42,95 €
inkl. MwSt.
Versandkostenfrei*
Sofort lieferbar
payback
0 °P sammeln
  • Broschiertes Buch

Masterarbeit aus dem Jahr 2021 im Fachbereich VWL - Finanzwissenschaft, Note: 1,0, Karl-Franzens-Universität Graz (Volkswirtschaftslehre), Sprache: Deutsch, Abstract: Aktien und vergleichbare Anlageklassen unterliegen hohen Kursrisiken. Zur Optimierung des Risiko-Rendite-Verhältnisses eines Investors ist es von großem Nutzen, derartige Risiken zu quantifizieren. Zu diesem Zweck griffen Wirtschaftswissenschaftler in der Vergangenheit verstärkt auf die realisierte Volatilität zurück, einer ex post Approximation der nicht beobachtbaren tatsächlichen Volatilität.Aufbauend auf dem HAR-, HARQ- und…mehr

Produktbeschreibung
Masterarbeit aus dem Jahr 2021 im Fachbereich VWL - Finanzwissenschaft, Note: 1,0, Karl-Franzens-Universität Graz (Volkswirtschaftslehre), Sprache: Deutsch, Abstract: Aktien und vergleichbare Anlageklassen unterliegen hohen Kursrisiken. Zur Optimierung des Risiko-Rendite-Verhältnisses eines Investors ist es von großem Nutzen, derartige Risiken zu quantifizieren. Zu diesem Zweck griffen Wirtschaftswissenschaftler in der Vergangenheit verstärkt auf die realisierte Volatilität zurück, einer ex post Approximation der nicht beobachtbaren tatsächlichen Volatilität.Aufbauend auf dem HAR-, HARQ- und HARQ-F- Modell und deren logarithmischen Erweiterungen aus Corsi (2009), Bollerslev et al. (2016) und Wang et al. (2020), wurde im Rahmen dieser Arbeit der Einfluss der impliziten Volatilität auf die Prognose der realisierten Volatilität von 27 Aktien des Dow Jones Industrial Average (DJIA) untersucht. Zu diesem Zweck wurden das LogHAR-, LogHARQ- und LogHARQ-F-Modell um Volatilitätskomponenten des Chicago Board Options Exchange (CBOE) S&P500 Volatilitätsindex VIX erweitert und die 1-Tages-Prognose dieser linearen Regressionsmodelle, mit denen der Benchmarking-Modelle verglichen.Die Prognoseergebnisse der erweiterten Modelle weisen deutliche Prognoseverbesserungen sowohl in stark als auch in gering volatilen Zeiträumen auf und übertreffen alle gegenübergestellten Benchmarking-Modelle in ihrer Prognosegüte. Diese Resultate konnten auch in einer Reihe verschiedener Robustheitsprüfungen wiederholt werden. Um die erzielten Prognoseverbesserungen in einer wirtschaftlichen Nutzenanalyse zu verifizieren, wurde im Rahmen dieser Arbeit auf Volatilitäts-Timing-Strategien zur Portfolioallokation nach Fleming et al. (2001) und Marquering & Verbeek (2004) zurückgegriffen. Die verbesserten Volatilitätsprognosen der erweiterten Modelle, verglichen mit den Prognosen der Benchmarking-Modelle, führten zu höheren Portfolionutzen und damit zu ausschließlich positiven durchschnittlichen Performancegebühren, welche ein Investor bereit wäre zu zahlen, um eines der erweiterten Modelle zur Volatilitätsprognose verwenden zu können.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.