📈 economics

Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting

Diese Arbeit zeigt, dass Differenzenmodelle traditionelle Modelle auf Level-Basis bei der Prognose von Cross-Market-Volatilität übertreffen, wenn die Daten eine starke Persistenz aufweisen, was die kritische Notwendigkeit unterstreicht, Modellierungsstrategien mit den Prognosezielen in Einklang zu bringen.

Ursprüngliche Autoren: Kai Cheng, Xiaoxi Qi, Zhiyuan Cheng, Longying Lai

Veröffentlicht 2026-07-07

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Kai Cheng, Xiaoxi Qi, Zhiyuan Cheng, Longying Lai

Originalarbeit lizenziert unter CC BY 4.0 (https://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 für den nächsten Monat vorherzusagen. Sie verfügen über eine Menge historischer Daten und bemerken, dass die Temperatur seit Jahren langsam ansteigt.

Wenn Sie ein Modell basierend auf den aktuellen Temperaturwerten erstellen (der „Level-basierte“ Ansatz), wird Ihr Modell beim Abgleich mit der Vergangenheit unglaublich klug wirken. Es wird sagen: „Ja, ich wusste, dass die Temperatur gestern 21 °C und heute 22 °C war!“ Es passt perfekt zur Historie.

Wenn Sie jedoch versuchen, mit genau demselben Modell das Wetter für den nächsten Monat vorherzusagen, könnte es kläglich scheitern. Warum? Weil es sich zu sehr von dem langsamen, langfristigen Trend (der „Persistenz“) ablenken ließ und die tatsächlichen täglichen Veränderungen übersah, die für eine kurzfristige Prognose entscheidend sind.

Genau das ist das Problem, das Kai Cheng und sein Team von der Columbia, der Northeastern und der Stanford University in ihrer Arbeit „Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting“ untersucht haben.

Hier ist die Aufschlüsselung ihrer Studie in einfachen Worten:

Die große Frage

Finanzmärkte sind voller „Volatilität“ (wie stark die Preise schwanken). Diese Volatilität ist „klebrig“ – wenn sie heute hoch ist, ist sie es wahrscheinlich auch morgen. Die Forscher fragten: Wenn wir zukünftige Marktschwankungen vorhersagen wollen, sollten wir Modelle verwenden, die sich auf das aktuelle „Niveau“ der Volatilität beziehen, oder Modelle, die sich auf die „Veränderung“ der Volatilität beziehen?

Das Setup: Ein Rennen zwischen Modellen

Die Forscher ließen ein Rennen laufen, um zu sehen, welcher Typ mathematisches Modell am besten geeignet ist, um die Volatilität des US-Aktienmarktes (S&P 500) vorherzusagen. Sie nutzten Daten aus Edelmetallen (Gold, Silber, Platin, Palladium) und Öl, um zu sehen, ob diese Märkte helfen können, den Aktienmarkt vorherzusagen.

Sie verglichen vier verschiedene „Treiber“ (Modelle):

Der „Level“-Treiber (OLS & ADL): Diese Modelle schauen auf die tatsächlichen Zahlen. „Gold liegt bei 1.800 $, also werden Aktien bei X liegen.“ Sie sind großartig darin, zu erklären, was in der Vergangenheit passiert ist.
Der „Veränderungs“-Treiber (First-Difference): Dieses Modell ignoriert den eigentlichen Preis und betrachtet nur die Bewegung. „Gold ist um 10 $ gestiegen, also könnten Aktien um Y steigen.“
Der „Autopilot“-Treiber (ARIMA): Ein Standard-Zeitreihenmodell, das nur das eigene vergangene Verhalten der Aktie betrachtet, ohne externe Hilfe.

Der Twist: Die „In-Sample“-Falle

Als die Forscher diese Modelle an den Daten testeten, mit denen sie auch erstellt wurden (den „Trainingsdaten“), erschienen die Level-Treiber als die Gewinner. Sie hatten das höchste „R-Quadrat“ (einen Wert dafür, wie gut das Modell die Historie erklärt). Sie schienen alles perfekt zu erklären.

Aber hier ist der Haken: Als die Forscher diese Modelle an neuen Daten testeten, die sie noch nicht gesehen hatten (dem „Out-of-Sample“-Test), stürzten die Level-Treiber ab. Sie waren übermäßig selbstbewusst. Sie hatten die langsamen, klebrigen Trends der Vergangenheit auswendig gelernt, konnten aber die zukünftigen Veränderungen nicht vorhersagen.

Der Gewinner: Der „Veränderungs“-Treiber

Der First-Difference-Modell (das Modell, das nur auf Veränderungen blickt) war der Überraschungssieger.

In der Vergangenheit: Sah es „schlechter“ aus als die anderen. Es passte nicht so eng an die historischen Daten an.
In der Zukunft: War es am genauesten darin, vorherzusagen, was tatsächlich als Nächstes passieren würde.

Die Analogie:
Die Level-Treiber sind wie ein Schüler, der das gesamte Lehrbuch Wort für Wort auswendig lernt. Bei einem Test über die Vergangenheit bekommt er 100 %. Aber wenn man ihm eine neue Aufgabe stellt, die das Verständnis der Logik von Veränderungen erfordert, erstarrt er.

Das First-Difference-Modell ist wie ein Schüler, der die Bewegungsregeln versteht. Er mag das Lehrbuch vielleicht nicht perfekt rezitieren, aber er kann tatsächlich vorhersagen, wohin der Ball als Nächstes fliegen wird.

Was haben sie herausgefunden?

Persistenz ist eine Falle: Da die Marktvolatilität „klebrig“ ist (sie bleibt für eine lange Zeit hoch oder niedrig), werden sich auf das „Niveau“ fokussierende Modelle täuschen lassen. Sie denken, sie würden die Zukunft vorhersagen, aber sie wiederholen nur die Vergangenheit.
Einfachheit gewinnt: Indem sie die langsamen Trends entfernten und sich nur auf die Veränderungen konzentrierten (Differenzbildung), wurde das Modell viel besser in der Prognose.
Vertrauen Sie der „Passgenauigkeit“ nicht blind: Nur weil ein Modell perfekt auf historischen Daten aussieht (hoher In-Sample-Fit), bedeutet das nicht, dass es auch für die Vorhersage der Zukunft funktionieren wird. Tatsächlich ist ein „perfekter“ historischer Fit oft ein Zeichen dafür, dass das Modell überangepasst (Overfitting) ist.

Das Fazbeispiel

Wenn Sie verstehen wollen, warum sich der Markt in der Vergangenheit bewegt hat, schauen Sie auf die Niveaus. Aber wenn Sie vorhersagen wollen, wohin sich der Markt als Nächstes bewegt, sollten Sie die absoluten Zahlen ignorieren und sich statraz auf die Veränderungen konzentrieren.

Die Autoren kommen zu dem Schluss, dass für jeden, der versucht, das finanzielle Risiko zu prognostizieren, ein „First-Difference“-Ansatz eine sicherere und zuverlässigere Wahl ist, als sich auf komplexe Modelle zu verlassen, die versuchen, die historischen Niveaus zu perfekt abzubilden.

Technische Zusammenfassung: Volatilitätspersistenz und Modellwahl bei der grenzüberschreitenden Volatilitätsprognose

Problemstellung
Die Arbeit befasst sich mit einem grundlegenden methodischen Spannungsfeld in der empirischen Finanzwirtschaft: der Diskrepanz zwischen der In-Sample-Erklärungskraft und der Out-of-Sample-Prognosegenauigkeit in der grenzüberschreitenden Volatilitätsmodellierung. Während Volatilitätsreihen durch starke Persistenz und langsam verlaufende Dynamiken gekennzeichnet sind, stützen sich viele empirische Studien auf auf Level-basierten Zeitreihen-Spezifikationen (z. B. gewöhnliche kleinste Quadrate oder Autoregressive Distributed Lag Modelle), um Volatilitätsverknüpfungen zu analysieren. Die Autoren hinterfragen, ob diese häufig verwendeten Modelle für die Prognose angemessen sind, wenn das primäre Ziel die Vorhersagegenauigkeit und nicht die statistische Erklärung ist. Insbesondere untersucht die Studie, ob die starke Persistenz in Volatilitätsdaten die In-Sample-Fit-Metriken (wie $R^2$ ) künstlich aufbläht, während gleichzeitig die Fähigkeit des Modells untergraben wird, zukünftige Volatilitätsdynamiken zu prognostizieren, insbesondere im Kontext von Spillover-Effekten zwischen Edelmetallen und dem US-Aktienmarkt.

Methodik
Die Autoren verwenden einen einheitlichen empirischen Rahmen, um vier weit verbreitete statistische Spezifikationen systematisch zu vergleichen, die zur Prognose der S&P 500-Volatilität unter Verwendung von Edelmetallen (Gold, Silber, Platin, Palladium), Kupfer und Öl als erklärende Variablen dienen.

Datenkonstruktion:
- Quelle: Tägliche Schlusskurse von Bloomberg (Januar 2005 – Juli 2014).
- Transformation: Die täglichen Preise werden in logarithmische Renditen umgewandelt. Die monatliche realisierte Volatilität wird durch Aggregation der täglichen quadrierten Renditen und deren Annualisierung konstruiert.
- Stichprobe: Die effektive Stichprobe besteht aus 114 monatlichen Beobachtungen.
- Splittung: Die Daten werden in einen Trainingszeitraum (Januar 2005 – Juni 2013) zur Parameterschätzung und einen Hold-out-Validierungszeitraum (Juli 2013 – Juni 2014) für die Out-of-Sample-Prognose unterteilt.
Modellspezifikationen:
- Baseline OLS: Eine kontemporäre Regression der Aktienmarktvolatilität auf die Levels anderer Asset-Volatilitäten.
- Autoregressive Distributed Lag (ADL): Ein ADL(1,1)-Modell, das verzögerte abhängige und unabhängige Variablen einbezieht, um Persistenz zu erfassen und die serielle Korrelation zu mildern.
- First-Difference-Modell: Eine Regression auf die Änderungen ( $\Delta$ ) der Volatilität anstelle von Levels, die darauf ausgelegt ist, Nicht-Stationarität und den Einfluss starker Persistenz zu eliminieren.
- ARIMA-Benchmark: Ein ARIMA(1,0,0)-Modell, das als univariater Benchmark dient, um den Wert grenzüberschreitender Informationen zu bewerten.
Evaluationsmetrik:
- Die Modellleistung wird ausschließlich auf der Hold-out-Stichprobe mittels des mittleren quadratischen Fehlers (MSE) bewertet. Die Studie kontrastiert explizit In-Sample-Fit-Statistiken (z. B. $R^2$ , adjustiertes $R^2$ ) mit der Out-of-Sample-Prognosegenauigkeit.

Kernergebnisse
Die empirische Analyse liefert drei primäre Erkenntnisse:

In-Sample vs. Out-of-Sample Diskrepanz: Das ADL(1,1)-Modell zeigt eine überlegene In-Sample-Erklärungskraft ( $R^2 = 0,801$ ), was primär auf die Einbeziehung der verzögerten abhängigen Variable zurückzuführen ist, welche die hohe Persistenz erfasst. Diese starke Anpassung führt jedoch nicht zu einer höheren Prognosegenauigkeit.
Überlegenheit von First-Difference-Spezifikationen: Trotz eines niedrigeren In-Sample- $R^2$ (0,356) erzielt das First-Difference-Modell konsistent den niedrigsten Out-of-Sample-MSE (0,0019) im Vergleich zum ADL-Modell (0,0021) und der ARIMA-Benchmark (0,0084).
Persistenz als Quelle des Bias: Die Ergebnisse legen nahe, dass Level-basierte Modelle dazu neigen, die niederfrequenten, persistenten Komponenten der Volatilität zu überoptimieren (Overfitting). Während diese Modelle die historischen Daten gut abbilden, versagen sie dabei, die kurzfristigen Dynamiken zu isolieren, die für eine genaue Prognose notwendig sind. Der First-Difference-Ansatz bietet durch das Entfernen dieser langsam verlaufenden Komponenten einen robusteren Benchmark zur Erfassung kontemporärer Volatilitätsinteraktionen.

Wesentliche Beiträge
Das Paper leistet drei spezifische Beiträge zur Literatur:

Einheitlicher Rahmen: Es bietet einen kontrollierten, direkten Vergleich von OLS, ADL, First-Difference und ARIMA-Modellen unter identischen Datensätzen und Prognosebedingungen, was eine direkte Bewertung der Modellwahl ermöglicht.
Empirisches Muster: Es dokumentiert ein systematisches Muster, bei dem First-Difference-Spezifikationen Level-basierten und autoregressiven Modellen bei der Out-of-Sample-Prognose der Aktienmarktvolatilität überlegen sind, was die Standardabhängigkeit von Level-basierten Spezifikationen in der Spillover-Analyse infrage stellt.
Methodischer Einblick: Es verknüpft das Konzept der Volatilitätspersistenz direkt mit der Modellwahl und der Prognoseleistung und liefert damit einen konzeptionellen Beitrag zur grenzüberschreitenden Volatilitätsanalyse, der die bestehende Arbeit zu Transmissionsmechanismen ergänzt.

Bedeutung und Implikationen
Die Autoren argumentieren, dass die Studie praktische Orientierungshilfen für die empirische Volatilitätsmodellierung bietet. Die Ergebnisse legen nahe, dass Forscher und Praktiker die Modellwahl an ihre spezifischen Ziele ausrichten sollten:

Für die Prognose: Wenn das Ziel die Vorhersagegenauigkeit ist, sind einfachere, transformationsbasierte Ansätze (wie die Differenzbildung) vorzuziehen, die die Persistenz mildern, gegenüber komplexen, parameterintensiven Modellen, die den In-Sample-Fit maximieren.
Für das Risikomanagement: Genaue Volatilitätsprognosen sind entscheidend für die Portfoliokonstruktion und Risikomaße (z. B. Value-at-Risk). Die Studie impliziert, dass die Verwendung von Level-basierten Modellen aufgrund des durch Persistenz getriebenen Bias zu verzerrten Risikoschätzungen führen kann, während First-Difference-Modelle in dynamischen Marktphasen zuverlässigere Schätzungen liefern können.
Interpretation von Spillovers: Die Ergebnisse legen nahe, dass einige in der Literatur beobachtete „starke Verknüpfungen“ Artefakte einer gemeinsamen Persistenz sind und nicht auf echtem prädiktivem Gehalt beruhen. First-Difference-Modelle bieten einen saubereren Test für den inkrementellen Informationsgehalt grenzüberschreitender Signale.

Das Paper schließt mit der Betonung der Wichtigkeit von Transparenz in der empirischen Methodik und fordert Forscher dazu auf, neben traditionellen Goodness-of-Fit-Statistiken auch Out-of-Sample-Metriken anzugeben, um sicherzustellen, dass Schlussfolgerungen über grenzüberschreitende Dynamiken robust und für die reale Welt anwendbar sind.