Network Time Series Models for Multivariate Volatility Forecasting
Dieses Paper stellt das Generalised Network HAR (GNHAR)-Modell vor, welches einen gerichteten Graphen von Querschnitts-Spillover-Effekten nutzt, um einen sparsamen und präzisen Rahmen für die Prognose multivariater realisierter Volatilität bereitzustellen, wobei es Standard-Benchmarks über verschiedene Marktregime hinweg übertrifft und gleichzeitig eine zeitvariable Bewertung der Marktstabilität bietet.
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
Das große Ganze: Die „Wettervorhersage“ des Aktienmarktes vorhersagen
Stellen Sie sich vor, Sie versuchen, das Wetter vorherzusagen. Sie wissen, dass das Wetter von morgen vom Wetter heute abhängt, aber es hängt auch davon ab, was letzte Woche und letzten Monat passiert ist. Zudem beeinflusst ein Sturm in einer Stadt oft auch das Wetter in einer benachbarten Stadt.
In der Finanzwelt ist die Volatilität wie das „Wetter“ einer Aktie. Sie ist ein Maß dafür, wie wild der Kurs einer Aktie auf und ab schwankt. Die Vorhersage dieser Volatilität ist für Anleger entscheidend, um Risiken zu managen.
Dieses Paper schlägt eine neue Methode vor, um dieses finanzielle „Wetter“ für eine Gruppe von zehn verschiedenen Aktien (wie den S&P 500, den Dow Jones sowie Märkte in Europa und Asien) gleichzeitig vorherzusagen. Die Autoren nennen ihre neue Methode GNHAR (Generalised Network Heterogeneous Autoregressive).
Das Problem mit alten Methoden
Traditionell betrachteten Prognostiker jede Aktie isoliert, so als würde man den Wetterbericht für New York prüfen, ohne sich für Boston zu interessieren. Sie verwendeten ein Standardmodell namens HAR (Heterogeneous Autoregressive). Dieses Modell ist intelligent, weil es drei Zeitskalen betrachtet:
- Täglich: Was ist gestern passiert?
- Wöchentlich: Was ist in der letzten Woche passiert?
- Monatlich: Was ist im letzten Monat passiert?
Der Aktienmarkt ist jedoch ein vernetztes System. Wenn der US-Markt Panik bekommt, verschreckt das oft auch den europäischen Markt. Alte Modelle ignorierten diese Verbindungen oft oder versuchten, sie auf eine Weise zu modellieren, die zu kompliziert und fehleranfällig war (wie der Versuch, jedes einzelne Gespräch zwischen jeder Person in einem überfüllten Raum auswendig zu lernen).
Die Lösung: Das „Soziale Netzwerk“ der Aktien
Die Autoren schlagen vor, den Aktienmarkt wie ein soziales Netzwerk zu behandeln.
- Die Knoten (Menschen): Jede Aktie ist eine Person im Netzwerk.
- Die Kanten (Freundschaften): Die Verbindungen zwischen ihnen repräsentieren, wie stark die Volatilität einer Aktie auf eine andere „überschwappt“.
Sie erstellten eine Karte (einen Graphen), die zeigt, wer wen beeinflusst. Sie entwickelten diese Karten auf zwei Arten:
- Die „Granger“-Karte: Basierend auf statistischen Tests, um zu sehen, ob die vergangenen Bewegungen von Aktie A die zukünftigen Bewegungen von Aktie B vorhersagen.
- Die „Verbundeneheits“-Karte: Basierend darauf, wie viel ein Schock bei Aktie A zur Unsicherheit von Aktie B beiträgt.
Indem sie diese „Freundschaftskarte“ in ihr Modell einspeisen, kann das GNHAR-Modell sagen: „Aktie A wird heute volatil sein, und da Aktie B ein enger ‚Freund‘ ist (verbunden über das Netzwerk), wird auch Aktie B wahrscheinlich nervös werden.“
Wichtige Zutaten des neuen Modells
Das Paper mischt drei Hauptideen, um eine supergenaue Prognose zu erstellen:
1. Die Zeitschichten (Täglich, Wöchentlich, Monatlich)
Genau wie das alte HAR-Modell betrachtet GNHAR kurzfristige, mittelfristige und langfristige Trends. Es schaut nicht nur auf gestern; es betrachtet die „Stimmung“ des Marktes über den letzten Monat.
2. Der „Sprung“- vs. „Glatte“ Fahrstil
Aktienkurse bewegen sich auf zwei Arten:
- Glatt: Langsames, kontinuierliches Driften (wie ein Auto, das auf der Autobahn cruise).
- Sprunghaft: Plötzliche, scharfe Spitzen, verursacht durch große Nachrichten (wie ein Auto, das ein Schlagloch trifft).
Die Autoren fanden heraus, dass die Trennung dieser beiden Arten von Bewegungen dem Modell hilft zu verstehen, warum Volatilität entsteht. Wenn eine Aktie „springt“, reagiert sie möglicherweise auf eine spezifische Krise. Wenn sie „glatt“ ist, ist es nur normales Marktrauschen. Ihr Modell kann beides verfolgen.
3. Die „Kristallkugel“ (Option-Implied Variance)
Das Modell versucht auch, die „Option-Implied Variance“ zu nutzen. Betrachten Sie dies als die eigene Kristallkugel des Marktes. Dies ist eine Zahl, die aus den Preisen von Versicherungsverträgen (Optionen) abgeleitet wird und angibt, was Händler in der Zukunft an Volatilität erwarten. Die Autoren haben dies als zusätzliche Zutat hinzugefügt, um zu sehen, ob es die Prognose verbessert.
Was haben sie herausgefunden? (Die Ergebnisse)
Die Autoren testeten ihr Modell an zehn großen Aktienindizes sowohl in ruhigen Zeiten als auch in chaotischen Zeiten (wie dem Crash während der Pandemie im Jahr 2020). Hier ist, was sie entdeckten:
- Verbindungen zählen: Das Modell, das die „Soziale Netzwerk“-Karte verwendete (GNHAR), war viel besser darin, die Volatilität vorherzusagen, als die alten Modelle, die Aktien einzeln betrachteten. Es war wie eine Wettervorhersage, die wusste, dass es in benachbarten Städten stürmt.
- Einfachheit gewinnt: Die genaueste Version ihres Modells war überraschend einfach. Sie musste nicht jede einzelne Verbindung zwischen jeder Aktie verfolgen. Sie funktionierte am besten, wenn sie sich auf die wichtigsten Verbindungen konzentrierte und eine „globale“ Regel (einen Satz Regeln für alle) verwendete, anstatt eine einzigartige Regel für jede einzelne Aktie.
- Langfristig vs. Kurzfristig:
- Für kurzfristige Vorhersagen (morgen) half die Trennung der „glatten“ und „sprunghaften“ Teile des Marktes am meisten.
- Für langfristige Vorhersagen (einen Monat oder zwei) war das Modell der Gewinner, das die „monatlichen“ Verbindungen im Netzwerk betrachtete.
- Krisenmodus: Das Modell hielt sich während des Markteinbruchs im Jahr 2020 sehr gut. Während andere Modelle durch das plötzliche Chaos verwirrt wurden, verstand das Netzwerkmodell, dass wenn ein Teil des Systems in Panik gerät, das gesamte System wahrscheinlich folgen wird.
Das Fazit
Das Paper argumentet, dass man, um vorherzusagen, wie „stürmisch“ der Aktienmarkt sein wird, nicht nur die einzelnen Aktien betrachten sollte. Man muss das Netzwerk der Beziehungen zwischen ihnen betrachten.
Durch die Kombination einer „sozialen Netzwerk“-Karte der Aktien mit einem klugen Blick auf tägliche, wöchentliche und monatliche Trends haben die Autoren ein Werkzeug geschaffen, das genauer, stabiler und leichter zu verstehen ist als bisherige Methoden. Es ist ein wenig so, als würde man von einer Wettervorhersage, die nur den eigenen Hinterhof betrachtet, auf eine umsteigen, die die Wetterlagen des gesamten Kontinents im Blick hat.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.