Forecasting stock market returns and volatility in different time horizons using Neural Networks

Abstract

Tato práce se zaměřuje na predikováni výnosů a denní volatility akciového in- dexu Nasdaq Composite ve více časových horizontech. Aby bylo možné zachytit komplexní vztahy, které mohou být potenciálně skryty pro tradiční lineární mod- ely, budeme používat neuronové sítě jako nelineární, neparametrické a robustní nástroje pro predikci. Námi dosažené empirické výsledky přispívají k probíhající diskuzi o předvídatelnosti akciovách trhů. V případě výnosů Nasdaq Composite, žádne ze čtyř neuronových sítí nedokázely překonat benchmark model na žádnem časovém horizontu, což naznačuje nepředvídatelnost v souladu s hypotézou efek- tivních trhů. Stejně tak v případě denní volatility Nasdaq Composite nejsou denní ani měsíční předpovědi výrazně přesnější než benchmark model. Avšak, jednotý- denní a dvoutýdenní předpovědi jsou výrazně přesnější než benchmark model a jsou schopny zachytit přítomné předpovědní vzorce. Klíčová slova předvídatelnost akciových výnosů, předvídatelnost denní volatility, predikováni v různych časových horizontech, neuronové sítě, RPROP, BFGS učící algoritmus Range of thesis: 94 pages, 82 936 characters

This thesis is focused on multiple-step-ahead forecasting of Nasdaq Composite index returns and daily range-based volatility. In order to capture the complex patterns potentially hidden to traditional linear models we use artificial neural networks as nonlinear, nonparametric and robust forecasting tool. We contribute to the ongoing discussion about stock market predictability with following empiri- cal results. In case of Nasdaq Composite returns, all four applied neural networks fail to outperform benchmark model in all time horizons, suggesting high unpre- dictability in accordance with Efficient market hypothesis. Also in case of Nasdaq Composite daily range-based volatility, 1 day and 1 month ahead predictions are not significantly more accurate than benchmark model. However, we find 1-week and 2-weeks-ahead forecasts to be significantly more accurate than benchmark model and able to capture the predictive patterns. Keywords predictability of stock returns, predictability of daily range-based volatility, multiple- step-ahead forecasting, neural networks, RPROP, BFGS learning algorithm