velikost textu

Stock Return Predictability and Model Uncertainty: A Frequentist Model Averaging Approach

Upozornění: Informace získané z popisných dat či souborů uložených v Repozitáři závěrečných prací nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora.
Název:
Stock Return Predictability and Model Uncertainty: A Frequentist Model Averaging Approach
Název v češtině:
Modelování Výnosů Akcií s Ohledem na Nejistotu: Frekventistická Průměrovací Metoda
Typ:
Diplomová práce
Autor:
Bc. Vojtěch Pacák
Vedoucí:
PhDr. Tomáš Havránek, Ph.D.
Oponent:
Mgr. Dominika Špolcová
Id práce:
189150
Fakulta:
Fakulta sociálních věd (FSV)
Pracoviště:
Institut ekonomických studií (23-IES)
Program studia:
Ekonomické teorie (N6201)
Obor studia:
Ekonomie a finance (NEF)
Přidělovaný titul:
Mgr.
Datum obhajoby:
19. 6. 2019
Výsledek obhajoby:
Výborně (A)
Jazyk práce:
Angličtina
Klíčová slova:
výnosy akcií, frekventistické průměrování modelů, nejistota, metoda posuvného okna
Klíčová slova v angličtině:
stock returns, frequentist model averaging, uncertainty, rolling window scheme
Abstrakt:
Abstrakt Nejistota v modelování je jev odrážející situaci, kdy neexistuje jednotný názor na podobu specifického ekonometrického modelu. Výnosy akcií jsou ukázkovým příkladem takového jevu, jelikož rozsáhlá literatura soustředící se na toto téma nabízí široké spektrum přístupů a vysvětlujících proměnných, ovšem prakticky bez jakékoholi konsensu. Relativně nový přístup průměrování modelů nabízí poměrně přímočaré řešení, spočívající v zakomponování všech potenciálních modelů do výsledného estimátoru. Moje práce se zabývá frekventistickým přístupem, který váží modely na základě dostupných dat. V této práci aplikuji tento přístup na data z amerického trhu, konkrétně S&P indexu, který se snažím vysvětlit za pomoci jedenácti vysvětlujících proměnných, jejichž volba je založena na relevantních studiích. Abych zachoval praktičnost modelu, využiji metody posouvajícího okna, spočívajícím v pravidelném čtvrtletním obnovování datasetu tak, aby model využíval k predikci nejnovější dostupné informace. Nejprve jsem ukázal, že základní model založený na historickém průměru se dá pokořit i modelem ignorujícím nejistotu, který dále používám jako benchmark. Výsledky z průměrovacího modelu nejsou oslnivé, a tyto modely nedokázaly pokořit náš benchmark. Zaměřil jsem se na význam velikosti "posuvného okna" a zopakoval analýzu pro model s jediným posunutím okna a následně i s náhodným rozdělením do trénovacího a testovacího vzorku. Nové výsledky jsou daleko slibnější, všechny frekventistické techniky výrazně porazili náš benchmark model.
Abstract v angličtině:
Abstract The model uncertainty is a phenomenon where general consensus about the form of specific model is unclear. Stock returns perfectly meet this condition, as extensive literature offers diverse methods and potential drivers without a clear winner among them. Relatively recently, averaging techniques emerged as a possible solution to such scenarios. The two major averaging branches, Bayesian (BMA) and Frequentist (FMA) averaging, naturally deal with uncertainty by averaging over all model candidates rather than choosing the "best" one of them. We focus on FMA and apply this method to our data from U.S. market about S&P 500 index, that I help to explain with the set of eleven explanatory variables chosen in accordance with related literature. To preserve a real-world applicability, I use rolling window scheme to regularly update data in the fitting model for quarterly based re- estimation. Consequently, predictions are obtained with the use of most recent data. Firstly, we find out that simple historical average model can be beaten with a standard model selection approach based on AIC value, with variables as Dividend Yield, Earnings ratio, and Book-to-Market value proving consistently as most significant across quarterly models. With FMA techniques, I was not able to consistently beat the benchmark from model selection, as results are rather disappointing. I discuss impact of window size choice in the rolling scheme and eventually re-run analysis with single window shift and random split. Observed results are much more promising, as all FMA methods are outperforming benchmark.
Dokumenty
Stáhnout Dokument Autor Typ Velikost
Stáhnout Text práce Bc. Vojtěch Pacák 871 kB
Stáhnout Abstrakt v českém jazyce Bc. Vojtěch Pacák 76 kB
Stáhnout Abstrakt anglicky Bc. Vojtěch Pacák 81 kB
Stáhnout Posudek vedoucího PhDr. Tomáš Havránek, Ph.D. 269 kB
Stáhnout Posudek oponenta Mgr. Dominika Špolcová 235 kB
Stáhnout Záznam o průběhu obhajoby prof. Ing. Michal Mejstřík, CSc. 152 kB