velikost textu

On the predictability of Central European stock returns : "Do neural networks outperform modern econometric techniques?"

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:
On the predictability of Central European stock returns : "Do neural networks outperform modern econometric techniques?"
Název v češtině:
Předvídatelnost středoevropských výnosů : "Překonají neuronové sítě moderní ekonomické metody?"
Typ:
Rigorózní práce
Autor:
PhDr. Jozef Baruník, Ph.D.
Vedoucí:
doc. Ing. Ondřej Schneider, M.Phil., Ph.D.
Id práce:
2598
Fakulta:
Fakulta sociálních věd (FSV)
Pracoviště:
Institut ekonomických studií (23-IES)
Program studia:
Ekonomické teorie (N6201)
Obor studia:
Ekonomie (E)
Přidělovaný titul:
PhDr.
Datum obhajoby:
1. 11. 2006
Výsledek obhajoby:
Prospěl/a
Jazyk práce:
Angličtina
Klíčová slova:
výnosy akcií a jejich predikce pomocí neuronové sítě, optimalizační algoritmy, oceňování derivátů pomocí neuronové sítě
Klíčová slova v angličtině:
emerging stock markets, predictability of stock returns, neural networks, optimization algorithms, derivative pricing using neural networks
Abstrakt:
V této práci jsou aplikovány neuronové sítě jako neparametrická, nelineární metoda modelování na středoevropské trhy (Český, Polský, Maďarský a Německý). V prvních dvou kapitolách je definováno prognózování v kontextu klasické ekonometrické analýzy ve spojení s neuronovými sítěmi. Dále jsou prezentovány optimalizační metody použité při testování – konjugovaný gradient, Levenberg-Marquardt a genetické algoritmy, a nakonec statistické metody pro srovnání přesnosti předpovědí různých modelů a jejich ekonomickou signifikaci. V empirickém modelování je nejdřív ukázána výkonnost neuronové sítě na chaotické časové řadě Mackey-Glass. Dále následuje analýza reálných denních a týdenních časových řad středoevropských indexů pro období let 2000 až 2006, kde je ukázáno, že Neuronové sítě predikují denní výnosy DAX a týdenní výnosy PX50, BUX se signifikantně nižší chybou pomocí časových řad historických výnosů než ostatní ekonometrické metody. Podobných výsledků bylo dosaženo při predikci národního výnosu pomocí zpožděných výnosů alespoň jednoho z ostatních indexů. Dále je taky ukázáno, že s Neuronovou sítí byla dosažena ekonomická signifikace predikce denních i týdenních výnosů PX-50, BUX i DAX. Přesnost předpovědí testovaných řad se pohybuje kolem 60%, co považujeme za dobrý výsledek. V poslední kapitole je použita neuronová síť pro ocenění Evropského nákupního warrantu na ČEZ za pomoci časové řady historických cen. Je ukázáno, že síť je možné použít i jako alternativu pro oceňování, jelikož dokáže aproximovat tržní cenu lépe než Black-Scholesův model. Poslední testy ukázaly, že Levenberg-Marquardtova optimalizační metoda použita s genetickým algoritmem vykazuje signifikantně nižší chyby odhadů než ostatní metody. Powered by TCPDF (www.tcpdf.org)
Abstract v angličtině:
In this thesis we apply neural networks as nonparametric and nonlinear methods to the Central European stock markets returns (Czech, Polish, Hungarian and German) modelling. In the first two chapters we define prediction task and link the classical econometric analysis to neural networks. We also present optimization methods which will be used in the tests, conjugate gradient, Levenberg-Marquardt, and evolutionary search method. Further on, we present statistical methods for comparing the predictive accuracy of the non-nested models, as well as economic significance measures. In the empirical tests we first show the power of neural networks on Mackey-Glass chaotic time series followed by real-world data of the daily and weekly returns of mentioned stock exchanges for the 2000:2006 period. We find neural networks to have significantly lower prediction error than classical models for daily DAX series, weekly PX50 and BUX series. The lags of time-series were used, and also cross-country predictability has been tested, but the results were not significantly different. We also achieved economic significance of predictions with both daily and weekly PX-50, BUX and DAX with 60% accuracy of prediction. Finally we use neural network to learn Black-Scholes model and compared the pricing errors of Black-Scholes and neural network approach on the European call warrant on CEZ. We find that networks can be used as alternative pricing method as they were able to approximate the market price of call warrant with significantly lower error then Black-Scholes itself. Our last finding was that Levenberg-Marquardt optimization algorithm used with evolutionary search provides us with significantly lower errors than conjugate gradient or gradient descent. Powered by TCPDF (www.tcpdf.org)
Dokumenty
Stáhnout Dokument Autor Typ Velikost
Stáhnout Text práce PhDr. Jozef Baruník, Ph.D. 55.97 MB
Stáhnout Abstrakt v českém jazyce PhDr. Jozef Baruník, Ph.D. 153 kB
Stáhnout Abstrakt anglicky PhDr. Jozef Baruník, Ph.D. 151 kB
Stáhnout Záznam o průběhu obhajoby 10.89 MB