Modelování a predikce volatility vybraných akcií pomocí HAR modelu

This thesis focuses on the modeling and forecasting of daily stock return volatility for the companies ČEZ, Moneta Money Bank, and Komerční banka, which are traded on the Prague Stock Exchange during the period from March 2022 to March 2025. The main objective was to apply the Heterogeneous Autoregressive (HAR) model and explore the potential benefits of extending it with exogenous variables. In addition to the standard time-based aggregations of realized volatility, the models also incorporated variables representing significant corporate events and indicators derived from Google search activity related to each company. LASSO regression was employed to select the most relevant explanatory variables. The results show that, in most cases, the LASSO-based selection confirmed the traditional HAR structure built on time aggregations of realized volatility. It also highlighted the added value of including a short-term component — realized volatility aggregated over two days (RV2), which led to a moderate improvement in forecasting accuracy. An important part of the analysis was the evaluation of exogenous variables. Google Trends data and corporate event indicators proved to be statistically significant, and in several models were selected by the LASSO method, confirming their relevance for modeling and forecasting volatility. The comparison of individual models using in-sample metrics (AIC, BIC, R²) and out-of-sample forecasting accuracy (MSE, MAE, BIAS) demonstrated that the extended models outperformed the baseline HAR structure. These findings suggest that combining high-frequency data, classical volatility aggregations, and carefully selected exogenous factors can significantly enhance forecast precision even in less liquid markets.

Tato práce se zabývá modelováním a predikcí denní volatility akcií společností ČEZ, Moneta Money Bank a Komerční banka, obchodovaných na Burze cenných papírů Praha v období od března 2022 do března 2025. Hlavním cílem bylo aplikovat heterogenní autoregresní model (HAR) a prozkoumat možnosti jeho rozšíření o exogenní proměnné. Kromě základních časových agregací realizované volatility byly do modelů zahrnuty také proměnné reprezentující významné firemní události a ukazatele vyhledávání názvů společností na Googlu. Pomocí LASSO regrese byl proveden výběr nejvíce informativních vysvětlujících proměnných. Výsledky ukázaly, že LASSO ve většině případů potvrdilo tradiční HAR strukturu založenou na časových agregacích realizované volatility. Současně poukázalo na přínos zařazení krátkodobé složky – realizované volatility agregované přes dva dny (RV2), která vedla k mírnému zvýšení predikční přesnosti modelů. Důležitou součástí analýzy bylo také vyhodnocení přínosu exogenních proměnných. Údaje z Google Trends a indikátory firemních událostí se ukázaly jako statisticky významné a v některých modelech byly vybrány i metodou LASSO, což potvrzuje jejich význam při modelování a predikci volatility. Porovnání jednotlivých modelů na základě in-sample metrik (AIC, BIC, R²) a out-of-sample predikční přesnosti (MSE, MAE, BIAS) ukázalo, že rozšířené modely dosahují lepších výsledků než základní HAR struktura. Výsledky naznačují, že kombinace vysokofrekvenčních dat, klasických agregací volatility a vhodně zvolených exogenních faktorů může výrazně zvýšit přesnost predikcí i na méně likvidních trzích.