Original title: Rozšíření modelů volatility pomocí ukazatelů tržního sentimentu
Translated title: Extending volatility models with market sentiment indicators
Authors: Röhryová, Lenka ; Krištoufek, Ladislav (advisor) ; Jakubík, Petr (referee)
Document type: Master’s theses
Year: 2018
Language: eng
Abstract: [eng] [cze]
In this thesis, we aim to improve forecast accuracy of a heterogenous au- toregressive model (HAR) by including market sentiment indicators based on Google search volume and Twitter sentiment. We have analysed 30 com- panies of the Dow Jones index for a period of 15 months. We have performed out-of-sample forecast and compiled a ranking of the extended models based on their relative performance. We have identified three relevant variables: daily negative tweets, daily Google search volume and weekly Google search volume. These variables improve forecast accuracy of the HAR model se- parately or in a Twitter-Google combination. Some specifications improve forecast accuracy by up to 22% for particular stocks, others impair forecast accuracy by up to 24%. The combination of daily negative tweets and weekly search volume is a superior model to the basic HAR for 17 stocks according to RMSE and for 16 stocks according to MAE and MASE. The daily nega- tive tweets specification outperforms the basic HAR for 17 and 19 stocks, respectively. And, the combination of daily negative tweets and daily search volume outpaces the basic HAR for 15 and 18 stocks, respectively. Based on the average MASE improvement, the combination of daily negative tweets and weekly search volume is a clear winner as it lowers the... V této práci se snažíme zlepšit heterogenní autoregresivní model (HAR) rozšířením o ukazatele tržního sentimentu. Jako proxy tržního sentimentu používáme objem vyhledávání na Googlu a Twitter sentiment. Analyzovali jsme 30 společností Dow Jones indexu po dobu 15 měsíců. Pomocí out- of-sample předpovědi jsme sestavili žebříček modelů podle jejich přesnosti. Identifikovali jsme tři relevantní proměnné: denní negativní tweety, denní objem vyhledávání a týdenní objem vyhledávání. Tyto proměnné zlepšují přesnost předpovědi HAR modelu jednotlivě i v Twitter-Google kombina- cích. Některé modely zlepšují přesnost předpovědi až o 22% pro určité akcie, jiné zhoršují přesnost předpovědi až o 24%. Kombinace denních negativních tweetů a týdenního objemu vyhledávání překoná základní model u 17 ak- cií podle RMSE a u 16 akcií podle MAE a MASE. Samotné denní tweety zlepšují přesnost základního modelu pro 17 a 19 společností podle užitého měřítka. Kombinace denních negativních tweetů a denního objemu vyhledá- vání zlepšuje přesnost základního modelu pro 15 respektive 18 společností. Na základě průměrného zlepšení MASE vítězí jednoznačně kombinace den- ních negativních tweetů a týdenního objemu vyhledávání, jelikož snižuje prů- měrnou MASE o 0.71%. Klasifikace JEL C32, C33, C52, G14 G17 Klíčová slova volatilita,...
Keywords: Heterogeneous Auto-Regressive volatility model; market sentiment; volatility; Heterogeneous Auto-Regressive volatility model; market sentiment; volatility

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/94834

Permalink: http://www.nusl.cz/ntk/nusl-372977


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