Typische statistische Eigenschaften von Hedge Funds Zeitreihen sind beispielsweise keine Normalverteilung sondern negative Schiefe und schwere Ränder, Data Biases, Autokorrelationen, Volatility Clustering und Leverage Effekt. Deshalb sind Standardannahmen wie z.B. die Normalverteilungsannahme für Hedge Funds Renditen nicht geeignet um die statistischen Eigenschaften und Risikomaße solcher Zeitreihen vorherzusagen. In dieser Arbeit werden alternative Ansätze zur Modellierung von Hedge Funds Renditen, die deren typische Eigenschaften erklären können, vorgestellt und verglichen. Dies sind GARCH Modelle, ein Markov Regime Switching Modell und die Extremwerttheorie. Während Letzteres nur für die Betrachtung von ränderbasierten Risikomaßen geeignet ist, können mit den beiden Ersten die gesamte Verteilung und somit alle Risikomaße prognostiziert werden. Diese Modelle sowie die verwendeten Risikomaße werden zunächst theoretisch beschrieben, bevor die drei Ansätze zur Verteilungs- und Risikomodellierung anhand empirischer Hedge Funds Daten miteinander verglichen werden. Dabei wird gezeigt, dass das Markov Regime Switching Modell, welches Sprünge zwischen verschiedenen Umweltsituationen identifizieren kann, den GARCH Modellen bzgl. der Modellierung der Verteilung und den auf der gesamten Verteilung basierenden Risikomaßen überlegen ist. Die Extremwerttheorie ist dagegen am besten dazu geeignet, die ränderbasierten Risikomaße VaR und CVaR zu antizipieren.     «

Typische statistische Eigenschaften von Hedge Funds Zeitreihen sind beispielsweise keine Normalverteilung sondern negative Schiefe und schwere Ränder, Data Biases, Autokorrelationen, Volatility Clustering und Leverage Effekt. Deshalb sind Standardannahmen wie z.B. die Normalverteilungsannahme für Hedge Funds Renditen nicht geeignet um die statistischen Eigenschaften und Risikomaße solcher Zeitreihen vorherzusagen. In dieser Arbeit werden alternative Ansätze zur Modellierung von Hedge Funds Rendi...     »