Wissen, das zählt
Hier sammeln wir, was die Forschungsliteratur zur Volatilitätsübertragung und
Netzwerkanalyse tatsächlich hergibt – keine Zusammenfassungen für Bequeme, sondern
kuratierte Originalpublikationen, Working Papers und angewandte Fallstudien. Jede
Quelle ist ausgewählt, weil sie eine methodische Frage beantwortet, die in der
Praxis auftaucht. Wer tiefer graben will, als unsere Programme reichen, findet hier
den Einstieg in die Primärliteratur. Wer wissen will, welche Studien die Grundlage
unserer Analyserahmen bilden, findet hier die Antwort.
Seminale Papiere
Die Originalpublikationen, auf denen die Netzwerkanalyse von Volatilitätsübertragungen aufbaut – von ARCH über VAR bis zum Diebold-Yılmaz-Index. Kommentiert, eingeordnet und mit klaren Hinweisen auf Anwendungsgrenzen.
Working Papers
Aktuelle Vorpublikationen, die methodische Weiterentwicklungen zeigen, bevor
sie peer-reviewed erscheinen. Wir kennzeichnen klar, welche Arbeiten noch
nicht abschließend überprüft sind, und warum wir sie trotzdem für relevant
halten.
Fallstudien
Angewandte Analysen von Absolventen und Forschungsteammitgliedern, die zeigen, wie Netzwerkmethoden auf konkrete Marktdaten und institutionelle Fragestellungen angewendet wurden – mit Datensätzen, Codevorlagen und Ergebnisinterpretation.
Diskussionsbeiträge
Kritische Einordnungen strittiger methodischer Fragen – etwa zur optimalen Fensterlänge in rollierenden Analysen oder zur Interpretation von Netzwerkzentralität als Risikomaß. Keine Antworten, die zu sicher klingen.
Neue Forschung, aktuelle Markteinblicke und methodische Updates
Was die Forschungsliteratur gerade bewegt – und was das für die Praxis der Netzwerkanalyse bedeutet.
Neuere Studien messen systematisch, wie Volatilität aus dem Kryptosegment auf klassische Aktienindizes übertragen wird. Die Ergebnisse sind weniger eindeutig als populäre Narrative vermuten lassen: Die Übertragungsintensität variiert stark je nach Marktphase und gewählter Volatilitätsmessung. Wir ordnen die methodischen Unterschiede ein und zeigen, warum die Wahl des GARCH-Modells die Ergebnisse wesentlich beeinflusst. Für Risikoteams, die Kryptomärkte in Multi-Asset-Netzwerke integrieren, sind diese Unterschiede nicht trivial.
Eine aktuelle Analyse der Spillover-Strukturen im globalen Energiemarkt zeigt, dass die Konnektivitätsindizes seit 2022 auf erhöhtem Niveau verharren – mit erkennbaren Verschiebungen in den Netto-Senderpositionen einzelner Märkte. Wir fassen die methodischen Ansätze zusammen, die in der neueren Rohstoffforschung verwendet werden, und zeigen, wie rollierende Netzwerkanalyse die Strukturveränderungen sichtbar macht, die statische Korrelationen verbergen. Die Datensätze zu dieser Analyse sind auf Anfrage verfügbar.
Welche Analysemethode bildet Netzwerkveränderungen in Krisenperioden am verlässlichsten ab? Ein aktueller Methodenvergleich setzt rollierende VAR-Modelle, TVP-VAR-Spezifikationen und DCC-GARCH-basierte Netzwerke gegeneinander. Wir fassen die Hauptbefunde zusammen und zeigen, welche Methode unter welchen Bedingungen robustere Ergebnisse liefert – und warum die Antwort von der Länge der verfügbaren Zeitreihe abhängt.
Klassische Portfolio-Konstruktion setzt auf negative Korrelation zwischen Anleihen und Aktien als Puffer. Netzwerkbasierte Spillover-Analysen zeigen ein differenzierteres Bild: In Hochinflationsphasen kehren sich Netto-Spillover-Richtungen um, und die erwartete Diversifikationswirkung schwächt sich ab. Eine neue Studie untersucht dieses Phänomen für europäische Märkte und liefert Daten, die Risiko-Compliance-Teams als Ausgangspunkt für eigene Netzwerkanalysen nutzen können.
Im dritten Quartal 2026 wurden drei neue kuratierte Marktdatensätze in die Plattformbibliothek integriert: europäische Unternehmensanleihen, asiatische Aktienindizes und ein Multi-Asset-Datensatz für den Zeitraum 2010 bis 2025. Gleichzeitig wurden die Python-Codevorlagen für rollierende VAR-Schätzungen auf Kompatibilität mit aktuellen Bibliotheksversionen geprüft und aktualisiert. Die neuen Datensätze sind vollständig dokumentiert und können direkt für Abschlussprojekte verwendet werden.
Angewandte Fallstudien aus der Praxis
Zwei abgeschlossene Analyseprojekte, die zeigen, wie Netzwerkmethoden auf konkrete
institutionelle Fragestellungen angewendet wurden – mit dokumentierten Methoden, Datensätzen
und Ergebnisinterpretationen, die reproduzierbar und nachvollziehbar sind.
Aktienmärkte
COVID-19 und europäische Aktienmärkte: Netzwerkanalyse eines Schockwellenereignisses
Wie hat sich das Volatilitätsnetzwerk europäischer Aktienindizes während der COVID-19-Schockperiode im ersten Quartal 2020 verändert? Diese Fallstudie analysiert die Netto-Spillover-Positionen von zwölf europäischen Märkten im Zeitraum 2018 bis 2021 mit rollierendem VAR-Modell und Generalized FEVD. Das zentrale Ergebnis: Der Konnektivitätsindex sprang in den ersten Wochen der Krise auf historische Höchstwerte – und die Netto-Senderpositionen verschoben sich erheblich gegenüber dem Vorkrisen-Netzwerk. Die Studie dokumentiert vollständig, welche Methoden verwendet wurden, welche Annahmen getroffen wurden und wo die Grenzen der Interpretation liegen. Alle Datensätze und Codevorlagen sind als Download verfügbar.
Rohstoffmärkte
Energiesektor-Spillover: Netzwerkkartierung eines vernetzten Marktsystems
Der globale Energiemarkt ist kein Netzwerk aus gleichwertigen Knoten. Diese Fallstudie kartiert die Volatilitätsübertragungsstruktur zwischen Rohöl, Erdgas, Kohle und erneuerbaren Energieindizes für den Zeitraum 2015 bis 2023. Netto-Sender und Netto-Empfänger werden quantifiziert, Zentralitätsmaße für jeden Marktknoten berechnet und die zeitvariante Entwicklung der Netzwerkstruktur mit rollierenden Fenstern visualisiert. Das Ergebnis zeigt, dass Marktführerschaft in der Netzwerkstruktur nicht zwingend mit Marktgröße korreliert – und dass regulatorische Schocks die Netto-Positionen kurzfristig umkehren können. Die vollständige Analyse mit Datensatz, Code und Ergebnistabellen ist auf Anfrage verfügbar.
Was führende Finanzökonomen über netzwerkbasiertes Risikodenken sagen – und warum es zählt
Das Argument für netzwerkbasiertes Denken in der Risikoanalyse kommt nicht aus der
Plattformmarketing-Abteilung. Es kommt aus der akademischen Finanzökonometrie. Die
folgenden Stimmen repräsentieren unterschiedliche Perspektiven auf dasselbe Problem:
dass Märkte verbunden sind und dass diese Verbindungen systematisch gemessen werden
können – und sollten. Wir haben die Kernaussagen ausgewählt, weil sie methodische
Substanz haben, nicht weil sie gut klingen. Einige sind unbequem. Die unbequemen sind
die interessantesten.
Volatilität wandert,
und die Richtung, in der sie wandert, enthält mehr Information als ihr absolutes Niveau. Ein Markt, der netto Volatilität sendet, ist strukturell anders positioniert als einer, der sie empfängt – auch wenn beide dasselbe Risikomaß zeigen. Diese Unterscheidung ist nicht akademisch. Sie ist praktisch relevant für jeden, der über Konzentration und Absicherung nachdenkt.
Systemisches Risiko und Netzwerkarchitektur
Systemisches Risiko entstehtnicht aus der Volatilität eines einzelnen Marktes, sondern aus der Struktur der Verbindungen zwischen Märkten. Wer systemisches Risiko mit univariaten Risikomaßen misst, sieht das Symptom, nicht die Quelle. Netzwerkanalyse verschiebt den Blick auf die Architektur – und erst die Architektur erklärt, warum Schocks sich so ausbreiten, wie sie es tun.
Kamil Yılmaz
Professor für Wirtschaftswissenschaften, Koç Universität
Istanbul
Volatilitätsmodellierung und Risikorahmen
Korrelation ist eine Aussageüber die Vergangenheit. Netzwerkbasierte Spillover-Indizes sind eine Aussage über die Übertragungsstruktur. Beides ist rückwärtsschauend, aber die Netzwerkperspektive zeigt die Mechanik – nicht nur den statistischen Zusammenhang. Diese Mechanik verändert sich langsamer als kurzfristige Korrelationen. Das macht sie für institutionelle Risikorahmen geeigneter.
Robert F. Engle
Nobelpreisträger für Wirtschaftswissenschaften 2003, NYU
Stern School of Business
Finanznetzwerke und Marktstrukturanalyse
Wer Finanzmärkte als isolierte Einheiten modelliert,modelliert eine Fiktion. Die empirische Realität ist ein Netzwerk – unvollständig beobachtbar, strukturell variabel, aber messbar. Die methodischen Werkzeuge zur Messung dieser Verbindungen sind in den letzten fünfzehn Jahren erheblich weiterentwickelt worden. Das Problem ist nicht mehr die Methode. Das Problem ist die Bereitschaft, sie anzuwenden.
Risikomessung und Netto-Spillover-Analyse
Die wichtigste Frage ist nicht,
wie hoch die Volatilität ist, sondern woher sie kommt.
Netto-Spillover-Positionen geben Antworten auf diese Frage –
systematisch, replizierbar und über Zeit vergleichbar.
Risikoteams, die diese Information ignorieren, treffen
Entscheidungen auf Basis eines unvollständigen Bildes. Das
ist nicht per se falsch – aber es sollte bewusst sein.
Monica Billio
Professorin für Wirtschaftswissenschaften, Universität
Ca' Foscari Venedig
Krisenperioden offenbaren Netzwerkstrukturen,
die in ruhigen Phasen latent vorhanden, aber schwer messbar sind. Rollierende Netzwerkanalyse macht sichtbar, wie sich diese Strukturen unter Stress verschieben – wer plötzlich zum Sender wird, welche Verbindungen sich verstärken. Dieses Wissen ist kein Garant für bessere Entscheidungen. Es ist eine Voraussetzung für informiertere.
Loriana Pelizzon
Professorin für Finanzen, Goethe-Universität Frankfurt und
SAFE
Netzwerkzentralität ist kein Risikomaß.Es ist ein Strukturmaß. Die Verwechslung dieser beiden Konzepte führt zu systematischen Fehlinterpretationen in der institutionellen Praxis. Ein zentraler Markt ist nicht notwendigerweise riskanter als ein peripherer – er ist anders positioniert im Übertragungsmechanismus. Diese Unterscheidung muss verstanden werden, bevor Netzwerkkennzahlen in Risikoberichte integriert werden.
Methodenkritik und wissenschaftliche Transparenz
Die Methodik zur Messung von Volatilitäts-Spillovernist nicht perfekt. Kein finanzökonometrisches Verfahren ist es. Was VAR-basierte Netzwerkanalyse leisten kann, ist Struktur sichtbar zu machen, die sonst verborgen bleibt – mit klaren Annahmen, die hinterfragt werden können. Das unterscheidet sie von intuitiven Urteilen. Nicht die Abwesenheit von Fehlern, sondern die Explizitheit der Annahmen macht sie wissenschaftlich.
Massimiliano Marcellino
Professor für Ökonometrie, Bocconi Universität Mailand
Neue Forschungsergebnisse direkt
ins Postfach
Methodische Updates und neue
Datensätze
Kein Vertrieb, kein Rauschen
Monatlich informiert bleiben
Adresse eingeben
Anmeldung erfolgreich – willkommen