Název:
Metody MCMC pro finanční časové řady
Překlad názvu:
MCMC methods for financial time series
Autoři:
Tritová, Hana ; Pawlas, Zbyněk (vedoucí práce) ; Komárek, Arnošt (oponent) Typ dokumentu: Diplomové práce
Rok:
2016
Jazyk:
cze
Abstrakt: [cze][eng] Práce se zabývá odhadem parametrů vhodného modelu pro denní výnosy po- mocí metod Markov Chain Monte Carlo (MCMC) za využití principů baye- sovské statistiky. Nejprve se čtenář seznámí s metodami MCMC, konkrétně s Gibbsovým výběrovým plánem (GVP) a Metropolisovým-Hastingsovým al- goritmem, a jejich základními vlastnostmi. Pak zde nalezne finanční modely, přičemž největší pozornost je věnována lognormálnímu autoregresnímu modelu. Poté následuje teoretická aplikace GVP na lognormální autoregresní model při využití principů bayesovské statistiky. Dále jsou rozebrány postupy, které byly využity při provádění simulací z aposteriorního rozdělení pomocí GVP. Nakonec jsou zpracovány výstupy získané při analýze simulovaných i reálných dat.This thesis focuses on estimating parameters of appropriate model for daily returns using the Markov Chain Monte Carlo method (MCMC) and Bayesian statistics. We describe MCMC methods, such as Gibbs sampling and Metropolis- Hastings algorithm and their basic properties. After that, we introduce different financial models. Particularly we focus on the lognormal autoregressive model. Later we theoretically apply Gibbs sampling to lognormal autoregressive model using principles of Bayesian statistics. Afterwards, we analyze procedu- res, that we used in simulations of posterior distribution using Gibbs sampling. Finally, we present processed output of both simulated and real data analysis.
Klíčová slova:
bayesovská statistika; finanční časové řady; lognormální autoregresní model; Metody MCMC; modelování denních výnosů; Bayesian statistics; financial time series; MCMC methods; modelling of daily returns; the lognormal autoregressive model