Skip to main content
SpringerLink
Log in

Volatilitätsanalyse

  • Chapter
Integration und Volatilität bei Emerging Markets

Part of the book series: Empirische Finanzmarktforschung / Empirical Finance ((EFF))

  • 515 Accesses

Zusammenfassung

Die ursprtinglichen ARCH(p)-Modelle sind Modelle der nichtlinearen Zeitreihenanalyse und wurden von Engle in den achtziger Jahren begründet.395 Durch das Akronym ARCH kommt zum Ausdruck, dass es sich dabei um ein autoregressives Modeli handelt, dass die Varianz σ 2 t konditional auf Kenntnis vergangener Kursbeobachtungen basiert und dass es sich um ein Modeli handelt, bei dem die Varianz nicht konstant ist. Mit diesem weitverbreiteten Modellansatz kann die zeitliche Variabilität der Varianz einer Finanzmarktzeitreihe und somit auch die Rendite im Zeitverlauf ermittelt und prognostiziert werden.

„ Volatility forecasting is a little like predicting whether it will rain: You can be correct in predicting the proba¬bility of rain and still have no rain. “394

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 49.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 49.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Vgl. Engle (1993), S. 72.

    Google Scholar 

  2. Vgl. Engle (1982), S. 987 ff. ARCH steht dabei fur Autoregessive Conditional Heteroskedasticity bzw. autoregressive bedingte Heteroskedastizität.

    Google Scholar 

  3. Vgl. Engle (1993), S. 74.

    Google Scholar 

  4. Vgl. Engle (1982), S. 987 f.

    Google Scholar 

  5. Vgl.Bera/Higgins(1993), S.314.

    Google Scholar 

  6. Vgl. Schröder (2002), S. 316.

    Google Scholar 

  7. Vgl. Schroder (2002), S. 316. Zu einer Verallgemeinerung fur ARCH(p)-Modelle vgl. Milhoj (1985), S. 281 ff.

    Google Scholar 

  8. Zu den Vorteilen der ML-Schatzung gegenüber der KQ-Schätzung vgl. Engle (1982), S. 998.

    Google Scholar 

  9. Vgl.Lueneberger(1973).

    Google Scholar 

  10. Vgl. Bemdt et al. (1974), S. 653 ff.

    Google Scholar 

  11. Vgl. Marquardt (1963), S. 431 ff.

    Google Scholar 

  12. Vgl. Engle/Bollerslev (1986), S. 4 ff.

    Google Scholar 

  13. Vgl. Bollerslev (1986), S. 309, Bollerslev et al. (1992), S. 9 f. und Pindyck/Rubinfeld (1998), S. 286 f.

    Google Scholar 

  14. Vgl. Bera/Higgins (1993), S. 317.

    Google Scholar 

  15. Vgl. Bollerslev (1986), S. 310.

    Google Scholar 

  16. Vgl. Bera/Higgins (1993), 313.

    Google Scholar 

  17. Vgl. Engle/Bollerslev (1986), S. 21 f.

    Google Scholar 

  18. Vgl. Bollerslev (1987), S. 542 ff.

    Google Scholar 

  19. Vgl. Bollerslev (1987), S. 543.

    Google Scholar 

  20. Vgl. Bollerslev (1987), S. 543.

    Google Scholar 

  21. Vgl. Rinne (2003), S. 168.

    Google Scholar 

  22. Vgl. Bollerslev (1987), S. 543.

    Google Scholar 

  23. Vgl. Bollerslev (1987), S. 542 ff.

    Google Scholar 

  24. Vgl. Bollerslev (1987), S. 543.

    Google Scholar 

  25. Vgl. Liu/Brorsen (1995), S. 273 ff.

    Google Scholar 

  26. Zum Exponential GARCH(p, q)-Modell vgl. Nelson (1991), S. 347 ff, zum Glosten-Jagannathan-Runkle-GARCH(p, q)-Modell vgl. Glosten et al. (1993), S. 1779 ff., zum Quadratic-GARCH(p, q) vgl. Sentana (1995), S. 639 ff., zum Nichtlinearen-Asymetrischen-GARCH(p, q)-Modell vgl. Engle/Ng (1993), S. 1749 ff. und zum Threshold-GARCH(p, q)-Modell vgl. Zakoian (1994), S. 931 ff.

    Google Scholar 

  27. Dieser Begriff wurde erstmals von Black genannt. Vgl. Black (1986), S. 529 ff.

    Google Scholar 

  28. Vgl. Nelson (1991), S. 347 ff.

    Google Scholar 

  29. Zur Impuls-Reaktions-Funktion vgl. Engle/Ng (1993), S. 1749 ff.

    Google Scholar 

  30. Vgl. Engle/Ng (1993), S. 1753.

    Google Scholar 

  31. Vgl. Schroder (2002), S. 324.

    Google Scholar 

  32. Vgl. Engle/Ng (1993), S. 1754.

    Google Scholar 

  33. Vgl. Schroder (2002), S. 324.

    Google Scholar 

  34. Vgl. Glosten et al. (1993), S. 1779 ff.

    Google Scholar 

  35. Vgl. Zakoian (1994), S. 931 ff.

    Google Scholar 

  36. Vgl. Engle/Ng (1993), S. 1776.

    Google Scholar 

  37. Vgl. Zakoian (1994), S. 931 ff.

    Google Scholar 

  38. Vgl. Zakoian (1994), S. 933.

    Google Scholar 

  39. Vgl.EViews 4.1.

    Google Scholar 

  40. Vgl. Lamoureux/Lastrapes (1990a), S. 226.

    Google Scholar 

  41. Vgl. French et al. (1987), S. 3 ff., Chou (1988), S. 279 ff, Pagan/Schwert (1990), S. 267 ff. und Lamou¬reux/Lastrapes (1990a), S. 225 ff.

    Google Scholar 

  42. Vgl.Lastrapes(1989), S.75.

    Google Scholar 

  43. Vgl. Hamilton/Susmel (1994), S. 314.

    Google Scholar 

  44. Zum FIGARCH- Modeli vgl. Baillie et al. (1996), S. 3 ff., zum SWARCH(p, q)-Modell vgl. Hamil¬ton/Susmel (1994), S. 307 ff., zum HARCH vgl. Minier et al. (1997), S. 213 ff. und zum GRS-GARCH(p, q)-Modell vgl. Gray (1996), S. 27 ff.

    Google Scholar 

  45. Zum Multivariaten-GARCH(p, q)-Modell sowie zum BEKK-Modell vgl. Engle/Kroner (1995), S. 122 ff., zum Faktor-GARCH(p, q)-Modell vgl. Engle et al. (1990), S. 213 ff. und zum HK-GARCH(p, q)-Modell vgl. Alexander/Chibumba (1996).

    Google Scholar 

  46. Eine Übersicht zur zeitvariablen Modellierung von Varianz-Kovarianz-Modellen findet sich bei Engle/Kroner (1995), S. 122 ff.

    Google Scholar 

  47. Vgl. Engle/Kroner (1995), S. 124 ff.

    Google Scholar 

  48. Vgl. Engle/Kroner (1995), S. 127 ff.

    Google Scholar 

  49. Vgl. Engle et al. (1990), S. 213 ff. sowie Kaiser (1997), S. 14 ff.

    Google Scholar 

  50. Vgl. Alexander/Chibumba (1996).

    Google Scholar 

  51. Zum ARCH-M-Modell vgl. Engle et al. (1987), S. 391 ff.

    Google Scholar 

  52. Eine ausfuhrliche Beschreibung zum CAPM findet sich im Abschnitt 2.5.3.1.2.

    Google Scholar 

  53. Vgl. dazu die Darstellung in EViews 4.1. Oft wird für die Varianz auch eine lineare oder logarithmische Funktion der Varianz oder der Standardabweichung verwendet. Vgl. Schroder (2002), S. 332.

    Google Scholar 

  54. Zur ARMA und ARIMA-Modellierung vgl. Abschnitt 3.1.2.1.

    Google Scholar 

  55. Vgl. Bollerslev (1986), S. 310.

    Google Scholar 

  56. Die Festlegung der Liberalisierungsphase erfolgt analog zu Kapitel 3.4.

    Google Scholar 

  57. Vgl. Bera/Higgens (1993), S. 317 ff.

    Google Scholar 

  58. Vgl. Kim/Kon (1994), S. 563 ff.

    Google Scholar 

  59. Vgl. Bemdt et al. (1974), S. 653 ff.

    Google Scholar 

  60. Vgl. Engle/Bollerslev (1986), S. 35 und Abschnitt 3.1.2.1.

    Google Scholar 

  61. Vgl. Abschnitt 4.1.2.5.2.

    Google Scholar 

  62. Vgl. Mills (1993), S. 24.

    Google Scholar 

  63. Vgl. die Darstellung bei EViews 4.1.

    Google Scholar 

  64. Vgl. die Darstellung bei EViews 4.1.

    Google Scholar 

  65. Vgl. Ljung/Box (1978), S. 297 ff.

    Google Scholar 

  66. Vgl. Ljung/Box (1978), S. 297 ff. Vgl. die Darstellung bei EViews 4.1.

    Google Scholar 

  67. Vgl. Wilk/Gnanadesikan (1968), S. 1 ff. und Chambers et al. (1983), S. 191 ff.

    Google Scholar 

  68. Zum Ljung-Box-Test vgl. Ljung/Box (1978), S. 297 ff. und zum LM-Test vgl. Engle (1982), S. 1000.

    Google Scholar 

  69. Vgl. Engle (1982), S. 999 f.

    Google Scholar 

  70. Vgl. Engle (1982), S. 1000.

    Google Scholar 

  71. Eine Simulationsstudie, bei der der LM-Test andere Tests in der Erkennung von ARCH-Effekten domi-niert, findet sich bei Brock et al. (1992), S. 60 f.

    Google Scholar 

  72. Vgl. Nelson (1991), S. 347 ff.

    Google Scholar 

  73. Vgl. Lamoureux/Lastrapes (1990b), S. 221 ff.

    Google Scholar 

  74. Vgl. Wilk/Gnanadesikan (1968), S. 1 ff. und Chambers et al. (1983), S. 191 ff.

    Google Scholar 

  75. Vgl. Kim/Kon (1994), S. 563 ff.

    Google Scholar 

  76. Vgl. Brailsford/Faff (1993), S. 109 ff.

    Google Scholar 

  77. Vgl. Kim/Kon (1994), S. 563 ff.

    Google Scholar 

  78. Zum Ljung-Box-Test vgl. Ljung/Box (1978), S. 297 ff. und zum LM-Test vgl. Engle (1982), S. 1000.

    Google Scholar 

  79. Vgl. Diebold (1986), S. 323 f.

    Google Scholar 

  80. Vgl.Engle(1982), S. 1000.

    Google Scholar 

  81. Eine Simulationsstudie, bei der der LM-Test andere Tests in der Erkennung von ARCH-Effekten dominiert findet sich bei Brock et al. (1992), S. 60 f.

    Google Scholar 

  82. Zu den Informationskriterien vgl. die ausflihrlichen Darstellungen im Abschnitt 3.4.5.1.4.

    Google Scholar 

  83. Kennzahlen zur Bewertung der Prognosegüte finden sich z.B. bei Schroder (2002), S. 448 ff. Vgl. auch EViews 4.1

    Google Scholar 

Download references

Authors
  1. Frank Herrmann
    View author publications

    You can also search for this author in PubMed Google Scholar

Rights and permissions

Reprints and permissions

Copyright information

© 2005 Springer Fachmedien Wiesbaden

About this chapter

Cite this chapter

Herrmann, F. (2005). Volatilitätsanalyse. In: Integration und Volatilität bei Emerging Markets. Empirische Finanzmarktforschung / Empirical Finance. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-10373-8_4

Download citation

  • DOI: https://doi.org/10.1007/978-3-663-10373-8_4

  • Publisher Name: Deutscher Universitätsverlag, Wiesbaden

  • Print ISBN: 978-3-8350-0194-7

  • Online ISBN: 978-3-663-10373-8

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation