Skip to main content
SpringerLink
Log in

Lineare vs. nichtlineare Fehlerkorrekturmodelle: Ein Leistungsvergleich anhand der Prognose der G5-Rentenmärkte

  • Conference paper
Datamining und Computational Finance

Part of the book series: Wirtschaftswissenschaftliche Beiträge ((WIRTSCH.BEITR.,volume 174))

Zusammenfassung

Zur Erstellung von (quantitativen) Finanzmarktprognosen finden gewöhnlich klassische ökonometrische Verfahren wie die Multivariate Lineare Regressionsanalyse (MLR) Verwendung. Die Modelle werden dabei zur Vermeidung von schätztechnischen Problemen in Differenzenform spezifiziert. Eine solche Vorgehensweise läßt jedoch außer Acht, daß zum einen langfristig stabile Gleichgewichtsbeziehungen zwischen der Zielgröße und ihren Einflußfaktoren existieren, die sich nur im Niveau der Zeitreihen widerspiegeln, und zum anderen, daß zumindest partiell nichtlineare Zusammenhänge zwischen Einflußfaktoren und der Zielgröße bestehen können.

Zur Berücksichtigung dieser Faktoren in Prognosemodellen wird in diesem Beitrag vorgeschlagen, den Kointegrations-und Fehlerkorrekturansatz mit Neuronalen Netzwerken zu einem „nichtlinearen Fehlerkorrekturmodell“ zu kombinieren. Die Leistungsfähigkeit dieses nichtlinearen Fehlerkorrekturansatzes wird am Beispiel der Prognose der G5-Rentenmärkte einer empirischen Überprüfung unterzogen und in einem umfangreichen Performancevergleich einem traditionellen linearen Fehlerkorrekturmodell gegenübergestellt. Es zeigt sich, daß das nichtlineare Fehlerkorrekturmodell die durchaus befriedigende Performance des linearen Fehlerkorrekturmodells noch zu übertreffen vermag.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 34.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 48.27
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. Campbell, J.Y.; Ammer, J. (Campbell/Ammer, 1993): What Moves the Stock and Bond Markets ? A Variance Decomposition for Long-Term Asset Returns, in: The Journal of Finance, Vol. XLVIII, No. 1, (March) 1993, S. 3–37.

    Article  Google Scholar 

  2. Dickey, D.A.; Fuller, W.A. (Dickey/Fuller, 1979): Distribution of the Estimators for Autoregressive Times Series with a Unit Root, in: Journal of the American Statistical Association, 1979, Vol. 74, S. 427–431.

    Google Scholar 

  3. Dickey, D.A.; Fuller, W.A. (Dickey/Fuller, 1981): Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root, in: Econometrica, 1981, Vol. 49, No. 4, S. 1057–1072.

    Article  Google Scholar 

  4. Engle, R.F.; Granger, C.W.J. (Engle/Granger, 1987): Co-Integration and Error Correction: Representation, Estimation, and Testing, in: Econometrica, 1987, Vol. 55, No. 2, S. 251–276.

    Article  Google Scholar 

  5. Engle, R.F.; Granger, C.W.J. (Engle/Granger, 1991):Long Run Economic Relationships: Readings in CointegrationOxford, 1991.

    Google Scholar 

  6. Engle, R.F.; Yoo, B.S. (Engle/Yoo, 1987): Forecasting and Testing in Co-Integrated Systems, in: Journal of Econometrics, 1987, Vol. 35, S. 143–159.

    Article  Google Scholar 

  7. Filc, W. (Filc, 1992):Theorie und Empirie des KapitalmarktzinsesStuttgart, 1992.

    Google Scholar 

  8. Fuller, W.A. (Fuller, 1976):Introduction to Statistical Time SeriesNew York, 1976.

    Google Scholar 

  9. Gebauer, W.; Müller, M.; Schmidt, K.J.W.; Thiel, M.; Worms, A. (Gebauer et al., 1993):Determinants of Long-Term Interest Rates in Selected Countries- Towards a European Central Bank Policy DesignGeld- Währung- Kapitalmarkt- Working Papers, Nr. 31, Johann Wolfgang Goethe¡ªUniversität, Frankfurt am Main, 1993.

    Google Scholar 

  10. Graf, J.; Westphal, M.; Knöppler, S.; Zagorski, P. (Graf et al., 1996): Finanzmarktprognosen mit Neuronalen Netzen - Anforderungsprofil aus der praktischen Sicht eines Anwenders, in: G. Bol, G. Nakhaeizadeh, K.-H. Vollmer (Hrsg.)Finanzmarktanalyse und -prognose mit innovativen quantitativen VerfahrenHeidelberg, 1996, S. 121–143.

    Google Scholar 

  11. Granger, C.W.J. (Granger, 1969): Investigating Causal Relations by Econometric Models and Cross Spectral Methods, in: Econometrica, 1969, Vol. 37, No. 3, S. 424–438.

    Article  Google Scholar 

  12. Granger, C.W.J. (Granger, 1980): Testing for Causality - A Personal Viewpoint, in: Journal of Economic Dynamics and Control, Vol. 2, 1980, S. 329–352.

    Article  Google Scholar 

  13. Granger, C.W.J. (Granger, 1981): Some Properties of Time Series Data and their Use in Econometric Model Specification, in: Journal of Econometrics, 1981, Vol. 16, S. 121–130.

    Article  Google Scholar 

  14. Granger, C.W.J. (Granger, 1986): Developments in the Study of Cointegrated Economic Variables, in: Oxford Bulletin of Economics and Statistics, Vol. 48, No. 3, S. 213–228.

    Article  Google Scholar 

  15. Granger, C.W.J. (Granger, 1988): Some Recent Developments in a Concept of Causality, in: Journal of Econometrics, Vol. 39, 1988, S. 199–211.

    Article  Google Scholar 

  16. Granger, C.W.J. (Granger, 1991): Spurious Regressions, in J. Eatwell, M. Milgate and P. Newman (Hrsg.)The new Palgrave: EconomicsLondon, 1991, S. 444–445.

    Google Scholar 

  17. Granger, C.W.J.; Lee, T.-H. (Granger/Lee, 1989): Investigation of Production, Sales and Inventory Relationships using Multicointegration and Nonsymmetric Error Correction Models, in: Journal of Applied Econometrics, Vol. 4, 1989, S. 145–159.

    Article  Google Scholar 

  18. Granger, C.W.J.; Newbold, P. (Granger/Newbold, 1974): Spurious Regressions in Econometrics, in: Journal of Econometrics, 1974, Vol. 2, S. 111–120.

    Article  Google Scholar 

  19. Granger, C.W.J.; Teräsvirta, T. (GrangerlTeräsvirta, 1993):Modelling Nonlinear Economic RelationshipsOxford, 1993.

    Google Scholar 

  20. Granger, C.W.J.; Weiss, A.A. (Granger/Weiss, 1983): Time Series Analysis of Error-Correction Models, in: Studies in Econometrics, Time Series, and Multivariate Statistics, New York, 1983, S. 255–278.

    Google Scholar 

  21. Heri, E. (Heri, 1988): Fundamentalanalyse der Zinsentwicklung, in: H. Rehm (Hrsg.)Methoden und Instrumente der Zins-und WechselkursprognoseVerband öffentlicher Banken, Berichte und Analysen, Bd. 9, Bonn, 1988, S. 7–23.

    Google Scholar 

  22. Homik, K.; Stinchcombe, M.; White, H. (Hornik et al., 1989): Multilayer Feedforward Networks are Universal Approximators, in: Neural Networks, Vol. 2, S. 359–366.

    Article  Google Scholar 

  23. Jandura, D.; Matthes, R. (Jandura/Matthes, 1996): Fehlerkorrekturmodelle und Neuronale Netzwerke: ein kombinierter Ansatz zur Prognose der europäischen Zinsentwicklung, in: Schröder, M. (Hrsg.)Quantitative Verfahren im Finanzmarktbereich - Methoden und AnwendungenBaden-Baden, 1996, S. 193–220.

    Google Scholar 

  24. Jerger, J. (Jerger, 1991): Kointegrationsmodelle - Eine neue Technik zur Lösung von Regressionsproblemen, in: Wirtschaftswissenschaftliches Studium, Heft 9, September 1991, S. 471–475.

    Google Scholar 

  25. Johansen, S. (Johansen, 1988): Statistical Analysis of Cointegration Vectors, in: Journal of Economic Dynamics and Control, 1988, Vol. 12, S. 231–254.

    Article  Google Scholar 

  26. Johansen, S. (Johansen, 1991): Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector Autoregressive Models, in: Econometrica, 1991, Vol. 59, No. 6, S. 1551–1580.

    Article  Google Scholar 

  27. Keim, D.; Stambaugh, R. (Keim/Stambaugh, 1986): Predicting Returns in the Bond and the Stock Markets, in: Journal of Financial Economics, 17, S. 357–390.

    Article  Google Scholar 

  28. MacKinnon, J. (MacKinnon, 1991): Critical Values for Cointegration Tests, in Engle, R.F.; Granger, C.W.J. (Hrsg.)Long Run Economic Relationships: Readings in CointegrationOxford, 1991, S. 267–276.

    Google Scholar 

  29. Matthes, R. (Matthes, 1994): Zinsprognosen: Fehlerkorrekturmodelle vs. Neuronale Netze, in: G. Bol, G. Nakhaeizadeh, K.-H. Vollmer (Hrsg.)Finanzmarktanwendungen neuronaler Netze und ökonometrischer VerfahrenHeidelberg, 1994, S. 41–60.

    Google Scholar 

  30. Moody, J.; Utans, J. (Moody/Utans, 1995): Architecture Selection Strategies for Neural Networks: Application to Corporate Bond Rating Prediction, in: A.-P. Refenes (Hrsg.)Neural Networks in the Capital MarketsChichester, 1995, S. 277–300.

    Google Scholar 

  31. Nelson, C.R.; Plosser, C.I. (Nelson/Plosser, 1982): Trends and Random Walks in Macroeconomic Time Series. Some Evidence and Implications, in: Journal of Monetary Economics, Vol. 10, S. 139–162.

    Article  Google Scholar 

  32. Phillips, P.C.B. (Phillips, 1986): Understanding Spurious Regressions in Econometrics, in: Journal of Econometrics, Vol. 33, S. 311–340.

    Article  Google Scholar 

  33. Poddig, T. (Poddig, 1994): Ein Jackknife-Ansatz zur Strukturextraktion in Multi-layerPerceptrons bei kleinen Datenmengen, in: S. Kim und Ch. Weinhardt (Hrsg.)Künstliche Intelligenz in der FinanzberatungWiesbaden, 1994, S. 333–345.

    Google Scholar 

  34. Poddig, T. (Poddig, 1996):Lineare und nichtlineare Analyse integrierter FinanzmärkteBad Soden, 1996.

    Google Scholar 

  35. Refenes, A.-P. (Hrsg.) (Refenes, 1995):Neural Networks in the Capital MarketsChichester, 1995.

    Google Scholar 

  36. Refenes, A.-P.; Abu-Mostafa, Y.; Moody, J. Weigend, A. (Hrsg.) (Refenes et al., 1996):Neural Networks in Financial EngineeringSingapore, 1996..

    Google Scholar 

  37. Rehkugler, H.; Kerling, M.; Jandura, D. (Rehkugler et al. 1996): Der Delta-Test: Datenselektion und nichtlineare Finanzanalyse am Beispiel der Prognose der britischen Zinsentwicklung, internes Arbeitspapier, 1996, Vortrag auf der 7. Tagung Finanzwirtschaft, Banken und Versicherungen, Karlsruhe, (Dezember) 1996.

    Google Scholar 

  38. Rehkugler, H.; Jandura, D. (Rehkugler/Jandura, 1997): Prognose der G5-Aktienmärkte mit NN-gestützten Fehlerkorrekturmodellen, in: J. Biethahn, J. Kuhl, M.C. Leisewitz, V. Nissen, M. Tietze (Hrsg.)Softcomputing-Anwendungen im Dienstleistungsbereich -Schwerpunkt Finanzdienstleistungen-’Tagungsband zum 3. Göttinger Symposium Softcomputing am 27. Feb. 1997 an der Universität Göttingen, Göttingen, 1997, S. 19–38.

    Google Scholar 

  39. Rehkugler, H.; Kerling, M. (Rehkugler/Kerling, 1995): Einsatz Neuronaler Netze für Analyse-und Prognosezwecke, in: Betriebswirtschaftliche Forschung und Praxis, Heft 3, 1995, S. 306–324.

    Google Scholar 

  40. Rehkugler, H.; Poddig, T. (Rehkugler/Poddig, 1994): Kurzfristige Wechselkursprognosen mit Künstlichen Neuronalen Netzwerken, in: G. Bol, G. Nakhaeizadeh, K.-H. Vollmer (Hrsg.)Finanzmarktanwendungen neuronaler Netze und ökonometrischer VerfahrenHeidelberg, 1994, S. 1–24.

    Google Scholar 

  41. Rehkugler, H.; Zimmermann, H.-G. (Hrsg.) (Rehkugler/Zimmermann, 1994):Neuronale Netze in der ÖkonomieMünchen, 1994.

    Google Scholar 

  42. Said, S.E.; Dickey, D.A. (Said/Dickey, 1984): Testing for Unit Roots in Autoregressive-Moving Average Models of Unknown Order, in: Biometrika, 71 (3), S. 599–607.

    Article  Google Scholar 

  43. Salomon Brothers (Salomon Brothers, 1992):Salomon Brothers World Government Bond IndexInternational Fixed Income Research 7/92 - International Market Indexes, Salomon Brothers Inc. (Hrsg.), New York, 1992.

    Google Scholar 

  44. Savit, R. (Savit, 1988): When Random is Not Random: An Introduction to Chaos in Market Prices, in: Journal of Futures Markets, Vol. 8, No. 3, 1988, S. 271–289.

    Article  Google Scholar 

  45. Schlingen, R.; Streitberg, B.H.J. (Schlittgen/Streitberg, 1994):Zeitreihenanalyse5. Aufl., München, 1994.

    Google Scholar 

  46. Schober, J. (Schober, 1988): Zinsprognose mit Hilfe eines ökonometrischen Modells, in: H. Rehm (Hrsg.)Methoden und Instrumente der Zins-und WechselkursprognoseVerband öffentlicher Banken, Berichte und Analysen, Bd. 9, Bonn, 1988, S. 24–35.

    Google Scholar 

  47. Shirreff, D. (Shirreff, 1993): Efficient Markets and the Quant’s Descent into Chaos, in: Euromoney, July 1993, S. 60–66.

    Google Scholar 

  48. Stock, J. (Stock, 1987): Asymptotic Properties of Least Squares Estimators of Cointegrating Vectors, in: Econometrica, 1987, Vol. 55, No. 5, S. 1035–1056.

    Article  Google Scholar 

  49. Zimmermann, H.-G. (Zimmermann, 1994): Neuronale Netze als Entscheidungskalkül- Grundlagen und ihre ökonometrische Realisierung, in: H. Rehkugler und H.-G. Zimmermann (Hrsg.)Neuronale Netze in der ÖkonomieMünchen, 1994, S. 1–87.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Lehrstuhl für Finanzwirtschaft und Banken, Albert-Ludwigs-Universität Freiburg, Platz der Alten Synagoge, D-79085, Freiburg

    Heinz Rehkugler & Dirk Jandura

Authors
  1. Heinz Rehkugler
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Dirk Jandura
    View author publications

    You can also search for this author in PubMed Google Scholar

Editor information

Editors and Affiliations

  1. Institut für Statistik und Mathematische Wirtschaftstheorie, Universität Karlsruhe, Kaiserstraße 12, 76128, Karlsruhe, Deutschland

    Georg Bol

  2. DaimlerChrysler AG, Postfach 2360, 89013, Ulm, Deutschland

    Gholamreza Nakhaeizadeh

  3. Südwestdeutsche Genossenschaftszentralbank AG, Karl-Friedrich-Straße 23, 76049, Karlsruhe, Deutschland

    Karl-Heinz Vollmer

Rights and permissions

Reprints and permissions

Copyright information

© 2000 Springer-Verlag Berlin Heidelberg

About this paper

Cite this paper

Rehkugler, H., Jandura, D. (2000). Lineare vs. nichtlineare Fehlerkorrekturmodelle: Ein Leistungsvergleich anhand der Prognose der G5-Rentenmärkte. In: Bol, G., Nakhaeizadeh, G., Vollmer, KH. (eds) Datamining und Computational Finance. Wirtschaftswissenschaftliche Beiträge, vol 174. Physica, Heidelberg. https://doi.org/10.1007/978-3-642-57656-0_11

Download citation

  • DOI: https://doi.org/10.1007/978-3-642-57656-0_11

  • Publisher Name: Physica, Heidelberg

  • Print ISBN: 978-3-7908-1284-8

  • Online ISBN: 978-3-642-57656-0

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics

Search

Navigation