|
|
Maximum Return Portfolio
Palko, Maximilián ; Večeř, Jan (vedoucí práce) ; Šmíd, Martin (oponent)
Klasická tvorba portfólia pozostáva v minimalizovaní rozptylu daného port- fólia. Podľa Zákona o veľkých číslach by v prípade dlhodobého investičného horizontu malo stačiť investovať do aktíva s najvyšším očakávaným výnosom, ktoré nakoniec prebije všetky ostatné portfóliá. V našej práci preto navrhneme postupy hľadania portfólia s maximálnym výnosom založené na hľadaní aktíva s maximálnym očakávaným výnosom. Vyhneme sa tak problému nepresnosti odhadov očakávaných výnosov. Podľa simulačných analýz v tejto práci sme vy- brali dva takéto postupy tvorby portfólia. Tie sme následne otestovali na reál- nych dátach a porovnali sme ich s akciovým indexom S&P 500. Výsledky tohto testovania naznačili, že naše portfóliá by mohli mať využitie aj v reálnom svete. Najme keď sa naše portfólia s 10-ročným investičným horizontom ukázali byť signifikatne lepšie než S&P 500 index. 1
|
|
|
The Stigler-Luckock model for a limit order book
Fornůsková, Monika ; Swart, Jan (vedoucí práce) ; Večeř, Jan (oponent)
STIGLERŮV LUCKOCKŮV MODEL PRO LIMIT ORDER BOOK Abstrakt Jednou z kategorií dnešních finančních trhů jsou takzvané order-driven markety, je- jichž hlavní součástí jsou databáze (tzv. order book) všech příchozích nabídek (tzv. or- derů) na nákup a prodej. Hlavním cílem této práce je rozšíření Stiglerova Luckockova modelu pro order booky, abychom získali lepší vhled do procesu tvorby ceny a také chování samotných účastníků trhu. V této práci si ukážeme model, který se zaměřuje na porovnávání různých typů strategií tzv. market makerů, což jsou sofistikovaní ob- chodníci, kteří profitují z extenzivního obchodování na trhu. Trh je popsán pomocí Markovských řetězců a různé strategie jsou porovnávány pomocí Monte Carlo simulací a teorie her. Výsledky ukázaly, že ordery market makerů by měly mít malý spread a velké objemy. Finální model porovnává vždy dvě různé strategie, ve kterých market makeři pozorují své portfolio, a v případě zjištění, že mají více peněz než assetu (nebo naopak), změní a posunou ceny svých orderů ve snaze vyrovnat své portfolio. Tento finální model nakonec doporučil, aby market makeři kontrolovali své portfolio často, ale aby se chovali s rozvahou, tj. aby neměnili ceny moc...
|
|
|
Statistical machine learning with applications in music
Janásková, Eliška ; Večeř, Jan (vedoucí práce) ; Hlávka, Zdeněk (oponent)
Cílem této práce je shrnout současný stav strojového učení pro skládání hudby a natrénovat model na písních od Beatles s využitím výzkumného pro- jektu Magenta od Google Brain týmu k tvorbě vlastní hudby. Abychom mohli provést důkladný rozbor vygenerované hudby, omezili jsme se pouze na mono- fonní melodie Natrénujeme celkem tři různé modely na základě tří různých konfigurací (Basic, Lookback a Attention) a porovnáme vygenerované výsledky. I přes to, že se vygenerovaná hudba původním Beatles příliš nepodobá, je docela líbivá. Podle naší analýzy založené na hudebně informativních metrikách se vygenerované melodie liší od těch původních zejména v délce not a v rozdílech výšky po sobě jdoucích tónů. Vygenerované melodie obsahují kratší noty a větší rozdíly mezi jednotlivými výškami. V teoretickém pozadí se věnujeme nejčastěji používaným algoritmům stro- jového učení, zavádíme neuronové sítě a shrnujeme důležité milníky strojového učení pro generování hudby. 1
|
|
|
Parameter choice in portfolio optimization problems based on out-of-sample performance
Vaňková, Kateřina ; Kopa, Miloš (vedoucí práce) ; Večeř, Jan (oponent)
Tato práce zkoumá tři optimalizační modely s využitím metody posuvného okna. Tyto modely se zakládají na maximalizaci zisku a minimalizaci rizika. V těchto modelech se uvažují dvě statistiky: očekávaná hodnota a míra rizika. Analyzované míry rizika v této práci jsou rozptyl, Conditional Value-at-Risk na daném konfidenčním intervalu a Mean Absolute Deviation. Modely jsou testovány na reálných datech amerických akcií desíti společností v časovém rozmezí 20 let: od 30.1.1999 do 30.1.2019. Cílem této práce je identifikace nejlepšího nastavení uvažovaných parametrů ve zmíněných modelech.
|
|
|
Modelování volatility
Jurka, Vojtěch ; Prášková, Zuzana (vedoucí práce) ; Večeř, Jan (oponent)
V práci se zabýváme modelováním podmíněné volatility finančních časových řad. Nejprve se věnujeme vlastnostem klasických ARCH a GARCH modelů, navržených v Engle(1982) a Bollerslev(1986), a uvádíme několik zobecněných variant, které umožňují zachytit asymetrickou reakci volatility na pozitivní a negativní šoky. Konkrétně jde o modely GJR- GARCH, TGARCH a EGARCH. V aplikační části zkoumáme predikovatelnost realizované volatility čtyř významných komodit obchodovaných na Chicago Mercantile Exchange, které reprezentují rozdílné sektory komoditního trhu. Zjišťujeme, že, co do přesnosti predikce, dávají modely v krátkém časovém horizontu podobné výsledky, zatímco v delším časovém horizontu modelu TGARCH a EGARCH předpovídají volatilitu komodit o něco lépe. Za druhé, srovnáme-li přesnost predikce volatility vybraných komodit pomocí průměrné procentuální chyby v odhadu, mezi komoditami nepozorujeme významný rozdíl.
|
|
|
Reverzní hypotéka
Korotkov, Daniil ; Mazurová, Lucie (vedoucí práce) ; Večeř, Jan (oponent)
ČSOB Pojišťovna, a. s., člen holdingu ČSOB Veřejné 1 / 1 20.7.2018 Abstrakt: Reverzní hypotéky jsou v současné době relativně novými produkty na českém trhu a v této práci věnujeme jejích problematice. V práci jsou popsána hlavní rizika tohoto produktu jako riziko dlouhověkosti a nepříznivý vývoj cen nemovitosti. Při analýze těchto rizik se zabýváme modelováním cen podkladové nemovitostí, projekcí jejích budoucích cen, diskontních faktorù a rizikovými modely pomocí vektorové autoregrese, hédonického modelu, repeat-sales a Wills- Sherris modelů. V praktické části odhadujeme parametry Lee-Carterova modelu a modelu autoregrese státního bezkupónového dluhopisu. Na závěr taktéž aplikujeme získané odhady pro výpočet charakteristik reverzních hypoték.
|
|
|
Model trhu s náhodnými vstupy
Krch, Ivan ; Lachout, Petr (vedoucí práce) ; Večeř, Jan (oponent)
V této práci se věnujeme modelu trhu s náhodnými vstupy reprezentovaného úlohou prodavače novin, kde je náhodná složka promítnuta skrze náhodný počet zákazníků. Práce je členěna do tří kapitol. V první kapitole uvádíme základní problém prodavače novin jako úlohu stochastického programování s kompenzací. V druhé kapitole vyložíme teorii her pro více hráčů uzpůsobenou pro problém prodavačů novin. Dále ve druhé kapitole úlohu rozšiřujeme o druhého prodavače na trhu a ve třetí kapitole úlohu ještě více zobecníme na n prodavačů novin na trhu. Situace vzniklé v kapitole dva a tři řešíme z pohledu teorie her a zkou- máme zde vlastnosti Nashových ekvilibrií. Vyložená teorie je demonstrována na ilustrativních příkladech v závěru dvou posledních kapitol. 1
|
|
|
Optimální portfolia
Vacek, Lukáš ; Hurt, Jan (vedoucí práce) ; Večeř, Jan (oponent)
Tato diplomová práce představuje vybrané techniky konstrukce optimálních portfolií.V první části je pojednáno o mírách rizika a dalších kritériích (Markowi- tzův přístup, hodnota v riziku, podmíněná hodnota v riziku, střední absolutní odchylka, spektrální míra rizika a Kellyho kritérium). V některých případech je odvozeno analytické řešení optimalizační úlohy, jindy existuje jen numerické. Zmiňujeme výhody a nevýhody jednotlivých kritérií, teoretické vlastnosti a prak- tické aspekty softwarové implementace v softwaru Wolfram Mathematica. V druhé části jsou stručně představeny simulační metody, které jsou vhodné pro optima- lizaci portfolia, a je naznačena jejich motivace. V třetí části jsou představena mnohorozměrná rozdělení: normální, t-rozdělení a zešikmené t-rozdělení s návaz- ností na optimalizaci portfolia s předpokladem mnohorozměrného rozdělení ztrát. Ve čtvrté části práce jsou ilustrovány optimalizační metody na reálných datech. Analytické výpočty jsou porovnávány s numerickými. 1
|
|
|
Machine learning with applications to finance
Mešša, Samuel ; Hurt, Jan (vedoucí práce) ; Večeř, Jan (oponent)
The impact of data driven, machine learning technologies across a wide variety of fields is undeniable. The financial industry, which relies heavily on predictive modeling being no exception. In this work we summarize two widely used machine learning models: support vector machines and neural networks, discuss their limitations and compare their performance to a more traditionally used method, namely logistic regression. Evaluation was done on two real world datasets, which were used to predict default of loan applicants and credit card holders formulated as a binary classification task. Neural networks and support vector machines either outperformed or showed comparable results to logistic regression with performance measured in receiver operator characteristic area under curve. In the second task neural networks outperformed both other models by a significant margin.
|
|
|
Alternative risk measures and their applications
Drobuliak, Matúš ; Hurt, Jan (vedoucí práce) ; Večeř, Jan (oponent)
Název práce: Alternatívne miery rizika a ich vyuæitie Autor: Matúπ Drobuliak Katedra: Katedra pravdÏpodobnosti a matematické statistiky Vedoucí bakalá¯ské práce: Doc. RNDr. Jan Hurt, CSc., Katedra pravdÏpodobnosti a matematické statistiky Abstrakt: ÚËelom tejto práce je pojednaª o alternatívnych mierach rizika. My sme sa zamerali na expektilovú hodnotu v riziku, ktorú sme porovnávali so zau- æívan˝mi rizikov˝mi mierami, a to hodnotou v riziku a podmienenou hodnotou v riziku. Podiskutovali sme o jej vlastnostiach a jej finanËnom v˝zname. SúËasªou práce je aj numerická ilustrácia. KlíËová slova: Hodnota v riziku, Podmienená hodnota v riziku, Kvantily, Expek- tily, Expektilová hodnota v riziku iii
|
host ::
RSS.