Detail práce

Does wavelet decomposition and neural networks help to improve predictability of realized volatility?

Autor: Mgr. Tomáš Křehlík
Rok: 2013 - letní
Vedoucí: doc. PhDr. Jozef Baruník Ph.D.
Konzultant:
Typ práce: Diplomová
Ekonomická teorie
Jazyk: Anglicky
Stránky: 74
Ocenění: Pochvala děkana Fakulty sociálních věd za vynikající výkon u státních zkoušek.
Odkaz:
Abstrakt: V této práci zevrubne srovnávám standardní odhady realizované volatility vcetne nového waveletového
odhadu v casove frekvencní doméne (Barunik and Vacha 2012) na širokém vzorku aktiv: oleji, zlatu a
indexu S&P 500. Waveletový odhad navíc dovoluje rozložit volatilitu do nekolika investicních
horizontu, což má dle literatury prinést další informaci o casové rade volatility. Dále navrhuji použití
neuronových sítí pro predpovídání realizované volatility. V odhadech používám vrstevnatou a rekurzivní
topologii. Samotnou realizovanou volatilitu predpovídám kumulativne na 1, 5, 10 a 20 dní dopredu.
Predpovedi z neuronových sítí porovnávám oproti ARFIMA modelu a triviálnímu modelu. Potvrzuji
pozitivní vlastnosti nového waveletového odhadu v prípade oleje a zlata, ale v prípade S&P 500 se tyto
vlastnosti nepotvrzují. Možné vysvetlení je, že metoda nadmerne koriguje data, protože se v techto
datech témer nevyskytují skoky. Co se týká predpovedí, neuronové síte prekonávají ARFIMA model v
objemu informace o dynamické strukture casové rady.
VO Martina Jasova

20

Prosinec

VO Martina Jasova

Prosinec 2017
poútstčtsone
    123
45678910
11121314151617
18192021222324
25262728293031

Partneři

ČSOB
Deloitte
McKinsey & Company

Sponzoři

CRIF