GRK 1792: Hochdimensionale nicht station?re Zeitreihen

Die Quantitative ?konomie besch?ftigt sich mit der Modellierung von hochdimensionalen, unstrukturierten Daten und nicht station?ren Zeitreihen. Die Standardinstrumentarien, welche auf niedrigdimensionalen Parametern und einer steigenden Anzahl an Beobachtungen basieren, sind somit nicht anwendbar. Es muss auf adaptive Methoden und lokal station?re Modelle zurückgegriffen werden, um diese Daten angemessen zu analysieren. Diese IRTG untersucht, wie die Komplexit?t und Mehrdimensionalit?t durch geeignete statistische Verfahren reduziert werden k?nnen. Das Kernziel ist dabei die Entwicklung neuer statistischer und ?konometrischer Methoden, die die dynamischen Analysem?glichkeiten erweitern sollen und k?nnen zum Beispiel durch zeitlich ver?nderliches maschinelles Lernen mit Netzwerktechniken unterstützt werden. Um transparentes und reproduzierbares wissenschaftliches Arbeiten zu garantieren, werden die computerbasierten Algorithmen auf einer frei zug?nglichen Plattform bereitgestellt.Anwendungsbereiche sind unter anderem die Neurowissenschaft, Hochfrequenzhandel, zeitabh?ngiges Clustern unstrukturierter Daten, Dynamic Topic Modelling, stimmungsgeleitete Reaktionen und Herdenverhalten. Für eine realistische Anwendung dieser neuen Techniken muss die Standardannahme fallen gelassen oder zumindest gelockert werden. Eine neue Sch?tztheorie, basierend auf Functional Structural Sparsity, bietet einen guten Ausgleich zwischen Interpretierbarkeit, Freiheit bei der Verteilungsannahme und Structural Complexity. Ein Beispiel ist ein zeitlich variables Lasso-Verfahren mit bestimmbaren und ?konomisch interpretierbaren reduzierten Parametern. Eine graphisch fundierte Perspektive auf Zeitreihendaten ist etwa angesichts der Dynamik sozialer oder systemischer Risiken notwendig. Diesbezüglich forscht die IRTG auf dem Gebiet der Combinatorial Inference zum Beispiel welche Knoten in Bezug auf Sentiments in der Finanzwirtschaft zentral und welche infekti?s sind. Diese Art der Analyse ist auch im schnell wachsenden Crypto-Currency-System gefragt, wo man Marktumschwünge und dynamische Volatilit?t identifizieren m?chte.Zu dem Qualifizierungsprogramm muss ein vielfaltiges Kursprogramm mit festen Mathematikbestandteilen, statistischem Training und modernen Techniken des Maschinellen Lernens geh?ren, um die gesetzten Forschungsziele zu erreichen. Die Vortr?ge von Gastwissenschaftlern tragen dazu bei, das Wissen um aktuelle 金贝棋牌 zur Dimensionsreduktion, Dynamic Sparseness und Netzwerken zu erweitern.