Parameter Estimation for the Vasicek Process with Microstructure Noise

In der Welt der Finanzen bewegen sich Preise nicht auf einer geraden Linie; sie driften, steigen sprunghaft an und pendeln sich wieder auf einen Durchschnitt ein, ganz ähnlich wie ein Pendel, das zu einem Ruhepunkt schwingt. Ökonomen verwenden ein mathematisches Modell namens Vasicek-Prozess, um dieses Verhalten zu beschreiben, indem sie erfassen, wie Zinssätze oder Vermögenspreise nach einem Schock dazu tendieren, zu einem langfristigen Durchschnitt zurückzukehren. Dieses Modell ist ein Eckpfeiler für die Preisgestaltung von Optionen und die Messung von Risiken, es beruht jedoch auf einer entscheidenden Annahme: dass die beobachteten Daten ein perfektes Abbild der zugrunde liegenden Realität sind. In der realen Welt sind Finanzdaten jedoch selten „sauber“. Wenn Händler Vermögenswerte kaufen und verkaufen, sind die aufgezeichneten Preise durch „Mikrostrukturrauschen“ verunreinigt – winzige, zufällige Fehler, die durch die Mechanik des Handels entstehen, wie etwa die Zeit, die für die Ausführung eines Geschäfts benötigt wird, oder die Art und Weise, wie Aufträge platziert werden. Dieses Rauschen ist wie das Rauschen auf einem Radiosignal; es verdeckt die wahre Melodie des Marktes. Wenn Forscher versuchen, ihre Modelle mit diesem verrauschten Signal abzustimmen, ohne das Rauschen zu berücksichtigen, führen sie zu ungenauen Schätzungen darüber, wie schnell die Preise zu ihrem Durchschnitt zurückkehren oder wie volatil sie tatsächlich sind.

Ein Team von Forschern der Guangxi Normal University und der Yulin Normal University hat eine neue Methode entwickelt, um dieses Rauschen zu durchschneiden und das wahre Signal wiederherzustellen. Sie konzentrierten sich auf eine spezifische Art von Finanzdaten, die als Hochfrequenzdaten bekannt sind, welche Preisänderungen in sehr kurzen Intervallen aufzeichnen, beispielsweise alle fünf Minuten. Während diese Fülle an Daten leistungsstark ist, verstärkt sie auch das Problem des Rauschens. Die Forscher gingen die Herausforderung an, indem sie zwei etablierte Techniken kombinierten: die Kernelsglättung (Kernel Smoothing), die wie ein sanfter Filter wirkt, um die erratischen Sprünge in den Daten zu mitteln, und die Maximum-Likelihood-Schätzung, eine statistische Methode zur Ermittlung der wahrscheinlichsten Werte für die Parameter des Modells. Ihr Ziel war es zu beweisen, dass ihre Methode selbst dann zuverlässig die wahren Zahlen hinter den Marktbewegungen finden kann, wenn die Daten unordentlich sind und das Rauschen nicht perfekt zufällig ist.

Die Forscher begannen mit der Konstruktion eines mathematischen Rahmens, der anerkennt, dass das Rauschen nicht nur zufälliges Statik ist, sondern von vorangegangenen Momenten abhängig sein kann – ein Zustand, der als „Mixing-Abhängigkeit“ bekannt ist. Vereinfacht ausgedrückt könnte der Fehler in einem Moment leicht mit dem Fehler des vorherigen Moments zusammenhängen, ein Merkmal, das in realen Märkten häufig vorkommt und das ältere Modelle oft ignorierten. Um dies zu handhaben, verwendeten sie eine Technik namens Trunkierung (Abschneidung), die effektiv extreme Ausreißerwerte ignoriert, welche die Ergebnisse verzerren könnten, und wandten spezifische mathematische Ungleichungen an, die für diese abhängigen Sequenzen konzipiert sind. Sie testeten ihre Theorie anschließend durch umfangreiche Computersimulationen. Sie erstellten tausende fiktive Marktszenarien, in denen die wahren Werte bekannt waren, fügten variierende Mengen an Rauschen hinzu und versuchten dann, die ursprünglichen Werte mit ihrer neuen Methode wiederherzustellen.

Die Ergebnisse dieser Simulationen waren eindeutig und ermutigend. Mit zunehmender Menge der von ihnen analysierten Daten konvergierten ihre Schätzungen für die Geschwindigkeit der Mittelwertrückkehr, den langfristigen Durchschnittspreis und die Volatilität des Marktes allmählich gegen die wahren Werte, die sie zu Beginn festgelegt hatten. Darüber hinaus verbesserte sich die Genauigkeit ihrer Schätzungen, wenn die Menge des Rauschens in den Daten abnahm, und die Unsicherheit um diese Schätzungen schrumpfte. Die Studie zeigte, dass die Geschwindigkeit der Mittelwertrückkehr der Parameter war, der am empfindlichsten auf Rauschen reagierte und größere Datensätze erforderte, um genau geschätzt zu werden, während der langfristige Durchschnitt am stabilsten war. Entscheidend war, dass die Methode auch dann Bestand hatte, wenn das Rauschen nicht perfekt unabhängig war, was eine signifikante Verbesserung gegenüber früheren Ansätzen darstellt, die auf strengeren, weniger realistischen Annahmen basierten.

Um zu sehen, ob dies in der realen Welt funktioniert, wandte das Team seine Methode auf tatsächliche Marktdaten des Shanghai Stock Exchange Composite Index an. Sie verwendeten fünfminütige Preisintervalle, die über mehrere Monate gesammelt wurden – ein Datensatz, der groß genug war, um einen robusten Test zu bieten. Nachdem sie die Rohpreisdaten geglättet hatten, um das Mikrostrukturrauschen zu entfernen, speisten sie die bereinigten Zahlen in ihr Modell ein. Die resultierenden Schätzungen ermöglichten es ihnen, ein Vorhersagemodell für zukünftige Preise zu erstellen. Als sie ihre Vorhersagen mit den tatsächlichen Marktpreisen verglichen, die folgten, schnitt das Modell gut ab. Die tatsächlichen Preise blieben in etwa 92 Prozent der Zeit innerhalb des vorhergesagten Unsicherheitsbereichs, ein Wert, der eng mit der theoretischen Erwartung übereinstimmte. Dies demonstrierte, dass das Modell nicht nur die historischen Daten abbilden, sondern auch die wesentlichen Merkmale des Marktverhaltens erfassen kann.

Die Arbeit bestätigt, dass es möglich ist, zuverlässige Erkenntnisse aus verrauschten Hochfrequenz-Finanzdaten zu gewinnen, ohne voraussetzen zu müssen, dass das Rauschen perfekt zufällig ist. Durch die Lockerung der strengen Regeln, die diese Modelle zuvor einschränkten, haben die Forscher ein robusteres Werkzeug zum Verständnis der Marktdynamik bereitgestellt. Ihre Ergebnisse legen nahe, dass mit den richtigen mathematischen Filtern der wahre Rhythmus des Marktes selbst durch das Rauschen des modernen Handels hörbar gemacht werden kann. Dies bedeutet nicht, dass der Markt in einem einfachen Sinne vorhersagbar ist, aber es bedeutet, dass die Werkzeuge, mit denen sein Verhalten gemessen wird, präziser gestaltet werden können, was einen klareren Blick auf die Kräfte ermöglicht, die die Finanzpreise antreiben.