dc.contributor.advisor | Anatolev, Stanislav | |
dc.creator | Pyrlik, Vladimir | |
dc.date.accessioned | 2024-06-10T06:30:54Z | |
dc.date.available | 2024-06-10T06:30:54Z | |
dc.date.issued | 2024 | |
dc.identifier.uri | http://hdl.handle.net/20.500.11956/189216 | |
dc.description.abstract | Essay in High-Dimensional Econometrics and Finance Vladimir Pyrlik Abstrakt Zkoumání dat s vysokou dimenzionalitou jsou oblíbenou statistickou analýzou aplikovanou na různorodé typy dat. Rostoucí dimensionalita dat představuje vyzvu pro správnou podmíněnost matic a přesný odhad modelů. V této práci se zaměřujeme na vybrané metody pro data s vysokou dimenzí a jejich aplikace na analýzu finančních trhů. Prvně zkoumáme modelování sdruženého rozdělení s využitím kopulí. V první kapitole se věnujeme odhadu Gaussovských a t kopulí v kontextu dat s ultra-vysokou dimenzionalitou, kde pracujeme řádově až s tisíci proměnnými a odhady na časových řadách s délkou až 30krát kratší než počet proměnných. Využíváme metod zmenšení (z anglického shrinkage) pro velké kovarianční matice k přesnému odhadu a správnému podmínění matic pro parametry kopulí. V druhé kapitole prezentujeme novou metodu pro odhad skew-t kopule, která má výhodu ve vyšší flexibilitě popisu sdruženého rozdělení. Vyšší flexibilita zahrnuje asymetrii, těžké konce a asymetrickou závislost v koncích rozdělení. Náš přístup využívá dvoukrokovou metodu založenou na simulované metodě momentů a analytickém nelineárním zmenšeném odhadu pro velké kovariační matice. V obou prvních dvou kapitolách ilustrujeme přínos využití kopulí na alokaci velkého akciového... | cs_CZ |
dc.description.abstract | Essay in High-Dimensional Econometrics and Finance Vladimir Pyrlik Abstract High dimensionality is a popular contemporary setting in applied statistical analysis of various types of data. Growing dimensionality of the data challenges precise and well-conditioned estimates of statistical models. We address selected high-dimensional methods and their applications to financial market analysis. First, we consider modeling flexible joint distributions using copulas. In Chapter 1, we address estimation of Gaussian and t copulas in ultra-high dimensions, up to thousands of variables that use up to 30 times shorter sample lengths. We employ large covariance matrix shrinkage tools to obtain precise and well-conditioned estimates of the matrix parameters of the copulas. In Chapter 2, we present a new method for estimating the skew-t copula, known for its advantageous properties in characterizing joint distributions, including asymmetry, heavy tails, and asymmetric tail dependence. Our approach involves a two-step procedure based on the simulated method of moments and analytical non-linear shrinkage estimator for large covariance matrices. In both chapters, we also illustrate the benefits of the copula approach in a large stock portfolio allocation. Our analysis shows that copula-based models deliver better portfolios... | en_US |
dc.language | English | cs_CZ |
dc.language.iso | en_US | |
dc.publisher | Univerzita Karlova, Fakulta sociálních věd | cs_CZ |
dc.title | Essays in High-dimensional Econometrics and Finance | en_US |
dc.type | dizertační práce | cs_CZ |
dcterms.created | 2024 | |
dcterms.dateAccepted | 2024-05-20 | |
dc.description.department | CERGE | cs_CZ |
dc.description.faculty | Faculty of Social Sciences | en_US |
dc.description.faculty | Fakulta sociálních věd | cs_CZ |
dc.identifier.repId | 183038 | |
dc.title.translated | Eseje z vysokorozměrné ekonometrie a financí | cs_CZ |
dc.contributor.referee | Volkov, Vladimir | |
dc.contributor.referee | Prokhorov, Artem | |
thesis.degree.name | Ph.D. | |
thesis.degree.level | doktorské | cs_CZ |
thesis.degree.discipline | Ekonomie a ekonometrie | cs_CZ |
thesis.degree.discipline | Economics and Econometrics | en_US |
thesis.degree.program | Ekonomie a ekonometrie | cs_CZ |
thesis.degree.program | Economics and Econometrics | en_US |
uk.thesis.type | dizertační práce | cs_CZ |
uk.taxonomy.organization-cs | Fakulta sociálních věd::CERGE | cs_CZ |
uk.faculty-name.cs | Fakulta sociálních věd | cs_CZ |
uk.faculty-name.en | Faculty of Social Sciences | en_US |
uk.faculty-abbr.cs | FSV | cs_CZ |
uk.degree-discipline.cs | Ekonomie a ekonometrie | cs_CZ |
uk.degree-discipline.en | Economics and Econometrics | en_US |
uk.degree-program.cs | Ekonomie a ekonometrie | cs_CZ |
uk.degree-program.en | Economics and Econometrics | en_US |
thesis.grade.cs | Prospěl/a | cs_CZ |
thesis.grade.en | Pass | en_US |
uk.abstract.cs | Essay in High-Dimensional Econometrics and Finance Vladimir Pyrlik Abstrakt Zkoumání dat s vysokou dimenzionalitou jsou oblíbenou statistickou analýzou aplikovanou na různorodé typy dat. Rostoucí dimensionalita dat představuje vyzvu pro správnou podmíněnost matic a přesný odhad modelů. V této práci se zaměřujeme na vybrané metody pro data s vysokou dimenzí a jejich aplikace na analýzu finančních trhů. Prvně zkoumáme modelování sdruženého rozdělení s využitím kopulí. V první kapitole se věnujeme odhadu Gaussovských a t kopulí v kontextu dat s ultra-vysokou dimenzionalitou, kde pracujeme řádově až s tisíci proměnnými a odhady na časových řadách s délkou až 30krát kratší než počet proměnných. Využíváme metod zmenšení (z anglického shrinkage) pro velké kovarianční matice k přesnému odhadu a správnému podmínění matic pro parametry kopulí. V druhé kapitole prezentujeme novou metodu pro odhad skew-t kopule, která má výhodu ve vyšší flexibilitě popisu sdruženého rozdělení. Vyšší flexibilita zahrnuje asymetrii, těžké konce a asymetrickou závislost v koncích rozdělení. Náš přístup využívá dvoukrokovou metodu založenou na simulované metodě momentů a analytickém nelineárním zmenšeném odhadu pro velké kovariační matice. V obou prvních dvou kapitolách ilustrujeme přínos využití kopulí na alokaci velkého akciového... | cs_CZ |
uk.abstract.en | Essay in High-Dimensional Econometrics and Finance Vladimir Pyrlik Abstract High dimensionality is a popular contemporary setting in applied statistical analysis of various types of data. Growing dimensionality of the data challenges precise and well-conditioned estimates of statistical models. We address selected high-dimensional methods and their applications to financial market analysis. First, we consider modeling flexible joint distributions using copulas. In Chapter 1, we address estimation of Gaussian and t copulas in ultra-high dimensions, up to thousands of variables that use up to 30 times shorter sample lengths. We employ large covariance matrix shrinkage tools to obtain precise and well-conditioned estimates of the matrix parameters of the copulas. In Chapter 2, we present a new method for estimating the skew-t copula, known for its advantageous properties in characterizing joint distributions, including asymmetry, heavy tails, and asymmetric tail dependence. Our approach involves a two-step procedure based on the simulated method of moments and analytical non-linear shrinkage estimator for large covariance matrices. In both chapters, we also illustrate the benefits of the copula approach in a large stock portfolio allocation. Our analysis shows that copula-based models deliver better portfolios... | en_US |
uk.file-availability | V | |
uk.grantor | Univerzita Karlova, Fakulta sociálních věd, CERGE | cs_CZ |
thesis.grade.code | P | |
uk.publication-place | Praha | cs_CZ |
uk.thesis.defenceStatus | O | |