Vysokofrekvenční data a predikce volatility

Ing. Daniel Stašek, Ph.D.

Disertační práce

High-frequency data and volatility prediction

Anotace:

Tato disertační práce se skládá ze tří publikací, jejichž společným cílem je zlepšit přesnost prediktivních modelů volatility. V první studii představujeme inovativní ansámblové metody kombinující kvantilovou regresi s regresí úplné podmnožiny, čímž dosahujeme lepší prediktivní výkonnosti na klíčových tržních indexech. Druhá studie rozšiřuje existující modely volatility o proměnné reprezentující různé dimenze tržní likvidity, přičemž ukazuje, že velikost rozpětí nabídkových a poptávkových cen poskytuje informativní hodnotu vedoucí k významnému zlepšení předpovědi budoucí nejistoty na americkém akciovém trhu. Tato zjištění srovnáváme s výpočetně méně náročnými ukazateli likvidity, čímž identifikujeme vhodné substituty. Třetí studie se zabývá asymetrickými ztrátovými funkcemi v ekonomickém rozhodování a demonstruje, jak jejich začlenění do prediktivních modelů výrazně zlepšuje rizikově očištěný výnos v rámci opčních strategií. Celkově tato práce rozšiřuje metodologické přístupy, poukazuje na důležitost proměnných spojených s měřítky likvidity a odkrývá využitelnost nekonvenčních přístupů při odhadu modelů v podobě asymetrie ztrátových funkcí.

Abstract:

This thesis deals with volatility forecasting and presents three manuscripts that share the common goal of improving the accuracy of volatility forecasting models, thus advancing specific aspects of this important area of research. In the first manuscript, we develop several models, some of which combine the complete subset and quantile regression methods. We demonstrate our results on major market indices and conclude with a superior forecasting performance of the implemented ensemble methods. The second manuscript extends volatility models by incorporating liquidity measures and identifies the quoted spread as a major predictor of future volatility using a decade-long dataset of US stocks. We relate this to computationally simpler liquidity proxies, which also lead to improved predictions. The third manuscript builds on the assumption that the real-world loss functions faced by economic agents are rarely symmetric or even quadratic. By including asymmetric losses in forecasting models, we show that this inclusion does indeed lead to improved risk-adjusted returns in an options trading strategy. In summary, these manuscripts contribute to the literature on volatility forecasting by exploring innovative methodologies, investigating under-researched variables, and challenging conventional approaches, thus providing valuable insights for both academics and financial market practitioners.

Keywords

Realized variance, volatility density, complete subset regression, forecasting, quantile forecasts, HAR model, market liquidity, volatility forecasting, asymmetric loss, variance-risk premium, option trading

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 3. 6. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 20. 9. 2024
• Vedoucí: prof. Ing. Štefan Lyócsa, PhD.
• Oponent: doc. RNDr. Ing. Peter Molnár, Ph.D., Prof. Erik Haugom

Masarykova univerzita

Ekonomicko-správní fakulta

Doktorský studijní program / obor:
Finance / Finance