Show simple item record

Prediction of Stock Return Volatility Using Internet Data
dc.contributor.advisorKrištoufek, Ladislav
dc.creatorJuchelka, Tomáš
dc.date.accessioned2017-10-04T10:20:59Z
dc.date.available2017-10-04T10:20:59Z
dc.date.issued2017
dc.identifier.urihttp://hdl.handle.net/20.500.11956/91119
dc.description.abstractTato práce zkoumá vztah mezi denní volatilitou akcií z Dow Jones Industrial Average akciového indexu a daty, které byly získány na známé sociální síti Twitter. Twitter data obsahují počet tweetů a jsou kategorizovaná na základě jejich polarity, a to na pozitivní, negativní a neutrální. V práci jsme využili dva druhy modelů, GARCH a ARFIMA, které jsme zkoumali jak v základním nastavení bez dodatečných proměnných tak s proměnnými, které reprezentují velikost aktivity na této sociální síti. Našim hlavním cílem je zjistit, který z modelů nejpřesněji odhaduje jednodenní predikci realizované volatility. Kromě toho také zkoumáme, jaký efekt mají proměnné získané na Twitteru na budoucí volatilitu. Náš výzkum ukázal, že nejlepším modelem pro predikci volatility je ARFIMA model obohacený o reziduální objem aktivity na Twitteru. V kontextu naší práce je residuální objem na Twitteru chápán jako proměnná, která reprezentuje neočekávanou aktivitu na této sociální síti. Druhým nejlepším v pořadí byl ARFIMA model bez dodatečných proměnných. ARFIMA model s objemem Twitteru byl potom třetím modelem v pořadí. Pořadí modelů odhalilo, že na našich datech je ARFIMA vhodnějším modelem pro predikci volatility. Co se týče jednotlivých efektů u Twitter proměnných, výzkum ukázal, že aktivita na Twitteru pozitivně ovlivňuje...cs_CZ
dc.description.abstractThe thesis investigates relationship between daily stock return volatility of Dow Jones Industrial Average stocks and data obtained on Twitter, the social media network. The Twitter data set contains a number of tweets, categorized according to their polarity, i.e. positive, negative and neutral sentiment of tweets. We construct two classes of models, GARCH and ARFIMA, where for either of them we research basic model setting and setting with additional Twitter variables. Our goal is to compare, which of them predicts the one day ahead volatility most precisely. Besides, we provide commentary regarding the effects of Twitter volume variables on future stock volatility. The analysis has revealed that the best performing model, given the length and structure of our data set, is the ARFIMA model augmented on Twitter volume residuals. In the context of the thesis, Twitter volume residuals represent unexpected activity on the social media network and are obtained as residuals from Twitter volume autoregression. Plain ARFIMA model was the second best and plain volume augmented ARFIMA was in third place. This means that all three ARFIMA models outperformed all three GARCH models in our research. Regarding the Twitter estimation parameters, we found that higher the activity the higher tomorrow's stock...en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Fakulta sociálních vědcs_CZ
dc.subjectPortfolio Volatility Return Internet Data General Autoregressive Conditional Heteroscedasticity Capital Asset Pricing Modelen_US
dc.subjectPortfolio Volatilita Výnos Internetová Data General Autoregressive Conditional Heteroscedasticity Capital Asset Pricing Modelcs_CZ
dc.titlePrediction of Stock Return Volatility Using Internet Dataen_US
dc.typediplomová prácecs_CZ
dcterms.created2017
dcterms.dateAccepted2017-09-13
dc.description.departmentInstitut ekonomických studiícs_CZ
dc.description.departmentInstitute of Economic Studiesen_US
dc.description.facultyFaculty of Social Sciencesen_US
dc.description.facultyFakulta sociálních vědcs_CZ
dc.identifier.repId185569
dc.title.translatedPrediction of Stock Return Volatility Using Internet Datacs_CZ
dc.contributor.refereeNovák, Jiří
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineEkonomie a financecs_CZ
thesis.degree.disciplineEconomics and Financeen_US
thesis.degree.programEconomicsen_US
thesis.degree.programEkonomické teoriecs_CZ
uk.thesis.typediplomová prácecs_CZ
uk.taxonomy.organization-csFakulta sociálních věd::Institut ekonomických studiícs_CZ
uk.taxonomy.organization-enFaculty of Social Sciences::Institute of Economic Studiesen_US
uk.faculty-name.csFakulta sociálních vědcs_CZ
uk.faculty-name.enFaculty of Social Sciencesen_US
uk.faculty-abbr.csFSVcs_CZ
uk.degree-discipline.csEkonomie a financecs_CZ
uk.degree-discipline.enEconomics and Financeen_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 práce zkoumá vztah mezi denní volatilitou akcií z Dow Jones Industrial Average akciového indexu a daty, které byly získány na známé sociální síti Twitter. Twitter data obsahují počet tweetů a jsou kategorizovaná na základě jejich polarity, a to na pozitivní, negativní a neutrální. V práci jsme využili dva druhy modelů, GARCH a ARFIMA, které jsme zkoumali jak v základním nastavení bez dodatečných proměnných tak s proměnnými, které reprezentují velikost aktivity na této sociální síti. Našim hlavním cílem je zjistit, který z modelů nejpřesněji odhaduje jednodenní predikci realizované volatility. Kromě toho také zkoumáme, jaký efekt mají proměnné získané na Twitteru na budoucí volatilitu. Náš výzkum ukázal, že nejlepším modelem pro predikci volatility je ARFIMA model obohacený o reziduální objem aktivity na Twitteru. V kontextu naší práce je residuální objem na Twitteru chápán jako proměnná, která reprezentuje neočekávanou aktivitu na této sociální síti. Druhým nejlepším v pořadí byl ARFIMA model bez dodatečných proměnných. ARFIMA model s objemem Twitteru byl potom třetím modelem v pořadí. Pořadí modelů odhalilo, že na našich datech je ARFIMA vhodnějším modelem pro predikci volatility. Co se týče jednotlivých efektů u Twitter proměnných, výzkum ukázal, že aktivita na Twitteru pozitivně ovlivňuje...cs_CZ
uk.abstract.enThe thesis investigates relationship between daily stock return volatility of Dow Jones Industrial Average stocks and data obtained on Twitter, the social media network. The Twitter data set contains a number of tweets, categorized according to their polarity, i.e. positive, negative and neutral sentiment of tweets. We construct two classes of models, GARCH and ARFIMA, where for either of them we research basic model setting and setting with additional Twitter variables. Our goal is to compare, which of them predicts the one day ahead volatility most precisely. Besides, we provide commentary regarding the effects of Twitter volume variables on future stock volatility. The analysis has revealed that the best performing model, given the length and structure of our data set, is the ARFIMA model augmented on Twitter volume residuals. In the context of the thesis, Twitter volume residuals represent unexpected activity on the social media network and are obtained as residuals from Twitter volume autoregression. Plain ARFIMA model was the second best and plain volume augmented ARFIMA was in third place. This means that all three ARFIMA models outperformed all three GARCH models in our research. Regarding the Twitter estimation parameters, we found that higher the activity the higher tomorrow's stock...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