Open Access

Markus Haas, Stefan Mittnik, Marc S. Paolella

• We present a multivariate generalization of the mixed normal GARCH model proposed in Haas, Mittnik, and Paolella (2004a). Issues of parametrization and estimation are discussed. We derive conditions for covariance stationarity and the existence of the fourth moment, and provide expressions for the dynamic correlation structure of the process. These results are also applicable to the single-component multivariate GARCH(p, q) model and simplify the results existing in the literature. In an application to stock returns, we show that the disaggregation of the conditional (co)variance process generated by our model provides substantial intuition, and we highlight a number of findings with potential significance for portfolio selection and further financial applications, such as regime-dependent correlation structures and leverage effects. Klassifikation: C32, C51, G10, G11
• Die vorliegende Arbeit ist einer multivariaten Verallgemeinerung des sog. Normal Mixture GARCH Modells gewidmet, dessen univariate Variante von Haas, Mittnik und Paolella (2004a, siehe auch CFS Working Paper 2002/10) vorgeschlagen wurde. Dieses Modell unterscheidet sich von traditionellen GARCH-Ansätzen insbesondere dadurch, dass es eine Abhängigkeit der Risikoentwicklung von - typischerweise unbeobachtbaren - Marktzuständen explizit in Rechnung stellt. Dies wird durch die Beobachtung motiviert, dass das weit verbreitete GARCH Modell in seiner Standardvariante auch dann keine adäquate Beschreibung der Risikodynamik leistet, wenn die Normalverteilung durch flexiblere bedingte Verteilungen ersetzt wird. Zustandsabhängige Volatilitätsprozesse können etwa durch die variierende Dominanz heterogener Marktteilnehmer oder durch wechselnde Marktstimmungen ökonomisch zu erklären sein. Anwendungen des Normal Mixture GARCH Modells auf zahlreiche Aktien- und Wechselkurszeitreihen (siehe z.B. Alexander und Lazar, 2004, 2005; und Haas, Mittnik und Paolella, 2004a,b) haben gezeigt, dass es sich zur Modellierung und Prognose des Volatilitätsprozesses der Renditen solcher Aktiva hervorragend eignet. Indes beschränken sich diese Analysen bisher auf die Untersuchung univariater Zeitreihen. Zahlreiche Probleme der Finanzwirtschaft erfordern jedoch zwingend eine multivariate Modellierung, mithin also eine Beschreibung der Abhängigkeitsstruktur zwischen den Renditen verschiedener Wertpapiere. Insbesondere für solche Analysen erweist sich der Mischungsansatz aber als besonders vielversprechend. So spielen etwa im Portfoliomanagement die Korrelationen zwischen einzelnen Wertpapierrenditen eine herausragende Rolle. Die Stärke der Korrelationen ist von entscheidender Bedeutung dafür, in welchem Ausmaß das Risiko eines effizienten Portfolios durch Diversifikation reduziert werden kann. Nun gibt es empirische Hinweise darauf, dass die Korrelationen etwa zwischen Aktien in Perioden, die durch starke Marktschwankungen und tendenziell fallende Kurse charakterisiert sind, stärker sind als in ruhigeren Perioden. Das bedeutet, dass die Vorteile der Diversifikation in genau jenen Perioden geringer sind, in denen ihr Nutzen am größten wäre. Modelle, die die Existenz unterschiedlicher Marktregime nicht berücksichtigen, werden daher dazu tendieren, die Korrelationen in den adversen Marktzuständen zu unterschätzen. Dies kann zu erheblichen Fehleinschätzungen des tatsächlichen Risikos während solcher Perioden führen. Diese und weitere Implikationen des Mischungsansatzes im Kontext multivariater GARCH Modelle werden in der vorliegenden Arbeit diskutiert, und ihre Relevanz wird anhand einer empirischen Anwendung dokumentiert. Erörtert werden ferner Fragen der Parametrisierung und Schätzung des Modells, und einige relevante theoretische Eigenschaften werden hergeleitet.