Robustní odhady autokorelační funkce
Robust estimation of autocorrelation function
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/119430Identifikátory
SIS: 216509
Kolekce
- Kvalifikační práce [10688]
Autor
Vedoucí práce
Oponent práce
Hlávka, Zdeněk
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Finanční a pojistná matematika
Katedra / ústav / klinika
Katedra pravděpodobnosti a matematické statistiky
Datum obhajoby
7. 7. 2020
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Výborně
Klíčová slova (česky)
autokorelační funkce, stacionární časová řada, odlehlá pozorování, robustní odhadKlíčová slova (anglicky)
autocorrelation function, stationary time series, outliers, robust estimationAutokorelační funkce je základním nástrojem zkoumání časových řad. Její klasický odhad je velmi náchylný na výskyt odlehlých pozorování, což může vést k zavádějícím výsledkům. Tato práce se zabývá robustními odhady autokore- lační funkce, které jsou odolnější vůči odlehlým pozorováním než klasický odhad. Jsou zde uvedeny následující přístupy: metoda vynechání odlehlých pozorování z dat, nahrazení průměru mediánem, transformace dat, odhad jiného koeficientu, robustní odhad parciální autokorelační funkce či lineární regrese. Práce popisuje jejich použití, výhody a nevýhody a nutné předpoklady. Představené metody jsou také detailně porovnány v simulační studii. Práce obsahuje mimo jiné i aplikaci na reálná data z finanční oblasti. 1
The autocorrelation function is a basic tool for time series analysis. The clas- sical estimation is very sensitive to outliers and can lead to misleading results. This thesis deals with robust estimations of the autocorrelation function, which is more resistant to the outliers than the classical estimation. There are presen- ted following approaches: leaving out the outliers from the data, replacement the average with the median, data transformation, the estimation of another coeffici- ent, robust estimation of the partial autocorrelation function or linear regression. The thesis describes the applicability of the presented methods, their advantages and disadvantages and necessary assumptions. All the approaches are compared in simulation study and applied to real financial data. 1