Original title: Modely neuronových sítí pro podmíněné kvantily finančních výnosů a volatility
Translated title: Neural network models for conditional quantiles of financial returns and volatility
Authors: Hauzr, Marek ; Baruník, Jozef (advisor) ; Vošvrda, Miloslav (referee)
Document type: Master’s theses
Year: 2016
Language: eng
Abstract: [eng] [cze]
This thesis investigates forecasting performance of Quantile Regression Neural Networks in forecasting multiperiod quantiles of realized volatility and quantiles of returns. It relies on model-free measures of realized variance and its components (realized variance, median realized variance, integrated variance, jump variation and positive and negative semivariances). The data used are S&P 500 futures and WTI Crude Oil futures contracts. Resulting models of returns and volatility have good absolute performance and relative performance in comparison to the linear quantile regression models. In the case of in- sample the models estimated by Quantile Regression Neural Networks provide better estimates than linear quantile regression models and in the case of out-of-sample they are equally good. V této práce se zkoumá chování kvantilové regrese neuronových sítí v odhadování kvantilů realizované volatility a kvantilů výnosů s výhledem více kroků. Závisí na realizované varianci a jejích komponentech (realizovaná variance, mediánová realizovaná variance, integrovaná variance, skoková variance a positivní a negativní semivariance). Použitá data jsou S&P 500 futures a WTI Crude Oil futures. Výsledné modely výnosů a volatility mají dobré absolutní chování a relativní chování v porovnání s modely ohodnocenými lineární kvantilovou regresí. V případě in-sample má lepší chování kvantilová regrese neuronových sítí a v případě out-of- sample mají chování stejně dobré.
Keywords: conditional quantiles; quantile regression neural networks; realized measures of volatility; value-at-risk; kvantilová regrese neuronových sítí; neparametrické odhady realizované volatility; podmíněnéněné kvantily; VaR

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/83008

Permalink: http://www.nusl.cz/ntk/nusl-352657


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses