Wie man ein Zeitreihenmodell für erfolgreiches Trading aufbaut (Quant-Framework)

Ich werde erklären, wie institutionelle Quants Zeitreihenanalysen nutzen, um in jedem Markt einen Vorteil zu finden, und das vollständige Framework teilen, das Sie ab heute implementieren können.

Kommen wir direkt zur Sache.

Merken Sie sich das – Ich bin Roan, ein Backend-Entwickler, der an Systemdesign, HFT-Ausführung und quantitativen Handelssystemen arbeitet. Meine Arbeit konzentriert sich darauf, wie sich Vorhersagemärkte tatsächlich unter Last verhalten. Für Anregungen, durchdachte Kooperationen oder Partnerschaften – DMs sind offen.

Im Jahr 2008 betrachteten die meisten Händler hypothekenbesicherte Wertpapiere und sahen eine Linie, die nach oben ging.

Sie sahen einen Trend. Sie sahen Momentum. Sie ließen ihre Zeitreihenmodelle laufen. Die Modelle sagten „Kaufen“. Die Modelle waren katastrophal falsch.

Eine kleine Gruppe von Händlern betrachtete dieselbe Linie und stellte eine andere Frage. Nicht „Wohin geht die Linie als Nächstes?“, sondern „Was erzeugt die Linie eigentlich?“ Sie gruben sich in die zugrundeliegenden Hypothekendaten ein. Sie fanden hypotheken mit variablem Zinssatz, die an Menschen ohne Einkommensnachweis vergeben wurden. Sie fanden still und leise steigende Ausfallraten in den Daten, bevor der Preischart überhaupt etwas zeigte. Sie nutzten diese Informationen, die kein Zeitreihenmodell von selbst hätte erfassen können, um Positionen aufzubauen, die Milliarden einbrachten, als der Markt zusammenbrach.

Das ist die wichtigste Lektion in der gesamten Zeitreihenanalyse. Die Linie in Ihrem Chart ist eine Konsequenz von etwas, das in der realen Welt passiert. Ein Zeitreihenmodell kann Ihnen sagen, was diese Linie getan hat. Es kann Ihnen nicht sagen, was sie tatsächlich verursacht. Und in dem Moment, in dem sich die zugrundeliegende Realität ändert, wird Ihr Modell von einem Vorteil zu einem Risiko.

Ich habe bereits Markov-Ketten zur Regimeerkennung und Neuronale Netze zur Signalgenerierung in früheren Artikeln behandelt. Die Zeitreihenanalyse ist die dritte wesentliche Schicht des systematischen Trading-Stacks. Zusammen bilden diese drei Frameworks ein vollständiges quantitatives Handelssystem.

Am Ende dieses Artikels werden Sie genau verstehen, was eine Zeitreihe ist und wie Märkte sie erzeugen, warum Ihr Zeitreihenmodell immer falsch ist und warum das in Ordnung ist, die drei grundlegenden Aufgaben, die jede quantitative Handelsentscheidung antreiben, das vollständige Implementierungsframework von Rohdaten bis zu Live-Trading-Signalen und den einen Fehler, der 90 % aller Zeitreihenmodelle zum Scheitern bringt, bevor sie jemals echtes Kapital berühren.

Hinweis: Dieser Artikel ist bewusst lang. Jeder Teil baut auf dem vorherigen auf. Wenn Sie es ernst meinen mit dem Aufbau eines systematischen Vorteils durch Zeitreihenanalyse, lesen Sie jedes einzelne Wort. Wenn Sie nach einer Abkürzung suchen, ist dies nichts für Sie.

Teil 1: Was eine Zeitreihe tatsächlich ist und was sie vor Ihnen verbirgt

Eine Zeitreihe ist eine Folge von Beobachtungen, die in regelmäßigen Abständen über die Zeit aufgezeichnet werden. Der tägliche Schlusskurs einer Aktie. Stündliche Temperaturmessungen. Monatliche Arbeitslosenzahlen. Jede ist eine Reihe von Werten, die nach Zeit indiziert sind.

Diese Definition ist technisch korrekt und praktisch unvollständig.

Das Kritische, das die meisten übersehen, ist, dass jede Zeitreihe von etwas erzeugt wird. Ein Aktienkurs bewegt sich nicht zufällig im luftleeren Raum. Er ist das Ergebnis von Millionen Entscheidungen, die von Investoren, Algorithmen, Market Makern und makroökonomischen Kräften getroffen werden, die Sie allein aus der Preisserie nicht direkt beobachten können. Der Preis ist das, was Ökonomen eine Folgevariable nennen. Was ihn tatsächlich antreibt, ist die zugrundeliegende Datenverteilung.

Diese Unterscheidung ist für den Handel enorm wichtig. Wenn Sie ein Zeitreihenmodell auf Marktdaten anwenden, modellieren Sie die sichtbare Ausgabe eines unsichtbaren Prozesses. Solange der unsichtbare Prozess ungefähr gleich bleibt, erfasst Ihr Modell nützliche Muster. Sobald sich der zugrundeliegende Prozess ändert, passt Ihr Modell stillschweigend etwas an, das es nicht mehr gibt.

Denken Sie an die Temperatur in New York City. Wenn es Dezember ist und derzeit 20 Grad Fahrenheit hat, wie wird es morgen sein? Ihre Antwort ist wahrscheinlich um die 20 Grad, plus/minus. Sie machen keine präzise Vorhersage. Sie bilden eine Erwartung basierend auf dem aktuellen Zustand und den bekannten saisonalen Mustern. Diese Erwartung wird unter normalen Bedingungen meistens ungefähr richtig sein.

Stellen Sie sich nun vor, ein Vulkan bricht in Island aus und treibt die globalen Temperaturen innerhalb einer Woche um 15 Grad nach oben. Ihr Modell hat keine Informationen über diesen Vulkan. Seine Prognose wird gewaltig falsch sein. Nicht weil das Modell schlecht ist. Sondern weil sich der zugrundeliegende Datenerzeugungsprozess auf eine Weise geändert hat, die allein in der Temperaturreihe völlig unsichtbar ist.

Genau das geschah mit hypothekenbesicherten Wertpapieren im Jahr 2008. Die Zeitreihe der Preise sagte, alles sei in Ordnung. Der zugrundeliegende Prozess – die tatsächliche Kreditwürdigkeit der Darlehen – hatte sich bereits geändert. Die Informationen existierten. Sie waren nur nicht in der Preisserie enthalten.

Eine Zeitreihe kann in drei Komponenten zerlegt werden:

Der Trend ist die langfristige Richtungsbewegung. Die grundsätzliche Entwicklungsrichtung, der die Reihe über längere Zeiträume folgt. Saisonalität ist ein sich wiederholendes Muster, das in festen Abständen auftritt. Monatliche Verkaufszyklen, quartalsweise Gewinnerfekte, Wochentagsmuster im Handelsvolumen. Rauschen oder Residuen sind die zufälligen Schwankungen um die Trend- und Saisonkomponenten. Unerwartete Ereignisse, Nachrichten, Überraschungen.

Die entscheidende Erkenntnis über Trend und Saisonalität ist, dass sie nur dann aussagekräftig sind, wenn sie stabil sind. Wenn Sie Intraday-Aktienkurse modellieren und der Trend sich alle paar Stunden umkehrt, sagt Ihnen die Trendkomponente nichts Nützliches. Stabilität ist die Voraussetzung dafür, dass ein Zeitreihenmodell einen Vorhersagewert hat.

Hausaufgabe: Nehmen Sie einen Vermögenswert, den Sie derzeit handeln. Schreiben Sie in einem Satz auf, was Ihrer Meinung nach der primäre Faktor ist, der seine Preisbewegungen antreibt. Dieser Faktor ist das, was Sie neben jedem von Ihnen gebauten Zeitreihenmodell überwachen sollten. Wenn sich dieser Faktor ändert, muss Ihr Modell neu aufgebaut werden.

Teil 2: Die drei Aufgaben und warum Prognosen immer falsch sind

Jede Anwendung der Zeitreihenanalyse fällt in eine von drei Kategorien. Zu verstehen, welche Aufgabe Sie tatsächlich ausführen, wird Sie vor dem häufigsten und teuersten Fehler in der quantitativen Finanzwelt bewahren.

Filtern schätzt den aktuellen Zustand des Systems anhand vergangener und aktueller Daten. Sie versuchen, das Rauschen zu entfernen und zu sehen, was tatsächlich gerade passiert. Ein gleitender Durchschnitt ist ein Filter. Er sagt nicht die Zukunft voraus. Er glättet die Gegenwart. Jeder Indikator, den Sie jemals in einem Chart auf einer Handelsplattform platziert haben, führt eine Form des Filterns durch. Wenn Sie einen 20-Tage-Durchschnitt verwenden, sagen Sie: Ich möchte den zugrundeliegenden Zustand dieses Vermögenswerts sehen, frei vom alltäglichen Rauschen. Das ist alles, was Sie tun.

Glätten verwendet sowohl vergangene als auch zukünftige Daten, um zu schätzen, wie der Zustand zu einem früheren Zeitpunkt war. Es erfordert eine globale Pfadkenntnis, d. h. Sie müssen sehen, was nach einem bestimmten Zeitpunkt passiert, um am besten zu charakterisieren, was zu diesem Zeitpunkt geschah. Glätten ist nützlich für die Analyse historischer Daten und die Erstellung von Forschungsdatensätzen, kann aber nicht für Echtzeit-Handelsentscheidungen verwendet werden, da es Informationen aus der Zukunft benötigt.

Prognosen verwenden den aktuellen und vergangenen Zustand, um eine Erwartung über die Zukunft zu erzeugen. Hier konzentrieren die meisten Händler ihre Aufmerksamkeit und hier lebt das meiste Missverständnis.

Hier ist die grundlegende Wahrheit, die die meisten Handelsausbildungen sich weigern, klar auszusprechen.

Eine Prognose ist keine Vorhersage. Sie ist eine Erwartung. Das ist nicht dasselbe.

Die Erwartung ist die einzelne Zahl, die den quadratischen Fehler über alle möglichen zukünftigen Ergebnisse minimiert. Mathematisch ist sie der bedingte Mittelwert:

E[Xₜ₊₁ | X₁, X₂, ..., Xₜ]

Wenn Sie einen fairen Würfel werfen, ist die Erwartung 3,5. Kann ein Würfel auf 3,5 landen? Nein. Aber 3,5 ist dennoch die beste Antwort, die Sie vor dem Wurf geben können. Es ist der Wert, der Ihren durchschnittlichen Fehler über alle zukünftigen Würfe minimiert.

Marktprognosen funktionieren genauso. Ihr Modell liefert den besten erwarteten Wert angesichts der verfügbaren Informationen. Dieser erwartete Wert wird mit ziemlicher Sicherheit nie dem realisierten Preis entsprechen. Aber wenn er im Durchschnitt richtig ist und Sie systematisch um ihn herum handeln, können Sie konstante Renditen erzielen. Genau so arbeiten Market Maker. Sie müssen nicht wissen, wohin der Preis geht. Sie müssen den erwarteten Preis kennen, einen Spread darum herum notieren und diesen Spread über Tausende von Geschäften einsammeln.

Der Beweis, dass dies auch funktioniert, wenn das Modell falsch ist, kommt von einer einfachen Market-Making-Simulation. Stellen Sie sich vor, Sie notieren einen Bid-Ask-Spread um den Erwartungswert eines Prozesses, dessen wahre Erwartung sich zufällig über die Zeit ändert. Ein gleitender Durchschnitt verfolgt diese Erwartung unvollkommen. Er ist immer leicht falsch. Aber wenn Sie den Spread um diese unvollkommene Schätzung herum handeln, sammeln Sie dennoch mit der Zeit einen positiven Gewinn an, weil Sie im Durchschnitt richtig liegen.

Dies ist der Kern des systematischen Handels mit Zeitreihenanalyse. Sie brauchen keine perfekten Prognosen. Sie brauchen richtungstreue Prognosen, die oft genug richtig sind, um Transaktionskosten zu decken. Und Sie brauchen ein rigoroses Framework, um zu wissen, wann Ihr Modell aufgehört hat, annähernd richtig zu sein.

Teil 3: Das Unit-Root-Problem, das die meisten Handelsmodelle zerstört

Dies ist der Abschnitt, der Sie vor dem häufigsten und teuersten Fehler im quantitativen Handel mit Zeitreihendaten bewahren wird.

Die meisten Leute, die versuchen, ein Vorhersagemodell für Aktienkurse zu bauen, beginnen damit, eine Regression des morgigen Schlusskurses auf den heutigen Schlusskurs durchzuführen. Wenn sie das tun, erhalten sie ein R-Quadrat von über 0,99. Sie glauben, sie hätten eine nahezu perfekte Vorhersagebeziehung entdeckt.

Haben sie nicht. Sie sind in eine der am besten dokumentierten Fallen der Statistik getappt: die Scheinregression.

Hier ist, was tatsächlich passiert. Führen Sie dieselbe Regression durch, ersetzen Sie aber die Schlusskurse durch tägliche Renditen. Das R-Quadrat fällt auf etwa 0,01. Sie sind von der Erklärung von 99 Prozent der Variation zur Erklärung von 1 Prozent der Variation übergegangen. Derselbe zugrundeliegende Vermögenswert, dieselben Daten, dieselbe Modellstruktur, völlig andere Ergebnisse.

Der Grund ist der Unit Root.

Eine Zeitreihe hat einen Unit Root, wenn ihr aktueller Wert gleich ihrem vorherigen Wert plus einem zufälligen Schock ist:

Xₜ = Xₜ₋₁ + εₜ

Dies wird als Random Walk bezeichnet. Aktienkurse folgen ungefähr diesem Prozess. Wenn Sie einen Random Walk gegen einen anderen Random Walk regressieren, werden Sie fast immer eine starke statistische Beziehung finden, selbst wenn die beiden Reihen völlig unabhängig sind. Dies ist eine Scheinregression und die Quelle unzähliger falscher Handelssignale in der Branche.

Der Test dafür ist der erweiterte Dickey-Fuller-Test. Die Nullhypothese ist, dass die Reihe einen Unit Root hat. Ein p-Wert unter 0,05 bedeutet, dass Sie die Nullhypothese ablehnen können und die Reihe wahrscheinlich stationär ist. Ein p-Wert über 0,05 bedeutet, dass die Reihe wahrscheinlich einen Unit Root hat und rohe Regressionsmodelle Scheinergebnisse liefern werden.

Sie werden feststellen, dass die Preisserie den Test nicht besteht, die Renditeserie ihn jedoch besteht. Das sagt Ihnen genau, was Sie modellieren sollen. Bauen Sie niemals Vorhersagemodelle auf rohen Preisniveaus. Transformieren Sie stets in Renditen, logarithmierte Renditen oder andere stationäre abgeleitete Größen, bevor Sie Zeitreihenmodelle anwenden.

Die Transformation, die eine Preisserie in eine stationäre Serie umwandelt, wird als erste Differenzierung bezeichnet:

rₜ = ln(Pₜ) - ln(Pₜ₋₁)

Log-Renditen sind annähernd stationär, obwohl Finanzrenditeserien immer noch stilisierte Fakten wie Volatilitäts-Clustering und fette Verteilungsenden aufweisen, die die reine Stationarität nicht vollständig erfasst. Wir werden diese im GARCH-Abschnitt unten behandeln.

Hausaufgabe: Nehmen Sie jedes Handelsmodell, das Sie derzeit verwenden oder in der Vergangenheit verwendet haben. Überprüfen Sie, ob es auf Preisniveaus oder auf Renditen aufgebaut war. Wenn es auf Preisniveaus aufgebaut war, führen Sie den Dickey-Fuller-Test mit den zugrundeliegenden Daten durch. Wenn der p-Wert über 0,05 liegt, sind Ihre Backtest-Ergebnisse wahrscheinlich durch Scheinkorrelation aufgebläht.

Teil 4: Die Modelle, die tatsächlich funktionieren, und wie man sie einsetzt

Nachdem Sie nun verstehen, was eine Zeitreihe ist, die drei grundlegenden Aufgaben und das Unit-Root-Problem, sind Sie bereit, Modelle zu bauen, die in Live-Märkten tatsächlich funktionieren.

Die Modellfamilie, die das Rückgrat des systematischen Handels bildet, ist die ARMA-Familie und ihre Erweiterungen. Jedes Modell in dieser Familie erfasst einen anderen Aspekt der seriellen Abhängigkeitsstruktur in Finanzzeitreihen.

AR: Autoregressive Modelle

Ein autoregressives Modell der Ordnung p, geschrieben als AR(p), besagt, dass der aktuelle Wert einer Reihe eine lineare Funktion ihrer p vorherigen Werte plus eines zufälligen Schocks ist:

Xₜ = φ₁Xₜ₋₁ + φ₂Xₜ₋₂ + ... + φₚXₜ₋ₚ + εₜ

Die φ-Koeffizienten sind die autoregressiven Parameter. Sie erfassen, wie viel des aktuellen Werts durch jede Verzögerung erklärt wird. Im Handel sind AR-Modelle nützlich, um kurzfristige Momentum- und Mean-Reversion-Dynamiken zu erfassen. Ein AR(1)-Modell mit positivem φ₁ erfasst Momentum. Ein AR(1)-Modell mit negativem φ₁ erfasst Mean Reversion.

MA: Moving-Average-Modelle

Ein Moving-Average-Modell der Ordnung q, geschrieben als MA(q), besagt, dass der aktuelle Wert eine lineare Funktion aktueller und vergangener zufälliger Schocks ist:

Xₜ = εₜ + θ₁εₜ₋₁ + θ₂εₜ₋₂ + ... + θqεₜ₋q

MA-Modelle erfassen die Auswirkung vergangener Überraschungen auf aktuelle Werte. Sie sind besonders nützlich, um zu modellieren, wie Märkte auf Nachrichtenereignisse reagieren.

ARMA: Kombination beider

Das ARMA(p,q)-Modell kombiniert beide Komponenten:

Xₜ = φ₁Xₜ₋₁ + ... + φₚXₜ₋ₚ + εₜ + θ₁εₜ₋₁ + ... + θqεₜ₋q

Für nicht-stationäre Reihen wenden Sie zuerst eine Differenzierung an, um die Reihe stationär zu machen, und das resultierende Modell heißt ARIMA(p,d,q), wobei d der Differenzierungsgrad ist.

GARCH: Modellierung der Volatilität

Das Problem mit ARMA-Modellen für Finanzdaten ist, dass sie konstante Volatilität annehmen. Finanzrenditen zeigen Volatilitäts-Clustering: Große Bewegungen werden tendenziell von großen Bewegungen gefolgt, und kleine Bewegungen von kleinen Bewegungen. Dies ist der ARCH-Effekt, einer der am besten dokumentierten stilisierten Fakten in der gesamten Finanzwelt.

Das GARCH(1,1)-Modell adressiert dies, indem es die Varianz des Fehlerterms als zeitvariablen Prozess modelliert:

σₜ² = ω + α₁εₜ₋₁² + β₁σₜ₋₁²

Dabei ist σₜ² die bedingte Varianz zum Zeitpunkt t, εₜ₋₁² der quadrierte Schock aus der vorherigen Periode und σₜ₋₁² die Varianz der vorherigen Periode. Dieses Modell erfasst genau das Volatilitäts-Clustering, das Sie in Märkten beobachten: Hohe Volatilität heute sagt hohe Volatilität morgen voraus.

Für den Handel ist GARCH für die Positionsgrößenbestimmung unerlässlich. Wenn σₜ² hoch ist, reduzieren Sie die Positionsgröße. Wenn σₜ² niedrig ist, können Sie mehr Risiko eingehen. Diese einzelne Erkenntnis – die dynamische Skalierung der Positionsgröße basierend auf der geschätzten Volatilität – ist für einen erheblichen Teil der risikoadjustierten Renditen verantwortlich, die von systematischen Fonds erzielt werden.

Teil 5: Die vollständige Implementierungspipeline

Dieser Abschnitt setzt alles zu einem funktionierenden System zusammen, das Sie noch heute mit echten Daten ausführen können.

Drei kritische Dinge, die Sie über diese Implementierung verstehen sollten, bevor Sie sie einsetzen.

Erstens: Die GARCH-basierte Positionsgrößenbestimmung leistet mehr Arbeit als die ARIMA-Richtungsprognose. Die Reduzierung des Engagements in Phasen hoher Volatilität ist der zuverlässigste Vorteil im gesamten System. Richtungsprognosen mit einer Genauigkeit von 52 bis 55 Prozent, kombiniert mit volatilitätsskalierter Positionsgrößenbestimmung, erzielen bessere risikoadjustierte Renditen als eine Genauigkeit von 60 Prozent mit fester Positionsgröße.

Zweitens: Die Walk-Forward-Struktur ist nicht verhandelbar. Bei jedem Schritt passen Sie das Modell nur auf historischen Daten an und prognostizieren einen Schritt voraus. Passen Sie niemals auf dem gesamten Datensatz an und generieren Sie In-Sample-Vorhersagen und nennen das einen Backtest. Das ist kein Backtest. Das ist eine Kurvenanpassung mit einem Etikett.

Drittens: Alternative Daten sind die Obergrenze dessen, was Zeitreihenanalyse erreichen kann. Das Framework, das Sie hier aufgebaut haben, ist die Untergrenze. Es erfasst die Muster, die innerhalb der Preisserie existieren. Die Händler, die konstant besser abschneiden, fügen Informationen hinzu, die die Preisserie nicht enthalten kann. Stimmung aus Gewinnaufrufen. Orderfluss-Ungleichgewicht aus dem Orderbuch. Kreditmarktsignale. Vermögensübergreifende Regimeinformationen. Dies sind keine Verbesserungen des Modells. Es sind Inputs aus einer grundlegend anderen Informationsmenge.

Die wichtigste praktische Einschränkung: Alle Modelle der ARMA-Familie nehmen an, dass die statistischen Eigenschaften der Reihe über das Schätzfenster hinweg annähernd stabil sind. Auf Finanzmärkten wird diese Annahme ständig verletzt. Der übliche Ausweg ist ein rollierendes Schätzfenster von 252 Handelstagen, das alte Daten verwirft, wenn neue Daten eintreffen. Kürzere Fenster passen sich schneller an, liefern aber verrauschtere Parameterschätzungen. Längere Fenster sind stabiler, hinken aber hinter Regimewechseln her. Die optimale Fensterlänge ist eine empirische Frage, die für jedes Instrument und jede Strategie separat beantwortet werden muss.

Die Zusammenfassung

Zeitreihenanalyse sagt nicht die Zukunft voraus. Was sie tut, ist, die mathematisch optimale Erwartung der Zukunft zu produzieren, gegeben den aktuellen Zustand und die beobachtete Geschichte. Wenn diese Erwartung oft genug richtungstreu richtig ist und mit volatilitätsskalierter Positionsgrößenbestimmung kombiniert wird, erzeugt sie einen konsistenten Vorteil.

Das vollständige Framework finden Sie in diesem Artikel. Prüfen Sie auf Stationarität, bevor Sie ein Modell bauen. Verwenden Sie Renditen, nicht Preise, als Input. Passen Sie ARIMA an, um das Richtungssignal in den Renditeautokorrelationen zu erfassen. Legen Sie GARCH darüber, um die zeitvariable Volatilität zu modellieren und Ihre Positionsgröße dynamisch zu skalieren. Validieren Sie alles mit einer rollierenden Walk-Forward-Struktur. Und denken Sie immer daran: Die größten Bewegungen, diejenigen, die das meiste Kapital erzeugen oder vernichten, kommen von Regimewechseln, die kein Zeitreihenmodell jemals kommen sieht.

Der letzte Teil ist keine Einschränkung der Modelle. Es ist eine Beschreibung der Realität. Die Händler, die die erfolgreichsten systematischen Strategien der Geschichte aufgebaut haben, verstanden genau, was ihre Modelle konnten und was nicht. Sie nutzten Zeitreihen für das, wofür sie wirklich gut sind: stabile Muster aus stabilen Regimen zu extrahieren. Und sie nutzten alternative Daten und Regimeerkennung, um zu wissen, wann sich diese Regime ändern würden.

Jetzt haben Sie beides. Das Zeitreihen-Framework steht in diesem Artikel. Das Markov-Ketten-Regimeerkennungs-Framework im vorherigen Artikel. Das Neuronale-Netzwerk-Signalgenerierungs-Framework im Artikel davor.

Sie haben jetzt einen vollständigen, systematischen Trading-Stack.

Hier ist die Frage, über die ich nachdenken möchte.

Ein GARCH-Modell sagt Ihnen, dass die Volatilität aufgrund von Mustern allein in der Renditehistorie kurz vor einem Anstieg steht. Eine Markov-Kette sagt Ihnen, dass der Markt dabei ist, von einem Niedrigvolatilitäts-Regime in ein Hochvolatilitäts-Regime überzugehen, basierend auf dem aktuellen Zustand. Wenn beide Signale übereinstimmen, ist diese Konvergenz eines der stärksten Risikomanagement-Signale, die verfügbar sind. Wenn sie nicht übereinstimmen, ist diese Divergenz selbst eine Information. Was würde dazu führen, dass sie nicht übereinstimmen, und was würde Ihnen diese Nichtübereinstimmung über die aktuellen Marktbedingungen sagen?

Hinterlassen Sie Ihre Antwort in den Kommentaren.

Es gibt keine falsche Antwort, aber es gibt sehr aufschlussreiche.