Application of Histogram-valued time series data for econometric models

การประยุกต์ใช้ข้อมูลอนุกรมเวลาแบบฮิสโทแกรมสำหรับแบบจำลองเศรษฐมิติ

Name: Wilawan Srichaikul

LCSH: Econometrics

LCSH: Time-series analysis

LCSH: Histogram

Abstract: In financial markets, asset prices (stocks, bonds, exchange rates, etc.) are high-frequency data, such as tick-by-tick information recorded every second. Throughout the day, asset prices fluctuate continuously before settling at the closing price. Consequently, the closing price each day does not capture the full extent of price volatility throughout the day. Relying solely on such data may overlook intraday volatility and the distribution patterns of prices, potentially leading to inaccuracies or errors when estimating values from low-frequency data. However, using high-frequency data for analysis also presents challenges, including extreme values and varying distribution patterns. Traditional models may therefore be inefficient for such data. Thus, it is essential to preprocess the data before estimation. One effective method is organizing the data into histograms, which allows for the selection of data that better reflects broader market conditions. Currently, uncertainty plays a crucial role in financial markets, significantly influencing investment decisions. Therefore, the selection of data for analysis is of paramount importance. The considerations have motivated the development of this research. The primary focus of this thesis is on financial econometrics, particularly concerning the application of histogram data to financial econometric models. First, in the context of forecasting asset returns, we face the challenge of estimating asset returns accurately despite inherent uncertainties. Economists and investors often associate this uncertainty with risk, defined as the range of outcomes governed by probability. Hence, the objective of this study is to introduce a quantile forecasting approach to the Capital Asset Pricing Model (CAPM) using histogram data to predict the returns of two stocks, Apple (AAPL) and Microsoft (MSFT). The S&P 500 index and U.S. government bonds are utilized to represent market returns and risk-free rates, respectively. The primary innovation of this study lies in its capability to promptly analyze specific datasets within predefined quantiles using histogram data. Secondly, this study focuses on analyzing the dynamic correlations among the stock markets of ASEAN-5 (Thailand, Malaysia, the Philippines, Singapore, and Indonesia). The study aims to investigate these evolving relationships in the aftermath of the COVID-19 pandemic and the Russia-Ukraine conflict by utilizing histogram data within the framework of the Dynamic Conditional Correlation Generalized Autoregressive Conditional Heteroskedasticity (HVTS-DCC-GARCH) model. Additionally, the study aims to apply this enhanced model to analyze the financial markets of Asian countries. Asia, a region characterized by diverse economies and high interconnectivity, plays a critical role in the global economy. By focusing on Asian markets, the research intends to uncover how these markets react to regional and global events, how their interdependencies evolve over time, and what implications these shifts hold for investors and policymakers. Finally, this study also applies histogram data in machine learning models. The primary objective of this research is to utilize time series data in a hybrid modeling approach to forecast movements in foreign exchange markets. Hybrid modeling, which involves combining forecasts generated from multiple models, is known to enhance forecasting accuracy. This practice has become increasingly widespread due to its improved predictive performance. The application of hybrid models has significant potential to aid policymakers in strategic planning and decision-making, as well as to assist investors in formulating effective financial strategies. By integrating these hybrid models and evaluating them against various metrics, we aim to advance the forecasting techniques for exchange rates within the context of histogram-valued data. Acknowledging the inherent complexity of this field, this study introduces a novel approach by exploring hybrid models that combine multiple models to achieve better forecasting performance. This method of hybrid modeling is relatively new to the literature and leads to improved exchange rate forecasts.

Abstract: ในตลาดการเงิน ราคาหลักทรัพย์ (หุ้น, ธนบัตร, อัตราแลกเปลี่ยน ฯลฯ) เป็นข้อมูลที่มีความถี่สูง เช่น ข้อมูลรายวินาที ซึ่งในแต่ละวันราคาของหลักทรัพย์มีการเคลื่อนไหวตลอดเวลาก่อนที่จะหยุดที่ราคาปิด ดังนั้นราคาปิดในแต่ละวันจึงไม่สะท้อนถึงความผันผวนของราคาตลอดทั้งวัน การพึ่งพาข้อมูลดังกล่าวจึงอาจละเลยความผันผวนและรูปแบบการกระจายตัวของราคาระหว่างวัน ทำให้การประมาณค่าจากข้อมูลที่มีความถี่ต่ำอาจเกิดความคลาดเคลื่อนหรือผิดพลาดได้ อย่างไรก็ตามการใช้ข้อมูลที่มีความถี่สูงในการวิเคราะห์ก็ประสบปัญหาค่าที่สูงสุด และรูปแบบการกระจายตัวที่แตกต่างกัน การใช้แบบจำลองเดิมๆ จึงไม่สามารถประมาณค่าได้อย่างมีประสิทธิภาพ ดังนั้นจึงจำเป็นต้องมีการจัดการข้อมูลก่อนการประมาณค่า เช่น การจัดข้อมูลแบบฮิสโทแกรม ซึ่งช่วยให้สามารถเลือกข้อมูลที่สะท้อนสถานการณ์ตลาดในวงกว้างได้มากขึ้น ในปัจจุบัน ความไม่แน่นอนมีบทบาทสำคัญในตลาดการเงิน ซึ่งมีอิทธิพลอย่างมากต่อการตัดสินใจลงทุน ดังนั้นการตัดสินใจเลือกข้อมูลในการวิเคราะห์เป็นสิ่งสำคัญ สิ่งที่ได้กล่าวมาข้างต้นได้ก่อให้เกิดแรงจูงใจในการพัฒนางานวิจัยนี้ ปัญหาหลักในวิทยานิพนธ์นี้เป็นเรื่องเกี่ยวกับเศรษฐมิติทางการเงินในหัวข้อต่างๆ โดยการประยุกต์ใช้ข้อมูลแบบฮิสโทแกรมกับตัวแบบเศรษฐมิติทางการเงิน อันดับแรกในบริบทของการคาดการณ์ผลตอบแทนของสินทรัพย์ เรากำลังเผชิญกับการประมาณผลตอบแทนของสินทรัพย์ แม้ว่าจะมีประมาณการที่ดีที่สุดก็ตาม นักเศรษฐศาสตร์และนักลงทุนมักจะถือว่าความไม่แน่นอนนี้กับความเสี่ยงซึ่งเป็นขอบเขตของผลลัพธ์ที่ควบคุมโดยความน่าจะเป็น ดังนั้นวัตถุประสงค์ของการศึกษานี้คือ เพื่อแนะนำแนวทางการทำนายปริมาณบนแบบจำลองการกำหนดราคาสินทรัพย์ทุน โดยใช้ข้อมูลที่มีค่าฮิสโทแกรมเพื่อคาดการณ์ผลตอบแทนของหุ้นสองตัว ได้แก่ Apple และ Microsoft และใช้ดัชนี S&P500 และพันธบัตรรัฐบาลสหรัฐฯ แสดงถึงอัตราผลตอบแทนของตลาด และอัตราผลตอบแทนที่ปราศจากความเสี่ยงตามลำดับ โดยนวัตกรรมเบื้องต้นของการศึกษานี้อยู่ที่ความสามารถในการวิเคราะห์ชุดข้อมูลเฉพาะภายในควอนไทล์ที่กำหนดไว้ล่วงหน้าได้ทันทีเมื่อใช้ข้อมูลฮิสโทแกรม ประการที่สอง งานวิจัยนี้เน้นการวิเคราะห์ความสัมพันธ์แบบไดนามิกระหว่างตลาดหุ้นในกลุ่มประเทศอาเซียน 5 ประเทศ (ไทย มาเลเซีย ฟิลิปปินส์ สิงคโปร์ และอินโดนีเซีย) โดยมุ่งศึกษาความสัมพันธ์ที่เปลี่ยนแปลงไปของตลาดหุ้นเหล่านี้หลังการแพร่ระบาดของโควิด 19 และความขัดแย้งระหว่างรัสเซีย-ยูเครน ด้วยการใช้ข้อมูลในรูปแบบฮิสโทแกรมภายใต้กรอบของแบบจำลอง DCC-GARCH นอกจากนี้การศึกษานี้ยังมีเป้าหมายที่จะประยุกต์ใช้แบบจำลองที่พัฒนาแล้วนี้ในการวิเคราะห์ตลาดการเงินในประเทศแถบเอเชีย ซึ่งเป็นภูมิภาคที่มีความหลากหลายทางเศรษฐกิจและมีความเชื่อมโยงระหว่างประเทศสูง อีกทั้งยังมีบทบาทสำคัญต่อเศรษฐกิจโลก การมุ่งเน้นไปที่ตลาดเอเชียในการศึกษานี้มีวัตถุประสงค์เพื่อค้นหาว่าตลาดในภูมิภาคนี้มีปฏิกิริยาต่อเหตุการณ์ในระดับภูมิภาคและระดับโลกอย่างไร ความเชื่อมโยงระหว่างกันมีการเปลี่ยนแปลงไปอย่างไรเมื่อเวลาผ่านไป และการเปลี่ยนแปลงเหล่านี้มีผลอย่างไรต่อผู้ลงทุนและผู้กำหนดนโยบาย สุดท้ายการศึกษานี้ยังได้ประยุกต์ใช้ข้อมูลแบบฮิสโทแกรมในแบบจำลองแมชชีนเลิร์นนิงโดยวัตถุประสงค์หลักของการศึกษาครั้งนี้คือ การใช้อนุกรมเวลาในการคาดการณ์แบบจำลองลูกผสมเพื่อทำนายความเคลื่อนไหวของตลาดสกุลเงินต่างประเทศ แนวทางโมเดลไฮบริดซึ่งเกี่ยวข้องกับการรวมการคาดการณ์ที่สร้างขึ้นจากหลายโมเดล เป็นที่ทราบกันดีว่าช่วยเพิ่มความแม่นยำในการคาดการณ์ แนวทางปฏิบัตินี้แพร่หลายมากขึ้นเนื่องจากมีการปรับปรุงประสิทธิภาพการคาดการณ์ การประยุกต์ใช้โมเดลไฮบริดมีศักยภาพที่สำคัญในการช่วยเหลือผู้กำหนดนโยบายในการวางแผนเชิงกลยุทธ์และการตัดสินใจ ตลอดจนช่วยเหลือนักลงทุนในการกำหนดกลยุทธ์ทางการเงินที่มีประสิทธิผล ด้วยการรวมโมเดลไฮบริดเหล่านี้และประเมินเทียบกับหน่วยวัดเหล่านี้ เรามุ่งมั่นที่จะสนับสนุนความก้าวหน้าของเทคนิคการคาดการณ์อัตราแลกเปลี่ยนในบริบทของข้อมูลที่มีค่าฮิสโทแกรม โดยตระหนักถึงความซับซ้อนโดยธรรมชาติของสาขานี้ การศึกษานี้ยังแนะนำแนวทางใหม่โดยการสำรวจแบบจำลองแบบผสม ซึ่งรวมแบบจำลองหลายแบบเข้าด้วยกันเพื่อให้บรรลุประสิทธิภาพการคาดการณ์ที่ดีขึ้น วิธีการใช้แบบจำลองแบบผสมนี้ถือเป็นเรื่องใหม่สำหรับวรรณกรรม และนำไปสู่การปรับปรุงการคาดการณ์อัตราแลกเปลี่ยน

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Woraphon Yamaka

Role: Advisor

Name: Worrawat Saijai

Role: Advisor

Name: Somsak Chanaim

Role: Advisor

Created: 2024

Modified: 2024-12-07

Issued: 2024-12-07

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctor's degree

Descipline: Economics

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	641655905.pdf	6.73 MB	12	2026-05-26 18:16:01

ใช้เวลา

0.035832 วินาที