TY  - THES
AB  - Diese Arbeit konzentriert sich auf einen datengetriebenen realisierten Kernel (RK) und dessen weitere Analyse mit Hilfe des Semi-FI-Log-ACD-Modells. Sie kann hauptsächlich in drei Teile unterteilt werden. Im ersten Teil werden die Modellierung und Prognose von Long Memory und eine Skalenfunktion in verschiedenen nichtnegativen Finanzzeitreihen, aggregiert aus Hochfrequenzdaten, basierend auf dem FI-Log-ACD und seiner semiparametrischen Erweiterung (Semi-FI-Log-ACD) besprochen. Ein annähernd bester linearer Prädiktor des logarithmischen Prozesses wird vorgeschlagen. Eigenschaften dieses Vorschlags werden detailliert untersucht. Im zweiten Teil wird ein einfacher, schneller und vollständig datengetriebener konsistenter Bandbreitenwähler für den RK unter unabhängiger Mikrostrukturstörung basierend auf der iterativen Plug-in Idee vorgeschlagen. Es wird gezeigt, dass aufgrund der Verwendung einer verzerrten Formel der asymptotisch optimalen Bandbreite die ausgewählte Bandbreite bis zu einem Bias-Faktor konsistent ist. Im dritten Teil wird über einen datengetriebenen Algorithmus für RK unter abhängiger Störungsannahme diskutiert und mehrere realisierte Schätzer basierend auf unterschiedlichen Frequenzen werden berechnet. Der Vergleich dieser realisierten Schätzer erfolgt durch die Bewertung ihrer Leistungen bei der Berechnung des Value-at-Risk basierend auf dem Semi-FI-Log-ACD-Modell. Die Anwendungsergebnisse unterstützen eine Empfehlung der beiden RK-Schätzer für die Praxis. Diese beiden RK-Schätzer basieren auf den Tick-by-Tick-Renditen, die von beiden datengetriebenen Algorithmen unter unabhängigen und abhängigen Störungsannahmen berechnet wurden. Die praktische Umsetzung aller Vorschläge wird durch deren Anwendung auf Daten einiger europäischer Firmen über mehrere Jahre veranschaulicht.
AU  - Zhou, Chen
CY  - Paderborn
DA  - 2018
DO  - 10.17619/UNIPB/1-362
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 20.07.2018
N1  - Universität Paderborn, Dissertation, 2018
PB  - Veröffentlichungen der Universität
PY  - 2018
SP  - 1 Online-Ressource (XII, 136 Seiten)
T2  - Department 4: Economics
TI  - Data-driven realized kernels and further analysis using a semi-FI-log-ACD model
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-31152
Y2  - 2026-02-06T23:38:29
ER  -