4. De mit csinál a forint?!
Preber si túto prednášku so svojou AI
Skopíruj pripravený podklad a vlož ho do ChatGPT, Claude alebo inej AI — bude ťa učiť alebo skúšať len z tejto prednášky.
Zhrnutie prednášky
Prednáška porovnáva štatistické vlastnosti výmenných kurzov forint/dolár a euro/dolár na minútových, hodinových, denných a štvrťročných dátach (minútové a hodinové od septembra minulého roka, denné a štvrťročné za 20 rokov; zdroj Refinitiv, výpočty v MATLABe a EViews). Skúma sa, do akej miery sa empirické rozdelenie zhoduje s normálnym alebo stabilným rozdelením, či sa vyskytuje autokorelácia a heteroskedasticita, a modeluje sa podmienená volatilita (GARCH, EGARCH) a korelácia (DCC-GARCH). Ukazuje sa, že pri vyššej frekvencii sú ťažké chvosty a odchýlky od normality výrazne silnejšie, pričom forint je volatilnejší a menej symetrický než euro. S klesajúcim rozlíšením sa rozdelenie približuje k normálnemu, no tučné chvosty pretrvávajú aj pri dennej frekvencii.
- - Porovnáva sa forint a euro voči doláru na minútovej, hodinovej, dennej a štvrťročnej frekvencii.
- - Klasická efektívnosť trhu predpokladá normálne rozdelenie a absenciu autokorelácie, čo dáta pri vyššej frekvencii nespĺňajú.
- - Minútové a hodinové rady majú výrazne ťažké chvosty; stabilné rozdelenie ich opisuje lepšie ako normálne.
- - Forint sa pohybuje viac než euro, má častejšie extrémne výkyvy a slabšiu štrukturálnu stabilitu.
- - GARCH/EGARCH zachytáva zhlukovanie volatility a asymetrický efekt, DCC-GARCH časovo premenlivú koreláciu a možné zmeny režimu.
- - S klesajúcou frekvenciou (denné, štvrťročné dáta) sa rady približujú normálnemu rozdeleniu a testy normality či autokorelácie sa stávajú priaznivejšími.
- - Ťažké chvosty pretrvávajú aj pri dennej frekvencii, takže stratégie kalibrované na normálne rozdelenie môžu priniesť prekvapenia.
Zhrnutie pripravené s pomocou AI z prepisu videa.
nechodím na prednášky