Modellierung und Prognose von Wechselkursvolatilität im Zeit-Frequenz-Bereich

Inhaltsverzeichnis

1. Einführung & Überblick

Dieses Papier stellt einen neuartigen Ansatz zur Modellierung und Prognose finanzieller Volatilität, speziell für Wechselkurse, vor, indem es Hochfrequenzdatenanalyse mit Zeit-Frequenz-Zerlegungstechniken kombiniert. Die zentrale Innovation liegt in der Erweiterung des Realized GARCH-Rahmens um Wavelet-zerlegte Realized-Volatilitätsmaße und einen spezialisierten Sprungschätzer. Dies ermöglicht es dem Modell, Volatilität in Komponenten zu zerlegen, die verschiedenen Anlagehorizonten (Zeitskalen) entsprechen, und den Einfluss diskontinuierlicher Preissprünge separat zu berücksichtigen. Die Forschung wird durch die heterogene Natur der Marktteilnehmer motiviert, die auf unterschiedlichen Zeithorizonten agieren – von Hochfrequenzhändlern bis hin zu langfristigen Investoren.

Die Autoren zeigen, dass ihre vorgeschlagenen "Jump-GARCH"-Modelle, geschätzt sowohl über Maximum-Likelihood als auch über den Generalized Autoregressive Score (GAS)-Rahmen, statistisch überlegene Prognosen liefern im Vergleich zu konventionellen GARCH- und gängigen Realized-Volatilitätsmodellen. Die Analyse verwendet Devisenterminkontraktdaten, die die Finanzkrise 2007-2008 umfassen, und bietet so einen robusten Stresstest für die Methodik.

2. Methodik & Technischer Rahmen

2.1 Realized GARCH Rahmenwerk

Das Realized GARCH-Modell überbrückt die Lücke zwischen traditionellen GARCH-Modellen und Hochfrequenzdaten, indem es ein Realized-Volatilitätsmaß $RV_t$ direkt in die Volatilitätsgleichung einbezieht. Die Grundstruktur umfasst eine Renditegleichung, eine GARCH-Gleichung für latente Volatilität und eine Messgleichung, die latente Volatilität mit dem Realized-Maß verknüpft.

2.2 Wavelet-basierte Multiskalen-Zerlegung

Um die Multi-Horizont-Natur der Volatilität zu erfassen, verwenden die Autoren eine Wavelet-Transformation. Dieses mathematische Werkzeug zerlegt die Realized-Volatilitätsreihe in orthogonale Komponenten, die verschiedene Zeitskalen repräsentieren (z.B. Intraday-, Tages-, Wochen-Dynamik). Wenn $RV_t$ die Realized Volatilität ist, kann ihre Wavelet-Zerlegung dargestellt werden als:

$RV_t = \sum_{j=1}^J D_{j,t} + S_{J,t}$

wobei $D_{j,t}$ die Volatilitätskomponente ("Detail") auf Skala $j$ (entsprechend einem bestimmten Frequenzband) darstellt und $S_{J,t}$ die glatte Komponente ist, die den langfristigsten Trend erfasst. Jedes $D_{j,t}$ approximiert die Handelsaktivität und den Informationsfluss auf einem spezifischen Anlagehorizont.

2.3 Sprungerkennung & JTSRV-Schätzer

Ein entscheidender Fortschritt ist die Integration der Sprungvariation. Die Autoren verwenden einen Jump Two Scale Realized Volatility (JTSRV)-Schätzer. Dieser Schätzer trennt die gesamte quadratische Variation in die kontinuierliche integrierte Varianz (IV) und die diskontinuierliche Sprungvarianz (JV):

$RV_t \approx IV_t + JV_t$

Diese Trennung ist entscheidend, da Sprünge und kontinuierliche Volatilität oft unterschiedliche Persistenz- und Prognoseeigenschaften aufweisen.

2.4 Schätzung: MLE vs. GAS

Die vorgeschlagenen Jump-GARCH-Modelle werden mit zwei Methoden geschätzt: 1) Quasi-Maximum-Likelihood-Schätzung (QMLE) und 2) dem beobachtungsgetriebenen Generalized Autoregressive Score (GAS)-Rahmenwerk. Das GAS-Rahmenwerk, eingeführt von Creal et al. (2013), aktualisiert Parameter basierend auf dem Score der Likelihood-Funktion und bietet potenzielle Robustheit und Anpassungsfähigkeit gegenüber Modellfehlspezifikation.

3. Empirische Analyse & Ergebnisse

3.1 Daten & Experimenteller Aufbau

Die Studie verwendet Hochfrequenzdaten für FX-Futures (wahrscheinlich Hauptwährungspaare wie EUR/USD). Der Stichprobenzeitraum umfasst die Finanzkrise 2007-2009, was die Untersuchung der Modellperformance unter extremem Stress ermöglicht. Prognosen werden sowohl für den eintägigen als auch für mehrperiodige Vorhersagehorizonte evaluiert.

3.2 Prognosegüte

Die vorgeschlagenen Modelle werden gegen Standardmodelle wie GARCH(1,1) und HAR-RV verglichen. Die Bewertung verwendet statistische Verlustfunktionen (z.B. MSE, QLIKE). Die zentralen Ergebnisse werden in einer Vergleichstabelle dargestellt (simuliert unten):

Hinweis: Die Werte sind illustrative Verhältnisse relativ zum GARCH(1,1)-Referenzwert.

3.3 Zentrale Erkenntnisse & Einsichten

• Sprungtrennung ist entscheidend: Die Entflechtung der Sprungvariation von der integrierten Varianz verbessert durchgängig die Prognosegenauigkeit.
• Hochfrequenz-Dominanz: Die informativste Zeitskala für zukünftige Volatilität ist die Hochfrequenz- (Kurzfrist-)Komponente der Wavelet-Zerlegung.
• Modellüberlegenheit: Die neu vorgeschlagenen Jump-GARCH-Modelle mit Wavelet-Zerlegung übertreffen sowohl konventionelle GARCH- als auch Standard-Realized GARCH-Modelle statistisch.
• Krisenresilienz: Die Modelle zeigen eine robuste Performance während der Finanzkrise.

4. Kernaussage & Analystenperspektive

Kernaussage: Dieses Papier vermittelt eine kraftvolle, aber unterschätzte Botschaft: Volatilität ist kein monolithischer Prozess, sondern ein geschichteter. Indem sie sich weigern, den Markt als eine einzige, homogene Entität zu behandeln und stattdessen Wavelets verwenden, um ihn in seine konstituierenden Anlagehorizonte zu zerlegen, öffnen die Autoren die Blackbox der Volatilitätsdynamik. Die Erkenntnis, dass kurzfristige, hochfrequente Komponenten die Prognosen antreiben, ist eine direkte Herausforderung für Modelle, die langfristige Trends übergewichten, und unterstreicht die zunehmende Dominanz algorithmischen und Hochfrequenzhandels bei der Preisfindung und Volatilitätsbildung.

Logischer Aufbau: Das Argument ist elegant konstruiert. Es beginnt mit der gut etablierten empirischen Tatsache heterogener Marktakteure (aus Corsis HAR-Modell). Es fragt dann logisch: Wenn Akteure auf verschiedenen Zeitskalen operieren, sollten unsere Modelle das nicht widerspiegeln? Die Wavelet-Zerlegung ist die perfekte technische Antwort. Die anschließende Integration des Sprungrisikos – eine weitere nicht-gaußsche, diskontinuierliche Realität der Märkte – vervollständigt das Bild. Der Fluss von ökonomischer Intuition (Heterogenität) über mathematisches Werkzeug (Wavelets) zum empirischen Ergebnis (Prognoseverbesserung) ist überzeugend.

Stärken & Schwächen: Die primäre Stärke ist die erfolgreiche Fusion anspruchsvoller Ökonometrie (Realized GARCH, Wavelets, Sprungerkennung) in einen kohärenten, empirisch erfolgreichen Rahmen. Es geht über einfache Modellvergleiche hinaus und liefert echte Einsichten in die Quelle der Vorhersagbarkeit. Die Verwendung des GAS-Rahmens ist auch zukunftsweisend. Der Hauptmangel, in dieser Literatur üblich, ist der "In-Sample"-Charakter der Robustheitsprüfung. Obwohl die Krisenperiode enthalten ist, wäre ein echter Out-of-Sample-Test auf völlig ungesehenen Daten (z.B. dem COVID-Crash 2020) überzeugender. Darüber hinaus kann die rechnerische Komplexität des Wavelet-GARCH-Sprung-Modells seine Echtzeitanwendung in einigen Handelssystemen einschränken – eine praktische Hürde, die nicht angesprochen wird.

Umsetzbare Erkenntnisse: Für Quants und Risikomanager ist dieses Papier eine Blaupause. Erstens: Zerlegen, dann modellieren. Die Anwendung eines einfachen Wavelet-Filters auf Ihre Volatilitätsreihe, bevor Sie sie in Ihr bevorzugtes ML- oder ökonometrisches Modell einspeisen, könnte sofortige Gewinne bringen. Zweitens: Behandeln Sie Sprünge separat. Ein dediziertes Signal für die Sprungerkennung zu entwickeln und seinen Einfluss unabhängig zu modellieren, wie mit dem JTSRV geschehen, ist eine unverzichtbare Best Practice für jedes seriöse Volatilitätsmodell nach 2008. Schließlich konzentrieren Sie Ihre Prognoseenergie auf die Hochfrequenz-Schicht. Weisen Sie mehr Forschungs- und Rechenressourcen dem Verständnis und der Vorhersage der Intraday-Volatilitätsdynamik zu, denn hier liegt das signifikanteste prädiktive Signal.

5. Technische Details & Mathematische Formulierung

Das Kern-Jump-GARCH-Modell mit Wavelet-Komponenten kann wie folgt zusammengefasst werden:

Renditegleichung: $r_t = \sqrt{h_t} z_t$, wobei $z_t \sim i.i.d.(0,1)$.

GARCH-Gleichung: $h_t = \omega + \beta h_{t-1} + \gamma \xi_{t-1}$.

Messgleichung (erweitert):
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
wobei $u_t \sim i.i.d.(0, \sigma_u^2)$. Hier sind $D_{j,t}$ die Wavelet-Detail-Komponenten von $RV_t$, und $J_t$ ist die signifikante Sprungkomponente, die durch den JTSRV-Schätzer identifiziert wird.

Das Modell schätzt die Parameter $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$, um die Dynamik zwischen latenter Volatilität, Realized-Maßen, Sprüngen und Multiskalen-Komponenten zu erfassen.

6. Analyseframework: Beispielszenario

Szenario: Ein quantitativer Hedgefonds möchte seine tägliche Value-at-Risk (VaR)-Prognose für ein EUR/USD-Handelsbuch verbessern.

Schritt 1 - Datenaufbereitung: Beschaffen Sie 5-Minuten-Intraday-Renditen für EUR/USD. Berechnen Sie eine Basis-Realized-Volatilität (z.B. RV) und wenden Sie eine Wavelet-Transformation an (mit einer Bibliothek wie PyWavelets in Python), um sie in 3 Skalen zu zerlegen: D1 (2-4 Stunden Dynamik), D2 (4-8 Stunden), D3 (8-16 Stunden). Wenden Sie separat den JTSRV-Schätzer an, um die tägliche Sprungreihe $J_t$ zu extrahieren.

Schritt 2 - Modellspezifikation & Schätzung: Schätzen Sie das Jump-GARCH-Modell aus Abschnitt 5, wobei die Messgleichung D1, D2, D3 und $J_t$ als exogene Variablen enthält. Vergleichen Sie die Log-Likelihood und Informationskriterien mit einem Standard-Realized GARCH-Modell.

Schritt 3 - Prognose & Anwendung: Generieren Sie die eintägige Volatilitätsprognose $\hat{h}_{t+1}$ aus dem geschätzten Modell. Verwenden Sie diese Prognose, um den VaR zu berechnen (z.B. $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$). Backtesten Sie die VaR-Prognosen gegen den tatsächlichen P&L, um die Abdeckungsgenauigkeit zu bewerten.

Erwartetes Ergebnis: Die VaR-Prognosen des Jump-GARCH-Modells mit Wavelets sollten eine genauere Abdeckung aufweisen (weniger Ausreißer) und weniger anfällig dafür sein, das Risiko nach Tagen mit hohen Sprüngen oder spezifischen Intraday-Volatilitätsmustern zu unterschätzen.

7. Zukünftige Anwendungen & Forschungsrichtungen

• Maschinelles Lernen Integration: Die Wavelet-Komponenten $D_{j,t}$ und die Sprungreihe $J_t$ könnten als hoch informative Merkmale für Modelle des maschinellen Lernens (z.B. LSTM, Gradient Boosting) zur Volatilitätsprognose dienen und so über die lineare/parametrische GARCH-Struktur hinausgehen.
• Cross-Asset Volatilitäts-Spillover: Wenden Sie die Multiskalen-Zerlegung an, um zu untersuchen, wie sich Volatilität zwischen Anlageklassen (z.B. von Aktien zu FX) auf verschiedenen Zeithorizonten überträgt. Überträgt sich ein Börsencrash über kurzfristige oder langfristige Volatilitätskomponenten?
• Echtzeit-Handelssignale: Entwickeln Sie Handelsstrategien, die explizit die Diskrepanz zwischen Kurzfrist- und Langfrist-Volatilitätskomponenten als Mean-Reversion- oder Momentum-Signal nutzen.
• Zentralbank- & Politikanalyse: Verwenden Sie das Framework, um die Auswirkungen geldpolitischer Ankündigungen auf die FX-Volatilität zu analysieren und dabei zwischen dem unmittelbaren Hochfrequenz-"Nachrichten-Spike" und der langfristigen Informationsassimilation zu unterscheiden.
• Erweiterung auf Kryptowährungen: Testen Sie das Modell auf 24/7-Kryptowährungsmärkten, die durch extreme Sprünge und Multi-Skalen-Anlegerverhalten gekennzeichnet sind – von algorithmischen Bots bis hin zu langfristigen "HODLern".

8. Literaturverzeichnis

1. Barunik, J., Krehlik, T., & Vacha, L. (2015). Modeling and forecasting exchange rate volatility in time-frequency domain. Preprint, arXiv:1204.1452v4.
2. Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174-196.
3. Hansen, P. R., & Lunde, A. (2005). A forecast comparison of volatility models: does anything beat a GARCH(1,1)? Journal of Applied Econometrics, 20(7), 873-889.
4. Creal, D., Koopman, S. J., & Lucas, A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics, 28(5), 777-795.
5. Gençay, R., Selçuk, F., & Whitcher, B. (2005). Multiscale systematic risk. Journal of International Money and Finance, 24(1), 55-70.
6. McAleer, M., & Medeiros, M. C. (2008). A multiple regime smooth transition heterogeneous autoregressive model for long memory and asymmetries. Journal of Econometrics, 147(1), 104-119.
7. Andersen, T. G., & Bollerslev, T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39(4), 885-905.