💰 quantitative finance

A Spectral Generalisation of the Variance Ratio: Eigenstructure of Long-Horizon Portfolio Covariance and a Multi-Memory Factor Model of U.S. Equity Returns

Dieses Paper führt eine spektrale Verallgemeinerung der Varianzratio ein, um ein robustes Fünf-Faktoren-Modell zu identifizieren, das langfristige Aktienrenditen in distinkte Rendite- und Volatilitätsgedächtniskanäle zerlegt, wobei es einen Regimewechsel in der Volatilitätspersistenz in den späten 1980er Jahren aufzeigt und demonstriert, dass die querschnittlichen Treiber des Renditemoments ökonomisch von jenen unterschieden werden können, die die Volatilitätspersistenz bestimmen.

Ursprüngliche Autoren: Anders G Frøseth

Veröffentlicht 2026-07-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Anders G Frøseth

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 den Aktienmarkt nicht als einen einzigen, chaotischen Ozean vor, sondern als ein komplexes Orchester, das eine Sinfonie spielt. Jahrzehntelang haben Ökonomen versucht, die Musik zu verstehen, indem sie nur einem einzelnen Instrument (einer einzelnen Aktie) zuhörten oder das Gesamtvolumen des gesamten Orchesters maßen. Dieses Paper schlägt eine neue Art des Zuhörens vor: indem man die spezifischen „Noten“ (Muster) identifiziert, die das Orchester spielt, und versteht, wie sich diese Noten im Laufe der Zeit verändern.

Hier ist eine Aufschlüsselung der Ergebnisse des Papers unter Verwendung einfacher Analogien:

1. Das Problem: Die falsche Art des Zuhörens

Stellen Sie sich vor, Sie versuchen zu verstehen, wie sich eine Menschenmenge bewegt.

Die alte Methode: Sie suchen sich eine Person aus und beobachten sie ein Jahr lang. Sie denken vielleicht: „Oh, sie geht in einer geraden Linie“ oder „Sie bleibt stehen und fängt wieder an zu gehen“. Aber das ignoriert die Tatsache, wie sich die gesamte Menge gemeinsam bewegt.
Die Methode des Papers: Anstatt eine einzelne Person zu beobachten, betrachten die Autoren die Bewegungsmuster der gesamten Menge gleichzeitig. Sie verwenden ein mathematisches Werkzeug namens „Eigenstruktur“, um die verborgenen „Tanzschritte“ zu finden, die die gesamte Gruppe gemeinsam vollzieht. Sie nennen dies die „Hauptrichtungen“ oder die „Hauptmelodien“ des Orchesters.

2. Die Entdeckung: Der Markt hat zwei „Kanäle“

Die Autoren fanden heraus, dass das Gedächtnis des Marktes über zwei unterschiedliche Kanäle funktioniert, wie zwei verschiedene Radiosender, die gleichzeitig senden:

Der „Preis“-Kanal (Linear): Hier geht es um die tatsächlichen Aktienkurse, die steigen und fallen.
Der „Volatilitäts“-Kanal: Hier geht es darum, wie wild oder ruhig die Kursschwankungen sind (die Angst und die Erregung).

Das Paper zeigt, dass diese beiden Kanäle über unterschiedliche „Gedächtnisse“ verfügen. Nur weil ein Preistrend lange anhält, bedeutet das nicht, dass die Angst (Volatilität) die gleiche Zeitspanne anhält. Sie sind wie zwei verschiedene Instrumente, die unterschiedliche Rhythmen spielen.

3. Das „Fünf-Faktoren“-Orchester

Die Autoren entdeckten, dass der gesamte US-Aktienmarkt durch nur fünf Haupt-„Musiker“ (Faktoren) erklärt werden kann, die zusammen spielen. Diese fünf Faktoren erklären fast alles darüber, wie sich Aktien über lange Zeiträume hinweg verhalten (über Jahre, nicht nur über Tage):

Der beständige Spieler: Ein Musiker, der eine stetige, langanhaltende Melodie spielt (Momentum).
Der antipersistente Spieler: Ein Musiker, der eine Melodie spielt, die sich ständig selbst korrigiert (Mean Reversion – wenn Dinge zu stark steigen, tendieren sie dazu, wieder zurückzukehren).
Der „multifraktale“ Dirigent: Dies ist der komplexeste Musiker. Er erzeugt eine „Kaskade“ aus Rauschen, das mit der Zeit lauter und komplexer wird. Dies erklärt, warum Börsencrash oder Booms sich anfühlen können, als hätten sie ein Eigenleben, das sich über Jahre erstreckt.
Der Volatilitäts-Solo-Spieler: Ein Musiker, der nur die „Angst“-Noten spielt, nicht die „Preis“-Noten.
Der „Burst“-Spieler: Ein Musiker, der kurze, intensive Rausch-Ausbrüche spielt, die schnell wieder abklingen.

Das große Ergebnis: Genau diese „Fünf-Musiker“-Band erklärt den Markt, egal ob man sich:

Verschiedene Branchen ansieht (wie Tech vs. Gesundheitswesen).
Verschiedene Arten von Unternehmen betrachtet (Small Cap vs. Large Cap, günstig vs. teuer).
Verschiedene Zeiträume betrachtet (vor 1998 vs. nach 1998).
Sogar den europäischen Markt betrachtet (eine „Replika“ der US-Ergebnisse).

4. Der „Große Wandel“ der späten 1980er Jahre

Einer der spannendsten Funde ist ein „Regimewechsel“. Die Autoren fanden heraus, dass sich der Markt nicht einfach langsam veränderte, sondern einen strukturellen Wandel in den späten 1980er Jahren durchlief.

Vor dem Wandel: Die „Angst“ (Volatilität) im Markt war wie ein kurzfristiger Sturm. Sie tobte eine Zeit lang und beruhigte sich dann relativ schnell (etwa 2 Jahre).
Nach dem Wandel: Die „Angst“ wurde zu einer tiefen, langsam fließenden Meeresströmung. Die am längsten anhaltenden Wellen der Volatilität dehnten sich auf 4 Jahre aus.

Stellen Sie sich vor, wie ein Fluss seinen Lauf ändert. Vor den späten 80ern bewegte sich das Wasser in schnellen, flachen Kräuselwellen. Nach den späten 80ern entwickelte der Fluss tiefe, langsam fließende Strömungen, die Jahre brauchten, um vorbeizuziehen. Die Autoren lokalisierten diesen Wandel mithilfe einer „Rolling Window“-Technik und zeigten, dass der Übergang zwischen 1985 und 1995 allmählich, aber deutlich stattfand – und nicht zum willkürlichen Datum 1998, das oft von anderen Forschern verwendet wird.

5. Die Überraschung der „Beta-Inversion“

Schließlich testeten die Autoren eine gängige Annahme: dass dieselben Unternehmen, die Preistrends vorantreiben (wie Momentum), auch dieselben sind, die Volatilitätstrends vorantreiben.

Die Hypothese: Wenn ein Unternehmen ein „Preisführer“ ist, sollte es auch ein „Angstführer“ sein.
Die Realität: Die Autoren fanden das Gegenteil heraus. Die Unternehmen, die langfristige Preistrends antreiben, sind völlig andere als die Unternehmen, die langfristige Volatilitätstrends antreiben. Es ist, als ob das „Preis-Orchester“ und das „Angst-Orchester“ in verschiedenen Räumen mit unterschiedlichen Musikern spielen.

Zusammenfassung

Dieses Paper argumenttiert, dass der Aktienmarkt kein zufälliges Chaos ist. Er ist ein hochstrukturiertes System mit fünf Kernmustern, die sich über verschiedene Länder und Zeiträume hinweg wiederholen. Die „Spielregeln“ dafür, wie lange die Angst am Markt anhält, haben sich jedoch Ende der 1980er Jahre dauerhaft geändert: weg von kurzfristigen Spitzen hin zu langwierigen, mehrjährigen Wellen. Am wichtigsten ist jedoch, dass die Kräfte, die die Preise bewegen, von den Kräften, die die Volatilität bewegen, getrennt sind; es sind zwei verschiedene Geschichten, die gleichzeitig erzählt werden.

Technische Zusammenfassung: Eine spektrale Verallgemeinerung der Varianzverhältnis-Analyse

Problemstellung
Die Aggregation von Asset-Renditen über Zeithorizonte ( $H$ ) verändert die Zweitmoment-Struktur der Querschnittsverteilung grundlegend. Während der univariate Varianzverhältnis-Test nach Lo und MacKinlay (1988) prüft, ob $H$ -periodische Renditen für eine einzelne Zeitreihe sauber aggregieren, verwirft er die im Kreuzsektoral enthaltenen Informationen der Eigenstruktur der Kovarianzmatrix. Bestehende multivariate Erweiterungen, wie das matrienzentrierte Varianzverhältnis von Hong et al. (2017), bewahren zwar mehr Struktur, reduzieren diese jedoch für die Inferenz auf skalare Funktionale (Spur, Determinante) und versäumen es, die Dynamik über lange Horizonte nach Eigenmoden zu indizieren. Zudem weisen Aktienrenditen dokumentierte Abweichungen vom i.i.d.-gaußschen Verhalten auf, einschließlich Power-Law-Tails, Long-Range-Dependence in absoluten Renditen und Multi-Skalen-Selbstähnlichkeit in der Volatilität, die konsistent mit multifraktalen Kaskaden ist. Die Arbeit adressiert die Notwendigkeit eines Rahmens, der diese gemeinsamen Abweichungen in strukturierte, nach der Eigenstruktur indizierte Komponenten sowohl im linearen (Rendite-) als auch im Volatilitätskanal zerlegt.

Methodik
Die Autoren schlagen eine multivariate, eigenmoden-indizierte Verallgemeinerung des Varianzverhältnis-Tests vor. Der Rahmen stützt sich auf zwei Querschnittsstatistiken, die für eine symmetrische matrixwertige Zeitreihe $\Sigma_t$ und deren $H$ -periodische Aggregat $\Sigma^{(H)}_t$ definiert sind:

Pro-Eigenmode Varianzverhältnis ( $\kappa$ ):
$\kappa_i(H) := \frac{\lambda_i(\Sigma^{(H)}_t)}{H \cdot \lambda_i(\Sigma_t)}$
Dies misst die Autokorrelation der $i$ -ten Hauptrichtung über Aggregationshorizonte hinweg. Unter i.i.d.-Renditen gilt $\kappa_i(H) = 1$ für alle $i, H$ .
Eigenvektor-Überlappungsmatrix ( $O$ ):
$O_{ij}(H) := |\langle v_i(\Sigma^{(H)}_t), v_j(\Sigma_t) \rangle|^2$
Dies misst die geometrische Rotation der Eigenbasis bei der Ausdehnung des Horizonts. Unter i.i.d.-Renditen gilt $O_{ij}(H) = \delta_{ij}$ .

Die Arbeit leitet geschlossene Vorhersagen für diese Statistiken unter parametrischen Modellen her. Für den linearen Kanal zeigt sie, dass ein AR( $p$ )-Prozess $\kappa$ als gewichtete Summe von AR(1)-Varianzverhältnissen zerlegt, die durch charakteristische Wurzeln indiziert sind. Für die Eigenvektor-Überlappung leitet sie ein Perturbationsergebnis erster Ordnung her, das zeigt, dass die Rotation von der Eigenwertlücke (eigenvalue gap) und einem horizonabhängigen Sättigungsfaktor abhängt.

Um die empirischen Abweichungen zu modellieren, konstruieren die Autoren ein Fünf-Faktoren-Multi-Memory-Modell, das gemeinsam auf den linearen Kanal (Kovarianz der Log-Renditen) und den Volatilitätskanal (Kovarianz der quadrierten Renditen) angewendet wird. Die Faktoren sind:

$F_P$ (Persistent): Fraktales Brownsche Bewegung (fBm) mit Hurst-Exponenten $H_P > 0,5$ .
$F_A$ (Antipersistent): fBm mit $H_A < 0,5$ .
$F_M$ (Multifraktal): Ein ARFIMA(1, $d_M$ , 0)-Prozess im linearen Kanal, gekoppelt mit einer Markov-Switching-Multifraktal-Kaskade (MSM) im Volatilitätskanal.
$F_V$ (Volatility Companion): Ein reiner Volatilitätsfaktor, der die MSM-Kaskade von $F_M$ teilt, aber keine lineare Struktur beiträgt.
$F_{Vt}$ (Transitory Volatility): Ein ARFIMA-Prozess, der die Volatilität-der-Volatilität steuert und transiente Clusterbildung erfasst.

Das Modell wird mittels gemeinsamer kleinster Quadrate (LS) auf die empirischen $(\kappa^{lin}, \kappa^{vol})$ -Matrizen unter Verwendung eines Moving-Block-Bootstrap (1.000 Replikate) und L-BFGS-B-Optimierung geschätzt.

Zentrale Beiträge und Ergebnisse
Der Rahmen wird auf vier US-Aktien-Panels angewendet (Fama-French 49-Industrie Full Sample sowie Pre/Post-1998 Splits; Fama-French 100 Size $\times$ Book-to-Market Sorts) und eine nicht-US-amerikanische Replikation (Europa 25). Die Analyse liefert drei primäre Erkenntnisse:

Universelle Fünf-Faktoren-Zerlegung: Dasselbe Fünf-Faktoren-Modell rekonstruiert sieben stilisierte Fakten der langfristigen Aktien-Dynamik simultan über alle Panels hinweg:
- Market-Mode Varianzverhältnis-Anomalie: Ein Rise-then-Fall-Muster im linearen Kanal beim Markt-Modus.
- Faktor-Momentum: Monoton steigende Varianzverhältnisse in den untergeordneten Eigenmoden (Ränge 2–3).
- Langfristige Mean-Reversion: Stark sinkende Varianzverhältnisse in tiefen Eigenmoden (Ränge 24+).
- Kurzfristige Volatilitäts-Clusterbildung: Scharfer anfänglicher Anstieg der Volatilitäts-Varianzverhältnisse.
- Multi-Skalen-Volatilitäts-Long-Memory: Eine massive Akkumulation des Varianzverhältnisses im Markt-Modus des Volatilitätskanals (erreicht $\approx 48$ bei 5 Jahren), konsistent mit einer multifraktalen Kaskade.
- Transitorische Volatilität: Episodische Volatilitätsausbrüche in tiefen Eigenmoden.
- Kreuzsektorale Konzentration: Das Volatilitäts-Spektrum konzentriert sich mit zunehmendem Horizont auf einen dominanten Modus, während das lineare Spektrum sich verbreitert.
  Die fraktalen Brownschen Exponenten ( $H_P \approx 0,52\text{--}0,57$ , $H_A \approx 0,17\text{--}0,27$ ) bleiben über Industrie-Sorts, Size-Value-Sorts und temporale Sub-Samples hinweg stabil, was auf eine universelle Eigenstruktur-Spezifikation hindeutet.
Regimewechsel in der Volatilitäts-Memory: Die Arbeit identifiziert einen strukturellen Bruch in der US-Aktien-Volatilitäts-Memory, der in den späten 1980er Jahren auftritt, statt an der statischen 1998er Split-Half-Grenze.
- Eine Rolling-Window-Analyse (28-Jahres-Fenster, 2-Jahres-Schritte) lokalisiert den Übergang. Das Gewicht der MSM-Kaskade auf dem Markt-Modus-Volatilitätskanal ( $w^{vol}_{MSM}$ ) steigt monoton von einem Median von 0,30 (zentriert um 1985) auf 0,93 (zentriert um 1991) an und sättigt ab 1995 bei 1,00.
- Die 90%-Konfidenzintervalle der Pre-Transition- (zentriert 1983) und Post-Transition-Fenster (zentriert 1999) überschneiden sich nicht.
- Die „Cross-over“-Zeitskala der Kaskade (Dauer der niederfrequentesten Komponente, $1/\gamma_1$ ) verlängert sich von etwa 2,2 Jahren in der Pre-1998-Periode auf 4,0 Jahre in der Post-1998-Periode. Das statische „First Half“-Panel (1969–1997) weist eine schwache Identifikation auf, da es diese beiden Regime vermischt.
Cross-Channel $\beta$ -Inversion und distinkte Loadings: Die Autoren testen die Hypothese, dass die linearen und Volatilitäts-Signaturen des multifraktalen Faktors durch einen gemeinsamen Cross-Asset-Loading-Vektor ( $\beta_M$ ) gesteuert werden.
- Ein $\beta$ -Inversion-Test rekonstruiert die quadrierten Loadings $|\beta_M[a]|^2$ unabhängig für den linearen und den Volatilitätskanal.
- Die Ergebnisse lehnen die Shared-Loading-Hypothese ab: Die Pearson-Korrelation zwischen den rekonstruierten Loadings ist auf drei der vier Panels signifikant negativ (z. B. $-0,771$ im Full Sample).
- Dies impliziert, dass die kreuzsektoralen Charakteristika, die die Rendite-Momentum-Muster treiben, ökonomisch distinkt von denen sind, die die Volatilitäts-Persistenz-Muster treiben; ein einziger Loading kann beide Kanäle nicht erklären.

Bedeutung
Die Arbeit beansprucht, die erste eigenstruktur-indizierte Zerlegung des Varianzverhältnisses bereitzustellen, die zwischen temporaler Autokorrelation entlang stabiler Hauptrichtungen und der kreuzsektoralen Rotation dieser Richtungen unterscheidet. Durch die Trennung des linearen und des Volatilitätskanals offenbart der Rahmen, dass der „Markt-Modus“ keine monolithische Entität ist, sondern ein Komposit aus distinkten Gedächtnismechanismen: ein Rise-then-Fall-lineares Profil, getrieben durch Antipersistenz und ARFIMA, und eine reine Multi-Skalen-Volatilitätskaskade.

Die Identifizierung eines Regimewechsels in den späten 1980er Jahren legt nahe, dass die Long-Memory-Struktur der Volatilität nicht statisch ist, sondern sich entwickelt hat, indem sie die niederfrequenteste Kaskadenkomponente auf mehrjährige Horizonte in der modernen Ära ausdehnt. Schließlich stellt die Ablehnung der Shared-Loading-Hypothese Modelle infrage, die davon ausgehen, dass ein einzener Satz von Risikofaktoren sowohl die Rendite- als auch die Volatilitätsdynamik steuert, und deutet stattdessen darauf hin, dass Industrie- und Size/Book-to-Market-Charakteristika diese Kanäle unabhängig voneinander vorhersagen. Der Rahmen bietet eine robuste, parsimonische (fünf-Faktoren-) Beschreibung der langfristigen Aktien-Dynamik, die über verschiedene Asset-Universen und Zeitperioden hinweg Bestand hat.