Dynamická optimalizace portfolia ve finanční krizi za pomoci denních a vysokofrekvenčních dat
Dynamická optimalizace portfolia ve finanční krizi za pomoci denních a vysokofrekvenčních dat
rigorózní práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/56572Identifikátory
SIS: 139758
Kolekce
- Kvalifikační práce [17123]
Autor
Vedoucí práce
Oponent práce
Krištoufek, Ladislav
Fakulta / součást
Fakulta sociálních věd
Obor
Ekonomie
Katedra / ústav / klinika
Institut ekonomických studií
Datum obhajoby
17. 10. 2013
Nakladatel
Univerzita Karlova, Fakulta sociálních vědJazyk
Angličtina
Známka
Prospěl/a
Táto práca sa zameriava na modelovanie a prognózovanie variančnej-kovariančnej matice. Väčšina súčasného výskumu vyhodnocuje prognózy kovariančnej matice pomocou štatistických kritérií. Naším hlavným prínosom je ekonomické porovnanie parametrických a neparametrických prístupov k modelovaniu kovariančnej matice. Parametrický prístup je v práci zastúpený modelmi RiskMetrics a Dynamic Conditional Correlation GARCH, ktoré sú odhadnuté na denných dátach. V neparametrickom prístupe sú odhady variančnej-kovariančnej matice získané priamo z vysokofrekvenčných dát pomocou metód Realized Covariation a Multivariate Realized Kernels. Tieto odhady sú ďalej modelované pomocou heterogénnej a Wishartovej autoregresie. Ďalším prínosom tejto práce je použitie dát z obdobia finančnej krízy. Portfólio aktív, ktoré je dynamicky optimalizované, pozostáva z dvoch vysokolikvidných aktív - Light Crude NYMEX (ropa) a Gold COMEX (zlato), a európskeho aktíva zastúpeného DAX indexom. Výsledky ekonomického porovnania prognóz kovariančnej matice naznačujú lepšiu výkonnosť modelov odhadnutých na denných dátach. Zistili sme však, že hlavnou príčinou získania daných výsledkov je proces synchronizácie dát.
This thesis focuses on variance-covariance matrix modeling and forecasting. Majority of existing research evaluates covariance forecasts by statistical criteria. Our main contribution is economic comparison of parametric and non-parametric approaches of covariance matrix modeling. Parametric approach relies on RiskMetrics and Dynamic Conditional Correlation GARCH models that are applied on daily data. In the second approach, estimates of variance-covariance matrix are directly obtained from the high-frequency data by non-parametric techniques Realized Covariation and Multivariate Realized Kernels. These estimates are further modeled by Heterogeneous and Wishart Autoregression. Moreover, our contribution arises from the use of dataset that covers period of financial crisis. Portfolio of assets that is dynamically optimized consists of two highly liquid assets - Light Crude NYMEX and Gold COMEX, and of European asset represented by DAX index. Forecast evaluation results indicate better economic performance of models estimated on daily data. However, we found out that data synchronization procedure is the main driver of the results.