Calibration of stochastic volatility models using quasi-evolutionary algorithms

Tomáš OSVALD

Bakalářská práce

Abstract:

In this thesis, we focus on calibration of stochastic volatility models using quasi-evolutionary algorithms. First we introduce evolutionary algorithms and types of initialization of a new population, that has an important impact on the algorithm. In methodology, we describe each step of the genetic algorithm, set the test functions and focus on stochastic volatility models. An implementation part of this thesis is also a modification of genetic algorithm in software Matlab. We compare quasi random and random initial population on real market data calibration problem.

Abstract:

V této práci se zabýváme kalibrací modelů stochastické volatility pomocí kvazi-evolučních algoritmů. V úvodu nastíníme problém evolučních algoritmů a typy inicializačních populací, které mají velký vliv na výsledek algoritmu. V práci popisujeme jednotlivé kroky genetického algoritmu, stanovýme si testovací funkce a zabýváme se modely stochastické volatility. Součástí práce je i modifikace genetického algoritmu v programu Matlab. Zde porovnáváme použití náhodné a quasi náhodné inicializační populace při kalibraci na reálná tržní data.

Keywords

kvazi-evoluční algoritmus, evoluční algoritmy, genetický algoritmus, inicializační techniky, kalibrace modelů

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 11. 7. 2017

Zveřejnit od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedoucí: Ing. Jan Pospíšil, Ph.D.

ZÁPADOČESKÁ UNIVERZITA V PLZNI

Fakulta aplikovaných věd

Bakalářský studijní program / obor:
Matematika / Matematika a management