Original title: Tři eseje o metodách založených na datech v oblasti oceňování a prognózování aktiv
Translated title: Three Essays on Data-Driven Methods in Asset Pricing and Forecasting
Authors: Gregor, Barbora ; Baruník, Jozef (advisor) ; Chen, Cathy Yi-Hsuan (referee) ; Baumohl, Eduard (referee) ; Vácha, Lukáš (referee)
Document type: Doctoral theses
Year: 2022
Language: eng
Abstract: [eng] [cze]
This dissertation thesis consists of three papers focusing on applications of data-driven methods in asset pricing and forecasting. In the first paper, we decompose the term structure of crude oil futures prices using dynamic Nelson-Siegel model and propose to forecast them with the generalized regression framework based on neural networks. We find the neural networks to produce significantly more accurate forecasts as compared to several benchmark models. The second paper demonstrates how time-varying coefficients model can help to explore dynamics in risk-return trade-off on sovereign bond market across entire term structure. Our extensive 12-year dataset of high-frequency data of U.S. and German sovereign bond prices of 2-year, 5-year, 10-year and 30-year tenors allows us to construct realized measures of risk as well as exploring risk-return relationship under various market conditions. In addition to realized volatility, we find realized kurtosis to be priced in bond returns. Importantly, we detect the risk factor captured by realized kurtosis to have positive effect on returns in crisis turning to negative values in calm periods. In the third paper, we use time- varying coefficients methodology and higher realized moments in bond volatility forecasting challenging the HAR model. We detect realized... Tato disertační práce se skládá ze tří článků zaměřených na aplikace metod založených na datech v oblasti prognózování a oceňování aktiv. V první práci rozkládáme časovou strukturu cen futures na ropných trzích pomocí dynamického Nelson-Siegelova modelu a navrhujeme jejich předpověď pomocí zobecněného regresního modelu založeného na neuronových sítích. Zjistili jsme, že neuronové sítě poskytují výrazně přesnější prognózy ve srovnání s několika referenčními modely. Druhý článek ukazuje, jak může model časově proměnlivých koeficientů pomoci zkoumat dynamiku vztahu mezi rizikem a výnosem na trhu státních dluhopisů napříč celou časovou strukturou. Náš rozsáhlý dvanáctiletý soubor vysokofrekvenčních dat o cenách amerických a německých státních dluhopisů s dvouletou, pětiletou, desetiletou a třicetiletou dobou splatnosti nám umožňuje konstruovat realizované metriky rizika a také zkoumat vztah rizika a výnosu za různých tržních podmínek. Kromě realizované volatility jsme zjistili, že realizovaná kurtóza je zohledněna v cenách dluhopisů. Důležité je, že zjišťujeme, že rizikový faktor zachycený realizovanou kurtózou má pozitivní vliv na výnosy v období krize a v klidných obdobích se mění na záporné hodnoty. Ve třetím článku používáme metodiku časově proměnných koeficientů a vyšších realizovaných momentů při...
Keywords: data-driven methods; highfrequency data; term structure; time series; data-driven methods; highfrequency data; term structu; time series

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/178151

Permalink: http://www.nusl.cz/ntk/nusl-511585


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