Vom Grundlagenmodell zur Querschnittsanalyse idiosynkratischer Sprünge

Ich beginne mit der Frage, warum klassische Diffusionsmodelle bei der Modellierung seltener, aber extremer Kursbewegungen in Einzeltiteln systematisch versagen. Der Unterschied zwischen kontinuierlichen und sprungbehafteten Preisprozessen wird anhand realer Marktbeispiele herausgearbeitet. Ich erkläre, wie Marktteilnehmer Sprungrisiken wahrnehmen, wie sie in Optionspreisen sichtbar werden und warum die Unterscheidung zwischen systematischen und idiosynkratischen Sprüngen für jede ernsthafte Risikobeurteilung unerlässlich ist. Dieser Abschnitt legt das konzeptuelle Fundament für alle weiteren Module und setzt keine Vorkenntnisse in Sprungmodellen voraus.

Lévy-Prozesse verallgemeinern die Brownsche Bewegung auf eine Weise, die Sprünge explizit erlaubt, ohne die mathematische Struktur zu verlieren. Ich führe die charakteristische Funktion, das Lévy-Khintchine-Theorem und wichtige Spezialfälle wie den Varianz-Gamma-Prozess und den Normal-Inverse-Gaussian-Prozess ein. Besonderes Gewicht lege ich auf die Frage, wie diese theoretischen Konstrukte empirisch geschätzt werden können — welche Daten dafür benötigt werden, welche Schätzmethoden sich bewährt haben und wo die Identifikationsprobleme liegen. Wer diesen Abschnitt abgeschlossen hat, kann Lévy-Modelle eigenständig bewerten und kritisch einordnen.

Dies ist der analytische Kern des gesamten Lernpfads. Ich untersuche, ob und wie idiosynkratische Sprungrisiken im Querschnitt von Aktienrenditen systematisch bepreist werden. Dafür stelle ich Sorting-Verfahren, Fama-MacBeth-Regressionen und Faktormodelle vor und erläutere, wie Sprungmaße konstruiert und als erklärende Variablen eingesetzt werden. Ich diskutiere die empirischen Befunde aus der akademischen Literatur, benenne widersprüchliche Ergebnisse und erkläre, welche methodischen Entscheidungen die Schlussfolgerungen beeinflussen. Dieser Abschnitt ist anspruchsvoll — ich habe ihn so aufgebaut, dass jeder Schritt nachvollziehbar bleibt.

Hochfrequente Transaktionsdaten ermöglichen eine direkte statistische Identifikation von Sprüngen in Preiszeitreihen. Ich stelle die wichtigsten Detektionsverfahren vor: Bipower-Variation nach Barndorff-Nielsen und Shephard, Threshold-basierte Methoden und Varianzzerlegungsansätze, die diffusive und Sprungvarianz trennen. Ich erläutere die Annahmen, unter denen diese Verfahren konsistente Schätzer liefern, und zeige, wo sie bei dünner Datenlage oder Marktmikrostruktur-Rauschen an Grenzen stoßen. Praktische Anwendungen auf Paneldaten europäischer Aktien illustrieren die Methoden und machen die Grenzen der Schätzung greifbar.