|
|
Essays in High-dimensional Econometrics and Finance
Pyrlik, Vladimir ; Anatolev, Stanislav (vedoucí práce) ; Volkov, Vladimir (oponent) ; Prokhorov, Artem (oponent)
Essay in High-Dimensional Econometrics and Finance Vladimir Pyrlik Abstrakt Zkoumání dat s vysokou dimenzionalitou jsou oblíbenou statistickou analýzou aplikovanou na různorodé typy dat. Rostoucí dimensionalita dat představuje vyzvu pro správnou podmíněnost matic a přesný odhad modelů. V této práci se zaměřujeme na vybrané metody pro data s vysokou dimenzí a jejich aplikace na analýzu finančních trhů. Prvně zkoumáme modelování sdruženého rozdělení s využitím kopulí. V první kapitole se věnujeme odhadu Gaussovských a t kopulí v kontextu dat s ultra-vysokou dimenzionalitou, kde pracujeme řádově až s tisíci proměnnými a odhady na časových řadách s délkou až 30krát kratší než počet proměnných. Využíváme metod zmenšení (z anglického shrinkage) pro velké kovarianční matice k přesnému odhadu a správnému podmínění matic pro parametry kopulí. V druhé kapitole prezentujeme novou metodu pro odhad skew-t kopule, která má výhodu ve vyšší flexibilitě popisu sdruženého rozdělení. Vyšší flexibilita zahrnuje asymetrii, těžké konce a asymetrickou závislost v koncích rozdělení. Náš přístup využívá dvoukrokovou metodu založenou na simulované metodě momentů a analytickém nelineárním zmenšeném odhadu pro velké kovariační matice. V obou prvních dvou kapitolách ilustrujeme přínos využití kopulí na alokaci velkého akciového...
|
|
|
Forecasting realized volatility using machine learning and mixed-frequency data (the case of the Russian stock market)
Pyrlik, Vladimir ; Elizarov, P. ; Leonova, A.
We assess the performance of selected machine learning algorithms (lasso, random forest, gradient boosting, and long short-term memory) in forecasting the daily realized volatility of returns of selected top stocks in the Russian stock market in comparison with a heterogeneous autoregressive realized volatility benchmark in 2018-2020. We seek to improve the predictive power of the models by including various economic indicators that carry information about future volatility. We find that lasso delivers a good combination of easy implementation and forecast precision. The other algorithms require fine-tuning and frequent re-training, otherwise they are likely to fail to outperform the benchmark often enough. Only the basic lagged log-RV values are significant explanatory variables in terms of the benchmark in-sample quality. Many economic indicators of mixed frequencies improve the predictive power of lasso though, including calendar and overnight effects, financial spillovers from local and global markets, and various macroeconomics indicators.
|
|
|
Shrinkage for Gaussian and t copulas in ultra-high dimensions
Anatolyev, Stanislav ; Pyrlik, Vladimir
Copulas are a convenient framework to synthesize joint distributions, particularly in higher dimensions. Currently, copula-based high dimensional settings are used for as many as a few hundred variables and require large data samples for estimation to be precise. In this paper, we employ shrinkage techniques for large covariance matrices in the problem of estimation of Gaussian and t copulas whose dimensionality goes well beyond that typical in the literature. Specifically, we use the covariance matrix shrinkage of Ledoit and Wolf to estimate large matrix parameters of Gaussian and t copulas for up to thousands of variables, using up to 20 times lower sample sizes. The simulation study shows that the shrinkage estimation significantly outperforms traditional estimators, both in low and especially high dimensions. We also apply this approach to the problem of allocation of large portfolios.
|
host ::
RSS.