Multivariate Zeitreihenanalyse mit Long Memory
Multivariate Zeitreihen mit langanhaltenden Abhängigkeiten (Long Memory) treten in zahlreichen ökonomischen und finanziellen Anwendungen auf, etwa bei Inflationsraten, Zinssätzen oder Aktienkursen. In dieser Arbeit werden Schätz- und Auswahlverfahren für approximative dynamische Faktormodelle untersucht, deren latente Faktoren fraktional integrierte (Long-Memory-)Eigenschaften aufweisen. Es wird gezeigt, dass die Hauptkomponentenanalyse (PCA) unter milden Annahmen auch bei nichtstationären, persistenten Faktoren eingesetzt werden kann – ohne auf klassische Differenzierungsmethoden zurückgreifen zu müssen. Ergänzend wird ein „Diminishing-Signals“-Ansatz verwendet, der die Varianz fraktional integrierter Faktoren mit wachsender Zeitfensterlänge skaliert, sodass deren Gesamtvarianz nicht divergiert. Der mathematische Nachweis stützt sich dabei auf die Zerlegung der Gesamtvarianz anhand der Eigenwertstruktur der beobachteten Paneldaten.
Modellierung dynamischer Kovarianzmodelle
Diese Arbeit befasst sich mit der Herausforderung, verlässliche Varianz-Kovarianz-Strukturen in hochdimensionalen Finanzdatensätzen zu schätzen, insbesondere wenn die Anzahl der Assets in die Nähe der verfügbaren Zeitreihenlänge rückt. Im Mittelpunkt steht die Kombination dynamischer Faktormodelle zur Volatilitätsschätzung mit dynamischen Korrelationsmodellen, um systemische Risiken adäquat zu erfassen. Es wird gezeigt, dass der Einsatz von Faktormodellen in Verbindung mit Regularisierungstechniken – etwa dem Ledoit-Wolf-Shrinkage – die Stabilität und Prognosegüte der Kovarianzschätzung signifikant verbessert. Empirische Analysen auf Basis von S&P 500- und STOXX Europe 600-Daten belegen, dass sich mit diesen Verfahren Minimum-Varianz-Portfolios konstruieren lassen, die im Out-of-Sample-Vergleich ein geringeres Risiko aufweisen.
Auswirkungen des Klimawandels auf Einkommensungleichheit
Die Themen Klimawandel und Einkommensungleichheit stellen uns vor große Herausforderungen. In diesem Projekt wird ein Teil des Zusammenhangs zwischen beiden Gebieten untersucht, indem die Auswirkungen langfristiger Temperaturveränderungen auf die Einkommensungleichheit innerhalb von Ländern analysiert werden. Da die Einkommensungleichheit von einer Vielzahl demografischer, wirtschaftlicher, politischer und soziokultureller Faktoren abhängt, ist die Anzahl der Länder größer als die der Kovariaten. Um mit dieser Datenstruktur umzugehen, kommt Double Machine Learning zum Einsatz.
pixabay.com Einflussfaktoren auf Treibhausgasemissionen aus Fleischkonsum
Um das Zwei-Grad-Ziel zu erreichen, müssen Treibhausgasemissionen eingespart werden. Dies betrifft insbesondere auch den Lebensmittelsektor und somit zu einem großen Teil den Fleischkonsum. In diesem Projekt werden die Auswirkungen von bisher relativ wenig untersuchten Variablen auf die Emissionen aus dem Fleischkonsum analysiert. Dazu werden Daten aus etwa 40 Ländern für den Zeitraum von 1995 bis 2021 herangezogen. Unter Verwendung verschiedener sozioökonomischer Variablen in unterschiedlichen Modellspezifikationen scheinen insbesondere kulturelle Faktoren eine bedeutende Rolle zu spielen.
