Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Improving stock market volatility forecasts with complete subset linear and quantile HAR models

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14560%2F21%3A00122736" target="_blank" >RIV/00216224:14560/21:00122736 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.sciencedirect.com/journal/expert-systems-with-applications" target="_blank" >https://www.sciencedirect.com/journal/expert-systems-with-applications</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1016/j.eswa.2021.115416" target="_blank" >10.1016/j.eswa.2021.115416</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Improving stock market volatility forecasts with complete subset linear and quantile HAR models

  • Popis výsledku v původním jazyce

    Volatility forecasting plays an integral role in risk management, investments and security valuation for all assets with uncertain future payoffs. We enrich the literature by presenting computationally intensive variations of the heterogeneous autoregressive (HAR) volatility model: the complete subset linear/quantile regression HAR models, HAR-CSLR and HAR-CSQR. Predictions of 1-to 22-day-ahead volatility of four major market indices (NIKKEI 225, S&amp;P 500, SSEC and STOXX 50) show that both models tend to outperform several benchmark HAR models. Forecasting accuracy improvements tend to stabilize for longer forecasting horizons: e.g., fiveday-ahead improvements range from 6.57% (SSEC) to 35.62% (NIKKEI 225) and from 3.99% (STOXX) to 9.54% for mean square error (MSE) and QLIKE loss functions. In terms of MSE, the HAR-CSQR model outperforms several standard benchmark HAR models across all market indices and forecast horizons.

  • Název v anglickém jazyce

    Improving stock market volatility forecasts with complete subset linear and quantile HAR models

  • Popis výsledku anglicky

    Volatility forecasting plays an integral role in risk management, investments and security valuation for all assets with uncertain future payoffs. We enrich the literature by presenting computationally intensive variations of the heterogeneous autoregressive (HAR) volatility model: the complete subset linear/quantile regression HAR models, HAR-CSLR and HAR-CSQR. Predictions of 1-to 22-day-ahead volatility of four major market indices (NIKKEI 225, S&amp;P 500, SSEC and STOXX 50) show that both models tend to outperform several benchmark HAR models. Forecasting accuracy improvements tend to stabilize for longer forecasting horizons: e.g., fiveday-ahead improvements range from 6.57% (SSEC) to 35.62% (NIKKEI 225) and from 3.99% (STOXX) to 9.54% for mean square error (MSE) and QLIKE loss functions. In terms of MSE, the HAR-CSQR model outperforms several standard benchmark HAR models across all market indices and forecast horizons.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    50206 - Finance

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Expert Systems with Applications

  • ISSN

    0957-4174

  • e-ISSN

    1873-6793

  • Svazek periodika

    183

  • Číslo periodika v rámci svazku

    November

  • Stát vydavatele periodika

    NL - Nizozemsko

  • Počet stran výsledku

    11

  • Strana od-do

    1-11

  • Kód UT WoS článku

    000691769900005

  • EID výsledku v databázi Scopus

    2-s2.0-85109394941