Probability of Informed Trading (PIN): Formel, Beispiel und Grenzen

Bei jedem abgeschlossenen Geschäft gibt es sowohl Käufer als auch Verkäufer, aber der Grund für den Handel ist meist nicht beobachtbar. Ein Käufer kann auf private Informationen reagieren, ein Portfolio umschichten, Liquiditätsbedarf decken oder einen Referenzwert ausführen. PIN verwendet die Häufigkeiten kauf- und verkaufsinitiierter Abschlüsse über wiederholte Zeiträume, um zu schätzen, welchen Anteil des Orderflows das Modell dem Handel aufgrund privater Informationen zuschreibt.

Easley, Kiefer, O’Hara und Paperman entwickelten den strukturellen Ansatz, um informationsbasierten Handel und Liquidität zu untersuchen. Das Modell behandelt tägliche Kauf- und Verkaufszahlen als Ergebnis eines nicht beobachteten Informationszustands. Ohne private Information erzeugen uninformierte Käufer und Verkäufer Aufträge. Trifft gute oder schlechte Information ein, fügt ein informierter Händler Aufträge in der durch die Information nahegelegten Richtung hinzu. Die Asymmetrie der Kauf- und Verkaufszahlen über viele Tage hilft, die verborgenen Zustandswahrscheinlichkeiten und Ankunftsraten zu schätzen (Easley et al., 1996).

PIN ist daher eine Schätzung für eine Stichprobe und ein festgelegtes Modell. Sie ist weder eine Kennzeichnung einzelner Abschlüsse noch eine direkte Zählung von Personen mit privaten Informationen oder die Wahrscheinlichkeit, dass der nächste Handel informiert ist. Ein höherer Schätzwert bedeutet, dass das angepasste Modell unter denselben Definitionen und Annahmen einen größeren Anteil der erwarteten Auftragseingänge seiner Komponente informierter Händler zuordnet als bei einem niedrigeren Wert.

Das klassische PIN-Modell unterteilt jede Handelsperiode in einen von drei verborgenen Zuständen. Mit Wahrscheinlichkeit \(1-\alpha\) tritt kein Informationsereignis ein. Mit Wahrscheinlichkeit \(\alpha\delta\) gibt es eine positive Nachricht; mit Wahrscheinlichkeit \(\alpha(1-\delta)\) eine negative. \(\alpha\) ist die Wahrscheinlichkeit eines Informationsereignisses und \(\delta\) die bedingte Wahrscheinlichkeit einer positiven Nachricht, wenn ein Ereignis eintritt.

Uninformierte Kauf- und Verkaufsaufträge haben jeweils eine erwartete Ankunftsrate von \(\varepsilon\) pro Periode. Bei einem Informationsereignis kommen informierte Aufträge mit erwarteter Rate \(\mu\) hinzu. An einem Tag mit positiver Nachricht kaufen sie, bei negativer Nachricht verkaufen sie. In der einfachsten Version sind Kauf- und Verkaufszahlen innerhalb jedes Zustands bedingt unabhängige Poisson-Variablen. Der Zustand und der Händlertyp werden nicht beobachtet; das Modell erschließt die Parameter aus den beobachteten Häufigkeitsmustern.

Das sind Modellannahmen und keine gesicherten Beschreibungen jedes Marktes. Sie machen das Mischmodell schätzbar und interpretierbar. Häufungen, korrelierte Liquiditätsnachfrage, Nachrichten mit anderen Ankunftsmustern, Fehler bei der Handelsrichtungszuordnung oder fragmentierte Handelsplätze können fälschlich als informationsbasierter Orderflow erscheinen, wenn das Modell sie nicht berücksichtigt.

Im symmetrischen Modell beträgt die erwartete Zahl informierter Aufträge pro Periode \(\alpha\mu\). Die erwartete Zahl uninformierter Aufträge ist \(\varepsilon\) auf der Kaufseite plus \(\varepsilon\) auf der Verkaufsseite, also \(2\varepsilon\). PIN ist der Anteil informierter Aufträge an den gesamten erwarteten Aufträgen:

PIN = αμ / (αμ + 2ε)

Der Parameter \(\delta\) beeinflusst, auf welcher Seite der informierte Händler auftritt, kürzt sich aber in diesem aggregierten Anteil heraus. Erweiterungen können flexiblere Kauf- und Verkaufsraten oder andere Prozesse zulassen. Ihre Formeln und Interpretationen sollten nicht ohne Erklärung an die Stelle der klassischen Formel treten.

Angenommen, eine hypothetische Periode hat \(\alpha=0.20\), \(\mu=12\) erwartete informierte Aufträge an einem Tag mit Informationsereignis und \(\varepsilon=40\) uninformierte Aufträge je Seite und Periode. Die erwartete Zahl informierter Aufträge beträgt \(0.20\times12=2.4\). Die erwartete Zahl uninformierter Aufträge ist \(40+40=80\). Der modellimplizierte Anteil beträgt \(2.4/(2.4+80)=0.0291\), also etwa 2.9%.

Das Beispiel veranschaulicht nur die Rechnung. Es bedeutet weder, dass genau 2.9% der beobachteten Geschäfte informiert waren, noch dass ein einzelner Handel objektiv mit 2.9% Wahrscheinlichkeit informiert ist oder jemand über Insiderinformationen verfügte. Raten und Ereigniswahrscheinlichkeit sind hypothetische Parameter. In einer Anwendung müssen sie anhand von Daten geschätzt werden; Stichprobenzeitraum und Modellspezifikation sind anzugeben.

PIN hängt auch vom Nenner ab. Bleiben \(\alpha\) und \(\mu\) gleich, während die uninformierte Ankunftsrate je Seite von 40 auf 60 steigt, ergibt sich \(2.4/(2.4+120)\), also etwa 2.0%. Die erwarteten informierten Aufträge ändern sich nicht, aber ihr Anteil an der größeren Gesamtzahl sinkt. Ein niedrigerer PIN-Wert belegt daher nicht automatisch ein geringeres Informationsrisiko. Wenn sich Schätzfenster und übliches Handelsvolumen ändern, sollte geprüft werden, welche Parameter sich bewegt haben.

Für jede Periode \(t\) sei \(B_t\) die Zahl kaufinitiierter und \(S_t\) die Zahl verkaufsinitiierter Aufträge. Im klassischen Modell ist die Likelihood dieser Zahlen eine Mischung aus drei Teilen. Der Zustand ohne Informationsereignis hat Gewicht \(1-\alpha\) und Poisson-Raten \(\varepsilon\) auf beiden Seiten. Der Zustand mit positiver Nachricht hat Gewicht \(\alpha\delta\), Kaufrate \(\varepsilon+\mu\) und Verkaufsrate \(\varepsilon\). Der Zustand mit negativer Nachricht hat Gewicht \(\alpha(1-\delta)\), Kaufrate \(\varepsilon\) und Verkaufsrate \(\varepsilon+\mu\). In jedem Zustand werden die passenden Poisson-Wahrscheinlichkeiten multipliziert und dann über die Zustände summiert, um die Likelihood für die Periode zu erhalten.

Der Schätzer wählt \(\alpha,\delta,\mu,\varepsilon\), sodass die Summe der Log-Likelihoods über die Stichprobe maximal ist. PIN wird anschließend aus diesen geschätzten Parametern berechnet. Forschende schätzen die Parameter häufig über ein Fenster wie ein Quartal, denn die zwei Tageszahlen enthalten nur wenig Information über die Mischung. PIN ist dann eine Schätzung für das gesamte Fenster. Ein längeres Fenster stabilisiert die Zählungen möglicherweise, mittelt aber zugleich wechselnde Marktbedingungen.

PIN wird nicht berechnet, indem man für jeden Tag die Kaufzahl minus die Verkaufszahl bildet und diese Differenzen mittelt. Netto-Kaufzahlen allein unterscheiden nicht zwischen einem Zustand mit guten Nachrichten und einem Zustand, in dem Liquiditätsnachfrage sowohl Kauf- als auch Verkaufsaktivität erhöht hat. Maximum Likelihood bewertet gemeinsam über die Stichprobe, wie plausibel die beobachteten Kauf- und Verkaufszahlen unter jedem der drei verborgenen Zustände sind. Ein zu kurzes Fenster erschwert die Identifikation der Mischung; ein zu langes zwingt unterschiedliche Handelsumfelder in dieselben festen Ankunftsraten.

Die Optimierung ist keine nebensächliche technische Einzelheit. Die Likelihood kann mehrere lokale Maxima haben, Parameter können an den Randbedingungen landen, und bei hohen Handelszahlen kann es zu Gleitkomma-Unter- oder -Überläufen kommen. Yan und Zhang dokumentieren erhebliche Verzerrungen durch Randlösungen und schlagen ein verbessertes Schätzverfahren vor (Yan und Zhang, 2012). Eine glaubwürdige Schätzung braucht eine numerisch stabile Likelihood, mehrere vertretbare Startwerte, modellgerechte Parameterrestriktionen und Diagnostik, die zeigt, ob sich das gewählte Optimum reproduzieren lässt.

Das klassische Modell benötigt Kauf- und Verkaufszahlen. Wenn ein Datenfeed keine Angabe zur aggressiven Seite enthält, können die Zahlen durch Klassifikatoren wie eine Quote-Regel, einen Tick-Test oder das Lee–Ready-Verfahren gewonnen werden. Falsch klassifizierte Geschäfte verschieben Beobachtungen zwischen \(B_t\) und \(S_t\) und verändern die Likelihood. Deshalb gehören Klassifikationsmethode, Behandlung von Geschäften zum Mittelkurs und unbekannten Fällen, Handelsplatzabdeckung und Zeitstempelabgleich in die Schätzdokumentation. Der Leitfaden zur Klassifikation der Handelsrichtung erklärt, warum die zugeordnete Seite je nach Quote und Datenfeed variieren kann.

Außerdem müssen Periode, Instrument, zulässige Handelsbedingungen sowie der Umgang mit Auktionen, Korrekturen, außerbörslichen Meldungen und Zeiträumen ohne Handel festgelegt werden. Das Zusammenführen mehrerer Handelsplätze kann einen anderen Zählprozess ergeben als die Analyse eines einzelnen Platzes. Ein Wechsel von täglichen zu untertägigen Perioden verändert die Interpretation der Ankunftsraten und kann zu wenige Beobachtungen für eine stabile Schätzung hinterlassen. Ein PIN-Vergleich über Vermögenswerte oder Zeiträume setzt hinreichend vergleichbare Datenkonstruktion, Schätzfenster, Schätzer und Modellversion voraus.

Schwierige Beobachtungen sollten nicht stillschweigend entfernt und nur plausibel wirkende Schätzwerte berichtet werden. Bewahre die ursprünglichen Zahlen auf, dokumentiere Ausschlüsse, prüfe Parameterschätzungen und Randlösungen und vergleiche Ergebnisse unter vertretbaren Klassifikations- und Fensterentscheidungen. Ändert sich die Schätzung deutlich, gehört diese Sensitivität zum Ergebnis.

Ein notierter oder effektiver Bid-Ask-Spread misst einen Preisnachlass oder Ausführungskosten. PIN schätzt dagegen den Anteil der erwarteten Auftragseingänge, der einem informierten Anteil eines Strukturmodells zugerechnet wird. Ein breiter Spread kann Adverse-Selection-Risiko, Bestandskosten, Gebühren oder Wettbewerb widerspiegeln; er ist nicht selbst ein PIN-Wert. Der Roll-Spread-Schätzer leitet unter eigenen Annahmen einen Spread aus der Renditeautokovarianz ab.

Orderflow-Ungleichgewicht fasst die Differenz zwischen Kauf- und Verkaufsaktivität zusammen, oft neben Limit-Order-Aufgaben und -Stornierungen. Es lässt sich für ein gewähltes Intervall direkt beobachten, während PIN mit einer Likelihood einen latenten Nachrichtenprozess aus wiederholten Zählungen erschließt. Ein Ungleichgewicht beweist keinen informierten Handel: Liquiditätsbedarf oder gebündelte Ausführung können ähnliche Muster erzeugen. Der Leitfaden zu Orderflow-Ungleichgewicht behandelt dieses eigene Maß.

VPIN ist auch nicht einfach eine hochfrequent berechnete PIN-Variante. Es ist eine Kennzahl auf Volumenzeitbasis, die Ungleichgewichte in Volumenintervallen nutzt und eigene Klassifikations- und Stichprobenentscheidungen erfordert. Andersen und Bondarenko stellten die Behauptung infrage, VPIN messe in ihrem untersuchten Kontext zuverlässig Ordertoxizität oder signalisiere Turbulenzen (Andersen und Bondarenko, 2014). Maße sollten anhand ihrer jeweiligen Konstruktion und Evidenz bewertet werden, nicht als austauschbare Begriffe.

Ein PIN-Wert kann präzise aussehen, obwohl das Zählmodell schlecht zu den Daten passt. Gan, Wei und Johnstone prüfen die empirische Anpassung von PIN-Modellen und berichten strukturelle Einschränkungen in den untersuchten Verteilungen und Abhängigkeitsmustern (Gan et al., 2017). Das ist ein Grund, die Anpassung für die konkrete Stichprobe zu prüfen, kein Beleg dafür, dass jede Anwendung ungültig ist.

Nützliche Diagnostik umfasst die Verteilungen der Kauf- und Verkaufszahlen, ihre Abhängigkeit, die Häufigkeit von Perioden ohne Handel, die vom Modell implizierten Wahrscheinlichkeiten dieser Zahlen, Konvergenz- und Randstatus des Optimierers sowie Sensitivität gegenüber alternativen Startwerten. Vergleiche simulierte oder angepasste Zählverteilungen mit den beobachteten Daten und prüfe, ob Parameter über benachbarte Fenster plausibel bleiben. Standardfehler oder Konfidenzintervalle sollten das Schätzverfahren widerspiegeln; ein Punktschätzer allein verbirgt Unsicherheit aus Stichprobe und Modellwahl.

Eine stabile Schätzung in benachbarten Fenstern beweist keine korrekte Spezifikation. Eine wechselnde Schätzung kann dagegen auf veränderte Informationsankünfte, uninformierte Nachfrage, Datenabdeckung oder eine Fehlspezifikation zurückgehen. Marktinterpretationen sollten die Evidenz und Grenzen der Prüfung benennen.

Ohne Angaben zur Messung lässt sich ein PIN-Wert schwer einordnen. Nenne das Instrument oder Anlageuniversum, die erfassten Handelsplätze, Stichprobendaten, Beobachtungsperiode und Zeitzone, zulässige Handelsbedingungen sowie das Verfahren zur Zuordnung kauf- oder verkaufsinitiierter Vorzeichen. Gib an, ob das klassische Drei-Zustands-Modell oder eine Erweiterung verwendet wird, und berichte neben PIN auch die geschätzten Werte für \(\alpha,\delta,\mu,\varepsilon\).

Beschreibe außerdem Schätzfenster, Likelihood-Implementierung, Optimierungsverfahren und Startwertstrategie. Berichte Konvergenz, Randlösungen, Unsicherheitsschätzungen und die zur Anpassungsprüfung verwendete Diagnostik. Wenn Auktionen, Korrekturen, Zeiträume ohne Handel oder unbekannte Handelsrichtungen ausgeschlossen oder speziell behandelt wurden, erläutere wie. So können Leser robuste Muster von Ergebnissen unterscheiden, die von einer Daten- oder Optimierungsentscheidung abhängen.

Die Beobachtungsperiode ist wichtig, weil \(\alpha\) eine Ereigniswahrscheinlichkeit pro Periode und \(\mu\) sowie \(\varepsilon\) Ankunftsraten pro Periode sind. Ein Wechsel von täglichen zu stündlichen Zählungen ändert Einheiten und zugrunde liegenden Ereignisprozess. Parameter aus verschieden langen Perioden sind nicht allein deshalb direkt vergleichbar, weil die PIN-Formel gleich aussieht. Gleiche Periodendefinitionen und Handelsdatenkonstruktion sind Voraussetzung für Vergleiche; Änderungen der geschätzten Raten sollten untersucht und nicht automatisch als Änderungen des informierten Handels interpretiert werden.

PIN wurde als Kennzahl der Marktmikrostruktur entwickelt, nicht als Ein- oder Ausstiegsregel. Sie sagt nicht voraus, in welche Richtung sich der Preis bewegt, wie weit er sich bewegt, ob ein scheinbares Signal bereits im Quote enthalten ist oder ob eine Ausführung zum angezeigten Preis möglich ist. Die ursprüngliche Asset-Pricing-Studie untersuchte geschätzte PIN-Werte in einem historischen NYSE-Querschnitt und setzte sie in Beziehung zu erwarteten Renditen in jener Stichprobe. Das Ergebnis ist weder eine aktuelle Prognose noch eine universelle Prämie (Easley, Hvidkjaer und O’Hara, 2002).

Wenn PIN als erklärende Variable dient, berichte Handelsrichtungsregel, Auswertungszeitraum, Schätzfenster, geschätzte Parameter, Unsicherheit, Modellanpassungsprüfungen und Sensitivitätsanalysen. Bei Einsatz in einer Handelsstrategie sollte die vollständige Regel mit Daten getestet werden, die nicht zur Auswahl verwendet wurden. Berücksichtige Spread, Gebühren, Slippage, Markteinfluss und Kapazität und vergleiche das Ergebnis mit einer Referenz. Implementation Shortfall ist eine Möglichkeit, Entscheidungspreis und tatsächliche Ausführungskosten zu vergleichen. Eine statistisch interessante Schätzung kann dennoch keinen brauchbaren Prognosewert oder Nutzen nach Kosten haben.