Moderne Aspekte der nichtparametrischen Statistik: Konstruktion hierarchischer a-priori-Annahmen für dünnbesetzte Strukturen und Anwendung von Schätzern für die Spot-Volatilität auf Tickdaten

点击翻译按钮获取中文摘要

Das vorgeschlagene Forschungsprojekt umfasst zwei aneinander angrenzende Aufgabenstellungen, die bestimmte mathematische Aspekten des Funktionenschätzens näher beleuchten sollen. Bei dem ersten Teil geht es um Eigenschaften von a-posteriori-Verteilungen nichtparametrischer Bayesianischer Probleme. Einerseits sollen dabei Mengen konstruiert und untersucht werden, die die wahre Funktion mit einer vorgegebenen Wahrscheinlichkeit enthalten, andererseits wollen wir Schätzprobleme für hoch-dimensionale Daten unter der Annahme dünnbesetzter Strukturen analysieren. Insbesondere erfordert dies die Konstruktion hierarchischer a-priori-Annahmen. Wir versprechen uns davon eine Verbesserung des mathematischen Verständnisses von Funktionsschätzern, falls a-priori-Informationen, z.B. in Form von Erfahrungswerten, vorliegen. In einem zweiten Teil wollen wir uns mit einer bestimmten Art von Modellen beschäftigen, wie sie beispielsweise bei der Modellierung von hochfrequenten Finanzzeitreihen auftreten. Diese Modelle lassen sich dadurch beschreiben, dass der wahre Preisprozess durch die auf diesen Zeitskalen entstehenden Mikrostruktureffekte sehr stark gestört wird und nur die verrauschten Daten aufgenommen werden können. Die zentrale Größe, beispielsweise beim Risikomanagement, ist dabei der Pfad der lokalen Varianz, die sogenannte Spot-Volatilität, die aus den Daten zu schätzen ist. Insbesondere planen wir die für solche Modelle in Vorarbeiten entwickelten Schätzer auf echte Daten anzuwenden. Das Problem ist, dass die vorgeschlagenen Modelle oftmals nur einen Teil der Komplexität echter Finanzdaten abbilden. Es ist daher ein Ziel des Projektes ein besseres Verständnis für Mikrostruktureffekte zu erlangen. Darüber hinaus werden wir die Struktur dieser Modelle untersuchen, indem wir sie mit Hilfe einfacherer statistischer Experimente (im Sinne des Le-Cam Abstands) approximieren. Damit können wir schwierige Fragestellungen im ursprünglichen Modell auf bekannte Resultate zurückführen.