|
Understanding co-jumps in financial markets
Thoma, Richard ; Baruník, Jozef (vedoucí práce) ; Vošvrda, Miloslav (oponent)
Tato diplomová práce se zabývá dopadem skoků a simultánních skoků v cenách aktiv na budoucí volatilitu. Hlavním přínosem této práce je využití heterogenního autoregresivního (HAR) modelu pro panelová data, který nám umožňuje odhadnout průměrný efekt skoků jak pro celé portfolio obsahující 29 akcií, tak pro jednotlivé tržní sektory. Navíc analyzujeme, zda je efekt rozdílný pro pozitivní a negativní (simultánní) skoky. Výsledky aplikovaných modelů dokazují, že vliv skoků na budoucí volatilitu je kladný, zatímco vliv simultánních skoků je záporný. Také naznačují, že negativní skoky mají tendenci vést k vyšší budoucí volatilitě, zatímco v důsledku pozitivních skoků volatilita klesá. Nakonec výsledky naší analýzy dokazují, že odhadované dopady na volatilitu se liší pro jednotlivé sektory - cyklické sektory jsou obecně citlivější vůči negativním skokům a méně citlivé vůči pozitivním skokům než proticyklická odvětví.
|
|
The Price Determinants of Investment Rums
Polanka, Martin ; Baruník, Jozef (vedoucí práce) ; Kukačka, Jiří (oponent)
Tato studie zkoumá faktory ovlivňující cenu rumu a zkoumá jeho využití jako alternativní investiční aktivum. K analýze těchto faktorů používá autor hedonickou analýzu pomocí Weighted Least Squares, Stepwise regrese, Lasso regrese a Bayesian Model Averaging. K prozkoumání rumu jako alternativního investičního aktiva použil autor Repeat-sales regresi. Hlavní výsledky odhalují, že staření a reputace se ukazují jako klíčové proměnné ovlivňující dynamiku cen rumu. Dále studie naznačuje, že rum nezapadá mezi tradiční sběratelská aktiva, jelikož jeho cena neprojevuje konzistentní růst v průběhu času. Závěrem tato práce přispívá k hlubšímu porozumění faktorů, které formující cenu rumu, a poskytuje náhled na jeho vhodnost jako investičního aktivum.
|
|
Volatility Risk Premium Across Multiple Asset Classes
Havel, Štěpán ; Baruník, Jozef (vedoucí práce) ; Vácha, Lukáš (oponent)
Tato práce analyzuje využití rizokové prémie za volatilitu pro předpovídání volatility na 18 odlišných trzích, ve dvou časových obdobích. Ukazuje, že VRP lze použít jako vhodný prostředek k předpovídání volatility. Výzkum naznačuje, že RIV modely, které upravují současnou implikovanouvolatilituo rizikovou prémii, dosahujívýrazněpřesnějších predikcí budoucívolatility ve srovnání s jinými modely. Práce zkoumá různé metody výpočtu RIV modelů, hodnotí jejich efektivitu a hranice. Závěry výzkumu platí pro většinu zkoumaných aktiv a jsou podloženy různými statistickými testy.
|
|
Essays on tail risks, asymmetries and cross-section of asset returns
Nevrla, Matěj ; Baruník, Jozef (vedoucí práce) ; Rombouts, Jeroen (oponent) ; Erdemlioglu, Deniz (oponent) ; Bevilacqua, Mattia (oponent)
Tato diserta ní práce se skládá ze t í lánk , které zkoumají asymetrické, ze- jména downside, riziko v kontextu empirického oce ování aktiv. První lánek p edstavuje kvantilovou spektrální betu, coû je míra rizika, která kvantifikuje závislost mezi v˝nosem akcií a rizikov˝m faktorem v konkrétní ásti spole né distribuce v daném horizontu. Tuto novou míru pouûíváme ke studiu ocen ní chvostového trûního rizika a extrémního rizika volatility nap í t ídami aktiv. Druh˝ lánek navrhuje nov˝ oce ovací faktorov˝ model. Místo zam ení se na b ûné faktory, které vysv tlují pr ezov˝ pr m r nebo rozptyl v˝nos akcií, my navrhujeme model, kter˝ zachycuje spole nou strukturu pr ezov˝ch kvantil . Ukazujeme, ûe dolní faktory obsahují relevantní informace pro predikci v˝nos trhu. Navíc je expozice v i dolním faktor m kompenzována v pr ezu v˝nos akcií u firem z amerického trhu. T etí lánek zkoumá, zda r zné míry systemat- ického asymetrického rizika vedou k rizikov˝m prémiímm, protoûe p edstavují lineární expozici k b ûné struktu e faktor nebo kv li jejich nelineárním vlast- nostem. Pomocí instrumentuované anal˝zy hlavních komponent ukazujeme, ûe tyto míry lze efektivn kombinovat ke generování abnormálních v˝nos , které nelze vysv tlit jin˝mi faktory. Nicmén n které míry lze také vyuûít ke zlepöení zachycení lineárních...
|
|
Modeling Dynamics of Correlations between Stock Markets with High-frequency Data
Lypko, Vyacheslav ; Baruník, Jozef (vedoucí práce) ; Krištoufek, Ladislav (oponent)
Tato prace je zamerena na modelovani korelaci mezi vybranymi akciovymi trhy a komoditami s pouzitim vysokofrekvencnich dat. Nasledujici casove rady jsou pouzite pro ucely teto analyzy: FTSE, DAX, PX, S&P, Gold commodity futures a Oil commodity futures. V prvni casti teto prace denni realizovane korelace jsou vypocitane a jejich dynamika je diskutovana. Dal jsou vypocitane korelace pomoci neuronove site (feed forward neural network, nebo FFNN). Tyto korelace jsou porovane s prumernymi dennimi realizovanymi korelacemi. V posledni casti teto prace jsou vypocitane prognozy dennich realizovanych korelaci pomoci HAR modelu, AR(p) modelu a dynamicke neuronove site NARNET.
|
|
Alternative field curve modelling approach : regional models
Šopov, Boril ; Seidler, Jakub (vedoucí práce) ; Baruník, Jozef (oponent)
Tato diplomová práce představuje několik modelů výnosových křivek. Vycházíme z dynamického modelu Nelson-Siegel, který jsme dále rozšířili pro modelování regionálních latentních faktorů a hlavních komponentů. Naši analýzu převážně zaměříme na středoevropské výnosové křivky denominované v těchto měnách: CZK, HUF, PLN a SKK. Hlavním přinosem této diplomové práce je vytvoření komplexního rámce, který umožňuje analýzu výnosových křivek, přípravu krizových scénářů a detekci strukturálních změn.
|
|
Nowcasting the Real GDP Growth of the European Economies based on Machine Learning
Baylan, Su Hazal ; Kočenda, Evžen (vedoucí práce) ; Baruník, Jozef (oponent)
This thesis analyzes the nowcasting of quarterly GDP growth for nine European economies using a dynamic factor model and four different machine learning models. These machine learning models are as follows: Ridge, Lasso, Elastic Net, and Random Forest. The data includes ten hard and fifteen soft indicators for each country in order to calculate GDP for each nowcasting iteration for pre-covid and covid periods. For machine learning, models are fed with the extracted factors that are obtained from the dynamic factor model, and for all nowcasting models expanding window approach is selected to estimate nowcasting iterations. The empirical finding indicates that overall machine learning models provide better forecasting accuracy compared to dynamic factor models and benchmark models for more stable periods, such as the period before Covid-19. On the other hand, for more volatile periods where the uncertainties are higher in economies, the dynamic factor model outperforms machine learning models in order to nowcast GDP growth. In addition to this, Random Forest is able to outperform all the alternative models for small economies such as Slovenia and Portugal for stable periods. JEL Classification C01, C33, C53, C83, E37 Keywords Nowcasting, DFM, Ridge, Lasso, Elastic Net, Random Forest Title Nowcasting...
|
|
Price Impact of Order Book Events in Bitcoin Market
Erben, Marek ; Šíla, Jan (vedoucí práce) ; Baruník, Jozef (oponent)
1 Abstrakt Tato práce zkoumá vliv událostí v knize objednávek na cenu pro trh s Bitcoinem. S využitím dat z burzy Binance ukazuje, že krátkodobé změny cen lze vysvětlit pomocí vysokofrekvenčních interakcí mezi poptávkou a nabídkou zobrazenou v knize limitních objednávek. Odhadnutá funkce cenového vlivu má nelineární tvar. Tento výsledek naznačuje, že malé a velké objednávky mají rozdílný vliv na cenu, díky čemuž může docházet k cenové manipulaci a arbitráži. Analýza rovněž potvrzuje inverzní vztah mezi koeficientem cenového dopadu a hloubkou trhu. Dále práce konstatuje, že pro koeficient cenového dopadu neexistují jasné denní vzorce. Tato zjištění poskytují cenné poznatky pro pochopení cenové dynamiky Bitcoinu a jsou přínosem pro obchodníky, investory a regulátory, kteří se snaží pochopit komplexnosti trhu s kryptoměnami. 1
|
|
Stock Ownership Structure and Related Risk Premium
Rosický, Ondřej ; Baruník, Jozef (vedoucí práce) ; Kočenda, Evžen (oponent)
Tato práce má za cíl objevit možnou rizikovou přirážku pro akcie v závislosti na jejich vlastnické struktuře. Pracujeme se dvěma typy investorů: retailový a institucionální. Tyto typy investorů mají různá očekávání, preference a chovají se jinak při určitých událostech na trhu. Sestrojili jsme IMR (institucionální mínus retailový) faktor jako rozdíl mezi návratností long- short portfolia akcií s nejvyšším a nejnižším podílem vlastněným institucionálními investory a přidali jsme tento faktor do Famova a Frenchova tří faktového modelu. Výsledky ukazují, že akcie s vysokým podílem institucionálních investorů obsahují prémii přibližně 0,23 %. Dále jsme se snažili zjistit možný vliv nominální ceny akcie na vlastnickou strukturu. S vyšší nominální cenou je patrný i vyšší podíl institucionálních investorů. Na druhou stranu je tento vliv zanedbatelný pro nízké a vysoký podíl institucionálních investorů, tudíž IMR faktor nemůže být nahrazen nominální cenou akcie. Na závěr jsme se snažili objevit, co způsobuje nadměrné výnosy po uskutečnění štěpení akcií. Zjistili jsme, že s růstem podílu retailových investorů o 1 p.b. jsou nadměrné výnosy vyšší pro periodu jednoho týdne po provedení štěpení o 0.8 p.b. To je v souladu se dřívějším zjištěním o rizikové prémii, protože s poklesem podílu institucionálních...
|
|
Binning numerical variables in credit risk models
Mattanelli, Matyáš ; Baruník, Jozef (vedoucí práce) ; Teplý, Petr (oponent)
Tato práce zkoumá vliv diskretizace numerických proměnných na výkonnost modelů kreditního rizika. Rozdíly ve výkonnosti jsou vyhodnoceny s využitím pěti veřejně dostupných datových souborů, šesti indikátorů výkonnosti a stati- stického testu. Výsledky naznačují, že diskretizace má pozitivní a významný vliv na výkonnost logistické regrese, neuronové sítě a naivního Bayes klasi- fikátoru. Nejvíce ovlivněným aspektem výkonnosti modelu se zdá být jeho schopnost rozlišovat mezi dobrými a špatnými klienty. Výsledky jsou zvláště patrné pro středně velké datové soubory. Závěry jsou odolné vůči chybějícím hodnotám, eliminaci extrémních pozorování a vyloučení kategorických proměn- ných. Pro rozhodovací strom a náhodný les nebyl nalezen žádný významný pozitivní účinek diskretizace na výkonnost.
|