Der zentrale Grenzwertsatz im Finanzwesen
Verstehen Sie, was der zentrale Grenzwertsatz über standardisierte Summen sagt, welche Annahmen Finanzrenditen verletzen können, warum die Konvergenz nicht exakt ist und wann die Skalierung mit der Quadratwurzel der Zeit scheitert
Kurzantwort
Der zentrale Grenzwertsatz besagt, dass sich eine korrekt zentrierte und skalierte Summe vieler hinreichend gutartiger zufälliger Beiträge einer Normalverteilung annähert. Er ist eine asymptotische Aussage mit Bedingungen und kein Beweis dafür, dass Tagesrenditen normalverteilt sind oder Verluste an einem endlichen Horizont einer Glockenkurve folgen
Der Satz betrifft Summen und keine Rohbeobachtungen
Seien X_1,…,X_n unabhängig und identisch verteilt mit endlichem Erwartungswert μ und positiver endlicher Varianz σ²
Die klassische Aussage lautet, dass (Σ_iX_i−nμ)/(σ√n) in Verteilung gegen N(0,1) konvergiert, wenn n gegen unendlich geht
Einzelne X_i können schief oder diskret sein; die Schlussfolgerung betrifft das standardisierte Aggregat und nicht die Form jedes Eingabewerts
Zentrierung und Skalierung sind entscheidend
Die Summe wächst um nμ, während ihre Standardabweichung unter Unabhängigkeit wie σ√n wächst
Für den Stichprobenmittelwert hat √n(Ȳ_n−μ)/σ denselben standardisierten Grenzwert, und der Standardfehler sinkt mit der Rate 1/√n
Das Weglassen der Zentrierung, die Verwendung der falschen Varianz oder das Ignorieren der Kovarianz verändert das betrachtete Objekt und kann den Vergleich mit der Normalverteilung ungültig machen
Konvergenz bedeutet keine exakte Normalverteilung
Konvergenz in Verteilung beschreibt feste standardisierte Schwellen im Grenzfall; sie bedeutet keine Gleichheit für ein bestimmtes n
Die Geschwindigkeit hängt von Schiefe, Dicke der Tails, Gittereffekten und stärkeren Momentbedingungen ab und kann im fernen Tail langsam sein
Eine Normalapproximation kann in der Mitte brauchbar wirken und zugleich die Wahrscheinlichkeit eines großen Verlusts bei endlicher Stichprobe deutlich unterschätzen
Finanzrenditen stellen die Annahmen infrage
Renditen zeigen Volatilitätscluster, serielle Abhängigkeit, Sprünge, Strukturbrüche, wechselnde Exposure und zeitvariable Verteilungen
Es gibt CLT-Versionen für schwache Abhängigkeit und Martingale, aber jede ersetzt Unabhängigkeit durch präzise Regularitätsbedingungen
Ist die Varianz unendlich, kann der klassische √n-Normalgrenzwert vollständig scheitern und unter anderer Skalierung ein stabiler nicht normaler Grenzwert entstehen
Die Quadratwurzel der Zeit ist eine Modellfolge
Für unkorrelierte stationäre Inkremente mit konstanter Varianz gilt Var(Σ_iX_i)=nσ², wodurch die Volatilität proportional zu √n wird
Autokovarianzen addieren 2Σ_{h=1}^{n−1}(n−h)γ_h, sodass Persistenz oder Umkehr die Horizontvarianz verändern
Aufzinsung, stochastische Volatilität, Sprünge, überlappende Daten und Kalendereffekte verhindern ebenfalls eine mechanische Umrechnung von täglich auf jährlich
Inferenz braucht eine schätzbare langfristige Varianz
Wenn σ durch eine Stichprobenschätzung ersetzt wird, entstehen asymptotische Standardfehler nur, wenn Schätzer und Abhängigkeitsannahmen gültig sind
Methoden, die Heteroskedastizität und Autokorrelation berücksichtigen, schätzen die langfristige Varianz, statt Beobachtungen als unabhängig auszugeben
Kleine Stichproben, schwere Tails, Data Snooping und instabile Mittelwerte können ein präzise aussehendes Konfidenzintervall schlecht kalibrieren
Die Validierung sollte den Zweck der Approximation testen
Untersuchen Sie Abhängigkeit, Volatilitätsregime, Tail-Plots, Stabilität von Teilstichproben und wie sich aggregierte standardisierte Renditen mit dem Horizont verändern
Vergleichen Sie empirische Abdeckung für zentrale Intervalle und Tail-Schwellen getrennt, weil Erfolg nahe dem Median kein Nachweis für Risikokapital ist
Verwenden Sie Bootstrap, robuste, stabile oder explizite Zeitreihen-Alternativen, wenn deren Annahmen besser zur Entscheidung und den beobachteten Diagnosen passen
Häufige Fragen
Was besagt der zentrale Grenzwertsatz?
Unter geeigneten Bedingungen nähert sich eine zentrierte Summe geteilt durch ihre Standardabweichung einer Standardnormalverteilung an
Beweist der zentrale Grenzwertsatz, dass Aktienrenditen normalverteilt sind?
Nein. Er beschreibt ein asymptotisches Aggregat unter Bedingungen und sagt weder, dass Einperiodenrenditen noch dass Tails über einen endlichen Horizont normalverteilt sind
Warum skaliert die Volatilität mit der Quadratwurzel der Zeit?
Das folgt, wenn stationäre unkorrelierte Inkremente eine konstante endliche Varianz haben, und nicht allein aus dem zentralen Grenzwertsatz
Was passiert, wenn die Renditevarianz unendlich ist?
Der klassische normale Grenzwertsatz kann scheitern, und normierte Summen können unter einer anderen Skalierung gegen ein nicht normalverteiltes stabiles Gesetz konvergieren