DSA Faculty
API
← к списку преподавателей

Пересецкий Анатолий Абрамович

Факультет экономических наук

Профиль на hse.ru ↗ тел.: +7 (495) 772-95-90 | 27514
Публикаций
99
Языков
2
Наград
16
Конференций
1
Профиль Публикации (99) Курсы (3)

Профессиональные интересы

прикладная эконометрика

Должности

  • Профессор-исследователь — Факультет экономических наук, Департамент прикладной экономики
  • Ведущий научный сотрудник — Факультет экономических наук, Центр больших данных в экономике и финансах (CEBDA)

Био

  • · Начал работать в НИУ ВШЭ в 2006 году.
  • · Научно-педагогический стаж: 52 года.

Образование

  • 2023 · Ученое звание: Профессор
  • 2010 · Доктор экономических наук: Центральный экономико-математический институт РАН, специальность 08.00.13 «Математические и инструментальные методы экономики», тема диссертации: Эконометрический подход к дистанционному анализу деятельности российских банков и банковскому надзору
  • 1988 · Старший научный сотрудник
  • 1977 · Кандидат физико-математических наук: Московский государственный университет им. М.В. Ломоносова, тема диссертации: Качественная теория однородных космологических моделей
  • 1971 · Специалитет: Московский государственный университет им. М.В. Ломоносова, факультет: механико-математический, специальность «Математика», квалификация «Математик»

Опыт работы

  • · Работа в академических организациях
  • · 2010–по н.в: Национальный исследовательский Профессор университет Высшая школа экономики, Эконометрика Москва
  • · 1992–2012: Российская экономическая, Профессор школа. Москва. статистика, эконометрика, российская банковская система
  • · 1991–по н.в.: Центральный экономико– Главный научный математический институт сотрудник ЦЭМИ РАН, Москва
  • · 1996–по н.в.: Международный колледж Профессор экономики и финансов. Информатика, Математическая Высшая школа экономики и статистика, Эконометрика. Лондонская школа экономики (на англ.яз.) (LSE)
  • · 2008–2009: Московский институт Профессор международных отношений Научный руководитель (МГИМО, университет) кафедры эконометрики
  • · 1996–2000: Высшая школа экономики Доцент государственный университет, Эконометрика Москва
  • · 1996–1998: Международный колледж, Доцент МГУ и Университет Колорадо, курсы мат.статистики (Денвер) и эконометрики (на англ.яз.)
  • · 1996–1998: Школа бизнеса и экономики, Лектор Москва. (Калифорнийский Курс анализа временных университет. Хайвард), рядов по программе МБА
  • · 1971–1973: Институт Радиотехники Научный сотрудник и электроники АН СССР, г.Фрязино
  • · Работа в академических организациях (визиты)
  • · 2012: Институт экономик переходного Исследователь август 1-30 периода Банка Финляндии, (BOFIT) Хельсинки, Финляндия
  • · 2004: Центр экономических Исследователь август исследований Тилбургского, университета, Нидерланды
  • · 2002: Центр экономических Исследователь август исследований Тилбургского, университета, Нидерланды
  • · 2000: Georgia Institute of Technology, профессор, осенний семестр Атланта, США математический ф–т. Лекции по Теория вероятности и Математической статистике
  • · 2000: Центр экономических Исследователь август исследований Тилбургского, университета, Нидерланды
  • · 1999: Центр экономических Исследователь август исследований Тилбургского, университета, Нидерланды
  • · 1999: Georgia Institute of Technology, профессор, весна Атланта, США математический ф–тет. Лекции по Теория вероятности и Математической статистике
  • · 1997: Лаборатория генетики, Исследователь Ноябрь 1996–январь Университет г.Гент, Приложения моделей Бельгия математической статистики в молекулярной генетике
  • · 1995: Центр экономических Исследователь осень исследований Тилбургского, университета, Нидерланды
  • · 1994: Центр экономических Исследователь осень исследований Тилбургского, университета, Нидерланды
  • · 1993: Georgia Institute of Technology, Исследователь, осень Атланта, США биологический ф–тет. приложения математической статистики к молекулярной генетике
  • · 1990: Московский Государственный, старший осень Университет научный сотр, биологический ф–тет, статистический анализ ЭЭГ
  • · Опыт прикладной работы
  • · 2010: Citibank Лекции по прикладной статистике и эконометрике
  • · 2008: ACNielsen Лекции по прикладной статистике
  • · 2005: SUNInterbrew Лекции по методам прогноза. осень Москва
  • · 2004: КОМКОН, Консультант Москва Маркетинговые исследования
  • · 2003: Альфа Банк Лекции по прикладной статистике
  • · 1996–2000: Глаксо–Вэллком, Консультант Москва Статистический анализ сравнительных испытаний лекарственных препаратов

Награды и поощрения

  • · Благодарность первого проректора НИУ ВШЭ (декабрь 2023)
  • · Почетный знак II степени Высшей школы экономики (октябрь 2023)
  • · Благодарственное письмо ректора Высшей школы экономики (декабрь 2022)
  • · Благодарность Международного института экономики и финансов НИУ ВШЭ (июнь 2022)
  • · Благодарность Международного института экономики и финансов НИУ ВШЭ (июнь 2021)
  • · Победитель общенациональной премии "Профессор года - 2018" (декабрь 2018)
  • · Медаль "Признание - 10 лет успешной работы" НИУ ВШЭ (октябрь 2018)
  • · Почетная грамота Высшей школы экономики (октябрь 2018)
  • · Благодарность Высшей школы экономики (январь 2014)
  • · Благодарность Высшей школы экономики (март 2012)
  • · Медаль "В память 850-летия Москвы" (февраль 1997)
  • · Надбавка за академические успехи и вклад в репутацию НИУ ВШЭ (2011–2013)
  • · Надбавка за публикацию в журнале из Списка А (и приравненном к нему научном издании) (2024–2025, 2023–2024)
  • · Надбавка за публикацию в международном рецензируемом научном издании (2020–2021, 2019–2020, 2017–2018)
  • · Надбавка за статью в зарубежном рецензируемом журнале (2015–2017, 2013–2015)
  • · Лучший преподаватель — 2015, 2012

Гранты и проекты

  • — · на соискание учёной степени кандидата наук

Конференции (1)

Показать все
  • · 2021: 3-й семинар "Прикладная эконометрика" в рамках XXII Апрельская международная научная конференция НИУ ВШЭ по проблемам развития экономики и общества (Москва). Доклад: Эндогенная классификация домохозяйств в регионах России

Идентификаторы исследователя

Публикации (99)

Домашние питомцы и здоровье пожилых. Количественный анализ

2026 · PREPRINT · ru

В данной работе исследуется связь между здоровьем одиноко проживающих пожилых людей и владением домашним питомцем (кошка, собака). Для анализа используются результаты обследования «Использование суточного фонда времени населением», проведенного Росстатом (Federal State Statistics Service, Rosstat) в 2019 г., которые содержат данные о более чем 10 000 одиноких пожилых людей возрастом более 60 лет в России, включая информацию о наличии домашнего питомца. С использованием нелинейных моделей, связывающих самооценку здоровья, наличие домашнего питомца, доход, пол, возраст, уровень образования, размер места проживания, показано, что наличие питомца отрицательно связано с плохой самооценкой здоровья. Эта связь особенно выражена у мужчин и у жителей больших городов. В качестве оценок количественной связи используется предельный эффект владения домашним питомцем и монетарное измерение эквивалентной ценности домашнего питомца.

Can Ethereum predict Bitcoin’s volatility?

2025 · ARTICLE · en

Bitcoin and Ethereum are the two world’s largest cryptocurrencies. Their market capitalizations have recently peaked, making them more attractive to portfolio investors. As the cryptocurrency market is known for its high volatility nature, government institutions are also interested in this segment of the financial market for more comprehensive regulation. Volatility forecasting is a crucial part of both effective risk management and policy making process, particularly in the cryptocurrency market. This study focuses on using volatility measurements of one cryptocurrency as input for a realized volatility predictive model of the other, namely Bitcoin’s data for Ethereum and vice versa. This approach helps us to identify potential spillover effects, which could be useful for more accurate forecasting. To this end, we use univariate HAR-RV models with additional exogenous variables based on data from another cryptocurrency and then extend our analysis using vector models to account for potential joint effects. We employ various loss functions to examine the accuracy of the forecasts. All models are estimated using rolling windows to account for potential structural breaks, resulting in over 2000 out-of-sample forecast exercises for each model and cryptocurrency, based on historical high-frequency Bitcoin and Ethereum trading data from January 1, 2018 to June 23, 2024. We also employ the MCS procedure to study which model provides statistically smaller prediction errors.

Technical efficiency and inefficiency: Reliability of standard SFA models and a misspecification problem

2025 · ARTICLE · en

It is formally proven that if inefficiency (u) is modelled through its variance, considered as a function of exogenous variables z, then the marginal effects of z on technical inefficiency (TI) and technical efficiency (TE) have opposite signs in the typical setup with a normally distributed random error and an exponentially or half-normally distributed u. This is true for both conditional and unconditional TI and TE. An example is provided to show that the signs of the marginal effects of z on TI and TE may coincide for some ranges of z. If the real data comes from a bimodal distribution of u, and a model is estimated with an exponential or half-normal distribution for u, the estimated efficiency and the marginal effect of z on TE could be wrong. Moreover, the rank correlations between the true and the estimated values of TE could be small and even negative for some subsamples of the data. This is a warning that in the case when the true (real life) distribution of the inefficiency is bimodal, commonly used standard SFA models could lead to wrong policy recommendations. The kernel density plot of the residuals is suggested as a diagnostic plot. The results are illustrated by simulations.

DOI ↗

Google Trends and Bitcoin volatility forecast

2024 · ARTICLE · en

Since the introduction of Bitcoin in 2008, the size of the cryptocurrency market is becoming increasingly important for investors. Thus, the forecast of cryptocurrency price volatility is of particular interest to portfolio investors, as they are interested in accurately estimating the standard deviation of their portfolios to calculate the Value-at- Risk (VaR) as a risk measure for more optimal portfolio management. The HAR-RV model introduced by F. Corsi (in 2009) became more effective than the traditional GARCH type models in forecasting in the volatility of fi nancial assets. In the last decade, cryptocurrencies started to dominate both the social media and the fi nancial press. At the same time, some academic papers use social media data to enhance the cryptocurrency volatility forecasting models. In our paper, we study how the use of Google Trends data could improve the precision of one-day-ahead of Bitcoin price volatility models forecasts. We use three different measures of the forecast precision. All models are estimated in rolling windows in order to control for possible structural breaks. Also, we estimate the optimal length of rolling windows to provide the best forecast precision on the historical Bitcoin price data from January 1, 2018 to December 31, 2022. We verify that the predictive power of the chosen model statistically differs from other models via MCS-test.

DOI ↗ PDF ↗

Сравнение моделей прогноза волатильности криптовалют и фондового рынка

2023 · ARTICLE · ru

В статье сравниваются между собой GARСH и HAR-модели для прогноза на один день вперед реализованной волатильности финансовых рядов. В качестве примера выбрана криптовалюта с наибольшей капитализацией – Bitcoin. Ее реализованная волатильность вычисляется по внутридневным (внутрисуточным – 24 часа) данным, с использованием закрывающих значений пятиминутных торговых интервалов. В работе предложен способ вычисления реализованной волатильности для случая наличия пропусков в пятиминутных внутрисуточных данных. Это позволяет добиться сопоставимости дневных величин реализованной волатильности активов, время торгов которых отличается. Среди выбранных для прогнозирования дней практически в равной степени присутствуют все дни недели. Для сравнения выбран актив – E-mini S&P 500 – фьючерсный контракт, который торгуется 23 часа в сутки. Сравнение происходит на интервале наблюдений с 01.01.2018 г. по 29.12.2021 г. Поскольку на этом интервале могли быть (и были) структурные изменения рынков, то модели оцениваются в скользящих окнах длиной 399 дней. Для каждого ряда сравниваются 810 GARCH-моделей (с учетом всех спецификаций моделей), а также 46312 HAR-моделей (с учетом различных преобразований данных 138936 моделей). Для отбора лучших моделей используется MCS-тест (на уровне значимости 0,01). Показано, что GARCH-модели уступают HAR-моделям в точности прогноза как реализованной волатильности Bitcoin, так и E-mini S&P 500. При этом относительная точность прогноза реализованной волатильности Bitcoin выше, чем точность прогноза реализованной волатильности фьючерса E-mini S&P 500. Наименьшие относительные погрешности для прогнозов реализованной волатильности Bitcoin и E-mini S&P 500 составляют соответственно 29,5 и 36,1%.

DOI ↗ PDF ↗

Sandwiched women: Health behavior, health, and life satisfaction

2023 · ARTICLE · en

This paper studies the impact of sandwich generation caregiving on the health behavior, self-assessed health and life satisfaction of Russian women. It presents evidence that sandwich generation caregiving reduces the likelihood of medical examinations, and regular meals. Alcohol consumption and likelihood of smoking are reduced. The like­lihood of obesity increases, the proportion of chronic diseases decreases, and self-assessed health improves. The proportion of depression decreases. These effects may be the result of an inattentive attitude to one’s health and a consciousness of the social significance of fulfilling one’s duty. These effects vary with socio-demographic characteristics.

DOI ↗

Сборник задач по курсу статистики

2022 · BOOK · ru

Настоящая книга является сборником задач по применению методов и понятий математической статистики. Книга содержит 384 задачи с подробными решениями. Набор задач составлен на основании более чем 25-летнего опыта авторов по преподаванию математической статистики для студентов-магистров специальности «экономика» Российской экономической школы (РЭШ) и Московского института экономики и финансов НИУ ВШЭ, а также для студентов специальностей «математические методы в экономике», «прикладная экономика», «экономика: исследовательская программа», «статистическое моделирование и актуарные расчеты» факультета экономических наук НИУ ВШЭ. В начале каждой главы для удобства читателя приведен список основных понятий и формул. В данной книге, в основном ориентированной на студентов экономических специализаций, выдержан некоторый баланс между математической строгостью и интуитивной понятностью материала. В первую очередь книга будет полезна студентам и аспирантам, изучающим статистику, эконометрику, а также преподавателям этих дисциплин и специалистам по прикладной экономике и финансам.

A Statistical Explanation of the Dunning–Kruger Effect

2022 · ARTICLE · en

An explanation of the Dunning–Kruger effect is provided which does not require any psychological explanation, because it is derived as a statistical artifact. This is achieved by specifying a simple statistical model which explicitly takes the (random) boundary constraints into account. The model fits the data almost perfectly

DOI ↗

Волатильность фондового рынка и волатильность криптовалют

2022 · ARTICLE · ru

В последние десять лет бурное развитие получили криптовалюты, из которых наиболь- шую капитализацию имеет биткоин; все больше инвесторов включают его в портфель активов. В связи с этим особый интерес приобретает вопрос о связи волатильностей рынка криптовалют и фондового рынка. В данной статье анализируется общая сто- хастическая компонента реализованной волатильности биткоина и фьючерса e-mini S&P 500. Оценка глобальной стохастической составляющей и ее доли в волатильности фьючерса на S&P 500 и биткоина в скользящем окне позволила проанализировать ди- намику связи реализованной волатильности этих двух активов, а также выдвинуть гипотезу о причинах и предпосылках перетоков волатильности между рынком крип- товалют и фондовым рынком.

DOI ↗ PDF ↗

Sandwiched women: Health behavior, health, and life satisfaction

2022 · PREPRINT · en

In this paper, we use unique nationally representative data from the 25th wave of Russia Longitudinal Monitoring survey, (RLMS-HSE) for 2016. Based on the survey data, we investigate the impact of sandwich generation caregiving on the health behavior of Russian women—their health behavior, self-assessed health and life satisfaction. We found that sandwich generation caregiving reduces the likelihood of medical examinations, and regular meals, the effect is especially pronounced for working women. A small reduction in alcohol consumption is observed. The likelihood of smoking is reduced (especially for women under 50). The likelihood of being overweight increases, the proportion of chronic diseases decreases, and self-assessed health improves (these effects are especially pronounced for women who are non-pensioners). The proportion of depression decreases. These effects may be the result of an inattentive attitude to one's health and a consciousness of the social significance of fulfilling one's duty. The latter also affects the decreasing number of sandwich generation givers (SGC) dissatisfied with life in general.

Курсы (3)