Multivariate Zeitreihenanalyse mit Long Memory
Multivariate Zeitreihen mit langanhaltenden Abh?ngigkeiten (Long Memory) treten in zahlreichen ?konomischen und finanziellen Anwendungen auf, etwa bei Inflationsraten, Zinss?tzen oder Aktienkursen. In dieser Arbeit werden Sch?tz- 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 nichtstation?ren, persistenten Faktoren eingesetzt werden kann – ohne auf klassische Differenzierungsmethoden zurückgreifen zu müssen. Erg?nzend wird ein ?Diminishing-Signals“-Ansatz verwendet, der die Varianz fraktional integrierter Faktoren mit wachsender Zeitfensterl?nge 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
{web_name}e Arbeit befasst sich mit der Herausforderung, verl?ssliche Varianz-Kovarianz-Strukturen in hochdimensionalen Finanzdatens?tzen zu sch?tzen, insbesondere wenn die Anzahl der Assets in die N?he der verfügbaren Zeitreihenl?nge rückt. Im Mittelpunkt steht die Kombination dynamischer Faktormodelle zur Volatilit?tssch?tzung mit dynamischen Korrelationsmodellen, um systemische Risiken ad?quat zu erfassen. Es wird gezeigt, dass der Einsatz von Faktormodellen in Verbindung mit Regularisierungstechniken – etwa dem Ledoit-Wolf-Shrinkage – die Stabilit?t und Prognosegüte der Kovarianzsch?tzung 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 gro?e Herausforderungen. In diesem Projekt wird ein Teil des Zusammenhangs zwischen beiden Gebieten untersucht, indem die Auswirkungen langfristiger Temperaturver?nderungen auf die Einkommensungleichheit innerhalb von L?ndern analysiert werden. Da die Einkommensungleichheit von einer Vielzahl demografischer, wirtschaftlicher, politischer und soziokultureller Faktoren abh?ngt, ist die Anzahl der L?nder gr??er 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. {web_name} betrifft insbesondere auch den Lebensmittelsektor und somit zu einem gro?en 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 L?ndern für den Zeitraum von 1995 bis 2021 herangezogen. Unter Verwendung verschiedener sozio?konomischer Variablen in unterschiedlichen Modellspezifikationen scheinen insbesondere kulturelle Faktoren eine bedeutende Rolle zu spielen.
