💰 quantitative finance

Market-implied time to transition to a low-carbon economy: a stochastic modelling and inference framework

Dieser Beitrag stellt „Time to Transition" (TtT), eine neue vom Markt implizierte Metrik, die aus der Greenium-Terminstruktur abgeleitet wird, vor und entwickelt ein zweischichtiges stochastisches Inferenzframework, das regulatorische Fristen beschränkende Modelle mit Regimewechsel-Erweiterungen kombiniert, um latente Übergangszeitpunkte zu schätzen und eine konsistente Parameterschätzung sicherzustellen.

Ursprüngliche Autoren: Lorenzo Mercuri, Andrea Perchiazzo, Edit Rroji, Ilaria Stefano

Veröffentlicht 2026-05-06

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Lorenzo Mercuri, Andrea Perchiazzo, Edit Rroji, Ilaria Stefano

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 die Weltwirtschaft als ein riesiges Schiff vor, das versucht, von einem stürmischen, kohlenstoffreichen Meer in einen ruhigen, kohlenstoffarmen Hafen zu steuern. Die Menschen an Bord (die Investoren) kennen das Ziel, aber sie streiten darüber, wann das Schiff tatsächlich ankommen wird. Manche glauben, es werde bis 2030 anlegen; andere denken, es werde nicht vor 2041 geschehen.

Diese Arbeit stellt ein neues Werkzeug vor, um herauszufinden, was die Investoren wirklich über diesen Ankunftszeitpunkt denken – nicht indem man sie fragt, sondern indem man den „Flüstern" auf dem Anleihemarkt lauscht.

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

1. Die „Grüne Prämie" und das „Greenium"

Auf dem Anleihemarkt können Regierungen und Unternehmen „Grüne Anleihen" (zur Finanzierung umweltfreundlicher Projekte) und „Braune Anleihen" (Standardprojekte) emittieren. Normalerweise sind Grüne Anleihen für den Emittenten etwas günstiger zu verkaufen, da Investoren bereit sind, eine niedrigere Rendite in Kauf zu nehmen, nur um die Umwelt zu unterstützen. Dieser Preisunterschied wird als Greenium bezeichnet.

Stellen Sie sich das Greenium wie einen Rabattgutschein vor.

Kurzfristige Gutscheine: Investoren sind sehr aufgeregt über die Zukunft. Sie sind bereit, einen großen Rabatt (ein hohes Greenium) für Anleihen zu akzeptieren, die bald fällig werden, weil sie glauben, dass der „grüne Übergang" jetzt stattfindet.
Langfristige Gutscheine: Je weiter Sie in die Zukunft blicken, desto mehr verblasst die Aufregung, oder der Rabatt wird kleiner.

2. Die Kernidee: „Zeit bis zum Übergang" (TtT)

Die Autoren haben auf dem deutschen Anleihemarkt etwas Interessantes bemerkt: Der „Rabatt" (Greenium) ist oft invertiert. Investoren sind bereit, bei kurzfristigen Anleihen einen größeren Verlust ihrer Rendite hinzunehmen als bei langfristigen.

Warum? Weil die Investoren glauben, der Übergang zu einer grünen Wirtschaft sei dringend und finde bald statt. Aber sie befürchten auch, dass, wenn der Übergang zu lange dauert, das „grüne" Label den Opfergang nicht wert sein wird.

Die Arbeit erstellt eine neue Metrik namens Zeit bis zum Übergang (TtT).

Die Metapher: Stellen Sie sich das Greenium als einen Hügel vor. Im Moment ist der Hügel steil (hoher Rabatt für kurzfristige, niedriger für langfristige Anleihen). Die Autoren definieren die „Zeit bis zum Übergang" als den Moment, in dem der Hügel vollständig flach wird.
Das Signal: Wenn der Hügel flach wird, bedeutet dies, dass die Investoren glauben, der Übergang sei abgeschlossen. Zu diesem Zeitpunkt ist das „grüne" Label nur noch ein dauerhaftes Merkmal, und der Rabatt ist für alle Zeiträume gleich.
Das Ziel: Indem gemessen wird, wie steil der Hügel heute ist, versucht die Arbeit zu berechnen, wie viele Jahre es dauern wird, bis dieser Hügel flach wird. Es ist wie der Blick auf die Geschwindigkeit eines Autos, um zu erraten, wann es die Ziellinie erreichen wird.

3. Die Zwei Modelle: Die „Strenge Frist" vs. die „Wackelnde Uhr"

Um diese Zeit zu berechnen, entwickelten die Autoren zwei mathematische Modelle (wie zwei verschiedene Arten von Uhren).

Modell A: Die Regulatorische Frist (RDCM)

Die Analogie: Stellen Sie sich einen strengen Lehrer vor, der sagt: „Die Prüfung findet am 31. Dezember 2030 statt, egal was passiert."
Funktionsweise: Dieses Modell geht davon aus, dass sich alle auf ein einzelnes, festes Datum einigen, an dem der Übergang abgeschlossen sein wird. Die Mathematik sagt voraus, dass sich der „Greenium-Hügel" nähert, je näher wir diesem Datum kommen.
Das Problem: Im echten Leben sind sich die Menschen nicht immer einig. Manche denken, die Frist sei 2030; andere denken, es sei 2040. Dieses Modell ist zu starr.

Modell B: Die Wechselnde Frist (SRDCM)

Die Analogie: Stellen Sie sich eine Gruppe von Investoren vor, bei der einige „Optimisten" (die glauben, die Frist sei 2030) und andere „Skeptiker" (die glauben, es sei 2041) sind. Jeden Tag ändert sich die Marktstimmung. An einem Tag haben die Optimisten das Sagen; am nächsten Tag übernehmen die Skeptiker.
Funktionsweise: Dieses Modell erlaubt es, dass die „Frist" basierend auf neuen Nachrichten (wie einem neuen Gesetz oder einem Krieg) zwischen verschiedenen Daten hin und her wechselt. Es wirkt wie ein Filter, der ständig neu bewertet: „Glaubt der Markt gerade, dass wir auf Kurs für 2030 sind, oder hat sich das Ziel auf 2041 verschoben?"

4. Das Experiment: Lauschen auf deutsche Anleihen

Die Autoren testeten ihre Theorie mit echten Daten von deutschen Staatsanleihen (speziell „Zwillingsanleihen", die identisch sind, außer für ihr „Grünes" oder „Braunes" Label). Dies ist ein perfektes Labor, da der einzige Unterschied zwischen den beiden Anleihen das Label ist, was die Daten sehr sauber macht.

Das Ergebnis: Als sie das einfache „Strenge Frist"-Modell verwendeten, passte die Mathematik nicht gut zur realen Welt (die „Residuen" waren chaotisch).
Der Erfolg: Als sie das „Wechselnde Frist"-Modell verwendeten, passte es perfekt zu den Daten.
Die Erkenntnis: Das Modell zeigte, dass der Markt lange Zeit gespalten war. In den letzten Monaten jedoch ist die „Optimisten"-Sicht (Übergang bis 2030) weniger dominant geworden, und der Markt neigt zunehmend zur Ansicht, dass der Übergang länger dauern könnte (was die wahrgenommene Frist weiter nach hinten schiebt).

5. Die Mathematische Garantie

Die Arbeit beweist auch mathematisch, dass man, wenn man den Markt lange genug und genau genug beobachtet, die spezifische „Geschwindigkeit" genau ermitteln kann, mit der der Markt seine Meinung ändert. Es ist wie der Beweis, dass man, wenn man eine Uhr lange genug beobachtet, schließlich genau sagen kann, wie schnell ihre Zahnräder sich drehen, selbst wenn die Uhr etwas wackelig ist.

Zusammenfassung

Diese Arbeit misst nicht nur, wie viel Geld die Menschen für grüne Anleihen sparen. Stattdessen misst sie wann die Menschen glauben, dass der grüne Übergang tatsächlich stattfinden wird.

Das Werkzeug: Eine neue Art, Anleihepreise zu lesen, um die „Ankunftszeit" einer kohlenstoffarmen Wirtschaft zu erraten.
Die Methode: Verwendung eines flexiblen Modells, das berücksichtigt, dass Investoren ihre Meinung ändern und verschiedene Fristen im Sinn haben.
Die Kernaussage: Der Markt ist ein lebendiges Wesen, das seine Überzeugung über die Zukunft ständig aktualisiert. Diese Arbeit gibt uns eine Möglichkeit, diese Überzeugungen in Echtzeit zu entschlüsseln.

Technische Zusammenfassung: Vom Markt implizierte Zeit bis zum Übergang zu einer kohlenstoffarmen Wirtschaft

Problembeschreibung
Der Übergang zu einer kohlenstoffarmen Wirtschaft umfasst institutionelle Zeitpläne (z. B. die EU-Ziele für 2030 und 2050), die von Marktteilnehmern unterschiedlich wahrgenommen werden. Während Finanzpreise Überzeugungen über zukünftige Zustände widerspiegeln, ist die Extraktion des spezifischen Zeitpunkts dieser Übergänge aus Marktdaten inhärent schwierig, bedingt durch die latente Natur des Übergangszeitpunkts und das Rauschen in beobachtbaren Signalen. Die bestehende Literatur hat die Größe des „Greeniums" (die Renditespread zwischen grünen und konventionellen Anleihen) umfassend gemessen, jedoch wurde weniger Aufmerksamkeit darauf gelegt, die Termstruktur des Greeniums zu nutzen, um abzuleiten, wann Investoren glauben, dass der Übergang effektiv verwirklicht wird. Dieser Beitrag adressiert das Problem der Gewinnung einer vom Markt implizierten „Zeit bis zum Übergang" (Time to Transition, TtT) aus den querschnittlichen Laufzeitunterschieden in der Greenium-Termstruktur und untersucht spezifisch, unter welchen Beobachtungsschemata eine solche Inferenz eine strukturelle Interpretation zulässt.

Methodik
Die Autoren schlagen einen zweischichtigen analytischen Rahmen vor, der auf einem neuen beobachtbaren Objekt $X_t$ basiert, definiert als die Differenz zwischen dem Greenium an zwei ausgewählten Laufzeitknoten (kurz und lang) von Zwillinganleihen (Anleihen, die in allen finanziellen Merkmalen identisch sind, außer ihrem „grünen" Label). Der Beitrag geht davon aus, dass $X_t$ einem mittelrevertierenden Prozess folgt, der gegen Null konvergiert, sobald der Übergang eintritt, zu welchem Zeitpunkt die Greenium-Termstruktur flach wird.

Modell mit regulatorischer Frist (Regulatory Deadline-Constrained Model, RDCM):
Das Basismodell geht von einer deterministischen regulatorischen Frist $T$ (z. B. 2030) aus. Die Dynamik von $X_t$ wird als lineare stochastische Differentialgleichung (SDE) mit zeitvariierenden Drift- und Diffusionskoeffizienten modelliert, die von der verbleibenden Zeit bis zur Frist ( $T-t$ ) abhängen. Entscheidend ist, dass das Modell einen strukturellen Zeitpunkt $\tau < T$ integriert. Vor $\tau$ sind die Koeffizienten konstant; nach $\tau$ zerfallen sie als Funktionen von $T-t$ , wodurch der Prozess gezwungen wird, die Endbedingung $X_T = 0$ zu erreichen.
- Inferenz: Das Modell nutzt eine exakte Gaußsche Brücken-Likelihood. Da der Prozess auf einen Endwert von Null konditioniert ist, leiten die Autoren eine teleskopische Darstellung der Log-Likelihood ab, die eine handhabbare Kalibrierung mittels Maximum-Likelihood-Schätzung (MLE) auf einem festen Beobachtungsgitter ermöglicht.
Modell mit wechselnder regulatorischer Frist (Switching Regulatory Deadline-Constrained Model, SRDCM):
Um Heterogenität in den wahrgenommenen Fristen zu adressieren, erweitern die Autoren das RDCM zu einem Regimewechsel-Rahmen. Die wahrgenommene Frist wird als latenter Zustand behandelt, der durch ein diskretzeitiges Hidden-Markov-Modell (HMM) gesteuert wird. Zwischen Beobachtungsdaten folgt der Prozess einer spezifischen RDCM-Dynamik, die mit dem aktiven Regime verbunden ist (z. B. eine Frist von 2031 gegenüber einer Frist von 2041).
- Inferenz: Die Kalibrierung erfolgt mittels eines Expectation-Maximization (EM)-Algorithmus, der für diese Struktur angepasst wurde. Die Vorwärts-Rückwärts-Rekursionen werden modifiziert, um der Tatsache Rechnung zu tragen, dass das latente Regime zum Zeitpunkt $t_{i-1}$ die Brückendynamik über das Intervall $(t_{i-1}, t_i]$ steuert. Dies ermöglicht das Filtern von Posterior-Wahrscheinlichkeiten über konkurrierende Übergangsszenarien hinweg.
Asymptotische Identifizierbarkeit (Fixed-Horizon Infill):
Der Beitrag untersucht die Konsistenz der Schätzung von Diffusionsparametern unter einem Fixed-Horizon-Infill-Asymptotik-Schema (wobei die Anzahl der Beobachtungen $n \to \infty$ innerhalb eines festen Zeitfensters $[t_0, l]$ ). Unter Verwendung von $M_n$ -Kontrastfunktionen und Konsistenztheorie für M-Schätzer analysieren die Autoren, welche Teile des Parameterraums identifizierbar sind.
- Wichtiges Ergebnis: Die Identifizierbarkeit hängt davon ab, ob das Beobachtungsfenster die „Zerfallsregion" ( $t > \tau$ ) überlappt. Liegt das Fenster vollständig vor $\tau$ , sind die Post-Zerfalls-Parameter (die die Form der Konvergenz steuern) nicht gemeinsam identifizierbar; nur die Prä-Zerfalls-Parameter sind konsistent schätzbar.

Hauptergebnisse

Empirische Anwendung: Der Rahmen wurde auf tägliche Daten des deutschen souveränen Zwillinganleihenmarkts angewendet (September 2021 – Januar 2025).
- Ein Ein-Regime-RDCM (unter Annahme einer Frist von 2031) konnte die Datendynamik nicht erfassen, wie nicht-normalverteilte Residuen und ein abgelehnter Kolmogorov-Smirnov-Test belegen.
- Ein Zwei-Regime-SRDCM (Vergleich einer Frist von 2031 gegen eine Frist von 2041) lieferte eine signifikant bessere Anpassung (niedrigerer AIC) und Residuen, die mit einer Normalverteilung konsistent waren.
- Die Filterergebnisse zeigten, dass für den größten Teil des Beobachtungszeitraums, insbesondere Ende 2024, der Markt die Übergangsfrist 2030 nicht als realistisch wahrnahm, wobei sich die Wahrscheinlichkeitsmasse zugunsten des späteren 2041-Szenarios verschob.
Theoretische Identifizierbarkeit: Der Beitrag stellt fest, dass unter Fixed-Horizon-Infill die Diffusionsparameter, die mit dem „sichtbaren" Teil der Trajektorie verbunden sind (der Bereich, in dem der Prozess aktiv ist), konsistent geschätzt werden können. Allerdings bleiben Parameter, die das Konvergenzprofil steuern (nur aktiv nach $\tau$ ), unidentifiziert, wenn die Stichprobe nicht in den Post- $\tau$ -Bereich reicht.

Bedeutung und Beiträge
Der Beitrag leistet zwei primäre Beiträge:

Ein neues Inferenzobjekt: Er führt die „Zeit bis zum Übergang" (TtT) als eine vom Markt implizierte Kennzahl ein, die aus der querschnittlichen Greenium-Differenz abgeleitet wird. Im Gegensatz zu statischen Maßen für grüne Prämien ist TtT zukunftsgerichtet und erfasst die kollektive Investorerwartung darüber, wann das Übergangsrisiko neutralisiert wird.
Ein handhabbarer Inferenzrahmen: Er entwickelt einen rigorosen stochastischen Modellierungs- und Inferenzrahmen (RDCM und SRDCM), der exakte Gaußsche Brücken-Likelihoods mit Regimewechsel-Filterung kombiniert. Dies ermöglicht die operative Überwachung des Übergangstiming auf täglichen Gittern.
Ergebnisse zur strukturellen Identifizierbarkeit: Der Beitrag liefert notwendige und hinreichende Bedingungen für die konsistente Schätzung von Diffusionsparametern in diesem Setting. Er klärt, dass eine strukturelle Identifizierung konkurrierender Übergangsdaten nur möglich ist, wenn das Beobachtungsfenster die spezifischen Dynamiken der Konvergenzphase (Post- $\tau$ ) erfasst.

Die Autoren positionieren den deutschen Zwillinganleihenmarkt als „diszipliniertes Labor" für diese Inferenz, da die identischen finanziellen Merkmale der Anleihen den Informationsgehalt des grünen Labels isolieren. Die Arbeit verlagert den Fokus von der Messung des Niveaus der grünen Prämie hin zur stochastischen Inferenz latenter zeitlicher Labels und bietet eine Grundlage für eine breitere Theorie des vom Markt implizierten Übergangstimmings.