...auf der Homepage des Lehrstuhls Ökonometrie und quantitative Methoden an der Universität Paderborn. Der Hauptschwerpunkt unserer Forschung und Lehre ist „Financial and Economic Data Science“ in der Lehre und Forschung. Zu den Themen gehören unter anderem semiparametrische Modellierung von Prognosen saisonaler Zeitreihen und Zeitreihen mit Long Memory; Modellierung von räumlichen Zeitreihen mit Long Memory; Deep Learning sowie Kombinationen von Zeitreihen- und Deep Learning Ansätzen.

An der Professur von Prof. Dr. Yuanhua Feng werden die unten genannten Module angeboten. Detailinformationen erhalten Sie durch einen Mausklick auf das jeweilige Modul. Zum vollständigen Modulhandbuch der Fakultät für Wirtschaftswissenschaften gelangen Sie hier.

Überblick über die Lehrveranstaltungen nach Semestern ab SoSe 2022

WS (ab WS 2022/ 2023, Module für 1./ 3. Master-Semester)

4479      Econometrics
              ECTS: 10
              Vorlesung: 4 SWS
              Übung: 2 SWS

5452      Topics in Financial and Economic Data Science
              ECTS: 5
              Vorlesung: 2 SWS
              Übung: 1 SWS

6472      Advanced Quantitative Methods in Statistics and Economotrics (WP)
              ECTS: 5
              Vorlesung: keine
              Übung: keine

SoSe (ab SoSe 2022, Module für 2./ 4. Master-Semester)

2453      Angewandte Zeitreihenanalyse und Einführung in die Finanzökonometrie
              ECTS: 5
              Vorlesung: 2 SWS
              Übung: 1 o. 2 SWS

4451      Financial Econometrics and Quantitative Risk Management
              ECTS: 5
              Vorlesung: 2 SWS
              Übung: 1 SWS

5452      Topics in Financial and Economic Data Science
              ECTS: 5
              Vorlesung: 2 SWS
              Übung: 1 SWS

Bachelor-Theses in Financial Econometrics and Financial and Economic Data Science, WS 2024/2025

Teilgebiet I: Semiparametrische Modellierung und Prognose von Zeitreihen

Themen aus diesem Teilgebiet fußen auf additiven bzw. multiplikativen Komponentenmodellen für Zeitreihen mit Trend und Fehlerkomponente. Im additiven Modell soll der Trend mithilfe des R-Pakets smoots direkt aus der Zeitreihe geschätzt werden. Ein ARMA-Modell wird anschließend für die trendbereinigten Werte unterstellt. Das Gesamtmodell heißt dann Semi-ARMA. Anhand von smoots (oder einer Kombination von smoots und forecast) sollen anschließend Punkt- und Intervallprognosen angepasster Semi-ARMA-Modelle generiert werden. Hierbei können die Intervallprognosen unter der Normalverteilungsannahme oder unter Verwendung eines Bootstraps in R mit den zuvor aufgeführten Paketen berechnet werden. Um ein multiplikatives Komponentenmodell zu berücksichtigen, können diese Ideen dann auf die log-transformierten Beobachtungswerte nicht-negativer Zeitreihen angewandt werden. Erlangte Prognosen für die log-transformierten Werte müssen zuletzt mit der exponentiellen Transformation zurücktransformiert werden, um eine Interpretierbarkeit im Vergleich zu den originalen Daten zu gewährleisten. Dieses Modell wird als Semi-EARMA (exponential ARMA) bezeichnet.

Beispielgebiete:

• Modellierung und Prognose ökonomischer / umweltlicher / finanzieller Zeitreihen mit Semi-ARMA/Semi-EARMA
  • Beispielreihen: vierteljährliches Exportvolumen eines Landes / monatliche Temperaturabweichungen / tägliche Volumina gehandelter Aktien
• Durchführung einer Simulationsstudie zu der Prognosequalität von Semi-ARMA/Semi-EARMA

Teilgebiet II: Semiparametrische Modellierung und Prognose saisonaler Zeitreihen

In diesem Teilgebiet sollen Zeitreihen analysiert werden, die einem additiven bzw. multiplikativen Komponentenmodell mit Trend, Saisonkomponente und Fehlerkomponente folgen. Dabei sollen die Modellierung und Prognose solch saisonaler Zeitreihen mit dem R-Paket deseats untersucht werden, in dem das DeSeaTS-Verfahren implementiert ist. Die Ergebnisse sollen auch mit denen der zwei bekannten Methoden zur Analyse saisonaler Zeitreihen X-12-ARIMA (des US-Zensus) und BV4.1 (des Statistischen Bundesamts) methodisch und empirisch verglichen werden. Hierfür können die R-Pakete x12 und seasonal (für X-12-ARIMA) und die offizielle BV4.1-Software des Statistischen Bundesamts herangezogen werden.

Beispielgebiete:

• Komponentenzerlegung und Saisonbereinigung ökonomischer / umweltlicher Zeitreihen mit Saisonalität im Vergleich anhand X-12-ARIMA, BV4.1 und DeSeaTS
• Modellierung und Prognose ökonomischer / umweltlicher Zeitreihen mit Saisonalität anhand DeSeaTS
• Durchführung einer Simulationsstudie zu der Prognosequalität von DeSeaTS

Teilgebiet III: Modellierung von Zeitreihen mit Deep-Learning und Zeitreihenansätzen

Dabei sollen die Anwendung von NN (Neural Network) Ansätzen, Zeitreihenmodellen sowie ihren Kombinationen diskutiert werden.

Bemerkung 1. Aus jedem Teilgebiet können Themen für unterschiedliche Bachelorarbeiten angeboten werden. Die Anzahl der Bachelorarbeiten in den jeweiligen Teilgebieten ist nicht begrenzt.

Bemerkung 2. Sie sollen das Modul „M.184.2453 - Angewandte Zeitreihenanalyse …“ besucht haben. Diese Teilgebiete wurden basierend auf weiteren Masterthemen entworfen. Entsprechende Referenzen, R-Code und Beispiele werden zur Vorbereitung Ihrer Bachelorarbeiten angeboten. Diese Themen sollen Sie selbst lernen. Es ist möglich, ein spezifiziertes Bachelorprojekt erfolgreich durchzuführen.

Bemerkung 3. Für Studierende in der Transition-Phase oder aus dem Bereich Wirtschaftsingenieurwesen können Themen aus der Ökonometrie (z.B. auch in Kombination mit NN) angeboten werden.

Bemerkung 4. Eine Bachelorarbeit kann auch auf Englisch geschrieben werden.

Master-Theses in Time Series Modeling and Forecasting, Financial Econometrics and Financial and Economic Data Science,
WS 24/25

Subareas and details

1. Subarea I: Advanced Time Series Forecasting

a) Modeling and Forecasting trend-stationery and scale-stationary non-negative short-memory time series with “smoots” and “forecast” under normality assumption and by bootstrap

b) Modeling and Forecasting trend-stationery and scale-stationary non-negative long-memory time series with “esemifar” and “forecast” under normality assumption

c) Modeling and Forecasting trend-stationery and scale-stationary non-negative long-memory time series with “esemifar” and bootstrap without normality assumption***

d) Semiparametric modeling and forecasting vector time series with long memory***

2. Subarea II: Modeling of trend-scale-stationary time series with volatility in errors

a) Definition, estimation and application of short-memory trend-scale-stationary time series

b) Definition, estimation and application of long-memory trend-scale-stationary time series

c) Definition, estimation, application of dual long memory dual trend time series models***

3. Subarea III: Parametric and semiparametric modeling of spatial time series

a) Definition, estimation, application of parametric short memory spatial time series models

b) Definition, estimation, application of parametric long memory spatial time series models

c) Definition, estimation, application of semiparametric spatial long memory time series***

4. Subarea IV: Deep Learning with application to Financial and Economic Data:

a) Combination of deep learning with ARMA for economic and environmental TS

b) Combination of machine learning with GARCH for volatility in quant. Risk management

c) Deep learning with application to cross-sectional economic, business, environmental data.

Remark 1.  A Master Thesis by us usually requires the visit of M.184.5452 or M.184.5453. If you are visiting M.184.5453 or going to visit M.184.5452 in SS 2024, you need to indicate it.

Remark 2. Topics in Subarea I are designed based on M.184.5453. Those in Subarea IV are designed based on M.184.5452.

Remark 3. Topics in Subareas II and III are designed based on both M.184.5453 and some of our current research results.

Remark 4. With *** marked topics are research-oriented ones at high-level of theory/methods.

Remark 5. The choice of further topics in basic time series analysis, Advanced Econometric or basic Data Science are possible, e.g. for students of Economic Engineering.

Remark 6. More advanced research-oriented topics on spatial GARCH, spatial long memory GARCH and spatial dual long memory models are possible. ***

Conference Presentations and Selected Seminar Talks (since 2001)

2014: "Recent development of the iterative plug-in bandwidth selection rule and its further application". German Statistical Week 2014, 16. - 19. September 2014, Hannover.

2014: "Non- and semiparametric modeling of volatility and correlation components in financial returns". International Workshop `Non- and Semiparametric Volatility and Correlation models, 24. - 26. July 2014, Paderborn, Germany.

2014: "The deviation ARCH(∞), the deviation ACD(∞) and their relationship to the linear ARCH model". The 2014 International Indian Statistical Association Conference. 11. - 13. July 2014, Riverside, CA, USA.

2013: "Data-driven estimation of realized volatility under independent microstructure noise". Invited talk, 24. September 2013, at the Center for Economic Research, Shandong University, Jinan, China.

2013: "Double-conditional smoothing of high-frequency volatility surface in a spatial multiplicative component GARCH with random effects". Contributed talk at the 29th European Meeting of Statistics, Budapest, 20-25 July 2013.

2013: "Modelling and forecasting financial market activity using the semiparametric fractionally integrated Log-ACD model". Invited talk at the Finance Colloquium, University of Hannover, 12 June 2013.

2012: "Data-driven estimation of smooth correlation changes in a semiparametric dynamic conditional correlation model", organized talk at the 6th CSDA Intern. Confer. on Computitional and Financial Econometrics, 1-3 Dec 2012, Oviedo, Spain.

2012: "The exponential FARIMA and the exponential SEMIFAR models, and their applications", invited talk at the Conference Program and Abstracts of the International Conference on Advanced Interdisciplinary Statistics and Combinatorics, 5-7 October 2012, Greensboro, USA.

2010: "Estimation of the memory parameter in fractionally diferencing processes". Invited talk at the Advanced Seminar 'Complex Systems', Institute of Mathematics, University of Paderborn, 24 June 2010.

2010: "Filtered log-periodogram regression of long memory processes". Special Invited Talk at the International Conference on Statistics, Probability, Operations Research, Computer Science and Allied Areas, 4-8 January 2010, Visakahapatnam, India.

2009: "Modellierung lokaler und bedingter Volatilitat unter langem Gedächtnis". Public Lecture, Faculty of Business Administration and Economics, University of Paderborn. 28 October 2009.

2009: "Modelling fnancial time series with SEMIFAR-GARCH models". Talk at the Statistische Woche 2009, 5-8 October 2009, Wuppertal, Germany.

2009: "Semiparametric modelling of diferent volatility components in high-frequency fnancial time series", invited talk, Center of Statistics, University of Bielefeld, 14 July 2009.

2009: "GTR -- ein neuer Ansatz der empirischen Wirtschaftsforschung". Vortrag am Forschungsseminar der Fakultät für Wirtschaftswissenschaften, Universität Paderborn, 10 February 2009, Braunlage.

2008: “Semiparametrische Volatilitätsmodelle für Finanzzeitreihen”, invited talk, Private Hanseuniversität Rostock, 04 July 2008.

2008: “Modelling of slowly changing scale and correlation functions in financial time series”, invited talk, Department of Statistics, University of Bristol, 08 May 2008.

2007: “Modelling of local and conditional changes in the mean, variance and cross correlations”, invited talk, Department of Mathematics, University of Liverpool, 28 August 2007.

2007: “Verallgemeinerte getrimmte Regression”, invited talk, Department of Economics, University of Duisburg-Essen, 10 July 2007.

2007: “Semiparametric modelling of local and conditional correlations”, invited talk, The ICSA International Conference, 25 to 27 June 2007, Taipei.

2007: “Time series smoothing and change point detection”, invited talk, Department of Mathematics, Hong Kong University of Science and Technology, 22 June 2007.

2007: “Nonparametric estimation of trends in mean, variance and cross-correlations”, invited talk, School of Mathematics, University of Birmingham, 24 April 2007.

2007: “Local and conditional changes in the mean, variance and correlation of financial time series”, invited talk, Department of Mathematics, University of York, 8 March 2007.

2006: “Least squares, least checks, trimmed least squares & generalized trimmed least squares”, invited talk, Department of Mathematics, University of York, 23 November 2006.

2006: “Modelling local and dynamic conditional correlations in financial returns”, invited talk, Department of Mathematical Sciences, Brunel University, 23 October 2006, London.

2006: Discussion on “Nonparametric regression quantiles: thou shalt not cross?” given by Ivan Mizera, at the ICMS workshop: Quantile Regression, LMS and Robust Methods, 19-23 June 2006, Edinburgh.

2006: “A local dynamic conditional correlation model”, contributed talk, International Conference on High Frequency Finance, 19-20 May 2006, Konstanz.

2005: “A slowly changing vector random walk model”, Maxwell Institute Statistics Seminar, Heriot-Watt University, 2 December 2005.

2005: “Einige semiparametrische ökonometrische Zeitreihenmodelle” (in German), invited talk, German Institute for Economic Research (DIW), 22 June 2005, Berlin.

2005: “Semiparametrische Modellierung von Finanzzeitreihen” (in German), invited talk, Department of Economics, University of Innsbruck, 25 May 2005.

2005: “Semiparametrische Modellierung von Finanzzeitreihen” (in German), public lecture (for receiving the title of German PD), University of Konstanz, 11 May 2005.

2004: “Optimale Kombinationen von verschiedenen (in-vitro) Tests” (in German), seminar for the final Habilitation examination, University of Konstanz, 20 Oct 2004.

2004: “Semiparametric Regression with Strongly Dependent and Heteroscedastic Errors”, invited talk, School of Mathematical Sciences, Queen Mary College, University of London, 24 June 2004.

2004: “Non- and Semiparametric Approaches for Modelling Financial Time Series”, invited talk, Department of Mathematics and Statistics, University of Limerick, 11 June 2004.

2004: “Some Semiparametric Models for Time Series”, invited talk, Department of Mathematics and Statistics, Imperial College, 11 February 2004, London.

2003: Discussion in the invited session “Computer Intensive Methods for Semiparametrics”, invited discussion, the 54th ISI-Session, 13-20 August 2003, Berlin.

2003: “A New Data-Driven Semiparametric Approach for Decomposing Seasonal Time Series”, contributed talk, the 54th ISI-Session, 13-20 August 2003, Berlin.

2003: “Modellierung verschiedener Volatilitätskomponenten in Finanzrenditen” (in German), invited talk, University of Magdeburg, 11 February 2003.

2002: “Simultaneously Modelling Local and Conditional Heteroskedasticities”, contributed talk, German Statistical Week, 7-10 October 2002, Konstanz.

2002: “Bandwidth selection in nonparametric regression with fractional time series errors”, invited talk, International Conference on Current Advances and Trends in Nonparametric Statistics, 15-19 July 2002, Crete, Greece.

2002: “Simultaneous Modelling of Different Volatility Components in High-Frequency Financial Data”, invited talk, Forschungsseminar ‘Mathematische Statistik’, Weierstrass-Institute and Humboldt University Berlin, 6 November 2002.

2001: “Recent Developments in Non- and semiparametric Models with Fractional Time Series Errors”, invited talk, the 2nd Euroworkshop on Statistical Modelling - Nonparametric Models, 1-4 November 2001, Bernried (near Munich).

2001: “Semiparametric fractional autoregressive model”, invited talk, the 23rd European Meeting of Statistics, 13-18 August, 2001, Madeira, Portugal.

Doktorand*innen

Sebastian Letmathe
Promotion: 20.02.23
„New Developments of Parametric and Semiparametric Volatility Models With Application to Quantitative Risk Management“

Bastian Schäfer
Promotion: 04.03.22
„Non- and Semiparametric Regression Methods for Functional Time Series on a Lattice“

Xuehai Zhang
Promotion: 22.10.18
„Further Development of Semiparametrick Volatility Models and their Applications to Value at Risk and Expected Shortfall“

Sarah Forstinger
Promotion: 25.09.2018
„Modelling and forecasting fingancial and economic time series using different semiparametric ACD models“

Chen Zhou
Promotion: 20.07.2018
„Data-driven Realized Kernels and Further Analysis Using a Semi-FI-Log-ACD Model“

Christian Peitz
Promotion: 15.06.2015
„Die parametrische und semiparametrische Analyse von Finanzzeitreihen - Neue Methoden, Modelle und Anwendungsmöglichkeiten“.

 

Jiangtao Wang (2014, ehemalige WHK, 2013-2014) mit Prof. H. Liu
"Research on ACD Model and Its Application" (Zhongnan University of Economics and Law, China, in collaboration with the University of Paderborn)

Mark Cathcart, PhD (2012) mit Prof. A. J. McNeil, PhD
"Monte Carlo Simulation Approaches to the Valuation
and Risk Management of Unit-Linked Insurance Products with Guarantees" (Heriot-Watt University, Edinburgh)

Zhichao Guo (2012, ehemalige WHK, 2009-2011) mit Prof. X. Tan, PhD
"Quantitative Study of the Change of China- Germany Trade in Agri-food Products" (China Agricultural University, in collaboration with the University of Paderborn)

Dr. Jens Bies (2011) mit Prof. Dr. B. Schiller
"Die Flow Analyse - Ein alternativer Kapitalmarktanalyseansatz zur Optimierung der Portfoliomanagement-Prozesse"

Prof. Xiaohong Liu PHD
Promotion: 2008 mit Prof. A. C. McKinnon, PhD

"The Compretitiveness of Logistics Service Providers: An Investigationin China and the UK" (Heriot-Watt University, Edinburgh)

Highly Commended Award for the Emerald/EFMD Outstanding Doctoral Research Awards in the Logistics and Supply Chain Management

WHK/ WHB

Jim-Luca Brand (11/ 2018 bis 3/ 2019, vorher SHK)

Zchichao Guo (2009 bis 2011, auch eine ehemalige Doktorandin)

Angela Christine Krause (2017 – 2018)

Shujie Li (2020, ab 1.10.20 Wissenschaftl. Mitarbeiterin/ Doktorandin)

Ma Lin (2001 bis 2012)

Sarah Christin Malangone (2017)

Claudia Nieboj (2018)

Nico Schlottmann (2017)

Kan Wang (20011 – 2012)

Semiramis Yigit (4/ 2017 bis 9/ 2017 WHB, 10/ 2017 bis 3/2018 WHK)

Xuehai Zhang (8/ 2015 bis 3/ 2017 WHK, ab 10/ 2017 Wissenschaftl. Mitarbeiter bis zur Promotion)

SHK/ Tutor*innen

Mehtap Aydinci

Jim-Luca Brand

Jessica Bronk

Sandra Caase

Benjamin Victor Carreras Painter

Marlon Fitz

Michael Gollmick

Lisa Görlach

Sebastia Sagemüller

Kristina Tautrims

Meike Lesniak

Ying Liu

Miriam Linke

Alexandra Mahler