Eignen sich agentenbasierte Simulationsmodelle zur Value-at-Risk Prognose an Finanzmärkten?

In dieser Thesis wird die Vorhersagekraft von Value-at-Risk-Prognosen analysiert, welche von agentenbasierten Modellen erstellt werden. Um eine allgemeine Approximation der Modellparameter zu erhalten, wird die erste Kalibrierung mit der Methode der simulierten Momente durchgeführt. Für eine Abschätzung der ABM am aktuellen Zeitrand, wird anschließend eine Rolling-Window Maximum-Likelihood-Kalibrierung sowie eine Rolling-Window sequenzielle Monte-Carlo-Schätzung angewandt. Die VaR-Prognosen werden dann durch eine weitere zeitliche Iteration der Modelle generiert. Die Ergebnisse zeigen, dass ABM nicht nur für VaR-Prognosen geeignet, sondern auch in der Lage sind, die Prognosegüte gängiger Benchmarkmodelle zu übertreffen. Insbesondere kann festgestellt werden, dass ABM in hochvolatilen Rezessionsphasen besser abschneiden als die in der Praxis dafür verwendeten GARCH-Modelle, wodurch ABM die beste Wahl für VaR-Prognosen in Zeiten mit hohem Verlustrisiko sind.