Jens-Peter Kreiß – författare

Das Buch führt in die grundlegenden Bereiche der klassischen Zeitreihenanalyse ein. Deshalb spielen in den ersten Kapiteln die Begriffe Stationarität und Autokovarianz- bzw. Autokorrelationsstruktur eine wesentliche Rolle. Ergänzend zu den grundlegenden Modellen werden aber auch schon zu Beginn eine Reihe von Beispielen diskutiert. Mit Hilfe des Spektralsatzes und der Filterung stationärer Zeitreihen kann die wichtige Klasse der ARMA-Modelle sehr effizient und erschöpfend behandelt werden. Die asymptotischen Resultate des Textes beruhen auf einem zentralen Grenzwertresultat für sog. schwach abhängige Zufallsvariable. Es zeigt sich, dass dieses Resultat sowohl die Behandlung linearer Zeitreihenmodelle wie gewisser nichtlinearer und für den Bereich der Finanzzeitreihen wichtiger Zeitreihen erlaubt. Im Weiteren werden dann Schätzmethoden im Spektralbereich von Zeitreihen diskutiert. Neben dem Periodogram werden ebenso auch sog. geglättete Spektraldichteschätzer vollständig behandelt. Kapitel über Modellwahlverfahren und die wesentlichen Grundlagen multivariater Zeitreihen sowie einiger Anhänge, die den Text weitestgehend autark lesbar machen sollen, schließen das Buch ab.

The Handbook of Financial Time Series provides an up-to-date overview of the field and covers all relevant topics, both from a statistical and an econometrical point of view. Experts present, among others various aspects, the important GARCH and Stochastic Volatility classes, like for example distribution properties, estimation, forecasting and extreme value theory. The book also details processes in continuous time and cointegration since both play a very essential role in financial modeling. In addition, recent developments in nonparametric methods, copulas, structural breaks, high frequency data and many more topics are included in the handbook. Many outstanding authors have contributed to this encyclopedia, making the volume an excellent source of reference for scientists and researchers working in the field of financial time series.