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. |
