Ziele und Motivationen Die Ziele sind zweifach: Risikomanagement. Modellierung der Preisverteilung (Schwellen der Verteilung, Schiefe, Kurtosis, Zeitabhängigkeiten) mit dem Ziel, die besten Modelle zur Abschätzung von Risikomaßnahmen wie dem Value at Risk auszuwählen. Es werden verschiedene Modelle untersucht, die das historische VaR, das normale Modell mit unterschiedlichen Volatilitätsmodellen (Risk Metrics, GARCH), die Cornish Fisher VaR, VaR Modelle auf der Grundlage der Extreme Value Theory umfassen. Schließlich werden die verschiedenen Modelle getestet, um das beste Modell auszuwählen und es zu verwenden, um einen Fonds unter dynamischen Risikobeschränkungen zu verwalten. Aktive Portfoliomanagement. Dieses Projekt besteht darin, verschiedene aktive Strategien mit Rebalancing zu studieren (unter Verwendung der so genannten Kelly-Kriterien, stochastischer Portfoliotheorie.), Konvergenzstrategien (Handelspaare). Die Projekte werden unter der leistungsstarken statistischen und grafischen Software R-Project r-project. org entwickelt. Das ist die Open-Source-Version von S-plus. Verschiedene Aspekte der Finanzpreise werden behandelt werden: Hypothesenprüfung für Normalität: qq-Plots, Kolmogorov Smirnov, Jarque-Bera. Unabhängigkeitsprüfung: Streudiagramme, Auto-Korrektramme (ACF), Durbin Watson-Test, Testläufe. Anpassung mit verschiedenen bekannten Verteilungen: Student, exponentiell, Zeitreihe Aspekte: auto Korrelationen der Rückkehr und quadratischen Rückgaben, Skalierungseffekte, Gesetz der maximalen und minimalen, Schlagen Zeit. Lineare Regression und Faktoren Modelle Kovarianzmatrix-Filterung, Hauptkomponentenanalyse Stilanalyse Volatilitätsmodelle und - schätzungen: Risikomessgrößen, GARCH-Risikomessungen: Value at Risk, erwarteter Shortfall, maximaler Drawdown, VaR für Portfolio mit Optionen, Delta Gamma und Monte Carlo Methoden Risikobereitschaft Performance Maße: Sharpe Ratio, Morningstar RAPM, Sortino Ratio, GainLoss Ratio, Stutzer Index, CALMAR und Sterling Ratios. Konvergenzhandel, Einheitswurzeltest Dynamisches Portfolio Management, Rebalancing. Alle Anwendungen werden mit aktuellen Marktdaten entwickelt. pdf Prsentation von R-Projekten und Beispielen pdf Stylized Facts pdf Value at Risk und Extreme Value Theory. Pdf Schätzungen der Volatilität und Korrelationen. Exponential Moving Average (RiskMetrics), GARCH, Schätzungen basierend auf Höhen und Tiefen (Garman Klass, Parkinson, Roger Satchell.) Pdf Optimales Wachstumsportfolio. Pdf Kointegration, PaareKonvergenz-Handel. Weitere Präsentationen pdf Automatisierter Handel I pdf Trading Automatique II. Exponentialgewichteter gleitender Durchschnitt (Risk Metrics) und GARCH Ziel ist es, die Volatilitätsschätzung unter Verwendung eines unterschiedlichen Gewichtungsschemas zu untersuchen und zu vergleichen. Stylisierte Fakten: automatische Korrelation von Renditen, quadratischen Renditen, Bereich usw. Schätzung von Glättungsfaktoren unter Verwendung des mittleren quadratischen Fehlers oder maximalen Likelihood-Kriterien, Validierung der Vorhersage durch lineare Regression. Schätzung GARCH-Modelle, Auswahl der besten Modelle mit AIC-und BIC-Kriterien. Value at Risk, Schätzung, Backtesting und Implementierung von Fondsmanagements Der Value at Risk ist sicherlich eines der wichtigsten Instrumente, um das Risiko von Anlagen für aufsichtsrechtliche Standards zu messen. Es wird mehr und mehr im Asset Management verwendet. Ziel dieses Projektes ist es, einen Fonds mit 10 Millionen Euro Under Management mit dem Constraint zu verwalten, um einen konstanten VaR zu erhalten. Der 19-Tage-VaR auf der Grundlage von 99 entspricht 4 des Nettoinventarwertes. Verschiedene VaR-Modelle werden untersucht und getestet. Einer von ihnen wird ausgewählt und umgesetzt werden und Positionen, die an das Risikoprofil angepasst sind. Finallt wird die Performance des aktiv verwalteten Fonds mit der Buy-and-Hold-Strategie hinsichtlich Perforamnce, Sharpe Ratio etc. verglichen. Ein erster Schritt wird darin bestehen, die verschiedenen VaR-Modelle 13 für die Vermögenswerte, einschließlich Historical VaR, Delta Normal, zu untersuchen Modell mit RiskMetrics und GARCH Volatility, Cornish Fischer VaR, abschließend VaR auf Basis der Extreme Value Theory. Die Studie wird zu den in 10. Diese praktische Arbeit ist es, die Eigenschaften und Statistiken des Maximum Drawdown (MDD) nach der Magdon-Ismail-Arbeit zu studieren (siehe alumnus. caltech. edu amirmdd-risk. pdf). Die Beziehung zwischen der Sharpe (Performance Volatility) und die calmar (Performancedrawdown) - Verhältnisse Diese Arbeit wird auch betonen, die Bedeutung der Kontrolle der MDD durch das Studium der Nassim Taleb Artikel, die ein besser ist, ein Krebs-Patienten oder ein Händler 5-Jahres-Überlebensraten fooledbyrandomnesstradersurvival1.pdf Kelly-Kriterium und Rebalancing-Strategien Kaufen und Halten versus Rebalancing Dieses Projekt soll die Performance einer passiven Buy amp Hold (BampH) Benchmark-Portfoliostrategie und der entsprechenden Constantly Rebalanced Portfolio (CRP) Strategie vergleichen, in der die Gewichte der Vermögenswerte (bzw. Asset-Klassen) werden durch kontinuierliche Handelsanpassungen in Abhängigkeit von Preisschwankungen konstant gehalten. Wir untersuchen das Verhalten von rebalanced Portfolio im Falle eines Vermögenswertes und mehrere Vermögenswerte. Wir studieren die CRP vs BH-Strategie für die verschiedenen EUROSTOXX-Indizes, vergleichen die gleiche gewichtete Strategie in den verschiedenen Sektoren mit der Buy-amp-Hold-Strategie, implementieren und backtest eine Long-Short-beta-neutrale Strategie: lang in gleichgewichteten Sektoren und kurz auf der Eurostoxx 50 (mit Futures) bei dem Versuch, einen konstanten erwarteten maximalen Drawdown aufrechtzuerhalten. Trend - und Mittelwert-Reversting-Strategien Einige Ressourcen auf R: main site: cran. r-project. org. Handbücher cran. r-project. orgmanuals. html. FAQ cran. r-project. orgdocFAQR-FAQ. html Häufig gestellte Fragen cran. r-project. orgsearch. html. Weitere Dokumente cran. r-project. orgother-docs. html Bücher: Modellierung der Financial Time Series mit S-Plus par Eric Zivot, Jiahui Wang und Clarence R. Robbins 16 Einführende Statistik mit R, Peter Dalgaard 8 Programmierung mit Daten: Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, In R: stat. lsa. umich. edufarawaybook Dies ist ein Master-Kurs, der folgende Themen behandelt: Lineare Modelle: Definition, Anpassung, Schlußfolgerung, Interpretation der Ergebnisse, Bedeutung der Regressionskoeffizienten, Identifizierbarkeit, Mangel an Anpassung, Multicollinearität, Ridge Regression, principal Gauß-Markov-Theorem, variable Selektion, Diagnostik, Transformationen, einflussreiche Beobachtungen, robuste Verfahren, ANOVA und die Analyse von Kovarianz, randomisiertem Block, faktorielle Designs. Zeitreihe Vorhersage und Prognose massey. ac. nz Rmetrics: itp. phys. ethz. checonophysicsR eine Einführung in die Financial Computing mit R für Bereiche von Datenmanagement, Zeitreihen und Regressionsanalyse, Extremalwert-Theorie und Bewertung von Finanzmarktinstrumenten. Faculty. washington. eduezivotsplus. htm die Homepage von E. Zivot über SPlus et FinMetrics CRAN Aufgabenansicht: Empirische Finanzierung cran. r-project. orgsrccontribViewsFinance. html Andere Pakete Software für Extremwertetheorie: urlmaths. lancs. ac. uk stephenasoftware. html RMetrics itp. phys. ethz. checonophysicsR Praktische Regression und Anova in R doc: cran. r-project. orgdoccontribFaraway-PRA. pdf-Paket: stat. lsa. umich. edu1 ARTZNER, P. amp DELBAEN, F. amp EBER, J. - M. Amp HEATH, D. Kohärente Maßnahmen des Risikos. 1998.. 2 ALEXANDER, C. Marktmodelle: ein Leitfaden zur Finanzdatenanalyse. Wiley, 2003. 3 ALEXANDER, C. Marktrisikoanalyse: Praktische Finanzökonometrie. Wiley, 2008. 4 BOUCHAUD, J. P amp POTTERS, M. Theorie der finanziellen Risiken. Cambridge University Press, 2000. 5 CHAMBERS, J. M. Programmierung mit Daten. Springer, New York, 1998. ISBN 0-387-98503-4. 6 CHRISTOFFERSEN, P. Elemente des Finanzrisikomanagements. Academic Press, Juli 2003. 7 CONT, R. Empirische Eigenschaften von Anlagenrenditen - stilisierte Fakten und statistische Fragen. QUANTITATIVE FINANZIERUNG, 2000.. 8 DALGAARD, P. Einleitende Statistik mit R. Springer, 2002. ISBN 0-387-95475-9. 9 GOURIEROUX, C. amp SCAILLET, O. amp SZAFARZ, A. Wirtschaftliche Finanzierung. Economica, 1997. 11 LO. Verstärker CAMPBELL. Amp MACKINLAY. Die Ökonometrie der Finanzmärkte. Princeton University Press, 1997. 12 LO, A. W amp MACKINLAY, A. C. Eine nicht-zufällige Walk Down Wall Street. Princeton University Press, Princeton, NJ, 1999. 13 LINSMEIER, T amp PEARSON, N. D. Risikomessung: Eine Einführung in Value at Risk. März 2000 14 VENABLES, W. N amp RIPLEY, B. D. Moderne Angewandte Statistik mit S. Vierte Auflage. Springer, 2002. ISBN 0-387-95457-0. 16 ZIVOT, E. amp WANG, J. amp ROBBINS, C. R. Modellierung der Financial Time Series mit S-Plus. Springer Verlag, 2004. Der EWMA-Ansatz hat ein attraktives Merkmal: Er benötigt relativ wenig gespeicherte Daten. Um unsere Schätzung an jedem Punkt zu aktualisieren, benötigen wir nur eine vorherige Schätzung der Varianzrate und des jüngsten Beobachtungswertes. Ein weiteres Ziel der EWMA ist es, Veränderungen in der Volatilität nachzuvollziehen. Für kleine Werte beeinflussen jüngste Beobachtungen die Schätzung zeitnah. Für Werte, die näher an einem liegen, ändert sich die Schätzung langsam auf der Grundlage der jüngsten Änderungen in den Renditen der zugrundeliegenden Variablen. Die von JP Morgan erstellte und öffentlich zugängliche RiskMetrics-Datenbank nutzt die EWMA zur Aktualisierung der täglichen Volatilität. WICHTIG: Die EWMA-Formel geht nicht von einem lang anhaltenden durchschnittlichen Varianzniveau aus. So bedeutet das Konzept der Volatilität Reversion nicht von der EWMA erfasst. Die ARCHGARCH Modelle sind dafür besser geeignet. Ein sekundäres Ziel der EWMA ist es, Veränderungen in der Volatilität nachzuvollziehen, so dass bei kleinen Werten die jüngsten Beobachtungen die Schätzung sofort beeinflussen und bei Werten, die näher an einem liegen, die Schätzung sich langsam auf die jüngsten Änderungen in den Renditen der zugrunde liegenden Variablen ändert. Die RiskMetrics-Datenbank (erstellt von JP Morgan), die 1994 veröffentlicht wurde, verwendet das EWMA-Modell zur Aktualisierung der täglichen Volatilitätsschätzung. Das Unternehmen festgestellt, dass über eine Reihe von Marktvariablen, gibt dieser Wert der Prognose der Varianz, die am nächsten zu realisierten Varianz Rate kommen. Die realisierten Varianzraten an einem bestimmten Tag wurden als gleichgewichteter Durchschnitt der folgenden 25 Tage berechnet. Um den optimalen Wert von lambda für unseren Datensatz zu berechnen, müssen wir die realisierte Volatilität an jedem Punkt berechnen. Es gibt mehrere Methoden, so wählen Sie ein. Als nächstes wird die Summe der quadratischen Fehler (SSE) zwischen der EWMA-Schätzung und der realisierten Volatilität berechnet. Schließlich minimieren die SSE durch Variieren des Lambdawertes. Klingt einfach Es ist. Die größte Herausforderung besteht darin, einen Algorithmus zur Berechnung der realisierten Volatilität zu vereinbaren. Zum Beispiel wählten die Leute bei RiskMetrics die folgenden 25 Tage, um die realisierte Varianzrate zu berechnen. In Ihrem Fall können Sie einen Algorithmus wählen, der Tägliche Volumen, HILO und OPEN-CLOSE Preise nutzt. Q 1: Können wir EWMA verwenden, um die Volatilität mehr als einen Schritt voraus zu schätzen (oder prognostizieren) Die EWMA-Volatilitätsdarstellung setzt keine langfristige Durchschnittsvolatilität voraus, so dass die EWMA für jeden Prognosehorizont über einen Schritt hinaus eine Konstante zurückgibt Wert:
No comments:
Post a Comment