Národní úložiště šedé literatury Nalezeno 2 záznamů.  Hledání trvalo 0.00 vteřin. 
On multifractality and predictability of financial time series
Heller, Michael ; Krištoufek, Ladislav (vedoucí práce) ; Vácha, Lukáš (oponent)
Cílem této práce je ověřit empirický vztah mezi multifraktalitou finančních časových řad a jejich výnosy. K multifraktalitě přistupujeme jako k míře kom- plexity dané finanční časové řady. Multifraktální časové řady vykazují sebe- opakující se vzorce. Multifraktalita by mohla být dobrým prediktorem ak- ciových výnosů nebo faktorem, který by mohl být využit k oceňování aktiv. V naší práci popisujeme komplexitu dané finanční časové řady pomocí modelů a poté zkoumáme, zda najdeme kladnou nebo zápornou rizikovou prémii za in- vestování do "více multifraktálních aktiv". Získali jsme denní ceny 31 akciových indexů a denní výnosy 10-letých amerických státních dluhopisů. Všechna data pochází z období let 2012 až 2021. Pomocí metody MF-DFA jsme odhadli multifraktální spektra na všech 31 akciových indexech. Všechny akciové in- dexy jsme seřadili od nejméně po nejvíce multifraktální. Zkonstruovali jsme "multifraktální portfolio" držením dlouhé pozice v 7 nejvíce multifraktálních akciových indexech a držením krátké pozice v 7 nejméně multifraktálních in- dexech. Poté jsme použili regresi Fama-MacBeth s nezávislými proměnnými, očekávaným tržním výnosem a rizikovou prémií. Ve všech zkoumaných fi- nančních časových řadách jsme našli multifraktalitu. Rovněž jsme nalezli velmi nízkou zápornou rizikovou prémii za...
Examining the relationships among cryptocurrencies using Google Trends
Heller, Michael ; Krištoufek, Ladislav (vedoucí práce) ; Džmuráňová, Hana (oponent)
Tématem naší práce je zkoumání vztahů mezi kryptoměnami pomocí nástroje Google Trends. V naší práci se soustředíme na 4 kryptoměny: Bitcoin, Litecoin, Ethereum Classic a Ethereum. V naší práci jsme získali denní data pro otevírací ceny, denní obchodované objemy a denní data Google Trends dotazů, zachy- cujících relativní popularitu vybraných kryptoměn. Pro hledání vztahů mezi čtyřmi vybranými kryptoměnami jsme použili Vektorovou autoregresi a Vek- torový Error Correction model. Celkem jsme sestavili 4 různé modely. První model obsahuje 4 časové řady denních cen jednotlivých kryptoměn. Druhý model vychází z prvního modelu a je rozšířen o další 4 časové řady Google Trends dotazů souvisejících s danými kryptoměnami. Třetí model obsahuje 4 časové řady denních obchodovaných objemů jednotlivých 4 kryptoměn. Čtvrtý model vychází ze třetího modelu a je obohacen o další čtyři časové řady Google Trends dotazů souvisejících s danými kryptoměnami. Následně jsme použili odezvu na impuls a rozklad rozptylu pro zkoumání vztahů mezi jednotlivými kryptoměnami. V naší práci jsme našli určité korelace mezi proměnnými, v rámci každé ze tří skupin proměnných, tj. ceny, obchodované objemy a Google...

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.