Empirische Untersuchung Zeitstetiger Modelle für Aktienrenditen

在经济发展的时代模式中，金融机构的一个中心研究点，在拉格理论中，是对资产负债表的统计特征。这个模型与实践相关。Sie韦尔登beispielsweise für das Risikomantives，die Bewertung von Derivaten oder die Bestimmung optimaler Português verwendet.在这个项目中，我们将建立一个经验模型。在一个第一个解决方案和一个数据集中，股票期权也会快速增长，风险因素的风险波动性与随机波动性或sprungrisiken geschätzt韦尔登相似。在1987年股灾后，波动性微笑的增强意味着，股市的结构性增长。法国，这个有着韦尔登特色的项目，是一个金融业发展的良好基础。在一个两个项目中，研究了样本外检验的时间序列模型，这是一个韦尔登问题。In der Regel konzentrieren sich die empirischen Untersuchungen der Modelle auf die Anpassungen für den Zeitraum der Daten，der für die Schätzung verwendet wurde（so genannte“In-Sample”-Tests）. Da man bei der Modellierung letztendlich ab einem gewissen Komplexitätsgrad des Models konstante Parameter annehmen muss，ergibt sich unmittelbar die Frage，welche Prognosegüte diese Modelle haben（“Out-of-Sample”-Tests）.在这个Teilprojekt wird insbesondere der Frage nachgegangen，wie komplexere Modelle，welche einen besseren In-Sample Erklärungsgehalt haben，im Vergleich mit weniger komplexen Modellen abschneiden.这个Frage is insbesondere deswegen von Interesse，da häufig beobachtet wird，dass Model die sehr gut In-Sample Abschneiden eine sehr schlechte Out-of-Sample Anpassung haben（Overfitting Bias）.

Einer der zentralen Forschungsschwerpunkte der Finanzwirtschaft besteht in der Entwicklung zeitstetiger Modelle, die in der Lage sind, die statistischen Eigenschaften von Aktienrenditen abzubilden. Diese Modelle sind für eine Vielzahl von praktischen Anwendungen relevant. Sie werden beispielsweise für das Risikomanagement, die Bewertung von Derivaten oder die Bestimmung optimaler Portfolios verwendet. In diesem Projekt wird der Erklärungsgehalt zeitstetiger Modelle empirisch überprüft. In einem ersten Projekt sollen anhand eines Datensatzes, der sowohl Aktienrenditen als auch Optionspreisdaten umfasst, Risikoprämien für Risikofaktoren wie stochastische Volatilität oder Sprungrisiken geschätzt werden. Insbesondere seit dem Auftreten des Volatility Smiles nach dem Crash von 1987 ist bekannt, dass signifikante Strukturbrüche am Aktienmarkt auftreten können. Die Frage, die mit diesem Teilprojekt beantwortet werden soll, ist welche Strukturbrüche aufgrund der aktuellen Finanzkrise aufgetreten sind. In einem zweiten Projekt soll die Untersuchung von zeitstetigen Modellen auf Out-of-Sample Tests erweitert werden. In der Regel konzentrieren sich die empirischen Untersuchungen der Modelle auf die Anpassungen für den Zeitraum der Daten, der für die Schätzung verwendet wurde (so genannte "In-Sample"-Tests). Da man bei der Modellierung letztendlich ab einem gewissen Komplexitätsgrad des Modells konstante Parameter annehmen muss, ergibt sich unmittelbar die Frage, welche Prognosegüte diese Modelle haben ("Out-of-Sample“-Tests). In diesem Teilprojekt wird insbesondere der Frage nachgegangen, wie komplexere Modelle, welche einen besseren In-Sample Erklärungsgehalt haben, im Vergleich mit weniger komplexen Modellen abschneiden. Diese Frage ist insbesondere deswegen von Interesse, da häufig beobachtet wird, dass Modelle die sehr gut In-Sample Abschneiden eine sehr schlechte Out-of-Sample Anpassung haben (Overfitting Bias).