Využití strojového učení při odhadu rizikové prémie kapitálového trhu – Michal Hýsek
Michal Hýsek
Master's thesis
Využití strojového učení při odhadu rizikové prémie kapitálového trhu
Usage of machine learning to estimate equity risk premium
Abstract:
Tato diplomová práce se zabývá možností predikce rizikové prémie kapitálového trhu pomocí pokročilého modelu strojového učení. Cílem této práce bylo vytvořit predikční model na bázi strojového učení a odhadnout implikovanou rizikovou prémii kapitálového trhu v USA vycházející z FCFE modelu profesora Damodarana (2024) na horizontu jednoho roku. Výsledná predikce je potom porovnána se skutečnou implikovanou …moreAbstract:
This thesis examines the possibility of predicting the equity risk premium using an advanced machine learning model. The objective of this thesis was to develop a machine learning-based prediction model and estimate the implied risk premium of the US capital market based on Professor Damodaran's FCFE model (2024) over a one-year horizon. The final prediction is compared with the actual implied risk …more
Language used: Czech
Date on which the thesis was submitted / produced: 18. 5. 2024
Identifier:
https://vskp.vse.cz/eid/93869
Thesis defence
- Date of defence: 10. 6. 2024
- Supervisor: Pavel Svačina
- Reader: Josef Arlt
Citation record
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- autentizovaným zaměstnancům ze stejné školy/fakulty
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Vysoká škola ekonomická v Prazehttps://vskp.vse.cz/eid/93869
Vysoká škola ekonomická v Praze
Master programme:
Finance a oceňování podniku
Theses on a related topic
-
Náklady vlastního kapitálu pro tržní ocenění podniku v podmínkách ČR s důrazem na rizikovou prémii kapitálového trhu
Tomáš Novotný -
Stanovení rizikové prémie diskontní sazby v podmínkách těžebního podniku.
Petr Bora -
Risk management investičních portfolií v podnikové sféře
Johana Štěrbová -
Action Detection in 3D Skeleton Data using LSTM Networks
Róbert Kolcún -
Explaining Features of LSTM Model Learned on Human Motion Data
Tomáš Jevočin -
Modul LSTM a Rekurentních neuronových sítí pro program Modeler neuronových sítí
Jiří Lagan -
Protein solubility prediction using CNN and CNN-LSTM hybrid models
Ekaterina SYSOYKOVA -
Auto-Encoding Amino Acid Sequences with LSTM
Markus PROMBERGER