Μοντελοποίηση χρηματοοικονομικών χρονολογικών σειρών με τη χρήση μη γραμμικών και μη παραμετρικών μπεϋζιανών μεθόδων
Περίληψη
Σκοπός της συγκεκριμένης διατριβής είναι η πρωτότυπη συμβολή στις περιοχές μοντελοποίησης χρηματοοικονομικών χρονολογικών σειρών. Προτείνουμε/ επεκτείνουμε μονομεταβλητά και πολυμεταβλητά υποδείγματα ώστε να ερμηνεύσουμε τα χρηματοοικονομικά δεδομένα και να συλλάβουμε κάποια από τα χαρακτηριστικά που τα διέπουν. Συγκεκριμένα προτείνουμε ένα υπόδειγμα με διαφορετική μίξη κανονικών κατανομών και μεταβαλλόμενη διακύμανση μεταξύ μεταιχμίων (Threshold Normal Mixture Garch model) για την καλύτερη μοντελοποίηση των παχιών ουρών και εκτίμηση του κινδύνου που σχετίζεται με αυτές. Αναπτύσσουμε ένα υπόδειγμα παλινδρόμησης ορίων (Threshold Regression model) για να εξετάσουμε/εντοπίσουμε μη γραμμικές σχέσεις μεταξύ αποδόσεων και παραγόντων των αγορών καθώς και να ελέγξουμε αν οι διαχειριστές αντισταθμικών κεφαλαίων (Hedge Funds) διαθέτουν ‘Market Timing Abilities’. Επίσης προτείνουμε ένα πολυμεταβλητό υπόδειγμα μεταβαλλόμενης διακύμανσης που επιτρέπει διαφορετικές εξαρτημένες μεταβλητές (αντισταθμι ...
περισσότερα
Περίληψη σε άλλη γλώσσα
The scope of the thesis is to provide an original contribution in modeling financial time series (i.e financial returns). We propose/extend univariate and multivariate models in order to better explain the financial returns and capture the well known stylized facts which characterize them. In particular we propose a Threshold Normal Mixture Garch model, in order to model the fat tails and estimate more efficiently the tail risk. We develop a Threshold Regression Model to examine/identify the nonlinear risk exposures in Hedge fund strategies and to test the existence of market timing abilities. Moreover we propose a new Multivariate Garch Model which allows the different series (i.e Hedge funds) to be affected by different predictors (risk factors). For all these models we consider the problem of estimation, model selection and prediction by using Markov Chain Monte Carlo methods and Bayesian techniques.Moreover we use MCMC methods in the context of Bayesian nonparametric inference in o ...
περισσότερα
Κατεβάστε τη διατριβή σε μορφή PDF (2.4 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.