Show simple item record

Modely neuronových sítí pro podmíněné kvantily finančních výnosů a volatility
dc.contributor.advisorBaruník, Jozef
dc.creatorHauzr, Marek
dc.date.accessioned2017-06-02T07:03:27Z
dc.date.available2017-06-02T07:03:27Z
dc.date.issued2016
dc.identifier.urihttp://hdl.handle.net/20.500.11956/83008
dc.description.abstractV této práce se zkoumá chování kvantilové regrese neuronových sítí v odhadování kvantilů realizované volatility a kvantilů výnosů s výhledem více kroků. Závisí na realizované varianci a jejích komponentech (realizovaná variance, mediánová realizovaná variance, integrovaná variance, skoková variance a positivní a negativní semivariance). Použitá data jsou S&P 500 futures a WTI Crude Oil futures. Výsledné modely výnosů a volatility mají dobré absolutní chování a relativní chování v porovnání s modely ohodnocenými lineární kvantilovou regresí. V případě in-sample má lepší chování kvantilová regrese neuronových sítí a v případě out-of- sample mají chování stejně dobré.cs_CZ
dc.description.abstractThis thesis investigates forecasting performance of Quantile Regression Neural Networks in forecasting multiperiod quantiles of realized volatility and quantiles of returns. It relies on model-free measures of realized variance and its components (realized variance, median realized variance, integrated variance, jump variation and positive and negative semivariances). The data used are S&P 500 futures and WTI Crude Oil futures contracts. Resulting models of returns and volatility have good absolute performance and relative performance in comparison to the linear quantile regression models. In the case of in- sample the models estimated by Quantile Regression Neural Networks provide better estimates than linear quantile regression models and in the case of out-of-sample they are equally good.en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Fakulta sociálních vědcs_CZ
dc.subjectpodmíněnéněné kvantilycs_CZ
dc.subjectkvantilová regrese neuronových sítícs_CZ
dc.subjectneparametrické odhady realizované volatilitycs_CZ
dc.subjectVaRcs_CZ
dc.subjectconditional quantilesen_US
dc.subjectquantile regression neural networksen_US
dc.subjectrealized measures of volatilityen_US
dc.subjectvalue-at-risken_US
dc.titleNeural network models for conditional quantiles of financial returns and volatilityen_US
dc.typediplomová prácecs_CZ
dcterms.created2016
dcterms.dateAccepted2016-09-15
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.repId166222
dc.title.translatedModely neuronových sítí pro podmíněné kvantily finančních výnosů a volatilitycs_CZ
dc.contributor.refereeVošvrda, Miloslav
dc.identifier.aleph002104093
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineEkonomiecs_CZ
thesis.degree.disciplineEconomicsen_US
thesis.degree.programEkonomické teoriecs_CZ
thesis.degree.programEconomicsen_US
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.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csV této práce se zkoumá chování kvantilové regrese neuronových sítí v odhadování kvantilů realizované volatility a kvantilů výnosů s výhledem více kroků. Závisí na realizované varianci a jejích komponentech (realizovaná variance, mediánová realizovaná variance, integrovaná variance, skoková variance a positivní a negativní semivariance). Použitá data jsou S&P 500 futures a WTI Crude Oil futures. Výsledné modely výnosů a volatility mají dobré absolutní chování a relativní chování v porovnání s modely ohodnocenými lineární kvantilovou regresí. V případě in-sample má lepší chování kvantilová regrese neuronových sítí a v případě out-of- sample mají chování stejně dobré.cs_CZ
uk.abstract.enThis thesis investigates forecasting performance of Quantile Regression Neural Networks in forecasting multiperiod quantiles of realized volatility and quantiles of returns. It relies on model-free measures of realized variance and its components (realized variance, median realized variance, integrated variance, jump variation and positive and negative semivariances). The data used are S&P 500 futures and WTI Crude Oil futures contracts. Resulting models of returns and volatility have good absolute performance and relative performance in comparison to the linear quantile regression models. In the case of in- sample the models estimated by Quantile Regression Neural Networks provide better estimates than linear quantile regression models and in the case of out-of-sample they are equally good.en_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 560/5, 116 36 Praha 1; 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