Modelování tržního rizika pomocí metod strojového učení a umělé inteligence

Mgr. Ondřej Lasák

Master's thesis

Modelling market risk using machine learning and artificial intelligence methods

Abstract:

Práce se zabývá možnostmi, nástroji a technikami strojového učení (machine learning, ML), které lze využít pro modelování a predikci tržního rizika. Práce zprvu pojednává o koncepci tržního rizika a jeho způsobech vyjádření. Tržní riziko je vnímáno jako variabilita časové řady a lze jej tedy v této práci považovat za synonymum pro volatilitu. Práce následně poskytne obecný úvod do problematiky a vytyčí teoretické koncepty strojového učení. Metody strojového učení jsou aplikovány na tři množiny dat, které slouží jako vysvětlující proměnné pro třiceti-minutovou volatilitu, která je v práci modelována. V práci jsou taktéž používány konvenční ekonometrické přístupy k modelování volatility v podobě variací GARCH modelů, jako etalon efektivity metod umělé inteligence.

Abstract:

The thesis concerns with the possibilities, tools and techniques of ma-chine learning (ML), which can be used for modelling and prediction of market risk. The thesis first discusses the concept of market risk and its ways of expression. Market risk is viewed as time-series variability and can be considered synonymous with volatility in this paper. The thesis then provides a general introduction to the subject and outlines the the-oretical concepts of machine learning. Machine learning methods are applied to three datasets that serve as explanatory variables for the 30-minute volatility that is modelled in this thesis. Conventional econo-metric approaches to volatility modelling in the form of variations of GARCH models are also used in the paper as a benchmark for the effec-tiveness of artificial intelligence methods.

Keywords

strojové učení, predikce, regrese, modelování, volatilita, machine learning, prediction, regression, modelling, volatility

Language used: Czech

Date on which the thesis was submitted / produced: 12. 5. 2023

Thesis defence

• Date of defence: 20. 6. 2023
• Supervisor: doc. Ing. Daniel Němec, Ph.D.
• Reader: Ph.D. Oleg Deev

Masaryk University

Faculty of Economics and Administration

Master programme / field:
Finance / Finance