Confidence Sets for the Emergence, Collapse, and Recovery Dates of a Bubble

Titel: Konfidenzmengen für die Entstehungs-, Kollaps- und Erholungsdaten einer Blase

Autoren: Eiji Kurozumi und Anton Skrobotov

---

1. Problemstellung

In der Literatur zur Erkennung von Finanzblasen (z. B. Phillips et al., 2011; Phillips et al., 2015) wurden robuste Tests entwickelt, um explosive Verhalten in Vermögenspreisen zu identifizieren. Sobald eine Blase nachgewiesen wurde, liegt der Fokus oft auf der Schätzung ihrer Entstehungsdaten (Emergence), Kollapsdaten (Collapse) und Erholungsdaten (Recovery).

Bisherige Methoden stützen sich entweder auf:

1. Punkt-Schätzer (z. B. SADF/PSY-Tests oder Minimierung der Summe der quadrierten Residuen), die zwar konsistent für die Bruchfraktionen sind, aber keine Unsicherheitsmaße liefern.
2. Konfidenzintervalle basierend auf der asymptotischen Verteilung der Schätzer.

Das Paper identifiziert eine kritische Lücke: Es gibt keine etablierten Methoden zur Konstruktion von Konfidenzmengen (Confidence Sets) für diese Datenpunkte. Voruntersuchungen der Autoren zeigen, dass Intervalle, die auf der asymptotischen Verteilung der Schätzer basieren, in der Praxis extrem breit sind und oft den gesamten zulässigen Bereich abdecken, was sie für die Inferenz unbrauchbar macht.

2. Methodik

Die Autoren schlagen einen neuen Ansatz vor: Die Konstruktion von Konfidenzmengen durch Invertierung von Tests für die Lage des Bruchdatums (Break Date), inspiriert von Elliott und Müller (2007) sowie Eo und Morley (2015).

Modellrahmen

Das zugrundeliegende Modell (Gleichung 1) beschreibt einen AR(1)-Prozess mit drei Regimen:

1. Random Walk: Vor der Entstehung ($t \le T_e$).
2. Explosiver Regime: Zwischen Entstehung und Kollaps ($T_e < t \le T_c$) mit $\phi_a = 1 + a/T^\alpha$ ($\alpha \in (0,1)$).
3. Mean-Reverting: Zwischen Kollaps und Erholung ($T_c < t \le T_r$) mit $\phi_b = 1 - b/T^\beta$.
4. Rückkehr zum Random Walk: Nach der Erholung ($t > T_r$).

Die Bruchdaten $T_e, T_c, T_r$ werden als Schwellenwerte der AR-Koeffizienten behandelt.

Teststatistiken und Konfidenzmengen-Konstruktion

Anstatt die Verteilung des Schätzers zu nutzen, testen die Autoren die Nullhypothese $H_0: T_{break} = T_1$ gegen $H_1: T_{break} = T_2 \neq T_1$. Ein Datum $T_1$ wird in die Konfidenzmenge aufgenommen, wenn die Nullhypothese nicht verworfen wird.

Es werden zwei Hauptklassen von Tests entwickelt, jeweils für die drei Phasen (Entstehung, Kollaps, Erholung):

1. Likelihood-Ratio (LR)-Typ Tests:

   • Basierend auf dem Verhältnis der Likelihoods unter $H_0$ und $H_1$.
   • Es werden separate Statistiken für Fälle entwickelt, in denen das wahre Datum vor ($T_1 < T_2$) oder nach ($T_1 > T_2$) dem getesteten Datum liegt.
   • Finite-Sample-Korrektur: Um Übergröße (Over-sizing) in endlichen Stichproben zu korrigieren, wird eine modifizierte LR-Statistik vorgeschlagen (z. B. $LR^e_{b,12}$), die asymptotisch äquivalent ist, aber in endlichen Stichproben besser performt.

2. Elliott-Müller (EM)-Typ Tests:

   • Diese Tests maximieren die gewichtete durchschnittliche Macht unter Annahmen über die Prior-Verteilungen der Bruchgröße und des Datums.
   • Sie basieren auf gewichteten Durchschnitten von LR-Statistiken oder t-Statistiken.
   • Es werden sowohl "Average"-Typen (EM$_a$) als auch "Min/Max"-Typen (EM$_b$) betrachtet.

3. Kombinierte Tests (LE-Tests):

   • Basierend auf den Simulationsergebnissen werden kombinierte Tests vorgeschlagen, die die Stärken der einzelnen Komponenten nutzen:
     • LE$^e$ (Entstehung): Kombination von $LR^e_{b,12}$ und $EM^e_{a,21}$.
     • LE$^c$ (Kollaps): Kombination von $LR^c_{a,21}$ und $EM^c_{a,12}$.
     • LE$^r$ (Erholung): Kombination von $EM^r_{b,12}$ und $LR^r_{b,21}$.

Asymptotische Theorie

Die Autoren leiten die Grenzverteilungen der Teststatistiken unter der Nullhypothese her. Diese hängen von der Position des Bruchs und den Parametern $\alpha$ und $\beta$ ab.

• Unter $H_0$ konvergieren die Statistiken gegen Funktionen von Brownschen Bewegungen (z. B. $W^2(\lambda)$ oder Integrale von ADF-Statistiken).
• Unter der Alternativhypothese wird die Konsistenz der Tests in die jeweilige Richtung (links oder rechts vom wahren Datum) bewiesen.
• Kritische Werte werden entweder analytisch (über $\chi^2$-Verteilungen) oder durch Simulationen und Response-Surface-Regressions (für nicht-standardisierte Verteilungen) bestimmt.

3. Wichtige Beiträge

1. Erstmalige Konstruktion von Konfidenzmengen: Das Paper füllt die Lücke in der Literatur, indem es erstmals rigorose Konfidenzmengen für alle drei Phasen einer Blase bereitstellt.
2. Überlegenheit der Inversionsmethode: Es wird gezeigt, dass die Inversion von Tests (Elliott-Müller-Ansatz) im Vergleich zur Nutzung der asymptotischen Verteilung der Schätzer (Pang et al., 2018) deutlich präzisere und kürzere Konfidenzmengen liefert.
3. Finite-Sample-Verbesserungen: Durch die Einführung von Korrekturen (z. B. $LR^e_{b,12}$) und die Kombination von Tests (LE-Tests) wird die empirische Abdeckungswahrscheinlichkeit (Coverage Rate) nahe an das nominale Niveau (90 %) gebracht, ohne die Länge der Mengen übermäßig zu erhöhen.
4. Asymptotische Herleitung: Vollständige Herleitung der Grenzverteilungen für komplexe Regimewechsel mit explosiven und mean-reverting Phasen, einschließlich der Abhängigkeit von den Parametern $\alpha$ und $\beta$.

4. Ergebnisse (Monte-Carlo-Simulationen)

Die Autoren evaluieren die Leistung der Methoden in endlichen Stichproben ($T=200$) unter verschiedenen Szenarien (kleine, mittlere und große Blasen, definiert durch $a \in \{2, 4, 6\}$).

• Abdeckungswahrscheinlichkeit (Coverage Rate):
  • Bei schwacher Explosivität ($a=2$) neigen einzelne Tests zur Unterabdeckung. Die kombinierten LE-Tests liefern jedoch eine robuste Abdeckung, die nahe am nominalen Niveau liegt (ca. 0,90–0,95).
  • Bei stärkerer Explosivität ($a=6$) verbessern sich alle Tests, und die LE-Tests bleiben konservativ und zuverlässig.
• Länge der Konfidenzmengen:
  • Je schneller die Explosivität (höheres $a$), desto kürzer werden die Konfidenzmengen.
  • Die LE-Tests bieten einen guten Kompromiss: Sie kontrollieren die Abdeckung effektiv und produzieren im Vergleich zu anderen Methoden (insbesondere bei großen Blasen) kürzere Mengen.
  • Im Vergleich zur Methode basierend auf der Schätzer-Verteilung (Abschnitt 3.1.1) reduziert die neue Methode die Länge der Konfidenzmengen drastisch (z. B. von 81 % auf 37 % des zulässigen Bereichs im empirischen Beispiel).
• Empfindlichkeit bei Schätzfehlern: Simulationen zeigen, dass Unsicherheiten in den Punktschätzern der Bruchdaten die Abdeckungswahrscheinlichkeit leicht verringern, aber die LE-Tests bleiben robust.

5. Signifikanz und Empirische Anwendung

Die Methode wird auf den Nikkei 225 (September 2012 – August 2013) angewendet, einer Periode, die mit der Ankündigung der Inflationszielsetzung und der quantitativen Lockerung durch die Bank of Japan (BOJ) verbunden ist.

• Ergebnis: Die Punkt-Schätzer für Entstehung, Kollaps und Erholung werden berechnet.
• Konfidenzmengen:
  • Die Konfidenzmenge für das Entstehungsdatum (LE$^e$) umfasst den 23. Januar 2013 (Tag nach der Inflationsziel-Ankündigung), obwohl der Punktschätzer früher liegt. Dies stützt die Hypothese, dass die Blase durch die Politikänderung ausgelöst wurde.
  • Die Konfidenzmenge für das Kollapsdatum ist sehr schmal (nur 10 Tage), was eine präzise Datierung erlaubt.
  • Die Konfidenzmenge für das Erholungsdatum ist breit und schließt viele Daten nach dem Punktschätzer ein, was darauf hindeutet, dass die Rückkehr zu normalen Marktbedingungen verzögert sein könnte.

Fazit: Das Paper liefert ein robustes ökonometrisches Werkzeug, um nicht nur ob, sondern auch wann und mit welcher Unsicherheit eine Finanzblase entsteht, kollabiert und sich erholt, zu bestimmen. Dies ist für die Regulierung und das Verständnis von Marktzyklen von großer Bedeutung.