Schválené projekty SGS

Pokročilé metody analýzy a predikce finanční výkonnosti

SP2025/043

Projekt je zaměřen na analýzu finanční výkonnosti a predikci budoucího vývoje s využitím nejnovějších finančních modelů, a to převážně v oblasti investic a modelování tržních finančních časových řad. Konkrétní oblasti výzkumu vycházejí ze zaměření diplomových a disertačních prací jednotlivých zapojených studentů a dále z výzkumných oblastí zapojených akademických pracovníků. Konkrétně se jedná o tyto směry výzkumu: - Rozhodovací procesy na finančních trzích: ESG investice a P2P (zapojení akademičtí pracovníci: Novotná; Gurný; zapojení studenti: Giecková; Leifert; Pětroš; Procházková; Vojtášek, Tranová) - Optimalizace portoflia: sentiment, zprávy a volatilita (zapojení akademičtí pracovníci: Kresta; zapojení studenti: Gao; Xiong; Bahate; Chai; Turek; Pluskal) - Modely finančních trhů při zohlednění heterogenity (zapojení akademičtí pracovníci: Radi, Lamatnia; Kresta; zapojení studenti: Sedláková) Navrhovaný projekt navazuje na předchozí SGS projekt SP2024/047 „Analýza a predikce finanční výkonnosti“, který dále rozšiřuje. Přínosem nového projektu je rozšíření v následujicích oblastech: 1) V rámci investic na finančních trzích bude pozornost zaměřena na zohlednění ESG faktorů. Předchozí projekt se zabýval pouze P2P financováním obecně. 2) V rámci optimalizace portfolia budou vyžity pokročilé nástroje strojového učení jako XGBoost. V rámci sestavení portfolií bude uvažováno se sentimentem měřeným pomocí analýzy titulků zpráv a pokročilými modely volatility (HAR model). 3) Při modelování finančních trhů bude v porovnání s předchozím projektem pozornost zaměřena na přítomnou heterogenitu na finančních trzích (heterogenita očekávání, rizikových averzí, investičního horizontu, hetegenita aktiv ...). Rozhodovací procesy na finančních trzích: ESG investice a P2P financování v kontextu současných trendů Navrhovaný projekt bude v rámci této oblasti zaměřen na aktuální trendy v oblasti investování, přičemž klíčovou pozornost bude věnována ESG (Environmental, Social, Governance) investicím a crowdfundingovému financování, které představují významné součásti moderního finančního trhu. Rostoucí popularita ESG produktů (akcie, fondy, dluhopisy) je ovlivněna nejen regulačními požadavky, ale především změnami preferencí investorů. ESG investice jsou ve srovnání s tradičními často složitější na porozumění kvůli nedostatečné transparentnosti a obtížnému hodnocení přínosů (Amel-Zadeh a Serafeim, 2018). Jak ukazuje výzkum (např. Lusardi a Mitchell, 2014), kvalitu rozhodování investorů zlepšuje vyšší finanční gramotnost. Nicméně, vliv finanční gramotnosti na specifické investice jako jsou ESG produkty nebyl dosud dostatečně prozkoumán. Dílčím cílem tohoto projektu bude posoudit vztah mezi úrovní finanční gramotnosti a objemy investic do ESG produktů ve vybraných zemích (na makroúrovni s využitím agregovaných dat). Ukazatele finanční gramotnosti budou dále doplněny o environmentální a digitální gramotnost, které lze také propojit s ESG investováním, neboť zohledňují postoje a chování týkající se ochrany životního prostředí a přístupu k informacím. Dílčím cílem v oblasti ESG oblasti bude posoudit, zda investice s vyšším ESG hodnocením vykazují odlišný rizikově-výnosový profil oproti tradičním investicím. Pozornost bude věnována zejména vlivu ESG na výkonnost, např. Friede et. al. (2015) tvrdí, že ESG scóre má pozitivní vliv na výkonnosti v důsledku lepšího řízení rizik, nicméně Cornell (2020) uvádí, že ESG omezuje výběr aktiv a výnosy může snížit. Albuquerque et al. (2020) pak ukazují, že ESG portfolia mohou být stabilnější v době nejistoty. Jak tvrdí např. Flammer (2021), zelené dluhopisy mají podobnou výkonnost jako tradiční, ale přinášejí environmentální přínos. Záměrem projektu bude aplikace zejména na český trh a střední Evropu, včetně zahrnutí různých tříd aktiv. Důraz bude kladen na posouzení regionálních specifik (např. nízkou dostupností ESG fondů ve vybraných zemích). Použitá metodologie: • Data: OECD (International Survey of Adult Financial Literacy), Eurostat (např. demografická data, indikátory o vzdělání, ekonomická aktivita), EPI (Environmental Performance Index), DESI (Digital Economy and Society Index ), Statista, EIB, další veřejně dostupná data • Metody: Popisná analýza (např. korelační analýza), regresní analýza (např. interakce gramotností), analýza panelových dat V rámci oblasti zaměřené na fungování a využití P2P platforem bude výzkum zaměřen na specifická rizika těchto platforem a vytvoření predikčního defaultního modelu. V současné době sice roste počet a objemy financování prostřednictvím fintech produktů, nicméně tento vývoj není doprovázen poskytováním většího množství veřejně dostupných informací a dat pro analýzu rizik a investiční rozhodování. Dílčím cílem tohoto projektu bude vytvoření specifického predikčního modelu P2P platformy, jehož přínosem bude zvýšení transparentnosti a využití pro řízení kreditního rizika. V rámci projektu bude aplikována analýza přežití, která umožňuje hodnocení doby do selhání, což je zásadní aspekt řízení úvěrového rizika. Na rozdíl od tradičních modelů, které se mohou zaměřovat pouze na otázku, zda dojde k selhání úvěru, poskytuje analýza přežití časovou dimenzi. To je zejména důležité pro P2P platformy, kde včasné zásahy mohou zmírnit rizika a optimalizovat výkonnost portfolia. Použitá metodologie: • Data: Bondora (P2P platforma) • Metody: Popisná analýza (např. korelační analýza), analýza přežití (semi-parametrické a parametrické modely) Optimalizace portoflia: sentiment, zprávy a volatilita Od doby, kdy Markowitz (1952) položil základy Moderní teorie portfolia, je optimalizace portfolia předmětem velkého zájmu jak výzkumníků, tak i praktiků. V tradiční teorii optimalizace portfolia se nepočítá s vlivem pozornosti (attention) ani sentimentu (sentiment), avšak stále více studií ukazuje, že tyto mohou mít vliv na budoucí výnos nebo riziko. Kvalitativní analýza zahrnující názory investorů je tedy rozumnou alternativou pro zlepšení optimalizace portfolia (Yu et al., 2022). Ačkoli různé empirické studie zkoumaly vliv sentimentu na výnosy a volatilitu, výzkumu využití sentimentu při optimalizaci portfolia bylo dosud věnováno jen málo pozornosti. Z hlediska finančních trhů je sentiment obecným přesvědčením investorů o trhu, resp. akcii, který odráží spekulativní tendence investorů (Baker a Wurgler, 2006). Například Tetlock (2007) převzal "faktor pesimismu" ze sloupku Wall Street Journal a ukázal, že mediální pesimismus vyvíjí negativní cenový tlak na denní výnosy akciového indexu Dow Jones. Da et al. (2011) zase ověřili, že tržní sentiment má vliv na ceny akcií. Kim a Kim (2014) pak analyzovali vliv kvalitativních textových složek ve zpravodajství a na internetu na ceny akcií. Sentiment má také vliv na sestavení portfolia, např. Fu et al. (2015) rozšiřují tradiční optimalizaci portfolia o sentiment, který podle nich může ovlivnit investory při výběru optimálního portfolia. Zatímco sentiment měří, do jaké míry jsou investoři optimističtí/pesimističtí, pozornost je čistě měřítkem toho, jak hodně se investoři zaměřují (tj. si vyhledávají informace) ohledně konkrétní akcie či trhu obecně. Kromě literatury zkoumající vztah pozornosti, ceny a výnosu akcií, Hamid (2015) používá data z vyhledávačů jako měřítko pozornosti investorů a aplikuje Google Trends, aby zjistil, že volatilita a pozornost investorů vykazují v krátkém období silnou korelaci. Toho využívá i Krištoufek (2013), který navrhuje nový přístup k diverzifikaci portfolia s využitím dat z vyhledávačů a tvrdí, že využitím míry pozornosti můžeme diverzifikovat riziko. Ve výzkumu se tak zaměříme na sentiment a pozornost jako možné alternativní míry rizika. V souladu s Krištoufek (2013) můžeme považovat aktiva s vyšší mírou pozornosti (resp. vyšší hodnotou sentimentu) jako více riziková. Budeme tedy ověřovat portfoliovou strategii, kdy těmto aktivům bude dána nižší váha. Portfoliová stategie bude následně ověřena standartním způsobem pomocí optimalizace v klouzavých oknech s rebalancí portfolia. Použitá metodologie: • Data: Google Trends, Yahoo Finance; alphavantage.co • Metody: backtestning; optimalizace portoflia Rostoucí složitost finančních trhů vyžaduje inovativní přístupy, které překračují možnosti tradičních ekonometrických modelů. Strojové učení (machine learning; ML) se ukazuje jako efektivní nástroj pro zlepšení predikce tržních výnosů a řízení portfolia. Tradiční modely často spoléhají na předdefinované předpoklady a lineární vztahy, které nedokážou zachytit nelineární dynamiku a komplexní interakce ve finančních datech (Sun et al., 2023; Zhou et al., 2023). V rámci tohoto směru výzkumu budeme zkoumat, jak mohou metody strojového učení, zejména ensemble learning, zvýšit přesnost predikce akciových výnosů a zlepšit strategie alokace aktiv. Využití pokročilých ML metod umožní nejen přesnější predikce, ale také adaptivní reakce na volatilní podmínky na trzích. Budeme uvažovat implementaci různých ML modelů (Decision Tree Regressor, Linear Regression, Support Vector Regressor, K-Nearest Neighbors Regressor and Multi-Layer Perceptron Regressor) k predikci výnosů a rizika akcií. Pro další zlepšení predikční přesnosti budou využity ensemble metody, včetně Random Forest, Gradient Boosting a Extreme Gradient Boosting (XGBoost) (Sagi & Rokach, 2018; Webb & Zheng, 2004). Predikované výnosy budou použity jako vstupy do optimalizačních úloh, například Mean-Variance (MV), Mean-Semi-Deviation (MSV) nebo Mean-CVaR (MCVaR). Tento přístup umožní komplexní posouzení, jak predikční vylepšení přispívají k výkonnosti investičních strategií, přičemž portfolia budou optimalizována jak z hlediska řízení rizika, tak očekávaného výnosů. Integrace strojového učení do optimalizace portfolia přináší významné výhody. Ensemble metody, jako je boosting a stacking, eliminují slabiny jednotlivých predikčních modelů agregací jejich výstupů, což vede k robustnějším a přesnějším predikcím (Wang et al., 2020; Zenko et al., 2001). Tyto predikce, pokud jsou použity jako vstupy pro konstrukci portfolia, mohou zlepšit klíčové metriky, jako jsou kumulativní výnosy, výnosy očištěné o riziko a maximální poklesy hodnoty portfolia. Dále hybridní modely, které kombinují hluboké učení s ensemble přístupy, dokážou dynamicky reagovat na změny tržních podmínek, čímž řeší problémy jako vysoká dimenzionalita, šum v datech nebo změny režimů na trzích (Liu et al., 2024; Yang et al., 2023). Součástí tohoto směru bude rovněž modelování a predikce rizika v podobě relalizované volatility (realized volatility; RV). Bude ověřeno, zda lze využít ML modely k predikci RV a zda tyto překonávají standartní lineární modely. Konkrétně bude porovnána přesnost predikce pomocí ML modelů s HAR modelem (Corsi, 2009). Použitá metodologie: • Data: Yahoo Finance; alphavantage.co • Metody: ML modely, převážně XGBoost; HAR model; modely optimalizace portofolia, konkrétně MV, MSV, MCVaR a modely založené na paritě rizika (equal risk parity portfolia). Modely finančních trhů při zohlednění heterogenity Také očekávání investorů mají zásadní roli při tvorbě investičních rozhodnutí a vliv na celkovou dynamiku trhu. Pro analýzu tohoto jevu se využívají Learning to Forecast experimenty, které slouží k pochopení toho, jak lidé tvoří svá individuální očekávání a jak se následně tato očekávání promítají na finančních trzích či do makroekonomiky. Koncept Learning to Forecast (dále jen LtF) experimentů byl představen v Marimon et al. (1993). Účastníci v těchto experimentech hrají roli profesionálních prognostiků (Hommes, 2011; Hommes et al. 2021) a jejich úkolem je stanovovat svá očekávání ohledně nejrůznějších ekonomických ukazatelů např. ceny aktiva, inflační míry apod. Jakmile jsou shromážděna očekávání veškerých účastníků, je dopočítána realizovaná hodnota dané proměnné, což se opakuje pro mnoho po sobě jdoucích period. Laboratorními experimenty je tedy možné analyzovat, jak různé dostupné informace ovlivňují očekávání subjektů. Lze tak například zkoumat vliv historického vývoje na volatilitu ceny aktiva (Anufriev et al., 2022) nebo vliv nejrůznějších informací na budoucí očekávání, a tedy i budoucí dynamiku trhu. Hennequin (2022) prováděla LtF experiment, který byl založen na dvou fázích. V první fázi byl účastník součástí trhu, kde působilo pět robotů, prostřednictvím kterých byl zajištěn určitý cenový vývoj. Zde byl účastník součástí buď stabilního trhu s velmi malými odchylkami a konvergující k fundamentální hodnotě, nebo trhu, který byl charakteristický velmi výraznými bublinami. V druhé fázi byl trh složen pouze z účastníků. Z výsledků jejího experimentu je zřejmé, že byl prokázán vliv první fáze na dynamiku trhu v druhé fázi. Konvergence k fundamentální hodnotě byla mnohem rychlejší ve skupinách, kde všechny subjekty zažily v první fázi stabilní vývoj. Naopak výskyt a vznik bublin byl typický pro skupiny, kde účastníci prožili velmi výrazné výkyvy na trhu v první fázi experimentu. Vliv investičního horizontu na volatilitu ceny aktiva je studován v Anufriev et al. (2022). Účastníci obdrželi na začátku experimentu cenovou historii rizikového aktiva, které bylo charakteristické buď velmi stabilním cenovým vývojem, nebo volatilnějším historickým vývojem. Jednotlivé varianty experimentu se tak odlišovaly investičním horizontem a historií ceny aktiva. Oproti experimentu prováděného Hennequin (2022) zde účastník pouze pozoruje předchozí vývoj, který ale nezažil. Z jejich výsledků je jasné, že bez ohledu na délku investičního horizontu byla prokázána nízká volatilita ceny aktiva, pokud byl historický vývoj stabilní. Vývoj a porovnání závěrů z LtF experimentů je možné nalézt také v Bao et al. (2021). Prvotní data byla získána v rámci šesti laboratorních experimentů se studenty Ekonomické fakulty z VŠB–TUO. Experimenty se uskutečnily v průběhu října a listopadu 2022 a v období dubna a května 2023 a celkově se jich zúčastnilo 52 studentů Ekonomické fakulty. V případě tří experimentů se jednalo o kombinaci nových účastníků s účastníky, kteří se již experimentu jednou zúčastnili. Žádný student se nezúčastnil experimentu více než dvakrát. Laboratorní experimenty byly provedeny na počítačové učebně, kde všichni účastníci působili ve stejném čase na totožném trhu v souladu s pravidly LtF experimentů. Výše popsané již proběhlé experimenty lze dále rozšířit v komplexnější LtF experimenty, kdy bude na trhu centrální banka, která bude v případě vzniku bubliny (resp. výrazného podhodnocení) na toto reagovat zvýšením (respektive snížením) úrokových sazeb. Srovnáním vývoje aktiv v experimentech bez a s centrální bankou pak lze zkoumat, zda centrální banka má vliv na chování účastníků trhu a zda může zamezit vzniku bublin. V rámci tohoto směru budeme zkoumat, jaký vliv na vznik bublin má prvotní nastavení podmínek LtF experimentů a jak jednotliví účastníci tvoří svá očekávání budoucího cenového vývoje. Použitá metodologie: • Data: již získaná prvotní data • Metody: popisná statistika; statistické testy, např. Mann–Whitney jednostranný test; nebo Levene test Tento výzkum se bude dále zaměřovat na pokročilé modelování finančních trhů a makroekonomiky s důrazem na interakci heterogenních agentů, aktiv a očekávání. Klíčovými oblastmi jsou dynamika oceňování aktiv při různých investičních horizontech a odlišné ochotě podstupovat riziko, integrace zelených a hnědých aktiv pro hodnocení finančních rizik spojených se změnou klimatu a aplikace adaptivní racionální rovnováhy a dynamiky v tržním chování. Makroekonomická část zahrnuje vývoj nového keynesiánského modelu, který reviduje Taylorovo pravidlo pro účinnější kontrolu inflace. Cílem výzkumu je přinést hlubší vhled do komplexity tržního chování a dopadů politik v kontextu současných globálních výzev. Použitá metodologie: • Data: teoretické modely založené na simulovaných datech • Metody: modely oceňování kapitálových aktiv Časový harmonogram řešení Vzhledem k délce řešení projektu (necelý rok), lze konstatovat, že práce na jednotlivých tématech budou probíhat paralelně, a to po celou dobu řešení projektu. V rámci řešení projektu předpokládáme standartní průběh: nejdříve (první čtvrtletí) se budeme věnovat studiu literatury, rozšíření a aktualizaci datové základny a práci s ní; následně (druhé a třetí čtvrtletí) sestavíme a odhadneme jednotlivé modely, jejichž výsledky budou spolu s diskuzí a závěry prezentovány na konferencích a následně submitovány do jednotlivých časopisů (třetí a čtvrté čtvrtletí). Lze předpokládat, že revize jednotlivých již zaslaných příspěvků budou probíhat i v následujícím roce 2026. Reference Albuquerque, R. A., Koskinen, Y., Yang, S., & Zhang, C. (2020). Resiliency of environmental and social stocks: An analysis of the exogenous COVID-19 market crash. Review of Corporate Finance Studies, 9(3), 593–621. Amel-Zadeh, A., & Serafeim, G. (2018). Why and how investors use ESG information: Evidence from a global survey. Financial Analysts Journal, 74(3), 87–103. Baker, M., & Wurgler, J. (2006). Investor sentiment and the cross‐section of stock returns. The Journal of Finance, 61(4), 1645–1680. Cornell, B. (2020). ESG preferences, risk, and return. European Financial Management, 27(1), 12–19. Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174–196. Da, Z., Engelberg, J., & Gao, P. (2011). In search of attention. The Journal of Finance, 66(5), 1461–1499. Flammer, C. (2021). Corporate green bonds. Journal of Financial Economics, 142(2), 499–516. Friede, G., Busch, T., & Bassen, A. (2015). ESG and financial performance: Aggregated evidence from more than 2000 empirical studies. Journal of Sustainable Finance & Investment, 5(4), 210–233. Fu, C., Jacoby, G., & Wang, Y. (2015). Investor sentiment and portfolio selection. Finance Research Letters, 15, 266–273. Hamid, A., & Heiden, M. (2015). Forecasting volatility with empirical similarity and Google Trends. Journal of Economic Behavior & Organization, 117, 62–81. Kim, S. H., & Kim, D. (2014). Investor sentiment from Internet message postings and the predictability of stock returns. Journal of Economic Behavior & Organization, 107, 708–729. Kristoufek, L. (2013). Can Google Trends search queries contribute to risk diversification? Scientific Reports, 3, 2713. Liu, C., Li, S., & Shi, L. (2024). A stock price manipulation detecting model with ensemble learning. Expert Systems with Applications, 248, 123479. Lusardi, A., & Mitchell, O. S. (2014). The economic importance of financial literacy: Theory and evidence. Journal of Economic Literature, 52(1), 5–44. Markowitz, H. (1952). The utility of wealth. Journal of Political Economy, 60(2), 151–158. Sagi, O., & Rokach, L. (2018). Ensemble learning: A survey. WIREs Data Mining and Knowledge Discovery, 8(4), e1249. Sun, Z., Harit, A., Cristea, A. I., Wang, J., & Lio, P. (2023). MONEY: Ensemble learning for stock price movement prediction via a convolutional network with adversarial hypergraph model. AI Open, 4, 165–174. Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. The Journal of Finance, 62(3), 1139–1168. Wang, F., Li, Y., Liao, F., & Yan, H. (2020). An ensemble learning-based prediction strategy for dynamic multi-objective optimization. Applied Soft Computing, 96, 106592. Webb, G., & Zheng, Z. (2004). Multistrategy ensemble learning: Reducing error by combining ensemble learning techniques. IEEE Transactions on Knowledge and Data Engineering, 16(8), 980–991. Yang, Y., Lv, H., & Chen, N. (2023). A survey on ensemble learning under the era of deep learning. Artificial Intelligence Review, 56(6), 5545–5589. Yu, J.-R., et al. (2022). Dynamic rebalancing portfolio models with analyses of investor sentiment. International Review of Economics & Finance, 77, 1–13. Zenko, B., Todorovski, L., & Dzeroski, S. (2001). A comparison of stacking with meta decision trees to bagging, boosting, and stacking with other methods. Proceedings 2001 IEEE International Conference on Data Mining, 669–670. Zhou, Z., Song, Z., Ren, T., & Yu, L. (2023). Two-stage portfolio optimization integrating optimal Sharp ratio measure and ensemble learning. IEEE Access, 11, 1654–1670.

2025

2025

Ministerstvo školství, mládeže a tělovýchovy

SGS

Specifický výzkum VŠB-TUO

Kresta Aleš doc. Ing., Ph.D.