Finished Research Projects

Klassifikationsverfahren zur Risikobewertung von Jahresabschlüssen - Eine empirische Analyse fehlerhafter Jahresabschlüsse deutscher Unternehmen

(Tim Vintis)

Die Vertrauenswürdigkeit der Informationen des Jahresabschlusses sind für die Entscheidungen der Vielzahl an unternehmensexternen Adressaten unerl?sslich. Trotz zahlreicher Kontrollinstanzen erschüttern insbesondere Bilanzskandale regelm??ig das Vertrauen in die bereitgestellten Informationen und in die Arbeitsweise der Kontrollinstanzen. Der Einsatz von Klassifikationsverfahren des maschinellen Lernens zur Risikobewertung von Jahresabschlüssen wird empirisch auf Basis von Daten deutscher Unternehmen evaluiert und Einsatzm?glichkeiten in das bestehende Kontrollsystem diskutiert.

Quantiative Verprobungsmethoden in der Betriebsprüfung - Evaluation mathematisch-statistischer Verfahren und ihrer Verwertbarkeit in der Rechtsprechung

(Dr. Jana Sell)

Die steuerliche Betriebsprüfung dient der Sicherung des Steueraufkommens und der Gew?hrleistung der Gleichm??igkeit der Besteuerung. Dafür bedarf es des Einsatzes wirksamer Kontrollmethoden. Im Rahmen der digitalen Betriebsprüfung werden ver澳门皇冠_皇冠足球比分-劲爆体育t mathematisch-statistische Verfahren eingesetzt. Mit dem Stichprobenverfahren anhand des Monetary Unit Samplings und den Verteilungstests werden die auf der Wahrscheinlichkeitstheorie basierenden quantitativen Verprobungsmethoden hinsichtlich ihrer methodischen Eignung analysiert und ihre Verwertbarkeit in der Rechtsprechung diskutiert.

Schlie?en mit Erfahrungss?tzen - Untersuchung des Zusammenhangs zwischen statistischen und juristischen Methoden der ?berzeugungsbildung

(Paola Jan?en)

Die ?konometrische Bestimmung von Liquidit?tsrisiken und deren Einfluss auf Finanzrisikoprognosen

(Dr. Christina Uffmann)

Infolge der letzten Finanzkrise 2007/2008 wurde Liquidit?t als einer der Hauptfaktoren für die Stabilit?t der Kapitalm?rkte erkannt, wodurch sich die Aufmerksamkeit hinsichtlich der Berücksichtigung von Liquidit?t im Risikomanagement seitens der Forschung, Finanzinstitute und Aufsichtsbeh?rden verst?rkte. W?hrend sich die regulatorischen Anforderungen lediglich auf eine Adjustierung des betrachteten Horizontes bezüglich der angenommen Liquidit?t der Position beschr?nken, wird in der Literatur die explizite Modellierung des Liquidit?tsrisikos in bestehenden Risikomodellen verfolgt. Die Einbeziehung des Liquidit?tsrisikos in einen bestehenden Value-at-Risk- und Expected-Shortfalls-Rahmen geht dabei mit diversen methodischen Herausforderungen einher.

Copula Modelling in Risk Management

(Dr. Theo Berger)

Modeling multivariate return distributions via copula functions has become a common approach in financial risk management. Concerning portfolio management, however, evidence on the impact of choosing a particular copula function on different portfolio compositions is still lacking, as typically only a single portfolio strategy (e. g. equally weighted portfolios) is analyzed in empirical studies. Therefore, we evaluate copula models for different portfolio strategies with respect to the accuracy of volatility forecasts.

Dependency Modeling and VaR-Estimation

(Dr. Theo Berger)

Die Modellierung der Einzelrenditen als dynamisch bedingt korreliert hat Auswirkungen auf die stochastischen Eigenschaften der Portfoliorendite und beeinflusst so das Portfoliorisiko und damit den Value at Risk (VaR) als popul?res Risikoma?. Eine Beurteilung, inwieweit die DCC-Modellierung zu verl?sslicheren VaR-Sch?tzungen führt, erfordert eine empirische Evaluation von DCC-Modellen unter alternativen Verteilungsannahmen, in unterschiedlichen B?rsenphasen und die Gegenüberstellung alternativer Volatilit?tskonzepte wie z. B. Volatility-Spillover - Ans?tze und Copula-Modelle.

Bayes'sche Strukturbruchanalyse im Portfolio und Risikomanagement

(Dr. Sven Thies)

Dieses Forschungsprojekt befasst sich mit der Integration von Methoden der bayesschen Strukturbruchanalyse in das aktive Portfolio und Risikomanagement. Unterstellt man, dass Renditen neben einer Dynamik ebenfalls Strukturbrüche – also eine abrupte ?nderung der Eigenschaften einer Renditezeitreihe, siehe Abbildung – aufweisen, so l?sst sich vermutlich durch die frühzeitige Erkennung mithilfe geeigneter Verfahren ein erheblicher Mehrwert für bestehende Modelle im aktiven Portfolio und Risikomanagement generieren. Eine umfangreiche simulationsbasierte sowie empirische Analyse einer Reihe von Strukturbruchmodellen soll Aufschluss darüber geben, ob und inwieweit ein Mehrwert generiert werden kann. Die Auswahl beschr?nkt sich dabei auf Modelle basierend auf der bayesschen Statistik, da diese durch ihre Eigenschaften besonders für diese Art von Modellierung geeignet ist. Erfolgreiche Anwendungen dieser Verfahren sind u.a. in der Bioinformatik, bei der DNS und Protein Sequenzierung, zu finden.

Risikomanagement für heterogene Finanzportfolios

(Dr. Gunnar Moys)

Die Finanzkrise 2007/2008 hat gezeigt, dass sich die Korrelationen zwischen unterschiedlichen Anlageklassen w?hrend der Krise deutlich ge?ndert haben. Insbesondere der Diversifikationseffekt scheint sich in Krisenzeiten deutlich abzuschw?chen. Anders ausgedrückt, scheint sich dieser Effekt genau dann zu verringern, wenn dieser am dringendsten ben?tigt wird (Chua, Kritzman und Page (2009)). Die Bildung von heterogenen Finanzportfolios durch die Aufnahme von alternativen Anlageklassen in die asset Allokation kann als L?sungsm?glichkeit hierfür angesehen werden. Allerdings ergeben sich aus der Heterogenit?t Problemstellungen, insbesondere erscheint es unwahrscheinlich, dass die berücksichtigten Anlageklassen der gleichen univariaten Verteilung folgen. Um eine separate Modellierung der Randverteilung und der Abh?ngigkeit zu erm?glichen, wird der Copula-Ansatz verwendet (Embrechts et al. (2002)). Die Bewertung der heterogenen Finanzportfolios erfolgt aus der Perspektive des Risikomanagements. Hierfür wird auf den Value-at-Risk (VaR) als Risikoma? zurückgegriffen. Trotz der Kritik am VaR (Artzner et al. 1999) erfolgt die Verwendung vor allem aufgrund der Vielzahl (Berkowitz et al. (2011)) von Backtesting-Verfahren, die eine statistische Bewertung erm?glichen.

Nichtlineare Modellierung des Zinssetzungsverhaltens deutscher Banken

(Dr. Ludwig Heinzelmann)

Die Weitergabe von Notenbankzinss?tzen an Marktzinsen für Einlagen und Kredite durch die Gesch?ftsbanken, der sog. ?Interest Rate Pass-Through“, hat gro?e Bedeutung für die gesamtwirtschaftliche Entwicklung. Die Quantifizierung des Zusammenhangs zwischen Geldmarkts?tzen und Bankzinsen und weitergehend die empirische Offenlegung des Optimierungskalküls des aggregierten Bankensektors in Bezug auf Preissetzungsentscheidungen zur Beurteilung des Wirkungsgrades der Zinspolitik oder zu Prognosezwecken erweist sich als anspruchsvolle ?konometrische Aufgabe. Im Rahmen des Forschungsprojektes werden bei der Bearbeitung dieser Problemstellung anhand aggregierter Daten für Deutschland i. W. folgende Fragen aufgegriffen:

• Welche Determinanten beeinflussen die Zinsweitergabe?
• Inwieweit finden sich theoretisch begründete Nichtlinearit?ten im Pass-Through –Mechanismus in den Daten wieder?
• Erweisen sich Nichtlinearit?ten in Smooth Transition Regressionsmodellen als statistisch signifikant?
• Sind diese (etwaigen) Nichtlinearit?ten ?konomisch relevant?
• Lassen sich transitorische oder permanente Strukturbrüche in Folge der Finanzkrise nachweisen?
• Welche Rolle spielen Zinserwartungen in der beobachteten Zinsweitergabe?
• Wie lassen sich Zinserwartungen auf sektoraler Ebene messen?

Zinsweitergabe und Finanzmarktkrise (Interest Rate Pass-Through and Financial Crisis)

(Dr. Angelika Knauf)

Die Frage, wie schnell und in welchem Umfang Gesch?ftsbanken Zins?nderungen der Notenbank weitergeben, ist zum einen einzelwirtschaftlich für die Kosteneffizienz einzelner Banken und des Bankensektors relevant, zum anderen determiniert sie gesamtwirtschaftlich einen wesentlichen geldpolitischen Transmissionkanal.

Kundenwertmessung im Bankensektor

(Dr. Sarah-Magdalena Leschke)

Im Rahmen des Kundenbeziehungsmanagements (Customer Relation Managements) stellt sich die Frage, inwieweit einzelnen Kunden(gruppen) differenzierte Konditionen angeboten werden sollen. Entscheidend ist hier, welcher Wert der Gesch?ftsbeziehung mit dem jeweiligen Kunden bzw. der Kundengruppe in der Zukunft beigemessen werden kann. Die Bestimmung dieses Kundenwertes (Customer Lifetime Value) stellt im Bankensektor spezielle Anforderung an die verwendete Datenbasis.

Biomodellierung

(Prof. Dr. Martin Missong)

Die ?konometrische Risikoforschung bietet vielf?ltige Ansatzpunkte in interdisziplin?ren Fragestellungen. In der bio?konomischen Modellierung kann im Rahmen von Risikoanalysen beispielsweise untersucht werden, welche Wahrscheinlichkeit dem Zusammenbruch von Populationen in unterschiedlichen Szenarien beigemessen werden muss. Ein Anwendungsgebiet ist das Fischereimanagement.

Exogenous Variables in Correlation Models for Financial Markets

(Dr. Jan-Hendrik Schopen)

Unterstellt man, dass nicht nur (autoregressive) dynamische Effekte den Korrelationsprozess determinieren, sondern die bedingten Korrelationen auch durch zus?tzliche Variable beeinflusst werden, so bilden DCC-Modelle mit exogenen Variablen (DCCX-Modelle) den geeigneten Analyserahmen. Gegenüber den DCC-Modellen sind die DCCX-Ans?tze theoretisch komplexer und die empirische Analye macht zus?tzliche Annahmen (Restriktionen) notwendig.

Optimal Risk Control, Return-Risk Adjustments and Robustness in Portfolio-Management

(Dr. Frederik Bauer)

Durch eine vergleichende Analyse alternativer DCC-Modelle l?sst sich feststellen, welche Modelle bzw. Modellklassen sich hinsichtlich der Risikomessung im Portfoliomanagement als vorteilhaft erweisen. Um den praktischen Nutzen einer Portfolioselektion mit Hilfe von DCC-Modellen umfassend beurteilen zu k?nnen, muss auch der Ertrag der resultierenden Anlagestrategie untersucht werden.

Simulation und Prognose der Anlageentscheidung privater Haushalte

(Dr. Fionnuala Schultz)

Preisgestaltungsspielr?ume der Banken h?ngen wesentlich von der Nachfrage seitens der Kunden ab. Die künftige Entwicklung der Nachfrage nach Bankprodukten durch Privatkunden wird u. a. durch die demografische Entwicklung und durch gesetzliche Regelungen zur Altersvorsorge bestimmt. Eine langfristige Prognose der Nachfrageentwicklung muss damit eine Vielzahl von Determinanten einbeziehen, um zu aussagekr?ftigen Ergebnissen zu gelangen.