📊 statistics

Consistent Variable Selection for GARCH-X Models

Dieser Beitrag schlägt ein konsistentes Verfahren zur Variablenauswahl für GARCH-X-Modelle vor und validiert dieses, das auf Wald-ähnlichen Statistiken und der Kontrolle der False Discovery Rate nach Benjamini-Yekutieli basiert, um relevante exogene Kovariaten, die die Volatilitätsdynamik beeinflussen, präzise zu identifizieren.

Ursprüngliche Autoren: Adriano Zanin Zambom, Beck Saunders

Veröffentlicht 2026-04-29

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Adriano Zanin Zambom, Beck Saunders

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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, Sie versuchen vorherzusagen, wie „stürmisch" der Aktienmarkt morgen sein wird. In der Welt der Finanzen wird diese „Stürmigkeit" als Volatilität bezeichnet.

Lange Zeit verfügten Ökonomen über ein Werkzeug namens GARCH-Modell, um diese Stürme vorherzusagen. Denken Sie an dieses Werkzeug wie eine Wetterfahne, die nur den Wind betrachtet, den sie gerade gespürt hat. Wenn der Wind gestern böig war, geht das Werkzeug davon aus, dass er heute ebenfalls böig sein wird. Es ist gut darin, in die Vergangenheit zu blicken, ignoriert jedoch die Tatsache, dass sich das Wetter aufgrund von Ereignissen in weiter Ferne ändern könnte, wie etwa einer plötzlichen Verschiebung des Jetstreams oder eines Vulkanausbruchs.

In der realen Welt wird die Volatilität des Aktienmarktes oft durch externe Faktoren (exogene Variablen) wie den Ölpreis, den Goldwert oder die Performance anderer Aktienindizes getrieben. Diese Arbeit stellt eine neue Methode vor, die Ökonomen hilft herauszufinden, welche dieser externen Faktoren tatsächlich relevant sind und welche lediglich Rauschen darstellen.

Hier ist eine Aufschlüsselung der Ideen der Arbeit unter Verwendung einfacher Analogien:

1. Das Problem: Der „Küchenwaschbecken"-Ansatz

Stellen Sie sich vor, Sie sind ein Koch, der versucht, eine perfekte Suppe (das Volatilitätsmodell) zuzubereiten. Sie haben einen riesigen Vorratsschrank mit 100 verschiedenen Gewürzen (exogene Variablen wie Öl, Gold, Weizen, Stahl usw.).

Der alte Weg: Die meisten Köche würden einfach alles in den Topf werfen, um auf der sicheren Seite zu sein, in der Hoffnung, dass der Geschmack stimmt. Dies wird als „vollständiges Modell" bezeichnet. Es ist unübersichtlich, schwer zu verkosten und oft überkompliziert.
Die Herausforderung: Wenn Sie versuchen würden, jede mögliche Kombination von Gewürzen zu testen, um herauszufinden, welche unverzichtbar sind, müssten Sie mehr Tests durchführen als es Sterne am Himmel gibt. Dies ist rechnerisch unmöglich.

2. Die Lösung: Der „intelligente Detektiv"

Die Autoren Adriano Zanin Zambom und Beck Saunders entwickelten eine Methode des „intelligenten Detektivs", um die wirklich unverzichtbaren Gewürze zu finden, ohne jede einzelne Kombination zu testen.

Ihre Methode funktioniert in drei Schritten:

Die Vernehmung (Hypothesentest): Sie fragen jedes Gewürz: „Verändern Sie tatsächlich den Geschmack der Suppe oder sind Sie nur Wasser?" Sie geben jedem Gewürz eine Punktzahl (einen p-Wert) basierend darauf, wie stark die Beweislage ist.
Der Filter (False Discovery Rate): Hier kommt der knifflige Teil ins Spiel. Wenn Sie 100 Fragen stellen, erhalten Sie möglicherweise ein paar „Ja"-Antworten rein zufällig (falsche Alarme). Um dies zu beheben, verwenden sie eine spezielle Regel namens Benjamini–Yekutieli-Verfahren.
- Analogie: Stellen Sie sich einen Sicherheitsbeamten vor, der 100 Personen auf Waffen überprüft. Wenn der Beamte zu streng ist, hält er unschuldige Personen auf. Wenn er zu nachlässig ist, lässt er Kriminelle durch. Diese Regel ist eine mathematische „Goldilocks"-Einstellung, die sicherstellt, dass der Beamte die Bösewichte (relevante Variablen) fängt, während die Anzahl der unschuldig aufgehaltenen Personen (falsche Alarme) sehr niedrig bleibt.
Das Urteil: Die Methode behält nur die Gewürze, die den Test bestehen, und wirft den Rest weg.

3. Das Versprechen: Mit der Zeit besser werden

Die Arbeit beweist mathematisch, dass dieser „intelligente Detektiv" mit zunehmender Datenmenge schlauer wird.

Die Analogie: Stellen Sie sich vor, Sie versuchen, ein Flüstern in einem lauten Raum zu hören. Wenn der Raum klein ist (kleine Datenmenge), könnten Sie einen Husten mit einem Flüstern verwechseln. Doch je größer der Raum wird und je mehr sich das Lärmpegel beruhigt (größere Stichprobengröße), desto sicherer wird der Detektiv zu 100 %, wer flüstert und wer nur hustet.
Die Autoren zeigen, dass das Modell, je mehr historische Daten es erhält, schließlich die exakte Menge externer Faktoren identifiziert, die die Volatilität antreiben, und dies mit nahezu perfekter Genauigkeit tut.

4. Der Beweis: Simulationen und Realität

Um zu beweisen, dass ihre Methode funktioniert, haben sie zwei Dinge getan:

Das Simulationslabor: Sie erstellten gefälschte Aktienmarktdaten am Computer, in die sie einige „echte" Treiber und einige „falsche" Rauschsignale mischten. Sie testeten ihre Methode an diesen gefälschten Daten mit verschiedenen Arten von „Wetter" (Normalverteilungen und heavy-tailed „Stürme"). Die Methode fand konsistent die echten Treiber und ignorierte das Rauschen, insbesondere wenn der Datensatz groß war.
Der Realwelt-Test: Sie wandten dies auf den S&P 500 (den großen US-Aktienindex) an. Sie fütterten ihn mit Daten zu verschiedenen Rohstoffen (Öl, Gold, Weizen) und anderen Aktienindizes (NASDAQ, Dow Jones).
- Das Ergebnis: Die Methode entschied, dass NASDAQ und Rohöl die beiden wichtigsten externen Faktoren sind, die die Volatilität des S&P 500 beeinflussen. Sie schlug vor, dass Stahl möglicherweise eine geringe Bedeutung hat, aber die meisten anderen Rohstoffe (wie Gold oder Reis) lediglich Rauschen darstellten.
- Der Vorteil: Das Modell, das nur diese wenigen ausgewählten Faktoren verwendete, war viel einfacher und effizienter als das Modell, das versuchte, alle zu verwenden, sagte jedoch die „Stürmigkeit" des Marktes ebenso gut voraus.

Zusammenfassung

Diese Arbeit bietet eine zuverlässige, mathematisch bewiesene Methode zur Bereinigung finanzieller Modelle. Anstatt das Modell mit jedem möglichen externen Faktor zu überladen, fungiert diese Methode wie ein Filter, der nur die Variablen durchlässt, die wirklich wichtig sind. Sie stellt sicher, dass sich unser Verständnis dessen, was die Marktvolatilität antreibt, mit zunehmender Datensammlung schärfer, einfacher und genauer wird.

1. Problemstellung

Die Modellierung finanzieller Volatilität stützt sich häufig auf GARCH-Modelle (Generalized Autoregressive Conditional Heteroskedasticity). Während Standard-GARCH-Modelle endogene Volatilitätsdynamiken (vergangene Schocks und vergangene Volatilität) erfassen, deuten empirische Befunde darauf hin, dass externe (exogene) Faktoren – wie makroökonomische Indikatoren, Nachrichtenintensität oder Rohstoffpreise – die Volatilität erheblich beeinflussen.

Das GARCH-X-Modell erweitert den Standardrahmen, um diese exogenen Kovariaten einzubeziehen. Eine kritische Herausforderung entsteht jedoch, wenn die Anzahl der potenziellen Kovariaten groß ist:

Schwierigkeit der Modellauswahl: Bestehende Methoden konzentrieren sich primär auf die Auswahl der Ordnung des Modells (z. B. Bestimmung von $p$ und $q$ in GARCH( $p,q$ )) und nicht auf die Auswahl spezifischer exogener Variablen.
Rechenlast: Das exhaustive Testen aller Kombinationen von Kovariaten unter Verwendung von Strafkriterien (wie BIC oder AIC) ist bei einer moderaten bis großen Anzahl von Kovariaten rechnerisch untragbar.
Fehlende theoretische Garantien: Es gab kein etabliertes Verfahren mit theoretischen Konsistenzresultaten speziell für die Auswahl exogener Kovariaten in Volatilitätsmodellen. Das Ziel ist es, die „wahre" Teilmenge relevanter Kovariaten zu identifizieren, die die Volatilität antreiben, während irrelevante ausgeschlossen werden.

2. Methodik

Die Autoren schlagen ein konsistentes Variablenauswahlverfahren vor, das auf einem Rahmenwerk für multiple Hypothesentests in Kombination mit der Kontrolle der False Discovery Rate (FDR) basiert.

A. Der Modellrahmen

Das Papier nutzt das GARCH( $p,q$ )-X-Modell:
$\epsilon_t = \sigma_t w_t$
$\sigma_t^2(\theta) = \omega + \sum_{i=1}^p \alpha_i \epsilon_{t-i}^2 + \sum_{j=1}^q \beta_j \sigma_{t-j}^2 + \gamma^T X_{t-1}$
Wobei $X_{t-1}$ ein Vektor von $d$ exogenen Kovariaten ist und $\gamma = (\gamma_1, \dots, \gamma_d)'$ die zu testenden Koeffizienten darstellt. Das Ziel ist die Wiederherstellung der wahren Indexmenge $I_0 = \{k : \gamma_k \neq 0\}$ .

B. Hypothesentests

Für jede Kovariable $k$ formulieren die Autoren einen einseitigen Hypothesentest:

$H_0^k: \gamma_k = 0$ (Kovariable ist irrelevant)
$H_1^k: \gamma_k > 0$ (Kovariable ist relevant)

Sie nutzen den Quasi-Maximum-Likelihood-Schätzer (QMLE) $\hat{\theta}_n$ . Unter Regularitätsbedingungen (etabliert in Francq und Thieu, 2019) ist der Schätzer konsistent und asymptotisch normal (auf den Parameterraum projiziert aufgrund von Nichtnegativitätsbedingungen).

Die Teststatistik für jede Kovariable ist eine Wald-artige Statistik:
$t_n(k) = \frac{\sqrt{n} e_k^T \hat{\theta}_n}{\sqrt{e_k^T \hat{\Sigma}_n e_k}}$
Wobei $\hat{\Sigma}_n$ die geschätzte asymptotische Kovarianzmatrix ist. Aufgrund der Positivitätsbedingung für Parameter folgt die quadrierte Statistik $t_n^2(k)$ einer Chi-Bar-Quadrat-Verteilung (eine Mischung aus einer Punktmasse bei 0 und einer $\chi^2_1$ -Verteilung).

C. Variablenauswahl via FDR-Kontrolle

Anstatt ein festes Signifikanzniveau zu verwenden (was bei multiplen Tests zu hohen Fehlern 1. Art führt), wenden die Autoren das Verfahren von Benjamini–Yekutieli (2001) zur Kontrolle der False Discovery Rate (FDR) an.

Berechnung der p-Werte $\pi_k$ für alle $d$ Kovariaten.
Sortierung der p-Werte: $\pi_{(1)} \leq \dots \leq \pi_{(d)}$ .
Bestimmung des größten Index $\ell$ , sodass:
$\pi_{(k)} \leq \frac{k}{d} \frac{\alpha_n}{\sum_{l=1}^d l^{-1}}$
Ablehnung der Nullhypothesen für die ersten $\ell$ Kovariaten. Die ausgewählte Menge $\hat{I}$ besteht aus den Indizes dieser abgelehnten Hypothesen.

D. Konsistenzbedingungen

Die Methode ist unter spezifischen Bedingungen als konsistent bewiesen (d. h. $P(\hat{I} = I_0) \to 1$ für $n \to \infty$ ):

Bedingung (C1): Die asymptotischen Varianzen der Schätzer müssen relativ zur Stichprobengröße ausreichend schnell abnehmen ( $\sigma_{kk} < n/\log(n)$ ).
Signalstärke: Das Signifikanzniveau $\alpha_n$ muss mit zunehmender Stichprobengröße mit einer spezifischen Rate gegen 0 abfallen ( $\alpha_n = o(e^{-cn})$ ), was der Methode ermöglicht, echte Signale von Rauschen zu unterscheiden, selbst wenn die Signalstärke leicht abnimmt.

3. Hauptbeiträge

Theoretische Konsistenz: Das Papier liefert den ersten formellen Beweis, dass eine auf FDR-Kontrolle basierende Variablenauswahlregel für GARCH-X-Modelle konsistent ist und somit asymptotisch die wahre Menge der Kovariaten wiederherstellt.
Berücksichtigung von Nebenbedingungen: Die Methodik berücksichtigt explizit die Nichtnegativitätsbedingungen von GARCH-Parametern und nutzt die korrekte Chi-Bar-Quadrat-Verteilung für die p-Wert-Berechnung anstelle von Standard-Normalapproximationen.
Rechenleistung: Durch die Vermeidung einer exhaustiven Suche über alle Teilmengen und die Verwendung eines Step-up-FDR-Verfahrens skaliert die Methode effizient mit der Anzahl der Kovariaten.
Robustheit gegenüber Signalabnahme: Der theoretische Rahmen erlaubt eine „abnehmende Signalstärke", was bedeutet, dass die Methode funktioniert, selbst wenn die Effektgröße relevanter Kovariaten mit zunehmender Stichprobengröße kleiner wird, sofern der Abfall nicht zu schnell erfolgt.

4. Ergebnisse

A. Monte-Carlo-Simulationen

Die Autoren führten umfangreiche Simulationen in vier Szenarien durch:

Szenarien 1 & 2: GARCH(1,1)-X mit unabhängigen und exponentiell abklingend korrelierten Kovariaten.
Szenarien 3 & 4: GARCH(2,1)-X mit unabhängigen und korrelierten Kovariaten.
Verteilungen: Fehler wurden aus Normalverteilung, Student's $t$ (5 und 7 Freiheitsgrade) generiert, um die Robustheit gegenüber schweren Verteilungsenden zu testen.
Stichprobengrößen: $n = 500, 1000, 5000, 10000$ .

Wichtige Erkenntnisse:

Genauigkeit: Mit zunehmender Stichprobengröße identifizierte die Methode relevante Kovariaten korrekt mit einer Wahrscheinlichkeit, die gegen 1 geht. Für $n=5000$ und $n=10000$ lagen die Selektionsraten für wahre Kovariaten nahe bei 100 %, während die Fehlsuchraten für irrelevante Kovariaten vernachlässigbar waren (< 5 %).
Robustheit: Die Methode performte gut unter Verteilungen mit schweren Enden (Student's $t$ ), obwohl die Konvergenz im Vergleich zum Normalfall leicht langsamer war.
Modellauswahlkriterien: Die von der vorgeschlagenen Methode ausgewählten Modelle erreichten konsistent niedrigere (bessere) BIC- und AIC-Werte im Vergleich zum „vollständigen Modell" (alle Kovariaten) und dem „Nullmodell" (keine Kovariaten) bei größeren Stichprobengrößen, was einen optimalen Kompromiss zwischen Sparsamkeit und Anpassungsgüte demonstriert.

B. Anwendung auf reale Daten: Volatilität des S&P 500

Die Methode wurde auf tägliche S&P-500-Renditen (Januar 2000 – Mai 2025) unter Verwendung von 9 exogenen Kovariaten angewendet (NASDAQ, Dow Jones, Rohöl, Erdgas, Gold, Palladium, Reis, Stahl, Weizen).

Selektionsergebnisse: Auf einem angepassten Signifikanzniveau von 0,05 wählte das Verfahren NASDAQ und Rohöl als einzigen statistisch signifikanten Treiber aus. Stahl war marginal signifikant.
Modellvergleich:
- Das Ausgewählte Modell (NASDAQ + Rohöl) hatte einen BIC von 141.721,2 und einen AIC von 141.689,4.
- Das Vollständige Modell (alle 9 Kovariaten) hatte einen höheren BIC (141.792,3) und AIC (141.715,9), was auf Überanpassung hindeutet.
- Das Nullmodell (keine Kovariaten) schnitt in Bezug auf den AIC schlechter ab als das ausgewählte Modell, was bestätigt, dass externe Faktoren tatsächlich erklärende Kraft hinzufügen.
Fazit: Das ausgewählte Modell lieferte eine sparsamere und interpretierbarere Erklärung der S&P-500-Volatilität, die Marktstimmung (NASDAQ) und Energie-/Inflationsschocks (Öl) ohne unnötige Komplexität erfasst.

5. Bedeutung

Dieses Papier schließt eine kritische Lücke in der Finanzökonometrie, indem es ein rigoroses, theoretisch fundiertes und rechnerisch machbares Werkzeug für die Variablenauswahl in der Volatilitätsmodellierung bereitstellt.

Praktischer Nutzen: Es ermöglicht Forschern und Praktikern, objektiv zu identifizieren, welche makroökonomischen oder finanziellen Indikatoren die Marktvolatilität tatsächlich antreiben, und vermeidet den „Küchenspül"-Ansatz, alle verfügbaren Daten einzubeziehen.
Theoretischer Fortschritt: Es erweitert die Anwendung der FDR-Kontrolle von Regressionskontexten auf nichtlineare, heteroskedastische Zeitreihenmodelle mit komplexen Parameternebenbedingungen.
Risikomanagement: Durch die Identifizierung der wahren Treiber der Volatilität verbessert die Methode die Genauigkeit von Risikomanagement-Tools (z. B. Value-at-Risk) und Asset-Pricing-Modellen, insbesondere in Phasen von Marktstress, in denen exogene Faktoren am einflussreichsten sind.