A CGMY-Hawkes Clock Model: Esscher Martingale Measures and Model-Preserving Minimal Entropy under Self-Exciting Jump Activity

In der Welt der Finanzen ist die Vorhersage, wie sich die Vermögenspreise bewegen, ein ständiger Kampf gegen das Unvorhersehbare. Traditionelle Modelle gehen oft davon aus, dass Preisänderungen glatt und unabhängig geschehen, wie Regentropfen, die in einer gleichmäßigen Rate fallen. Reale Märkte verhalten sich jedoch anders. Sie sind anfällig für plötzliche, heftige Ausbrüche von Aktivität, bei denen große Preisschwankungen in Clustern auftreten – einer nach dem anderen, statt isoliert zu existieren. Dieses Phänomen, bekannt als Jump-Clustering, erzeugt eine heavy-tailed Verteilung (eine Verteilung mit schweren Rändern) der Renditen, was bedeutet, dass extreme Ereignisse weita viel häufiger eintreten, als Standardtheorien vorhersagen. Um diese Realität zu erfassen, verlassen sich Forscher seit langem auf zwei unterschiedliche mathematische Werkzeuge. Ein Werkzeug, der CGMY-Prozess, ist exzellent darin, die Größe und Häufigkeit dieser Sprünge zu beschreiben und die heavy tails sowie die „fette“ Wahrscheinlichkeit extremer Bewegungen zu berücksichtigen. Das andere Werkzeug, der Hawkes-Prozess, ist darauf ausgelegt, Selbstaktivierung (Self-Excitation) zu modellieren, wobei ein Ereignis die Wahrscheinlichkeit erhöht, dass kurz darauf ein weiteres Ereignis eintritt, was die beobachteten Ausbrüche von Aktivität erzeugt. Jahrelang existierten diese beiden Konzepte in getrennten Silos, und die Kombination dieser beiden in ein einziges, praktikables Modell zur Preisgestaltung von Finanzprodukten wie Optionen blieb eine erhebliche Herausforderung.

Eine neue Studie von Imen Ben Abdelwahed schließt diese Lücke, indem sie einen vereinheitlichten Rahmen einführt, der den CGMY–Hawkes-Clock-Modell genannt wird. Die Kernidee besteht darin, die Zeit selbst als eine Variable zu behandeln, die sich je nach Marktaktivität beschleunigt und verlangsamt. Stellen Sie sich eine Standarduhr vor, die das Verstreichen der Zeit misst; in diesem Modell wird diese Uhr durch eine „stochastische Uhr“ ersetzt, die schneller läuft, wenn der Markt unruhig ist, und langsamer, wenn er ruhig ist. Diese Uhr wird durch den Hawkes-Prozess angetrieben, der die Intensität der Marktaktivität bestimmt. Die eigentlichen Preisbewegungen werden dann durch den CGMY-Prozess generiert, aber sie werden nicht gegenüber der Standarduhr, sondern gegenüber dieser variablen, selbstaktivierenden Uhr bewertet. Das Ergebnis ist ein Modell, in dem die Sprünge im Preis natürlich zusammen clustern, da sich die Uhr während Perioden hoher Intensität beschleunigt, während das statistische Gesetz, das die Größe jedes einzelnen Sprungs regelt, konsistent bleibt. Dieser Ansatz ermöglicht es dem Modell, die chaotische, geclusterte Realität der Finanzmärkte zu erfassen und gleichzeitig mathematisch handhabbar genug zu bleiben, um für die Preisgestaltung nützlich zu sein.

Die Forscher widmeten sich dann einer kritischen Frage: Wie weisen wir einem Finanzkontrakt, wie etwa einer europäischen Option, in diesem komplexen Umfeld einen fairen Preis zu? In unvollständigen Märkten, in denen Risiken nicht perfekt abgesichert werden können, gibt es keine einzige eindeutige Möglichkeit, ein Preisbildungsmaß zu wählen. Das Team konzentrierte sich auf eine spezifische Methode namens Esscher-Transformation, die die Wahrscheinlichkeiten verschiedener Ergebnisse anpasst, um sicherzustellen, dass das Modell konsistent mit der Abwesenheit von Arbitrage-Möglichkeiten ist. Ein bedeutender Durchbruch in ihrer Arbeit ist die Entdeckung, dass diese Anpassung vorgenommen werden kann, ohne die Struktur des Modells zu zerstören. Sie bewiesen, dass man durch das Verschieben bestimmter Parameter, die das Tail-Verhalten der Sprünge steuern, das Preisbildungsmaß ändern kann, während die zugrunde liegende selbstaktivierende Natur der Hawkes-Uhr völlig unberührt bleibt. Das bedeutet, dass das „Clustering“-Verhalten des Marktes als eine fundamentale Eigenschaft des Marktes selbst erhalten bleibt und nicht lediglich ein Artefakt der Preisbildungsmethode ist.

Um das Modell für die Preisgestaltung tauglich zu machen, führte der Autor eine Risikoprämie ein, die proportional zur aktuellen Intensität des Marktes ist. Diese spezifische Wahl führte zu einer überraschenden Vereinfachung: Die Bedingung, die erforderlich ist, um das Modell mathematisch konsistent zu machen, reduzierte sich auf eine einzige Gleichung, die nicht von den spezifischen Parametern des Hawkes-Prozesses abhängt. Mit anderen Worten: Die Anpassung, die nötig ist, um den Vermögenswert korrekt zu bepreisen, wird allein durch die Charakteristika der Sprünge selbst bestimmt, nicht durch die Art und Weise, wie die Markterregung erzeugt wird. Diese Erkenntnis ermöglicht eine eindeutige Lösung innerhalb einer spezifischen Klasse von Maßen, die der Autor als das modellwahrende minimale Entropie-Martingalmaß identifiziert. Dieses Maß ist besonders, weil es das geringste Maß an „Überraschung“ oder Abweichung vom ursprüngigen Marktmodell einführt und dennoch die notwendigen Preisregeln erfüllt. Die Dichte dieses Maßes enthält einen spezifischen stochastischen Term, der die Fluktuationen der integrierten Intensität berücksichtigt und somit die Zufälligkeit der Uhr selbst erfasst.

Die Studie untersuchte auch, was passiert, wenn die Forscher mehr Flexibilität zulassen, indem sie eine Zwei-Parameter-Anpassung anstelle einer Ein-Parameter-Anpassung verwenden. Sie fanden heraus, dass der effizienteste Weg, die Entropie in diesem breiteren Kontext zu minimieren, darin besteht, die positiven und negativen Tails der Sprungverteilung unterschiedlich anzupassen, anstatt sie symmetrisch zu behandeln. Diese Zwei-Parameter-Lösung liefert eine etwas geringere Entropie als die Ein-Parameter-Version, was auf eine präzisere Anpassung hindeutet, obwohl sie nicht auf der Diagonalen liegt, wo die Parameter gleich sind. Als der Autor diese Ergebnisse anwandte, um die Preise von Standard-Europäischen Call-Optionen zu berechnen, verglich er seine exakten Ergebnisse mit einem gängigen Näherungsverfahren, dem sogenannten Mean-Field-Ansatz. Die Mean-Field-Methode vereinfacht das Problem, indem sie annimmt, dass die Marktintensität konstant und gleich ihrem Durchschnittswert ist. Die Forscher zeigten, dass diese Vereinfachung unzureichend ist. Ihre exakten Berechnungen zeigten, dass die Optionspreise signifikant von den spezifischen Parametern abhängen, die die Erregung des Marktes steuern, wie etwa die Stärke, mit der ein Ereignis das nächste auslöst.

In numerischen Tests unter Verwendung von Benchmark-Parametern war der Unterschied zwischen dem exakten Modell und der Mean-Field-Näherung messbar und bedeutsam. Für eine Standardoption mit einer Laufzeit von einem Jahr sank der exakte Preis, wenn das Branching Ratio – das Maß dafür, wie stark ein Ereignis das nächste erregt – zunahm. Beispielsweise führte die Erhöhung des Erregungsniveaus von Null auf ein sehr hohes Niveau bei einem spezifischen Parametersatz dazu, dass der Optionspreis im Vergleich zur Mean-Field-Vorhersage um etwa 2,6 Prozent sank. Dies geschieht, weil eine höhere Erregung die Verteilung der Zeituhr breiter um ihren Mittelwert streut und die Preisformel auf diese Streuung nicht-linear reagiert. Die Mean-Field-Näherung erfasst diesen Effekt nicht, da sie die Fluktuationen ignoriert. Der Autor kommt zu dem Schluss, dass während sein Modell die wesentliche Struktur des Marktes bewahrt und ein eindeutiges, effizientes Preisbildungsmaß bietet, die Details darüber, wie sich die Markterregung entwickelt, für die Bewertung von entscheidender Bedeutung sind. Er legt nahe, dass zukünftige Arbeiten diesen Rahmen auf komplexere Szenarien ausweiten könnten, wie etwa Modelle, in denen die Preissprünge selbst weitere Intensität auslösen, oder auf die Kalibrierung dieser Modelle an reale Marktdaten, um zu sehen, wie gut sie in der Praxis funktionieren.