DOI Kapitel:
C. Förderung des wissenschaftlichen Nachwuchses
DOI Kapitel:II. Das WIN-Kolleg
DOI Kapitel:Sechster Forschungsschwerpunkt „Messen und Verstehen der Welt durch die Wissenschaft“
DOI Kapitel:3. Analyzing, Measuring and Forecasting Financial Risks by means of High-Frequency Data
DOI Seite / Zitierlink:https://doi.org/10.11588/diglit.55653#0264
3. Financial Risks (WIN-Programm)
missspezifikation bei Benutzung einer für die spezielle Situation unpassenden
Verteilungsfunktion.
Ein alternativer Ansatz hierfür sind nichtparametrische (bzw. semiparametri-
sche) Verfahren, welche ohne parametrische Verteilungsannahmen auskommen.
Eine solche Idee wurde in unserem ersten Forschungsprojekt implementiert, bei
dem man davon ausgeht, dass die logarithmischen Preise von Finanzprodukten
ungefähr einem unifraktalen Prozess folgen. Dies resultiert direkt in eine unif-
raktale Skalierungseigenschaft der Verteilungen der logarithmischen Renditen von
verschiedenen Zeitdauern. Durch diese Skalierungseigenschaft kann man die oben
genannten Risikomaße auf Basis von hochfrequenten Daten eines speziellen Han-
delstags schätzen.
Hierfür benutzen wir sowohl Tick-Daten von Aktienkursen an der New York
Stock Exchange als auch Wechselkursdaten der Devisen Euro - US Dollar und Eu-
ro - Pfund Sterling, welche speziell für dieses Projekt erworben wurden. Diese
Datensätze bestehen aus allen vorhandenen (und erfassten) Transaktionen der
jeweiligen Finanzprodukte und enthalten durch das stark angestiegene Handels-
volumen im letzten Jahrzehnt Preisinformationen auf Millisekundenebene. Mit
Hilfe dieser Datensätze vergleichen wir die Genauigkeit der Schätzungen und
Vorhersagen unseres Skalierungsmodells mit einigen klassischen Valne-at-Risk
Schätzmethoden. Unsere vorläufigen Resultate zeigen, dass unsere neue Ska-
lierungsmethode eine höhere Vorhersagegenauigkeit für beide Datentypen hat.
Diese Genauigkeit wird durch ein Standardkriterium für Quantilvorhersagen,
dem relativen check loss, gemessen. Eine andere Methode zum Evaluieren von
Quantilen sind sog. Backtests, die hauptsächlich auf eine korrekte Trefferquo-
te und auf Unabhängigkeit dieser Treffer testen. Auch in Bezug auf Backtests
schneidet unser Modell besser ab als die benutzten Standardmethoden. Eine
Erweiterung derselben Methode auf das Risikomaß Expected Shortfall ist einfach
umzusetzen und wird im weiteren Verlauf des Forschungsprojekts durchgeführt
werden.
Dieses Forschungsprojekt wurde sowohl im September 2015 beim Nach-
wuchsworkshop der Statistischen Woche der Deutschen Statistischen Ge-
sellschaft in Hamburg als auch im Dezember 2015 bei der 9th International
Conference on Computational and Financial Econometrics in London vorge-
stellt. Bei beiden Konferenzen konnte wertvolles und hilfreiches Feedback ge-
sammelt werden.
265
missspezifikation bei Benutzung einer für die spezielle Situation unpassenden
Verteilungsfunktion.
Ein alternativer Ansatz hierfür sind nichtparametrische (bzw. semiparametri-
sche) Verfahren, welche ohne parametrische Verteilungsannahmen auskommen.
Eine solche Idee wurde in unserem ersten Forschungsprojekt implementiert, bei
dem man davon ausgeht, dass die logarithmischen Preise von Finanzprodukten
ungefähr einem unifraktalen Prozess folgen. Dies resultiert direkt in eine unif-
raktale Skalierungseigenschaft der Verteilungen der logarithmischen Renditen von
verschiedenen Zeitdauern. Durch diese Skalierungseigenschaft kann man die oben
genannten Risikomaße auf Basis von hochfrequenten Daten eines speziellen Han-
delstags schätzen.
Hierfür benutzen wir sowohl Tick-Daten von Aktienkursen an der New York
Stock Exchange als auch Wechselkursdaten der Devisen Euro - US Dollar und Eu-
ro - Pfund Sterling, welche speziell für dieses Projekt erworben wurden. Diese
Datensätze bestehen aus allen vorhandenen (und erfassten) Transaktionen der
jeweiligen Finanzprodukte und enthalten durch das stark angestiegene Handels-
volumen im letzten Jahrzehnt Preisinformationen auf Millisekundenebene. Mit
Hilfe dieser Datensätze vergleichen wir die Genauigkeit der Schätzungen und
Vorhersagen unseres Skalierungsmodells mit einigen klassischen Valne-at-Risk
Schätzmethoden. Unsere vorläufigen Resultate zeigen, dass unsere neue Ska-
lierungsmethode eine höhere Vorhersagegenauigkeit für beide Datentypen hat.
Diese Genauigkeit wird durch ein Standardkriterium für Quantilvorhersagen,
dem relativen check loss, gemessen. Eine andere Methode zum Evaluieren von
Quantilen sind sog. Backtests, die hauptsächlich auf eine korrekte Trefferquo-
te und auf Unabhängigkeit dieser Treffer testen. Auch in Bezug auf Backtests
schneidet unser Modell besser ab als die benutzten Standardmethoden. Eine
Erweiterung derselben Methode auf das Risikomaß Expected Shortfall ist einfach
umzusetzen und wird im weiteren Verlauf des Forschungsprojekts durchgeführt
werden.
Dieses Forschungsprojekt wurde sowohl im September 2015 beim Nach-
wuchsworkshop der Statistischen Woche der Deutschen Statistischen Ge-
sellschaft in Hamburg als auch im Dezember 2015 bei der 9th International
Conference on Computational and Financial Econometrics in London vorge-
stellt. Bei beiden Konferenzen konnte wertvolles und hilfreiches Feedback ge-
sammelt werden.
265