Inhaltsverzeichnis
1. Einleitung
Dieses Papier stellt einen Entropische Dynamik-Rahmen zur Modellierung von Devisenkursen (FX) und zur Bewertung europäischer Optionen vor. Das Hauptziel ist es, eine alternative, informationstheoretische Grundlage für finanzielle Dynamiken zu schaffen, die über die traditionelle stochastische Analysis hinausgeht. Die Autoren, Mohammad Abedi und Daniel Bartolomeo, nutzen die Prinzipien der entropischen Inferenz – eine Methode zum Schlussfolgern bei unvollständiger Information – um bekannte Finanzmodelle aus ersten Prinzipien herzuleiten.
Die Arbeit verbindet die abstrakten Konzepte der maximalen Entropie und der Informationsgeometrie mit der praktischen Finanzwelt und mündet in der Herleitung der Geometrischen Brownschen Bewegung (GBM) für Wechselkurse und des Garman-Kohlhagen-Modells für Devisenoptionen. Dieser Ansatz hebt die inhärente Skaleninvarianz-Symmetrie von Währungspaaren hervor, was zur natürlichen Wahl führt, den Logarithmus des Wechselkurses zu modellieren.
2. Theoretischer Rahmen
2.1. Entropische Inferenz und Maximale Entropie
Entropische Inferenz ist ein induktives Framework für Situationen mit unvollständiger Information. Ihr erstes Werkzeug ist die Wahrscheinlichkeitstheorie, um Überzeugungszustände darzustellen. Das zweite ist die relative Entropie (oder Kullback-Leibler-Divergenz), die verwendet wird, um Überzeugungen bei neuen Informationen zu aktualisieren, geleitet vom Prinzip der minimalen Aktualisierung. Die Maximierung der relativen Entropie ergibt die am wenigsten voreingenommene Posterior-Verteilung, die alle verfügbaren Informationen berücksichtigt.
Das dritte Werkzeug ist die Informationsgeometrie, die eine Metrik auf dem Raum der Wahrscheinlichkeitsverteilungen bereitstellt. Obwohl hier nicht tiefgehend untersucht, weisen die Autoren auf ihre potenzielle Bedeutung für Portfoliomanagement und Multi-Asset-Dynamiken hin.
2.2. Entropische Dynamik und Zeit
Entropische Dynamik wendet entropische Inferenz an, um zu modellieren, wie sich Systeme verändern. Eine wichtige Innovation ist die Einführung eines entropischen Zeit-Parameters, der emergent und auf das spezifische System zugeschnitten ist, anstatt eine universelle Uhr zu sein. Dieses Konzept wurde erfolgreich in verschiedenen physikalischen Kontexten angewendet und wird hier auf die Finanzwelt adaptiert.
2.3. Skaleninvarianz im Devisenhandel
Eine grundlegende Symmetrie auf Devisenmärkten ist die Skaleninvarianz: Die Dynamik sollte nicht davon abhängen, ob wir den Wechselkurs als USD/EUR oder in seiner reziproken Form quotieren. Diese Symmetrie diktiert, dass das Modell in Bezug auf den Logarithmus des Wechselkurses formuliert werden sollte, $x = \ln S$, wobei $S$ der Devisenkassakurs ist. Transformationen wie $S \to \lambda S$ (eine einfache Skalierung) lassen die Dynamik invariant, wenn sie in Bezug auf $x$ ausgedrückt wird.
3. Modellherleitung
3.1. Von entropischen Prinzipien zur GBM
Ausgehend von der Vorinformation über einen Devisenkurs – insbesondere seinem Anfangswert und seiner Volatilität – verwenden die Autoren das entropische Dynamik-Framework, um seine zeitliche Entwicklung herzuleiten. Durch die Auferlegung von Zwangsbedingungen, die mit Marktbeobachtungen konsistent sind (wie endliche Varianz), und die Maximierung der Entropie wird gezeigt, dass die resultierende Wahrscheinlichkeitsverteilung für den zukünftigen Log-Kurs $x$ einem Drift-Diffusions-Prozess folgt.
Die Rücktransformation zum Kassakurs $S = e^x$ ergibt den bekannten Geometrischen Brownschen Bewegung (GBM)-Prozess: $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ wobei $\mu$ die Drift, $\sigma$ die Volatilität und $W_t$ ein Wiener-Prozess ist. Die Herleitung respektiert ausdrücklich die Skaleninvarianz.
3.2. Risikoneutrales Maß und Optionsbewertung
Zur Bewertung von Derivaten wird das No-Arbitrage-Prinzip herangezogen. Die Autoren zeigen, wie ein risikoneutrales Maß $\mathbb{Q}$ innerhalb des entropischen Rahmens abgeleitet werden kann. Dies beinhaltet die Anpassung der Drift des GBM-Prozesses an die risikofreie Zinsdifferenz zwischen den beiden Währungen, $(r_d - r_f)$.
Unter $\mathbb{Q}$ lautet die Dynamik: $$ dS_t = (r_d - r_f) S_t dt + \sigma S_t dW_t^{\mathbb{Q}} $$ Die Bewertung einer europäischen Call-Option auf den Devisenkurs mit dieser Dynamik führt direkt zur Garman-Kohlhagen-Formel, dem FX-Analogon der Black-Scholes-Formel.
4. Ergebnisse und Diskussion
4.1. Das Garman-Kohlhagen-Modell
Das Endergebnis der entropischen Herleitung ist das Garman-Kohlhagen-Modell für den Preis einer europäischen Call-Option: $$ C = S_0 e^{-r_f T} \Phi(d_1) - K e^{-r_d T} \Phi(d_2) $$ wobei $$ d_1 = \frac{\ln(S_0/K) + (r_d - r_f + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T} $$ $S_0$ ist der Kassakurs, $K$ der Ausübungspreis, $T$ die Restlaufzeit, $r_d$ und $r_f$ die inländischen und ausländischen risikofreien Zinsen, $\sigma$ die Volatilität und $\Phi$ die kumulative Verteilungsfunktion der Standardnormalverteilung.
4.2. Vergleich mit traditionellen Methoden
Der primäre Beitrag des Papiers ist methodologisch. Es rekonstruiert etablierte Modelle (GBM, Garman-Kohlhagen) nicht durch stochastische Analysis und Hedging-Argumente, sondern durch einen informationstheoretischen, ersten-Prinzipien-Ansatz basierend auf Entropiemaximierung und Symmetrie. Dies liefert eine tiefere, grundlegendere Rechtfertigung für diese Modelle und öffnet die Tür zu ihrer Verallgemeinerung, indem unterschiedliche oder komplexere Informationszwänge einbezogen werden.
5. Kernaussage & Analystenperspektive
Kernaussage: Dieses Papier handelt nicht von einer neuen, besseren Bewertungsformel; es ist ein philosophisches Machtspiel. Es argumentiert, dass das gesamte Gebäude der zeitkontinuierlichen Finanzmathematik, von Bachelier bis Black-Scholes, von Grund auf neu aufgebaut werden kann, indem Informationstheorie und das Prinzip der maximalen Entropie verwendet werden. Die Autoren sagen im Wesentlichen: "Vergessen Sie Itōs Lemma für einen Moment; das Marktverhalten ist einfach das am wenigsten überraschende, was es tun könnte, angesichts dessen, was wir wissen." Dies ist ein tiefgreifender Wechsel von der Modellierung von Preisen zur Modellierung von Wissen über Preise.
Logischer Ablauf: Das Argument ist elegant und sparsam. 1) Wir haben unvollständige Information (eine Prior-Verteilung). 2) Wir haben Symmetrie (Skaleninvarianz). 3) Wir aktualisieren unsere Überzeugungen mit dem Werkzeug, das sie am wenigsten verändert (maximale relative Entropie). 4) Diese Aktualisierung, interpretiert als Dynamik, ergibt GBM. 5) No-Arbitrage legt die Drift fest und liefert uns das risikoneutrale Maß zur Bewertung. Es ist eine saubere, axiomengesteuerte Herleitung, die das traditionelle PDE/Hedging-Argument dagegen fast schwerfällig aussehen lässt.
Stärken & Schwächen: Die Stärke liegt in der grundlegenden Eleganz und dem Potenzial zur Verallgemeinerung. Wie in der Physik bei der Arbeit von E.T. Jaynes und später Caticha zu sehen, sind entropische Methoden hervorragend darin, kanonische Ergebnisse aus einfachen Prinzipien abzuleiten. Der Nachteil, wie bei vielen eleganten Theorien, ist die Lücke zur chaotischen Realität. Das Framework leitet GBM elegant ab, aber GBM selbst ist ein fehlerhaftes Modell für FX (es unterschätzt Tail-Risiken, ignoriert Volatilitäts-Clustering). Das Papier erwähnt kurz zukünftige Arbeiten zu Sprüngen und Informationsgeometrie, wo der eigentliche Test liegt. Kann dieses Framework die stilisierten Fakten der Märkte (z.B. fat tails) natürlich einbeziehen, indem einfach die richtigen Zwänge hinzugefügt werden, oder wird es Ad-hoc-Anpassungen erfordern, die seine Reinheit verwässern?
Umsetzbare Erkenntnisse: Für Quants und Model Validators ist dieses Papier eine Pflichtlektüre. Es bietet eine neue Linse für die Modellrisikobewertung. Statt nur die Anpassungsgüte eines Modells zu testen, fragen Sie: "Welche Information setzt dieses Modell voraus? Ist dieser Informationssatz vollständig oder angemessen?" Für Innovatoren ist der Weg klar. Der nächste Schritt ist, mit diesem Framework neue Modelle zu bauen. Beschränken Sie die Entropiemaximierung mit Informationen über beobachtete Volatilitätssmiles oder Sprunghäufigkeiten, wie von den Autoren mit dem Verweis auf Bates- und Heston-Modelle angedeutet. Der Preis ist eine kohärente, einheitliche Theorie der Derivatebewertung, die nicht inkompatible Modelle zusammenflickt. Die Arbeit von Peters und Gell-Mann (2016) zur Ergodizitätsökonomie zeigt, dass ähnliches grundlegendes Umdenken an Bedeutung gewinnt. Dieses Papier ist ein solider Schritt in diese Richtung, aber der Markt wird letztlich über seinen Nutzen jenseits des philosophischen Reizes urteilen.
6. Technische Details
Der mathematische Kern beinhaltet die Maximierung der relativen Entropie $\mathcal{S}[P|Q]$ einer Posterior-Verteilung $P(x'|x)$ relativ zu einem Prior $Q(x'|x)$, unter bestimmten Zwangsbedingungen. Eine Schlüsselbedingung ist die erwartete quadratische Verschiebung, die die Volatilität $\sigma$ einführt: $$ \langle (\Delta x)^2 \rangle = \kappa dt $$ wobei $\kappa$ mit der Volatilität $\sigma$ zusammenhängt. Die Maximierung ergibt eine Gaußsche Übergangswahrscheinlichkeit: $$ P(x'|x) \propto \exp\left(-\frac{(x' - x - \alpha dt)^2}{2\kappa dt}\right) $$ die im Kontinuumslimes zur Drift-Diffusions-SDE für $x_t$ führt. Die Verbindung zur Black-Scholes-Merton-PDE wird durch das standardmäßige risikoneutrale Bewertungsargument hergestellt, angewendet auf den abgeleiteten GBM-Prozess.
7. Beispiel für ein Analyse-Framework
Fall: Einbeziehung von Volatilitätssmile-Informationen. Das entropische Framework ermöglicht die Integration zusätzlicher Marktdaten. Angenommen, wir haben neben dem Kassapreis und der historischen Volatilität auch Informationen vom Optionsmarkt, die implizieren, dass die risikoneutrale Verteilung der Log-Renditen nicht gaußförmig ist, sondern negative Schiefe und Exzess-Kurtosis (ein Volatilitätssmile) aufweist.
Schritt 1: Zwangsbedingungen definieren. Zusätzlich zur Varianzbedingung $\langle (\Delta x)^2 \rangle = \sigma^2 dt$ fügen wir Momentenbedingungen von der beobachteten impliziten Volatilitätsfläche hinzu: $$ \langle (\Delta x)^3 \rangle = \tilde{S} dt, \quad \langle (\Delta x)^4 \rangle - 3\langle (\Delta x)^2 \rangle^2 = \tilde{K} dt $$ wobei $\tilde{S}$ und $\tilde{K}$ Schiefe und Kurtosis pro Zeiteinheit erfassen.
Schritt 2: Entropie maximieren. Die Maximierung der relativen Entropie mit diesen vier Zwängen (Mittelwert, Varianz, Schiefe, Kurtosis) führt zu einer Übergangswahrscheinlichkeit $P(x'|x)$, die durch eine Gram-Charlier-Reihe oder eine allgemeinere Exponentialfamilienverteilung beschrieben wird, nicht durch eine einfache Gaußverteilung.
Schritt 3: Dynamik ableiten. Der resultierende zeitkontinuierliche Limes wäre ein Diffusionsprozess mit zustandsabhängiger Drift und Volatilität oder möglicherweise ein Sprung-Diffusions-Prozess, der effektiv ein Modell wie das von Bates oder Heston aus informationellen ersten Prinzipien ableitet, anstatt einen stochastischen Volatilitätsprozess vorzugeben.
Dieses Beispiel demonstriert die Stärke des Frameworks, Modelle systematisch zu verallgemeinern, indem explizit granularere Marktinformationen als Zwangsbedingungen einbezogen werden.
8. Zukünftige Anwendungen & Richtungen
Das entropische Dynamik-Framework eröffnet mehrere vielversprechende Wege für zukünftige Forschung in der quantitativen Finanzwirtschaft:
- Multi-Asset-Portfolios & Informationsgeometrie: Die Autoren erwähnen die Anwendung der Informationsgeometrie auf die Portfolioselektion. Dies könnte zu neuartigen Asset-Allokationsstrategien führen, die auf der "Distanz" zwischen der aktuellen Marktverteilung und einer optimalen Zielverteilung basieren und über die Mean-Variance-Optimierung hinausgehen.
- Modellierung stilisierten Fakten: Das Framework eignet sich natürlich, um bekannte empirische Merkmale wie fat tails, Volatilitäts-Clustering und Leverage-Effekte einzubeziehen, indem geeignete dynamische Zwänge hinzugefügt oder die Zwänge selbst basierend auf vergangenen Informationen zeitabhängig gemacht werden.
- Nicht-stationäre und Regime-Switching-Märkte: Die Prior-Verteilung $Q$ in der relativen Entropie kann dynamisch aktualisiert werden, um sich ändernde Marktregime widerzuspiegeln, und bietet so möglicherweise einen prinzipienbasierten Weg, adaptive Modelle zu bauen, die auf strukturelle Brüche reagieren.
- Integration Behavioral Finance: Die "Informations"-Zwänge könnten erweitert werden, um Metriken der Anlegerstimmung oder -aufmerksamkeit einzubeziehen und so die Lücke zwischen traditioneller quantitativer Finanzwirtschaft und Behavioral-Modellen zu überbrücken.
- Synergie mit Maschinellem Lernen: Das Prinzip der maximalen Entropie ist ein Eckpfeiler vieler Methoden des maschinellen Lernens. Dieses Framework könnte eine rigorose informationstheoretische Grundlage für hybride ML-Finanzmodelle liefern und erklären, warum bestimmte neuronale Netzwerkarchitekturen oder Regularisierungstechniken für finanzielle Zeitreihen gut funktionieren.
Das ultimative Ziel ist eine einheitliche, axiom-basierte Theorie der Marktdynamik, die sowohl theoretisch fundiert als auch empirisch genau ist und den Bedarf an Ad-hoc-Modellflickereien, die im heutigen Financial Engineering üblich sind, reduziert.
9. Literaturverzeichnis
- Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review, 106(4), 620–630.
- Caticha, A. (2012). Entropic Inference and the Foundations of Physics. In Proceedings of the MaxEnt 2012 conference.
- Garman, M. B., & Kohlhagen, S. W. (1983). Foreign currency option values. Journal of International Money and Finance, 2(3), 231–237.
- Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81(3), 637–654.
- Peters, O., & Gell-Mann, M. (2016). Evaluating gambles using dynamics. Chaos: An Interdisciplinary Journal of Nonlinear Science, 26(2), 023103. https://doi.org/10.1063/1.4940236
- Amari, S. I. (2016). Information Geometry and Its Applications. Springer.
- Bachelier, L. (1900). Théorie de la spéculation. Annales scientifiques de l'École Normale Supérieure, 3(17), 21–86.