Národní úložiště šedé literatury Nalezeno 181 záznamů.  1 - 10dalšíkonec  přejít na záznam: Hledání trvalo 0.01 vteřin. 
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.
Predicting stock price movements from financial news using deep neural networks
Kramoliš, Richard ; Baruník, Jozef (vedoucí práce) ; Vácha, Lukáš (oponent)
Finančné média sú dôležitým zdrojom informácií a mnohé články o firmách a akciách vychádzajú každý deň. Táto práca posudzuje informačnú hodnotu článkov a využíva tieto články na úlohu predikcie pohybu cien akcií. Pre tento účel sú použité modely s architektúrou transformérov, špeciálne model Bidirec- tional Encoder Representations from Transformers. Tieto modely sú schopné spracovať textové dáta a vytvoriť kontextuálnu reprezentáciu textovej sekven- cie. Po pridaní klasifikačnej vrstvy sú modely aplikované na predikciu pohybu cien akcií. Práca hodnotí viaceré modely vrátane rôznych techník a parametrov, aby našla najvýkonnejší model. Zameriava sa na dva dátové filtre, u ktorých sa očakáva, že znížia šum v dátach. Navyše, zavádza novú metódu rozozna- nia firmy záujmu. Výsledkom hyperparametrovej optimalizácie je konštrukcia výsledného modelu. Klasifikace JEL C45, C51, C52, C53, G11, G14, G17 Klíčová slova BERT, Transformer, Finančné Články, Ob- chodovanie Akcií Název práce Predikcia pohybu cien akcií z finančných správ s využitím hlbokých neurónových si- etí
Price Prediction Using Machine Learning Methods on the European Market of Used Cars
Dvořáček, Petr ; Baruník, Jozef (vedoucí práce) ; Vácha, Lukáš (oponent)
Tato diplomová práce poskytuje přesné predikce cen ojetých vozidel. Tato studie staví své základy na dostupných poznatcích a rozšiřuje akademickou literaturu svým zaměřením na evropský trh s ojetými automobily. Navíc je zde použito několik metod strojového učení a unikátní metoda sběru dat, díky kterým byla dosažena vysoká přesnost. Přesná predikce cen by měla být přínosná jak pro kupující, tak i pro prodávající. Měla by také zmírňovat neefek- tivity na trhu s ojetými automobily. Autor si není vědom žádné podobné práce se zaměřením na evropský trh ojetých automobilů. Aplikační programové rozhraní bylo využito pro sběr dat. Tímto způsobem byla získána obsáhlá datová sada tvořena 221 704 inzeráty ojetých automo- bilů. Tato datová sada byla následně použita jako vstup do několika ekonomet- rických modelů - mnohonásobné lineární regrese, regrese hlavních komponent, lasso regrese, rozhodovacího stromu, náhodných lesů a umělých neuronových sítí. Tato studie se pomocí několika statistických metrik pokouší najít model, který je schopný co nejpřesněji předpovědět zbytkovou cenu ojetého auta. Mezi tyto výkonnostní statistiky patří koeficient determinace, směrodatná odchylka chyb a střední absolutní odchylka. Tato studie je v souladu s dostupnou liter- aturou a z vybraných metod považuje techniku náhodných...
Determinants of Used Car Prices
Žiačik, Jan ; Baruník, Jozef (vedoucí práce) ; Kukačka, Jiří (oponent)
Co se týče podílu na trhu, je trh s ojetými auty ve velikosti srovnatelný s trhem s novými auty. Tento fakt dává motivaci porozumět lépe jeho vnitřnímu fungování. Jedna z otázek, kterou se lze zabývat, jež je relevantní zvláště pro soukromé osoby, které chtějí koupit nebo prodat ojeté vozidlo, je, jak jsou ceny na trhu s ojetými vozidly determinovány. Přestože tato otázka už byla cílem výzkumu několika předchozích studií, většina z nich trpí několika metodologickými problémy. Hlavním je nejistota, vycházející z analýzy jenom úzkého počtu modelových specifikací. Cílem této práce vyřešit tento nedostatek, aplikací nové metody, Frekvenčního modelového průměrování. S cílem, pokusit se analyzovat námi podanou výzkumnou otázku, analyzujeme nově vytvořený data set s více než 470 000 inzeráty použitých vozidel z různých evropských zemí, pocházející z webové stránky www.carvago.com. Kromě dobře známého vlivu technických atributů na valuaci ojetého vozu, naše výsledky ukazují, že emisní standard, které vozidlo splňuje nebo země původu jeho výrobce, mají také signifikantní vliv. Dále naše analýza také ukazuje, že jednotlivé determinanty cen se ve velikosti svého efektu různí napříč různými zeměmi. Klasifikace JEL D12, D46, L62 Klíčová slova trh s použitými auty; cena použitého auta; Frekvenční modelové...
Machine Learning Methods in Payment Card Fraud Detection
Sinčák, Jan ; Baruník, Jozef (vedoucí práce) ; Vácha, Lukáš (oponent)
Ochrana klientů před podvodnými transakcemi je náročný úkol. Banky se ob- vykle spoléhají na systémy založené na pravidlech, které vyžadují ruční tvorbu těchto pravidel pro identifikaci podvodu. Tato pravidla musí nastavit zaměst- nanci banky, kteří musí sami vyhledávat trendy v podvodných transakcích. Tato práce se zabývá problémem odhalování podvodných karetních transakcí a porovnává několik modelů strojového učení pro detekci podvodů. Tyto mod- ely mohou v datech najít složité vztahy a potenciálně překonat klasické sys- témy detekce podvodů, Logistická regrese, neuronová síť, random forest a ex- treme gradient boosting (XGBoost) jsou trénovány na simulovaném souboru dat, který věrně kopíruje vlastnosti skutečných karetních transakcí. Výkon- nost modelů se měří podle citlivosti, specificity, preciznosti, AUC a časové náročnosti předpovědi na testovacím souboru dat. XGBoost vykazuje nejvyšší výkonnost mezi testovanými modely. Poté je porovnáván se standardním sys- témem detekce podvodů používaným v české bance. Bankovní systém dosahuje vyšší specificity, ale XGBoost přesto vykazuje slibné výsledky. Je možné, že některé modely strojového učení by mohly překonat současné systémy detekce podvodů, pokud budou dobře vyladěny. Klasifikace JEL G21, K42 Klíčová slova strojové učení, karetní podvody,...

Národní úložiště šedé literatury : Nalezeno 181 záznamů.   1 - 10dalšíkonec  přejít na záznam:
Viz též: podobná jména autorů
2 Baruník, Jozef,
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.