Využití strojového učení při predikci volatility

Abstract

Tato diplomová práce se zaměřuje na modelování realizované volatility indexu S&P 500 s využitím tradičních statistických modelů (EWMA, GARCH, HAR) a vybraných metod strojového učení (XGBoost, CatBoost). Cílem je porovnat přesnost předpovědí volatility na základě historických minutových dat a vyhodnotit, zda pokročilé algoritmy strojového učení mohou předčit klasické přístupy. Teoretická část práce definuje základní pojmy, jako je volatilita či realizovaná volatilita, a popisuje klíčové modely využívané na finančních trzích. Dále představuje koncept strojového učení se zaměřením na metody supervised learning. V praktické části je následně provedena analýza dat, výpočet denní, týdenní a měsíční realizované volatility a trénink jednotlivých modelů. Jejich predikční schopnosti jsou hodnoceny pomocí vybraných statistických metrik. Ze zjištěných výsledků vyplývá, že modely založené na strojovém učení mohou v některých případech dosahovat vyšší přesnosti než klasické modely, a mohou tak sloužit jako efektivní nástroj pro správu portfolií a řízení rizik.

This thesis focuses on modeling the realized volatility of the S&P 500 index by employing both traditional statistical models (EWMA, GARCH, HAR) and selected machine learning methods (XGBoost, CatBoost). The primary objective is to compare the accuracy of volatility forecasts using historical minute data and to evaluate whether advanced machine learning algorithms can outperform classic approaches. The theoretical part defines key concepts such as volatility and realized volatility and describes the main models used in financial markets. It also introduces the concept of machine learning, with an emphasis on supervised learning methods. The practical part includes data analysis, the calculation of daily, weekly, and monthly realized volatility, and the training of individual models. Their predictive capabilities are assessed using selected statistical metrics. The results indicate that machine learning models can, in some cases, offer higher accuracy compared to traditional models, thus serving as an effective tool for portfolio management and risk control.