Detail práce

Three Essays on Data-Driven Methods in Asset Pricing and Forecasting

Autor: Barbora Gregor (12.10.2022)
Rok: 2022 - zimní
Vedoucí: doc. PhDr. Jozef Baruník Ph.D.
Konzultant:
Typ práce: Disertační
Jazyk: Anglicky
Stránky: 145
Ocenění:
Odkaz:
Abstrakt: Tato disertační práce se skládá ze tří článků zaměřených na aplikace metod založených na datech v oblasti prognózování a oceňování aktiv. V první práci rozkládáme časovou strukturu cen futures na ropných trzích pomocí dynamického Nelson-Siegelova modelu a navrhujeme jejich předpověď pomocí zobecněného regresního modelu založeného na neuronových sítích. Zjistili jsme, že neuronové sítě poskytují výrazně přesnější prognózy ve srovnání s několika referenčními modely. Druhý článek ukazuje, jak může model časově proměnlivých koeficientů pomoci zkoumat dynamiku vztahu mezi rizikem a výnosem na trhu státních dluhopisů napříč celou časovou strukturou. Náš rozsáhlý dvanáctiletý soubor vysokofrekvenčních dat o cenách amerických a německých státních dluhopisů s dvouletou, pětiletou, desetiletou a třicetiletou dobou splatnosti nám umožňuje konstruovat realizované metriky rizika a také zkoumat vztah rizika a výnosu za různých tržních podmínek. Kromě realizované volatility jsme zjistili, že realizovaná kurtóza je zohledněna v cenách dluhopisů. Důležité je, že zjišťujeme, že rizikový faktor zachycený realizovanou kurtózou má pozitivní vliv na výnosy v období krize a v klidných obdobích se mění na záporné hodnoty. Ve třetím článku používáme metodiku časově proměnných koeficientů a vyšších realizovaných momentů při prognózování volatility dluhopisů, přičemž porovnáváme výsledky s HAR modelem. Zjišťujeme, že realizovaná kurtóza je cenným prediktorem volatility napříč časovou strukturou, zejména pro kratší doby do splatnosti. Zjistilo se, že modely s časově proměnlivými koeficienty přinášejí významný nárůst přesnosti předpovědi tzv. mimo vzorek zejména na krátkém konci časové struktury.

Partneři

Deloitte
Česká Spořitelna

Sponzoři

CRIF
McKinsey
Patria Finance
EY