Seit langer Zeit wurde bei der Untersuchung von Finanzmarktdaten statistische Methoden angewendet, die eine konstante Volatilität voraussetzen. Der Grund hierfür war das Fehlen einer Alternative, die die sich über die Zeit hinweg variierende Volatilität von Finanzmarktdaten betrachtet.
Ein wichtiger Durchbruch in der Ökonometrie, der diesen Umstand zu berücksichtigen versucht, ist die Klasse der sogenannten Autoregressive Conditional Heteroskedasticity (ARCH)-Modelle von Professor Robert Engle im Jahr 1982. Sie ermöglicht die signifikant bessere Beschreibung der Eigenschaften von Zeitreihen und die Modellierung von sich zeitlich verändernden Volatilitäten. Die ARCH-Famile und deren Verallgemeinerung (GARCH-Modelle) werden im zweiten Kapitel der vorliegenden Arbeit als Grundlage vorgestellt. Um den GARCH-Prozess zu verdeutlichen, wird ein Anwendungsbeispiel gebracht, wobei die Renditezeitreihe des Deutsche Aktienindex (DAX) als Datenquelle für die Parameterschätzung des GARCH-Modells verwendet wird. Anhand der Schätzung werden die Volatilitäten des DAX anschließend prognostiziert. Allerdings sind diese Modelle auf ihre univariate Betrachtung beschränkt, weil sich die bedingte Varianz nur auf eine Finanzzeitreihe bezieht und daher unabhängig ist.
Außerdem spielt nicht nur die Berücksichtigung der sich zeitlich verändernden Volatilität, auch das Verständnis über die gegenseitigen und dynamischen Beziehungen zwischen Renditen verschiedener Wertpapiere eine immer wichtigere Rolle für den Entscheidungsprozess. Denn ökonomische Globalisierung und Internetkommunikation unterstützen die Integration der weltweiten Finanzmärkte signifikant, wodurch solche Wechselbeziehungen ausgebaut werden. Deshalb werden im dritten Kapitel die multivariaten generalisierten ARCH (GARCH)-Modelle, die die Korrelation verschiedener Finanzmarktdaten berücksichtigen und die die univariaten ARCH-Modelle als Grundlage nehmen, untersucht. Zusätzlich werden auch deren Erweiterungen, Alternativen sowie die Eigenschaften, Vor- und Nachteile erläutert.
Im Anschluss an die theoretische Übersicht über die multivariaten GARCH-Modelle werden die Parameterschätzungen anhand verschiedener Schätzmethoden vorgenommen. Unter Verwendung des Ergebnisses aus den Schätzungen lassen sich die Volatilitäten prognostizieren. Hierzu wird im vierten Kapitel zunächst auf die theoretischen Grundlagen eingegangen....
Inhaltsverzeichnis
1 Einführung
2 Univariate Modellierung
2.1 ARCH-Modellspezifikation
2.1.1 Definition
2.1.2 Schwächen des ARCH-Modells
2.2 GARCH-Modellspezifikadion
2.2.1 Definition
2.2.2 Schwächen des GARCH-Modells und erweiterte Modelle
2.2.3 Anwendungsbeispiel für das GARCH-Modell
3 Multivariate GARCH-Modelle
3.1 Vektorielle und diagonale Modelle
3.1.1 VECH-Modell
3.1.2 Diagonales VECH-Modell
3.1.3 BEKK-Modell
3.1.4 Diagonales BEKK-Modell
3.1.5 Skalar-BEKK-Modell
3.2 Für hochdimensionale Systeme geeignete Modelle
3.2.1 Faktor-GARCH-Modell
3.2.2 Orthogonales GARCH-Modell
3.3 Modelle mit bedingter Korrelation
3.3.1 CCC-Modell
3.3.2 DCC-Modell
3.3.3 TVC-Modell
3.4 Weitere mögliche Modelltypen
3.4.1 FlexM-GARCH-Modell
3.4.2 GDC-Modell
3.4.3 ADC-Modell
4 Ermittlung der Parameter für multivariate GARCH-Modelle
4.1 Vorgehensweise
4.1.1 Maximum-Likelihood-Methode
4.1.2 Zwei-Schritte-Schätzungsmethode
4.1.3 Semiparametrische Schätzungsmethode
4.2 Verschiedene Möglichkeiten von multivariaten Verteilungen
4.2.1 Multivariate Normalverteilung
4.2.2 Multivariate Student-t-Verteilung
4.3 Ermittlung der Parameter
4.3.1 Beschreibung der Datengrundlage
4.3.2 Parameterschätzung mit Normalverteilungsannahme
4.3.3 Parameterschätzung mit Student-t-verteilungsannahme
4.4 Prognose von Volatilitäten
4.4.1 Prognose mit dem diagonalen VECH-Modell
4.4.2 Prognose mit dem CCC-Modell
5 Ermittlung des Value-at-Risk anhand multivariater GARCH-Modelle
5.1 Definition des Value-at-Risk
5.2 Ermittlung des Value-at-Risk
5.3 Bankaufsichtliche Anwendung des Value-at-Risk auf Basel II
5.3.1 Basel II-Richtlinien
5.3.2 Backtesting des Value-at-Risk
6 Zusammenfassung und Ausblick
Zielsetzung & Themen
Die Arbeit befasst sich mit der Bestimmung des Value-at-Risk unter der Anwendung multivariater GARCH-Modelle, um das Risiko von Aktienportfolios präzise zu erfassen und regulatorische Anforderungen nach Basel II zu erfüllen. Dabei steht die methodische Weiterentwicklung von der univariaten hin zur multivariaten Modellierung der Volatilität im Fokus, unter Berücksichtigung dynamischer Korrelationen zwischen Finanzzeitreihen.
- Methodische Grundlagen der (G)ARCH-Modellfamilie
- Darstellung und Vergleich multivariater GARCH-Modelle (VECH, BEKK, CCC, DCC, etc.)
- Parameterschätzung und Volatilitätsprognose unter Normal- und Student-t-Verteilung
- Anwendung der Value-at-Risk-Berechnung auf ein Aktienportfolio
- Bankaufsichtliche Relevanz im Rahmen der Baseler Eigenkapitalrichtlinien
Auszug aus dem Buch
3.1.1 VECH-Modell
Bollerslev, Engle und Wooldridge (1988) haben das erste multivariate GARCH-Modell vorgestellt, welches VECH-Operatoren verwendet um das CAPM zu schätzen und welches infolgedessen das VECH-Modell genannt wird. Das Modell wird wie folgt definiert:
vech(Mt) = vech(A0) + Summe von j=1 bis q (Aj vech(ut-j u't-j)) + Summe von k=1 bis p (Bk vech(Mt-k)) , (3.1.1)
wobei A0 ein (n x n) positiv definite und symmetrische Parametermatrix ist und vech(A0) einen (n(n + 1)/2 x 1) dimensionalen Vektor bezeichnet. Aj und Bk stellen (n(n + 1)/2 x n(n + 1)/2) dimensionale Parametermatrizen dar. Übrigens ist vech(.) der Operator, der die unten dreieckigen Elemente einer (n x n) Matrix in einen (n(n + 1)/2 x 1) dimensionalen Vektor anordnet. Obwohl das VECH-Modell sehr flexibel ist, bestehen jedoch zwei deutliche Nachteile bei diesem Modell:
Die Anzahl der Parameter ist sehr hoch. Es resultiert zusammen mit dem n (n + 1)/2 elementigen Vektor vech(A0) insgesamt eine Anzahl von n(n + 1)/2 + (q + p)(n(n + 1))²/4 zu schätzende Parameter. Sogar für das reduzierte Modell mit q = 1 und p = 1 ergibt sich auch schon (n(n + 1) + n(n+1)²)/2 Parameter. Mit dieser Anzahl ist das Modell praktisch kaum anwendbar. Für einen zweidimensionalen Prozess mit q = 1, p = 1 resultiert folglich schon 21 Parameter und wird wie folgt dargestellt:
Zusammenfassung der Kapitel
1 Einführung: Die Einleitung legt die motivationale Basis für die Modellierung zeitvarianter Volatilität im Risikomanagement und führt in die wissenschaftliche Fragestellung der Arbeit ein.
2 Univariate Modellierung: Dieses Kapitel erläutert die Grundlagen der ARCH- und GARCH-Modellfamilien als notwendige Bausteine für die multivariate Analyse.
3 Multivariate GARCH-Modelle: Hier werden verschiedene multivariate Spezifikationen wie VECH, BEKK und korrelationsbasierte Modelle vorgestellt, um Interdependenzen zwischen Finanzzeitreihen zu erfassen.
4 Ermittlung der Parameter für multivariate GARCH-Modelle: Dieses Kapitel behandelt die statistischen Verfahren zur Schätzung der Modellparameter, einschließlich Maximum-Likelihood-Methoden und der Anpassung an verschiedene Verteilungsannahmen.
5 Ermittlung des Value-at-Risk anhand multivariater GARCH-Modelle: Der Hauptteil verknüpft die Volatilitätsmodelle mit der Value-at-Risk-Berechnung und diskutiert deren Anwendung unter den Basel II-Richtlinien.
6 Zusammenfassung und Ausblick: Das abschließende Kapitel resümiert die theoretischen und empirischen Ergebnisse der Arbeit und zeigt Grenzen sowie zukünftige Forschungsfelder auf.
Schlüsselwörter
Multivariate GARCH-Modelle, Volatilität, Value-at-Risk, Basel II, Risikomanagement, Korrelation, Kovarianz-Matrix, Maximum-Likelihood-Schätzung, Student-t-Verteilung, Finanzzeitreihen, Renditephänomene, Backtesting, Aktienkurse, Eigenkapitalanforderungen, Modellstabilität
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der mathematischen und statistischen Modellierung von Volatilitäten und Korrelationen in Finanzmärkten, um Marktrisiken präzise durch den Value-at-Risk zu quantifizieren.
Was sind die zentralen Themenfelder der Analyse?
Die zentralen Themen sind die ökonometrische Zeitreihenanalyse, die multivariate GARCH-Modellierung, Schätzmethoden für komplexe statistische Modelle sowie die praktische Umsetzung für das Risikomanagement in Banken.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, verschiedene multivariate GARCH-Modelle vorzustellen, deren Parameter zu schätzen und zu zeigen, wie diese zur Ermittlung des Value-at-Risk gemäß regulatorischer Anforderungen (Basel II) beitragen können.
Welche wissenschaftlichen Methoden werden verwendet?
Es kommen ökonometrische Schätzverfahren wie die Maximum-Likelihood-Methode (ML) und die Quasi-Maximum-Likelihood-Methode (QML) sowie statistische Tests wie der Ljung-Box-Test und der Jarque-Bera-Test zum Einsatz.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Herleitung der verschiedenen GARCH-Typen, die mathematische Schätzung der Parameter anhand empirischer DAX- sowie S&P 500/NASDAQ-Daten und die praktische Value-at-Risk-Berechnung.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Die wichtigsten Begriffe sind GARCH-Familie, Volatilitätsclustering, Value-at-Risk, Basel II, Kovarianzstationarität und die Unterscheidung zwischen Normal- und Student-t-Verteilung.
Wie unterscheiden sich VECH- und BEKK-Modelle?
Das VECH-Modell ist sehr flexibel, leidet aber unter einer sehr hohen Parameteranzahl. Das BEKK-Modell bietet eine alternative Struktur, die die positive Definitheit der Kovarianzmatrix besser gewährleistet, aber ebenfalls rechenintensiv bleibt.
Warum ist die Student-t-Verteilung für die Risikoanalyse relevant?
Da Finanzrenditen häufig "Fat Tails" (Leptokurtosis) aufweisen, führt die Annahme einer Normalverteilung zur Unterschätzung extremer Verluste. Die Student-t-Verteilung bildet diese extremen Ereignisse besser ab und führt zu realistischeren Value-at-Risk-Schätzungen.
- Quote paper
- Dipl. Kfm Quang Huy Tran (Author), 2010, Value-at-Risk Bestimmung unter Anwendung von multivariaten GARCH-Modellen, Munich, GRIN Verlag, https://www.grin.com/document/176089
