An operator-level ARCH Model

Diese Arbeit stellt ein neues ARCH-Framework für Daten in separablen Hilbert-Räumen vor, das die vollständige Entwicklung des bedingten Kovarianzoperators modelliert, und leitet für eine vereinfachte Variante stationäre Lösungen sowie konsistente Schätzer her, deren praktische Relevanz durch Simulationen und eine Anwendung auf hochfrequente intraday-Renditen demonstriert wird.

Das Wesentliche

Stellen Sie sich vor, Sie beobachten den Aktienmarkt nicht nur als eine einzelne Zahl pro Tag (wie den Schlusskurs), sondern als eine ganze Kurve, die den gesamten Handelstag beschreibt. Jede Minute gibt es einen neuen Punkt auf dieser Kurve. Wenn Sie das über viele Tage tun, haben Sie nicht nur eine Liste von Zahlen, sondern einen Haufen von Wellenlinien, die sich ständig ändern.

Das Problem: Diese Wellenlinien sind nicht ruhig. Manchmal sind sie flach und vorhersehbar, manchmal explodieren sie in wilden Schwankungen (Volatilität). In der Finanzwelt nennen wir das „Heteroskedastizität".

Bisherige Modelle (die sogenannten „Punkt-für-Punkt"-Modelle) haben sich nur angesehen: „Wie stark schwankt der Kurs um 10:00 Uhr? Wie stark um 10:01 Uhr?" Sie haben jede Minute isoliert betrachtet. Das ist, als würde man einen Orchesterkonzert analysieren, indem man nur die Lautstärke des Geigers um 10:00 Uhr misst, den Cellisten um 10:01 Uhr und den Trompeter um 10:02 Uhr, ohne jemals zu hören, wie sie zusammen spielen.

Das neue Modell der Autoren (Op-ARCH) macht etwas viel Besseres: Es schaut sich das gesamte Orchester an.

Hier ist die einfache Erklärung des Papers, aufgeteilt in verständliche Metaphern:

1. Das Grundproblem: Der „Punkt-für-Punkt"-Fehler

Stellen Sie sich vor, Sie versuchen, das Wetter für morgen vorherzusagen.

• Das alte Modell: Es sagt Ihnen: „Um 8 Uhr ist es 20 Grad, um 9 Uhr 21 Grad." Es ignoriert, dass der Wind, der um 8 Uhr weht, direkt beeinflusst, wie sich die Wolken um 9 Uhr bewegen. Es behandelt jeden Zeitpunkt als isoliertes Ereignis.
• Das neue Modell (Op-ARCH): Es sagt: „Hier ist die gesamte Wetterkarte für den ganzen Tag, und wir wissen genau, wie sich die Wolken, der Wind und die Temperatur miteinander entwickeln." Es modelliert nicht nur die Stärke der Schwankung an einem Punkt, sondern die Beziehung zwischen allen Punkten gleichzeitig.

2. Die Lösung: Der „Dirigent" (Der Operator)

In diesem Papier nennen die Autoren ihre neue Methode „Operator-Level ARCH".

• Die Metapher: Stellen Sie sich die Volatilität (die Schwankungsbereitschaft) nicht als eine Liste von Zahlen vor, sondern als einen Dirigenten, der ein Orchester leitet.
• Das alte Modell hörte nur auf die einzelnen Musiker (die einzelnen Minuten).
• Das neue Modell schaut dem Dirigenten zu. Der Dirigent (der „Operator") entscheidet: „Wenn die Geige heute laut spielt, dann muss die Trompete auch lauter werden, aber die Pauken bleiben leise."
• Dieser Dirigent passt sich dynamisch an. Wenn gestern ein Sturm war (hohe Volatilität), weiß der Dirigent heute, dass das Orchester vorsichtiger spielen muss.

3. Das große Hindernis: Unendliche Noten

Das Schwierige an diesen Kurven ist, dass sie aus unendlich vielen Punkten bestehen (jeder Moment ist ein Punkt). In der Mathematik ist das wie der Versuch, eine unendlich lange Notenrolle zu analysieren.

• Die Autoren haben ein cleveres mathematisches Werkzeug entwickelt, um dieses unendliche Problem auf ein endliches, handhabbares Problem herunterzubrechen.
• Sie nutzen eine Technik namens „Tikhonov-Regularisierung".
• Die Analogie: Stellen Sie sich vor, Sie versuchen, ein verschwommenes, riesiges Foto zu schärfen. Wenn Sie nur die Pixel einzeln schärfen, wird das Bild verrauscht. Die Regularisierung ist wie ein Filter, der das Bild glättet und die wichtigsten Strukturen (die „Diagonalen" im mathematischen Sinne) hervorhebt, während das unnötige Rauschen unterdrückt wird.

4. Der „CCC"-Trick: Vereinfachung ohne Verlust

Das vollständige Modell wäre so komplex wie ein Orchester, bei dem jeder Musiker mit jedem anderen in Echtzeit kommuniziert. Das ist mathematisch fast unmöglich zu berechnen.

• Die Autoren schlagen daher eine vereinfachte Version vor, die sie „CCC" (Constant Conditional Correlation) nennen.
• Die Analogie: Stellen Sie sich vor, das Orchester hat einen festen Grundrhythmus (die Korrelation), aber die Lautstärke (die Volatilität) ändert sich. Die Autoren nehmen an, dass das Verhältnis zwischen den Instrumenten (wer ist laut, wer ist leise im Vergleich zueinander) relativ stabil bleibt, auch wenn die Gesamtlautstärke schwankt.
• Diese Vereinfachung macht das Modell berechenbar, behält aber den entscheidenden Vorteil: Es versteht immer noch, wie die Kurven als Ganzes funktionieren.

5. Warum ist das wichtig? (Die Anwendung)

Die Autoren haben ihr Modell mit echten Daten getestet: dem S&P 500 (einem großen Aktienindex) über die Jahre 2018 bis 2020 (inklusive der Corona-Pandemie, einer extrem turbulenten Zeit).

• Das Ergebnis: Wenn man versucht, extreme Risiken vorherzusagen (z. B. „Wie hoch ist die Wahrscheinlichkeit, dass der Markt morgen abstürzt?"), war das neue Modell deutlich besser als die alten.
• Warum? Weil es die Zusammenhänge im ganzen Tag besser versteht. Das alte Modell sagte oft: „Alles ist in Ordnung", während das neue Modell sah: „Achtung, die Wellenbewegung im ganzen Tag deutet auf eine Gefahr hin."

Zusammenfassung in einem Satz

Dieses Papier entwickelt eine neue Art, Finanzmärkte zu verstehen: Statt nur zu schauen, wie laut ein Instrument um eine bestimmte Uhrzeit spielt, hört es dem ganzen Orchester zu und versteht, wie sich die Musik über den gesamten Tag hinweg entwickelt, um bessere Vorhersagen für Krisenzeiten zu treffen.

Es ist der Unterschied zwischen einem Stück Musik, das man note für note abtippt, und einem ganzen Symphonie-Orchester, das man live dirigiert.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel: Ein Operator-Level ARCH-Modell (An Operator-Level ARCH Model)

Autoren: Alexander Aue, Sebastian Kühnert, Gregory Rice, Jeremy VanderDoes
Datum: März 2026

---

1. Problemstellung und Motivation

Traditionelle ARCH- und GARCH-Modelle sind Standardverfahren zur Modellierung von Volatilität in Finanzzeitreihen. In den letzten Jahren wurden diese Modelle auf Funktionenräume erweitert (f(G)ARCH). Die bestehenden funktionalen Modelle, die in der Literatur etabliert sind (z. B. von Hörmann et al., Cerovecki et al.), arbeiten jedoch ausschließlich mit punktuellen Varianzen ("pointwise" variances).

Das zentrale Problem dieser "pointwise"-Ansätze (pw-f(G)ARCH) ist:

• Sie modellieren nur die zeitliche Abhängigkeit der bedingten Varianz an jedem einzelnen Zeitpunkt $t$ separat.
• Die daraus resultierende bedingte Kovarianzfunktion ist eine "Rank-One-Update"-Struktur: $\text{Cov}(X_k(t), X_k(s) | \mathcal{F}_{k-1}) = \sigma_k(t)\sigma_k(s)C_\varepsilon(t,s)$.
• Dies impliziert eine zu starke Vereinfachung, da die Struktur der Kovarianz zwischen verschiedenen Zeitpunkten $t$ und $s$ innerhalb eines Tages nicht dynamisch modelliert wird, sondern nur durch die statische Innovationskovarianz $C_\varepsilon$ bestimmt ist.

In multivariaten GARCH-Modellen gibt es Alternativen wie CCC (Constant Conditional Correlation) oder DCC, die die Kovarianzstruktur flexibler abbilden. Eine direkte Übertragung dieser Konzepte auf unendlichdimensionale Hilbert-Räume ist jedoch schwierig, da die Identitätsabbildung in diesen Räumen nicht kompakt ist, was zu Identifizierbarkeitsproblemen führt.

Ziel der Arbeit: Entwicklung eines neuen ARCH-Rahmens für Daten in allgemeinen separablen Hilbert-Räumen, der die gesamte Entwicklung des bedingten Kovarianzoperators modelliert, anstatt nur die punktuelle Varianz.

---

2. Methodik und Modellierung

Das allgemeine Operator-Level ARCH-Modell (op-ARCH)

Die Autoren definieren einen Prozess $(X_k)_{k \in \mathbb{Z}}$ in einem separablen Hilbert-Raum $\mathcal{H}$ als op-ARCH(p)-Prozess durch:
$$X_k = \Sigma_k^{1/2}(\varepsilon_k)$$
$$\Sigma_k = \Delta + \sum_{i=1}^p \alpha_i(X_{k-i}^{\otimes 2})$$
Dabei ist:

• $\varepsilon_k$ eine starke weißes Rauschen (SWN) mit bekanntem, injektivem Kovarianzoperator $C_\varepsilon$.
• $\Delta$ ein deterministischer, selbstadjungierter, positiv definiter Hilbert-Schmidt-Operator (Intercept).
• $\alpha_i$ beschränkte lineare Operatoren, die Hilbert-Schmidt-Operatoren auf Hilbert-Schmidt-Operatoren abbilden und Positivität erhalten.
• $X_{k}^{\otimes 2}$ bezeichnet den Tensorprodukt-Operator $X_k \otimes X_k$.

Dieses Modell modelliert den bedingten Kovarianzoperator direkt: $E[X_k \otimes X_k | \mathcal{F}_{k-1}] = \Sigma_k^{1/2} C_\varepsilon \Sigma_k^{1/2}$.

Das CCC-op-ARCH-Modell

Da das allgemeine Modell theoretisch sehr anspruchsvoll ist, fokussieren sich die Autoren auf eine vereinfachte Version, analog zum multivariaten Constant Conditional Correlation (CCC)-Modell.

• Annahme: Die Operatoren $\alpha_i$ wirken nur auf die Diagonalelemente der Spektralzerlegung bezüglich der Eigenbasis von $C_\varepsilon$.
• Dies reduziert die Komplexität erheblich und ermöglicht eine lineare Markov-Darstellung für die diagonalen Komponenten der quadrierten Prozesse.
• Ein kritischer Schritt ist die Annahme, dass $C_\varepsilon$ mit $\Sigma_k$ kommutiert, was die Diagonalisierung in der Eigenbasis von $C_\varepsilon$ erlaubt.

Schätzmethode (Yule-Walker-Ansatz)

Die Parameterschätzung erfolgt über verallgemeinerte Yule-Walker-Gleichungen:

1. Problem der Identifizierbarkeit: Die direkte Herleitung von Gleichungen für $\alpha$ führt zu nicht-injektiven Kovarianzoperatoren (ähnlich wie bei der Vektorisierung in multivariaten Modellen).
2. Lösung:
   • Anwendung eines Tikhonov-regulierten Inversen von $C_\varepsilon$.
   • Projektion auf einen endlichdimensionalen Unterraum (Dimension $K$).
   • Nutzung einer "Diagonal"-Transformation (Analogon zur Half-Vectorization vech in der Multivariaten Statistik), um die Identifizierbarkeit wiederherzustellen.
3. Schätzer: Es werden konsistente Schätzer für die Intercept-Operatoren $\Delta$ und die ARCH-Operatoren $\alpha_i$ hergeleitet, sowohl im endlich- als auch im unendlichdimensionalen Setting.

---

3. Wichtige theoretische Beiträge

• Stationaritätsbedingungen: Die Autoren leiten Bedingungen für die Existenz strikt und schwach stationärer Lösungen her.
  • Sie definieren einen top Lyapunov-Exponenten $\gamma$ für den CCC-op-ARCH-Prozess.
  • Die Bedingung $\gamma < 0$ garantiert die Existenz einer strikt stationären, kausalen und fast sicher eindeutigen Lösung.
  • Es werden praktikable hinreichende Bedingungen (z. B. basierend auf Operator-Normen) angegeben, die leichter zu überprüfen sind.
• Momente und Abhängigkeit: Es werden Bedingungen für die Existenz endlicher Momente und für schwache Abhängigkeit (im Sinne von $L^p$-m-Approximierbarkeit) hergeleitet.
• Konsistenz der Schätzer:
  • Im endlichdimensionalen Setting wird die Konsistenz mit parametrischer Rate ($O_P(N^{-1/2})$) gezeigt.
  • Im unendlichdimensionalen Setting wird unter einer Sobolev-artigen Glattheitsannahme (Assumption 4.3) die Konsistenz in der Hilbert-Schmidt-Norm bewiesen. Die Konvergenzrate hängt vom Abfall der Eigenwerte der Kovarianzoperatoren und der Glattheit der wahren Parameter ab.

---

4. Ergebnisse (Simulation und Anwendung)

Simulationsstudie

• Es wurden Daten für CCC-op-ARCH(1) und CCC-op-ARCH(5) Prozesse mit Ornstein-Uhlenbeck- und Brownschen Bewegungs-Fehlern simuliert.
• Ergebnis: Die vorgeschlagenen Schätzer zeigen konsistentes Verhalten (die Fehler nehmen mit wachsendem Stichprobenumfang $N$ ab).
• Der Vergleich zwischen Tikhonov-Regularisierung und Moore-Penrose-Pseudoinversen zeigt, dass beide Methoden gut funktionieren, wobei Tikhonov in hochdimensionalen Settings robuster erscheint.

Anwendung auf Finanzdaten (S&P 500)

• Daten: Overnight kumulierte Intraday-Renditen (OCIDR) des S&P 500 (ETF SPY) für die Perioden 2018–2020 und 2022–2024 (10-Minuten-Auflösung).
• Vergleich: Das CCC-op-ARCH-Modell wurde mit einem historischen Quantil-Modell und dem klassischen punktweisen fARCH(1)-Modell (pw-fARCH) verglichen.
• Metrik: Vorhersage von Value-at-Risk (VaR) Quantilkurven und Berechnung der Verletzungsrate (Violation Rate).
• Ergebnisse:
  • Das CCC-op-ARCH(5)-Modell lieferte die besten Ergebnisse, insbesondere bei extremen Volatilitätsperioden (z. B. COVID-19-Lockdown 2020).
  • Im Vergleich zum pw-fARCH(1) Modell konnte das op-ARCH-Modell die bedingte Heteroskedastizität in den Daten besser erklären.
  • Residuenanalysen (SACF und White-Noise-Tests) zeigten, dass die quadrierten Residuen des op-ARCH(5)-Modells keine signifikante serielle Korrelation mehr aufweisen, während das op-ARCH(1) und das pw-fARCH(1) Modell noch Restkorrelationen aufwiesen.
  • Das op-ARCH-Modell lieferte differenziertere Vorhersagen der Volatilitätsstruktur über den Tag hinweg (Unterschiede zwischen Marktöffnung und -schluss).

---

5. Bedeutung und Fazit

Dieses Paper stellt einen bedeutenden methodischen Fortschritt in der funktionalen Zeitreihenanalyse dar:

1. Paradigmenwechsel: Es überwindet die Beschränkung auf punktuelle Varianzen und führt ein Modell ein, das die gesamte Kovarianzstruktur dynamisch modelliert. Dies ist essenziell für Anwendungen, bei denen die Korrelation zwischen verschiedenen Zeitpunkten innerhalb einer Funktion (z. B. intraday-Verläufe) von Interesse ist.
2. Theoretische Fundierung: Die Arbeit liefert rigorose Bedingungen für Stationarität und Konsistenz in einem unendlichdimensionalen Setting, was theoretisch anspruchsvoll ist, da die Identitätsabbildung nicht kompakt ist.
3. Praktische Relevanz: Die Anwendung auf reale Hochfrequenzdaten zeigt, dass das Modell überlegene Vorhersageleistungen für Risikomaße (VaR) bietet und die komplexe Dynamik der Finanzmärkte besser abbildet als bestehende punktuelle Modelle.
4. Zukunftsperspektiven: Die Autoren sehen Potenzial für Erweiterungen auf allgemeine Banach-Räume, komplexere GARCH-Strukturen (wie DCC oder BEKK im funktionalen Kontext) und die Verallgemeinerung auf nicht-diagonale Operatoren.

Zusammenfassend bietet das op-ARCH-Modell einen robusten und theoretisch fundierten Rahmen zur Modellierung von Volatilität in funktionalen Daten, der die Limitationen bisheriger Ansätze adressiert und in der Praxis überlegene Ergebnisse liefert.