dc.contributor.advisor | Vácha, Lukáš | |
dc.creator | Hanus, Luboš | |
dc.date.accessioned | 2024-04-08T08:01:48Z | |
dc.date.available | 2024-04-08T08:01:48Z | |
dc.date.issued | 2024 | |
dc.identifier.uri | http://hdl.handle.net/20.500.11956/188754 | |
dc.description.abstract | This thesis consists of four contributions to the literature on data-driven and non-parametric modelling of time series. In the first paper, we study the synchronisation of business cycles and propose a multivariate co-movement measure based on time-frequency cohesion. We suggest that economic inte- gration may lead to increased co-movement of business cycles, which may reflect the benefits of convergence and coordination of economic policies. The second paper presents a new methodology for identifying persistence in macroeconomic variables. Using time-varying frequency response func- tions, we identify heterogeneous persistence effects in US macroeconomic variables. The third and fourth papers propose data-driven techniques for probabilistic forecasting of time series using deep learning. We introduce a multi-output neural network that selects the most appropriate distribution for the data. The distributional neural network is valuable for modelling data with non-linear, non-Gaussian and asymmetric structures. The third paper demonstrates the usefulness of the method by estimating information-rich macroeconomic fan charts and distributional forecasts of asset returns. In the last paper, we present the distributional neural network to obtain the proba- bility distribution of electricity price... | en_US |
dc.description.abstract | Tato dizertační práce se skládá ze čtyř článků přispívající k literatuře o datově řízeném a neparametrickém modelování časových řad. V prvním příspěvku studujeme synchronizaci hospodářských cyklů a navrhujeme vícerozměr- nou míru sladěnosti založenou na časové frekvenční kohezi. Naznačujeme, že ekonomická integrace může vést k vyšší sladěnosti hospodářských cyklů, což může odrážet výhody konvergence a koordinace hospodářských poli- tik. Druhý článek představuje novou metodiku pro identifikaci perzistence makroekonomických proměnných. Pomocí časově proměnných funkcí frek- venční odezvy identifikujeme heterogenní efekty perzistence v makroekono- mických proměnných USA. Třetí a čtvrtý článek navrhují metody založené na datech pro předpovídání distribucí časových řad s využitím strojového učení. Zavádíme vícevýstupovou neuronovou síť, která pro data vybírá nej- vhodnější rozdělení. Distribuční neuronová síť je přínosná pro modelování dat s nelineární, negaussovskou a asymetrickou strukturou. Třetí článek de- monstruje užitečnost této metody k odhadu informačně bohatých makroeko- nomických vějířových grafů a pravděpodobnostních předpovědí výnosů ak- cií. V posledním článku představujeme distribuční neuronovou síť k získání pravděpodobnostního rozdělení předpovědí cen elektřiny. Předpovídáme hodinové ceny... | cs_CZ |
dc.language | English | cs_CZ |
dc.language.iso | en_US | |
dc.publisher | Univerzita Karlova, Fakulta sociálních věd | cs_CZ |
dc.subject | Neparametrické | cs_CZ |
dc.subject | daty řízené | cs_CZ |
dc.subject | časové řady | cs_CZ |
dc.subject | proměnné v čase | cs_CZ |
dc.subject | neuronové sítě | cs_CZ |
dc.subject | frekvenční doména | cs_CZ |
dc.subject | hospodářské cykly | cs_CZ |
dc.subject | předpovídání | cs_CZ |
dc.subject | distribuce | cs_CZ |
dc.subject | Non-parametric | en_US |
dc.subject | Data-driven | en_US |
dc.subject | Time-series | en_US |
dc.subject | Time-variying | en_US |
dc.subject | Neural networks | en_US |
dc.subject | Frequency domain | en_US |
dc.subject | Business cycles | en_US |
dc.subject | Forecasting | en_US |
dc.subject | Distribution | en_US |
dc.title | Essays on Data-driven, Non-parametric Modelling of Time-series | en_US |
dc.type | dizertační práce | cs_CZ |
dcterms.created | 2024 | |
dcterms.dateAccepted | 2024-03-13 | |
dc.description.department | Institute of Economic Studies | en_US |
dc.description.department | Institut ekonomických studií | cs_CZ |
dc.description.faculty | Faculty of Social Sciences | en_US |
dc.description.faculty | Fakulta sociálních věd | cs_CZ |
dc.identifier.repId | 158778 | |
dc.title.translated | Eseje o neparametrickém a datech řízeném modelování časových řad | cs_CZ |
dc.contributor.referee | Witzany, Jiří | |
dc.contributor.referee | Ellington, Michael | |
dc.contributor.referee | Trimborn, Simon | |
thesis.degree.name | Ph.D. | |
thesis.degree.level | doktorské | cs_CZ |
thesis.degree.discipline | Economics and Finance | en_US |
thesis.degree.discipline | Ekonomie a finance | cs_CZ |
thesis.degree.program | Economics and Finance | en_US |
thesis.degree.program | Ekonomie a finance | cs_CZ |
uk.thesis.type | dizertační práce | cs_CZ |
uk.taxonomy.organization-cs | Fakulta sociálních věd::Institut ekonomických studií | cs_CZ |
uk.taxonomy.organization-en | Faculty of Social Sciences::Institute of Economic Studies | en_US |
uk.faculty-name.cs | Fakulta sociálních věd | cs_CZ |
uk.faculty-name.en | Faculty of Social Sciences | en_US |
uk.faculty-abbr.cs | FSV | cs_CZ |
uk.degree-discipline.cs | Ekonomie a finance | cs_CZ |
uk.degree-discipline.en | Economics and Finance | en_US |
uk.degree-program.cs | Ekonomie a finance | cs_CZ |
uk.degree-program.en | Economics and Finance | en_US |
thesis.grade.cs | Prospěl/a | cs_CZ |
thesis.grade.en | Pass | en_US |
uk.abstract.cs | Tato dizertační práce se skládá ze čtyř článků přispívající k literatuře o datově řízeném a neparametrickém modelování časových řad. V prvním příspěvku studujeme synchronizaci hospodářských cyklů a navrhujeme vícerozměr- nou míru sladěnosti založenou na časové frekvenční kohezi. Naznačujeme, že ekonomická integrace může vést k vyšší sladěnosti hospodářských cyklů, což může odrážet výhody konvergence a koordinace hospodářských poli- tik. Druhý článek představuje novou metodiku pro identifikaci perzistence makroekonomických proměnných. Pomocí časově proměnných funkcí frek- venční odezvy identifikujeme heterogenní efekty perzistence v makroekono- mických proměnných USA. Třetí a čtvrtý článek navrhují metody založené na datech pro předpovídání distribucí časových řad s využitím strojového učení. Zavádíme vícevýstupovou neuronovou síť, která pro data vybírá nej- vhodnější rozdělení. Distribuční neuronová síť je přínosná pro modelování dat s nelineární, negaussovskou a asymetrickou strukturou. Třetí článek de- monstruje užitečnost této metody k odhadu informačně bohatých makroeko- nomických vějířových grafů a pravděpodobnostních předpovědí výnosů ak- cií. V posledním článku představujeme distribuční neuronovou síť k získání pravděpodobnostního rozdělení předpovědí cen elektřiny. Předpovídáme hodinové ceny... | cs_CZ |
uk.abstract.en | This thesis consists of four contributions to the literature on data-driven and non-parametric modelling of time series. In the first paper, we study the synchronisation of business cycles and propose a multivariate co-movement measure based on time-frequency cohesion. We suggest that economic inte- gration may lead to increased co-movement of business cycles, which may reflect the benefits of convergence and coordination of economic policies. The second paper presents a new methodology for identifying persistence in macroeconomic variables. Using time-varying frequency response func- tions, we identify heterogeneous persistence effects in US macroeconomic variables. The third and fourth papers propose data-driven techniques for probabilistic forecasting of time series using deep learning. We introduce a multi-output neural network that selects the most appropriate distribution for the data. The distributional neural network is valuable for modelling data with non-linear, non-Gaussian and asymmetric structures. The third paper demonstrates the usefulness of the method by estimating information-rich macroeconomic fan charts and distributional forecasts of asset returns. In the last paper, we present the distributional neural network to obtain the proba- bility distribution of electricity price... | en_US |
uk.file-availability | V | |
uk.grantor | Univerzita Karlova, Fakulta sociálních věd, Institut ekonomických studií | cs_CZ |
thesis.grade.code | P | |
uk.publication-place | Praha | cs_CZ |
uk.thesis.defenceStatus | O | |