Work on this thesis started around the time of the recent financial crisis (2007 - 2009). What has become apparent since then is the practical use of two research questions dealt with in the following: First, as financial crises are usually accompanied by deep recessions that affect the whole economy, how can a business cyclical turning point be detected as early and reliably as possible under these circumstances? Secondly, taking under-regulation as one of the root causes of the last crisis, can agent-based models be efficiently used for the purpose of banking regulation? Before the crisis, not only did the forecast performance of most leading indicators in linear models decline, but also the degree according to which the data generating process is well described by a linear model. In this case, it is helpful to turn to a probabilistic approach and to forecast the business cycle turning points by means of the level of the predicted recession probabilities (Schreiber, Theobald, Proaño, Stephan, Rietzler and Detzer, 2012). In particular, non- linear models with two or more states, such as probit models and Markov regime switching models, can achieve relatively high forecast accuracy in such situations. The first two chapters of this thesis present modifications to these methods and fruitfully apply them to the task of timely and accurate predicting of turning points in the business cycle. A potential tool for improving the regulation of financial markets can be (so-called) Agent-Based Models (ABM) - in particular agent-based computational models. Such models are primarily directed at representative agent setups as typically employed in Dynamic Stochastic General Equilibrium (DSGE) models. The advantage is that they produce dynamics of heterogeneous and simultaneously interacting agents reflecting behavioral patterns which, on the one hand, are observable in real- world financial markets like herding and contrarian behavior (Park and Sabourian, 2011) and which, on the other hand, lead to price paths that show typical financial data properties like fat tails and volatility cluster (Pagan, 1996). The third chapter of this thesis therefore deals with the compatibility of agent-based computations and (market) risk management as it is currently applied by banks, in line with the Basel regulatory requirements.
Diese Arbeit ist in zeitlicher Nähe zur jüngsten Finanzmarktkrise (2007-2009) entstanden. Sie behandelt daher zwei Forschungsfelder, deren praktischer Nutzen in Zeiten der Krise offenkundig wurde. Da Finanzmarktkrisen in der Regel von tiefen Rezessionen begleitet werden, die die gesamte Ökonomie betreffen, geht es zunächst um die möglichst frühe, zuverlässige und informative Rezessionserkennung. In einem zweiten Teil der Arbeit wird dann das Thema der Bankenregulierung behandelt, da Unterregulierung zweifelsohne eine der Hauptursachen der letzten Finanzmarktkrise darstellt. Im Detail geht es um die Frage, ob sogenannte Agenten-basierte Modelle im Interesse des Gemeinwohls zum Zwecke der Bankenregulierung eingesetzt werden können. Vor der Finanzmarktkrise hat nicht nur die Vorhersageleistung der meisten Frühindikatoren in linearen Modellen abgenommen, sondern auch der Grad, mit dem der Daten generierende Prozess wohl beschrieben durch ein lineares Modell ist. In einem solchen Fall ist es hilfreich, sich einem probabilistischen Ansatz zu zuwenden und sich auf die Vorhersage der konjunkturellen Wendepunkte mittels der Höhe der prognostizierten Rezessionswahrscheinlichkeit zu konzentrieren (Schreiber et al., 2012). Insbesondere nicht-lineare Modelle mit zwei oder mehr (konjunkturellen) Zuständen, wie etwa probit Modelle oder Markov Regime Switching Modelle, können eine relativ hohe Vorhersagegüte in solchen Situationen erreichen. Die ersten beiden Kapitel dieser Arbeit stellen Modifikationen dieser Methoden dar, um diese Gewinn bringend im Hinblick auf ein möglichst frühzeitiges und exaktes Erkennen konjunktureller Wendepunkte einzusetzen. Ein mögliches Instrument, um die Regulierung der Finanzmärkte zu verbessern, können sogenannte Agenten-basierte Modelle sein, insbesondere 'Agent-based Computational Economic' (ACE) Modelle. Solche Modelle wenden sich unmittelbar gegen das Konzept des Repräsentativen Agenten, wie es typischerweise in Dynamischen Stochastischen Allgemeinen Gleichgewichtsmodellen (DSGE) verwendet wird. Ihr Vorteil liegt darin, eine Preisdynamik auf Grundlage heterogener und gleichzeitig interagierender Agenten zu produzieren. Diese Preisdynamik spiegelt Verhaltensmuster wider, wie sie auch auf realen Finanzmärkten zu beobachten sind, wie etwa Herden- bzw. gegenläufiges Verhalten (Park and Sabourian, 2011). Zudem weisen hieraus entstehende Preispfade statistische Eigenschaften auf, wie man sie typischerweise von der Untersuchung von Finanzmarktdaten kennt. Hierzu gehören etwa 'fat tails' und Volatilitätscluster (Pagan, 1996). Das dritte Kapitel dieser Arbeit beschäftigt sich daher mit der Kompatibilität von ACE Modellen und (Markt-)risiko Management, wie es Banken derzeit gemäß der in den Basel- Regularien festgeschriebenen Internen Modelle Methode anwenden.
