|
|
Three Essays on Data-Driven Methods in Asset Pricing and Forecasting
Gregor, Barbora ; Baruník, Jozef (vedoucí práce) ; Chen, Cathy Yi-Hsuan (oponent) ; Baumohl, Eduard (oponent) ; Vácha, Lukáš (oponent)
Tato disertační práce se skládá ze tří článků zaměřených na aplikace metod založených na datech v oblasti prognózování a oceňování aktiv. V první práci rozkládáme časovou strukturu cen futures na ropných trzích pomocí dynamického Nelson-Siegelova modelu a navrhujeme jejich předpověď pomocí zobecněného regresního modelu založeného na neuronových sítích. Zjistili jsme, že neuronové sítě poskytují výrazně přesnější prognózy ve srovnání s několika referenčními modely. Druhý článek ukazuje, jak může model časově proměnlivých koeficientů pomoci zkoumat dynamiku vztahu mezi rizikem a výnosem na trhu státních dluhopisů napříč celou časovou strukturou. Náš rozsáhlý dvanáctiletý soubor vysokofrekvenčních dat o cenách amerických a německých státních dluhopisů s dvouletou, pětiletou, desetiletou a třicetiletou dobou splatnosti nám umožňuje konstruovat realizované metriky rizika a také zkoumat vztah rizika a výnosu za různých tržních podmínek. Kromě realizované volatility jsme zjistili, že realizovaná kurtóza je zohledněna v cenách dluhopisů. Důležité je, že zjišťujeme, že rizikový faktor zachycený realizovanou kurtózou má pozitivní vliv na výnosy v období krize a v klidných obdobích se mění na záporné hodnoty. Ve třetím článku používáme metodiku časově proměnných koeficientů a vyšších realizovaných momentů při...
|
|
|
Časová struktura úrokových měr
Boháčková, Jana ; Hurt, Jan (vedoucí práce) ; Rusý, Tomáš (oponent)
Bakalářská práce se zabývá úrokovými měrami a výnosovými křivkami. Zavedeme si pojmy spotová úroková míra, forwardová úroková míra a diskontní faktor. Budeme pou- žívat tři modely k odhadu výnosových křivek, dva parametrické: Nelson-Siegelův model a Svenssonův model a jeden neparametrický: jádrový odhad. U každé metody si uvedeme funkce pro odhadnutí výnosových křivel a u parametrických modelů popíšeme jednotlivé parametry. Použité modely odhadů následně použijeme na reálných datech. 1
|
|
|
Forecasting Term Structure of Government Bonds Using High Frequency Data
Kožíšek, Jakub ; Baruník, Jozef (vedoucí práce) ; Horváth, Roman (oponent)
Tato diplomová práce zkoumá využití kombinace realizované volatility z vysokofrekvenčních dat a neuronových sítí pro vylepšení prognóz výnosové křivky státních dluhopisů. K tomu používá vysokofrekvenční data futures kontraktů čtyř amerických cenných papírů pro odhad výnosové křivky Nelson-Siegelova modelu a denního realizovaného rozptylu jejích parametrů za období 25 let. Odhadované parametry jsou použity při predikci úrovně, sklonu a zakřivení výnosové křivky pomocí neuronové sítě LSTM a jsou porovnány s prognózou Dynamického Nelson-Siegelova mod- elu. Výsledky ukazují, že využití realizovaného rozptylu a neuronové sítě překonává autoregre- sivní metody při predikci úrovně a zakřivení křivky v denních a měsíčních prognózách. Výnosová křivka státních dluhopisů je sama o sobě využívána při prognózách makroekonomických proměn- ných, proto může mít zlepšení její prognózy širší dopad na předpověď celkového stavu ekonomiky.
|
|
|
Forecasting Term Structure of Crude Oil Markets Using Neural Networks
Malinská, Barbora ; Baruník, Jozef (vedoucí práce) ; Polák, Petr (oponent)
Tato práce obohacuje ne příliš početnou literaturu zabývající se modelováním a předpovídáním výnosové křivky na ropných trzích. Za použití dynamického Nelson-Siegelova modelu je ropná výnosová křivka dekomponována na tři latentní faktory, které jsou dále použity k předpovídání pomocí parametrických metod a neuronových sítí. Odhad výnosové křivky pomocí Nelson-Siegelova modelu přináší povzbudivé výsledky a dokazuje svou aplikovatelnost na ceny termínovaných kontraktů na ropných trzích. Předpovědi získané pomocí dynamické neuronové sítě se ukázaly být obecně přesnější než u ostatních uvažovaných metod. Chyba předpovědi klesá s rostoucí dobou do maturity.
|
host ::
RSS.