Original title: Přelévání volatility do indexu PX ve střední a východní Evropě: Přístup založený na hlubokém učení
Translated title: Forecasting Volatility Spillovers to the PX Index in Central and Eastern Europe: A Deep Learning Approach
Authors: Sura, Ivan ; Baruník, Jozef (advisor) ; Vácha, Lukáš (referee)
Document type: Master’s theses
Year: 2026
Language: eng
Abstract: [eng] [cze]
This thesis examines the predictability of volatility spillovers to the Czech PX Index within a multivariate system of CEE equity markets. The main research question is whether information on cross-market spillover transmission improves forecasts of future spillovers to the PX Index relative to models based solely on lagged dependencies, and whether non-linear deep learning models provide ad- ditional gains over linear specifications. The motivation stems from increasing financial integration, which strengthens the propagation of volatility shocks across markets. If spillover dynamics reflect persistent inter-market linkages, then the current system configuration, capturing the direction and intensity of cross-market transmission, may contain information about future spillover dynamics. Empiri- cal results indicate a stable but asymmetric connectedness structure, with Austria as a key transmission hub. The PX Index is largely neutral in tranquil periods but becomes a net transmitter during financial stress, particularly at longer hori- zons. Spillovers are highly persistent, and while models based on autoregressive patterns perform strongly, neither cross-market information nor non-linear mod- els yield systematic improvements. Overall, volatility spillovers reflect structural connectedness rather... Tato práce zkoumá predikovatelnost přenosů volatility na český akciový index PX v rámci multivariačního systému akciových trhů zemí CEE. Hlavní výzkumnou otázkou je, zda informace o přeshraničním přenosu volatility zlepšují predikci bu- doucích přenosů volatility na index PX oproti modelům založeným výhradně na vlastních zpožděných hodnotách, a zda nelineární modely hlubokého učení posky- tují dodatečné zlepšení oproti lineárním specifikacím. Motivace vychází z rostoucí finanční integrace, která posiluje šíření volatilních šoků napříč trhy. Pokud dy- namika přenosů volatility odráží přetrvávající mezitržní propojenost, pak aktuální konfigurace systému zachycující směr a intenzitu přeshraničního přenosu může obsahovat informace o budoucí dynamice těchto přenosů. Empirické výsledky ukazují stabilní, avšak asymetrickou strukturu propojenosti, přičemž Rakousko vystupuje jako klíčový transmisní uzel. Index PX je v klidných obdobích převážně neutrální, avšak v obdobích finančního stresu se stává transmiterem volatility, ze- jména při delších horizontech. Přenosy volatility vykazují vysokou perzistenci a zatímco modely založené na autoregresi dosahují dobré predikční přesnosti, ani přeshraniční informace ani nelineární modely nepřinášejí systematické zlepšení. Celkově přenosy volatility odrážejí...
Keywords: deep learning; spillover index; volatility spillovers; hluboké učení; přelévání volatility; spillover index

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/210723

Permalink: http://www.nusl.cz/ntk/nusl-779511


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