|
|
Forecasting stock market returns and volatility in different time horizons using Neural Networks
Hronec, Martin ; Baruník, Jozef (vedoucí práce) ; Kraicová, Lucie (oponent)
Tato práce se zaměřuje na predikováni výnosů a denní volatility akciového in- dexu Nasdaq Composite ve více časových horizontech. Aby bylo možné zachytit komplexní vztahy, které mohou být potenciálně skryty pro tradiční lineární mod- ely, budeme používat neuronové sítě jako nelineární, neparametrické a robustní nástroje pro predikci. Námi dosažené empirické výsledky přispívají k probíhající diskuzi o předvídatelnosti akciovách trhů. V případě výnosů Nasdaq Composite, žádne ze čtyř neuronových sítí nedokázely překonat benchmark model na žádnem časovém horizontu, což naznačuje nepředvídatelnost v souladu s hypotézou efek- tivních trhů. Stejně tak v případě denní volatility Nasdaq Composite nejsou denní ani měsíční předpovědi výrazně přesnější než benchmark model. Avšak, jednotý- denní a dvoutýdenní předpovědi jsou výrazně přesnější než benchmark model a jsou schopny zachytit přítomné předpovědní vzorce. Klíčová slova předvídatelnost akciových výnosů, předvídatelnost denní volatility, predikováni v různych časových horizontech, neuronové sítě, RPROP, BFGS učící algoritmus Range of thesis: 94 pages, 82 936 characters
|
host ::
RSS.