A Comparison of Forecasting Models for Commodity Market Volatilities

Abstract

Tato diplomová práce se zabývá srovnáním tradičních ekonometrických mod- elů a moderních metod strojového učení při predikci volatility na trzích s ko- moditními futures. Pomocí vysokofrekvenčních intradenních dat z let 2010 až 2023 pro sedm různých komodit (zlato, ropa, měď, zemní plyn, živý skot, oves a sója) jsou testovány a porovnávány různé přístupy: Heterogenní au- toregresní model (HAR), čtyři modely z rodiny GARCH (standardní GARCH, GJR-GARCH, TARCH a EGARCH) a tři varianty neuronových sítí typu Long Short-Term Memory (LSTM), včetně multivariačního modelu s rozšířenými vs- tupními charakteristikami (cenové spready a objem obchodů). Empirické výsledky ukazují, že navzdory pokroku v oblasti hlubokého učení zůstává jednoduchý HAR model mimořádně robustní a dosahuje nejnižších chyb predikce u většiny analyzovaných komodit, zejména v energetickém a zeměděl- ském sektoru. Multivariační LSTM model dosáhl nejlepšího výsledku v pří- padě mědi a prokázal výhody tam, kde mikrostrukturální charakteristiky trhu doplňují volatilitu. Statistické testy (Diebold-Mariano) potvrzují, že převaha jednotlivých modelů se výrazně liší podle typu komodity a období Ű zejména během extrémních událostí, jako byla pandemie COVID-19 a válka na Ukrajině. Analýza také ukazuje, že ačkoliv neuronové sítě nabízejí pokročilé...