Analytische Grundlagen
Wie wir Volatilitätsübertragung messen – und warum die Methode zählt
Netzwerkanalyse ohne methodische Transparenz ist eine Blackbox mit Visualisierung. Wir erklären jeden Schritt – von der Zeitreihe bis zum gerichteten Spillover-Index – offen, nachvollziehbar und mit den akademischen Quellen, auf die wir uns stützen.
Volatilität überträgt sich entlang von Verbindungen, die traditionelle Risikomodelle schlecht abbilden. Wir verwenden einen finanzökonometrischen Ansatz, der Märkte als Knoten in einem gerichteten Netzwerk behandelt, Schockübertragungen quantifiziert und zeitvariante Strukturveränderungen sichtbar macht. Die Methodik stammt aus peer-reviewed Forschung. Kein proprietäres System, keine unbelegte Heuristik – nur Verfahren, die hinterfragt werden können.
- Vollständig auf veröffentlichter finanzökonometrischer Forschung basierend, mit nachvollziehbaren Annahmen und klar benannten Modellgrenzen.
- Gerichtete Spillover-Indizes unterscheiden zwischen Netto-Sendern und Netto-Empfängern – eine Unterscheidung, die statische Korrelationsmatrizen nicht leisten können.
- Dynamische Netzwerkanalyse mit rollierenden Zeitfenstern zeigt, wie sich Übertragungsstrukturen in Krisenperioden verschieben.
Vom Datensatz zum Netzwerk
Die Methodik lässt sich in fünf aufeinander aufbauende Schritte zerlegen. Jeder
Schritt hat eine klare Funktion, stützt sich auf etablierte ökonometrische Verfahren
und produziert ein Zwischenergebnis, das eigenständig interpretiert werden kann. Wer
den Prozess in dieser Reihenfolge durcharbeitet, versteht am Ende nicht nur das
Netzwerk – sondern auch, warum es so aussieht, wie es aussieht, und wo Vorsicht bei
der Interpretation angebracht ist.
Wie Spillover-Forschung entstand – und wohin sie sich entwickelt hat
Wie Spillover-Forschung entstand – und wohin sie sich entwickelt hat
Wie Spillover-Forschung entstand – und wohin sie sich entwickelt hat
Wie Spillover-Forschung entstand – und wohin sie sich entwickelt hat
1982
ARCH-Modell – Grundstein der Volatilitätsmodellierung
Robert Engle publiziert das ARCH-Modell und legt damit den Grundstein für die systematische ökonometrische Behandlung von Volatilität in Finanzzeitreihen. Das Modell zeigt, dass Volatilität zeitlich variiert und sich in Clustern organisiert – eine Beobachtung, die bis heute die Grundlage jeder ernsthaften Marktanalyse bildet. Ohne ARCH gibt es kein GARCH, ohne GARCH gibt es keine multivariate Volatilitätsmodellierung, und ohne multivariate Modelle keine Spillover-Analyse. Engles Arbeit erhielt 2003 den Nobelpreis für Wirtschaftswissenschaften.
1986
GARCH-Modell erweitert die Grundlage entscheidend
Tim Bollerslev erweitert Engles ARCH-Ansatz zum Generalisierten ARCH-Modell und schafft damit ein Werkzeug, das in der empirischen Finanzforschung zur Standardausrüstung wird. GARCH erlaubt es, Persistenz in der Volatilität zu modellieren – ein Phänomen, das in praktisch allen Finanzmärkten beobachtbar ist. Die Erweiterung auf multivariate Spezifikationen wie BEKK und später DCC-GARCH öffnet den Weg zur simultanen Modellierung von Volatilitätsabhängigkeiten zwischen mehreren Märkten gleichzeitig.
2002
Dynamic Conditional Correlation – Zeitvariante Abhängigkeiten modellieren
Engle und Sheppard entwickeln das DCC-GARCH-Modell, das zeitvariante Korrelationsstrukturen zwischen mehreren Märkten schätzt. Im Unterschied zu statischen Korrelationsmatrizen bildet DCC-GARCH ab, wie sich Abhängigkeiten im Zeitverlauf verändern – besonders relevant in Krisenperioden, wenn Korrelationen sprunghaft ansteigen. DCC-GARCH wird zu einem der am häufigsten verwendeten Werkzeuge in der empirischen Analyse von Marktansteckung und Volatilitätsübertragung.
2009
Diebold-Yılmaz-Spillover-Index – Netzwerkdenken trifft Ökonometrie
Francis Diebold und Kamil Yılmaz publizieren ihre bahnbrechende Arbeit zur Messung von Volatilitäts-Spillovern zwischen Finanzmärkten. Der Ansatz nutzt die Forecast-Error-Variance-Decomposition aus VAR-Modellen, um einen aggregierten Konnektivitätsindex sowie gerichtete Spillover-Maße zu berechnen. Erstmals können Netto-Sender und Netto-Empfänger von Volatilität systematisch identifiziert werden. Die Methodik setzt einen Standard, der bis heute die dominante Grundlage der empirischen Spillover-Forschung bildet.
2012
Generalized FEVD – Reihenfolge-Unabhängigkeit als Durchbruch
Diebold und Yılmaz erweitern ihren Ansatz und lösen ein zentrales methodisches Problem: Die klassische FEVD basiert auf der Cholesky-Zerlegung und ist damit von der Reihenfolge der Variablen im VAR-Modell abhängig – ein erheblicher Nachteil für empirische Anwendungen. Die Generalized FEVD-Variante, die auf der Arbeit von Pesaran und Shin aufbaut, ist reihenfolgeunabhängig und produziert damit robustere und besser interpretierbare Spillover-Maße. Diese Erweiterung macht den Ansatz für institutionelle Anwendungen deutlich verlässlicher.
2014
Netzwerktheoretische Integration – Graphen und Systemisches Risiko
Eine Welle von Forschungsarbeiten verbindet die Diebold-Yılmaz-Spillover-Methodik mit graphentheoretischen Konzepten aus der Netzwerkwissenschaft. Zentralitätsmaße, Clusterkoeffizienten und gerichtete Netzwerkstrukturen werden auf Volatilitätsnetzwerke angewendet. Damit wird sichtbar, welche Märkte strukturell bedeutsam für die Ausbreitung von Schocks sind – ein Ansatz, der direkt an die systemische Risikoanalyse anschließt und den Weg für eine neue Generation von Risikomodellen öffnet.
2020
Hochfrequenzdaten und maschinelles Lernen erweitern die Methodik
Neuere Forschungsarbeiten kombinieren die klassische VAR-basierte Spillover-Methodik mit Hochfrequenzmarktdaten und maschinellen Lernverfahren. Realized Volatility-Maße aus Tick-Daten ersetzen zunehmend tagesbasierte GARCH-Schätzungen, was die Präzision der Netzwerkkonstruktion erhöht. Gleichzeitig werden LASSO-regularisierte VAR-Modelle eingesetzt, um Netzwerke aus einer größeren Anzahl von Märkten zu schätzen, ohne in Überanpassung zu verfallen. Die Methodik bleibt im Fluss – was für uns bedeutet, dass Aktualisierungen der Programminhalte keine Option, sondern eine Notwendigkeit sind.
Netzwerkanalyse versus traditionelle Risikomodelle
Der Unterschied liegt nicht in der Komplexität der Formeln, sondern in den Fragen, die ein Verfahren beantworten kann – und welche es strukturell übersieht.
Teijierdatba
Klassische Methoden
Gerichtete Übertragung zwischen Märkten identifizieren
Kernfähigkeit Netzwerk
Teijierdatba
Gerichtete Spillover-Maße zeigen explizit, welcher Markt Volatilität netto sendet und welcher sie netto empfängt – eine Information, die für systemische Risikoanalyse und gezielte Absicherung wesentlich ist.
Vollständig
•
Standard-Methodik
Прогресс
95%
Klassische Methoden
Univariate GARCH-Modelle und einfache Korrelationsmatrizen quantifizieren Abhängigkeiten, zeigen aber keine Richtung – wer treibt wen? Diese Frage bleibt strukturell unbeantwortet.
Nicht möglich
•
Strukturelle Lücke
Прогресс
15%
Zeitvariante Netzwerkstruktur in Krisenperioden abbilden
Dynamische Kapazität
Teijierdatba
Rollierende Analysefenster machen sichtbar, wie sich Spillover-Intensitäten und Netzwerkverbindungen im Zeitverlauf verändern – besonders in Krisenperioden, wenn Strukturbrüche die Übertragungspfade fundamental neu ordnen.
Implementiert
•
Rollierender Ansatz
Прогресс
90%
Klassische Methoden
Statische Korrelationsmatrizen bilden Durchschnittswerte über einen Zeitraum ab. Strukturveränderungen während Krisen – oft genau der interessanteste Moment – werden nivelliert statt sichtbar gemacht.
Begrenzt
•
Statische Sicht
Прогресс
25%
Systemische Zentralität einzelner Märkte quantifizieren
Netzwerk-Zentralität
Teijierdatba
Graphentheoretische Zentralitätsmaße identifizieren, welche Märkte strukturell bedeutsam für die Schockverbreitung im gesamten Netzwerk sind – eine Information, die direkt in systemische Risikorahmenwerke integriert werden kann.
Vollständig
•
Netzwerkbasiert
Прогресс
88%
Klassische Methoden
Traditionelle Verfahren behandeln jeden Markt als gleichwertigen Bestandteil einer Korrelationsstruktur. Die unterschiedliche Bedeutung einzelner Knoten für systemische Übertragungsprozesse bleibt unsichtbar.
Nicht vorgesehen
•
Keine Differenzierung
Прогресс
10%
Teijierdatba
91%
Klassische Methoden
17%
Netzwerkbasierte Spillover-Analyse beantwortet Fragen, die klassische Volatilitätsmodelle strukturell nicht stellen können: Richtung, Dynamik und systemische Bedeutung einzelner Marktknoten.
Sechs Hinweise für den Einstieg in die Praxis
Häufige Fehler und methodische Fallstricke bei der Anwendung von Spillover-Netzwerkanalysen – direkt aus der Forschungserfahrung.
Daten
Datenfrequenz bewusst wählen
Tagesbasierte Renditedaten sind für die meisten Spillover-Analysen ein guter Ausgangspunkt. Hochfrequenzdaten bieten mehr Präzision, erhöhen aber den Verarbeitungsaufwand erheblich und erfordern andere Reinigungsverfahren. Wochendaten glätten kurzfristige Übertragungen und können strukturell relevante Spillover-Signale abschwächen. Die Wahl der Frequenz sollte durch die Fragestellung begründet werden – nicht durch Datenverfügbarkeit allein.
Datenfrequenz bewusst wählen
Tagesbasierte Renditedaten sind für die meisten Spillover-Analysen ein guter Ausgangspunkt. Hochfrequenzdaten bieten mehr Präzision, erhöhen aber den Verarbeitungsaufwand erheblich und erfordern andere Reinigungsverfahren. Wochendaten glätten kurzfristige Übertragungen und können strukturell relevante Spillover-Signale abschwächen. Die Wahl der Frequenz sollte durch die Fragestellung begründet werden – nicht durch Datenverfügbarkeit allein.
Daten
Modellierung
Strukturbrüche explizit behandeln
Viele Zeitreihen enthalten strukturelle Brüche – etwa durch Währungsreformen, regulatorische Änderungen oder Krisenperioden – die, wenn unberücksichtigt, die VAR-Schätzung erheblich verzerren. Ein Modell, das über einen Strukturbruch hinweg geschätzt wird, mischt zwei verschiedene Regimes in einen einzigen Parametersatz. Zumindest eine visuelle Inspektion der Zeitreihen und einfache Bruch-Tests sollten vor jeder Schätzung Standard sein.
Strukturbrüche explizit behandeln
Viele Zeitreihen enthalten strukturelle Brüche – etwa durch Währungsreformen, regulatorische Änderungen oder Krisenperioden – die, wenn unberücksichtigt, die VAR-Schätzung erheblich verzerren. Ein Modell, das über einen Strukturbruch hinweg geschätzt wird, mischt zwei verschiedene Regimes in einen einzigen Parametersatz. Zumindest eine visuelle Inspektion der Zeitreihen und einfache Bruch-Tests sollten vor jeder Schätzung Standard sein.
Modellierung
Interpretation
Gerichtete Spillover richtig lesen
Ein hoher Netto-Spillover-Sendeanteil bedeutet nicht, dass ein Markt besonders riskant ist – er bedeutet, dass er netto mehr Volatilität in das Netzwerk abgibt als er empfängt. Das kann auf Dominanz, auf strukturelle Zentralität oder auf spezifische Schockereignisse zurückgehen. Direkte Interpretationen wie stärkere Einzelwerte als Risikosignale zu lesen, ohne die Netzwerkstruktur zu berücksichtigen, ist eine häufige Fehlerquelle in der Praxis.
Gerichtete Spillover richtig lesen
Ein hoher Netto-Spillover-Sendeanteil bedeutet nicht, dass ein Markt besonders riskant ist – er bedeutet, dass er netto mehr Volatilität in das Netzwerk abgibt als er empfängt. Das kann auf Dominanz, auf strukturelle Zentralität oder auf spezifische Schockereignisse zurückgehen. Direkte Interpretationen wie stärkere Einzelwerte als Risikosignale zu lesen, ohne die Netzwerkstruktur zu berücksichtigen, ist eine häufige Fehlerquelle in der Praxis.
Interpretation
Netzwerk
Zentralität ist kein universelles Risikomaß
Graphentheoretische Zentralitätsmaße wie Degree-Zentralität oder Betweenness-Zentralität beschreiben die Position eines Knotens im Netzwerk – nicht sein absolutes Risikoniveau. Ein zentraler Markt kann systemisch wichtig sein, ohne selbst volatil zu sein. Umgekehrt kann ein peripherer Markt in Krisenzeiten plötzlich zur Quelle werden. Zentralitätsmaße sind Strukturindikatoren, keine Risikorankings.
Zentralität ist kein universelles Risikomaß
Graphentheoretische Zentralitätsmaße wie Degree-Zentralität oder Betweenness-Zentralität beschreiben die Position eines Knotens im Netzwerk – nicht sein absolutes Risikoniveau. Ein zentraler Markt kann systemisch wichtig sein, ohne selbst volatil zu sein. Umgekehrt kann ein peripherer Markt in Krisenzeiten plötzlich zur Quelle werden. Zentralitätsmaße sind Strukturindikatoren, keine Risikorankings.
Netzwerk
Schätzung
Lag-Länge im VAR sorgfältig bestimmen
Die Wahl der Lag-Länge im VAR-Modell beeinflusst die Spillover-Ergebnisse erheblich. Zu kurze Lags unterschätzen persistente Übertragungen. Zu lange Lags erhöhen die Parameterzahl, reduzieren die Schärfe der Schätzungen und können bei kurzen Zeitreihen zur Überanpassung führen. Informationskriterien wie AIC und BIC liefern Orientierung, sollten aber immer mit inhaltlichem Urteilsvermögen kombiniert werden.
Lag-Länge im VAR sorgfältig bestimmen
Die Wahl der Lag-Länge im VAR-Modell beeinflusst die Spillover-Ergebnisse erheblich. Zu kurze Lags unterschätzen persistente Übertragungen. Zu lange Lags erhöhen die Parameterzahl, reduzieren die Schärfe der Schätzungen und können bei kurzen Zeitreihen zur Überanpassung führen. Informationskriterien wie AIC und BIC liefern Orientierung, sollten aber immer mit inhaltlichem Urteilsvermögen kombiniert werden.
Schätzung
Analyse
Konnektivitätsindex im Zeitverlauf vergleichen
Der aggregierte Konnektivitätsindex ist am aussagekräftigsten, wenn er im Zeitverlauf betrachtet wird – nicht als einzelner Wert. Krisenperioden zeigen typischerweise sprunghafte Anstiege, die sich nach der Stabilisierung wieder zurückbilden. Eine einzelne Stichtagsmessung sagt wenig über die strukturelle Vernetzung eines Marktsystems aus. Rollierende Berechnungen mit sinnvoll gewähltem Fenster – oft ein bis drei Jahre – sind der Standard in der Forschungspraxis.
Konnektivitätsindex im Zeitverlauf vergleichen
Der aggregierte Konnektivitätsindex ist am aussagekräftigsten, wenn er im Zeitverlauf betrachtet wird – nicht als einzelner Wert. Krisenperioden zeigen typischerweise sprunghafte Anstiege, die sich nach der Stabilisierung wieder zurückbilden. Eine einzelne Stichtagsmessung sagt wenig über die strukturelle Vernetzung eines Marktsystems aus. Rollierende Berechnungen mit sinnvoll gewähltem Fenster – oft ein bis drei Jahre – sind der Standard in der Forschungspraxis.
Analyse