Kierownik projektu: dr Roman Huptas
Katedra Statystyki
Konkurs: SONATA 14, panel: HS4
W literaturze finansowej badania poświęcone rynkom finansowym zazwyczaj koncentrują się na analizie cen i zwrotów oraz modelowaniu i prognozowaniu zmienności stóp zwrotu. Dlatego zdecydowanie mniej uwagi poświęcano wolumenowi obrotów. W związku z tym nasza wiedza na temat wolumenu obrotu jest znacznie mniejsza. Wolumen obrotu odgrywa jednak istotną rolę w procesie transakcyjnym i stanowi jedną z podstawowych miar płynności na rynku.
Wolumen transakcyjny najczęściej jest analizowany w kontekście badania zależności między wolumenem a innymi zmiennymi rynkowymi, takimi jak cena, stopy zwrotu lub zmienność stóp zwrotu. W ostatnich latach prognozowanie wolumenu obrotu na rynkach finansowych nie stanowiło głównego nurtu badań w ekonometrii finansowej. Obecnie sytuacja wydaje się jednak zmieniać, szczególnie w ostatnich latach kiedy na giełdach papierów wartościowych mamy do czynienia w większości z tzw. handlem algorytmicznym (ang. algorithmic trading). Wiele algorytmów stosowanych w handlu algorytmicznym wymaga jako podstawowych danych wejściowych prognoz śróddziennego wolumenu obrotu i poprawa wydajności strategii inwestycyjnych korzystających z takich algorytmów ściśle zależy od trafności prognoz wolumenu. Model generujący trafne prognozy śróddziennego wolumenu obrotu może poprawić jakość algorytmów transakcyjnych opartych na prognozach wolumenu obrotu. W związku z tym naukowcy i praktycy wykazują coraz większe zainteresowanie modelami ekonometrycznymi służącymi do modelowania i prognozowania śróddziennego wolumenu obrotu.
Głównym celem projektu jest zastosowanie bayesowskich, nieliniowych, autoregresyjnych modeli warunkowego wolumenu (ACV) do analizy dynamiki i prognozowania śróddziennego wolumenu obrotu (transakcyjnego). Innym celem projektu jest zaproponowanie i opracowanie nowych specyfikacji bayesowkich nieliniowych modeli ACV, ze szczególnym uwzględnieniem rozkładów ze zmienną wariancją dla składnika losowego w tych modelach. Ponadto, jednym z celów badań jest empiryczna weryfikacja własności prognostycznych bayesowskich nieliniowych modeli ACV poprzez analizę prognoz punktowych, prognoz przedziałowych i rozkładów predyktywnych (tzw. prognoz funkcji gęstości), a także ocena trafności postawionych prognoz. Należy zaznaczyć, że zagadnienia te nie były do tej pory rozpatrywane w literaturze przedmiotu.
Dr Roman Huptas – doktor nauk ekonomicznych w zakresie ekonomii, adiunkt w Katedrze Statystyki w Uniwersytecie Ekonomicznym w Krakowie. Absolwent matematyki stosowanej w Akademii Górniczo-Hutniczej w Krakowie. Laureat dwóch grantów Narodowego Centrum Nauki. Członek Polskiego Towarzystwa Statystycznego. Jego zainteresowania badawcze obejmują ekonometryczną analizę szeregów czasowych, ekonometrię finansową oraz zastosowanie wnioskowania bayesowskiego w ekonometrii finansowej. Aktualne zainteresowania badawcze koncentrują się na modelowaniu i prognozowaniu danych śróddzienych (tzn. danych o wysokiej i ultra-wysokiej częstotliwości) z rynków finansowych. Autor prac w międzynarodowych czasopismach z zakresu analizy i prognozowania szeregów czasowych oraz finansów ilościowych.
