Wavelet-Methoden zur Modellierung multivariater Finanzzeitreihen

基于小波方法的多变量金融模型研究[j]。基于小波变换的小波变换分析了不同时间点的特征特征，并对不同时间点的特征特征进行了分析。平行模具inhärenten kurz- sowie langfristigen Abhängigkeiten zu modellieren and gegenseitig in ververindung zu setzen。在德国，有两种不同的方法：一种是在德国，一种是在德国，另一种是在德国，另一种是在德国。insbesonderscheint die小波变换和wendbar fr die分析[j] Nichtstationaritäten。2、工程设计：1、工程设计：中央区热模分析与热模分析。基于小波函数的分层模型分析与结构分析。2. 基于小波分析的低效率研究进展与研究进展Volatilitätsmaßes herangzogen。3. 小波理论在经验主义理论中的应用Dichteschätzungen mit - bzw。semiparametrischen Ansätzen durchzuf<e:1> hren。4. Neben der modellanalyze kommt es insbesonere zu einer Anwendung der entwickelten methodener der preschidlicher zeitrehen, die mit der Vorhersagequalität bereits etabliter Modelle verglichen werden。insbesonere bei hochfrequen Finanzdaten scheint es dabei von Interesse zu sein, obdie Aggregation der Daten en geeignetes Niveau f7 . obendbarkeit der Modelle sowie deren Interpretation von Vorteil ist。2 . Die geignete Wahl des Aggregationsniveaus kann dabei als in entscheidungskrigerium; Die optimale progale des langfristigen Verhaltens einer zeitreetheherangeogen werden。

Im Zentrum dieses Teilprojekts steht die Entwicklung und Untersuchung verschiedener Wavelet-Methoden zur Modellierung von multivariaten Finanzzeitreihen. Wavelet Transformationen erlauben aufgrund ihrer lokalen Eigenschaften eine simultane Untersuchung des Verhaltens einer Zeitreihe auf unterschiedlichen Zeitfenstern. Sie sind deshalb geeignet, parallel die inhärenten kurz- sowie langfristigen Abhängigkeiten zu modellieren und gegenseitig in Verbindung zu setzen. Mit einer speziellen Anwendung auf Finanzdaten und deren Untersuchung auf unterschiedliche Skalenniveaus wird somit ein wirkungsvolles Hilfsmittel zur Analyse der Zeitreihen bereitgestellt. Insbesondere scheint die Wavelet Transformation anwendbar für die Analyse lokaler Nichtstationaritäten. Dieses Projekt teilt sich in die folgenden Aufgabengebiete auf: 1. Zentrales Thema wird die Analyse von Finanzzeitreihen darstellen. Hierarchische Modellentwicklungen werden dabei aufgrund der Struktur der Waveletfunktionen eine wesentliche Rolle spielen. 2. Die Koeffizienten der Waveletzerlegung werden zur Entwicklung eines Volatilitätsmaßes herangezogen. 3. Waveletzerlegungen werden es erlauben, empirische Dichteschätzungen mit nicht- bzw. semiparametrischen Ansätzen durchzuführen. 4. Neben der Modellanalyse kommt es insbesondere zu einer Anwendung der entwickelten Methoden für die Prognose unterschiedlicher Zeitreihen, die mit der Vorhersagequalität bereits etablierter Modelle verglichen werden. Insbesondere bei hochfrequenten Finanzdaten scheint es dabei von Interesse zu sein, ob die Aggregation der Daten auf ein geeignetes Niveau für die Anwendbarkeit der Modelle sowie deren Interpretation von Vorteil ist. Die geignete Wahl des Aggregationsniveaus kann dabei als ein Entscheidungskriterium für die optimale Prognose des langfristigen Verhaltens einer Zeitreihe herangezogen werden.