💰 quantitative finance

Long-memory GARCH via a two-dimensional Markov chain

Dieses Paper führt ein neuartiges GARCH-Typ-Modell ein, das eine zweidimensionale Markov-Kette nutzt, um einen zustandsabhängigen Potenzgesetz-Zerfall vergangener Schocks zu erzeugen, wodurch eine Long-Memory-Volatilitätspersistenz mit starken theoretischen Stabilitätsgarantien und einer wettbewerbsfähigen empirischen Prognoseleistung erreicht wird.

Ursprüngliche Autoren: Kyungsub Lee, Kennedy Titus Kayaki

Veröffentlicht 2026-07-29

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Kyungsub Lee, Kennedy Titus Kayaki

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 wie einen riesigen, chaotischen Ozean vor. Manchmal sind die Wellen sanft und vorhersehbar; manchmal bricht ein plötzlicher Sturm los, und das Wasser wogt tagelang heftig auf und ab. In der Finanzwelt wird dieses „Aufwühlen“ als Volatilität bezeichnet. Seit Jahrzehnten versuchen Wissenschaftler, mathematische Karten zu erstellen, um diese Wellen vorherzusagen. Die bekanntesten Karten, sogenannte GARCH-Modelle, funktionieren wie ein einfaches Echo: Wenn heute eine große Welle einschlägt, bleibt der Ozean auch morgen noch etwas unruhiger, aber die Erinnerung an diese Welle verblasst schnell, wie ein Schrei in einer Schlucht, der nach wenigen Sekunden abklingt.

Die reale Welt legt jedoch nahe, dass der Ozean ein viel längeres Gedächtnis hat. Ein massiver Sturm heute kann dazu führen, dass sich die Wellen noch Wochen oder sogar Monate später „unruhig“ anfühlen – ein Phänomen, das als Long-Memory (Langzeitgedächtnis) bekannt ist. Traditionelle Karten haben damit Schwierigkeiten, weil sie darauf ausgelegt sind, zu schnell zu vergessen. Um dies zu beheben, versuchten einige Forscher, Karten mit unendlich vielen Gedächtnisschichten zu bauen, aber diese wurden so kompliziert, dass sie schwer zu verwenden oder mathematisch schwer als stabil zu beweisen waren. Dieses Paper tritt mit einer frischen Idee auf den Plan: Was wäre, wenn wir dieses lange, anhaltende Gedächtnis mit einem einfachen, zweiteiligen System erfassen könnten, das leicht zu verfolgen und mathematisch fundiert ist?

Die zweidimensionale Gedächtnismaschine

Die Autoren, Kyungsub Lee und Kennedy Titus Kayaki, schlagen eine neue Art vor, die Finanzvolatilität zu modellieren. Anstatt nur zu verfolgen, wie „unruhig“ das Wasser gerade ist (das Niveau), verfolgt ihr Modell auch, wie schnell diese Unruhe voraussichtlich abklingen wird (die Steigung).

Denken Sie an ein magisches, selbstjustierendes Gummiband.

Das Niveau: Dies ist die Frage, wie stark das Gummiband im Moment gedehnt ist. Ein großer Schock (wie ein plötzlicher Börsencrash) dehnt es aus und macht die „Volatilität“ hoch.
Die Steigung: Dies ist die „Steifigkeit“ des Gummibands oder wie schnell es wieder in den Normalzustand zurückspringen möchte.

In älteren Modellen sprang das Gummiband immer mit der gleichen festen Geschwindigkeit zurück. Aber in diesem neuen Modell verändert jeder Schock nicht nur die Dehnung des Bandes, sondern auch dessen Steifigkeit. Wenn der Schock groß genug ist, kann er das Band „lockerer“ machen, was bedeutet, dass es viel länger dauern wird, bis es in den Normalzustand zurückspringt. Dies erzeugt eine Rückkopplungsschleife: Die Geschichte der Schocks verändert die zukünftige Erholungsgeschwindigkeit, was es dem Modell ermöglicht, sich über eine sehr lange Zeit an die Vergangenheit zu erinnern, ohne eine unendliche Anzahl von Variablen zu benötigen.

Wie sie bewiesen, dass es funktioniert

Die größte Sorge bei diesen komplexen, selbstjustierenden Systemen ist, dass sie durchdrehen könnten. Wenn das Gummiband zu locker wird, könnte das Modell eine unendliche Volatilität vorhersagen, was unsinnig ist. Die Autoren haben viel Zeit damit verbracht, zu beweisen, dass ihr System sicher ist.

Sie verwendeten ein mathematisches Werkzeug namens Foster–Lyapunov-Bedingung. Stellen Sie sich dies als Sicherheitsnetz vor. Sie zeigten, dass das System, egal wie wild der Markt auch wird, einen eingebauten Mechanismus besitzt, der das Gummiband schließlich wieder in einen stabilen Zustand zurückzieht. Sie bewiesen, dass das Modell positiv Harris-rekurrent ist, was eine schicke Art zu sagen ist: „Das System wird sich immer in ein vorhersagbares Muster einpendeln und nicht ins Unendliche abdriften.“ Sie zeigten auch, dass dieses stabile Muster eindeutig ist, was bedeutet, dass das Modell nicht verwirrt wird und zwischen verschiedenen Verhaltensweisen hin- und herspringt.

Simulationen: Den Test des Langzeitgedächtnisses machen

Um zu sehen, ob ihre Idee tatsächlich ein Langzeitgedächtnis erzeugt, führte das Team tausende Computersimulationen durch. Sie fütterten das Modell mit zufälligen Marktschocks und beobachteten, wie sich die „Volatilität“ im Laufe der Zeit verhielt.

Sie fanden heraus, dass, wenn die Parameter des Modells nahe an eine bestimmte „Stabilitätsgrenze“ (den Rand des Sicherheitsnetzes) abgestimmt wurden, sich der simulierte Markt exakt wie reale Long-Memory-Daten verhielt. Die Schocks verflogen nicht schnell; stattdessen hielten sie an und erzeugten einen langsamen, Potenzgesetz-artigen Zerfall (power-law decay). Dies bestätigte, dass ihr einfaches zweiteiliges System tatsächlich in der Lage ist, die hartnäckige, langanhaltende Volatilität realer Finanzmärkte nachzuahmen.

Der Praxistest

Die Autoren ließen ihr Modell anschließend mit echten Daten aus sechs großen Finanzmärkten testen: dem S&P 500, FTSE 100, DAX, Nikkei 225, KOSPI und Bitcoin.

Die gute Nachricht:
Das Modell war überraschend gut darin, das „Langzeitgedächtnis“ dieser Märkte zu erfassen. Wenn sie die Vorhersagen des Modells mit den tatsächlichen Daten verglichen, stimmten die Gedächtnisschätzungen für mehrere Märkte, wie den Nikkei 225 und den S&P 500, sehr gut überein. Es reproduzierte erfolgreich den langsamen Zerfall der Volatilität, den ältere, einfachere Modelle übersehen hatten.

Der Vergleich:
Sie stellten ihr Modell gegen die Schwergewichte des Fachgebiets:

GARCH(1,1): Das Standard-, das einfache Modell.
FIGARCH: Ein komplexes Modell, das speziell für das Langzeitgedächtnis entwickelt wurde.
HAR-RV: Ein Modell, das die vergangene realisierte Varianz nutzt (ein sehr direkter Indikator für die vergangene Volatilität).

Die Ergebnisse:

Anpassung an die Vergangenheit: Das komplexe FIGARCH-Modell war am besten darin, die historischen Daten zu „fitten“ (es hatte die höchste Likelihood). Das neue Modell lag hinter FIGARCH, war aber sehr nah am Standard-GARCH(1,1).
Vorhersage der Zukunft: Hier wird es interessant. Bei der Vorhersage der zukünftigen Volatilität schnitt das neue Modell in den meisten Märkten genauso gut ab wie das Standard-GARCH(1,1). Es war FIGARCH insgesamt nicht überlegen, war aber statistisch gesehen für die meisten Märkte genauso gut, mit Ausnahme von KOSPI und Bitcoin, wo FIGARCH einen leichten Vorsprung hatte.
Der wahre Gewinner: Interessanterweise war das HAR-RV-Modell (das direkt auf die realisierte Varianz zugreift) der beste Prädiktor überhaupt. Die Autoren merken jedoch an, dass HAR-RV ein spezialisiertes Werkzeug ist, das Informationen nutzt, die das neue Modell nicht hat (es schaut direkt auf die realisierte Varianz, nicht nur auf die Renditen).

Das Fazit

Das Paper kommt zu dem Schluss, dass man keine unendlich komplexe Maschine benötigt, um ein Langzeitgedächtnis zu erfassen. Indem man lediglich eine zusätzliche Dimension hinzufügt – eine „Gedächtnisskala“, die sich basierend auf Schocks verändert –, kann man ein Modell bauen, das:

Mathematisch sicher ist: Es wird nicht explodieren.
Einfach ist: Es verfolgt zu jedem Zeitpunkt nur zwei Zahlen.
Effektiv ist: Es erfasst die hartnäckige, langanhaltende Natur der Marktvolatilität fast so gut wie die komplexesten Modelle.

Es ist eine Erinnerung daran, dass der beste Weg, einen komplexen, aufwühlenden Ozean zu verstehen, nicht darin besteht, jede einzelne Welle zu kartieren, sondern zu verstehen, wie das Wasser selbst sich an den Sturm erinnert.

Technische Zusammenfassung: Long-memory GARCH über eine zweidimensionale Markov-Kette

Problemstellung
Standardmäßige GARCH-Modelle erfassen Volatilitätsclusterung durch eine einfache rekursive Rückkopplung vergangener quadrierter Innovationen und bedingter Varianzen. Die empirische Evidenz deutet jedoch darauf hin, dass die Finanzvolatilität ein „Long Memory“ (Langgedächtnis) aufweist, das durch eine langsam abklingende Abhängigkeit in Volatilitätsproxis (z. B. quadrierten Renditen) gekennzeichnet ist, welche konventionelle GARCH-Spezifikationen nicht reproduzieren können. Bestehende Lösungen wie Fractional GARCH (FIGARCH), HYGARCH oder ARCH-Modelle unendlicher Ordnung führen Persistenz durch fraktionale Filter, hyperbolischen Zerfall oder Strukturen mit unendlichen Lags ein. Diese Ansätze sind zwar effektiv, lassen jedoch oft eine endliche-dimensionale Markov-Repräsentation vermissen, was die Stabilitätsanalyse und die rechnerische Handhabbarkeit erschwert. Umgekehrt adressieren stochastische Volatilitätsmodelle mit latenten Faktoren oder „Rough Volatility“-Modelle die Persistenz, haben aber oft Schwierigkeiten mit der empirischen Unterscheidbarkeit oder lassen eine direkte Rekursion der bedingten Varianz vermissen.

Methodik
Die Autoren schlagen ein neues GARCH-Typ-Modell vor, das ein Long-Memory-Verhalten erzeugt und gleichzeitig einen endlichen (zweidimensionalen) Markov-Zustand beibehält. Der Kernmechanismus adaptiert die „Level-and-Slope Matching“-Konstruktion (Lee, 2026b) auf die Modellierung der bedingten Volatilität.

Latenter Potenzgesetz-Kernel: Anstelle eines festen autoregressiven Zerfalls wird die bedingte Varianz aus einem latenten Potenzgesetz-Kernel $h_n(t) = \mu + a_n(t+c_n)^{-p}$ abgeleitet.
Zustandsaktualisierungsmechanismus: Beim Beobachten eines Renditeschocks $\eta_n$ $η_{n}$ wird der Kernel zum nächsten Zeitraum aktualisiert, indem sowohl das Niveau (Level) als auch die Steigung (Slope) am neuen Ursprung abgeglichen werden.
- Der Zustandsvektor ist $(X_n, c_n)$ , wobei $X_n$ das exzessive Varianzniveau und $c_n$ eine endogene Gedächtnisskala darstellt.
- Die Aktualisierungsregeln (Gleichungen 6–7) stellen sicher, dass der neue Zustand $(X_n, c_n)$ eine deterministische Funktion des vorherigen Zustands und der quadrierten Innovation $\eta_n^2$ ist.
Markov-Repräsentation: Der resultierende Prozess ist eine zeithomogene Markov-Kette auf dem Zustandsraum $S = [0, \infty) \times [\gamma, \infty)$ . Das Modell lässt sich als ein ARCH( $\infty$ )-Modell mit zufälligen Koeffizienten darstellen, bei dem die Zerfallsfaktoren endogen und zustandsabhängig sind, anstatt feste deterministische Koeffizienten zu sein.

Wesentliche Beiträge

Stabilitätstheorie: Der primäre mathematische Beitrag ist eine rigorose Stabilitätsanalyse für diese nicht-standardmäßige Markov-Kette. Im Gegensatz zu Standard-GARCH-Modellen, bei denen die Stabilität auf eine eindimensionale Log-Moment-Bedingung reduziert werden kann, erfordert dieses Modell eine gemeinsame Foster–Lyapunov-Bedingung.
- Die Autoren konstruieren eine Lyapunov-Funktion $V(x, c) = \log(1+x) + \lambda c$ , die das Varianzniveau und die Gedächtnisskala koppelt.
- Sie leiten eine gemeinsame Drift-Bedingung (Annahme 1) her, die die Existenz eines $\lambda > 0$ erfordert, sodass das Supremum des kombinierten Drifts der Log-Varianz und der Gedächtnisskala negativ ist.
- Unter dieser Bedingung und unter Annahme der Regularität der Innovationsverteilung beweisen die Autoren, dass die Kette positiv Harris-rekurrent ist und ein einzigartiges invariantes Wahrscheinlichkeitsmaß besitzt.
Diagnostische Bedingung: Das Paper leitet eine notwendige diagnostische Bedingung für die Stabilität (Gleichung 35) her, die analog zur Standard-GARCH-Log-Moment-Bedingung ist, jedoch an einer kritischen endogenen Skala $c^*$ ausgewertet wird. Numerische Experimente zeigen, dass diese diagnostische Grenze extrem nah an der wahren gemeinsamen Stabilitätsgrenze liegt.
Verifizierung der Regularität: Unter Verwendung konzeptioneller Argumente aus der Kontrolltheorie (Meyn und Tweedie Framework) etablieren die Autoren $\psi$ -Irreduzibilität und die „Petiteness“ kompakter Mengen, indem sie zeigen, dass das deterministische Kontrollmodell einen Grenzanker $(0, \gamma)$ erreichen kann und die Jacobi-Rangbedingung lokal erfüllt ist.

Ergebnisse

Simulationsstudien:
- Unter Verwendung des lokalen Whittle-Schätzers auf log-quadrierte Innovationen zeigen Simulationen, dass das Modell eine substanzielle niederfrequente Persistenz (Long Memory) erzeugt.
- Die Persistenz ist am stärksten, wenn die Parameter das System nahe an die diagnostische Stabilitätsgrenze bringen. Wenn die Gedächtnisskala $c_n$ groß wird, bleiben die endogenen Zerfallsfaktoren nahe bei eins, was eine langsam abklingende Abhängigkeit erzeugt.
- Der geschätzte Gedächtnisparameter $\hat{d}$ steigt monoton an, während sich das System der Stabilitätsgrenze nähert.
Empirische Analyse:
- Das Modell wurde auf tägliche Renditen von fünf internationalen Aktienindizes (S&P 500, FTSE 100, DAX, Nikkei 225, KOSPI) und Bitcoin angewendet.
- In-Sample-Fit: Der LM-GARCH erfasst signifikante Long-Memory-Verhalten, wobei die modellimplizierten Gedächtnisschätzungen eng mit den datenbasierten Schätzungen für den Nikkei 225, S&P 500 und FTSE 100 übereinstimmen. Die In-Sample-Log-Likelihood ist jedoch im Allgemeinen niedriger als die von FIGARCH und asymmetrischen GARCH-Modellen (GJR, EGACH) für Aktienindizes, obwohl er Bitcoin übertrifft.
- Out-of-Sample-Prognose: Unter Verwendung des QLIKE-Loss auf die realisierte Varianz erweist sich der LM-GARCH als wettbewerbsfähig gegenüber GARCH(1,1). Während FIGARCH über alle Märkte hinweg geringere durchschnittliche Verluste liefert, ist der Unterschied nur für KOSPI und Bitcoin statistisch signifikant. HAR-RV (unter Verwendung der realisierten Varianz direkt) übertrifft alle renditebasierten Modelle, wie zu erwarten.

Bedeutung und Ansprüche
Das Paper behauptet, einen sparsamen Rahmen zu bieten, der die Erzeugung von Long-Memory-Volatilität mit einer niedrigdimensionalen Markov-Struktur versöhnt.

Mechanismus: Es zeigt, dass Long Memory aus der Dynamik des Zustands selbst (speziell der Entwicklung der Gedächtnisskala $c_n$ ) entstehen kann, anstatt durch fraktionale Integration oder unendliche Lags aufgezwungen zu werden.
Handhabbarkeit: Durch die Beibehaltung eines zweidimensionalen Zustands ermöglicht das Modell eine Standard-Stabilitätsanalyse und eine rechnerisch effiziente Schätzung, im Gegensatz zu Modellen unendlicher Ordnung oder fraktionaler Modelle.
Empirischer Nutzen: Das Modell reproduziert erfolgreich die in Finanzdaten beobachtete Persistenz und bietet eine Prognosegenauigkeit, die mit Standard-Benchmarks vergleichbar ist, was darauf hindeutet, dass das Phänomen des „Long Memory“ effektiv modelliert werden kann, ohne das Markov-Framework aufzugeben.

Die Autoren bleiben bescheiden hinsichtlich der Dominanz des Modells und räumen ein, dass es zwar eine erhebliche Persistenz einfängt, aber in der In-Sample-Analyse nicht in allen Märkten FIGARCH übertrifft, auch wenn sein Out-of-Sample-Vorteil gegenüber Standard-GARCH auf bestimmte Märkte begrenzt ist. Der primäre Beitrag ist der theoretische Nachweis, dass ein endimensionaler Markov-Prozess komplexe, Long-Memory-Volatilitätsdynamiken durch endogene Zustandsentwicklung erzeugen kann.