Broken Symmetry of Stock Returns -- a Modified Jones-Faddy Skew t-Distribution

Die Arbeit argumentiert, dass die negative Schiefe und der positive Mittelwert von Aktienrenditen auf eine gebrochene Symmetrie der stochastischen Volatilität zurückzuführen sind, und schlägt eine modifizierte Jones-Faddy-Verzerrte-t-Verteilung vor, um diese Asymmetrie für Gewinne und Verluste in einer einzigen organischen Verteilung für den S&P500 zu modellieren.

Das Wesentliche

📉 Wenn der Aktienmarkt nicht fair ist: Eine Geschichte über gebrochene Symmetrie

Stellen Sie sich den Aktienmarkt wie einen riesigen, wilden Ozean vor. Die Preise der Aktien (wie der berühmte S&P500) schwanken jeden Tag auf und ab. Wissenschaftler versuchen seit Jahrzehnten, diese Wellen zu verstehen und vorherzusagen.

1. Das alte Bild: Der perfekte See

Früher dachten die meisten Physiker und Ökonomen, dass dieser Ozean völlig symmetrisch ist. Das bedeutet:

• Wenn es einen Sturm gibt, der die Schiffe (die Kurse) nach unten drückt, gibt es auch einen gleich starken Wind, der sie nach oben hebt.
• Die Wahrscheinlichkeit für einen riesigen Absturz ist genau so hoch wie für einen riesigen Anstieg.
• Man nannte das die „Student-t-Verteilung". Es ist wie ein perfekt geformter Glockenkurven-Hügel, bei dem die linke und die rechte Seite exakt gleich aussehen.

Aber das ist falsch. Der echte Markt ist kein perfekter See. Er ist ein wilder Ozean mit unterschiedlichen Strömungen.

2. Das Problem: Die gebrochene Symmetrie

Die Autoren dieses Papers haben sich die Daten der letzten 45 Jahre (1980–2025) genau angesehen und drei seltsame Dinge entdeckt, die das alte Modell nicht erklären kann:

1. Der Markt steigt langfristig: Im Durchschnitt gibt es mehr Gewinne als Verluste (ein positiver Mittelwert).
2. Die „schlechten" Tage sind schlimmer: Wenn der Markt crasht, tut es weh. Die Verluste sind oft extremer und haben „schwerere" Schwänze als die Gewinne. Das nennt man negative Schiefe.
3. Es gibt mehr Gewinntage: Es gibt statistisch gesehen mehr Tage, an denen man Geld gewinnt, als Tage, an denen man es verliert.

Stellen Sie sich vor, Sie werfen eine Münze. Bei einem fairen Spiel (dem alten Modell) landen Kopf und Zahl gleich oft und mit der gleichen Kraft. Beim Aktienmarkt ist es so, als würde die Münze zwar öfter auf „Kopf" (Gewinn) landen, aber wenn sie auf „Zahl" (Verlust) landet, fällt sie so hart auf den Boden, dass sie ein riesiges Loch reißt.

3. Die Lösung: Ein neuer, flexiblerer Maßstab

Die Forscher sagen: „Okay, die alte Theorie geht davon aus, dass die Volatilität (die Unruhe des Marktes) für Gewinne und Verluste gleich ist. Aber das stimmt nicht."

Stellen Sie sich die Volatilität wie den Motor eines Bootes vor.

• Das alte Modell: Der Motor läuft immer gleichmäßig, egal ob das Boot bergauf oder bergab fährt.
• Die neue Erkenntnis: Der Motor verhält sich anders!
  • Wenn das Boot bergauf (Gewinne) fährt, läuft der Motor ruhig und stabil.
  • Wenn das Boot bergab (Verluste) fährt, gerät der Motor ins Wanken und wird chaotischer.

Die Autoren haben ein neues mathematisches Werkzeug entwickelt, das sie „modifizierte Jones-Faddy-Verteilung" nennen. Das ist ein sehr komplizierter Name, aber man kann es sich wie einen schlauen, verformbaren Gummimantel vorstellen.

• Der alte Mantel (Student-t): War starr und symmetrisch. Er passte nicht auf die ungleichen Formen des Marktes.
• Der neue Mantel (mJF): Ist aus elastischem Gummi. Er kann sich auf der einen Seite (Gewinne) straffen und auf der anderen Seite (Verluste) ausdehnen, um genau die Form des Marktes nachzuahmen.

4. Warum ist das wichtig?

Mit diesem neuen „Gummimantel" können die Forscher die Daten des S&P500 viel besser beschreiben als mit den alten Modellen.

• Sie können erklären, warum es mehr Gewinntage gibt.
• Sie können erklären, warum die Verluste so extrem sind (die „schweren Schwänze").
• Sie können den positiven Trend (den langfristigen Anstieg) mit einbeziehen.

Die große Metapher:
Stellen Sie sich vor, Sie versuchen, die Form einer Hand abzudrücken.

• Das alte Modell ist wie ein Gipsabdruck: Er ist starr und symmetrisch. Wenn Sie die Hand in die Form drücken, passt der Daumen nicht, und die Finger sind zu lang.
• Das neue Modell ist wie Knete: Sie können sie formen, bis sie exakt der Hand entspricht – mit allen Unebenheiten, dem Daumen und den langen Fingern.

Fazit

Die Botschaft der Wissenschaftler ist einfach: Der Aktienmarkt ist nicht fair und nicht symmetrisch. Die Kräfte, die Gewinne erzeugen, sind anders als die Kräfte, die Verluste verursachen. Um den Markt wirklich zu verstehen, brauchen wir Modelle, die diese „Unfairness" (die gebrochene Symmetrie) akzeptieren und mathematisch abbilden können.

Das neue Modell ist wie eine Brille, durch die man die chaotischen Wellen des Marktes plötzlich klar und verständlich sieht – inklusive der gefährlichen, tiefen Täler und der hohen, aber sanften Gipfel.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Broken Symmetry of Stock Returns - a Modified Jones-Faddy Skew t-Distribution" auf Deutsch:

1. Problemstellung und Motivation

Das Papier adressiert die Diskrepanz zwischen theoretischen Modellen für Aktienrenditen und empirischen Beobachtungen am Beispiel des S&P500 (Daten von 1980–2025).

• Empirische Fakten: Die Verteilung der täglichen Renditen weist eine positive mittlere Rendite, eine negative Schiefe (negative Skewness) und eine Asymmetrie in den Schwanzbereichen auf. Insbesondere haben Verluste (negative Renditen) schwerere Schwänze (langsamere Abklingrate) als Gewinne, und es gibt mehr Datenpunkte für Gewinne als für Verluste.
• Theoretisches Defizit: Herkömmliche Modelle, die auf stochastischen Differentialgleichungen (SDE) basieren (insbesondere das Multiplicative-Modell der stochastischen Volatilität), führen zu einer Student-t-Verteilung. Diese ist symmetrisch (gerade Funktion) und kann weder die positive Drift noch die negative Schiefe oder die unterschiedlichen Power-Law-Exponenten für Gewinne und Verluste erklären.
• Ziel: Entwicklung eines Modells, das diese „gebrochene Symmetrie" (Broken Symmetry) zwischen Gewinnen und Verlusten analytisch beschreibt, idealerweise im Rahmen der SDE-Formalismus, aber mit hoher Anpassungsgüte an die empirischen Daten.

2. Methodik und Analytischer Rahmen

Die Autoren untersuchen verschiedene Verteilungsansätze, um die Asymmetrie zu modellieren:

• Grundlage: Ausgehend von SDEs für die Renditen ($dx_t$) und die stochastische Varianz ($dv_t$) wird im Multiplikativ-Modell ($g(v_t) = \kappa v_t$) eine inverse Gamma-Verteilung für die Varianz abgeleitet. Dies führt klassisch zu einer Student-t-Verteilung für die Renditen.
• Ansatz 1: Half Student-t (Mischverteilung):
  • Idee: Gewinne und Verluste werden separat durch Student-t-Verteilungen mit unterschiedlichen Parametern ($\alpha_g, \theta_g$ vs. $\alpha_l, \theta_l$) modelliert und als gewichtete Mischung kombiniert.
  • Kritik: Dies ist keine „organische" Verteilung (keine geschlossene Form aus einer einzigen SDE) und sagt fälschlicherweise eine negative mittlere Rendite voraus, da die Gewichtung allein nicht ausreicht, um den positiven Mittelwert zu erklären.
• Ansatz 2: Modifizierte Jones-Faddy-Verteilungen (mJF):
  • Die Autoren nutzen eine Erweiterung der Student-t-Verteilung nach Jones und Faddy, die eine Schiefe erlaubt.
  • mJF1: Eine modifizierte Jones-Faddy-Verteilung mit einem einzigen Mittelwert der stochastischen Volatilität ($\theta$) für Gewinne und Verluste, aber unterschiedlichen Parametern $\alpha_g$ und $\alpha_l$. Ein Ortsparameter $\mu$ wird eingeführt, um die positive Drift zu erklären.
  • mJF2: Eine Generalisierung von mJF1, die auch unterschiedliche Mittelwerte der Volatilität ($\theta_g \neq \theta_l$) zulässt.
  • Analytische Herleitung: Es werden explizite Formeln für die Wahrscheinlichkeitsdichtefunktion (PDF), die kumulative Verteilungsfunktion (CDF), Mittelwert, Varianz, Modus und die Schiefekoeffizienten (Pearson $\zeta_1, \zeta_2$) hergeleitet. Die Power-Law-Exponenten der Schwänze werden als $-2(\alpha_i/\theta_i + 1)$ bestimmt.

3. Wichtige Beiträge und Ergebnisse

Die Autoren wenden die Modelle auf die täglichen Renditen des S&P500 an und vergleichen sie mittels Bayes'scher Anpassung und statistischer Tests.

• Parameteranpassung (Table 1 & 2):
  • Die Half Student-t-Verteilung scheitert daran, den positiven Mittelwert ($m_1 > 0$) korrekt abzubilden.
  • Die mJF1- und mJF2-Verteilungen passen die empirischen Daten deutlich besser an.
  • Schlüsselergebnis: Der Parameter $\alpha_l$ (für Verluste) ist kleiner als $\alpha_g$ (für Gewinne). Da der Power-Law-Exponent von $\alpha$ abhängt, führt ein kleineres $\alpha_l$ zu schwereren Schwänzen für Verluste, was die beobachtete negative Schiefe erklärt.
  • Der Ortsparameter $\mu$ in mJF1 erklärt den positiven Mittelwert, indem er die Verteilung verschiebt und die größeren Gewinne im Hauptteil der Verteilung berücksichtigt.
• Vergleich mJF1 vs. mJF2:
  • Die Einführung eines zweiten Volatilitätsparameters ($\theta_l \neq \theta_g$) in mJF2 verbessert die Anpassung an die Daten im Vergleich zu mJF1 kaum.
  • Statistische Tests (U-Test, Konfidenzintervalle für die Schwänze, p-Werte) zeigen, dass mJF1 und mJF2 ähnlich gut sind, wobei mJF1 als „sauberste" und transparenteste Verallgemeinerung der Student-t-Verteilung gilt.
• Schwanzverhalten:
  • Die angepassten Verteilungen reproduzieren die Power-Law-Exponenten der empirischen Daten sehr genau (ca. -3,14 für Gewinne, -2,91 für Verluste).
  • Die Analyse der CCDF (Complementary CDF) und der p-Werte zeigt, dass die Modelle die Ausreißer (Dragon Kings) in den Schwänzen gut abbilden, ohne signifikante Abweichungen aufzuweisen.

4. Bedeutung und Schlussfolgerungen

• Hauptkonklusion: Die „gebrochene Symmetrie" der Aktienrenditen (positive Drift, negative Schiefe, asymmetrische Schwänze) lässt sich am besten durch eine modifizierte Jones-Faddy-Schiefe-t-Verteilung (mJF1) beschreiben.
• Physikalische Interpretation: Obwohl mJF1 nicht direkt aus einem ersten-prinzipien-basierten SDE-System abgeleitet werden kann (im Gegensatz zur klassischen Student-t-Verteilung), spiegelt es den physikalischen Mechanismus wider, dass die stochastische Volatilität für Gewinne und Verluste durch unterschiedliche Parameter ($\alpha_g \neq \alpha_l$) gesteuert wird.
• Praktische Relevanz: Das Modell bietet ein robustes Werkzeug für das Risikomanagement, insbesondere für die Bewertung extremer Verluste (Tail Risk), da es die Asymmetrie und die unterschiedlichen Schwanzdicken präzise erfasst.
• Zukunftsausblick: Die Autoren sehen weitere Forschungsbedarf in der Ableitung dieser Verteilung aus fundamentalen SDEs, der Anwendung auf andere Indizes (NASDAQ, Russell, internationale Märkte) und der Untersuchung von akkumulierten Renditen im Vergleich zu täglichen Renditen.

Zusammenfassend stellt das Paper einen wichtigen Schritt dar, um die Lücke zwischen stochastischen Finanzmodellen und der komplexen Realität von Aktienmärkten zu schließen, indem es eine flexible, schiefen-erlaubende Verteilung einführt, die die empirischen Asymmetrien quantitativ erfasst.