This thesis considers combining several factor models with the help of pair copula constructions (PCC). We first introduce the dynamic factor model (DFM), which describes the fluctuations of observed data with the help of a small amount of latent factors, whereas the dynamics of the factors are given by a vector autoregressive (VAR) process. We further present Expectation Maximisation algorithm (EM) by Rubin and Thayer [1982] as a maximum likelihood technique for the estimation of parameters of DFM. EM itself relies on Kalman filter and Kalman smoother by Kalman [1960] for the estimation of conditional moments. To model dependence between several factor models we consider the copula autoregressive (COPAR) model, which was first introduced in Brechmann and Czado [2014]. To verify our implementation of the EM and the estimation procedure for COPAR model we perform a simulation study. The final chapter considers an empirical application to the EU and U.S. market.     «

This thesis considers combining several factor models with the help of pair copula constructions (PCC). We first introduce the dynamic factor model (DFM), which describes the fluctuations of observed data with the help of a small amount of latent factors, whereas the dynamics of the factors are given by a vector autoregressive (VAR) process. We further present Expectation Maximisation algorithm (EM) by Rubin and Thayer [1982] as a maximum likelihood technique for the estimation of parameters of...     »

Diese Masterarbeit befasst sich mit der Verknüpfung mehrerer Faktormodellen mithilfe von Paar-Copula Konstruktionen (PCC). Als erstes stellen wir das dynamische Faktormodell (DFM) vor, das die Fluktuationen von beobachteten Daten mit Hilfe von wenigen unbeobachteten Faktoren erklärt, wobei die Dynamik der Faktoren durch einen vektorautoregressiven Prozess (VAR) gegeben ist. Als weiteres stellen wir Expectation Maximisation Algorithmus (EM) von Rubin and Thayer [1982] als eine Maximum-Likelihood-Methode zur Schätzung der Parameter von DFM vor. EM selber ist auf Kalman Filter und Smoother von Kalman [1960] zur Bestimmung von bedingten Momenten angewiesen. Um die Abhängigkeit zwischen mehreren Faktormodellen zu beschreiben, betrachten wir Copula Autoregressives (COPAR) Modell von Brechmann and Czado [2014]. Um unsere Implementierung des EM und der Schätzung-Methode für COPAR Modell zu verifizieren, führen wir eine Simulation durch. Das letzte Kapitel enthält eine empirische Anwendung auf die Märkte der EU und Vereinigten Staaten.     «

Diese Masterarbeit befasst sich mit der Verknüpfung mehrerer Faktormodellen mithilfe von Paar-Copula Konstruktionen (PCC). Als erstes stellen wir das dynamische Faktormodell (DFM) vor, das die Fluktuationen von beobachteten Daten mit Hilfe von wenigen unbeobachteten Faktoren erklärt, wobei die Dynamik der Faktoren durch einen vektorautoregressiven Prozess (VAR) gegeben ist. Als weiteres stellen wir Expectation Maximisation Algorithmus (EM) von Rubin and Thayer [1982] als eine Maximum-Likelihood-...     »