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”

On the Modelling and Forecasting of Multivariate Realized Volatility: Generalized Heterogeneous Autoregressive (GHAR) Model

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F17%3A00478479" target="_blank" >RIV/67985556:_____/17:00478479 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/00216208:11230/17:10326547

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1002/for.2423" target="_blank" >http://dx.doi.org/10.1002/for.2423</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1002/for.2423" target="_blank" >10.1002/for.2423</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    On the Modelling and Forecasting of Multivariate Realized Volatility: Generalized Heterogeneous Autoregressive (GHAR) Model

  • Popis výsledku v původním jazyce

    Recent multivariate extensions of the popular heterogeneous autoregressive model (HAR) for realized volatility leave substantial information unmodelled in residuals. We propose to employ a system of seemingly unrelated regressions to model and forecast a realized covariance matrix to capture this information. We find that the newly proposed gener- alized heterogeneous autoregressive (GHAR) model outperforms competing approaches in terms of economic gains, providing better mean–variance trade-off, while, in terms of statistical precision, GHAR is not substantially dominated by any other model. Our results provide a comprehensive comparison of the performance when realized covariance, subsampled realized covariance and multivariate realized kernel estimators are used. We study the contribution of the estimators across different sampling frequencies, and show that the multivariate realized kernel and subsampled real- ized covariance estimators deliver further gains compared to realized covariance estimated on a 5-minute frequency. In order to show economic and statistical gains, a portfolio of various sizes is used.

  • Název v anglickém jazyce

    On the Modelling and Forecasting of Multivariate Realized Volatility: Generalized Heterogeneous Autoregressive (GHAR) Model

  • Popis výsledku anglicky

    Recent multivariate extensions of the popular heterogeneous autoregressive model (HAR) for realized volatility leave substantial information unmodelled in residuals. We propose to employ a system of seemingly unrelated regressions to model and forecast a realized covariance matrix to capture this information. We find that the newly proposed gener- alized heterogeneous autoregressive (GHAR) model outperforms competing approaches in terms of economic gains, providing better mean–variance trade-off, while, in terms of statistical precision, GHAR is not substantially dominated by any other model. Our results provide a comprehensive comparison of the performance when realized covariance, subsampled realized covariance and multivariate realized kernel estimators are used. We study the contribution of the estimators across different sampling frequencies, and show that the multivariate realized kernel and subsampled real- ized covariance estimators deliver further gains compared to realized covariance estimated on a 5-minute frequency. In order to show economic and statistical gains, a portfolio of various sizes is used.

Klasifikace

  • Druh

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

  • CEP obor

  • OECD FORD obor

    50201 - Economic Theory

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA13-32263S" target="_blank" >GA13-32263S: Vícerozměrná spektrální analýza finančních trhů</a><br>

  • Návaznosti

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

Ostatní

  • Rok uplatnění

    2017

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Journal of Forecasting

  • ISSN

    0277-6693

  • e-ISSN

  • Svazek periodika

    36

  • Číslo periodika v rámci svazku

    1

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    26

  • Strana od-do

    181-206

  • Kód UT WoS článku

    000394909900006

  • EID výsledku v databázi Scopus

    2-s2.0-84966539553