IGRK 1792/2: Hochdimensionale nicht stationäre Zeitreihen

Die Quantitative Ökonomie beschäftigt sich mit der Modellierung von hochdimensionalen, unstrukturierten Daten und nicht stationären Zeitreihen. Die Standardinstrumentarien, welche auf niedrigdimensionalen Parametern und einer steigenden Anzahl an Beobachtungen basieren, sind somit nicht anwendbar. Es muss auf adaptive Methoden und lokal stationäre Modelle zurückgegriffen werden, um diese Daten angemessen zu analysieren. Diese IRTG untersucht, wie die Komplexität und Mehrdimensionalität durch geeignete statistische Verfahren reduziert werden können. Das Kernziel ist dabei die Entwicklung neuer statistischer und ökonometrischer Methoden, die die dynamischen Analysemöglichkeiten erweitern sollen und können zum Beispiel durch zeitlich veränderliches maschinelles Lernen mit Netzwerktechniken unterstützt werden. Um transparentes und reproduzierbares wissenschaftliches Arbeiten zu garantieren, werden die computerbasierten Algorithmen auf einer frei zugänglichen Plattform bereitgestellt.Anwendungsbereiche sind unter anderem die Neurowissenschaft, Hochfrequenzhandel, zeitabhängiges Clustern unstrukturierter Daten, Dynamic Topic Modelling, stimmungsgeleitete Reaktionen und Herdenverhalten. Für eine realistische Anwendung dieser neuen Techniken muss die Standardannahme fallen gelassen oder zumindest gelockert werden. Eine neue Schätztheorie, basierend auf Functional Structural Sparsity, bietet einen guten Ausgleich zwischen Interpretierbarkeit, Freiheit bei der Verteilungsannahme und Structural Complexity. Ein Beispiel ist ein zeitlich variables Lasso-Verfahren mit bestimmbaren und ökonomisch interpretierbaren reduzierten Parametern. Eine graphisch fundierte Perspektive auf Zeitreihendaten ist etwa angesichts der Dynamik sozialer oder systemischer Risiken notwendig. Diesbezüglich forscht die IRTG auf dem Gebiet der Combinatorial Inference zum Beispiel welche Knoten in Bezug auf Sentiments in der Finanzwirtschaft zentral und welche infektiös sind. Diese Art der Analyse ist auch im schnell wachsenden Crypto-Currency-System gefragt, wo man Marktumschwünge und dynamische Volatilität identifizieren möchte.Zu dem Qualifizierungsprogramm muss ein vielfaltiges Kursprogramm mit festen Mathematikbestandteilen, statistischem Training und modernen Techniken des Maschinellen Lernens gehören, um die gesetzten Forschungsziele zu erreichen. Die Vorträge von Gastwissenschaftlern tragen dazu bei, das Wissen um aktuelle Themen zur Dimensionsreduktion, Dynamic Sparseness und Netzwerken zu erweitern.

Projektleitung
Härdle, Wolfgang Prof. Dr. (Details) (Statistik)

Weitere Projektbeteiligte
Breunig, Christoph Prof. Dr. (Details) (Ökonometrie (J))
Burda, Michael C. Prof. Ph. D. (Details) (Wirtschaftstheorie II)
Fitzenberger, Bernd Prof. Ph.D. (Details) (Ökonometrie)
Lessmann, Stefan Prof. Dr. (Details) (Wirtschaftsinformatik)
López Cabrera, Brenda Prof. Dr. (Details) (Quantitativ Climate, Weather and Energy Analysis (J))
Reiß, Markus Prof. Dr. (Details) (Mathematische Statistik)
Wang, Weining Prof. Dr. (Details) (Nonparametric Statistics and Dynamic Risk Management (J))

Beteiligte externe Organisationen

Mittelgeber
DFG: Graduiertenkollegs

Laufzeit
Projektstart: 04/2018
Projektende: 09/2022

Forschungsbereiche
Wirtschaftswissenschaften

Forschungsfelder
Betriebswirtschaft, Big Data, Univariate and Multivariate Regression, Regression Models, China

Publikationen
1. Moro RA, Härdle WK, Schäfer D (2017) Company rating with support vector machines. Statistics&risk modeling, Vol 34 Issue: 1-2 Pages: 55-67 DOI: doi 10.1515/strm-2012-1141
2. Liu R, Härdle WK, Zhang G (2017) Statistical Inference for Generalized Additive Partially Linear Model, J Multivariate Analysis, doi 10.1016/j.jmva.2017.07.011
3. Härdle WK, Osipenko M (2017) Dynamic Valuation of Weather Derivatives under Default Risk, International Journal of Financial Studies, doi 10.3390/ijfs5040023
4. Belomestny D, Härdle WK, Krymova E (2017) Sieve estimation of the minimal entropy martingale marginal density with application to pricing kernel estimation, International J of Theoretical and Applied Finance, DOI 10.1142/S0219024917500418
5. Chao SK, Härdle WK, Huang C (2018) Multivariate Factorisable Sparse Asymmetric Least Squares Regression. Comp Stat Data Analysis, doi 10.1016/j.csda.2017.12.001
6. Linton M, Teo EGS, Bommes E, Chen CYH, Härdle WK (2017) Dynamic Topic Modelling for Cryptocurrency Community Forums. p 355-372, Applied Quantitative Finance (Härdle, Chen, Overbeck eds) Springer Verlag, DOI 10.1007/978-3-662-54486-0
7. Härdle W K, Phoon KF, Lee D (2017) Credit Rating Score Analysis. p 223-244 Applied Quantitative Finance, (Härdle WK, Chen YH, Overbeck L eds), Springer Verlag, DOI 10.1007/978-3-662-54486-0
8. Chen CYH, Chiang CT, Härdle WK (2018) Downside risk and stock returns: An empirical analysis of the long-run and short-run dynamics from the G-7 Countries. J Banking and Finance, Volume 93, August 2018, pp. 21-32, DOI 10.1016/j.jbankfin.2018.05.012
9. Zharova A, Tellinger-Rice J, Härdle WK (2018) How to Measure the Performance of a Collaborative Research Center, Scientometrics, https://link.springer.com/article/10.1007/s11192-018-2910-8 DOI: https://doi.org/10.1007/s11192-018-2910-8
10. Winkelmann, L, Bibinger, M (2018) Common price and volatility jumps in noisy high-frequency data. Electronic Journal of Statistics, 12, 2018-2073, 2018
11. Chen CYH, Härdle WK, Okhrin Y (2018) Tail event driven networks of SIFIs. J Econometrics, DOI: https://doi.org/10.1016/j.jeconom.2018.09.016
12. Chen Y, Härdle WK, Qiang H, Majer, P (2018) Risk Related Brain Regions Detected with 3D Image FPCA, Statistics and Risk Modeling, DOI: https://doi.org/10.1515/strm-2017-0011
13. Ngoc MT, Osipenko M, Härdle WK, Burdejova P (2018) Principal Components in an Asymmetric Norm. J Multivariate Analysis 20181008 accepted
14. Trimborn S, Härdle WK (2018) CRIX an Index for Cryptocurrencies, Empirical Finance, DOI: https://doi.org/10.1016/j.jempfin.2018.08.004
15. Vomfell L, Härdle WK, Lessmann, S (2018) Improving Crime Count Forecasts Using Twitter and Taxi Data, Decision Support Systems, DOI:https://doi.org/10.1016/j.dss.2018.07.003
16. Bibinger M, Neely Ch, Winkelmann L (2019) Estimation of the discontinuous leverage effect: Evidence from the NASDAQ order book, DOI:https://doi.org/10.1016/j.jeconom.2019.01.001
17. Chua WS, Chen Y, Härdle WK (2019) Forecasting Limit Order Book Liquidity Supply-Demand Curves with Functional AutoRegressive Dynamics. Quantitative Finance, DOI: https://doi.org/10.1080/14697688.2019.1622290
18. Kostmann M, Härdle WK (2019) Forecasting in Blockchain-Based Local Energy Markets. Energies 2019, 12(14), 2718; https://doi.org/10.3390/en12142718
19. Klein N, Werwatz H, Kneib T (2019)Modelling regional patterns of inefficiency: A Bayesian approach to geoadditive panel stochastic frontier analysis with an application to cereal production in England and Wales. Journal of Econometrics Corresponding. https://doi.org/10.1016/j.jeconom.2019.07.003
20. Lux M, Härdle WK, Lessmann S (2019) An AI approach to measuring financial risk. Comp Stat Data Analysis, DOI: 10.1007/s00180-019-00934-7
21. Yu L, Härdle WK, Borke L, Benschop T (2019) Data Driven Value-at-Risk Forecasting using a SVR-GARCH-KDE Hybrid. The Singapore Economic Review, DOI: 10.1142/S0217590819500668
20. Qian Y, Härdle WK, Chen CYH (2019) Modelling Industry Interdependency Dynamics in a Network Context. Studies in Economics and Finance. DOI: https://doi.org/10.1108/SEF-07-2019-0272

Zuletzt aktualisiert 2020-18-06 um 11:10