<?xml version="1.0" encoding="UTF-8"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns="http://purl.org/rss/1.0/" xmlns:dc="http://purl.org/dc/elements/1.1/">
  <channel rdf:about="https://hdl.handle.net/10419/337308">
    <title>EconStor Collection:</title>
    <link>https://hdl.handle.net/10419/337308</link>
    <description />
    <items>
      <rdf:Seq>
        <rdf:li rdf:resource="https://hdl.handle.net/10419/337368" />
        <rdf:li rdf:resource="https://hdl.handle.net/10419/337366" />
        <rdf:li rdf:resource="https://hdl.handle.net/10419/337367" />
        <rdf:li rdf:resource="https://hdl.handle.net/10419/337365" />
      </rdf:Seq>
    </items>
    <dc:date>2026-04-29T08:37:51Z</dc:date>
  </channel>
  <item rdf:about="https://hdl.handle.net/10419/337368">
    <title>Einfluss der Vermögenspreise auf die Gewinne im deutschen Bankensektor: Eine ökonometrische Analyse</title>
    <link>https://hdl.handle.net/10419/337368</link>
    <description>Title: Einfluss der Vermögenspreise auf die Gewinne im deutschen Bankensektor: Eine ökonometrische Analyse
Authors: Nastansky, Andreas
Abstract: Die Vermögenspreise - insbesondere die von Aktien und Immobilien - sowie die Zinssätze und die Zinsstruktur stellen zentrale Determinanten der Gewinne der Kreditwirtschaft dar. In diesem Beitrag werden die Wechselwirkungen zwischen diesen Faktoren und deren Auswirkungen auf die Profitabilität im deutschen Bankensektor seit dem Jahr 1991 näher betrachtet. Ziel ist es, die Mechanismen und Zusammenhänge zwischen diesen Variablen aufzuzeigen und auf der Grundlage einer ökonometrischen Analyse Implikationen für die Banksteuerung, Aufsichtsbehörden und Geldpolitik abzuleiten. Mithilfe eines ARDL-Regressionsmodells konnten statistisch signifikante Abhängigkeiten zwischen den Jahresüberschüssen deutscher Kreditinstitute und einer Reihe makroökonomischer Faktoren wie dem Deutschen Aktienindex, der Sparquote und dem Zinsspread sowie branchenspezifischer Faktoren wie die regulatorischen Vorgaben im Rahmen des Basel III-Prozesses aufzeigt werden. Die Diskussion der empirischen Ergebnisse zeigt, dass die finanzielle Solidität von Banken ein entscheidender Indikator für die Wirksamkeit geldpolitischer Maßnahmen und die Stabilität des Finanzsystems darstellt.</description>
    <dc:date>2025-01-01T00:00:00Z</dc:date>
  </item>
  <item rdf:about="https://hdl.handle.net/10419/337366">
    <title>Empirische Analyse des Zusammenhangs zwischen Rendite und impliziter Volatilität am deutschen Aktienmarkt</title>
    <link>https://hdl.handle.net/10419/337366</link>
    <description>Title: Empirische Analyse des Zusammenhangs zwischen Rendite und impliziter Volatilität am deutschen Aktienmarkt
Authors: Mauer, Annika; Nastansky, Andreas
Abstract: In diesem Beitrag wird empirisch untersucht, ob die zeitliche Entwicklung der Renditen des Deutschen Aktienindex (DAX) und die Zuwächse des Volatilitätsindex VDAX-NEW wechselseitig erklärt und vorhergesagt werden können. Der VDAX-NEW bildet dabei die von den Markteilnehmern erwartete Volatilität des Deutschen Aktienindex DAX ab. Die Ergebnisse zeigen, dass der im nationalen wie internationalen Kontext vielfach dokumentierte asymmetrische negative Zusammenhang zwischen den Renditen bzw. Änderungen der impliziten Volatilitätsindizes und den dazu korrespondierenden Aktienmarktindizes auch am deutschen Markt für den Zeitraum nach der globalen Finanzkrise nachgewiesen werden konnte, wobei der negative Zusammenhang im Falle negativer DAX-Renditen betragsmäßig stärker ausgeprägt ist als bei positiven DAX-Renditen. Hingegen verfügen die zeitverzögerten täglichen DAX-Renditen nur über einen geringen Mehrwert bei der Prognose des VDAX-NEW (und umgekehrt). Die empirischen Resultate sind robust hinsichtlich der Datenperiodizität und lassen sich mit Erkenntnissen aus der Kapitalmarkt- und Behavioral-Finance-Forschung erklären.</description>
    <dc:date>2025-01-01T00:00:00Z</dc:date>
  </item>
  <item rdf:about="https://hdl.handle.net/10419/337367">
    <title>Anwendung von Deep Learning in der Prognose der Volatilität des DAX: Ein Vergleich der Prognosegüte von GARCH und LSTM</title>
    <link>https://hdl.handle.net/10419/337367</link>
    <description>Title: Anwendung von Deep Learning in der Prognose der Volatilität des DAX: Ein Vergleich der Prognosegüte von GARCH und LSTM
Authors: Knuth, Nico; Nastansky, Andreas
Abstract: Die Fähigkeit Volatilität präzise vorherzusagen, ist von zentraler Bedeutung für das Risikomanagement in Banken und für das Treffen fundierter Anlageentscheidungen. In diesem Beitrag wird der Einsatz von Deep-Learning-Methoden − speziell des Long Short-Term Memory (LSTM)-Netzwerkes − zur Prognose der Volatilität des Deutschen Aktienindex analysiert. Hierbei wird die Prognosegüte des LSTMs mit der von gängigen zeitreihenökonometrischen Ansätzen, wie den Generalized Autoregressive Conditional Heteroscedaticity (GARCH)- Modellen, verglichen. Obwohl LSTMs in vielen Bereichen zunehmend Anwendung finden, ist ihr Einsatz in der Vorhersage von Finanzmarktzeitreihen im Vergleich zu etablierten ökonometrischen Modellen noch wenig untersucht. Die empirischen Ergebnisse zeigen, dass das LSTM verschiedene symmetrische und asymmetrische GARCH-Modelle in Bezug auf die Vorhersagegenauigkeit sowohl im Trainings- als auch im Testdatensatz deutlich übertrifft. Künstliche Neuronale Netze bieten eine bessere Generalisierungsfähigkeit und niedrigere Prognosefehler. Gleichzeitig werden Herausforderungen des Einsatzes neuronaler Netze im stark regulierten Bankensektor diskutiert.</description>
    <dc:date>2025-01-01T00:00:00Z</dc:date>
  </item>
  <item rdf:about="https://hdl.handle.net/10419/337365">
    <title>Herausforderungen des finanziellen Risikomanagements: Eine empirische Untersuchung des Value at Risk-Ansatzes in Stresssituationen</title>
    <link>https://hdl.handle.net/10419/337365</link>
    <description>Title: Herausforderungen des finanziellen Risikomanagements: Eine empirische Untersuchung des Value at Risk-Ansatzes in Stresssituationen
Authors: Barz, Till; Nastansky, Andreas
Abstract: Die Quantifizierung und Begrenzung extremer Wertverluste sind von zentraler Bedeutung für das finanzielle Risikomanagement. Besonders während volatiler Marktphasen tendieren traditionelle Risikomaße dazu, Risiken fehlerhaft einzuschätzen. Die Arbeit untersucht die Risikomaße Value at Risk (VaR) und Expected Shortfall (ES) hinsichtlich ihrer Fähigkeit, Verlustpotenziale während Stresssituationen präzise abzubilden. Dazu wird die Prognosefähigkeit dieser Maße unter verschiedenen Verteilungsannahmen und Gewichtungsmethoden analysiert. Unter anderem erfolgt eine systematische Überprüfung mittels Backtesting für den Untersuchungszeitraum. Die Analyse zeigt, dass Modelle mit einer t-Verteilung und einer exponentiellen Gewichtung historischer Daten eine höhere Vorhersagegenauigkeit aufweisen. Modelle mit Normalverteilungsannahme sind in Krisenzeiten besonders anfällig für Fehlprognosen. Alle untersuchten Modelle passen sich verzögert an veränderte Marktsituationen an, was zu einer anfänglichen Unterschätzung und späteren Überschätzung der Risiken führt. Die Anpassungslatenz variiert dabei je nach gewählter Gewichtung der historischen Daten. Implikationen für das Risikomanagement beinhalten eine regelmäßige Modellüberprüfung und die Implementierung umfassender Stresstests, um systematische Risikounterbewertungen zu vermeiden. Die Ergebnisse verdeutlichen die Notwendigkeit dynamischer Risikomodelle, die sich an volatile Marktbedingungen anpassen, um die finanzielle Stabilität der Kreditinstitute langfristig zu sichern.Die Quantifizierung und Begrenzung extremer Wertverluste sind von zentraler Bedeutung für das finanzielle Risikomanagement. Besonders während volatiler Marktphasen tendieren traditionelle Risikomaße dazu, Risiken fehlerhaft einzuschätzen. Die Arbeit untersucht die Risikomaße Value at Risk (VaR) und Expected Shortfall (ES) hinsichtlich ihrer Fähigkeit, Verlustpotenziale während Stresssituationen präzise abzubilden. Dazu wird die Prognosefähigkeit dieser Maße unter verschiedenen Verteilungsannahmen und Gewichtungsmethoden analysiert. Unter anderem erfolgt eine systematische Überprüfung mittels Backtesting für den Untersuchungszeitraum. Die Analyse zeigt, dass Modelle mit einer t-Verteilung und einer exponentiellen Gewichtung historischer Daten eine höhere Vorhersagegenauigkeit aufweisen. Modelle mit Normalverteilungsannahme sind in Krisenzeiten besonders anfällig für Fehlprognosen. Alle untersuchten Modelle passen sich verzögert an veränderte Marktsituationen an, was zu einer anfänglichen Unterschätzung und späteren Überschätzung der Risiken führt. Die Anpassungslatenz variiert dabei je nach gewählter Gewichtung der historischen Daten. Implikationen für das Risikomanagement beinhalten eine regelmäßige Modellüberprüfung und die Implementierung umfassender Stresstests, um systematische Risikounterbewertungen zu vermeiden. Die Ergebnisse verdeutlichen die Notwendigkeit dynamischer Risikomodelle, die sich an volatile Marktbedingungen anpassen, um die finanzielle Stabilität der Kreditinstitute langfristig zu sichern.&amp;#x2026; @The quantification and limitation of extreme losses are of central importance in financial risk management. Traditional risk measures tend to inaccurately assess risks, particularly during volatile market phases. This study examines the risk measures Value at Risk (VaR) and Expected Shortfall (ES) in terms of their ability to accurately capture potential losses during times of market stress. The predictive accuracy of these measures is analyzed under various distributional assumptions and weighting methods. Among other methods, a systematic evaluation using backtesting is conducted for the observation period. The findings indicate that models based on a t-distribution and exponential weighting of historical data demonstrate higher predictive power. Models assuming a normal distribution are especially prone to forecasting errors during crisis periods. All models examined exhibit a delayed response to changing market conditions, leading to initial underestimation followed by later overestimation of risks. The lag in model adaptation varies depending on the chosen weighting of historical data. Implications for risk management include regular model reviews and the implementation of comprehensive stress tests to avoid systematic underestimation of risks. The results underscore the necessity of dynamic risk models that adapt to volatile market conditions to ensure the long-term financial stability of credit institutions</description>
    <dc:date>2024-01-01T00:00:00Z</dc:date>
  </item>
</rdf:RDF>

