Zusammenfassung
Bei Finanzzeitreihen beobachtet man im Zeitablauf wechselnde Volatilitäten: Phasen hoher Volatilität wechseln sich ab mit Phasen geringer Volatilität. Man bezeichnet diese Eigenschaft auch als bedingte Heteroskedastizität. Mit den in Kapitel 4 eingeführten linearen ARMA-Prozessen kann man sie nicht modellieren, vielmehr sind nichtlineare Prozesse wie ARCH- und GARCH-Prozesse oder Prozesse mit stochastischer Volatilität erforderlich. In diesem Abschnitt werden zunächst einige Eigenschaften empirischer Renditezeitreihen vorgestellt, die sich auf die Volatilität beziehen. Anschließend werden die ARCH- und GARCH-Prozesse eingeführt und gezeigt, wie man ihre Parameter schätzen kann. Schließlich stellen wir ein einfaches Modell mit stochastischer Volatilität vor.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturhinweise
Engle, R. F. (1982), ‘Autoregressive conditional heteroscedasticity with estimates of the variance of united kingdom inflation’, Econometrica 50, 987–1007.
Bollerslev, T. (1986), ‘Generalized autoregressive conditional heteroscedasticity’, Journal of Econometrics 31, 307–327.
Nelson, D. B. (1991), ‘Conditional heteroskedasticity in asset returns: A new approach’, Econometrica 59, 347–370.
Zakoian, J.-M. (1994), ‘Threshold heteroskedastic models’, Journal of Economic Dynamics and Control 18, 931–955.
Glosten, L. R., Jagannathan, R. und Runkle, D. E.(1993), ‘On the relation between the expected value and the volatility of the nominal excess returns on stock’, Journal of Finance 48, 1779–1801.
Gourieroux, C. und Jasiak, J. (2001), Financial Econometrics: Problems, Models, and Methods, Princeton Series in Finance, Princeton University Press, Princeton.
Brooks, C. (2002), Introductory Econometrics for Finance, Cambridge University Press, Cambridge.
Franses, P. H. und Dijk, D. v. (2000), Non-Linear Time Series Models in Empirical Finance, Cambridge University Press, Cambridge.
Rinne, H. und Specht, K. (2002), Zeitreihen. Statistische Modellierung, Schätzung und Prognose, Vahlen, München.
Hamilton, J. D. (1994), Time Series Analysis, Princeton University Press, Princeton.
Schlittgen, R. und Streitberg, B. H. (2001), Zeitreihenanalyse, 9. Aufl., Oldenbourg, München.
Mills, T. C. (1999), The Econometric Modelling of Financial Time Series, 2. edn, Cambridge University Press, Cambridge.
Franke, J., Härdle, W. und Hafner, C. (2004), Einführung in die Statistik der Finanzmärkte, 2. Aufl., Springer, Berlin.
Taylor, S. (1986), Modelling Financial Time Series, John Wiley & Sons, Chichester.
Sandmann, G. und Koopman, S. J. (1998), ‘Estimation of stochastic volatility models via monte carlo maximum likelihood’, Journal of Econometrics 87, 271–301.
Andersen, T. G., Chung, H. J. und Soerensen, B. E. (1999), ‘Efficient method of moments estimation of a stochastic volatility model: A monte carlo study’, Journal of Econometrics 91, 61–87.
Chib, S., Nardari, F. und Shephard, N. (2002), ‘Markov chain monte carlo methods for stochastic volatility models’, Journal of Econometrics 108, 281–316.
Tsay, R. S. (2002), Analysis of Financial Time Series, Wiley Series in Probability and Statistics, John Wiley & Sons, Chichester.
Rights and permissions
Copyright information
© 2006 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
(2006). Volatilität. In: Finanzmarktstatistik. Springer, Berlin, Heidelberg. https://doi.org/10.1007/3-540-29795-2_6
Download citation
DOI: https://doi.org/10.1007/3-540-29795-2_6
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-27723-1
Online ISBN: 978-3-540-29795-6
eBook Packages: Life Science and Basic Disciplines (German Language)