Auswirkungen von Strukturbrüchen auf Inferenzmethoden bei Zeitreihen mit langem Gedächtnis

• Antragsteller: Professor Dr. Michael Massmann; Professor Dr. Philipp Sibbertsen
• Fachliche Zuordnung: Statistik und Ökonometrie
• Förderung: Förderung von 2014 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 258395632

• Erstellungsjahr: 2023

Zusammenfassung der Projektergebnisse

Dieses DFG-Projekt beschäftigte sich mit dem statistischen Problem, langes Gedächtnis bei stochastischen Prozessen von Strukturbrüchen zu unterscheiden. Denn in endlichen Stichproben sind beide Phänomene bis zu einem gewissen Grad beobachtungsäquivalent. Da es in der bestehenden Literatur schon viele Arbeiten für univariate Prozesse gibt, lag der Fokus dieses Projektes auf der Untersuchung von multivariaten Systemen. Verschiedene methodische Ansätze wurden im Rahmen des Projektes verfolgt. Sie lassen sich in zwei große Themenbereiche unterteilen. Ein erster Schwerpunkt lag auf der Unterschung von statistischen Strukturbruchtests bei multivariaten Zeitreihen mit langem Gedächtnis. Der zweite Themenbereich lag auf der Robustifizierung von Schätzmethoden für den Gedächtnisparameter gegen Strukturbrüche in multivariaten Zeitreihen mit langem Gedächtnis. Im Rahmen des Projektes wurde ferner gezeigt, dass sich die methodischen Neuerungen sinnvoll auf empirischen Daten anwenden lassen, siehe das Beispiel mit Aktienrenditen und jenes mit Finanzmarkt-Betas. Abgesehen von ihren methodischen Neuerungen tragen die Erkenntnisse dazu bei, dass beobachtete Zeitreihen in Wissenschaft und Praxis adäquater beschrieben und prognostiziert werden können.

Projektbezogene Publikationen (Auswahl)

• (2018): An Overview of Modified Semiparametric Memory Estimation Methods. Econometrics 6, 13
  Busch, M., Sibbertsen, P.
  (Siehe online unter https://doi.org/10.3390/econometrics6010013)
• (2019): Change-in-Mean Tests in Long-Memory Time Series. Advances in Statistical Analysis 103, 237-256
  Wenger, K., Leschinski, C., Sibbertsen, P.
  (Siehe online unter https://doi.org/10.1007/s10182-018-0328-5)
• (2019): Fixed Bandwidth CUSUM Test under Long Memory. Econometrics and Statistics
  Wenger, K., Leschinski, C.
  (Siehe online unter https://doi.org/10.1016/j.ecosta.2019.08.001)
• (2019): Strong convergence of the least squares estimator in regression models with adaptive learning. Electronic Journal of Statistics, 13, 1646-1693
  Christopeit, N., Massmann, M.
  (Siehe online unter https://doi.org/10.1214/19-EJS1558)
• (2019): The Memory of Beta. Journal of Banking and Finance 124, 106026
  Becker, J., Hollstein, F., Prokopczuk, M., Sibbertsen, P.
  (Siehe online unter https://doi.org/10.2139/ssrn.3492931)
• (2020): A Modified Wilcoxon Test for Change Points in Long-Range Dependent Time Series. Economics Letters, 192, 109237
  Wenger, K., Less, V.
  (Siehe online unter https://doi.org/10.1016/j.econlet.2020.109237)
• (2020): Distinguishing between Breaks in the Mean and Breaks in Persistence under Long Memory. Economics Letters, 193, 109338
  Wingert, S., Mboya, M., Sibbertsen, P.
  (Siehe online unter https://doi.org/10.1016/j.econlet.2020.109338)
• (2020): The Memory of Stock Return Volatility: Asset Pricing Implications. Journal of Financial Markets 47, 100487
  Nguyen, D. B. B., Prokopczuk, M., Sibbertsen, P.
  (Siehe online unter https://doi.org/10.1016/j.finmar.2019.01.002)
• (2021): COVID-19 pandemic news and stock market reaction during the onset of the crisis: evidence from high-frequency data. Applied Economics Letters 28, 1686-1689
  Ambros, M., Frenkel, M., Huyn, T. L. D., Kilinc, M.
  (Siehe online unter https://doi.org/10.1080/13504851.2020.1851643)
• (2021): ECB’s communication and the yield curve: core versus periphery effects. Applied Economics Letters 28, 630-634
  Fendel, R., Neugebauer, F., Kilinc. M.
  (Siehe online unter https://doi.org/10.1080/13504851.2020.1770184)