Headergrafik - Business School

Lehrstuhl für Finanzökonometrie und Vermögensverwaltung

Unsere Forschung

Die Forschung am Lehrstuhl für Finanzökonometrie & Asset Management konzentriert sich auf die Entwicklung und die Schätzung ökonometrischer Finanzmodelle für Bankennetzwerkanalyse, Asset Allocation, Kapitalmanagement, Hedge-Fonds-Replikation und das Risikomanagement, mit besonderem Fokus auf das operative Risiko.

  • Asset Allocation

Unsere Forschungsinteressen fokussieren sich auf die Entwicklung von widerstandsfähigen und zuverlässigen Anlagestrategien, mit dem Fokus auf Regularisierungsmethoden, um Volatilitätsstrategien für den Index-Tracking-und Mehrzieloptimierung zu erlangen. Darüber hinaus entwickeln wir Optimierungs-Heuristik mit hoher Dimensionalität, die sich mit der Problematiken der realen Welt beschäftigen, welche in der Regel durch nicht-konvexe Zielfunktionen und nichtlineare Einschränkungen gekennzeichnet sind. Wir verfolgen die Entwicklung von quantitativem Risikomanagement, Tools Value-at-Risk und Tail-related Risikomaßnahmen in Markt-, und Kreditwesen sowie in operativen Risiken, um diese zu verbessern. Darüber hinaus arbeiten wir mit Methoden, die widerstandsfähige Schätzungen ermöglichen und eine Abhängigkeit von Modellierung enthalten, um besser ihre Daten zu erfassen.

  • Risk Management

Wir konzentreiren uns auf die Entwicklung von quantitativen Risikomanagement -Tools, um Value-at- Risk and Tail-Related Risikomaßnahmen im Markt-, Kredit- und operationellen Risiken zu verbessern. Darüber hinaus wird vorgeschlagen dass, Maßnahmen, die eine solide Schätzung ermöglichen und eine Abhängigkeit der Modellierung beinhalten, besser mit unruhigen Daten umzugehen um explizit Abhängikeiten zu erfassen.

  • Financial Networks

Unsere Forschung zielt darauf ab, die Portfoliobestände und die Verbindungen zwischen monetären Finanzinstituten (MFI) in den Finanzmärkten zu verstehen, sowie regulatorische Vorschläge vorzubringen und die Widerstandsfähigkeit des Gesamtsystems zu verbessern. Aktuelle Forschungsprojekte in Zusammenarbeit mit der Deutschen Bundesbank haben den Schwerpunkt auf Systemrelevanz und hochkonzentrierten MFI in Aktienmärkten der Deutschen Bank und verfolgen das Ziel, das Risiko und die Diversifizierung der Staatsanleihebestände beider Banken, auf der Ebene der einzelnen MFI und des gesamten Systems zu analysieren.

Aktuelle Forschungsprojekte

  • „A Systemic Risk Indicator Derived from Optimal Portfolios“ Gemeinsames Projekt mit Ben Craig (Federal Reserve Bank of Cleveland & Deutsche Bundesbank), Marcel Goreflo (Deutsche Bundesbank) und Philipp J. Kremer (EBS Doktorand).

  • „Modelling Multidimensional Extremal Dependence for Operational Risk“ Gemeinsamen Projekt mit Oliver Kley (Technische Universität München) und Claudia Klüppeberg (Technische Universität München)

  • „Sparse and robust normal and t- portfolios by penalized Lq-likelihood minimization“ Gemeinsames Projekt mit Davide Ferrari (University of Melbourne) und Margherita Giuzio (EBS Phd student).

Aktuelle Forschungsarbeiten

»Bogdan, M., Kremer, P.J., & Paterlini, S., “Sorting out your Investments: Sparse Portfolio Construction via the ordered L1 – Norm”, Working Paper

»Giuzio, M., & Paterlini, S., “Un-diversifying during crises: is it a good idea?”, Working Paper

»Talmaciu, A., Kremer, P.J., & Paterlini, S., “Achieving Diversification in Multi-Factor Portfolios”, Working Paper

»Kremer, P.J., Gorenflo, M., Craig, B., & Paterlini, S., “Understanding Banking Networks from Optimal Portfolio Choices”, Working Paper

Einige Publikationen

Kremer, P., Talmaciu, A., and Paterlini, S., (2017) Risk minimization in multi-factor portfolios: What is the best strategy? Annals of Operations Research, 1-37.

Talmaciu, A., Kremer, P., and Paterlini, S. (2017). Achieving Diversification in Multi-Factor Portfolios, accepted for publication Annals of Operation Research.

Giuzio, M., Eichhorn-Schott, K., Paterlini, S., & Weber, V., (2016). Tracking Hedge Funds using Sparse Clones, Annals of Operational Research, Advance online publication. doi:10.1007/s10479-016-2371-5.

Giuzio, M., Ferrari D., & Paterlini, S. (2016). Sparse and robust normal and t- portfolios by penalized Lq-likelihood minimization. European Journal of Operation Research, 250(1), 251-261.

Fastrich, B., Paterlini, S., & Winker, P. (2015). Constructing optimal sparse portfolios using regularization methods. Computational Management Science, 12(3), 417-434.

Brechmann, E, Czado, C., & Paterlini, S. (2014). Flexible dependence modeling of operational risk losses and its impact on total capital requirements. Journal of Banking and Finance, 40, 271-285.

Fastrich, B., Paterlini, S., & Winker, P. (2014). Cardinality versus q-Norm Constraints for Index Tracking. Quantitative Finance, 14(11), 2019-2032.

Wang, Z., Paterlini, S., Gao, F., & Yang, Y. (2014). Adaptive Minimax Regression Estimation over Sparse lq-Hulls. Journal of Machine Learning Research, 15, 1675-1711.

Mittnik, S., Paterlini, S., & Yener, T. (2013). Operational-Risk Dependencies and the Determination of Risk Capital. The Journal of Operational Risk, 8(4), 83-104. Best Paper Award, Conference on Operational Risk, Goethe University, 22 March 2013, Frankfurt, Germany.

Brechmann, E, Czado, C., & Paterlini, S. (2013). Modeling dependence of operational loss frequencies. The Journal of Operational Risk, 8(4), 105-126.

Scozzari, A., Tardella, F., Paterlini, S., & Krink, T. (2013). Exact and heuristic approaches for the index tracking problem with UCITS constraints. Annals of Operations Research, 205(1), 235-250.

Maringer, D., Paterlini, S., & Winker, P. (2012). Editorial: The 3rd Special issue on optimization heuristics in estimation. Computational Statistics & Data Analysis, 56, 2963-2964. ISSN: 0167-9473. doi:10.1016/j.csda.2012.05.006.

Krink, T., & Paterlini, S. (2011). Multiobjective optimization using differential evolution for real-world portfolio optimization. Computational Management Science, 8(1-2), 157-179.

Lyra, M., Paha, J., Paterlini S., & Winker, P. (2010). Optimization heuristics for determining internal rating grading scales. Computational Statistics & Data Analysis, 54(11), 2693-2706.

Giamouridis, D., & Paterlini, S. (2010). Regular(ized) hedge funds. Journal of Financial Research, 33(3), 223-247.

Krink, T., Mittnik, S., & Paterlini, S. (2009). Differential evolution and combinatorial search for constrained index tracking. Annals of Operation Research, 172, 153-176.

Ferrari, D., & Paterlini, S. (2009). The maximum Lq-likelihood method: An application to extreme quantile estimation in finance. Methodology and Computing in Applied Probability, 11, 3-19.

Krink, T., Paterlini S., & Resti, A. (2008). The optimal structure of PD buckets. Journal of Banking and Finance, 32(10), 2275-2286.

Krink, T., Paterlini,S., & Resti, A. (2007). Using differential evolution to improve the accuracy of bank rating systems. Computational Statistics & Data Analysis. Elsevier, 52(1), 68-87.

Paterlini, S., & Krink, T. (2006). Differential evolution and particle swarm optimisation in partitional clustering. Computational Statistics & Data Analysis, Elsevier, 50(5), 1220-1247. CSDA Top-cited paper (2005-2011).

Pattarin, F., Paterlini, S., & Minerva, T. (2004). Clustering financial time series: An application to mutual funds style analysis. Computational Statistics & Data Analysis, Elsevier, 47(2), 353-372.

Roverato, A., & Paterlini, S. (2004). Technological modeling for graphical models: An approach based on genetic algorithms. Computational Statistics & Data Analysis, Elsevier, 47(2), 323-337.

Minerva, T., Paterlini, S., & Poli, I. (2000). GANND: A genetic algorithm for predictive neural network design - a financial application. Economics & Complexity, 4.

Kontakt
+49 611 7102 00
Gustav-Stresemann-Ring 3
65189 Wiesbaden