Ornstein–Uhlenbeck-Halbwertszeit: Mean-Reversion im Trading

Angenommen, ein Spread liegt über seinem geschätzten langfristigen Mittelwert. Ein Mean-Reversion-Modell besagt, dass sich der Spread erwartungsgemäß mit der Zeit diesem Mittelwert nähert. Die Halbwertszeit beantwortet eine eng umrissene Frage: Wie lange dauert es unter dem angepassten Modell, bis sich die erwartete Abweichung halbiert? Beträgt die anfängliche Abweichung 100 Basispunkte, bedeutet eine Halbwertszeit von vier Perioden, dass die bedingte erwartete Abweichung des Modells nach vier Perioden etwa 50 Basispunkte beträgt.

Diese Aussage betrifft den Erwartungswert über mögliche Pfade. Ein realisierter Spread kann zunächst steigen, den Mittelwert schnell kreuzen oder noch viel länger davon entfernt bleiben. Auch hängt die Halbwertszeit von der Maßeinheit der Beobachtungen ab: Eine Schätzung aus Tagesdaten wird in Tagen gemessen, eine aus Stundendaten in Stunden. Geben Sie stets das Beobachtungsintervall und das Modell an, mit dem die Geschwindigkeit geschätzt wurde.

Ein eindimensionaler OU-Prozess lässt sich so schreiben:

\[ dX_t = \kappa(\mu-X_t)\,dt + \sigma\,dW_t, \]

wobei \(\mu\) der langfristige Mittelwert, \(\kappa>0\) die Mean-Reversion-Geschwindigkeit, \(\sigma\) die Stärke der momentanen Zufallsschwankungen und \(W_t\) eine Brownsche Bewegung ist. Der Drift zeigt in Richtung von \(\mu\): Oberhalb des Mittelwerts weist die bedingte Richtung nach unten, darunter nach oben.

Die bedingte erwartete Abweichung entwickelt sich nach

\[ \mathbb{E}[X_{t+\tau}-\mu\mid X_t] = e^{-\kappa\tau}(X_t-\mu). \]

Setzen Sie den Multiplikator auf die Hälfte, \(e^{-\kappa h}=1/2\), und lösen Sie nach der verstrichenen Zeit auf:

\[ h_{1/2}=\frac{\ln 2}{\kappa}. \]

Die Halbwertszeit enthält \(\sigma\) nicht. Die Volatilität beeinflusst, wie weit sich einzelne Pfade um den bedingten Erwartungswert bewegen; \(\kappa\) legt in diesem Modell die erwartete Abklingrate fest. Uhlenbeck und Ornsteins Analyse der Brownschen Bewegung liefert die klassische Grundlage des stochastischen Prozesses; Vasicek verwendete später einen OU-ähnlichen Prozess zur Modellierung des kurzfristigen Zinssatzes.

Bei gleichmäßig beabstandeten Beobachtungen mit Abstand \(\Delta\) hat eine exakte Stichprobe des OU-Prozesses die Form

\[ X_{t+\Delta}-\mu = \phi(X_t-\mu)+\eta_{t+\Delta}, \qquad \phi=e^{-\kappa\Delta}. \]

Für das skalare OU-Modell gilt bei \(\kappa>0\), dass \(0<\phi<1\). Die diskrete Halbwertszeit in Beobachtungen ist

\[ h_{1/2}=\frac{\ln(1/2)}{\ln(\phi)}, \]

und die verstrichene Zeit ergibt sich aus diesem Wert multipliziert mit \(\Delta\). Ist der geschätzte AR(1)-Koeffizient null oder negativ oder mindestens eins, gilt diese einfache Umrechnung in eine positive Mean-Reversion-Geschwindigkeit nicht. Dann ist möglicherweise ein anderes dynamisches Modell nötig, statt dem Prozess eine OU-Deutung aufzuzwingen.

Dieselbe Gleichung lässt sich in Differenzen schätzen: \(\Delta X_t=a+bX_{t-1}+\epsilon_t\). Für ein stationäres AR(1)-Modell, das zugleich \(0<1+b<1\) erfüllt, setzen Sie \(\phi=1+b\), \(\kappa=-\ln(\phi)/\Delta\); der implizierte langfristige Mittelwert beträgt bei \(b\ne0\) \(-a/b\). Behalten Sie bei der Umrechnung das Beobachtungsintervall bei: Der Wechsel von Tages- zu Wochendaten verändert die Zeitskala des Koeffizienten.

Die Zeiteinheit wird durch \(\Delta\) bestimmt. Bei einer täglichen Aktienreihe entspricht ein Beobachtungsschritt üblicherweise einer Handelssitzung, nicht 24 Kalenderstunden. Eine Halbwertszeit von vier Beobachtungen sollte daher nicht automatisch als vier Kalendertage bezeichnet werden, wenn dazwischen ein Wochenende oder ein Börsenfeiertag liegt. Bei unregelmäßig langen Balken, etwa bei ereignis- oder volumenbasierten Stichproben, gilt die Umrechnung mit konstantem Intervall möglicherweise nicht. Nennen Sie den Vermögenswert, den Erhebungsplan und ob die angegebene Einheit eine Beobachtung, eine Handelssitzung oder die verstrichene Zeit ist.

Angenommen, ein Spread-Modell mit täglichen, gleichmäßig verteilten Beobachtungen ergibt \(\phi=0.84\). Das ist ein hypothetischer Lehrwert und keine aktuelle Schätzung. Die Mean-Reversion-Rate pro Tag beträgt \(\kappa=-\ln(0.84)\approx0.1744\), also

\[ h_{1/2}=\frac{\ln(0.5)}{\ln(0.84)}\approx3.98\text{ Handelstage}. \]

Nach vier Tagen beträgt die erwartete Abweichung \(0.84^4\approx0.498\) des Ausgangswerts. Eine Abweichung von 100 Basispunkten hat demnach nach vier Beobachtungen einen modellimplizierten bedingten Erwartungswert von etwa 49.8 Basispunkten, bevor Schätzunsicherheit oder Änderungen des Prozesses berücksichtigt werden.

Die folgende Abbildung skizziert diesen exponentiellen Zerfall um ein Gleichgewicht. Die Kurve ist ein konzeptioneller Pfad, keine Preishistorie und keine Behauptung, dass jeder Spread ihm folgt. Einzelne Ergebnisse können stark um den bedingten Mittelwert schwanken.

Definieren Sie zuerst \(X_t\). Ein Kointegrationsresiduum, eine Preisdifferenz, ein logarithmischer Preisspread, ein volatilitätsbereinigtes Signal und ein Renditeabstand sind unterschiedliche Reihen. Sie haben verschiedene Einheiten und Dynamiken. Ein Kointegrationsergebnis kann unter seinen Annahmen eine stationäre Linearkombination stützen, belegt aber nicht, dass das Residuum einem OU-Prozess mit konstanten Parametern folgt.

Legen Sie vor der Schätzung Beobachtungsfrequenz, Aufbauzeitraum, Spezifikation des Mittelwerts und Lag-Struktur fest. Ein einfaches AR(1)-Modell kann serielle Korrelation, veränderliche Volatilität, Sprünge, Intraday-Mikrostruktureffekte oder Regimewechsel übersehen. Prüfen Sie das Verhalten der Residuen und die Parameterstabilität und berichten Sie, falls die Schätzung nur für eine bestimmte Stichprobe gilt. Der empirische Vergleich von Chan, Karolyi, Longstaff und Sanders zeigt, warum Evidenz für Mean-Reversion selbst bei kurzfristigen Zinssätzen schwach und modellabhängig sein kann.

Für einen Handelsspread schätzen Sie Parameter nur mit Daten, die zum jeweiligen Aufbauzeitpunkt verfügbar waren. Wird ein Spread oder sein Mittelwert anhand zukünftiger Beobachtungen neu geschätzt, entsteht Look-ahead-Bias. Wenn Sie die Parameter im Zeitverlauf neu kalibrieren, beschreiben Sie den Aktualisierungsplan und bewerten Sie das gesamte Verfahren anhand späterer Daten, statt den geschätzten Koeffizienten als bekannt zu behandeln.

Die Transformation von \(\phi\) in die Halbwertszeit ist nichtlinear. Nähert sich \(\phi\) von unten der Eins, nähert sich \(\ln(\phi)\) null und die implizierte Halbwertszeit steigt rasch. Eine kleine Änderung des geschätzten Koeffizienten kann daher eine große Änderung der ausgewiesenen Zeit bewirken. Die hypothetischen Schätzungen \(\phi=0.80\), \(0.84\) und \(0.88\) ergeben beispielsweise ungefähr 3.11, 3.98 beziehungsweise 5.42 Beobachtungen je Halbwertszeit.

Berichten Sie die Unsicherheit der Geschwindigkeit oder der transformierten Halbwertszeit mit einem Inferenzverfahren, das zum Schätzer und zur Stichprobe passt. Erreicht oder überschreitet ein Konfidenzintervall für \(\phi\) den Wert eins, stützt dieses Intervall möglicherweise keine endliche positive stationäre OU-Halbwertszeit. Berichten Sie nicht nur einen Punktschätzer. Wenn Sie aus einer großen Suche die scheinbar schnellste Reihe auswählen, berücksichtigen Sie auch die Selektion. Bei einer Schätzung nahe einer Einheitswurzel kann der Schätzfehler die scheinbare Präzision einer einzelnen Halbwertszeit dominieren.

Zur Einordnung: Angenommen, ein hypothetisches 95%-Intervall für den geschätzten Koeffizienten der Stichprobe lautet \([0.78,0.92]\). Im stationären OU-Bereich steigt die transformierte Halbwertszeit mit \(\phi\); das Intervall entspricht daher etwa 2.79 bis 8.31 Beobachtungen, obwohl der Punktschätzer \(0.84\) eine Halbwertszeit von 3.98 ergibt. Dieses Intervall dient der Veranschaulichung und ist kein empirisches Ergebnis. Berührt das Koeffizientenintervall eins, kann die obere Grenze der Halbwertszeit unbeschränkt sein; Werte ab eins liegen außerhalb dieser stationären Umrechnung. Schneiden Sie diese Werte nicht ab, um künstlich ein endliches Intervall zu erzeugen. Das Unsicherheitsverfahren sollte auch serielle Abhängigkeit und eine etwaige geschätzte Spread-Konstruktion berücksichtigen; bei der Suche über viele Paare oder Zeitfenster muss zudem die Selektion einbezogen werden.

Die Halbwertszeit verfolgt die bedingte erwartete Größe einer Abweichung. Eine Durchquerungszeit fragt, wann ein Zufallspfad erstmals ein Niveau wie den geschätzten Mittelwert oder eine Ausstiegsschwelle erreicht. Die Erstpassageverteilung hängt sowohl von Drift als auch von Volatilität ab und kann breit gestreut sein. William Bertrams Analyse optimaler statistischer Arbitrage behandelt Handelsdauer und Rendite anhand von Erstpassageberechnungen – ein anderer Gegenstand als die Formel der exponentiellen Halbwertszeit.

Ein Handelssystem benötigt weiterhin ausdrückliche Ein- und Ausstiegsregeln, Positionsgrößen, Risikogrenzen und einen Umgang mit einer gebrochenen Beziehung. Ein Spread kann sich vor seiner Rückkehr weiter vom Mittelwert entfernen und muss im relevanten Zeitraum gar nicht zurückkehren. Die Berechnung des erwarteten Zerfalls liefert weder einen Stop-Loss noch die Wahrscheinlichkeit, ein Gewinnziel vor einem Stop zu erreichen, noch Renditen nach Gebühren.

Beim Pair-Trading wird in der Regel ein konstruierter Spread modelliert, nicht ein einzelner Vermögenswert. Hedge-Ratio, Währung, Anpassungen für Kapitalmaßnahmen, Finanzierung, Leerverkaufsverfügbarkeit und Rebalancing-Regeln beeinflussen die tatsächlich realisierte Position. Prüfen Sie in chronologischen Validierungsfenstern, ob die langfristige Beziehung des Spreads plausibel bestehen bleibt; eine schnell geschätzte Halbwertszeit kann keinen Strukturbruch beheben.

Berücksichtigen Sie Geld-Brief-Spanne, Markteinfluss, Gebühren, Funding- oder Leihkosten und die Zeit, die für die Ausführung beider Seiten nötig ist. Diese Kosten fallen entlang des realisierten Pfads an, nicht nur während der erwarteten Halbwertszeit. Die Auswahl unter vielen Paaren, Rückblickfenstern und Beobachtungsfrequenzen kann zudem dazu führen, dass eine zufällig kurze Schätzung zuverlässiger wirkt, als sie ist. Die empirischen Ergebnisse von Chan und Mitautoren zu Zinsmodellen erinnern daran, dass eine vertraute Mean-Reversion-Form in einem bestimmten Datensatz keine starke Evidenz garantiert.

Der OU-Rahmen kann eine Hypothese über die erwartete Dynamik eines Spreads strukturieren. Ob eine Handelsregel funktioniert, ist eine separate empirische Frage und hängt von Stabilität, Unsicherheit, Ausführung und Ergebnissen außerhalb der Stichprobe ab.

Geben Sie die Definition der Reihe, die Preis- oder Renditekonvention, das Beobachtungsintervall, das Stichprobenfenster, den geschätzten Mittelwert, den Geschwindigkeitsparameter und den Volatilitätsparameter an. Nennen Sie, ob die OU-Gleichung in kontinuierlicher Zeit angesetzt oder aus einem diskreten AR-Modell abgeleitet wurde. Berichten Sie Koeffizientenschätzung und Unsicherheit, erklären Sie die Umrechnung in die Halbwertszeit und zeigen Sie die Sensitivität gegenüber einem plausiblen anderen Zeitfenster oder Beobachtungsintervall.

Beschreiben Sie für eine Handelsanwendung außerdem die Bildung des Spreads, die Aktualisierung der Parameter, die zum jeweiligen Entscheidungszeitpunkt verfügbaren Informationen sowie den Umgang mit Transaktionskosten und ausbleibender Konvergenz. Stellen Sie die Halbwertszeit als modellimplizierte Zusammenfassung des erwarteten Zerfalls dar, einschließlich Unsicherheit und Einheiten. Verwenden Sie sie nicht als alleinstehendes Ein- oder Ausstiegssignal oder als Beleg für Profitabilität.

Uhlenbeck und Ornsteins Arbeit von 1930 zur Brownschen Bewegung entwickelt den zugrunde liegenden mean-revertierenden stochastischen Prozess. Vasiceks Zinsstrukturmodell90016-2) verwendet einen OU-artigen Prozess für kurzfristige Zinssätze. Chan, Karolyi, Longstaff und Sanders vergleichen Spezifikationen für kurzfristige Zinssätze in kontinuierlicher Zeit und zeigen, dass Evidenz und Anpassung von der Modellwahl abhängen. Bertram leitet Ergebnisse für statistische Arbitrage anhand von Erstpassagezeiten her und veranschaulicht damit, dass die Handelsdauer eine eigene Größe ist. Weitere Leitfäden behandeln Kointegration und Korrelation im Pair-Trading, Einheitswurzeln und Mean-Reversion sowie den Engle–Granger-Kointegrationstest.