📈 economics

Spot Regressions with Candlesticks

Dieser Beitrag stellt ein neues Schätz- und Inferenzframework für Spot-Regressionen vor, das Hochfrequenz-Kerzendaten (einschließlich Hoch- und Tiefstpreise) nutzt, um präzisere Spot-Beta-Schätzwerte und leistungsfähigere Hypothesentests zu erzeugen als konventionelle auf Renditen basierende Methoden, wie die Anwendung auf die Marktneutralität von Bitcoin demonstriert.

Ursprüngliche Autoren: Yasin Simsek

Veröffentlicht 2026-05-01

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Yasin Simsek

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, das aktuelle Wetter zu erraten.

Der alte Weg (die „Return"-Methode):
Traditionell betrachten Ökonomen die Temperatur um 9:00 Uhr und erneut um 16:00 Uhr. Sie berechnen die Differenz, um zu sehen, wie stark sich die Temperatur verändert hat. Dies ist vergleichbar mit dem Betrachten des „Eröffnungs-" und „Schlusskurses" einer Aktie. Es zeigt das Nettoergebnis, lässt aber alles vermissen, was dazwischen geschah. Gab es um Mittag einen Temperaturanstieg auf 32 °C (90 °F) und danach einen Absturz? Gab es am Nachmittag einen Rückgang auf 15 °C (60 °F)? Die alte Methode weiß das nicht. Da sie diese Details verpasst, ist sie oft etwas verschwommen, insbesondere wenn man nur wenige Tage Daten zur Verfügung hat.

Der neue Weg (die „Kerzen"-Methode):
Dieser Artikel stellt eine intelligentere Art vor, die Daten zu betrachten. Anstatt nur Start- und Endpunkte zu verwenden, nutzt der Autor Kerzen. Betrachten Sie eine Kerze als einen winzigen, detaillierten Leistungsbericht für ein bestimmtes Zeitintervall (wie eine Minute). Sie sagt nicht nur, wo der Kurs begann und endete; sie verrät auch den höchsten Punkt, den sie erreichte, und den tiefsten Punkt, den sie in dieser Minute berührte.

Es ist wie der Unterschied zwischen der Aussage „Ich bin von meinem Haus zum Laden gelaufen" und „Ich bin von meinem Haus zum Laden gelaufen, musste aber über einen hohen Zaun klettern, unter einem niedrigen Ast hindurchduckeln und dann die letzten paar Yards sprinten". Die zusätzlichen Details (Hoch und Tief) geben Ihnen ein viel klareres Bild der Reise.

Das Problem: Der Effekt des „verschwommenen Fotos"

Wenn Ökonomen versuchen, das Risiko einer Aktie im Moment zu messen (das sogenannte „Spot-Beta"), schauen sie normalerweise auf ein sehr kleines Zeitfenster.

Das Dilemma: Wenn Sie ein winziges Fenster betrachten (wie 5 Minuten), haben Sie nicht genügend Datenpunkte, um ein klares Bild zu erhalten. Es ist wie der Versuch, ein hochwertiges Foto mit einer Kamera zu machen, die nur 5 Pixel hat. Das Bild ist körnig und unzuverlässig.
Der Kompromiss: Wenn Sie ein längeres Fenster betrachten (wie 5 Stunden), um mehr Pixel zu erhalten, wird das Bild klar, aber es ist kein Foto mehr von „gerade jetzt". Es ist ein Durchschnitt des ganzen Tages, sodass Sie die plötzlichen Veränderungen verpassen.

Die Lösung: Den Fokus schärfen

Der Autor, Yasin Simsek, hat herausgefunden, wie man diese zusätzlichen „Hoch"- und „Tief"-Details aus den Kerzen nutzt, um das Bild zu schärfen, ohne ein längeres Zeitfenster benötigen zu müssen.

Das Rezept: Er entwickelte eine mathematische „Rezeptur" (einen Schätzer), die die Eröffnungs-Schluss-Daten mit den Hoch-Tief-Daten mischt. Er riet die Mischung nicht einfach; er nutzte eine komplexe Computersimulation, um das perfekte Rezept zu finden, das Fehler minimiert.
Das Ergebnis: Selbst mit einem winzigen Zeitfenster von nur 5 Minuten erzeugt diese neue Methode ein viel klareres, genaueres Bild des Risikos als die alte Methode. Es ist wie die Verwendung eines Softwarefilters, um dieses körnige 5-Pixel-Foto in ein scharfes, hochauflösendes Bild zu verwandeln.

Der Test: Ist Bitcoin „digitales Gold"?

Um zu beweisen, dass seine Methode funktioniert, testete der Autor sie an Bitcoin (speziell dem IBIT-ETF) im Vergleich zum S&P 500 (SPY).

Die Frage: Viele Menschen nennen Bitcoin „digitales Gold", was impliziert, dass es als sicherer Hafen fungiert, der sich nicht bewegt, wenn sich der Aktienmarkt bewegt (ein „neutrales" Beta von null).
Die Erkenntnis: Mit seiner neuen, schärferen Methode stellte der Autor fest, dass Bitcoin nicht immer neutral ist. Tatsächlich verhielt sich Bitcoin in Zeiten hohen Stresses und hoher Volatilität (wie im August und September 2024) sehr ähnlich wie der Aktienmarkt und bewegte sich mit ihm auf und ab.
Warum es wichtig ist: Die alten, verschwommenen Methoden hätten diese kurzfristigen Risikospitzen möglicherweise übersehen. Die neue Kerzenmethode fing sie ein und zeigte, dass Bitcoin oft auch Angst bekommt, wenn der Markt Angst bekommt.

Das Fazit

Dieser Artikel bietet Investoren und Forschern ein besseres Werkzeug, um Risiken in Echtzeit zu messen. Indem wir die in jeder Minute der Handelsdaten verborgenen „Hoch"- und „Tief"-Preise nutzen, können wir das wahre Verhalten des Marktes klarer erkennen, insbesondere während kurzer, chaotischer Momente, in denen es am meisten darauf ankommt. Es geht nicht nur darum, zu betrachten, wo der Kurs gelandet ist; es geht darum, die wilde Fahrt zu verstehen, die ihn dorthin gebracht hat.

1. Problemstellung

Das Paper adressiert die Herausforderung der Schätzung von Spot-Regressionsparametern (insbesondere Spot-Beta, $\beta_t$ ) in hochfrequenten Finanzdaten.

Kontext: Traditionelle Asset-Preismodelle stützen sich auf niedrigfrequente Renditen (täglich/wöchentlich) unter der Annahme konstanter Betas. Betas sind jedoch zeitvariabel, selbst innerhalb eines einzigen Handelstages.
Der Zielkonflikt: Die Schätzung von Spot-Betas erfordert enge Zeitfenster, um lokale Dynamiken zu erfassen. Enge Fenster leiden jedoch unter einem Bias-Varianz-Kompromiss: Begrenzte lokale Informationen führen zu einer hohen Schätzvarianz und geringer statistischer Power.
Einschränkungen bestehender Methoden:
- Standard-Schätzer verwenden nur Open-to-Close-Renditen und verwerfen wertvolle intra-periodische Preisinformationen.
- Tick-Level-Daten (Millisekunden-Frequenz) enthalten die meisten Informationen, sind jedoch teuer, für viele nicht zugänglich und stark durch Markt-Mikrostruktur-Rauschen kontaminiert, was komplexe Modellannahmen erfordert.
- Die bestehende, auf Kerzen basierende Literatur konzentriert sich primär auf die Schätzung der univariaten Volatilität, nicht auf multivariate Regressionsparameter wie Beta.

2. Methodik

Der Autor schlägt ein neuartiges Framework vor, das hochfrequente Kerzendaten (Open, High, Low, Close) nutzt, um die Effizienz der Spot-Regressionsschätzung und -inferenz zu verbessern.

A. Datenstruktur

Anstatt nur die Rendite $r_i = (P_{close} - P_{open})/\sqrt{\Delta}$ zu verwenden, nutzt das Framework einen Vektor normalisierter Kerzenrenditen für jedes Intervall $T_i$ :

$r_i$ : Open-to-Close-Rendite.
$h_i$ : High-to-Open-Rendite.
$\ell_i$ : Low-to-Open-Rendite.
Abgeleitete Variablen: Range ( $w_i = h_i - \ell_i$ ) und Asymmetrie ( $a_i = h_i + \ell_i - r_i$ ).

B. Schätzframework

Kerzenbasierter Schätzer:
Der Autor konstruiert einen Spot-Kovarianzschätzer $\hat{c}_{n,t}(\lambda)$ als gewichtete Summe quadratischer Formen der Kerzenvariablen:
$\hat{c}_{n,t}(\lambda) = \frac{1}{k} \sum_{i \in I_{n,t}} z_i \Lambda z_i^\top$
wobei $z_i = (r_i, a_i, w_i)^\top$ und $\Lambda$ eine Matrix von Gewichten $\lambda$ ist. Das Spot-Beta wird dann über die Standard-Regressionsbeziehung abgeleitet: $\hat{\beta}_{n,t} = \hat{c}_{12,t} / \hat{c}_{11,t}$ .
Optimale Gewichtsselection (Risikominimierung):
- Ziel: Minimierung einer quadratischen Risikofunktion, definiert als der erwartete quadratische Frobenius-Norm des multiplikativen Schätzfehlers: $L(\lambda; c_t) = \| \sigma_t^{-1} \hat{c}_{n,t}(\lambda) \sigma_t^{-\top} - I \|^2$ .
- Herausforderung: Das asymptotische Risiko hängt von der unbekannten Spot-Korrelationsmatrix $\rho_t$ ab, was eine direkte Minimierung unmöglich macht (die Verteilung ist in multivariaten Settings nicht pivotal).
- Lösung: Der Autor führt einen Average Risk-Ansatz ein. Durch Integration des asymptotischen Risikos über den Parameterraum von $\rho_t$ (unter Annahme einer Gleichverteilung) wird das Problem pivotal.
- Ergebnis: Die optimalen Gewichte $\lambda^*$ werden in geschlossener Form (ähnlich einer Least-Squares-Lösung) durch Minimierung dieses Durchschnittsrisikos abgeleitet.
- Kernergebnis: Die optimalen Gewichte bevorzugen Open-Close-Renditen ( $r_i$ ) und Asymmetrie ( $a_i$ ) stark, während sie der Range ( $w_i$ ) nahezu null Gewicht zuweisen, da die Range Informationsverluste bezüglich des Vorzeichens aufweist und bei negativen Korrelationen verzerrt ist.
Inferenzverfahren (Hypothesentests):
- Teststatistik: Eine studentisierte Statistik wird zum Testen von $H_0: \beta_t = \beta_0$ konstruiert.
- Kritische Werte:
  - Für $\beta_0 = 0$ ist die Grenzverteilung pivotal und kann direkt simuliert werden.
  - Für $\beta_0 \neq 0$ ist die Verteilung nicht pivotal. Der Autor wendet einen sup-t-Test-Ansatz an, bei dem kritische Werte konstruiert werden, die die Größe über den gesamten Parameterraum von $\rho_t$ hinweg einheitlich kontrollieren. Dies stellt sicher, dass der Test asymptotisch die korrekte Größe hat, ohne eine vorläufige Schätzung der Korrelation zu erfordern.

C. Asymptotisches Framework

Das Paper nutzt Fixed- $k$ -Asymptotik (wobei $k$ , die Anzahl der Beobachtungen im lokalen Fenster, fest und klein ist, während die Abtastfrequenz $\Delta_n \to 0$ geht). Dies ist für die Spot-Schätzung angemessener als die Standard-Asymptotik mit großem $k$ , da sie das Verhalten endlicher Stichproben lokaler Schätzer genau erfasst.

3. Hauptbeiträge

Neue Schätzerklasse: Erweiterung univariater, auf Range basierender Volatilitätsschätzer (z. B. Garman-Klass, Parkinson) auf multivariate Spot-Regressions-Settings.
Entscheidungstheoretische Gewichte: Bereitstellung einer machbaren, geschlossenen Methode zur Bestimmung optimaler Gewichte für die Kombination von Kerzeninformationen in einem multivariaten Setting, wodurch die Nicht-Pivotalität der Grenzverteilung überwunden wird.
Machbare Inferenz: Entwicklung des ersten formalen Hypothesentests für Spot-Betas unter Verwendung von Kerzendaten, einschließlich einer robusten Methode zum Umgang von Nullhypothesen ungleich null mittels sup-t-kritischer Werte.
Praktische Zugänglichkeit: Angebot einer Methode, die Standard-renditebasierte Schätzer unter Verwendung weit verbreiteter 1-Minuten- oder 5-Minuten-Daten verbessert und dabei die Kosten und Rauschprobleme von Tick-Level-Daten vermeidet.

4. Empirische und Simulationsergebnisse

A. Monte-Carlo-Simulationen

Effizienz: Der kerzenbasierte Schätzer erreicht asymptotische Risikoniveaus, die sehr nahe an einem nicht machbaren „Oracle"-Schätzer liegen (der die wahre Korrelationsstruktur kennt). Er übertrifft den Standard-renditebasierten Schätzer signifikant und reduziert das Risiko in kleinen Stichproben ( $k=5$ ) um etwa 55–65%.
Power: Der vorgeschlagene Hypothesentest weist eine wesentlich höhere Power auf als renditebasierte Tests.
- Für $k=10$ und ein Signifikanzniveau von 5% verwirft der Kerzentest falsche Nullhypothesen etwa 25% häufiger als der renditebasierte Test, wenn das wahre Beta moderat von null abweicht.
- Der Power-Vorteil ist bei kleinen Stichprobengrößen (kleines $k$ ) am ausgeprägtesten, was für hochfrequente Ereignisstudien entscheidend ist.

B. Empirische Anwendung: Bitcoin-Marktnutralität

Daten: 1-Minuten-Kerzendaten für IBIT (Bitcoin-ETF) und SPY (S&P 500-ETF) im gesamten Jahr 2024.
Hypothese: Testen, ob Bitcoin „marktnutral" ist ( $\beta_t = 0$ ).
Ergebnisse:
- Die Nullhypothese der Marktnutralität wird insgesamt etwa 35% der Zeit verworfen.
- Die Verwerfungsraten steigen in den Monaten August und September 2024 auf ~60% an, Perioden hoher Marktschwankungen (z. B. Zinserhöhung der Bank of Japan, schwache US-Arbeitsmarktdaten).
- Implikation: Im Gegensatz zur „digitalen Gold"-Narrative, die Bitcoin als Absicherung darstellt, findet das Paper in turbulenten Phasen ein signifikantes positives Markt-Beta, was darauf hindeutet, dass Bitcoin in Zeiten des Bedarfs eher als Risikoidel als als Diversifikator fungiert.

5. Bedeutung

Theoretisch: Überbrückung der Lücke zwischen hochfrequenter Ökonometrie und multivariater Regression durch Bereitstellung eines rigorosen Frameworks für die Schätzung von Spot-Parametern unter Verwendung reichhaltigerer Datenstrukturen.
Praktisch: Bereitstellung eines „Plug-and-Play"-Tools für Forscher und Praktiker, um präzisere, zuverlässigere und leistungsfähigere Schätzungen zeitvariabler Risikopositionen unter Verwendung standardmäßiger, zugänglicher hochfrequenter Daten zu erhalten.
Finanzielle Auswirkungen: Infragestellung vorherrschender Narrative über die Absicherungseigenschaften von Krypto-Assets, mit der Erkenntnis, dass die Korrelation von Bitcoin mit dem breiteren Markt in Stressphasen zunimmt, was kritische Implikationen für das Portfoliomanagement und die Asset-Allokation hat.