📊 statistics

Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law

Dieser Beitrag stellt ein bivariates Rahmenwerk für die Gamma-verallgemeinerte Laplace-Verteilung vor, bei dem die Beobachtung der Gamma-Mischvariablen die Maximum-Likelihood-Schätzung auf eine lineare Regression vereinfacht, was explizite Schätzer mit potenziell super-effizienten Konvergenzraten liefert und die praktische Anwendbarkeit bei der Modellierung von Aktienrenditen und Volatilität demonstriert.

Ursprüngliche Autoren: Tomasz J. Kozubowski, Andrey Sarantsev, James A. Spiker

Veröffentlicht 2026-05-04

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Tomasz J. Kozubowski, Andrey Sarantsev, James A. Spiker

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, das Wetter vorherzusagen, aber anstatt nur die Temperatur zu betrachten, erkennen Sie, dass sich die „Intensität" des Sturms selbst zufällig verändert. In der Welt der Finanzen ist dies ähnlich wie der Versuch, Aktienrenditen vorherzusagen. Normalerweise gehen Ökonomen davon aus, dass Aktienpreise wie ein ruhiger, vorhersehbarer Fluss fließen (eine „Normal"-Verteilung). In Wirklichkeit sind Märkte jedoch eher wie ein stürmischer Ozean mit plötzlichen, massiven Wellen und tiefen Tälern, die mit Standardmathematik nicht erfasst werden können.

Dieser Artikel stellt ein neues mathematisches Werkzeug vor, das bivariate Gamma-verallgemeinerte Laplace (BGGL)-Modell genannt wird. So funktioniert es, aufgeteilt in einfache Konzepte:

1. Die Metapher der „Sturmintensität"

Stellen Sie sich die tägliche Rendite einer Aktie (wie viel Geld Sie verdienen oder verlieren) als ein Auto vor, das eine Straße entlangfährt.

Das Standardmodell: Normalerweise gehen wir davon aus, dass das Auto mit konstanter Geschwindigkeit fährt und nur kleinen, zufälligen Stößen ausgesetzt ist.
Das neue Modell: Die Autoren schlagen vor, dass die Geschwindigkeit des Autos tatsächlich von einer versteckten Variable der „Sturmintensität" gesteuert wird. Nennen wir diese Variable X.
- Wenn X niedrig ist, ist die Straße glatt und das Auto bewegt sich stetig.
- Wenn X hoch ist, ist die Straße chaotisch, und das Auto kann wild vorwärts oder rückwärts ruckeln.

In diesem Modell repräsentiert X die „Volatilität" oder die „Geschäftszeit" des Marktes. Der Artikel behandelt X nicht als verborgenes Rätsel, sondern als etwas, das wir tatsächlich beobachten können (wie die Verwendung eines Volatilitätsindex wie dem VIX).

2. Der Zwei-Teile-Tanz

Der Artikel betrachtet zwei Dinge, die gleichzeitig geschehen:

X (Die Volatilität): Wie „stürmisch" der Markt ist. Dies folgt einem spezifischen Muster, der Gamma-Verteilung (denken Sie daran als ein Muster, das beschreibt, wie wahrscheinlich verschiedene Intensitätsstufen eines Sturms sind).
Y (Die Aktienrendite): Die tatsächliche Preisänderung. Dies folgt einer verallgemeinerten Laplace-Verteilung.

Die Magie dieses Artikels besteht darin, dass er X und Y gemeinsam (bivariat) untersucht. Die meisten früheren Studien betrachteten nur Y und rieten, was X sein könnte. Indem die Autoren sie als Paar betrachten, haben sie einen Abkürzungsweg gefunden.

3. Der „magische Abkürzungsweg" (Einfachere Mathematik)

Normalerweise ist das Herausfinden der Regeln für diese komplexen Verteilungen wie der Versuch, ein 100-Teile-Puzzle blind zu lösen. Es erfordert schwere, komplizierte Computerberechnungen.

Da dieses Modell jedoch sowohl den Sturm (X) als auch das Auto (Y) gleichzeitig beobachtet, wird die Mathematik überraschend einfach. Die Autoren zeigen, dass das Finden der besten Schätzwerte für das Marktverhalten mathematisch identisch ist mit dem Zeichnen einer geraden Linie durch eine Streuung von Punkten (eine Technik, die als Lineare Regression bezeichnet wird).

Anstatt Supercomputer zu benötigen, können Sie Standardmathematik verwenden, die leicht verständlich ist, um die Regeln des Marktes zu finden.

4. Die „Geschwindigkeitsbegrenzung"-Überraschung

Der Artikel entdeckte eine faszinierende Eigenart darüber, wie schnell sich ihre Mathematik verbessert, wenn sie mehr Daten hinzufügen (mehr Tage an Aktiengeschichte).

Standardregel: Normalerweise verbessert sich Ihre Genauigkeit, wenn Sie Ihre Daten verdoppeln, um einen vorhersehbaren Betrag (die Quadratwurzel der Stichprobengröße).
Die Entdeckung des Artikels: Wenn der „Sturm" (die Gamma-Verteilung) sehr wild ist (mathematisch, wenn ein Parameter namens $\alpha$ klein ist), wird die Mathematik viel schneller genau als üblich. Es ist, als würde das Modell die Regeln des Spiels in Rekordzeit lernen, wenn der Markt extrem volatil ist.

5. Testen der Theorie

Die Autoren haben nicht nur die Mathematik durchgeführt; sie haben sie mit realen Daten getestet. Sie betrachteten drei große US-Aktienindizes:

S&P 500 (500 große Unternehmen)
Dow Jones (30 große, traditionelle Unternehmen)
NASDAQ 100 (100 Technologieunternehmen)

Sie kombinierten diese Aktienrenditen mit ihren entsprechenden „Angstmessern" (Volatilitätsindizes wie dem VIX). Sie stellten fest, dass ihr neues Modell sehr gut zu den realen Daten passte. Die „Sturm"-Variable (X) und die „Auto"-Variable (Y) verhielten sich genau so, wie ihre Gleichungen vorhersagten, und erfassten die schweren Ränder (extreme Ereignisse), die Standardmodelle verpassen.

Zusammenfassung

Kurz gesagt sagt dieser Artikel: „Wenn Sie Aktienmärkte verstehen wollen, schauen Sie nicht nur auf die Preisänderungen. Betrachten Sie die Preisänderungen zusammen mit der Volatilität, die sie antreibt." Indem sie dies taten, schufen sie ein Modell, das:

Realistischer ist (es bewältigt extreme Markteinbrüche besser).
Einfacher zu berechnen ist (es verwandelt komplexe Probleme in einfaches Linienzeichnen).
Schneller aus Daten lernt (es konvergiert schnell, besonders in wilden Märkten).

Sie haben dies erfolgreich auf reale Aktienmärkte angewendet und gezeigt, dass dieser „Zwei-Variable-Tanz" eine leistungsstarke Methode ist, um die finanzielle Realität zu modellieren.

1. Problemstellung

Das Papier adressiert zwei Hauptherausforderungen in der Finanzmodellierung und statistischen Inferenz:

Einschränkungen univariater Modelle: Während die generalisierte asymmetrische Laplace-Verteilung (GAL, auch bekannt als Variance-Gamma-Verteilung) aufgrund ihrer Fähigkeit, schwere Ränder und Schiefe zu erfassen, weit verbreitet ist, um Asset-Renditen zu modellieren, wird sie typischerweise in einem univariaten Setting untersucht. In diesem Setting ist die mischende Gamma-Variable (die stochastische Volatilität oder Geschäftszeit repräsentiert) unbeobachtet, was die Maximum-Likelihood-Schätzung (MLE) komplex und rechenintensiv macht.
Umgang mit beobachteter Volatilität: In vielen finanziellen Kontexten werden Volatilitätsindizes (wie der VIX) gemeinsam mit Asset-Renditen beobachtet. Standardmodelle stochastischer Volatilität behandeln Volatilität oft als latente (versteckte) Variable, was komplexe Filtertechniken erfordert (z. B. Hidden-Markov-Modelle). Die Autoren suchen nach einem Rahmenwerk, in dem sowohl die Rendite als auch der Volatilitätsproxy gemeinsam als beobachtbare Zufallsvariablen modelliert werden.

2. Methodik: Das BGGL-Modell

Die Autoren führen die bivariate Gamma-verallgemeinerte Laplace-Verteilung (BGGL) ein. Dies ist eine bivariate Erweiterung des Standard-GAL-Modells, bei der die mischende Gamma-Variable beobachtet wird.

Stochastische Darstellung: Seien $Z \sim N(0,1)$ und $X \sim \text{GAM}(\alpha, \beta)$ unabhängig. Der Zufallsvektor $(X, Y)$ ist definiert als:
$Y = \delta + \mu X + \sigma \sqrt{X} Z$
Hier repräsentiert $X$ den beobachteten Volatilitätsproxy (oder die Geschäftszeit), und $Y$ repräsentiert die Asset-Rendite.
Gemeinsame Dichte: Die gemeinsame Wahrscheinlichkeitsdichtefunktion (PDF) von $(X, Y)$ wird explizit hergeleitet. Es wird gezeigt, dass die bedingte Verteilung $Y|X$ gaußförmig ist, während die Randverteilung von $X$ Gamma ist und die Randverteilung von $Y$ GAL ist.
Struktur der Exponentialfamilie: Die Autoren zeigen, dass die BGGL-Familie eine gekrümmte Exponentialfamilie ist. Obwohl sie 5 Parameter hat ( $\alpha, \beta, \delta, \mu, \sigma$ ), spannen ihre hinreichenden Statistiken einen 6-dimensionalen Raum auf. Diese nicht-standardisierte Struktur ist entscheidend für das Verständnis des Verhaltens der Schätzer.
Fisher-Information: Das Papier leitet die Fisher-Informationsmatrix (FIM) her. Ein zentrales Ergebnis ist, dass für den Formparameter $\alpha \le 1$ die FIM für bestimmte Parameter (insbesondere in Bezug auf $\delta$ ) singulär (unendlich) wird, was ein nicht-standardisiertes asymptotisches Verhalten anzeigt.

3. Hauptbeiträge

Das Papier leistet drei wesentliche theoretische und methodische Beiträge:

Vereinfachte Maximum-Likelihood-Schätzung (MLE):
Im Gegensatz zum univariaten GAL-Modell, bei dem die MLE eine numerische Optimierung einer komplexen Likelihood-Funktion erfordert, ermöglicht die bivariate Formulierung explizite, geschlossene Lösungen für die Lage- ( $\delta$ ), Schiefe- ( $\mu$ ) und Skalierungsparameter ( $\sigma$ ).
- Die MLEs für $\delta$ und $\mu$ entsprechen exakt den Kleinste-Quadrate-Schätzern in einem gewichteten linearen Regressionsmodell (speziell einer Regression ohne Intercept, bei der die Fehlervarianz proportional zu $X$ ist).
- Die MLEs für die Gamma-Parameter ( $\alpha, \beta$ ) werden aus der Randverteilung von $X$ abgeleitet und liegen in geschlossener Form vor (unter Einbeziehung der Digamma-Funktion).
Nicht-standardisierte asymptotische Theorie:
Die Autoren stellen fest, dass die Konvergenzraten der MLEs kritisch vom Formparameter $\alpha$ der mischenden Gamma-Verteilung abhängen:
- Fall $\alpha > 1$ : Die Schätzer sind asymptotisch normal mit der Standard-Konvergenzrate $\sqrt{n}$ .
- Fall $\alpha = 1$ : Der Schätzer $\hat{\delta}$ konvergiert mit einer Rate von $\sqrt{n \ln n}$ , und die Grenzverteilung bleibt gaußförmig, jedoch mit einer anderen Varianzstruktur.
- Fall $\alpha < 1$ : Die Konvergenzrate für $\hat{\delta}$ beschleunigt sich auf $n^{1/(2\alpha)}$ (schneller als $\sqrt{n}$ ). Entscheidend ist, dass die Grenzverteilung nicht-gaußförmig ist und einen stabilen Subordinator ( $\xi_\alpha$ ) beinhaltet. Dies ist ein seltenes Phänomen, bei dem die MLE schneller als die Standardrate konvergiert, aber die Normalität verliert.
Rahmenwerk für finanzielle Anwendungen:
Das Papier schlägt eine neuartige Methode vor, um Aktienrenditen und Volatilität gemeinsam zu modellieren. Anstatt Volatilität als latenten Zustand zu behandeln, transformieren sie den beobachteten Volatilitätsindex (VIX) in eine Gamma-verteilte Variable $X$ und modellieren das Paar $(X, Y)$ direkt. Dies vermeidet die Notwendigkeit von Hidden-Markov-Modellen.

4. Hauptergebnisse

Eigenschaften der Schätzer:
- Die Schätzer $\hat{\delta}_n$ und $\hat{\mu}_n$ sind erwartungstreu.
- Für $\alpha > 1$ ist die gemeinsame Verteilung der Schätzer asymptotisch multivariat normal mit einer blockdiagonalen Kovarianzmatrix, was eine asymptotische Unabhängigkeit zwischen den Gamma-Parametern und den Regressionsparametern impliziert.
- Für $\alpha \le 1$ werden die Schätzer $\hat{\delta}_n$ und $\hat{\mu}_n$ asymptotisch unabhängig, eine Eigenschaft, die im Fall $\alpha > 1$ nicht vorhanden ist.
Simulationsstudie:
Simulationen mit Stichprobengrößen $n=50$ und $n=500$ bestätigen die theoretischen Befunde.
- Für $\alpha = 1$ und $\alpha = 0.25$ ist der Root Mean Squared Error (RMSE) für $\delta$ sehr niedrig, was mit den schnelleren Konvergenzraten übereinstimmt.
- Für $\alpha = 2$ und $\alpha = 5$ steigt der RMSE für $\delta$ an, was die langsamere $\sqrt{n}$ -Konvergenzrate und den Einfluss der schweren Ränder in der Mischungsverteilung widerspiegelt.
Empirische Anwendung:
Das Modell wurde auf wöchentliche Daten (2019–2024) für drei große US-Indizes angewendet: S&P 500, DJIA und NASDAQ 100, gepaart mit ihren jeweiligen Volatilitätsindizes (VIX, VXD, VXN).
- Ergebnisse: Das BGGL-Modell lieferte für alle drei Indizes eine zufriedenstellende Anpassung.
- Diagnostik: Quantil-Quantil (QQ)-Diagramme zeigten, dass die Residuen (aus der Regression extrahiert) gut durch eine Standardnormalverteilung approximiert wurden, und die transformierte Volatilitätsvariable $X$ passte gut zur Gamma-Verteilung.
- Interpretation: Die Autoren interpretieren die Variable $X$ als „unerwartete" oder „überraschende" Volatilität (die Abweichung der aktuellen Volatilität von der autoregressiven Erwartung), was es dem Modell ermöglicht, die gemeinsamen Dynamiken von Renditen und Volatilitätsschocks unter Verwendung von IID-Annahmen anstelle komplexer Zeitreihenabhängigkeiten zu erfassen.

5. Bedeutung

Recheneffizienz: Durch die Beobachtung der Mischungsvariablen verwandelt das Papier ein schwieriges nichtlineares Optimierungsproblem in ein einfaches lineares Regressionsproblem, was die Parameterschätzung erheblich handhabbarer macht.
Theoretische Einsicht: Die Entdeckung super-schneller Konvergenzraten ( $n^{1/(2\alpha)}$ ) gekoppelt mit nicht-gaußförmigen Grenzen für $\alpha < 1$ fügt einen signifikanten neuen Fall zur Literatur über nicht-standardisiertes asymptotisches Verhalten bei der MLE hinzu.
Praktische Finanzmodellierung: Der Ansatz bietet eine sparsame Alternative zu komplexen Stochastischen-Volatilitäts-(SV-) und GARCH-Modellen. Indem Volatilität als beobachtbarer Input und nicht als latenter Zustand behandelt wird, vereinfacht er die Modellierung der gemeinsamen Verteilung von Renditen und Volatilität, was für Risikomanagement und Derivatebewertung essenziell ist.

Zusammenfassend überbrückt das Papier erfolgreich die Lücke zwischen theoretischer Wahrscheinlichkeit (bivariate Mischungen, stabile Gesetze) und praktischer Finanzökonometrie und bietet ein robustes, analytisch handhabbares Modell für Asset-Renditen, die durch beobachtete Volatilität getrieben werden.