Show simple item record

Modelování dynamiky korelací finančních trhů pomocí vysokofrekvenčních dat
dc.contributor.advisorBaruník, Jozef
dc.creatorLypko, Vyacheslav
dc.date.accessioned2017-05-06T21:35:28Z
dc.date.available2017-05-06T21:35:28Z
dc.date.issued2012
dc.identifier.urihttp://hdl.handle.net/20.500.11956/40730
dc.description.abstractTato prace je zamerena na modelovani korelaci mezi vybranymi akciovymi trhy a komoditami s pouzitim vysokofrekvencnich dat. Nasledujici casove rady jsou pouzite pro ucely teto analyzy: FTSE, DAX, PX, S&P, Gold commodity futures a Oil commodity futures. V prvni casti teto prace denni realizovane korelace jsou vypocitane a jejich dynamika je diskutovana. Dal jsou vypocitane korelace pomoci neuronove site (feed forward neural network, nebo FFNN). Tyto korelace jsou porovane s prumernymi dennimi realizovanymi korelacemi. V posledni casti teto prace jsou vypocitane prognozy dennich realizovanych korelaci pomoci HAR modelu, AR(p) modelu a dynamicke neuronove site NARNET.cs_CZ
dc.description.abstractIn this thesis we focus on modelling correlation between selected stock markets using high-frequency data. We use time-series of returns of following indices: FTSE, DAX PX and S&P, and Gold and Oil commodity futures. In the first part of our empirical work we compute daily realized correlations between returns of subject instruments and discuss the dynamics of it. We then compute unconditional correlations based on average daily realized correlations and using feedforward neural network (FFNN) to assess how well the FFNN approximates realized correlations. We also forecast daily realized correlations of FTSE:DAX and S&P:Oil pairs using heterogeneous autoregressive model (HAR), autoregressive model of order p (AR(p)) and nonlinear autoregressive neural network (NARNET) and compare performance of these models.en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Fakulta sociálních vědcs_CZ
dc.subjectkorelacecs_CZ
dc.subjectrealizovane korelacecs_CZ
dc.subjectneuronove sitecs_CZ
dc.subjectvysokofrekvencni datacs_CZ
dc.subjectcorrealtionen_US
dc.subjectrealzied correaltionen_US
dc.subjectneural networken_US
dc.subjecthigh-frequency dataen_US
dc.titleModeling Dynamics of Correlations between Stock Markets with High-frequency Dataen_US
dc.typediplomová prácecs_CZ
dcterms.created2012
dcterms.dateAccepted2012-09-13
dc.description.departmentInstitute of Economic Studiesen_US
dc.description.departmentInstitut ekonomických studiícs_CZ
dc.description.facultyFaculty of Social Sciencesen_US
dc.description.facultyFakulta sociálních vědcs_CZ
dc.identifier.repId110920
dc.title.translatedModelování dynamiky korelací finančních trhů pomocí vysokofrekvenčních datcs_CZ
dc.contributor.refereeKrištoufek, Ladislav
dc.identifier.aleph001501369
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineEconomicsen_US
thesis.degree.disciplineEkonomiecs_CZ
thesis.degree.programEconomicsen_US
thesis.degree.programEkonomické teoriecs_CZ
uk.faculty-name.csFakulta sociálních vědcs_CZ
uk.faculty-name.enFaculty of Social Sciencesen_US
uk.faculty-abbr.csFSVcs_CZ
uk.degree-discipline.csEkonomiecs_CZ
uk.degree-discipline.enEconomicsen_US
uk.degree-program.csEkonomické teoriecs_CZ
uk.degree-program.enEconomicsen_US
thesis.grade.csVelmi dobřecs_CZ
thesis.grade.enVery gooden_US
uk.abstract.csTato prace je zamerena na modelovani korelaci mezi vybranymi akciovymi trhy a komoditami s pouzitim vysokofrekvencnich dat. Nasledujici casove rady jsou pouzite pro ucely teto analyzy: FTSE, DAX, PX, S&P, Gold commodity futures a Oil commodity futures. V prvni casti teto prace denni realizovane korelace jsou vypocitane a jejich dynamika je diskutovana. Dal jsou vypocitane korelace pomoci neuronove site (feed forward neural network, nebo FFNN). Tyto korelace jsou porovane s prumernymi dennimi realizovanymi korelacemi. V posledni casti teto prace jsou vypocitane prognozy dennich realizovanych korelaci pomoci HAR modelu, AR(p) modelu a dynamicke neuronove site NARNET.cs_CZ
uk.abstract.enIn this thesis we focus on modelling correlation between selected stock markets using high-frequency data. We use time-series of returns of following indices: FTSE, DAX PX and S&P, and Gold and Oil commodity futures. In the first part of our empirical work we compute daily realized correlations between returns of subject instruments and discuss the dynamics of it. We then compute unconditional correlations based on average daily realized correlations and using feedforward neural network (FFNN) to assess how well the FFNN approximates realized correlations. We also forecast daily realized correlations of FTSE:DAX and S&P:Oil pairs using heterogeneous autoregressive model (HAR), autoregressive model of order p (AR(p)) and nonlinear autoregressive neural network (NARNET) and compare performance of these models.en_US
uk.publication-placePrahacs_CZ
uk.grantorUniverzita Karlova, Fakulta sociálních věd, Institut ekonomických studiícs_CZ


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 3-5, 116 36 Praha; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV