Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 336)
Detail práce
   Přihlásit přes CAS
Prediction of Stock Return Volatility Using Internet Data
Název práce v češtině: Prediction of Stock Return Volatility Using Internet Data
Název v anglickém jazyce: Prediction of Stock Return Volatility Using Internet Data
Klíčová slova: Portfolio Volatilita Výnos Internetová Data General Autoregressive Conditional Heteroscedasticity Capital Asset Pricing Model
Klíčová slova anglicky: Portfolio Volatility Return Internet Data General Autoregressive Conditional Heteroscedasticity Capital Asset Pricing Model
Akademický rok vypsání: 2016/2017
Typ práce: diplomová práce
Jazyk práce: angličtina
Ústav: Institut ekonomických studií (23-IES)
Vedoucí / školitel: prof. PhDr. Ladislav Krištoufek, Ph.D.
Řešitel: skrytý - zadáno vedoucím/školitelem
Datum přihlášení: 09.11.2016
Datum zadání: 09.11.2016
Datum a čas obhajoby: 13.09.2017 08:30
Místo konání obhajoby: Opletalova - Opletalova 26, O105, Opletalova - místn. č. 105
Datum odevzdání elektronické podoby:31.07.2017
Datum proběhlé obhajoby: 13.09.2017
Oponenti: Jiří Novák, M.Sc., Ph.D.
 
 
 
Kontrola URKUND:
Seznam odborné literatury
1) Portfolio selection, Harry Markowitz, 1952
2) Analysis of financial time series, Ruey S. Tsay
3) General Autoregressive Conditional Heteroscedasticity, Tim Bollerslev, 1986

Předběžná náplň práce
Volatilita výnosů a její vlastnosti jsou velmi zajímavým tématem akademického výzkumu. Díky tomu, že volatilita charakterizuje rizikovost aktiv a vstupuje do různých oceňovacích modelů, modelů pro měření rizika a pro vytvoření optimálních portfolií, je velmi důležité rozumnět jejímu chování a také se ji naučit efektivně predikovat. Díky vzrůstu internetu se začínají objevovat výzkumy, které se zabývají propojením dat, které byly vygenerovány na internetu a dat, které pochází z finančních trhů. Tato data umožňují zcela nové možnosti, jakými se dají upravit a případně vylepšit metody, kterými se volatilita modeluje a predikuje.

Hlavním cílem naší práce je vytvoření dvou množin modelů pro měření volatility (GARCH,ARFIMA), které budeme obohacovat o data, získané na sociální síti Twitter. Tyto modely budeme následně porovnávat a měřit, který z nich nejlépe předpovídá jednodenní volatilitu na akciívh Dow Jones Industrial Average.
Předběžná náplň práce v anglickém jazyce
Topic characteristics Stock return volatility and its features, such as leverage effect or volatility clustering, are very interesting areas of academic research. Due to extensive usage of volatility as a risk measure, entering various pricing models, risk-assessment models or optimal portfolio construction frameworks, it is very important to understand main drivers that allow us to estimate the actual volatility or predict the future volatility. Nowadays, besides the standard data such as trading volume, bid-ask spreads or other variables that are directly related to financial markets, it is possible to obtain a completely new set of relevant variables that are not generated through the pricing or volume mechanism of the financial markets.
The main objective of the thesis will be a construction of two sets of volatility models (GARCH, ARFIMA). First set using standard financial market vari- ables, the second set further augmented on the variables based on internet data that were generated on Twitter in connection to the stocks included in our re- search. Later we plan to compare the quality as well as prediction capabilities between these two sets of models using various statistical tests to find whether the internet data add any important information to the volatility prediction. We also plan to find the absolute winner to see, which models among the sets performs the best.
 
Univerzita Karlova | Informační systém UK