Marktmikrostruktur und kurzfristige Renditemuster: Warum der Kontext alles verändert

Weil jede Renditezeitreihe, die wir analysieren, durch die Struktur des Marktes gefärbt ist, in dem sie entstanden ist. Geld-Brief-Spannen erzeugen mechanische Autokorrelationen in Preisbeobachtungen — ein Effekt, den man als Bid-Ask-Bounce bezeichnet. Wenn dieser Effekt nicht sorgfältig herausgerechnet wird, sehen Forscher Muster, die gar keine echten Informationssignale sind, sondern Artefakte der Marktorganisation selbst. Unser Team hat bei der Sichtung von Studien zur kurzfristigen Vorhersagbarkeit immer wieder festgestellt, dass dieser Schritt entweder fehlt oder nur unzureichend dokumentiert ist. Hinzu kommt die Frage der Markttiefe: In illiquiden Segmenten bewegen selbst mittelgroße Handelsaufträge die Preise merklich, was scheinbare Muster erzeugt, die in liquiden Märkten sofort arbitriert werden würden. Wer diese Zusammenhänge ignoriert, beschreibt nicht die Informationsverarbeitung des Marktes — er beschreibt seine eigene Datenselektion. Vergangene Muster bieten keine verlässliche Grundlage für zukünftige Ergebnisse, und das gilt besonders, wenn die mikrostrukturellen Bedingungen sich verändern, was sie in modernen Märkten mit elektronischem Handel kontinuierlich tun.

Drei Faktoren stechen aus unserer Perspektive besonders hervor. Erstens die Handelsdichte: Märkte mit hoher Transaktionsfrequenz verarbeiten neue Informationen schneller, was die Halbwertszeit vorhandener Muster drastisch verkürzt. Ein Muster, das in Tagesdaten aus den 1990er Jahren robust war, kann in hochfrequenten Intraday-Daten moderner Märkte schlicht inexistent sein — weil der Arbitragemechanismus inzwischen in Millisekunden greift. Zweitens die institutionelle Zusammensetzung der Marktteilnehmer: Märkte, die von algorithmischen Akteuren dominiert werden, weisen andere Autokorrelationsstrukturen auf als solche mit hohem Anteil diskretionärer Retail-Händler. Drittens regulatorische Rahmenbedingungen, die in der Schweiz durch FINMA-Vorgaben und internationale Marktstrukturregeln geprägt sind und die Transparenzanforderungen sowie zulässige Handelspraktiken direkt beeinflussen. Diese drei Faktoren interagieren miteinander auf eine Weise, die lineare Modelle nur unzureichend abbilden. Unser interner Validierungsrahmen verlangt deshalb, dass für jede analysierte Periode explizit dokumentiert wird, welche mikrostrukturellen Bedingungen in diesem Zeitfenster herrschten — sonst vergleicht man Äpfel mit institutionell völlig unterschiedlichen Orangen.

Mit erheblicher methodischer Skepsis, aber nicht mit pauschaler Ablehnung. Die entscheidende Frage ist: Wie groß ist der dokumentierte Effekt, und könnte er vollständig durch mikrostrukturelle Artefakte erklärt werden? Wenn eine Studie Autokorrelationen in Renditen auf Minutenebene beschreibt, ohne die Geld-Brief-Spanne zu kontrollieren, ist das ein erheblicher Mangel — aber kein automatisches Ausschlusskriterium, falls die berichteten Effektgrößen die plausible Größenordnung reiner Bid-Ask-Artefakte weit überschreiten. Was wir in unserer Literaturbewertung als Qualitätskriterium verwenden, ist die Transparenz der Methodik: Benennt die Studie ihre eigenen Einschränkungen explizit? Wurden Robustheitsprüfungen mit alternativen Liquiditätsmaßen durchgeführt? Gibt es Out-of-Sample-Validierungen? Fehlen diese Elemente, behandeln wir die Ergebnisse als vorläufige Hypothesen, nicht als etablierte Befunde. Das klingt streng — ist es aber notwendig, wenn man die Qualität des Forschungsstandes ernsthaft einschätzen will.

Algorithmischer Handel hat die Marktmikrostruktur in den letzten fünfzehn Jahren so tiefgreifend verändert, dass Studien aus der Zeit vor seiner Verbreitung mit großer Vorsicht auf heutige Märkte übertragen werden sollten. Der offensichtlichste Effekt: Arbitragemechanismen greifen schneller, was die Persistenz von Preisanomalien auf immer kürzere Zeitfenster reduziert. Was in Tagesdaten als vorhersagbares Muster erschien, kann auf Intraday-Ebene bereits vollständig ausarbitriert sein, bevor ein nicht-algorithmischer Akteur reagieren könnte. Aber es gibt auch subtilere Effekte. Algorithmische Market-Maker verändern die Struktur der Orderbücher systematisch — sie erhöhen die Liquidität in ruhigen Phasen, ziehen sie aber in volatilen Phasen schnell zurück. Das erzeugt zeitlich variable Mikrostrukturbedingungen, unter denen dasselbe nominelle Muster in verschiedenen Marktphasen völlig unterschiedliche statistische Eigenschaften aufweist. Für unsere Analysen bedeutet das: Die Frage ist nicht nur, ob ein Muster existiert, sondern unter welchen spezifischen Marktbedingungen es auftritt — und ob diese Bedingungen in Zukunft mit hinreichender Verlässlichkeit reproduzierbar sind.

Vor allem drei Dinge. Erstens: Beginnen Sie mit der Mikrostruktur, nicht mit dem Renditesignal. Verstehen Sie die Handelsbedingungen in Ihrem Datensatz — Liquidität, Teilnehmerstruktur, Handelsfrequenz — bevor Sie Muster interpretieren. Anderenfalls riskieren Sie, strukturelle Artefakte als ökonomisch bedeutsame Signale zu lesen. Zweitens: Investieren Sie in echte Out-of-Sample-Validierungen, bei denen der Validierungszeitraum vollständig von der Modellentwicklung getrennt ist. In der Praxis bedeutet das, dass der Validierungsdatensatz bis zur endgültigen Modellspezifikation unberührt bleibt — keine Anpassungen nach dem ersten Blick auf die Out-of-Sample-Ergebnisse. Drittens: Nehmen Sie negative Ergebnisse ernst und publizieren Sie sie, wenn möglich. Die systematische Unterrepräsentation von Replikationsfehlern in der Literatur verzerrt das Gesamtbild erheblich. Wer wirklich zum Verständnis kurzfristiger Renditedynamiken beitragen will, muss bereit sein, auch die unbequemen Befunde zu dokumentieren — dass ein Muster nicht existiert oder nicht stabil ist, ist wissenschaftlich genauso wertvoll wie der Nachweis seiner Existenz.