TY - THES TI - Bayessche Betrachtung von erweiterten GARCH-Modellen AU - Wan Hussin, Daniel PY - 2010 PB - opus CY - Bamberg UR - https://fis.uni-bamberg.de/handle/uniba/266 LA - deu AB - In der vorliegenden Arbeit werden die weit verbreiteten GARCH (Generalized Autoregressive Conditional Heteroscedastic)-Modelle aus Bayesianischer Sicht untersucht. GARCH-Modelle werden zur Modellierung und Prognose der Entwicklung von Finanzmarktdaten, wie beispielsweise Renditen im Zeitverlauf, verwendet. Die Schätzung der Modellparameter erfolgt meist mittels der Maximum-Likelihood (ML)-Methode bzw. der Quasi-Maximum-Likelihood (QML)-Methode. Diese Arbeit demonstriert anhand simulierter Datensätze, wie der Metropolis-Hastings-Algorithmus aus der Gruppe der Markov-Chain-Monte-Carlo (MCMC)-Methoden verwendet werden kann, um die a posteriori Verteilung der Modellparameter zu schätzen. Es werden ausführlich die notwendigen Spezifikationen behandelt, insbesondere die verwendeten a priori Verteilungen, Vorschlagsdichten sowie die Startwerte. Das asymptotische Verhalten der ML-Schätzer der GARCH-Parameter wird in unterschiedlichen Simulationsstudien untersucht und mit den Ergebnissen der a posteriori Verteilung aus der Bayes-Schätzung verglichen. Ferner werden verschiedene Erweiterungen des GARCH-Modells ebenfalls aus der Sicht eines Bayesianers betrachtet. Zu diesem Zweck werden an simulierten Daten aus EGARCH-, GJR-, AP-ARCH-, T-GARCH- und TS-GARCH-Modellen unterschiedliche Simulationen zur MCMC-Schätzung durchgeführt, wobei auch unterschiedliche Verteilungsannahmen berücksichtigt werden. Das beschriebene MCMC-Verfahren wird außerdem an zwei multivariaten GARCH-Modellen demonstriert. Die Wahl eines geeigneten Modells ist entscheidend für die Qualität der Modellierung und damit auch für die Prognose der Volatilität. Deswegen werden abschließend unter Verwendung realer Datensätze unterschiedliche Verfahren zur Modellselektion im Bayesianischen Kontext demonstriert. Es zeigt sich, dass viele Zeitreihen gar nicht lang genug sind, um den asymptotischen Verteilungen der typischerweise verwendeten ML-Schätzer Genüge zu leisten, so dass in vielen Fällen eine Bayesianische Analyse vorzuziehen ist. KW - GARCH , Bayes , MCMC , Markov-Ketten-Monte-Carlo-Verfahren , GARCH-Prozess KW - GARCH , Bayes , MCMC KW - GARCH KW - Bayes KW - MCMC KW - Markov-Ketten-Monte-Carlo-Verfahren KW - GARCH-Prozess KW - GARCH KW - Bayes KW - MCMC ER -