Sökning: "Prediktion av volatilitet"

Visar resultat 1 - 5 av 6 uppsatser innehållade orden Prediktion av volatilitet.

1. 1. Predicting Stock Price Direction for Asian Small Cap Stocks with Machine Learning Methods

   Master-uppsats, KTH/Matematik (Avd.)

   Författare :Tina Abazari; Sherwin Baghchesara; [2021]
   Nyckelord :Machine Learning; Classification; Classification Trees; Random Forest; Support Vector Machine; Logistic Regression; Stocks; Stock Market; Asset Management; Investments; Asia; Small Cap; Micro Cap; Maskininlärning; Klassificering; Klassificeringsträd; Random Forest; Support Vector Machine; Logistisk Regression; Aktier; Aktiemarknad; Fondförvaltning; Investeringar; Asien; Småbolag; Mikrobolag.;

   Sammanfattning : Portfolio managers have a great interest in detecting high-performing stocks early on. Detecting outperforming stocks has for long been of interest from a research as well as financial point of view. Quantitative methods to predict stock movements have been widely studied in diverse contexts, where some present promising results. LÄS MER

3. 2. A test of GARCH models onCoCo bonds

   Master-uppsats, KTH/Skolan för industriell teknik och management (ITM)

   Författare :JIMMY HENRIKSSON; [2021]
   Nyckelord :ARCH; GARCH; CoCo-bonds; Additional Tier-1; Volatility; Volatility forecasting; ARCH; GARCH; CoCo-obligationer; AT1; Volatilitet; Prediktion av volatilitet; Prognotisering av volatilitet;

   Sammanfattning : This research investigates to what extent the ARCH model and the GARCH model forecasts one-day-ahead out-of-sample daily volatility (conditional variance) in European AT1 CoCo bonds compared to the Random Walk model. The research also investigates how different orders of ARCH and GARCH models affect the forecasting accuracy. LÄS MER

4. 3. Aktiehandel prediktion med transformermodel : En jämförelsestudie om hur transformermodell presterar emot CNN, LSTM och TransformerCNN hybrid-modell

   Kandidat-uppsats, Högskolan i Skövde/Institutionen för informationsteknologi

   Författare :Marcus Lorén; [2021]
   Nyckelord :;

   Sammanfattning : Detta arbete har syftet att träna och testa en transformermodell på börsdata. Transformermodeller används överallt och har haft stora framgångar inom språkbehandling, datorsyn och självkörande bilar (Carion m.fl., 2020; Dickson 2021, 3 juli; Brown m. LÄS MER

5. 4. Portfolio Performance Optimization Using Multivariate Time Series Volatilities Processed With Deep Layering LSTM Neurons and Markowitz

   Master-uppsats, KTH/Matematisk statistik

   Författare :Aron Andersson; Shabnam Mirkhani; [2020]
   Nyckelord :Recurrent Neural network RNN ; long short-term memory LSTM ; portfolio optimization; markowitz; exponential moving average; sharpe ratio; heteroskedasticity; Markowitz;

   Sammanfattning : The stock market is a non-linear field, but many of the best-known portfolio optimization algorithms are based on linear models. In recent years, the rapid development of machine learning has produced flexible models capable of complex pattern recognition. LÄS MER

7. 5. Modellering av volatilitet med Google Trends

   Kandidat-uppsats, Uppsala universitet/Statistiska institutionen

   Författare :Filip Björnsjö; Per Henckel; [2018]
   Nyckelord :volatilitet; Sökord; Google;

   Sammanfattning : Denna uppsats har undersökt om det är möjligt att predicera volatilitet på aktiemarknaden med hjälp av sökordsdata från Google. Trettio finansrelaterade termer valdes ut i predicerande syfte och en binär targetvariabel för volatilitet konstruerades. LÄS MER