Predikce realizované volatility pomocí neuronových sítí
| Název práce: | Forecasting realized volatility with neural networks |
|---|---|
| Autor(ka) práce: | Stránský, Lukáš |
| Typ práce: | Diploma thesis |
| Vedoucí práce: | Fičura, Milan |
| Oponenti práce: | Malinovský, Daniel |
| Jazyk práce: | English |
| Abstrakt: | This thesis evaluates the forecasting performance of traditional and neural network models for realized volatility across five major currency pairs. Linear HAR-family models are compared with nonlinear neural network architectures, feedforward neural networks (FNNs) and long short-term memory (LSTM) networks using both standard and relative RMSE as performance metrics. The models incorporate a rich set of features, including realized quarticity, jump variation, and semivariances aggregated over multiple time horizons. Results show that neural networks consistently achieved the best in-sample performance and outperformed linear models in 3 out of 5 currencies on the test set. The LSTM with a 22-day lookback was most effective for high-volatility currencies like AUD/USD, while the FNN with comprehensive inputs performed best for more stable series like EUR/USD. However, OLS models remained highly competitive, particularly for USD/JPY and USD/CHF. These findings highlight the importance of aligning model complexity with data characteristics, showing that while neural networks excel in high-volatility settings, well-specified linear models remain competitive in more stable environments. |
| Klíčová slova: | Realized volatility; Volatility forecasting; Neural networks; HAR; Exchange rates |
| Název práce: | Predikce realizované volatility pomocí neuronových sítí |
|---|---|
| Autor(ka) práce: | Stránský, Lukáš |
| Typ práce: | Diplomová práce |
| Vedoucí práce: | Fičura, Milan |
| Oponenti práce: | Malinovský, Daniel |
| Jazyk práce: | English |
| Abstrakt: | Tato diplomová práce hodnotí výkonnost tradičních i modelů neuronových sítí pro predikci realizované volatility u pěti hlavních měnových párů. Lineární modely typu HAR jsou porovnávány s neuronovými sítěmi, konkrétně multilayer perceptrony (FNN) a rekurentními sítěmi s dlouhou krátkodobou pamětí (LSTM) pomocí standardních a relativních RMSE jako metrik výkonnosti. Modely využívají poměrně rozsáhlou sadu proměnných, včetně realizované kvarticity, jump variance a semivariance agregovaných na různých časových úrovních. Výsledky ukazují, že neuronové sítě dominovali nejlepší výkonnosti na trénovacích datasetech a zároveň překonaly lineární modely pro 3 z 5 měnových párů i na testovacích datasetech. LSTM s 22denní lookback periodou byl nejúčinnější u volatilnějších měn, jako je AUD/USD, zatímco FNN s rozšířenou sadou proměnných dominoval u stabilnějších měn, jako je EUR/USD. Lineární OLS modely však zůstaly konkurenceschopné, zejména u USD/JPY a USD/CHF. Výsledek práce zdůrazňuje důležitost sladění složitosti modelu s charakterem dat, přičemž ukazuje, že neuronové sítě vynikají ve vysoce volatilních prostředích, zatímco dobře specifikované lineární modely zůstávají konkurenceschopné ve stabilnějších datastech. |
| Klíčová slova: | Predikce volatility; Neuronové sítě; HAR; Měnové páry; Realizovaná volatilita |
Informace o studiu
| Studijní program / obor: | Finanční inženýrství |
|---|---|
| Typ studijního programu: | Magisterský studijní program |
| Přidělovaná hodnost: | Ing. |
| Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
| Fakulta: | Fakulta financí a účetnictví |
| Katedra: | Katedra bankovnictví a pojišťovnictví |
Informace o odevzdání a obhajobě
| Datum zadání práce: | 14. 9. 2023 |
|---|---|
| Datum podání práce: | 18. 5. 2025 |
| Datum obhajoby: | 9. 6. 2025 |
| Identifikátor v systému InSIS: | https://insis.vse.cz/zp/85380/podrobnosti |