Odhadování Hurstova indexu u stochastické volatility
Hurst index estimation for stochastic volatility
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/211279Identifikátory
SIS: 286924
Kolekce
- Kvalifikační práce [12373]
Autor
Vedoucí práce
Oponent práce
Týbl, Ondřej
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Finanční matematika
Katedra / ústav / klinika
Katedra pravděpodobnosti a matematické statistiky
Datum obhajoby
24. 6. 2026
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Výborně
Klíčová slova (česky)
frakcionální Brownův pohyb|stochastická volatilita|Hurstův index|kvadratická variace|frakcionální Ornstein-Uhlenbeckův procesKlíčová slova (anglicky)
fractional Brownian motion|stochastic volatility|Hurst index|quadratic variation|fractional Ornstein-Uhlenbeck processTato bakalářská práce se zabývá odhadem Hurstova indexu u stochastické volatility. Nejprve jsou popsány základní vlastnosti frakcionálního Brownova pohybu, zejména sobě- podobnost a stacionarita přírůstků, které jsou následně využity při konstrukci odhadu Hurstova indexu pomocí kvadratické variace. Dále je představen frakcionální Ornstein- Uhlenbeckův proces jako model stochastické volatility a je popsán způsob odhadu vola- tility pomocí realizované variace. Na závěr jsou vlastnosti použité metody otestovány na simulovaných datech a následně je metoda aplikována na reálná data.
This bachelor thesis deals with the estimation of the Hurst index of stochastic volatil- ity. First, the basic properties of fractional Brownian motion are described, in particular self-similarity and stationarity of increments, which are subsequently used to construct an estimator of the Hurst index based on quadratic variation. Then, the fractional Ornstein- Uhlenbeck process is introduced as a model of stochastic volatility. Then a method for estimating volatility using realized variation is described. Finally, the properties of the proposed method are tested on simulated data, and the method is subsequently applied to real data.
