ANGEWANDTE STATISTIK UND QUANTITATIVE METHODEN BLOCKSEMINARE IM SOSE 2018

Angewandte Statistik und
   Quantitative Methoden
Blockseminare im SoSe 2018

Was Wann Wo

 Zwei Blockseminare im Mai 2018
 Alternativ in Augsburg oder in Teisendorf
 Vorträge im Zweierteam

 Möglichkeit 1: 30.05-03.06.2018
    Ederhof im oberbayerischen Teisendorf
    Unterbringung in Ferienwohnungen auf dem Ederhof
    Kosten für Unterbringung mit Frühstück: 115 Euro pro Person

 Möglichkeit 2 (In Augsburg, voraussichtlich in der Woche vom
  21.05-25.05.2018, an vss. 2Tagen der Woche)
    Ganztags

Impressionen aus Teisendorf

Wer kann sich bewerben?

   Themen sowohl für Bachelor- als auch für Masterstudierende
   Einbringbarkeit (bitte kontaktieren Sie bei Fragen zur Einbringbarkeit Ihren Modulbetreuer
    und stellen Sie eine Einbringbarkeit sicher!)
•   Bachelor
         iBWL: Cluster F&I, L&I, S&I, Sonstige Leistung oder Hausarbeit/Seminararbeit
         BWL und VWL (PO 2015): Major/Minor F&I (als Seminar F&I), Major/Minor O&Im (als Seminar
          O&Im)
         GBM (PO 2008): Cluster F&I, L&I, S&I
         GBM (PO 2013, PO 2015): Global Business and Economics
         WIN (PO 2008): Modul DWI Finance & IM und DWI Operations & IM
         WIN (PO 2015): Als Seminar F&I bzw. Seminar O&Im
         ReWi (PO 2008): Betriebswirtschaftslehre & Methoden, PO 2015: Allgemeiner Bereich
   Master
         iBWL und EPP: Major/Minor F&I, Major/Minor O&IM
         DFM und Master Wirtschaftsmathematik: Cluster F&I, Cluster O&Im
         ReWi: SP: Bank & Kapitalmarkt
         Master WIN: Major/Minor Operations-, Finanz- und Informationsmanagement
         Informatik & Informationswirtschaft: Cluster F&I und O&Im
         GBM: Methoden
   Bewerbung ausschließlich als Zweierteam: Hierbei sind als Team nur
    Gruppenzusammensetzungen Bachelor+Bachelor bzw. Master+ Master aus
    Prüfungsordnungen mit gleicher Credit-Anzahl (5LP / 6 LP) möglich.
   Der Lehrstuhl vermittelt keine Seminarpartner: Wer einen Seminarpartner sucht: Hierzu
    steht im Studentenforum der Bereich „Angewandte Statistik und quantitative Methoden“
    bereit: http://studentenforum.uni-augsburg.de/viewforum.php?f=2270

Bewerbungsverfahren

   Bewerbung ab 17.01.2018 bis einschließlich 28.02.2018
   Die Bewerbung funktioniert nicht nach dem Prinzip „First come, first serve“: Die
    Auswahl und Themenvergabe erfolgt nach Leistungskriterien: Jede Bewerberin/Jeder
    Bewerber muss daher neben seiner Online-Bewerbung während der
    Bewerbungsfrist einen aktuellen, vollständigen Studis-Auszug per Mail an
    karin.wuensch@wiwi.uni-augsburg.de schicken.
   Unvollständige Bewerbungen (z.B. ohne Studis-Auszug) werden nicht berücksichtigt
   Anmeldetool auf der Website des Lehrstuhl Okhrin
    (dieses wird ab 17.01.2018 verfügbar sein)
      Hierbei muss jedes Team eine Präferenzordnung von bis zu 5 Themen angeben
      Somit werden wir versuchen, den Nutzen zu maximieren: Teams, welche
         ausgewählt wurden und nicht ihre Erstpräferenz bekommen, werden möglichst
         ihre nächste Präferenz(en) angeboten bekommen, falls sie ausgewählt wurden.
   Bewerbung ausschließlich als Zweierteam: Hierbei sind als Team nur
    Gruppenzusammensetzungen Bachelor+Bachelor bzw. Master + Master aus
    Prüfungsordnungen mit gleicher Credit-Anzahl für das Seminar (5LP / 6 LP)
    möglich
   Jedes Thema wird pro Ort (Teisendorf/Augsburg) höchstens einmal vergeben
   Thema 3 wird nur für Teisendorf vergeben (siehe entsprechende Folie)
   Themen- und Ortzusage gegen Anfang März 2018
   Ab Anfang März 2018 kann mit der Themenbearbeitung begonnen werden

Hinweise zu den Vorträgen: „Spielregeln“

   Vorträge im Zweierteam, frei gehalten (!) (möglichst kein Ablesen von Notizen oder
    vom “Präsentationsmodus” von Powerpoint (!))
   Zieldauer 60 Minuten (gleichmäßig auf beide Seminaristen aufgeteilt), anschließend
    15 Minuten Diskussion
   Beamer und 2 Notebooks vorhanden: eigene Notebooks mitbringen ist nicht
    notwendig.
   Kein Overheadprojektor, Flipchart o. Ä.
   Für das gesamte Publikum, nicht nur die Dozenten
   Handouts nicht erforderlich
   Die Präsentation ist als wissenschaftliche Leistung in Präsentationsform zu
    betrachten!
   Teilnahme an der Diskussion; Mitarbeit geht in die Bewertung ein
   Abgabe der Präsentation ausschließlich in digitaler Form bis (inklusive) 17.05.2018,
    12:00 Uhr
   Gehalten werden die Vorträge mit den am 17.05.2018 abgegebenen
    Präsentationen.

Themenübersicht

1.   Lineare und Quantil-Regression: Modellierung von Aktienrenditen/Einkommensdaten
2.   Das iterierte Gefangenendilemma
3.   Universelle Portfolios
4.   Robuste Regression
5.   Kombinatorische Optimierung
6.   LASSO-Regression in Theorie und Anwendung
7.   In-Sample (IS) vs. Out-of-Sample (OS): weisen IS gefittete Modelle OS-Prognosekraft
     auf?

1. Lineare und Quantils-Regression: Modellierung von
          Aktienrenditen/ Einkommensdaten

Die klassische lineare Regression hat zum Ziel den (bedingten) Erwartungswert der abhängigen
Variablen zu modellieren. Dies entspricht in vielen Situationen nicht dem Ziel der Analyse oder liefert
schlechte Ergebnisse. Zum Beispiel bei Modellen für Aktienrenditen oder Wechselkurse interessiert man
sich eher für extreme Werte (sehr positive oder sehr negative Renditen). Darüber hinaus weisen die
klassischen Modelle wie das CAPM sehr schlechte Güte (R2) auf. Die Quantil-Regression legt den
Schwerpunkt auf die Modellierung der extremen Werte und ist somit insbesondere für die Value-at-Risk-
Analyse geeignet.

Aufgabenstellung
• Erklären Sie grundlegende Idee der klassischen linearen Regression und wiederholen Sie kurz die Idee der
   Quantile. Zeigen Sie mithilfe von eigenen Daten warum die genauere Analyse von Rändern von Bedeutung
   ist.
• Erläutern Sie die Idee sowie den Ablauf der Modellierung mit der Quantil Regression. Vergleichen Sie diesen
   Ansatz mit der linearen Regression.
• Führen Sie eine eigene empirische Untersuchung (CAPM, Modelle für Wechselkurse, z.B. Bitcoins) durch
   und vergleichen Sie die Ergebnisse mit den Ergebnissen aus dem linearen Modell.

Literatur
• Koenker R. : Quantile Regression, Working Paper UIUC
• Koenker und Hallock, Quantile Regression, Journal of Economic Perspectives, 15, 143-156, 2001
• Koenker und Hallock, Quantile Regression – an Introduction
• Koenker, R. Quantile Regression, Wiley
• Eigene Recherche

Betreuer: Yarema Okhrin

2. Das iterierte Gefangenendilemma

Das so genannte Gefangenendilemma beschreibt die Situation zweier Gefangener, die
beschuldigt werden, gemeinsam ein Verbrechen begangen zu haben. Die beiden Gefangenen
werden einzeln verhört und können das Verbrechen entweder leugnen oder gestehen. Das
Dilemma der Gefangenen besteht nun darin, dass ihr Spiel eine Pareto-inferiore Lösung in
dominanten Strategien besitzt. Wird das Spiel jedoch mehrmals wiederholt, so kann eine Fülle
anderer Lösungen realisiert werden. Welche Lösungen möglich sind, hängt unter anderem vom
Planungshorizont und dem dynamischen Verhalten der Spieler ab.

Aufgabenstellung
   Erläuterung des Gefangenendilemmas und seiner statischen Lösung.
   Darstellung der theoretischen Grundlagen wiederholter Spiele und deren Anwendung auf das
    Gefangenendilemma.
   Durchführung einer Simulationsstudie zur Identifikation Erfolg versprechender dynamischer Strategien.
    Hierfür sind Programmierkenntnisse erforderlich!

Ausgangsliteratur
  Axelrod, R./Dion, D. (1988): The Further Evolution of Cooperation, Science, 242, No. 4884:1385–1390
  Holler/Illing (2009): Einführung in die Spieltheorie, 7. Auflage, Springer, Berlin/Heidelberg: Abschnitt 4.2
  Eigene Recherche

Betreuer: Michael Krapp

3. Universelle Portfolios

Die von T.M. Cover (1991) vorgeschlagenen „Universellen Portfolios“ schichten ein gehaltenes
Aktienportfolio nach jeder Periode gemäß einer wohldefinierten Rechenformel um. Diese
Portfolios erreichen asymptotisch die selbe Performance wie das optimale Constant-Mix-Portfolio
(das man allerdings erst nach Beobachtung der gesamten Datenhistorie ermitteln kann).

Aufgabenstellung
• Darstellung und eigenständige Erläuterung der Vorgehensweise von Cover.
• Illustration der Vorgehenweise von Cover anhand selbst gewählter Beispiele (z.B. Portfolios von je zwei
   DAX-Aktien).
• Diskussion einer vereinfachten Rechenvorschrift, welche auf dem MEL-Ansatz (Maximierung der
   erwarteten Log-Rendite) beruht.
• Darstellung und Vergleich der verschiedenen Ansätze durch selbst gewählte Zahlenbeispiele und durch
   selbst gewählte Daten (in Excel oder auf mit Hilfe der Statistiksprache R).

Ausgangsliteratur
  Cover, T.M. (1991): “Universal Portfolios”, Mathematical Finance, 1, 1-29.
  Bamberg, G., Neuhierl, A. (2012), “Growth Optimal Investment Strategy: The Impact of Reallocation
   Frequency and Heavy Tails”, German Economic Review, 13, 228-240.
  Eigene Recherche

Betreuer: Günter Bamberg
Hinweis: Dieses Thema wird nur für den Vortragsort Teisendorf angeboten

4. Robuste Regression

Die KQ-Schätzung (Kleinste-Quadrate-Schätzer) ist das am häufigsten eingesetzte Schätzverfahren im Rahmen der
linearen Regression. Dem Verfahren werden jedoch eine Reihe von Modellannahmen vorausgesetzt und der Erfolg des
Schätzverfahrens wird maßgeblich davon beeinflusst, ob die Daten die Modellannahmen erfüllen. Zu den Störfaktoren des
KQ-Schätzverfahrens zählen unter anderem Ausreißer. Dabei kann es sich zum Beispiel um eine fehlerhafte Eingabe, ein
außergewöhnliches Event oder eine fälschlicherweise zugeordnete Beobachtung handeln. Eine Möglichkeit diesem
Problem entgegenzuwirken ist es einflussreiche Beobachtungen zu identifizieren, um diese zu korrigieren oder von der
Schätzung auszuschließen. Alternativ kann man eine robustere Modellierung wählen, bei denen die Schätzergebnisse nur
unwesentlich von Ausreißern beeinflusst werden. Im Rahmen der Arbeit sollen robuste Regressionsmodelle vorgestellt
werden. Der Einsatz von robusten Schätzverfahren soll mithilfe einer Analyse in der Statistikprogrammiersprache R
veranschaulicht werden.

   Aufgabenstellung
      Erläutern Sie den Begriff Ausreißer und deren Problematik im Rahmen der klassischen KQ-Schätzung.
      Stellen Sie Methoden vor mit denen einzelne Ausreißer oder multiple Ausreißer identifiziert werden können.
      Stellen Sie die gängigen robusten Regressionsmethoden vor und erläutern Sie wie diese den Einfluss der
         Ausreißer auf das Schätzergebnis reduzieren.
      Veranschaulichen Sie den Einsatz der robusten Regression anhand einer Datenanalyse in R und
         vergleichen Sie die Ergebnisse mit den Ergebnissen der linearen Regression.

   Literatur
       Draper, N. R., Smith, H.: Applied Regression Analysis
       Rousseeuw, P., Leroy, A.: Robust Regression and Outlier Detection
       Eigene Recherche

Betreuerin: Ellena Nachbar

5. Kombinatorische Optimierung

Die kombinatorische Optimierung ist eine interdisziplinäre Fachrichtung, die u. a. die Gebiete der
Informatik, Kombinatorik und des Operations Research miteinander verbindet. Namensgebendes
Charakteristikum ist die Auswahl einer Teilmenge aus einer sehr großen Menge diskreter Elemente, mit
dem Ziel eine zu Grunde liegende Kostenfunktion zu optimieren. Die Anwendungsbereiche der
kombinatorischen Optimierung sind vielseitig und reichen von Tourenplanungsproblemen bis hin zu
Spielplanerstellung der Bundesliga.

Aufgabenstellung
   Einführung in die Komplexitätstheorie
   Motivation der Anwendungsbereiche
   Vorstellung und Erläuterung ausgewählter Algorithmen der kombinatorischen Optimierung
   Anwendung und Implementierung der Algorithmen in einer Programmiersprache auf Basis eines selbst
    gewählten Beispiels
   Untersuchung des Trade-Offs: Optimalität vs. Laufzeit

Ausgangsliteratur
  Korte, B. und Vygen, J. (2012): Kombinatorische Optimierung – Theorie und Algorithmen, Springer.
  Hillier, F. S. und Liebermann, G. J. (2010): Introduction to Operations Reasearch, McGraw-Hill.
  Eigene Recherche.

Betreuer: Deniz Preil

6. LASSO Regression in Theorie und
          Anwendung

Parameterschätzungen von OLS Regressionsmodellen sind zwar oftmals erwartungstreu, aber
auch sehr ungenau. Zudem ist vor allem bei großen Datensätzen die Anzahl an zu schätzenden
Parametern problematisch und oft ist eine Einschränkung des Regressorraums wünschenswert.
Es existieren verschiedene Methoden der Regression, die diese Nachteile beheben, unter ihnen
den „Least Absolute Shrinkage and Selection Operator“ (LASSO).

Aufgabenstellung
 Was ist LASSO, wie ist der Zusammenhang mit anderen Methoden wie z.B. Subset selection, Ridge
  Regression oder den klassischen Shrinkage Ansätzen (zB. Principal Component Analysis)?
 Wann ist die Anwendung sinnvoll, was sind Vor- und Nachteile?
 Untersuchung und Vergleich der verschiedenen Methoden mittels einer Anwendung in R.

Ausgangsliteratur
 Robert Tibshirani, 2011. "Regression shrinkage and selection via the lasso: a retrospective", Journal Of
  The Royal Statistical Society Series B, Royal Statistical Society, vol. 73(3), pages 273-282, 06.
 Trevor Hastie, Robert Tibshirani, Jerome Friedman, "The Elements of Statistical Learning: Data Mining,
  Inference, and Prediction", Second Edition, Springer-Verlag, 2001.
 Hui Zou & Trevor Hastie, 2005. "Regularization and variable selection via the elastic net", Journal Of The
  Royal Statistical Society Series B, Royal Statistical Society, vol. 67(2), pages 301-320.
 Eigene Recherche

Betreuer: Eugen Ivanov

7. In-Sample (IS) vs. Out-of-Sample (OS):
           weisen IS gefittete Modelle OS-Prognosekraft
           auf?
Für den In-Sample-Fit, also die Auswahl der Regressoren eines Regressionsmodells können
verschiedene Kriterien – wie das Bestimmtheitsmaß R2 oder Informationskriterien (AIC, BIC) – zu
Grunde gelegt werden. Die Verwendung dieser Kriterien führt aber oftmals zu Modellen, die eine
recht große Anzahl an Regressoren aufweisen. Modelle mit einer Vielzahl an Regressoren
werden aus verschiedenen Gründen für die Prognose von zukünftigen Werten oftmals sehr
kritisch gesehen.

Aufgabenstellung
   Es ist empirisch zu untersuchen, ob die IS gefitteten Modelle auch eine größere OS-Prognosekraft
    besitzen. Dazu sollen zunächst anhand der beschriebenen Kriterien die „besten“ Modelle
    ausgewählt werden.
   Zum OS-Vergleich der Prognosekraft sollen geeignete Tests verwendet werden. Die Thematik soll
    anhand eines oder mehrerer geeigneter, selbst erstellter empirischer Beispiele dargestellt werden.
   Die nötigen Berechnungen und Tests müssen mittels der freien Statistik-Software „R“ durchgeführt
    werden.

Ausgangsliteratur
   Inoue, A. & Kilian, L., 2005. In-Sample or Out-of-Sample Tests of Predictability: Which One Should
    We Use? Econometric Reviews, 23(4), S.371–402.
   Weitere selbst recherchierte Literatur

Betreuer: Dominik Schneller

Adresse Ederhof

Familie Engelbert Wankner
Öd 1
83317 Teisendorf
Telefon 08666 71 41
Telefax 08666 92 87 06
http://www.bauernhofurlaub-ederhof.de

Anreise per Bahn, Auto (ca. 2 ½ Stunden von Augsburg)

Nicht vergessen…

 Badezeug
 Wanderschuhe
 Fahrrad (Mountainbike sinnvoll)