This thesis addresses uncertainty in an Affine GARCH model within portfolio decisions via Bayesian learning. Given the abundant evidence of uncertainty in estimating expected return, we focus our analyses on the single parameter driving expected returns. After deriving an uncertainty-implied GARCH model, we investigate how this model affects solutions in a dynamic portfolio optimization problem. We consider an investor with constant relative risk aversion (CRRA) utility who wants to maximize the expected utility from terminal wealth under a Heston-Nandi-GARCH(1,1) model. We treat the corresponding stock evolution, and therefore the wealth process as a Bayesian control model that learns about the expected return with each period. We explore the one- and two-period cases, demonstrating a significant impact of uncertainty on optimal allocation and wealth equivalent losses, particularly due to available sample size or due to large standard errors. These analyses are conducted under well-documented parametric choices.     «

This thesis addresses uncertainty in an Affine GARCH model within portfolio decisions via Bayesian learning. Given the abundant evidence of uncertainty in estimating expected return, we focus our analyses on the single parameter driving expected returns. After deriving an uncertainty-implied GARCH model, we investigate how this model affects solutions in a dynamic portfolio optimization problem. We consider an investor with constant relative risk aversion (CRRA) utility who wants to maximize the...     »

Diese Arbeit befasst sich mit der Unsicherheit in einem affinen GARCHModell im Rahmen von Portfolioentscheidungen durch Bayes’sches Lernen. Angesichts der zahl-reichen Belege für die Unsicherheit bei der Schätzung der erwarteten Rendite konzentrieren wir uns bei unseren Analysen auf den einzigen Parameter, der die erwarteten Renditen bestimmt. Nach der Ableitung eines GARCH-Modells, das Unsicherheit beinhaltet, untersuchen wir, wie dieses Modell Lösungen in einem dynamischen Portfolio-Optimierungsproblem beeinflusst. Wir betrachten einen Anleger mit konstanter relativer Risikoaversion (CRRA), der den erwarteten Nutzen aus dem Endvermögen unter einem Heston-Nandi-GARCH(1,1)-Modell maximieren möchte. Wir behandeln die entsprechende Aktienentwicklung und damit den Vermögensprozess als ein Bayes’sches Kontrollmodell, das in jeder Periode die erwartete Rendite lernt. Wir untersuchen den Ein- und Zwei-Perioden-Fall und zeigen, dass die Unsicherheit, insbesondere aufgrund des verfügbaren Stichprobenumfangs oder aufgrund großer Standardfehler, erhebliche Auswirkungen auf die optimale Allokation und die Vermögensäquivalentverluste (WEL) hat. Diese Analysen werden für gut dokumentierte parametrische Entscheidungen durchgeführt.     «

Diese Arbeit befasst sich mit der Unsicherheit in einem affinen GARCHModell im Rahmen von Portfolioentscheidungen durch Bayes’sches Lernen. Angesichts der zahl-reichen Belege für die Unsicherheit bei der Schätzung der erwarteten Rendite konzentrieren wir uns bei unseren Analysen auf den einzigen Parameter, der die erwarteten Renditen bestimmt. Nach der Ableitung eines GARCH-Modells, das Unsicherheit beinhaltet, untersuchen wir, wie dieses Modell Lösungen in einem dynamischen Portfolio-Optimier...     »