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 sklad 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 datových souborů. 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.

V oddělení dluhopisových a mezinárodních trhů ECB jsem vyvíjel analytické nástroje pro finanční trhy a správu portfolií. 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 dat o jednotlivých devizových obchodech, 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 přehledy zaměřené na akcie, volatilitu, komodity 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 systémy tržních dat.

V oddělení statistiky bankovního dohledu ECB jsem pracoval s rozsáhlými dohledovými databázemi evropských bank a vyvíjel technickou infrastrukturu pro výpočet finančních, úvěrových a likviditních ukazatelů, ukazatelů zátěžových testů a kvality dat. Programoval jsem řešení pro zpracování statistických datových souborů přesahujících 400 GB.

V SAS jsem programoval analytické SQL dotazy, vytvářel datové soubory, extrahoval ukazatele po jednotlivých institucích, implementoval validační pravidla a postupy pro tvorbu reportů 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 datových souborů. V Pythonu a scikit-learn jsem pracoval také na zpracování dohledových komentářů a jejich automatické klasifikaci pomocí strojového učení.

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 analýzou časových řad a prognózováním makroekonomických proměnných a vytvářel rozsáhlé VAR modely pro identifikaci faktorů ovlivňujících nesplácené úvěry. Modelování zahrnovalo také vývoj cen nemovitostí a dalších makrofinančních proměnných.

V R/RStudio jsem pracoval s časovými řadami i panelovými daty, budoval infrastrukturu pro načítání a zpracování dat a analýzu jejich kvality a vyhledával a analyzoval charakteristiky 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. V EViews jsem vytvářel VAR modely.

Jedním z hlavních témat byla kvantitativní analýza švédského trhu bydlení a zadlužení domácností. Ve veřejném Country Reportu Komise byl použit ekonometrický model simulace šoků 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 %.

V DG ECFIN jsem připravoval oficiální makroekonomické a fiskální prognózy Evropské komise. Pro jednotlivé země jsem pracoval s prognostickým datovým souborem 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 vysokofrekvenčních ukazatelů, kontroly kvality a konzistence dat, hodnocení statistických revizí a chyb prognóz, alternativní scénáře a údržbu prognostických nástrojů. Výsledky musely být konzistentní uvnitř jednotlivé ekonomiky i s předpoklady společnými pro celou prognózu EU.

Připravoval jsem oficiální prognózy Evropské komise v letech 2022–2025.

Při práci na slovenském plánu pro oživení a odolnost jsem řešil kvantitativní problém, který nešlo uspokojivě vyřešit běžným celkovým 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 zpracování dat pomocí strojového učení. Pracoval jsem například na automatizovaném zpracování dohledových komentářů a jejich klasifikaci 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 datovými soubory.

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 nové rozhraní pro automatizovanější sběr odpovědí, který nahrazoval proces založený ve větší míře na jednotlivě zasílaných souborech Excelu. Hlavním výsledkem nebyla samotná automatizace, ale kvalitnější a lépe použitelná statistická infrastruktura pro opakovaný evropský průzkum systémových rizik.

Pro ekonometrickou část práce v ESRB jsem používal MATLAB.

Magisterská práce na Univerzitě v St. Gallenu byla zaměřena na prognózování HDP evropských ekonomik pomocí pokročilých metod analýzy časových řad a strojového učení.

Porovnával jsem bayesovskou vektorovou autoregresi s neuronovými sítěmi využívajícími bayesovskou regularizaci. Výzkum zahrnoval specifikaci modelů, optimalizaci parametrů, výběr proměnných a systematické porovnání přesnosti prognóz jednotlivých přístupů.

Tento projekt vytvořil metodologický základ pro pozdější prognózování, 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, doplňky, datové nástroje a automatizované aktualizace sad grafů kombinujících data z externích zdrojů.

Součástí byly také doplňky 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.