📈 economics

On the estimation of leverage effect and volatility of volatility in the presence of jumps

Dieser Beitrag stellt eine neue Schätzmethode für den Leverage-Effekt und die Volatilität der Volatilität auf Basis hochfrequenter Daten vor, die mithilfe der empirischen charakteristischen Funktion Sprünge robust berücksichtigt und sich insbesondere bei unendlicher Sprungvariation als überlegen erweist.

Ursprüngliche Autoren: Qiang Liu, Zhi Liu, Wang Zhou

Veröffentlicht 2026-03-03

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC0 1.0

Ursprüngliche Autoren: Qiang Liu, Zhi Liu, Wang Zhou

Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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, der Finanzmarkt ist wie ein wilder Ozean. Die Preise von Aktien schwanken ständig, und diese Schwankungen nennt man Volatilität. Manchmal ist das Wasser ruhig, manchmal toben riesige Wellen.

In diesem wissenschaftlichen Papier untersuchen die Autoren, wie man diese Wellenbewegungen genau misst, auch wenn der Ozean plötzlich von unvorhersehbaren Sprüngen (Jumps) durchbrochen wird – etwa durch plötzliche Nachrichten oder Schocks, die den Preis sofort hoch oder runter werfen.

Hier ist die einfache Erklärung der drei Hauptthemen des Papiers, verpackt in alltägliche Bilder:

1. Das Problem: Der "Rauschen" im Signal

Stellen Sie sich vor, Sie wollen die Geschwindigkeit eines Autos messen, aber das Tacho ist kaputt und springt wild herum, wenn das Auto über ein Schlagloch fährt (das ist der Sprung).

Die alte Methode: Bisherige Forscher haben versucht, diese Sprünge einfach herauszufiltern, indem sie alles, was zu groß war, ignorierten (wie ein Sieb, das nur kleine Steine durchlässt). Das funktionierte gut, wenn die Steine klein waren. Aber wenn der Ozean von riesigen, wilden Wellen (unendliche Variation) durchzogen ist, brach das Sieb zusammen und die Messung wurde ungenau.
Die neue Methode der Autoren: Sie haben einen neuen "Radar-Sensor" entwickelt. Anstatt nur auf die Größe der Wellen zu schauen, analysieren sie die Form der Wellenmuster (mathematisch: die empirische charakteristische Funktion). Dieser Sensor ist so clever, dass er die wilden Sprünge erkennt und ignoriert, ohne die eigentliche Geschwindigkeit des Autos (die Volatilität) zu verfälschen. Es ist, als würde man nicht nur die Höhe der Welle messen, sondern auch ihre Frequenz, um zu wissen, ob es ein normales Rauschen oder ein Erdbeben ist.

2. Die zwei Geheimnisse, die sie entschlüsseln wollen

Das Papier konzentriert sich auf zwei spezielle Phänomene, die für Investoren wichtig sind:

A. Der Hebeleffekt (Leverage Effect)

Das Bild: Stellen Sie sich einen Segler vor. Wenn der Wind (der Markt) stark nach unten weht (die Kurse fallen), spannt sich das Segel (die Volatilität) oft unkontrolliert auf und wird sehr unruhig. Wenn der Wind sanft weht, ist das Segel ruhig.
Die Frage: Wie stark hängen das Fallen des Preises und das Aufschaukeln der Unsicherheit zusammen?
Die Entdeckung: Die Autoren zeigen, dass ihre neue Methode diesen Zusammenhang auch dann genau messen kann, wenn der Markt von vielen kleinen, schnellen Sprüngen geplagt wird. Andere Methoden scheiterten hier oft oder waren zu ungenau.

B. Die Volatilität der Volatilität (Volatility of Volatility)

Das Bild: Das ist wie die "Unruhe der Unruhe". Wenn das Wetter (der Markt) schon chaotisch ist, wie sehr ändert sich dann die Art und Weise, wie chaotisch es wird? Ändert sich das Chaos selbst schnell oder langsam?
Die Herausforderung: Das ist extrem schwer zu messen, weil man die "Unruhe" nicht direkt sehen kann, man muss sie erst berechnen. Und wenn man das berechnet, kommen die Sprünge ins Spiel und verzerren das Ergebnis.
Die Lösung: Die Autoren nutzen ihre neue Radar-Methode, um die Volatilität erst einmal sauber zu messen. Dann berechnen sie, wie stark diese Messung selbst schwankt. Ihr Ergebnis: Selbst bei extrem wilden Sprüngen (unendliche Variation) liefern ihre Formeln ein klares Bild, während alte Methoden hier völlig versagten.

3. Warum ist das wichtig? (Die Praxis)

Die Autoren haben ihre neue Methode nicht nur auf dem Papier getestet, sondern auch auf echte Daten angewendet (z. B. den S&P 500 und große Tech-Aktien wie Apple oder Amazon).

Das Ergebnis: Sie haben herausgefunden, dass der echte Markt viel mehr "Sprünge" hat als viele gedacht haben. Die alten Methoden haben diese Sprünge oft übersehen oder falsch interpretiert.
Der Vorteil: Mit ihrer neuen Methode können Investoren und Banken Risiken besser einschätzen. Sie können sagen: "Aha, hier ist nicht nur ein normaler Tag, hier gibt es eine echte, sprunghafte Unruhe, die wir anders bewerten müssen."

Zusammenfassung in einem Satz

Die Autoren haben einen neuen, robusten "Wellenmesser" für den Finanzmarkt entwickelt, der auch dann funktioniert, wenn der Markt von wilden, unvorhersehbaren Sprüngen erschüttert wird, und damit genauere Vorhersagen über das Risiko (Hebeleffekt) und die Unruhe des Marktes (Volatilität der Volatilität) ermöglicht.

Kurz gesagt: Sie haben die Brille repariert, durch die wir auf den chaotischen Finanzmarkt schauen, damit wir die wahren Muster erkennen können, selbst wenn es draußen stürmt.

Titel: Schätzung des Leverage-Effekts und der Volatilität der Volatilität bei Vorhandensein von Sprüngen
Autoren: Qiang Liu, Zhi Liu, Wang Zhou

1. Problemstellung

Das Paper adressiert die statistische Inferenz für zwei zentrale Größen in der Finanzökonometrie unter Verwendung von Hochfrequenzdaten (High-Frequency Data):

Leverage-Effekt: Die Kovarianz zwischen dem Log-Preisprozess eines Vermögenswerts und seiner Volatilität.
Volatilität der Volatilität (Vol-of-Vol): Das Maß für die Variationsstärke des Volatilitätsprozesses selbst.

Das Hauptproblem besteht darin, dass diese Größen in der Praxis nicht direkt beobachtbar sind und geschätzt werden müssen. Herkömmliche Schätzer (wie Realisierte Volatilität) sind stark verzerrt, wenn der Preisprozess Sprünge (Jumps) aufweist. Besonders kritisch ist die Situation bei Sprüngen unendlicher Variation (infinite variation jumps), die in realen Hochfrequenzdaten häufig vorkommen. Bisherige Methoden zur Schätzung von Leverage-Effekt und Vol-of-Vol waren oft nur unter der restriktiven Annahme konsistent, dass Sprünge endlicher Variation sind (finite variation), oder sie verloren ihre asymptotische Normalität bei intensiven Sprüngen.

2. Methodik

Die Autoren entwickeln einen neuen Schätzansatz, der auf der empirischen charakteristischen Funktion (Empirical Characteristic Function - ECF) der Hochfrequenz-Inkremente basiert.

Modell: Der Log-Preisprozess $X_t$ wird als Semimartingal modelliert, bestehend aus einem Driftterm, einem Diffusionsterm (mit stochastischer Volatilität $\sigma_t$ ) und einem reinen Sprungprozess $J_t$ . Der Sprungprozess wird in zwei Teile zerlegt: einen symmetrischen Lévy-Prozess $L$ (mit Blumenthal-Getoor-Index $\beta$ ) und einen allgemeinen Sprungprozess $J'$ .
Spot-Volatilitäts-Schätzer: Als Basis dient ein Schätzer für die Spot-Volatilität $\hat{\sigma}^2_t$ , der in Liu et al. (2018) eingeführt wurde. Dieser nutzt die ECF, um den Einfluss von Sprüngen zu filtern. Im Gegensatz zu Thresholding-Methoden (die große Sprünge ausschneiden) oder Multi-Power-Schätzern (die Produkte von Inkrementen nutzen), nutzt dieser Ansatz die Eigenschaft, dass $\cos(\Delta X)$ bei kleinen Sprüngen gut approximiert werden kann, während große Sprünge durch die Struktur der Funktion kontrolliert werden.
Schätzung des Leverage-Effekts: Der Schätzer $\hat{L}_{[0,T]}$ wird durch die Summe der Produkte aus Preisinkrementen und der Differenz der geschätzten Spot-Volatilitäten (vor und nach dem Zeitpunkt) gebildet. Durch die Differenzbildung der Volatilitätsschätzer heben sich bestimmte Verzerrungsterme (Bias) auf, die durch Sprünge verursacht werden.
Schätzung der Volatilität der Volatilität: Analog wird ein Schätzer für die integrierte Volatilität der Volatilität konstruiert, der auf der quadrierten Differenz der Spot-Volatilitätsschätzer basiert, korrigiert um einen Bias-Term, der aus der asymptotischen Varianz des Spot-Schätzers abgeleitet wird.
Feasible Central Limit Theorems (CLT): Da die asymptotischen Varianzen der Schätzer von unbekannten Parametern abhängen, werden konsistente Schätzer für diese Varianzen entwickelt (basierend auf der Schätzung von Volatilitätsfunktionalen), um praktikable Konfidenzintervalle und Hypothesentests zu ermöglichen.

3. Wichtige Beiträge

Das Paper leistet mehrere signifikante theoretische und praktische Beiträge:

Erweiterung auf Sprünge unendlicher Variation: Im Gegensatz zu existierenden Schätzern (z. B. von Aït-Sahalia & Jacod, Wang & Mykland, Kalnina & Xiu), die oft nur für Sprünge endlicher Variation ($JAI < 1$) konsistent sind oder deren CLT nur für sehr niedrige Aktivität gilt, bleiben die vorgeschlagenen Schätzer auch bei Sprüngen unendlicher Variation gültig.
- Für die Konsistenz des Leverage-Schätzers gilt die Bedingung $JAI \le 1$ .
- Für die Konsistenz des Vol-of-Vol-Schätzers gilt $JAI < 2$.
- Für die asymptotische Normalität (CLT) werden Bedingungen bis zu $JAI \le 1$ (Leverage) bzw. $JAI < 1.5$ (Vol-of-Vol) erfüllt.
Optimale Konvergenzrate: Die Schätzer erreichen die optimale Konvergenzrate von $n^{-1/4}$ , selbst in Anwesenheit von Sprüngen.
Keine Parameter-Tuning-Problematik: Im Gegensatz zu Thresholding-Methoden, die eine sorgfältige Wahl von Schwellenwerten erfordern (die oft vom unbekannten Sprungaktivitätsindex abhängen), ist der vorgeschlagene Ansatz robuster. Die Simulationen zeigen, dass eine feste Einstellung des Parameters $u$ (z. B. $u=1$ ) bereits zu hervorragenden Ergebnissen führt.
Verbesserung des Spot-Volatilitäts-Schätzers: Die Autoren zeigen, dass der in Liu et al. (2018) vorgestellte Spot-Volatilitäts-Schätzer tatsächlich die optimale Rate $n^{1/4}$ erreicht (und nicht nur die fast optimale $n^{1/4}/\log(n)$ ), und sie leiten ein praktikables CLT für diesen Schätzer ab.
Allgemeinere Definitionen: Die Theorie wird auf allgemeinere Definitionen des Leverage-Effekts erweitert, z. B. als Kovarianz zwischen Preis und einer Funktion der Volatilität $F(\sigma^2)$ , wobei gezeigt wird, dass der neue Schätzer eine kleinere asymptotische Varianz aufweist als bestehende Methoden (wie Wang & Mykland, 2014).

4. Ergebnisse

Simulationsstudien: Umfassende Simulationen bestätigen die theoretischen Ergebnisse. Die neuen Schätzer ("Lev-our", "Vov-our") zeigen im Vergleich zu existierenden Methoden (Thresholding, Bi-Power) eine deutlich bessere Leistung, insbesondere wenn die Sprungaktivität hoch ist (hoher $\beta$ $β$ -Wert).
- Bei intensiven Sprüngen ( $\beta = 1.5$ ) weisen die neuen Schätzer die geringste Verzerrung (Bias) und den geringsten mittleren quadratischen Fehler (MSE) auf.
- Die Verteilung der standardisierten Schätzer folgt auch bei Vorhandensein von Sprüngen gut der Standardnormalverteilung.
Empirische Anwendung: Die Methode wurde auf Hochfrequenzdaten von 2011 bis 2018 für den S&P 500 ETF (SPY) und vier Einzelaktien (Apple, Amazon, Intel, Microsoft) angewendet.
- Die Schätzung der Sprungaktivität (JAI) ergab Werte, die oft größer als 0.5 und teilweise größer als 1 sind, was die Notwendigkeit einer Methode für Sprünge unendlicher Variation unterstreicht.
- Die Tests auf einen nullten Leverage-Effekt und eine nullte Volatilität der Volatilität ergaben starke Evidenz für nicht-null Werte in den meisten Jahren und für die meisten Vermögenswerte. Dies bestätigt die Existenz signifikanter Leverage-Effekte und Vol-of-Vol im Markt.

5. Bedeutung

Dieses Paper ist von großer Bedeutung für die Finanzökonometrie, da es eine robuste theoretische Grundlage für die Schätzung von Volatilitätsdynamiken in realistischen Marktumgebungen bietet. Da reale Hochfrequenzdaten fast immer Sprünge unendlicher Variation aufweisen, sind die bisherigen Methoden oft unzureichend oder erfordern komplexe Parametereinstellungen.

Die vorgeschlagene Methode auf Basis der empirischen charakteristischen Funktion bietet eine einheitliche, robuste und parameterunabhängige Alternative, die:

Theoretisch fundierte Inferenz (Konfidenzintervalle, Tests) auch bei komplexen Sprungstrukturen ermöglicht.
Die Genauigkeit von Risikomanagement-Modellen und Optionspreismodellen verbessert, die auf präzisen Schätzungen von Leverage-Effekt und Vol-of-Vol basieren.
Die Lücke zwischen theoretischer Semimartingal-Theorie und empirischer Anwendung schließt, indem sie zeigt, dass die Annahme "keine Sprünge" oder "nur endliche Sprünge" für moderne Hochfrequenzdaten unangemessen ist.

Zusammenfassend stellt das Paper einen wesentlichen Fortschritt dar, der die Schätzung von Volatilitätsstrukturen unter realistischen Marktbedingungen (mit intensiven Sprüngen) präziser und zuverlässiger macht.