Structural Break Detection and Regime-Dependent Financial Time-Series Forecasting Using Change-Point Models and Markov Switching: Evidence from Asia-Pacific Equity Markets

Finanzmärkte sind keine Maschinen, die nach einem einzigen, unveränderlichen Satz von Regeln laufen. Stattdessen sind sie lebende Systeme, die zwischen verschiedenen Stimmungen schwanken. Manchmal sind sie ruhig und berechenbar; andere Male sind sie chaotisch und anfällig für plötzliche, heftige Schwankungen. Seit Jahrzehnten versuchen Ökonomen, Modelle zu entwickeln, die diese Bewegungen vorhersagen können, in der Hoffnung, die Zukunft klar zu sehen. Doch diese Modelle stehen vor einem grundlegenden Problem: Sie gehen oft davon aus, dass die Vergangenheit ein perfekter Wegweiser für die Zukunft ist. Wenn sich das Wesen eines Marktes plötzlich ändert – etwa durch ein neues Gesetz, eine globale Krise oder einen Wandel in der Anlegerpsychologie – kann ein Modell, das an alten Daten festhält, gefährlich langsam in der Anpassung werden. Es ist, als versuche man, einen Sturm mit einer Karte zu navigieren, die für ruhige See gezeichnet wurde.

Um dies zu lösen, haben Forscher zwei Hauptansätze entwickelt, um Marktveränderungen zu begreifen. Ein Ansatz sucht nach „Regimewechseln“, bei denen der Markt zwischen wiederkehrenden Zuständen hin und her springt, wie ein Lichtschalter, der zwischen hell und dunkel umschaltet. Der andere sucht nach „Strukturbrüchen“, also permanenten Änderungen der zugrunde liegenden Spielregeln, bei denen die alte Karte überhaupt nicht mehr gültig ist. Eine neuere, anspruchsvollere Idee kombiniert dies: die Verwendung von Echtzeitsignalen, um zu erkennen, wann sich die Regeln geändert haben, und dann das Gedächtnis des Modells sofort so anzupassen, dass es sich nur auf die jüngste, relevante Geschichte konzentriert. Diese Arbeit stellt eine einfache, aber schwierige Frage: Funktioniert dieser intelligente, adaptive Ansatz tatsächlich besser als die etablierten Methoden bei der Vorhersage von Aktienkursen und Risiken in den vielfältigen Märkten der Asien-Pazifik-Region?

Ein Team von Forschern unternahm den Versuch, diese Idee anhand von Daten aus fünf großen Aktienmärkten zu testen: Indien, Japan, Hongkong, Südkorea und Australien. Sie sammelten fast zwei Jahrzehnte an täglichen Kursdaten, die alles von der globalen Finanzkrise über die Pandemie bis darüber hinaus abdeckten. Ihr Ziel war es zu sehen, ob ein Modell, das ein Signal der Veränderung „hören“ und seine alte Geschichte sofort vergessen kann, ein Modell übertrifft, das seine gesamte Geschichte behält, selbst die veralteten Teile. Sie bauten ein System auf, das ein Standard-Marktmodell mit einem Echtzeit-Detektor kombinierte. Dieser Detektor, bekannt als „Bayesian online change-point detection“, fungiert wie ein empfindlicher Wecker. Er beobachtet die Volatilität des Marktes und, falls er eine plötzliche Verschiebung im Muster wahrnimmt, läutet er Alarm. Wenn der Alarm schrillt, ist das Modell so programmiert, dass es sein Gedächtnis schrumpfen lässt, indem es ältere Daten, die möglicherweise nicht mehr relevant sind, verwirft und sich mit den frischen Informationen neu trainiert.

Die Forscher testeten dieses „bruchbewusste“ Modell gegen eine Standardversion, die ihr Gedächtnis niemals schrumpfen lässt, sowie gegen mehrere andere gängige Prognosewerkzeuge. Sie führten ein strenges Ein-Schritt-Vorwärts-Experiment über 1.000 Tage für jeden Markt durch und stellten sicher, dass das Modell nur Informationen nutzen konnte, die bis zu diesem spezifischen Tag verfügbar waren, genau wie ein echter Investor. Sie führten zudem Computersimulationen durch, bei denen sie die exakten Antworten im Voraus kannten, um zu verifizieren, dass ihre Methoden in der Lage waren, Veränderungen korrekt zu identifizieren, wenn sie auftraten. Die Simulationen zeigten, dass ihre Werkzeuge in der Lage waren, die richtigen Muster zu finden; das reale Experiment hingegen erzählte eine kompliziertere Geschichte.

Die Ergebnisse zeigten, dass es keinen einzelnen „besten“ Weg gibt, die Zukunft dieser Märkte vorherzusagen. Die Belege für Strukturbrüche variierten drastisch von Land zu Land. In Südkorea deuteten die Daten auf drei deutliche, permanente Verschiebungen im Verhalten des Marktes hin. In Japan zeigten die Daten überhaupt keine solchen permanenten Brüche, obwohl der Markt erhebliche Turbulenzen erlebte. Diese Erkenntnis allein war entscheidend: Sie bewies, dass die Märkte in dieser Region keinen gemeinsamen, einheitlichen Rhythmus teilen. Was für ein Land funktioniert, kann nicht blindlings auf ein anderes übertragen werden.

Was die tatsächliche Vorhersage der Aktienpreise am nächsten Tag betraf, gewann das intelligente, adaptive Modell nicht. Tatsächlich schnitten die einfachen Modelle, die lediglich die durchschnittliche vergangene Performance oder die jüngsten Trends betrachteten, genauso gut oder sogar besser ab. Das komplexe Modell, das versuchte, sein Gedächtnis ständig zurückzusetzen, lieferte keine genaueren Preisprognosen. In einigen Fällen, wie beim japanischen Markt, schnitt das adaptive Modell sogar schlechter ab als die einfacheren Alternativen. Die Forscher fanden heraus, dass die zusätzliche Komplexität des ständigen Vergessens und Neulernens nicht half, die Rendite des nächsten Tages vorherzusagen.

Die Geschichte änderte sich leicht, als die Forscher die Volatilität untersuchten, also wie stark die Preise schwanken. Hier übertrafen die traditionellen Modelle, die ihre vollständige Historie beibehielten, das adaptive Modell im Allgemeinen. Das Modell, das sein Gedächtnis ständig schrumpfen ließ, neigte dazu, größere Fehler bei der Vorhersage der Marktschwankungen zu machen. Es scheint, dass selbst wenn sich der Markt ändert, das Behalten einer langen Historie von Daten dem Modell hilft, die zugrunde liegenden Risikomuster besser zu verstehen, als mit einem leeren Blatt neu zu beginnen. Das „No-Reset“-Modell, das seine Vergangenheit niemals vergaß, blieb äußerst wettbewerbsfähig und war in mehreren Märkten signifikant überlegen bei der Prognose der durchschnittlichen Volatilität.

Das adaptive Modell fand jedoch seine stärkste Nische bei der Vorhersage des Abwärtsrisikos, spezifisch des Value-at-Risk. Dies ist ein Maß, das Banken und Investoren verwenden, um den maximalen Verlust zu schätzen, mit dem sie an einem schlechten Tag konfrontiert sein könnten. Im indischen Markt und im australischen Markt lieferte das bruchbewusste Modell eine wesentlich bessere Kalibrierung dieses Risikos. Es sagte die Häufigkeit extremer Verluste genauer voraus als die anderen Modelle. Für den indischen Markt sagte es die Anzahl der schlechten Tage fast perfekt voraus. Auch im australischen Markt schnitt es sehr gut ab. Dieser Erfolg war jedoch nicht universell. In Hongkong war das adaptive Modell zu konservativ und sagte weit weniger schlechte Tage voraus, als tatsächlich auftraten, während in Südkorea alle Modelle Schwierigkeiten hatten, das extreme Ende der Risikoverteilung zu erfassen.

Die Forscher untersuchten auch, wie schwerwiegend die Verluste an den Tagen waren, an denen die Risikoschwelle überschritten wurde. Hier zeigte das adaptive Modell keinen klaren Vorteil. In vielen Fällen sagten die traditionellen Modelle die Größe der Verluste ebenso gut oder sogar besser voraus. Die Studie kam zu dem Schluss, dass der Wert der Kenntnis eines Strukturbruchs vollständig davon abhängt, was man vorhersagen möchte und welchen Markt man beobachtet. Es ist kein Zaubermittel, das jede Prognose verbessert.

Letztendlich legt die Arbeit nahe, dass die Idee, das Gedächtnis eines Modells basierend auf Echtzeit-Alarmen ständig zurückzusetzen, ein nützliches Werkzeug ist, aber nur für spezifische Aufgaben. Es ist kein universelles Upgrade für die Finanzprognose. Der beste Ansatz hängt vom Markt ab: Für einige ist das Behalten einer langen Historie lebensnotwendig; für andere hilft eine kürzere, fokussiertere Sichtweise. Die Studie dient als Erinnerung daran, dass Finanzmärkte zu vielfältig und komplex für eine einzige, perfekte Formel sind. Die effektivste Strategie besteht darin, die spezifische Natur des jeweiligen Marktes zu verstehen und das Werkzeug zu wählen, das zu dieser spezifischen Umgebung passt, anstatt davon auszugehen, dass ein komplexeres, adaptives System immer die Antwort ist.