C. Förderung des wissenschaftlichen Nachwuchses

Sechster Forschungsschwerpunkt
„Messen und Verstehen der Welt durch die Wissenschaft"
3. Analyzing, Measuring and Forecasting Financial Risks
by means of High-Frequency Data
Kollegiatin: Dr. Roxana Halbleib1
Mitarbeiter: Timo Dimitriadis1
1 Department of Economics, Universität Konstanz
Die Forschung im Projekt „Analyzing, Measuring and Forecasting Financial Risks
by means of High-Frequency Data“ zielt darauf ab, die Schätzungen und Vorher-
sagen von Verlustrisiken im Finanzsektor zu verbessern. Hierbei wird versucht,
den Informationsgehalt von hochfrequenten Handelsdaten in den heutigen Fi-
nanzmärkten auszunutzen. Die Arbeit ist darauf fokussiert herauszufinden, in
welcher Form diese hochfrequenten Informationen am Besten in die Schätzung
von Wahrscheinlichkeiten und Höhen von negativen Ereignissen (Verlusten) mit
einbezogen werden können. Dies wird mathematisch umgesetzt durch das Schät-
zen und Vorhersagen von den verbreitetsten Risikomaßen, Value-at-Risk und Ex-
pected Shortfall.
Die jüngste Banken- und Finanzkrise ab 2007 hat gezeigt, dass traditionelles
Risikomanagement, welches auf Volatilität, also durchschnittliche Schwankungen aus-
gelegt ist, sehr anfällig für Extremereignisse ist und in genau diesen Zeiten ver-
sagt. Über die letzten Jahre hinweg wurden deswegen Techniken entwickelt, um
extreme Verlustrisiken abschätzen zu können und um die Finanzwelt dadurch
auf solche Extremereignisse vorbereiten zu können. Das bisher meistgenutzte
Risikomaß, welches auch eine zentrale Rolle in der europäischen Bankenauf-
sicht (BASEL II und BASEL III) spielt, ist der (tägliche) Value-at-Risk. Dieses
Maß repräsentiert die Vorhersagen für die 1 %- und 5 %-Quantile der täglichen
Renditen von Finanzprodukten. Einfach ausgedrückt besagt dieser Wert, dass
nur in 1 % (5 %) der Fälle ein gleich großer oder noch höherer Verlust am Markt
realisiert wird.
Zur Berechnung dieses (und anderer) Risikomaße(s) gibt es schon eine
Vielzahl verschiedener Modelle in der Literatur. Fast alle diese Modelle sind
jedoch in der Klasse der sog. location-scale Modelle. Diese Modelle schätzen wie-
der die Volatilität (durchschnittliche Schwankung) und erhalten eine Schätzung
für den Value-at-Risk dann aus einer parametrischen Verteilungsannahme. Diese
Verteilungsannahme stellt sich insbesondere für extreme Quantile als enorm
wichtig heraus und unterliegt somit der Gefahr von einer gefährlichen Modell-

264