Die Dissertation setzt sich mit den Auswirkungen digitaler Transformation, Cyberrisiken und sozio-ökologischer Faktoren auf Performance und Risiko im Finanzsektor auseinander.

In dieser Dissertation werden neue Methoden zur Erfassung zweier Risikoarten entwickelt. Markrisiko ist definiert als das Risiko, auf Grund von Wertrückgängen in Wertpapierportfolios Geld zu verlieren. Systemisches Risiko bezieht sich auf das Risiko des Zusammenbruchs eines Finanzsystems, das durch die Notlage eines einzelnen Finanzinstituts entsteht. Im Zuge der Finanzkrise 2007–2009 realisierten sich beide Risiken, was weltweit zu hohen Verlusten für Investoren, Unternehmen und Steuerzahler führte. Vor diesem Hintergrund besteht sowohl bei Finanzinstituten als auch bei Regulierungsbehörden Interesse an neuen Ansätzen für das Risikomanagement. Die Gemeinsamkeit der in dieser Dissertation entwickelten Methoden besteht darin, dass unterschiedliche Quantilsregressionsansätze in neuartiger Weise für das Finanzrisikomanagement verwendet werden. Zum einen wird nichtparametrische Quantilsregression mit Extremwertmethoden kombiniert, um extreme Markpreisänderungsrisiken zu prognostizieren. Das resultierende Value at Risk (VaR) Prognose- Modell für extremeWahrscheinlichkeiten wird auf internationale Aktienindizes angewandt. In vielen Fällen schneidet es besser ab als parametrische Vergleichsmodelle. Zum anderen wird ein Maß für systemisches Risiko, das realized systemic risk beta, eingeführt. Anders als bereits existierende Messgrößen erfasst es explizit sowohl Risikoabhängigkeiten zwischen Finanzinstituten als auch deren individuelle Bilanzmerkmale und Finanzsektor-Indikatoren. Um die relevanten Risikotreiber jedes einzelnen Unternehmens zu bestimmen, werden Modellselektionsverfahren für hochdimensionale Quantilsregressionen benutzt. Das realized systemic risk beta entspricht dem totalen Effekt eines Anstiegs des VaR eines Unternehmens auf den VaR des Finanzsystems. Anhand von us-amerikanischen und europäischen Daten wird gezeigt, dass die neue Messzahl sich gut zur Erfassung und Vorhersage systemischen Risikos eignet. / This thesis develops new methods to assess two types of financial risk. Market risk is defined as the risk of losing money due to drops in the values of asset portfolios. Systemic risk refers to the breakdown risk for the financial system induced by the distress of individual companies. During the financial crisis 2007–2009, both types of risk materialized, resulting in huge losses for investors, companies, and tax payers all over the world. Therefore, considering new risk management alternatives is of interest for both financial institutions and regulatory authorities. A common feature of the models used throughout the thesis is that they adapt quantile regression techniques to the context of financial risk management in a novel way. Firstly, to predict extreme market risk, nonparametric quantile regression is combined with extreme value theory. The resulting extreme Value at Risk (VaR) forecast framework is applied to different international stock indices. In many situations, its performance is superior to parametric benchmark models. Secondly, a systemic risk measure, the realized systemic risk beta, is proposed. In contrast to exististing measures it is tailored to account for tail risk interconnections within the financial sector, individual firm characteristics, and financial indicators. To determine each company’s relevant risk drivers, model selection techniques for high-dimensional quantile regression are employed. The realized systemic risk beta corresponds to the total effect of each firm’s VaR on the system’s VaR. Using data on major financial institutions in the U.S. and in Europe, it is shown that the new measure is a valuable tool to both estimate and forecast systemic risk.

In den letzten Jahren gab es ein drastisches Wachstum in verfügbaren Finanzdaten. Finanzmärkte haben starke und oft nicht ganz vorhersagbare Änderungen ihrer Dynamik erlebt. Diese Tendenz hat dazu geführt, dass die Methoden der Risikomodellierung sowohl das Problem der hohen Dimensionalität als auch dynamische nicht Gaußsche Strukturen behandeln müssen. Das Ziel dieser Dissertation ist es, Methoden der Risikomodellierung vorzuschlagen, die gleichzeitig Reduzierung der Dimensionalität und dynamische Struktur in drei Anwendungen erlauben: 1) Asset Allocation und Hedging, 2) stochastische Modellierung von multivariaten Prozessen, 2) Messung der systemischen Risiken. Die vorgeschlagenen Methoden demonstrieren gute Ergebnisse im Vergleich mit den existierenden Methoden der Risikomodellierung und führen neue Verfahren zur Erkennung der extremen Risiken und Anomalien auf Finanzmärkten sowie zur deren Management. / Over the recent years, there have been a significant increase in financial data availability. On the other hand, financial markets have experienced sharp and often unforeseen changes in their dynamics. This tendency has caused the need for risk modeling approaches addressing both high dimensionality problem and accustoming for dynamic non Gaussian structure. The primary aim of this dissertation is to propose several risk modeling approaches which allow for simultaneous dimension reduction and dynamic structures in three setups: 1) asset allocation and hedging, 2) stochastic surface modeling and 3) systemic risk determination. Proposed models demonstrate good performance when compared to existing approaches for risk modeling and introduce new flexible ways to detect extreme risks and anomalies on financial markets as well as methods for their modeling and management.