Der ARCH-LM-Test: Volatilitätscluster in Finanzresiduen erkennen

Der Test untersucht, ob die Größe vergangener Schocks zusätzliche Information über die Streuung aktueller Residuen enthält. Praktisch prüft er, ob die Quadrate der Residuen bis zum gewählten Lag q gemeinsam erklärende Kraft haben. Das ist ein gezielter Diagnosebaustein für mögliche bedingte Varianzabhängigkeit.

Er prüft nicht, ob Renditen steigen oder fallen werden, benennt nicht die Ursache einer Abhängigkeit und beweist nicht, dass ein bestimmtes GARCH-Modell korrekt ist. Ein signifikanter Test ist auch kein Handelssignal. Robert Engles ursprüngliche Arbeit führt den ARCH-Test als Test auf bedingte Heteroskedastizität ein; siehe Autoregressive Conditional Heteroscedasticity und seine Nobelvorlesung.

Schätzen Sie zunächst eine Mittelwertgleichung, die zur Renditedefinition, Frequenz und Fragestellung passt. Das kann ein einfaches OLS-Modell oder eine begründete Zeitreihenspezifikation sein. Verwenden Sie anschließend die geschätzten Innovationen beziehungsweise Residuen eₜ und prüfen Sie, ob die Mittelwertdynamik plausibel erfasst ist.

Ausgelassene Autokorrelation, Trend oder andere Mittelwertdynamik kann in Residuen Muster hinterlassen, die wie Varianzabhängigkeit aussehen. Deshalb ist der ARCH-LM-Test keine Abkürzung um die Prüfung der Mittelwertgleichung. Der OLS-Leitfaden erklärt die Annahmen der Mittelwertregression; der Leitfaden zu robusten Standardfehlern behandelt Inferenz bei Heteroskedastizität und serieller Korrelation.

Regressieren Sie die quadrierten Residuen auf eine Konstante und ihre q verzögerten Quadrate:

e_t^2 = a_0 + a_1 e_{t-1}^2 + ... + a_q e_{t-q}^2 + v_t

Die Nullhypothese lautet H₀: a₁ = ... = a_q = 0. Unter üblichen asymptotischen Bedingungen ist die LM-Statistik M × R² näherungsweise chi-quadrat-verteilt mit q Freiheitsgraden. M ist die Zahl der tatsächlich verwendbaren Zeilen in dieser Hilfsregression nach der Lag-Ausrichtung; sie ist kleiner als oder gleich der ursprünglichen Stichprobengröße.

Die Lag-Ordnung q wird vor dem Test festgelegt. Die Statistik misst gemeinsame Evidenz über diese q verzögerten Quadrate, nicht die Größe eines wirtschaftlichen Effekts. Engle beschreibt diese LM-Konstruktion in seiner Arbeit von 1982.

Angenommen, Sie wählen q = 5 und erhalten nach Lag-Ausrichtung M = 300 nutzbare Zeilen. Die Hilfsregression hat R² = 0,018. Dann ist LM = M × R² = 300 × 0,018 = 5,4. Der 5%-kritische Wert der Chi-Quadrat-Verteilung mit fünf Freiheitsgraden beträgt ungefähr 11,07.

Da 5,4 unter 11,07 liegt, verwerfen Sie H₀ in diesem vollständig hypothetischen Beispiel auf dem 5%-Niveau nicht. Das beweist keine konstante Varianz: Der Test kann bei kurzer Stichprobe, geringer Teststärke oder einer unpassenden Lag-Wahl relevante Muster übersehen. Der Wert ist weder Prognose noch Aussage über einen realen Markt.

Ein kleines q konzentriert sich auf kurze Verzögerungen; ein größeres q erfasst längere Abhängigkeiten, benötigt aber mehr Freiheitsgrade und verliert nach der Lag-Ausrichtung Beobachtungen. Wählen Sie q anhand der Frequenz, der theoretischen Fragestellung und der verfügbaren Stichprobenlänge, statt den günstigsten p-Wert nachträglich herauszusuchen.

Berichten Sie eine vorab begründete Hauptordnung und, wenn hilfreich, eine kleine Sensitivitätsanalyse mit anderen plausiblen q-Werten. Mehrere Ordnungen auszuprobieren und nur den signifikanten Test zu veröffentlichen erhöht das Risiko multipler Tests. Ein Ergebnis ist zudem von der Mittelwertspezifikation und der Behandlung extremer Beobachtungen abhängig.

Einzelne sehr große Residuen können beim Quadrieren starkes Gewicht erhalten. Strukturbrüche, Regimewechsel, schwere Verteilungsschwänze oder ausgelassene Mittelwertdynamik können ebenfalls quadratische Residuenabhängigkeit erzeugen. Ein signifikanter Test identifiziert nicht, welche dieser Erklärungen zutrifft.

Prüfen Sie Zeitstempel, Datenqualität, Residuenverlauf und Mittelwertmodell, bevor Sie Varianzdynamik interpretieren. Bei einer kurzen Stichprobe kann die asymptotische Chi-Quadrat-Näherung ungenau sein. Melden Sie deshalb Stichprobenlänge, q, M, Teststatistik, p-Wert und die Modellannahmen, statt nur „ARCH vorhanden“ zu notieren.

Der McLeod-Li-Test untersucht Autokorrelationen quadrierter Modellresiduen und ist eine verwandte Diagnose für nichtlineare Abhängigkeit. Die Originalarbeit von McLeod und Li erläutert diesen Ansatz. Beide Tests können auf Abhängigkeit in Residuenquadraten hinweisen, beweisen aber weder Vorhersagbarkeit noch eine Ursache.

Ein ARCH-LM-Test ersetzt auch keine robusten Standardfehler: Der Test diagnostiziert ein Muster in Quadraten, während robuste Kovarianzschätzer die Unsicherheit von Regressionskoeffizienten unter bestimmten Bedingungen anpassen. Ersetzen Sie eine allgemeine Varianzdiagnose ebenfalls nicht durch eine GARCH-Anpassung. Der GARCH-Leitfaden beschreibt Modelle für bedingte Varianz; ein solches Modell ist ein möglicher nächster Schritt, kein Testergebnis.

Wenn die Diagnose Varianzabhängigkeit nahelegt, kann ein ARCH- oder GARCH-Modell als Kandidat untersucht werden. Prüfen Sie nach der Schätzung erneut die standardisierten Residuen und deren Quadrate, die Stabilität der Parameter sowie Prognosefehler außerhalb der Schätzstichprobe. Ein Modell, das ein In-Sample-Muster absorbiert, muss keine verlässlichen Varianzprognosen liefern.

Dokumentieren Sie Mittelwertgleichung, Renditefrequenz, q, M, LM, R², p-Wert, Stichprobenzeitraum, Ausreißerbehandlung und Sensitivität. Trennen Sie die Diagnose von der Modellwahl und von einer Handelsentscheidung. Der ARCH-LM-Test ist ein statistisches Werkzeug, keine Anlageberatung und kein Signal für die Richtung oder Profitabilität eines Trades.