Build your ultimate AI agent
Kursbeschreibung
Interessiert dich der Pulsschlag der Finanzmärkte? Willst du wissen, wann ein stabiler Markt plötzlich turbulent wird? In diesem Kurs zu GARCH‑Modellen lernst du den vorausschauenden Ansatz kennen, mit dem man Risiko und Rendite bei finanziellen Entscheidungen ausbalanciert. Der Kurs führt dich schrittweise vom normalen GARCH(1,1)-Standardmodell zu fortgeschritteneren Volatilitätsmodellen mit Leverage-Effekt, GARCH-in-Mean-Spezifikation und der Verwendung der schiefen Student‑t‑Verteilung zur Modellierung von Renditen. Anwendungen auf Aktien- und Wechselkursrenditen umfassen Portfolio-Optimierung, Rolling-Window-Prognoseevaluation, Value-at-Risk-Prognosen und die Analyse dynamischer Kovarianzen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Das Standard-GARCH-Modell als Arbeitspferd
Wir legen direkt los und machen uns die Hände schmutzig. Eine Rolling-Window-Analyse täglicher Aktienrenditen zeigt, dass sich ihre Standardabweichung im Zeitverlauf massiv verändert. Der Blick in die Vergangenheit liefert also klare Hinweise auf zeitvariierende Volatilität. Für den Blick nach vorn müssen wir die Volatilität zukünftiger Renditen schätzen. Genau das macht ein GARCH-Modell! In diesem Kapitel lernst du die Grundlagen der Spezifikation und Schätzung des GARCH(1,1)-Arbeitspferdmodells in R mit dem Paket rugarch. Zum Schluss zeigen wir seine Nützlichkeit in der taktischen Asset-Allokation.
- Volatilität analysieren50 XP
- Renditen berechnen100 XP
- Standardabweichung auf Teilauswahlen100 XP
- Roll, roll, roll100 XP
- Die GARCH-Gleichung zur Volatilitätsprognose50 XP
- GARCH(1,1)-Reaktion auf einmalige Schocks50 XP
- Prognosefehler100 XP
- Die rekursive Natur der GARCH-Varianz100 XP
- Das Paket rugarch50 XP
- GARCH-Modell-Varianten spezifizieren und ausprobieren100 XP
- Out-of-sample-Prognose100 XP
- Volatilitäts-Targeting in der taktischen Asset-Allokation100 XP
2
Verbesserungen des normalen GARCH-Modells
Märkte steigen die Treppe hinauf und fahren mit dem Aufzug hinunter. Diese Wall-Street-Weisheit hat wichtige Folgen für die Spezifikation eines realistischen Volatilitätsmodells. Sie erfordert, die Annahme der Normalverteilung sowie die symmetrische Reaktion der Volatilität auf Schocks aufzugeben. In diesem Kapitel lernst du GARCH-Modelle mit Leverage-Effekt und schiefen Student‑t‑Innovationen kennen. Am Ende kannst du GARCH-Modelle einsetzen, um über zehntausend verschiedene GARCH-Spezifikationen zu schätzen.
3
Leistungsbewertung
GARCH-Modelle liefern Volatilitätsprognosen, die als Input für finanzielle Entscheidungen dienen. Für die Praxis muss zunächst die Güte der Volatilitätsprognose bewertet werden. In diesem Kapitel lernst du die Analyse der statistischen Signifikanz der geschätzten GARCH-Parameter, die Eigenschaften standardisierter Renditen, die Interpretation von Informationskriterien sowie den Einsatz von Rolling-GARCH-Schätzungen und mittleren quadratischen Prognosefehlern zur Beurteilung der Prognosegenauigkeit der Volatilität.
4
Anwendungen
An diesem Punkt beherrschst du die Standard‑Spezifikation, Schätzung und Validierung von GARCH‑Modellen im Paket rugarch. Dieses Kapitel stellt spezielle rugarch‑Funktionen für Value-at-Risk-Schätzungen, den Einsatz des GARCH‑Modells in der Produktion und die Simulation von GARCH‑Renditen vor. Du wirst außerdem entdecken, dass GARCH‑Dynamik in der Varianz Auswirkungen auf die Simulation von Log‑Renditen, die Schätzung des Betas einer Aktie und die Bestimmung des Minimum‑Varianz‑Portfolios hat.
R
GARCH-Modelle in R
Kurs
abgeschlossen
