1. Analyzing, Measuring and Forecasting Financial Risks (WIN-Programm)

ches dieser Maße vorhergesagt wurde. Vielmehr wird nur verlangt, einen „besten
Tipp“ oder „eine Projektion“ abzugeben. Durch diese neue Methode kann das
bisher unbekannte Verhalten von professionellen als auch privaten Vorhersagen
analysiert werden.
Noch im Jahr 2019 konnte ein Working Paper dieses Projektes fertiggestellt
und verfügbar gemacht werden. Darüber hinaus wurde das Projekt auf der EC2
(European Conferences of the Econometrics Community) Konferenz in Oxford,
auf dem CSS Workshop an der ETH Zürich, auf der Statistischen Woche in Trier,
beim HKMetrics Workshop in Mannheim, in Seminaren an der Duke University,
der Universität Hohenheim, der Goethe Universität Frankfurt, am KIT Karlsruhe
und dem HITS Heidelberg vorgestellt werden.
Weiterhin wurde im Jahr 2019 das Paper „A Joint Quantile and Expected
Shortfall Regression Framework“ im „Electronic Journal of Statistics“ publiziert.
Das Paper „Regression-Based Expected Shortfall Backtesting“ wurde nach einer
Revision ans „Journal of Financial Econometrics“ re-submitted und befindet sich
aktuell noch im Revisionsprozess.
In einer Zusammenarbeit mit Giorgio Calzolari und Aygul Zagidullina beab-
sichtigen wir, realisierte Volatilitäten anhand von dynamischen Latentfaktor-Mo-
dellen mit AR Faktoren zu modellieren und vorherzusagen, um die Allgemeinheit
der Dynamiken, deren gutes Gedächtnis und deren konditionale Heteroskedastizi-
tät zu erfassen - all dies mit sehr geringen Parameterkosten. Der Veröffentlichung
dieses Papers im Journal of Financial Econometrics wurde 2019 zugestimmt.
Eine Erweiterung dieses Ansatzes zu Matrizen aus realisierten Kovarianzen ist
Teil eines weiteren Projekts mit Giorgio Calzolari, welches eine zugrundeliegende,
konditionale Wishart Verteilung animmt, und welches die Eingabe der Faktoren in
die Gleichung spezifisch zur Skalenmatrix in einer exponentiellen „Sandwich“-
Form ermöglicht. Neben der Erfassung von gemeinsamen Dynamiken und gu-
tem Gedächtnis, gewährleistet dieser Ansatz zusätzlich automatisch die positive
Defmitheit der Vorhersagematrizen. Dieses Paper, welches 2019 bei einem sehr
renommierten, internationalen Journal eingereicht wurde, wurde bei einigen Kon-
ferenzen, unter anderem bei der SoFiE Konferenz in Shanghai bei dem Workshop
on Modelling Economic und Financial Time Series an der Universidad Carlos III
de Madrid, sowie beim Forschungsseminar an der Freien Universität Amsterdam
vorgestellt.
Dr. Roxanna Halbleib hat 2019 einen Ruf auf eine W2-Heisenberg-Professur
(mit Tenure Track auf W3) in Big Data Analytics in Transportation an der Tech-
nischen Universität Dresden und einen Ruf auf eine W3-Heisenberg-Professur
für Statistik und Ökonometrie an der Albert-Ludwigs-Universität Freiburg er-
halten.

357