Value-at-Risk Bestimmung unter Anwendung von multivariaten GARCH-Modellen

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

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.