Nur für Bildungszwecke
Keine Anlageberatung
Quantitative Finanzreferenzmaterialien professionelle Forschungsumgebung
Referenzmaterial und Werkzeuge

Ich habe alles gesucht, was ich für SVJD-Kalibrierung brauchte — und es nie an einem Ort gefunden. Bis jetzt.

Hier sind die Materialien, die ich mir während meiner ersten SVJD-Kalibrierung gewünscht hätte: Glossare, die stochastische Notation erklären, ohne sie vorauszusetzen; Implementierungshinweise, die typische Fehlerquellen benennen; Forschungsüberblicke, die zeigen, wo Heston endet und Bates beginnt. Alles in einem strukturierten Referenzbereich — nach Thema geordnet, nicht nach Erscheinungsdatum. Wer die theoretischen Module der Plattform durcharbeitet, findet hier die Begleitmaterialien, die den Abstand zwischen Formel und funktionierendem Code so klein wie möglich halten.

Alle Ressourcen dienen ausschließlich Bildungszwecken. Vergangene Modellleistungen sind kein verlässlicher Indikator für zukünftige Ergebnisse in realen Märkten.

SVJD-Fachbegriffe im Überblick

Ein präzises Nachschlagewerk für stochastische Volatilität und Sprungdiffusion — von fundamentalen Prozessparametern bis zu numerischen Bewertungsmethoden, die in den Plattformmodulen verwendet werden

Sprungintensität Lambda

Sprungprozesse
Der Parameter λ beschreibt die erwartete Anzahl von Preissprüngen pro Zeiteinheit in einem Poisson-gesteuerten Sprungprozess. Ein höheres λ bedeutet häufigere diskrete Preisdiskontinuitäten. In der Kalibrierung an Marktdaten konkurriert λ mit der Diffusionskomponente um die Erklärung von Implied-Volatility-Mustern, was zu Identifikationsproblemen führen kann, insbesondere wenn die Sprungamplitude gleichzeitig geschätzt wird.

Variansprozess v_t

Stochastische Volatilität

Der stochastische Variansprozess v_t beschreibt die zeitvariable Instantanvarianz des Preisprozesses im Heston-Modell. Er folgt einem mean-revertierenden CIR-Prozess. Im Gegensatz zur konstanten Volatilität in Black-Scholes erlaubt v_t eine dynamische Volatilität, die Volatility-Clustering und den persistenten Volatility Smile strukturell erklärt. Negative Varianz wird durch die Feller-Bedingung ausgeschlossen.

Mean-Reversion-Geschwindigkeit Kappa

Stochastische Volatilität

Der Parameter κ bestimmt, wie schnell der Variansprozess v_t zu seinem langfristigen Mittelwert θ zurückkehrt. Ein hohes κ bedeutet schnelle Rückkehr und eine weniger persistente Volatilität. Ein niedriges κ erzeugt langanhaltende Volatilitätsregimes. In der Kalibrierung beeinflusst κ die Form der Termstruktur impliziter Volatilitäten erheblich und ist eng mit der Volatilitätspersistenz in Zeitreihen verbunden.

Volatilität der Volatilität Sigma_v

Stochastische Volatilität

Der Parameter σ_v, auch als Vol-of-Vol bezeichnet, misst die Standardabweichung des Variansprozesses selbst. Ein hohes σ_v erzeugt ausgeprägte Volatilitätsschwankungen und stärkere Krümmung der Implied-Volatility-Oberfläche. In der Praxis führt ein zu hohes σ_v kombiniert mit einem zu niedrigen κ zu Instabilitäten in der Kalibrierung. Die Feller-Bedingung 2κθ größer σ_v² stellt sicher, dass der Variansprozess positiv bleibt.

Poisson-Prozess

Sprungprozesse
Ein Poisson-Prozess N_t zählt die Anzahl diskreter Ereignisse in einem Zeitintervall bei konstanter Intensität λ. In Sprungdiffusionsmodellen bestimmt er den Zeitpunkt von Preissprüngen. Zwischen Sprungereignissen folgt der Preisprozess dem gewöhnlichen geometrischen Brownschen Prozess. Die Kombination aus Poisson-Sprüngen und Brownscher Diffusion ist die fundamentale Struktur des Merton-Modells von 1976.

Charakteristische Funktion

Numerische Methoden
Die charakteristische Funktion φ(u) ist die Fourier-Transformierte der Wahrscheinlichkeitsverteilung eines Preisprozesses. Im Heston- und Bates-Modell existiert eine semi-analytische Form der charakteristischen Funktion, die eine effiziente Berechnung von Optionspreisen über inverse Fourier-Transformation ermöglicht. Dies ist numerisch erheblich schneller als Monte-Carlo-Simulation und bildet die Grundlage der Fourier-basierten Kalibrierung an Marktpreisen.

Risikoneutrales Maß

Maßtheorie
Das risikoneutrale Maß Q ist das Wahrscheinlichkeitsmaß, unter dem diskontierte Vermögenspreise Martingale sind. Unter Q werden Optionen bepreist, indem der erwartete diskontierte Auszahlungsbetrag berechnet wird. Der Übergang vom physischen Maß P zum risikoneutralen Maß Q verändert die Driftkomponente des Preisprozesses und verschiebt die Sprungintensität sowie die Sprungverteilung gemäß dem Girsanov-Theorem, was in der Kalibrierung explizit berücksichtigt werden muss.

Implied Volatility Surface

Marktgrössen
Die Implied-Volatility-Oberfläche stellt die impliziten Volatilitäten von Optionen als Funktion von Strike und Restlaufzeit dar. In einem Black-Scholes-Modell wäre diese Oberfläche flach. In der Realität zeigt sie systematische Muster: den Volatility Smile oder Skew über Strikes und eine charakteristische Termstruktur über Laufzeiten. SVJD-Modelle wie Heston und Bates kalibrieren auf diese Oberfläche, um ihre Parameter zu schätzen.

Expected Shortfall

Risikomessung
Expected Shortfall, auch als Conditional Value-at-Risk bekannt, misst den erwarteten Verlust in den schlechtesten α Prozent der Szenarien einer Verlustverteilung. Im Gegensatz zum Value-at-Risk ist Expected Shortfall kohärent im Sinne der Artzner-Axiome und erfasst Tail-Risiken sensitiver. Unter SVJD-Annahmen fällt Expected Shortfall typischerweise höher aus als unter Normalverteilungsannahme, da die Sprungkomponente die Verteilungsenden explizit verdickt.

Feller-Bedingung

Stochastische Volatilität
Die Feller-Bedingung 2κθ größer oder gleich σ_v² stellt sicher, dass der CIR-Variansprozess im Heston-Modell fast sicher positiv bleibt und die Null nicht erreicht. In der Kalibrierung an Marktdaten wird diese Bedingung häufig verletzt, da Marktdaten oft auf Parameterwerte hinweisen, die numerisch instabile Varianspfade erzeugen. Die Behandlung verletzter Feller-Bedingungen ist ein zentrales Thema der numerischen Stabilisierung in SVJD-Implementierungen.

Lévy-Prozess

Stochastische Prozesse
Ein Lévy-Prozess ist ein stochastischer Prozess mit stationären und unabhängigen Zuwächsen, der sowohl Brownsche Diffusion als auch Sprungkomponenten als Spezialfälle enthält. Viele SVJD-Erweiterungen sind in der Klasse der affinen Lévy-Prozesse formuliert, was die Berechnung charakteristischer Funktionen analytisch handhabbar macht. Das Verständnis von Lévy-Prozessen ist die mathematische Voraussetzung für das vollständige SVJD-Expert-Modul der Plattform.

Volatility Risk Premium

Marktgrössen

Der Volatility Risk Premium bezeichnet die Differenz zwischen der impliziten Volatilität, die aus Optionspreisen abgeleitet wird, und der realisierten Volatilität des Basiswerts. Er spiegelt die Risikoprämie wider, die Optionskäufer für den Schutz vor unerwarteten Volatilitätsereignissen zahlen. In der SVJD-Kalibrierung muss der Volatility Risk Premium explizit berücksichtigt werden, da eine alleinige Kalibrierung auf Optionspreise systematisch verzerrte Sprungparameter erzeugen kann.

Monte-Carlo-Simulation

Numerische Methoden
Monte-Carlo-Simulation generiert eine große Anzahl stochastischer Preispfade gemäß dem gewählten Modell und schätzt Optionspreise als diskontierte Durchschnitte der simulierten Auszahlungen. Für Sprungdiffusionsmodelle erfordert die Diskretisierung der Sprungkomponente besondere Sorgfalt: Sprungzeitpunkte werden aus der Poisson-Verteilung gezogen, Sprungamplituden aus der angenommenen Sprungverteilung. Fehler in der Diskretisierung erzeugen verzerrte Preisschätzungen, die schwer von Modellfehlern zu unterscheiden sind.

Korrelationsparameter Rho

Stochastische Volatilität
Der Parameter ρ beschreibt die Korrelation zwischen dem Brownschen Prozess des Preises und dem Brownschen Prozess des Variansprozesses im Heston-Modell. Ein negatives ρ erzeugt den Leverage-Effekt: fallende Preise gehen mit steigender Volatilität einher, was den beobachteten negativen Volatility Skew erklärt. ρ ist einer der identifizierbaren Parameter des Heston-Modells und hat einen direkten, intuitiv interpretierbaren Einfluss auf die Form der Implied-Volatility-Oberfläche.

Aktuelle Forschung und Plattformupdates im Bereich SVJD

Neue Implementierungshinweise, Forschungsüberblicke und Weiterentwicklungen in der stochastischen Volatilitätsmodellierung — regelmäßig aktualisiert für Praktiker, die am Puls des Feldes bleiben möchten

Kalibrierungsalgorithmus Volatilitätsoberfläche professionelle Analyse

Kalibrierungsinstabilität im Bates-Modell: Ursachen und Lösungsstrategien

Warum kalibriert das Bates-Modell auf ruhigen Märkten gut und versagt in Stressphasen? Eine strukturierte Analyse der häufigsten Instabilitätsursachen und praktischer Regularisierungsstrategien für die Praxis.

Implementierung
Risikomessung Tail-Risiko Vergleich Dashboard

Expected Shortfall unter SVJD-Annahmen: Ein numerischer Vergleich

Wie stark weicht Expected Shortfall unter Sprung-Volatilität-Annahmen von klassischen Normalverteilungsschätzungen ab? Ein quantitativer Vergleich mit realen Marktdaten aus verschiedenen Volatilitätsregimes.

Risikomessung
Akademische Forschung stochastische Finanzmodelle Bibliothek

Affine Sprungdiffusionsmodelle: Ein Überblick über moderne Erweiterungen

Von Kou-Modell bis Hawkes-gesteuerten Sprungintensitäten: Welche Erweiterungen des klassischen Bates-Frameworks in der aktuellen Forschung und in der Praxis quantitativer Risikoabteilungen relevant sind.

Forschung
Plattformupdate quantitatives Finanzmodul Dashboard

Neues Expert-Modul: Vollständige SVJD-Kalibrierung mit realen Marktdaten

Das überarbeitete Expert-Modul enthält jetzt eine vollständig dokumentierte Kalibrierungsanalyse auf Basis realer Implied-Volatility-Daten, inklusive Identifikationsdiagnostik und szenariobasierter Stresstests.

Plattformupdate
Fourier-Transformation numerische Methoden mathematische Visualisierung

Fourier-Methoden für SVJD-Modelle: Implementierung und numerische Stabilität

Die charakteristische Funktion ist das effizienteste Werkzeug für die SVJD-Optionspreisberechnung — wenn sie korrekt implementiert wird. Eine praxisnahe Anleitung zu Integrationsverfahren und Stabilisierungstechniken.

Numerische Methoden

Praktische Hinweise für die SVJD-Implementierung und Kalibrierung

Kalibrierung immer mit mehreren Startpunkten initialisieren

Optimierungsalgorithmen für SVJD-Modelle konvergieren häufig zu lokalen Minima, die den Marktpreisen numerisch gut entsprechen, aber ökonomisch implausible Parameter liefern. Ein systematisches Grid über verschiedene Startwerte für κ, σ_v und λ erhöht die Wahrscheinlichkeit, das globale Optimum zu finden. Dieser Schritt kostet Rechenzeit, verhindert aber stille Fehlkalibrierungen, die schwer zu diagnostizieren sind.

Sprungkomponente separat validieren, bevor das vollständige Modell kalibriert wird

Bevor das vollständige Bates-Modell kalibriert wird, empfiehlt sich eine separate Validierung der Sprungkomponente auf kurzlaufenden Optionen, wo der Beitrag der Sprünge zur Implied Volatility am deutlichsten sichtbar ist. Stimmen die simulierten Sprungmomente mit den theoretischen Momenten überein, ist die Implementierung der Sprungkomponente korrekt — bevor Heston-Parameter die Diagnose erschweren.

Implied-Volatility-Oberfläche nach Laufzeitbereichen segmentiert kalibrieren

Eine simultane Kalibrierung über alle Laufzeiten kann dazu führen, dass kurzlaufende und langläufige Optionen gleich gewichtet werden, obwohl sie verschiedene Modellkomponenten dominieren. Kurzläufer werden stärker durch die Sprungkomponente beeinflusst, Langläufer durch die Volatilitätsdynamik. Eine segmentierte Kalibrierung nach Laufzeitbereichen liefert diagnostische Informationen über Modellstärken und Schwachstellen.

Feller-Bedingung nach jeder Kalibrierung explizit prüfen und dokumentieren

Kalibrierungsalgorithmen verletzten die Feller-Bedingung 2κθ größer σ_v² häufig, ohne dass dies offensichtlich ist. Negative Varianzen in Monte-Carlo-Pfaden sind die Folge und erzeugen verzerrte Optionspreise. Eine automatische Prüfung der Feller-Bedingung nach jeder Kalibrierung und eine explizite Dokumentation von Verletzungen sollten Standard in jedem SVJD-Implementierungsworkflow sein.

Charakteristische Funktion mit bekannten Grenzfällen testen, bevor Marktdaten verwendet werden

Bevor die charakteristische Funktion des Heston- oder Bates-Modells auf echte Marktdaten angewendet wird, sollte sie gegen bekannte Grenzfälle validiert werden: Bei σ_v gleich null und λ gleich null muss das Modell exakt die Black-Scholes-Formel reproduzieren. Dieser Test kostet wenige Minuten und schließt die häufigsten Implementierungsfehler in der charakteristischen Funktion aus.

Forschungsquellen nach Modellgeneration und Anwendungskontext kategorisieren

Die SVJD-Literatur reicht von Mertons originalem Sprungdiffusionspaper aus dem Jahr 1976 bis zu aktuellen affinen Lévy-Frameworks. Nicht jede Quelle ist für jeden Anwendungskontext gleich relevant. Eine persönliche Bibliothek, die nach Modellgeneration, numerischer Methode und Anwendungsgebiet kategorisiert ist, spart erheblich Zeit bei der Suche nach relevanten Referenzen für spezifische Kalibrierungsfragen.

Was Praktiker am häufigsten fragen zu Sprungdiffusion Wichtige Fragen

SVJD vs. reine Diffusion?

Sprungdiffusion erfasst diskrete Preisdiskontinuitäten explizit, reine Diffusion glättet sie weg und unterschätzt Tail-Risiken systematisch.

Wann Bates statt Heston?

Bates kalibriert besser auf kurzlaufende Optionen mit ausgeprägtem Skew, wo Sprünge dominieren und Heston systematisch zu flach kalibriert.
Antworten auf die häufigsten Fragen zu Sprungdiffusionsmodellen, stochastischer Volatilität und quantitativen Karrierewegen für Fachleute mit einem Zeithorizont von drei bis fünf Jahren