Modellierung des Dow Jones Transportation Average Index mit Hilfe von GARCH-Modellen

Inhaltsverzeichnis

1 Einleitung

2 Methodik

2.1 Datensatz

2.2 Stationarität

2.3 Identifikation und Schätzung ARMA

2.4 Validierung ARMA

2.5 Identifikation GARCH

2.6 Schätzung

2.7 Validierung

3 Modellierung des Dow Jones Transportation Average Indexes

3.1 Datensatz

3.2 Stationarität

3.3 Identifikation und Schätzung ARMA

3.4 Validierung ARMA

3.5 Identifikation GARCH

3.6 Schätzung

3.7 Validierung

4 Fazit

5 Kritische Würdigung

Zielsetzung & Themen

Diese Bachelorarbeit untersucht, welches Modell aus der GARCH-Familie die bedingte Varianz von Finanzmarktdaten, konkret des Dow Jones Transportation Average Index (DJT) und des Dow Jones Industrial Average Index (DJI), am besten vorhersagen kann, um Risiken für Eigenkapitalgeber genauer zu bestimmen.

• Analyse und Modellierung von Finanzmarktdaten mittels GARCH-Familie
• Vergleich von Transport-Index (DJT) und allgemeinem Industrie-Index (DJI)
• Einsatz statistischer Tests zur Modellvalidierung und Güteprüfung
• Untersuchung von Asymmetrie- und Leverage-Effekten in Volatilitätsmodellen

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Die Einleitung motiviert die Untersuchung von Risiken in der Transportbranche infolge von Markt-Schocks durch die Modellierung von Volatilität mittels GARCH-Prozessen.

2 Methodik: Dieses Kapitel erläutert die theoretischen Grundlagen der GARCH-Modellfamilie sowie die statistischen Verfahren zur Identifikation, Schätzung und Validierung von Finanzzeitreihen.

3 Modellierung des Dow Jones Transportation Average Indexes: Hier erfolgt die praktische Anwendung der zuvor beschriebenen statistischen Methoden auf die Indizes DJT und DJI zur Bestimmung optimaler Modellparameter.

4 Fazit: Das Fazit fasst die Ergebnisse zusammen und bewertet die Eignung der verschiedenen GARCH-Modelle für die untersuchten Datensätze.

5 Kritische Würdigung: Dieses Kapitel reflektiert die methodischen Herausforderungen, Einschränkungen bei der Modellgüte und gibt Anregungen für weiterführende Analysen.

Schlüsselwörter

Finanzmarktdaten, GARCH-Modelle, Volatilität, Volatilitätsclustering, Leverage-Effekt, Dow Jones Transportation Average Index, Dow Jones Industrial Average Index, Zeitreihenanalyse, ARMA-Modell, Risikomanagement, Value at Risk, Ökonometrie, Statistik, Stationarität, Prognose.

Häufig gestellte Fragen

Worum geht es in dieser Arbeit?

Die Arbeit befasst sich mit der statistischen Modellierung von Volatilität in Finanzmarktdaten unter Verwendung verschiedener GARCH-Modelle.

Was sind die zentralen Themenfelder?

Die zentralen Felder sind die Zeitreihenanalyse von Aktienindizes, die Untersuchung von Volatilitätsclustern und die Anwendung ökonometrischer Verfahren zur Risikobestimmung.

Was ist das primäre Ziel der Arbeit?

Das Ziel ist es, das am besten geeignete Modell aus der GARCH-Familie zu identifizieren, um das unternehmerische Risiko für Eigenkapitalgeber in der Transportbranche präziser bestimmen zu können.

Welche wissenschaftlichen Methoden werden verwendet?

Verwendet werden statistische Methoden wie ADF-Tests zur Prüfung der Stationarität, ARMA-Modellierung zur Filterung von Autokorrelationen sowie diverse GARCH-Varianten (TGARCH, EGARCH, GJR-GARCH) für die Varianzmodellierung.

Was wird im Hauptteil behandelt?

Der Hauptteil gliedert sich in die methodische Herleitung der mathematischen Modelle und deren empirische Anwendung auf den Dow Jones Transportation Average und den Dow Jones Industrial Average Index.

Welche Schlüsselwörter charakterisieren die Arbeit?

Zu den wichtigsten Begriffen zählen GARCH-Modelle, Volatilität, Zeitreihenanalyse, Leverage-Effekt, stationäre Prozesse und Value at Risk.

Warum wurde der Dow Jones Transportation Average Index für die Untersuchung gewählt?

Der Autor wählte diesen Index, da er viele verschiedene Transportunternehmen umfasst, was eine exakte Beschreibung des Eigenkapitals erlaubt und einen breiten Überblick über den Verkehrssektor bietet.

Warum ist der Leverage-Effekt in diesem Kontext wichtig?

Der Leverage-Effekt beschreibt das Phänomen, dass bei fallenden Kursen die Volatilität oft stärker ansteigt als bei steigenden Kursen, was für eine genaue Risikoabschätzung essenziell ist.

Welche Rolle spielt die t-Verteilung bei der Modellierung?

Die t-Verteilung wird eingesetzt, da sie oft "fettere Enden" (Leptokurtosis) aufweist als die Normalverteilung und somit extreme Marktbewegungen bei Finanzdaten besser abbilden kann.