Forecasting Risk Measures Based on Structural Breaks in the Correlation Matrix
Korrelationsmodelle, wie das GARCH-Modell der konstanten bedingten Korrelation (CCC) oder das GARCH-Modell der dynamischen bedingten Korrelation (DCC), spielen eine entscheidende Rolle bei der Prognose des Value-at-Risk (VaR) oder des Expected Shortfall (ES). Die zusätzliche Einbeziehung von konstanten Korrelationstests in Korrelationsmodelle hat sich als hilfreich erwiesen, um die Genauigkeit von VaR- oder ES-Prognosen zu verbessern. Galeano & Wied (2017) schlugen einen Algorithmus zur Erkennung von Strukturbrüchen in der Korrelationsmatrix vor, während Duan & Wied (2018) ein auf Residuen basierendes Testverfahren für eine konstante Korrelationsmatrix vorschlugen, das zeitvariable marginale Varianzen berücksichtigt. In diesem Kapitel demonstrieren wir die Anwendung der oben genannten Korrelations-Testverfahren und vergleichen ihre Leistung beim Backtesting von VaR- und ES-Vorhersagen. Die betrachteten Portfolios werden aus den vier Aktienindizes DAX30, STOXX50, FTSE100 und S&P gebildet.