Metody MCMC pro finanční časové řady
MCMC methods for financial time series
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/77269Identifikátory
SIS: 127994
Kolekce
- Kvalifikační práce [11190]
Autor
Vedoucí práce
Oponent práce
Komárek, Arnošt
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Finanční a pojistná matematika
Katedra / ústav / klinika
Katedra pravděpodobnosti a matematické statistiky
Datum obhajoby
9. 6. 2016
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Dobře
Klíčová slova (česky)
Metody MCMC, finanční časové řady, lognormální autoregresní model, bayesovská statistika, modelování denních výnosůKlíčová slova (anglicky)
MCMC methods, financial time series, the lognormal autoregressive model, Bayesian statistics, modelling of daily returnsPráce se zabývá odhadem parametrů vhodného modelu pro denní výnosy po- mocí metod Markov Chain Monte Carlo (MCMC) za využití principů baye- sovské statistiky. Nejprve se čtenář seznámí s metodami MCMC, konkrétně s Gibbsovým výběrovým plánem (GVP) a Metropolisovým-Hastingsovým al- goritmem, a jejich základními vlastnostmi. Pak zde nalezne finanční modely, přičemž největší pozornost je věnována lognormálnímu autoregresnímu modelu. Poté následuje teoretická aplikace GVP na lognormální autoregresní model při využití principů bayesovské statistiky. Dále jsou rozebrány postupy, které byly využity při provádění simulací z aposteriorního rozdělení pomocí GVP. Nakonec jsou zpracovány výstupy získané při analýze simulovaných i reálných dat.
This thesis focuses on estimating parameters of appropriate model for daily returns using the Markov Chain Monte Carlo method (MCMC) and Bayesian statistics. We describe MCMC methods, such as Gibbs sampling and Metropolis- Hastings algorithm and their basic properties. After that, we introduce different financial models. Particularly we focus on the lognormal autoregressive model. Later we theoretically apply Gibbs sampling to lognormal autoregressive model using principles of Bayesian statistics. Afterwards, we analyze procedu- res, that we used in simulations of posterior distribution using Gibbs sampling. Finally, we present processed output of both simulated and real data analysis.