Forecasting Term Structure of Government Bonds Using High Frequency Data

• Název práce v češtině: Forecasting Term Structure of Government Bonds Using High Frequency Data
• Název v anglickém jazyce: Forecasting Term Structure of Government Bonds Using High Frequency Data
• Klíčová slova: neuronové sítě, termínová struktura, vládní dluhopisy, US Treasury, Dynamický Nelson-Siegel model
• Klíčová slova anglicky: neural networks, term structure, government bonds, US Treasury, Dynamic Nelson-Siegel model
• Akademický rok vypsání: 2015/2016
• Typ práce: diplomová práce
• Jazyk práce: angličtina
• Ústav: Institut ekonomických studií (23-IES)
• Vedoucí / školitel: doc. PhDr. Jozef Baruník, Ph.D.
• Řešitel: skrytý - zadáno vedoucím/školitelem
• Datum přihlášení: 15.06.2016
• Datum zadání: 15.06.2016
• Datum a čas obhajoby: 31.01.2018 08:30
• Místo konání obhajoby: Opletalova - Opletalova 26, O105, Opletalova - místn. č. 105
• Datum odevzdání elektronické podoby: 05.01.2018
• Datum proběhlé obhajoby: 31.01.2018
• Oponenti: prof. Roman Horváth, Ph.D.

Seznam odborné literatury

Aminian, F., Suarez, E. D., Aminian, M., & Walz, D. T. (2006). Forecasting economic data with neural networks. Computational Economics, 28(1), 71-88.
Baruník, J., & Malinska, B. (2016). Forecasting the term structure of crude oil futures prices with neural networks. Applied Energy, 164, 366-379.
Cieslak, A., & Povala, P. (2014). Information in the term structure of yield curve volatility. Journal of Finance, forthcoming.
Diebold, F. X., & Li, C. (2006). Forecasting the term structure of government bond yields. Journal of econometrics, 130(2), 337-364.
Diebold, F. X., Li, C., & Yue, V. Z. (2008). Global yield curve dynamics and interactions: a dynamic Nelson–Siegel approach. Journal of Econometrics, 146(2), 351-363.
Wegener, C., Spreckelsen, C., Basse, T., & Mettenheim, H. J. (2016). Forecasting Government Bond Yields with Neural Networks Considering Cointegration. Journal of Forecasting, 35(1), 86-92.

Předběžná náplň práce

Tato práce analyzuje termínovou strukturu státních dluhopisů za pomoci nedávných tikových dat dluhopisů US Treasury pomocí tikových dat. Analýza výnosové křivky bude provedena za použití dynamického Nelson-Siegel modelu a následná předpověď s použitím kombinace parametrických metod a neuronových sítí. Vzhledem k nedostatku prací analyzujících termínovou strukturu státních dluhopisů pomocí neuronových sítí a vzhledem k dostupnosti tickových dat jejich výnosů, by hlavní přínos této práce měl být v ověření nových metod předpovědi výnosů státních dluhopisů.

Předběžná náplň práce v anglickém jazyce

This thesis will analyze the term structure of government bonds and their further forecast using recent tick by tick data of US Treasury Bills (T-Bill) and Bonds (T-Bond). The analysis of the yield curve will be done with the dynamic version of the Nelson-Siegel model and further forecast of the yields with the use of parametric methods and neural networks where applicable. With the scarcity of literature on using neural networks on forecasting the term structure of government bonds and with the availability of tick by tick data, this thesis will evaluate a new approach to forecasts of government bond yields.