Show simple item record

Modelování vícerozměrných závislostí pomocí kopula funkcí
dc.contributor.advisorŠopov, Boril
dc.creatorKlaus, Marek
dc.date.accessioned2017-05-18T15:12:50Z
dc.date.available2017-05-18T15:12:50Z
dc.date.issued2013
dc.identifier.urihttp://hdl.handle.net/20.500.11956/60917
dc.description.abstractMultivariate volatility models, such as DCC MGARCH, are estimated under assumption of multivariate normal distribution of random variables, while this assumption has been rejected by empirical evidence. Therefore, the esti- mated conditional correlation may not explain the whole dependence struc- ture, since under non-normality the linear correlation is only one of the de- pendency measures. The aim of this thesis is to employ a copula function to the DCC MGARCH model, as copulas are able to link non-normal marginal distributions to create corresponding multivariate joint distribution. The copula-based MGARCH model with uncorrelated dependent errors permits to model conditional cor- relation by DCC-MGARCH and dependence by the copula function, sepa- rately and simultaneously. In other words the model aims to explain addi- tional dependence not captured by traditional DCC MGARCH model due to assumption of normality. In the empirical analysis we apply the model on datasets consisting primarily of stocks of the PX Index and on the pair of S&P500 and NASDAQ100 in order to compare the copula-based MGARCH model to traditional DCC MGARCH in terms of capturing the dependency structure. 1en_US
dc.description.abstractProblémem vícerozměrných modelů pro volatility časových řad, jako je DCC MGARCH model, je jejich předpoklad vícerozměrného normálního rozdělí zk- oumaných řad. Mnohé empirické studie však popírají předpoklad normálního rozdělení akcií na finančních trzích. Z toho důvodu mohou být odhadnuté podmíněné korelace zavádějící, jelikož nemusí vysvětlovat celou strukturu závis- losti mezi zkoumanými veličinami. Je známé, že korelace je jen z jedním z nástrojů měření závislosti nenormálně rozdělených dat. Cílem této práce je integrace copula funkcí do tradičního DCC MGARCH modelu, protože právě copula funkce umožnují vytvoření vícerozměrného rozdě- lení náhodných veličin pro více marginálních rozdělení i v případě, kdy nejsou normálně rozdělená. Takzvaný Copula-based MGARCH model s nekorelovanými závislými rezidui dovoluje modelovat jak korelaci mezi náhodnými veličinami (pomocí DCC MGARCH), tak i závislost mezi nimi (pomocí copula funkce), obojí odděleně avšak simultánně. Jinými slovy, model je schopen vysvětlit dodatečnou závislost, která nebyla zachycena DCC MGARCH modelem kvůli jeho předpokladu normálního rozdělení. V empirické analýze aplikujeme tento model na různé data, zejmená...cs_CZ
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Fakulta sociálních vědcs_CZ
dc.subjectCopulacs_CZ
dc.subjectMGARCHcs_CZ
dc.subjectzávislost náhodných veličincs_CZ
dc.subjectnenormální vícerozměrné rozdělenícs_CZ
dc.subjectCopulaen_US
dc.subjectMGARCHen_US
dc.subjectDependencyen_US
dc.subjectNon-normal multivariate distributionen_US
dc.titleMultivariate Dependence Modeling using Copulasen_US
dc.typerigorózní prácecs_CZ
dcterms.created2013
dcterms.dateAccepted2013-03-20
dc.description.departmentInstitute of Economic Studiesen_US
dc.description.departmentInstitut ekonomických studiícs_CZ
dc.description.facultyFakulta sociálních vědcs_CZ
dc.description.facultyFaculty of Social Sciencesen_US
dc.identifier.repId134022
dc.title.translatedModelování vícerozměrných závislostí pomocí kopula funkcícs_CZ
dc.contributor.refereeGapko, Petr
dc.identifier.aleph001566552
thesis.degree.namePhDr.
thesis.degree.levelrigorózní řízenícs_CZ
thesis.degree.disciplineEkonomiecs_CZ
thesis.degree.disciplineEconomicsen_US
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.csProspělcs_CZ
thesis.grade.enPassen_US
uk.abstract.csProblémem vícerozměrných modelů pro volatility časových řad, jako je DCC MGARCH model, je jejich předpoklad vícerozměrného normálního rozdělí zk- oumaných řad. Mnohé empirické studie však popírají předpoklad normálního rozdělení akcií na finančních trzích. Z toho důvodu mohou být odhadnuté podmíněné korelace zavádějící, jelikož nemusí vysvětlovat celou strukturu závis- losti mezi zkoumanými veličinami. Je známé, že korelace je jen z jedním z nástrojů měření závislosti nenormálně rozdělených dat. Cílem této práce je integrace copula funkcí do tradičního DCC MGARCH modelu, protože právě copula funkce umožnují vytvoření vícerozměrného rozdě- lení náhodných veličin pro více marginálních rozdělení i v případě, kdy nejsou normálně rozdělená. Takzvaný Copula-based MGARCH model s nekorelovanými závislými rezidui dovoluje modelovat jak korelaci mezi náhodnými veličinami (pomocí DCC MGARCH), tak i závislost mezi nimi (pomocí copula funkce), obojí odděleně avšak simultánně. Jinými slovy, model je schopen vysvětlit dodatečnou závislost, která nebyla zachycena DCC MGARCH modelem kvůli jeho předpokladu normálního rozdělení. V empirické analýze aplikujeme tento model na různé data, zejmená...cs_CZ
uk.abstract.enMultivariate volatility models, such as DCC MGARCH, are estimated under assumption of multivariate normal distribution of random variables, while this assumption has been rejected by empirical evidence. Therefore, the esti- mated conditional correlation may not explain the whole dependence struc- ture, since under non-normality the linear correlation is only one of the de- pendency measures. The aim of this thesis is to employ a copula function to the DCC MGARCH model, as copulas are able to link non-normal marginal distributions to create corresponding multivariate joint distribution. The copula-based MGARCH model with uncorrelated dependent errors permits to model conditional cor- relation by DCC-MGARCH and dependence by the copula function, sepa- rately and simultaneously. In other words the model aims to explain addi- tional dependence not captured by traditional DCC MGARCH model due to assumption of normality. In the empirical analysis we apply the model on datasets consisting primarily of stocks of the PX Index and on the pair of S&P500 and NASDAQ100 in order to compare the copula-based MGARCH model to traditional DCC MGARCH in terms of capturing the dependency structure. 1en_US
uk.file-availabilityV
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