The effect of structural changes to inference in long-memory time series

• Applicants: Professor Dr. Michael Massmann; Professor Dr. Philipp Sibbertsen
• Subject Area: Statistics and Econometrics
• Term: from 2014 to 2021
• Project identifier: Deutsche Forschungsgemeinschaft (DFG) - Project number 258395632

• Final Report Year: 2023

Final Report Abstract

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.

Publications

• (2018): An Overview of Modified Semiparametric Memory Estimation Methods. Econometrics 6, 13
  Busch, M., Sibbertsen, P.
  (See online at 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.
  (See online at https://doi.org/10.1007/s10182-018-0328-5)
• (2019): Fixed Bandwidth CUSUM Test under Long Memory. Econometrics and Statistics
  Wenger, K., Leschinski, C.
  (See online at 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.
  (See online at 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.
  (See online at 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.
  (See online at 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.
  (See online at 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.
  (See online at 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.
  (See online at 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.
  (See online at https://doi.org/10.1080/13504851.2020.1770184)