Projekty Badaczy Wydziału z dofinansowaniem w konkursie w ramach programu IDUB
Celem konkursu „Nowe Idee 3B w Priorytetowym Obszarze Badawczym III” IDUB UW jest wsparcie projektów badawczych związanych tematycznie z obszarem badawczym „Wyzwanie petabajtów”.
Konkurs jest realizowany w ramach programu „Inicjatywa Doskonałości Uczelnia Badawcza”, realizowanego na Uniwersytecie Warszawskim.
Projekt „Analiza determinantów wiarygodności banku centralnego na podstawie wielowymiarowych danych” autorstwa dr hab. Joanny Mackiewicz-Łyziak, prof. ucz. z Katedry Makroekonomii i Teorii Handlu Zagranicznego WNE UW otrzymał dofinansowanie w wysokości 67 290,37 zł.
Projekt „Efektywność rynku kryptowalut. Zastosowania głębokiego uczenia w algorytmicznym środdziennym handlu” autorstwa dr. hab. Piotra Wójcika, prof. ucz. z Katedry Finansów Ilościowych WNE UW otrzymał dofinansowanie w wysokości 119 747,78 zł.
Serdecznie gratulujemy!
Streszczenie projektu „Analiza determinantów wiarygodności banku centralnego na podstawie wielowymiarowych danych”:
Wiarygodność banku centralnego jest cechą kluczową z puntu widzenia skuteczności polityki pieniężnej. Jeśli podmioty gospodarcze wierzą, że bank centralny osiągnie wyznaczone cele, ich zachowanie i działania zgodne z tymi celami ułatwiają bankowi centralnemu prowadzenie polityki pieniężnej i faktyczną realizację tych celów. Z tego powodu wiedza na temat tego, co największym stopniu determinuje wiarygodność banku centralnego i wpływa na oczekiwania podmiotów gospodarczych dotyczące polityki pieniężnej jest bardzo ważna banków centralnych. Badania nad wiarygodnością banku centralnego są jednak znacznie utrudnione ze względu na fakt, że jest to kategoria nieobserwowalna i trudna do skwantyfikowania. Jednym z podejść do badania wiarygodności jest przeprowadzenie ankiet na ten temat. Wiedza uzyskana za pomocą wcześniejszych ankiet jest już jednak dość przestarzała ze względu na to, że od czasu globalnego kryzysu finansowego pojawiły się nowe sposoby prowadzenia polityki pieniężnej, o nieznanej wcześniej skuteczności, jak również inaczej zaczęto postrzegać rolę banków centralnych w gospodarce. Dlatego celem projektu będzie uzyskanie nowej wiedzy na temat wiarygodności banków centralnych i postrzeganych czynników determinujących wiarygodność za pomocą ankiety przeprowadzonej wśród makroekonomistów zatrudnionych w bankowości centralnej i ośrodkach naukowych z różnych krajów. Wyniki ankiety pozwolą ustalić, jak zmieniły się poglądy na wiarygodność od czasu kryzysu i jakie znaczenie w tym zakresie mają nowe zjawiska w polityce pieniężnej, jak również specyfika okresu wysokiej globalnej inflacji, nie notowanej od dekad. Uzupełnieniem wyników ankiety będzie badanie przeprowadzone na danych dotyczących oczekiwań inflacyjnych gospodarstw domowych w USA. Wybór kraju jest podyktowany dostępnością danych – dla gospodarki tej publikowana jest obszerna baza danych dotyczących różnego rodzaju oczekiwań gospodarstw domowych. Dane takie nie są dostępne powszechnie dla wszystkich krajów. Na podstawie tych informacji zweryfikujemy czynniki wpływające na oczekiwania dotyczące skuteczności polityki pieniężnej zwykłych ludzi, nie będących ekspertami z zakresu makroekonomii. Porównanie wyników z przeprowadzonej ankiety z wynikami analizy oczekiwań inflacyjnych da pełny i aktualny obraz czynników wpływających na wiarygodność współczesnych banków centralnych.
Streszczenie projektu „Efektywność rynku kryptowalut. Zastosowania głębokiego uczenia w algorytmicznym środdziennym handlu”:
The main aim of the project is to study emergent phenomenon in digital economy - blockchain and cryptocurrencies through the lenses of deep learning algorithms. We intend to build automated and intelligent trading systems operating on high-frequency data (e.g. prices observed every minute). Cryptocurrencies are one of the youngest financial markets and therefore can potentially exhibit inefficiencies that would allow for profitable, systematic trading. On the other hand, with growing adoption of institutional players in those markets and their increased sophistication, profitable quantitative system can be elusive. Our main research hypothesis is that the crypto markets are not informationally efficient in a weak, which means that based solely on historical prices one can predict the future price of the cryptocurrency and therefore create a profitable algorithmic strategy. We assume that the most accurate predictions can be obtained using sophisticated deep learning algorithms (complex neural networks). Given that intraday cryptocurrencies trading based on deep learning is scarcely researched, we plan to first establish what is the state-of-the-art benchmark algorithm. Training of deep learning models is computationally costly and time consuming. With huge amounts of processed data we plan to apply so called transfer learning, i.e. do not train models for each cryptocurrency from scratch, but use algorithms initially pre-trained on other cryptos. Time-based bars (sampling information on asset prices at fixed time intervals) are the most used technique and essentially is the only technique found in academic papers. However, they oversample information during low activity periods and undersample during high activity periods. To remedy that, different information driven bars can be used that we aim to explore in this research. The purpose of such bars is to sample data more frequently when new information arrives to the market – for example the price change of a particular range (so called range bars) or volume (volume bars). To the best of our knowledge, analysis of time series frequency and type of bars in the context of deep learning predictive power for the crypto market has not yet been explored in financial literature.
