Details

Autor(en) / Beteiligte

• Forstinger, Sarah
• Feng, Yuanhua
• Feng, Yuanhua[Akademischer Betreuer]

Titel

Modelling and forecasting financial and economic time series using different semiparametric ACD models

Ort / Verlag

Paderborn

Erscheinungsjahr

2018

Link zu anderen Inhalten

• Volltext
• Volltext

Verknüpfte Titel

Beschreibungen/Notizen

• Tag der Verteidigung: 25.09.2018
• Anhang Seite XXXIII - LVI
• Open Access
• ger: Diese Arbeit stellt eine semiparametrische Erweiterung des ACD-Modells von Engle und Russell (1998) vor. Der Vorschlag des Semi-ACD-Modells basiert auf der Zerlegung der Daten in einen deterministischen und einen stochastischen Teil, wobei der Erste als zeitvariabel angenommen wird. Um dies entsprechend zu berücksichtigen wird eine nicht-negative, zeitvariable, glatte Skalenfunktion in das Modell aufgenommen, die mit einer lokal polynomialen Regression geschätzt wird. Ein automatischer, iterativer Plug-In Bandbreitenwahl-Algorithmus wird entwickelt. Anhand verschiedener Kriterien aus einer Simulationsstudie wird das Semi-ACD Modell bewertet. Eine Erweiterung des Modells zur Anpassung an Log-Daten zeigt, dass die Schätzung der Skalenfunktion deutlich vereinfacht wird. Darüber hinaus werden entscheidende theoretische Eigenschaften für das Semi-Log-ACD-Modell abgeleitet und der Bandbreitenwahl-Algorithmus weiter automatisiert. Zur Prognose nicht-negativer Finanzdaten werden die oben genannten Modelle mit bekannten und neuen Prognosemethoden kombiniert. Bootstrap-Methoden werden als nichtparametrische Prognosemethoden gewählt. Im Vergleich zu modellbasierten Kalman-Filter-Vorhersagen liefern diese nicht die besten Vorhersagen, sind aber deutlich besser als die entsprechenden parametrischen Modellvorhersagen. Der Algorithmus wird zudem verwendet, um das Log-BIP von Entwicklungs- und Industrieländern zu prognostizieren. Random Walk Modelle mit konstantem, linearem und lokal linearem Drift werden verwendet. Die Kombination von Prognosemethoden verbessert die Vorhersage und insbesondere die Einbeziehung der lokal linearen Regressionsmethode stabilisiert sie. Zudem wird die Erkennung von für Entwicklungsländer typischen Schwankungen im Trendprozess ermöglicht. Forschungsfragen zur weiteren Verbesserung der Semi-(Log-)ACD-Modelle werden vorgestellt.
• eng: The contents of this dissertation are on a semiparametric extension of the ACD model of Engle and Russell (1998). The proposal of the Semi-ACD model is based on the decomposition of the data of interest into a deterministic and a stochastic part, whereby the former is assumed to be time-varying. A non-negative, time-varying, smooth scale function is included into the model to take this into account, which is estimated with a local polynomial regression An automatic iterative plug-in bandwidth selection algorithm is developed. A simulation study evaluates the Semi-ACD model on the basis of various criteria. An extension of the proposal to log data shows that the estimation of the scale function is clearly simplified. In addition, decisive theoretical properties for the Semi-Log-ACD model are derived and the bandwidth selection algorithm is further automated. To forecast non-negative financial data, the above models are combined with known and new forecasting methods. In order to not limit the flexibility of the semiparametric idea, bootstrap methods are chosen as nonparametric forecasting methods. Compared to model-based Kalman filter predictions, these give not the best forecasts, but are clearly better compared to the corresponding parametric model forecasts. The algorithm is further applied to forecast the log-GDP of developing and developed countries. Random Walk models with a constant drift, a linear drift and a local linear drift are applied, as well. It is found that combining forecasting methods improves the forecasts and especially including the local linear regression method stabilizes the forecasts and enables the detection of variations in the trend process, that are typical for developing countries. Promising research questions to further improve the Semi-(Log-)ACD models are presented.