Show simple item record

Rozšíření modelů volatility pomocí ukazatelů tržního sentimentu
dc.contributor.advisorKrištoufek, Ladislav
dc.creatorRöhryová, Lenka
dc.date.accessioned2018-07-27T13:04:18Z
dc.date.available2018-07-27T13:04:18Z
dc.date.issued2018
dc.identifier.urihttp://hdl.handle.net/20.500.11956/94834
dc.description.abstractIn this thesis, we aim to improve forecast accuracy of a heterogenous au- toregressive model (HAR) by including market sentiment indicators based on Google search volume and Twitter sentiment. We have analysed 30 com- panies of the Dow Jones index for a period of 15 months. We have performed out-of-sample forecast and compiled a ranking of the extended models based on their relative performance. We have identified three relevant variables: daily negative tweets, daily Google search volume and weekly Google search volume. These variables improve forecast accuracy of the HAR model se- parately or in a Twitter-Google combination. Some specifications improve forecast accuracy by up to 22% for particular stocks, others impair forecast accuracy by up to 24%. The combination of daily negative tweets and weekly search volume is a superior model to the basic HAR for 17 stocks according to RMSE and for 16 stocks according to MAE and MASE. The daily nega- tive tweets specification outperforms the basic HAR for 17 and 19 stocks, respectively. And, the combination of daily negative tweets and daily search volume outpaces the basic HAR for 15 and 18 stocks, respectively. Based on the average MASE improvement, the combination of daily negative tweets and weekly search volume is a clear winner as it lowers the...en_US
dc.description.abstractV této práci se snažíme zlepšit heterogenní autoregresivní model (HAR) rozšířením o ukazatele tržního sentimentu. Jako proxy tržního sentimentu používáme objem vyhledávání na Googlu a Twitter sentiment. Analyzovali jsme 30 společností Dow Jones indexu po dobu 15 měsíců. Pomocí out- of-sample předpovědi jsme sestavili žebříček modelů podle jejich přesnosti. Identifikovali jsme tři relevantní proměnné: denní negativní tweety, denní objem vyhledávání a týdenní objem vyhledávání. Tyto proměnné zlepšují přesnost předpovědi HAR modelu jednotlivě i v Twitter-Google kombina- cích. Některé modely zlepšují přesnost předpovědi až o 22% pro určité akcie, jiné zhoršují přesnost předpovědi až o 24%. Kombinace denních negativních tweetů a týdenního objemu vyhledávání překoná základní model u 17 ak- cií podle RMSE a u 16 akcií podle MAE a MASE. Samotné denní tweety zlepšují přesnost základního modelu pro 17 a 19 společností podle užitého měřítka. Kombinace denních negativních tweetů a denního objemu vyhledá- vání zlepšuje přesnost základního modelu pro 15 respektive 18 společností. Na základě průměrného zlepšení MASE vítězí jednoznačně kombinace den- ních negativních tweetů a týdenního objemu vyhledávání, jelikož snižuje prů- měrnou MASE o 0.71%. Klasifikace JEL C32, C33, C52, G14 G17 Klíčová slova volatilita,...cs_CZ
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Fakulta sociálních vědcs_CZ
dc.subjectvolatilitycs_CZ
dc.subjectHeterogeneous Auto-Regressive volatility modelcs_CZ
dc.subjectmarket sentimentcs_CZ
dc.subjectvolatilityen_US
dc.subjectHeterogeneous Auto-Regressive volatility modelen_US
dc.subjectmarket sentimenten_US
dc.titleExtending volatility models with market sentiment indicatorsen_US
dc.typediplomová prácecs_CZ
dcterms.created2018
dcterms.dateAccepted2018-01-31
dc.description.departmentInstitut ekonomických studiícs_CZ
dc.description.departmentInstitute of Economic Studiesen_US
dc.description.facultyFakulta sociálních vědcs_CZ
dc.description.facultyFaculty of Social Sciencesen_US
dc.identifier.repId185578
dc.title.translatedRozšíření modelů volatility pomocí ukazatelů tržního sentimentucs_CZ
dc.contributor.refereeJakubík, Petr
dc.identifier.aleph002173352
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineEconomics and Financeen_US
thesis.degree.disciplineEkonomie a financecs_CZ
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.csEkonomie a financecs_CZ
uk.degree-discipline.enEconomics and Financeen_US
uk.degree-program.csEkonomické teoriecs_CZ
uk.degree-program.enEconomicsen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csV této práci se snažíme zlepšit heterogenní autoregresivní model (HAR) rozšířením o ukazatele tržního sentimentu. Jako proxy tržního sentimentu používáme objem vyhledávání na Googlu a Twitter sentiment. Analyzovali jsme 30 společností Dow Jones indexu po dobu 15 měsíců. Pomocí out- of-sample předpovědi jsme sestavili žebříček modelů podle jejich přesnosti. Identifikovali jsme tři relevantní proměnné: denní negativní tweety, denní objem vyhledávání a týdenní objem vyhledávání. Tyto proměnné zlepšují přesnost předpovědi HAR modelu jednotlivě i v Twitter-Google kombina- cích. Některé modely zlepšují přesnost předpovědi až o 22% pro určité akcie, jiné zhoršují přesnost předpovědi až o 24%. Kombinace denních negativních tweetů a týdenního objemu vyhledávání překoná základní model u 17 ak- cií podle RMSE a u 16 akcií podle MAE a MASE. Samotné denní tweety zlepšují přesnost základního modelu pro 17 a 19 společností podle užitého měřítka. Kombinace denních negativních tweetů a denního objemu vyhledá- vání zlepšuje přesnost základního modelu pro 15 respektive 18 společností. Na základě průměrného zlepšení MASE vítězí jednoznačně kombinace den- ních negativních tweetů a týdenního objemu vyhledávání, jelikož snižuje prů- měrnou MASE o 0.71%. Klasifikace JEL C32, C33, C52, G14 G17 Klíčová slova volatilita,...cs_CZ
uk.abstract.enIn this thesis, we aim to improve forecast accuracy of a heterogenous au- toregressive model (HAR) by including market sentiment indicators based on Google search volume and Twitter sentiment. We have analysed 30 com- panies of the Dow Jones index for a period of 15 months. We have performed out-of-sample forecast and compiled a ranking of the extended models based on their relative performance. We have identified three relevant variables: daily negative tweets, daily Google search volume and weekly Google search volume. These variables improve forecast accuracy of the HAR model se- parately or in a Twitter-Google combination. Some specifications improve forecast accuracy by up to 22% for particular stocks, others impair forecast accuracy by up to 24%. The combination of daily negative tweets and weekly search volume is a superior model to the basic HAR for 17 stocks according to RMSE and for 16 stocks according to MAE and MASE. The daily nega- tive tweets specification outperforms the basic HAR for 17 and 19 stocks, respectively. And, the combination of daily negative tweets and daily search volume outpaces the basic HAR for 15 and 18 stocks, respectively. Based on the average MASE improvement, the combination of daily negative tweets and weekly search volume is a clear winner as it lowers the...en_US
uk.file-availabilityV
uk.publication-placePrahacs_CZ
uk.grantorUniverzita Karlova, Fakulta sociálních věd, Institut ekonomických studiícs_CZ
thesis.grade.codeB


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