Schválené projekty SGS

Inovativní přístupy k řízení rizik na různorodých finančních trzích

SP2025/003

Projekt se zaměřuje na identifikaci a hodnocení jak klasických, tak i pokročilých rizikových metrik, které zohledňují specifika a odlišnosti preferencí investorů a jsou schopné adaptace na dynamické tržní podmínky. V rámci projektu budou rovněž analyzovány časově závislé míry rizika pro různé investiční strategie a tržní anomálie, přičemž zvláštní pozornost bude věnována vlivu iracionálních rozhodnutí investorů na volatilitu a rizikovost investic. Výstupem bude návrh inovativních postupů v řízení rizik, které umožní lepší predikci a adaptaci na tržní anomálie a další nestandardní podmínky, s cílem zvýšit stabilitu a efektivitu investičních rozhodnutí. Hlavním cílem projektu je analyzovat a navrhnout nové metody řízení rizik, které zohledňují tržní nejistoty, anomálie, flexibilitu a iracionální chování investorů. Projekt se zaměřuje na vývoj adaptivních rizikových metrik, které umožní efektivnější predikci a řízení rizik pro různé typy investic v dynamickém tržním prostředí. Při řešení projektu je klíčovým cílem rozvoj a využití pokročilých komplexních metod a přístupů, které již byly publikovány vysoce uznávanými výzkumníky (Fabozzi, Ortobelli, Rachev, Rockafellar, Uryasev, etc.) nebo vznikly v rámci řešení předchozích projektů, na nichž se podíleli členové řešitelského týmu (viz uvedená literatura v další části žádosti). Při rešerši literatury je možné nalézt mnoho publikací v souladu s cílem projektu, ze kterých se bude vycházet. Rovněž v ní můžeme nalézt prostor pro mnoho analýz. Zvláštní pozornost je věnována vývoji a analýze nových měr rizika a inovativních metod modelování rizik v komplexním prostředí finančních trhů. Tyto úlohy mohou být dále rozšířeny o oblasti investičního rozhodování, oceňování derivátů, analýzu vzájemných vazeb mezi institucemi finančního systému, měření tržního a systémového rizika a identifikaci specifických rizikových faktorů s cílem lépe reflektovat dynamiku a nejistoty současných trhů, jelikož těmto tématům se řešitelský tým se spolupracujícími výzkumníky rovněž věnuje. Specifický prostor bude věnován zkoumání měřítek rizika zohledňující aspekt času, viz. [17, 18, 30], případně aplikace entropie pro měření rizika, viz. [19]. Projekt částečně staví na výsledcích předchozích výzkumných aktivit, realizovaných například pod vedením prof. Tichého a navrhovatele tohoto projektu, na nichž navrhovatel rovněž významně participoval. Očekává se také dokončení některých výzkumných směrů zahájených v minulých letech. Příklady těchto projektů zahrnují: Stochastické modelování finančních investic na různorodých trzích (2024), Analýza komplexních modelů pro finanční rozhodování (2022), Analýza komplexních modelů finančního rizika (2021) nebo Analýza komplexních finančních modelů s důrazem na tržní, kreditní a systémové riziko (2020). Tento projekt by měl rovněž navázat na podporu výzkumné činnosti studentů doktorského studia a mladých výzkumníků. Uveďme, že v minulých letech například obhájili disertačních prací (Barak, Cassader, Dvořáčková, Feng, Guan, Neděla, Torri), v angličtině, a podařilo se jim publikovat velké množství článků v časopisech, mnohdy s IF nad mediánem oboru, včetně Q1/D1. Navázání hlubší spolupráce MGR a DRS studentů zahrnutých do projektů s mladými a seniorními výzkumníky, kteří jsou nebo byli zařazeni jako členové řešitelského týmu v obdobných projektech jistě přispěje k jejich pokroku ve studiu. Toto navázání kontaktů proběhne i formou povinné stáže, kterou DRS studenti budou v příštím roce absolvovat. Již v předešlých projektech, kde část řešitelského týmu tvořili současní řešitelé, byla pozornost věnována hlubší analýze odhadů rizik [5, 13, 16, 17, 29]. Další oblastí, která souvisí s modelováním rizik je využití Lévyho modelů [6, 13, 20]. Následně se soustředily na zkoumání tržních anomálií a souvisejících arbitrážních příležitostí [14, 15, 27, 28], analýzu vlivu různých tržních charakteristik na rovnovážné oceňování aktiv [1, 16, 22] a aplikaci specifických modelů komplexní povahy [8, 11, 12, 25], včetně přístupů založených na teorii sítí. Při řešení otázek v rámci předchozích projektů a přípravě výstupů (publikací) se členové řešitelského týmu a jejích kolegové zabývali řadou klíčových otázek, které se týkaly přínosu navrhovaných modelů k efektivní analýze rizik jednotlivých subjektů v komplexním a různorodém tržním prostředí. Na část těchto otázek bylo zodpovězeno v těchto publikacích [1, 24, 26, 28], avšak některé stále zůstávají nezodpovězené. V posledních letech se rovněž kladla pozornost na zkoumání nelineární dynamiky v chování a rozhodování jednotlivců [1, 2]. Další oblast zájmu představují behaviorální postoje subjektů včetně jejich analýzy [3, 4, 9]. V neposlední řadě se věnoval důraz zkoumání a predikci systémového rizika dle tržních indikátorů [14, 19, 29]. Zbytek uvedené literatury je zaměřen na aktuální problémy související se zkoumanou problematikou. Připomeňme, že tradiční i moderní přístupy k řízení a modelování rizik jsou často postaveny na předpokladech diskrétních výnosů, normálního rozdělení, lineární závislosti. Rovněž pro většinu měr rizika se zkoumá koherence, která představuj podklad pro konzistentní a intuitivní řízení rizika. Tyto základní modely dále předpokládají rizikovou averzi subjektů, jejich homogenní očekávání a racionální rozhodování na základě dostupných informací. V praxi však tržní podmínky vykazují výraznou šikmost a špičatost výnosů, stejně jako nelineární a nesymetrické závislosti mezi rizikovými faktory. Tyto odchylky od standardních předpokladů vedou k nutnosti aplikace pokročilých metod, které umožňují lépe zachytit rizikové charakteristiky, jako jsou složené modely či komplexní míry rizika zachycující faktor času. Tyto přístupy nejenže reflektují reálněji tržní podmínky, ale také umožňují identifikaci a řízení tržních anomálií. Řada těchto inovativních přístupů byla publikována členy výzkumného týmu, přičemž slouží jako dodatečná literatura pro studium pokročilých metod řízení rizik. Výzkumná činnost v rámci řešení tohoto projektu je zaměřená na 4 hlavní oblastí (zařazení členů týmu k jednotlivým oblastem výzkumné činnosti je detailně popsáno v další části žádosti): 1) Představení metodologie porovnávání veřejných fondů s využitím trendové míry rizika a makroekonomických ukazatelů včetně zkoumání jejich vztahů a dominance 2) Navržení měřítek a indikátorů pro detekci a predikci systémového rizika na finančních trzích a zkoumání případného využití v oblasti teorie portfolia 3) Analýza rozhodování heterogenních agentů dle postoje k riziku v investičním procesu pomocí nelineárních a dynamických modelů – případné experimenty s využitím finančních dat 4) Navržení pokročilých modelů pro vyhodnocování flexibility na finančních trzích Potenciálními uživateli výsledků výzkumu jsou regulační orgány, které mohou využít metodologie k hodnocení stability veřejných fondů, detekci systémového rizika a analýze flexibility finančních trhů. Investiční společnosti, správci fondů, a portfolio manažéři mohou aplikovat navržené indikátory a modely k porovnávání výkonnosti fondů, řízení rizik, úpravě investičních strategií a predikci tržních pohybů. V neposlední řadě je zde přesah pro ekonomy či výzkumníky, kteří mohou dále rozvíjet zkoumání investičního chování na finančních trzích. Nakonec podniky a korporace mohou aplikovat poznatky o flexibilitě finančních trhů při rozhodování o investičních a finančních strategiích. Ačkoliv je výzkumná činnost zaměřena na několik směrů, kterým bude současně věnována pozornost, lze obecně stanovit rozdělení práce do jednotlivých kalendářních čtvrtletí takto: studium literatury, rozšíření a aktualizace datové základny a práce s ní (1. čtvrtletí); studium literatury, sestavení jednotlivých typů modelu, publikace prvních dílčích výsledků (2. čtvrtletí); studium literatury a vyhodnocení vybraných postupů (3. čtvrtletí); formulace a publikace ucelených výsledků řešení projektu (4. čtvrtletí). V harmonogramu činností projektu, rozděleném do jednotlivých etap řešení, budou při zkoumání specifikovaných problémů analyzovány jak klasické přístupy a metody, které poslouží jako benchmark pro porovnání (např. statické míry rizika, koherentní míry rizika, trendové míry rizika, normální rozdělení, mean-variance přístup, lineární závislost), tak i jejich pokročilé modifikace reflektující reálné podmínky finančních trhů. Tyto modifikace budou zahrnovat metody schopné zachytit aspekt času a dynamiky při měření rizika, nelineární závislosti, asymetrie, šikmost a další aspekty finančních časových řad. Zvláštní důraz bude kladen na analýzu chování účastníků finančních trhů, přičemž budou zohledněny jejich odlišnosti od standardních racionálních modelů. Součástí řešení projektu bude rovněž návrh a implementace systémů včasného varování (early warning systems), které umožní identifikovat potenciální tržní rizika a anomálie v reálném čase, čímž podpoří efektivnější řízení rizik a preventivní opatření. Rozšířením tradičních metod budou tyto přístupy lépe přizpůsobeny dynamickým tržním podmínkám, což umožní detailní analýzu různých rizikových ukazatelů, včetně těch, které zohledňují časovou závislost nebo její absenci. Tento přístup podpoří vývoj nástrojů pro komplexnější modelování a řízení rizik. V neposlední řadě se budeme v rámci projektu věnovat nelineární dynamice v rozhodovacích modelech na různých trzích. Co se týče datové základny, pro řešení dílčích částí projektu budou zejména využívána veřejně dostupná data (časové řady cen finančních aktiv, úrokové sazby, atd.) společně s interními, které jsou potřeba pro vyhodnocení flexibility rozhodovacích úloh. U veřejně dostupných tržních dat, předpokládá se využití dat z Refinitiv Eikon případně Yahoo Finance či Investing. U specifických problémů zaměřených na chování jednotlivců proběhne bude využíváno primárních dat k tomu navržených experimentů. Případná specifická data budou shromažďována dle potřeby. [1] Antoci, A., Borghesi, S., Iannucci, G., Sodini, M. Should I stay or should I go? Carbon leakage and ETS in an evolutionary model. Energy Economics 103, 105561, 2021. [2] Antoci, A., Borghesi, S., Galdi, G., Sodini, M., Ticci, E. Maladaptation in an unequal world: an evolutionary model with heterogeneous agents. Annals of Operations Research, 337(3), 1089-1110, 2024. [3] Anufriev, M., Gardini, L., Radi, D. Chaos, border collisions and stylized empirical facts in an asset pricing model with heterogeneous agents. Nonlinear Dynamics, 2020 [4] Anufriev, M., Tichý, T., Lamantia, F., Radi, D. An asset pricing model with accuracy-driven evolution of heterogeneous expectations. Communications in Nonlinear Science and Numerical Simulation, 117, 2023, 106975, https://doi.org/10.1016/j.cnsns.2022.106975. [5] Arab, I., Lando, T., Oliveira, P. Second-order stochastic comparisons of order statistics. Statistics, 55(3), 561-579, 2021. [6] Ballestra, L.V., Pacelli, G., Radi, D. Modeling CDS spreads: A comparison of some hybrid approaches. Journal of Empirical Finance, 57, 107-124, 2020. [7] Bischi, B.I., Lamantia, F. Evolutionary oligopoly games with cooperative and aggressive behaviors. Journal of Economic Interaction and Coordination, 17(1), 3-27, 2020. [8] Dominguez, R., Vitali, S. Multi-chronological hierarchical clustering to solve capacity expansion problems with renewable sources. Energy, 227, 120491, 2021. [9] Dvořáčková, H., Tichý, T., Jochec, M. How are limit orders affecting the disposition effect on highly liquid markets – Experimental finance evidence. Journal of Behavioral Finance, 24(3), 290-302, 2021. [10] Gori, L., Purificato, F., Sodini, M. Green quality choice in a duopoly. Metroeconomica, 75(4), 438-474, 2024. [11] Hariri-Ardebili, M.A., Barak, S. A series of forecasting models for seismic evaluation of dams based on ground motion meta-features. Engineering Structures, 203, 109657, 2020. [12] Holčapek, M., Nguyen, L., Tichý, T. Polynomial alias higher degree fuzzy transform of complex-valued functions. Fuzzy Sets and Systems, 342, 1-31, 2018. [13] Hozman, J., Tichý, T. DG framework for pricing European options under one-factor stochastic volatility models. Journal of Computational and Applied Mathematics, 344, 585-600, 2018. [14] Kouaissah, N., Orlandini, D., Ortobelli, S., Tichý, T. Theoretical and practical motivations for the use of the moving average rule. IMA Journal of Management Mathematics, 31(1), 117–138, 2020. [15] Kouaissah, N., Ortobelli, S., Jebabli, I. Portfolio selection using multivariate semiparametric estimators and a copula PCA-based approach. Computational Economics, 60, 833–859, 2022. [16] Lando, T., Arab, I., Oliveira, P. Transform orders and stochastic monotonicity of statistical functionals. Scandiavian Journal of Statistics. DOI: 10.1111/SJOS.12629. [17] Neděla, D., Ortobelli, S., Tichý, T. Mean-variance vs. trend-risk portfolio selection. Review of Managerial Science, 18, 2047–2078, 2024. [18] Neděla, D., Ortobelli, S., Tichý, T. Dynamic return scenario generation approach for large-scale portfolio optimisation framework. Computational Economics, 2024. https://doi.org/10.1007/s10614-023-10541-w. [19] Neděla, D., Tichý, T., Torri, G. Systemic risk detection using an entropy approach in portfolio selection strategy. Decisions in Economics and Finance, 2024. https://doi.org/10.1007/s10203-024-00501-w. [20] Ortobelli, S., Kouaissah, N., Tichý, T. On the use of the conditional expectation in portfolio selection problems. Annals of Operations Research, 274(1-2), 501-530, 2019. [21] Ortobelli, S., Cassader, M., Vitali, S., Tichý, T. Portfolio selection strategy for the fixed income markets with immunization on average. Annals of Operations Research, 260(1-2), 395-415, 2018. [22] Radi, D., Lamantia, F., Tichý, T. Hybrid dynamics of multi-species resource exploitation. Decisions in Economics and Finance, 44, 559–577, 2021. [23] Radi D., Hoang V.P., Torri G., Dvorackova H. (2021) A revised version of the Cathcart & El-Jahel model and its application to CDS market. Decisions in Economics and Finance, 44, 669–705, 2021. [24] Raihifar, A., Tareghian, H.R., Salehnia, N., Tichy, T., Bastani, M. Modelling OPEC profit based on economics and political variables. Energy Systems, 15(3), 1105-1125, 2022. [25] Tichý, T., Nguyen, L., Holčapek, M., Kresta, A., Dvořáčková, H. Quarterly sales analysis using linguistic fuzzy logic with weather data. Expert Systems with Applications, 203, 117345, 2022. [26] Tichý, T., Radi, D., Lamantia, F. Hybrid evolutionary oligopolies and the dynamics of corporate social responsibility. Journal of Economic Interaction and Coordination, 17(1), 87-114, 2020. [27] Torri, G., Giacometti, R., Tichý, T. Network tail risk estimation in the European banking system. Journal of Economic Dynamics & Control, 127, 104125, 2021 [28] Torri, G., Giacometti, R. Financial contagion in banking networks with community structure. Communications in Nonlinear Science and Numerical Simulation, 117, 106975, 2023, https://doi.org/10.1016/j.cnsns.2022.106975. [29] Torri, G., Radi, D., Dvořáčková, H. Catastrophic and systemic risk in the non-life insurance sector: A micro-structural contagion approach. Finance Research Letters, 47B (102718), 2022 [29] Ruttiens, A. Portfolio risk measures: The time’s arrow matters. Computational Economics, 41, 407–424 (2013).

2025

2025

Ministerstvo školství, mládeže a tělovýchovy

SGS

Specifický výzkum VŠB-TUO

Neděla David Ing., Ph.D.