Interpretable Systematic Risk around the Clock

Diese Studie kombiniert Hochfrequenzmarktdaten mit einer LLM-gestützten Analyse von Nachrichten, um rund um die Uhr interpretierbare systematische Sprungrisiken zu identifizieren, wobei makroökonomische Nachrichten die höchsten Risikoprämien aufweisen und die Konstruktion eines profitablen Faktor-Mimicking-Portfolios ermöglichen.

Das Wesentliche

Das große Bild: Der Markt schläft nie, aber wir schauen nur zu, wenn er wach ist

Stell dir den Aktienmarkt wie einen riesigen, nervösen Ozean vor. Normalerweise schauen wir nur auf das Wasser, wenn die Sonne scheint (das sind die Handelszeiten von 9:30 bis 16:00 Uhr). Aber was passiert nachts? Wenn die Sonne untergeht und die Börsen in den USA schließen, passiert im Rest der Welt noch viel: In Asien und Europa werden Nachrichten verbreitet, Politiker treffen Entscheidungen, und Kriege oder Krisen entwickeln sich.

Bisher haben Forscher wie einen Taucher, der nur tagsüber untertaucht. Sie haben die Wellen (die Kurssprünge) nur während der Handelszeiten gemessen und gedacht: „Das ist alles, was wichtig ist."

Songrun He sagt: „Nein! Ihr verpasst den größten Teil des Sturms, weil ihr nachts nicht hinschaut."

Die neue Methode: Ein super-intelligenter Detektiv (der KI)

Um das zu beweisen, hat He einen neuen Trick angewendet. Er hat nicht nur auf die Zahlen geschaut, sondern auch auf die Nachrichten, die genau in dem Moment kamen, als die Kurse sprangen.

Hier kommt die Künstliche Intelligenz (KI) ins Spiel. Stell dir diese KI wie einen extrem klugen, unermüdlichen Detektiv vor, der 24 Stunden am Tag arbeitet.

1. Der Fall: Die Kurse springen plötzlich hoch oder runter.
2. Die Beweise: Der Detektiv schaut sich Tausende von Nachrichtenmeldungen an, die in diesem Moment rauskamen (z. B. von der Dow Jones Newswires).
3. Die Lösung: Die KI liest diese Nachrichten und sagt: „Aha! Der Kurs ist nicht einfach so gesprungen. Es liegt an einer neuen Arbeitslosenzahl aus den USA!" oder „Oh, da gibt es Spannungen zwischen zwei Ländern!"

Früher haben Computer versucht, Nachrichten nur nach Schlüsselwörtern zu zählen (wie ein Kind, das „Krieg" oder „Geld" zählt). Diese neue KI (ein sogenanntes „Reasoning LLM") versteht aber den Zusammenhang. Sie weiß, dass eine Meldung über Arbeitsplätze den Markt bewegt, auch wenn das Wort „Arbeitsplatz" nicht direkt im Satz steht.

Die wichtigsten Entdeckungen

He hat drei spannende Dinge herausgefunden:

1. Der Nachteffekt ist riesig
Die meisten großen Sprünge im Markt passieren gar nicht tagsüber, wenn die US-Börsen offen sind, sondern nachts. Das liegt daran, dass wichtige Nachrichten (wie Wirtschaftsdaten oder politische Entscheidungen) oft veröffentlicht werden, wenn die US-Börsen schon zu haben. Wer nur tagsüber schaut, verpasst den eigentlichen Auslöser.

2. Nicht alle Sprünge sind gleich teuer
Nicht jeder Grund für einen Kurssprung wird vom Markt gleich belohnt. He hat die Sprünge in Kategorien eingeteilt:

• Makroökonomische Nachrichten (z. B. Arbeitslosenzahlen, Inflation): Diese sind die „Könige". Wenn diese Nachrichten kommen, ist das Risiko am größten, aber auch die Belohnung (die Rendite) für diejenigen, die dieses Risiko tragen, am höchsten.
• Andere Nachrichten (z. B. einzelne Firmenberichte oder Geopolitik): Diese bringen oft weniger oder gar keine extra Belohnung.

3. Die KI macht den Unterschied
Wenn He die Nachrichten nur mit alten Methoden (wie Zählen von Wörtern) analysiert hat, war das Ergebnis ungenau und die Strategie brachte wenig Geld. Aber mit der „denkenden" KI, die die Nachrichten wirklich versteht, konnte er eine Strategie bauen, die doppelt so gut abschneidet wie der normale Markt.

Die Analogie: Der Wettervorhersage-Experte

Stell dir vor, du willst ein Geschäft mit Regenschirmen machen.

• Der alte Ansatz: Du schaust nur auf den Himmel, wenn die Sonne scheint (tagsüber). Du denkst: „Es sieht trocken aus, ich brauche keine Schirme." Aber dann regnet es nachts, und du hast keine Schirme.
• He's Ansatz: Er nutzt einen super-intelligenten Wetterbot. Dieser Bot liest nicht nur den Himmel, sondern versteht auch die Berichte der Meteorologen weltweit. Er sagt: „Achtung! In Asien hat sich ein Tiefdruckgebiet gebildet, das wird heute Nacht bei uns ankommen."
• Das Ergebnis: Weil der Bot die wahre Ursache des Regens versteht, kannst du genau zur richtigen Zeit Schirme verkaufen und viel Geld verdienen, während andere nur raten.

Warum ist das wichtig für dich?

Diese Forschung zeigt uns zwei Dinge:

1. Wir müssen rund um die Uhr aufpassen: Der Markt ist ein 24-Stunden-System. Wenn wir nur auf die US-Öffnungszeiten schauen, verstehen wir die Welt nicht richtig.
2. Künstliche Intelligenz ist ein Game-Changer: Wenn wir KI nutzen, um zu verstehen, warum etwas passiert (nicht nur dass es passiert), können wir bessere Entscheidungen treffen und Risiken besser managen.

Zusammenfassend: Songrun He hat bewiesen, dass man, um den Markt wirklich zu verstehen, nachts wach bleiben muss (oder zumindest einen KI-Detektiv hat, der das für einen tut) und dass man genau wissen muss, welche Art von Nachricht den Markt bewegt, um erfolgreich zu sein.

Technische Zusammenfassung

1. Problemstellung und Motivation

Das zentrale Forschungsproblem liegt in der unvollständigen Erfassung systematischer Sprungrisiken (Jump Risks) in der Finanzliteratur. Bisherige Studien (z. B. Aleti und Bollerslev, 2025) konzentrieren sich fast ausschließlich auf die Intraday-Handelszeiten (9:30–16:00 Uhr ET). Dies führt jedoch zu einem Omitted-Variable-Bias, da ein erheblicher Teil des systematischen Risikos und der damit verbundenen Nachrichten während der Overnight-Periode (nachts und an Wochenenden) realisiert wird.

Mit der geplanten Ausweitung der Handelszeiten von Börsen wie der NYSE und Nasdaq auf 24 Stunden wird eine ganzheitliche, rund-um-die-Uhr-Analyse (Around-the-Clock) dringend erforderlich. Zudem fehlt es an Methoden, die hochfrequente Marktsprünge nicht nur identifizieren, sondern diese auch interpretierbar den zugrundeliegenden wirtschaftlichen Narrativen (Nachrichten) zuordnen können, um heterogene Risikoprämien zu verstehen.

2. Methodik

Die Studie kombiniert drei technologische und ökonometrische Fortschritte:

A. Datenbasis und "Around-the-Clock"-Abdeckung:

• Zeitraum: September 1997 bis Mai 2020.
• Aktienpanel: Hochfrequenzdaten (Millisekunden) für S&P 1500-Komponenten (TAQ-Daten), ergänzt durch CRSP-Daten für Overnight-Renditen (Spaltung, Dividenden, Overnight-Preise).
• Faktor: Der Marktfaktor wird durch eine Kombination aus Intraday-Renditen (Cash-Aktien) und Overnight-Renditen (S&P 500 E-mini Futures, die fast 24h handeln) konstruiert.
• Nachrichten: Dow Jones Newswires werden genutzt, um Nachrichten im 15-Minuten-Takt um die Sprungzeitpunkte zu erfassen.

B. Ökonometrisches Framework (Continuous-Time Fama-MacBeth):

• Das Paper adaptiert das kontinuierliche Zeit-Fama-MacBeth-Regressionsmodell von Aït-Sahalia et al. (2025).
• Zerlegung: Der systematische Faktor $dF_t$ wird in einen kontinuierlichen Teil ($dF^C_t$) und diskontinuierliche Sprungteile ($dF^J_t$) zerlegt.
• Themen-Spezifische Sprünge: Die Sprünge werden weiter in $K$ Kategorien unterteilt ($dF^{J,k}_t$), basierend auf den zugrundeliegenden Nachrichten.
• Faktor-Nachahmungs-Portfolios (Factor-Mimicking Portfolios): Es werden Portfolios konstruiert, die eine "Pure-Play"-Eigenschaft haben: Sie haben eine Beta-Exposure von 1 gegenüber dem spezifischen Sprungrisiko und 0 gegenüber allen anderen Risikofaktoren. Dies isoliert die Prämie für jeden Risikotyp.

C. Einsatz von Large Language Models (LLMs):

• Modell: Der Open-Source-Reasoning-LLM Qwen3-235B-A22B wird selbst gehostet, um Urheberrechtsprobleme und Replikationshürden zu umgehen.
• Prozess (3-Stufen-Prompting):
  1. Narrative Retrieval: Das Modell identifiziert aus hunderten von Nachrichten in einem 15-Minuten-Fenster diejenigen, die den Marktsprung verursacht haben.
  2. Kategorisierung (Top-Level): Es definiert fünf disjunkte wirtschaftliche Kategorien: Makroökonomische Nachrichten, Unternehmens-Bellwether, Internationale Spillover, Politikankündigungen und Geopolitik.
  3. Klassifizierung: Jeder einzelne Sprung wird einer dieser Kategorien zugeordnet.
• Reasoning vs. Non-Reasoning: Das Paper nutzt die Fähigkeit des Modells, den "Denkmodus" (Reasoning/Chain-of-Thought) ein- und auszuschalten, um den Wert von Testzeit-Rechenleistung (Test-time Compute) zu messen.

3. Hauptergebnisse

A. Heterogenität der Risikoprämien:

• Es gibt signifikante Unterschiede in den Prämien für verschiedene Sprungkategorien.
• Makroökonomische Nachrichten dominieren: Sie erzielen eine jährliche Prämie von 3,65 % und eine Sharpe-Ratio von 0,78 (höher als der Markt mit 0,53).
• Andere Kategorien (z. B. Geldpolitik, Geopolitik) zeigen geringere oder statistisch nicht signifikante Prämien, sobald Makro-Sprünge kontrolliert werden.
• Overnight vs. Intraday: Fast alle Prämien für US-Aktien entstehen in der Overnight-Periode. Eine Analyse nur mit Intraday-Daten führt zu verrauschten, verzerrten und oft falsch signierten Schätzungen.

B. Investitionsstrategie und Out-of-Sample-Leistung:

• Eine real-time Strategie, die jährlich das Faktor-Nachahmungs-Portfolio mit der höchsten Sharpe-Ratio (basierend auf den LLM-Klassifikationen) wählt, erreicht eine Out-of-Sample Sharpe-Ratio von 0,95.
• Diese Strategie schlägt den Markt deutlich und liefert signifikante Alphas gegenüber dem Fama-French 6-Faktor-Modell.
• Kosten: Die Strategie bleibt auch nach Abzug von Transaktionskosten (bis zu 50 Basispunkte) hochprofitabel, da die Umschlagshäufigkeit (Turnover) gering ist (ca. 10 % pro Monat).

C. Wert des LLM und Reasoning-Fähigkeiten:

• Vergleich mit traditionellen Methoden: Im Vergleich zu LDA-Modellen (Latent Dirichlet Allocation) oder reinen Wortzählmethoden liefert der LLM-basierte Ansatz dreimal so hohe Sharpe-Ratios (0,95 vs. 0,28 bei LDA-basierter Strategie).
• Reasoning-Modus: Der "Denkmodus" (Reasoning) des LLM ist entscheidend. Ein Modell ohne Reasoning kann nur 69,7 % der Sprünge auf Nachrichten zurückführen (vs. 97,2 % beim Reasoning-Modell) und führt zu einer Sharpe-Ratio von nur 0,39.
• Lookahead-Bias: Durch den Einsatz von ChronoBERT (ein Modell mit einem Wissens-Cutoff vor 2000) wird gezeigt, dass der Lookahead-Bias minimal ist; die Ergebnisse bleiben robust.

4. Schlüsselbeiträge zur Literatur

1. Erste umfassende "Around-the-Clock"-Analyse: Das Paper liefert die erste empirische Zerlegung von systematischen Sprungrisiken, die sowohl Intraday- als auch Overnight-Phasen abdeckt, und zeigt, dass Overnight-Risiken den Hauptteil der Prämien ausmachen.
2. Integration von LLMs in die Asset Pricing-Forschung: Es wird demonstriert, dass Reasoning-LLMs nicht nur Text klassifizieren, sondern kausale Narrative extrahieren können, was zu interpretierbaren Risikofaktoren und verbesserter Vorhersagekraft führt.
3. Automatisiertes Framework: Die Entwicklung eines transparenten, replizierbaren Frameworks, das Rohdaten aus Hochfrequenz-Nachrichten direkt in interpretierbare systematische Risikofaktoren übersetzt.

5. Bedeutung und Implikationen

Die Studie zeigt, dass das Verständnis von Marktrisiken ohne Berücksichtigung der Overnight-Periode und ohne fortgeschrittene Sprachmodelle unvollständig ist.

• Für Investoren: Es eröffnet neue Möglichkeiten, interpretierbare und adaptive Strategien zu konstruieren, die spezifische Risikofaktoren (insbesondere makroökonomische Überraschungen) isoliert ausnutzen.
• Für die Regulierung und Marktdesign: Angesichts der Diskussionen über 24-Stunden-Handel unterstreicht die Arbeit die Notwendigkeit, Risiken rund um die Uhr zu überwachen.
• Methodisch: Der Erfolg des Reasoning-Modus unterstreicht, dass "Test-time Compute" (mehr Rechenleistung für die Antwortgenerierung) in der Finanzanalyse einen messbaren wirtschaftlichen Mehrwert bietet, der über einfache Klassifikation hinausgeht.

Zusammenfassend beweist das Paper, dass die Kombination aus hochfrequenten Daten, rund-um-die-Uhr-Analyse und state-of-the-art LLMs zu einem tieferen Verständnis der Preisbildung von Risiken führt und überlegene Investmentstrategien ermöglicht.