)

Dane panelowe to obserwacje wielu jednostek (spółek, banków, krajów) w czasie. Masz dwa podstawowe modele: fixed effects (FE) – kontrolujesz nieobserwowaną heterogeniczność między jednostkami przez demeaning danych, i random effects (RE) – zakładasz, że nieobserwowane efekty indywidualne są losowe i nieskorelowane z regresorami.

Test Hausmana decyduje, który model jest właściwy. Jeśli p < 0,05, odrzucasz H0 o braku systematycznej różnicy między FE i RE – używasz FE.

Gdy masz problem endogeniczności (zmienna objaśniająca jest skorelowana z błędem – np. rentowność spółki wpływa zarówno na dźwignię, jak i zależy od dźwigni), sięgasz po GMM Arellano-Bonda (1991). To estymator oparty na zmiennych instrumentalnych zbudowanych z opóźnionych wartości zmiennych endogenicznych. W R stosujesz pakiet plm dla FE/RE i pgmm dla GMM.

Event study: okno zdarzenia (-n, +n dni), CAR (Cumulative Abnormal Return)

Event study mierzy reakcję cen akcji na zdarzenie korporacyjne (ogłoszenie wyników, fuzja, dywidenda, zmiana ratingu). Standardowy protokół:

1. Wyznaczasz okno estymacyjne (zwykle -250 do -21 dni przed zdarzeniem) do oszacowania parametrów modelu rynkowego
2. Szacujesz normalną stopę zwrotu: R_i,t = alpha_i + beta_i * R_m,t + epsilon_i,t
3. Obliczasz ponadnormatywną stopę zwrotu (AR): AR_i,t = R_i,t – (alpha_i + beta_i * R_m,t).
4. Agregujesz AR w oknie zdarzenia (-n, +n): CAR_i = suma AR_i,t
5. Testujesz istotność statystyczną (t-test lub test Patella).

Okno zdarzenia typowo: (-1, +1) dla szybkiej reakcji rynku, (-5, +5) gdy oczekujesz przecieku informacji. Wyniki interpretujesz: dodatnie CAR = rynek dobrze odebrał zdarzenie, ujemne = negatywna reakcja.

Wycena: DCF (WACC, FCF, wartosc terminalna), mnozniki (EV/EBITDA, P/E, P/BV)

Wycena DCF (Discounted Cash Flow) opiera się na zdyskontowaniu przyszłych wolnych przepływów pieniężnych (FCF). Formuła:

V = suma(FCF_t / (1 + WACC)^t) + TV / (1 + WACC)^n

gdzie TV (wartość terminalna) = FCF_(n+1) / (WACC – g), a g to stopa wzrostu w nieskończoność (zwykle 2-3%, nie więcej niż prognoza PKB).

WACC (Weighted Average Cost of Capital) liczysz jako: WACC = (E/V) * Re + (D/V) * Rd * (1 – T), gdzie E to wartość rynkowa kapitału własnego, D to dług, V = E + D, Re to koszt kapitału własnego (z CAPM), Rd to koszt długu, T to stopa podatku.

Mnożniki porównawcze to szybsza metoda: zbierasz grupę porównywalnych spółek (comparable companies), obliczasz mediany wskaźników EV/EBITDA, P/E, P/BV i mnożysz przez dane wycenianej spółki. EV/EBITDA jest neutralne na różnice w strukturze kapitałowej i opodatkowaniu.

VaR (Value at Risk): metoda historyczna, delta-normal, Monte Carlo

VaR odpowiada na pytanie: jaka jest maksymalna strata portfela z prawdopodobieństwem (1-alpha) w horyzoncie T dni? Na poziomie ufności 99% i horyzoncie 1 dzień – VaR(1%) to strata, której nie przekroczysz w 99% przypadków.

Trzy metody szacowania: historyczna (patrzysz na rozkład rzeczywistych stóp zwrotu z przeszłości, np. 1000 dni, i odczytujesz percentyl), delta-normal (zakładasz normalność rozkładu – szybka, ale błędna przy fat tails), Monte Carlo (symulujesz tysiące scenariuszy na podstawie estymowanego rozkładu – najdokładniejsza).

W R obliczasz VaR pakietem PerformanceAnalytics (funkcja VaR). Pamiętaj o teście Kupca (backtesting) – sprawdzasz, czy liczba dni przekroczenia VaR zgadza się z oczekiwaną.

Credit scoring: regresja logistyczna, drzewa decyzyjne, sieci neuronowe

Credit scoring to klasyfikacja kredytobiorców na dobrych i złych. Zmienna zależna binarna (1 = default, 0 = spłata terminowa). Trzy podejścia:

Regresja logistyczna: P(default) = 1 / (1 + exp(-(B0 + B1X1 + … + BnXn))). Prosta, interpretowalność wysoka, wymagana przez regulacje (Basel III wymaga zrozumienia modelu). Oceniasz jakość modelem AUROC (Area Under ROC Curve) – powyżej 0,75 to dobry wynik.

Drzewa decyzyjne (CART, Random Forest) – lepiej wychwytują nieliniowości i interakcje między zmiennymi. W Pythonie: sklearn.ensemble.RandomForestClassifier.

Sieci neuronowe – najwyższa skuteczność predykcyjna, najniższa interpretowalność. Użycie w pracy wymaga uzasadnienia i zwrócenia uwagi na problem black box, który regulatorzy traktują z rezerwą.

Porównaj modele krzyżową walidacją (k-fold cross-validation) i wybierz ten o najwyższym AUROC lub F1-score przy zachowaniu interpretowalności.

Zrodla danych finansowych

GPW (ESPI/EBI, Stooq.pl), Bloomberg Terminal, Refinitiv Eikon

GPW udostępnia historyczne kursy akcji i dane sprawozdawcze przez ESPI/EBI. Stooq.pl (stooq.pl) to najprostszy sposób na pobranie danych historycznych GPW w formacie CSV – za darmo, bez rejestracji. W R pobierasz bezpośrednio przez quantmod::getSymbols("PKN.PL", src="stooq").

Bloomberg Terminal i Refinitiv Eikon to płatne bazy dostępne na większości uczelni ekonomicznych. Bloomberg daje ceny, dane fundamentalne, ratingi, szacunki analityków. Eikon – podobnie, plus dostęp do Datastream z długimi szeregami historycznymi. Sprawdź, czy twoja biblioteka uczelniana ma dostęp zanim kupisz dane.

NBP (dane monetarne), KNF (raporty sektora bankowego), EBC, BIS

NBP publikuje pełne statystyki monetarne, dane o kredytach, kursach walut i stopach procentowych na stronie stat.nbp.pl. Format CSV lub Excel, bezpłatnie. KNF – roczne raporty o stanie sektora bankowego z danymi o współczynnikach kapitałowych, NPL (Non-Performing Loans), rentowności banków.

EBC (Europejski Bank Centralny) – Statistical Data Warehouse (sdw.ecb.europa.eu) z danymi dla strefy euro. BIS (Bank for International Settlements, bis.org/statistics) – statystyki globalne, w tym dane o długu prywatnym i publicznym, rynkach derywatów, przepływach kapitałowych.

FRED (Federal Reserve), Compustat, CRSP, WRDS

FRED (Federal Reserve Economic Data, fred.stlouisfed.org) to baza ponad 800 000 szeregów danych makroekonomicznych i finansowych. Bezpłatna, API dostępne. W R: quantmod::getSymbols("T10Y2Y", src="FRED").

Compustat i CRSP to komercyjne bazy z danymi fundamentalnymi (bilanse, rachunki wyników) i cenami akcji dla spółek US i globalnych. Dostęp przez WRDS (Wharton Research Data Services, wrds-web.wharton.upenn.edu). Część polskich uczelni ma abonament WRDS.

Amadeus/Orbis (Bureau van Dijk) – dane panelowe spolek

Amadeus (Europa) i Orbis (globalny) to bazy danych finansowych prywatnych i publicznych spółek opracowane przez Bureau van Dijk (teraz Moody’s Analytics). Dostaniesz tu dane panelowe dla spółek z dowolnego kraju UE – niezbędne do regresji panelowych lub porównań między sektorami. Dostęp przez uczelnię lub bezpośrednio (drogo).

Oprogramowanie do analizy

R (quantmod, PerformanceAnalytics, rugarch), Python (pandas, statsmodels, arch)

R to standard w akademickich finansach. Kluczowe pakiety:

• quantmod – pobieranie danych (Yahoo Finance, Stooq, FRED), wykresy finansowe
• PerformanceAnalytics – miary ryzyka i zwrotu, VaR, drawdown, Sharpe ratio
• rugarch – modele GARCH: szacowanie, diagnostyka, prognoza zmienności
• plm – regresja panelowa (FE, RE, GMM)
• tseries / urca – testy stacjonarności (ADF, KPSS, PP)
• PerformanceAnalytics::Return.calculate – obliczanie stóp zwrotu z cen

Python rośnie w popularności, szczególnie tam gdzie potrzebujesz machine learning:

• pandas – manipulacja danymi (DataFrame jako odpowiednik data.frame z R)
• statsmodels – regresja OLS, panel data, testy statystyczne
• arch – modele GARCH, test ARCH
• sklearn – klasyfikacja, regresja, cross-walidacja, credit scoring
• yfinance – pobieranie danych z Yahoo Finance

Wybierz jedno środowisko i trzymaj się go. Mieszanie R i Pythona w jednej pracy to więcej problemów niż pożytku.

Stata, EViews, MATLAB (Financial Toolbox)

Stata to standard w ekonometrii panelowej i makroekonomii – intuicyjny interfejs, bogate możliwości. EViews – popularny w analizie szeregów czasowych, szczególnie w Polsce (wiele banków używa do prognoz). MATLAB z Financial Toolbox – dobry do optymalizacji portfelowej i wyceny derywatów. Na uczelniach dostęp zwykle przez licencje akademickie.

Struktura pracy magisterskiej z finansow

Standardowa praca z finansów ma 5-6 rozdziałów i 60-90 stron.

Rozdział 1 to wstęp: cel pracy, pytanie badawcze, hipotezy, metody, struktura. Jeden z trudniejszych do napisania – piszesz go ostatni, mimo że stoi pierwszy.

Rozdział 2 to przegląd literatury i podstawy teoretyczne. Tu umieszczasz teorię (EMH, CAPM, Fama-French, teoria agencji), przegląd badań empirycznych (20-40 pozycji, głównie anglojęzyczne), i na końcu identyfikujesz lukę badawczą – co twoja praca wnosi nowego.

Rozdział 3 to metodologia: opis danych (źródło, okres, próba), opis metod (model GARCH, regresja panelowa), hipotezy, procedura badawcza. Pisz tak, żeby ktoś mógł twoje badanie powtórzyć.

Rozdział 4 to wyniki: tabele, wykresy, interpretacja. Nie opisuj tabel słowowo („jak widać w tabeli 1…”) – analizuj, co wyniki oznaczają ekonomicznie.

Rozdział 5 to dyskusja: porównanie z literaturą, ograniczenia badania, kierunki przyszłych badań.

Rozdział 6 to wnioski: krótkie, konkretne odpowiedzi na pytania badawcze.

Typowe bledy

Brak stacjonarnosci szeregów (pomijanie testu ADF/KPSS)

To najczęstszy błąd w pracach z rynków finansowych. Regresja niestacjonarnych szeregów daje wyniki „pozornie istotne” (spurious regression) – R2 wysokie, t-statystyki duże, ale ekonomicznie wyniki nie mają sensu.

Zawsze testujesz: ADF (Augmented Dickey-Fuller, H0: pierwiastek jednostkowy – szereg jest I(1)) i KPSS (H0: szereg jest stacjonarny). Oba testy masz w R (tseries::adf.test, tseries::kpss.test). Jeśli szereg jest I(1), pierwsza różnica jest stacjonarna I(0) i na niej pracujesz. Jeśli dwa szeregi są I(1) i skointegrowane (test Engle-Grangera lub Johansena) – budujesz model korekty błędem (VECM).

Endogenicznosc w regresji (IV, GMM jako rozwiazanie)

Endogeniczność to korelacja między regresorem a składnikiem losowym – wynik jest obciążony i niespójny. Klasyczny przykład: badasz wpływ rentowności na zadłużenie spółki, ale jednocześnie zadłużenie wpływa na rentowność (reverse causality).

Rozwiązania: zmienne instrumentalne (IV) – szukasz zmiennej skorelowanej z endogenicznym regresorem, ale nieskorelowanej z błędem. GMM Arellano-Bonda używa opóźnionych wartości jako instrumentów. Test Hausmana sprawdza, czy endogeniczność jest problemem (p < 0,05 = masz problem, użyj IV/GMM).

Bledna interpretacja CAR w event study

Studenci często popełniają dwa błędy: zbyt szerokie okno zdarzenia (np. -30, +30 dni) bez uzasadnienia i brak kontroli za confounders (inne zdarzenia w oknie). Szerokie okno zwiększa szum – inne zdarzenia zakłócają efekt.

Drugi błąd to interpretacja CAR bez testu statystycznego. CAR = 2% wygląda dobrze, ale jeśli t-stat = 0,8, to brak podstaw do odrzucenia hipotezy zerowej. Testujesz: t = CAR / odchylenie standardowe(CAR). Raportuj p-value i sygnalizuj gwiazdkami (p<0,1, p<0,05, **p<0,01).

FAQ – Najczestsze pytania

Wymagania formalne i egzamin

Praca magisterska z finansów na polskich uczelniach ma zwykle 60-90 stron tekstu głównego (bez aneksów i bibliografii). Czcionka 12 pkt, interlinia 1,5, marginesy 2,5 cm. Tabele i wykresy numerowane osobno (Tabela 1, Rysunek 1), z tytułem nad tabelą i pod rysunkiem, ze źródłem pod każdym z nich.

Bibliografia minimum 50 pozycji, z czego co najmniej 30% anglojęzycznych. Czasopisma naukowe cytuj według wymagań promotora (APA lub Chicago). Dla artykułów: Autor, A. (rok). Tytuł. Nazwa Czasopisma, volume(numer), strony. DOI.

Egzamin magisterski to zwykle 20-30 minut: 5-10 minut prezentacja, 15-20 minut pytania komisji. Pytania z finansów na egzaminie obejmują zazwyczaj: uzasadnienie wyboru metody (dlaczego GARCH a nie ARCH, dlaczego FE a nie RE), interpretację wyników (co ekonomicznie znaczy alfa = 0,03 w GARCH), ograniczenia badania, i pytania z teorii (wyjaśnij CAPM, co mówi hipoteza efektywnego rynku).

Przygotuj się na pytanie: „Gdyby mógł pan/pani rozszerzyć badanie, co by pan/pani zbadał?” – komisja sprawdza, czy rozumiesz kontekst swojej pracy i co jej brakuje. Odpowiedź powinna być konkretna: większa próba, inny horyzont czasowy, dodatkowe zmienne kontrolne, porównanie z rynkiem zachodnim.

Aneks umieszczasz tu: pełne wyniki modeli (jeśli w tekście głównym tylko skróty), wykresy diagnostyczne (residua, test normalności), kod R/Python (jeśli promotor wymaga lub jeśli jest krótki), zestawienie próby spółek.

Natalia Witek-Dąbrowska

Redaktorka i korektorka z 20-letnim doświadczeniem

Specjalizuję się w korekcie prac naukowych i dyplomowych. Jeśli potrzebujesz pomocy z tekstem, napisz do mnie.