Forecasting realized volatility with neural networks
| Thesis title: | Forecasting realized volatility with neural networks |
|---|---|
| Author: | Stránský, Lukáš |
| Thesis type: | Diploma thesis |
| Supervisor: | Fičura, Milan |
| Opponents: | Malinovský, Daniel |
| Thesis language: | English |
| Abstract: | 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. |
| Keywords: | Realized volatility; Volatility forecasting; Neural networks; HAR; Exchange rates |
| Thesis title: | Predikce realizované volatility pomocí neuronových sítí |
|---|---|
| Author: | Stránský, Lukáš |
| Thesis type: | Diplomová práce |
| Supervisor: | Fičura, Milan |
| Opponents: | Malinovský, Daniel |
| Thesis language: | English |
| Abstract: | 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. |
| Keywords: | Predikce volatility; Neuronové sítě; HAR; Měnové páry; Realizovaná volatilita |
Information about study
| Study programme: | Finanční inženýrství |
|---|---|
| Type of study programme: | Magisterský studijní program |
| Assigned degree: | Ing. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Finance and Accounting |
| Department: | Department of Banking and Insurance |
Information on submission and defense
| Date of assignment: | 14. 9. 2023 |
|---|---|
| Date of submission: | 18. 5. 2025 |
| Date of defense: | 9. 6. 2025 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/85380/podrobnosti |