|
|
Application of Machine Learning in Portfolio Construction
Karlíček, Ondřej ; Šíla, Jan (vedoucí práce) ; Baruník, Jozef (oponent)
Práce zkoumá využití strojového učení při tvorbě portfolia. Analýza byla provedena na souboru dat, který se skládá ze 442 amerických akcií. Na začátku jsme provedli klastrování akcií pomocí algoritmů analýzy hlavních komponent a K-means. Poté vybíráme akcie z každého klastru na základě metrik výnosnosti/rizikovosti. Kde riziko bylo odhadnuto pomocí Value at Risk a výnos byl předpovězen pomocí modelů Random Forest a GARCH. Takto nám zůstalo 11 akcií pro každé měsíční období v průběhu roku 2020. Výsledky ukazují, že portfolia sestavená z vybraných akcií dokázala překonat tržní benchmark. Predikce výnosů však nebyly dostatečně přesné. Portfolio z vybraných akcií s využitím přístupu 1/N tedy dosáhlo lepších výsledků než portfolio optimalizované pomocí Mean-Variance modelu. 1
|
|
|
Portfolio Construction Using Hierarchical Clustering
Fučík, Vojtěch ; Krištoufek, Ladislav (vedoucí práce) ; Baruník, Jozef (oponent)
Hlavním cílem této práce je vyložit a zejména propojit existující metodologii filtrování korelačních matic, grafových algoritmů aplikovaných na minimální kostry grafu, hierarchického shlukování a analýzy hlavních komponent, pro vytvoření kvantitativních investičních strategií. Namísto tradičního použití časových řad akciových výnosů je užito reziduí z faktorových modelů. Tato rezidua jsou klíčovým vstupem pro všechny používané algoritmy k výpočtu pravděpodobnosti středovosti dané akcie. Pravděpodobnost středovosti je nekonvenční ukazatel pravděpodobnosti, kde hodnota blízko 1 značí vysokou pravděpodobnost středovosti dané akcie v dané ekonomické síti. Na základě této míry pravděpodobnosti je vybudováno několik investičních strategií, které jsou dále testován hlavních amerických akciových indexů. Nemůže být generalizováno, že periferní strategie dosahují konzistentně lepších výsledků než středové strategie. Zatímco při použití klasického Markowitzova optimalizačního procesu jsou zisky stabilní a potenciál průměrný, oba typy vybudovaných strategií (středové i periferní) sdílí vysoký potenciál zisku, který je ovšem vykoupen vysokou volatilitou.
|
|
|
Robust Investment Portfolios
Konfršt, Zdeněk ; Dědek, Oldřich (vedoucí práce) ; Pěkná, Martina (oponent)
Robustní investiční portfolia Zdeněk Konfršt Abstrakt Diplomová práce se zabývá konstrukcí stabilního, robustního a růstového portfolia v rámci aktivního portfolio managementu. Takováto portfolia poskytují omezení rizika poklesu hodnoty aktiv, krátkodobý propad hodnoty portfolia a přiměřené růstové perspektivy. Tvrdíme, že konstrukce takovýchto portfolií je závislá na výběru cenných papírů a teorii portfolia (MV model, MVM). Námi vytvořená a testovaná akciová portfolia byla založena na reálných tržních datech za období 1995-2014. Portfolia prokázala nadvýnos nad tržním indexem S&P 500 mimo doménu i v doméně rizikově upraveného zisku. Robustní portfolia stavějí na MVM, ale jsou méně citlivá k chybám odhadu para- metrů. Experimentovali jsme s několika robustními přístupy a výsledky potvrdily, že robustní portfolia jsou méně citlivá k vychýleným hodnotám, méně volatilní a více stabilní (robustní). Výběr vhodných cenných papírů je časově a dovednostně náročný. Z tohoto důvodu jsme použili alternativu ke klasifikaci akcií využitím klasifikačního algo- ritmu tzv. "shlukové analýzy". Obecně shluková analýza nám přiřadí do podobných cílových skupin (clusterů) parametrově podobné objekty...
|
host ::
RSS.