This thesis proposes to integrate dynamic factor models (DFM) with stationary vine copula (S-vine) structures to capture nonlinear dependencies among latent factors extracted from high-dimensional, mixed-frequency financial and macroeconomic data. First, we introduce the DFM framework for complete and mixed-frequency data, which reduces data dimensionality by summarizing key fluctuations using a small set of latent factors. The factors themselves follow a vector autoregressive process. For parameter estimation, we utilize the Expectation-Maximization algorithm in combination with the Kalman filter and smoother, which efficiently handles incomplete data. To explicitly model nonlinear dependencies among estimated factors, we apply S-vine copulas, a flexible class of pair-copula constructions well-suited to multivariate time series. Empirically, we apply the proposed methodology to construct mean–variance optimized portfolios consisting of U.S. industrial stocks, evaluating portfolio performance across various volatility targets. Results indicate that incorporating S-vine copulas significantly improves risk-adjusted portfolio performance at lower volatility levels. However, these improvements diminish as volatility constraints are relaxed, highlighting the conditional benefits of modeling nonlinear factor dependencies.     «

This thesis proposes to integrate dynamic factor models (DFM) with stationary vine copula (S-vine) structures to capture nonlinear dependencies among latent factors extracted from high-dimensional, mixed-frequency financial and macroeconomic data. First, we introduce the DFM framework for complete and mixed-frequency data, which reduces data dimensionality by summarizing key fluctuations using a small set of latent factors. The factors themselves follow a vector autoregressive process. For param...     »

Diese Arbeit schlägt vor, dynamische Faktormodelle (DFM) mit stationären vine copula Strukturen (S-Vine) zu kombinieren, um nichtlineare Abhängigkeiten zwischen latenten Faktoren abzubilden, die aus hochdimensionalen Finanz- und Makrodaten mit gemischten Frequenzen extrahiert werden. Zunächst wird das DFM vorgestellt, das die Dimensionalität reduziert, indem wesentliche Schwankungen durch eine kleine Anzahl latenter Faktoren zusammengefasst werden. Diese Faktoren folgen einem Vektorautoregressions prozess. Die Parameterschätzung erfolgt effizient mittels Expectation-Maximization algorithmus in Verbindung mit Kalman-Filter und -Smoother, wodurch auch unvollständige Datensätze zuverlässig verarbeitet werden können. Um die nichtlinearen Abhängigkeiten zwischen den geschätzten Faktoren explizit zu modellieren, werden S-Vine copulas eingesetzt, eine flexible Klasse von pair-copula Konstruktionen, die sich besonders für multivariate Zeitreihen eignet. Empirisch wird die vorgeschlagene Methodik auf die Konstruktion von im mean-variance Sinne optimierten Portfolios aus US-Industrieaktien angewendet. Die Portfolioperformance wird dabei unter verschiedenen Volatilitätsschranken bewertet. Die Ergebnisse zeigen, dass der Einsatz von S-vine copulas die risikobereinigte Performance bei niedrigen Volatilitätsniveaus deutlich verbessert. Dieser Vorteil nimmt jedoch ab, sobald die Volatilitätsbeschränkungen gelockert werden, was den bedingten Nutzen der Modellierung nichtlinearer Faktorabhängigkeiten unterstreicht.     «

Diese Arbeit schlägt vor, dynamische Faktormodelle (DFM) mit stationären vine copula Strukturen (S-Vine) zu kombinieren, um nichtlineare Abhängigkeiten zwischen latenten Faktoren abzubilden, die aus hochdimensionalen Finanz- und Makrodaten mit gemischten Frequenzen extrahiert werden. Zunächst wird das DFM vorgestellt, das die Dimensionalität reduziert, indem wesentliche Schwankungen durch eine kleine Anzahl latenter Faktoren zusammengefasst werden. Diese Faktoren folgen einem Vektorautoregressio...     »