|
|
Sharing investment ideas: Role of luck and skill
Turlík, Tomáš ; Hronec, Martin (vedoucí práce) ; Novák, Jiří (oponent)
i Abstrakt V prostredí veľkej skupiny analytikov, ktorí sú verejne ochotní zdieľať svoje investične nápady sa môže zdať ťažké nájsť takých, ktorí sú skúsení a ich odporúčania vedú k abnormálnym výnosom. V našej práci skúmame jednu takú skupinu s názvom Value Investors Club, ktorá pozostáva z 1223 ana- lytikov medzi rokmi 2000 až 2019. Túto skupinu rozdeľujeme na niekoľko podskupín, kde každá z nich reprezentuje rôzny stupeň ich skúseností. Bežná metóda, jednoduchého štatistického testu sa v tomto prostredí nedá použiť, pre- tože naraz testujeme veľké množstvo analytikov a musíme použiť metódy pre testovanie mnohých hypotéz (Multiple Hypothesis Testing). Použitím týchto metód sme schopný nájsť podskupinu analytikov ktorá má abnormálne výnosy z Fama-French 4 faktorového portfólia. Avšak, rôzne metódy vedú k rôznym podskupinám ktoré sú považované za skúsené. Celkové portfólio ktoré sa skladá zo všetkých analytikov vedie k abnormálnym výnosom, ktoré klesajú so stú- pajúcim obdobím držania pozícii v portfóliu. Okrem tohto portfólia skúmame aj portfólia vytvorené z analýz analytikov ktorí sú pomocou našich metód vy- braní ako skúsení. Naše zistenia sú také, že existujú metódy ktoré produkujú portfólia so signifikantne lepšími abnormálnymi výnosmi ako celkové portfólio, avšak, tieto metódy to nerobia konzistentne....
|
|
|
Neural networks and tree-based credit scoring models
Turlík, Tomáš ; Krištoufek, Ladislav (vedoucí práce) ; Fanta, Nicolas (oponent)
Jednou z najzákladnejších úloh kreditného skóringu je klasifikácia poten- cionálnych klientov žiadajúcich o úver na "dobrých" alebo "zlých", na zák- lade pravdedepobnosti, že by neboli schopní splácať úver v prípade, že by im bol odsúhlasený. V tejto práci porovnávame často použivanú logistickú regresiu, neuronové siete a ensemble modely založené na stromových metó- dach. Pri konštrukcii neuronových sietí používame nové metódy a poznatky z oblasti hlbokého učenia, zaťiaľčo v prípade stromov používame populárne ensemble algoritmy bagging, boosting a náhodné lesy. Modely porovnávame na základe ROC AUC miery, ktorá by mala poskytnúť väčšiu informačnú hodnotu ako len samotná presnosť. Výsledky naznačujú malý alebo takmer žiadny rozdiel medzi modelmi. V najlepšom prípade, dosahujú neuronové siete, boosted ensemble modely a zložené ensemble modely len približne o 1% − 2% väčšiu ROC AUC hodnotu ako logistická regresia. Klíčová slova kreditní skóring, neuronové sítě, rozhodovací strom, bagging, boosting, náhodný les, ensemble, ROC křivka
|
host ::
RSS.