Název projektu
Finanční modelování a řízení rizik v prostředí tržních anomálií za nejistoty a flexibility
Kód
SP2026/003
Předmět výzkumu
Projekt se zaměřuje na rozvoj a aplikaci pokročilých metod finančního modelování a řízení rizik, které reflektují složitost a dynamiku současných finančních trhů. Do této oblasti spadá i oblast kvantifikace rizika prostřednictvím tradičních i inovativních měřítek, s důrazem na jejich schopnost adaptace na nejistotu a flexibilitu tržních podmínek. Součástí výzkumných aktivit tohoto projektu spadá zkoumání dopadů rozhodování investorů na volatilitu a celkovou rizikovost portfolií. Výsledkem projektu budou návrhy robustních a adaptivních postupů optimalizace portfolia, které umožní přesnější predikci rizik, efektivnější řízení expozice vůči tržním anomáliím a zlepšení stability a výkonnosti investičních rozhodnutí. Projekt tak propojuje teoretické přístupy založené na ekonomické interpretaci se stochastickými a optimalizačními modely, čímž podporuje komplexní a prakticky využitelné řešení v oblasti finančního řízení. Samotné výstupy projektu (metody, nástroje, strategie) budou praktický využitelné u různých subjektů působících na finančních trzích.
Hlavním cílem projektu je komplexně zkoumat pokročilé metody finančního modelování a řízení rizik na různorodých trzích a navrhnout nové modely (metody), které zohledňují nestandartní situace na trhu, systémové riziko, teorii her, či flexibilitu. V rámci tohoto cíle se budou zkoumat různorodé finanční trhy, jako je akciový, dluhopisový, komoditní trh, či trh s kryptoměnami. Důraz bude kladen na obohacení literatury v této oblasti a přínos pro další výzkum. Členové týmu se budou rovněž snažit navázat spolupráci s komerční sférou a aplikovat navrženou metodologii do praxe. Zmiňme, že např. u portfoliových modelů či rizikových indikátorů není aplikace při stanovení a hodnocení investic jedinci nijak omezená. U některých dílčích oblastí je však navázání spolupráce a komunikace s praxí složitější.
Řešení projektu je založeno na rozvoji a aplikaci pokročilých kvantitativních metod vycházejících z ekonometrie či operačního výzkumu, inspirovaných jak pracemi předních světových autorit v oboru [1,9,10,25,29], tak výsledky předchozích výzkumných aktivit, na nichž se členové řešitelského týmu aktivně podíleli [6,7,18,19,22,24,30,34]. Dostupná odborná literatura nabízí rozsáhlé množství relevantních zdrojů, které poskytují solidní teoretický rámec pro navrhovaný výzkum a současně identifikují řadu dosud neprozkoumaných oblastí vhodných pro hlubší analýzu.
Zvláštní důraz bude kladen na vývoj a testování nových a inovativních měr rizika i na tvorbu pokročilých modelů zachycujících komplexní atributy chování finančních trhů. Tyto výzkumné aktivity budou dále rozšířeny směrem k analýze investičního rozhodování, oceňování derivátů, zkoumání vzájemných vazeb mezi institucemi finančního systému, měření tržního i systémového rizika a identifikaci klíčových rizikových faktorů reflektujících dynamickou a nejistou povahu moderních trhů. Významná pozornost bude také věnována časově závislým měřítkům rizika (viz [26, 27]) a entropickým přístupům k jeho kvantifikaci či měření diverzifikace portfolia (viz [28]).
Výzkumné aktivity projektu tak přirozeně navazují na dosavadní projekty řešitelského týmu a dále je rozvíjejí ve směru aktuálních trendů v oblasti řízení rizik a finanční stability.
V rámci výzkumných aktivit členů řešitelského týmů (Gardini, Kresta, Neděla, Radi, Sodini, Tichý) zahrnutých do minulých projektů, např.: Inovativní přístupy k řízení rizik na různorodých finančních trzích (2025), Pokročilé metody analýzy a predikce finanční výkonnosti (2025), Stochastické modelování finančních investic na různorodých trzích (2024), Analýza komplexních modelů pro finanční rozhodování (2022), Analýza komplexních modelů finančního rizika (2021) nebo Analýza komplexních finančních modelů s důrazem na tržní, kreditní a systémové riziko (2020) lze očekávat úspěšné navázání na další prohlubování zkoumaných oblasti. Rovněž lze očekávat finalizaci rozpracovaných dílčích oblastí z minulých let.
Od publikace průlomové práce H. Markowitze [25] zůstává optimalizace portfolia jedním z ústředních témat finančního výzkumu. Tradiční přístupy však dlouhodobě opomíjely faktory, jako je investorský sentiment a pozornost, přestože roste množství důkazů, že obojí může významně ovlivňovat výnosy i rizikovost aktiv. Studie věnované sentimentu (např. [8,14,20,35]) ukazují, že nálady investorů mohou vytvářet cenové tlaky, zatímco literatura o pozornosti využívající například data z Google Trends [23] naznačuje, že zvýšený zájem o konkrétní aktiva často souvisí s vyšší volatilitou. V návaznosti na tyto poznatky budeme sentiment i pozornost zkoumat jako alternativní rizikové indikátory, které lze využít při konstrukci portfolií. Předpokládáme, že aktiva vykazující extrémně vysokou hodnotu obou ukazatelů představují zvýšené riziko, a v portfoliové strategii jim proto přiřadíme nižší váhy. Funkčnost strategie bude testována prostřednictvím klouzavých oken s pravidelnou rebalancí. S tím souvisí i zaměření se na využití metod strojového učení pro predikci výnosů, rizikovosti a optimalizaci portfolií v podmínkách rostoucí tržní nestability. Moderní ML algoritmy dokážou lépe zachytit nelineární struktury finančních časových řad, kde tradiční modely selhávají. V rámci projektu budou implementovány regresní metody (např. Decision Trees, SVR, KNN, MLP a přístupy typu Random Forest, Gradient Boosting či XGBoost, které přinášejí vyšší robustnost a přesnost predikcí. Predikované výnosy a riziko mohou následně sloužit jako vstupy do optimalizačních úloh (MV, MCVaR, M-Entropy). Cílem je určit, zda kombinace sentimentu, pozornosti a pokročilých predikčních technik může výrazně zlepšit výkonnost investičních strategií i jejich odolnost vůči měnícím se tržním podmínkám.
Součástí projektu bude také návrh nových měřítek a indikátorů zaměřených na včasnou detekci a predikci systémového rizika ve finančním systému. V literatuře již můžeme nalézt velké množství indikátorů a metrik pro měření systémového rizika: CoVaR, MES, SRISK, CISS, FSI, atd. [1,9]. Dále existuje mnoho metod pro stanovení signálů, které předcházejí akumulaci napětí na trzích, a umožnit odhad pravděpodobnosti přenosu rizik mezi institucemi či tržními segmenty [10,13,28,31,40]. Rovněž lze pro porovnání používat veřejně dostupná data o systémovém stresu a nestabilitě poskytována regulátory trhu, FRED, Federal Reserve Bank of Clevelan, ESRB. Nová měřítka budou konstruována s důrazem na schopnost zachytit změny ve vzájemných vazbách aktiv, nelineární závislosti, likviditní stres nebo vznikající tržní anomálie, které mohou eskalovat do systémových událostí. Začleňování systémových indikátorů do robustních přístupů optimalizace portfolia bude vycházet z článků [10,13,28,39].
Poslední oblast vyvíjí pokročilé nelineární a dynamické modely, které kvantifikují flexibilitu trhů, modelují rozhodování heterogenních investorů s rozdílnými rizikovými preferencemi a testují dopady těchto heterogenit na tržní dynamiku a stabilitu. Metodologicky to zahrnuje kombinaci agent-based a evolučních modelů, režimově přepínajících nelineárních systémů, síťových přístupů zachycujících přenos rizika a moderních predikčních technik (ensemble ML), přičemž modely budou kalibrovány a validovány na reálných finančních datech. Součástí budou i experimenty (laboratorní nebo na datech z trhu) zkoumající, jak odchylky od racionálního chování, např. disposition effect či nadměrná pozornost k určitým aktivům, zmiňují volatilitu, likviditu a účinnost diverzifikačních mechanismů, a jak lze tyto efekty využít či kompenzovat při konstrukci robustních portfolií. Literatura, vycházející i z výstupů minulých projektů, ukazuje na silný teoreticko-empirický základ i oblasti s mezerami: práce o heterogenních agentech a evolučních dynamikách poskytují teoretický rámec pro modelování adaptivního chování [2,3,4,5,11,12,16,32,33,37]. Experimentální důkazy o chování účastníků trhu, včetně vlivu limitních příkazů na disposition effect, nabízejí empirickou motivaci pro zařazení mikrostrukturních dat do modelu [15]. Syntéza těchto přístupů, evolučních/nelineárních modelů, síťové analýzy, experimentů a ML-enforcementu, otevře prostor pro nové, prakticky použitelné nástroje, které lépe vystihnou flexibilitu trhů a heterogenní chování investorů a jejich dopad na tvorbu a řízení portfolií [2,3,5,11,16,36].
Tento projekt by měl rovněž navázat na podporu výzkumné činnosti studentů doktorského studia a mladých výzkumníků v rámci studijního oboru Finance. DRS studenti již mají několik rozpracovaných publikací plynoucí z minulých projektů. Na tuto práci budou navazovat v rámci řešení tohoto projektu. Rovněž noví DRS studenti navázali již spolupráci se zahraničními kolegy (semináře, stáže, návštěvy na zahraničních univerzitách), kdy se předpokládá představení prvních výstupů v rámci tohoto projektu. Jako příklad uveďme:
Gao, S., Sang, X., Lu, M. The mutual contagion effects of bank credit risk, consumer behavior and supply chain - Evidence from China and the United States.
Gao, Q., Kresta, A. Portfolio optimization based on adaptive attention-weighted complex network.
Sang, X., Drachal, K. Risk Spillovers from commodities to financial markets: A quantile granger causality Perspective.
Dai, Q., Feder-Sempach, E. Valuation and decision-making in M&AS: A compound real options approach in the industry.
Pro doložení důležitosti této podpory lez uvést úspěšné obhájení kvalitních disertačních prací (Barak, Branžovský, Cassader, Dvořáčková, Feng, Guan, Kouaissah, Neděla, Torri, Wang), v angličtině, kde některé získali přední příčky ve studentských soutěžích. Konkrétně se jedná o 6 prvních míst v soutěži PROGRES 3. Z těchto práci vzešlo rovněž mnoho publikací v časopisech, mnohdy s IF nebo AIS nad mediánem oboru, včetně Q1/D1, [15,17,21,26,38]. Navázání hlubší spolupráce MGR a DRS studentů zahrnutých do projektů s mladými a seniorními výzkumníky, kteří jsou nebo byli zařazeni jako členové řešitelského týmu v obdobných projektech jistě přispěje k jejich pokroku ve studiu. V rámci povinných stáží, kterou DRS studenti musí absolvovat, nebo účastí na mezinárodních konferencí jsou tyto kontakty rozvíjeny i mezi stávajícími DRS studenty.
Z hlediska šíře i odborného složení výzkumného týmu je patrné, že jeho zájmy a profesní zkušenosti pokrývají velmi pestrou škálu témat. Tato rozmanitost umožňuje propojit různé přístupy, metodiky i výzkumné perspektivy, což výrazně přispívá k originalitě a interdisciplinárnímu charakteru celého projektu. Nicméně, v rámci řešení projektu se tým bude věnovat 5 důležitým tématům relevantním na finančním trhu. Přiřazení členů týmu k jednotlivým oblastem je detailně popsáno v další části žádosti. Jedná se o tyto oblasti:
1) Metody optimalizace portfolia se zohledněním volatility, ESG, attention, sentimentu, trendu
2) Navržení měřítek a indikátorů pro včasnou detekci a predikci systémového rizika na finančních trzích a posouzení jejich možného využití v teorii portfolia
3) Interakce efektivity, volatility a řízení rizik v dynamickém prostředí na různorodých trzích a v různých sektorech
4) Vývoj pokročilých modelů pro analýzu flexibility, dynamiky, rozhodování heterogenních investorů s rozdílným rizikovým profilem pomocí nelineárních a dynamických přístupů, doplněné o experimenty s finančními daty
5) Finanční rozhodování podniků a řízení dodavatelských řetězců v podmínkách nejistoty
Výstupy projektu najdou využití v různých typech organizací a profesních rolí. Regulační instituce mohou aplikovat navržené metodiky pro hodnocení stability finančních trhů, sledování systémového rizika a posuzování schopnosti trhů adaptovat se na změny. Investiční a asset management společnosti mohou využít nové indikátory a modely pro optimalizaci portfolií, porovnávání výkonnosti fondů, řízení rizik a zlepšení predikce tržních pohybů.
Projekt rovněž nabízí významný přínos pro akademickou komunitu, zejména pro ekonomy a výzkumníky, kteří mohou výsledky využít k prohloubení znalostí o investičním chování, dynamice trhů a efektivitě rozhodovacích modelů. Rovněž mohou prosperovat z analýz a modelování volatility u nových tříd aktiv (kryptoměny). Podniky a korporace mohou implementovat poznatky o tržní flexibilitě při plánování investic a strategickém finančním rozhodování, což jim umožní lépe reagovat na volatilní a nejisté tržní podmínky. Celkově projekt generuje výsledky s širokým praktickým dopadem, jež podporují informované rozhodování napříč regulací, investiční praxí, akademickým výzkumem i korporátním řízením.
Ačkoliv je výzkumná činnost zaměřena na několik směrů, kterým bude současně věnována pozornost, lze obecně stanovit rozdělení práce do jednotlivých kalendářních čtvrtletí takto: studium literatury, rozšíření a aktualizace datové základny a práce s ní (1. čtvrtletí); studium literatury, sestavení jednotlivých typů modelu, publikace prvních dílčích výsledků (2. čtvrtletí); studium literatury a vyhodnocení vybraných postupů (3. čtvrtletí); formulace a publikace ucelených výsledků řešení projektu (4. čtvrtletí). Nicméně, vzhledem ke krátké době řešení projektu lze očekávat významné prolnutí činností.
V rámci harmonogramu projektu, rozděleného do jednotlivých etap, bude výzkum zaměřen na systematickou analýzu jak tradičních, tak pokročilých metod finančního modelování a měření rizik. Tradiční přístupy pro danou oblast se využijí rovněž jako benchmarky pro porovnání a validaci nových přístupů. Nicméně, důraz bude především kladen na vyvíjení a testování jejich pokročilých variant, které lépe a reálněji reflektují podmínky finančních trhů a zohledňují dynamiku, závislost, a složitost tržních dat.
Pokročilé přístupy budou zahrnovat metody schopné zachytit nelineární závislosti, asymetrii, trendy, extrémní hodnoty a další charakteristiky finančních časových řad. Pozornost bude věnována behaviorálním aspektům trhu, přičemž budou analyzována odchylující se rozhodnutí účastníků od standardních racionálních modelů. Tyto poznatky a předpoklady umožní rozvoj modelů, které lépe odrážejí skutečné investiční chování a interakce mezi účastníky trhu.
Součástí projektu bude rovněž návrh a implementace systémů včasného varování (early warning systems), které budou schopné identifikovat potenciální tržní rizika a anomálie v reálném čase. Takové systémy umožní efektivnější řízení rizik a zavádění preventivních opatření, čímž přispějí ke zvýšení stability finančních portfolií a tržního prostředí. Rovněž budou zkoumány modely pro detekci katastrofického a systémového rizika v bankovním sektoru pomocí balance sheet contagion models.
Další rozšíření tradičních metod spočívá v jejich adaptaci na dynamické tržní podmínky a schopnost detailně analyzovat různé typy rizikových ukazatelů, včetně těch, které explicitně zohledňují faktor času či vývoje benchmarku. Tento přístup podpoří tvorbu komplexních nástrojů pro řízení rizik, které budou využitelné v různých segmentech finančních trhů.
Projekt bude rovněž zahrnovat studium nelineární dynamiky v rozhodovacích modelech, a různých typu politik analyzující interakce mezi investory, tržními faktory napříč různými typy trhů a makroekonomickými indikátory.
V neposlední řadě se výzkum zaměří na propojení corporate finance a supply chain managementu v dynamickém a rizikovém prostředí. Záměrem je analyzovat, jak finanční rozhodnutí podniků (kapitálová struktura, řízení pracovního kapitálu, likvidita, hedging, investiční rozhodování) ovlivňují odolnost, flexibilitu a výkonnost dodavatelských řetězců a naopak, jak narušení supply chain (šoky poptávky, geopolitická rizika, logistická omezení, ESG regulace) zpětně působí na finanční stabilitu firem. Důraz bude kladen na kvantifikaci rizik v dodavatelských řetězcích a jejich přenos do firemních finančních ukazatelů, optimalizaci rozhodování mezi zásobami, likviditou a náklady kapitálu.
Pokud jde o datové zdroje, jednotlivé části projektu budou stavět na rozsáhlém spektru kvantitativních dat, která umožňují analyzovat finanční trhy, investiční chování i podniková rozhodnutí v prostředí nejistoty, flexibility a dynamických vazeb. Základní datovou vrstvu budou tvořit časové řady finančních instrumentů zahrnující ceny, výnosy, objemy obchodů, volatilitu a úrokové sazby, a to napříč různými třídami aktiv a typy trhů.
Pro analýzu optimalizace portfolia, volatility, efektivity trhů a řízení rizik budou využívána data z akciových, dluhopisových, komoditních a kryptoměnových trhů, doplněná o informace o úrokových sazbách a makroekonomických podmínkách. Primárním zdrojem těchto tržních dat budou databáze Bloomberg či Refinitiv Eikon, k níž bude přístup zajištěn prostřednictvím spolupracujících osob na zahraničních univerzitách, (EKF-VŠB-TUO přímým přístupem nedisponuje. Pro zajištění transparentnosti, reprodukovatelnosti a možnosti rozšíření analýz budou současně využívány veřejně dostupné databáze, zejména platformy typu Yahoo Finance a Investing, případně databáze centrálních bank a mezinárodních institucí, jako je ECB, FRED nebo ESRB.
V oblasti rozšířených portfoliových přístupů budou tržní data dále doplněna o informace zachycující behaviorální a nefinanční faktory. Zejména se bude jednat o data týkající se investorského sentimentu a pozornosti, která budou získávána z veřejných online zdrojů, především prostřednictvím Google Trends, případně z mediálních a textových indikátorů běžně používaných v odborné literatuře. Současně budou využívána ESG data a ukazatele udržitelnosti podniků a aktiv, dostupná z veřejných zdrojů nebo prostřednictvím zmíněných databází.
Výzkum zaměřený na systémové riziko a finanční stabilitu bude vycházet z kombinace tržních dat a agregovaných indikátorů stresu a nestability finančního systému. Většina těchto dat jsou veřejně dostupná v databázích regulátorů, např.: ECB, FRED nebo ESRB. Budou využívána data umožňující analýzu vzájemných vazeb mezi finančními institucemi, sektory a trhy, včetně veřejně dostupných ukazatelů systémového rizika a finančního stresu poskytovaných regulačními institucemi a centrálními bankami.
V oblasti zaměřené na modelování heterogenních investorů, nelineární dynamiku a flexibilitu trhů budou vedle sekundárních tržních dat využívána také primární data získaná prostřednictvím cíleně navržených experimentů. Tato experimentální data budou zachycovat individuální rozhodování účastníků trhu, jejich reakce na riziko, volatilitu, informace a změny tržního prostředí. Umožní tak kalibraci a validaci agent-based a evolučních modelů a hlubší pochopení behaviorálních mechanismů, které ovlivňují tržní dynamiku a stabilitu.
Pro oblast zaměřenou na finanční rozhodování podniků a řízení dodavatelských řetězců budou využívána data na úrovni jednotlivých firem i sektorů, dle potřeby. Jednat se bude zejména o firemní finanční výkazy, které umožňují analýzu kapitálové struktury, likvidity, pracovního kapitálu a investiční aktivity, a dále o sektorová a makroekonomická data reflektující vývoj a narušení dodavatelských řetězců.
Specifická data nad rámec výše uvedených zdrojů budou shromažďována operativně podle aktuálních potřeb jednotlivých dílčích výzkumných úloh. Důraz bude kladen na kvalitu, konzistenci a transparentnost dat, jakož i na možnost jejich opakovatelného využití v navazujících výzkumných aktivitách.
Navrhované modely a metodické postupy budou systematicky ověřovány a testovány prostřednictvím kombinace analytické, empirické a experimentální validace. Základním přístupem bude porovnání nově navržených modelů s etablovanými benchmark. Empirická validace bude založena na aplikaci modelů na historická finanční data s využitím out-of-sample testování a backtestingu investičních strategií. V úvahu připadá využití klasických statistických testů či Sharpe ratio test. Robustnost modelů bude dále posuzována pomocí citlivostní analýzy na změny vstupních parametrů, alternativních specifikací modelů a různých datových frekvencí. Predikční modely založené na machine learning budou validovány pomocí křížové validace a rolling-window schémat, přičemž jejich výkonnost bude hodnocena prostřednictvím základních metrik RMSE, MAE a MAPE. Kalibrace a stabilita parametrů budou dále ověřovány pomocí bootstrapových metod. V oblasti experimentálního výzkumu bude validace založena na statistickém vyhodnocení experimentálních dat pomocí párových testů, ANOVA a regresních modelů s fixními a náhodnými efekty.
[1] Adrian, T., Brunnermeier, M. K. CoVaR. The American Economic Review, 106(7), 1705, 2016.
[2] Antoci, A., Borghesi, S., Iannucci, G., Sodini, M. Should I stay or should I go? Carbon leakage and ETS in an evolutionary model. Energy Economics 103, 105561, 2021.
[3] Antoci, A., Borghesi, S., Galdi, G., Sodini, M., Ticci, E. Maladaptation in an unequal world: an evolutionary model with heterogeneous agents. Annals of Operations Research, 337(3), 1089-1110, 2024.
[4] Anufriev, M., Gardini, L., Radi, D. Chaos, border collisions and stylized empirical facts in an asset pricing model with heterogeneous agents. Nonlinear Dynamics, 2020
[5] Anufriev, M., Tichý, T., Lamantia, F., Radi, D. An asset pricing model with accuracy-driven evolution of heterogeneous expectations. Communications in Nonlinear Science and Numerical Simulation, 117, 2023, 106975, https://doi.org/10.1016/j.cnsns.2022.106975.
[6] Arab, I., Lando, T., Oliveira, P. Second-order stochastic comparisons of order statistics. Statistics, 55(3), 561-579, 2021.
[7] Ballestra, L.V., Pacelli, G., Radi, D. Modeling CDS spreads: A comparison of some hybrid approaches. Journal of Empirical Finance, 57, 107-124, 2020.
[8] Baker, M., Wurgler, J. (2006). Investor sentiment and the cross‐section of stock returns. The Journal of Finance, 61(4), 1645–1680.
[9] Biglova, A., Ortobelli, S., Fabozzi, F. Portfolio selection in the presence of systemic risk. Journal of Asset Management, 15, 285–299, 2014.
[10] Billio, M., Casarin, R., Costola, M., et al. An entropy-based early warning indicator for systemic risk. Journal of International Financial Markets, Institutions and Money, 45, 42–59, 2016.
[11] Bischi, B. I., Lamantia, F. Evolutionary oligopoly games with cooperative and aggressive behaviors. Journal of Economic Interaction and Coordination, 17(1), 3-27, 2020.
[12] Buccella, D., Fanti, L., Gori, L., Sodini, M. A Dynamic Oligopoly with International Trade and the Environment: An Evolutionary Approach. Environmental and Resource Economics, 2025,
[13] Capponi, A., Rubtsov, A. Systemic risk-driven portfolio selection. Operations Research, 70(3), 1598–1612, 2022.
[14] Da, Z., Engelberg, J., Gao, P. (2011). In search of attention. The Journal of Finance, 66(5), 1461–1499.
[15] Dvořáčková, H., Tichý, T., Jochec, M. How are limit orders affecting the disposition effect on highly liquid markets – Experimental finance evidence. Journal of Behavioral Finance, 24(3), 290-302, 2021.
[16] Gori, L., Purificato, F., Sodini, M. Green quality choice in a duopoly. Metroeconomica, 75(4), 438-474, 2024.
[17] Hariri-Ardebili, M. A., Barak, S. A series of forecasting models for seismic evaluation of dams based on ground motion meta-features. Engineering Structures, 203, 109657, 2020.
[18] Holčapek, M., Nguyen, L., Tichý, T. Polynomial alias higher degree fuzzy transform of complex-valued functions. Fuzzy Sets and Systems, 342, 1-31, 2018.
[19] Hozman, J., Tichý, T. DG framework for pricing European options under one-factor stochastic volatility models. Journal of Computational and Applied Mathematics, 344, 585-600, 2018.
[20] 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.
[21] Kouaissah, N., Orlandini, D., Ortobelli, S., Tichý, T. Theoretical and practical motivations for the use of the moving average rule. IMA Journal of Management Mathematics, 31(1), 117–138, 2020.
[22] Kouaissah, N., Ortobelli, S., Jebabli, I. Portfolio selection using multivariate semiparametric estimators and a copula PCA-based approach. Computational Economics, 60, 833–859, 2022.
[23] Kristoufek, L. (2013). Can Google Trends search queries contribute to risk diversification? Scientific Reports, 3, 2713.
[24] Lando, T., Arab, I., Oliveira, P. Transform orders and stochastic monotonicity of statistical functionals. Scandiavian Journal of Statistics. DOI: 10.1111/SJOS.12629.
[25] Markowitz, H. (1952). The utility of wealth. Journal of Political Economy, 60(2), 151–158.
[26] Neděla, D., Ortobelli, S., Tichý, T. Mean-variance vs. trend-risk portfolio selection. Review of Managerial Science, 18, 2047–2078, 2024.
[27] Neděla, D., Ortobelli, S., Tichý, T. Dynamic return scenario generation approach for large-scale portfolio optimisation framework. Computational Economics, 2025. https://doi.org/10.1007/s10614-023-10541-w.
[28] Neděla, D., Tichý, T., Torri, G. Systemic risk detection using an entropy approach in portfolio selection strategy. Decisions in Economics and Finance, 2024. https://doi.org/10.1007/s10203-024-00501-w.
[29] Ortobelli, S., Kouaissah, N., Tichý, T. On the use of the conditional expectation in portfolio selection problems. Annals of Operations Research, 274(1-2), 501-530, 2019.
[30] Ortobelli, S., Cassader, M., Vitali, S., Tichý, T. Portfolio selection strategy for the fixed income markets with immunization on average. Annals of Operations Research, 260(1-2), 395-415, 2018.
[31] Patro, D. K., Qi, M., Sun, X. A simple indicator of systemic risk. Journal of Financial Stability, 9(1), 105–116, 2013.
[32] Radi, D., Lamantia, F., Tichý, T. Hybrid dynamics of multi-species resource exploitation. Decisions in Economics and Finance, 44, 559–577, 2021.
[33] Radi D., Hoang V. P., Torri G., Dvorackova H. (2021) A revised version of the Cathcart & El-Jahel model and its application to CDS market. Decisions in Economics and Finance, 44, 669–705, 2021.
[34] Raihifar, A., Tareghian, H. R., Salehnia, N., Tichy, T., Bastani, M. Modelling OPEC profit based on economics and political variables. Energy Systems, 15(3), 1105-1125, 2022.
[35] 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.
[36] Tichý, T., Nguyen, L., Holčapek, M., Kresta, A., Dvořáčková, H. Quarterly sales analysis using linguistic fuzzy logic with weather data. Expert Systems with Applications, 203, 117345, 2022.
[37] Tichý, T., Radi, D., Lamantia, F. Hybrid evolutionary oligopolies and the dynamics of corporate social responsibility. Journal of Economic Interaction and Coordination, 17(1), 87-114, 2020.
[38] Torri, G., Giacometti, R., Tichý, T. Network tail risk estimation in the European banking system. Journal of Economic Dynamics & Control, 127, 104125, 2021
[39] Torri, G., Giacometti, R. Financial contagion in banking networks with community structure. Communications in Nonlinear Science and Numerical Simulation, 117, 106975, 2023, https://doi.org/10.1016/j.cnsns.2022.106975.
[40] Torri, G., Radi, D., Dvořáčková, H. Catastrophic and systemic risk in the non-life insurance sector: A micro-structural contagion approach. Finance Research Letters, 47B (102718), 2022.
Rok zahájení
2026
Rok ukončení
2026
Poskytovatel
Ministerstvo školství, mládeže a tělovýchovy
Kategorie
SGS
Typ
Specifický výzkum VŠB-TUO
Řešitel