Forecasting Stock Market Volatility Using Graph-Based Machine Learning Models

Abstract

This thesis examines whether incorporating the network structure of financial markets into machine-learning models improves the accuracy of stock market volatility forecasts. Accurate volatility forecasts are important for pricing financial instruments, managing portfolio risk, and setting regulatory capital requirements, yet the standard statistical tools used in practice have known limitations in capturing non-linear dynamics and cross-asset dependencies. The empirical analysis covers a broad international panel of large-capitalisation equities traded on U.S. and European exchanges, examined at both daily and one-hour sampling frequencies. A progression of models is estimated, starting from a classical parametric benchmark and adding machine-learning estimators, hybrid combinations, and finally graph-based neural networks that explicitly represent market interconnections as a network of assets. Three main findings emerge. First, combining parametric and machine-learning forecasts substantially reduces forecast errors relative to the classical benchmark. Second, graph neural networks that incorporate these combined forecasts as inputs achieve the best overall accuracy at both frequencies. Third, the benefit of including the parametric component within the graph model depends on the sampling...

Tato diplomová práce zkoumá, zda začlenění síťové struktury finančních trhů do modelů strojového učení zlepšuje přesnost predikcí volatility akciových trhů. Přesné predikce volatility jsou důležité pro oceňování finančních nástrojů, řízení portfoliového rizika a stanovování regulatorních kapitálových požadavků. Standardní statistické nástroje používané v praxi však mají známá omezení při zachycování nelineární dynamiky a závislostí mezi jednotlivými aktivy. Empirická analýza pokrývá široký mezinárodní panel akcií velkých společností obchodovaných na amerických a evropských burzách, a to jak na denní, tak na jednohodinové frekvenci. V práci je odhadována postupná řada modelů, počínaje klasickým parametrickým benchmarkem a následně rozšířená o modely strojového učení, hybridní kombinace, a nakonec grafové neuronové sítě, které explicitně reprezentují tržní propojení jako síť aktiv. Z výsledků vyplývají tři hlavní závěry. Zaprvé, kombinace parametrických modelů a modelů strojového učení výrazně snižuje predikční chyby ve srovnání s klasickým benchmarkem. Zadruhé, grafové neuronové sítě, které využívají tyto kombinované predikce jako vstupy, dosahují celkově nejvyšší přesnosti na obou frekvencích. Zatřetí, přínos zahrnutí parametrické složky do grafového modelu závisí na použité frekvenci dat a měl by...