Die Inhalte dieser Plattform dienen ausschließlich analytischen und informativen Zwecken und stellen keine Anlage- oder Finanzberatung dar. Vergangene Analyseergebnisse sind kein verlässlicher Indikator für zukünftige Ergebnisse. Die Inhalte dieser Plattform dienen ausschließlich analytischen und informativen Zwecken und stellen keine Anlage- oder Finanzberatung dar. Vergangene Analyseergebnisse sind kein verlässlicher Indikator für zukünftige Ergebnisse.
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.
  • Erhöht +14 Punkte Spillover-Index aktuell Netto-Sender
    Gesendet 62 Punkte
    Empfangen 48 Punkte
  • Gerichtetes Volatilitätsnetzwerk mit Marktknoten und Übertragungspfaden
  • Spillover-Verlauf 12 Monate

    Rollierender Spillover-Index über zwölf Monate mit Krisenperioden

  • Finanzökonom analysiert Zeitreihendaten am Arbeitsplatz

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.
Schrittweiser Analyse-Prozess von Marktdaten zu Netzwerkkarte
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