Varianzquotiententest: Random Walks, Horizonte und Trading

Sei \(P_t\) ein beobachteter Preis und \(x_t=\ln(P_t)\) sein logarithmierter Preis. Die Logrendite einer Periode ist \(r_t=x_t-x_{t-1}\). Eine Logrendite über \(q\) Perioden addiert \(q\) aufeinanderfolgende Einperiodenrenditen. Sind diese Zuwächse unkorreliert und haben sie eine stabile Varianz, wächst die Varianz ihrer Summe proportional zu \(q\).

Der Populations-Varianzquotient lautet

\[ \operatorname{VR}(q)=\frac{\operatorname{Var}(r_t+r_{t-1}+\cdots+r_{t-q+1})}{q\operatorname{Var}(r_t)}. \]

Unter dieser Varianzskalierungsbedingung gilt \(\operatorname{VR}(q)=1\). Das Verfahren von Lo und MacKinlay überführt diesen Zusammenhang in eine Stichprobenstatistik und einen Test der Random-Walk-Restriktion. Eins ist der Referenzwert für unkorrelierte Zuwächse; es bedeutet nicht, dass Preise glatt oder prognostizierbar sind. In ihrer ursprünglichen Anwendung verwarfen die Autoren die Random-Walk-Spezifikation für historische US-Aktienmarktdaten. Sie warnten jedoch ausdrücklich, dass die Zurückweisung allein kein Mean-Reversion-Preismodell belegt.

Bei stationären Einperiodenrenditen mit Autokorrelation \(\rho_j\) beim Lag \(j\) lässt sich derselbe Populationsquotient so schreiben:

\[ \operatorname{VR}(q)=1+2\sum_{j=1}^{q-1}\left(1-\frac{j}{q}\right)\rho_j. \]

Mit zunehmendem Lag erhält jede Autokorrelation ein geringeres Gewicht. Der Quotient fasst daher eine gewichtete Menge serieller Korrelationen bis zum Horizont \(q-1\) zusammen; er entspricht nicht der Autokorrelation eines einzelnen Lags.

Für \(q=4\) habe ein hypothetischer Renditeprozess beispielsweise \(\rho_1=0.10\), \(\rho_2=0.04\) und \(\rho_3=0\). Dann gilt

\[ \operatorname{VR}(4)=1+2\left(\frac{3}{4}\times0.10+\frac{2}{4}\times0.04\right)=1.17. \]

Der Wert über eins spiegelt eine positive gewichtete Abhängigkeit über diese Horizonte wider. Wären die ersten beiden Autokorrelationen \(-0.10\) und \(-0.04\) und die dritte weiterhin null, läge der Quotient bei \(0.83\). Dies sind hypothetische Populationsberechnungen. Eine beobachtete Stichprobenschätzung kann wegen Stichprobenvariation, wechselnder Volatilität und Korrekturen des Schätzers für endliche Stichproben abweichen.

Unterschiedliche Autokorrelationsmuster können bei einem einzelnen Horizont denselben Quotienten ergeben. Positive und negative Beiträge können sich aufheben; ein Quotient von genau eins verlangt daher nicht, dass jede einbezogene Autokorrelation null ist. Mehrere vorab festgelegte Horizonte können ein anderes Muster sichtbar machen. Werden die Ergebnisse gemeinsam getestet, ist jedoch auch eine gemeinsame Inferenz erforderlich.

Der Test wird meist auf logarithmierte Preise in gleichen Zeitabständen oder deren erste Differenzen angewendet. Bei täglichen Schlusskursen bezeichnet \(q=5\) eine Rendite über fünf Handelssitzungen und nicht eine Kalenderwoche mit einer anderen Zahl von Handelstagen. Fehlende Sitzungen, Kurslücken über Nacht und unregelmäßige Zeitstempel verändern die Bedeutung von „einer Periode“. Geben Sie den Handelskalender und an, ob Ausschüttungen oder andere Kapitalmaßnahmen in den Preisen berücksichtigt sind.

Einfache Renditen statt Logrenditen zu verwenden ist eine Modellentscheidung und nicht über jeden Horizont hinweg eine harmlose Umbenennung. Logrenditen addieren sich über die Zeit exakt; einfache Renditen werden aufgezinst. Bei kleinen Bewegungen können sie numerisch ähnlich sein, doch die Definition sollte zur Fragestellung passen und in Beispiel, Schätzung und Backtest konsistent bleiben. Wenden Sie die Formel nicht auf einen Preisstand an, als wäre er eine Renditereihe.

Die meisten Implementierungen bilden überlappende Renditen über \(q\) Perioden, damit jede verfügbare Beobachtung in die Schätzung eingeht. So gibt es mehr aggregierte Beobachtungen, doch benachbarte Fenster teilen viele Einperiodenrenditen und sind nicht unabhängig. Der Standardfehler des Tests berücksichtigt diese Konstruktion unter seinen Modellannahmen. Überlappende Renditen als unabhängig zu behandeln würde die Unsicherheit unterschätzen.

Angenommen, die Varianz der Rendite eines hypothetischen Vermögenswerts über eine Sitzung beträgt \(0.0001\), entsprechend einer Standardabweichung von 1 % pro Sitzung. Bei unkorrelierten Zuwächsen beträgt die Varianz über vier Sitzungen \(4\times0.0001=0.0004\). Die Standardabweichung ist 2 %, und der Quotient lautet \(0.0004/(4\times0.0001)=1\).

Nehmen wir nun an, die geschätzte Varianz über vier Sitzungen sei \(0.000468\), während die Schätzung für eine Sitzung weiterhin \(0.0001\) beträgt. Der Stichprobenquotient ist dann \(0.000468/(4\times0.0001)=1.17\). Diese Rechnung beschreibt den Vergleich der Streuung über die ausgewählten Horizonte. Sie bedeutet weder, dass die erwartete Rendite um 17 % höher ist, noch dass die nächste Rendite mit 17 % höherer Wahrscheinlichkeit positiv ausfällt oder eine Position über vier Sitzungen eine erwartete Rendite von 17 % hat.

Für eine statistische Aussage vergleichen Sie den geschätzten Quotienten mit seiner Testverteilung und Unsicherheitsschätzung. Ein Quotient nahe eins ist auch möglich, wenn andere Aspekte des Preisprozesses einem vollständigen Random-Walk-Modell widersprechen. Umgekehrt kann ein von eins abweichender Quotient in einer verrauschten oder kurzen Stichprobe statistisch nicht von eins zu unterscheiden sein. Halten Sie Schätzwert, Teststatistik, p-Wert und ökonomische Interpretation auseinander.

Die klassische homoskedastische Statistik von Lo–MacKinlay standardisiert \(\widehat{\operatorname{VR}}(q)-1\) mit einer asymptotischen Varianz, die unter der Annahme von Zuwächsen mit konstanter Varianz hergeleitet wird. Ändert sich die bedingte Volatilität der Renditen, kann dieser Standardfehler die Testgröße falsch angeben. Lo und MacKinlay entwickeln auch eine heteroskedastizitätskonsistente Varianzschätzung für die Varianzquotientenstatistik.

„Heteroskedastizitätskonsistent“ hat einen begrenzten Geltungsbereich: Unter den Testannahmen passt es die Inferenz an ein breiteres Muster wechselnder Renditevarianz an. Es korrigiert keine falsche Preisreihe, keine Abhängigkeit bei jedem denkbaren Horizont, Strukturbrüche, veraltete Kurse oder eine zu kurze Stichprobe. Manche Software bezeichnet die beiden Varianten mit Symbolen wie \(Z\) und \(Z^*\). Prüfen Sie in der Dokumentation, welche Nullhypothese und Standardfehlerformel implementiert ist.

Die Finite-Sample-Studie von 1989 fand, dass die Testleistung von der betrachteten Null- und Alternativhypothese abhängt. In den untersuchten Simulationen berichtete sie unter einer heteroskedastischen Random-Walk-Null eine höhere Zuverlässigkeit als bei einigen Vergleichstests. Das ist keine allgemeine Garantie für jede Stichprobe oder Implementierung. Bei kleinen Stichproben kann ein Bootstrap oder ein anderes Finite-Sample-Verfahren helfen; auch sein Resampling-Design muss jedoch die für die Fragestellung relevanten Abhängigkeits- und Volatilitätsmerkmale bewahren.

Ein Test mit einzelnem \(q\) fragt, ob die Varianzskalierungsrestriktion für einen ausgewählten Horizont gilt. Wurde \(q\) erst nach Prüfung vieler Horizonte ausgewählt, berücksichtigt der berichtete p-Wert diese Suche nicht. Wer \(q=2,4,8,16\) ausprobiert und nur das signifikanteste Ergebnis hervorhebt, erhöht die Wahrscheinlichkeit eines falsch positiven Befunds.

Ein gemeinsames Varianzquotientenverfahren testet eine vorab festgelegte Gruppe von Horizonten zusammen und passt die Entscheidung für Mehrfachvergleiche an. Chow und Denning entwickelten einen solchen Mehrfachtest, weil viele einzelne, nicht angepasste Entscheidungen die gesamte Fehlerwahrscheinlichkeit erster Art stark erhöhen können. Das gemeinsame Ergebnis bezieht sich auf die geprüfte Horizontfamilie; es erklärt nicht, welcher Lag, Mechanismus oder Marktteilnehmer die Abweichung verursacht hat.

Wählen Sie Horizonte mit Blick auf Beobachtungsfrequenz und Forschungsfrage. Vergleiche über einen Tag, eine Woche und einen Monat können alle sinnvoll sein, doch jeder hat eine andere Informationsmenge und eine andere Überlappungsstruktur. Berichten Sie die gesamte getestete Gruppe und nicht nur den günstigsten Horizont. Unterscheiden Sie eine explorative Suche von einem bestätigenden Test.

Ein Schätzwert über eins ist mit positiver gewichteter serieller Abhängigkeit über die ausgewählten Lags vereinbar. Ein Wert unter eins passt zu negativer gewichteter Abhängigkeit über diese Lags. Keines der Vorzeichen identifiziert eindeutig Momentum, Mean Reversion, verzögerte Preisanpassung, Lagerhaltungseffekte, Geld-Brief-Spannen-Effekte, asynchronen Handel oder einen Volatilitätsprozess.

Insbesondere beweist \(\operatorname{VR}(q)<1\) nicht, dass das Preisniveau stationär ist. Eine Reihe kann bei einem bestimmten Horizont einen Quotienten unter eins haben und dennoch einen stochastischen Trend enthalten. Umgekehrt belegt die Zurückweisung einer Random-Walk-Restriktion für sich genommen keine stationäre Mean-Reversion-Alternative. Lo und MacKinlay hielten ausdrücklich fest, dass ihre Zurückweisung bei den untersuchten Aktiendaten diese Schlussfolgerung nicht stützte.

Die Inferenz hängt außerdem davon ab, ob Renditen, logarithmierte Preise, Überschussrenditen oder eine andere transformierte Reihe getestet werden. Ein Ergebnis für tägliche Schlusskursrenditen sagt nicht automatisch etwas über Intraday-Kurse oder ein anderes Anlageuniversum aus. Benennen Sie den Untersuchungsgegenstand und begrenzen Sie die Interpretation entsprechend.

Der Bid-Ask-Bounce kann bei Renditen auf Transaktionspreisbasis kurzfristig negative Abhängigkeit erzeugen, auch wenn sich ein langsamerer ökonomischer Wertprozess nicht umkehrt. Bei illiquiden Wertpapieren können Aktualisierungen asynchron erfolgen, und Schlusskurse an verschiedenen Handelsplätzen können unterschiedliche Informationsfenster abbilden. Solche Eigenschaften wirken sich oft am stärksten auf die kürzesten Horizonte aus. Prüfen Sie Kursqualität, Handelsaktivität, Zeitstempelabgleich und die Sensitivität gegenüber einem längeren Beobachtungsintervall, bevor Sie das Muster als Marktanomalie bezeichnen.

Volatilitätscluster beeinflussen Standardfehler auch dann, wenn Vorzeichen oder Niveau der Renditen kein stabiles Richtungsmuster aufweisen. Eine strukturelle Änderung des Mittelwerts, der Volatilität, der Handelszeiten oder der Marktzusammensetzung kann dazu führen, dass ein Quotient für die gesamte Stichprobe unterschiedliche Regime vermischt. Prüfen Sie die Stabilität in Teilzeiträumen, ohne nur das Fenster auszuwählen, das die bevorzugte Interpretation stützt.

Die Suche über Vermögenswerte, Frequenzen, Horizonte, Filter und Stichprobenendpunkte schafft ein weiteres Problem: die Auswahl nach Zufallsschwankungen. Ein statistisch ungewöhnlicher Varianzquotient, der nach einer breiten Suche gefunden wurde, ist kein unberührter Hypothesentest. Legen Sie einen primären Horizont vorab fest oder nutzen Sie ein geeignetes gemeinsames beziehungsweise Resampling-Verfahren und validieren Sie entdeckte Muster anschließend mit späteren, chronologisch folgenden Daten.

Ein Varianzquotiententest fasst die Renditevariabilität über Horizonte zusammen. Er legt weder Richtung noch Ein- und Ausstieg, Stop, Positionsgröße, Haltedauer oder die vor der Ausführung verfügbare Information fest. Selbst ein stabiles Abhängigkeitsmuster kann zu klein sein, um Gebühren, Spreads, Markteinfluss, Finanzierung, Wertpapierleihe und Umschlag zu überwinden.

Definieren Sie für eine Handelsstudie Signal und Entscheidungszeitpunkt, bevor Sie zukünftige Renditen betrachten. Schätzen Sie Parameter in einem Bildungszeitraum, frieren Sie sie ein und bewerten Sie spätere Beobachtungen. Wurde das Ergebnis nach Versuchen mit vielen Wertpapieren oder Horizonten entdeckt, halten Sie einen wirklich unberührten Testzeitraum zurück oder verwenden Sie ein Verfahren, das die Suche berücksichtigt. Vergleichen Sie Ergebnisse nach Kosten mit einer Referenz und berücksichtigen Sie realistische Ausführungen statt nur theoretische Renditeprognosen.

Verwenden Sie den Varianzquotienten neben grafischen Darstellungen, Autokorrelationsprüfungen, Einheitswurzeltests und Stabilitätsanalysen als Diagnose. Eine Abweichung von der Varianzskalierung kann Anlass für ein genaueres Modell sein; dieses benötigt jedoch eigene Annahmen und Out-of-Sample-Evidenz. Der Test beschreibt knapp eine Momentenrestriktion, er beweist keinen Handelsvorteil.

Geben Sie Preisdefinition, Renditetransformation, Beobachtungsfrequenz, Stichprobendaten, Zahl der nutzbaren Beobachtungen und an, ob sich Renditefenster überlappen. Berichten Sie jeden getesteten Horizont \(q\), den Stichproben-Varianzquotienten, die verwendete Standardfehlervariante, Teststatistik, p-Wert, Signifikanzniveau und eine etwaige gemeinsame Anpassung für mehrere Horizonte.

Erläutern Sie den Umgang mit fehlenden Beobachtungen, Kapitalmaßnahmen, Marktschließungen und Zeitstempeln. Halten Sie fest, ob heteroskedastizitätsrobuste Inferenz, Bootstrap, Teilzeiträume oder alternative Beobachtungsintervalle das Ergebnis veränderten. Bei einer Handelsanwendung trennen Sie statistische Stichprobe und Bewertungszeitraum und legen Kosten, Ausführungszeitpunkt, Auswahlregeln sowie alle getesteten Vermögenswerte und Horizonte offen.

Lo und MacKinlay führen den Varianzquotienten-Spezifikationstest ein und untersuchen seine Testgröße und Teststärke in endlichen Stichproben. Chow und Denning erläutern, warum Tests mehrerer Varianzquotienten eine gemeinsame Kontrolle des Testniveaus benötigen90051-6). Verwandte Begriffe behandeln die Leitfäden zu Stationarität und Einheitswurzeln, zur Engle–Granger-Kointegration und zum Johansen-Kointegrationsrangtest.