|
|
Odhady časových řad pomocí modelů neuronových sítí
Jiráň, Robin ; Arltová, Markéta (vedoucí práce) ; Žižka, David (oponent)
Tato práce se zabývá využitím modelu neuronových sítí jako alternativy k modelům časových řad založených na Boxově-Jenkinsově metodologii. Práce je rozdělena na dvě částí podle metody konstrukce modelu. Každá z částí obsahuje teorii, kde jsou vysvětleny jednotlivé procesy a postup výstavby modelu. Na tuto část navazují dva experimenty, kde je názorně demonstrována rozdílnost přístupu ke konstrukci daného modelu a vytvořena předpověď na následující rok na základě odhadnutých hodnot. Poslední část expertně hodnotí kvalitu daných předpovědí a usuzuje o využitelnosti neuronových sítí k predikci jako alternativy k modelům založených na Boxově-Jenkinsově metodologii.
|
|
|
Modelování a predikce volatility finančních časových řad směnných kurzů
Žižka, David ; Arltová, Markéta (vedoucí práce) ; Malá, Ivana (oponent) ; Vošvrda, Miloslav (oponent)
Disertační práce se zaměřuje na modelování a prognózování podmíněného rozptylu časových řad směnných kurzů. Základním využitým přístupem pro modelování podmíněného rozptylu jsou modely třídy (G)ARCH a jejich variace. Modelování podmíněné střední hodnoty je založeno na využití autoregresních modelů AR. Z důvodu nesplnění jednoho ze základních předpokladů těchto modelů (předpoklad normality) je důležitou součástí práce i podrobná analýza nepodmíněných rozdělení logaritmů výnosů, která dále umožňuje zvolit vhodný předpoklad o rozdělení nesystematické složky modelů podmíněného rozptylu založených na (G)ARCH modelech. Využitím předpokladu leptokurtických rozdělení vede k významnému zlepšení předpovědí volatility ve srovnání s normálním rozdělením. V této souvislosti jsou často využívána GED a Studentovo t rozdělení, která jsou i základními stavebními kameny této práce. Navíc jsou v práci aplikována i méně známá rozdělení; Johnsonovo SU a normální inverzní Gaussovo rozdělení. Pro modelování podmíněného rozptylu je testováno velké množství lineárních i nelineárních modelů. Lineární modely zastupují modely ARCH, GARCH, GARCH in mean, integrovaný GARCH, frakcionálně integrovaný GARCH a HYGARCH. V případě přítomnosti asymetrického vlivu kladných a záporných výnosů na podmíněný rozptyl jsou aplikovány nelineární modely EGARCH, GJR-GARCH, APARCH a FIEGARCH. S využitím vhodných modelů, podle zvolených kritérií, jsou provedeny bodové předpovědi podmíněného rozptylu s různými dlouhodobými a krátkodobými předpovědními horizonty. Výstupy tradičních parametrických modelů volatility (G)ARCH jsou porovnány se semi-parametrickými přístupy založenými na neuronových sítích, které našly široké uplatnění nejen v klasifikačních úlohách, ale i v úlohách predikce časových řad. Závěr práce tvoří popis shodných a rozdílných vlastností zkoumaných časových řad směnných kurzů. Dále shrnutí modelů, které dokáží nejlépe popsat a předpovědět chování podmíněného rozptylu vybraných časových řad směnných kurzů. Tyto modely lze dále využít k měření míry tržního rizika investic metodou Value at Risk nebo najdou široké uplatnění při odhadech budoucích cen, kde je při konstrukcích předpovědních intervalů nezbytná znalost budoucího podmíněného rozptylu.
|
|
|
Neuronové sítě v R
Arzumanov, Eduard ; Bašta, Milan (vedoucí práce) ; Žižka, David (oponent)
Cílem této práce bylo představit problematiku neuronových sítí, která i přesto, že existuje a aplikuje se ve statistice už řadu let, pro značnou část veřejnosti a dokonce akademického prostředí z oblasti statistiky zůstává minimálně prozkoumanou. Cílem praktické části bylo ověřit prostřednictvím praktické aplikace, zda neuronové sítě jsou opravdu lepším nástrojem pro statistickou analýzu než doposud běžně používané nástroje, zvláště v případě potřeby zkoumat komplexnější jevy a vztahy mezi nimi. Dalším cílem praktické části bylo za pomoci modelů neuronových sítí zkoumat a popsat vztahy mezi vývojem objemů obchodů akcií společnosti Apple a akciemi konkurenčních společností jako Google, HTC, Nokia, Samsung. Dosažení cílů práce bylo prováděno prostřednictvím poměrně rozsáhlého popisu teorie neuronových sítí, rovněž jako popisu teoretických pomůcek vhodných pro předcházení častým úskalím při praktické implementaci. Tato praktické aplikace byla prováděna v softwaru R, který se v poslední době významně rozšířil díky své dostupnosti a také velké míře flexibility, kterou uživateli poskytuje. Přínosem této práce je seznámení a utvoření uceleného přehledu o problematice neuronových sítí a poskytnutí důkazu, že v některých případech modely neuronových sítí jsou skutečně výrazně lepším nástrojem analýzy v porovnání s běžně používanými nástroji (modely typu ARMA, lineární regrese). Autor během zpracování práce získal velké množství poznatků o problematice neuronových sítí, naučil se s nimi pracovat v prostředí R, čímž posunul svoje schopnosti práce s tímto softwarem o poznání výš.
|
|
|
Modelování časových řad měnových kurzů
Žižka, David ; Trešl, Jiří (vedoucí práce) ; Cipra, Tomáš (oponent)
Práce je zaměřena na modelování časových řad směnných kurzů pomocí modelů podmíněného rozptylu. V první části je vysvětlena teorie lineárních i nelineárních modelů volatility včetně popsání všech konkrétních modelů, které jsou v práci použity. Dále jsou zde podrobně popsány všechny testy, které jsou v práci použity. V druhé části jsou modelovány reálné časové řady směnných kurzů české koruny k amerického dolaru a k euru. Třetí část je zaměřena na ověření úrokové parity mezi Českou republikou a eurozónou. Tento vztah je ověřován pomocí Grangerovy kauzality a kointegrace časových řad.
|
host ::
RSS.