Volatility Modelling and the Forecasting Models of High Frequency Financial Data: Statistical and Neural Approach

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27510%2F14%3A86089655" target="_blank" >RIV/61989100:27510/14:86089655 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

slovinština

Název v původním jazyce

Modelovanie volatility a predikčné modely vysokofrekvenčných finančných dát: štatistický a neurónový prístup

Popis výsledku v původním jazyce

Článok najskôr prezentuje modelovanie asymetrickej volatility zmien výnosov a potom učinok neočakávaných dobrých a nepriaznivých správ na empirický časový rad vysokofrekvenčných dát kurzu EUR/USD v predkrízovom a pokrízovom období. Potvrdilo sa, že klasický GARCH model s normálnym rozdelením chýb nie jeschopný plne odrážať leptokurtozitu v empirickom časovom rade výnosov, zatiaľ čo Studentovo t a GED rozdelenie chýb v asymetrických modeloch volatility lepšie opisuje kondicionálnu volatilitu. Potom bolialternatívne vyvíjané modely založené na ARIMA/GARCH prístupe a neurónovou sieťou. Na základe priameho zhodnotenia predikčnej presnosti medzi štatistickými modelmi a modelmi neurónových sietí sa jasne preukázalo vylepšenie predikčhej presnosti modelmi neurónových sietí.

Název v anglickém jazyce

Volatility Modelling and the Forecasting Models of High Frequency Financial Data: Statistical and Neural Approach

Popis výsledku anglicky

In the article we first introduce asymmetric response of equity volatility to return shock and then the effect of good and bad news to volatility for empirical time series of EUR/USD (EUR currency against US dollar) exchange rates in the pre-crisis period, during the crisis and the post-crisis period. We found that GARCH-class models with normal errors are not capable to capture fully the leptokurtosis in empirical time series, while Student´s t and GED errors provide better description for the conditional volatility. Then, we alternatively develop forecasting models based on the ARIMA/GARCH methodology and on the neural approach. In the direct comparison between statistical and neural models, the experiment shows that the neural approach clearly improve the forecast accuracy.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/EE2.3.20.0296" target="_blank" >EE2.3.20.0296: Výzkumný tým pro modelování ekonomických a finančních procesů na VŠB-TU Ostrava</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2014

Kód důvěrnosti údajů

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

Název periodika

Ekonomický časopis

ISSN

0013-3035

e-ISSN

—

Svazek periodika

1

Číslo periodika v rámci svazku

2

Stát vydavatele periodika

SK - Slovenská republika

Počet stran výsledku

17

Strana od-do

133-149

Kód UT WoS článku

000335615300002

EID výsledku v databázi Scopus

—