Lineare und nichtlineare Kausalität zwischen Finanzmärkten messen

Zusammenfassung

Dieses Paper stellt ein Framework vor, um Abhängigkeiten zwischen Finanzinstrumenten jenseits der üblichen Korrelation zu untersuchen. Es nutzt Transferentropie und Convergent Cross Mapping, um Kausalbeziehungen zu identifizieren, und anschließend Fourier-Transformationssurrogate, um lineare von nichtlinearen Beiträgen zu unterscheiden. Ausgangspunkt ist, dass Korrelation lineare Kausalität gut abbilden kann, während sie nichtlineare Abhängigkeiten übersieht und so möglicherweise unterschätzt, wie stark Märkte einander beeinflussen.

Die Autoren berichten eine signifikante nichtlineare Kausalität zwischen Aktienindizes in Deutschland und den Vereinigten Staaten. Sie erörtern, wie die Messung beider Kausalitätsarten die Forschung zu Marktsignalen, Pairs Trading und Portfoliorisikomanagement unterstützen könnte, etwa durch mögliche Frühwarnsignale für ungewöhnliches Verhalten. Diese Befunde regen weitere Anwendungen an, belegen aber nicht, dass solche Signale die Handelsergebnisse zuverlässig verbessern. Die beschriebene Evidenz bezieht sich auf die untersuchten Indizes. Angaben zur Stichprobe, Robustheitsprüfungen oder zur praktischen Leistung von darauf aufbauenden Strategien fehlen im Auszug.

Kernaussagen

• Die Pearson-Korrelation erfasst lineare Abhängigkeit, kann aber nichtlineare Zusammenhänge übersehen.
• Das Framework kombiniert Transferentropie und Convergent Cross Mapping mit Surrogatanalysen.
• Die Studie berichtet nichtlineare Kausalität zwischen deutschen und US-amerikanischen Aktienindizes.
• Kausalitätsmaße können Pairs Trading, Signalforschung und Portfoliorisikomanagement unterstützen.
• Der Auszug belegt nicht die Handelsperformance von Strategien, die auf diesen Maßen beruhen.

Schlagwörter

# Linear and nonlinear causality in financial markets


# Linear and nonlinear causality in financial markets









Identifying and quantifying co-dependence between financial instruments is a key challenge for researchers and practitioners in the financial industry. Linear measures such as the Pearson correlation are still widely used today, although their limited explanatory power is well known. In this paper we present a much more general framework for assessing co-dependencies by identifying and interpreting linear and nonlinear causalities in the complex system of financial markets. To do so, we use two different causal inference methods, transfer entropy and convergent cross-mapping, and employ Fourier transform surrogates to separate their linear and nonlinear contributions. We find that stock indices in Germany and the U.S. exhibit a significant degree of nonlinear causality and that correlation, while a very good proxy for linear causality, disregards nonlinear effects and hence underestimates causality itself. The presented framework enables the measurement of nonlinear causality, the correlation-causality fallacy, and motivates how causality can be used for inferring market signals, pair trading, and risk management of portfolios. Our results suggest that linear and nonlinear causality can be used as early warning indicators of abnormal market behavior, allowing for better trading strategies and risk management.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.