Statistika, ekonometrie a programování

V oddělení makroobezřetnostní politiky ECB jsem pro výzkum dopadu kapitálových požadavků na poskytování úvěrů pracoval s granulárními úvěrovými a dohledovými daty v mimořádně velkém rozsahu. Datový warehouse spojoval přibližně 100 milionů jednotlivých úvěrových pozorování AnaCredit s časovými řadami dohledových údajů na úrovni jednotlivých bank. Širší výzkumné prostředí kombinovalo úvěrová, bilanční, kapitálová a další finanční data a přesahovalo 400 GB.

Programoval jsem SQL infrastrukturu pro spojování a extrakci dat, automatické aktualizace tabulek používaných v opakované ekonometrické analýze a distribuované zpracování rozsáhlých datasetů. Ekonometrickou část jsem propojoval s R tak, aby bylo možné kombinovat databázové dotazy s regresní a panelovou analýzou.

Výzkum zkoumal, zda banky s omezeným kapitálovým prostorem během pandemie omezovaly úvěrování a zda uvolnění kapitálových požadavků podporovalo nabídku úvěrů. Na souvisejících ECB Working Papers 2644 a 2720 jsem jmenovitě uveden v poděkování.

V Bond and International Markets Division ECB jsem vyvíjel analytické nástroje pro finanční trhy a portfolio management. Práce zahrnovala statistickou analýzu dluhopisových, devizových a širších tržních dat, sledování portfolií a rizikových ukazatelů a přípravu podkladů pro tržní analýzu a rozhodování ECB.

V Pythonu jsem analyzoval více než 100 GB tick-by-tick devizových obchodních dat, mimo jiné pro identifikaci a analýzu epizod zvýšené volatility. V Tableau jsem vytvářel interaktivní nástroje pro výpočet Value-at-Risk s parametrizovanými ekonometrickými vzorci a monitory zaměřené na equities, volatilitu, commodities a výkonnost portfolií.

Součástí práce byla databázová architektura pro data o spravovaných portfoliích a devizových operacích. Pro každodenní práci s trhy jsem používal Bloomberg, Thomson Reuters a další profesionální market-data systémy.

V Supervisory Banking Statistics ECB jsem pracoval s rozsáhlými dohledovými databázemi evropských bank a vyvíjel technickou infrastrukturu pro výpočet finančních, úvěrových, likviditních, stress-testových a data-quality ukazatelů. Profesní podklady výslovně popisují programování big-data řešení pro statistické datasety přesahující 400 GB.

V SAS jsem programoval analytické SQL dotazy, vytvářel datasety, extrahoval ukazatele po jednotlivých institucích, implementoval validační pravidla a reportingové procesy a optimalizoval tvorbu dat. Novým kódem jsem zkrátil jeden každodenní proces extrakce dohledového reportu přibližně ze šesti hodin na dvě.

Tableau jsem používal pro vizualizaci rozsáhlých bankovních datasetů. V Pythonu a scikit-learn jsem pracoval také na machine-learningovém zpracování dohledových komentářů a jejich automatické klasifikaci.

V ECB a ESRB jsem se věnoval statistickému modelování finanční stability: úvěrovým cyklům, kapitálu bank, rizikům v bankovních portfoliích, nemovitostem a dalším systémovým zranitelnostem.

V MATLABu jsem pracoval s time-series analýzou a forecastingem makroekonomických proměnných a vytvářel rozsáhlé VAR modely pro identifikaci determinantů non-performing loans. Modelování zahrnovalo také vývoj cen nemovitostí a dalších makrofinančních proměnných.

V R/RStudio jsem pracoval s časovými řadami i panelovými daty, budoval infrastrukturu pro loading, processing a data-quality analysis a prováděl data mining charakteristik bankovních skupin a úvěrových portfolií. Stata jsem používal pro pokročilé regrese, panelová data a zpracování dat.

Během prvního působení v DG ECFIN jsem vyvíjel ekonometrické modely pro analýzu makroekonomických nerovnováh. Dochované profesní podklady výslovně uvádějí použití EViews pro tvorbu VAR modelů.

Jedním z hlavních témat byla kvantitativní analýza švédského trhu bydlení a zadlužení domácností. Ve veřejném Country Reportu Komise byl použit ekonometrický shock-simulation model pro odhad dopadů změn cen nemovitostí a úrokových sazeb. Publikovaný scénář například ukazoval, že pokles cen nemovitostí o 10 % by byl spojen s poklesem HDP přibližně o 1,4 %, soukromé spotřeby o 2,0 % a rezidenčních investic o 27,1 %.

Veřejná dokumentace potvrzuje moji práci na ekonometrických modelech v rámci této agendy, ale nepřipisuje jednotlivé modelové specifikace konkrétním členům týmu; proto zde používám konzervativní označení ekonometrické shock-simulation modely.

V DG ECFIN jsem připravoval oficiální makroekonomické a fiskální prognózy Evropské komise. Pro jednotlivé země jsem pracoval s forecast datasetem obsahujícím přibližně 159 proměnných a prognózoval HDP a jeho složky, inflaci, zaměstnanost a nezaměstnanost, mzdy, vnější bilanci a veřejné finance.

Kvantitativní práce zahrnovala zpracování národních účtů a high-frequency indicators, data-quality a consistency checks, hodnocení statistických revizí a forecast errors, alternativní scénáře a udržování forecasting tools. Výsledky musely být konzistentní uvnitř jednotlivé ekonomiky i s předpoklady společnými pro celou prognózu EU.

Jako přispěvatel jsem jmenovitě uveden v deseti publikovaných European Economic Forecasts od léta 2022 do jara 2025.

Při práci na slovenském Recovery and Resilience Plan jsem řešil kvantitativní problém, který nešlo uspokojivě vyřešit běžným headline cenovým indexem. Prudký růst inflace a stavebních nákladů znamenal, že původní investiční cíle bylo nutné posuzovat s ohledem na skutečný vývoj nákladů jednotlivých typů projektů.

Vyvíjel jsem několik variant kvantitativní metodiky pro přepočet investičních cílů. Metoda musela používat objektivní a mezi státy srovnatelná data, ale současně zohlednit rozdíl mezi spotřebitelskou inflací a nákladovými indexy relevantními pro stavební a infrastrukturní investice.

Výsledná práce ukazuje použití statistického modelování přímo při návrhu a implementaci hospodářské politiky, nikoli pouze při akademické nebo čistě prognostické analýze.

Python jsem vedle finančních trhů používal také pro machine-learningové zpracování dat. Dokumentovaným příkladem je automatizované zpracování dohledových komentářů a response labelling pomocí scikit-learn.

Tento typ práce kombinoval textová a strukturovaná data s klasifikačními postupy a navazoval na širší využití Pythonu pro datovou analýzu, vizualizaci a práci s rozsáhlými finančními datasety.

V sekretariátu ESRB jsem pracoval na Systemic Risk Survey, který shromažďoval hodnocení finančních a systémových rizik od zúčastněných institucí. Vedle ekonometrického zpracování jsem se podílel na datové infrastruktuře průzkumu, kompilaci výsledků a jejich vizualizaci.

Programoval jsem nový interface pro automatizovanější sběr odpovědí, který nahrazoval proces založený ve větší míře na individuálních Excel submissions. Hlavním výsledkem nebyla samotná automatizace, ale kvalitnější a lépe použitelná statistická infrastruktura pro opakovaný evropský risk survey.

Pro ekonometrickou část ESRB práce jsem používal MATLAB; konkrétní jazyk samotného sběrného interface není v dochovaných podkladech jednoznačně identifikován.

Magisterská práce na University of St. Gallen byla zaměřena na prognózování HDP evropských ekonomik pomocí pokročilých time-series a machine-learning metod.

Porovnával jsem Bayesian Vector Autoregression s neuronovými sítěmi využívajícími Bayesian regularisation. Výzkum zahrnoval specifikaci modelů, optimalizaci parametrů, výběr proměnných a systematické porovnání forecast accuracy jednotlivých přístupů.

Tento projekt vytvořil metodologický základ pro pozdější forecasting, ekonometrickou práci a analýzu velkých datových souborů v evropských institucích.

Vedle specializovaných statistických jazyků jsem dlouhodobě programoval i nástroje pro každodenní analytickou práci. V Excelu a VBA jsem vytvářel pokročilé funkce, add-ins, datové nástroje a automatizované aktualizace chart packages kombinující data z externích zdrojů.

Součástí byly také add-ins pro automatické formátování grafů a opakované analytické požadavky. V Microsoft Access jsem vytvářel databáze finančních a ekonomických dat.

Automatizace zde nebyla samostatným cílem: šlo především o to, aby se opakovaná analytická práce dala provádět rychleji, konzistentněji a s menším rizikem manuální chyby.