Metadaten







Promotionsordnung


PromO94

Kumulative Dissertation


nein

Titel


Parameter uncertainty and learning in dynamic financial decisions

Titel (englisch)



Autor/Autorin


Bruggisser, Daniel A.

2. Autor/Autorin



Geburtsdatum


15.03.1972

Geburtsort



Matrikelnummer


00640839

Schlagwörter (GND)


Portfolio Selection; Entscheidung bei Unsicherheit; Bayes-Lernen

DDC (Dewey Decimal Classification)


Wirtschaft - 330

Freie Stichwörter (deutsch)


Bayesian Portfoliotheory; Parameterunsicherheit; Dynamische Optimierung; Kapitalmarkttheorie; Bayes-Inferenz

Freie Stichwörter (englisch)


Bayesian portfolio analysis; parameter uncertainty; dynamic multi-period asset allocation; Bayesian learning; informative prior; return predictability; return forecasting; regime-switching; model uncertainty; Kalman filter

Kurzfassung


Unsicherheit in den Parametern von Finanzmodellen kann die Eigenschaften optimaler Allokationstrategien verfälschen. Aufgrund dieser Unsicherheit und der Tatsache, dass der Investor durch neue Beobachtungen fortlaufend lernt, erscheint es als natürlich, einen Bayesianischen Ansatz für die Formulierung des Allokationproblems zu wählen.
In dieser Arbeit wird die relevante Literatur der Bayesianischen Portfolio Analyse systematisch aufgearbeitet. Das mehrperiodige Allokationproblem wird formuliert und notwendige Bedingungen für das Lernen erarbeitet. Der Bayesianische Lernprozess wird für verschiedene lineare, konditional normale Modelle hergeleitet. Es wird gezeigt, dass der Lernprozess für diese Klasse von Modellen eine Bayesianische Version des wohl bekannten Kalman Filters ist. Ausserdem wird ein Regime-Switching Modell diskutiert, und der Lernprozess für das latente Regime über die Bayesianische Analyse hergeleitet. Bei allen diskutierten Modellen bildet der Lernprozess einen kompakten Filter auf Beobachtungen. Dies erlaubt eine Markovian Representation des dynamisch mehrperiodigen Allokationproblems in diskreter Zeit, was eine notwendige Bedingung für die Lösbarkeit solcher Probleme darstellt.

Kurzfassung (englisch)


When the asset allocation problem is implemented using historical data, parameter uncertainty can degrade the desirable properties of the optimal portfolio strategy. Given the uncertainty in parameters and given that investors learn by observation, it is natural to formulate asset allocation problems using a Bayesian framework. The most relevant literature on Bayesian portfolio analysis is reviewed. The multi-period Bayesian asset allocation problem is formulated, and the necessary conditions for learning in discrete time are established. The Bayesian learning process is discussed for various linear conditionally normal models. For these models, the learning process is shown to be a Bayesian version of the well-known Kalman filter. A regime-switching model is discussed, and the learning process for the unobserved regime is derived using Bayesian analysis. It is shown that for all models considered, the learning process constitutes a compact filter on observations and therefore allows a Markovian representation of dynamic multi-period allocation problems in discrete time, which is a necessary condition for the problem to remain solvable.

Universität


Universität St.Gallen

Referent/Referentin


Frauendorfer, Karl (Prof. Dr.)

Korreferent/Korreferentin


Spremann, Klaus (Prof. Dr.)

Erweitertes Diss. Komitee



Fachgebiet


Wirtschaftswissenschaften

Sprache


ENG

Promotionstermin (dd.mm.yyyy)


19.09.2011

Erstellungsjahr (yyyy)


2011

Dokumentart


Dissertation

Format


PDF

Dissertationsnummer


3874

Quelle



PDF-File


dis3874.pdf

Dokumentverknüpfung


Link zu diesem Dokument







letzte Änderung: 05/22/2014 - Allgemeine rechtliche Informationen - Datenschutz [ Nach oben ]