|
|
Forecasting Realized Volatility Using Neural Networks
Jurkovič, Jindřich ; Baruník, Jozef (vedoucí práce) ; Krištoufek, Ladislav (oponent)
Předkládaná práce se zabývá předpovídáním časových řad denní realizované volatility vybraných měnových párů EUR/USD, GBP/USD a USD/CHF, pomocí neu-ronových sítí. Jejich výsledky jsou porovnány s výsled-ky aktuálně populárního modelu HAR (Heterogenous Autoregressive) a již tradičních modelů ARIMA. Vedlejším produktem těchto snah je zdokonalení modelu HAR, které je nazváno HARD rozšířením. Po otestování jeho predikčních schopností je tento model dále použit jako referenční model pro testování neuronových sítí a modelu ARIMA.
|
|
|
Metody předvídání volatility
Hrbek, Filip ; Witzany, Jiří (vedoucí práce) ; Fičura, Milan (oponent)
V této diplomové práci jsem shrnul základní přístupy k modelování volatility, které vycházejí z frekventistické a z bayesovské statistiky. Modely volatility byly aplikovány na časové řady různých měnových párů (EURUSD, GBPUSD a CZK USD) s různou frekvencí (od vteřinových výnosů až po denní výnosy). Zkoumanými modely z klasické statistiky byly modely EWMA, GARCH, EGARCH, IGARCH a GJRGARCH. Pro odhad bayesovkých modelů bylo potřeba nejdříve vytvořit správný MCMC algoritmus, na jehož základě jsme poté zkoumali modely jump diffusion s konstantní volatilitou a jump diffusion se stochastickou volatilitou. Všechny modely byly odhadnuty jako jednorozměrné. Nejlepších výsledků metodou Mincer Zarnowitzovi regrese bylo dosaženo u modelu jump diffusion se stochastickou volatilitou. V těsném závěsu byl model GJR-GARCH spolu s jump diffusion modelem s konstantní volatilitou, který však volatilitu nadhodnocoval. Ještě horší byl zbytek modelů, z který nejlépe volatilitu předvídal IGARCH model. Tyto výsledky potvrzuje i koeficient R squared.
|
|
|
Modelování a predikce volatility finančních časových řad směnných kurzů
Žižka, David ; Arltová, Markéta (vedoucí práce) ; Malá, Ivana (oponent) ; Vošvrda, Miloslav (oponent)
Disertační práce se zaměřuje na modelování a prognózování podmíněného rozptylu časových řad směnných kurzů. Základním využitým přístupem pro modelování podmíněného rozptylu jsou modely třídy (G)ARCH a jejich variace. Modelování podmíněné střední hodnoty je založeno na využití autoregresních modelů AR. Z důvodu nesplnění jednoho ze základních předpokladů těchto modelů (předpoklad normality) je důležitou součástí práce i podrobná analýza nepodmíněných rozdělení logaritmů výnosů, která dále umožňuje zvolit vhodný předpoklad o rozdělení nesystematické složky modelů podmíněného rozptylu založených na (G)ARCH modelech. Využitím předpokladu leptokurtických rozdělení vede k významnému zlepšení předpovědí volatility ve srovnání s normálním rozdělením. V této souvislosti jsou často využívána GED a Studentovo t rozdělení, která jsou i základními stavebními kameny této práce. Navíc jsou v práci aplikována i méně známá rozdělení; Johnsonovo SU a normální inverzní Gaussovo rozdělení. Pro modelování podmíněného rozptylu je testováno velké množství lineárních i nelineárních modelů. Lineární modely zastupují modely ARCH, GARCH, GARCH in mean, integrovaný GARCH, frakcionálně integrovaný GARCH a HYGARCH. V případě přítomnosti asymetrického vlivu kladných a záporných výnosů na podmíněný rozptyl jsou aplikovány nelineární modely EGARCH, GJR-GARCH, APARCH a FIEGARCH. S využitím vhodných modelů, podle zvolených kritérií, jsou provedeny bodové předpovědi podmíněného rozptylu s různými dlouhodobými a krátkodobými předpovědními horizonty. Výstupy tradičních parametrických modelů volatility (G)ARCH jsou porovnány se semi-parametrickými přístupy založenými na neuronových sítích, které našly široké uplatnění nejen v klasifikačních úlohách, ale i v úlohách predikce časových řad. Závěr práce tvoří popis shodných a rozdílných vlastností zkoumaných časových řad směnných kurzů. Dále shrnutí modelů, které dokáží nejlépe popsat a předpovědět chování podmíněného rozptylu vybraných časových řad směnných kurzů. Tyto modely lze dále využít k měření míry tržního rizika investic metodou Value at Risk nebo najdou široké uplatnění při odhadech budoucích cen, kde je při konstrukcích předpovědních intervalů nezbytná znalost budoucího podmíněného rozptylu.
|
host ::
RSS.