|
|
On the predictibility of Central European stock returns: Do Neural Networks outperform modern economic techniques?
Baruník, Jozef ; Žikeš, Filip (vedoucí práce) ; Vošvrda, Miloslav (oponent)
V této práci jsou aplikovány neuronové sítě jako neparametrická, nelineární metoda modelování na středoevropské trhy (Český, Polský, Maďarský a Německý). V prvních dvou kapitolách je definováno prognózování v kontextu klasické ekonometrické analýzy ve spojení s neuronovými sítěmi. Dále jsou prezentovány optimalizační metody použité při testování - konjugovaný gradient, Levenberg- Marquardt a genetické algoritmy, a nakonec statistické metody pro srovnání přesnosti předpovědí různých modelů a jejich ekonomickou signifikaci. V empirickém modelování je nejdřív ukázána výkonnost neuronové sítě na chaotické časové řadě Mackey-Glass. Dále následuje analýza reálných denních a týdenních časových řad středoevropských indexů pro období let 2000 až 2006, kde je ukázáno, že Neuronové sítě predikují denní výnosy DAX a týdenní výnosy PX50, BUX se signifikantně nižší chybou pomocí časových řad historických výnosů než ostatní ekonometrické metody. Podobných výsledků bylo dosaženo při predikci národního výnosu pomocí zpožděných výnosů alespoň jednoho z ostatních indexů. Dále je taky ukázáno, že s Neuronovou sítí byla dosažena ekonomická signifikace predikce denních i týdenních výnosů PX-50, BUX i DAX. Přesnost předpovědí testovaných řad se pohybuje kolem 60%, co považujeme za dobrý výsledek. V poslední kapitole je...
|
|
|
On the predictability of Central European stock returns : "Do neural networks outperform modern econometric techniques?"
Baruník, Jozef ; Schneider, Ondřej (vedoucí práce)
V této práci jsou aplikovány neuronové sítě jako neparametrická, nelineární metoda modelování na středoevropské trhy (Český, Polský, Maďarský a Německý). V prvních dvou kapitolách je definováno prognózování v kontextu klasické ekonometrické analýzy ve spojení s neuronovými sítěmi. Dále jsou prezentovány optimalizační metody použité při testování - konjugovaný gradient, Levenberg-Marquardt a genetické algoritmy, a nakonec statistické metody pro srovnání přesnosti předpovědí různých modelů a jejich ekonomickou signifikaci. V empirickém modelování je nejdřív ukázána výkonnost neuronové sítě na chaotické časové řadě Mackey-Glass. Dále následuje analýza reálných denních a týdenních časových řad středoevropských indexů pro období let 2000 až 2006, kde je ukázáno, že Neuronové sítě predikují denní výnosy DAX a týdenní výnosy PX50, BUX se signifikantně nižší chybou pomocí časových řad historických výnosů než ostatní ekonometrické metody. Podobných výsledků bylo dosaženo při predikci národního výnosu pomocí zpožděných výnosů alespoň jednoho z ostatních indexů. Dále je taky ukázáno, že s Neuronovou sítí byla dosažena ekonomická signifikace predikce denních i týdenních výnosů PX-50, BUX i DAX. Přesnost předpovědí testovaných řad se pohybuje kolem 60%, co považujeme za dobrý výsledek. V poslední kapitole je použita...
|
|
|
On the predictability of Central European stock returns : "Do neural networks outperform modern econometric techniques?"
Baruník, Jozef ; Schneider, Ondřej (vedoucí práce)
V této práci jsou aplikovány neuronové sítě jako neparametrická, nelineární metoda modelování na středoevropské trhy (Český, Polský, Maďarský a Německý). V prvních dvou kapitolách je definováno prognózování v kontextu klasické ekonometrické analýzy ve spojení s neuronovými sítěmi. Dále jsou prezentovány optimalizační metody použité při testování - konjugovaný gradient, Levenberg-Marquardt a genetické algoritmy, a nakonec statistické metody pro srovnání přesnosti předpovědí různých modelů a jejich ekonomickou signifikaci. V empirickém modelování je nejdřív ukázána výkonnost neuronové sítě na chaotické časové řadě Mackey-Glass. Dále následuje analýza reálných denních a týdenních časových řad středoevropských indexů pro období let 2000 až 2006, kde je ukázáno, že Neuronové sítě predikují denní výnosy DAX a týdenní výnosy PX50, BUX se signifikantně nižší chybou pomocí časových řad historických výnosů než ostatní ekonometrické metody. Podobných výsledků bylo dosaženo při predikci národního výnosu pomocí zpožděných výnosů alespoň jednoho z ostatních indexů. Dále je taky ukázáno, že s Neuronovou sítí byla dosažena ekonomická signifikace predikce denních i týdenních výnosů PX-50, BUX i DAX. Přesnost předpovědí testovaných řad se pohybuje kolem 60%, co považujeme za dobrý výsledek. V poslední kapitole je použita...
|
|
|
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.