Analyzing, Measuring and Forecasting Financial Risks by means of High-Frequency Data
Das Projekt hat das Ziel die Vorhersagbarkeit von Finanzrisiken zu verbessern (A) durch die Entwicklung neuer Methoden zum Messen und Vorhersagen dieser Risiken unter Verwendung hochfrequenter Daten und (B) durch die Entwicklung neuer Methoden zur Evaluation dieser Risikovorhersagen, vor allem in Krisenzeiten, in denen diese Vorhersagen am dringendsten benötigt werden. Die Forschung für dieses Projekt ist insbesondere relevant im Kontext der dramatisch steigenden Handelsaktivitäten an den Finanzmärkten und im Bezug auf die massiven Verluste der Finanzinstitutionen während und nach turbulenten Zeiten, die sowohl die Gesamtwirtschaft als auch die einzelnen Bürgerinnen und Bürger als Steuerzahlende betreffen.
Im Projekt entstandene Publikationen:
- Calzolari, G. and Halbleib, R. (2018), ‘Estimating stable factor models by indirect inference’, Journal of Econometrics 5, 280–301.
- Calzolari, G. and Halbleib, R. (2020), Modelling and forecasting covariance matrices: A simple model with stochastic volatility latent factors. Working Paper.
- Calzolari, G., Halbleib, R. and Zagidullina, A. (2020), ‘A latent factor model for forecasting realized variances’, Journal of Financial Econometrics, https://doi.org/10.1093/jjfinec/nbz036
- Dimitriadis, T. and Halbleib, R. (2019), How informative is high-frequency data for tail risk estimation and forecasting? an intrinsic time perspective. Working Paper.
- Dimitriadis, T., Halbleib, R. and Streicher, S. (2019), Estimating realized variance: An intrinsic time approach. Working Paper.
Kollegiatin:
Prof. Dr. Roxana Halbleib