Seniorprofessur für Computational Statistics
Profil
Die Seniorprofessur für Computational Statistics widmet sich der Entwicklung und Anwendung von Methoden des maschinellen Lernens in der Finanzmarkt- und Arbeitsmarktforschung und deren Einsatz in der Unternehmenspraxis. Mithilfe fortschrittlicher Algorithmen werden Muster und Zusammenhänge in großen Datensätzen identifiziert, ohne dass dabei explizite Modellannahmen erforderlich sind. Ziel ist es, nicht nur Prognosen und Klassifizierungen statistisch zu verbessern, sondern auch die Entscheidungsgrundlagen für ökonomische Analysen und Maßnahmen zu optimieren.
Im Mittelpunkt der Lehrveranstaltungen steht die Bewertung der Chancen und Risiken dieser Methoden sowie ein kritischer Umgang damit in der Praxis.
Schwerpunkte der aktuellen Forschung sind:
- Portfolioauswahl unter Einsatz von Methoden des maschinellen Lernens
- Abschätzung extremer Finanzmarktrisiken
- Analyse von Netzwerkeffekten auf Arbeits- und Finanzmärkten
Lehre
- Applied Machine Learning
- Causal Impact Evaluation
- Data Science Lab
Forschungsschwerpunkte
A. Regularisierungsstrategien bei hochdimensionalen Portfolios
In diesem Schwerpunkt geht es darum, robuste Portfoliostrategien zu entwickeln, die auch bei einer sehr großen Anzahl von Anlagemöglichkeiten und in Zeiten volatiler Finanzmärkte eine optimale Portfolioperformance liefern.
- A Sparse Approximate Factor Estimation for High-Dimensional Covariance Matrices and Portfolio Selection, 2024, Journal of Financial Econometrics, with Maurizio Daniele and Aygul Zagidullina
- Bagged Pretested Portfolio Selection, 2023, Journal of Business and Economics Statistics, 41, 1116–1131, with Ekaterina Kazak. Listen also to a genAI generated podcast about this paper by NotebookLM from Google.
B. Prognose extremer Finanzmarktrisiken
Value at Risk (VaR) und Expected Shortfall (ES) sind zentrale Risikokennzahlen, die in der Bankenregulierung zur Messung potenzieller finanzieller Verluste eingesetzt werden. Aufsichtsbehörden, wie im Rahmen von Basel III, fordern von Banken die Anwendung dieser Kennzahlen, um sicherzustellen, dass sie über ausreichende Kapitalreserven verfügen, um extreme Marktrisiken abzufedern und die Finanzstabilität zu gewährleisten.
Die bisherigen empirischen Erfahrungen mit VaR und ES sind jedoch ambivalent. Diese Risikokennzahlen haben in Zeiten hoher Finanzmarktrisiken versagt, also gerade dann, wenn sie am dringendsten benötigt wurden. In diesem Projekt geht es darum, eine Vielzahl unterschiedlicher VaR- und ES-Prognosen optimal zu kombinieren, um eine robustere Gesamtprognose zu erzielen. Grundlage dafür ist das von Kazak und Pohlmeier (2023) entwickelte Bagged Pretesting Verfahren.
- Bagged Pretested Forecast Combination for Tail Risk Measures, Paper presented at the 2024 ESIF Economics and AI+ML Meeting, August 13 - 14, 2024, Cornell University
C. Netzwerkmodelle des Peerverhaltens in der Bildung
In diesem Projekt wird mithilfe von Netzwerkmodellen die Rolle von Peereffekten in Schulen untersucht. Im Fokus stehen Fragen wie: Wie beeinflussen leistungsstarke Schüler das Lernverhalten ihrer Mitschüler? In welchem Maße wird Stress durch Peers übertragen? Und welche Unterrichtsorganisation (z.B. Sitzordnung, Frontal- vs. Gruppenunterricht) kann das Risiko einer Stressübertragung verringern?
Dazu werden speziell entwickelte ökonometrische Netzwerkmodelle eingesetzt, die unter anderem die Freundschaftsstrukturen innerhalb der Klasse präzise abbilden.
- A network model of stress contagion: evidence from the vocational classroom, Empirical Research in Vocational Education and Training, Vol. 16 (1), 2024, with T. Kärner and L. Shkoza
- Heterogeneity in Network Peer Effects, with Livia Shkoza and Derya Uysal, unpublished working paper
