G. Loos erweitert den üblichen Ansatz dahingehend, daß der Fehlerprozeß im Beobachtungsmodell als GARCH-Prozeß modelliert wird. Das so erhaltene Zustandsraummodell mit bedingter Normalität und Heteroskedastizität führt in der Regel zu besseren Prognosen.
Beta-Faktoren von Aktien gehören zu den wichtigsten Instrumenten der modernen Investmentanalyse. Viele empirische Studien geben deutliche Hinweise darauf, daß sich Beta-Faktoren im Zeitablauf ändern. Als stochastische Modelle kommen daher Regressions- und Zeitreihenmodelle mit zeitvariablen Parametern zur Anwendung. Es zeigt sich jedoch, daß die im Normalfall getroffene Modellannahme der Homoskedastizität bei Verwendung von Tagesdaten zu restriktiv ist. Gisela Loos erweitert den üblichen Ansatz linearer Zustandsraummodelle für zeitvariable Parameter dahingehend, daß der Fehlerprozeß im Beobachtungsmodell als GARCH-Prozeß modelliert wird. Insbesondere untersucht die Autorin die Auswirkung bedingter Heteroskedastizität auf die Variabilität von Beta-Faktoren. Das so erhaltene Zustandsraummodell mit bedingter Normalität und Heteroskedastizität führt in der Regel zu besseren Prognosen.
Inhaltsverzeichnis
1 Einleitung. - 2 TVP-GARCH-R-Modelle. - 2. 1 Definition von TVP-GARCH-R-Modellen. - 2. 2 Spezielle TVP-GARCH-R-Modelle. - 2. 3 Schätzung zeitvariabler Strukturparameter. - 2. 4 Schätzung der Hyperstrukturparameter. - 2. 5 Modellüberprüfung. - 3 Empirische Analyse zeitvariabler Beta-Faktoren. - 3. 1 Der Beta-Faktor. - 3. 2 Bisherige Untersuchungen des Beta-Faktors. - 3. 3 Datenmaterial. - 3. 4 Beschreibung der angewendeten Renditeerklärungsmodelle. . - 3. 5 Schätzung und Überprüfung der spezifizierten Modelle. - 4 Zusammenfassung. - A Eigenschaften multivariater Normalverteilungen.
