Neural network models for conditional quantiles of financial returns and volatility
Modely neuronových sítí pro podmíněné kvantily finančních výnosů a volatility
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/83008Identifikátory
SIS: 166222
Kolekce
- Kvalifikační práce [17123]
Autor
Vedoucí práce
Oponent práce
Vošvrda, Miloslav
Fakulta / součást
Fakulta sociálních věd
Obor
Ekonomie
Katedra / ústav / klinika
Institut ekonomických studií
Datum obhajoby
15. 9. 2016
Nakladatel
Univerzita Karlova, Fakulta sociálních vědJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
podmíněnéněné kvantily, kvantilová regrese neuronových sítí, neparametrické odhady realizované volatility, VaRKlíčová slova (anglicky)
conditional quantiles, quantile regression neural networks, realized measures of volatility, value-at-riskV 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.
This 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.