Dynamische Faktormodelle für die Volatilität von Aktienrenditen und ihre statistische Inferenz basierend auf der Likelihoodfunktion

在多变量模型的公式分析中，我们得到了最好的研究结果。die soll im Rahmen dynamischer Faktormodelle erfolgen, in denen sowohl die gemeinsamen Faktoren als auch die aktienspezifischen Komponenten als stochastische Volatilitätsprozesse modelliert werden, so dasß f<e:1> die dazugehörigen Volatilitäten in autoregresves Verhalten zugelassen风。disese模型，in denen in Anlehnung and die Arbitrage-Pricing theory and the Capital-Asset-Pricing model zwischen dem Marktrisiko and dem Aktienspezifischen Risiko unterschieden, sollen dazu dienen, die unschiedlichen Risiko bzw。Volatilitätskomponenten von Aktienrenditen zu identifizieren, entsprechend zu interpretien and zu prognostizieren。摘要/ abstract摘要/ abstract摘要/ abstract摘要/ abstract摘要/ abstract摘要/ abstract摘要/ abstract摘要/ abstractFolglich lassen模型与hilife der <s:1> blichen极大似然法schätzen。in weiteres Ziel ist es daher, effiziente Schätz- and Testmethoden Testmethoden for disese model - klasse des effiziente significance - samwendet werden, beechnung der likelihood function and eine entprechende statisticsche interenz ermöglichen。

Das Forschungsziel besteht zum einen in der Formulierung von Multivariaten Modellen für das gemeinsame Zeitreihenverhalten von Volatilitäten mehrerer Aktienrenditen. Dies soll im Rahmen dynamischer Faktormodelle erfolgen, in denen sowohl die gemeinsamen Faktoren als auch die aktienspezifischen Komponenten als stochastische Volatilitätsprozesse modelliert werden, so daß für die dazugehörigen Volatilitäten ein autoregessives Verhalten zugelassen wird. Diese Modelle, in denen in Anlehnung an die Arbitrage-Pricing Theorie und das Capital-Asset-Pricing Modell zwischen dem Marktrisiko und dem Aktienspezifischen Risiko unterschieden wird, sollen dazu dienen, die unterschiedlichen Risiko bzw. Volatilitätskomponenten von Aktienrenditen zu identifizieren, entsprechend zu interpretieren und zu prognostizieren. Da die gemeinsamen und aktienspezifischen Komponenten latente dynamsiche Variablen sind, ist die Likelihoodfunktion ein hochdimensionales Integral, das mit herkömmlichen Methoden nicht berechnet werden kann. Folglich lassen sich diese Modelle nicht mit Hilfe der üblichen Maximum-LikelihoodMethode schätzen. Ein weiteres Ziel ist es daher, effiziente Schätz- und Testmethoden für diese Modellklasse des effizienten Importance-Samplings verwendet werden, die eine Berechnung der Likelihoodfunktion und eine entsprechende statistische Inferenz ermöglichen.