Die Dissertation untersucht das Potenzial von Machine-Learning-Methoden zur Verwaltung von Schwanzrisiken in nicht-stationären und hochdimensionalen Umgebungen. Dazu vergleichen wir auf robuste Weise datenabhängige Ansätze aus parametrischer oder nicht-parametrischer Statistik mit datenadaptiven Methoden. Da datengetriebene Methoden reproduzierbar sein müssen, um Vertrauen und Transparenz zu gewährleisten, schlagen wir zunächst eine neue Plattform namens Quantinar vor, die einen neuen Standard für wissenschaftliche Veröffentlichungen setzen soll. Im zweiten Kapitel werden parametrische, lokale parametrische und nicht-parametrische Methoden verglichen, um eine dynamische Handelsstrategie für den Schutz vor Schwanzrisiken in Bitcoin zu entwickeln. Das dritte Kapitel präsentiert die Portfolio-Allokationsmethode NMFRB, die durch eine Dimensionsreduktionstechnik hohe Dimensionen bewältigt. Im Vergleich zu klassischen Machine-Learning-Methoden zeigt NMFRB in zwei Universen überlegene risikobereinigte Renditen. Das letzte Kapitel kombiniert bisherige Ansätze zu einer Schwanzrisikoschutzstrategie für Portfolios. Die erweiterte NMFRB berücksichtigt Schwanzrisikomaße, behandelt nicht-lineare Beziehungen zwischen Vermögenswerten während Schwanzereignissen und entwickelt eine dynamische Schwanzrisikoschutzstrategie unter Berücksichtigung der Nicht-Stationarität der Vermögensrenditen. Die vorgestellte Strategie reduziert erfolgreich große Drawdowns und übertrifft andere moderne Schwanzrisikoschutzstrategien wie die Value-at-Risk-Spread-Strategie. Die Ergebnisse werden durch verschiedene Data-Snooping-Tests überprüft. / This dissertation shows the potential of machine learning methods for managing tail risk in a non-stationary and high-dimensional setting. For this, we compare in a robust manner data-dependent approaches from parametric or non-parametric statistics with data-adaptive methods. As these methods need to be reproducible to ensure trust and transparency, we start by proposing a new platform called Quantinar, which aims to set a new standard for academic publications. In the second chapter, we dive into the core subject of this thesis which compares various parametric, local parametric, and non-parametric methods to create a dynamic trading strategy that protects against tail risk in Bitcoin cryptocurrency. In the third chapter, we propose a new portfolio allocation method, called NMFRB, that deals with high dimensions thanks to a dimension reduction technique, convex Non-negative Matrix Factorization. This technique allows us to find latent interpretable portfolios that are diversified out-of-sample. We show in two universes that the proposed method outperforms other classical machine learning-based methods such as Hierarchical Risk Parity (HRP) concerning risk-adjusted returns. We also test the robustness of our results via Monte Carlo simulation. Finally, the last chapter combines our previous approaches to develop a tail-risk protection strategy for portfolios: we extend the NMFRB to tail-risk measures, we address the non-linear relationships between assets during tail events by developing a specific non-linear latent factor model, finally, we develop a dynamic tail risk protection strategy that deals with the non-stationarity of asset returns using classical econometrics models. We show that our strategy is successful at reducing large drawdowns and outperforms other modern tail-risk protection strategies such as the Value-at-Risk-spread strategy. We verify our findings by performing various data snooping tests.

Diese Dissertation zielt darauf ab, ein besseres Verständnis für Anomalien und Insiderhandel zu schaffen, sowie die Verfügbarkeit von qualitativ hochwertigen Daten für den deutschen Aktienmarkt zu verbessern. Der erste Aufsatz beinhaltet eine verzerrungsfreie Zeitreihe von monatlichen Renditen deutscher Aktien für die Jahre 1954 bis 2013, die auf der Basis stabiler Regeln berechnet und gut dokumentiert ist. Im Weiteren enthält der Aufsatz eine detaillierte Beschreibung des deutschen Aktienmarktes und dessen Besonderheiten, insbesondere im Vergleich zu den USA. Der zweite Aufsatz zeigt am Beispiel des Fama/French Drei-Faktoren-Modells die Probleme auf, die Anbieter und Nutzer von Faktorendaten haben, die sich nicht auf die USA beziehen. Die empirische Analyse von sieben Faktorensets für Deutschland zeigt, dass die Übernahme von Faktormodellen in einen anderen Kapitalmarkt eine komplexe Thematik ist. Der Aufsatz gibt Anregungen für Nutzer und Anbieter von Faktorensets und zeigt, wie die Wahl des Faktorensets das Ergebnis einer Studie beeinflussen kann. Im dritten Aufsatz werden verschiedene zyklische und antizyklische Handelsstrategien hinsichtlich ihrer Performance im deutschen Aktienmarkt untersucht. Von den untersuchten Strategien erscheint nur Momentum konsequent abnormale Renditen zu erzielen, dies auch nach Transaktionskosten. Die vierte Arbeit untersucht öffentlich bekannt gegebene Aktientransaktionen von Insidern börsennotierter deutscher Unternehmen. Der Aufsatz zeigt, dass Insider von TecDAX-Unternehmen und ihre Imitatoren hohe und statistisch signifikante abnormale Renditen erzielen. Insgesamt zeigt die Dissertation, dass methodische Variationen, die Verwendung verschiedener Untersuchungsdesigns, die Datenqualität und die Sorgfalt beim Erstellen von empirischen Analysen zur Beurteilung der Robustheit und der Stabilität der Ergebnisse unerlässlich sind. Der deutsche Aktienmarkt scheint effizienter zu sein als bisherigere Studien typischerweise nahelegen. / This doctoral thesis aims to contribute to a better understanding of stock market anomalies and insider trading as well as to improve the availability of high quality data for the German stock market. The first paper provides a sixty-year time series of monthly returns on German stocks that is constructed on the basis of stable rules, is well documented, includes all return components, and is free of biases. The paper also contains a detailed description of the German stock market, its peculiarities, regulation and differences as compared to the U.S. The second paper uses the Fama/French three-factor model as an example to point out the problems that providers and users of non-U.S factor data sets face. The empirical analysis of seven different factor data sets available for Germany shows that exporting a specific factor model from the U.S. to another capital market is neither an easy nor well-defined task. The paper gives suggestions to users and creators of factor sets and shows how the choice of a factor set affects the result of an empirical study. The third paper provides evidence on how various contrarian, momentum and seasonality strategies perform in the German stock market. Among these strategies, only momentum investing appears to earn persistently non-zero returns, even after transaction costs. The fourth paper studies publicly disclosed stock transactions by insiders of listed German firms. The paper finds that insiders of TecDAX firms earn large and statistically significant abnormal returns net of transaction costs; for DAX insiders they are indistinguishable from zero. Overall, this thesis illustrates that methodological variations, the use of different specifications, data quality and care when preparing empirical analyses is essential in the assessment of the robustness and stability of results. In sum, the German stock market appears to be more efficient than previous studies have typically suggested.

In vielen Anwendungen ist es notwendig, die stochastische Schwankungen der maximalen Abweichungen der nichtparametrischen Schätzer von Quantil zu wissen, zB um die verschiedene parametrische Modelle zu überprüfen. Einheitliche Konfidenzbänder sind daher für nichtparametrische Quantil Schätzungen der Regressionsfunktionen gebaut. Die erste Methode basiert auf der starken Approximation der empirischen Verfahren und Extremwert-Theorie. Die starke gleichmäßige Konsistenz liegt auch unter allgemeinen Bedingungen etabliert. Die zweite Methode beruht auf der Bootstrap Resampling-Verfahren. Es ist bewiesen, dass die Bootstrap-Approximation eine wesentliche Verbesserung ergibt. Der Fall von mehrdimensionalen und diskrete Regressorvariablen wird mit Hilfe einer partiellen linearen Modell behandelt. Das Verfahren wird mithilfe der Arbeitsmarktanalysebeispiel erklärt. Hoch-dimensionale Zeitreihen, die nichtstationäre und eventuell periodische Verhalten zeigen, sind häufig in vielen Bereichen der Wissenschaft, zB Makroökonomie, Meteorologie, Medizin und Financial Engineering, getroffen. Der typische Modelierungsansatz ist die Modellierung von hochdimensionalen Zeitreihen in Zeit Ausbreitung der niedrig dimensionalen Zeitreihen und hoch-dimensionale zeitinvarianten Funktionen über dynamische Faktorenanalyse zu teilen. Wir schlagen ein zweistufiges Schätzverfahren. Im ersten Schritt entfernen wir den Langzeittrend der Zeitreihen durch Einbeziehung Zeitbasis von der Gruppe Lasso-Technik und wählen den Raumbasis mithilfe der funktionalen Hauptkomponentenanalyse aus. Wir zeigen die Eigenschaften dieser Schätzer unter den abhängigen Szenario. Im zweiten Schritt erhalten wir den trendbereinigten niedrig-dimensionalen stochastischen Prozess (stationär). / In many applications it is necessary to know the stochastic fluctuation of the maximal deviations of the nonparametric quantile estimates, e.g. for various parametric models check. Uniform confidence bands are therefore constructed for nonparametric quantile estimates of regression functions. The first method is based on the strong approximations of the empirical process and extreme value theory. The strong uniform consistency rate is also established under general conditions. The second method is based on the bootstrap resampling method. It is proved that the bootstrap approximation provides a substantial improvement. The case of multidimensional and discrete regressor variables is dealt with using a partial linear model. A labor market analysis is provided to illustrate the method. High dimensional time series which reveal nonstationary and possibly periodic behavior occur frequently in many fields of science, e.g. macroeconomics, meteorology, medicine and financial engineering. One of the common approach is to separate the modeling of high dimensional time series to time propagation of low dimensional time series and high dimensional time invariant functions via dynamic factor analysis. We propose a two-step estimation procedure. At the first step, we detrend the time series by incorporating time basis selected by the group Lasso-type technique and choose the space basis based on smoothed functional principal component analysis. We show properties of this estimator under the dependent scenario. At the second step, we obtain the detrended low dimensional stochastic process (stationary).