Ökonometrie übertrifft KI bei Volatilitätsprognosen
Klassische ökonometrische Modelle schlagen Machine-Learning-Methoden bei der Prognose realisierter Volatilität. Eine Fed-Studie zeigt für den S&P 500 und 40 US-Aktien, dass MSHAR auf Tagessicht und ARFIMA auf Monatssicht die geringsten Prognosefehler aufweisen.
Horizont bestimmt das überlegene Modell
Die Untersuchung von Fed-Ökonom Rehim Kilic vergleicht HAR-, ARFIMA- und nichtlineare Regime-Modelle mit XGBoost sowie neuronalen Netzen wie LSTM und GRU-Attention.
Die Auswertung über den Zeitraum 2006 bis 2025 zeigt eine klare Rangordnung nach Prognosehorizont: Auf Sicht von einem Handelstag liefert das Markov-Switching-HAR (MSHAR) die niedrigsten Verluste über alle Metriken (MSFE, MAE, QLIKE) und erzielt beim Value-at-Risk mit 0,99 Prozent eine nahezu punktgenaue 99-Prozent-Abdeckung.
Bei einem Horizont von 22 Tagen dominiert das ARFIMA-Modell mit 16 bis 18 Jahressiegen aus 20 Testperioden.
Die Ergebnisse bestätigen sich bei 40 US-Einzelaktien aus der VOLARE-Datenbank, wo MSHAR auf Tagessicht bei 97,5 bis 100 Prozent der Titel gewinnt.
Zusätzliche Prädiktoren verpuffen
Die Erweiterung des Informationssets um makrofinanzielle Variablen, Zinsstrukturdaten, VIX und Sentiment-Indikatoren via Elastic Net bringt keine systematische Verbesserung.
Stattdessen erhöhen die zusätzlichen Prädiktoren häufig das Schätzrauschen: Die minimalen QLIKE-Verluste steigen im expandierenden Fenster von 0,593 auf 0,629. Auch komplexere Architekturen wie tiefe neuronale Netze oder baumbasierte Ensembles können die gezielte Modellierung latenter Zustände und fraktionaler Kointegration nicht ersetzen.
Struktur schlägt Rechenpower
Die Studie entzaubert das Heilsversprechen von Machine Learning im Risikomanagement.
Für die Praxis zeigt sich: Theoretisch fundierte Zeitreihenmodelle schlagen flexible Algorithmen, wenn sie Persistenz und Regimebrüche direkt erfassen.
Mehr Modellkomplexität ohne ökonomische Struktur erzeugt hier lediglich Rauschen statt Präzision.