<div class="csl-bib-body">
<div class="csl-entry">Springer, D. (2018). <i>The impact of market sentiment and other exogenous variables on corporate bonds</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2018.47903</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2018.47903
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/10417
-
dc.description
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
-
dc.description.abstract
In this thesis we try to detect the possible impact of market sentiment and other exogenous variables, on corporate bond yields. After an Introduction that will analyse the available data, we will elaborate on some theory behind the techniques used to predict the future bond yields and the sentiment scores in general. We then talk about the general approach used for generating and comparing the forecasts. The final step will be to use four different approaches to try to predict the bond yields, based on their own history, sentiment scores and other explanatory variables. Starting with ARMA-GARCH and STAR models we will then take a look at recurrent neural network models. After introducing and using the "Long Short-term" memory neural networks we will apply the recently developed "Dual-Stage Attention-Based Recurrent Neural Network" and measure its predictive power for the bond market.
en
dc.description.abstract
Diese Arbeit beschäftigt sich mit dem Einfluss der Marktstimmung und anderer exogener Variablen auf die Rendite von Unternehmensanleihen. Dazu werden Prognosemodelle entwickelt, die Maßzahlen für die Marktstimmung ("sentiment" und "buzz") sowie andere mögliche erklärende Variable für die Prognose der Renditen verwenden. Es werden zwei klassische Modelle der Zeitreihenanalyse (ARMA-GARCH und STAR) sowie zwei moderne rekurrente neuronale Netze (LSTM und DA-RNN) verwendet und miteinander verglichen. Die Hyperparameter der Modelle (z.B. zur Beschreibung der Netzwerk-Architektur) werden mit Hilfe eines Kreuz-Validierungsverfahren bestimmt. Für den abschließenden Vergleich der Modelle wird ein Test-Datensatz verwendet. Das ARMA-GARCH Modell (das nur das "sentiment" im GARCH Teil verwendet) liefert die besten Hitrates während das DA-RNN Netz bezüglich des RMSE am besten abschneidet. Das DA-RNN Netzwerk verwendet neben dem "sentiment" noch ein Reihe von anderen erklärenden Variablen.
de
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
Sentiment-Analyse
de
dc.subject
Yieldkurve
de
dc.subject
Prognose
de
dc.subject
sentiment analysis
en
dc.subject
yield curve
en
dc.subject
forecasting
en
dc.title
The impact of market sentiment and other exogenous variables on corporate bonds
en
dc.title.alternative
Der Einfluss der Marktstimmung auf Renditen von Unternehmensanleihen
de
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2018.47903
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Dominik Springer
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
tuw.publication.orgunit
E105 - Institut für Stochastik und Wirtschaftsmathematik