Google Econometrics: Predicting Bond Prices

Abstract

1 Abstrakt Tato diplomová práce zkoumá, zda je možné vylepšit modely předpovědi časových řad používaných k predikci cen a volatility státních dluhopisů použitím dat z online vyhledávání. Předchozí výzkumy prokazují, že Google trends data jsou užitečným zdrojem doplňujících informací, které mohou vylepšit různé prog- nostické a v čase reálné modely. Náš výzkum rozšířil tuto oblast o státní dluhopisy a testuje zda Google trends data mohou být přínosná i pro tento typ dat. Zkoumali jsme většinu tenorů státních dluhopisů všech hlavních an- glicky mluvících zemí a České republiky a zaměřili jsme se na odhady výnosů a vážené volatility na následující den. Pro odhad hodnot následujícího dne jsme si stanovili ARIMA-GARCH, GARCH(1,1), AR(1), průměr, medián a hodnotu předcházejícího dne, které jsme porovnali s realizovanými hodnotami. Do- datečně jsme nastavili rozšířené verze modelů ARIMA-GARCH, GARCH(1,1) a AR(1) o data z online vyhledávání. Následné závěry mohou být v některých případech neprůkazné, nicméně jsme zjistili vcelku značné zlepšení u některých modelů a tenorů amerických, britských a asutralských státních dluhopisů. Dospěli jsme k závěru, že Google trends data mohou být...

1 Abstract The thesis analysed whether it is possible to improve on time-series forecasting models used to predict prices and volatility of government bonds by adding online search data. Previous research showed that Google trends data are an useful source of an additional information which could improve various fore- casting or nowcasting models. Our research expanded the area into government bonds and tested if the Google trends data could be of any use on this kind of data as well. We have analysed most of the government bond tenors of all the main English speaking countries and the Czech Republic and focused on one-day- ahead forecasting of yields and weighted volatility. To forecast the next day values, we have set up ARIMA-GARCH, GARCH(1,1), AR(1), mean, median and lagged values and compared their performance with the realized values. In addition, we have set-up augmented versions of ARIMA-GARCH, GARCH(1,1) and AR(1) that included online search data. The subsequent findings can be sometimes inconclusive but we have observed quite significant improvements for some of the models and tenors of United States, United Kingdom and Australian government bonds. We have arrived at the conclusion that Google trends data could be used to improve some of the models. It is also possible that the usability depends...