Financial modelling using threshold models

Abstract

The purpose of this thesis is to explore threshold algorithms and models in financial data. The algorithm that used was regression trees and random forest and the estimated models was nonlinear GARCH models. We try to explore this combination between statistical learning algorithms and financial econometric models to predict and explain the characteristics of the data. The financial data that used was from the hedge fund industry. An industry different from the rest of the market with its own characteristics. Specifically the index that we use is CSTHFI index which represent the overall industry and we can conclude in very interesting fact. Overall the best model for one step ahead out of sample prediction using as a criterion the root mean square error, the median absolute error and the mean absolute error is the random forest and from the linear and nonlinear GARCH models the most difficult to estimate is the switching volatility GARCH.

Σκοπός της συγκεκριμένης διπλωματικής εργασίας είναι η εξερεύνηση των μοντέλων και αλγόριθμων που χρησιμοποιούν thresholds σε οικονομικά δεδομένα. Οι αλγόριθμοι που χρησιμοποιήθηκαν είναι τα regression trees και τα random forest ενώ τα μοντέλα που εκτιμήθηκαν είναι οι μη γραμμικές GARCH. Προσπαθήσαμε να εξερευνήσουμε τον συνδυασμό μεταξύ της στατιστικής μάθησης και των χρηματοοικονομικών μοντέλων για να προβλέψουμε και να εξηγήσουμε τα χαρακτηριστικά αυτών των δεδομένων. Τα χρηματοοικονομικά δεδομένα που χρησιμοποιήθηκαν είναι αυτά της βιομηχανίας των Hedge funds. Μια βιομηχανία διαφορετική από όλες τις άλλες με τα δικά της χαρακτηριστικά. Συγκεκριμένα ο δείκτης που μελετήσαμε είναι ο CSTHFI όπου είναι αντιπροσωπευτικός όλης της αγοράς των hedge funds. Τα συμπεράσματα που καταλήξαμε είναι ότι το καλύτερο μοντέλο ως προς την πρόβλεψη είναι το random forest χρησιμοποιώντας ως κριτήρια την ρίζα του μέσου τετραγωνικού σφάλματος, τον μέσο του απόλυτου σφάλματος και την διάμεσο του απόλυτου σφάλματος ενώ από τα γραμμικά και μη γραμμικά GARCH μοντέλα το πιο δύσκολο για να εκτιμηθεί είναι το switching volatility GARCH.