Hochdimensionale Regressionsprobleme, die sich dynamisch entwickeln, sind in zahlreichen Bereichen der Wissenschaft anzutreffen. Die Dynamik eines solchen komplexen Systems wird typischerweise mittels der Zeitreiheneigenschaften einer geringen Anzahl von Faktoren analysiert. Diese Faktoren wiederum sind mit zeitinvarianten Funktionen von explikativen Variablen bewichtet. Diese Doktorarbeit beschäftigt sich mit einem dynamischen semiparametrischen Faktormodell, dass nichtparametrische Bewichtungsfunktionen benutzt. Zu Beginn sollen kurz die wichtigsten statistischen Methoden diskutiert werden um dann auf die Eigenschaften des verwendeten Modells einzugehen. Im Anschluss folgt die Diskussion einiger Anwendungen des Modellrahmens auf verschiedene Datensätze. Besondere Aufmerksamkeit wird auf die Dynamik der so genannten Implizierten Volatilität und das daraus resultierende Faktor-Hedging von Barrier Optionen gerichtet. / High-dimensional regression problems which reveal dynamic behavior occur frequently in many different fields of science. The dynamics of the whole complex system is typically analyzed by time propagation of few number of factors, which are loaded with time invariant functions of exploratory variables. In this thesis we consider dynamic semiparametric factor model, which assumes nonparametric loading functions. We start with a short discussion of related statistical techniques and present the properties of the model. Additionally real data applications are discussed with particular focus on implied volatility dynamics and resulting factor hedging of barrier options.

Nichtstationarität ist eines der häufigsten, jedoch nach wie vor ungelösten Probleme in der Zeitreihenanalyse und ein immer wiederkehrendes Phänomen, sowohl in theoretischen als auch in angewandten Arbeiten. Die jüngsten Fortschritte in der ökonometrischen Theorie und in Methoden des maschinellen Lernens haben es Forschern ermöglicht, neue Ansätze für empirische Analysen zu entwickeln, von denen einige in dieser Arbeit erörtert werden sollen. Kapitel 3 befasst sich mit der Vorhersage von Mergers & Acquisitions (M&A). Obwohl es keinen Zweifel daran gibt, dass M&A-Aktivitäten im Unternehmenssektor wellenartigen Mustern folgen, gibt es keine einheitlich akzeptierte Definition einer solchen "Mergerwelle" im Zeitreihenkontext. Zur Messung der Fusions- und Übernahmetätigkeit werden häufig Zeitreihenmodelle mit Zähldaten verwendet und Mergerwellen werden dann als Cluster von Zeiträumen mit einer ungewöhnlich hohen Anzahl von solchen Mergers & Acqusitions im Nachhinein definiert. Die Verteilung der Abschlüsse ist jedoch in der Regel nicht normal (von Gaußscher Natur). In jüngster Zeit wurden verschiedene Ansätze vorgeschlagen, die den zeitlich variablen Charakter der M&A-Aktivitäten berücksichtigen, aber immer noch eine a-priori-Auswahl der Parameter erfordern. Wir schlagen vor, die Kombination aus einem lokalem parametrischem Ansatz und Multiplikator-Bootstrap an einen Zähldatenkontext anzupassen, um lokal homogene Intervalle in den Zeitreihen der M&A-Aktivität zu identifizieren. Dies macht eine manuelle Parameterauswahl überflüssig und ermöglicht die Erstellung genauer Prognosen ohne manuelle Eingaben. Kapitel 4 ist eine empirische Studie über Sprünge in Hochfrequenzmärkten für Kryptowährungen. Während Aufmerksamkeit ein Prädiktor für die Preise von Kryptowährungenn ist und Sprünge in Bitcoin-Preisen bekannt sind, wissen wir wenig über ihre Alternativen. Die Untersuchung von hochfrequenten Krypto-Ticks gibt uns die einzigartige Möglichkeit zu bestätigen, dass marktübergreifende Renditen von Kryptowährungenn durch Sprünge in Hochfrequenzdaten getrieben werden, die sich um Black-Swan-Ereignisse gruppieren und den saisonalen Schwankungen von Volatilität und Handelsvolumen ähneln. Regressionen zeigen, dass Sprünge innerhalb des Tages die Renditen am Ende des Tages in Größe und Richtung erheblich beeinflussen. Dies liefert grundlegende Forschungsergebnisse für Krypto-Optionspreismodelle und eröffnet Möglichkeiten, die ökonometrische Theorie weiterzuentwickeln, um die spezifische Marktmikrostruktur von Kryptowährungen besser zu berücksichtigen. In Kapitel 5 wird die zunehmende Verbreitung von Kryptowährungen (Digital Assets / DAs) wie Bitcoin (BTC) erörtert, die den Bedarf an genauen Optionspreismodellen erhöht. Bestehende Methoden werden jedoch der Volatilität der aufkommenden DAs nicht gerecht. Es wurden viele Modelle vorgeschlagen, um der unorthodoxen Marktdynamik und den häufigen Störungen in der Mikrostruktur zu begegnen, die durch die Nicht-Stationarität und die besonderen Statistiken der DA-Märkte verursacht werden. Sie sind jedoch entweder anfällig für den Fluch der Dimensionalität, da zusätzliche Komplexität erforderlich ist, um traditionelle Theorien anzuwenden, oder sie passen sich zu sehr an historische Muster an, die sich möglicherweise nie wiederholen. Stattdessen nutzen wir die jüngsten Fortschritte beim Clustering von Marktregimen (MR) mit dem Implied Stochastic Volatility Model (ISVM) auf einem sehr aktuellen Datensatz, der BTC-Optionen auf der beliebten Handelsplattform Deribit abdeckt. Time-Regime Clustering ist eine temporale Clustering-Methode, die die historische Entwicklung eines Marktes in verschiedene Volatilitätsperioden unter Berücksichtigung der Nicht-Stationarität gruppiert. ISVM kann die Erwartungen der Anleger in jeder der stimmungsgesteuerten Perioden berücksichtigen, indem es implizite Volatilitätsdaten (IV) verwendet. In diesem Kapitel wenden wir diese integrierte Zeitregime-Clustering- und ISVM-Methode (MR-ISVM) auf Hochfrequenzdaten für BTC-Optionen an. Wir zeigen, dass MR-ISVM dazu beiträgt, die Schwierigkeiten durch die komplexe Anpassung an Sprünge in den Merkmalen höherer Ordnung von Optionspreismodellen zu überwinden. Dies ermöglicht es uns, den Markt auf der Grundlage der Erwartungen seiner Teilnehmer auf adaptive Weise zu bewerten und das Verfahren auf einen neuen Datensatz anzuwenden, der bisher unerforschte DA-Dynamiken umfasst. / Nonstationarity is one of the most prevalent, yet unsolved problems in time series analysis and a reoccuring phenomenon both in theoretical, and applied works. Recent advances in econometric theory and machine learning methods have allowed researchers to adpot and develop new approaches for empirical analyses, some of which will be discussed in this thesis. Chapter 3 is about predicting merger & acquisition (M&A) events. While there is no doubt that M&A activity in the corporate sector follows wave-like patterns, there is no uniquely accepted definition of such a "merger wave" in a time series context. Count-data time series models are often employed to measure M&A activity and merger waves are then defined as clusters of periods with an unusually high number of M&A deals retrospectively. However, the distribution of deals is usually not normal (Gaussian). More recently, different approaches that take into account the time-varying nature of M&A activity have been proposed, but still require the a-priori selection of parameters. We propose adapating the combination of the Local Parametric Approach and Multiplier Bootstrap to a count data setup in order to identify locally homogeneous intervals in the time series of M&A activity. This eliminates the need for manual parameter selection and allows for the generation of accurate forecasts without any manual input. Chapter 4 is an empirical study on jumps in high frequency digital asset markets. While attention is a predictor for digital asset prices, and jumps in Bitcoin prices are well-known, we know little about its alternatives. Studying high frequency crypto ticks gives us the unique possibility to confirm that cross market digital asset returns are driven by high frequency jumps clustered around black swan events, resembling volatility and trading volume seasonalities. Regressions show that intra-day jumps significantly influence end of day returns in size and direction. This provides fundamental research for crypto option pricing models and opens up possibilities to evolve econometric theory to better address the specific market microstructure of cryptos. Chapter 5 discusses the increasing adoption of Digital Assets (DAs), such as Bitcoin (BTC), which raises the need for accurate option pricing models. Yet, existing methodologies fail to cope with the volatile nature of the emerging DAs. Many models have been proposed to address the unorthodox market dynamics and frequent disruptions in the microstructure caused by the non-stationarity, and peculiar statistics, in DA markets. However, they are either prone to the curse of dimensionality, as additional complexity is required to employ traditional theories, or they overfit historical patterns that may never repeat. Instead, we leverage recent advances in market regime (MR) clustering with the Implied Stochastic Volatility Model (ISVM) on a very recent dataset covering BTC options on the popular trading platform Deribit. Time-regime clustering is a temporal clustering method, that clusters the historic evolution of a market into different volatility periods accounting for non-stationarity. ISVM can incorporate investor expectations in each of the sentiment-driven periods by using implied volatility (IV) data. In this paper, we apply this integrated time-regime clustering and ISVM method (termed MR-ISVM) to high-frequency data on BTC options. We demonstrate that MR-ISVM contributes to overcome the burden of complex adaption to jumps in higher order characteristics of option pricing models. This allows us to price the market based on the expectations of its participants in an adaptive fashion and put the procedure to action on a new dataset covering previously unexplored DA dynamics.

本研究有系統地收集了2003年8月12日到2005年9月30日止共495個交易日的台指期貨、選擇權市場裡P/C量、P/C倉、隱含波動率(AIV)、不同天數的歷史波動率等收盤資料，進行這些因素與行情走勢間的關係，以及因素彼此的互動性。結果證實分析台指選擇權指標是需要區分金融重大衝擊前後期間，以及區分漲勢、跌勢、盤整的各期間，各期間的選擇權指標均會有不同意涵。 本論文證實使用結構轉換的Chow-ARMA(2,1)模型可能比較符合模擬指數 實況，且GARCH(1,1) 模型也很適合描述台期指貨波動度預測力。在選擇權指標方面：P/C量與AIV與台指期貨呈現負相關，P/C倉與台指期貨正相關。其中以P/C倉對指數漲跌的影響程度最大、P/C量的影響程度次之、AIV影響程度最小。若把隱含波動率區分成買權與賣權之各個波動率更有效地預測行情走勢，在大跌期間的買賣權隱含波動率更能表現出優越的預測能力，其中前兩期的賣權隱含波動率(PIV)更是效率性指標， 實證結果使用20天的歷史波動率比較能貼近選擇權市場的變化，跟過去教 科書慣用的90天不同。若比較歷史波動率與隱含波動率間的關係，結論是當「大跌期」歷史波動率大於買權隱含波動率(CIV)時，買權是會被低估的，其他的各種假設條件均不成立。理由有二：一是市場效率性決定了是否可使用隱含波動率與歷史波動率之間的高低關係。二是「大跌時期」相對於「大漲時期」的市場資訊被反應的更敏銳，而在「大跌時期」的賣權價格反應比買權價格反應更快速敏銳。 本研究推論的Chow-ARMA(2,1) 台指期貨模型、GARCH(1,1) 波動率模型、P/C量-P/C倉-AIV的多變數模型、FMA20/XIV模型等等在研判指數變化上具有參考價值，進一步均可以做為選擇權操作策略參考依據之一。

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).

2008年次貸風暴橫掃全球金融市場，Basel II制度歷經多年的實施，卻無法有效防阻金融風暴的發生。觀察2008已採用內部模型法之主要國際金融機構之年報，亦發現採用蒙地卡羅模擬法之代表銀行『德意志銀行』於該年度竟發生了35次穿透，市場風險管理到底出了什麼問題？這是被極度關心的現象，產官學界也對此現象提出了許多議題。2012年的現在，次貸的風暴尚未遠去，新的歐債危機也正在蔓延，若金融風暴再次來臨，市場風險管理是否能克服次貸風暴後所凸顯的缺失，市場風險管理的價值除被動管理外，是否還可以進階到主動預警，以作為經營決策的重要參考資訊？這些都是國內金融機構需積極面對的急迫的市場風險管理議題。 個案金控的市場風險管理機制致力於解決次貸以來所凸顯的市場風險管理議題、提升市場風險衡量的精準度、擴大市場風險管理之應用範圍，並將市場風險管理的價值由被動管理角色進階到主動預警角色，以期作為經營決策的重要參考。經過多年的淬煉，其發展理念與經驗應具相當參考價值，故本論文以個案金融控股公司(以下簡稱個案金控)之實務經驗進行個案研究，除分析個案金控市場風險管理機制的基礎架構外，也將研究重心放在個案金控如何在此基礎架構下，開發多種進階市場風險量化管理功能。 本論文除研究個案金控如何完善市場風險值量化機制外，也對各量化功能的實施結果進行分析，以期研究成果可更客觀的作為其他金融控股公司未來發展進階市場風險衡量機制之參考。