Programming lesson
GARCH-Modelle und Risikomessung: Ein Leitfaden zur FN3142 Quantitative Finance
Lernen Sie die wichtigsten Konzepte der quantitativen Finanzwirtschaft anhand des FN3142-Fragesets: Komponenten-GARCH, Value-at-Risk, Expected Shortfall und Maximum-Likelihood-Schätzung. Mit aktuellen Beispielen aus dem Jahr 2026.
Einführung in die quantitative Finanzwirtschaft
Die quantitative Finanzwirtschaft ist ein zentrales Feld der modernen Finanzwelt. Im Jahr 2026, wo KI-gesteuerte Handelsalgorithmen und volatile Märkte dominieren, ist das Verständnis von Risikomodellen wie GARCH und Value-at-Risk (VaR) unerlässlich. Dieser Leitfaden behandelt die Kernfragen der FN3142-Prüfung und zeigt, wie Sie komplexe Konzepte wie das Komponenten-GARCH-Modell, die Expected Shortfall-Berechnung und die Maximum-Likelihood-Schätzung meistern.
Das Komponenten-GARCH-Modell und seine Äquivalenz zu GARCH(2,2)
Das Komponenten-GARCH-Modell (CGARCH) zerlegt die Volatilität in eine langfristige und eine kurzfristige Komponente. In der Prüfungsfrage wird verlangt, zu zeigen, dass dieses Modell einem GARCH(2,2)-Modell entspricht. Um dies zu verstehen, betrachten Sie die Gleichungen:
Rt = μ + εt
εt = σt * zt, zt ~ N(0,1)
σt² = q_t + α(ε_{t-1}² - q_{t-1}) + β(σ_{t-1}² - q_{t-1})
q_t = ω + ρ q_{t-1} + φ(ε_{t-1}² - σ_{t-1}²)Durch Substitution von q_t in die Varianzgleichung erhalten Sie eine GARCH(2,2)-Struktur. Dies ist wichtig für die Risikomodellierung in Zeiten hoher Marktvolatilität, wie sie 2026 durch geopolitische Spannungen und KI-getriebene Handelsstrategien auftreten.
Value-at-Risk und Expected Shortfall: Die Säulen des Risikomanagements
Der Value-at-Risk (VaR) gibt den maximalen Verlust innerhalb eines bestimmten Konfidenzniveaus an. Für normalverteilte Renditen mit Mittelwert μ und Varianz σ² lautet die Formel für den 1-Tages-VaR zum Niveau α:
VaR_α = μ + σ * Φ^{-1}(α)Wobei Φ^{-1} die inverse Standardnormalverteilung ist. Der Expected Shortfall (ES) misst den durchschnittlichen Verlust jenseits des VaR. Für dieselbe Verteilung gilt:
ES_α = μ + σ * (φ(Φ^{-1}(α)) / (1-α))Eine interessante Eigenschaft ist, dass die Differenz zwischen VaR und ES proportional zum VaR gegen null geht, wenn α gegen null strebt. Dies zeigt, dass bei extremen Verlusten beide Maße ähnlich werden. In der Praxis, etwa bei der Bewertung von Kryptowährungsrisiken im Jahr 2026, ist der Expected Shortfall oft aussagekräftiger, da er Tail-Risiken besser erfasst.
Optimale Prognosen und ihre Qualität
Die Frage nach der Optimalität von Prognosen ist zentral. Eine Prognose kann im statistischen Sinne optimal sein (z.B. unverzerrt und mit minimalem Fehler), aber dennoch eine niedrige R² aufweisen, wenn die zugrundeliegende Variable schwer vorhersagbar ist. Ein Beispiel: Die tägliche Rendite des S&P 500 im Jahr 2026 mag durch ein optimales Modell beschrieben werden, aber aufgrund von Zufallsschwankungen ist R² niedrig. Umgekehrt kann eine nicht-optimale Prognose (z.B. mit systematischem Bias) hohe R² liefern, wenn sie mit dem tatsächlichen Verlauf korreliert. Dies unterstreicht, dass Prognosegüte mehr umfasst als rein statistische Kriterien – besonders relevant bei der Vorhersage von KI-generierten Marktbewegungen.
Maximum-Likelihood-Schätzung für GARCH-Modelle
Die Maximum-Likelihood (ML)-Schätzung ist das Standardverfahren zur Parameterschätzung von GARCH-Modellen. Angenommen, die Renditen sind normalverteilt mit Mittelwert 0 und Varianz σ². Die Log-Likelihood-Funktion für eine Stichprobe x₁,…,x_T lautet:
L(σ²) = -T/2 * ln(2π) - T/2 * ln(σ²) - (1/(2σ²)) * Σ x_t²Für GARCH(1,1) wird die Varianz zeitvariabel: σ_t² = ω + α ε_{t-1}² + β σ_{t-1}². Die Log-Likelihood wird dann:
L(ω,α,β) = -1/2 Σ [ln(2π) + ln(σ_t²) + ε_t²/σ_t²]Die Maximierung erfolgt numerisch. Probleme können auftreten, wie lokale Maxima oder die Bedingung, dass ω, α, β ≥ 0 und α+β < 1. Im Jahr 2026 nutzen viele Finanzinstitute erweiterte GARCH-Modelle, um die Volatilität von KI-gesteuerten Handelsströmen zu modellieren.
Fazit
Die FN3142-Prüfung deckt zentrale Konzepte der quantitativen Finanzwirtschaft ab. Von GARCH-Äquivalenzen über Risikomaße bis zur Parameterschätzung – dieses Wissen ist 2026 relevanter denn je. Ob Sie sich auf eine Karriere im Risikomanagement, in der quantitativen Analyse oder im KI-Handel vorbereiten, diese Grundlagen sind unverzichtbar. Nutzen Sie die obigen Erklärungen, um Ihre Prüfungsvorbereitung zu optimieren.