Einverständniserklärung zu Cookies, Daten- und Trackinginformationen Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren. Beim Besuch dieser Webseite werden Informationen gespeichert. Bei der Darstellung von Produkten werden Bilder von an anderen Webseiten geladen. Um das zu ermöglichen, ist es nötig, dass ihr Browser Verbindungen zu anderen Servern aufbaut und dorthin Daten überträgt. Die Verarbeitung der an Kostenscout.de gesendeten Daten erfolgt zur Leistungserbringung, zu statistischen sowie werbetechnischen Zwecken. Wenn Sie auf der Seite weitersurfen, stimmen Sie der Cookie-Nutzung und Datenverarbeitung zu. Datenschutzinformationen ansehen
Der Einfluss von impliziter Volatilität auf die Prognose der realisierten Volatilität
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.
Die bei uns gelisteten Preise basieren auf Angaben der gelisteten Händler zum Zeitpunkt unserer Datenabfrage. Diese erfolgt einmal täglich. Von diesem Zeitpunkt bis jetzt können sich die Preise bei den einzelnen Händlern jedoch geändert haben. Bitte prüfen sie auf der Zielseite die endgültigen Preise.
Die Sortierung auf unserer Seite erfolgt nach dem besten Preis oder nach bester Relevanz für Suchbegriffe (je nach Auswahl).
Für manche Artikel bekommen wir beim Kauf über die verlinkte Seite eine Provision gezahlt. Ob es eine Provision gibt und wie hoch diese ausfällt, hat keinen Einfluß auf die Suchergebnisse oder deren Sortierung.
Unser Preisvergleich listet nicht alle Onlineshops. Möglicherweise gibt es auf anderen bei uns nicht gelisteten Shops günstigere Preise oder eine andere Auswahl an Angeboten.
Versandkosten sind in den angezeigten Preisen und der Sortierung nicht inkludiert.
* - Angaben ohne Gewähr. Preise und Versandkosten können sich zwischenzeitlich geändert haben. Bitte prüfen sie vor dem Kauf auf der jeweiligen Seite, ob die Preise sowie Versandkosten noch aktuell sind.
