Liquidität Am Deutschen Kapitalmarkt

Christian Gärtner
Liquidität am deutschen Kapitalmarkt

GABLER EDITION WISSENSCHAFT
Christian Gärtner
Liquidität am deutschen
Kapitalmarkt
Erholungsfähigkeit der DAX-30-Titel
Mit einem Geleitwort von Prof. Dr. Wolfgang Gerke
Deutscher Universitäts-Verlag
Bibliografische Information Der Deutschen Nationalbibliothek
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der
Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über
<http://dnb.d-nb.de> abrufbar.
Dissertation Universität Erlangen-Nürnberg, 2006
1. Auflage September 2007

Alle Rechte vorbehalten
© Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden 2007
Lektorat: Frauke Schindler / Stefanie Brich
Der Deutsche Universitäts-Verlag ist ein Unternehmen von Springer Science+Business Media.
www.duv.de
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt.

Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes
ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbe-
sondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die
Einspeicherung und Verarbeitung in elektronischen Systemen.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem

Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche
Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten
wären und daher von jedermann benutzt werden dürften.
Umschlaggestaltung: Regine Zimmer, Dipl.-Designerin, Frankfurt/Main
Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier
Printed in Germany
ISBN 978-3-8350-0337-8
Geleitwort V
Geleitwort
Die Qualität verschiedener Börsenhandelssysteme wird entscheidend durch die Liqui-

dität im Orderbuch bestimmt. Liquidität stellt dabei eine multidimensionale Größe dar.
Abwicklungskosten, Bewertungseffizienz und Informationsdiffusion beeinflussen die
Preisbildungseffizienz und damit die klassischen Faktoren der Liquidität wie Markt-
breite, Markttiefe und Ausführungsgeschwindigkeit. Die letzten drei Faktoren wurden
in der Marktmikrotheorie bereits intensiv erforscht. Weniger Aufmerksamkeit wurde
jedoch der Erholungsfähigkeit des Orderbuches gewidmet. Vorliegende Arbeit ermit-
telt in bisher nicht gekannter Präzision die Erholungsfähigkeit für DAX-Titel. Mithilfe
einer speziell generierten Datenbank errechnet der Autor anhand von 106 Millionen
Xetra-Datensätzen für das gesamte Handelsjahr 2003 die Erholungsfähigkeit von 28
DAX-Titeln. Vor wenigen Jahren wäre eine derartige empirische Untersuchung auf-
grund fehlender Datensätze und Rechenkapazitäten nicht möglich gewesen. Dem
Autor ist es gelungen, 82 Gigabyte Orderdaten auf 18 Prozessoren in seinem Modell
zu verarbeiten. Das entwickelte Modell besitzt hohe Praxisrelevanz und einen hohen
Innovationsgrad.
Prof. Dr. Wolfgang Gerke

Vorwort VII
Vorwort
Nach arbeitsreichen Jahren, die mich an dieses Ziel geführt haben, lege ich mit Stolz
diese Arbeit vor, weil es gelungen ist, berufsbegleitend neben der sehr zeitintensiven
Tätigkeit als Fondsmanager bei der DEVIF und der Union Investment dieses Projekt
zu verwirklichen. Dies in dem Bewusstsein, dennoch nur einen Versuch getätigt zu
haben, ein empirisch bisher kaum erarbeitetes Gebiet etwas mehr erforscht und im
Zuge dessen eine für den Deutschen Kapitalmarkt einzigartige Datenbank geschaffen
zu haben, welche die Grundlage für den empirischen Teil der Arbeit darstellt.
Den hoch volatilen Kapitalmärkten verdanke ich die Tatsache, dass gerade das außer-
gewöhnliche Aktienjahr 2003 mit seinen extremen Kursbewegungen für die ange-
strebte Untersuchung hervorragend geeignet ist. Rückblickend gab es einige besonders
schöne Zeiträume, wie mein Arbeitsaufenthalt in Klausur auf Mallorca oder in der
Toscana, und den Moment, als ich diese Arbeit einreichen konnte.
An erster Stelle möchte ich meinem Doktorvater Professor Dr. Wolfgang Gerke herz-
lich dafür danken, dass er mir die Chance gab, bei ihm als Externer wissenschaftlich
arbeiten zu können, was nur sehr Wenigen zu Teil wurde.
Meinem Zweitgutachter, Professor Dr. Wolfgang Harbrecht möchte ich dafür danken,
dass er trotz seiner hohen zeitlichen Belastungen meine Arbeit als Gutachter annahm
und in rekordverdächtiger Zeit begutachten konnte. Hätten beide Herren Professoren
sich meiner Arbeit nicht so intensiv angenommen, so würde mein beruflicher Werde-
gang heute anders aussehen.
Beim Verlag bedanke ich mich für die Veröffentlichung der vorliegenden Arbeit.
Einen sehr hohen Beitrag leistete das Rechenzentrum der Universität Erlangen-
Nürnberg, das mir für die Berechnung der Optionswerte viele tausend Stunden Rech-
nerleistung zur Verfügung stellten, ohne deren Kapazität die vorliegende Arbeit nicht
möglich gewesen wäre.
Bei der Forschungsgemeinschaft Augsburg-Nürnberg (FAN) möchte ich mich für die
Vortragsmöglichkeit im Juli 2003 bedanken, die mir durch zahlreiche kritische Fragen
half, das Modell an einzelnen Stellen zu optimieren.
Holger Jensen gebührt mein Dank für seine Analyse der technischen Möglichkeiten,
um auf einen Strom von Realtimedaten zugreifen zu können, und die Bereitstellung
dieser EDV-Lösung. Die immense Herausforderung der Programmierung der Schnitt-
VIII Vorwort
stelle vom Datenfluss zur Datenbank sowie die Optimierung von Rechenroutinen zur
Berechnung der Optionsbewertung und der Erholungsfähigkeit wären ohne die weit-
reichenden Kenntnisse und die scharfsinnigen Modellhinterfragungen von Eugen
Tsender niemals gelungen. Er hat stets mit weitreichend betriebswirtschaftlich und
optionstheoretisch fundiertem Hintergrund das Ziel so exakt wie möglich zu definieren
versucht und bei allen Arbeiten stets überprüft, ob das Teilziel erreicht und funktions-
fähig ist. So hat sich im Laufe der Zeit zwischen uns eine Freundschaft entwickelt.
Ferdinand Mager gilt mein Dank, weil er über all die Jahre als zentraler Ansprechpart-
ner für mich am Lehrstuhl in Nürnberg zur Verfügung stand, immer ein offenes Ohr
für mich hatte und mich stets freundlich ermahnte: „tempus fugit.“
Carlo Beck, Felix Breuer und Timo Reinschmidt unterstützten mich in der Endphase
in ihren unterschiedlichen Funktionen an der Universität. Auch bei ihnen möchte ich
mich ganz herzlich bedanken.
Bei meiner wissenschaftlichen Weggefährtin Karin Häring bewundere ich ihre Ge-
lassenheit für die vielen Stunden, die sie sich Zeit genommen hat, mit mir sowohl über
Grundsätzliches als auch über den Feinschliff der Arbeit zu diskutieren.
Bei Gabriele Peltzer möchte ich mich bedanken, weil sie immer an den Fortschritt
geglaubt und mich soweit wie möglich bei der Dissertation unterstützt hat. Ich hoffe,
dass ich es nicht zu sehr bereuen werde, dass ich neben der großen beruflichen Aus-
lastung auch sehr viel Zeit in dieses Projekt investiert habe, die ich in diesem Zeitraum
leider nicht meinem Sohn Jan-Niklas widmen konnte.
Zuletzt bleibt mein Dank an Ágnes Horváth. Gemeinsam mit ihr und auch Dank ihr
konnte ich meine Dissertation vollenden.
Christian Gärtner
Inhaltsverzeichnis IX
Inhaltsverzeichnis
Abbildungsverzeichnis.............................................................................................. XV
Tabellenverzeichnis................................................................................................ XVII
Abkürzungsverzeichnis ...........................................................................................XIX
1 Einführung ............................................................................................................ 1
1.1 Problemstellung .................................................................................................. 1

1.2 Drei Alleinstellungsmerkmale der vorliegenden Arbeit..................................... 2
1.3 Vorgehensweise der Untersuchung und Zielsetzung.......................................... 3
2 Stand der Forschung ............................................................................................ 5
2.1 Einleitung und Überblick.................................................................................... 5

2.2 Determinanten der Marktliquidität und ihre empirische Erhebung.................... 7
2.2.1 Markttiefe.................................................................................................... 8
2.2.2 Marktbreite.................................................................................................. 8
2.2.3 Erholungsfähigkeit...................................................................................... 9
2.3 Markt-Mikrostruktur elektronischer Handelssysteme ...................................... 11
2.3.1 Theoretische Diskussion eines offenen Limitorderbuchs......................... 11
2.3.2 Empirische Untersuchungen ..................................................................... 14
2.3.2.1 Deskriptive Arbeiten und Analysen von Anomalien des
Orderbuchs........................................................................................ 14
2.3.2.2 Charakterisierung limitierter Aufträge im Limitorderbuch .............. 17
2.3.2.3 Der Einfluss der Tick Size im Limitorderbuch ................................ 25
2.3.2.4 Vergleich verschiedener Handelsplätze mit einem offenen
Orderbuch ......................................................................................... 27
2.3.3 Gleichgewichtsmodelle des Limitorderbuchs........................................... 29
2.3.3.1 Partielle Gleichgewichtsmodelle der Geld-Brief-Spanne des
Limitorderbuchs................................................................................ 29
2.3.3.2 Partielle Gleichgewichtsmodelle mit Liquiditätskennzahlen des
Limitorderbuchs................................................................................ 32
2.3.3.3 Statische Gleichgewichtsmodelle des Limitorderbuchs ................... 36
X Inhaltsverzeichnis
2.3.3.4 Dynamische Gleichgewichtsmodelle des Limitorderbuchs ............. 49

2.4 Weiterführende Ansätze der Markt-Mikrostrukturforschung........................... 56
2.4.1 Adverse Selection-Kosten......................................................................... 56
2.4.2 Beobachtbare Kursmuster im Laufe einer Erholungsbewegung .............. 59
2.4.2.1 Blockorders als mögliche Auslöser einer großen Kursbewegung.... 59
2.4.2.2 Autokorrelation................................................................................. 62
2.4.2.3 Kursreversal ...................................................................................... 64
2.5 Optionspreistheorie........................................................................................... 66
2.5.1 Bewertung limitierter Orders mittels der Optionspreistheorie ................. 66
2.5.2 Anwendung der Black-Scholes-Optionswerte auf ein Limitorderbuch ... 67
2.5.3 Annahmen des Black-Scholes-Modells.................................................... 68
2.5.4 Optionswertberechnung mit Black-Scholes ............................................. 69
2.5.5 Fehlbepreisungen mit Black-Scholes ....................................................... 70
2.5.6 Methoden der Schätzung der kurzfristigen Volatilität ............................. 72
2.5.6.1 Klassischer Black-Scholes-Schätzer für die historische Volatilität . 72
2.5.6.2 Weiterführende parametrische Volatilitätsschätzer.......................... 74
2.5.6.3 Weiterführende parameterfreie Volatilitätsschätzer ......................... 75
2.5.6.3.1 Range Based-Volatilitätsschätzer ................................................. 75
2.5.6.3.2 Realisierte Volatilitätsschätzer ..................................................... 76
2.5.7 Modifikationen des Modells von Black-Scholes...................................... 78
2.5.7.1 Univariate Diffusionsmodelle........................................................... 78
2.5.7.2 Stochastische Volatilitätsmodelle ..................................................... 80
2.5.7.3 Sprungmodelle .................................................................................. 82
2.5.7.4 Hybride Modelle ............................................................................... 83
2.5.7.5 Erweiterungen des Black-Scholes-Modells für amerikanische
Optionen ................................................................................................. 84
2.5.8 Zusammenfassung der Optionspreistheorie.............................................. 85
2.6 Zusammenfassung der Literaturübersicht und weiteres Vorgehen .................. 86
3 Modell der Erholungsfähigkeit.......................................................................... 89
3.1 Einführung in die Entwicklung des Modells der Erholungsfähigkeit .............. 89

3.2 Einfluss der Volatilität auf den Handlungswillen und den Optionswert.......... 90
3.2.1 Der Basispreis im Optionspreismodell ..................................................... 93
3.2.2 Die Restlaufzeit im Optionspreismodell................................................... 93
3.2.3 Der Aktienkurs im Optionspreismodell.................................................... 95
3.2.4 Der Zinssatz im Optionspreismodell ........................................................ 98
Inhaltsverzeichnis XI
3.2.5 Die Volatilität im Optionspreismodell...................................................... 98

3.2.6 Optionswertberechnung limitierter Aufträge und Willensbestimmung . 101
3.2.6.1 Gleichsetzung des Optionswertes mit dem Handlungswillen ........ 101
3.2.6.2 Grenzbestimmung der Optionswerte von limitierten Aufträgen .... 103
3.2.7 Grafische Darstellung des Orderbuchs anhand der Optionswerte.......... 105
3.2.8 Bestimmung des Optionswertes einer ganzen Orderbuchseite............... 108
3.3 Gleichgewichtsmodell .................................................................................... 110
3.3.1 Modell der Spannung im Orderbuch ...................................................... 110
3.3.2 Modell eines Gleichgewichts in einem offenen Orderbuch ................... 114
3.3.2.1 Die Spannung im Gleichgewichtsmodell ....................................... 114
3.3.2.2 Die Reservationsspannung im Gleichgewichtsmodell ................... 115
3.3.2.3 Die Reservationskursbewegung im Gleichgewichtsmodell ........... 116
3.3.2.4 Der Zeitraum im Gleichgewichtsmodell ........................................ 118
3.3.3 Exchange Liquidity Measure (XLM) als alternatives Gleichgewicht .... 119
3.4 Die Zeitkomponente im Modell der Erholungsfähigkeit................................ 122
3.4.1 Unterteilung der Erholungsfähigkeit in 4 Phasen................................... 122
3.4.1.1 Phase 1: Gleichgewicht vor der außerordentlichen Kursbewegung123
3.4.1.2 Phase 2: Außerordentliche Kursbewegung..................................... 123
3.4.1.3 Phase 3: Kursreversal...................................................................... 125
3.4.1.4 Phase 4: Abschließendes Gleichgewicht ........................................ 126
3.4.2 Berechnung der Erholungsfähigkeit ....................................................... 126
3.4.2.1 Vollständige Erholungsfähigkeit .................................................... 126
3.4.2.2 Partielle Erholungsfähigkeit ........................................................... 127
3.4.2.3 Grafische Darstellung der Erholungsfähigkeit ............................... 128
3.5 Zusammenfassung des Modells der Erholungsfähigkeit ................................ 130
3.6 Aus der aktuellen Forschung und dem Modell resultierende Hypothesen..... 131
3.6.1 Einflussfaktoren auf die Erholungsfähigkeit .......................................... 131
3.6.2 Zusammenhang Marktbreite, Markttiefe und Erholungsfähigkeit ......... 131
3.6.3 Prognose der Erholungsfähigkeit und der Kursentwicklung für
Handelsstrategien.................................................................................... 131
4 Empirische Untersuchung der Erholungsfähigkeit der DAX-Titel............. 133
4.1 Aufbau der empirischen Studie ...................................................................... 133

4.2 Datenbasis ....................................................................................................... 134
4.2.1 Generierung der Datenbasis.................................................................... 134
4.2.2 Bereinigung der Datenbasis .................................................................... 136
XII Inhaltsverzeichnis
4.2.2.1 Datenausreißer und fehlerhafte Erfassungen .................................. 136

4.2.2.2 Ausschluss der Daten wegen Ad hoc-Meldungen.......................... 136
4.2.3 Limitierung der Datenbasis..................................................................... 137
4.2.4 Erweiterungsmöglichkeiten der Datenerfassung für zukünftige
Arbeiten................................................................................................... 138
4.2.4.1 Einfluss der Peer-Group-Unternehmen .......................................... 138
4.2.4.2 Einfluss von Transaktionen an der Eurex....................................... 139
4.2.4.3 Einfluss durch börsennotierte Beteiligungen.................................. 139
4.2.4.4 Einfluss durch Analystenempfehlungen......................................... 140
4.2.4.5 Einfluss durch volkswirtschaftliche Meldungen ............................ 140
4.2.4.6 Einfluss durch Indexaufnahme oder Indexausschluss .................... 140
4.3 Charakterisierung des Datensatzes ................................................................. 140
4.3.1 Allgemeine Charakterisierung des Datensatzes...................................... 141
4.3.2 Charakterisierung des Datensatzes mit dem Schwerpunkt Marktbreite. 145
4.3.3 Charakterisierung des Datensatzes mit dem Schwerpunkt Markttiefe... 151
4.4 Institutionelle Aspekte des Xetra-Handelssystems......................................... 154
4.5 Vergleich der Steigung mit einem optionsbewerteten Orderbuch.................. 160
4.6 Test der Modellparameter der Erholungsfähigkeit ......................................... 164
4.6.1 Sensitivitätsanalyse: Bestimmung der außerordentlichen Volatilität..... 165
4.6.2 Sensitivitätsanalyse: Bestimmung eines Gleichgewichts ....................... 168
4.6.2.1 Gleichgewichte anhand der Spannung und der Kursbewegung..... 168
4.6.2.2 Gleichgewichte anhand des Liquiditätsmaßes XLM...................... 169
4.6.3 Sensitivitätsanalyse: Bestimmung des Beobachtungszeitraums............. 173
4.7 Algorithmus für die Berechnung der Erholungsfähigkeit .............................. 176
4.8 Untersuchung der Erholungsfähigkeit ............................................................ 178
4.8.1 Berechnung der Erholungsfähigkeit anhand des entwickelten Modells 178
4.8.2 Grafische Darstellung der Erholungsfähigkeit ....................................... 185
4.8.3 Test der Hypothesen ............................................................................... 190
4.9 Handelsstrategien für einen Agenten.............................................................. 198
4.9.1 Kursreversalstrategien ............................................................................ 198
4.9.2 Kursreversalstrategien mit zusätzlicher Nutzung der Optionswerte ...... 201
4.9.3 Kursreversalstrategien mit zusätzlicher Nutzung der
Erholungsfähigkeit.................................................................................. 203
4.9.4 Kurzfristige Prognose und Erklärung der Erholungsfähigkeit ............... 206
4.10 Zusammenfassung der Empirie .................................................................. 207
Inhaltsverzeichnis XIII
5 Schlussbetrachtung........................................................................................... 209
5.1 Ergebnisse bezüglich des Modells der Erholungsfähigkeit............................ 209

5.2 Ergebnisse zur Charakterisierung der Erholungsfähigkeit einzelner Titel..... 210
5.3 Ergebnisse für einen Handelsautomaten......................................................... 210
5.4 Empfehlung für die Ausgestaltung des Xetra................................................. 211
5.5 Ansatzpunkte für weitere wissenschaftliche Forschung................................. 212
Anhang ....................................................................................................................... 215
Anhang 1: Änderung der Tick Size im CAC-40 durch die Umstellung auf Euro.. 215
Anhang 2: Maximale Entfernung eines limitierten Gebotes mit ökonomischer
Relevanz................................................................................................ 217
Anhang 3: Grenzwerte für das Minimum und Maximum des Optionswertes nach
Black-Scholes........................................................................................ 218
Anhang 4: Hedgingstrategien der Market-Maker................................................... 219
Anhang 5: Erfasste Parameter in 2003 ................................................................... 219
Anhang 6: Sektorzugehörigkeit und Indexgewichtung der Einzeltitel im DAX.... 220
Anhang 7: Ad hoc Meldungen für die 28 beobachteten Aktien............................. 221
Anhang 8: Fehlende Datensätze ............................................................................. 224
Anhang 9: Eurex-Optionskurse kurz vor Optionsverfall........................................ 225
Anhang 10: Durchschnittliche Steigung der Geldseite des Orderbuchs in Cent.... 229
Anhang 11: Durchschnittliche Steigung des Briefseite des Orderbuchs in Cent ... 230
Anhang 12: Erholungsfähigkeit – grafische Darstellung ....................................... 231
Anhang 13: Algorithmus der wichtigsten Programmroutinen ............................... 235
Anhang 14: DAX-Titel mit einer offiziellen Notierung in den USA in 2003........ 239
Anhang 15: Limitorderstrategien mit Optionswertverhältnissen im Zeitablauf..... 240
Anhang 16: Limitorderstrategien mit Optionswerten zu einem Zeitpunkt ............ 242
Literaturverzeichnis ................................................................................................. 245

Abbildungsverzeichnis XV
Abbildungsverzeichnis
Abbildung 3-1: Deutsche Telekom AG, Orderbuchtiefe Links: per 22.12.2003,

9:20:14 Uhr, historische 30-Tagesvolatilität von 27% Rechts: per
03.03.2003, 17:40:09 Uhr: historische 30-Tagesvolatilität
von 54%.......................................................................................... 106
Abbildung 3-2: Deutsche Telekom AG, Optionsbewertetes Orderbuch Links:
22.12.2003, 9:20:14 Uhr, historische 30-Tagesvolatilität von 27%
Rechts: 03.03.2003, 17:40:09 Uhr, historische 30-Tagesvolatilität
von 54%.......................................................................................... 107
Abbildung 3-3: Spannung im Orderbuch, Deutsche Telekom, 27. Januar 2003
Zeitraum: 1 Minute......................................................................... 113
Abbildung 3-4: Spannung im Orderbuch, Deutsche Telekom, 27. Januar 2003
Zeitraum: 3 Minuten....................................................................... 114
Abbildung 3-5: Zeitlicher Ablauf und Phasen der Erholungsfähigkeit ................... 123
Abbildung 3-6: Grafik der Erholungsfähigkeit der Deutschen Telekom in 2003 ... 129
Abbildung 4-1: Kursverlauf und Volatilität des DAX in 2003 ............................... 145
Abbildung 4-2: Größenklassen der Handelsvolumina in 2003................................ 149
Abbildung 4-3: Handelsvolumen im Verhältnis zur Handlungsbereitschaft
in 2003 ............................................................................................ 150
Abbildung 4-4: Prozentualer Zuwachs der Steigung des Orderbuchs zwischen
benachbarten Geboten in 2003 ....................................................... 154
Abbildung 4-5: Dynamischer und statischer Preiskorridor ..................................... 157
Abbildung 4-6: Durchschnittliche Optionswerte der Gebote aller 28 untersuchten
DAX-Werte im Jahresverlauf 2003................................................ 161
Abbildung 4-7: Durchschnittlicher prozentualer Spread zwischen den benach
barten Geboten aller 28 untersuchten DAX-Werte im Jahres
verlauf 2003.................................................................................... 162
Abbildung 4-8: Illiquide Werte: Traditionelle Darstellung der Steigung des Order
buchs nach GLOSTEN (1994) (linke Abbildung) im Vergleich
mit der Visualisierung des optionsbewerteten Orderbuchs (rechte
Abbildung)...................................................................................... 163
Abbildung 4-9: Liquide Werte: Traditionelle Darstellung der Steigung des Order
buchs nach GLOSTEN (1994) (linke Abbildung) im Vergleich
mit der Visualisierung des optionsbewerteten Orderbuchs (rechte
Abbildung)...................................................................................... 163
XVI Abbildungsverzeichnis
Abbildung 4-10: Häufigkeitstabelle für das Vorliegen einer außerordentlichen

Kursbewegung größer als zwei Sigma innerhalb von 30 Minuten 175
Abbildung 4-11: Erholungsfähigkeit für ausgewählte Titel der illiquiden Gruppe... 187
Abbildung 4-12: Erholungsfähigkeit für ausgewählte Titel der liquiden Gruppe..... 189
Abbildung 4-13: Marktbreite zu Markttiefe (links) und Anteil der vollständigen
Erholungsbewegungen zur durchschnittlichen Zeit der Erholungs-
fähigkeit.......................................................................................... 194
Abbildung 4-14: Marktbreite zum Anteil der vollständigen Erholungsbewegungen
(links) und Markttiefe zum Anteil der vollständigen
Erholungsbewegungen (rechts) ...................................................... 195
Tabellenverzeichnis XVII
Tabellenverzeichnis
Tabelle 2-1: Zusammenfassung: Vor- und Nachteile von Marktorganisationen...... 13

Tabelle 2-2: Zusammenfassung: Ergebnisse empirischer Untersuchungen ............. 17
Tabelle 2-3: Zusammenfassung: Ergebnisse der Charakterisierung limitierter
Aufträge im offenen Orderbuch............................................................ 25
Tabelle 2-4: Zusammenfassung: Einfluss der Tick Size im Orderbuch ................... 26
Tabelle 2-5: Zusammenfassung: Vergleich unterschiedlicher Handelsplätze mit
einem offenen Orderbuch ..................................................................... 28
Tabelle 2-6: Zusammenfassung: Ergebnisse partieller Gleichgewichtsmodelle ...... 36
Tabelle 2-7: Zusammenfassung: Ergebnisse statischer Gleichgewichtsmodelle...... 48
Tabelle 2-8: Zusammenfassung: Ergebnisse dynamischer Gleichgewichtsmodelle 55
Tabelle 3-1: Zusammenfassung der Vor- und Nachteile der verschiedenen
Möglichkeiten des verwendbaren Aktienkurses für die Options
wertberechnung..................................................................................... 97
Tabelle 3-2: Abhängigkeiten und Modellparameter eines Gleichgewichts ............ 119
Tabelle 3-3: Grad der Erholungsfähigkeit............................................................... 128
Tabelle 4-1: Aufbau des Datensatzes ...................................................................... 135
Tabelle 4-2: Datensätze, Umsätze, Transaktionen und Gebotsveränderungen
in 2003 ................................................................................................ 142
Tabelle 4-3: Kurse, Renditen und Volatilitäten im Orderbuch in 2003.................. 144
Tabelle 4-4: Geld-Brief-Spannen, gestellte Volumina der besten Gebote und
durchschnittliches Handelsvolumen ................................................... 146
Tabelle 4-5: Transaktionsdaten: Größenklassen der Handelsvolumina in 2003 .... 148
Tabelle 4-6: Durchschnittliche Steigung der Geldseite in 2003 in Prozent............ 152
Tabelle 4-7: Durchschnittliche Steigung der Briefseite in 2003 in Prozent ........... 153
Tabelle 4-8: Anzahl der außerordentlichen Kursbewegungen in Abhängigkeit
des Ereignisfilters Sigma .................................................................... 167
Tabelle 4-9: Häufigkeiten für das Vorliegen eines Gleichgewichts in
Abhängigkeit der Parametereinstellung der Spannung ...................... 168
Tabelle 4-10: XLM-Maß für die Geldseite, Briefseite und kumuliert...................... 170
Tabelle 4-11: Gleichgewicht der Spannung im Vergleich zum XLM-Maß ............. 172
Tabelle 4-12: Anzahl der außerordentlichen Kursbewegungen für 2003 in
Abhängigkeit der drei möglichen Zeitspannen................................... 173
Tabelle 4-13: Klassifizierung der Gleichgewichte der Erholungsfähigkeit.............. 180
XVIII Tabellenverzeichnis
Tabelle 4-14: Häufigkeiten der unterschiedlichen Gleichgewichte vor und nach

außerordentlichen Kursbewegungen .................................................. 181
Tabelle 4-15: Durchschnittliche Dauer der Erholungsbewegungen ......................... 182
Tabelle 4-16: Einteilung der Aktien anhand ihrer Erholungsfähigkeit in vier
Gruppen .............................................................................................. 184
Tabelle 4-17: Ausprägungen der Liquidität, Rangnummern und Parameter des
statistischen Testvorgehens................................................................. 193
Tabelle 4-18: Korrelationen der Liquiditätsdimensionen ......................................... 196
Tabelle 4-19: t-Statistiken der Liquiditätsdimensionen ............................................ 197
Tabelle 4-20: Performance der einfachen Handelsstrategien bei Kursrückgängen .. 200
Tabelle 4-21: Performance der einfachen Handelsstrategien bei Kurssteigerungen 201
Tabelle 4-22: Mögliche Reversalstrategien............................................................... 204
Tabelle 4-23: Performance unterschiedlicher Handelsstrategien in Prozent ............ 205
Abkürzungsverzeichnis XIX
Abkürzungsverzeichnis
Abb. Abbildung
Abs. Absatz
ADS* Adidas-Salomon AG
ALT Altana AG
ALV Allianz AG
AMEX American Stock Exchange
ARCH Autoregressive Conditional Heteroscedasticity
ASX Australian Stock Exchange
AtM at the money
ATS Alternative Trading System
BASF BASF AG
BAY Bayer AG
Bd. Band
BMW Bayerische Motorenwerke AG
bp Basispunkt
bzgl. bezüglich
bzw. beziehungsweise
c.p. ceteris paribus
ca. circa
CAC Cotation Assistée en Continu
CATS Computer Assisted Trading System
CBK Commerzbank AG
CBOE Chicago Board Options Exchange
CBOT Chicago Board of Trade
CME Chicago Mercantile Exchange
CPU Central Processing Unit
d.h. das heißt
DAX Deutscher Aktienindex, DAX 30
DBA Deutsche Börse AG
DBK Deutsche Bank AG
* Die Abkürzungen der DAX-Titel entsprechen den gekürzten Reuters Codes ohne dem Reuters spe-
zifischen, angehängten Buchstaben G (Germany) und ohne weitere Kürzel für Namensaktien oder
Vorzugs- und Stammaktien. Die Bezeichnung der Firma erfolgt für die Einzeltitel im Text stets ohne
Angabe der Rechtsform „Aktiengesellschaft.“
XX Abkürzungsverzeichnis
DCX Daimler Chrysler AG

Def. Definition
DGAP Deutsche Gesellschaft für Ad hoc-Publizität
DJEStoxx50 Dow Jones Euro Stoxx 50
DJIA Dow Jones Industrial Average
DPW Deutsche Post AG
DTB Deutsche Terminbörse
DTE Deutsche Telekom AG
durchschnittl. Durchschnittlich
ECN Electronic Communication Network
E.ON E.ON AG
ETF Exchange Traded Fund
Eurex European Exchange
EURIBOR Euro (area) Inter-Bank Offered Rate
evtl. eventuell
EZB Europäische Zentralbank
f. folgende
FF Französische Francs
ff. fortfolgende
FME Fresenius Medical Care
Fn. Fußnote
FWB Frankfurter Wertpapier Börse
GARCH Generalized Autoregressive Conditional Heteroscedasticity
GB Giga Byte
ggf. gegebenenfalls
GHz Giga Hertz
GLOBEX Global Electronic Exchange, das elektronische Handelssystem der
Chicago Mercantile Exchange
HETI Helsinki Stock Exchange Automated Trading
HNK Henkel KGaA
Hrsg. Herausgeber
HVM Bayerische Hypo- und Vereinsbank AG
i.a. im allgemeinen
ID Identification
i.d.R. in der Regel
i.e. id est
IBIS Integriertes Börsenhandels- und Informationssystem
IFX Infineon AG
Abkürzungsverzeichnis XXI
impl. implizit
Jg. Jahrgang
KAGG Gesetz über Kapitalanlagegesellschaften
KGaA Kommanditgesellschaft auf Aktien
Kum. Kumuliert
LEPO Low Exercise Price Option
LHA Lufthansa AG
LIFFE London International Financial Futures Exchange
LIN Linde AG
LOB Limitorderbuch
LSE London Stock Exchange
LTCM Long Term Capital Management
MAN MAN AG
MATIF Marché à Terme International de France
MATIS Makler-Tele-Informations-System
MDAX MDAX70
MEO Metro AG
Min. Minute
Mio. Millionen
MMI Major Market Index
MUV Münchener Rückversicherungsgesellschaft AG
NASDAQ National Association of Securities Dealers Automated Quotation
System
Nr. Nummer
NYSE New York Stock Exchange
OMX Stockholm Exchange Index
OTC Over the Counter
p.a. per annum
RWE RWE AG
S&P 100 Standard & Poor’s 100 Index
S&P 500 Standard & Poor’s 500 Index
S. Seite
s. siehe
SAP SAP AG
SAX Stockholm Automated Exchange
SCH Schering AG
SEAQ Stock Exchange Automated Quotation
SEATS Stock Exchange Automated Trading System
XXII Abkürzungsverzeichnis
Sek. Sekunde
SIE Siemens AG
SMI Swiss Market Index
SOES Small Order Execution System
SOFFEX Swiss Options and Financial Futures Exchange
sog. So genannt
StA Stammaktie
SWX Swiss Stock Exchange
Tab. Tabelle
TKA Thyssen Krupp AG
TSE Tokyo Stock Exchange
TUI TUI AG
u. und
u.a. unter anderem
u.ä. und ähnliches
u.U. unter Umständen
usw. und so weiter
VaR Value at Risk
vgl. vergleiche
Vink. NA Vinkulierte Namensaktie
VIX Chicago Board of Options Exchange Volatility Index
Vol. Volume
VOW Volkswagen AG
Vz. Vorzüge
WpHG Wertpapierhandelsgesetz
Xetra Exchange Electronic Trading
z. B. zum Beispiel
Einführung 1
1 Einführung
1.1 Problemstellung
Die Organisation und Konfiguration1 des deutschen Kapitalmarktes wurde mit der
Einführung des Xetra2-Handelssystems am 28. November 1997 grundlegend modifi-
ziert. Dort können alle Teilnehmer ihre verbindlichen Gebote in das Computersystem
einstellen und gleichzeitig Aufträge von anderen Marktteilnehmern beobachten.
Dadurch wurde die Voraussetzung geschaffen, einem großen Kreis von Kapitalmarkt-
teilnehmern eine immer umfangreichere Menge an Informationen mit besserer Qualität
und schnellerer Verfügbarkeit zu liefern. Dies ermöglicht Investoren einen sehr guten
und zeitnahen Einblick in die Angebots- und Nachfragesituation z.B. der DAX-Werte.
Diese Verbesserung der Informationsqualität, der standortunabhängige Zugang mit
zeitgleichen, identischen Informationen sowie die geringen Transaktionsgebühren
haben dazu beigetragen, dass sich die Liquidität der DAX-Aktien im Xetra kon-
zentriert hat.3 Dies führt zu der Annahme, dass sich im Vergleich zu der Zeit vor der
Einführung von Xetra die Aktionszeit für die Umsetzung von Investitionsentscheidun-
gen und die Reaktionszeit auf neue Informationen deutlich verringert haben.
Für die Beurteilung von Börsen ist neben der Abwicklungs-, Bewertungs-, Informa-
tions- und Kosteneffizienz4 die Preisbildungseffizienz ein Hauptkriterium. Diese wird
als eine geringst mögliche Volatilität der Ausführungskurse bei nicht informations-
induzierten Transaktionen verstanden.5 Die bisher zu den aufgezählten Hauptkriterien
durchgeführten Untersuchungen konzentrieren sich im Wesentlichen auf die Liquidität
und ihre Determinanten Marktbreite, Markttiefe und den Sofortigkeitsservice.6 Diese
1
Vgl. GERKE / RAPP (1994), S. 7, die zwischen den Organisationsformen des Auktionssystems
und dem Market-Maker-System unterscheiden. Die Konfiguration einer Börse unterteilen sie in
eine Präsenzbörse und eine Computerbörse.
2
Vgl. GIOT / GRAMMIG (2002), S. 4. Neben Deutschland wurde dieses Handelssystem auch an
den Börsen in Wien und Dublin sowie der Europäischen Energiebörse eingeführt.
3
Vgl. www.xetra.de, Monatsstatistik: In Februar 2005 wurden für den DAX 97,34%, den MDAX
92,85%, den TecDAX 85,93% und den SDAX 69,62% des Volumens über Xetra gehandelt.
4
Vgl. GERKE / RAPP (1994), S. 11.
5
Vgl. GERKE / RAPP (1994), S. 11.
6
Vgl. GARBADE (1982), S. 420ff. Marktbreite ist gegeben, wenn um den Gleichgewichtspreis
herum zahlreiche limitierte Aufträge auch hohe Volumina besitzen. Dadurch ist gewährleistet,
dass es bei umfangreichen unlimitierten Orders nicht zu großen Preisveränderungen kommt.
Markttiefe liegt vor, wenn in der Nähe des letzten Transaktionskurses viele limitierte Aufträge
vorhanden sind und somit bei der nächsten unlimitierten Order Preiskontinuität herrscht, also nur
2 Einführung
drei Faktoren sind entscheidend für die Beurteilung der Preisbildungseffizienz. Es

existieren bisher relativ wenige Arbeiten über die Erholungsfähigkeit, die die Fähig-
keit eines Marktes kennzeichnet, nach temporären, nicht informationsbedingten Preis-
veränderungen möglichst umgehend wieder ein neues Marktgleichgewicht mit aus-
reichender Markttiefe und -breite herzustellen.7 Vor allem durch die zunehmende Teil-
nehmerzahl und ihre immer zeitnähere Versorgung mit detaillierteren Orderbuchinfor-
mationen erscheint die Erholungsfähigkeit von hohem Interesse für die Beurteilung
der Qualität eines Handelsplatzes.8 Zudem ist ihre Berücksichtigung für eine um-
fassende Analyse von Aktienkursbewegungen im Tagesablauf oder für den Vergleich
verschiedener Ausgestaltungen der Marktorganisation oder Marktkonfiguration9 uner-
lässlich. Dies wird vor allem vor dem Hintergrund deutlich, dass weder die Markt-
breite noch die Markttiefe Faktoren wie die Volatilität oder die Zeitdimension von
Kursbewegungen ausreichend beachten. In den letzten Jahren erfährt die Volatilität
eine hohe Aufmerksamkeit wegen ihres großen Einflusses auf die Derivatemärkte und
deren starken Wachstums. Somit erscheint die Berücksichtigung der Volatilität bei
einer Beurteilung von dynamischen Kursbewegungen und der Erholungsfähigkeit un-
erlässlich.
1.2 Drei Alleinstellungsmerkmale der vorliegenden Arbeit
x Der empirische Teil der Arbeit nutzt eine speziell generierte Datenbank mit etwa
106 Mio. Xetra-Datensätzen. Es sind alle Transaktionen und die jeweils 10 besten
Geld- und Briefgebote für die DAX-Titel für das Handelsjahr 2003 erfasst. Die
Analyse dieser großen Datenmenge von ca. 82 Gigabyte Rohdaten, stellte dabei
eine EDV-technische Herausforderung dar, die nur mit Unterstützung des Rechen-
zentrums der Universität Erlangen-Nürnberg realisiert werden konnte. Dort
wurden für einen Zeitraum von etwa zehn Wochen mit 18 Prozessoren (2,33 GHz)
die Optionswerte für alle erfassten Datensätze berechnet.
x Für einzelne Aktien werden Phasen mit hohen Kursausschlägen untersucht. Dabei
wird die Erholungsfähigkeit für die jeweiligen Situationen bestimmt. Die Beson-
derheit in der durchgeführten Untersuchung ist die Berechnung des Optionswertes
für jedes der 10 besten Geld- und Briefgebote im Orderbuch. Dies wurde bisher in
eine kleine transitorische Preisänderung auftritt. Als Sofortigkeitsservice wird eine kontinuier-
liche Möglichkeit des Handels, ohne Berücksichtigung der Kosten, bezeichnet. (vgl. Kapitel 2.2.)
7
Vgl. GERKE / RAPP (1994), S. 12 für diese Definition der Erholungsfähigkeit.
8
Vgl. FREIHUBE / KRAHNEN / THEISSEN (2001) die im Gegensatz dazu als zentrales Beurtei-
lungskriterium für die Qualität eines Marktes die Transaktionskosten nennen.
9
Vgl. GERKE / RAPP (1994), S. 6 für die benutzte Terminologie bezüglich des Marktmodells.
Einführung 3
keiner Studie kontinuierlich für die Orderbuchtiefe über einen Zeitablauf von 12
Monaten durchgeführt. Mit dieser Berechnung von extrem kurzlaufenden Optio-
nen mit einer Restlaufzeit von 15 Minuten begibt sich die Arbeit auf ein Gebiet
mit hoher praktischer Relevanz, das aber durch die fehlende Datenbasis, bis zum
heutigen Tage in der Forschung wenig bearbeitet wurde. Zusätzlich wird in einen
Bereich der empirischen Markt-Mikroökonomie mit High Frequency-Daten vorge-
drungen, für den sich bisher kaum mathematische, statistische oder ökonometri-
sche Verfahren als Standard etabliert haben.10
x Es wird ein eigenes Modell zur Erholungsfähigkeit entwickelt, das mit den ge-
nerierten Daten empirisch überprüft wird. Damit stößt die Arbeit in ein Feld der
Marktmikrostrukturforschung vor, in dem aktuell kaum Modelle mit breiter Ak-
zeptanz existieren. Im Mittelpunkt der Arbeit steht dabei die Berücksichtigung der
Volatilität, die in den wenigen bestehenden Modellen der Erholungsfähigkeit zu-
meist nicht integriert ist. Abschließend wird empirisch untersucht, inwieweit das
entwickelte dynamische Modell für die Messung der Erholungsfähigkeit neue Er-
kenntnisse, über die klassischen Liquiditätsmaße der Marktbreite- und -tiefe hin-
aus, liefert.
1.3 Vorgehensweise der Untersuchung und Zielsetzung

Aufgrund der relativ seltenen Berücksichtigung der Erholungsfähigkeit in der wissen-
schaftlichen Forschung erfolgt in Kapitel 2 die schrittweise Annäherung durch eine
Abriss über die Literatur zu diesem Thema. Außerdem soll ein Überblick der aktuellen
Strömungen in der Erforschung eines offenen Orderbuchs gegeben werden. Hier um-
fasst die erste Forschungsrichtung überwiegend deskriptive Arbeiten mit einem Fokus
auf Intraday-Bewegungen. Es folgt die Zusammenstellung der Forschungsergebnisse
zu partiellen, statischen und letztlich dynamischen Gleichgewichtsmodellen des Limit-
orderbuchs. Abschließend werden in hinreichender Kürze Zweige der Markt-Mikro-
strukturforschung11 dargestellt, die für die Entwicklung von Hypothesen zur Erho-
lungsfähigkeit als relevant erscheinen. Hierunter fällt die Erforschung der Auto-
korrelation von Renditen, Reversals von Kursbewegungen sowie die Untersuchung
von Blocktransaktionen und des Einflusses von Adverse Selection-Kosten. Ebenfalls
wird diskutiert, welche Vorgehensweise aus optionstheoretischer Sicht für die Berech-
nung der Optionswerte für limitierte Gebote im Orderbuch möglich ist.
10
Vgl. BAKSHI / CAO / CHEN (1997) für eine Übersicht empirischer Untersuchungen kurz lau-
fender Optionen mit einer Restlaufzeit von zumeist über 10 Tagen.
11
Vgl. GERKE (2002), S. 523 für eine Definition des Begriffs Markt-Mikrostruktur.
4 Einführung
In Kapitel 3 wird stufenweise das für die sich anschließende Empirie verwendete
Modell der Erholungsfähigkeit entwickelt. Im ersten Schritt wird mit den limitierten
Orders der Wille der Investoren zur Teilnahme am Handel definiert. Dieser Transak-
tionswille wird dann eingebettet in den Gedanken der potenziellen Spannung im Or-
derbuch, die daraus resultiert, dass beide Seiten des Orderbuchs unterschiedlich stark
gefüllt sind und auch die Limitierungen sich hinsichtlich ihrer Aggressivität unter-
scheiden. Damit werden jeweils verschieden stark ausgeprägte Willenssituationen zur
Teilnahme am Handel ausgedrückt. Dies wird anhand der Optionspreistheorie mo-
delliert. Darauf baut das Modell eines Marktgleichgewichts auf. Abschließend erfolgt
eine Berücksichtigung der Zeitspanne, die notwendig ist, bis sich nach einer außeror-
dentlichen, nicht informationsbedingten Kursbewegung wieder ein Gleichgewicht ein-
stellt. Es folgen Hypothesen, die aus dem entworfenen Modell der Erholungsfähigkeit
resultieren. Dieses zuvor entwickelte Modell der Erholungsfähigkeit dient als Basis für
den empirischen Teil.
In Kapitel 4 werden die Generierung und der Aufbau des Datensatzes und die Beson-
derheiten, die aus der Ausgestaltung des Xetra-Handelssystems resultieren, beschrie-
ben. Darauf folgt die Beschreibung der Empirie und der Hypothesentests.
Die Ziele der vorliegenden Arbeit sind:

x Die Überprüfung, ob das neu entwickelte Modell geeignet ist, die Erholungsfähig-
keit realitätsnah zu erfassen. Insbesondere sollen Auslöser der Erholungsfähigkeit,
ihre Verlaufsmuster als auch das sich wieder einstellende Gleichgewicht empirisch
untersucht werden.
x Die Analyse, ob weiterreichende Erkenntnisse über die Qualität des Marktes
gewonnen werden können als dies mit der Marktbreite und der Markttiefe möglich
ist.
x Der Test, ob sich aus den erarbeiteten Erkenntnissen der Erholungsfähigkeit für
einen Automaten profitable Handelsstrategien ableiten lassen.
In Kapitel 5 werden die zentralen Ergebnisse der Arbeit zusammengefasst. Die neu ge-
wonnenen Erkenntnisse zur Erholungsfähigkeit werden in die existierende Forschung
eingeordnet. Profitable Handelsstrategien werden abschließend bewertet. Für die
Deutsche Börse AG werden Empfehlungen für die weitere Ausgestaltung des Xetra
ausgesprochen.
Stand der Forschung 5
2 Stand der Forschung
Das folgende Kapitel liefert einen Überblick über den aktuellen Stand der wissen-
schaftlichen Diskussion vollelektronischer Handelssysteme, mit einem zumindest teil-
weise offenen Orderbuch an Wertpapiermärkten.12 Zusätzlich zu der Darstellung des
Forschungsverlaufs und der Ergebnisse, soll aufgezeigt werden, in welchen Bereichen
noch Fragen offen sind, um die Einordnung der vorliegenden Arbeit zu erleichtern.
Nach MADHAVAN (2000) kann eine Kategorisierung des weitreichenden Feldes der
Markt-Mikrostrukturforschung in vier Gebiete vorgenommen werden:
(1) Preisbildung und Informationseinpreisung, die sowohl statische Komponenten wie
z.B. die Determinanten der Handelskosten als auch dynamische Aspekte und den
Prozess, mit dem Informationen im Zeitablauf Eingang in die Kurse finden, um-
fasst.
(2) Marktstruktur und Design inklusive Effekt aus Handelsprotokollen und
verschiedenen Dimensionen der Marktqualität.
(3) Markttransparenz13 im Sinne der Möglichkeit der Marktteilnehmer, Informationen
über den Handelsprozess zu erhalten.
(4) Schnittstellen der Marktmikrostruktur zu anderen Kapitalmarktthemen wie Asset
Pricing, Internationale Finanzwirtschaft und Unternehmensfinanzierung.
Die Fragestellung der vorliegenden Arbeit und dementsprechend auch der Literatur-
überblick konzentrieren sich auf den ersten Zweig.
2.1 Einleitung und Überblick

Vor der Darstellung der theoretischen Modelle und der empirischen Untersuchungen
erfolgt in Kapitel 2.2 die Beschreibung der Determinanten der Liquidität, die Markt-
breite, die Markttiefe und die Erholungsfähigkeit.
Die folgenden Kapitel befassen sich mit computergestützten Handelssystemen. Die
ersten Versionen elektronischer Wertpapierhandelssysteme wurden bereits 1977 in
Toronto eingeführt.14 Seitdem haben sich aufgrund der steigenden Ansprüche und
12
In der vorliegenden Arbeit wird der Bereich der Computer-Simulationen eines Orderbuchs aus-
geschlossen. Zumeist nutzen diese experimentellen Märkte keine weitreichende Orderbuchtiefe.
13
Vgl. MADHAVAN (2000) der Markttransparenz in Pre- und Post-Transparenz unterteilt. Dabei
sind Informationen über Preise, Gebote, Volumina und den Ursprung der Orders erkennbar.
14
Handelsunterstützende bzw. vollelektronische Systeme wurden eingeführt: Tokio 1982, Paris
1986 mit einem stufenweisen Übergang bis 1990, Sydney 1987 mit einer vollständigen Imple-
Komplexität im Wertpapierhandel der Leistungsumfang und die Möglichkeiten der

Systeme kontinuierlich weiterentwickelt. In Anbetracht der aktuellen Bedeutung der
Systeme und der Vorstellungen über deren zukünftige Veränderung erscheint die wis-
senschaftliche Bearbeitung dieser schnellen Entwicklung und der Komplexität des
Handelsprozesses noch nicht vollständig Rechnung getragen zu haben. Als ein mögli-
cher Grund kann angeführt werden, dass die Verarbeitung der sehr großen Datenmen-
gen bisher trotz Computer nur sehr schwer zu bewerkstelligen war. Dazu kommt, dass
beispielsweise für die Xetra-Handelsplattform außerhalb der Deutschen Börse AG
noch keine Orderbuchdatenbank für Forschungszwecke aufgebaut werden konnte, um
die Grundlage für empirische Untersuchungen zu schaffen.15 Letztlich erscheint eine
Ursache für die zögerliche Aufarbeitung des Forschungsgebietes in der Tatsache be-
gründet zu sein, dass diese Richtung der Markt-Mikrostrukturforschung noch nicht
durch Modelle abgedeckt ist, die in der wissenschaftlichen Diskussion Akzeptanz
erlangt haben.
Aus diesen bisherigen Limitierungen in der wissenschaftlichen Forschung ergeben
sich bei der Klassifizierung der im Folgenden berücksichtigten Arbeiten drei unter-
schiedliche Ansätze, die in Kapitel 2.3 behandelt werden.
x Die erste Gruppe der Arbeiten ist theoretischer Art. Ihr Ziel ist eine Beschreibung
des Handelsprozesses und die Bewertung der Effizienz des Zusammenspiels der
einzelnen Marktteilnehmer. Es werden verschiedene Möglichkeiten des Aufbaus
von Handelssystemen untersucht oder miteinander verglichen. Diese Arbeiten
werden in Kapitel 2.3.1 dargestellt.
x Anschließend wird in Kapitel 2.3.2 die zweite Gruppe, die empirischen Unter-
suchungen, behandelt. Der Fluss der Orders im offenen Orderbuch sowie dessen
Voraussetzungen und Beweggründe für die Erteilung von limitierten oder unlimi-
tierten Orders werden analysiert. Es wird versucht, den Einfluss darzustellen, der
aus einer bestimmten Markt-Mikrostruktur auf das Handelsgeschehen resultiert.
Ziel ist es, Empfehlungen hinsichtlich der Ausgestaltung des Handelssystems ge-
ben zu können. Aus den Annahmen der Untersuchungen, den Ergebnissen und
schon bestehenden Konzepten und Modellen der Kapitalmarkttheorie resultieren
oft weiterentwickelte oder neue Ansätze für Modelle der Markt-Mikrostruktur.
mentierung bis 1990, Madrid 1989, Brüssel 1989, Sao Paulo 1990, Stockholm 1990, Mailand
1991, Athen 1992, Chicago 1992, Zürich 1995, Frankfurt (Xetra) 1997 und London 1997.
15
Vgl. GIOT / GRAMMIG (2002), BELTRAN-LOPEZ / GIOT / GRAMMIG (2002), GOMBER /
SCHWEICKERT / THEISSEN (2004) nutzen bei ihrer Empirie Daten, die sie von der Deutschen
Börse AG zur Verfügung gestellt bekommen haben. Die Karlsruher Kapitalmarktdatenbank um-
fasst lediglich Transaktionsdaten des Xetra aber nicht die Orderbuchtiefe.
x Ein bisher lediglich kleiner Teil der Forschung konzentriert sich auf die Untersu-
chung der Strategien und der Interaktion der Marktteilnehmer sowie der daraus
resultierenden Handelsschemata und möglicher Gleichgewichte, die sich einstellen
könnten. Diese werden in Kapitel 2.3.3 beschrieben.
Das Kapitel 2.4 umfasst den gegenwärtigen Stand der Forschung einiger Teilbereiche
der Markt-Mikrostruktur, der für das Verständnis und die Entwicklung der Hypothe-
sen und des Modells zur Erholungsfähigkeit von ausschlaggebender Bedeutung sein
könnte. Hierunter fallen beispielsweise die Diskussion der Adverse Selection-Kosten,
der Autokorrelation, der Kursreversals oder Analysen von Blocktransaktionen.
2.2 Determinanten der Marktliquidität und ihre empirische Erhebung

Die Liquidität stellt bei der Beurteilung der Qualität eines Marktes eine der zentralen
Bewertungsmerkmale dar.16 Eine der ersten Charakterisierungen eines liquiden
Marktes stammt von BLACK (1971). Er postuliert, dass ein liquider Markt einem In-
vestor stets eng beieinander liegende Geld- und Briefkurse zum Handel für kleinere
Volumina bietet.17 Damit wird von ihm die Liquidität ohne Zeitkomponente definiert
und somit hat sie einen statischen Charakter. SEPPI (1997) beschreibt die Liquidität
als den temporären, nicht informationsbedingten Preiseinfluss durch unlimitierte Auf-
träge.18 Dabei legt er im Gegensatz zu BLACK (1971) den Schwerpunkt auf die
Zeitkomponente und erweitert sie um die Behauptung, dass die temporären Kursverän-
derungen nicht informationsbedingt sind. KYLE (1985) kombiniert diese beiden
Aspekte in seiner Liquiditätsdefinition. Er formuliert, dass ein liquider Markt
(1.) Breite aufweist mit niedrigen Transaktionskosten in Form einer kleinen Geld-
Briefspanne,
(2.) Markttiefe gewährleistet durch niedrige Transaktionskosten für große Volumina
und
(3.) erholungsfähig ist, indem Abweichungen vom fundamentalen Wert schnell
zurückgeführt werden.19
Aus den genannten Definitionen und der weiteren wissenschaftlichen Diskussion re-
sultieren drei Determinanten der Liquidität, die eine breite Akzeptanz gefunden haben:
16
Vgl. GARBADE (1982), S. 419 ff sowie HANDA / SCHWARTZ (1996), S. 44.
Vgl. HUBERMAN / HALKA (1999) dafür, dass einige Untersuchung lediglich Schätzer für die
Liquidität verwenden, wie den Spread, das Verhältnis von Spread zur Höhe des Aktienkurses, die
Markttiefe gemessen anhand der Stückzahlen oder die Markttiefe, gemessen in Geldeinheiten.
17
Vgl. BLACK (1971), S. 29 ff.
18
Vgl. SEPPI (1997), S. 105.
19
Vgl. KYLE (1985), S. 1317.
Die Markttiefe, die Marktbreite und die Erholungsfähigkeit. Lediglich von einigen
Forschungsbeteiligten wird als vierte Größe zusätzlich die Zeitdimension angeführt.20
Diese ersten drei Determinanten werden im Folgenden näher beschrieben.
2.2.1 Markttiefe
Die Definition der Markttiefe befasst sich hauptsächlich mit der preisbeeinflussenden
Wirkung von unlimitierten Aufträgen. KYLE (1985) spricht von Markttiefe als der
Fähigkeit des Marktes, ohne deutliche Preiseffekte große unlimitierte Aufträge verar-
beiten zu können. EASLEY / KIEFER / O’HARA / PAPERMAN (1996) schränken
diese Aussage ein, indem sie diese sehr geringe Kursbewegung in den Kontext eines
nicht informationsbedingten Handels stellen.21 OESTERHELWEG / SCHIERECK
(1993) beschreiben die Lage des Orderbuchs für die Markttiefe: „Ein Markt wird als
tief bezeichnet, wenn sowohl limitierte Kauf- als auch Verkaufsaufträge im Markt
vorliegen, die zu einem Preis in der Nähe des bestehenden Marktpreises ausgeführt
werden können. Findet Handel in einem tiefen Markt statt, kann ein auftretendes Un-
gleichgewicht zwischen Kauf- und Verkaufsaufträgen mit Hilfe der im Markt vor-
handenen Aufträge ausgeglichen werden, ohne dass es zu erheblichen Kurssprüngen
kommt.“22 Diese aufgeführten, relativ statischen Definitionen der Markttiefe berück-
sichtigen nicht die Reaktionen von Marktteilnehmern auf den Fluss von Aufträgen.
Der dynamische Aspekt wird von KEMPF / KORN (1997) betont. Sie fordern, dass
für einen Vergleich der Markttiefe vor und nach einem bestimmten Stresszeitpunkt
nicht nur statisch die Markttiefe zu den jeweiligen Zeitpunkten gemessen wird,
sondern dass die komplette Preiseinflussfunktion für bestimmte Ordergrößen zu be-
rechnen ist.23
Aus diesen verschiedenen Definitionen kann zusammengefasst werden, dass sich die
Markttiefe insbesondere auf die Preiskontinuität bezieht. Ohne neue Informationen
und bei nur kleineren, unlimitierten Aufträgen kommt es durch die Existenz von
Limitorders und neuen limitierten Aufträgen zu marginalen, temporären Preis-
veränderungen. In enger Beziehung zur Markttiefe steht die Marktbreite.
2.2.2 Marktbreite
Die Marktbreite bezieht sich auf die Volumina der Aufträge. KYLE (1985) spricht von
einem breiten oder auch weiten Markt, wenn limitierte Kauf- als auch Verkaufsauf-
20
Vgl. HARRIS (1990), NIEMEYER / SANDÅS (1995).
21
Vgl. EASLEY / KIEFER / O’HARA / PAPERMAN (1996), S. 1429.
22
OESTERHELWEG / SCHIERECK (1993), S. 391.
23
Vgl. KEMPF / KORN (1997), S. 1.
träge in großer Anzahl bzw. mit einem entsprechenden Volumen vorhanden sind. Je
breiter ein Markt ist, desto größer wird sein Preisstabilisierungspotenzial, und desto
eher können größere Mengen gehandelt werden. Die Marktbreite kann auch dadurch
charakterisiert werden, dass um den Gleichgewichtspreis herum die zahlreichen limi-
tierten Aufträge hohe Volumina besitzen. Dadurch ist gewährleistet, dass es bei um-
fangreichen unlimitierten Orders nicht zu großen Preisveränderungen kommt.24
Zusätzlich zu diesen beiden aufgeführten Determinanten der Liquidität, die einen weit-
gehend statischen Charakter besitzen, kommt die Erholungsfähigkeit, die sich vor-
nehmlich der Zeitkomponente und der Dynamik des Kursverlaufes widmet.
2.2.3 Erholungsfähigkeit
Eine erste Definition der Erholungsfähigkeit wird von KYLE (1985) geliefert. Dabei
gibt die Erholungsfähigkeit die Geschwindigkeit an, mit der Kurse sich dem Liquida-
tionswert des zugrunde liegenden Wertes annähern und mit der Kurse nach nicht infor-
mationsbedingten Bewegungen wieder auf ihr ursprüngliches Niveau zurückkehren.25
Aus den Definitionen der Erholungsfähigkeit lassen sich drei Schwerpunkte ableiten:
(1) Die Reaktion des Marktes, bei temporären Kursveränderungen mit neuen Auf-
trägen zu reagieren, charakterisiert nach HASBROUCK / SCHWARTZ (1988) die
Erholungsfähigkeit. Dies wird als erster Aspekt diskutiert. Es wird dabei berück-
sichtigt, ob Akteure die Kursentwicklung und Orderbuchlage beobachten und bei
besonderen Situationen, z.B. „Spannungen“, die sich durch unterschiedliche
Orderbuchseiten ergeben, handeln. Das Interesse liegt auf den Reaktionen der Ak-
teure sowie ihrer Handlungsbereitschaft und -willen. Auch BRUNNER (1996)
lenkt die Aufmerksamkeit auf die Antwort der Akteure auf eine bestimmte Order-
buchlage: „Für eine hohe Erneuerungskraft eines Marktes spricht, wenn bei transi-
torischen Preisänderungen ... sofort neue Aufträge in den Markt fließen, die aus-
gleichend wirken.”26
(2) Der zweite zentrale Punkt bei der Definition der Erholungsfähigkeit ist die Not-
wendigkeit, dass sich wieder ein Marktgleichgewicht einstellt, das mit dem
Gleichgewicht vor der außergewöhnlichen Kursbewegung vergleichbar ist. Dabei
wird gefordert, dass sich keine fundamentale Veränderung des Aktienwertes ergibt
und keine neuen Informationen oder Nachrichten vorliegen. NIEMEYER /
SANDÅS (1995) betonen, dass der Markt wieder ein Gleichgewicht finden muss.
Auch MASSIMB / PHELPS (1994) tendieren in diese Richtung: Sie definieren die
24
Vgl. GARBADE (1982), S. 420 f., BRUNNER (1996), S. 7, LÜDECKE (1995), S. 22 f.
25
Vgl. KYLE (1985), S. 1330.
26
BRUNNER (1996), S. 7.
Erholungsfähigkeit durch die Volatilität der Preise, wenn ein konstanter Gleich-
gewichtspreis vorausgesetzt wird.
(3) Das dritte Merkmal erfasst die Länge der Zeitspanne der transitorischen Kursbe-
wegung, mit der gemessen wird, wie schnell die Erholungsbewegung des Titels
von statten geht. Dabei wird die Zeitdauer beurteilt, die nötig ist, bis sich die Situ-
ation im Orderbuch durch neue, limitierte Aufträge wieder „normalisiert“ hat.
MURANAGA / SHIMIZU (1999) betonen die Bedeutung der Zeitkomponente für
die Erholungsfähigkeit. Sie berücksichtigen die Volatilität der Volumina im
Orderbuch und die Zeit, die benötigt wird, bis sich nach einer Ausdünnung des
Orderbuchs wieder ein Status wie vor der außergewöhnlichen Situation ergibt.
HOLLIFIELD / MILLER / SANDÅS / SLIVE (2001) beziehen sich bei der Erho-
lungsfähigkeit auf die Eigenschaft des Marktes, nach einer großen, unlimitierten
Order schnell wieder eine ähnliche Orderbuchsituation zu schaffen.
Umfassend und prägnant definieren GERKE / RAPP (1994)27 die Erholungsfähigkeit:

„Markterholungsfähigkeit (market resiliency) ... kennzeichnet die Fähigkeit
eines Marktes, nach temporären – nicht informationsbedingten – Preisver-
änderungen möglichst umgehend wieder ein neues Marktgleichgewicht mit
ausreichender Markttiefe und –breite herzustellen.“
Aus den angeführten Charakterisierungen und Definitionen und insbesondere in An-

lehnung an die Definition der Erholungsfähigkeit von GERKE / RAPP (1994) lassen
sich drei zentrale Aspekte für die Diskussion und angestrebte Modellierung der Erho-
lungsfähigkeit zusammenfassend aufführen:
1. Das Modell muss die Handlungsbereitschaft und den Handlungswillen der Markt-
teilnehmer erfassen. Aktionen und Reaktionen der Akteure müssen quantifiziert
werden. Dies muss im Kontext der aktuellen Volatilität erfolgen.
2. Es ist erforderlich zu bestimmen, ob ein Gleichgewicht vor und nach der außer-
ordentlichen Bewegung vorliegt.
3. Die Zeitspanne der Bewegung ist bedeutend für die Beurteilung des Grades der
Erholungsfähigkeit.
Diese Aspekte bilden die zentralen Elemente für die Entwicklung des Modells zur Er-
holungsfähigkeit, wie sie im Kapitel 3 vorgenommen wird. Vorher erfolgt im weiteren
Verlauf des Kapitels 2 ein Überblick über den aktuellen wissenschaftlichen Stand der
Erholungsfähigkeit und die unterschiedlichen Forschungsrichtungen.
27
GERKE / RAPP (1994), S. 12.
2.3 Markt-Mikrostruktur elektronischer Handelssysteme
2.3.1 Theoretische Diskussion eines offenen Limitorderbuchs

In dem Anfangsstadium der Erforschung der Markt-Mikrostruktur stand primär noch
die Diskussion im Vordergrund, ob unter Effizienz- und Liquiditätsaspekten das
Market-Maker-Prinzip oder eine kontinuierliche Auktion wünschenswert sind. Einige
zentrale Ergebnisse wichtiger Arbeiten, die anhand des Vergleiches der Marktorgani-
sation grundlegende Aussagen über Vor- und Nachteile kontinuierlicher Auktionen in
Computerhandelssysteme treffen, sollen hier kurz dargestellt werden.
Einer der ersten Vergleiche von Auktionsprinzip und Market-Maker28 Prinzip stammt
von MADHAVAN (1992). Besondere Annahmen seiner Untersuchung sind, dass
Handelsteilnehmer strategisch agieren und eine asymmetrische Informationsverteilung
vorliegt. Seine Überlegungen gelten bei einem kontinuierlichen Auktionsmarkt sowohl
für den Präsenz- als auch für den Computerhandel. Für die Analyse von Computer-
handelssystemen muss ein Mindestmaß an uninformierten Teilnehmern vorhanden
sein, damit sowohl im Quote Driven Market29 als auch im kontinuierlichen Auktions-
markt ein Gleichgewicht existieren kann. Ohne diese findet kein Handel statt. Ein
periodischer Markt hingegen, in Form einer Auktion, bietet eine größere Preiseffizienz
und kann auch funktionieren, wenn ein kontinuierlicher Handel nicht mehr stattfindet.
Im kontinuierlichen Auktionsmarkt fehlt die Information, die aus der Lage der
gestellten Geld-Brief-Spanne (bid-ask-spread)30 im Vergleich zu den letzten gehan-
delten Preisen erkennbar ist. Eine kontinuierliche Auktion ist anfällig gegenüber einer
stark asymmetrischen Informationsverteilung. Dies kann sogar dazu führen, dass keine
Kursfindung mehr erfolgt.
Die Diskussion mit dem Ziel, die Liquidität zweier Marktkonfigurationen zu verglei-
chen, stammt von MASSIMB / PHELPS (1994). Dafür stellen sie die Global Electro-
nic Exchange (GLOBEX), das Computerhandelssystem der Chicago Mercantile
Exchange (CME), der Präsenzbörse der Chicago Board of Trade (CBOT) gegenüber.
Die Transaktionsgebühren für die GLOBEX sind höhere als an der CBOT, was ihres
28
Vgl. GERKE / BOSCH (1999) für eine der ersten Untersuchung der Betreuer in Deutschland, am
Neuen Markt, die weitgehend den US-Amerikanischen Market-Makern entsprechen.
29
Vgl. GERKE (2002), S. 650 der unter einem Quote Driven Market versteht, dass ständige
Handlungsbereitschaft durch die verbindlichen Gebote eines Market-Makers besteht.
30
Vgl. DEMSETZ (1968), der als erster die Geld-Brief-Problematik formalisierte. Er behandelte
diese als (Transaktions-)Kosten der sofortigen Ausführung.
Vgl. TRESKE (1996) für eine Untersuchung der Geld-Brief-Spanne am Deutschen Markt.
Erachtens die Liquidität verringert. Diese höheren Kosten belasten die Handelsbetei-
ligten, die versuchen, mit häufigen Geschäften kleinere Gewinne zu erzielen. Entspre-
chend verringern diese ihre Aktivitäten, womit sich die Liquidität reduziert.31 Ein
weiteres Problem der GLOBEX ist die Möglichkeit von institutionellen Investoren,
das Orderbuch zu bestimmten Kurslimits zeitlich früh vorzuladen. Falls es zu der
prognostizierten Kursentwicklung kommt, haben diese Orders Erfolg und werden aus-
geführt.32 Andernfalls werden die Aufträge gestrichen. Die kapitalschwächeren Inves-
toren können zumeist nur kurzfristig reagieren, da ihnen diese Strategie des Vorladens
des Orderbuchs nicht zur Verfügung steht. Zuletzt hinterfragen MASSIMB / PHELPS
(1994), wie zuverlässig ein Computersystem bei sehr großem Orderaufkommen ist,
und ob sicher gestellt ist, dass die Handelsplattform nach einem Rechnerausfall inner-
halb einer vertretbaren Zeit wieder einsatzfähig ist. Um die Vorteile beider Systeme zu
verbinden, empfehlen Sie für die Parketthändler kleine Computer, die das offene
Orderbuch eines zusätzlich zu dem Parkett existierenden Handelssystems darstellen,
börsenplatzübergreifende Informationen beinhalten und Transaktionen ermöglichen.
ECONOMIDES / SCHWARTZ (1995a) konzentrieren sich in ihrer theoretischen Dis-

kussion auf die Bewertung der Effizienz von periodischen Auktionen, die in einen
fortlaufenden Auktionsmarkt integriert sind. Sie empfehlen mehrere untertägige
Auktionen, womit ihrer Ansicht nach die Effizienz der Märkte verbessert würde. Sie
belegen ihre Hypothese, dass periodische Auktionen stark genutzt werden, mit ihrer
Untersuchung (1995b), welche bestätigt, dass vor allem institutionelle Investoren ihren
Wunsch nach Sofortigkeitsservice gegenüber den Kosten der Immediacy abwägen.33
Diese sind bereit, eine Order über einen längeren Zeitraum zu verteilen, bzw. auf die
nächste periodische Auktion zu warten, wenn dies die Kosten der Transaktion redu-
ziert, wenn also eine entsprechend hohe Preisbildungseffizienz gewährleistet ist.
Zu entgegengesetzten Resultaten kommen HANDA / SCHWARTZ (1996a). Ihre
Hypothese ist, dass Investoren keinen effizienten Markt34 suchen, sondern Liquidität
präferieren. Sie leiten diese aus dem Vergleich der drei Organisationsformen35 einer
kontinuierlichen Dealer-gestützten Auktion, eines reinen Dealer-Marktes und eines
31
In der aktuelleren Gebührenaufstellung von 1999 hat sich das Verhältnis umgekehrt und es fallen
für eine Transaktion im GLOBEX deutlich niedrigere Gebühren an.
32
Dies betrifft hauptsächlich Stop-Orders, bei denen die Order mit Erreichen des angegebenen
Limits ausgelöst und zu einer Market Order wird. Es existieren zusätzlich Stop-Limit Orders
welche nach Erreichen des Limits zu einer limitierten Order werden.
33
Vgl. Fußnote 6 für die Definition der Immediacy respektive des Sofortigkeitsservices.
34
Vgl. FAMA (1963) oder FIGLEWSKI (2004) für die Ausprägungen der Kapitalmarkteffizienz.
35
Vgl. HANDA / SCHWARTZ (1996).
periodischen Auktionsmarktes ab. Sie kommen zu dem Ergebnis, dass der Konkur-
renzdruck bei einer Kombination der Organisationen für die Anleger die meiste Liqui-
dität generiert. Ein Akteur steht bei der Ordererteilung vor der Entscheidung, dass bei
einer unlimitierten Order die Kurs- und Mengensicherheit in Kontrast zur Aus-
führungsunsicherheit einer limitierten Order mit potenziellem Kursvorteil steht. Ihre
Hypothese ist, dass ein limitiert arbeitender Anleger nur gewinnt, wenn liquiditäts-
bedingte Orderungleichgewichte zur Transaktion führen und ein Kursreversal36 folgt.
Aus der bisherigen Literaturübersicht ergeben sich für einen kontinuierlichen Auk-
tionsmarkt Vor- und Nachteile, die in der Tabelle 2-1 aufgeführt und mit einem perio-
dischen Auktionsmarkt und einer Market-Maker-Struktur verglichen werden.
Market Maker System Periodischer Kontinuierlicher Auktionsmarkt
Auktionsmarkt (Limitorderbuch)
x Große Preiseffizienz x Wird von institutio- x Informationen aus der Lage des
nellen Anlegern Orderbuchs
x Ständige Handels-
Vorteil
wegen der hohen

bereitschaft x Niedrige Handelsgebühren
Preisbildungs-
effizienz bevorzugt x Limitierte Ordererteilung kann
profitabel sein
x Hohe explizite x Keine kontinuierliche x Kein Handel ohne Noise Trader

Handelsgebühren Handelsmöglichkeit
x Systemausfall möglich
Nachteil
x Limitierte Orders
x Strategisches Laden des Order-
können keinen Teil
buchs
der Geld-Brief-
Spanne verdienen x Kein Handel bei leerem Limit-
orderbuch
Tabelle 2-1: Zusammenfassung: Vor- und Nachteile von Marktorganisationen

Die Resultate der bisher aufgeführten, theoriedominierten Diskussionen waren zumeist
noch nicht durch weit reichende empirische Untersuchungen gestützt. Eine
Darstellung dieses Forschungszweiges erfolgt im folgenden Kapitel.
36
Im Gegensatz zur Erholungsfähigkeit wird beim Kursreversal die Existenz eines Gleichgewichts
nicht betrachtet. Vgl. Kapitel 2.4.2.3 für eine Definition des Kursreversals. Einer der ersten, der
das Kursreversal als Maß für den Markteinfluss einer Transaktion ansah, war SCHOLES (1972).
2.3.2 Empirische Untersuchungen
2.3.2.1 Deskriptive Arbeiten und Analysen von Anomalien des Orderbuchs

Erste Untersuchungen vollelektronischer Computer Handelssysteme hatten zumeist
nur einen deskriptiven Charakter. Die Arbeit von NIEMEYER / SANDÅS (1995) be-
schreibt die Stockholm Stock Exchange (SSE), an der seit dem 30. Juni 1990 alle
Aktien über das computerbasierte Handelssystem der Stockholm Automated Exchange
(SAX) gehandelt werden. Für das offene Orderbuch verwenden sie Transaktions- und
Gebotsdaten für 59 Börsentage.37 Sie stellen für die Transaktionsaktivitäten als auch
die limitierten Orders im Tagesverlauf eine U-Form fest. Für die Volatilität und die
Spreads messen sie nur zu Handelsbeginn höhere Werte. Für die Renditen können sie
kein Muster im Tagesablauf erkennen. Für die Spreads zwischen den limitierten Ge-
boten beobachten sie, dass diese auf der Bid-Seite größer sind als auf der Ask-Seite.38
Sie berechnen den Preiseinfluss eines bestimmten Transaktionsumfangs und berech-
nen dafür die Steigung. Diese resultiert als grafische Darstellung aus der Gegenüber-
stellung der jeweiligen prozentualen Preisveränderung, gemessen vom letzten Quote
Midpoint, aus unterschiedlichen Transaktionsvolumina.39 Mit der Steigung drücken sie
die Preiselastizität40 von Angebot und Nachfrage der Akteure aus. Für die Spreads
zwischen zwei benachbarten limitierten Geboten beobachten sie, dass diese generell
größer sind, je weiter die Kursniveaus vom inside Spread41 entfernt sind.
Eine weiterführende Arbeit mit deskriptivem Charakter, aber auch ersten Ansätzen zur
Erklärung der Dynamik eines offenen Orderbuchs, die somit die Forschung in diese
Richtung deutlich vorangibt, erstellen BIAIS / HILLION / SPATT (1995). Sie analy-
sieren für das elektronische Handelssystem, das Cotation Assistée en Continu
(CAC40) in Paris, die Interaktion zwischen dem Status des Orderbuchs und dem
37
Vgl. CHORDIA / ROLL / SUBRAHMANYAM (2000) für eine noch umfassendere Intraday-
untersuchung, die für elf Jahren Spreads, Tiefe und Handelsaktivität an der NYSE analysieren.
38
Vgl. BIAIS / HILLION / SPATT (1994), die im Gegensatz dazu höhere Spreads auf der Ask-
Seite als auf der Bid-Seite feststellen.
39
Vgl. DANÍELSSON / PAYNE (2002) für eine Berechnung der Steigung des Limitorderbuchs.
40
Vgl. SCHUMANN (1987), S. 45 der die Elastizität (K) der Nachfrage (x) in Bezug auf den Preis
(p) respektive die Preiselastizität der Nachfrage wie folgt definiert: K xp dx p .

dp x
41
Vgl. DEMSETZ (1968) das der Inside Spread daraus resultiert, dass die Geld-Brief-Spanne aus
den einzelnen Geboten von unterschiedlichen Marktteilnehmern stammt.
Orderfluss. Für die Beschreibung des Orderflusses erstellen sie Kontingenztabellen.42

Sie untersuchen limitierte Orders, deren Plazierungsstrategie, ihren Liquiditätsbeitrag
sowie den Einfluss auf die Preisbildung. Hierbei differenzieren sie die Orders und
Transaktionen nach ihrer Aggressivität. Ihre Datenbasis umfasst die Transaktionen
und die besten fünf Geld- und Briefgebote für 19 Handelstage in 1991. Bei der
Analyse der Plazierungsstrategien beobachten sie, dass ein großer Teil der limitierten
Orders dazu führt, dass besonders bei hohen Volumina auf der besten Geld- oder
Briefseite diese noch verbessert werden. Sie interpretieren dies als Wettbewerb um
Preispriorität.43 Zusätzlich erfolgt diese Verbesserung oft sehr rasch, was sie als Indiz
dafür werten, dass dabei auch die Zeitpriorität eine große Rolle spielt.44 Sie schließen
daraus, dass dies ein Grund für die positive Korrelation der Transaktionspreise sein
könnte. Die Autoren beobachten eine größere bedingte Wahrscheinlichkeit für die Er-
teilung limitierter Orders, wenn die Geld-Brief-Spanne groß oder das Orderbuch dünn
ist. Umgekehrt werden bei einem geringen Spread häufiger Market Orders plaziert. Sie
folgern daraus, dass es außerhalb des Buches Marktbeobachter gibt, die mit limitierten
Aufträgen Liquidität zur Verfügung stellen, wenn sie teuer ist, und sie mit unlimitier-
ten Aufträgen konsumieren, wenn sie billig ist.45 Weiterhin beobachten sie bei den
Plazierungsstrategien den dynamischen Prozess, dass sich der vermutete Informations-
gehalt einer großen Transaktion in den folgenden Orders widerspiegelt. Sie schließen
dies daraus, dass häufig nach einem großen unlimitierten Kauf (Verkauf) rasch eine
limitierte Order auf der Geldseite (Briefseite) erscheint, welche die Spanne verringert.
Bei der Analyse des Liquiditätsbeitrags erkennen sie, dass die Plazierung von
limitierten Orders sowie kleinere Transaktionen zumeist in den ersten Handelsstunden
erfolgen. Größere Transaktionen sowie Limitstreichungen erfolgen zumeist später. Für
die Geld-Brief-Spanne und auch die Spanne zwischen benachbarten Geboten im
Orderbuch stellen sie fest, dass diese deutlich größer ist, als die minimale Tick Size.
Die Geld-Brief-Spanne ist fast doppelt so groß ist wie die durchschnittliche Differenz
42
Vgl. BAMBERG / BAUR (1989) S. 31 - 32: „Eine Kontingenztabelle ist eine tabellarische
Darstellung der Häufigkeitsverteilung für die realisierten Ausprägungen eines Merkmals X in
Abhängigkeit der realisierten Ausprägungen eines Merkmals Y.“
43
Vgl. Deutsche Börse AG (1999), S. 31: „Limit Orders werden im Orderbuch nach der Preisprio-
rität sortiert, so dass Kauforders mit einem höheren Limit Vorrang vor niedriger limitierten
haben. Umgekehrt haben Verkaufsorders mit einem niedrigeren Limit Priorität vor Orders mit
einer höheren Limitierung. Falls Orders das gleiche Limit haben, wird die Zeit als weiteres Sor-
tierungsmerkmal herangezogen. .. Market Orders haben stets Priorität vor Limit Orders.“
44
Vgl. ANGEL (1997) für eine ausführliche Diskussion möglicher verschiedener Prioritätsregeln.
45
Vgl. HOLLIFIELD / MILLER / SANDÅS (1999), S.2.
zwischen zwei benachbarten Geboten tiefer im Orderbuch.46 Die Spreads zwischen be-
nachbarten Limits auf der Briefseite sind größer als auf der Geldseite.47 Für die durch-
schnittlich gebotenen Stückzahlen resultieren für die tiefer im Buch befindlichen
Gebote höhere Volumina, womit ein wesentlicher Teil der Liquidität zur Verfügung
gestellt wird.48 Folglich ist der Preiseinfluss einer Transaktion keine lineare Funktion
des Volumens, sondern weist einen elastischen Verlauf auf. Die resultierende graphi-
sche Funktion ist leicht konkav, entsprechend einer U-Form. Damit stehen sie im
Widerspruch zu GLOSTEN (1994), der kein eindeutiges Muster erkennen konnte
sowie BERNHARDT / HUGHSON (1997) und NIEMEYER / SANDÅS (1995) bei
denen das Orderbuch Konvex49 verläuft. YANG (1998) weist einen log-linearen Ver-
lauf der limitierten Orders nach, welche einen S-förmigen Verlauf beschreiben.50 Sie
interpretieren die Ergebnisse so, dass die Adverse Selection-Problematik in der Nähe
des Inside Spreads groß ist und das Risiko der asymmetrischen Informationsverteilung
dann dominiert, wenn die Tick Size klein ist. Kritisch anzumerken bleibt, dass im
CAC40 zur Zeit der Untersuchung von der Ordereingabe bis zum Erscheinen auf den
Handelsschirmen eine Verzögerung von ca. 1 Sekunde bestand, die sich bei hohen
Umsätzen auf bis zu 1 Minute ausweitete. Dies lässt die Resultate der beobachteten
dynamischen Prozesse zum Teil fragwürdig erscheinen. Darüber hinaus ist der Ein-
fluss ungeklärt, der daraus resultieren könnte, dass für die großen Werte des CAC40
bis zu 50% des Umsatzes in London erfolgen. Auch die Frage des Einflusses von ver-
deckten Orders,51 aus denen jede achte Transaktion erfolgt, bleibt unbeachtet.
Aus der vorhergehenden Darstellung von empirischen Arbeiten können folgende Er-
gebnisse zusammengefasst werden, die in der wissenschaftlichen Diskussion einen
hohen Grad an Zustimmung erfahren:
46
NIEMEYER / SANDÅS (1995), S. 28 hingegen beobachten höhere Spreads zwischen benachbar-
ten Geboten, je größer die Distanz zum Inside Spread ist.
47
Dieses Ergebnis steht im Gegensatz zu den Resultaten von NIEMEYER / SANDÅS (1995) S. 27
die größere Spreads auf der Geldseite nachweisen.
48
Vgl. NIEMEYER / SANDÅS (1995), S. 28. bei denen im Gegensatz dazu die besten Geld- und
Briefkurse die höchsten Volumina aufweisen und somit die zentrale Quelle der Liquidität sind.
49
Vgl. Opitz (1989), S. 431f. der monoton wachsende Funktionen mit progressivem Wachstum als
konvexe und mit monoton, degressivem Wachstum als konkave Funktionen bestimmt.
50
Vgl. SHLEIFER (1986) der als Erster von S-förmigen Angebots- und Nachfragekurven spricht.
51
Vgl. Deutsche Börse AG (2004). Im Xetra sind dies Iceberg-Orders. Dabei kann ein Akteur nur
einen Teil des Auftrags sehen. Ist dieser ausgeführt, wird ein weiterer Teil sicht- und handelbar.
Zentrale Erkenntnisse empirischer, deskriptiver Arbeiten
x Die Volatilität, die Transaktionen und die Häufigkeit limitierter Orders weisen im
Tagesverlauf annähernd eine U-Form auf.
x Für die Rendite existiert im Verlauf des Handels kein Muster.
x Die Geld-Brief-Spanne ist höher zum Start und Ende des Handels.
x Größere Transaktionen und Limitstreichungen finden zumeist gegen Ende des Handels
statt.
x Das Orderbuch ist nicht annähernd symmetrisch gefüllt, z.B. sind für die Geld- und
Briefseite die Spreads zwischen den Geboten unterschiedlich.
x Der stärkste Wettbewerb herrscht im offenen Orderbuch um die erste Stelle im Buch.
x In einer potenziell profitablen Orderbuchlage stellen marktbeobachtende Teilnehmer
Liquidität in Form von limitierten Aufträgen zur Verfügung.
Tabelle 2-2: Zusammenfassung: Ergebnisse empirischer Untersuchungen
2.3.2.2 Charakterisierung limitierter Aufträge im Limitorderbuch

Im Anschluss an die Darstellung des allgemeinen Vergleichs zwischen offenem Order-
buch und Market-Maker Prinzip folgt die Darstellung von Untersuchungen von limi-
tierten Orders.52 Die Einbeziehung dieser Arbeiten ist sinnvoll, weil limitierte Orders
die Basis des offenen Orderbuchs darstellen. Im Anschluss daran werden die Arbeiten
vorgestellt, die sich mit dynamischen Prozessen im offenen Orderbuch beschäftigen.
In einer der ersten Untersuchungen mit einer umfangreicheren Datenbasis vergleichen
HARRIS / HASBROUCK (1996) die Performance limitierter Orders gegenüber
Market Orders.53 Für die Marktteilnehmer ist der Ausgangspunkt für die Erteilung von
limitierten und unlimitierten Orders die Überlegung, durch eine limitierte Order dem
52
COPPEJANS / DOMOWITZ (2002) erweitern die Untersuchung von Limitierungen, Streichun-
gen und Transaktionen auf den Aktienfuture in Stockholm. Sie beobachten, dass Transaktionen
stark von vorhergehenden Umsätzen und der Orderbuchtiefe beeinflusst werden. Limitierte
Aufträge unterliegen dem Einfluss von vorhergehenden Geschäften, der Orderbuchtiefe, der
Dynamik durch andere erteilte Aufträge und der Höhe der Geld-Brief-Spanne.
53
Vgl. www.nyse.com/glossar für die Beschreibung des SuperDOT, des anonymen elektronischen
Orderweiterleitungssystems der NYSE. Dort gelangen 99% der Orders zum Spezialist aufs Par-
kett. Daneben gibt es seit 2004 das NYSE Direct Plus, wo nur limitierte Orders bis zu 1099
Stücke möglich sind, die innerhalb von einer Sekunde gegen das beste Gebot gehandelt werden.
Risiko der Nichtausführung und/oder von Adverse Selection-Kosten54 ausgesetzt zu

sein. Gleichzeitig existiert die Chance einer Ausführung, die besser ist als der aktuelle
Marktkurs.55 Bei einer Market Order sind die Auftraggeber bereit, einen Preis für den
Sofortigkeitsservice zu bezahlen, womit sie Transaktionssicherheit erhalten. HARRIS
/ HASBROUCK messen für NASDAQ-Titel die Performance von limitierten und unli-
mitierten Handelsstrategien. Aus ihrer Untersuchung resultiert: Je aggressiver eine
Order ist, desto höher ist ihre Ausführungswahrscheinlichkeit.56 Bei gegebener
Aggressivität einer Order wird die Umsetzung immer unrealistischer, je größer das
Volumen ist. Unlimitierte Orders machen bei den kleineren Ordervolumina einen
größeren Anteil am Gesamtaufkommen der Orders aus. In Märkten mit einer großen
Spanne arbeiten die Anleger öfters limitiert, als dies bei einer kleinen Spanne der Fall
ist. Die limitierten Orders schneiden umso besser ab, je weiter die Geld-Brief-Spanne
ist. Ex ante ergibt sich für limitierte Orders, die mit geringer Aggressivität aufgegeben
werden, eine bessere Performance als für unlimitierte Orders. Limitierungen die weiter
aus dem Markt sind, weisen eine schlechtere Wertentwicklung auf als diejenigen, die
direkt auf die Geld-Brief-Spanne gesetzt werden. Ex post ergibt sich, dass Kauforders,
die innerhalb der Spanne limitiert werden, eine bessere Performance aufweisen als
analog plazierte Verkaufsorders. Dies würde bedeuten, dass Market-Maker nach einem
limitierten Kauf ihren Geldkurs deutlicher erhöhen, als sie nach einem limitierten Ver-
kauf ihren Briefkurs verringern. Dies ist konsistent mit dem Modell der asymmetri-
schen Informationsverteilung, dass große Orders tendenziell von besser informierten
Anlegern stammen, als kleine und das Käufer meist bessere Informationen besitzen als
Verkäufer.
Für die Untersuchung von limitierten Orders bietet sich die Tokyo Stock Exchange
(TSE) an, die seit 1982 ein offenes Orderbuch besitzt. Dieses weist Besonderheiten
bezüglich der Behandlung von großen Orders und deren Limitierung auf. HAMAO /
HASBROUCK (1995) untersuchen den Intraday Verlauf der Gebote und Transaktio-
nen für drei Aktien in 1990. Sie analysieren für große unlimitierte Orders die Phasen,
in denen aufgrund der besonderen Regelungen der TSE kein Handel möglich ist, weil
54
Für eine Definition der Adverse Selection-Kosten siehe Kapitel 2.4.1.
55
Vgl. YANG (1998), S.3, der von drei Kosten einer limitierten Order spricht: Die Opportunitäts-
kosten der Nichtausführung, den äquivalenten Optionswert und den Adverse Selection-Kosten.
56
Vgl. COHEN / MAIER / SCHWARTZ / WHITCOMB (1981), ANGEL (1992), HARRIS (1994),
HANDA / SCHWARTZ (1996b), SCHMIDT / KÜSTER SIMIû (1998), HOLLIFIELD /
MILLER / SANDÅS (1999), RANALDO (2000) und HOLLIFIELD / MILLER / SANDÅS /
SLIVE (2001) für weitere Arbeiten mit Berücksichtigung der Ausführungswahrscheinlichkeit.
sie vom Saitori57 limitiert oder zeitlich verzögert werden. Die erste Besonderheit der
TSE existiert bei großen unlimitierten Aufträgen, die nicht vollständig durch ein limi-
tiertes Gegengebot ausgeführt werden. Bei diesen wird der Restauftrag in eine war-
nende limitierte Order umgewandelt. Als Limit wird der Preis gesetzt, zu dem der erste
Teil der Order ausgeführt wurde.58 Wird dieses Limit nicht in kurzer Zeit ausgeführt,
dann wird die limitierte Order wieder zu einer unlimitierten Order und räumt das
nächste Gebot ab. Falls wieder ein Volumenüberhang besteht, so beginnt das Ver-
fahren von neuem. Als zweite Besonderheit gilt die maximale Kursveränderung zwi-
schen zwei Geschäften. Würde mit einer unlimitierten Order diese überschritten, so
wird die Market-Order vom Saitori in eine warnende limitierte Order umgewandelt.
Als Limit wird der letzte Transaktionspreis um einen Tick verändert. Falls nötig kann
der Saitori das Limit in mehreren Schritten bis zur der maximal zulässigen Kursver-
änderung anpassen. Die Autoren stellen dazu fest, dass warnende und spezielle Orders
sehr oft durch eingehende unlimitierte Orders ausgeführt werden, wodurch es zu einer
Glättung der Kursbewegung kommt. Die Autoren kommen auch zu dem Ergebnis,
dass die Marktteilnehmer beim Erscheinen von warnenden Orders ihre plazierten
limitierten Orders nicht aus dem Markt nehmen und somit nicht strategisch reagieren.
Für die Liquiditätsmessung untersuchen sie die warnenden Orders und die speziellen
Orders. Sie messen die Zeit, während der dadurch kein Handel stattfindet. Im Durch-
schnitt kommt es für die warnende Order nach 0,75 Minuten zu einem modifizierten
Quote oder einer Transaktion. Für die spezielle Quote ergibt sich eine durch-
schnittliche Zeit von 11,3 Minuten. Die Autoren fassen zusammen, dass sich durch
den Eingriff des Saitori nur eine kurze Zeitdauer ohne Transaktionen ergibt. Sie relati-
vieren ihre Erkenntnisse mit dem Argument, dass gerade in dieser, wenn auch kurzen
Zeitspanne, die Nachfrage nach Sofortigkeitsservice evtl. am höchsten sein könnte.
KIM / RHEE (1997) vergleichen an der TSE zwei Gruppen von Aktien. Die eine be-
steht aus den Untersuchungstagen einer Aktie, die ihr Tageslimit erreicht haben
(Stockhit). Die Referenzgruppe hat ihr Tageslimit nur zu 90% erreicht (Stock0.90). Sie
erkennen, dass das Volumen durch die Handelsbeschränkung am Folgetag größer ist,
weil erst dann alle Investoren ihre gewünschte Position umsetzen können (Trading
Interference-Hypothese). Auch die Volatilität für die Gruppe der Stockhit ist nach dem
Ereignistag statistisch signifikant größer, weil sich die Volatilität durch die Handels-
57
Der Saitori ist mit dem deutschen amtlichen Kursmakler vergleichbar. Seine Vertrauensstellung
kann daran ersehen werden, dass es für die Handhabung der warnenden und speziellen limitierten
Orders, außer den auslösenden Regeln, nur Usancen, also Handelsgewohnheiten gibt.
58
Dieses Verfahren entspricht im Xetra einer Market-to-Limit Order.
unterbrechung auf mehrere Tage verteilt. Bei der Preisentwicklung stellen sie fest,
dass diese für die Werte der Stockhit noch stärker in die ursprüngliche Richtung ten-
diert, als dies für die Referenzgruppe der Fall ist (Delayed Price Discovery-
Hypothese).
MURANAGA (2000) unternimmt mit seiner empirischen Arbeit die Berechnung

dynamischer Liquiditätsmaße für die TSE. Dabei analysiert er den Zusammenhang
zwischen Liquidität und Transaktionshäufigkeit. Als dynamische Maße berechnet er
den Markteinfluss eines Auftrags. Als zweiten dynamischen Indikator errechnet er die
Erholungsfähigkeit. Dabei misst er die Zeit, bis sich ein ausgeweiteter Spread, der
durch eine außerordentliche Kursbewegung entstanden ist, wieder auf das vorherige
Niveau einspielt. In seiner Untersuchung berücksichtigt er nicht die tiefer im Limitor-
derbuch liegenden Gebote, sondern nur die besten Geld- und Briefkurse sowie Trans-
aktionen. Er kommt zu den Ergebnissen, dass die Determinanten der Liquidität,
Marktbreite, Markttiefe und die von ihm gemessene Erholungsfähigkeit alle positiv
korreliert sind mit der Transaktionshäufigkeit. Das Handelsvolumen und der Spread
weisen, aufgrund der mittäglichen Handelspause, eine W-Form auf.59 Das Handels-
volumen, der Spread und der Preis zeigen gegen Ende des Nachmittagshandels deutli-
che Steigerungen.
EASLEY / KIEFER / O’HARA (1997) modellieren eine asymmetrische Informations-

verteilung der Marktteilnehmer und untersuchen empirisch die Parameter der Aktien-
einschätzung des Market-Makers. Sie hinterfragen, welche Informationen er aus dem
Prozess der Transaktion und der Ordererteilung ziehen kann. Sie modellieren Informa-
tionsereignisse, die nur vor der Handelseröffnung auftreten, die Wahrscheinlichkeit für
eine positive Wirkung des Signals auf den Aktienkurs, die Wahrscheinlichkeit, dass
der Handelspartner des Market-Makers ein Insider ist60 und die Wahrscheinlichkeit,
dass ein Marktteilnehmer ohne private Informationen nach einer Kursanfrage auch
eine Transaktion tätigt. Anhand der Regression prognostizieren sie die nächsten, vom
Market-Maker gestellten Quotes. Sie kommen für die Aktie Ashland Oil zu dem Re-
59
Vgl. LEHMANN / MODEST (1994) die bei ihrer Untersuchung der TES ebenfalls diese W-Form
für die Volatilität und die Renditen feststellen.
60
Vgl. ARNETH (2001), S. 4 ff: In der Literatur gibt es eine Vielzahl von Definitionen für Insider.
Ein Merkmal ist der Ursprung des Insiderwissens. Die Unternehmensinsider besitzen aufgrund
ihrer beruflichen Tätigkeit oder ihrer Eigentumsverhältnisse bezüglich des Unternehmens
regelmäßig Informationen, die der breiten Öffentlichkeit (noch) nicht zur Verfügung stehen. Die
andere Gruppe, die allgemeinen Insider sind Personen, die im Gegensatz zu den übrigen Markt-
teilnehmern „bessere” Informationen besitzen, die anderen (noch) nicht zugänglich sind.
sultat, dass die Market-Maker spekulierten, dass über Nacht in ¾ der Fälle Informa-
tionsereignisse stattfinden, wobei gute und schlechte Nachrichten gleich wahrschein-
lich sind. An Tagen vor einem Informationsereignis stammen 38% der Transaktionen
von informierten Marktteilnehmern.
BROWN / THOMSON / WALSH (1998) erweitern das Modell von EASLEY /

KIEFER / O’HARA. Die Marktteilnehmer haben in einem offenen Orderbuch die Ent-
scheidung zwischen limitierten und unlimitierten Aufträgen.61 In der Empirie mit
ASX-Daten kommen sie zu dem Ergebnis, dass die Anzahl der informierten Aufträge
bei ca. 10% liegt. Diese nutzen in der Regel kleinere Aufträge als die nicht informier-
ten Akteure. Bei den Insidern, die über positive oder über negative Ereignisse bessere
Informationen besitzen, stellen sie keinen Unterschied bezüglich des Anteils fest. Die
informierten Marktteilnehmer nutzen ähnlich zu den uninformierten eine Kombination
aus limitierten und unlimitierten Aufträgen. Für die Transaktionen ergibt sie im Tages-
verlauf ein U-förmigen Verlauf der Häufigkeit. Dem entsprechend verhält sich auch
der Informationsfluss der in den informierten Orders enthalten ist.
KAVAJECZ (1999) konstruiert ein Limitorderbuch (LOB) der NYSE für drei Monate
in 1990 und 1991. Die Besonderheit liegt in der Differenzierung der limitierten Gebote
nach Market-Maker Quotes und limitierten Orders anderer Marktteilnehmer.62 Er testet
die Hypothese, ob der Market-Maker in Situationen, in denen er Informationen auf
einer Seite vermutet, die Mengen seiner Gebote so anpasst, dass er bei Eintritt seiner
Quotes auf der von ihm als ungünstig erachteten Seite, die identische Menge sofort an
ein limitiertes Gebot auf der gegenüberliegenden Seite weiterreichen kann. Er kommt
zu dem Ergebnis, dass ein Market-Maker die Höhe und die Mengen der gestellten
Spanne steuert, um eine Bestandskontrolle durchzuführen, die Adverse Selection-
Kosten zu verringern, und um übertriebener Volatilität zu entgehen. Führt eines seiner
Gebote zu einer Transaktion, so entspricht sein gestelltes Volumen meist der Größe,
die er rasch an ein limitiertes Gebot am Markt weiterreichen kann. Relativ betrachtet
ist die prozentuale Markttiefe für das beste Gebot bei Werten mit niedrigen Handels-
61
Vgl. AITKEN / GARVEY / SWAN (1995) für die Beobachtung, dass an der ASX, an der es
keine Market-Maker gibt, einige Broker ähnlich wie Market-Maker agieren. Dies tun sie dann,
wenn sie auf eigene Rechnung handeln oder sie bei ihren Kundenaufträgen selbst eintreten um die
Order so im Kundeninteresse zu vervollständigen.
62
Vgl. DEMSETZ (1997), S. 91: Neben dem Spezialist-System der NYSE, bei dem dieser die
besten Limits veröffentlicht, die von Investoren oder ihm selbst stammen, existiert an der
NASDAQ, das Market-Maker System. Dort handeln diese i. d. R. die limitierten Orders der
Anleger selber und stellen dann ihre eigenen Quotes in das System als handelbare Gebote.
volumen größer als bei umsatzstarken Titeln. Die Market-Maker stellen für große
Werte mehr Liquidität zur Verfügung als für kleine, bei denen die Liquidität haupt-
sächlich aus dem Limitorderbuch stammt. Bei der Analyse des Informationsvorsprun-
ges der Market-Maker ergibt sich, dass deren Quotes in Richtung der folgenden Nach-
richt eine geringere Tiefe aufweisen. Dies bedeutet, dass sie entweder die kurzfristige
Preisbewegungen besser abschätzen können oder bessere Informationen über die an-
stehende Meldung haben.
HOLLIFIELD / MILLER / SANDÅS (1999) modellieren und analysieren sowohl die

Strategie als auch die optimale Entscheidung eines Anlegers für die Plazierung limi-
tierter oder unlimitierter Orders in einem offenen Limitorderbuch. Sie gehen davon
aus, dass der Anleger drei Komponenten gegeneinander abwägt: den Orderpreis, den
„winner’s curse risk”63 und die subjektive Ausführungswahrscheinlichkeit eines
limitierten Auftrags. Für 59 Intraday-Daten der Aktie Ericsson an der Börse
Stockholm schätzen sie die Abhängigkeiten zwischen dem Preis der Ausführung ge-
genüber der Wahrscheinlichkeit der Ausführung und dem Preis der Ausführung gegen-
über dem winner’s curse risk, und sie testen, ob diese die strategische Orderplazierung
erklären. Sie analysieren den Orderfluss, indem sie für Orders die unbedingte Aus-
führungswahrscheinlichkeit sowie die durchschnittliche Zeit bis zur Ausführung
berechnen. Weiterhin betrachten sie die bedingte Ausführungswahrscheinlichkeit und
den winner’s curse risk. Sie testen die Hypothese, dass erstere von der aktuellen Lage
des Limitorderbuchs und der Entwicklung des Marktindexes abhängt, welche zum Teil
für die Prognosen des Wertes der Aktie gültig sind. Sie erhalten als statistisch signifi-
kantes Ergebnis, dass, in Abhängigkeit der Faktoren und der Präferenz des Anlegers
zwischen Aktienbesitz und Liquidität, Orders mit unterschiedlicher Aggressivität64
plaziert werden und jeweils unterschiedliche optimale Strategien zur Anwendung
kommen. Sie zeigen, dass relative Veränderungen der Profitabilität von limitierten und
unlimitierten Aufträgen wichtig sind, um die Veränderungen in der Rate der Order-
erteilung an der SSE zu erklären.65 Ihr Ergebnis charakterisiert die optimale
63
Sie definieren winner’s curse risk als die unvorteilhafte Ausführung einer limitierten Order. Dies
kann entweder geschehen, wenn mit einem informierten Marktteilnehmer gehandelt wird oder
durch die Ausführung des limitierten Auftrags nach der Veröffentlichung einer neuen Informa-
tion, so dass dadurch das vorher erteilte Limit ungünstig erscheint („the risk to get picked off“).
64
Zur Bestimmung der Aggressivität einer Order berechnen sie den Abstand zwischen Orderlimit
und Midquote unter Berücksichtigung des Gebotsvolumens.
65
Vgl. HUANG / STOLL (1996) welche die Profitabilität von limitierten und unlimitierten Auf-
trägen analysieren. Sie nutzen dafür den realized half spread. Dieser misst das Kursreversal,
beginnend mit der Transaktion und endend mit dem ersten Geschäftsabschluss nach fünf
Orderstrategie als Funktion, bei der Marktteilnehmer mit einer höheren Bewertung des
Papiers Kaufaufträge mit einer höheren Ausführungswahrscheinlichkeit aufgeben. An-
leger mit einer niedrigeren Bewertung plazieren Verkaufsaufträge mit einer höheren
Ausführungswahrscheinlichkeit. Für die Strategie der Ordererteilung des Anlegers ist
sowohl der trade-off zwischen Orderpreis und Ausführungswahrscheinlichkeit als
auch der zwischen Orderpreis und dem winner’s curse risk wichtig. Dies bedeutet,
dass Veränderungen in der Zusammensetzung des Orderflusses dadurch erklärt werden
können, dass sich Veränderungen in der Profitabilität der limitierten Orders ergeben,
oder dass sich Einschätzungen gegenüber dem Wert der Aktie geändert haben.
SANDÅS (1999) geht empirisch in einen Markt mit kompetitiven Market-Makern, die
mit limitierten Orders arbeiten, den Adverse Selection-Kosten und dem Einfluss pri-
vater Informationen nach. In seinem Modell misst er die Adverse Selection-Kosten an-
hand der Höhe der Revision des erwarteten Wertes der Aktie in Abhängigkeit von der
Größe einer vorhergehenden unlimitierten Order. Für diese berechnet er eine Preisein-
flussfunktion für bestimmte Ordergrößen. Daneben geht er davon aus, dass bei einer
rationalen Anpassung des Orderbuchs für den erwarteten Wert im Durchschnitt eine
korrekte Vorhersage resultiert. Er kommt zu dem Ergebnis, dass die Preisfunktionen
des Orderbuchs, im Vergleich zu seinen Modellaussagen, zu steil erscheinen, was
gleichbedeutend ist mit einer zu geringen Markttiefe. Er stellt fest, dass für die meisten
Aktien die Verteilung des Orderflusses und der Markttiefe von Variablen wie der
spezifischen Volatilität einer Aktie, der Volatilität des Marktes sowie vom Handels-
volumen abhängt. Letztlich zeigen die gefundenen Abweichungen vom Modell eine
inverse Korrelation zu der Zeitspanne, die seit der letzten Transaktion vergangen ist,
was auf eine verzögerte Anpassung des Orderbuchs an neue Informationen hinweist.
RANALDO (2000) untersucht an der Swiss Stock Exchange (SWX), wie der Status
des Limitorderbuchs die Aggressivität von Orders und die Handelsstrategie
beeinflusst. Die Aggressivität der Aufträge ermittelt er dabei empirisch mit einer
Regression. Er nimmt an, dass drei Motive die Wahl der Marktteilnehmer für ihr
Vorgehen determinieren. Erstens die ursprüngliche Ausstattung mit Wertpapieren und
Geld sowie die individuellen Präferenzen. Zweitens der Status des Limitorderbuchs
und drittens die Abwägung zwischen Orderlimit und einer dafür angenommenen Aus-
führungswahrscheinlichkeit. Für die Untersuchung nutzt er ordinale Klassen der
Aggressivität ähnlich derer von BIAIS / HILLION / SPATT (1995). Für die Klassifi-
Minuten. Sie messen Gewinne für die Anbieter von Liquidität von ca. zwei bis drei Cent pro
Aktie, was die Ausführungskosten für die Konsumenten der Liquidität darstellt.
zierung orientiert er sich daran, ob das Volumen des limitierten Auftrages höher als
das des besten Gebotes ist, und ob die Limitierung des neuen Limits aggressiver ist als
des bis dahin bestehenden besten Limits. Er misst so die Aggressivität der Aufträge in
Abhängigkeit des Orderbuchs und berechnet die Wahrscheinlichkeiten für das Auf-
treten verschiedener Klassen der Aggressivität. Er kommt zu dem Ergebnis, dass die
im Orderbuch befindlichen Volumina die Ausführungswahrscheinlichkeit beeinflussen
und die Entscheidung der Marktteilnehmer maßgeblich determinieren, wobei diese
stets beide Seiten des Orderbuchs berücksichtigen. Die Aggressivität der Aufträge
nimmt zu (ab), wenn auf der erteilten (gegenüberliegenden) Seite weitere Aufträge
plaziert werden. Durch eine größere Spanne verringert sich die Aggressivität der Fol-
geaufträge und es werden vermehrt limitierte Orders erteilt. Eine verringerte Anzahl
von erteilten Aufträgen pro Zeitintervall führt zu aggressiveren Aufträgen. Ein tempo-
rärer Anstieg der Volatilität führt zu verstärkter Erteilung limitierter Aufträge, einer
verringerten Aggressivität und einem Rückgang an unlimitierten Orders. Aus der Ana-
lyse des marginalen Einflusses resultiert, dass limitierte und unlimitierte Aufträge ent-
gegengesetzt auf Veränderungen der Komponenten des Orderflusses reagieren.
Aus den dargestellten empirischen Arbeiten werden zwei Richtungen der Forschung
bei der Untersuchung limitierter Orders ersichtlich: Performancebezogene Aspekte
und Informationsgesichtspunkte. Die Ergebnisse werden in Tabelle 2-3 kurz zusam-
mengefasst.
x Markttiefe und Orderfluss hängen von Faktoren ab, wie der Volatilität der
Aktie und des Marktes und dem Handelsvolumen.
x Falls das Orderbuch im Vergleich zu eintreffenden unlimitierten Aufträgen

sehr dünn ist, können spezielle Handelsmechanismen außerordentliche Kurs-
Performance- bewegungen verhindern. Solche Handelsregeln führen zumeist nur zu einer
bezogene zeitlichen Verschiebung der zu handelnden Volumina und der Volatilität.
Erkenntnisse
x Marktbreite und –tiefe weisen eine hohe Korrelation mit der Transaktions-
häufigkeit und deren U-förmigem Verlauf innerhalb des Tages auf.
x Die Performance von limitierten Orders im Vergleich zu unlimitierten hängt

von der Aggressivität und vom Volumen der Limitierung, sowie der vorherr-
schenden Spanne im Orderbuch ab.
x Market Maker / Betreuer haben eine gute Fähigkeit, den Informationsgehalt

Informations- des aktuellen Orderflusses und die daraus resultierende Kursbildung einzu-
basierte schätzen, sowie den weiteren kurzfristigen Orderfluss vorauszusagen.
Erkenntnisse
x Insidertransaktionen finden häufig zum Start oder Ende des Handels statt.
Tabelle 2-3: Zusammenfassung: Ergebnisse der Charakterisierung limitierter

Aufträge im offenen Orderbuch
2.3.2.3 Der Einfluss der Tick Size im Limitorderbuch

Bei der Untersuchung einer bestimmten Ausprägung der Markt-Mikrostruktur von
Computerbörsen mit offenem Orderbuch geht HARRIS (1996 und 1997a) dem Ein-
fluss nach, den eine unterschiedliche Höhe der kleinsten möglichen Kursveränderung,
der Tick Size, auf Marktliquidität, versteckte Orders und Handelsvolumina ausüben
kann. Er berücksichtigt dafür alle limitierten Aufträge des Orderbuchs des CATS in
Toronto und des CAC in Paris. Diese Computerhandelssysteme haben unterschiedli-
che minimale Preisveränderungen. Im CATS-System beträgt diese im Durchschnitt
das 12-fache von CAC-System.66 Der Anreiz, strategisch im Limitorderbuch zu
agieren und zu reagieren, hängt in jedem Handelssystem maßgeblich von den Kosten
ab, die einem Marktteilnehmer dabei entstehen. Wenn eine Limitierung derart möglich
ist, dass für eine strategische Order lediglich ein kleines Kurszugeständnis ausreicht,
66
Mit der Euro-Einführung wurde die Tick Size des CAC 40-Systems der Börse in Paris
modifiziert. Eine Analyse der Veränderung der Tick Size ergibt, dass diese sich für die meisten
Aktien deutlich reduziert hat. Vgl. Anhang 1 Entsprechend der Ergebnisse von HARRIS (1996 &
1997a) sollte dadurch die Liquidität des CAC-Systems negativ beeinflusst werden.
Es zeigt sich auch der Einfluss dieser Diskussion anhand der Umstellung von Aktien des Dow
Jones Industrials per Montag, den 28. August 2000 von der Bruch- auf die Dezimalstellenberech-
nung.
um Preispriorität für die Ausführung zu erhalten, dann sind die Kosten für ein
strategisches Handeln gering. Ist dieses Preiszugeständnis durch eine hohe Tick Size
relativ groß, dann können die Kosten für die Erlangung der Preispriorität so groß sein,
dass potenzielle Strategien sehr schnell unprofitabel werden.67 Er kommt zu dem Erge-
bnis, dass die Marktteilnehmer bei der Veröffentlichung ihrer Orders restriktiver sind,
wenn die Tick Size relativ klein ist. Dies gilt sowohl für die Eingabe limitierter
Orders, als auch für die Festlegung von teilweise versteckten Aufträgen.68 Neben den
Ergebnissen, dass Marktteilnehmer versuchen, Aufträge zu verstecken, wenn sie an
Umfang zunehmen, zeigt sich auch, dass wegen der geringen Tick Size im CAC mehr
Aufträge versteckt werden, als dies im CATS der Fall ist. Ebenfalls erfolgt bei einer
höheren Volatilität eine verringerte Einstellung von Orders in das Buch. Bei Aktien
mit einer größeren Marktkapitalisierung und größeren Umsätzen sind die Teilnehmer
eher bereit, größere Orders einzustellen und diese seltener den Marktbewegungen
anzupassen. Die wesentlichen handelsbeeinflussenden Merkmale der Höhe der Tick
Size lassen sich wie folgt zusammenfassen:
x Eine große Tick Size schützt die Auftraggeber limitierter Aufträge vor dem strategischen
Handeln anderer Marktteilnehmer, wodurch institutionelle Investoren bevorzugt in einer
hohen Tick Size auch umfangreiche Volumina sichtbar in ein Orderbuch einstellen.
x Eine große Tick Size fördert eine hohe Geld-Brief-Spanne und verringert dadurch die
Aggressivität der folgenden Aufträge.
Tabelle 2-4: Zusammenfassung: Einfluss der Tick Size im Orderbuch
Mit dieser tabellarischen Darstellung wurde die Übersicht über die Schilderung von
Untersuchungen abgeschlossen, welche ihr Hauptaugenmerk auf die Analyse und
Modellierung unterschiedlicher Konfigurationsmöglichkeiten oder Organisationsfor-
men gelenkt haben. Es folgt eine Darstellung der Arbeiten, welche sich auf die Aus-
wirkungen im Handelsgeschehen konzentrieren. Diese ergeben sich aus den unter-
schiedlichen Möglichkeiten der Ausgestaltung der Markt-Mikrostruktur von parallel
existierenden elektronischen Handelssystemen. Von zentralem Interesse für die Markt-
Mikrostruktur ist dabei der Versuch, die Faktoren zu identifizieren, die die Entschei-
67
NIEMEYER / SANDÅS (1995) kommen zusätzlich zu dem Ergebnis, dass im Falle einer großen
Tick Size sekundäre Prioritätsregeln wie die Zeit der Ordereingabe wichtiger werden. Im Gegen-
satz dazu steht WHITCOMB (1988) der die Aussage trifft, dass auch ein Marktteilnehmer mit
sehr niedrigen Transaktionskosten nicht davon profitieren kann, wenn er aufgrund serieller
Korrelation die kurzfristige Preisveränderungen prognostizieren kann.
68
Im Vergleich zu anderen Systemen, wie z.B. dem Xetra, in dem Iceberg-Orders nicht besonders
markiert sind, ist bei den Daten von HARRIS (1996 & 1997a) die „versteckte” Liquidität erfasst.
dung von Marktteilnehmern, Gebote in das Orderbuch jeweils an einem der beiden
Märkte einzustellen, und somit für einen liquiden Markt zu sorgen, beeinflussen.
2.3.2.4 Vergleich verschiedener Handelsplätze mit einem offenen Orderbuch

Ein weiterer Aspekt der empirischen Untersuchungen ist der Vergleich verschiedener
Handelsplätze. Beispielsweise gehen FRINO / MC CORRY (1999) der Frage nach,
warum die Spreads von Aktien, die sowohl an der Australian Stock Exchange (ASX)
als auch an der NYSE gehandelt werden, unterschiedlich hoch sind. Sie analysieren
die Einflussfaktoren auf die Geld-Brief-Spanne an der ASX, welche das Stock
Exchange Automated Trading System (SEATS) verwendet. Dort haben alle Broker
vollen Einblick in das Limitorderbuch. Im Gegensatz dazu steht der Specialist Market
an der NYSE. Für den Spreadvergleich nutzen FRINO / MC CORRY (1999) den
quoted spread69 und den effective spread.70 Sie kommen zu dem Ergebnis, dass es
systematische Unterschiede zwischen beiden Marktorganisationen gibt. In Summe
bietet das offene Limitorderbuch der ASX den Anlegern nach Berücksichtigung der
Faktoren:
x Höhe des Aktienkurses,

x Preisvolatilität,
x Handels- sowie Gebotsvolumina
die niedrigeren Kosten für die Ausführung einer Order.
Ein weiterer Vergleich der Transaktionskosten zwischen zwei Handelsplätzen, am

Beispiel von französischen Aktien, gehandelt in Paris und am Stock Exchange Auto-
mated Quotation International (SEAQ)71 in London, stammt von DE JONG / NIJMAN
/ RÖELL (1995). Sie analysieren auch, ob ein großer Orderfluss mehr Informationen
enthält als ein kleiner. In London werden weniger Transaktionen abgeschlossen, aber
im Durchschnitt haben diese ca. das 10-fache Volumen der Abschlüsse in Paris.
Der quotierte spread 72 ist in Paris in der Regel deutlich geringer als in London. Für
größere Transaktionen nimmt dieser aufgrund der geringeren Markttiefe in London
69
Differenz zwischen dem höchsten Geldkurs und dem niedrigsten Briefkurs vor einer Transaktion.
70 Geldkurst Briefkurst
effectivespread 2 * Transaktionspreist .
2
71
Im SEAQ werden kontinuierlich Gebote der Market Maker dargestellt. Sehr große und liquide
Werte werden im Orderbuch des Stock Exchange Electronic Automated Trading System
(SEATS) gehandelt, wo Angebot und Nachfrage automatisch ausgeführt werden.
72
Den gestellten Spread relativieren sie noch um das folgende Transaktionsvolumen und die Zeit-
dauer bis zum nächsten Geschäftsabschluß.
sehr schnell zu. Ein zentraler Ansatzpunkt in ihrer Arbeit ist das Vorgehen zur Erfas-
sung von Nichtlinearitäten in ihren Regressionsgleichungen zur Schätzung des effekti-
ven Spreads, wobei sie den reziproken Wert des Handelsvolumens verwenden.73
Zwar scheint der effektive Spread in London größer zu sein als der in Paris, jedoch
werden in London im Durchschnitt höhere Volumina gehandelt und andere Kosten
wie z.B. Steuern sind in Paris deutlich höher, womit die letztlich gezahlten, gesamten
Kosten sich wieder relativieren. Der Markt in London hingegen weist für größere Vo-
lumina mehr Sofortigkeitsservice auf. In Summe kann der Investor in Paris sowohl für
kleinere als auch für größere Orders einen geringeren Spread realisieren, wenn für ihn
eine sofortige Ausführung nicht oberste Priorität hat.
BIAIS / BISIÈRE / SPATT (2003) vergleichen das offene Orderbuch des Isländischen
Marktes mit der NASDAQ. Hierbei analysieren sie das Orderverhalten für US-ameri-
kanische Aktien, die an beiden Märkten gehandelt werden. Sie analysieren einen Zeit-
raum, als die NASDAQ Tick Size noch 1/8 und die Isländische Tick Size 1/256
betrug. Sie vergleichen dies mit einer späteren Periode, als diese nur noch 1/100 und
1/1000 waren. Vor der Verringerung der Tick Size der NASDAQ haben einige Markt-
teilnehmer das Isländische System genutzt, um dort die Quotes der NASDAQ zu
unterbieten und damit in Summe profitabel agieren zu können. Nach der Verringerung
der Tick Size in den USA sind diese Gewinnmöglichkeiten fast gänzlich verschwun-
den. Als Zusammenfassung ergibt sich durch die individuelle Ausgestaltung des
jeweiligen Orderbuchs für ein Wertpapier, das an unterschiedlichen Handelsplätzen in
einem offenen Orderbuch gehandelt wird, ein Einfluss auf die:
x Höhe der durchschnittlichen Geld-Brief-Spanne,
x impliziten Transaktionskosten,
x strategische Orderplazierung und das Orderbuchverhalten,
x Marktbreite und Markttiefe.
Tabelle 2-5: Zusammenfassung: Vergleich unterschiedlicher Handelsplätze mit
einem offenen Orderbuch
Im Anschluss an die bisher zitierten Arbeiten, die sich zumeist auf eine weitgehend
deskriptive Beschreibung des offenen Limitorderbuchs beziehen, erfolgt eine Über-
sicht der Gleichgewichtsmodelle in einem Limitorderbuch.
73
Vgl. HASBROUCK (1991), S. 196, der im Gegensatz dazu einem völlig einen anderen Ansatz
nachgeht, indem er als Regressor das Handelsvolumen quadriert.
2.3.3 Gleichgewichtsmodelle des Limitorderbuchs
2.3.3.1 Partielle Gleichgewichtsmodelle der Geld-Brief-Spanne des

Limitorderbuchs
Zuerst erfolgt eine Darstellung von Arbeiten, die sich mit der Modellierung eines par-
tiellen Gleichgewichts befassen. CHIANG (1984) versteht unter einem partiellen
Gleichgewicht einen isolierten Markt, bei dem nur die Preisvariable modelliert wird,
um den Gleichgewichtsstatus zu erreichen. Diese Arbeiten hinterfragen, welches ein
Gleichgewichtsspread sein könnte und wie die Anleger auf den Spread reagieren. Bei
den partiellen Modellen erfolgt die Reaktion auf den Spread und das Orderbuch nicht
sequentiell, sondern es wird nur eine einmalige Erteilung der limitierten oder unlimi-
tierten Aufträge vorgenommen.
Eine der ersten Arbeiten stammt von COHEN / MAIER / SCHWARTZ /

WHITCOMB (1981). Sie erklären die Existenz eines partiellen Gleichgewichts für den
Spread und somit die Frage der Erteilung limitierter oder unlimitierter Orders dadurch,
dass es eine natürliche Spanne zwischen Geld- und Briefkursen gibt. Diese wird durch
den so genannten Gravitational Pull-Effekt74 hervorgerufen. Dieser Effekt resultiert
aus der Überlegung des Anlegers, ein Limit immer noch etwas näher an die aktuell
beste gegenüberliegende Seite anzunähern, um die subjektiv angenommene Aus-
führungswahrscheinlichkeit zu erhöhen. Statt einer infinitesimal kleinen Annäherung
an die beste gegenüberliegende Seite wird das Marktgebot akzeptiert. Auf der Ebene
des Orderbuchs resultiert daraus eine signifikante, von der kleinsten Tick Size ver-
schiedene, „natürliche” Geld-Brief-Spanne. Als Grund hierfür erachten die Autoren
bestehende Transaktionskosten wie Handelsgebühren oder Kosten für die Informa-
tionsbeschaffung. Für den Marktprozess resultiert daraus, dass dieser nicht als Wiener
Prozess75 aufgefasst werden kann. Die Marktteilnehmer erachten es als zu teuer,
74
Vgl. HANDA / SCHWARTZ / TIWARI (2002), S. 2. Sie verstehen unter dem „Gravitational
Pull” die Tendenz eines Anlegers, eine unlimitierte Order mit Ausführungssicherheit zu erteilen
an Stelle einer Limitierung sehr nahe an den besten Geboten mit der Gefahr der Nichtausführung.
75
Vgl. NEFTCI (1996), S. 148. Ein Wiener Prozess ist ein zeitstetiger stochastischer Prozess, der
normalverteilte unabhängige Zuwächse hat.
Vgl. KENNEDY (1992), S. 370 dafür, dass ein Martingale Prozess in der Kapitalmarkttheorie oft
als Verallgemeinerung des Random Walk gesehen wird, bei dem Heteroskedastizität zugelassen
ist. Die Martingaleeigenschaft bedeutet, dass Preisveränderungen einen Erwartungswert von null
haben und seriell unkorreliert sind. Transaktionskosten eines Market-Makers führen zu einer Ver-
letzung der Martingale Eigenschaft. Folgen Aktienkurse einem Martingale, so spiegelt ihrer
Volatilität im Zeitablauf die Rate wieder mit der Informationen in die Kurse einfließen.
kontinuierlich zu handeln und somit findet die Preisfindung entsprechend einem sto-
chastischen Sprungprozess statt. Im Gleichgewichtsspread sind für einen Marktteilneh-
mer die Kosten in Form der bezahlten Geld-Brief-Spanne bei der Erteilung einer
Marktorder gleich den Kosten für die Erteilung einer limitierten Order, bei der Kosten
durch die mögliche Nichtausführung entstehen können.
Eine weitere Modellierung eines partiellen Gleichgewichts der Anlegerentscheidung

zwischen limitierten oder unlimitierten Orders stammt von ANGEL (1992). Die limi-
tierten und unlimitierten Aufträge der Investoren kommen mit zufälligen Preisen zu-
stande und werden in einem Auktionsprozess ausgeführt. Dabei nimmt er an, dass die
Investoren bei ihrer Einschätzung bezüglich des Orderflussprozesses und des Netto-
wertes der neuen Orders auch die Reaktionen der anderen Marktteilnehmer auf ihren
erteilten Auftrag mit einschließen. Dies begründet er damit, dass der echte Schaden
einer limitierten Order durch die damit einhergehende Offenlegung des intendierten
Handlungswunsches des Marktteilnehmers entsteht. Anschließend berechnet er für
limitierte Aufträge eine Ausführungswahrscheinlichkeit in Abhängigkeit des Informa-
tionsstandes des Anlegers. Er verwendet dabei als Parameter den erwarteten Order-
fluss, die Tiefe des Orderbuchs, die Höhe der Geld-Brief-Spanne, die Volatilität der
Aktie sowie die Erwartungen über den zukünftigen Aktienkurs. Um die optimale
Limitorder zu berechnen, vergleicht er die Kosten eines limitierten Auftrags, der inner-
halb des Tages entweder zum Limit oder bei Nichterreichen zum Handelsschluss aus-
geführt wird, mit den Kosten der sofortigen Ausführung eines unlimitierten Auftrags.
Es resultiert ein Gleichgewicht, in dem es optimal ist zu limitieren, wenn der Spread
sehr groß ist und limitierte Aufträge innerhalb der Spanne plaziert werden können.
HARRIS (1994) modelliert für order- als auch für angebotsgetriebene Märkte unter-
schiedliche Strategien der Ordererteilung für mehrere Anlegertypen. Er unterscheidet
zwischen dem liquiditätsmotivierten,76 dem informierten und dem wertorientierten
Marktteilnehmer. Der Fokus liegt auf dem Aspekt der Zeit und der Beziehung zwi-
schen Sofortigkeitsservice und den Kosten der Liquidität. Er modelliert die Ausfüh-
rungswahrscheinlichkeit für limitierte Aufträge.77 Dabei geht er von einem Mechanis-
76
Vgl. MADHAVAN (2000), der zu bedenken gibt, dass ohne liquiditätsmotivierte Anleger nur
noch informierte Marktteilnehmer agieren würden, was zu einer Ausweitung der Spreads führen
müsste, bis zu der Situation, in der ggf. kein Handel mehr stattfindet.
77
Vgl. für die Ausführungswahrscheinlichkeit von Orders COHEN / MAIER / SCHWARTZ /
WHITCOMB (1981), ANGEL (1992), HANDA / SCHWARTZ (1996b), SCHMIDT /
KÜSTER SIMIû (1998), HOLLIFIELD / MILLER / SANDÅS (1999), RANALDO (2000) und
HOLLIFIELD / MILLER / SANDÅS / SLIVE (2001).
mus aus, bei dem z.B. ein Verkaufsauftrag ausgeführt wird, wenn der Midspread-Preis
plus einer Konstante das Briefgebot übertrifft. Diese Konstante entspricht dem
Schwierigkeitsgrad der Ausführung. Ihr Wert hängt insbesondere von der Marktstruk-
tur und der Geld-Brief-Spanne ab. In einem angebotsgetriebenem Markt ist er gleich
der halben Geld-Brief-Spanne. In einem Auktionsmarkt mit einem konstanten Strom
unlimitierter Aufträge, welche die Limits abräumen, nimmt dieser den halben negati-
ven Wert der Geld-Brief-Spanne an. Letztlich maximiert er für die drei Anleger-
gruppen den Erwartungswert für vier mögliche Ereignisse: Eine nicht ausgeführte
limitierte Order, eine ausgeführte limitierte Order, einen ausgeführten unlimitierten
Auftrag und keine Ordererteilung. Hieraus resultiert, dass für das Erreichen eines
Gleichgewichts Marktteilnehmer dann aggressiv agieren, wenn die Märkte sehr volatil
sind oder wenn sie befürchten, dass ihre private Information schnell öffentlich wird.78
Ohne zeitlichen Handlungsdruck und bei einer sehr weiten Geld-Brief-Spanne
plazieren sie ihre Orders moderat. Für wertorientierte Marktteilnehmer kann es
sinnvoll sein, Limits in der Nähe des letzten Transaktionspreises zu positionieren, um
dann durch Mean Reversion79 zum Zuge zu kommen. Weiter folgert er, dass es in
einem Dealer Markt nicht sinnvoll ist, limitiert zu ordern, weil dort im Vergleich zu
einem unlimitierten Auftrag kein Teil des Spreads gewonnen werden kann.
Einen weiteren Ansatz für die Modellierung eines partiellen Gleichgewichts nehmen
HANDA / SCHWARTZ (1996b) vor. Sie entwickeln ein Modell, in dem es für
manche Anleger rational ist, limitierte Orders zu erteilen und somit in einem kontinu-
ierlichen Auktionsmarkt zwischen dem Angebot und der Nachfrage nach Liquidität
ein natürliches Gleichgewicht bestehen kann. Wenn sich in einem Markt die Preise nur
durch Informationen ändern, kann der Handel mittels limitierter Aufträge nicht profi-
tabel sein. Folglich muss für einen Anleger die Chance bestehen, aufgrund von tempo-
rären Liquiditätseffekten durch Orderungleichgewichte, einen Preisvorteil zu generie-
ren. Dieser Vorteil ist nötig, um den Akteur für das Risiko zu kompensieren, dass
eventuell nach der Orderausführung eine für seine Position ungünstige neue Informa-
tion erscheint, woraus eine unerwünschte Vermögensentwicklung resultiert. Sie testen
für ihr Modell die Profitabilität einer Handelsstrategie für die Werte des Dow Jones
Industrial 30 für das Jahr 1988. Sie simulieren limitierte Orders, die 0,5%, 1%, 2%
oder 3% vom letzten Transaktionspreis plaziert werden. Falls die Orders nicht inner-
halb eines determinierten Zeitraumes zur Ausführung kommen, werden sie zum Er-
78
Vgl. EASLEY / O’HARA (1992) für das Modell und DUFOUR / ENGLE (1999) für die Empirie,
dass kurze Zeitabstände zwischen Orders ein Zeichen für Insideraktivitäten sind.
79
Vgl POTERBA / SUMMERS (1988), die unter Mean Reversion verstehen, dass Aktienkurse
temporär von ihren fundamentalen Werten abweichen, langfristig aber zu ihnen zurückkehren.
öffnungskurs des nächsten Tages unlimitiert gehandelt. Als Kontrollstrategie berech-

nen sie die Profitabilität für unlimitierte Orders, die jeweils zur Handelseröffnung
erteilt werden. Sie kommen zu dem Ergebnis, dass ihre Strategie für alle Filter positive
Renditen aufweist. Aufgrund der Kontrolluntersuchung, bei der die Renditen um die
Marktrendite bereinigt werden,80 folgern sie, dass diese Gewinne auf der Dynamik des
Orderflusses der einzelnen Aktien beruhen und nicht auf Gesamtmarktbewegungen.
Dies interpretieren sie als Beweis für die Existenz eines Mean Reversion-Prozesses.
Gleichzeitig stellen sie fest, dass die Nichtausführung der Aufträge, die nach Ablauf
des Zeitlimits in unlimitierte Orders umgewandelt werden, Verluste generieren. Sie
stellen die Hypothese auf, dass Investoren mit einem diversifizierten Portfolio nicht
gezwungen sind, nach Ablauf der Gültigkeit des Limits die Order noch einmal unlimi-
tiert zu erteilen und somit die nachgewiesenen Verluste vermeiden können. Daraus
schließen sie, dass in einem ordergetriebenen, kontinuierlichen Auktionsmarkt ein
partielles Gleichgewicht für die Erteilung limitierter Aufträge existieren kann, wenn
genügend Akteure vorhanden sind, die eine ausgewogene Portfoliostruktur besitzen.
2.3.3.2 Partielle Gleichgewichtsmodelle mit Liquiditätskennzahlen des Limit-

orderbuchs
Einen Schritt weiter gehen SCHMIDT / KÜSTER SIMIû (1998) mit ihrer Analyse des
offenen Orderbuchs des Integrierten Börsenhandels- und Informationssystems (IBIS)
anhand einer Liquiditätskennzahl. Sie untersuchen, welche Strategien der Plazierung
limitierter Orders zu beobachten sind, nachdem in das Orderbuch ein attraktives
und/oder umfangreiches Gebot eingestellt wurde.81 Ihre Hypothese beruht auf der
Überlegung, dass so Aktien mit einem limitierten oder unlimitierten Gebot möglichst
knapp über diesem bereits vorliegenden Limit gekauft werden können, wenn im Limit-
orderbuch ein großes und/oder attraktives Limit erscheint. Falls der Kurs steigt, erzielt
man einen Gewinn. Fällt der Kurs, so verkauft man zu dem im Buch bestehenden
Limit, das die Strategie absichert. Der zweite Gedanke ist, dass hinter attrakti-
ven/großen Geboten besser informierte Marktteilnehmer vermutet werden und Beo-
bachter von diesem Insiderwissen profitieren möchten.82 Sie analysieren überbietende
80
Das beschriebene Verfahren stammt von LACHENBRUCH (1967).
81
Langfristige Determinanten der Orderbuchtiefe werden untersucht von Wong / Ho / Fung (2002).
Sie stellen für den Markt in Hong Kong fest, dass hauptsächlich der lokale Zinssatz und die
lokale Volatilität des Aktienmarktes die Liquidität bestimmen. Einen schwächeren Einfluss hat
die globale Liquidität der Aktienmärkte und globale Risikofaktoren.
82
Ähnliche Hypothesen zum dynamischen Orderverhalten wurden von BIAIS et. al. (1995) für den
Markt in Paris aufgestellt und untersucht. Diese stellen fest, dass bei einem relativ hohen Spread
limitierte und unlimitierte Folgegebote83 auf der gleichen Marktseite und die unlimi-
tierten Folgegebote auf der anderen Marktseite, um festzustellen, ob mit der Order-
buchtransparenz Nachteile verbunden sind. Dafür vergleichen sie das Bietverhalten
nach einem umfangreichen oder attraktiven Gebot mit dem nach kleinen bzw. un-
attraktiven Geboten. Für die Berechnung der Limitattraktivität (LA)84 verwenden sie:
bG LG
LA (2.1)
1 n
bG ¦ LGi
ni1
bG = bester Geldkurs
LG = Limit des eingestellten Geldgebotes
LGi = Limit des Gebotes i im Orderbuch
n = Anzahl der Geldgebote im Orderbuch
Die Limits werden in die vier Klassen sehr attraktiv, attraktiv, noch attraktiv und nicht
attraktiv eingeteilt. Die Volumina werden, bezogen auf alle im Orderbuch befindlichen
Volumina, entsprechend ihrem 10%, 5% und 1% Perzentil unterteilt. Ihr Ergebnis ist,
dass die Einsteller von großen und attraktiven Geboten, die zur Marktliquidität beitra-
gen, mit für sie nachteiligen Folgegeboten auf derselben Seite rechnen müssen.85 Ihre
Resultate zeigen auch, dass einige Marktbeobachter auf sehr große und sehr attraktive
Geldgebote mit entsprechend großen unlimitierten Briefgeboten reagieren und somit
zum Erfolg dieser Geldgebote beitragen. Letztlich resultiert für die Autoren die
Notwendigkeit, dass bei weiterführender Forschung zur Modellierung der Geld-Brief-
Spanne in Anlegerauktionsmärkten mit offenem Orderbuch diese Modelle um den
Strom der transparenzbedingten Folgegebote ergänzt werden müssten.
Die Ursachen der Entstehung des Orderflusses analysieren BENSTON / IRVINE /

KANDEL (2000). Sie erschließen das Thema anhand der Kennzahl der Cost of Round
Trip (CRT) für das vollständige Orderbuch der Toronto Stock Exchange. Sie testen, ob
damit eine Prognose über den zukünftigen Orderfluss und die Transaktionshäufigkeit
die neuen Orders selten eine sofortige Ausführung suchen, sondern eher mit den bestehenden
limitierten Orders um eine Ausführung konkurrieren, indem sie diese leicht verbessern.
83
Folgegebote sind dadurch gekennzeichnet, dass sie als erstes Gebot nach dem betrachteten Gebot
in das offene Orderbuch eingestellt werden.
84
Vgl. HARRIS (1996) für weitere Maße der Attraktivität von limitierten Orders.
85
SCHMIDT / KÜSTER SIMIû (1998) testen nicht, ob diese Strategien für die Investoren profi-
tabel sind. Für FREIHUBE / KEHR / KRAHNEN / THEISSEN (1998) resultiert bei ihrer Unter-
suchung der amtlichen Kursmakler in Frankfurt für 21 Handelstage im Herbst 1996, dass diese
trotz ihrer monopolistischen Einsicht in das Orderbuch damit nicht dauerhaft Gewinne erzielen.
getroffen werden kann. Die CRT liefert ein Maß für den Status des gesamten Order-
buchs zu einem Zeitpunkt für eine spezifische Ordergröße. Sie stellt die maximalen
Transaktionskosten der sofortigen Ausführung für unlimitierte Orders dar, wenn
gleichzeitig eine identische Stückzahl gekauft und verkauft wird.86 Sie berechnen die
CRT als Schätzer für die Kosten einer beabsichtigten Transaktion und bezeichnen
diese als ex ante Liquidität. Diese unterscheiden sie von der ex-post-Liquidität, die
über den Ausführungszeitraum aus tatsächlich getätigten Geschäften aus der öffentlich
ersichtlichen und der versteckten Liquidität resultiert. Die ex-post-Liquidität untersu-
chen sie für unterschiedliche Klassen von Ordervolumina. Sie kommen zu dem Ergeb-
nis, dass die CRT als Liquiditätsmaß mit der Spanne und den Volumina der besten Ge-
bote hoch korreliert ist. Die CRT kann für die Prognose des zukünftigen Orderflusses
dienen. Nach einem temporären Anstieg der CRT von 1% für eine einzelne Aktie re-
duziert sich anschließend die Transaktionshäufigkeit um 31% bis zu 66%.
Eine Analyse dynamischer Effekte des finnischen Handelssystems – Helsinki Stock

Exchange Automated Trading (HETI) – stammt von HEDVALL / NIEMEYER
(1997).87 Sie verwenden in 1993 für die 35 liquidesten Werte die gesamte Lage des
Orderbuchs. Die Besonderheit ist, dass ihnen, wie auf den Handelsschirmen, für alle
Gebote die Broker ID vorliegt. Sie untersuchen, ob es Autokorrelation bei Geboten
und Transaktionen gibt, und deren mögliche Ursachen. Sie fragen, ob Marktteilnehmer
durch das offene Orderbuch mit Broker IDs informativen von nicht-informativem
Orderfluss unterscheiden können. Sie analysieren, ob es zu einer strategischen Aufteil-
ung von Orders kommt. Dafür klassifizieren sie Geschäfte entsprechend des Umfanges
bzw. der Aggressivität in „oversized trade”, falls das Volumen größer ist als das des
besten Gebots auf der gegenüberliegenden Seite, als „full trade”, falls das Volumen
dem der gegenüberliegenden Seite entspricht und als „ordinary trade”, wenn das Volu-
men geringer ist. Limitierte Aufträge, die nicht sofort zu einer Transaktion führen, un-
terteilen sie entsprechend ihrem Beitrag zur Liquidität im Orderbuch. Limits können
86
Dieses Vorgehen ist analog zu dem Market Impact Cost der Deutschen Börse AG.
87
COPPEJANS / DOMOWITZ / MADHAVAN (2001 & 2002) analysieren für den Future des
Schwedischen Aktienmarktes dynamische Aspekte des Limitorderbuchs. Sie stellen fest, dass die
Liquidität im Intraday-Verlauf so stark variiert, dass in Zeiten der höchsten Volatilität durch
strategische Orderplazierung ein Mehrwert generiert werden kann. Die Liquidität weist eine hohe
Autokorrelation auf. Dies bedeutet, dass Zeiten existieren, zu denen die Liquidität erhöht ist.
Positive Liquiditätsschocks reduzieren die Volatilität für einen kurzen Zeitraum signifikant.
Negative Schocks verschwinden sehr schnell wieder. Als Ursache hierfür erachten sie die hohe
natürliche Erholungsfähigkeit des Marktes. Volatilitätsschocks verringern die Liquidität.
entweder die Geld-Brief-Spanne verbessern, dem besten Gebot entsprechen und dort
das Volumen erhöhen oder zu einem Kurs aufgegeben werden, der sich hinter dem
besten Limit im Buch befindet. Für diese Gruppen stellen sie fest, dass sich für die
Geschäftsabschlüsse serielle Korrelationen ergeben. Dies zeigt sich insbesondere bei
„oversize trades“ und „ordinary trades“, nach denen die Häufigkeit von „non-trading
events“ deutlich geringer als erwartet ist. Nach einem „oversize trade“ kommt es an-
schließend meist zu einem Abschluss auf der gegenüberliegenden Seite, was bedeutet,
dass die unmittelbar durch den „oversize trade“-induzierte Liquidität oftmals sehr
rasch von anderen Marktteilnehmern konsumiert wird. Dies entspricht einer Liquidität,
die durch „oversize trades“ zusätzlich geschaffen wird.88 Nach einem „full trade“
kommt es auf der gegenüberliegenden Seite des Orderbuchs ebenfalls zu einer
geringer als erwarteten Transaktionshäufigkeit. Diese beiden Ergebnisse stehen im
Einklang mit ihrer Hypothese, dass die aggressiven „full trades“ mit höherer Wahr-
scheinlichkeit informationsinduziert sind. Weiter finden sie ein Mean Reversion der
Spreads.89 Wird ein Limit erteilt, welches den Spread verringert, so wird dieses Gebot
häufiger als erwartet von einem anderen Marktteilnehmer in vollem Umfang akzep-
tiert. Die Erteilung eines den Spread verringernden Limits ist auch dann wahrschein-
licher, wenn vorhergehend der Spread durch einen full trade ausgeweitet wurde. In
42% aller Beobachtungen agierte der gleiche Broker in zwei aufeinander folgenden
Transaktionen, womit sie ihre Hypothese des Order Splittings belegen.90 In der Regel
kommt es nach einem „full trade“ durch denselben Broker wieder zu einer gleich-
artigen Transaktion. Sie stellen in ca. 60% der Fälle fest, dass, nachdem ein Akteur
einen „full trade“ ausgeführt hat, ein Marktteilnehmer durch einen limitierten Auftrag
die Ausgangssituation wieder annähernd herstellt, worauf der ursprüngliche Akteur
wieder einen „full trade“ ausführt. Für die Autoren ist das ein Anzeichen dafür, dass
im offenen Limitorderbuch aufgrund von Transaktionen zusätzliche kurzfristige Liqui-
dität zur Verfügung gestellt wird. Bei der Analyse der Aktivitäten der einzelnen
Broker stellen sie fest, dass diese häufig zuerst eine Order stornieren und dann auf der
gleichen Seite wieder einen Auftrag mit geändertem Limit oder Volumen eingeben.
Sie kommen zu dem Schluss, dass es bei den Marktteilnehmern eine starke Tendenz
dazu gibt, einen Auftrag zu streichen, um dann mit einer neu erteilten Order die
Spanne zu reduzieren, um so die Chancen auf eine Ausführung zu erhöhen. Mit
88
Diese Beobachtung wurde auch von BIAIS / HILLION / SPATT (1995) für den CAC gemacht.
89
Analog zu den Ergebnissen von BIAIS / HILLION / SPATT (1995).
90
Vgl. Fußnote 274 zum Order Splitting.
diesem Ergebnis stehen sie in Kontrast zu BIAIS / HILLION / SPATT (1995), die
diese Ordererteilung innerhalb des Spreads als strategischen Wettbewerb der Anleger
untereinander interpretieren. HEDVALL / NIEMEYER (1997) hingegen deuten dies
als die konsequente Umsetzung einer ursprünglichen Strategie in Abhängigkeit von
der Marktsituation.
Die Zusammenfassung der wichtigsten Ergebnisse der Arbeiten, die sich mit partiellen
Gleichgewichtsmodellen befassen, erfolgt in Tabelle 2-6.
Partielle Gleichgewichtsmodelle (Geld- Partielle Gleichgewichtsmodelle
Brief-Spanne) (Liquiditätskennzahlen)
Modellkenn- Einmalige Erteilung einer Order für die Einmalige Erteilung für die Analyse
zeichen Analyse der Spanne. des Orderbuchs.
Der Gravitational Pull führt zur Existenz Große und attraktive Gebote im
eines natürlichen Spreads. Orderbuch beeinflussen den zukünf-
tigen Orderstrom signifikant.
Limitierte Order ist profitabel bei einem
Erkenntnis für großen Spread. Eine Erhöhung der Cost of Round
die Erholungs- Trip einer Aktie von 1 % führt zu
fähigkeit des Volatilität führt zu aggressiverer Order- einer Reduktion der Transaktions-
Marktes erteilung. Kurzlebige Insidererkenntnisse häufigkeit von ca. 1/3 bis 2/3.
führen zu einem schnellen Einpreisen
von Informationen. Aggressive und großvolumige Orders
besitzen mit überdurchschnittlicher
Falls zahlreiche Anleger diversifiziert Wahrscheinlichkeit bessere Informa-
sind, die erfolglose limitierte Orders tionen. Darauf reagieren Marktteil-
nicht später unlimitiert ausführen müs- nehmer. Broker setzen ihre Aufträge
sen, kann ein natürliches, partielles durch Order Splitting um.
Gleichgewicht (spread) existieren.
Tabelle 2-6: Zusammenfassung: Ergebnisse partieller Gleichgewichtsmodelle
2.3.3.3 Statische Gleichgewichtsmodelle des Limitorderbuchs

Im Folgenden werden statische Gleichgewichtsmodelle des Limitorderbuchs be-
trachtet.91 Diese berücksichtigen bei der Erklärung der Liquidität und der Preisfindung
primär mögliche Einflussgrößen durch die Ausgestaltung der Markt-Mikrostruktur,
wie z.B. die Höhe der Tick Size, alternative Designs limitierter Orders, die Existenz
91
CHIANG (1984) beschreibt ein Gleichgewicht als eine Situation, die, wenn sie einmal erreicht
ist, sich selbst erhält und keine Tendenz zur Veränderung aufweist.
konkurrierender Handelssysteme92 und den Grad an Insiderhandel oder Market-

Maker-Aktivitäten. Es soll die Frage beantwortet werden, welchen Einfluss die jewei-
lige Ausgestaltung der Markt-Mikrostruktur hat, und ob ein Gleichgewicht existiert.
An erster Stelle der Übersicht zu statischen Gleichgewichtsmodellen steht eine Arbeit

von GLOSTEN (1994). Gestützt durch sein Modell eines Limitorderbuchs, sucht er
den Ursprung und die Charakteristik des Gleichgewichts und analysiert, wie sich
dieses in Konkurrenz zu anderen Handelssystemen bewährt. Dazu vergleicht er die
Liquidität, die in einem offenen Limit Orderbuch zur Verfügung gestellt wird mit der
eines Specialist Markets. Sein Modell ist ein kontinuierlicher Auktionsmarkt mit ano-
nymem Handel und privaten Informationen. Dort agiert eine große Anzahl risikoaver-
ser Liquiditätsanbieter mit der Möglichkeit, Aufträge kostenneutral auf mehrere ver-
schiedene Handelssysteme aufzuteilen. Die große Anzahl der Marktteilnehmer, die mit
Limits arbeiten, und ihre Risikoneutralität implizieren, dass im Gleichgewicht kein
Marktteilnehmer Gewinne generieren kann. Aus der asymmetrischen Informationsver-
teilung resultiert für das Modell eine positive Steigung der Gebotsfunktion. Für die
berechnete Steigung der limitierten Orders im Buch erkennt er kein eindeutiges Mus-
ter.93 Bei der Erteilung limitierter Orders werden diese im Gleichgewicht in Relation
zu der jeweils erwarteten Seite des Orderbuchs als bedingte Orders modelliert. In dem
Modell gewinnen die Anleger, die limitierte Orders erteilen, von liquiditätsbedingten
Kursveränderungen und verlieren durch informationsbasierte Kursveränderungen. Mit
einer Marktorder versucht der Teilnehmer, seine Vermögensposition zum Schluss der
Transaktion zu maximieren. Mit Blick auf die Gesamtposition aus Liquidität und
Wertpapier handelt der Anleger so, dass im Falle des Bestehens eines Gleichgewichts
der Grenznutzen der Transaktion gleich dem marginalen Verkaufserlös für das letzte
Wertpapier entspricht. Ein Grund für das Zusammenbrechen des Handels kann sein,
dass die adversen Informationseffekte zu groß sind und die liquiditätsmotivierten
Akteure am Handel nicht mehr teilnehmen. Hinsichtlich der Konkurrenzsituation mit
anderen Börsen kommt GLOSTEN (1994) zu dem Schluss, dass mit einem offenen
Limitorderbuch eine Situation geschaffen wird, die sehr ähnlich dem eines Wettbe-
werbs zwischen anonymen Börsen ist. Falls im offenen Limitorderbuch keine Liquidi-
tät zur Verfügung gestellt wird, also keine limitierten Orders vorliegen, dann erleiden
alle anderen anonymen Handelssysteme Verluste. Der Grund dafür ist, dass die Archi-
92
Vgl. DÖNGES / HEINEMANN (2001) zur Konkurrenz von Alternative Trading Systems oder
Electronic Communication Networks auf den Wettbewerb und die Konkurrenz um Liquidität.
93
Dies steht im Kontrast zu BIAIS / HILLION / SPATT (1995) mit einen schwach konkaven
Verlauf und BERNHARDT / HUGHSON (1997) deren Preisverlauf konvex ist.
tektur des offenen Limitorderbuchs dazu führt, dass sich die Gewinne im Orderbuch
auf einen durchschnittlichen Wert einspielen werden. Aus seiner Analyse resultiert,
dass unter den Börsen, die einen kontinuierlichen und anonymen Handel bieten, das
offene elektronische Orderbuch das stabilste ist und am wenigsten die Entstehung zu-
sätzlicher, konkurrierender Börsen fördert.
Am Ende der Arbeit von GLOSTEN (1994) bleiben zwei Fragen offen. Erstens, wie
wichtig es ist, dass die Transaktionen einer Präsenzbörse nicht anonym sind und somit
ex-post von den Händlern abgeschätzt werden kann, wer private Informationen hatte.
Damit verbunden bleibt die Frage nach der Relevanz von Sanktionsmechanismen der
Teilnehmer, um untereinander einen Handelspartner zu bestrafen, der bei einem voran-
gegangenen Abschluss private Informationen zu Lasten der anderen genutzt hat.
Zweitens ist noch zu klären, ob ein Handelssystem möglich ist, das einerseits die Vor-
teile des elektronischen Systems bietet, die aus dem hohem Konkurrenzdruck und
hoher Liquidität resultieren, aber andererseits mit seinem Informationsvorsprung auch
den Nutzen eines Parketthandels bietet.
BYRNE (1993) entwickelt ein Gleichgewichtsmodell in einem Limitorderbuch mit

limitierten und unlimitierten Aufträgen. Für diese untersucht er die Implikationen, die
bei der Existenz von privaten Informationen aus diskreten Preisen resultieren. Dafür
nimmt er für das Modell von GLOSTEN (1989)94 normalverteilte Renditen und eine
exponentielle Nutzenfunktion an. Auf dieser Basis leitet er eine Preisfunktion für das
Gleichgewicht her. Als Ergebnis erhält er eine Funktion, bei der der Preis mit der
Stückzahl steigt. Für kleinere Volumina weist der Verlauf eine Stufenfunktion auf, bei
der zu jedem Preis auch eine unterschiedliche Stückzahl gehandelt werden kann. Mit
zunehmendem Umfang wird für jede Stückzahl ein eigener Preis gefordert. In dieser
Funktion existieren Preissprünge, so dass nicht alle Kurse möglich sind. Bei dieser
Preisfunktion erwartet der Specialist moderate Gewinne mit kleinen Orders und den
Break-Even mit großen Transaktionen. Er kommt zu dem Resultat, dass sowohl der
Specialist als auch die uninformierten Akteure eine höhere Tick Size bevorzugen. Im
Gegensatz zu GLOSTEN (1994), bei dem die Preisfunktion linear zur Menge verläuft,
kommt BYRNE (1993) zu dem Ergebnis, dass selbst bei der Existenz von informierten
Marktteilnehmern bei diskreten Preisen stets eine mögliche Preisfunktion existiert und
somit nie ein monopolistischer Market-Maker präferiert wird, sondern immer ein
kompetitiver Markt.
94
Vgl. GLOSTEN (1989) der einen Spezialist Market untersucht. Er erweitert dieses Modell für die
Untersuchung eines offenen Limitorderbuchs ohne Market-Maker in seiner Arbeit von 1994.
CHAKRAVARTY / HOLDEN (1995) analysieren Strategien informierter Marktteil-

nehmer bei der Ordererteilung im Einperiodenfall für ein statisches Gleichgewicht
eines Limitorderbuchs. Die Modellbesonderheit ist die Möglichkeit der Insider, gleich-
zeitig limitierte und unlimitierte Aufträge zu erteilen. Sie definieren das Gleichgewicht
für limitierte Verkaufsaufträge als Situation, bei der sich der Briefkurs durch die Be-
dingung bestimmt, dass jeder der risikoneutralen Market-Maker für die Summe aller
von den Market-Makern im Eigenhandel verkauften Aktien, einen erwarteten Gewinn
von null Euro erhält. Der informierte Akteur ist indifferent bezüglich seines erwarteten
Gewinns, wenn sich für die Stückzahl, die er zum Verkauf stellt, bereits der maximale
Gewinn ergibt, der auch durch eine Erhöhung der Stückzahl nicht gesteigert werden
kann. Sie kommen zu dem Schluss, dass es für einen informierten Marktteilnehmer
optimal sein kann, Limits innerhalb der Geld-Brief-Spanne zu plazieren, sowie zeit-
gleich mehrere Limits mit verschiedenen Preisen zu erteilen. Es kann sogar optimal
sein, gleichzeitig einen unlimitierten Kauf und einen limitierten Verkaufsauftrag zu
erteilen, bei dem das Limit als Absicherung für den unlimitierten Auftrag gilt.
Im Xetra könnte dieses statische Gleichgewicht evtl. dann zu beobachten sein, wenn
z.B. ein sehr großer limitierter Verkaufsblock im Buch steht. Die Teilnehmer an den
Terminals testen, ob es sich um eine tatsächlich beabsichtigte Order handelt, ggf. ver-
ursacht durch überlegene Informationen, oder ob es eine Fehleingabe ist. Sie kaufen
eine kleine Stückzahl unlimitiert, gleichzeitig stellen sie zur Absicherung eine iden-
tische Menge als limitierten Verkaufsauftrag in das Orderbuch.
BROWN / HOLDEN (1999 & 2001) modellieren ein Limitorderbuch mit Market-Ma-
kern und Akteuren, die sowohl limitiert als auch unlimitiert arbeiten. Sie prüfen, ob
sich durch alternative Designs limitierter Orders95 das Risiko von „falschen”
Ausführungskursen reduzieren lässt. Die erste Ausgestaltung limitierter Orders sind
Aufträge, die ein fixes Limit haben. Kommt es am Markt zu einer Neueinschätzung
des Papiers, so kann es sein, dass der Ausführungskurs im Vergleich zur neuen Wert-
vorstellung zu niedrig oder zu hoch ist.96 Bei der zweiten Möglichkeit werden limi-
tierte Orders automatisch entsprechend einer Funktion der Bewegung des Marktin-
dexes angepasst. Dabei wird das individuelle Aktienbeta berücksichtigt. Somit lässt
sich das Risiko vermindern, dass Indexbewegungen das Limit zu ungünstigen Kursen
ausführen. Bei der letzten Variante limitierter Orders verändern sich diese automatisch
95
Die Gestaltung limitierter Orders analysiert bereits BLACK (1971), wobei die von Investoren er-
teilten Participation Orders anteilig mit den Transaktionen der Market-Maker ausgeführt werden.
96
Beispielsweise wird ein limitierter Kaufauftrag nach einer schlechten Unternehmensmeldung,
begleitet von fallenden Kursen, zu einem Preis über dem neu eingeschätzten Wert ausgeführt.
entsprechend einer Funktion der Market-Maker-Quotes. Als Limit wird z.B. ein abso-
luter Abstand zum Midquote erteilt. So kann das Risiko verringert werden, durch
unternehmensspezifische Nachrichten zu einer „falschen” Ausführung zu kommen.
Beim Vergleich der drei Limitarten kommen sie zu dem Ergebnis, dass sich die
Gewinne der limitiert ordernden Akteure erhöhen würden, womit sich die Gewinne
der Market-Maker und die der unlimitiert Agierenden verringern würden. Ein bedeu-
tender indirekter Effekt wäre, dass sich die Zahl der limitierten Orders erhöhen würde,
wobei diese erhöhte Liquidität die Profite der unlimitierten Orders steigern würde. Die
Folge ist, dass in Summe sowohl für die limitierten als auch die unlimitierten Orders
höhere Gewinne generiert würden, die gleichzeitig als Verlust bei den Market-Maker
zu Buche schlügen. Für weitere Untersuchungen schlagen BROWN / HOLDEN (1999
& 2001) vor, diese Limitstrategien an die Orderbuchtiefe zu knüpfen.
SEPPI (1997) modelliert ein statisches Gleichgewicht des Limitorderbuchs. Er zeigt,

dass aus dem Wettbewerb zwischen den Liquiditätsanbietern97 und dem monopolisti-
schen Specialist der NYSE ein Gleichgewicht resultieren kann. Im Modell wird der
fundamentale Wert der Aktie von allen gleich eingeschätzt. Unsicherheit herrscht be-
züglich des Umfangs der eingehenden unlimitierten Aufträge. Der Specialist kann
warten, um den realisierten Fluss der Aufträge zu sehen, bevor er handelt. Nur er
agiert zur Gewinnmaximierung strategisch, indem er sich vor Limits des offenen98
Orderbuchs stellt und mit den eingehenden unlimitierten Aufträgen konkurriert. Für
die wertorientierten Akteure gilt, dass sich für jeden vom Specialist gesetzten Preis für
alle plazierten Limits ein Gewinn von null Euro ergibt. Der den Gewinn maximierende
Preis des Specialist muss der Bedingung genügen, dass in Bezug auf sein minimales
Verkaufsvolumen, das Kaufvolumen eines Marktteilnehmers größer ist als die bei die-
sem Preis zur Verfügung stehende kumulierte Tiefe der Verkaufslimits. Dabei gilt für
den gewinnmaximierenden Preis des Specialist, dass er wegen der Konkurrenz des
Orderbuchs um so weniger Aktien verkaufen kann, je höher er den Preis setzt. Der
Spread entsteht durch strategisches Handeln des Specialist, der selbst mit informierten
Anlegern und ohne Transaktionskosten größer als null ist. Der Specialist berechnet für
den minimalen Preis, den er setzen könnte, seinen Gewinn.99 Dann berechnet er für
den nächst höheren Preis seinen Profit, wobei er die vorherige Transaktion bei dem
97
Vgl. SEPPI (1997), S.104 definiert Liquiditätsanbieter, die im Vergleich zu ihrer Wertschätzung
der Aktie zu höheren Kursen verkaufen und zu niedrigeren kaufen und die Liquiditätsnachfrager
die zu höheren Kursen kaufen und zu niedrigeren verkaufen.
98
Sein Modell steht im Kontrast zur Praxis der NYSE, wo das Orderbuch nicht allen ersichtlich ist.
99
Analog bei Käufen des Specialist.
niedrigeren Preis mit einbezieht. Diesen rekursiven Prozess wiederholt er bis zu dem
Preis, der seinen Gewinn maximiert. Im Vergleich zu einem dünnen Buch ergibt sich
für Käufe des Specialist bei einem tiefen Buch mit vielen Verkaufslimits ein hoher
Profit. Das Gleichgewicht im Buch ergibt sich für Preise, die über dem ökonomischen
Anreiz für eine Transaktion vom wertorientierten Akteur entfernt liegen. Daraus resul-
tiert, dass das Gleichgewicht unabhängig von der Tick Size, der Wahrscheinlichkeit
für einen Kauf oder den Transaktionskosten ist. Seppi schließt daraus, dass die Tiefe
des Buches umso größer ist, je mehr Aufträge mittleren Umfangs im Orderbuch vorlie-
gen. Im Gegensatz zu großen Blöcken, die dazu führen, dass der Specialist bei einer
Transaktion im Verhältnis zum Rest des Buches überproportional teilnimmt, was die
Liquidität im Limitorderbuch verringert. Als Ergebnis resultiert aus seinem Modell ein
Gleichgewicht sowohl mit als auch ohne Insider. Dabei ergibt sich für die Value Tra-
ders und auch den Specialist die Gleichgewichtsstrategie rekursiv. Bezüglich der
optimalen Höhe der Tick Size folgert er, dass nur der Specialist eine Tick Size von
null bevorzugt. Dabei fallen ihm die geringsten Kosten beim Unterbieten des Order-
buchs an. Dies führt im Gleichgewicht zu einem dünnen Buch. Die Kleinanleger favo-
risieren eine kleine und institutionelle Investoren eine große Tick Size. Beide Gruppen
bevorzugen ein hybrides100 System mit einem Limitorderbuch und einem Specialist.
Für Anleger, die mit mittleren Ordergrößen agieren, ist ein reines Limitorderbuch am
attraktivsten. Seppi zeigt, dass in einem perfekten Wettbewerb das Limitorderbuch er-
wartete Gewinne von null aufweist.
Um den Fluss von limitierten und unlimitierten Aufträgen zu analysieren, diskutieren

PARLOUR / SEPPI (1998) den Wettbewerb zwischen Marktorganisationen mit
Akteuren, die unterschiedliche Kostenstrukturen besitzen. Dabei vergleichen sie ver-
schiedene Kombinationen eines Limitorderbuchs mit einer Market-Maker-Organisa-
tion. Sie passen das Modell von SEPPI (1997) an. Die Besonderheit ist die simultane
Modellierung des Angebots und der Nachfrage nach Liquidität. Die Akteure können
ohne Zusatzkosten die Aufträge an verschiedenen Börsen plazieren. Sie verteilen die
Orders, um Transaktionskosten zu minimieren und wegen Order Preferencing.101
Zuerst modellieren sie den Wettbewerb zwischen einem Limitorderbuch und einem
hybriden Markt. Es agieren Specialists, tradingorientierte und wertorientierte Kon-
100
Vgl. THEISSEN (1998), S.6 für den ein hybrides Handelssystem vorliegt, wenn einzelne
Elemente der drei Grundformen der Marktorganisation, Gesamtkursermittlung, kontinuierliche
Auktion und Market-Maker System miteinander verknüpft werden.
101
Vgl. S. 6 für Order Preferencing, als die Entscheidung, wohin ein Auftrag übermittelt wird, wenn
die Akteure indifferent sind.
trahenten. Dafür definieren sie ein Nash Gleichgewicht,102 welches aus der Tiefe des
Buches und dem Ankunftsprozess der Orders resultiert. Für die Verteilung des An-
kunftsprozesses der Orders ergibt sich für das offene Limitorderbuch das Gleichge-
wicht bei Preisen von p d pmax wobei pmax der niedrigste Preis über dem allgemein er-
achteten Aktienwert zuzüglich der Transaktionsfixkosten ist. Sie kommen zu dem
Ergebnis, dass durch die simultane Modellierung der Liquiditätsnachfrage der trading-
orientierten Akteure einerseits und dem Liquiditätsangebot durch die Specialist und
wertorientierten Akteure andererseits, der Effekt des Wettbewerbs von Limitorderpla-
zierung und der Fluss an unlimitierten Aufträgen darstellbar werden. Durch den Weg-
fall von Handelsbarrieren zwischen Märkten, z.B. durch schnellere und billigere Tele-
kommunikation, kann es zu einer Konzentration der Liquidität und des Handels kom-
men. Die unlimitierten Aufträge werden tendenziell eher in liquiden Märkten plaziert,
womit dieser Markt für die Auftraggeber von limitierten Orders attraktiver wird.103
Im weiteren Verlauf modellieren sie den Wettbewerb zwischen den Organisationsfor-
men mit Order Preferencing für einen Markt. Bei bevorzugter Orderweiterleitung an
das offene Limitorderbuch ergibt sich sofort ein Gleichgewicht mit einem dominanten
Limitorderbuch. In ihrem Modell werden nur kleine und mittlere Orders entsprechend
dem Order Preferencing an das Limitorderbuch geleitet. Von großen Aufträgen wird
erst ein kleiner Teil im Orderbuch ausgeführt und dann, wenn der Preiseffekt zu groß
ist, wird der verbleibende, aber noch größter Teil an den hybriden Markt geschickt.
Dort unterbietet der Specialist dann den vom Markt angebotenen Preis leicht und tätigt
den Abschluss.104 Somit ist das Limitorderbuch dominant aber nicht frei vom Wettbe-
102
SAMUELSON / NORDHAUS (1989). S. 631. „Ein Nash Equilibrium charakterisiert einen Zu-
stand, in dem bei zwei Spielern, dann ein stabiles Gleichgewicht vorliegt, wenn keiner der beiden
Spieler – vorausgesetzt der andere bleibt bei seiner ursprünglichen Strategie – durch die
Änderung seiner Strategie seinen Gewinn vergrößern kann. Ein bekanntes Beispiel für ein Nash-
Gleichgewicht ist das prisoner’s dilema. In diesem ist dann dass Gleichgewicht erreicht, wenn
beide Gefangene eine gemeinsam begangene Tat gestehen und somit zu einer mittleren Haftstrafe
verurteilt werden. Sollte einer der beiden Gefangenen seine Strategie ändern und seine Unschuld
beteuern, so hätte der Geständige davon einen Vorteil und würde somit durch seine Kooperation
durch das Geständnis mit der niedrigsten möglichen Strafe belegt, wohingegen der Gefangene,
der seine Strategie gewechselt hat und sich als unschuldig gibt mit der Höchststrafe belegt würde.
So ist offensichtlich, dass ein Gleichgewicht dann herrscht, wenn beide die Tat gestehen und von
dieser Ausgangssituation für jeden der Teilnehmer durch einen Wechsel der Strategie nur eine
Verschlechterung der eigenen Position eintreten kann.“
103
Vgl. GLOSTEN (1994) der mit seiner Aussage noch einen Schritt weiter geht, dass sich die
Liquidität und Transaktionen in einem einzigen reinen Limitorderbuch konzentrieren wird.
104
Diese Modellaussagen wurden von DE JONG / NIJMAN / RÖELL (1995) bei ihrer empirischen
Untersuchung der Börse Paris auch weitgehend so beobachtet.
werb durch einen hybriden Markt.105 Bei bevorzugter Orderweiterleitung an den

hybriden Markt kann dieser unter bestimmten Voraussetzungen dominieren.106 Außer-
halb dieser Bedingungen kommt es zu einer Koexistenz der beiden Märkte trotz des
Order Preferencings zu Gunsten des hybriden Systems.
Als nächstes modellieren PARLOUR / SEPPI (1998) den Wettbewerb zwischen zwei
Limitorderbüchern. Dabei kommen sie zu dem Schluss, dass sich für die aggregierte
Liquidität der beiden Börsen keine Veränderung ergibt, wenn Marktteilnehmer eine
feste Präferenz bzgl. des Marktes haben, an die sie stets ihre Aufträge leiten. Sollte
aber die Ordererteilung zufällig an einem der beiden Märkte erfolgen, führt dies zu
einem Gleichgewicht mit einer Liquidität, die größer ist als die im Falle der Existenz
nur eines offenen Limitorderbuchs. Sie kommen zu dem Ergebnis, dass mehrere
Gleichgewichte existieren können. Dies ist davon abhängig, wohin die Investoren ihre
unlimitierten Aufträge leiten, wenn sie gegenüber den verschiedenen Organisations-
formen indifferent sind. Entsprechend können schon relativ kleine Einflussfaktoren
wie das Payment for Order Flow107 einen signifikanten Einfluss auf die Wahl des
Gleichgewichts haben. Somit ist keines der beiden Systeme vor Wettbewerb geschützt.
Ein offenes Limitorderbuch kann im Gleichgewicht immer eher unterstützt werden als
der dominierende Markt. Unter bestimmten Voraussetzungen kann der hybride Markt
das überlegene System sein.
VISWANATHAN / WANG (1999) gehen den Fragen nach, unter welchen Umständen
ein Marktteilnehmer ein Limitorderbuch gegenüber einem Dealership Markt108 bevor-
zugt und in welchen Situationen eine hybride Marktorganisation gegenüber dem
Limitorderbuch oder dem Dealership Markt bevorzugt wird. In ihrem Modell kon-
kurrieren alle Dealer strategisch um eine im Markt befindliche limitierte Verkaufs-
order. Der maßgebliche Faktor für den Gleichgewichtszustand ihres Modell ist der Bid
Reduction-Effekt. Diese „Gebotsreduktion“ eines einzelnen Market-Makers ergibt sich
aus seinem nachgefragten Gebotsvolumen im Verhältnis zu den Nachfrageänderungen
der anderen Market-Makern für den jeweiligen Kurs. Ist seine gewünschte Menge im
Verhältnis zu den summierten Nachfrageänderungen aller anderen Market-Maker
105
Im Gegensatz dazu steht GLOSTEN (1994), der zu dem Ergebnis kommt, dass ein Limit-
orderbuch nicht nur dominiert, sondern sogar wettbewerbsfrei ist.
106
Auf die Darstellung der zahlreichen Voraussetzung für eine mögliche Dominanz des hybriden
Marktes wird zugunsten der Konzentration auf das Limitorderbuch verzichtet.
107
PARLOUR / RAJAN (2001) beschreiben Payment for Order Flow als den Orderfluss an Aufträ-
gen, den der Market-Maker vom Broker kauft. Die Bezahlung erfolgt in Geld oder durch Dienst-
leistungen.
108
Vgl. GIOT / GRAMMIG (2002), S. 3 die von einem Dealership Market sprechen wenn einer oder
mehrere Dealer / Market-Maker als Anbieter von Liquidität agieren.
groß, so kommt es zu entsprechend umfangreichen Gebotsreduktionen oder zu Preis-

erhöhungen. Im Limitorderbuch hängt die Bid Reduction von der Verteilungsfunktion
der im Orderbuch befindlichen Limits ab. Sie ist null, falls die vom Market-Maker
nachgefragte Menge dem Angebot entspricht, und sie ist immer positiv, wenn keine
Verkaufsgebote im Limitorderbuch sind. Als Ergebnis resultiert, dass bei steigender
Nachfrage des Market-Makers der Bid Reduction Effekt zunimmt, während im Limit-
orderbuch bei steigender Nachfrage der Bid Reduction-Effekt abnimmt. Daraus folgt,
dass im Gleichgewicht die Nachfragefunktion in einem Dealership Markt steiler ver-
läuft als im Limitorderbuch. Die Autoren kommen zu dem Ergebnis, dass ein risiko-
neutraler Marktteilnehmer das Limitorderbuch gegenüber dem hybriden Markt und
dem Dealership Markt präferiert. Ein risikoaverser Investor bevorzugt den Dealer
Markt, wenn die Anzahl der Market-Maker sehr groß und die durchschnittliche Order-
größe sehr hoch ist. Aus der parallelen Existenz von risikoneutralen und risikoaversen
Marktakteuren interpretieren sie ihre Ergebnisse als Argument für hybride Marktorga-
nisationen.
CORDELLA / FOUCAULT (1999) untersuchen bei einem Wettbewerb um den

Orderfluss, den Einfluss der Minimum Tick Size und der Zeitpriorität der Limits auf
die Transaktionskosten und die Bildung von Quotes. Sie modellieren und messen die
Zeit, bis sich ein Gleichgewicht einstellt. Dieses kann bereits zur Startsituation der
Orderbuchlage bestehen, wenn ein sehr kleiner Spread im Limitorderbuch existiert,
oder wenn ein bestehender großer Spread sukzessiv durch viele limitierte Aufträge
verringert wird.109 Die Dauer dieses Prozesses wird durch die die Transaktionskosten
determinierenden Faktoren beeinflusst. Ist die Tick Size klein, so verringert dies das
Tempo, mit dem sich die vorherrschenden Quotes dem kompetitiven Niveau annähern.
In der empirischen Untersuchung stellen sie eine Verbindung zwischen den Quote
Dynamics im Gleichgewicht und dem Ankunftsprozess der Orders, sowie dem Status
des Orderbuchs, charakterisiert durch den Inside Spread, her. Sie folgern, dass die
Transaktionskosten höher sind, wenn die Ankunftsrate für Orders höher ist als die
Geschwindigkeit, mit welcher Anbieter von Liquidität auf die Offerten der Mitwettbe-
werber reagieren. Wenn das Verhältnis von unlimitierten zu limitierten Aufträgen
steigt, dann bedeutet dies höhere Transaktionskosten. Das Gleichgewicht modellieren
sie über den erwarteten Gewinn eines Marktteilnehmers. Falls der Reservationspreis110
109
Auch BIAIS / HILLION / SPATT (1995) beobachten für den CAC, dass ein anfänglich großer
Spread im Zeitablauf durch kontinuierlichen Wettbewerb um Preispriorität verkleinert wird.
110
Der Reservationspreis ist das Limit, das ein Akteur gerade noch bereit ist zu setzen, wenn die
Ausführung in der nächsten Periode garantiert ist und er dabei noch positive Gewinne erwartet.
des Käufers oder der Startstatus des Buches bekannt sind, ergibt sich auf Grund der
Dynamik der besten Gebote im offenen Orderbuch die Zeit T*, die benötigt wird, bis
die Quotes zum kompetitiven Niveau konvergieren durch:
° R P 1 « «I 1» » ½°
T* Max® B «« »,0¾' (2.2)
°̄ g 2 ¬ ¬ 2I »¼ ¼ °¿
RB = Höchster Briefkurs eines Akteurs, den ein unlimitiert agierender Investor

im nächsten Zeitpunkt maximal noch zu zahlen bereit wäre.
~
P = Erwartungswert E( V ) des Auszahlungsprofils der Aktie im Zeitpunkt T.
g = Minimale Tick Size.
I = Wahrscheinlichkeit, dass eine unlimitierte Order eintrifft, bevor ein
Wettbewerber auf das von j eingestellte limitierte Gebot reagieren kann.
¬¬x¼¼ = Die größte ganze Zahl strikt kleiner als x.
' = Durchschnittliche Zeitdauer zwischen zwei Quote-Anpassungen der um
den Orderfluss konkurrierenden Marktteilnehmer.
Der erste Quotient zeigt, dass es suboptimal ist, Limits hinter das beste Gebot zu
setzen und weder Zeit- noch Preispriorität zu erhalten. Damit formalisieren die Auto-
ren, dass eine kleinere minimale Tick Size die Zeitspanne verlängert, die nötig ist, bis
sich ein Gleichgewichtsspread einstellt, weil die Anzahl an inkrementellen Ein-
engungen des Spreads zunimmt. Die kleine Tick Size bedeutet auch, dass die Distanz
zwischen dem individuellen Reservationspreis und den kompetitiven Quotes nur von
relativ geringem Abstand sein kann. Der dritte Quotient charakterisiert den Ankunfts-
prozess der Orders und verdeutlicht, dass mit höherer Wahrscheinlichkeit für das Auf-
treten unlimitierter Orders (z.B. I = 0,9) sich die Zeit bis zum Erreichen des Gleich-
gewichtsspreads vergrößert, weil die eintreffenden Limits rasch durch unlimitierte
Aufträge ausgeführt werden und der Spread sich nicht einengt. Aus der Zeitpriorität
der Aufträge resultiert, dass Spreads, die größer sind als der kompetitive Spread, im
Zeitablauf keinen Bestand haben. Das Ergebnis ihrer Arbeit ist, dass in einem elektro-
nischen Handel wie dem CAC die optimale Tick Size ungleich null ist.
HOLLIFIELD / MILLER / SANDÅS / SLIVE (2001) analysieren die Profitabilität

und die Kosten von Orders. Dafür modellieren sie den Orderfluss und messen die Ver-
änderung der Liquidität im Zeitablauf. Sie untersuchen für drei Monate die Aktie
Eurus Resource Inc. Diesen Rohstofftitel verwenden sie wegen der Möglichkeit, einen
inneren Aktienwert im Zeitablauf berechnen zu können.111 Sie teilen alle Orders

gemäß ihrer Aggressivität zum Zeitpunkt der Orderaufgabe entsprechend der Distanz
zur Geld-Brief-Spanne in Klassen ein. Mit ihrem Modell versuchen sie darzustellen,
wie durch die relative Profitabilität von Aufträgen, Veränderungen im Orderfluss her-
vorgerufen werden. Sie konstruieren den erwarteten Gewinn für das Angebot und die
Nachfrage nach Liquidität. Dieses Maß kombinieren sie mit dem beobachteten Order-
fluss, um die Nachfrage nach Liquidität zu schätzen. Ihre Überlegung ist, dass ein ver-
stärkter Wunsch nach Sofortigkeitsservice zu einer höheren Anzahl unlimitierter Auf-
träge führt, wodurch die Gewinnmöglichkeiten für limitierte Aufträge steigen und die
bereitgestellte Liquidität zunimmt. Weiterhin nehmen sie an, dass limitierte Orders
dann weit entfernt von der Geld-Brief-Spanne aufgegeben werden, wenn der erwartete
Gewinn für diese Strategie relativ hoch ist. In der Empirie beobachten sie den Zeit-
punkt einer Ordererteilung und berechnen dann für eine fixe Zeitspanne seine Aus-
führungswahrscheinlichkeit. Anschließend schätzen sie den inneren Wert der Aktie,
um für limitierte Aufträge den erwarteten Gewinn zu erhalten. Diese Berechnungen
kombinieren sie mit der Annahme, dass Akteure durch die Ordererteilung ihren
erwarteten Gewinn maximieren wollen, woraus der Anlegerwunsch nach
Sofortigkeitsservice bestimmt werden kann. Durch die Analyse der Variation der Zeit
zwischen der Ordererteilung und der Ausführung ziehen sie Rückschlüsse auf die
Kosten der Auftragserteilung und die Ankunftsrate von Marktteilnehmern. Damit
untersuchen sie, wie potenzielle Liquiditätsanbieter auf Änderungen der Marktbedin-
gungen reagieren. Sie schätzen, welche Faktoren einen Einfluss auf die Veränderun-
gen der Zeitspanne zwischen der Ordererteilung haben. Als beeinflussende Parameter
erhalten sie die Variablen Spread, Geldvolumen, Briefvolumen, Summe aller Geld-
volumina, Summe aller Briefvolumina, Handelsvolumen innerhalb der letzten 30
Minuten und die Volatilität innerhalb der letzten 30 Handelsminuten. Sie weisen
statistisch signifikant nach, dass sich die Liquiditätsnachfrage im Zeitablauf stark
verändert, und dass im Orderbuch zahlreiche nicht genutzte Möglichkeiten existieren,
Gewinne zu erzielen. Sie können jedoch die relativen Änderungen in der Profitabilität
von Aufträgen nicht vollständig durch das Ordertiming und die Zusammensetzung des
Orderflusses erklären.
111
Für Eurus Resource Inc. nutzen sie zur Schätzung des inneren Wertes gemäß der Geschäftsfelder
die Kurse für Gold, Silber, Rohöl und US-Bonds und den S&P 500 für die Finanzanlagen.
Vgl. Opitz (1989), S. 420: „Zur Beschreibung von reellen Funktionen wählt man in der Regel die
Darstellung durch die Funktionsgleichung f(x1,.....,xn) = y und bezeichnet die x1,.....,xn als die
unabhängigen Variablen, y als die abhängige Variable.“
PARLOUR / RAJAN (2001) modellieren ein statisches Modell mit Payment for Order
Flow. Es existieren Broker, die die Aufträge der Investoren erhalten und weiterleiten.
Dafür erhalten sie eine Vergütung. Die Market-Maker bestimmen die Spreads und
handeln die Aufträge. Die Investoren erteilen limitierte oder unlimitierte Aufträge. Im
Wettbewerb um die Aufträge konkurrieren die Market-Maker mit ihren Quotes und die
Broker durch ihre Gebührenstruktur. In ihrem Modell kommt es durch Payment for
Order Flow zu einer Ausweitung der Spreads und einer Erhöhung des Verhältnisses
von limitierten zu unlimitierten Aufträgen. Der Grund dafür ist, dass die Market-
Maker zum Teil auch limitierte Orders gegen ihren eigenen Bestand ausführen und sie
dabei Verluste erleiden. Diese Einbußen versuchen sie durch Transaktionen mit
unlimitierten Aufträgen zu kompensieren, indem sie eine weitere Spanne stellen. Für
die Investoren kommt es somit zu höheren Kosten. Die limitiert arbeitenden Akteure
profitieren von dem ausgeweiteten Spread. Ein Gleichgewicht für das Zusammenwir-
ken von Market-Makern, Brokern und Investoren resultiert aus der Situation, wenn die
Geld-Brief-Spanne des Market-Makers null ist und die Broker keine Gebühren
verlangen. Bezüglich der Erholungsfähigkeit ist von Interesse, ob bei einer Auswei-
tung des Spreads ein Gleichgewichtsspread existiert, der nur bis zu einer bestimmten
Höhe ansteigen kann. Ab diesem Punkt würde es für die Marktteilnehmer derart
profitabel werden, dass sie überwiegend limitierte Orders erteilen würden, um von
diesem hohen Spread zu profitieren und sich so das Orderbuch wieder zu füllen.
Die Zusammenfassung der Modellkennzeichen der thematisierten statischen Gleichge-

wichtsmodelle und deren wichtigsten Erkenntnisse für die Erholungsfähigkeit des
Marktes erfolgt in Tabelle 2-7.
Modellkennzeichen
x Verschiedene Ausgestaltungen der Markt-Mikrostruktur und der daraus resultierende Einfluss auf
die Bildung eines Gleichgewichts (z.B. Höhe der Tick Size, alternative Designs limitierter Orders,
Koexistenz konkurrierender Handelssysteme, Insiderhandel, Existenz von Market-Makern).
Erkenntnis für die Erholungsfähigkeit des Marktes
x Das Orderbuch ermöglicht, Aufträge bei deren Erteilung in Relation zum gesamten Orderbuch zu
sehen. Dadurch spielen sich Gewinne im Orderbuch auf einen durchschnittlichen Wert ein.
x Diskrete Preise gewährleisten stets die Existenz einer Preisfunktion.
x Die Orderbucheinsicht kann strategisch handelnde Marktteilnehmer und Insider dazu veranlassen,
mehrere z. T. auch gegenläufige Orders zu erteilen.
x Alternative Ausgestaltungen von limitierten Aufträgen können zu einer Erhöhung der Gewinne
der mit Limits arbeitenden Akteure führen und zu Lasten derjenigen gehen, die ohne Limit
arbeiten.
x Durch einen rekursiven Prozess kann sich ein Gleichgewicht einstellen. Dafür berechnen Markt-
teilnehmer ihre Gewinnposition, wenn sie mit ihrem Auftrag im Orderbuch jeweils ein Limit
zusätzlich für ihre Auftragserteilung berücksichtigen.
x Bei unterschiedlichen Marktorganisationen ist das offene Limitorderbuch dominant. In zwei
parallel existierenden offenen Orderbüchern erhöht sich, bei einer zufälligen Verteilung der Auf-
träge auf einen der Märkte, die summierte Liquidität.
x In einem Limitorderbuch ist der Bid-Reduction-Effekt geringer als in anderen Märkten.
x Eine kleine Tick Size erhöht die Zeit bis sich ein Gleichgewicht einstellt. Das Verhältnis in der
Ankunftsrate unlimitierter Aufträge zu den Konsumenten der Liquidität determiniert die Zeitdauer
bis zum Erhalt des Gleichgewichts.
x Die im Orderbuch ersichtlichen Parameter Spread, Geld- und Briefvolumina, Summe der Geld-
und Briefvolumina und das Handelsvolumen sowie die Volatilität innerhalb der letzten 30 Minu-
ten haben einen Einfluss auf die Zeitspanne zwischen der Erteilung von Aufträgen.
x Durch Payment for Order Flow kommt es zu einer Ausweitung der Spreads und des Verhältnisses
von limitierten zu unlimitierten Aufträgen.
Tabelle 2-7: Zusammenfassung: Ergebnisse statischer Gleichgewichtsmodelle
Nach der Diskussion der partiellen Gleichgewichtsmodelle (Kapitel 2.3.3.1 und Kapi-
tel 2.3.3.2), die sich auf einen möglichen Gleichgewichtsspread konzentrieren und der
dazugehörigen Handelsstrategien in einem diskreten Auktionsmarkt, folgte die Über-
sicht über die statischen Gleichgewichtsmodelle (Kapitel 2.3.3.3). Diese setzen sich
insbesondere mit dem Einfluss der Markt-Mikrostruktur und der Organisationsformen
der Börsen auf ein Gleichgewicht auseinander. Es schließt sich der Forschungsbereich
der dynamischen Gleichgewichtsmodelle (Kapitel 2.3.3.4) an, die sich mit den optima-
len Strategien in einem kontinuierlichen Handeln mit Aktionen und Reaktionen der
Marktteilnehmer befassen, woraus eine Orderbuchsituation resultieren kann, die sich
im Gleichgewicht befindet. Dieser Bereich ist für ein offenes Limitorderbuch bisher
nur vereinzelt bearbeitet und modelliert.
2.3.3.4 Dynamische Gleichgewichtsmodelle des Limitorderbuchs

In den bisherigen Darstellungen dieser Arbeit wurden die dynamischen Aspekte in
einem Limitorderbuch hauptsächlich in ihrer Reaktion bezüglich der Ausgestaltung
der Markt-Mikrostruktur berücksichtigt. Zur Vervollständigung der Übersicht wird
eine letzte Gruppe an Untersuchungen angeführt, die der Frage nachgehen, welches
die optimale Strategie der Anleger unter Berücksichtigung der Lage des Orderbuchs
und der Reaktionen anderer Marktteilnehmer ist. Es wird beobachtet, welche
Strategien zur Anwendung kommen, um auf bestimmte Situationen im Orderbuch zu
reagieren, wie Anleger dabei die Ausführungsregel der Zeit- und Preispriorität
berücksichtigen können und wie sich daraus ein Gleichgewicht ergeben kann. Die
Abgrenzung zu statischen Modellen wird bei der Betrachtung einzelner Orders
deutlich. In statischen Modellen erteilen die Akteure ihre Aufträge gleichzeitig,
zumeist in Abhängigkeit von ihrem Reservationspreis (siehe folgenden Absatz). In
dynamischen Modellen hingegen agieren die Akteure sequentiell und reagieren auf
einzelne Aufträge und auf die Veränderungen des Orderbuchs.
FOUCAULT (1998) entwickelt ein Modell, um die Determinanten der Preisbildung

und des Orderflusses in einem Limitorderbuch zu bestimmen. Er untersucht die Zu-
sammensetzung des Orderflusses, der sich durch limitierte und unlimitierte Aufträge
der Marktteilnehmer definiert. Ein Market Maker existiert in seinem Modell nicht. Die
Ankunftsrate der Orders ist unabhängig vom Status des Orderbuchs. Nur die Zusam-
mensetzung des Orderflusses hängt vom Status des Limitorderbuchs ab. Falls ein
Marktteilnehmer zum Zeitpunkt t eine limitierte Order erteilt, kann in t + 1 ein anderer
Akteur nicht ebenfalls limitiert arbeiten. FOUCAULT (1998) versucht, zu model-
lieren, wie sich das Verhältnis von limitierten und unlimitierten Aufträgen im Gleich-
gewicht verhält. Dabei hängt die Ausführungswahrscheinlichkeit für limitierte Aufträ-
ge von den Strategien der Orderplazierung der anderen Marktteilnehmer ab. Grundle-
gend für das Modell ist die Annahme, dass sich die Akteure durch ihren individuellen
Reservationspreis, Rt unterscheiden. Dieser ist die Summe aus dem Wert der Aktie vt
und der für jeden Marktteilnehmer spezifischen Komponente yt, die seine persönlichen
Wertschätzung repräsentiert.
~
Rt ' v~t ' ~
yt (2.3)
Auf der Ebene des einzelnen Anlegers modelliert der Autor für das Gleichgewicht den
Grenzpreis, bei dem ein Käufer indifferent zwischen einem limitierten oder unlimi-
tierten Auftrag ist. Für das Gleichgewicht des Limitorderbuchs kommt er zu Aussagen
über die Höhe der Spreads, die von der Volatilität V und der Volatilität im Gleichge-
wicht Ve abhängen.
2
Spread V 2 L V * , falls V V e (2.4)
2 U
8L
Spread 2V , falls V e V (2.5)
4 U
L = individuelle, zusätzliche Wertschätzung

U = Ausführungswahrscheinlichkeit einer limitierten Order.
Der Spread wird von FOUCAULT (1998) damit in zwei Komponenten zerlegt, die für
ihn die zentralen Einflussfaktoren sind, welche die Ordererteilung beeinflussen. Der
erste Summand entspricht dem Reservation Spread, der durch die Gefahr entsteht, dass
limitierte Aufträge ausgeführt werden womit für den Anleger Verluste entstehen („the
risk of getting picked off“).112 Der zweite Summand resultiert aus dem Wettbewerb mit
anderen Marktteilnehmern um die Orderausführung. Insbesondere das unkompetitive
Verhalten des Marktes steht in enger Beziehung zum Ausführungsrisiko und stellt
somit eine erhöhte Rendite im Vergleich zum voll kompetitiven Markt da. Diese wird
dann möglich, wenn aufgrund eines niedrigeren Wettbewerbs die limitierten Geld-
kurse etwas gesenkt und die limitierten Briefkurse leicht angehoben werden können.
Seine Empirie liefert das Ergebnis, dass die Volatilität die zentrale Determinante für
die Zusammensetzung des Orderflusses ist. Die Erklärung ist, dass bei einer höheren
Volatilität das Risiko der Ausführung für einen limitierten Auftrag größer ist, und dass
dies zu einem Verlust führen könnte. Deswegen plazieren die Marktteilnehmer ihre
Orders so, dass eine breite Geld-Brief-Spanne entsteht. Dies erhöht die Ausführungs-
kosten für unlimitierte Aufträge, wodurch deren Anteil zurückgeht und dadurch der
Anteil an limitierten Orders zunimmt. Entsprechend ist der Anteil an limitierten Auf-
trägen mit der Volatilität positiv korreliert. Da in dieser Phase der Anteil der unlimi-
tierten Aufträge zurückgeht, kommt es zu einer geringeren Ausführungswahrschein-
lichkeit für die limitierten Aufträge. Somit ist die Ausführungswahrscheinlichkeit mit
der Volatilität negativ korreliert. Es folgt, dass der Anteil der limitierten Aufträge mit
der durchschnittlichen Höhe des Spreads positiv korreliert ist. FOUCAULT (1998)
112
Vgl. Fußnote 63.
kommt zu dem Ergebnis, dass durch das „Winner’s Curse“ Problem113 ein negativer
Einfluss auf die Allokationseffizienz114 des Marktes ausgeübt wird.
PARLOUR (1998) entwickelt ein dynamisches Modell ohne Informationsasymmetrie,

bei dem die Autorin eine Verbindung zwischen dem Status des Limitorderbuchs und
den Strategien der Orderplazierung herstellt. Die Marktteilnehmer geben in Abhängig-
keit der Lage des Orderbuchs und des erwarteten Orderflusses limitierte oder unlimi-
tierte Orders ab. Jeder Akteur ist es sich bewusst, dass sein Limit bestimmte Strategien
anderer Marktteilnehmer nach sich ziehen könnte mit Auswirkungen auf die Aus-
führungswahrscheinlichkeit seiner Order. Die Marktteilnehmer berücksichtigen beide
Seiten des Orderbuchs, um die optimale Strategie festzulegen. In dem Modell besteht
die Möglichkeit des heutigen Konsums oder eines Wertpapierinvestments mit zukünf-
tigem Konsum. Im Gleichgewicht hängt die Plazierung einer Order als limitierte oder
unlimitierte von der individuellen Konsumpräferenz ab. Marktteilnehmer mit einer ho-
hen Präferenz für heutigen Konsum sind bei der Orderausführung bereit, Preiszu-
geständnisse einzugehen, wenn sie durch ihre unlimitierte Order Sicherheit bei der
Ausführung erhalten. Für die Anleger die indifferent zwischen heutigem und zukünf-
tigem Konsum sind, kann nur ein Preisvorteil Anreiz zum Handeln sein: Sie agieren
limitiert. Die Marktteilnehmer vergleichen ihren erwarteten Nutzen, der aus einer
limitierten oder unlimitierten Order resultiert. Im Gleichgewicht ergibt sich für einen
limitierten Verkaufsauftrag eine höhere Ausführungswahrscheinlichkeit, wenn die
Briefseite eine Einheit dünner ist als die Geldseite. Neben dieser statischen Betrach-
tung der Tiefe einer Orderbuchseite modelliert PARLOUR (1998) auch die dynami-
sche Veränderung des Orderbuchs. Die Wahrscheinlichkeit, dass zum Zeitpunkt t+1
ein limitierter Verkaufsauftrag eingestellt wird, ist größer, wenn die vorhergehende
Transaktion im Zeitpunkt t zum Briefkurs stattgefunden hat, als wenn diese zum Geld-
kurs ausgeführt wurde. Entsprechend folgt, dass nach einer limitierten Kauftransaktion
in t+1 die Wahrscheinlichkeit sinkt, dass wiederum ein limitierter Kauf erteilt wird.115
Nach einer Transaktion zum Ask-Kurs besteht eine höhere Wahrscheinlichkeit dafür,
dass auch die nächste Transaktion wieder zum Ask-Kurs stattfinden wird. Die Wahr-
scheinlichkeit, dass keine Preisveränderung zu beobachten ist, ist größer, als die Mög-
lichkeit, dass sich eine Kursveränderung ergibt. Sie spricht dabei vom „crowding out”-
113
Vgl. Fußnote 63.
114
Vgl. GERKE / RAPP (1994), S. 11 für einen Überblick zum erweiterten Effizienzbegriff. Dieser
geht über die klassische Definition von FAMA (1970) hinaus, und berücksichtigt praktische
Gegebenheiten des Marktes, wie Transaktionskosten und Informationsbeschaffungskosten.
115
BIAIS / HILLION / SPATT (1995) belegen mit ihrer Untersuchung diese Aussage empirisch.
Effekt,116 wenn eine Order die Erteilung einer nachfolgenden Order beeinflusst. Bei-
spielsweise ist nach einem unlimitierten Kaufauftrag c.p. die Briefseite um eine Ein-
heit dünner geworden. Dadurch erscheint für den nächsten potenziellen Verkäufer ein
limitierter Verkaufsauftrag lukrativer, weil dessen Ausführungswahrscheinlichkeit ge-
stiegen ist. Somit ist es unwahrscheinlicher, dass eine Verkaufstransaktion zum Geld-
kurs stattfinden wird.117 Falls ein Akteur Liquidität durch eine unlimitierte Order kon-
sumiert, wird es für den nächsten Marktteilnehmer attraktiver, Liquidität mit einer
limitierten Order an der ersten Stelle des Buchs zur Verfügung zu stellen. Daraus re-
sultiert eine Korrelation zwischen limitierten Verkäufen und unlimitierten Käufen
sowie zwischen limitierten Käufen und unlimitierten Verkäufen.118
Als Ergebnis ihres Modells stellt PARLOUR (1998) somit Beziehungen zwischen den
Ausführungswahrscheinlichkeiten untereinander her. Die Wahrscheinlichkeit, in t+1
einen limitierten Verkaufsauftrag zu beobachten, ist am kleinsten, wenn in t ebenfalls
ein limitierter Verkaufsauftrag vorlag. Diese ist kleiner oder gleich dem Fall, dass in t
ein unlimitierter Verkauf vorlag. Diese wiederum ist kleiner oder gleich der Wahr-
scheinlichkeit, wenn in t ein limitierter Kauf vorlag. Letztlich ist die Wahrscheinlich-
keit kleiner oder gleich dem Fall, dass in t ein unlimitierter Kauf vorlag. Der letzte Fall
führt wiederum mit der größten Wahrscheinlichkeit dazu, dass in t+1 ein limitierter
Verkaufsauftrag folgt.
FOUCAULT / KADAN / KANDEL (2001) konzentrieren sich in einem offenen

Orderbuch auf den Einfluss, der sich aus dem Anteil an geduldigen zu ungeduldigen
Investoren ergibt, den Wartekosten der geduldigen Investoren, bis ihre limitierten Auf-
träge ausgeführt werden und der Höhe der Tick Size. In ihrem Modell unterscheiden
sie zwischen der Bewertung der Aktien und der Intensität des Wunsches nach
schneller Orderausführung. Dabei stellen sie in ihrem Gleichgewicht für das dynami-
sche Modell auch eine Relation zwischen der Zeit bis zur Ausführung des Auftrags,
dem Zustand des Marktes und der dominierenden Strategien der Ordererteilung her.
116
Vgl. SAMUELSON / NORDHAUS (1989), die unter Crowding Out verstehen, wenn hohe
staatliche Nachfrage die private Nachfrage teilweise verdrängt und substituiert.
117
Diese Überlegung bestätigt die Empirie von BIAIS et al. (1995), die beobachten, dass im CAC
kleine unlimitierte Kaufaufträge häufiger nach kleinen unlimitierten Kaufaufträgen stattfinden,
als dies der Fall nach kleinen unlimitierten Verkaufsaufträgen der Fall ist.
118
Vgl. LEE / MUCKLOW / READY (1993) für ähnliche Ergebnisse an der NYSE. Sie beobachten,
dass sich durch abnormal hohe Transaktionsvolumina - entsprechend einer langen Sequenz
unlimitierter Orders - die gestellten Spreads ausweiten und auch die Tiefe im Buch verringert.
Zudem beobachten sie, dass breite Spreads von einer geringen Tiefe des Buches begleitet werden
und dass enge Spreads zumeist gemeinsam mit einem tiefen Buch auftreten.
Sie modellieren die Interaktionen zwischen ungeduldigen Anlegern und ihren Strate-
gien der Orderplazierung für einen dynamischen ordergetriebenen Markt ohne Inter-
mediäre. Sie entwickeln drei mögliche Gleichgewichte. Das oszillierende Gleich-
gewicht, das Gleichgewicht bei hohem Wettbewerb und das bei niedrigem Wettbe-
werb. Das oszillierende Gleichgewicht stellt sich ein, wenn für die Anbieter und die
Konsumenten von Liquidität der Reservation Spread identisch ist. Der Reservation
Spread ist der kleinste Spread, den ein Akteur bereit ist, durch sein Limit herzustellen,
wenn die Ausführung des Auftrags in der nächsten Periode garantiert ist und er dabei
noch positive Gewinne erwartet. Der Reservation Spread des limitiert agierenden kann
nicht größer sein als der des unlimitiert arbeitenden Investors. Falls diese identisch
sind, resultiert ein Gleichgewicht. In Abhängigkeit des Spreads agieren dann alle
Akteure gleich und plazieren entweder einen unlimitierten Auftrag oder ein Limit. Der
Spread oszilliert, weil sich die limitierten und unlimitierten Aufträge abwechseln. Im
Gleichgewicht bildet der Reservation Spread des limitiert arbeitenden Akteurs den
minimal möglichen Spread. Der maximal mögliche Gleichgewichtsspread resultiert
daraus, dass bei einer Unterteilung in drei Regionen des Spreads, der sich im Gleich-
gewicht befindet, beim größten beobachtbaren Spread alle Marktteilnehmer limitiert
ordern. Bei einem sehr geringen Spread werden alle Akteure unlimitierte Aufträge er-
teilen, bei einem mittleren Spread erteilen die geduldigen Akteure einen limitierten
und die Ungeduldigen einen unlimitierten Auftrag. Das zweite Gleichgewicht, das bei
hohem Wettbewerb entsteht, wird durch die erwartete Zeit von der Ordererteilung bis
zur Ausführung determiniert. Dies ergibt sich für die Situation, in der unter den limi-
tiert arbeitenden Marktteilnehmern ein sehr hoher Konkurrenzdruck herrscht, bei dem
sich im Zeitablauf eine nicht abnehmende Wartezeit bis zur Ausführung der limitierten
Order ergibt. Als Drittes leiten die Anderen das Gleichgewicht bei niedrigem Wettbe-
werb ab. In diesem herrscht für die limitierten Orders eine marginal abnehmende
Wartezeit bis zur Ausführung. Falls die marginale erwartete Wartezeit mit dem Spread
steigt, ist der Vorteil durch ein preisverbesserndes Limit relativ groß. Entsprechend
werden die Marktteilnehmer bei einem großen Spread verstärkt Limits eingeben, die
den aktuellen Spread um mehr als eine Tick Size verringern. So entstehen sog. Löcher,
Kursniveaus ohne limitierte Gebote, im Orderbuch.119
Für die Beurteilung der Marktqualität verwenden die drei Autoren zwei Kriterien. Zu-
erst nutzen sie den erwarteten Spread als Maß für die Transaktionskosten.120 Diese
119
Vgl. BIAIS / HILLION / SPATT (1995), HOLLIFIELD / MILLER / SANDÅS (2000),
BENSTON / IRVINE / KANDEL (2001) die Löcher im Orderbuch empirisch untersuchen.
120
Vgl. THEISSEN (1998) der die explizite Geld-Brief-Spanne als grundsätzlich geeignetes Liqui-
ditätsmaß bezeichnet.
Kosten entstehen dem unlimitiert arbeitenden Akteur. Für die Anbieter von Liquidität
ist ein geringer Spread von Nachteil, weil die Preisverbesserung im Vergleich zu
ihrem Reservation Spread lediglich sehr gering ist. Deswegen nutzen FOUCAULT /
KADAN / KANDEL (2001) mit den ex-ante erwarteten Kosten der Wartezeit bis zur
Ausführung des Limits ein zweites Maß. Es resultiert eine Zielfunktion für die limitiert
arbeitenden Anleger, bei der gilt, die Preiszugeständnisse zu minimieren – entspre-
chend den Spread zu maximieren – und gleichzeitig die Kosten der Wartezeit zu mini-
mieren. Sie kommen zu dem Ergebnis, dass das Gleichgewicht durch drei Parameter
determiniert wird: Dem Anteil der geduldigen Investoren und dem Verhältnis der
Kosten, der Zeit der Ausführung der Order und der Tick Size zueinander. Sie kommen
zu dem Schluss, dass kleine Unterschiede im Anteil der geduldigen Investoren einen
großen Einfluss auf die Kosten der sofortigen Ausführung haben. Weiter zeigen sie,
dass die Kosten der Bereitstellung von Liquidität in einem Gleichgewicht mit niedri-
gem Wettbewerb in Richtung der Kosten eines Gleichgewichts mit hohem Wettbe-
werb stark verringert werden können, wenn z.B. ein liquiditätsspendender Betreuer
eingeführt wird. Durch ihr Ergebnis, dass das Gleichgewicht durch die geduldigen In-
vestoren, die Tick Size und die Wartekosten determiniert wird, stellt sich bei der Un-
tersuchung der Erholungsfähigkeit eines Marktes die Frage, wie sich die Kosten für
die Wartezeit bis zur Ausführung der Order im Zeitablauf oder in bestimmten Situatio-
nen verändern könnten.
FOUCAULT / RÖELL / SANDÅS (2001) entwickeln ein Modell für das Market Ma-
king mit Kosten der Überwachung des Informationsflusses und der Quotes. Deswegen
aktualisieren sie ihre Quotes nicht kontinuierlich, woraus die so genannten „stale
quotes“121 resultieren. Die Small Order Execution System (SOES) Bandits reagieren
auf diese „free trading options“.122 Sie handeln bevorzugt in volatilen Marktphasen,
und in Titeln mit geringem Spread mit den Market-Makern, die ihre Quotes nicht
schnell genug anpassen.123 Dadurch kommt es zu einem beschleunigten Prozess in der
Preisfindung. Für die Market-Maker modellieren sie für den Prozess des Monitoring
und das Quotieren ein Nash-Gleichgewicht. Die Kosten des News Monitoring (\) for-
mulieren sie mit:
121
Vgl. AHN / BOUDOUKH / RICHARDSON / WHITELAW (2000), S. 7 für die Entstehung von
stale quotes, weil vor allem für illiquide Titel durch das Aktualisieren von Quotes Kosten ent-
stehen. Diese Quotes sind keine Marktpreise, sondern resultieren aus Marktunvollkommenheiten.
122
Ihr Modell steht in enger Verbindung zu COPELAND / GALAI (1983), welche die free trading
Option für feste Quotes analysieren. Vgl. Kapitel 2.5.8.
123
Vgl. S. 17: Für NASDAQ Market-Maker ist es verboten Software einsetzen, die ihre eigenen
Quotes in Abhängigkeit von denen der anderen Market-Maker automatisch modifiziert.
cl 2
\ (l ) (2.6)
4
l = Grad der Überwachungsaktivität
c = Ausmaß der Überwachungsaktivität
Durch das News Monitoring eines Market-Makers ergeben sich positive externe
Effekte für andere Marktteilnehmer, wenn sie aufgrund seiner Anpassung ebenfalls
ihre Gebote ändern und somit indirekt auf die Nachrichten reagieren. Für diese Markt-
teilnehmer resultieren negative externe Effekte, wenn sie nicht schnell genug ihre
Quotes anpassen, so dass die Bandits vorher reagieren und die noch nicht angepassten
Gebote abgreifen können. Die Autoren stellen fest, dass es für Market-Maker sinnvoll
ist, die Kosten für die Überwachung der Quotes mit anderen Market-Makern zu teilen,
indem alle ihre Gebote zum Inside Spread plazieren, woraus ein Gleichgewicht resul-
tieren kann. Sie kommen zu dem Schluss, dass die Market-Maker aufgrund der Akti-
vitäten der SOES Bandits ihre Spreads weiter stellen, um ihre Verluste in Transaktio-
nen mit diesen, durch Geschäfte mit liquiditätsmotivierten unlimitierten Aufträgen zu
kompensieren.124
Die Modellkennzeichen und die Ergebnisse der beschriebenen Modelle dynamischer
Gleichgewichte werden in der folgenden Tabelle 2-8 zusammengefasst.
Modellkennzeichen
Verschiedene Ausgestaltung der Markt-Mikrostruktur und des resultierenden Einflusses auf die
Bildung eines Gleichgewichts, z.B. Höhe der Tick Size, alternative Designs limitierter Orders,
Koexistenz konkurrierender Handelssysteme, Insiderhandel oder Existenz von Market-Makern.
Erkenntnis für die Erholungsfähigkeit des Marktes

x Die Veränderung des Orderbuchs um ein einzelnes Gebot beeinflusst das Gleichgewicht.
x Der Spread im Gleichgewicht hängt von der Volatilität, der Ausführungswahrscheinlichkeit
einer limitierten Order und der individuellen Wertschätzung der Aktie eines Einzelnen ab.
x Der Gleichgewichtsspread hängt von dem Anteil geduldiger Investoren am Orderfluß, den
Wartekosten bis zur Ausführung limitierter Orders und der Tick Size ab.
x Der Gleichgewichtsspread hängt von den Kosten der Überwachung der Informationslage ab.
x Wenn die Market-Maker die Überwachungskosten teilen, kann ein Gleichgewicht resultieren.
Tabelle 2-8: Zusammenfassung: Ergebnisse dynamischer Gleichgewichtsmodelle
124
Vgl. HARRIS / SCHULTZ (1998), die beobachten, dass als häufigste Handelsstrategie der
Bandits zuerst eine Transaktion mit Quotes von großen Market-Makern getätigt wird um dann die
Position über z.B. Instinet mit Market-Makern von kleineren Brokern zu schließen.
2.4 Weiterführende Ansätze der Markt-Mikrostrukturforschung
2.4.1 Adverse Selection-Kosten

In diesem Abschnitt der Literaturübersicht werden die Adverse-Selektion-Kosten kurz
dargestellt. Diese sind durch das Ausmaß charakterisiert, in dem sie den Market-
Maker veranlassen, seine gestellte Spanne von dem letzten Transaktionskurs bzw. dem
Gleichgewichtskurs abweichen zu lassen. Dies geschieht zumeist, um sich vor Insider-
informationen zu schützen, die er in der letzten Transaktion vermutet.125 Dem folgen-
den Marktteilnehmer, ohne private Informationen, entstehen durch die so gestellte
Spanne Kosten.126 Er trägt die Adverse Selection-Kosten in der Form, dass im Ver-
gleich zum Gleichgewichtskurs sein Kaufkurs zu hoch oder sein Verkaufskurs zu
niedrig ist. Im Xetra existieren für die DAX-Titel keine amtlichen Market-Makeroder
Betreuer, jedoch agieren einige Broker wie Market-Maker.127 Zusätzlich existieren in-
stitutionelle Akteure, die sich kontinuierlich ein Bild über die Lage des Marktes
machen. Es liegt die Vermutung nahe, dass bei auffälligen Geboten im Orderbuch
diese zum Teil bessere Informationen haben und einige Marktteilnehmer darauf strate-
gisch reagieren.128 Somit ist die Adverse-Selection-Theorie auch für die Analyse der
Erholungsfähigkeit des Xetra relevant, bei der insbesondere die dynamischen Markt-
bewegungen oder Handelsstrategien von Marktteilnehmern erklärt werden sollen.
Die Modelle der Adverse Selection-Kosten konzentrieren sich auf drei Richtungen.129
x Der erste Bereich der Untersuchungen befasst sich mit der Preisfindung und
Lagerbestandskontrolle von risikoaversen Market-Makern.
x Der zweite Teil betrachtet den Preis der Liquidität als natürliche Eigenschaft von
Märkten. Der Gravitational Pull-Effekt gegenüberstehender Limits wirkt auf
Akteure und führt zu einem positiven Preis für die Liquidität.
x Im dritten Modellrahmen verlangen risikoneutrale Market-Maker für die Liqui-
ditätsbereitstellung einen Preis, um ihre Verluste mit informierten Anlegern zu
125
Vgl. HUBERMAN / HALKA (1999), S. 4 mit der Aussage, dass Adverse Selection hauptsächlich
Einzeltitel betrifft und weniger indexbasierte Produkte und Indizes, die kaum betroffen sind.
126
Vgl. BRENNAN / SUBRAHMANYAM (1995), S. 362, GLOSTEN / HARRIS (1988), S. 123 f.
127
Vgl. AITKEN / GARVEY / SWAN (1995).
128
Vgl. SCHMIDT / KÜSTER SIMIû (1998).
129
Vgl. WHITCOMB (as Discussant) in: GROSSMAN / MILLER (1988), S.634.
kompensieren, wobei die informierten Anleger zumeist versuchen, im Schutz der

Orders von Noise Trader130 verdeckt zu agieren.
Die erste der genannten drei Modellrichtungen analysiert Lagerhaltungskontrolle als

eine Ursache für den Spread und dessen Dynamik (vgl. z.B. STOLL (1978),
GROSSMAN / MILLER (1988), SPIEGEL / SUBRAHMANYAM (1995)). Bezüglich
der Relevanz der Lagerhaltungskontrolle für die Höhe und den Fortbestand des
Spreads stellen aber z.B. MADHAVAN / SMIDT (1991) mit ihrer Empirie zu NYSE-
Werten fest, dass im Spread ein Bestandteil für die Abdeckung von Transaktionskos-
ten enthalten ist. Bezüglich der Kosten der Bestandshaltungskontrolle finden sie nur
einen sehr kleinen Anteil des Spreads, der diesen zuzurechnen ist. In diese Richtung
gehen auch die Ergebnisse von HASBROUCK (1991). Die Informationskomponente
übt einen persistenten Einfluss auf die Preisgestaltung aus und der Spread ist mit der
Informationsasymmetrie positiv korreliert. Faktoren wie Bestandhaltungskontrolle,
Price Discreteness, Price Pressure, Order-Fragmentierung oder Price Smoothing haben
nur einen transitorischen Einfluss. Die Höhe des Spreads reagiert auf die Handelsakti-
vitäten. Große Trades stehen in Verbindung mit einer Ausweitung der Geld-Brief-
Spanne.
Die Existenz des Spreads als natürliche Eigenschaft des Marktes wird von COHEN /
MAIER / SCHWARTZ / WHITCOMB (1981) und HANDA / SCHWARTZ /
TIWARI (2002) untersucht. Sie gehen von einem Gravitational Pull-Effekt aus. Dieser
bewirkt, dass Marktteilnehmer statt einer Annäherung an das beste bestehende Gebot
eine unlimitierte Order mit Ausführungssicherheit aufgeben. Dies erfolgt, weil die
Akteure z.B. Transaktionskosten oder Informationsbeschaffungskosten haben und es
für sie nicht optimal ist, kontinuierlich in kleinen Mengen zu handeln. Im Gleichge-
wichtsspread sind für einen Marktteilnehmer die Kosten durch die bezahlte Geld-
Brief-Spanne bei der Erteilung einer Marktorder identisch mit den Kosten für eine
limitierte Order, bei der Kosten durch die mögliche Nichtausführung entstehen
können.
Bei der Analyse der Annahme, dass der Spread durch Insider hervorgerufen wird,
existieren mehrere Modellrichtungen. Die Grundlage legten BAGEHOT / TREYNOR
(1971). KYLE (1985) entwickelte diese Modellrichtung entscheidend weiter. Er
hinterfragt die Geschwindigkeit, mit der private Informationen Eingang in den Aktien-
130
Vgl. BLACK (1986). Er versteht unter Noise Trader liquiditätsgetriebene Akteure, die so
handeln, als ob ihnen Informationen vorliegen, was aus objektiver Sicht keinen Sinn macht.
kurs finden, und wie wertvoll diese Informationen für den Insider sind. Weiter unter-
sucht er, wie die Preisvolatilität beeinflusst wird und welche Faktoren die Markttiefe
determinieren. Als Ergebnis resultiert aus seinem Modell, dass für eine im Gleichge-
wicht befindliche kontinuierliche Auktion eine konstante Kursvolatilität resultiert.
Dies wird hervorgerufen durch die Informationen, die mit konstanter Rate eingepreist
werden. Die Markttiefe ist proportional zur Anzahl der Noise Trader und reziprok zum
Ausmaß der Insiderinformationen. Den Einfluss der Zahl der Insider auf die Markt-
tiefe modellieren ADMATI / PFLEIDERER (1988). Der zeitliche Vorsprung der in-
formierten Anleger ist kurz, weil sie von einer raschen Publizierung ausgehen. Mit
steigender Anzahl an informierten Akteuren kommt es zu einem hohen Wettbewerb
untereinander und zu einer Zunahme der Markttiefe, wenn die Insidersignale stark mit-
einander korrelieren. Sind sie dies nicht, so sind die einzelnen Informationen für einen
längeren Zeitraum wertvoll und führen zu einer Verringerung der Markttiefe. Gegen-
teilige Ergebnisse liefern HOLDEN / SUBRAHMANYAM (1992). Sie nehmen in
ihrem Modell einen beständigen Wert der privaten Informationen an. Sie stellen fest,
dass durch eine hohe Insiderzahl die Markttiefe verbessert wird. GLOSTEN /
MILGROM (1985) analysieren die Adverse Selection-Kosten für einen Specialist
Market bei der Verarbeitung von Insiderinformationen bei sequentiellem Handel. Aus
der Sicht des Market-Makers stellt der Geld(Brief)kurs den Preis dar, der seiner
Kurserwartung nach seinem Kauf (Verkauf) entspricht. Dadurch kompensiert er
Verluste beim Handel mit Insidern durch Gewinne mit Noise Tradern. Eine höhere
Zahl an Insidern führt zu einem sich ausweitenden Spread. Dieser reduziert sich
später, weil die Informationsasymmetrie zwischen Insider und Specialist wieder
abnimmt. Eine Verdoppelung der Wahrscheinlichkeit, mit einem Insider zu handeln,
bedeutet ca. eine Verdoppelung des Spreads. Damit reduziert sich die Zeit, in der die
Insiderinformationen im Kurs enthalten sind, auf ein Viertel. LEACH / MADHAVAN
(1993) untersuchen die Adverse Selection-Kosten hinsichtlich der Möglichkeiten der
Market-Maker, durch Preisexperimente Informationen über den zukünftigen Wert des
Papiers zu erhalten. Ihr Resultat ist, dass Preisexperimente einen mäßigen Erfolg
haben und mit einer Ausweitung der Spanne und einem niedrigeren Handelsvolumen
verbunden sind. BRENNAN / SUBRAHMANYAM (1995) modellieren, wie Adverse
Selection-Kosten durch die Anzahl an Investoren mit privaten Informationen beein-
flusst werden. Als Maß verwenden sie die Zahl der Unternehmensanalysten. Sie
kommen zu dem Ergebnis, dass eine höhere Anzahl dieser Experten die Adverse
Selection-Kosten reduziert. EASLEY / KIEFER / O’HARA / PAPERMAN (1996)
analysieren für Aktien mit unterschiedlicher Liquidität die Wahrscheinlichkeit, dass
eine Transaktion auf privaten Informationen basiert. Ihre Ergebnisse bestätigen die
Tendenz, elektronische Handelssysteme für illiquide Werte so zu modifizieren, dass
Market-Maker, Betreuer oder Handelsregeln wie z.B. maximale Spreads oder ein dis-
kretes Auktionsverfahren eingeführt werden.
Es bleibt festzuhalten, dass mehrere Modellrichtungen und empirische Untersuchun-

gen signifikante Beweise für die Adverse Selection-Kosten durch informationsbasier-
tem Handel belegen, und dass diese die Dynamik in einem kontinuierlichen Handel
beeinflussen.
2.4.2 Beobachtbare Kursmuster im Laufe einer Erholungsbewegung

Für eine Analyse von außerordentlichen Kursverläufen im Xetra-System ist es not-
wendig, auch Untersuchungen und Modelle zu berücksichtigen, die sich hauptsächlich
mit Kurseffekten befassen. Ein Auslöser für außergewöhnliche Kursbewegungen im
Tagesverlauf, oder über mehrere Tage, könnte die Ausführung von Blockorders
sein.131 Beim Handeln dieser Orders kommt es oftmals zu einer Zerlegung von großen
Volumina. Daraus resultiert, dass mehrere gleichgerichtete Geschäfte nacheinander
ausgeführt werden. Dadurch können Intraday-Kurstendenzen vorgegeben werden. Es
kommt vermehrt zur sog. Autokorrelation132 von Kursbewegungen. Bei der Analyse
von Blocktransaktionen wird zumeist auch erforscht, ob diese Kursausschläge wieder
umgekehrt werden und Reversals nachweisbar sind. Aufgrund des signifikanten Nach-
weises dieser Phänomene erfolgt ein Überblick zu den Themen Blocktransaktionen,
Autokorrelation und Kursreversals.
2.4.2.1 Blockorders als mögliche Auslöser einer großen Kursbewegung

Für Blocktransaktionen existiert keine einheitliche Definition. Zumeist versteht man
darunter ein Geschäft, das bezüglich Kenngrößen wie Stückzahl, Volumen oder Anteil
des Free Float eine außerordentliche Höhe aufweist. KEIM / MADHAVAN (1996)
sprechen von Blockorders ab 10.000 Aktien. Bei HOLTHAUSEN / LEFTWICH /
MAYERS (1987) erfolgt die Festlegung entweder anhand eines Prozentsatzes der bör-
senzugelassenen Aktien dieses Unternehmens, dem Blockvolumen in Relation zu dem
durchschnittlichen normalen Tagesvolumen oder dem US $-Wert eines Blocks.
Die Untersuchungen differenzieren zwischen käufer- oder verkäuferinitiierten Trans-

aktionen. Dies ist sinnvoll, weil unterschiedliche Preiseffekte entsprechend dem
Ursprung des Geschäfts existieren. HOLTHAUSEN / LEFTWICH / MAYERS (1987)
131
Vgl. CHAN / LAKONISHOK (1993), S. 176.
132
Vgl. GUJARATI (1988) S. 354: Bei einem klassischen linearen Regressionsmodell wird
angenommen, dass keine Autokorrelationen in der Störgröße ui existiert. (E(ui,uj)=0 mit izj)
kommen zu dem Ergebnis, dass verkäuferinitiierte Transaktionen zumeist nur einen

temporären Preiseinfluss haben. Sie erklären dies mit Liquiditätskosten, die nur bei
Verkäufen auftreten. Käuferinitiierte Geschäfte haben in der Regel einen dauerhaften
Einfluss. Diese dauerhaften Resultate erklären sie mit Excess Supply-Kurven, die
nicht perfekt elastisch sind, und mit Informationseffekten. Die Ergebnisse zu Ver-
käufertransaktionen stimmen mit der allgemeinen Auffassung überein, dass Block-
broker oft Verkaufsblöcke in den Eigenbestand nehmen, aber keine Leerverkäufe täti-
gen, um bei einem nachgefragten Block die Aktien zu liefern.133 Weiterhin spielt für
Blocktransaktionen die auslösende Information eine wichtige Rolle. Akteure versu-
chen in Erfahrung zu bringen, warum die Transaktion stattfindet, um entsprechend mit
Preisverhandlungen oder bedingter Teilnahme zu reagieren. KEIM / MADHAVAN
(1996) weisen Kursbewegungen bis zu vier Wochen vor dem Geschäft nach, die mit
dem Volumen des Block-Trades signifikant positiv korreliert sind. Dies erklären sie
durch die Information-Leakage,134 wobei käuferinitiierte Blöcke einen geringeren
Preiseffekt aufweisen als verkäuferinitiierte. Ihre Erklärung ist, dass beim Kauf eines
Blocks nur mit wenigen Großaktionären gesprochen werden kann. Bei Verkäufen von
Blöcken hingegen wird eine größere Zahl an möglichen Interessenten kontaktiert.
Die zentrale Frage bei der Untersuchung von Blocktransaktionen ist die des Preisein-
flusses. Hierbei wird unterschieden in einen temporären und einen permanenten Ein-
fluss. Die permanente Komponente ist die veränderte Einschätzung der Marktteil-
nehmer bezüglich des zukünftigen Wertes der Aktie aufgrund der Blocktransaktion.
Die temporäre Komponente definieren sie als die transitorische Kursbewegung, die
notwendig ist, um die Liquidität bereitzustellen, um die Transaktion auszuführen. Be-
züglich des Preiseinflusses kann nach dem Investmentstil des initiierenden Managers
differenziert werden. HOLTHAUSEN / LEFTWICH / MAYERS (1987) zeigen, dass
nach der Blocktransaktion eines wachstumsorientierten Investment-Managers, der
133
Für den Leerverkauf leihen sich Akteure Aktien, um sie am Markt zu verkaufen. Hierfür fiel in
2005 für DAX-Titel durchschnittlich eine Leihgebühr zwischen 10 und 30 Basispunkten p.a. an
(Quelle: Bloomberg). Zusätzlich besteht nach dem 4. Gesetz über Kapitalanlagegesellschaften
(KAGG) § 8f Abs. 1 über den Verkauf von Low Exercise Price Options (LEPOs) die Möglich-
keit, einen einzelnen Titel short zu gehen. Hierfür muss in einer juristischen Sekunde das Under-
lying im Bestand sein, um einen Call mit Basispreis 1 Euro verkaufen zu dürfen. Dann wird die
Aktie verkauft, um über die ungedeckte Call-Position ein Auszahlungsprofil entsprechend einer
Short-Position zu erhalten. Seit dem 24. Oktober 2005 besteht durch single stock Futures kosten-
günstig und einfach die Möglichkeit des Leerverkaufes von DAX-Titeln.
134
Vgl. MADHAVAN / CHENG (1997), die darunter verstehen, dass der Broker ein Interesse daran
hat, die Transaktionsteilnehmer auf der anderen Seite durch Informationen vor kurzfristigen Ver-
lusten zu bewahren. Andernfalls würden diese zukünftig keine Geschäfte mit dem Broker tätigen.
seine Ideen sehr zügig umsetzen möchte, ein Reversal erfolgt. Nach der Blocktrans-
aktion eines wertorientierten Investment-Managers, der eine marktschonende Ausfüh-
rung sucht, hält die Kurstendenz an. CHAN / LAKONISHOK (1995) kommen für die
Analyse der Reversals zu dem Ergebnis, dass diese für Kauftransaktionen nach der
Transaktion nur sehr schwach ausgeprägt sind. Für Verkäufe hingegen setzten schon
am letzten Tag der Transaktion moderate Reversals ein.
Ein Teil der Untersuchung von Blocktransaktionen beschäftigt sich mit dem Einfluss
des Upstairs-Market.135 MADHAVAN / CHENG (1997) weisen nach, dass bei stei-
gendem Blockumfang die Preiseffekte größer werden. Die relative Bedeutung für den
permanenten Preiseinfluss steigt mit dem Umfang der Transaktion sowohl im
Upstairs- als auch im Downstairs-Markt. Dies deutet darauf hin, dass asymmetrische
Informationen eine wichtige Komponente dieses Preiseinflusses sind. Die Kursbe-
wegungen vor der Blocktransaktion sind dann größer, wenn das Geschäft im Upstairs-
Markt vorbereitet wurde. Dies sehen sie als Bestätigung der Information Leakage-
Hypothese. Für die vom Broker gefundenen Handelspartner resultieren im Upstairs-
Markt niedrigere Adverse Selection-Kosten. KEIM / MADHAVAN (1996) stellen
fest, dass sich für die vom Verkäufer eingeleitete Blocktransaktion vor dem Handels-
tag ein negativer permanenter Preiseffekt ergibt. Am Handelstag selbst kommt es zu
einem negativen temporären Preiseinfluss. Nach dem Abschluss des Geschäftes sind
kaum signifikante Ergebnisse feststellbar. Für vom Käufer gestartete Blocktrans-
aktionen kommt es im Vorfeld durch die Information Leakage zu deutlichen positiven
Preiseffekten. Am Handelstag selbst sind keine temporären Effekte messbar. Nach Ab-
schluss der Transaktion ergeben sich zum Teil weitere, kleine, positive Preiseffekte.
Aus den Forschungsergebnissen resultieren Empfehlungen für die Vorbereitung und

Umsetzung von Blocktransaktionen. GERKE / RASCH (1992) zeigen Lösungsansätze
zur Integration des Blockhandels in ein Elektronisches Handelssystem. Für institutio-
nelle Investoren ist ein zentrales Qualitätsmerkmal eine hohe Liquidität in Form von
135
Der Upstairs Market in den USA ist eine Such- und Vermittlungsleistung der Broker. Diese
determinieren für den Auftraggeber einer großen Order die gegenüberstehenden Handelspartner,
bevor das Geschäft auf dem Parkett vollzogen wird. Bei der Umsetzung müssen alle im Markt
befindlichen Orders ausgeführt werden, soweit dies nach der Preisprioritätregel erforderlich ist.
MADHAVAN / CHENG (1997) stellen fest, dass der Downstairs-Markt eine zentrale Quelle des
Grades der Liquidität für große Blocktransaktionen ist. Dies zeigt sich daran, dass in ihrer Daten-
basis lediglich ca. 20% der Geschäfte im Upstairs-Markt vorbereitet wurden. Diese haben im
Durchschnitt ca. den doppelten Umfang von Downstairs Geschäften.
sofortiger Transaktionsmöglichkeit136 in Verbindung mit einer hohen Diskretion. Das

grundlegende Ziel der Ausgestaltung eines Marktes ist es, möglichst viel Liquidität
zentral über den offiziellen Börsenhandel abzuwickeln. Dies sollte durch Anreize ge-
schaffen werden, die es dem institutionellen Anleger interessanter erscheinen lassen,
anstelle eines außerbörslichen Systems über die Börse zu handeln. Einerseits schlagen
sie ein Offertensystem vor, das dem Investor ermöglicht, selektiv Blockangebote
anonym oder namentlich an andere Teilnehmer abzugeben. Andererseits sollte eine
Call-to-Market-Auktion existieren, die einmal täglich per Auktion einen Blocktransak-
tionspreis festlegt. Hierbei könnte eine Preisstaffel gelten, die für eine frühzeitige
Ordereingabe günstigere Transaktionskosten bietet.
2.4.2.2 Autokorrelation
In der Markt-Mikrostrukturforschung wird mit Zeitreihenuntersuchungen die Autokor-
relation der Renditen respektive der Residuen ut der Regression untersucht.137 Bei die-
sen Arbeiten herrschen zwei gegensätzliche Ansichten. Die Anhänger der Contrarian
Opinion, wie z.B. DE BONDT / THALER (1985 & 1987) kommen zu dem Schluss,
dass mit dem Kauf von Titeln, die in der Vergangenheit Kursverluste erlitten hatten, in
der Zukunft eine Überperformance erzielt werden kann. Die Anhänger der Momen-
tum-Theorie hingegen, wie z.B. JEGADEESH / TITMAN (1993) und GLASER /
WEBER (2002), gehen davon aus, dass die Gewinner/Verlierer der Vergangenheit
auch die zukünftigen Gewinner / Verlierer sein werden. Für die Modellierung und Er-
klärungsansätze der kurzfristig messbaren Autokorrelation nehmen die Autoren
BOUDOUKH / RICHARDSON / WHITELAW (1994) eine Dreiteilung in Loyalists,
Revisionists und Heretics vor.
Die Loyalists gehen davon aus, dass Märkte effizient sind und Informationen rational
verarbeiten. Durch Marktfriktionen kann Autokorrelation entstehen. Dies sind z. B.
Messfehler in der Datenbasis (Geld-Brief-Spanne, asynchrones Handeln, diskrete
Preise), institutionelle Strukturen (unterschiedliche Marktstrukturen, Handels- und
Nichthandelszeiten) oder Effekte, die durch die Markt-Mikrostruktur hervorgerufen
werden (systematische Bestandskontrolle, Informationsfluss). Zu den Loyalists gehö-
ren z.B. BOUDOUKH / RICHARDSON / WHITELAW (1994). Sie weisen nach, dass
die Autokorrelation an den Kassamärkten deutlich größer ist als an den zugehörigen
136
Diese Beschreibung der Qualität eines Marktes erfasst die Konsumenten von Liquidität. Welche
Kriterien für die Liquiditätsanbieter wichtig sind, wird dabei nicht berücksichtigt. FOUCAULT /
KADAN / KANDEL (2001) postulieren für diese Gruppe, dass sie für ihre limitierte Order
versuchen, das Preiszugeständnis in Kombination bis zur Ausführungszeit zu minimieren.
137
Vgl. BLEYMÜLLER / GEHLERT / GÜLICHER (2002), S. 159.
Futures-Märkten. Eine Ursache dafür ist asynchrones Handeln, das hauptsächlich

durch die im Index enthaltenen relativ illiquiden Titeln entsteht. WOOD / MC INISH/
ORD (1992) testen mit minütlichen Aktienindexdaten auf Autokorrelation und Nor-
malverteilung der Renditen. Sie zeigen, dass nach Berücksichtigung von asynchronem
Handeln fast keine Autokorrelation der Indexrenditen mehr vorliegt. Für die Renditen
finden sie im Intraday deutliche Muster. Für die ersten 30 Handelsminuten und gegen
Ende resultieren die größten positiven durchschnittlichen Renditen. Erst wenn diese
Zeiträume ausgeschlossen werden, sind die Intraday-Renditen normalverteilt. Ähnli-
che Muster ergeben sich bezüglich der Standardabweichung138 der Renditen. Diese
weisen im Tagesverlauf annähernd eine U-Form auf.139
Die Revisionists, z.B. CONRAD / KAUL (1988), nehmen ebenfalls an, dass die
Märkte effizient sind. Die messbare Autokorrelation wird durch eine sich im Zeit-
ablauf verändernde Risikoprämie generiert. Dieser Renditeaufschlag kann aus inter-
temporalen Asset-Pricing-Modellen stammen. Die Schwankungen der kurzfristigen
Risikoprämie können beispielsweise durch vergangene Marktrenditen oder veränderte
Zinsspreads entstehen.
Die Heretics gehen von irrationalen Märkten mit der Möglichkeit daraus resultierender
profitabler Handelsstrategien aus. Von besonderer Bedeutung sind hierbei psycholo-
gische Faktoren. Sie führen an, dass Investoren auf Nachrichten oft überreagieren oder
neue Informationen nicht ausreichend berücksichtigen und unterreagieren. Im Zeitab-
lauf entstehen bestimmte Muster. Diese These vertreten z.B. BROWN / HARLOW /
TINIC (1988). GLASER / WEBER (2002) weisen für den Deutschen Aktienmarkt die
Existenz eines Momentum-Effektes bei den Renditen nach. Dieser ist besonders aus-
geprägt für Aktien mit hoher Marktkapitalisierung. Zur Gruppe der Heretics gehört
auch SUMMERS (1986), der von ineffizienten Märkten ausgeht, die über längere
Zeiträume deutlich von ihren fundamentalen Werten abweichen. Er zeigt, dass die
Autokorrelation von kurzfristigen Renditen im Zuge von Reversalbewegungen einen
großen Anteil an den gesamten Renditeveränderungen haben kann. FABOZZI / MA /
CHITTENDEN / PACE (1995) gehen davon aus, dass an den Kapitalmärkten „behavi-
oral irrationality” existiert. Dabei werden von Investoren frühere Informationen ten-
denziell unterbewertet und aktuellere Informationen überbewertet. In ihrer Empirie
können sie dies statistisch signifikant nachweisen.
138
Vgl. FRANKE / HÄRDLE / HAFNER (2001), S. 39 für die Definition der Standardabweichung.
139
Vgl. BEINERT / TRAUTMANN (1992) für implizite Volatilitäten am Deutschen Aktienmarkt.
2.4.2.3 Kursreversal
Bei Kursreversals wird in den vorliegenden Arbeiten untersucht, ob sich kurzfristige
Kursbewegungen wieder umkehren. Dabei wird die Frage nach dem fundamental
richtigen Wert nicht berücksichtigt.140 Für die Entstehung von Kursreversals sind die
wichtigsten Hypothesen die der Overreaction und der Lack of Liquidity.
Die Overreaction-Hypothese hat zahlreiche Befürworter. Beispielsweise verwenden
DE BONDT / THALER (1985) als eine der Ersten mit der Overreaction-Hypothese141
diesen verhaltensorientierten Ansatz zur Erklärung der Kursbewegung nach unerwar-
teten, wichtigen Meldungen. Die These ist, dass Anleger bei der Revision ihrer Erwar-
tungen neue Meldungen übergewichten und vorhergehende Informationen oder die
Ausgangssituation untergewichten. Sie erkennen, dass der Overreaction-Effekt asym-
metrisch und für Verlierer-Aktien größer als für Gewinner ist. JEGADEESH /
TITMAN (1993) bestätigen diese Ergebnisse, konstatieren aber, dass ein großer Teil
dieser langfristigen Reversalbewegungen durch Januareffekte verursacht wird.
RICHARDS (1997) erweitert deren Modellierung um die Überlegung, ob Winner-Lo-
ser-Reversals142 durch höhere Risiken erklärt werden können. Sie kommen zu dem Er-
gebnis, dass das durchschnittliche Risiko bei den Renditen für die vorangegangenen
Loser nicht höher ist als das für Winner. BREMER / SWEENEY (1991) untersuchen
Kursausschläge größer als 10% innerhalb von 10 Tagen. Sie stellen fest, dass es zu
einem Reversal kommt. ATKINS / DYLE (1990) überprüfen extreme Kursausschläge
innerhalb eines Tages und deren Reversal. Sie stellen fest, dass es sowohl nach starken
Kursverlusten als auch nach Kursgewinnen zu einem signifikantem Reversal kommt,
wobei dies nach starken Kursgewinnen deutlich schwächer ausgeprägt ist. Sie folgern,
dass selbst die Akteure mit den geringsten Gebühren aufgrund des Spreads dieses Phä-
nomen nicht profitabel nutzen können. Für ihre Beobachtungen führen sie wie DE
BONDT / THALER (1985) an, dass Investoren neuen Ereignissen ein zu großes Ge-
wicht beimessen, also irrational handeln. JEGADEESH / TITMAN (1995a) konzen-
140
Vgl. POTERBA / SUMMERS (1988), die erforschen, ob langfristige mean reversion-Bewegun-
gen entstehen, weil sich temporäre Divergenzen zwischen dem fundamentalen Wert und den
Marktpreisen aufbauen, die sich später wieder verringern. FAMA / FRENCH (1988) analysieren
mean reversion für Zeiträume bis zu 10 Jahren. BESSEMBINDER / COUGHENOUR / SEGUIN
/ SMOLLER (1995) erklären mean reversion damit, dass die Preisveränderung eine temporäre
Komponente enthält und folgende Kursgewinne- oder Verluste zum Teil prognostizierbar sind.
141
Vgl. ROZEFF / ZAMAN (1998) charakterisieren Overreaction-Kursbewegungen dadurch, dass
diese sich prognostizierbar umkehren.
142
Vgl. JEGADEESH / TITMAN (1993) für das Winner-Loser-Reversals bzw. die Contrarian
Strategy bei der ehemalige „Looser” gekauft und bisherige „Winner” verkauft werden um
positive abnormale Renditen zu erwirtschaften.
trieren sich in ihrer Arbeit auf die Analyse der Auswirkungen von unternehmensspezi-
fischen Faktoren auf die Kursentwicklung einzelner Aktien. Sie setzen voraus, dass
eine Überreaktion auf unternehmensspezifische Informationen in die Störgröße ui der
Regression eine negative serielle Kovarianz induziert. Ihre Contrarian-Strategie
besteht darin, nach einer guten oder schlechten Rendite der Vorwoche entsprechend
gute Aktien zu verkaufen oder schlechte zu kaufen, um diese für eine Woche zu
halten. Es resultiert eine negative Autokovarianz in ihren Ergebnissen. Diese zeigt,
dass ein Teil der Aktienrendite der ersten Woche, im Durchschnitt in der folgenden
Woche eine Umkehrung findet. Sie folgern, dass die Aktien auf unternehmensrelevan-
te Nachrichten überreagieren. Der größte Anteil der Gewinne der Contrarian Strategie
stammt aus der ersten Überreaktion und dem folgenden Reversal. In Bezug auf die
Marktkapitalisierung kommen sie nicht zum gleichen Ergebnis. Sie widersprechen Un-
tersuchungen, die eine Relation zwischen Marktkapitalisierung und Reversal nachwie-
sen.
Den zweiten Erklärungsansatz für Reversals bildet die Hypothese der „Lack of Liqui-
dity“. GROSSMAN / MILLER (1988) gehen davon aus, dass die Marktliquidität
durch Angebot und Nachfrage nach Sofortigkeitsservice determiniert wird. Liquidi-
tätsschocks schaffen Nachfrage nach Sofortigkeitsservice. Herrscht in dem Markt eine
hohe Autokorrelation, so pendelt sich das Gleichgewicht der Liquidität auf einem rela-
tiv niedrigen Niveau ein. Dies bildet die Basis für ungewöhnliche Kursausschläge und
eine folgende deutliche Reversalbewegung. Auch JEGADEESH / TITMAN (1995b)
widersprechen der Overreaction-Hypothese. Sie gehen davon aus, dass das Rendite-
reversal durch liquiditätsorientierte Marktteilnehmer ausgelöst wird.
Der letzte Erklärungsansatz für Reversals, der in diesem Rahmen aufgeführt werden
soll, ist die Preference Reversal-Hypothese. Diese stammt ebenfalls aus der Verhal-
tenstheorie und wurde von SLOVIC / LICHTENSTEIN (1983) und REILLY (1982)
entwickelt und z.B. von FABOZZI / MA / CHITTENDEN / PACE (1995) genutzt.143
Die Hypothese besagt, dass große Preisausschläge als Anzeichen für eine nicht beo-
bachtbare Ankunft von neuen Informationen zu werten sind. Dies bedeutet, dass die
auftretenden Reversals als Reaktion auf die Qualität, den Umfang, die Geschwindig-
143
Vgl. SLOVIC / LICHTENSTEIN (1983) bei denen das Preference Reversals auf der Entschei-
dung und Bewertung einer Wettsituation basiert. Es existiert die Wette, mit hoher Wahrschein-
lichkeit eine geringe Summe Geld zu gewinnen oder mit niedriger Wahrscheinlichkeit eine hohe
Summe zu gewinnen. Das Preference Reversal liegt vor, wenn sich Wetteilnehmer für die Wette
mit der niedrigen Auszahlung entscheiden, aber der Wette mit dem großen möglichen Betrag
einen höheren monetären Wert beimessen, als der Wette mit dem niedrigen Auszahlungsbetrag.
keit, das Timing und die Häufigkeit des Auftretens der neuen Information zu erachten
sind.
Abschließend bleibt festzuhalten, dass die Untersuchung und modelltheoretische Er-

klärung von Intraday-Reversals gerade in Zeiten erhöhter Volatilität sinnvoll ist. Die
bisherigen Untersuchungen beschränken sich lediglich auf eine Untersuchung der
Kursbewegung. Die Zeitdauer, die für die Umkehrung notwendig ist, sowie die Über-
legung, wann sich die Aktie in diesem Prozess im Gleichgewicht befindet, wurde bis-
lang noch nicht thematisiert.
2.5 Optionspreistheorie
In Kapitel 2.5 werden die Annahmen des Black-Scholes Modells und die wesentlichen
Aspekte der Berechnung der Optionswerte dargestellt. Die Herleitung des Modells
wird nur an den Stellen aufgegriffen, wo dessen Entwicklung einen Mehrwert für die
Diskussion der Modellierung der Erholungsfähigkeit bietet. Der Schwerpunkt liegt in
einem kurzen Überblick über die Problemkreise und Erweiterungen des Black-
Scholes-Modells sowie die verschiedenen aktuell diskutierten Modellrichtungen der
Optionspreistheorie. Dabei wird der Frage nachgegangen, ob sich Alternativen zu
Black-Scholes für die Optionsbewertung der limitierten Aufträge anbieten. Aus
diesem Unterkapitel resultiert die detaillierte Herleitung der Optionsbepreisung von
limitierten Orders im Xetra, die für das Modell der Erholungsfähigkeit in Kapitel 3
von Bedeutung ist.
2.5.1 Bewertung limitierter Orders mittels der Optionspreistheorie

Für eine Untersuchung des offenen Orderbuchs ergibt sich die Frage der Bewertung
limitierter Orders. Als ersten Ansatz für die quantitative Beurteilung von limitierten
Orders entwickelten COPELAND / GALAI (1983) ein Modell, in dem sie die vom
Market-Maker gestellte Geld-Brief-Spanne als zwei Optionen werten, die von Markt-
teilnehmern ausgeübt werden können. Für die Quantifizierung der monetären Werte
der Optionen greifen sie auf das Optionsmodell von BLACK / SCHOLES (1972 &
1973)144 zurück. Damit berechnen sie für einen gestellten limitierten Briefkurs den
144
Vgl. MERTON (1973), dessen Modell weitgehend dem Modell von Black-Scholes entspricht.
Vgl. SAMUELSON (1965), der schon früher (lang laufende) Optionen bewertete. Dabei nutzte
er, wie später auch Black-Scholes, eine geometrische Brownsche Bewegung für den zugrunde
liegenden Aktienkurs. Das erste Modell für die Optionsbewertung stammt vom BACHELIER
(1900/1965), der für Optionen auf französische Staatsanleihen eine driftlose Brownsche Bewe-
gung einführt, die später auch Black-Scholes mit ihrem Modell nutzen.
Call-Wert. Für ein limitiertes Kaufgebot, also einen Geldkurs, errechnen sie den Put-
Wert.
2.5.2 Anwendung der Black-Scholes-Optionswerte auf ein Limitorderbuch

In ihrem Modell gehen COPELAND / GALAI (1983) davon aus, dass der Market-
Maker seine Gebote so setzt, dass der von ihm angenommene Wert des Papiers niedri-
ger ist als das von ihm veröffentlichte Verkaufsgebot und höher als sein Kaufgebot.
Die von ihm angebotenen Optionen sind aus dem Geld. Gleichzeitig will der Market-
Maker seinen Gewinn maximieren, indem er versucht Verluste, die ihm durch infor-
mierte Marktteilnehmer entstehen, durch Gewinne im Handel mit Noise Tradern zu
überkompensieren. Als Resultat ihrer Empirie stellen COPELAND / GALAI (1983)
fest, dass ihr Modell der Darstellung der Geld-Brief-Spanne des Market-Makers an-
hand der Optionspreistheorie konsistent mit den Ergebnissen anderer Untersuchungen
ist. Der Wert der Option steigt z.B. mit zunehmender Volatilität der Aktie.
Eine Anwendung des Black-Scholes-Modells auf ein gesamtes offenes Limitorderbuch

wurde bisher lediglich von JARNECIC / MC INISH (1997) für die Australian Stock
Exchange (ASX) durchgeführt. Durch die Berechnung des Optionswertes des Limit-
orderbuchs versuchen sie gleichzeitig, Spread und Markttiefe zu berücksichtigen, um
eine Aussage zur Liquidität des Marktes zu treffen. Sie analysieren für zwei Jahre das
Orderbuch der 30 liquidesten Werte zu vier Tageszeitpunkten. Ihr Ergebnis ist, dass
der im Zeitablauf sehr stabile Optionswert eine sehr hohe Korrelation mit anderen
Liquiditätsmaßen wie Gebotsvolumen oder Höhe der Geld-Brief-Spanne aufweist. Der
Optionswert ist z.B. hoch für Aktien mit einem sehr hohen Umsatz oder ist gegen
Handelsschluss höher als zu Beginn. Die besten Geld- und Briefkurse stellen 65% bis
80% des Optionswertes dar. Sie schlussfolgern, dass die Liquiditätsanbieter ent-
sprechend der jeweiligen Orderbuchlage den Wert ihrer Optionen anpassen, indem sie
hauptsächlich die gestellte Spanne und deren Volumina verändern.145
Zu ihrer Arbeit muss kritisch angemerkt werden, dass es sich um eine statische Be-
trachtung des Orderbuchs zu lediglich 13.166 Zeitpunkten handelt. Zudem erfolgt in
ihrer Arbeit keine Diskussion, ob für die Berechnung der Optionswerte uneinge-
schränkt das Black-Scholes-Modell verwendet werden kann. In der Optionsmarkt-
praxis spekulieren z.B. die „Schreiber“ von Optionen, darauf, dass diese wertlos ver-
145
Vgl. BOEHMER / SAAR / YU (2005), SCHMIDT / KÜSTER SIMIû (1998) für diese Beobacht-
ung des Ordermanagements limitierter Aufträge, ohne Berechnung der Optionswerte des
Limitorderbuchs.
fallen. Dies beeinflusst die implizite Volatilität,146 weil die Handelspartner, zumeist die
Market-Maker, diese Optionen nur zu niedrigeren impliziten Volatilitäten kaufen. Bei
der Erteilung von limitierten Aufträgen im Xetra ist das Gegenteil der Fall, da die An-
bieter von Liquidität auf eine preisgünstige Ausführung der Gebote zu ihrem Limit
spekulieren. Durch die Berechnung der Optionswerte wurden aus der Arbeit von
JARNECIC / MC INISH (1997) keine neuen Erkenntnisse über eine der Dimensionen
der Liquidität gewonnen. Vielmehr wurde durch ihre Berechnung für das Orderbuch
die Information der Marktbreite- und tiefe zu einer Maßzahl für die Liquidität redu-
ziert. Dadurch kommt es zu einem Verlust an Informationen. Neben dieser Arbeit
finden sich in der Literatur bisher keine Ansätze, die das gesamte Limitorderbuch mit
der Bewertung von Optionen anhand von Black-Scholes mit binomialen Ent-
scheidungsbäumen oder dem Hedge-Gedanken modellieren.147
2.5.3 Annahmen des Black-Scholes-Modells

Für das Optionspreismodell wurden von Black-Scholes Annahmen getroffen.148 Im
Folgenden werden diese kurz aufgeführt, um sie später im Kapitel 3. hinsichtlich ihrer
Gültigkeit bei der Bewertung von kurzlaufenden Optionen zu diskutieren.
1. Es gilt das Prinzip der Arbitragefreiheit bzw. das Gesetz des einheitlichen
Preises.149
2. Der Preisprozess des zugrunde liegenden Wertpapiers folgt einem geometrischen
Brownschen Bewegung mit W als white noise:
dSt P St dt V S t dWt
Dies bedeutet, dass in kleinen Zeitintervallen (dt) nur kleine Kursbewegungen für
146
Für die Berechnung der impliziten Volatilität greifen sie auf das Verfahren von BRENNER /
SUBRAHMANYAM (1988) zurück, bei dem die implizite Volatilität aus einem Straddle von am
Geld befindlichen Optionen berechnet wird. Zur Diskussion über die Verwendung der impliziten
oder historischen Volatilität siehe auch BLACK / SCHOLES (1972).
BRENNER (1988) definiert die implizite Volatilität als die erklärende Variable, die exakt zum
Optionspreis führt, wenn alle anderen Variablen des Black-Scholes-Modells bekannt sind.
147
Vgl. hierzu auch COX / ROSS / RUBINSTEIN (1979) und HULL (2003).
148
Vgl BLACK / SCHOLES (1972a), HULL (2003) S. 242 ff. für weitere Details der Annahmen.
Vgl. JACOB / PETTIT (1989) für eine Auflistung der verschiedenen Untersuchungen zu der
Überprüfung, in wie weit die Annahmen von Black-Scholes erfüllt sind.
149
Vgl. GERKE (2002), S. 61., der mit dem Begriff Arbitrage Geschäfte bezeichnet, die risikolose
Preis- oder Kursunterschiede an verschiedenen Märkten ausnutzen, wodurch sich ein Gewinn
ohne Nettokapitaleinsatz erzielen lässt.
die Aktie (S) zum Zeitpunkt (t) und keine Sprünge erfolgen.150 In diesen Prozess
fließen die zu erwartende Aktienrendite (µ) und die Volatilität (ı) ein.
3. Die Volatilität des Basiswerts ist bekannt und während der Laufzeit konstant.151
4. Die zugrunde liegenden Wertpapiere sind endlos teilbar und es existieren keine
Leerverkaufsbeschränkungen, bei denen die erhaltenen Erlöse sofort vollständig
frei verfügbar sind. Für Leerverkäufe sind keine Marginverpflichtungen fällig.
5. Es existieren keine Steuern und Transaktionskosten.
6. Im ursprünglichen Modell gibt es während der Optionslaufzeit keine Dividende.
7. Die Optionen können nur am Ende der Laufzeit ausgeübt werden.
8. Es existiert ein risikofreier, konstanter Zinssatz, der für alle verschiedenen
Restlaufzeiten der Optionen identisch ist.
9. Der Handel in dem zugrunde liegenden Wertpapier ist kontinuierlich.
Andere Optionsmodelle modifizieren von diesen Annahmen zumeist die Brownsche
Bewegung und/oder die konstante Volatilität. Einige dieser Modellvariationen werden
im Kapitel 2.5.7 dargestellt. Dabei wird ersichtlich, dass sich der überwiegende Teil
der Optionspreisdiskussion bei Aktienoptionen darauf bezieht, das Modell von Black-
Scholes zu erweitern oder zu standardisieren.
2.5.4 Optionswertberechnung mit Black-Scholes

Für die Berechnung des Call-Wertes C(K) und des Put-Wertes P(K) gilt:152
C K SN d1 Ke rt N d 2 (2.7)
2
§S· § V ·
ln¨ ¸ ¨¨ r ¸t
©K¹ © 2 ¸¹
d1 (2.8)
V t
d2 d1 V t (2.9)
PK Ke rt N d 2 SN d1 (2.10)
K = Basispreis der Option

S = Aktienkurs
N(x) = Standardnormalverteilungsfunktion
150
Zumeist werden in der Finanzmathematik Brownsche Bewegung und Wiener Prozess synonym
verwendet. Vgl. für die Definition eines Wiener Prozesses Fußnote 75.
151
Vgl. ENGLE (1993) für einen Methodenüberblick zur Messung und Prognose der Volatilität.
152
Vgl. BLACK / SCHOLES (1972 & 1973).
t = Restlaufzeit der Option als Bruchteil eines Jahres

r = risikoloser, kontinuierlicher Zinssatz
V = Standardabweichung (Volatilität) der Aktienrendite pro Periode
e = Eulersche Zahl
Hieraus sind die fünf Faktoren ersichtlich, die den Optionspreis festlegen: Der Aktien-
kurs und seine Volatilität, der Basispreis, der Zinssatz und die Optionsrestlaufzeit.
2.5.5 Fehlbepreisungen mit Black-Scholes

Aufgrund der teilweise sehr restriktiven Annahmen des Modells bildeten sich in der
empirischen Überprüfung des Black-Scholes-Modells folgende Probleme heraus.153
1. Zeitreiheneigenschaften des zugrunde liegenden Wertpapiers: ARCH-Analysen154
lehnen die Annahme der konstanten Volatilität für einen Diffusionsprozess155 mit
(logarithmierten) Aktienrenditen ab. Auch die Beobachtung der Fat Tail-Eigen-
schaft der Aktienrenditen führt zu einer Ablehnung dieser Annahme. Diese Ergeb-
nisse legen nahe, dass die Renditevolatilität nicht durch eine geometrische Brown-
sche Bewegung erfasst werden kann, sondern einem komplexeren Prozess der
Interaktion zwischen Rendite und Volatilität unterliegen muss.156
2. Querschnittseigenschaften der Optionspreise: Die Formel von Black-Scholes
impliziert, dass es lediglich einen freien Parameter gibt, nämlich die implizite
Volatilität, der aus den Optionswerten berechnet werden kann. Diese muss für alle
Optionen identisch sein, unabhängig von deren Optionsrestlaufzeiten oder dem
Ausmaß, mit dem sie sich im Geld befinden. Empirische Beobachtungen des
Smile157 und Smirk158 lehnen diese Annahmen ab.
153
Vgl. BATES (2002), S. 3.
154
Vgl. ENGLE (1982) der als Erster mit einer Autoregressive Conditional Heteroskedasticity
(ARCH)-Methode rechnete.
155
Vgl. HULL (2003), S. 704, der einen Diffusionsprozess vereinfacht mit einem Prozess beschreibt,
bei dem die Aktienkurse sich kontinuierlich verändern und keine Sprünge aufweisen.
156
Vgl. BLACK (1976) für diese empirischen Beobachtungen.
157
Vgl. BOLLEN / WHALEY (2001). Die Bezeichnung „implied volatility smile“ resultiert daraus,
dass vor dem Crash im Oktober 1987 die Beziehung der Black-Scholes impliziten Volatilität von
S&P 500 Indexoptionen zum Basispreis die Form eines Smiles aufwies.
Vgl. für weitere Untersuchungen zum Smile RUBINSTEIN (1985), RUBINSTEIN (1994),
BATES (1995), BAKSHI / CAO / CHEN (1997), DUMAS / FLEMMING / WHALEY (1998).
158
Vgl. CARR / WU (2003a) verstehen unter dem „volatility smirk“, dass bei einer gegebenen Rest-
laufzeit die implizite Volatilität für aus dem Geld befindliche Puts größer ist als für die analogen
Calls. Der Smirk ist asymmetrisch. Für ihn liegt eine negative Schiefe in der risikoneutralen
3. Zeitreiheneigenschaften der Optionspreise: Black-Scholes gehen von einer kon-

stanten impliziten Volatilität im Zeitablauf aus. Diese Hypothese wird bei prak-
tisch jeder Untersuchung bereits durch grafische Darstellungen der impliziten
Standardabweichung im Zeitablauf verworfen.159
4. Querschnittseigenschaften von Aktienrenditen und Optionspreisen: Die Relation
zwischen der impliziten Standardabweichung der Optionspreise und der Volatilität
der Aktienrenditen wird zumeist durch eine Regression der realisierten Volatilität
auf die implizite Standardabweichung analysiert. Daraus resultiert, dass die impli-
zite Standardabweichung häufig einem Bias unterliegt und für die Vorhersage der
Volatilität ineffizient ist.160 Mit statistischer Signifikanz ist z.B. für den S&P 100
und den NASDAQ 100 ein negativer Zusammenhang zwischen der Indexrendite
und seiner impliziten Volatilität nachgewiesen. Dieser Effekt ist zumeist asymme-
trisch. Bei Indexkursverlusten kommt es zu überproportionalen Steigerungen der
impliziten Volatilität, während bei Indexgewinnen nur ein vergleichsweise
geringerer Rückgang der impliziten Volatilität erfolgt.161
5. Querschnittseigenschaften von Optionspreisen gegenüber Optionsrenditen: Aus-
gehend von der aktuellen „Term Structure“ - dem Muster der impliziten Standard-
abweichung in Abhängigkeit von der Restlaufzeit – wird analysiert, ob Prognosen
für die zukünftige kurzfristige Entwicklung der Volatilität möglich sind.162 Einige
Untersuchungen liefern signifikante Ergebnisse für eine Überreaktion der unmit-
telbaren impliziten Volatilität, die einem Mean Reverting-Prozess unterliegt.
Ebenfalls zeigt sich eine Überreaktion der impliziten Volatilität langlaufender
Optionen bei Veränderungen der impliziten Volatilität von kurzlaufenden
Optionen.163
6. Gemeinsame Verteilung von Aktien- und Optionsrenditen: Aufgrund der Monoto-
nieeigenschaft von Optionspreisen sollten bei steigenden Aktienkursen Calls im
Renditeverteilung des Wertpapiers vor. Die positive Wölbung des Smirk steht für fat tails und
eine leptokurtische, also hochgipfelige, Renditeverteilung.
Vgl. RUBINSTEIN (1994), JACKWERTH / RUBINSTEIN (1996), AȲT-SAHALIA / LO (1998)
für empirische Beobachtungen des Smirk.
159
Vgl. BEINERT / TRAUTMANN (1992) für den Deutschen Optionsmarkt, die für die implizite
Volatilität kurz laufender Calls, in Abhängigkeit vom inneren Wert, eine U-Form messen.
160
Vgl. KENNEDY (1992), S. 16 für die Effizienz eines Schätzers, dass es für diese mathematisch
oft nicht möglich ist zu bestimmen, welcher die geringste Varianz hat.
Vgl. BATES (1996), S. 593 f für eine Übersicht empirischer Analysen und eine Kategorisierung.
161
Vgl. GIOT (2003), S.1.
162
Vgl. FIGLEWSKI (2004) für einen Überblick für das Gebiet der Volatilitätsprognose.
163
Vgl. STEIN (1989) für den signifikanten Nachweis dieser Resultate. Im Gegensatz dazu
bestätigen DIZ / FINUCANE (1993) und CAMPA / CHANG (1995) diese Aussagen nicht.
Wert monoton steigen und Puts monoton fallen. Ebenfalls dürften die absoluten
Veränderungen der Optionspreise die des Underlyings nicht übertreffen. Empiri-
sche Analysen widersprechen aber diesen beiden Modellaussagen.164
7. Optionspreise im Verhältnis zu der gemeinsamen Verteilung von Aktien- und
Optionsrenditen: Marktbeobachtungen der Performance von Portfolios, die sich
aus neutralisierenden Aktien- und Optionspositionen zusammensetzen, erzielen
nicht den risikolosen Marktzinssatz. Dies bedeutet, dass die von Black-Scholes
vorausgesetzte risikolose Struktur in der Praxis nicht erzielbar ist.165
Aus dieser Aufzählung wird deutlich, dass das Modell von Black-Scholes in der Praxis
viele Fragen aufwirft. Von diesen hat die Berechnungsmethode der Volatilität die
größte Bedeutung, da diese einerseits signifikante Muster wie z.B. Schiefe (Skew)166
und Smile aufweist und andererseits bereits kleine Unterschiede in der verwendeten
Volatilität einen sehr großen Einfluss auf den Optionswert haben.167
2.5.6 Methoden der Schätzung der kurzfristigen Volatilität
2.5.6.1 Klassischer Black-Scholes-Schätzer für die historische Volatilität

Die Volatilität ist im Modell von Black-Scholes die einzige Variable, die nicht bekannt
ist.168 Die Schätzung der historischen Volatilität erfolgt durch die Berechnung der
Standardabweichung (s), als Wurzel aus der Varianz der Renditen, für fixe Zeitinter-
valle auf Tageschlusskursbasis mit:169
1 n
¦ ut u
2
s (2.11)
n 1 t 1
164
Vgl. KALOÐERA (2003) für den Deutschen Optionsmarkt und BAKSHI / CAO / CHEN (2000)
für S&P 500 Indexoptionen, bei denen bis zu 17% der Veränderungen der Optionspreise auf
Tagesschlusskursbasis oder im Intraday-Verlauf nicht dieser Monotonieeigenschaft genügen.
165
Vgl. BAKSHI / CAO / CHEN (2000) oder COVAL / SHUMWAY (2001).
166
Vgl. HAUG (1998), S. 176. Die Schiefe beschreibt das Defizit in der Symmetrie einer Wahr-
scheinlichkeitsverteilung. Zwei Verteilungen können gleiche Mittelwerte und Varianzen haben,
aber in der Schiefe differieren. Eine symmetrische Verteilung weist eine Schiefe von null auf.
167
Trotz der hohen Bedeutung der Volatilität auf die Optionspreise hat die CBOE als erste Termin-
börse zum 03.01.1986, 14 Jahre nach der Publikation des Modells von Black-Scholes, mit der
Veröffentlichung der impliziten Volatilität des VIX-Index für den S&P 100 begonnen.
168
Vgl. MERTON (1980) der die Bedeutung der Volatilität und der Möglichkeit, diese unter der
Annahme eines Diffusionsprozesses exakt zu schätzen, herausstellt.
169
Vgl. HULL (2003), S. 239 f für eine Übersicht über Intraday-Untersuchungen. Im aktuellen
Kapitel dieser Arbeit werden nur die Schätzverfahren für die Volatilität erörtert. Eine Darstellung
der Vielfalt der Volatilitätsmodelle erfolgt nicht, da diese die kurzfristige Volatilität, wie z.B. für
15-minütige Zeiträume, nicht berücksichtigen. Vgl. ROSENBERG (2000).
Dafür werden die logarithmierten Renditen (ut ) verwendet:

§ S ·
ut ln¨¨ t ¸¸ (2.12)
© St 1 ¹
ut = Mittelwert der ut zum Zeitpunkt t

St = Aktienkurs zum Zeitpunkt t
n+1 = Anzahl der Beobachtungen
t = Zeitintervall in Jahren
In der Praxis hat es sich als Standard etabliert, als Anzahl der zu verwendenden Be-
obachtungen für ein Jahr die durchschnittlichen 252 Börsentage heranzuziehen.170
Die zunehmende Verfügbarkeit von Intraday-Daten hat eine Fülle an wissenschaft-
lichen Untersuchungen hervorgebracht, die sich auf den Intraday-Verlauf fokussie-
ren.171 Bei diesen wurden z.B. Schemata für den Tagesverlauf der Volatilität entdeckt,
die heute weitgehende Akzeptanz erlangt haben.172 Zusätzlich zu diesen Beobachtun-
gen wird die Frage aufgeworfen, welchem kurzfristigen Preisprozess die Kursent-
wicklung unterliegt. Dies spielt für die Bewertung von Optionen mit wenigen Minuten
Restlaufzeit eine bedeutende Rolle. Eine Option, die sich kurz vor Verfall außerhalb
des Geldes befindet, hat bei einem kontinuierlichen Prozess nur eine geringe Wahr-
scheinlichkeit, noch einen inneren Wert zu erlangen. Diese Wahrscheinlichkeit ist bei
der Annahme eines Sprungprozesses größer.173 Die Art des zugrunde liegenden
Aktienkursprozesses ist ein zentrales Kriterium für die Modellvielfalt der Optionsbe-
wertung (vgl. hierfür das Kapitel 2.5.7.). Diese Modelle gehen zumeist nicht mehr wie
Black-Scholes von einer geometrischen Brownschen Bewegung für die Entstehung
des Aktienkurses aus. Optimal wäre, wenn keine Annahme für den Preisprozess
gemacht werden müsste, sondern die realisierte Volatilität direkt erfassbar wäre. Dies
kann selbst mit hochfrequenten Daten nicht erfolgen, da keine kontinuierliche Erfas-
170
Vgl. FRANKE / HÄRDLE / HAFNER (2001), S. 95.
171
Vgl. SCHWERT (1990), HSIEH (1991) und TAYLOR / XU (1997) die Intraday-Daten
verwenden für die Berechnung von täglichen Renditevolatilitäten.
172
Vgl. SUNDKVIST / VIKSTRÖM (2000) die den Deutschen Aktienmarkt anhand des DAX unter-
suchen und daraus resultierend Aussagen für die Intraday-Optionsbewertung treffen.
173
Vgl. AȲT-SAHALIA (2002 & 2004), ANDERSEN / BOLLERSLEV / DIEBOLD / VEGA
(2002), CARR / WU (2003b) für die Zerlegung des Noise im Preisprozess in einen kontinuierli-
chen Brownschen und einen Sprunganteil. Die Koexistenz beider Bestandteile führt zu unter-
schiedlichen Anforderungen an Hedge-Strategien, AȲT-SAHALIA (2002), und beeinflusst kurz
laufende Optionen stark, CARR / WU (2003b). Der Sprunganteil variiert stark im Zeitablauf, die
kontinuierliche Komponente weist einen relativ konstanten Charakter auf CARR / WU (2003b).
sung der Kursdaten möglich ist. Selbst wenn Tickdaten erfasst werden, handelt es sich
doch immer um diskrete Daten.174 Einerseits kommt die Berücksichtigung dieser hoch-
frequenten Daten dem kontinuierlichen Preisprozess sehr nahe, andererseits bergen
diese Daten mathematische, statistische und ökonometrische Schwierigkeiten. Daraus
resultiert, dass verschiedene Verfahren entwickelt wurden, um die tatsächliche Volati-
lität zu schätzen.
Diese Schätzer der kurzfristigen Volatilität können in zwei Gruppen unterteilt werden,
die parametrischen und die parameterfreien.175 Im ersten Fall werden Annahmen über
die augenblickliche oder erwartete Volatilität getroffen, in der zweiten Gruppe
nicht.176 In beiden Fällen müssen bei der Berechnung der Volatilität vier, durch die
Marktmikrostruktur induzierte, zentrale Probleme kontrolliert werden.177 Diese sind
die zumeist nicht äquidistante Datenbasis,178 die diskreten Beobachtungen, Intraday-
Effekte sowie die zeitlichen Abhängigkeiten in Form einer negativen Autokorrelation,
die aus der Bewegung zwischen Geld- und Briefkurs resultiert.179
2.5.6.2 Weiterführende parametrische Volatilitätsschätzer

Die parametrischen Verfahren können in vier Klassen unterteilt werden:
x Erstens die Verfahren ARCH, GARCH180 und Exponentially Weighted Moving
Averages,
x zum Zweiten die stochastischen Volatilitätsmodelle,
x Drittens die Continuous Sample Path Diffusion-Modelle
x und als letztes die Sprungmodelle und deren Untergruppe, die Lévy-Prozesse.
In der Praxis liefern diese Verfahren effiziente Resultate. Insbesondere ARCH und
GARCH wurden intensiv genutzt. Aktuell kommen z.B. CHERNOV / GALLANT /
GHYSELS / TAUCHEN (2002) zu dem Ergebnis, dass auch Zeitreihenuntersuchun-
gen ungenügend sind, um Muster in der Entwicklung der Volatilität zu erklären. So
174
Vgl. ENGLE (2002).
175
ANDERSEN / BOLLERSLEV / FRANCIS / DIEBOLD, (2002) schlagen diese Einteilung vor.
176
Vgl. ANDERSEN / BOLLERSLEV / DIEBOLD (2002), S. 1 f.
177
Vgl. ENGLE / Russel (2004), S. 2ff.
178
Vgl. ENGLE (2000) für eine Übersicht, um diese Problematik der nicht äquidistanten Datenbasis
zu kontrollieren, der mit GARCH die Volatilität pro Zeiteinheit berechnet oder GHYSELS /
JASIAK (1998), die mit GARCH eine Aggregation der Volatilität über Zeitintervalle vornehmen.
179
Vgl. ENGLE / RUSSELL (2004), S. 3 f für eine Diskussion dieser Marktmikrostrukturprobleme.
180
Vgl. ENGLE (1982) für ARCH-Modelle und BOLLERSLEV (1986) für GARCH Modelle für die
Volatilitätsschätzung.
zeigen z.B. Volatilitätsschätzer, die Intraday-Renditen oder High Low-Kurse nutzen,

längerlaufende Volatilitätsbewegungen auf, als dies durch ARCH Untersuchungen ge-
schätzt wird. Somit scheint diese Forschungsrichtung für die Volatilitätsschätzung un-
genügend. Dies bedeutet, dass die Entstehung der Volatilität entweder ein längeres
„Gedächtnis“ hat oder multifaktoral bestimmt wird. CHERNOV / GALLANT /
GHYSELS / TAUCHEN (2002) fordern für die gleichzeitige Erklärung der Ent-
stehung der Volatilitätsmuster und der Fat Tails der Renditen mindestens ein stochasti-
sches Volatilitätsmodell mit zwei Faktoren. Aufgrund dieser Einschränkungen und
aufgrund der überwiegenden Nutzung der Tagesschlusskurse ist eine weitere Dis-
kussion für den Fortgang dieser Arbeit nicht zielführend.
2.5.6.3 Weiterführende parameterfreie Volatilitätsschätzer

Die parameterfreien Methoden können einerseits in ARCH-Filters, ARCH-Smoothers
und andererseits in Methoden der realisierten Volatilität unterteilt werden. Die reali-
sierte Volatilität bezeichnet bei ANDERSEN / BOLLERSLEV / DIEBOLD / LAYBS
(2003) die Anwendung von hochfrequent berechneten quadrierten IntradayRenditen.
Für eine Analyse von Intraday-Daten werden hauptsächlich parameterfreie Verfahren
angewandt. Diese bisherigen Anwendungen können noch nicht nachweisen, dass sie
generell bessere Ergebnisse bezüglich einer kurzfristigen Volatilitätsprognose erzielen
als parametrische Schätzer.181 Die ARCH-Smoother z.B. ZOU (1996) und ARCH Fil-
ter z.B. CORSI / ZUMBACH / MÜLLER / DACOROGNA (2001) werden dabei sel-
ten benutzt, da diese nach der Glättung der Ausgangsdaten oder der berechneten
Volatilität zur Reduktion des Schätzfehlers erneuter Korrekturen bedürfen.182
2.5.6.3.1 Range Based-Volatilitätsschätzer

Die gebräuchlichsten parameterfreien Verfahren für Tagesverlaufsdaten sind Range
Based- und Realisierte-Volatilitäts-Verfahren. Range Based-Methoden sind z.B. der
Intraday-Extremwertschätzer von PARKINSON (1980), der High Low Open Close-
Schätzer von GARMAN / KLAAS (1980) und ROGERS / SATCHELL (1991) sowie
der Intraday-Schätzer von YANG / ZHANG (2000), der zusätzlich auch noch die
Volatilität zwischen den Handelstagen berücksichtigt. Der in der Praxis am häufigsten
verwendete Range Based-Schätzer stammt von PARKINSON (1980). Er berechnet die
logarithmierte Rendite zwischen dem Kurshoch und -tief eines fixen Zeitraums. Deren
Länge liegt in der Praxis meist zwischen einer Minute und einem Tag. Für die Berech-
nung der annualisierten Volatilität (ı) gilt:
181
Vgl. POON / GRANGER (2003) und CHEN / HÄRDLE / SCHULZ (2004).
182
Vgl. ZUMBACH / CORSI / TRAPLETTI (2002), S. 10.
2
252 n 1 § Ht ·
V ¦ ¨ ln ¸
n t 1 4 * ln 2 ¨© Lt ¸¹
(2.13)
Ht = (Tages)hoch
Lt = (Tages)tief
n = Anzahl der Beobachtungen
t = Zeitpunkt der Beobachtungen
Der Vorteil des Parkinson-Schätzers ist, dass er effizient und robust ist. So kommt es
bei hoch liquiden Titeln, bei denen das Maximum der Range zumeist zum Briefkurs
und das Minimum zum Geldkurs gemessen wird, nur zu einer Erhöhung der Range um
den durchschnittlichen Spread, der für umsatzstarke Aktien gering ist.183 Eine weitere
positive Eigenschaft ist, dass dieses Parkinson-Maß ein zuverlässiger Schätzer für die
deutlich rechenintensivere, quadrierte Volatilität ist.184 Als Nachteil weisen diese
Schätzer auf, dass die Probleme, die aus der Marktmikrostruktur resultieren, am besten
dadurch gemildert werden, dass sich die Untersuchungen auf liquide Aktien beschrän-
ken und damit nicht die maximal mögliche Datenmenge nutzen, sondern nur Daten mit
einer niedrigeren Frequenz.185 Diese vier Range Based-Schätzer für die Volatilität, die
diskretionäre Daten aus dem Tagesverlauf nutzen, haben alle das Problem, dass die so
erfassten Daten einen Bias aufweisen.186 Dennoch sind sie im Vergleich zur Volatili-
tät, die auf Tagesschlusskursbasis geschätzt wird, ca. 5- bis 14-fach effizienter.187
2.5.6.3.2 Realisierte Volatilitätsschätzer

Der rechenintensive Realisierte-Volatilitäts-Schätzer basiert auf der Summe der hoch-
frequent berechneten quadrierten Renditen im Tagesverlauf und dient für die bereits
dargestellten Range Based-Schätzer als Benchmark188 und als Approximation für die
tatsächliche Volatilität.189 Anwendung findet dieses Konzept z.B. bei ANDERSEN /
BOLLERSLEV / DIEBOLD / EBENS (2001). Dieser Schätzer ist im Idealfall sehr
183
Vgl. ALIZADEH / BRANDT / DIEBOLD (2001), S. 15.
184
Vgl. PARKINSON (1980) und BRANDT / DIEBOLD (2004).
185
Vgl. BRANDT / DIEBOLD (2004), S. 3.
186
Vgl. GARMAN / KLAAS (1980), S. 74.
187
Vgl. BECKERS (1983), S. 109, LI / WEINBAUM (2000), S. 1.
188
Vgl. AȲT-SAHALIA / MYKLAND / ZHANG (2004), S. 1.
189
Vgl. ANDERSEN / BOLLERSLEV / DIEBOLD (2003), S. 1. die hierfür 5-minütige Zeitinter-
valle benutzen. Vgl. ANDERSEN / BOLLERSLEV / CHRISTOFFERSEN / DIEBOLD (2005),
S. 11 dafür, dass die tatsächliche realisierte Volatilität erst erfasst würde, wenn die Zeitspanne
zwischen der Messung der Renditen gegen null ginge.
effizient und weist kaum einen Bias auf.190 Dabei werden zumeist Zeiträume zwischen
einer und 30 Minuten genutzt. ANDERSEN / BOLLERSLEV / CHRISTOFFERSEN /
DIEBOLD (2005) schätzen die realisierte Varianz ( V t2,' ) mit:191
1/ '
V t2,' ¦r
j 1
2
t 1 j' ,' (2.14)
r = Aktienrendite
' = Anzahl der äquidistanten Intraday-Zeitintervalle eines Tages
j = Laufindex für die beobachtete Rendite
t = Laufindex pro erfasster Tag
Für diese Schätzung der realisierten Varianz ergibt sich in empirischen Analysen eine
negative Schiefe, die durch die Transformation zur Standardabweichung eine höhere
Symmetrie erhält und durch eine weitere Logarithmierung annähernd einer Normal-
verteilung entspricht.192 Ein Vorteil der realisierten Varianz: Je geringer die Zeit-
spanne zwischen den Beobachtungen wird, desto mehr nähern sich die Resultate der
wahren integrierten Volatilität193 eines kontinuierlichen Preisprozesses an.194 Ein
Nachteil ist, dass die Geld-Brief-Schwankung der Intraday-Bewegung einen höheren
Bias induziert, je höher die Anzahl der verwendeten quadrierten Intraday-Renditen
ist.195
Es kann zusammengefasst werden, dass für die Berechnung der kurzfristigen Volati-
lität im Intraday-Bereich sich sowohl in der Forschung als auch in der Praxis bisher
kein Standard für die Optionsbepreisungen gebildet hat. Insbesondere bei Berücksich-
tigung der diversen Beweggründe für Optionsgeschäfte, z.B. Hedging oder Spekula-
tion, zeigt sich, dass es bisher keine einheitliche, optimale Methode für die Berech-
nung der Volatilität gibt. Unabhängig davon gilt für die Effizienz, dass die realisierte
Volatilität ein effizienterer Schätzer für die echte Volatilität ist, als dies die Range
Based-Schätzer liefern. Dies wird deutlich, wenn ein Diffusionsprozess für die loga-
rithmierten Aktienrenditen vorliegt und diese in ausreichend kurzen Zeitintervallen
190
Vgl. ANDERSEN / BOLLERSLEV / DIEBOLD / LAYBS (2003), S. 530 und LI / WEINBAUM
(2000), S. 1.
191
Vgl. LI / WEINBAUM (2000), S. 11.
192
Vgl. ANDERSEN / BOLLERSLEV / DIEBOLD / LAYBS (1999), S. 3.
193
Vgl. ANDERSEN / BOLLERSLEV / DIEBOLD / LAYBS (2000), S. 1, die als integrierte Volati-
lität das Integral über die augenblickliche Volatilität für das beobachtete Zeitintervall verstehen.
194
Vgl. ANDERSEN / BOLLERSLEV / CHRISTOFFERSEN / DIEBOLD (2004), S. 13.
195
Vgl. ALIZADEH / BRANDT / DIEBOLD (2001), S. 15.
erfasst werden, da sich in diesem Fall die realisierte Volatilität mit zunehmender
Frequenz der Daten der wahren Volatilität annähert. In der Praxis ergibt sich für den
realisierten Volatilitätsschätzer durch die höhere Anzahl an Kursen ein größerer Bias
als für den Range Based-Schätzer, der mit lediglich zwei Preisen pro Intervall
arbeitet.196
2.5.7 Modifikationen des Modells von Black-Scholes

Ausgehend von dem Modell von Black-Scholes und seinen bereits beschriebenen re-
striktiven Annahmen, sowie dessen Fehlbepreisungen, wurden zahlreiche neue
Optionspreismodelle entwickelt. Von diesen werden eine oder mehrere der restriktiven
Black-Scholes-Annahmen gelockert oder aufgehoben. Im bisherigen Verlauf der
Arbeit wurde bereits ersichtlich, dass der Prozess, dem der Aktienkurs unterliegt, und
die Berechnung der Volatilität bzw. deren Modellierung zentral für die Bewertung
kurzlaufender Optionen sind. Entsprechend folgt ein Überblick über zentrale Modell-
richtungen, die sich von Black-Scholes - vor allem hinsichtlich der Annahmen für die
Volatilität oder dem zugrunde liegenden Prozess der Aktie - unterscheiden.
2.5.7.1 Univariate Diffusionsmodelle

Bei diesen deterministischen Modellen wird die Volatilität als eine Funktion des
Aktienkurses und der Zeit beschrieben.197 Die Volatilität hängt nur von Parametern ab,
die bekannt sind.198 Diese Modelle basieren auf dem Diffusionsprozess von Black-
Scholes und dem Prinzip der Arbitragefreiheit,199 wobei die Option durch die Kombi-
nation anderer Wertpapiere repliziert werden kann. Die Annahme einer geometrischen
Brownschen Bewegung für den Aktienkurs wird aufgeweicht. Zu diesem Modell ge-
hört z.B. das Constant Elasticity of Variance-Modell von COX / ROSS (1976) und
COX / RUBINSTEIN (1985). Sie modellieren eine Veränderung der Volatilität in Ab-
hängigkeit vom Niveau des Aktienkurses. In dem Leverage-Modell200 von GESKE
(1979) wird das Eigenkapital einer Firma als eine Kaufoption auf den Wert einer
196
Vgl. ALIZADEH / BRANDT / DIEBOLD (2001), S. 14 f.
197
Vgl. BOLLEN / WHALEY (2004), S. 712.
198
Vgl. ABKEN / NANDI (1996), S. 23.
199
Vgl. STOLL (1969), der bereits vor der Veröffentlichung des Optionsbewertungsmodells von
Black-Scholes die Put-Call-Parität aufstellte, die besagt, dass für einen Europäischen Call mit
bestimmtem Ausübungspreis und Laufzeit der Wert u.a. durch einen Europäischen Put mit
gleichem Basispreis und Laufzeit hergeleitet werden kann. Sollten sich Bewertungsunterschiede
ergeben, so besteht die Möglichkeit Arbitragegewinne zu erzielen, wobei ein sofortiger positiver
Geldstrom und zum Ende der Laufzeit ein neutraler Geldstrom generiert wird.
200
Eine alternative Bezeichnung für dieses Modell ist Compound Option Pricing Model.
Unternehmung mit viel Fremdkapitaleinsatz betrachtet. Er berechnet einen Call auf

diese Kaufoption. Kommt es zu einem dramatischen Rückgang des Aktienkurses,
womit sich das Verhältnis vom Fremdkapital zu Eigenkapital verschlechtert, resultiert
hieraus eine höhere Volatilität. RUBINSTEIN (1983) erhält mit seinem Diffusions-
modell den Wert einer Call-Option, in dem er den Unternehmenswert in einen
risikobehafteten Teil und einen risikofreien Anteil aufteilt. Der Erste unterliegt einer
Wertschwankung entsprechend einer geometrischen Brownschen Bewegung, bei der
sich die Volatilität in Abhängigkeit der Restlaufzeit verändert. Letzterer wächst
konstant mit dem risikofreien Zinssatz. Zu der Gruppe der univariaten Ansätze zählen
auch die Modelle der impliziten Binomial- und Trinomial-Bäume.201 Diese erreichen
ihre Genauigkeit in der Berechnung, indem sie in jedem Knoten eine neue Volatilität
schätzen und annehmen.
Ein Vorteil der univariaten Diffusionsmodelle ist, dass diese einfach in ihrer Anwen-
dung sind. Die meisten Parameter können auf Basis von Renditezeitreihen geschätzt
werden. Weiterhin können diese deterministischen Modelle auch einen gewissen Teil
der Dynamik der Volatilität gut darstellen. Als Nachteile stellen sich fünf Aspekte
heraus:
1. Untersuchungen zeigen, dass der gehandelte Optionspreis nicht vollständig durch

die Bewegungen der zugrunde liegenden Aktie erfasst wird. Es kommt z.B. zu
Preissteigerungen bei Calls, obwohl die Aktie fällt oder Calls und Puts steigen
bzw. fallen gleichzeitig.202 Dies widerlegt die Annahme, dass eine Option eine
risikofreie Replikationsmöglichkeit besitzt und dass Arbitragefreiheit herrscht.203
2. Diese Modelle implizieren bedingte Verteilungen in Abhängigkeit von der Höhe
des Aktienkurses. Das bedeutet, dass die Aktienkursrenditen im Modell nicht stati-
onär sind und einer risikoneutralen Verteilung unterliegen.204
3. Dadurch, dass die Volatilität in Abhängigkeit von der Zeit modelliert wird, ist es
schwierig, empirische Tests zu implementieren, die zumeist davon ausgehen, dass
der Verlauf der Zeit homogen ist.
201
Vgl. COX / ROSS / RUBINSTEIN (1979), RUBINSTEIN (1994) und LEISEN / REIMER
(1996) für binomiale Baumbepreisung von Optionen. Dabei wird ein Baumdiagramm erarbeitet,
das aus einer binomial verteilten Aktienkursbewegung resultiert. In Abhängigkeit der Höhe des
Aktienkurses pro Knoten werden die Optionswerte retrograd ermittelt.
Vgl. BOYLE (1986) für Trinomiale Bäume.
202
Vgl. KALOÐERA (2003) für diese empirische Beobachtung am Deutschen Optionsmarkt.
203
Vgl. BAKSHI / CAO / CHEN (2000).
204
Vgl. BATES (2002), S. 8.
4. Deterministische Modelle wie die ARCH-Modelle sind rechenintensiv und für

umfassende Echtzeitbewertungen von Optionen in der Praxis schwer einsetzbar.205
5. Die Modelle weisen für Hedgeportfolios eine Performance auf, die sich nicht als
überlegen zu der Hedgeperformance von Black-Scholes erwiesen hat.206
Abschließend kann für die univariaten Diffusionsmodelle festgehalten werden, dass

sie nicht in der Lage sind, Optionspreise exakter zu berechnen, als dies mit Black-
Scholes möglich ist.207
2.5.7.2 Stochastische Volatilitätsmodelle

Diese Modelle erlauben eine „augenblickliche Volatilität“208 der Aktienrenditen, die
stochastisch im Zeitablauf entsteht.209 Die Volatilität hängt nicht mehr nur von der
Entwicklung der Aktienkurse, sondern auch von anderen Parametern ab. Damit ist es
unmöglich, die Volatilität exakt mit aktuell verfügbaren Informationen zu prognos-
tizieren. Dennoch können diese volatilitätsinduzierenden Faktoren eine Korrelation
z.B. mit dem Aktienkurs aufweisen.210 Dies unterscheidet sie von den bereits disku-
tierten, deterministischen Modellen, bei denen der Anleger nur das Risiko eines Zu-
fallsprozesses für den Aktienkurs eingeht und nicht das Risiko von einem zufälligen
Aktienkurs und einer zufälligen Volatilität. Zumeist gehen diese Modelle von einem
Diffusionsprozess aus. Es werden aber auch Regime Switching-Modelle (z.B. NAIK
(1993), BILLIO / PELIZZON (2000)) oder Jump-Diffusion-Prozesse (z.B. DUFFIE /
PAN / SINGLETON (2000)) angenommen. Die Modellierung mit Diffusionspro-
zessen weist zwei Schwerpunkte auf. Der erste modelliert, dass es durch die nicht
stationäre Volatilität zu einem Volatilitätsrisiko kommt. Dieses weist in den erstge-
nannten Modellen noch eine Risikoprämie von null auf, weil die Annahme getroffen
wird, dass es durch Diversifizierung eliminierbar ist (z.B. bei HULL / WHITE (1987),
JOHNSON / SHANNO (1987), WIGGINS (1987)). Im Zuge weiterer Modellent-
wicklungen wird für das Volatilitätsrisiko eine Risikoprämie größer null eingeführt
(z.B. STEIN / STEIN (1991)). Der zweite Schwerpunkt liegt in der Einführung einer
205
Vgl. ENGLE / HONG / KANE / NOH (1993) die mit einer Simulation von Optionen und mit
ARCH versuchen die optimale Volatilität zu schätzen um diese in der Black-Scholes Formel für
eine Optionsrestlaufzeit von einem Tag nutzen zu können.
206
Vgl. THEODORAKAKOS (2001) für eine empirische Untersuchung mit diesem Ergebnis.
207
Vgl. GALAI (1983), S. 59 und THEODORAKAKOS (2001), S. 43.
208
In der englischsprachigen Literatur wird diese als instantaneous volatility bezeichnet. BEINERT /
TRAUTMANN (1992) sprechen von Momentanvarianz.
209
Vgl. GHYSELS / HARVEY / RENAULT (1996) für stochastische Volatilitätsmodelle.
210
Korrelation zwischen der Aktienkursbewegung und der Volatilität. Bei HULL /

WHITE (1987) und WIGGINS (1987) ist diese noch null, wogegen spätere Modelle
eine Korrelation ungleich null annehmen z.B. HESTON (1993). Durch die nicht
perfekte Korrelation zwischen dem Niveau des Aktienkurses und der Volatilität kann
es im Modell von HESTON (1993) auch ohne Aktienkursveränderungen wieder zu
Bewegungen des Optionspreises kommen.211
Die Implikationen für die Optionspreise, die aus diesen stochastischen Volatilitäts-
modellen resultieren, sind vergleichbar mit denen aus dem Black-Scholes-Modell,
wenn bei diesem ad hoc die Volatilitätsschätzungen angepasst würden. Der Vorteil der
Modelle mit stochastischer Volatilität ist deren qualitative Konsistenz mit der sto-
chastischen Entwicklung der impliziten Volatilität, die typischerweise Mean Rever-
ting-Tendenzen aufweist. Zusätzlich können diese teilweise den Smile und die Schiefe
der Volatilität darstellen und somit partiell die Enden der Renditeverteilung abbilden,
die schwerer sind als die Normalverteilung,212 wie es bereits Mitte der 60er Jahre beo-
bachtet wurde.213 Der Nachteil dieser Modelle ist, dass sie mit plausiblen Parametern
nicht unmittelbar zum beobachtbaren Smile und Smirk der Volatilitäten passen.214
Diese schwierige Schätzung der Parameter limitiert stark die praktische Anwendbar-
keit dieser Modelle. Bezüglich der Konstruktion eines Hedgeportfolios zeigt sich für
diese Modelle der Nachteil, dass nach der Absicherung immer noch ein Volatilitäts-
risiko besteht, das nicht über liquide Instrumente abgesichert werden kann. Daraus
ergibt sich die Komplikation, dass ein Investor entsprechend seiner subjektiven Ein-
schätzung eine Prämie für das Volatilitätsrisiko, z.B. in seinen Hedgeportfolios und
letztlich für die gehandelten Optionspreise, verlangen würde.
Als abschließendes Ergebnis für die stochastischen Volatilitätsmodelle kann angeführt

werden, dass die Verwendung einer stochastischen Volatilität, auch wenn sie die
Komplexität der Berechnungen erhöht, im Vergleich zu Black-Scholes die Güte der
Modelle steigert.215 Es sind mit einigen Modellen Hedgeportfolios konstruierbar, die
211
Vgl. BAKSHI / CAO / CHEN (2000), S. 582.
212
Deutsche Übersetzung zu dem englischen Ausdruck: Fat Tails.
213
Vgl. MANDELBROT (1963), FAMA (1965) für Arbeiten zu den Fat Tails der Renditen.
214
Vgl. WIGGINS (1987) oder RITCHKEN / TREVOR (1999) als Beispiele für die praktische
Schätzung von Optionswerten mit stochastischer Volatilität.
Vgl. BOYLE (1977) als erstes Beispiel für die Optionswertberechnung mit stochastischer
Volatilität anhand der sehr rechenintensiven Monte Carlo Methode, die für den Fall entwickelt
wurde, dass kein Modell mit einer geschlossenen Lösung vorliegt.
215
Vgl. BAKSHI / CAO / CHEN (1997). Dagegen findet ERAKER (2004), dass komplexe Sprung-
modelle nicht das einfachere stochastische Volatilitätsmodell von HESTON (1993) verbessern.
eine bessere Performance aufweisen als gemäß Black-Scholes zusammengestellte

Portfolios. Dies kann zumeist nur mit sehr aufwendigen und in der Praxis schwer an-
wendbaren Verfahren erfolgen, wobei nur das Modell von HESTON (1993) eine Aus-
nahme bildet.
2.5.7.3 Sprungmodelle
Die Sprungmodelle (Jump-Modelle) weichen die Annahme des Diffusionsprozesses
der Aktienrenditen auf, bei dem sowohl der Aktienkurs als auch die Volatilität zufällig
und in ruhigen Bahnen entsteht. Diese Modelle nehmen für den Prozess der Entste-
hung der Volatilität an, dass dieser Sprünge enthält.216 Sie wurden entwickelt, um den
beobachteten Smile und Smirk der Volatilität besser zu berücksichtigen. Die Sprung-
prozesse lassen sich in zwei Modellgruppen unterteilen. Ein Forschungszweig be-
schäftigt sich mit Modellen, die auf einem Poisson Prozess217 mit einer begrenzten
Zahl an Sprüngen in einem beschränkten Zeitintervall basieren. Darunter fallen
MERTON (1976), HESTON (1993), ANDERSEN / BENZONI / LUND (2002),
BAKSHI / CAO / CHEN (1997) und BATES (1996 &2000).218 Bei MERTON (1976)
z.B. folgen die Aktienrenditen nicht mehr nur einer geometrischen Brownschen Bewe-
gung, sondern enthalten zusätzlich mehrere Poisson verteilte Sprünge. Dafür wird die
durchschnittliche Anzahl an Sprüngen pro Jahr und deren durchschnittliche prozentu-
ale Höhe geschätzt. Die andere Forschungsrichtung umfasst Modelle mit einer unend-
lichen Anzahl an (kleinen) Sprüngen in einem beschränkten Zeitraum. Solche Modelle
stammen von BARNDORFF-NIELSEN (1998), EBERLEIN / KELLER / PRAUSE
(1998), MADAN / CARR / CHANG (1998), CARR / GEMAN / MADAN / YOR
(2002) und CARR / WU (2003a). Der Vorteil der Sprungmodelle liegt darin, dass sie
bei der Betrachtung eines einzelnen Fälligkeitszeitpunktes die beobachtete Volatilität
gut abbilden. Durch die Annahme der unabhängigen und identisch verteilten Renditen
216
Vgl. FRENCH / ROLL (1986), die als Gründe für die Entstehung der Volatilität die Veröffen-
tlichung neuer Informationen, Insiderinformationen oder Fehlbepreisungen im Handel nennen.
BESSEMBINDER / SEGUIN (1993) und MADHAVAN / RICHARDSON / ROOMANS (1997)
erachten als Hauptgrund für die Entstehung der Volatilität unerwartetes Handelsvolumen.
Vgl. JONES / KAUL / LIPSON (1994) die feststellen, dass die Volatilität nicht durch die Größe
von Aufträgen induziert wird, sondern durch das Auftreten von Transaktionen per se.
217
Vgl. BAMBERG / BAUR (1989), S.103: Eine Zufallsvariable X mit der Wahrscheinlichkeits-
funktion f (x), wobei O > 0, heißt Poisson-verteilt oder genauer P(O)-verteilt für:
Ox O
° e ; für x 0, 1, 2, ...
f ( x) ® x!
°0 ; sonst
¯
218
Diese Modelle können dem generalisierten Modell von DUFFIE / PAN / SINGLETON (2000)
zugeordnet werden, das Sprünge und eine stochastische Volatilität beinhaltet.
konvergieren die mit Sprungmodellen berechneten Optionswerte mit zunehmender

Restlaufzeit gegen die gemäß Black-Scholes berechneten Werte.219 Deren Nachteil ist,
dass bezüglich der Hedging-Anforderungen keine Formel existiert, wie dies noch bei
Black-Scholes der Fall ist.220 Durch das unregelmäßige Auftreten der Sprünge ist es
empirisch schwierig, Sprungmodelle zu überprüfen.221 In der Praxis finden die meisten
dieser Modelle keine Anwendung, weil sie Parameter benötigen, die nicht am Markt
zu beobachten sind, sondern durch statistische Verfahren aufwendig geschätzt werden
müssen.222 Es existieren nur wenige Modelle mit einer geschlossenen Lösung, wie z.B.
bei MADAN / CARR / CHANG (1998). Der Vorteil diese Modelle ist, dass sie für
eine einzelne Restlaufzeit der Option den Smile und Smirk gut modellieren können223
und die stochastische Entwicklung der Volatilität gut erfassen.224
2.5.7.4 Hybride Modelle

Aus den Beobachtungen und Diskussionen über die Stärken und Schwächen dieser
Modellrichtungen in der Optionsbepreisung folgt die Notwendigkeit hybrider Modelle.
Insbesondere für die Modellierung der impliziten Volatilität unterschiedlicher Rest-
laufzeiten ist es sinnvoll, eine stochastische Volatilität und eine Sprungkomponente zu
berücksichtigen.225 Die meisten Modelle, die Sprünge und stochastische Volatilität be-
rücksichtigen, können als Spezifikationen des allgemeinen Rahmens von DUFFIE /
PAN / SINGLETON (2000) erachtet werden. Sie wiederum nehmen mit ihrer Modell-
klasse der „jump-in-volatility“-Modelle eine Generalisierung der Modelle von
MERTON (1976), HESTON (1993) und BATES (1996) vor. Zu diesen jump-in-vola-
tility-Modellen zählen die Ansätze von z.B. BAKSHI / CAO / CHEN (1997), BATES
(1996, 2000), ERAKER (2003) und PAN (2002). Für die hybriden Modelle ist positiv
zu vermerken, dass sie die Qualität der Modelle, die nur die stochastische Volatilität
oder Aktienkurssprünge berücksichtigen, verbessern und die Zeitreiheneigenschaften
der impliziten Volatilität gut abbilden. Als negativer Aspekt bleibt, dass diese im Ver-
gleich zur Normalverteilungsannahme zu schwere Enden – sog. fat tails - modellieren.
219
Vgl. BATES (2000) S. 205.
220
Vgl. COX / ROSS / RUBINSTEIN (1978), S.47.
221
Vgl. AMIN (1993) für die Darstellung praktischer Schwierigkeiten bei der Schätzung.
222
Vgl. HAUG (1998), S. 8.
223
Vgl. BATES (2002) für das Ergebnis, dass Sprungmodelle den Smile und Smirk zwar für eine
Restlaufzeit gut darstellen, dies aber für mehrere Restlaufzeiten nicht erreichen.
224
Vgl. BATES (2002), S. 9.
225
Vgl. HUANG / WU (2004), S. 1409.
2.5.7.5 Erweiterungen des Black-Scholes-Modells für amerikanische Optionen

Im Vergleich zu europäischen Optionen können amerikanische Optionen zu jedem
Zeitpunkt ausgeübt werden. Dieser höhere Freiheitsgrad kompliziert die Optionsbe-
wertung. Nur in wenigen Fällen können exakte Werte berechnet werden. Im Falle
eines Calls auf eine Aktie ohne Dividendenzahlung kann das Modell von Black-
Scholes angewendet werden, wobei die Dividende gleich null gesetzt wird. Falls ein
amerikanischer Call mit einer bekannten Dividende vorliegt, so kann dieser mit der
Methode von ROLL (1977), GESKE (1979b) und WHALEY (1981) bewertet werden.
Im Falle von mehreren Dividendenzahlungen während der Laufzeit der Option kann
stets nur eine Approximation für den Wert des Calls erfolgen. Im Falle einer einzigen
Dividendenzahlung kann es optimal sein, den Call unmittelbar vor dem Dividendenab-
schlag auszuüben. In diesem Moment kann die Option exakt bepreist werden. Eine
Formulierung für diesen Optionswert mit einmaliger Dividende erfolgte durch ROLL
(1977). Die Arbeit wies Fehler auf, die GESKE (1979b) teilweise korrigierte.
WHALEY (1981) lieferte letztlich die korrekte Formel. Nur in wenigen Fällen ist es
möglich, eine exakte Lösung für den Wert einer amerikanischen Option zu berech-
nen.226 Es haben sich drei Vorgehensweisen für die Bewertung dieser Optionen
herausgebildet. Die Preise können durch Approximationen, pfadabhängige Bewertun-
gen oder durch Finite-Differenzen-Verfahren berechnet werden.227
x Das bekannteste Verfahren ist die quadratische Approximation, die von MAC
MILLAN (1986) entwickelt und von BARONE-ADESI / WHALEY (1987) er-
weitert wurde.228 Dabei wird die amerikanische Option zerlegt in die europäische
Option zuzüglich einer Prämie für die Möglichkeit der vorzeitigen Ausübung. Die-
ses Modell von BARONE-ADESI / WHALEY (1987) wird von den Resultaten
des Modells von BJERKSUND / STENSLAND (1993), insbesondere für lang lau-
fende Optionen, dominiert.229 Ein Modell nur für amerikanische Puts liefert
GESKE / JOHNSON (1984).
x Der Modellbereich der pfadabhängigen Bewertung erlangt seine Bedeutung, wenn
für die Bewertung von amerikanischen Optionen keine Formel mit geschlossener
Lösung vorliegt. COX / ROSS / RUBINSTEIN (1979) haben Optionen als erste
mit Binomialen Bäumen bewertet. Dabei wird mit einem Baumdiagramm darge-
226
Vgl. HAUG (1998), S. 19.
227
Vgl. WALLNER / WYSTUP (2004) für einen mathematischen Vergleich dieser drei Methoden.
228
Vgl. HULL (2003), S. 427.
229
Das Modell von Black-Scholes führt zu einer Überbewertung von Optionen auf Aktien, die
Dividenden zahlen. Der Wert nach BARONE-ADESI / WHALEY (1987) kann nie geringer sein,
als der innere Wert der Option und maximal den Black-Scholes Wert erreichen.
stellt, welche Entwicklung der Aktienkurs während der Optionslaufzeit nehmen

kann und in den einzelnen Knoten und Verzweigungen werden die Optionswerte
errechnet. Durch ein retrogrades Vorgehen, beginnend zum Laufzeitende, lässt
sich der aktuelle Wert berechnen. Im Falle einer Log-Normalverteilung der
Aktienkurse konvergiert die Lösung von Binomialen oder Trinomialen Bäumen
gegen den von Black-Scholes. Wegen der Schwierigkeiten für die Handhabung
amerikanischer Optionen bewertete TILLEY (1993) als erster diese mittels Monte
Carlo Verfahren.230 Dabei werden die Grenzen der vorzeitigen Ausübung deter-
miniert und anschließend in einer retrograden Iteration für die Optionswertberech-
nung genutzt. Eine andere Methode der pfadabhängigen Bewertung stammt von
LONGSTAFF / SCHWARTZ (2001). Sie nutzen kleinste Quadrate für die Schät-
zung der bedingten Auszahlungsprofile der Optionsinhaber.231
x Die Finite-Differenzen-Verfahren232 für die Optionsbewertung wurden von
BRENNAN / SCHWARTZ (1977) eingeführt, um die klassische partielle Diffe-
rentialgleichung von Black-Scholes durch numerische Lösung zu approximieren.
Dadurch lassen sich im Allgemeinen schnellere Ergebnisse erzielen als beim Ein-
satz von Monte-Carlo-Simulationen.233
2.5.8 Zusammenfassung der Optionspreistheorie

Die Arbeit von COPELAND / GALAI (1983) stellt eine breit akzeptierte Basis dafür
dar, limitierte Aufträge in einem offenen Orderbuch als Optionen anzusehen. In dieser
Forschungsrichtung liegt lediglich eine vereinfachte empirische Arbeit von
JARNECIC / MC INISH (1997) vor. Da bisher keine Studien für die limitierten Auf-
träge des kompletten Orderbuchs Optionswerte berechnen, bietet sich diese Vorge-
hensweise an, um eine Lücke in der Forschung zu schließen.
In der Praxis findet das Black-Scholes-Optionspreismodell von 1972 häufig Anwen-
dung. Als dessen Nachteil müssen die restriktiven Annahmen und Limitierungen
sowie die in der Praxis auftretenden Fehlbepreisungen aufgeführt werden. Insbeson-
dere bei der Bewertung von kurzlaufenden Optionen, mit z.B. einer Restlaufzeit von
15 Minuten, muss der Art des Preisprozesses besondere Aufmerksamkeit geschenkt
werden. Ebenfalls muss der Berechnung der schwankenden Intraday-Volatilität ver-
stärkt Rechnung getragen werden. Für diese erscheint es sinnvoll, die tatsächliche
230
Vgl. BOYLE (1977), der als Erster europäische Optionen mit Monte Carlo Methoden berechnete.
231
Vgl. HULL (2003), S. 478 f.
232
Vgl. SCHWARTZ (1977) für eine der ersten Arbeiten, die für die Optionsbewertung Finite-
Differenzen-Verfahren zur Lösung der partiellen Differentialgleichung herzieht.
233
Vgl. GESKE / SHASTRI (1985) für einen empirischen Vergleich des Binomialmodells und der
Finite-Differenzen-Verfahren, die feststellen, dass beide zu ähnlichen Ergebnissen kommen.
Volatilität, die auf die Optionsbewertung einen dominierenden Einfluss ausübt, durch
die realisierte Volatilität zu approximieren. Der Vorteil ergibt sich im Handel dann,
wenn gemäß Black-Scholes hergeleitete Werte einen „Standard-Optionswert“ liefern,
auch wenn zusätzlich noch Preisberechnungen mit anderen Optionsmodellen erfolgen.
Bei Kursanfragen werden von den Market-Makern primär die Volatilitäten und
sekundär die Optionspreise gestellt. Wenn alle Handelsbeteiligten auf die Options-
wertberechnung von Black-Scholes zurückgreifen, sind alle Modellparameter bis auf
die Volatilität determiniert. Die Akteure können somit, für die gestellten Volatilitäten,
diese leicht über unterschiedliche Laufzeiten, Basispreise oder verschiedene Assets
vergleichen.234 Diese Möglichkeit des relativen Vergleichs der Optionswerte des
Orderbuchs, für eine Aktie im Zeitablauf oder zwischen verschiedenen Aktien, ist das
zentrale Ziel für die Optionsbewertung aller DAX-Titel.
Im Bereich der unterschiedlichen Modelle zeigt sich, dass sich bisher kein Konsens
herausgebildet hat, welches die beste Spezifikation der Volatilität für die Optionsbe-
wertung ist. In der Praxis haben sich einige alternative Modelle zu Black-Scholes
etabliert, die jeweils spezifische Aspekte der Bepreisung von Black-Scholes korrigie-
ren. Von diesen hat sich bisher kein Modell als überlegen erwiesen, die Defizite des
Black-Scholes-Ansatzes zu kompensieren.235 Daraus ergibt sich der Benchmarkcha-
rakter des Black-Scholes-Modells, der es den Marktteilnehmern ermöglicht, Preisver-
gleiche durchzuführen. Schließlich ist auch die herausragende Bedeutung dieses
Modells in der Praxis der Grund, der für dessen Anwendung im Fortgang der Untersu-
chung spricht.
2.6 Zusammenfassung der Literaturübersicht und weiteres Vorgehen

Mit Blick auf die Entwicklung eines Modells der Erholungsfähigkeit lassen sich auf
Basis der Literaturübersicht drei zentrale Anforderungen ableiten:
x Das Modell muss die Handlungsbereitschaft und den Handlungswillen der Markt-
teilnehmer erfassen. Damit müssen Aktionen und Reaktionen der Akteure quanti-
fiziert werden. Dies muss im Kontext der am Markt vorherrschenden Volatilität
erfolgen.
x Es ist erforderlich, zu bestimmen, ob ein Gleichgewicht vor und nach der außer-
ordentlichen Bewegung vorliegt.
234
Vgl. BOLLEN / WHALEY (2004), S. 713 und LEDOIT / SANTA-CLARA / YAN (2002), S. 1.
235
x Die Zeitspanne der Bewegung ist bedeutend für die Beurteilung des Grades der
Abschließend lässt sich feststellen, dass in der gesichteten Literatur der Markt-Mikro-
strukturforschung das Thema der Erholungsfähigkeit bisher nur relativ wenig erforscht
wurde. Als Zusammenfassung und zur übersichtlicheren Darstellung werden die aus
der Literaturübersicht und dem Modell der vorliegenden Arbeit zu testenden Hypothe-
sen in Kapitel 3.6 dargestellt.
Modell der Erholungsfähigkeit 89
3 Modell der Erholungsfähigkeit
Im vorhergehenden Kapitel wurden bestehende Untersuchungen und modelltheoreti-

sche Grundlagen der Erholungsfähigkeit dargestellt. Es folgt der zentrale Punkt der
Arbeit, die Entwicklung eines Modells der Erholungsfähigkeit, das als Grundlage für
die anschließende Untersuchung der DAX-Titel dient. Da es sich um ein bisher wenig
erforschtes Gebiet der Markt-Mikrostrukturtheorie handelt, erfolgt die Entwicklung
des Modells in dem Bewusstsein, dass an einigen Stellen simplifizierende Annahmen
getroffen werden müssen. Ein Ziel für die Modellentwicklung ist, das Modell anhand
der empirischen Daten überprüfen und anwenden zu können. Das Modell basiert auf
der Definition der Erholungsfähigkeit von GERKE / RAPP (1994), vgl. Seite 10.
3.1 Einführung in die Entwicklung des Modells der Erholungsfähigkeit

Vor der detaillierten Entwicklung des Modells soll der Bogen der Modellüberlegungen
kurz skizziert werden. Aus dem Kapitel 2, der Literaturübersicht und der Definition
der Erholungsfähigkeit ist ersichtlich, dass ein Modell insbesondere drei Aspekte
berücksichtigen muss: Die Volatilität, ein Gleichgewicht und die Zeitkomponente.
x Volatilität: Entsprechend COPELAND / GALAI (1983) kann ein limitierter Auf-

trag in einem offenen Orderbuch als Option interpretiert werden. Die Höhe des
Optionswertes, der dem Markt zur Verfügung gestellt wird, kann als die Intensität
interpretiert werden, am Handel teilnehmen zu wollen. Für diesen Transaktions-
wunsch ist die Volatilität die Schlüsselgröße im Optionsmodell (Kapitel 3.2).236
Sie dient somit als wichtiger Bestandteil für die Modellierung der Erholungsfähig-
keit. Der Wille zur Teilnahme am Handel wird durch die Berechnung von Black-
Scholes-Optionswerten für die limitierten Orders exakt quantifiziert.
x Gleichgewicht: Das Konzept der Spannung (Kapitel 3.3.1) wird durch die Berück-
sichtigung der Optionswerte beider Orderbuchseiten entworfen. Dafür werden die
summierten Optionswerte der Geld- und Briefseite zueinander in Relation ge-
236
Im Gegensatz zu dem modellierten Einfluss der Volatilität haben erste Liquiditätsuntersuchungen
den Einfluss der Volumina analysiert vgl. GALLANT / ROSSI / TAUCHEN (1992), JONES /
KAUL / LIPSON (1994). Deren Ergebnis ist, dass Volumina ausschlaggebend für Veränderungen
der Aktienkurse sind. Vgl. andererseits spätere Untersuchungen mit dem Ergebnis, dass (netto)
Orderungleichgewichte der zentrale Einflussfaktor für Aktienpreisbewegungen sind vgl. BROWN
/ WALSH / YUEN (1997), CHORDIA / ROLL / SUBRAHMANYAM (2001).
bracht. Die Spannung dient als Kennzahl für die Definition des Marktgleichge-
wichts. Dies stellt den zweiten bedeutenden Punkt im Modell der Erholungsfähig-
keit dar (Kapitel 3.3.2). Zusätzlich wird das XLM-Mass237 der Deutschen Börse
AG berechnet, um mit dieser Größe zu überprüfen, ob ein Gleichgewicht vorliegt
(Kapitel 3.3.3). Der Bestimmung und Definition des Marktgleichgewichts kommt
eine wichtige Rolle zu, um eine klare Abgrenzung zum Kursreversal zu erreichen.
x Zeitkomponente: Als Drittes muss die Erholungsfähigkeit die Zeitkomponente

(Kapitel 3.4) beinhalten. Diese erfasst die temporäre Dynamik der außergewöhnli-
chen Bewegung. Die Kombination dieser Zeitdauer mit dem Ausmaß der Kursbe-
wegung und der Spannung der beiden Orderbuchseiten stellt ein Maß für die Er-
holungsfähigkeit dar.
Der Vorteil dieses Modells, das über die Volatilität, das Gleichgewicht und die Zeit-
komponente entwickelt wird, liegt darin begründet, dass im Gegensatz zu der Markt-
breite und der Markttiefe alle drei Faktoren die dynamische Interpretation der Gebote
liefern. So kann der Wille der Marktteilnehmer am Handel teilzunehmen modelliert
werden. Daraus resultiert, dass einzelne Aktien und Zeiträume hinsichtlich ihrer
Fähigkeit zur Erholung beurteilt und miteinander verglichen werden können.
Eine Zusammenfassung des Modells erfolgt in Kapitel 3.5. Aus dem entwickelten
Modell der Erholungsfähigkeit resultieren Hypothesen und Handelsstrategien für einen
Automaten (Kapitel 3.6), die in der anschließenden empirischen Untersuchung getestet
werden.
3.2 Einfluss der Volatilität auf den Handlungswillen und den Optionswert
In der wissenschaftlichen Forschung wird der Einwand erhoben, dass die Liquidität
von der Marktbreite und -tiefe eines offenen Limitorderbuchs nicht ausreichend gut
charakterisiert wird.238 Eine Schwierigkeit der Kenngröße Marktbreite wird vor dem
Hintergrund deutlich, dass es zahlreiche Marktteilnehmer gibt, die das Orderbuch
beobachten und bereit stehen, auf außergewöhnliche Transaktionen oder Situationen
im Orderbuch zu reagieren, ohne mit limitierten Geboten im Buch präsent zu sein.239
Die Problematik der Markttiefe wird ersichtlich durch die Beobachtung, dass der
Preiseinfluss einer unlimitierten Order nicht linear ist, woraus folgt, dass die Markt-
237
Vgl. Kapitel 3.3.3 für die Erläuterung und Berechnung des XLM-Masses.
238
Vgl. OESTERHELWEG / SCHIERECK (1993), KEMPF (1997) für die Diskussion der Eignung
von Liquiditätsmassen für die Charakterisierung der Liquidität eines Marktes.
239
Vgl. BIAIS / HILLION / SPATT (1995), S. 1557.
tiefe nicht mit einer einzelnen Zahl charakterisiert werden kann.240 Durch diese
Aspekte wird deutlich, dass die Liquidität keine statische Größe ist. Sie muss in einem
dynamischen Kontext betrachtet werden, denn die Dimensionen Marktbreite und
Markttiefe können zwar eindeutig die verbindliche Handlungsbereitschaft des Marktes
wiedergeben, sie können aber keine Aussage über den intendierten Handlungswillen
der Akteure liefern. Eine ökonomisch sinnvolle Interpretation eines einzelnen limi-
tierten Gebotes, oder einer ganzen Orderbuchlage, kann nur dann erfolgen, wenn für
ein einzelnes, limitiertes Gebot auch ein Wille zur Umsetzung der Transaktion näher
quantifiziert werden kann. Bei einer wissenschaftlichen Definition des Willens der
Marktteilnehmer stellt sich die Frage der Einstellung der Marktteilnehmer gegenüber
einer Situation. „Eine Einstellung (Attitüde) ist eine relativ stabile Disposition, irgend-
einer Situation gegenüber in beständiger Weise zu reagieren. Einstellungen bestehen
aus 3 Komponenten: a) Überzeugungen oder Vorstellungen darüber, wie die Dinge
sind oder sein sollten, b) Affekthaltungen oder Emotionen, die mit diesen Über-
zeugungen verknüpft sind und anhand physiologischer Reaktionen oder der Intensität
und Art der Reaktion messbar sind, c) einer Handlungskomponente, einer bestimmten
Verhaltensbereitschaft.“241 Wenn diese Aspekte der Definition der Einstellung mit
einem limitierten Auftrag eines Marktteilnehmers in Verbindung gebracht werden, so
wird ersichtlich, dass zwei der drei Merkmale ausschlaggebend von der am Markt vor-
herrschenden Volatilität bestimmt werden. Sowohl die Vorstellung (a) über die Aus-
führung eines limitierten Auftrags als auch die Verhaltensbereitschaft (c) zur Auftrags-
erteilung hängen maßgeblich von der am Markt vorherrschenden oder der erwarteten
Volatilität ab. Somit ist die Volatilität der entscheidende Parameter, um die
Einstellung der Akteure zum Markt zu messen.
In der vorliegenden Arbeit soll der Handlungswille definiert werden als die Intensität
des Wunsches, am Handel teilzunehmen. 242 Da dieser Transaktionswille die Volatilität
240
Vgl. KEMPF / KORN (1997), S. 23.
241
ZIMBARDO, (1983), S. 614.
242
Vgl. ENGLE (1996) der feststellt, dass die Intraday-Volatilität verringert wird, wenn die zeit-
lichen Abstände zwischen den Transaktionen sehr groß sind. Dies interpretiert er als „no trade is
no news“. Die Volatilität ist auch sehr gering, wenn der Abstand zwischen den Transaktionen
sehr gering ist. Dies steht im Gegensatz zu DIAMOND / VERRECHIA (1987), die davon aus-
gehen, dass zahlreiche Marktteilnehmer auf schlechte Nachrichten nicht reagieren können, weil
sie nicht leer verkaufen können und lange zeitliche Abstände zwischen den Transaktionen als „no
trade is bad news“ modellieren. Vgl. KARPOFF (1988) der zu dem gleichen Ergebnis kommt,
weil die eingeschränkte Möglichkeit des Leerverkaufs Insider oft davon abhalten, negative
Signale auszunutzen. Das führt dazu, dass in Summe Kaufaufträge einen höheren Informations-
gehalt besitzen als der Verkaufsorderstrom. Empirisch belegen diese short-selling hypothesis
MADHAVAN / SMIDT (1991) and CHAN / LAKONISHOK (1993).
berücksichtigen muss, ist es nahe liegend, den Handlungswillen eines limitierten Auf-
trags als Optionswert zu berechnen, der den anderen Marktteilnehmern zur Verfügung
gestellt wird. Wie durch die Diskussion der Optionsmodelle (Kapitel 2.5) offensicht-
lich wurde, bietet sich für die Berechnung der Optionswerte das Modell von Black-
Scholes an. Der einzigartige Vorteil dieses Modells ist, dass es sich als Standard am
Markt etabliert hat und dadurch die Marktteilnehmer Optionspreise und Volatilitäten
sehr leicht vergleichen können.
Eine dynamische Analyse des Orderbuchflusses im Limitorderbuch kann durch die
Berechnung von Optionswerten differenzierter erfolgen. Wenn eine Aktie an zwei
Zeitpunkten eine identische Marktbreite und -tiefe aufweist, aber sehr unterschiedliche
Volatilitäten auftreten, dann liegen auch verschiedene Optionswerte vor. Dadurch wird
für die Marktteilnehmer jeweils ein ganz unterschiedlicher Wille zur Handelsteil-
nahme ausgedrückt.243 Eine Limitierung, die mit beispielsweise einem Prozent Distanz
zum letzten Transaktionspreis aufgegeben wurde, kann für die Aktie in Phasen niedri-
ger Volatilität einen Auftrag mit relativ geringer Handlungsbereitschaft darstellen. Da-
gegen impliziert diese Order in Zeiten hoher Volatilität einen vergleichsweise inten-
siven Wunsch nach Ausführung, weil der Marktteilnehmer mit höherer Wahrschein-
lichkeit davon ausgehen kann, dass sein Auftrag ausgeführt wird.244 Wie bereits in
Kapitel 2.5 dargestellt, wird der Wert einer Option nach Black-Scholes durch fünf Ein-
flussgrößen determiniert:
x dem Basispreis,
x der Restlaufzeit der Option,
x dem Aktienkurs,
x dem Zinssatz und
x der Volatilität der Aktie.
Für die Anwendung des Optionsmodells von Black-Scholes ist es notwendig, diese
fünf Parameter hinsichtlich ihrer Besonderheiten bei der Anwendung auf ein offenes
Limitorderbuch näher zu betrachten.
243
Vgl. BRUNNER (1996), S. 15 ff. für eine Übersicht über Liquiditätsmaße, die in Ansätzen die
Volatilität bzw. die Kursveränderungsrate aufnehmen.
244
Vgl. für Modelle, die eine nichtlineare Beziehung zwischen Aktienkurs und Orderfluss herstellen
HASBROUCK (1991), der die quadrierten Handelsvolumina berücksichtigt, DE JONG /
NIJMAN / RÖELL (1995) nutzen das reziproke Handelsvolumens, HAMAO / HASBROUCK
(1995) verwenden das Volumen und die Zeit für die Messung der Liquidität.
Zusätzlich zu der Volatilität des Einzeltitels könnte eine Erweiterung des Modells auch die
Volatilität des Gesamtmarktes für die Optionsbewertung berücksichtigen.
3.2.1 Der Basispreis im Optionspreismodell

Als Basis für die Berechnung des Optionspreises bietet sich die Höhe des limitierten
Auftrags an. Zu diesem Kurs steht allen Marktteilnehmern das Limit als Option zur
Verfügung, die sie annehmen können. Dadurch finden unlimitierte Gebote keine Be-
rücksichtigung, weil sie von Marktteilnehmern nicht als Option genutzt werden kön-
nen. Eine Sonderstellung erfahren limitierte Aufträge, bei denen aufgrund der hohen
Stückzahl lediglich ein Teil durch eine gegenüberstehende Order sofort ausgeführt
werden kann und ein Rest als limitierte Order im Buch verbleibt. Der unmittelbar aus-
führbare Anteil des Auftrags wird nicht erfasst, wohingegen der verbleibende Rest mit
seinem Limit für die Berechnungen der Optionswerte berücksichtigt wird.
3.2.2 Die Restlaufzeit im Optionspreismodell

Die vorliegende Arbeit modelliert die Erholungsfähigkeit im Intraday-Bereich. Die
innerhalb des Tages auftretenden Kursschwankungen und die Orderbuchsituation wer-
den stark von kurzfristigen Marktbeobachtungen und -überlegungen bestimmt. Die
Möglichkeit von institutionellen Investoren und Privatanlegern im Intraday-Bereich
Limitorders zeitnah und kostengünstig aufzugeben, anzupassen oder zu streichen, legt
nahe, für die Restlaufzeit der Optionen eine Modellannahme zu treffen, die lediglich
eine sehr kurze Zeitspanne umfasst. Dieses Vorgehen stützt sich auch auf Marktbe-
obachtungen zu der Zeitgültigkeit von limitierten Aufträgen. Weiterhin wird dieses
Prozedere durch die Länge von Intraday-Zeitintervallen, die für eine stabile Vola-
tilitätsschätzung notwendig ist, untermauert. Letztlich werden auch noch Beobachtun-
gen von gestellten Optionspreisen der Eurex245 berücksichtigt. Diese drei Aspekte, der
Zeitgültigkeit, der konsistenten Volatilitätsschätzung und Beobachtungen an der Eurex
werden kurz dargestellt:
x Empirische Untersuchungen haben sich bisher relativ selten mit der temporären
Gültigkeit von limitierten Aufträgen befasst. Der Grund dafür liegt hauptsächlich
in der schwer zu erhebenden Zeitgültigkeit von limitierten Aufträgen und dem dar-
aus resultierenden Problem, dass kaum Daten vorliegen, die die Zeitgültigkeit der
Orders beinhalten. Eine Ausnahme bilden z.B. HOLLIFIELD / MILLER /
SANDÅS / SLIVE (2001). Sie zeigen, dass die zeitliche Limitierung von Aufträ-
gen in der Regel nicht länger als 2 Tage beträgt. ECONOMIDES / SCHWARTZ
(1995b) kommen bei einer Umfrage unter 150 Asset Managern zu dem Ergebnis,
dass diese bereit sind, größere Orders nicht unverzüglich ausführen zu lassen,
245
Eurex steht für European Exchange, die Terminbörse, die im September 1998 aus Deutsche
Terminbörse und Swiss Options and Financial Futures Exchange hervorging.
wenn dadurch ein besserer Ausführungspreis erreicht werden kann. Größere Auf-
träge werden deswegen auf mehrere Tage verteilt, um so innerhalb eines Handels-
tages bestimmte Volumina auszuführen. HARRIS / HASBROUCK (1996) stellen
fest, dass 82% der limitierten Orders nur tagesgültig sind. Somit würde es aus
Sicht dieser genannten Untersuchungen vertretbar erscheinen, für das Modell die
verbleibende Handelszeit bis zum Ende des jeweiligen Tages zu verwenden.
Damit könnte der Intraday-Aspekt der Erholungsfähigkeit nicht untersucht
werden, auf den sich die vorliegende Arbeit konzentriert. LO / MAC KINLAY /
ZHANG (2002) kommen in ihrer Untersuchung zu deutlich kürzeren zeitlichen
Limitierungen von Aufträgen. Sie stellen fest, dass Kaufaufträge, die nicht
ausgeführt werden, nach 46 Minuten gestrichen werden, und dass Verkaufsorders
bereits nach 34 Minuten wieder aus dem Markt genommen werden.
x Die Volatilität hat einen sehr hohen Einfluss auf den Wert von kurzlaufenden
Optionen. Daraus resultiert die Frage, wie kurz ein Intraday-Zeitintervall sein
kann, damit stabile Volatilitätsschätzungen noch möglich sind. Sehr kurze Unter-
suchungszeiträume von 5 Minuten behandelt z.B. LINNAINMAA (2003). Sie fin-
det als signifikantes Ergebnis, dass die Day Trader in Finnland für ihre Entschei-
dungen die ganze Lage des Limitorderbuchs berücksichtigen. Die integrierte
Volatilität für 5-minütliche Berechnungszeiträume analysieren SHU / ZHANG
(2003). Die Renditen und die Volatilität für 5-minütliche Zeiträume berechnen
ANDERSEN / BOLLERSLEV / DIEBOLD / EBENS (2001). Die genannten
Autoren zählen bei ihren Arbeiten vielfältige Probleme auf, die aufgrund der kur-
zen Zeitspanne in die gemessenen Parameter induziert werden. Dies sind z.B. die
Kursbewegung zwischen Geld- und Briefkursen oder die hohe Rechenintensität.
Eine längere Zeitspanne verwendet z.B. SCHWERT (1998). Er erachtet bei seiner
Analyse der Volatilitäten für den US-amerikanischen Aktienmarkt einen Zeitraum
von 15 Minuten als für die Beobachtung von Intraday-Renditen am sinn-
vollsten.246 Ebenfalls 15-minütige Zeiträume verwenden z.B. HSIEH (1991), AHN
/ BEA / CHAN (2001), SHU / ZHANG (2005). Auch BANDI / RUSSELL (2003)
kommen bei ihrer Suche nach dem optimalen Zeitintervall für die Volatilitäts-
messung auf eine Zeitspanne von 15 Minuten.247 BOSSAERTS / HILLION (1993)
nutzen für eine Optionsbewertung gleichfalls 15-minütige Volatilitäten für die
Black-Scholes-Formel.
x Die Verwendung dieses kurzen Zeitraums von 15 Minuten für die Bewertung der
Optionen wird auch durch die Handelspraxis gestützt. Die Marktteilnehmer und
246
Vgl. SCHWERT (1998), S. 74 und ARNOLD / HILLIARD / SCHWARTZ (2003), S. 9.
247
Vgl. BANDI / RUSSELL (2003), S. 18.
die Market-Maker an der Eurex stellen am Verfallstag der Optionen um 17:15

Uhr, also 15 Minuten vor Verfall der Optionen, für Basispreise am Geld immer
noch große Volumina an Geboten ins Orderbuch ein. Dabei bieten sie in der
Praxis für Optionen mit einer Restlaufzeit von 15 Minuten noch Optionspreise für
At the Money-Optionen deutlich größer als null an.248
Als Ergebnis kann zusammengefasst werden, dass in geringem Maß aufgrund der Zeit-
gültigkeit limitierter Orders, aber insbesondere aus den statistischen Notwendigkeiten
für eine Schätzung der kurzfristigen Volatilität ein Zeitraum von 15 Minuten sinnvoll
ist. Dies wird auch durch die Beobachtungen des Handels an der Eurex gestützt.249
3.2.3 Der Aktienkurs im Optionspreismodell

Für die Berechnung der Optionswerte stellt der Aktienkurs den maßgeblichen
Werttreiber dar. Für diesen können drei Alternativen dienen: Der Midquote, der letzte
Transaktionskurs oder ein Gebot.250 Die Bedeutung dieser Überlegung resultiert
daraus, dass aufgrund der modellierten sehr kurzen Restlaufzeit von lediglich 15
Minuten bereits kleine Kursveränderungen einen hohen Einfluss auf die Optionswerte
haben.
x Als erste Alternative bietet es sich an, als Aktienkurs den Midquote zu verwenden.
Der Vorteil läge darin, dass dadurch immer ein Kurs berücksichtigt würde, der
relativ fair die aktuelle Marktlage wiedergibt. Als Nachteil muss angeführt
werden, dass der Midquote kein Kurs ist, auf den unmittelbar gehandelt werden
könnte, womit letztlich eine Art von nicht realisierbarem Optionswert errechnet
würde. Die Fragwürdigkeit des Midquote als den Kurs, der die Marktlage am
besten wiedergibt, hat NORDÉN (2002) für den Schwedischen Optionsmarkt
offen gelegt. Aus seiner Empirie resultiert, dass Transaktionen für Calls im Durch-
schnitt signifikant näher zum Briefkurs getätigt werden, als der Midquote dies
erwarten lassen würde, und dass Puts näher am Geldkurs ausgeführt werden.251
248
Vgl. Anhang 9 für Optionspreise und Gebote am Geld 15 Minuten vor Optionsverfall.
Vgl. ARNOLD / HILLIARD / SCHWARTZ (2003), S. 3 die gegen Ende der Optionslaufzeit die
höchsten gehandelten Volumina beobachten. Sie finden für S&P 500 Indexoptionen, dass die
größten Volumina in den jeweiligen Kontrakten zwei Tage vor Verfall stattfinden.
249
Eine Erweiterung des vorliegenden Modells könnte an der Restlaufzeit der Option ansetzen.
250
Zunächst soll die Herleitung für einen Call vorgenommen werden. Analog lässt sich der
maximale Optionswert auch für einen Put berechnen.
251
Vgl. Nordén (2002), S. 2 ff.
x Als zweite Alternative besteht die Bezugnahme des Limits auf den letzten Trans-
aktionskurs, womit ein „historischer Optionswert“ berechnet wird. Der Vorteil
würde bei diesem Vorgehen darin liegen, dass der für die Optionswertberechnung
verwendete Aktienkurs durch den am Markt beobachtbaren Transaktionspreis ein-
deutig ist. Für dieses Vorgehen spricht auch die Entwicklung der Optionswerte bei
einer eingeschlagenen „kontinuierlichen“ Kursveränderung. Kommt es z.B. zu
steigenden Kursen, so fällt automatisch der Optionswert der bestehenden Kauf-
limits, der Put-Optionen. Ein Nachteil könnte entstehen, wenn der letzte Transak-
tionskurs nicht mehr innerhalb der aktuell vorherrschenden Geld-Brief-Spanne
liegt. Würde beispielsweise ein Verkaufsauftrag mit einem niedrigeren Limit als
der letzte Transaktionskurs erteilt, so müsste dies als eine Option im Geld mit ent-
sprechend hohem Optionswert interpretiert werden. Die nächste Transaktion im
Markt findet jedoch bei bestehender Orderbuchlage zum Geld oder Briefkurs statt.
In diesem Falle wäre es nicht möglich, den (subjektiven) Wert der Option zu
bestimmen, weil nicht bekannt ist, ob der Marktteilnehmer sich für die Erteilung
seiner limitierten Order an der Geld-Brief-Spanne oder dem letzten Transaktions-
kurs orientiert hat. Diese Unsicherheit würde sich in der Praxis nach Volatilitäts-
auktionen252 und bei illiquiden Aktien ergeben. Bei den DAX-Titeln wäre diese
Problematik nur untergeordnet.
x Die dritte Alternative resultiert aus dem Gedankengang der Berechnung des
Optionswertes, der in der Berücksichtigung des jeweils aktuellen, besten Geld-
oder Briefkurses liegt. Der Vorteil liegt darin, dass auf diese Weise ein zukünftiger
und realisierbarer Optionswert berechnet würde. Dabei erfolgt die nächste Trans-
aktion entweder zum besten Geld- oder Briefkurs und ist somit ausschlaggebend
für die Berechnung des Optionswertes.253 Es handelt sich also sowohl für neu
erscheinende als auch für bestehende Orders um tatsächlich realisierbare Options-
werte. Nachteilig wäre, dass die Terminologie der Optionspreise für den Wert
einer Option, nämlich im Geld, am Geld und aus dem Geld, nicht mehr anwendbar
wäre. Eine Option im Geld hat einen inneren Wert, der beispielsweise für eine
amerikanische Option jederzeit während der Laufzeit der Option realisiert werden
könnte. Ein limitiertes Gebot, das auf der besten Geld- oder Briefseite plaziert
wird, kann aber nur dann sofort ausgeführt werden, wenn es auf der gegenüberlie-
252
Vgl. für die Beschreibung einer Volatilitätsauktion Kapitel 4.4.
253
Dabei wird von der Möglichkeit abstrahiert, dass der nächste unlimitierte Kauf ein so großes
Volumen hat, dass mehrere Limitierungen abgeräumt würden. Es wird angenommen, dass die
nächste Transaktion entweder durch einen unlimitierten Auftrag oder durch eine zum Gebotspreis
limitierte Order ausgelöst wird.
genden Seite, also entsprechend schlechter mit einem bestehenden Limit gematcht
wird. Bei der Erteilung eines limitierten Auftrags könnte sich somit niemals ein
innerer Wert ergeben.254 Für einen handlungsbereiten Marktbeobachter, der Aktien
kaufen möchte, stellt der aktuell beste Briefkurs die Referenzgröße als Aktienkurs
für seine Optionsbewertung des Orderbuchs dar. Erscheint im Orderbuch ein
neues Verkaufsgebot, das tiefer liegt, so wird das von dem kaufwilligen Order-
buchbeobachter, im Vergleich zur bis dahin bestehenden Handlungsmöglichkeit,
als wertvollere Option bewertet. Analog erachtet dieser Marktbeobachter ein neues
Verkaufsgebot, das höher limitiert ist als geringwertigere Optionen. Im Falle eines
hohen Geld-Brief-Spreads würde es sich weiterhin als nachteilig erweisen, wenn
bei abwechselnd eintreffenden Kauf- und Verkaufsaufträgen sich auch der Wert
der beiden Orderbuchseiten oszillierend und deutlich verändern würde.
Midquote Letzte Transaktion Aktuelle Geld-Brief-
als Aktienkurs als Aktienkurs Spanne als Aktienkurs
Vorteil Fairness. Eindeutigkeit. Realisierbarkeit.
Nachteil Calls werden tendenziell Letzter Transaktionskurs Optionsterminologie nicht

näher am Briefkurs und ist nicht immer innerhalb anwendbar.
Puts tendenziell näher am der aktuellen Spanne.
Geldkurs ausgeführt.
Fazit Nachteil: Nachteil: Wird im vorliegenden

Fehlbepreisung möglich. Fehlbepreisung möglich. Modell verwendet.
Tabelle 3-1: Zusammenfassung der Vor- und Nachteile der verschiedenen

Möglichkeiten des verwendbaren Aktienkurses für die Optionswertberechnung
Die besten Gebote am Markt, die Geld-Brief-Spanne, kann jederzeit für Transaktionen
genutzt werden. Es erscheint sinnvoll, diese für die Optionsbewertung von limitierten
Aufträgen zu verwenden, weil diese die aktuellste Situation des Marktes wiedergibt.
Im vorliegenden Modell wird entsprechend für alle 10 vorhandenen Verkaufsaufträge
der am niedrigsten limitierte Verkaufsauftrag als Aktienkurs für die Berechnung des
jeweiligen Call-Optionswertes verwendet. Die Höhe des limitierten Verkaufsauftrages
stellt den Basispreis dar, zu dem ein Marktteilnehmer die Option ausüben kann. Für
254
Außer der limitierte Auftrag wird so aufgegeben, dass er einen Teil des Orderbuchs auf der
gegenüberliegenden Seite abräumt. In diesem Fall stellt der limitierte Auftrag aber keine
Handlungsoption für andere Marktteilnehmer dar und fällt somit aus der Betrachtung der
Optionswerte für limitierte Gebote heraus.
die Berechnung der Put-Optionswerte stellt entsprechend das höchste Kauflimit im

Markt für die zehn vorhandenen Kauflimits den aktuellen Aktienkurs dar.
3.2.4 Der Zinssatz im Optionspreismodell

Aufgrund der bereits hergeleiteten sehr kurzen Restlaufzeit der Optionen zeigt sich ein
sehr geringer Einfluss des Zinssatzes auf die Bewertung der Optionen.255 Daraus resul-
tiert für das entwickelte Modell die Annahme eines konstanten Zinssatzes von 0%.
3.2.5 Die Volatilität im Optionspreismodell

Eine der ersten herausragenden Arbeiten, die sich mit High Frequency-Daten beschäf-
tigt, stammt von MERTON (1980). Er kommt zu dem Schluss, dass für die Erfassung
einer kurzfristigen Volatilität hochfrequente Daten von zentraler Bedeutung sind. Bei
der Nutzung dieser Daten ist deren mathematische Anwendung für die Berechnung der
Volatilität entscheidend.256 Für die Ermittlung des fairen Wertes einer Option ist die
kurzfristige Volatilität besonders wichtig. Diese kann im Tagesverlauf sehr stark
schwanken, andererseits haben schon leichte Unterschiede in der verwendeten Volati-
lität einen sehr großen Einfluss auf den theoretisch fairen Wert.257
Bei der Berechnung der Optionswerte für die limitierten Aufträge könnten entweder
die impliziten Volatilitäten der an der Eurex gehandelten At the Money-Optionen mit
der kürzesten Restlaufzeit (interpoliert auf 15 Minuten) oder die historischen Volatili-
täten verwendet werden.258 Die Vor- und Nachteile der Nutzung der impliziten oder
historischen Volatilität werden im Folgenden gegeneinander abgewägt.
255
Beispielsweise eine Verdoppelung des diskreten Jahreszinssatzes von 3% auf 6% würde bei einer
At the Money-Option (AtM-Option), Basispreis 13,00 Euro und aktueller Aktienkurs 13,00 Euro,
mit einer Restlaufzeit von 1 Tag und einer Volatilität von 50%, für den Call eine Erhöhung des
theoretischen Wertes von 0,37% bedeuten. Bei einer Halbierung auf 1,5% wäre die Veränderung
-0,19% (Quelle: Eigene Berechnungen).
Vgl. CARR / WU (2003b), S. 2584 für das Vorgehen, dass bei der Untersuchung von kurz-
laufenden Optionen der Zinssatz und die Dividende konstant oder mit null angenommen werden.
256
Vgl. MERTON (1980) der zeigt, dass die integrierte Varianz der Brownschen Bewegung
approximiert wird durch die hochfrequent erfasste Summe der quadrierten Intradayrenditen.
257
Beispielsweise eine Erhöhung der Volatilität von 50% auf 55%, bei einem Zinssatz von 3%
würde bei einer At the Money-Option (AtM-Option), Basispreis 13,00 Euro und aktueller
Aktienkurs 13,00 Euro, mit einer Restlaufzeit von 1 Tag für den Call eine Erhöhung des
theoretischen Wertes um 5,02% bedeuten. Bei einer Verringerung der Volatilität von 50% auf
45% wäre die Veränderung -5,9%. (Quelle: Eigene Berechnungen).
258
Für eine Diskussion über die Verwendung der impliziten oder historischen Volatilität siehe auch
BLACK / SCHOLES (1972a & 1972 b). Vgl. LATANE / RENDLEMAN (1976) für eine erste
empirische Untersuchung der impliziten Volatilität. Vgl. WHALEY (1982) der die implizite
x Der Vorteil der Anwendung der impliziten Volatilität ist, dass tatsächliche, am
Markt gehandelte Volatilitäten genutzt werden, womit insbesondere zum Ende der
Laufzeit der Option eine sehr praxisnahe Optionswertberechnung erfolgt. Bei der
Nutzung der impliziten Volatilität stellt sich das Phänomen der sog. Volatility
Smiles, der Beobachtung, dass Optionen in Abhängigkeit vom inneren Wert mit
unterschiedlichen Volatilitäten gehandelt werden.259 Die limitierten Gebote unter-
scheiden sich zumeist nur um wenige Cents. Dadurch ergibt sich praktisch für die
jeweils zehn vorhandenen Gebote ein identischer, innerer Wert. Der Volatility
Smile stellt sich damit als problemfrei dar. Die am Markt beobachtbaren unter-
schiedlichen impliziten Volatilitäten bei unterschiedlichen Laufzeiten stellen eben-
falls kein Problem dar, da es, wie bereits diskutiert, am sinnvollsten erscheint, nur
eine sehr kurze Gültigkeit der Orders zu modellieren. Für die umsatzschwächeren
DAX-Titel kommt es an der Eurex vergleichsweise seltener zu Transaktionen in
den geeigneten Optionsserien. Market-Maker stellen für diese Optionen zumeist
keine kontinuierlichen Gebote in das Orderbuch. Dadurch stehen keine impliziten
Volatilitäten zur Verfügung. Es ergibt sich ein weiterer negativer Aspekt für die
implizite Volatilität daraus, dass in der Handelspraxis am Optionsmarkt mit den
Verkäufern (Stillhaltern) von Optionen, sehr viele Marktteilnehmer darauf speku-
lieren, dass die Optionen wertlos verfallen. Dies fließt in die Berechnung der
impliziten Volatilität derart ein, dass die relativ großen Verkaufsgebote der insti-
tutionellen Verkäufer in der Regel von Market-Makern akzeptiert werden. Die
Market-Maker wollen die Calls oder Puts zumeist nur zu „günstigeren“ Kursen,
als den Fair Values nach Black-Scholes kaufen. Daraus resultiert wiederum bei
den Transaktionen eine implizite Volatilität, die niedriger ist, als es aus einer
Berechnung des nach Black-Scholes fairen Wertes gerechtfertigt erscheint.260 Bei
der Erteilung von limitierten Aufträgen im Xetra ist das Gegenteil der Fall: Die
Volatilität so schätzt, dass die Summe der quadrierten Abweichungen zwischen dem beobachteten
Marktpreis und dem errechneten Modellwert minimiert wird. Für die Berechnung der historischen
Volatilität vgl. KRITZMAN (1991), S. 22 ff. Für die Berechnung der impliziten Volatilität vgl.
BRENNER / SUBRAHMANYAM (1988).
259
Vgl. RUBINSTEIN (1994) für den Volatility Smile, dass In the Money-Optionen und Out of the
Money-Optionen eine höhere implizite Volatilität aufweisen als At the Money-Optionen.
260
Vgl. Nordén (2002), der empirisch belegt, dass Transaktionen im Schwedischen Optionsmarkt
zumeist nicht beim Mid-Quote liegen sondern näher an der Geldseite getätigt werden.
Vgl. LEDOIT / SANTA-CLARA / YAN (2002) die zeigen, dass die mit Black-Scholes berechne-
te implizite Volatilität einer Option am Geld dann ein konsistenter Schätzer für die aktuelle Vola-
tilität des zugrunde liegenden Wertpapiers ist, wenn die Restlaufzeit der Option gegen null geht.
Anbieter der Liquidität hoffen auf eine erhöhte Kursschwankung und ggf. eine
preisgünstige Ausführung der limitierten Gebote.
x Für die Berechnung der Optionswerte gibt es auch die Möglichkeit, die historische
Volatilität zu verwenden. Ihr Vorteil ist, dass sie anhand von real stattgefunden
Transaktionen errechnet wird und somit für alle Marktteilnehmer eindeutig zu be-
stimmen ist. Bei der historischen Volatilität stellt sich die Frage, ob gängige Maße
wie die 90-Tage oder die 30-Tage Volatilität verwendet werden, oder ob sehr
kurzfristige Maße wie die Tagesvolatilität oder sogar Intraday-Volatilitäten ange-
wandt werden sollen. Für Intraday-Volatilitäten würden empirische Untersuchun-
gen sprechen, die mit einer U-Form deutliche Muster der Volatilität im Intraday-
Handel feststellen, so dass gegebenenfalls bei der Volatilität auf mehrere Phasen
des Intraday-Handels eingegangen werden muss.261 Durch die Anwendung von In-
traday-Volatilitäten mit ihren beobachtbaren Verlaufsmustern würde sich aber die
Vergleichbarkeit, z.B. innerhalb einer Kalenderwoche262 oder zwischen Aktien mit
unterschiedlich stark ausgeprägten Intraday-Volatilitätsmustern, deutlich ver-
schlechtern. Die Berechnung der Intraday-Volatilitäten müsste zusätzlich zu dem
U-förmigen Verlauf der Volatilität berücksichtigen, dass die Aktien mit einer
hohen Transaktionsfrequenz für kurze Zeiträume wie 15-minütliche Intervalle
empirisch höhere Intraday-Volatilitäten aufweisen, obwohl sich für die untersuch-
ten Aktien aber gleiche Tagesvolatilitäten ergeben können.263 Zusätzlich zeigen
empirische Untersuchungen, dass eine Volatilität, die aufgrund von hochfrequen-
ten Aktiendaten berechnet wird, einen deutlich negativen Bias hat und nicht mehr
als konsistenter Schätzer für die Volatilität auf Tagesbasis angesehen werden
kann. Erst ab einem berücksichtigten Zeitraum von zwei bis drei Stunden ist dieser
Bias zumeist nicht mehr signifikant.264 Um eine stabile Volatilitätsschätzung zu
erhalten, die nicht von Intraday-Verläufen oder Wochentageseffekten beeinflusst
wird und um eine Vergleichbarkeit zwischen Wochentagen und verschiedenen
261
Vgl. NIEMEYER / SANDÅS (1995), S. 21, die aufgrund der Intradaymuster der Volatilität zu
der Aussage kommen, dass dadurch die Preise der Optionen innertäglich beeinflusst werden.
Vgl. WOOD / MC INISH / ORD (1985), HARRIS (1986), JAIN / JOH (1988), FOSTER /
VISWANATHAN (1993) die feststellen, dass Renditen und Volatilitäten deutliche Intraday-
muster aufweisen, mit zumeist höheren Werten zur Eröffnung und zum Schluss des Handels.
Die log.-Renditen für die Volatilitätsberechnung verwendet ENGLE (1996).
262
Vgl. für Wochentageffekte der Volatilität BEINERT / TRAUTMANN (1992) die für die DTB an
Freitagen eine niedriger implizite Volatilität für Calls messen.
263
Vgl. MURANAGA (2000), S. 7ff.
264
Vgl. CORSI / ZUMBACH / MÜLLER / DACOROGNA (2001), S. 4f.
Aktien zu ermöglichen, erscheint es sinnvoll, eine Volatilität auf Tagesschluss-

kursbasis zu berechnen. Für die Festlegung der idealen Zeitspanne wird z.B. die
15-Tage-Volatilität zu stark von einzelnen Ausreißern in Kursbewegungen beein-
flusst, wogegen die Nutzung von z.B. 90 Tagen erst relativ spät dafür aber
deutlicher auf die Veränderung in der Schwankungsbreite der Aktie reagiert. Im
Basismodell für die Berechnung der Optionswerte für die Erholungsfähigkeit wird
deswegen ein am Markt häufig genutzter Zeitraum von 30 Tagen verwendet. Die
Volatilität ( ı) wird berechnet mit:
2
1 n §¨ § St · § S ··
V ¦ ln¨¨ ¸¸ ln¨¨ t ¸¸ ¸ (3.1)
¨
n t 1 © St 1 ¹ © St 1 ¹ ¸¹
©
St = Tagesschlusskurs der Aktie zum Zeitpunkt t

n = Anzahl der Beobachtungen265
t = Zeitintervall in Tagen
Erweiterungen des Modells können beispielsweise bei der Anzahl der für die Berech-
nung der historischen Volatilität genutzten Tage ansetzen.266
3.2.6 Optionswertberechnung limitierter Aufträge und Willensbestimmung
3.2.6.1 Gleichsetzung des Optionswertes mit dem Handlungswillen

Im Anschluss an die Diskussion der einzelnen Parameter des Optionspreismodells
wird zusammengefasst, wie die Formel von Black-Scholes auf limitierte Aufträge
angewendet wird, um Optionswerte zu berechnen. Damit wird der Wille der Marktteil-
nehmer gemessen, am Handel teilzunehmen.
x Im Kalenderjahr 2003 wurde an 214 Tagen von 9:00 Uhr bis 20:00 Uhr, an 38
Tagen von 9:00 Uhr bis 17:30 und am 30. Dezember von 9:00 Uhr bis 14:00 Uhr
gehandelt. Daraus resultieren 2.682 Handelsstunden. Es resultiert für die 15-minü-
265
In der dargestellten Formel werden Renditen verwendet, womit die Anzahl der Beobachtungen n
ist. Falls Kurse verwendet werden, ist die benötigte Anzahl an Beobachtungen n +1.
266
Die Volatilität, die für die Berechnung des Optionswertes herangezogen wird, ist in der Praxis
von entscheidender Bedeutung. Dies ist ersichtlich an den Quote-Maschinen von Market-Makern.
Im Extremfall sind die in den Programmen eingestellten Volatilitäten so unterschiedlich, dass auf
eine Spanne, die ein Market-Maker in ein leeres Orderbuch einstellt, eine andere Quote-
Maschine sofort eine Transaktion auslöst.
tige Restlaufzeit der Option ein für die Black-Scholes-Formel nutzbarer Wert, aus-
gedrückt als Bruchteil eines Jahres, von 9,3214*10-5. 267
x Der Zinssatz i wird konstant mit dem Wert von 0% angenommen.
Mit diesen Parametern für die Berechnung des Call-Wertes C(KA), für den Briefkurs
(Ask) und des Put-Wertes P(KB) für den Geldkurs (Bid) gilt der Ansatz von Black-
Scholes wie folgt:
C K A SN d1 K A N d 2 (3.2)
§ S · 1 2
ln¨¨ ¸¸ V * 9,3214e 5
d1 © KA ¹ 2 (3.3)
V 9,3214e 5
d2 d1 V 9,3214e 5 (3.4)
P K B K B N d 4 SN d 3 (3.5)
§ S · 1 2
ln¨¨ ¸¸ V * 9,3214e 5
d3 © KB ¹ 2 (3.6)
V 9,3214e 5
d4 d 3 V 9,3214e 5 (3.7)
KA = Limitiertes Verkaufsgebot im Orderbuch als Basispreis der Option

KB = Limitiertes Kaufgebot im Orderbuch als Basispreis der Option
S = Aktienkurs
N = Standardnormalverteilungsfunktion
V = Standardabweichung (Jahresvolatilität) der Aktienrendite
e = Eulersche Zahl
Der Optionswert eines einzelnen limitierten Auftrags errechnet sich pro Aktie für
einen Call anhand der Formel (3.2). Der Optionswert des gesamten limitierten Auf-
tragsvolumens ergibt sich für einen Call aus der Multiplikation mit der Stückzahl (x).
267
Vgl. dazu FRANKE / HÄRDLE / HAFNER (2001) für die Verwendung der Handelszeit im
Gegensatz zur Möglichkeit, das gesamte Kalenderjahr zu verwenden.
Optionswert eines einzelnen Auftrags = C(KA) * x (3.8)
Nach der Diskussion und Darstellung der Berechnung der Optionswerte für einen limi-
tierten Auftrag schließt sich für das Modell der Gedankengang an, ob für den Options-
wert ein Maximum oder ein Minimum errechnet werden kann.
3.2.6.2 Grenzbestimmung der Optionswerte von limitierten Aufträgen

Durch die bisherige Diskussion und Definition des Modells und der Parameter kann
eine Grenzwertbetrachtung durchgeführt werden. Damit wird ein Minimum deutlich,
bei welchen prozentualen Abständen von der Marktspanne ein limitiertes Gebot einen
so geringen Optionswert ergibt, dass dieses von den Marktteilnehmern nicht als
ökonomisch relevant erachtet wird. Weiterhin kann hergeleitet werden, welches der
maximal mögliche Optionswert eines limitierten Gebotes pro Aktie ist.268 Für die Be-
stimmung des Minimums und des Maximums der Optionswerte sind in der Formel
von Black-Scholes weiterhin der Zinssatz i mit 0% und die Restlaufzeit t mit
9,3214*10-5 Jahren, bei einen Verfall der Option in 15 Minuten, konstant. Aufgrund
der kurzen Restlaufzeit der Optionen und der ausschließlichen Untersuchung von
Börsenöffnungszeiten werden Dividendenzahlungen mit konstant null modelliert. Der
Aktienkurs für die Berechnung des Optionswertes ist zum Zeitpunkt der Orderbuch-
betrachtung durch die aktuell existierende Spanne ebenfalls determiniert. Es verbleibt
als Variable lediglich die Volatilität und die Höhe des limitierten Gebotes, also des
Basispreises, der vom Marktteilnehmer gesetzt wird. Bei der Analyse der näher
liegenden Vergangenheit, z.B. seit dem 1. Januar 1998 bis zum 31. März 2005, er-
geben sich für die entsprechenden Daten aus der jederzeit über Bloomberg erhältlichen
Kursversorgungshistorie einerseits extrem volatile Perioden für Einzeltitel, wie z.B.
das erste und zweite Quartal des Jahres 2003, aber auch Zeiten mit einer sehr geringen
Volatilität, wie z.B. im vierten Quartal 2004 und im ersten Quartal 2005. In diesem
Zeitraum von mehr als sieben Jahren lag der minimale Wert der annualisierten histo-
rischen 30 Tage-Volatilität, gerechnet auf Tagesschlusskursbasis, für einen Einzeltitel
bei 6,25% (Thyssen AG) und der maximale Wert bei 169,5% (Henkel KGaA). Diese
Werte werden als Minimum und Maximum für die Grenzbetrachtung verwendet.
Wenn ein limitierter Auftrag eine bestimmte Distanz zum aktuellen Aktienkurs über-
schreitet, dann wird sein Optionswert ökonomisch irrelevant. Es wird angenommen,
268
Unlimitierte Gebote stellen den höchsten Transaktionswunsch dar. Auf diese kann kein Marktteil-
nehmer reagieren oder sie als Handlungsmöglichkeit nutzen, so dass sie für die Berechnung des
maximalen Optionswertes nicht herangezogen werden.
das dies dann der Fall ist, wenn nach Black-Scholes ein Optionswert resultiert, der als
Prozentsatz des aktuellen Aktienkurses einen Wert aufweist, der erst für die dritte
Nachkommastelle ungleich null ist. Mit ı [6,25%; 169,5%] ergibt sich:
Maximale Distanz eines Limits mit ökonomischem Wert: [0,03% bis

3,55%]269
Ein limitiertes Verkaufsgebot pro Aktie, das zum aktuell bestehenden Geldkurs mehr
als 100,03% entfernt ist, weist bei der niedrigsten angenommenen Volatilität von
6,25% einen Wert von weniger als 0,00% des entsprechenden Aktienkurses auf. Bei
der höchsten angenommenen Volatilität von 169,5% ergibt sich ab einem Limit, das
bei 103,55% oder mehr des Aktienkurses liegt, ein Optionswert von weniger als
0,00% pro Aktie. Für die Minima der limitierten Verkaufsgebote ergeben sich analog
die identischen Grenzwerte.
Das Maximum für den Optionswert ergibt sich für ein Verkaufslimit dann, wenn das
Gebot bis auf einen Tick an den bestehenden besten Geldkurs angenähert wird. Bei
einem durchschnittlichen Aktienkurs in Höhe von 36,79 Euro270 in 2003 für die
beobachteten DAX-Werte entspricht die Entfernung von einem Tick, entsprechend
einem Cent, einem Wert von 0,027% des Aktienkurses. Diese durchschnittlich ange-
nommene minimale Distanz von 0,027% ergibt bei der niedrigsten angenommenen
Volatilität von 6,25% einen angebotenen Optionswert pro Aktie von ca. 0,13%. Bei
der höchsten angenommenen Volatilität von 169,5% ergibt sich für ein so aggressiv
erteiltes Limit ein Optionswert von ca. 0,64%. Für die maximalen Optionswerte er-
geben sich für die Kauflimits mit dem analogen Vorgehen identische Grenzwerte.
Maximum des Optionswertes pro Aktie: [0,13% bis 0,64%]271
Diese Diskussion der Extremata des Optionswertes, die pro Aktie angeboten werden,
verdeutlicht, dass die Marktteilnehmer vor allem in Zeiten sehr geringer Volatilität
kaum eine Analyse des Orderbuchs hinsichtlich der zur Verfügung gestellten Options-
werte vornehmen. Dies kann auch für Aktien mit durchschnittlich hohen Volatilitäten
gelten, bei denen ein Orderbuch vorliegt, in dem nur niedrige Volumina existieren. In
269
Vgl. für die Berechnung Anhang 2.
270
Vgl. für diese Berechnung Tabelle 4-3.
271
Vgl. für die Berechnung Anhang 3.
diesem Fall kann der Marktbeobachter seine Profitmöglichkeiten auch durch entspre-
chend hohe Volumina nicht in wirtschaftlich relevante Dimensionen bringen.
3.2.7 Grafische Darstellung des Orderbuchs anhand der Optionswerte

Bis zu diesem Punkt der Arbeit erfolgte die Modellierung der Handlungsbereitschaft
der Marktteilnehmer. Diese kann mit Optionswerten berechnet werden. Ziel dieses
Unterkapitels ist es, die bisher in der wissenschaftlichen Diskussion gängige, grafische
Beschreibung der Orderbuchlage zu erweitern. Eines der ersten Beispiele für die grafi-
sche Aufbereitung des Limitorderbuchs stammt von GLOSTEN (1994).272 Weitere Ar-
beiten folgten z.B. von BIAIS / HILLION / SPATT (1995), NIEMEYER / SANDÅS
(1995) oder COPPEJANS / DOMOWITZ / MADHAVAN (2001 & 2002). Bei diesen
Arbeiten wird zumeist die Höhe des limitierten Gebotes auf der X-Achse und das ku-
mulierte Volumen der limitierten Aufträge auf der Y-Achse abgetragen. Diesen Veran-
schaulichungen ist gemeinsam, dass sie als Parameter lediglich die Volumina und die
limitierten Gebote verwenden. Damit wird zu dem jeweils dargestellten Zeitpunkt die
aktuelle Handlungsbereitschaft des Marktes abgebildet. Die tatsächliche Intensität, mit
der ein einzelner oder alle Marktteilnehmer am Handel teilnehmen möchten, können
diese Grafiken nicht visualisieren. Die Berücksichtigung des Handlungswillens kann
erreicht werden, wenn die Optionswerte des Orderbuchs für die jeweiligen limitierten
Gebote grafisch dargestellt werden.
Die Unterschiede in der grafischen Visualisierung und deren Interpretation werden
dann deutlich, wenn zwei Praxisbeispiele verglichen werden. Eine fast identische Lage
des Orderbuchs mit niedriger Volatilität wird einem Orderbuch mit hoher Volatilität
gegenübergestellt. Bei dem Vergleich der klassischen Aufbereitung der beiden Zeit-
punkte der Optionswerte gemäß GLOSTEN (1994) wird deutlich, dass mit der bild-
lichen Veranschaulichung der Optionswerte eine exaktere Aussage über den tatsäch-
lichen Handlungswillen der Marktteilnehmer möglich ist.
272
GLOSTEN (1994) geht in seiner Arbeit über den rein deskriptiven Teil hinaus und nutzt die
grafische Darstellung zur Bestimmung eines Marktgleichgewichts.
Orderbuchtiefe bei niedriger Volatilität Orderbuchtiefe bei hoher Volatilität
200.000 200.000
kumulierte Stückzahlen
kumulierte Stückzahlen
150.000 150.000
100.000 100.000
50.000 50.000
0 0
,9 8
,0 0
,0 2
,0 4
,0 7
,1 0
,1 2
,1 4
,1 6
,1 8
6
,1
,1
,2
,2
,2
,2
,3
,3
,3
,3
10
10
10
10
10
10
10
10
10
10
13
14
14
14
14
14
14
14
14
14
Aktienkurs Aktienkurs
Abbildung 3-1: Deutsche Telekom AG, Orderbuchtiefe

Links: per 22.12.2003, 9:20:14 Uhr, historische 30-Tagesvolatilität von 27%
Rechts: per 03.03.2003, 17:40:09 Uhr: historische 30-Tagesvolatilität von 54%
Die Darstellung der Orderbuchtiefe der Deutschen Telekom bei niedriger Volatilität
(links) und bei hoher Volatilität (rechts) in Abbildung 3-1 weist große Parallelen hin-
sichtlich der Markttiefe auf. Die kumulierten Volumina belaufen sich bei 55beiden
Darstellungen auf der Geldseite auf ca. 150.000 Stücke und auf der Briefseite auf ca.
200.000 Stücke. Die limitierten Gebote der Geld- und Briefseite sind so gestaffelt,
dass das benachbarte Gebot, nur mit einer Ausnahme, jeweils beim nächsten Cent liegt
und somit keine Löcher im Orderbuch existieren. Die Steigung der beiden Orderbuch-
seiten erscheint ähnlich, und auch die jeweils besten Gebote der Spanne weisen nur
relativ geringe Volumina auf. Lediglich im Beispiel mit hoher Volatilität weist das
zweitbeste Briefgebot ein deutlich höheres Volumen auf, als dies bei dem Beispiel mit
niedriger Volatilität der Fall ist.273
273
Dieser Datensatz ist das optimale gefundene Beispiel des Jahres 2003, bei dem die grafische Lage
des Orderbuchs in den diskutierten Kriterien derart gut übereinstimmt.
Optionsbewertetes Orderbuch bei niedriger Volatilität Optionsbewertetes Orderbuch bei hoher Volatilität
2.000 2.000
1.800 1.800
kumulierter Optioniswert in Euro
kumulierter Optionswert in Euro

1.600 1.600
1.400 1.400
1.200 1.200
1.000 1.000
800 800
600 600
400 400
200 200
0 -
6
8
,1
,1
,2
,2
,2
,2
,3
,3
,3
,3
,9
,0
,0
,0
,0
,1
,1
,1
,1
,1
10
10
10
10
10
10
10
10
10
10
13
14
14
14
14
14
14
14
14
14
Aktienkurs Aktienkurs
Abbildung 3-2: Deutsche Telekom AG, Optionsbewertetes Orderbuch

Links: 22.12.2003, 9:20:14 Uhr, historische 30-Tagesvolatilität von 27%
Rechts: 03.03.2003, 17:40:09 Uhr, historische 30-Tagesvolatilität von 54%
In der grafischen Darstellung des Orderbuchs mit den Optionswerten in Abbildung

3-2, bei niedriger Volatilität (links) und bei annähernd doppelt so hohen Volatilität
(rechts), treten große Differenzen auf. Sehr deutlich ist der Unterschied in den absolu-
ten Optionswerten, die den Marktteilnehmern durch die verbindlichen, limitierten Ge-
bote des Orderbuchs angeboten werden. Die Unterschiede in der Volatilität zwischen
27% und 54% machen sich auf der Geldseite durch einen ca. fünffach so hohen
Optionswert bemerkbar. Auf der Briefseite übersteigen die Optionswerte in der hoch-
volatilen Zeit die der wenig volatilen Phase sogar um den Faktor zehn. Der Options-
wert, der mit den besten Geboten in den hochvolatilen Phasen angeboten wird, ist be-
reits höher als der kumulierte Optionswert aller 10 Gebote aus der Phase mit geringen
Kursschwankungen. Bei niedriger Volatilität werden fast nur noch bei den besten Ge-
boten Optionswerte angeboten, dann verflachen die Kurven sehr stark. Daraus folgt,
dass im Falle von niedrigen Volatilitäten die tiefer im Orderbuch eingestellten Gebote,
im Vergleich zu den besten Geboten, für Marktteilnehmer mit einem sehr kurzen An-
lagehorizont keine ökonomische Relevanz besitzen. Die tiefsten Gebote im Oderbuch
liefern mit der klassischen Darstellung der Orderbuchtiefe nach GLOSTEN (1994) in
der Ebene von Volumina und Gebotshöhe auch bei niedriger Volatilität noch einen
signifikanten Liquiditätsbeitrag.
Bei einer Beurteilung einer Aktie im zeitlichen Ablauf, oder bei einem Vergleich mit
anderen Aktien kann dies aufgrund nicht äquidistanter Transaktionsabstände nicht
durch summierte Optionswerte des Orderbuchs erfolgen. Dafür können nur Durch-
schnittswerte sinnvolle Aussagen ermöglichen, weil dadurch diese Probleme nicht
mehr auftreten.
3.2.8 Bestimmung des Optionswertes einer ganzen Orderbuchseite

Eine wichtige Maßzahl für die dynamische Analyse des Orderbuchs ist der kumulierte
Optionswert. Damit besteht die Möglichkeit, einen „ganzheitlichen“ Überblick über
den Orderfluss zu bekommen. Es können exaktere Handelsstrategien von Marktteil-
nehmern erfasst werden, wie z.B. das Ordersplitting.274 Dabei wird beim Handeln
einer großen Position häufig ein Teil davon sofort unlimitiert in den Markt gegeben.
Die verbleibenden Stücke werden im Orderbuch limitiert, aber zumeist nicht an erster
Stelle eingegeben.275 Als zweiter positiver Aspekt bietet der kumulierte Optionswert
einer Orderbuchseite die Möglichkeit, die Attraktivität eines einzelnen limitierten Auf-
trags im Verhältnis zum verbleibenden Teil des Optionswertes zu beurteilen.276 Der
Optionswert für eine ganze Orderbuchseite wird durch die Summierung der einzelnen
Optionswerte berechnet. Für die im Orderbuch befindlichen Verkaufsaufträge resul-
tiert zum Zeitpunkt t der Call-Optionswert (Ct) der gesamten Seite für die limitierten
Gebote i von 1 bis 10 durch:
10
Ct ¦c
i 1
i ,t xi ,t (3.9)
ci,t = Optionswert eines einzelnen limitierten Auftrags

xi,t = Volumen des Limits i
Analog errechnet sich für die im Orderbuch befindlichen Kaufaufträge der summierte
Put-Optionswert Pt.
Durch dieses Vorgehen ist es möglich, für jede Seite des Orderbuchs einen Options-
wert zu berechnen. Die absolute Höhe des Optionswertes kann herangezogen werden,
um die limitierten Gebote einer einzelnen Aktie im Zeitablauf oder in Phasen unter-
schiedlicher Volatilitäten zu beurteilen. Um den Optionswert z.B. der ersten Stelle auf
der Geldseite mit dem von anderen Aktien vergleichen zu können, ist es notwendig,
die Optionswerte zu relativieren. Dafür wird ein einzelner Optionswert ins Verhältnis
274
Vgl. HEDVALL / NIEMEYER (1997) für die Finnische Börse, wo in 42% der beobachteten
Transaktionen an zwei aufeinander folgenden Trades jeweils der selbe Broker beteiligt ist. Dies
interpretieren sie als deutliches Zeichen für die Existenz von Order-Splitting.
275
Vgl. SEPPI (1997), S. 105.
Vgl. NIEMEYER / SANDÅS (1995), BIAIS / HILLION / SPATT (1995) und GLOSTEN (1995)
für den großen Liquiditätsbeitrag einzelner Limits die nicht an die erste Stelle platziert werden.
276
Vgl. SCHMIDT / KÜSTER SIMIû (1998), für ein analoges Vorgehen für die Beurteilung der
Preisaggressivität von limitierten Aufträgen.
zum kumulierten Optionswert seiner ganzen Orderbuchseite gesetzt.277 Dadurch ist

eine Relativierung zwischen liquiden Aktien mit absolut gesehen hohen Options-
werten und illiquiden Titeln mit niedrigen Volumina möglich. So kann beispielsweise
für alle DAX-Titel der Prozentsatz vom kumulierten Optionswert errechnet werden,
der jeweils an der ersten Stelle der Geld-Brief-Seite steht.
Hierin liegt der eindeutige Vorteil dieser Vorgehensweise. Durch eine solche Relati-
vierung kann eine qualitativ präzise Aussage über den Handlungswillen der Order-
erteiler gegeben werden. Im Vergleich dazu liefert eine Einteilung in Klassen, wie z.B.
in Dezile, nur eine ordinale Aussage über die Häufigkeit des Auftretens von Options-
werten in der jeweiligen Klasse. Der Nachteil besteht darin, dass die Relativierung der
Optionswerte eine Zeitpunktbetrachtung des Handlungswillens im Moment der Order-
erteilung darstellt. Dieser Zusammenhang der Optionswerte untereinander ist nur so
lange stabil, wie keine neuen großen Aufträge mit außerordentlich hohen Optionswer-
ten in das Limitorderbuch eingestellt oder große Optionswerte abgeräumt werden. Ge-
schieht dies, so ändert sich das Verhältnis des Wertes einer einzelnen Option im Ver-
gleich zum kumulierten Optionswert seiner zugehörigen Orderbuchseite. Ein bestehen-
der limitierter Auftrag erhält ein anderes Gewicht im Verhältnis zum kumulierten
Optionswert des Orderbuchs.
Für eine exaktere Prognose, welche der Transaktionen ein Marktteilnehmer vor-
nehmen würde, müssen Parameter eingeführt werden, wie beispielsweise die An-
kunftsrate unlimitierter Aufträge oder die Wahrscheinlichkeit für die Veröffentlichung
neuer Informationen.278 Damit müsste erörtert werden, wie ein einzelner Marktteil-
nehmer seine Chancen einschätzt, durch eine Ordererteilung Gewinn zu erzielen.279
277
Vgl. PENNINGS / KUIPER / TER HOFSTEDE / MEULENBERG (1998), die für eine Klas-
sifizierung des Orderbuchs eine Gomperts-Funktion nutzen. Der Vorteil diese Funktion ist, dass
sie grafische Ähnlichkeiten mit dem Kurvenverlauf aufweist, der in empirischen Analysen einer
Seite des Limitorderbuchs zahlreich beobachtet wurde. Vgl. BAMBERG / BAUR (1989), S. 46,
für eine Gomperts-Funktion, die sie auch S-förmige Wachstumsfunktion nennen.
Vgl. DEGRYSE / DEJONG / VAN RAVENSWAAIJ / WUYTS (2002), die eine Einteilung in
Dezile vornehmen. Vgl. BLEYMÜLLER / GEHLERT / GÜLICHER (2002), S.24 für die
Definition von Dezilen: „Quantile .. teilen die Gesamtheit in gleich große Teilgesamtheiten auf.“
278
Vgl. CORDELLA / FOUCAULT (1997 / 1999), HOLLIFIELD / MILLER / SANDÅS / SLIVE
(2001), FOUCAULT / KADAN / KANDEL (2001) für die Ankunftsrate von neuen Orders.
Vgl. EASLEY / KIEFER / O’HARA / PAPERMAN (1996) für die Ankunftsrate von neuen
Informationen.
279
Vgl. SCHLAG / STOLL (2005) die für den Optionsmarkt der DAX-Titel feststellen, dass der
überwiegende Teil der Transaktionen in Optionen nicht informationsbedingt, sondern liquiditäts-
getrieben, also ohne bessere Informationen oder Insiderwissen initiiert ist.
Nach der erfolgten Modellierung des ersten wichtigen Faktors für die Erholungsfähig-
keit, der Volatilität, folgt die Modellierung des zweiten entscheidenden Modellbau-
steins, dem Gleichgewicht einer Orderbuchsituation.
3.3 Gleichgewichtsmodell
Ziel dieses Kapitels ist es, ein Modell für ein partielles Gleichgewicht280 zu entwi-
ckeln. Dieses soll im empirischen Teil genutzt werden, um zu bestimmen, ob ein
Gleichgewicht im offenen Orderbuch im Xetra vorliegt. Die Entwicklung des Gleich-
gewichtmodells muss die Liquiditätsaspekte einbeziehen, die für die Bestimmung der
Erholungsfähigkeit und somit dem Fortgang der Arbeit dienlich sind. Zahlreichen
Gleichgewichtsmodellen ist gemeinsam, dass sie z.B. die Informationseffizienz281 be-
achten. Dabei gehen sie zumeist auf die Strenge Informationseffizienz ein, bei der im
Gleichgewicht alle Informationen verarbeitet sind. Dies wird für die vorliegende Defi-
nition des Gleichgewichts nicht berücksichtigt, weil die Frage der Existenz von
Insidern oder Noise Tradern nicht diskutiert wird. Ein Gleichgewicht der Orderbuch-
lage wird lediglich für die Bestimmung des Anfangspunktes und des Endpunktes der
Erholungsfähigkeit benötigt. Für die Definition des Gleichgewichts greift das ent-
wickelte Modell maßgeblich auf den Handlungswillen auf beiden Seiten des Order-
buchs zurück.
3.3.1 Modell der Spannung im Orderbuch

Bei einer Analyse von ungewöhnlichen Orderbuchlagen besteht die Möglichkeit, dass
die im Limitorderbuch eingestellten Optionswerte der beiden Seiten verschieden
sind.282 In diesem Fall entsteht im Orderbuch eine „Spannung“. Diese findet ihren
Ausdruck in einer großen Differenz der Optionswerte der beiden Seiten.
Im Abschnitt 3.2 wurde der Begriff des Handlungswillens hergeleitet. Mit diesem
kann entweder ein einzelnes limitiertes Gebot oder eine ganze Oderbuchseite hin-
280
Vgl. GOETTLER / PARLOUR / RAJAN (2005) für ein partielles Gleichgewicht. Sie verstehen
darunter ein Gleichgewicht, in dem sich lediglich der Preis für eine einzelne Aktie ändert. Alle
anderen Preise bleiben konstant. Als prominentes Beispiel für ein partielles Gleichgewicht führen
sie die Theorie von Marshall an, mit Angebot und Nachfrage für ein Gut.
281
Vgl. FAMA (1963), der in die Schwache, Mittelstrenge und Strenge Informationseffizienz unter-
teilt. Bei der Strengen Informationseffizienz sind in den Kursen alle öffentlichen und nicht
öffentlichen Informationen enthalten. Die erzielbare Rendite entspricht der Gleichgewichtsrendite
gemäß dem Risiko des Wertpapiers.
282
Vgl. KEMPF / KORN (1997), ENGLE / LANGE (1997) für diese Überlegung, dass sich Preise
aufgrund des netto Ungleichgewichts zwischen Kauf- und Verkaufsaufträgen ändern und nicht
aufgrund von Handelsvolumina.
sichtlich der zur Verfügung gestellten Optionswerte charakterisiert werden. Die Fort-
führung dieser Überlegungen stellt die Berücksichtigung beider Seiten des Orderbuchs
dar.283 Durch die Berechnung der kumulierten Optionswerte für beide Seiten des
Orderbuchs kann die gesamte Lage des Orderbuchs durch zwei Kennzahlen, Ct und Pt
und ihre Relation zueinander, beschrieben werden. Daraus resultiert die Überlegung,
aus diesen zwei Größen eine Kenngröße für die Charakterisierung des vollständigen
Orderbuchs zu entwickeln, die Spannung. Mit der Einführung dieses neuen Begriffs
werden folgende Ziele verfolgt:
x Es soll aufgezeigt werden, inwieweit sich auf beiden Seiten unterschiedliche

Willenssituationen für das Transaktionsinteresse der Marktteilnehmer ergeben,
und ob entsprechend ungleiche Willenssituationen im Orderbuch existieren.284
x Diese Kenngröße könnte als Zusatzinformation für eine mögliche Prognose einer
zukünftigen Dynamik im Orderbuch dienen, z.B. bezüglich der zukünftigen An-
kunftsrate von unlimitierten zu limitierten Orders.285 Daraus könnten Marktteil-
nehmer ggf. profitable Handelsstrategien ableiten.
x Es kann eine grafische Charakterisierung des Orderbuchs erfolgen, die nicht den
Verlauf der Orderbuchtiefe, sondern die optionsbewerteten, limitierten Aufträge
darstellt.
x Die Spannung kann dazu beitragen zu beurteilen, ob die untersuchte Orderbuchsi-
tuation als außergewöhnlich einzustufen ist und wann diese außerordentliche
Situation wieder beendet ist.
x Schließlich kann die Spannung als approximative Kennzahl für die Beurteilung
fungieren, ob sich ein Markt im Gleichgewicht befindet oder nicht. Damit nimmt
die Spannung im Modell der Erholungsfähigkeit eine herausragende Stellung ein.
In der vorliegenden Arbeit wird die Spannung pro Zeitintervall definiert, indem die
Differenz zwischen dem höheren und dem niedrigeren Optionswert der beiden Order-
buchseiten gebildet wird. Diese Differenz der Optionswerte wird relativiert, indem sie
283
Vgl. CHORDIA / ROLL / SUBRAHMANYAM (2001), S. 7. Sie errechnen ein Orderungleich-
gewicht mit der Anzahl der käuferinitiierten Transaktionen abzüglich der Anzahl der verkäufer-
initiierten Transaktionen.
284
Vgl. MURANAGA (2000) für den Markt in Tokio oder die Deutsche Börse AG die mit dem
Market Impact das „absolute Transaktionsinteresse“ der Marktteilnehmer charakterisieren.
285
Vgl. BENSTON / IRVINE / KANDEL (2000) für die Prognose des Orderflusses indem sie für
die Lage des Orderbuchs die Round Trip Kosten berechnen. Dadurch berücksichtigen sie die
besten Geld-Brief-Kurse und auch noch die Limitierungen, welche tiefer im Orderbuch liegen.
Die Volatilität wird dabei nicht berücksichtigt.
durch den geringeren der beiden Optionsseitenwerte dividiert wird.286 Als Formel für
die so definierte und in Prozent ausgedrückte Spannung (Sp) resultiert:287
§ max .(Ct ; Pt ) min .(Ct ; Pt ) ·

Sp ¨¨ ¸¸ *100% für Ct, Pt ungleich null (3.10)
© min .(Ct ; Pt ) ¹
Ct = Ȉ der Optionswerte aller Verkaufslimits zum Zeitpunkt t

Pt = Ȉ der Optionswerte aller Kauflimits zum Zeitpunkt t
Somit wird für die Spannung ein Wert errechnet, der ausdrückt, wie stark die Seite mit
dem höheren Optionswert die andere übertrifft. Die so berechnete Spannung ist ohne
mathematisches Vorzeichen. Das Ziel des Spannungsmaßes ist es nicht, die Liquidi-
tätsdeterminanten Marktbreite und Markttiefe zu ersetzen, sondern einen ergänzenden
Beitrag für die Modellierung und Messung der Erholungsfähigkeit zu liefern.
Für den Optionswert jeder Seite existiert eine Untergrenze von null, wenn beide Seiten
des Orderbuchs leer sind (vgl. Kapitel 3.2.6.2).288 Daraus ergibt sich das Minimum für
die Spannung, die in diesem Fall auch einen Minimalwert von null besitzt. Ein Wert
von null resultiert dann für die Spannung, wenn beide Seiten des Buches einen identi-
schen Optionswert aufweisen. Die höchsten Werte für die Spannung werden sich dann
ergeben, wenn eine Seite des Orderbuchs nur durch ein unbedeutendes Limit einen
sehr geringen Optionswert hat, womit es annähernd zu einer Division durch null
kommt.
Der Vorteil der so berechneten Spannung ist, dass bei der Berechnung der einzelnen
Optionspreise alle aktuellen Marktbewegungen, wie z.B. der letzte Transaktionspreis,
die Nähe der limitierten Aufträge zum letzten Kurs oder die Volatilität in die Berech-
nung eingehen. So kann mit einer einzigen Kennzahl eine Aussage zum Status Quo
des Orderbuchs getroffen werden, die für beide Orderbuchseiten den Unterschied der
286
Vgl. KEMPF / KORN (1997), S. 20 für ein analoges Vorgehen bezüglich dem Verhältnis der
Volumina im Orderbuch.
287
Vgl. HARRIS (1987) oder SCHMIDT / KÜSTER SIMIû (1998) für ein ähnlich formales
Vorgehen für die Charakterisierung der Attraktivität einer limitierten Order.
288
Vgl. SCHMIDT / KÜSTER SIMIû (1998) für strategische Orderplazierung in einem leeren
Orderbuch, in dem kein Marktteilnehmer anhand der Orderbuchlage Gewinn erzielen kann. Es ist
profitabel ein hohes Verkaufslimit einzugeben und auf die Ankunft einer unlimitierten Kauforder
zu hoffen. Ein weiterer Akteur kann strategisch reagieren, indem er das bestehende, hohe
Brieflimit um einen Tick unterbietet oder ein niedriges Kauflimit einstellt. Dieser Mechanismus
des Unter- und Überbietens hält an, bis sich die Geld-Brief-Spanne auf einem Niveau einpendelt,
bei dem keiner der Marktteilnehmer durch strategische Orderplazierung einen Gewinn erwartet.
summierten Transaktionswillen charakterisiert. Die Möglichkeit der Beurteilung der

Handlungsbereitschaft geht damit über andere Kennzahlen der Liquiditätsmessung
hinaus, die nur Transaktionen oder die Orderbuchtiefe interpretieren. Durch die Be-
rechnung der Spannung über Zeitintervalle kommt es zu einer „Glättung“ der Span-
nung, so dass diese nicht durch extreme Gebote stark beeinflusst wird. Vgl. für den
Einfluss der Glättung auf die grafische Darstellung der Spannung Abbildung 3-3 und
Abbildung 3-4.
Der Nachteil der Kennzahl der Spannung ist, dass durch die Relativierung der Span-
nung die Information verloren geht, ob das Orderbuch in Summe sehr hohe oder sehr
niedrige Optionswerte zur Verfügung stellt. Ebenfalls ist pro Orderbuchseite nicht
mehr ersichtlich, an welcher Stelle des Orderbuchs der größte Transaktionswille durch
eine einzelne Order entsteht. Letztlich kann die Spannung nicht mehr anzeigen, auf
welcher Seite des Orderbuchs der höhere Optionswert herrscht.
16
14
12
10
0
10
30
51
09
27
46
02
21
42
12
53
19
50
11
31
48
01
14
29
45
03
20
40
11
21
0
6
5
3
9:0
9:1
9:3
9:5
10:
10:
10:
11:
11:
11:
12:
12:
12:
13:
13:
14:
14:
15:
15:
15:
16:
16:
16:
16:
17:
17:
17:
18:
19:
Abbildung 3-3: Spannung im Orderbuch, Deutsche Telekom,

27. Januar 2003 Zeitraum: 1 Minute
Die Darstellung der Spannung, für die eine zeitliche Glättung von drei Minuten vorge-
nommen wird, liefert grafisch folgendes Resultat:
28
15
36
59
16
35
54
13
37
02
47
14
49
11
32
50
03
18
34
51
11
56
51
7
7
5
0
9:1
9:0
9:3
9:5
10:
10:
11:
11:
11:
12:
12:
13:
13:
14:
14:
15:
15:
15:
16:
16:
16:
16:
17:
17:
17:
18:
10:
Abbildung 3-4: Spannung im Orderbuch, Deutsche Telekom,

27. Januar 2003 Zeitraum: 3 Minuten
Die hier erfolgte Modellierung der Spannung wird im nächsten Schritt genutzt, um ein
Gleichgewicht zu bestimmen.
3.3.2 Modell eines Gleichgewichts in einem offenen Orderbuch
3.3.2.1 Die Spannung im Gleichgewichtsmodell

Bei der Diskussion eines Gleichgewichts wird in der wissenschaftlichen Forschung
oftmals versucht ein Nash Equilibrium zu bestimmen.289 Auf Basis dieses Nash Equili-
briums entsteht die Überlegung, dass beobachtbare außerordentliche Ungleichge-
wichte im Orderbuch als Anhaltspunkte für potenzielle Gewinnmöglichkeiten dienen
können. Erst wenn kein Marktteilnehmer mehr die kurzfristige Chance sieht, Gewinne
aufgrund einer bestimmten Orderbuchlage mit extrem hohen Optionswerten oder
Spannungen zwischen den optionsbewerteten Orderbuchseiten zu erzielen, wird in der
vorliegenden Arbeit von einem Gleichgewicht gesprochen.290 Andernfalls wird die
große Anzahl an Marktteilnehmern, die den Markt kontinuierlich beobachten und
289
Vgl. Fußnote 102 für eine weitere Erklärung des Nash Gleichgewichts.
290
Vgl. GLOSTEN (1994), CHAKRAVARTY / HOLDEN (1995); CORDELLA / FOUCAULT
(1997) für eine Definition des Gleichgewichts über diese Funktion, dass kein Marktteilnehmer
aufgrund der diskutierten Situation außerordentliche, risikofreie Gewinne erzielen kann.
niedrige Transaktionskosten besitzen, versuchen, diese Situationen auszunutzen. Ent-

sprechend hat in einem Gleichgewicht kein Akteur einen Anreiz, eine bestimmte Stra-
tegie zu verfolgen, die die Situation grundlegend verändert.291 Daher wird an dieser
Stelle die Annahme getroffen, dass die bereits eingeführte Spannung im Orderbuch als
Maßstab dafür dient, ob im Orderbuch attraktive, limitierte Aufträge mit hohen
Optionswerten vorliegen, die die Marktteilnehmer dazu veranlassen, Transaktionen
vorzunehmen.292
3.3.2.2 Die Reservationsspannung im Gleichgewichtsmodell

Falls beide Seiten des Orderbuchs einen identischen Optionswert aufweisen, liegt die
Spannung bei einem Wert von null. Dieser Wert ist in der Regel weder für einen Zeit-
punkt noch für einen Zeitraum zu erwarten. Das andere Extremum ist, dass außeror-
dentlich hohe Spannungen auftreten, wenn relativ hohe Optionswerte auf einer Seite
im Orderbuch angeboten werden. In dieser Situation werden Akteure versuchen, Han-
delsstrategien umzusetzen, bei denen sie z.B. ein Gebot mit einem niedrigen Options-
wert auf die Orderbuchseite mit dem bereits bestehenden, sehr geringen Optionswert
stellen. Die Berücksichtigung dieser Schwankungsbreite der Spannung in einer „natür-
lichen“ Bandbreite, die keine ökonomische Relevanz für tradingorientierte Marktteil-
nehmer besitzt, wird als Reservationsspannung bezeichnet.293 Erst bei Spannungen
außerhalb dieses Korridors ist zu erwarten, dass kurzfristig orientierte Marktteilnehmer
versuchen werden, diese Situation auszunutzen, um Gewinne zu erzielen.294 Aufgrund
dieser hohen Spannung außerhalb des Korridors würde für den Markt eine labile Situ-
ation resultieren.295
291
Vgl. EASLEY / O’HARA (1992). Unabhängig davon muss immer ein Mindestmaß an Noise
Tradern vorhanden sein, so dass es überhaupt zu Kursveränderungen und dann entsprechend
einem neuen Gleichgewicht kommen kann.
292
Vgl. FREIHUBE / KEHR / KRAHNEN / THEISSEN (1998) für einen Ansatz zur Definition
eines Gleichgewichts anhand der Stabilisierungsrate. Sie bestimmen dieses über die Ankunft von
unlimitierten Aufträgen, die einer außerordentlichen Kursbewegung entgegenwirken.
293
Vgl. FOUCAULT / KADAN / KANDEL (2001) für den Reservationsspread bei Aktienkursen,
bis zu denen Transaktionen noch profitabel sind und durchgeführt werden.
Vgl. CORDELLA / FOUCAULT (1997), die davon ausgehen, dass durch die Risikoaversion von
Akteuren und eine asymmetrische Informationsverteilung eine Differenz eröffnet wird zwischen
dem erwarteten Reservationspreis des Akteurs und seinem erwarteten Wert für das Papier.
294
Vgl. CHIANG (1984), S. 35 ff für die Definition von kurzfristigen ökonomischen Gewinnen.
295
Vgl. SCHMIDT / KÜSTER SIMIû (1998) für empirische Ergebnisse zu Handelsstrategien für
den IBIS wenn im offenen Orderbuch große, attraktive limitierte Aufträge eingestellt werden.
Die Berücksichtigung der Optionswerte für die Spannung erfolgt kontinuierlich im

Zeitablauf für jede neue Orderbuchsituation. Veränderungen können entweder durch
eine Transaktion oder eine neue Lage der Gebote hervorgerufen werden.
Im Modell soll dann ein Gleichgewicht herrschen, wenn über einen bestimmten Zeit-
raum die Summe der Optionswerte der einen Oderbuchseite nicht mehr als das Drei-
fache der anderen Oderbuchseite beträgt.296 Im Modell wird angenommen, dass dies
eine so hohe Spannung darstellt, dass handelsorientierte Marktteilnehmer dazu veran-
lasst werden, taktische Positionierungen vorzunehmen. Diese Forderung, dass die
Spannung sich für das Vorliegen eines Gleichgewichts innerhalb eines Korridors be-
wegen muss, bedeutet, dass im Orderbuch über einen bestimmten Zeitraum im Durch-
schnitt auf einer Seite des Limitorderbuchs keine so attraktiven limitierten Gebote vor-
liegen dürfen, dass sie deutlich die Lage des optionsbewerteten Orderbuchs prägen.
Die Reservationsspannung (RSp) für ein Gleichgewicht liegt somit in dem Band:
RSp = [0 ; 2] (3.11)
Die Spannung als eines der beiden Definitionselemente des Gleichgewichts weist
somit keine direkte Relation zur Volatilität oder zu einem bestimmten Zeitfenster auf.
Die Volatilität und die Zeit werden mit der zweiten Gleichgewichtskomponente, den
Anforderungen an die Kursbewegung, berücksichtigt.
3.3.2.3 Die Reservationskursbewegung im Gleichgewichtsmodell

Nach der Berücksichtigung der Rolle der Spannung für das Gleichgewicht und der
Handlungsschwelle, die durch die Reservationsspannung definiert wird, erfolgt im
weiteren Schritt die Berücksichtigung der Kursbewegung. Ein Gleichgewicht kann nur
dann vorliegen, wenn die Spannung sich innerhalb ihres Korridors der Reservations-
spannung bewegt und wenn keine außerordentlich große Kursbewegung vorliegt.297
Ziel dieses Kapitels ist es zu modellieren, ab welchem Ausmaß eine außerordentliche
Kursbewegung stattfindet, die für die Untersuchung der Erholungsfähigkeit herange-
zogen werden kann. Eine außerordentlich hohe, temporäre Volatilität der Aktie würde
den tradingorientierten Marktteilnehmern zu Gute kommen, wenn ein hohes Verkaufs-
296
Entsprechend der Formel (3.11) führt ein Maximalwert, der dreifach so groß ist wie der
Minimalwert zu einer Spannung von 2.
297
Ohne Berücksichtigung eines Korridors für die Bewegung des Aktienkurses käme es bereits
durch den Bid-Ask-Bounce zu Kursbewegungen, die beachtet werden müssten.
Vgl. GLOSTEN (1994) für die Überlegung, dass eine Dynamik des Handels erst dadurch ent-
steht, dass es transitorische Ungleichgewichte gibt zwischen Angebot und Nachfrage, welche aus
unterschiedlichen Bewertungen oder einem unterschiedlich aggressiven Handel resultieren.
limit oder ein niedriger Kaufauftrag ausgeführt würde, die Aktie später auf ihren ur-
sprünglichen Gleichgewichtskurs zurückkäme und der limitiert Agierende somit einen
Gewinn erzielt hätte. Der Grenzpreis, bis zu dem von Akteuren Transaktionen als pro-
fitabel erachtet werden, wird durch den Korridor der Reservationskursbewegung be-
stimmt.298 Im Modell wird die Annahme getroffen, dass sich die Schwankungsbreite
des Aktienkurses in einem Gleichgewichtsband, der Reservationskursbewegung, von
plus oder minus einem Sigma um den absoluten Betrag der relativen Performance des
Aktienkurses bewegen darf. Hierfür wird eine annualisierte Standardabweichung an-
hand der Schlusskurse der letzten 30 Handelstage berechnet ıAktie 15 Min., die auf 15
Minuten skaliert wird. Der Vorteil ist, dass dadurch statistisch ca. 68,27% der Kursbe-
wegungen innerhalb der Gleichgewichtsbandbreite liegen.299
Die Reservationskursbewegung (RK) ist definiert:
RK = |RenditeAktie 15 Minuten| < ıAktie 15 Min. (3.12)
Bewegt sich die Aktie innerhalb dieses Bandes, so ist dies eine der notwendigen Vor-
aussetzungen, die vor dem Start der außerordentlichen Kursbewegung und im An-
schluss daran erfüllt sein muss, so dass vom Vorliegen einer vollständigen Erholungs-
bewegung gesprochen werden kann.
Erweiterungen des Modells könnten bei der Kursbewegung ansetzen und diese durch
die Bereinigung um die zeitgleiche Performance des zugehörigen Index relativieren.
Dies könnte fortgeführt werden durch eine Berücksichtigung der Branchenbewegung
bzw. der aktienspezifischen Betas.300
298
Vgl. FOUCAULT / KADAN / KANDEL (2001) für dieses Vorgehen.
299
Vgl. BLEYMÜLLER / GEHLERT / GÜLICHER (2002), S. 61 ff. Bei zwei Sigma würde für ca.
95,45% der Beobachtungen die notwendige Bedingung der Kursstabilität für ein Gleichgewicht
erfüllt sein. Die Deutsche Telekom beispielsweise, die in 2003 ca. 5.000 Transaktionen pro Tag
aufweist, hätte pro Tag lediglich ca. 230 Beobachtungen außerhalb des Gleichgewichtsbandes,
womit sich die Aktie praktisch fast kontinuierlich im Gleichgewicht befinden würde.
300
Vgl. FABOZZI / MA / CHITTENDEN / PACE (1995) für dieses Vorgehen der Bereinigung der
Aktienrendite um die Marktrendite.
Die Berücksichtigung von Indexbewegungen erscheint aufgrund der einfachen Arbitrage-
möglichkeiten im Xetra praxisrelevant. Eine Erweiterung des Modells könnte dadurch erfolgen,
dass die Kursbewegung der einzelnen Aktie nicht um die Marktrendite bereinigt wird, sondern
jeweils um die Bewegung des zugehörigen Branchenindizes bzw. die aktienspezifischen Betas
berücksichtigt werden. Im Weiteren wird dieses Vorgehen nicht angewendet, um die Komplexität
der Empirie nicht zu erhöhen.
3.3.2.4 Der Zeitraum im Gleichgewichtsmodell

Bis zu diesem Zeitpunkt der Modellentwicklung wird das Gleichgewicht über die
Spannung und die Kursbewegung definiert. Letztere wird in direkte Relation zu der
vorherrschenden, kurzfristigen Volatilität gesetzt. Dies ist notwendig, um zu berück-
sichtigen, dass eine „normale“ Kursschwankung in einem sehr ruhigen Markt erwar-
tungsgemäß relativ gering ausfällt. In einem hoch volatilen Markt hingegen sind die
normalen Kursbewegungen höher, ohne dass schon von einem einzelnen außeror-
dentlichen Kursausschlag gesprochen werden könnte.301 Der benötigte Zeitraum für
das Vorliegen eines Gleichgewichts wird von der Volatilität beeinflusst. In Handels-
zeiten mit geringen Kursbewegungen ist es sinnvoll, erst dann ein Gleichgewicht als
gegeben anzusehen, wenn sich die Spannung und die Kursausschläge über eine relativ
lange Zeitspanne innerhalb der vordefinierten Grenzen bewegen. Ist die Volatilität
sehr hoch, so kann bereits dann ein Gleichgewicht angenommen werden, wenn dieser
Zustand über einen kurzen Zeitabschnitt Bestand hat. Es wird von 15 Minuten als
Basiszeitintervall ausgegangen, was sich in der Entwicklung des Modells bisher be-
währt hat. Dies ist die maximale Dauer, während der die Bedingungen für das Vorlie-
gen eines Gleichgewichts erfüllt sein müssen. Im Modell ist das genau dann der Fall,
wenn der untersuchte Zeitraum die niedrigste Volatilität des Tages aufweist. In allen
anderen Phasen innerhalb eines Tages ist diese Zeitspanne geringer als 15 Minuten.
Dafür wird die minimale Volatilität des Tages durch die 15-minütige Volatilität des zu
untersuchenden Intraday-Zeitraums dividiert. Damit diese Größe nicht in einen
modelltheoretisch suboptimalen Bereich von wenigen Sekunden fällt, wird eine Unter-
grenze von einer Minute gesetzt. Daher resultiert das Intervall (1;15) Minuten. Damit
ergibt sich der Gleichgewichtszeitraum (TGGW), während dessen die für ein Gleichge-
wicht notwendigen Bedingungen vorliegen müssen mit:
§ V Aktie 15 Minuten (Tages min imum ) ·

TGGW 15Minuten * ¨ ¸ (3.13)
¨ V Aktie 15 Minuten (Untersuchungszeitraum ) ¸
© ¹
Eine Zusammenfassung der Modellparameter aus den Unterkapiteln 3.3.2.2 – 3.3.2.4

erfolgt in Tabelle 3-2:
301
In Phasen mit starken Veränderungen der Aktienkurse ist zu erwarten, dass auch die Spannung
deutlicheren Schwankungen unterliegt. Diese wird nicht in Abhängigkeit der Volatilität
modelliert. Vgl. FOUCAULT (1998), der in seinem Gleichgewichtsmodell davon ausgeht, dass
sich im Gleichgewicht die Geld-Brief-Spanne weitet, wenn sich die Volatilität erhöht.
Abhängigkeit Modellannahme Interpretation

Reservations- Die Spannung der beiden
Spannung spannung [0;2] Orderbuchseiten muss sich
abhängig innerhalb der determinierten
von der Reservationsspannung zwi-
Volatilität. schen [0;2] bewegen.
Reservations- Die Kursbewegung der Aktie
Kursbe- kursbewegung ı muss sich innerhalb der Re-
wegungen abhängig servationskursbewegung von
von der Vola- maximal einem Sigma be-
tilität. wegen.
Zeitspanne § MinimumV Aktie 15 Min. · Dies muss für einen Zeitraum
Zeitraum abhängig 15Min. * ¨ ¸ gelten, der in Abhängigkeit
¨ V Aktie 15 Min. ¸
von der © ¹ der 15-minütigen Volatilität
Volatilität. steht, der minimal eine
Minute und maximal 15
Minuten beträgt.
Tabelle 3-2: Abhängigkeiten und Modellparameter eines Gleichgewichts
Als Nachteil für dieses Gleichgewichtsmodell bleibt festzustellen, dass der zugehörige
Algorithmus programmiertechnisch sehr komplex in der Umsetzung ist. Der aus-
schlaggebende Vorteil für diese entwickelte Modellierung des Gleichgewichts ist, dass
nicht, wie in vielen anderen Gleichgewichtsmodellen, nur eine Fokussierung auf die
Geld-Brief-Spanne erfolgt. Zusätzlich zu der Spanne werden die gesamte Orderbuch-
tiefe, der Verlauf des Aktienkurses sowie die Volatilität berücksichtigt.
3.3.3 Exchange Liquidity Measure (XLM) als alternatives Gleichgewicht

Für die Erholungsfähigkeit ist es von zentraler Bedeutung, beurteilen zu können, ob
sich der Markt nach einer außerordentlichen Kursbewegung wieder im Gleichgewicht
befindet. Für die Messung, ob sich ein Markt im Gleichgewicht befindet, hat sich bis-
her kein Modell als Standard etabliert. Bei dem im vorhergehenden Kapitel entwickel-
ten Modell haben sich Vor- aber auch Nachteile gezeigt. Somit erscheint es sinnvoll,
zusätzlich zu dem im vorhergehenden Kapitel beschriebenen Verfahren, ein alternati-
ves Maß für die Berechnung des Gleichgewichts heranzuziehen.
Dafür bietet sich das in 2003 eingeführte XLM-Liquiditätsmaß der Deutschen Börse
AG an.302 Die Verwendung dieser Kennzahl erscheint sinnvoll, um zumindest eine
302
Vgl. HOLTHAUSEN / LEFTWICH / MAYERS (1987) für sehr vereinfachte Verfahren, die in
einer Ereignisstudie zu Blocktransaktionen als Gleichgewichtspreis den letzten Kurs vor der
Blocktransaktion und den Schlusskurs des Tages verwenden.
Approximation für eine „normale“ Orderbuchsituation respektive ein Gleichgewicht

zu erhalten, weil sie sich für die Quantifizierung der durchschnittlichen Transaktions-
kosten gut eignet.303 Dies könnte so umgesetzt werden, dass der Handelstag in fixe 60-
minütige Intervalle aufgeteilt wird, für die über einen längeren Beobachtungszeitraum
der durchschnittliche Wert errechnet wird. Das XLM-Maß berechnet die Market
Impact-Kosten304 als einen Teil der impliziten Transaktionskosten.305 Dafür wird für
eine bestimmte Ordergröße von z.B. einer Mio. Euro der zu erwartende durchschnittli-
che Transaktionskurs ermittelt, wenn dieser Auftrag sofort gegen die entsprechende
Seite des Orderbuchs ausgeführt würde. Der Market Impact wird berechnet, indem die
Differenz aus dem jeweiligen Transaktionskurs und dem Midquote (MQ), der vor der
Transaktion herrschte, gebildet wird. Dieser Wert wird mit der jeweils gehandelten
Stückzahl multipliziert. Die Berechnung des XLM-Maßes für Käuferinitiierte
(XLMK,t) und Verkäuferinitiierte (XLMV,t) zum Zeitpunkt t erfolgt mit:306
PK ,t V MQt
XLM K ,t V 10.000 * (3.14)
MQt
MQt PV ,t V
XLM V ,t V 10.000 * (3.15)
MQt
XLM t V XLM K ,t V XLM V ,t V (3.16)
V = Ordergröße
MQt = Quote Midpoint zum Zeitpunkt t
PK,t(V) = gewichteter Durchschnittskurs einer käuferinitiierten Transaktion
in t
PV,t(V) = gewichteter Durchschnittskurs einer verkäuferinitiierten Transak-
tion in t
303
Vgl. BENSTON / IRVINE / KANDEL (2000) für eine Gleichgewichtsdefinition mit Round Trip
Kosten.
304
Vgl. ROLL (1984), der Ausübungstageffekte mit unterschiedlichen Massen für den Market
Impact untersucht.
Vgl. Deutsche Börse AG (2001), S. 3. Dort wird der Market Impact Kosten zusammengesetzt aus
der Liquiditätsprämie, die bei Transaktionen bezahlt wird und den Adversen Preiseffekten.
305
Vgl. GOMBER / SCHWEICKERT (2002), S 91 für die Zusammensetzung der impliziten Trans-
aktionskosten aus Market Impact-Kosten zuzüglich Timing-Kosten und Opportunitätskosten.
306
Vgl. GOMBER / SCHWEICKERT / THEISSEN (2004), S. 6.
Das XLM-Maß ist die in Basispunkten ausgedrückte Summe des Market Impact auf
der Geld- und Briefseite des Orderbuchs. Es kann für beliebige Volumina berechnet
werden. GOMBER et al. (2004) nutzen dieses Liquiditätsmaß, um die Erholungsfähig-
keit eines Marktes zu messen. Als vorteilhaft für dieses Maß führt die Deutsche Börse
AG an: „Das Xetra Liquiditätsmaß verbessert als Benchmark die Transparenz in der
Order Execution ... vor der Order Execution liefert es wertvolle Hinweise für die Beur-
teilung der aktuellen Liquidität relativ zu der historischen und damit für das Timing
von Orderplazierungen.“307 Ihr Vorgehen hat vier Nachteile:
x Die Volatilität wird nicht berücksichtigt. Das XLM-Mass kann sowohl in einer
ruhigen als auch einer hoch volatilen Phase den gleichen Wert aufweisen, ohne die
Kursdynamik, die aus der Volatilität resultieren kann, abzubilden.
x Das XLM-Maß stellt in der Art seiner Berechnung eine Zeitpunktbetrachtung dar.
Die Transaktionskosten werden jeweils nur als Momentaufnahme berechnet, ohne
diese in einen dynamischen oder zeitlichen Kontext zu stellen.
x Eine Berücksichtigung der Kursbewegung findet nicht statt. Der Kurs der Aktie
könnte sich noch in einer dynamischen Auf- oder Abwärtsbewegung befinden, die
durch rege Handelsaktivitäten in Form von einer großen Anzahl von limitierten
Geboten begleitet ist. Dabei ergibt das XLM-Maß niedrige Transaktionskosten.
Aufgrund der anhaltenden Kursbewegung kann aber nicht davon ausgegangen
werden, dass der Markt ein Gleichgewicht gefunden hätte.
x Bei der Berechnung des XLM-Maßes geht es primär lediglich um die Berechnung
der Transaktionskosten.
Mit dem XLM-Maß kann eine durchschnittliche Situation des Orderbuchs berechnet
werden (vgl. Tabelle 4-10), die für die folgende Untersuchung als Approximation für
eine Gleichgewichtssituation im Orderbuch dienen soll.
Die Integration der Volatilität, als erster elementarer Bestandteil, und des Gleichge-
wichts, als zweiter Baustein für die Modellierung der Erholungsfähigkeit, ist bis zu
diesem Punkt der Arbeit erfolgt. Die Spannung, die auf der Basis von Optionswerten
berechnet wird, muss innerhalb der Bandbreite von null bis zwei liegen. Die Kursbe-
wegung darf keine Volatilität höher als ein Sigma308 aufweisen. Die Zeitspanne, in der
diese beiden Bedingungen erfüllt sein müssen, ist abhängig von der kurzfristigen
307
Deutsche Börse AG (2005), S. 5.
308
Sigma steht in der vorliegenden Arbeit für die 15-minütige Volatilität, gemessen innerhalb von 15
Minuten, die auf Jahresbasis hoch skaliert ist.
Volatilität. Es schließt sich die Einbeziehung der Zeitkomponente, als drittes Element,
an.
3.4 Die Zeitkomponente im Modell der Erholungsfähigkeit

Die Kennzahlen der Marktbreite und Markttiefe besitzen eine eigenständige absolute
Aussagekraft. Diese beiden Liquiditätsdeterminanten können zu fast jedem Zeitpunkt
des Handels als statische Größen mathematisch berechnet werden.309 Im Gegensatz
dazu stellt die Erholungsfähigkeit eine Maßzahl dar, die erst im zeitlichen Ablauf oder
im Vergleich mit anderen Aktien und der Einbettung in die beobachtete Situation eine
starke Aussagekraft erhält.310 Die Erholungsfähigkeit kann gemäß ihrer Definition nur
dann gemessen werden, wenn am Markt außerordentliche Kursbewegungen stattfin-
den. Dadurch wird deutlich, welche entscheidende Rolle die Berücksichtigung der
Zeitkomponente für die Modellierung der Erholungsfähigkeit einnimmt. Entsprechend
erscheint es sinnvoll, diese in mehrere Phasen entlang der Zeitachse aufzugliedern.
3.4.1 Unterteilung der Erholungsfähigkeit in 4 Phasen

Entsprechend der Definition der Erholungsfähigkeit (vgl. S. 10) befindet sich das
Orderbuch idealtypisch zunächst im Gleichgewicht, also in der Phase eins (vgl.
Abbildung 3-5). Die zweite Phase zeigt einen außerordentlichen Kursausschlag. Die
Zeitspanne vom Ende dieser ungewöhnlichen Kursbewegung bis zum Ende der
Reversalbewegung ist die Phase drei. Falls sich wieder ein neues Gleichgewicht ein-
stellt, so findet dies in der vierten Phase statt. Diese Unterteilung in vier Phasen ist im
Fortgang der Arbeit für die Untersuchung der Erholungsfähigkeit die Basis für die
mathematische Quantifizierung. So wird z.B. die zeitliche Länge der Erholungsbe-
wegung, also der Phase drei gemessen. Für die Phasen eins und vier wird untersucht,
ob in diesen ein Gleichgewicht vorliegt. Dafür werden die Kursbewegung und die in
der Abbildung eingezeichnete Spannung berücksichtigt.
309
Ausnahmesituationen, in denen keine Marktbreite- und tiefe errechnet werden können, sind
Auktionen, bei denen die Orderbuchtiefe nicht ersichtlich ist.
310
Vgl. FERNANDEZ (1999), der für die Erholungsfähigkeit davon spricht, dass diese, wenn sie im
normalen Handelsverlauf gemessen wird, nur eine geringe Aussagekraft über die mögliche
Markttiefe für außergewöhnliche Situationen liefert.
Vgl. MURANAGA / SHIMIZU (1999), die in ihrer Untersuchung ebenfalls einen Schwerpunkt
auf die Zeitkomponente legen, bis sich die Geld-Brief-Spanne und das Volumen nach einer
außerordentlichen Kursbewegung auf einen „normalen“ Level einspielen.
77,50 6,00
Phase 1 Phase 2 Phase 3 Phase 4

5,00
77,00
4,00
76,50 3,00
Aktienkurs
Spannung
2,00
76,00
1,00
75,50 -
Reservationsspannung [0,2]
-1,00
75,00
Aktienkurs -2,00
Spannung
74,50 -3,00
09:30
09:32
09:34
09:36
09:38
09:40
09:42
09:44
09:46
09:48
09:50
09:52
09:54
09:56
09:58
10:00
10:02
10:04
10:06
10:08
10:10
10:12
10:14
10:16
10:18
10:20
10:22
10:24
10:26
10:28
10:30
10:32
10:34
10:36
10:38
10:40
10:42
Zeit
Abbildung 3-5: Zeitlicher Ablauf und Phasen der Erholungsfähigkeit
3.4.1.1 Phase 1: Gleichgewicht vor der außerordentlichen Kursbewegung

Der Startpunkt für die Analyse einer Erholungsbewegung ist das Vorliegen eines
Gleichgewichts. Entsprechend der Definition des Gleichgewichts aus Kapitel 3.3 müs-
sen sich die Spannung und die relative Kursbewegung in ihren Reservationskorridoren
bewegen.
3.4.1.2 Phase 2: Außerordentliche Kursbewegung

Aus der vorhergehenden Modellierung, die Kursbewegungen kleiner als ein Sigma als
normale Situation definiert, resultiert, dass eine außerordentliche Kursbewegung dann
vorliegt, wenn sich das Wertpapier um mehr als ein Sigma verändert. Das Sigma wird
im Tagesverlauf für jede Transaktion aus der Volatilität der innerhalb der letzten 15
Minuten hervorgehenden Renditen berechnet. Diese so definierte, abnormale Kursbe-
wegung darf nicht aufgrund neuer Informationen zu dem Titel hervorgerufen worden
sein. Für die Kontrolle, ob Mitteilungen zu einem Unternehmen vorliegen, bietet es
sich an, die Ad hoc-Meldungen zu berücksichtigen.311 Der Vorteil dieses Vorgehens
311
Vgl. NOACK (2004), S. 12 ff. für die Beschreibung des Ablaufs der Veröffentlichung von Ad-
hoc-Meldungen. Er stellt dar, dass einerseits durch Medien wie www.dgap.com eine Veröffen-
tlichung in Echtzeit erreicht wird, andererseits kommt es durch die Vielzahl an neuen
Informationsmedien für die Unternehmenspublizität zu einer Zersplitterung.
ist, dass diese Nachrichten per Definition eine erhebliche Relevanz für das Unter-
nehmen haben müssen, und dass diese allen Marktteilnehmern zur gleichen Zeit vor-
liegen.312 Der Zeitpunkt, zu dem diese Meldungen den Kurs beeinflussen, ist somit
exakt bestimmbar. Ein alternatives Vorgehen könnte sein, die Aktie dann auszu-
schließen, wenn sie z.B. in einer Reuters Headline genannt wird. Dieses Vorgehen
wirft die Fragen auf, ob die Nennung in einer Reuters Headline auch Kursrelevanz
besitzt und, ob Reuters als Standard für die primäre Informationsgenerierung der
Marktteilnehmer erachtet werden kann.313
Neben diesem Filter für die Höhe einer Preisbewegung ist es zweckmäßig für das
Modell zu fordern, dass es sich um einen raschen Kursausschlag und nicht um eine
kontinuierliche, länger währende Bewegung handelt. Erst wenn eine starke, zügige
Bewegung ohne neue Informationen stattfindet, kann angenommen werden, dass diese
hauptsächlich liquiditätsbedingt ist. Hierfür muss ein geeignetes Untersuchungszeit-
fenster definiert werden. Um liquiditätsbedingte Situationen zu erfassen, ist es von
Vorteil, einen relativ kurzen Zeitraum zu verwenden. Für eine lange Kursbewegung,
die sich über z.B. 60 Minuten hinzieht, kann angenommen werden, dass diese nicht
mehr aufgrund der Lage des Orderbuchs entsteht. Gegen eine kurze Zeitspanne von
z.B. fünf Minuten spricht die Wahrscheinlichkeit, dass es nur wenige Ergebnisse mit
einem Kursausschlag größer als ein Sigma gibt. Es ist somit sinnvoll, ein Zeitfenster
von 15 Minuten zu verwenden, womit auch eine Übereinstimmung mit der modellier-
ten Restlaufzeit der Optionen besteht, die für die Optionsbewertung der limitierten
Aufträge herangezogen wird. Dadurch bleibt die Grundannahme gewahrt, die Model-
lierung kurzfristiger Liquiditätsaspekte. Wenn sich an dieses 15-minütige Intervall
unmittelbar eine weitere Kursbewegung von mehr als 0,5 Sigma ebenfalls in einer
Zeitspanne von bis zu 15 Minuten anschließt, so wird dieses zweite Zeitfenster auch
berücksichtigt. Daraus folgt, dass auch Kursbewegungen von bis zu 30 Minuten mit
einem sehr hohen Kursausschlag von mehr als 1,5 Sigma erfasst werden.
In das Modell der Erholungsfähigkeit werden außerordentliche Kursbewegungen nicht
mit einbezogen, an die sich eine Volatilitätsauktion314 anschließt. Diese Auktionen
haben das Ziel, dass der Markt durch die Handelsunterbrechung Zeit hat, alle Informa-
tionen zu verarbeiten. Es kann davon ausgegangen werden, dass eine Volatilitätsauk-
tion, für sich selbst betrachtet, für handelsmotivierte Marktteilnehmer bereits als be-
deutende Information gewertet werden kann und somit auszuschließen ist. Dies gilt
312
Vgl. Wertpapierhandelsgesetz (2005), § 15 Ad Hoc Publizitätspflicht.
313
GOMBER / SCHWEICKERT / THEISSEN (2004) setzen in ihrer Empirie dann eine neue Infor-
mation voraus, wenn der Aktienname in der Headline von Bloomberg-Meldungen erscheint.
314
Vgl. für die Beschreibung einer Volatilitätsauktion Kapitel 4.4.
selbst dann, wenn keine neuen Meldungen vorliegen. Zum anderen kommt es durch
die Handelsunterbrechung bei der Aktie zu Problemen bei einer Optionsbewertung des
Orderbuchs.315 Eine Erweiterung dieser Arbeit könnte den Fokus speziell auf Volatili-
tätsauktionen legen, um zu testen, ob diese hinsichtlich der Liquiditätsdimension Erho-
lungsfähigkeit optimale Ergebnisse erzielen. Die Phase zwei endet dort, wo innerhalb
der Frist von 15 (bzw. 30 Minuten) Minuten das Maximum des Kursausschlags
erreicht ist.
3.4.1.3 Phase 3: Kursreversal

Die Phase drei beginnt mit der Transaktion, die sich an den maximalen Kursauschlag
der Phase zwei anschließt. Dies ist der Anfang eines mehr oder weniger stark ausge-
prägten Kursreversals. Die Phase drei ist notwendig, um zu bestimmen, wann die
Phase zwei mit der außerordentlichen Bewegung ihr Ende findet. Erst ab einer erkenn-
baren Gegenbewegung der Aktie wird von einem Ende bzw. einer Umkehr der Aus-
gangskursveränderung gesprochen. Der auslösende Kursausschlag vollzieht sich
jedoch nicht linear. Es kann vorausgesetzt werden, dass nicht jede Transaktion dieser
Bewegung zu einem neuen Extremum führt. Bereits aufgrund der Geld-Brief-Spanne
ist es wahrscheinlich, dass zumindest dadurch „kleine Gegenbewegungen“ hervorgeru-
fen werden. Die Schwierigkeit liegt darin, zu differenzieren, ab wann es sich weiterhin
um eine intakte außerordentliche Bewegung handelt, die lediglich kurze Gegenbewe-
gungen aufweist, oder ab wann die ursprüngliche Kurstendenz ihr Ende gefunden hat,
sich nicht weiter fortsetzt oder sich sogar umkehrt. Im Modell wird angenommen, dass
ein Kursreversal von mindestens 0,5 Sigma erfolgen muss. Der Extremfall wäre, wenn
die Aktie unmittelbar, also ohne zeitliche Verzögerung in den Zustand eines Gleich-
gewichts übergehen würde.316 Dies wäre die kürzeste mögliche Zeitspanne für die
Phase drei, wenn sich sofort nach dem Erreichen des Extremums aus Phase zwei ein
Gleichgewicht anschließt. Als längste Phase wird wiederum ein Zeitraum von 15
Minuten modelliert. Sollte dann kein neuer Gleichgewichtszustand begonnen haben,
so liegt die Situation vor, dass die Aktie nach dem ursprünglichen Kursauschlag nicht
315
Vgl. UPPER (2000), S. 2. Falls Aktien nicht kontinuierlich gehandelt werden, ist keine exakte
Bepreisung der Optionen möglich und dynamische Absicherungsstrategien schlagen fehl.
316
Als Sonderfall könnte die Situation eintreten, dass der ursprüngliche Kursausschlag nur knapp
größer als ein Sigma war. Damit kann bereits dann wieder ein Gleichgewicht vorliegen, wenn die
Aktie wieder knapp ein Sigma fällt. Die Aktie wäre dann aber wieder auf ihrem Ursprungsniveau
angekommen und trotzdem würde bereits diese Reversalbewegung hinsichtlich des Kursverlaufes
als Gleichgewicht definiert werden. Diese Extremsituation wird aufgrund der Vorteile, die sich
durch die Nutzung des Ein-Sigma-Bereichs für das Modell ergeben, in Kauf genommen.
wieder in ein zeitlich nahe liegendes Gleichgewicht übergeht. Andernfalls schließt sich
in dem Zeitintervall von [0;15] Minuten ein neues Gleichgewicht an.
3.4.1.4 Phase 4: Abschließendes Gleichgewicht

Falls sich an die Phase drei eine Zeitspanne anschließt, in der sich der Aktienkurs
innerhalb der Reservationskursbewegung und die Spannung sich innerhalb der Reser-
vationsspannung bewegen, so liegt ein Gleichgewicht vor. Die Zeitdauer dieses Inter-
valls ist wie in Phase 1 auch wieder von der Volatilität abhängig. Diese beträgt 15
Minuten multipliziert mit dem Verhältnis der 15-minütigen minimalen Tagesvolatilität
zur 15-minütigen Volatilität der untersuchten, außerordentlichen Kursbewegung.
3.4.2 Berechnung der Erholungsfähigkeit
3.4.2.1 Vollständige Erholungsfähigkeit

Eines der zentralen Elemente für die Beurteilung des Ausmaßes der Erholungs-
fähigkeit ist die Entwicklung des Preises. Dabei muss berücksichtigt werden, wie weit
der Gleichgewichtspreis nach der außerordentlichen Bewegung vom Kurs des vorher-
gehenden Gleichgewichts entfernt ist.317 Dementsprechend wird im Modell eine Fall-
unterscheidung vollzogen. Es wird differenziert zwischen einem Kursverlauf, der sich
wieder weitgehend auf dem ursprünglichen Niveau befindet, und einem Gleichge-
wichtspreis, der sich nach der Bewegung auf einem deutlich anderen Niveau einspielt.
Falls in der Phase vier wieder ein Gleichgewicht vorliegt, das sich innerhalb der ur-
sprünglichen Reservationskursbewegung befindet, so wird dies als vollständige Erho-
lungsfähigkeit definiert. Der Kurs befindet sich wieder in etwa auf dem Niveau wie
vor der außerordentlichen Kursbewegung. Dafür wird eine Schwankungsbreite zuge-
lassen. Nach einer starken Aufwärtsbewegung in der Phase zwei ist es somit für den
Kurs zulässig, wenn das abschließende Gleichgewicht auf einem etwas höheren Kurs-
niveau auftritt. Analog gilt dies für einen starken Kursfall in der Phase zwei. Als
Bandbreite der tolerierbaren Kursbewegung ist eine Schwankung zugelassen, die
kleiner sein muss als die ursprüngliche Kursbewegung für ein Gleichgewicht. Hier
bietet sich ebenfalls wieder an, dieses Band in Anlehnung an die historische Volatilität
zu treffen. Im vorliegenden Modell wird ein Wert von 0,5 Sigma gefordert. Dieser
Wert gilt als Mittelwert. Das bedeutet, dass der durchschnittliche Kurs im
abschließenden Gleichgewicht maximal 0,5 Sigma vom durchschnittlichen Kurs des
317
Vgl. HUBERMAN / HALKA (1999), S. 4, die alternativ als Möglichkeit diskutieren, dass die
Erholungsfähigkeit relativ zu einem Index gemessen werden könnte, weil die Wahrscheinlichkeit
sehr gering ist, dass ein Index durch Insiderinformationen und adverse selection beeinflusst wird.
ursprünglichen Gleichgewichts entfernt sein darf. Die Amplitude der Preisbe-

wegungen kann sich gemäß der Definition des Gleichgewichts im Ein-Sigma-Bereich
bewegen. Der Vorteil dieses Vorgehens ist, dass der Abschluss jeder einzelnen unge-
wöhnlichen Kursbewegung, und somit die Berechnung der Erholungsfähigkeit, in Re-
lation zu einem individuellen Ausgangsgleichgewicht gesetzt wird.318
3.4.2.2 Partielle Erholungsfähigkeit

Wenn sich als neuer Gleichgewichtskurs ein durchschnittlicher Kurs einstellt, der
mehr als 0,5 Sigma vom durchschnittlichen Kurs des ursprünglichen Gleichgewichts
entfernt ist, so handelt es sich dabei um eine partielle Erholungsfähigkeit. In der
Situation, dass vor der außerordentlichen Kursbewegung kein Gleichgewicht vorlag,
kann eine Fallunterscheidung durchgeführt werden. Falls sich nur die Spannung
innerhalb ihres Reservationskorridors befindet, so besteht keine Reservations-
kursbewegung und somit kein sinnvoller durchschnittlicher Gleichgewichtskurs, in
dessen Bereich sich der Aktienkurs wieder einfinden könnte. In diesem Fall ist keine
Erholungsfähigkeit messbar. Falls sich lediglich der Aktienkurs vor der Bewegung
innerhalb der Reservationskursspanne befindet, die Spannung aber nicht, so kann
zumindest eine partielle Erholungsfähigkeit berechnet werden.
318
Vgl. EKINCI (2004) für ein konträres Vorgehen. Er berechnet aus den Rohdaten das Intervall von
11:00 Uhr bis 11:05 als das „ruhigste“ Intervall, welches er später als Benchmark verwendet für
den Vergleich der Intraday-Kennzahlen.
Es existiert
Es existiert ein kein Gleichgewicht vor der
Gleichgewicht (ı) vor außerordentlichen Kursbewegung.
der außerordentlichen
Kursbewegung. nur der Kurs ist inner- nur die Spannung ist
halb der Reservation innerhalb der Reser-
vation
Der Kurs findet sich

innerhalb der Reserva-
tionskursspanne Vollständige Erho- Partielle Erholungs- Nicht messbare Erho-
wieder (ı ) und der lungsfähigkeit. fähigkeit. lungsfähigkeit.
vorherige durchschnit-
tliche Kurs weicht
vom Nachfolgenden
um max. 0,5 ı ab.
Der Kurs findet sich

innerhalb der Reserva-
tionskursspanne (ı) Partielle Erholungs- Partielle Erholungs- Nicht messbare Erho-
wieder. Der vorherige fähigkeit. fähigkeit. lungsfähigkeit.
durchschnittliche Kurs
weicht vom Nachfol-
genden um mehr als
0,5 ı ab.
Tabelle 3-3: Grad der Erholungsfähigkeit
Der Vorteil der Differenzierung in eine vollständige und eine partielle Erholungsfähig-
keit liegt darin, dass für jede dieser Klassen eigenständig die Zeitdauer der Bewegung
berechnet werden kann.
3.4.2.3 Grafische Darstellung der Erholungsfähigkeit

Die Erholungsfähigkeit misst somit die Zeit, die nach einer außerordentlichen Kursbe-
wegung vergeht, bis sich wieder ein Gleichgewicht einstellt. Die Erholungsfähigkeit
gibt die zeitliche Länge der Phase drei der jeweils untersuchten Kursbewegung an, wo-
bei eine Fallunterscheidung vorgenommen wird, die die Höhe der außerordentlichen
Kursbewegung, das Kursreversal, die Spannung sowie das Eintreten eines Gleichge-
wichts berücksichtigt. Für die Berechnung der Erholungsfähigkeit müssen letztlich
zwei Komponenten beachtet werden: Die Zeitdauer319 der Bewegung, ob sich der
Aktienkurs wieder auf das ursprüngliche Niveau des Gleichgewichts zurückbildet, und
ob es sich um eine vollständige oder eine partielle Erholungsfähigkeit handelt. Diese
319
Vgl. HARRIS (1997b) der die Erholungsfähigkeit als Zeitraum betrachtet, der benötigt wird, bis
z.B. 10.000 $ limitierte Orders in das Orderbuch gestellt werden. Dies in Zeiten normaler
Handelsaktivität im Vergleich zu Stresszeiten.
Beobachtungen können nach der Tageszeit des Auftretens und der Höhe der ursprüng-
lichen Kursbewegung unterschieden werden. Es resultiert für das entwickelte Modell
die Möglichkeit der graphischen Darstellung, wie beispielhaft in Abbildung 3-6
visualisiert.
Abbildung 3-6: Grafik der Erholungsfähigkeit der Deutschen Telekom in 2003
Anhand der Grafik wird ersichtlich, wie sich die durchschnittliche Erholungsfähigkeit
für Deutsche Telekom im Jahr 2003 mit dem entwickelten Modell darstellt. Auf der X-
Achse ist die Börsenzeit von 9:00 Uhr bis 20:00 Uhr abgetragen. Diese ist jeweils in
einstündige Intervalle aufgeteilt. Auf der Y-Achse sind die Renditen abgetragen. Diese
geben die Höhe der ursprünglichen außerordentlichen Kursbewegung wieder und lie-
gen zwischen 0% und 5,5%. Die Höhe der Kursumkehr wird in der Grafik nicht als
eigene Dimension aufgenommen. Diese Kursgegenreaktion wird erfasst, indem jede
untersuchte Bewegung entweder in die Klasse der vollständigen Erholungsfähigkeit
oder die der partiellen Erholungsfähigkeit eingeordnet wird. Die Z-Achse gibt die Er-
holungsfähigkeit in Minuten an. Dies ist die Zeitdauer, bis sich nach der außerordentli-
chen Kursbewegung, die auf der Z-Achse abgetragen wird, ggf. wieder ein Gleichge-
wicht einstellt.
3.5 Zusammenfassung des Modells der Erholungsfähigkeit

Für das entwickelte Modell lassen sich die Vorteile und Nachteile folgendermaßen zu-
sammenfassen:
Vorteile:
x Das entwickelte Modell ist mit dem vorhandenen Datensatz in der Praxis anwend-
bar. Alle im Modell als sinnvoll erachteten Parameter liegen vor und können somit
berücksichtigt werden. Es sind die Dimensionen Zeit, Kursbewegung, die Beur-
teilung, ob ein Gleichgewicht vorliegt und die Frage der „ausreichenden Markt-
tiefe und Marktbreite“ in Form der Optionswerte im Orderbuch enthalten.
x Die Liquiditätsdeterminante der Erholungsfähigkeit, für die in der Forschung bis-
her kein Definitionskonsens besteht, ist mit allen relevanten Parametern erfasst
und in das vorliegende Modell integriert.
x Mit der einzigartigen Definition des Gleichgewichts im Orderbuch, bei dem die
Spannung und die relative Kursbewegung berücksichtigt wird, erfolgt eine Model-
lierung, die sich nicht nur auf Geld-Brief-Kurse beschränkt. Die Bewertung der
limitierten Aufträge mit Optionspreisen - und die damit verbundene Berücksichti-
gung der Volatilität - führen zum Handlungswillen der Marktteilnehmer. Dies ist
eine deutliche Differenzierung von den vorherrschenden Richtungen der Modellie-
rung der Erholungsfähigkeit.
x Die Modellierung der Erholungsfähigkeit in 4 Phasen ermöglicht die detailliertere
Analyse der einzelnen Bestandteile der Erholungsfähigkeit.
Nachteile:
x Obwohl versucht wird, das theoretische Modell klar strukturiert und einfach zu
halten, so erweist es sich in der praktischen Implementierung dennoch als kompli-
ziert. Insbesondere die Klassifizierung der Kursbewegung, als außerordentliche
Kursbewegung in einem bestimmten Zeitfenster sowie die Lokalisierung des
Maximums und des Minimums der Bewegung sind in der Praxis programmier-
technisch sehr schwer zu fassen.
3.6 Aus der aktuellen Forschung und dem Modell resultierende Hypothesen
Als Abschluss des theoretischen Teils werden nach der Darstellung der Forschung
(Kapitel 2) und des Modells (Kapitel 3) die daraus resultierenden Hypothesen erläu-
tert. Diese Hypothesen umfassen drei Bereiche.
1. Einflussfaktoren auf die Erholungsfähigkeit (Volatilität / Kursbewegung / Span-

nung),
2. Zusammenhang zwischen Liquiditätsdimensionen und Erholungsfähigkeit,
3. Prognose der Erholungsfähigkeit und der Kursentwicklung für Handelsstrategien.
3.6.1 Einflussfaktoren auf die Erholungsfähigkeit

Hypothese 1: Die Erholungsfähigkeit einer Aktie ist abhängig von der Tageszeit.
Für die Volatilität lassen sich im Tagesverlauf bestimmte Schemata

feststellen. Durch den engen Zusammenhang der Erholungsfähigkeit
mit der Volatilität liegt die Vermutung nahe, dass die Erholungsfähig-
keit auch einen eigenen Tagesverlauf aufweist.
3.6.2 Zusammenhang Marktbreite, Markttiefe und Erholungsfähigkeit

Hypothese 2: Die Erholungsfähigkeit weist keine hohe positive Korrelation zu den
Liquiditätsdimensionen Marktbreite und -tiefe auf.
Das Modell der Erholungsfähigkeit steht lediglich über die Options-

werte, die sich durch die Orderbuchtiefe berechnen, in Zusammen-
hang mit den Liquiditätsdimensionen Marktbreite- und tiefe, weist
aber eine starke Abhängigkeit von der Volatilität auf. Dies lässt den
Schluss zu, dass die Erholungsfähigkeit in keinem engen Zusammen-
hang mit den anderen Determinanten der Liquidität steht.
3.6.3 Prognose der Erholungsfähigkeit und der Kursentwicklung für

Handelsstrategien
Hypothese 3: Es existieren Parameter, anhand derer die Erholungsfähigkeit eines
Titels prognostiziert werden kann. Diese können zur Prognose eines
Teilaspektes der Erholungsfähigkeit, der Kursumkehr, herangezogen
werden.
Für eine Erholungsfähigkeit, die z.B. von der Tageszeit, der Volatilität
und den Orderbuchungleichgewichten abhängt, kann angenommen
werden, dass diese einen persistenten Einfluss auf die Kursbewegun-
gen des Titels hat und somit statistisch nachweisbar ist.
Im folgenden Kapitel 4 wird die empirische Untersuchung dargestellt. Das Modell und
die daraus resultierenden Hypothesen werden auf den vorliegenden Datensatz ange-
wendet und getestet.
Empirische Untersuchung der Erholungsfähigkeit der DAX-Titel 133
4 Empirische Untersuchung der Erholungsfähigkeit der DAX-Titel
4.1 Aufbau der empirischen Studie

Zur Einleitung der empirischen Untersuchung wird ein Überblick über die Vorgehens-
weise gegeben.
In Kapitel 4.2 erfolgt danach eine Darstellung der Datenquelle und der Datenbasis.
Hier wird beschrieben, wie die Kontrolle und, wenn erforderlich, die Bereinigung um
nicht nutzbare Datensätze vorgenommen wurde. Ebenso werden die Grenzen für die
Untersuchung aufgrund der bestehenden Datenqualität aufgezeigt. Bedingt durch diese
Einschränkungen sowie der weiterhin bestehenden Möglichkeit, Daten zu generieren,
werden kurz die Parameter diskutiert, die für zukünftige Untersuchungen als Erweite-
rung der bisherigen Datenbasis sinnvoll erscheinen.
Kapitel 4.3 enthält die deskriptive Charakterisierung der Daten. Dies geschieht in An-
lehnung an die Erkenntnisse aus Kapitel 2.3.2. Statistiken werden u.a. zu den Liquidi-
tätsdeterminanten Marktbreite und Markttiefe dargestellt und in den Kontext bestehen-
der deskriptiver Forschungsarbeiten eingebunden.
Im Kapitel 4.4 werden die Besonderheiten des Xetra für institutionelle Investoren be-
leuchtet, die einen Einfluss auf die innertägliche Erholungsfähigkeit der DAX-Titel
haben könnten. Des Weiteren werden die Handhabung und der Einfluss von z.B.
Blocktransaktionen und Iceberg-Orders320 charakterisiert.
Der erste Schritt der Anwendung des Modells auf den erhobenen Datensatz erfolgt in
Kapitel 4.5. Hier wird die Berechnung der Optionswerte vorgenommen, die für die
Analyse der Spannungen und des Gleichgewichts des Orderbuchs notwendig sind.
Das Kapitel 4.6 reflektiert das entwickelte Modell und seine Parametereinstellungen
und unterzieht diese verschiedenen statistischen Tests.
Kapitel 4.7 stellt den programmierten Algorithmus für die Berechnungen vor.
In Kapitel 4.8 folgen danach die Ausführungen zur Berechnung der Erholungsfähig-
keit. Die Resultate werden im Kontext der Marktbreite- und -tiefe interpretiert und es
wird getestet, ob das Modell sinnvoll die Erholungsfähigkeit darstellen kann. Die Cha-
rakteristika der Erholungsfähigkeit für einzelne Aktien werden aufgezeigt.
In Kapitel 4.9 folgt abschließend die Schilderung des letzten empirischen Schrittes, der
profitable Handelsstrategien für einen Automaten aufzeigt. Diese Strategien werden
320
Vgl. Deutsche Börse AG (2005), S. 14 für eine Beschreibung von Iceberg-Orders, bei denen
zunächst nur ein Spitzenvolumen im Orderbuch ersichtlich ist. Erst nach dessen Ausführung wird
ein weiterer Teil des Auftrages automatisch für die Handelsteilnehmer verfügbar.
kurz vorgestellt und anschließend getestet, ob sie beispielsweise bei Berücksichtigung

von Transaktionskosten eine ökonomisch signifikante Überrendite liefern können.
4.2 Datenbasis
4.2.1 Generierung der Datenbasis

Im Zeitraum vom 1. Januar 2003 bis 31. Dezember 2003 fand an 253 Tagen in Xetra
ein Handel für die DAX-Titel statt. Dort konzentriert sich deren Liquidität, weshalb
die Umsätze an der Parkettbörse nicht berücksichtigt werden. Alternative Handelssys-
teme wie z.B. Instinet oder SelectNet haben sich bisher in Deutschland noch nicht
etabliert. Die Daten wurden zwischen 9:00 Uhr und 20:00 Uhr gespeichert.321 Die
Datenquelle ist Reuters. Die Aufzeichnung der Kurse fand im Rahmen der Kursver-
sorgung für die Union Investment statt. Dazu wurde in Visual Basic ein Programm ge-
schrieben, welches direkt auf den Reuters Datenstrom aufsetzt. Für die vorliegende
Untersuchung wurden insgesamt 105.800.713 Datensätze gespeichert. Das Daten-
volumen umfasst ca. 82 Giga Byte (GB) und entsprechend 18.504.748 Transaktionen
und 87.295.965 Gebotsveränderungen.322 Aufgrund technischer Probleme konnten in
2003 für ca. 47,5 Handelsstunden keine Datensätze gespeichert werden. Diese sind im
Anhang 8 im Detail dargestellt. Für den Untersuchungszeitraum Januar bis Dezember
2003 konnte 98,23% der Handelszeit erfasst werden.323
Zu jedem Zeitpunkt, in dem sich eine Veränderung des Orderbuchs ergab, wurde ein
Datensatz abgespeichert, der die 10 besten Geld- und Briefkurse, ihr zugehöriges
Volumen und den letzten Transaktionskurs mit dem gehandelten Volumen enthält.324
Weiterhin wurden jeweils der Reuters Code der Aktie, das Datum sowie die Zeit
sekundengenau erfasst. Um eine exakte Bestimmung der Reihenfolge vornehmen zu
können, wurde für jeden abgespeicherten Datensatz eine fortlaufende Nummer, die
Identification (ID), vergeben, so dass auch bei mehreren vorliegenden Datensätzen
321
Durch die Verkürzung der Xetra-Handelszeiten wurden ab dem 3. November 2003 die Daten bis
Xetra-Schluss um 17:30 erfasst, woraus pro Börsentag 8,5 Handelsstunden resultieren.
322
Die Zahl an Untersuchungen mit großen Datenmengen ist trotz rasanter Entwicklung bei der
Rechnerleistungsfähigkeit noch überschaubar. Einige Untersuchungen mit großen Datenmengen
waren CHAN / LAKONISHOK (1995) mit ca. 1 Mio. Daten, FARMER / LILLO (2004) mit 34
Mio. Datensätzen für die LSE, ROSENOW / WEBER (2003) analysieren für das Isländische
Electronic Communication Network ein Volumen von ca. 60 GB.
323
Vgl. Kapitel 3.2.6 für die Berechnung der 2.682 Handelsstunden in 2003.
324
Vgl. Deutsche Börse AG (1999), S.8. Dies ist eine Vereinfachung, da Xetra-Teilnehmer die volle
Tiefe des Orderbuchs sehen können.
innerhalb einer Sekunde die Abfolge der Ereignisse eindeutig festgehalten ist. Wenn
es sich bei dem vorliegenden Datensatz um eine Gebotsänderung handelte, wurde sie
digital mit dem Wert null, andernfalls eine Transaktion mit dem Wert eins versehen.
Zur Überprüfung, ob Fehler in der Datenübertragung oder Kursversorgung vorliegen,
wurde eine digital definierte Error-Variable mitgeführt.
ID Name Gebots- letzter letztes Best Best … Best Best … Best Best … Best Best … Error Date Time
änderung Trans- Handels- Bid Bid Ask Ask Bid Bid Ask Ask
/ Trans- aktionsvolumen 1 2 1 2 Size 1 Size 2 Size 1 Size 2
aktion kurs
280 DTEGn.DE 0 12,42 13232 12,4 12,4 12,4 12,5 10141 5836 2000 2527 0 27.1.03 09:00:30
290 DTEGn.DE 0 12,42 13232 12,4 12,4 12,4 12,5 10141 5836 2000 2527 0 27.1.03 09:00:31
291 DTEGn.DE 0 12,42 13232 12,4 12,4 12,4 12,5 10141 10836 2000 2527 0 27.1.03 09:00:31
304 DTEGn.DE 0 12,42 13232 12,4 12,4 12,4 12,5 10141 10836 2000 2527 0 27.1.03 09:00:33
316 DTEGn.DE 1 12,4 86 12,4 12,4 12,4 12,5 10141 10836 2000 2527 0 27.1.03 09:00:34
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
Tabelle 4-1: Aufbau des Datensatzes

Bei den Indizes wurden der DAX, der DJEuroStoxx50, der DJStoxx50 sowie die
EuroStoxx Branchenindizes alle 15 Sekunden erfasst. Die HDAX-Branchenindizes
wurden von der Deutschen Börse AG nur einmalig pro Minute zur Verfügung gestellt
und entsprechend gespeichert. Die zugehörigen Futures liegen mit allen Transaktions-
daten vor. Der von der Deutschen Börse AG berechnete Volatilitätsindex, der VDAX,
hat in seiner Berechnung und Distribution unterschiedliche Startzeiträume. In 2003
setzte die Aufzeichnung des VDAX zwischen 9:10 Uhr und 9:35 ein. Im weiteren Ver-
lauf wurde dann pro Minute ein Indexwert für den VDAX gespeichert.325 Ein Zinssatz
wurde nicht berücksichtigt, da dieser im Modell mit 0% angenommen wird.326
Die Umstellung von Winterzeit auf Sommerzeit erfolgte für das Xetra am Sonntag,
den 30. März 2003. In den USA, von deren lokaler Handelseröffnung um 15:30 Uhr
mitteleuropäischer Zeit eine Beeinflussung der Liquidität der DAX-Aktien ausgeht,
wurde die Umstellung am Sonntag, den 6. April vollzogen.327 Für detaillierte Intraday-
untersuchungen verdienen vor allem Aktien dieser Titel mit einer offiziellen Notierung
in den USA eine besondere Betrachtung.328 Eine unterschiedliche Behandlung von
325
Vgl. www.exchange.de / Börsenlexikon: Der VDAX wurde am 5.12.1994 eingeführt. Seit dem
14. Juli 1997 berechnet die Deutsche Börse AG den VDAX minütlich mit Hilfe der Black-
Scholes Formel. Der VDAX Neu wurde in 2005 eingeführt. In seiner Berechnung beruht dieser
nicht mehr auf einem Optionspreismodell.
326
Vgl. für diese Modellierung Kapitel 3.2.4.
327
Der Wechsel von Sommer- auf Winterzeit erfolgt in Europa und den USA synchron, am letzten
Wochenende im Oktober, in 2003 am 26. Oktober.
328
Vgl. GRAMMIG / MELVIN / SCHLAG (2001) für eine detaillierte Untersuchung dieser Werte.
Inhaber- und Namensaktien so wie von Henkel, die als Kommanditgesellschaft auf
Aktien (KGaA) notieren, erfolgt nicht.
4.2.2 Bereinigung der Datenbasis
4.2.2.1 Datenausreißer und fehlerhafte Erfassungen

Alle Daten wurden intensiven und wiederholten Kontrollen unterzogen. Aufgrund des
Ausmaßes der Volumina konnte dies nicht mehr grafisch oder durch visuelle Begut-
achtung erfolgen. Hierfür wurden spezielle Programmroutinen in Visual Basic erstellt.
Die beim originären Generieren pro Datensatz fortlaufend vergebene Datensatznum-
merierung, die Identification (ID), wurde überprüft. Eine chronologische Abfolge von
aufsteigender Datensatznummerierung und der entsprechenden, mitgeführten Uhrzeit
liegt vor. Zur Eröffnung des Handels sind nicht sofort und zeitgleich auf jeder Seite
des Orderbuchs 10 Gebote vorhanden. Zuerst wird vom System die Ask-Seite gefüllt
und anschließend die Bid-Seite. Aus diesem Grund erfolgt eine solche Bereinigung der
Datenbasis, dass erst dann Datensätze für alle folgenden Berechnungen herangezogen
wurden, wenn gleichzeitig 10 Geld- und 10 Briefkurse im Orderbuch vorliegen. Im
Anschluss an die Eröffnungsauktion ist dies i.d.R. spätestens nach wenigen Sekunden
der Fall. Aufgrund des Aufbaus des Xetra-Orderbuchs können keine Ausreißer bei den
Geboten in den Orderbüchern entstehen. Eine Überprüfung auf „Löcher“ im Order-
buch bestätigt, dass keine limitierten Gebote auftreten, die mehr als 2% von einem der
benachbarten Limits entfernt liegen. Ausreißer bei Transaktionen könnten nur dann
vorkommen, wenn ein „zu hohes Kaufgebot“, welches einem unlimitierten Kauf ent-
spricht, mehrere Limits oder sogar die ganze Orderbuchseite der Verkaufslimits ab-
räumt und somit zu einer außerordentlichen Kurssteigerung führt. Analog würde ein
„zu niedrig limitiertes“ Verkaufsgebot wie ein unlimitierter Verkaufsauftrag wirken
und das entsprechend limitierte Kaufvolumen auf der Geldseite bedienen. Die Test-
routinen, die nach prozentualen Ausreißern der Gebote suchen, haben keine Fehleinga-
ben oder fehlerhaft gespeicherte Datensätze identifiziert. Durch die Error-Variable, die
für jeden gespeicherten Datensatz angibt, ob eine technisch einwandfreie Datener-
fassung und Speicherung erfolgte, wurden insgesamt 14 Datensätze eliminiert. Es sind
keine doppelt erfassten Daten vorhanden.
4.2.2.2 Ausschluss der Daten wegen Ad hoc-Meldungen

Ein zentraler Punkt bei der Definition der Erholungsfähigkeit ist die Voraussetzung,
dass die ursprüngliche Kursbewegung ohne spezifische Informationen erfolgt ist. Für
das Jahr 2003 liegen für die beobachteten 28 Aktien 120 Ad hoc-Meldungen vor (vgl.
Anhang 7). Von diesen wurden 35 während der Handelszeit und 85 außerhalb der
Börsenzeit veröffentlicht. Die Ersteren werden aufgrund des potenziell hohen Kursein-
flusses ausgeschlossen. Datensätze an diesem Handelstag werden für die Berechnung
der Erholungsfähigkeit nicht verwendet.
4.2.3 Limitierung der Datenbasis
x Stornos wegen Fehleingaben und Orderstreichungen werden nicht gespeichert,

sondern können nur insoweit identifiziert werden, als dass sie durch Veränderun-
gen im Orderbuch erscheinen. Hierüber kann keine eindeutige Aussage getroffen
werden, da eine Änderung eines erteilten Limits dann nicht mehr nachvollzogen
werden kann, wenn es nicht mehr an einer der ersten 10 Stellen im Orderbuch
steht.329
x Die Marktteilnehmer, die Orders aufgeben, können nicht identifiziert werden. Da-
durch ist nicht festzustellen, ob es sich um das Eigengeschäft eines Brokers oder
um Kundenaufträge handelt. Sollte ein Anleger beispielsweise dynamische Strate-
gien für die Orderplazierung anwenden, wie das Splitten von großen Aufträgen, so
ist dies anhand der Daten nicht erkennbar.
x Der Zeitpunkt, zu dem ein Auftrag aufgegeben wurde, kann nur dann erfasst wer-
den, wenn dieser unlimitiert erteilt wird oder im Limitorderbuch innerhalb der je-
weils gerade vorherrschenden 10 besten Gebote plaziert wird. Die zeitliche Gültig-
keit von Orders steht nicht zur Verfügung.
x Für Iceberg-Orders werden das sichtbare Spitzenvolumen sowie die Transaktio-
nen, die aus ihnen resultieren, gespeichert. Das gesamte Volumen des ursprüngli-
chen Auftrags ist nicht sichtbar, sondern nur die Teilvolumina.
x Im vorliegenden Datensatz kann für 2,27% der Datensätze nicht eindeutig be-
stimmt werden, ob der Abschluss käufer- oder verkäuferinitiiert ist.330 Diese Un-
schärfe resultiert daraus, dass die gesammelten Daten bei mehreren Transaktionen
innerhalb einer Sekunde eine minimale zeitliche Verzögerung aufweisen. Dabei
kann es dazu kommen, dass im Orderbuch z.B. noch das zweit- und drittbeste Ge-
bot dargestellt wird, obwohl diese durch die vorhergehende große Order bereits
abgeräumt wurden. Das Reuters-System lässt Transaktionen am Bildschirm etwas
länger aufblinken, wohingegen Änderungen der Gebote ohne Verzögerung darge-
329
BIAIS / HILLION / SPATT (1995) haben bei ihrer Datenbasis vergleichbare Phänomene, dass im
CAC-System bei sehr großen Orderaufkommen die am Handelsschirm ersichtlichen Gebote zum
Teil bereits eine Minute alt sein können, wenn sie erstmalig erscheinen.
330
In empirischen Untersuchungen ist oft schwer zu klären, ob eine Transaktion käufer- oder
verkäuferinitiiert ist. Vgl. LEE / READY (1991), S. 735 für ein Verfahren zur Bestimmung, ob es
stellt werden. Dadurch kann ein Bild des Orderbuchs entstehen, das so nicht exis-
tiert (hat). Insbesondere bei zwei unmittelbar aufeinander folgenden Transaktio-
nen, zwischen denen kein weiterer abgespeicherter Datensatz mit einer Orderbuch-
veränderung steht, weist vereinzelt der Datensatz der zweiten Transaktion noch
Gebote auf, die mit der Transaktion im vorhergehenden Datensatz bereits abge-
räumt wurden. Deswegen kann keine vollständig exakte Wiedergabe dessen er-
folgen, was im Orderbuch ersichtlich ist. Dies ist für den Untersuchungsfortgang
nicht von ausschlaggebender Bedeutung, da sich die Marktteilnehmer an den Han-
delsterminals in der gleichen Situation befinden.
x Bei Änderungen in der Kapitalisierung, wie z.B. bei der Allianz, wird das Order-
buch, das von der Deutschen Börse zur Verfügung gestellt wird, übernommen. Die
Deutsche Börse bereinigt das Orderbuch derart, dass es für die Datenerfassung und
Untersuchung sinnvoll genutzt werden kann. „Im Falle von Dividendenzahlungen
bei ausländischen Aktien und Kapitalmaßnahmen (z.B. ex Bezugsrecht) werden
alle vorliegenden Orders durch die Börse automatisch gelöscht. Bei Dividenden-
zahlungen inländischer Aktien erfolgt prinzipiell keine Anpassung des Orderbe-
standes durch die Börse.”331
4.2.4 Erweiterungsmöglichkeiten der Datenerfassung für zukünftige Arbeiten

Die vorliegende Arbeit konzentriert sich auf die Erforschung der Erholungsfähigkeit.
Die Generierung der Datenbasis wurde mit diesem Ziel vorgenommen. Aufgrund der
Limitierung dieser Datenbasis und der bestehenden Möglichkeit, mit dem Programm
Daten mit anderen Schwerpunkten zu erfassen, haben sich im Laufe der Untersuchung
interessante Themenschwerpunkte herausgebildet, die für zukünftige Forschungsarbei-
ten von Interesse sein könnten. Diese werden im Folgenden kurz umrissen.
4.2.4.1 Einfluss der Peer-Group-Unternehmen

Die Untersuchung der Erholungsfähigkeit zu Zeitpunkten, zu denen für Peer Group-
Unternehmen eine besondere Liquiditätssituation vorliegt, wäre eine sehr interessante
Aufgabe. Dafür würden sich z.B. Zeiträume vor oder nach Meldungen oder besonde-
ren Ereignissen für vergleichbare Aktiengesellschaften anbieten. Dieses Vorgehen er-
scheint plausibel, wenn die Entwicklung an den europäischen Börsen betrachtet wird,
die sich bei der Unternehmensbewertung immer stärker an den europäischen Bran-
chenindizes ausrichtet. Eine Peer Group-Klassifizierung könnte z.B. anhand der Dow
sich um eine käufer- oder verkäuferinitiierte Transaktion handelt, wenn dies aus den Daten nicht
eindeutig hervorgeht.
331
Dt. Börse AG (1999) S. 26.
Jones-Supersektoren oder der Relative Value Group von Bloomberg vorgenommen

werden.332 So wäre eine Untersuchung möglich, für die die nach Marktkapitalisierung
größten Aktien dieser Branche herangezogen werden, die in Summe 80% der Bran-
chenkapitalisierung darstellen. Die Besonderheit dabei wäre, dass börsenplatzübergrei-
fende Kursdaten zeitgleich erfasst werden. Vollständige Intraday-Orderbücher von Ti-
teln einer Peer-Group für US-amerikanische und europäische Wertpapiere während
der überlappenden Handelszeit sind in größerem Umfang noch nicht untersucht wor-
den.333
4.2.4.2 Einfluss von Transaktionen an der Eurex

Die Frage der gegenseitigen Beeinflussung von Kassa- und Terminmarkt wäre im
Rahmen einer Untersuchung von Intraday-Daten besonders deswegen ein interessantes
Thema, weil für einige DAX-Titel sehr hohe Umsätze an der Eurex getätigt werden.334
Die Effekte von großen Transaktionen an der Eurex auf die Liquidität und insbeson-
dere die Erholungsfähigkeit am Kassamarkt könnte anhand der Orderbuchtiefe der
Einzelaktien erfasst werden. Vor allem die Hedging-Aktivitäten der Market-Maker
wären analysewürdig, die nach Abschlüssen im Optionsmarkt die Absicherungsge-
schäfte335 für weniger liquide Aktien ggf. nicht sofort und vollständig auf der besten
Seite des Xetra-Orderbuchs ausführen, sondern häufig limitierte Gebote plazieren.
Dagegen spricht eine Untersuchung von SCHLAG / STOLL (2002), die für den DAX-
Future und die DAX-Optionen feststellen, dass Optionsmarktteilnehmer als Noise
Trader einzustufen sind. Zusätzlich ergeben sich für den Optionsmarkt eigene Cha-
rakteristika, die es fragwürdig erscheinen lassen, Optionswerte der Eurex mit den be-
rechneten Optionswerten des Limitorderbuchs zusammenzuführen. Für die statistisch
signifikante Häufung von Transaktionen in DAX-Optionsserien, die mit 00 enden, im
Vergleich zu denen mit 50-er Basispreisen vgl. z.B. KOCH / LAZAROV (2001).
4.2.4.3 Einfluss durch börsennotierte Beteiligungen

Die Auswirkungen von Unternehmensmeldungen oder außerordentlichen Kursbewe-
gungen von Tochterunternehmen oder verbundenen Gesellschaften auf die Erholungs-
332
Die Mitglieder dieser Peer-Group sind erhältlich über Bloombergfunktion: DCX GY EQUITY
RV W <GO> am Beispiel für Daimler Chrysler.
333
Als Einschränkung gilt, dass die 2003 in den USA gelisteten Unternehmen an der New York
Stock Exchange keine Orderbuchtiefe veröffentlichen, sondern nur die jeweils besten Gebote.
334
Vgl. STOLL / WHALEY (1990) und KLEIDON / WHALEY (1992) für die Lead-Lag-Beziehung
zwischen Terminmarkt und Kasse für Aktien. Obwohl zahlreiche Untersuchungen über die Lead-
Lag Beziehung zwischen diesen beiden Märkten vorliegen, existiert bisher kein breit akzeptierter
Konsens bezüglich der Kursführerschaft eines Marktes.
fähigkeit der DAX-Titel wäre eine weitere interessante Fragestellung. Von Interesse
erscheint beispielsweise der Spezialfall, wenn US-amerikanische Unternehmen vor der
Eröffnung der US-Märkte Nachrichten veröffentlichen, so dass deren Aktienkurs noch
nicht börslich reagieren kann, aber die in Europa gehandelten Mutterunternehmen
aufgrund dieser Nachricht Kurs- oder Liquiditätsveränderungen aufweisen.
4.2.4.4 Einfluss durch Analystenempfehlungen

Die Analystenempfehlungen von Investmentbanken werden oft nicht an alle Marktteil-
nehmer zeitgleich weitergegeben. Große private und institutionelle Kunden werden
vorab über bedeutende Änderungen der Einschätzung informiert, die ggf. auch deutli-
chen Einfluss auf die Kursentwicklung, zumindest im Intraday-Bereich, zur Folge
haben. Die Betrachtung der Erholungsfähigkeit vorher und an solchen Handelstagen,
bei denen durch eine Veröffentlichung der Analysteneinschätzung beobachtbare
Marktbewegungen hervorgerufen wurden, verspricht besondere Erkenntnisse für die
4.2.4.5 Einfluss durch volkswirtschaftliche Meldungen

Die Erholungsfähigkeit könnte vor und nach wichtigen volkswirtschaftlichen Meldun-
gen erarbeitet werden. Dafür kann auch die Entwicklung des US-$-Kurses herange-
zogen werden, der für die exportorientierten DAX-Unternehmen oftmals als Begrün-
dung für Kursschwankungen der Aktie angeführt wird, und somit praktisch auch eine
volkswirtschaftliche, weil nicht unternehmensbedingte, beeinflussende Größe darstellt.
Kommt es nach der Veröffentlichung von volkswirtschaftlichen Zahlen, die den Markt
bewegen, lediglich zu Kursausschlägen und evtl. Kursreversals, könnten auch über
diese Zeitpunkte Aussagen zur Erholungsfähigkeit getroffen werden.
4.2.4.6 Einfluss durch Indexaufnahme oder Indexausschluss

Die Hypothese, ob die Erholungsfähigkeit beeinflusst wird, wenn ein Titel in den
Index aufgenommen wird oder ausscheidet, könnte als Grundlage für eine weitere Un-
tersuchung dienen. Insbesondere kann der Frage nachgegangen werden, zu welchem
Zeitpunkt Veränderungen in der Liquidität für eine Aktie auftreten, wenn deren
Indexwechsel bereits antizipiert wird.
4.3 Charakterisierung des Datensatzes

Am Anfang der empirischen Untersuchung steht die Beschreibung des Datensatzes.
Dabei erfolgt zuerst eine allgemeine Darstellung, wie z.B. der Transaktionshäufigkeit
335
Vgl. für die Systematik der Absicherungsstrategien der Market-Maker Anhang 4.
oder des Umsatzes in 2003. Anschließend werden die Marktbreite und die Markttiefe
charakterisiert. Dies dient für einen späteren Vergleich dieser Liquiditätsdeterminanten
mit den Analyseresultaten zur Erholungsfähigkeit.
4.3.1 Allgemeine Charakterisierung des Datensatzes

Es folgt die Schilderung von wesentlichen Kennzahlen des gespeicherten und analy-
sierten Datensatzes. Um bei Einzeltiteln keinen Strukturbruch zu erhalten, werden nur
die 28 DAX-Titel untersucht, die im gesamten Kalenderjahr 2003 Indexmitglieder
waren. Im März 2003 wurde Epcos aus dem Index entfernt und die Deutsche Börse
aufgenommen. Im September kam im Austausch für MLP als neues Mitglied
Continental in den Index. Aufgrund nachgewiesener Kursreaktionen und Liquiditäts-
veränderungen werden alle vier Titel nicht berücksichtigt.336
Aufgrund der hohen Qualität der Daten, die neben den Transaktionen auch die 10 bes-
ten Gebote umfassen, als auch aufgrund des Umfangs von ca. 106 Mio. Datensätzen
muss bei der Charakterisierung des Datensatzes eine Einschränkung erfolgen. Es wer-
den nur Statistiken dargestellt, die notwendig sind, um einen ersten Überblick über das
Datenmaterial sicher zu stellen, und die für die Erforschung der Erholungsfähigkeit
sinnvoll sind. Die Tabelle 4-2 gibt einen Überblick über die Datenbank hinsichtlich
Anzahl der Datensätze, Umsatz, Transaktionshäufigkeit und Gebotsveränderungen.
Im Untersuchungszeitraum 2003 liegen, wie bereits erwähnt, ca. 106 Mio. Datensätze
vor. Als Durchschnitt ergibt sich für die 28 Titel ein Wert von ca. 3,8 Mio. Daten-
sätzen pro Jahr. Daraus resultieren durchschnittlich pro Tag 73.283 Transaktionen und
345.727 Orderbuchveränderungen.337 Das Maximum der Datensätze liegt bei Allianz
mit mehr als 6,8 Mio. Datensätzen vor, gefolgt von Siemens mit ca. 6,2 Mio. Daten-
sätzen. Im Vergleich dazu hat Fresenius Medical Care mit ca. 2,2 Mio. Datensätzen
lediglich ca. 1/3 dieses Wertes. In 2003 wurde ein Gesamtumsatz von ca. 23 Mrd.
Euro getätigt. Allianz, Deutsche Telekom und Siemens erzielten in 2003 mit Werten
zwischen ca. 67 bis 69 Mrd. Euro den höchsten Umsatz. Die umsatzschwächsten
Werte lagen zwischen ca. 3,5 und 4,2 Mrd. Euro pro Jahr. Dies sind Fresenius Medical
Care, Henkel, Linde, MAN und TUI. Pro Tag resultiert für die genannten umsatz-
starken Werte ein Volumen von ca. 260 bis 270 Mio. Euro und für die aufgeführten
illiquideren Titel von ca. 14 bis 17 Mio. Euro.
336
Vgl. GERKE / ARNETH / FLEISCHER (1999) für die empirische Untersuchung der kurz-
fristigen Kurseffekte bei Änderungen der Indexzusammensetzung des MDAX.
337
Vgl. 3.2.6 für die Berechnung der 252,5 Handelstage und die Handelsstunden in 2003.
Verhältnis:
Durchschnit- Durchschnit-
Umsatz im Anzahl der Gebots-
Anzahl der tlicher Umsatz tlicher Umsatz Anzahl der
Kalenderjahr in Gebots- veränderungen
Datensätze pro Transaktion pro Handelstag Transaktionen
Euro veränderungen zu
in Euro in Euro
Transaktionen
ADS 2.629.808 7.065.739.567 24.499 27.983.127 288.405 2.341.403 8,12

ALT 2.533.436 6.848.712.003 19.747 27.123.612 346.816 2.186.620 6,30
ALV 6.849.723 66.881.353.570 39.279 264.876.648 1.702.731 5.146.992 3,02
BASF 4.688.001 29.044.542.302 36.723 115.027.890 790.908 3.897.093 4,93
BAY 4.274.547 21.338.311.539 26.643 84.508.165 800.907 3.473.640 4,34
BMW 3.943.523 18.145.584.145 30.277 71.863.700 599.312 3.344.211 5,58
CBK 2.877.115 10.137.534.758 23.100 40.148.653 438.846 2.438.269 5,56
DBK 5.684.055 57.842.327.343 50.409 229.078.524 1.147.458 4.536.597 3,95
DCX 5.557.118 40.920.581.101 36.181 162.061.707 1.130.995 4.426.123 3,91
DPW 2.367.215 5.652.859.731 18.502 22.387.563 305.519 2.061.696 6,75
DTE 5.252.196 67.184.435.716 55.558 266.076.973 1.209.256 4.042.940 3,34
EOA 4.903.474 34.150.187.905 41.425 135.248.269 824.394 4.079.080 4,95
FME 2.159.595 3.646.262.737 14.783 14.440.645 246.650 1.912.945 7,76
HEN 2.534.472 4.186.998.807 18.858 16.582.173 222.027 2.312.445 10,42
HVM 3.169.986 12.617.708.818 22.128 49.971.124 570.221 2.599.765 4,56
IFX 3.490.401 22.331.868.611 27.732 88.443.044 805.280 2.685.121 3,33
LHA 2.408.619 6.416.607.905 18.751 25.412.309 342.192 2.066.427 6,04
LIN 2.551.979 3.911.216.917 16.052 15.489.968 243.654 2.308.325 9,47
MAN 2.226.263 3.597.115.609 14.625 14.246.002 245.959 1.980.304 8,05
MEO 2.626.820 7.445.438.360 21.433 29.486.885 347.376 2.279.444 6,56
MUV 5.711.757 49.470.754.955 40.450 195.923.782 1.222.999 4.488.758 3,67
RWE 3.951.017 13.914.797.905 25.845 55.108.111 538.388 3.412.629 6,34
SAP 5.047.017 44.372.970.180 46.786 175.734.535 948.426 4.098.591 4,32
SCH 3.090.798 10.100.381.883 23.331 40.001.512 432.920 2.657.878 6,14
SIE 6.192.791 69.137.451.387 50.177 273.811.689 1.377.862 4.814.929 3,49
TKA 2.563.440 6.756.141.778 19.720 26.756.997 342.606 2.220.834 6,48
TUI 2.195.560 4.207.286.409 13.630 16.662.520 308.678 1.886.882 6,11
VOW 4.319.987 21.614.286.128 29.856 85.601.133 723.963 3.596.024 4,97
Summe 105.800.713 648.939.458.068 2.570.057.260 18.504.748 87.295.965
Durch- 3.778.597 23.176.409.217 28.804 91.787.759 660.883,86 3.117.713 5,66

schnitt
Tabelle 4-2: Datensätze, Umsätze, Transaktionen und Gebotsveränderungen

in 2003
Bei einem Vergleich mit dem jeweiligen Indexgewicht der einzelnen Aktie fällt insbe-
sondere die Münchener Rückversicherung auf, die im Index338 mit ca. 1,23% repräsen-
tiert ist, bei den Umsätzen in 2003 jedoch ca. 7,6% erzielte. Der durchschnittliche
Umsatz pro Transaktion ist mit ca. 55.000 Euro bei der Deutschen Telekom am
höchsten. Weiterhin sehr hohe Umsätze pro Einzeltransaktion weisen mit jeweils ca.
50.000 Euro Siemens und die Deutsche Bank auf. Die niedrigsten Volumina entspre-
chen mit Umsatzgrößen von weniger als 15.000 Euro pro Geschäft (Fresenius Medical
Care, MAN und TUI). Der Durchschnitt über alle Titel ergibt einen Umsatz von
28.804 Euro pro Transaktion. Die höchste Anzahl der Transaktionen hat Allianz mit
einem Wert von ca. 1,7 Mio. in 2003. Henkel hingegen kommt lediglich auf ca. 0,22
338
Vgl. für die Indexgewichte der Einzeltitel im DAX in 2003 Anhang 6.
Mio. Transaktionen und somit auf ca. 13% vom Volumen der Allianz. Die höchste
Aktivität im Orderbuch anhand der Gebotsveränderungen zeigt sich bei Allianz mit ca.
5,2 Mio. Im Vergleich zur Allianz folgen Siemens mit ca. 94%, Deutsche Bank und
Münchener Rückversicherung mit jeweils ca. 88% und Daimler Chrysler mit ca. 86%
der Anzahl der Gebotsveränderungen. Zahlreiche Aktien weisen eine relativ niedrige
Anzahl an Gebotsveränderungen auf, die im Bereich von ca. 2 Mio. liegen. Es resul-
tiert für alle 28 Titel ein Median von ca. 2,7 Mio. mit einem Minimalwert von ca. 1,9
Mio. Dies spricht für eine linksschiefe Verteilung der Orderbuchaktivität. Die fünf
orderbuchaktivsten Aktien stellen lediglich ca. 18% der 28 untersuchten Titel dar,
repräsentieren aber mit ca. 23,3 Mio. Orderbuchveränderungen ca. 27% der Order-
buchaktivität. Wird die Zahl der Gebotsveränderungen in Verhältnis zur Anzahl der
Transaktionen gesetzt, so zeigt sich, dass bei Henkel pro 10,4 Veränderungen eine
Transaktion resultiert. Für Allianz, Deutsche Telekom und Infineon liegt dieser Wert
bei ca. drei. Dies relativiert die absoluten Beobachtungen der Orderbuchaktivität. Im
Verhältnis zu der Anzahl an Transaktionen gibt es somit für Henkel die größte Anzahl
an Veränderungen an Geboten im Orderbuch, bevor es zu einem Abschluss kommt.
Nach dieser ersten Darstellung der Datenbasis erfolgt eine Beschreibung der Kurse,
Renditen und der Volatilität in Tabelle 4-3. Im Beobachtungszeitraum lag der niedrig-
ste realisierte Transaktionspreis für Commerzbank bei 5,22 Euro am 11. März 2003.
Der höchste Kurs wurde am 6. Januar 2003 mit 135,65 Euro für SAP erzielt, vor dem
Einbruch des Marktes mit seinem Tiefpunkt im März. In diesem Monat wiesen neun
der beobachteten 28 Titel im Tiefstkurs einen einstelligen Kurs auf. Dies entspricht ca.
1/3 der beobachteten 28 DAX-Titel. Der durchschnittliche Aktienkurs, der in späteren
Überlegungen als rechnerische Bezugsgröße dient, beläuft sich in 2003 für alle
analysierten Titel auf 36,79 Euro. Für zehn der beobachteten Aktien ist der Median
kleiner als der durchschnittliche Aktienkurs. 18 Titel weisen einen höheren Median
auf als ihr durchschnittliches Kursniveau in 2003. Dies bedeutet, dass für diese 18
Titel mehr als 50% der Transaktionspreise größer sind als der Durchschnittspreis. Dies
liegt daran, dass diese Titel bei den fallenden Kursen im Frühjahr besonders niedrige
Kurse aufwiesen, so dass der durchschnittliche Aktienkurs des Jahres 2003 deutlich
von diesen niedrigen Werten beeinflusst wurde. Der kleinste durchschnittliche Kurs
liegt mit 9,75 Euro für Infineon vor und der größte mit 101,63 Euro für SAP. Der
dargestellte durchschnittliche Kurs von 36,79 Euro und der Median dienen für spätere
Berechnungen der prozentualen Steigung des Orderbuchs.
Jahresvolatilität
Durch- Maximale Kurs-
Kurs- Kurs- (Tages-
Median schnittlicher steigerung vom
minimum maximum schlusskurs-
Kurs Jahrestief
basis)
ADS 68,80 92,13 77,02 77,81 33,9% 28,0%

ALT 35,03 59,59 50,15 48,81 70,1% 37,8%
ALV 44,50 101,15 75,61 75,09 127,3% 51,5%
BASF 28,25 44,85 38,55 38,11 58,8% 37,1%
BAY 9,80 23,66 18,59 17,81 141,4% 56,1%
BMW 20,76 38,69 31,73 31,21 86,4% 38,3%
CBK 5,22 17,58 12,94 11,85 236,8% 49,5%
DBK 32,97 66,04 53,42 50,25 100,3% 38,3%
DCX 23,71 37,58 29,64 29,91 58,5% 36,9%
DPW 8,57 17,64 12,64 12,88 105,8% 35,1%
DTE 9,04 14,62 12,70 12,45 61,7% 39,2%
EOA 34,11 52,27 43,00 42,83 53,2% 33,3%
FME 38,00 57,00 45,29 45,96 50,0% 32,9%
HEN 49,56 64,35 57,22 57,45 29,8% 27,2%
HVM 6,71 20,15 14,79 13,87 200,3% 60,3%
IFX 5,41 14,18 10,55 9,75 162,1% 54,1%
LHA 6,80 14,13 10,14 10,41 107,8% 40,8%
LIN 22,27 44,62 33,74 33,94 100,4% 39,7%
MAN 11,75 24,52 16,49 17,43 108,7% 44,7%
MEO 15,72 38,62 27,87 27,52 145,7% 44,7%
MUV 50,37 125,34 92,75 90,37 148,8% 55,3%
RWE 17,60 32,54 24,65 24,45 84,9% 37,2%
SAP 66,36 135,65 101,89 101,63 104,4% 44,6%
SCH 31,60 46,40 40,23 39,83 46,8% 34,0%
SIE 32,12 65,10 43,94 47,19 102,7% 38,3%
TKA 6,85 16,00 11,13 11,11 133,6% 43,5%
TUI 7,56 17,49 13,44 13,21 131,3% 55,1%
VOW 28,06 46,74 36,54 37,00 66,6% 41,4%
Durch-
25,63 47,45 37,02 36,79 102,1% 42,0%
schnitt
Tabelle 4-3: Kurse, Renditen und Volatilitäten im Orderbuch in 2003

Mehr als die Hälfte der analysierten Aktien (16 Werte) haben in 2003 einen Kurszu-
wachs vom Tiefstpunkt bis zum Kurshoch von 100% oder mehr erzielt. Der Spitzen-
reiter dabei war die Commerzbank-Aktie, die 236,8% Performance erzielte. Den ge-
ringsten Wert weist das Adidas-Papier auf, das lediglich 33,9% zulegte. Die Volatilität
der Einzeltitel wurde auf Basis der Schlusskurse für das Jahr 2003 berechnet. Hierfür
wurde auf die Formel (2.11) zurückgegriffen, wobei alle Handelstage des Jahres 2003
berücksichtigt wurden. Die Volatilität bewegt sich zwischen Werten von minimal
27,2% (Henkel) und 60,3% (HypoVereinsbank). Die durchschnittliche Jahresvolatilität
belief sich auf 42,0%.
Die bis hierher diskutierten hohen Werte der Kennzahl Volatilität, als auch die großen
Kursbewegungen der Einzeltitel zeigen deutlich, wie wichtig deren Berücksichtigung
für das Modell der Erholungsfähigkeit sind. Die folgende Abbildung 4-1 visualisiert
zusammenfassend die Kursentwicklung und den Verlauf der historischen 30-Tages-
volatilität des DAX in 2003 und visualisiert wie groß sowohl die Bewegung des
Aktienindex, als auch die der Volatilität in 2003 war.
55
4.000 50
45
3.500
40
historische 30-Tagesvolatilität
DAX Indexstand
35
3.000
30
25
2.500
20
Dax
30-Tagesvolatilität
2.000 15
14 .03
24 .03
05 .03
17 .03
27 .03
11 .03
21 .03
02 .03
14 .03
28 .03
09 .03
21 .03
02 .03
12 .03
24 .03
04 .03
16 .03
28 .03
07 .03
19 .03
29 .03
10 .03
22 .03
02 .03
14 .03
24 .03
05 .03
17 .03
27 .03
09 .03
19 .03
03
2.
1
1
1
2
2
2
3
3
4
4
4
5
5
6
6
6
7
7
7
8
8
8
9
9
0
0
0
1
1
1
2
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.1
.1
.1
.1
.1
.1
.1
.1
02
Datum
Abbildung 4-1: Kursverlauf und Volatilität des DAX in 2003

Dieser erste Überblick über das Datenmaterial des Jahres 2003 zeigt, dass innerhalb
der Mitglieder des DAX hinsichtlich der erhobenen grundlegenden Statistiken bereits
große Unterschiede existieren. Dies legt die Vermutung nahe, dass diese Inhomoge-
nität auch bei der Marktbreite und Markttiefe vorliegt. Im Folgenden sollen diese ana-
lysiert werden.
4.3.2 Charakterisierung des Datensatzes mit dem Schwerpunkt Marktbreite

Die erste behandelte Liquiditätsdimension ist die Marktbreite. In Anlehnung an die
Definitionen in Kapitel 2.2.2 wird in Tabelle 4-4 die Geld-Brief-Spanne in Euro und in
Prozent wiedergegeben. Zusätzlich wird die durchschnittliche Handelsbereitschaft auf
der besten Geld- und Briefseite dargestellt. Diese wird in Anlehnung an BIAIS /
HILLION / SPATT (1995) durch die Multiplikation des jeweils besten gestellten Prei-
ses mit seinem zugehörigen Volumen berechnet.
Durchschnittl.
Durchschnittl.
Durchschnittl. Durchschnittl. Handelsvolumen /
Durchschnittl. Durchschnittl. Durchschnittl. Handelsvolumen
Volumen bester Volumen bester Durchschnittl.
Aktienkurs (Euro) Spanne (Cent) Spanne pro Transaktion
Geldkurs (Euro) Briefkurs (Euro) Handlungsbereit-
(Euro)
schaft
ADS 77,81 11,5 0,15% 36.770 35.922 24.499 67,4%

ALT 48,81 8,5 0,18% 29.842 30.351 19.747 65,6%
ALV 75,09 6,8 0,09% 79.247 69.624 39.279 52,8%
BASF 38,11 3,7 0,10% 66.099 65.516 36.723 55,8%
BAY 17,81 2,3 0,13% 58.906 61.086 26.643 44,4%
BMW 31,21 3,4 0,12% 50.019 54.041 30.277 58,2%
CBK 11,85 2,0 0,20% 55.302 55.755 23.100 41,6%
DBK 50,25 4,2 0,09% 86.489 85.383 50.409 58,7%
DCX 29,91 2,8 0,10% 72.045 70.178 36.181 50,9%
DPW 12,88 2,2 0,18% 40.507 40.676 18.502 45,6%
DTE 12,45 1,3 0,10% 280.620 304.543 55.558 19,0%
EOA 42,83 4,0 0,09% 75.434 76.697 41.425 54,5%
FME 45,96 10,4 0,23% 23.212 23.487 14.783 63,3%
HEN 57,45 9,9 0,17% 29.133 29.983 18.858 63,8%
HVM 13,87 2,5 0,20% 45.404 46.342 22.128 48,2%
IFX 9,75 1,4 0,17% 79.987 84.180 27.732 33,8%
LHA 10,41 1,9 0,19% 44.856 49.187 18.751 39,9%
LIN 33,94 7,3 0,23% 30.127 29.660 16.052 53,7%
MAN 17,43 4,3 0,27% 28.720 28.384 14.625 51,2%
MEO 27,52 5,1 0,20% 36.460 35.732 21.433 59,4%
MUV 90,37 10,3 0,11% 62.456 63.592 40.450 64,2%
RWE 24,45 3,2 0,14% 48.450 51.450 25.845 51,7%
SAP 101,63 9,5 0,10% 70.844 70.542 46.786 66,2%
SCH 39,83 5,7 0,14% 42.616 43.010 23.331 54,5%
SIE 47,19 3,6 0,08% 90.516 93.866 50.177 54,4%
TKA 11,11 2,1 0,20% 45.344 47.616 19.720 42,4%
TUI 13,21 3,2 0,25% 28.225 28.782 13.630 47,8%
VOW 37,00 4,0 0,11% 50.734 49.467 29.856 59,6%
Durch-
36,79 4,9 0,15% 60.299 61.609 28.804 52,4%
schnitt
Tabelle 4-4: Geld-Brief-Spannen, gestellte Volumina der besten Gebote und

durchschnittliches Handelsvolumen
Als durchschnittliche Geld-Brief-Spanne ergibt sich ein Wert von ca. 4,9 Cent bzw.
ca. 0,15%. Bei Betrachtung der absoluten Spannen ergibt sich für Adidas der höchste
Wert mit durchschnittlich 11,5 Cent und für Deutsche Telekom der niedrigste Durch-
schnitt mit ca. 1,3 Cent. Wichtiger sind die relativierten Werte durch die Berücksichti-
gung des jeweiligen durchschnittlichen Aktienkurses. Diese ergeben ein Maximum der
durchschnittlichen Spanne für MAN mit 0,27% und ein Minimum für Siemens mit
0,08%. Das bedeutet, dass die expliziten Transaktionskosten für kleinvolumige Orders
bei Siemens lediglich ca. 30% derjenigen von MAN entsprechen. Für diese durch-
schnittlichen, prozentualen Geld-Brief-Spannen werden die durchschnittlichen, im
Orderbuch auf der Geld- und der Briefseite jeweils zur Verfügung stehenden Volu-
mina angezeigt. Für die Geldgebote aller 28 Titel resultiert ein Wert von 60.299 Euro
und für die Briefgebote von 61.609 Euro. Die höchste Transaktionsbereitschaft eines
Titels liegt bei Deutsche Telekom für die Kauflimits bei 280.620 Euro und für die Ver-
kaufslimits bei 304.543 Euro. Die niedrigsten entsprechenden Beträge weist Fresenius
Medical Care mit 23.212 Euro und 23.487 Euro auf. Die niedrigste Differenz
zwischen den durchschnittlichen gestellten Volumina erscheint bei Deutsche Post mit
Werten zwischen 40.676 Euro und 40.507 Euro, entsprechend ca. 0,4%. Der höchste
Unterschied existiert für Allianz, bei der die Briefseite mit durchschnittlich 69.624
Euro befüllt ist und die Geldseite mit 79.247 Euro einen 13,8% höheren Wert auf-
weist.
Die Marktbreite wurde bisher durch die Geld-Brief-Spanne und die zur Verfügung ste-
henden Volumina der besten Gebote dargestellt.339 Diese Kennzahlen können genutzt
werden, um die unmittelbar zur Verfügung stehende Liquidität darzustellen, die eben-
falls in Tabelle 4-4 aufgeführt ist. Diese wird berechnet, indem das durchschnittliche
Handelsvolumen im Verhältnis zur durchschnittlichen Handlungsbereitschaft gesetzt
wird.
durchschnittliches Transaktionsvolumen
Unmittelbare Marktbreite (4.1)
(Geldvolumen Briefvolumen)
2
Diese Kennzahl gibt den Prozentsatz der Liquidität wieder, den eine durchschnittliche
Order an der durchschnittlich zur Verfügung stehenden Liquidität konsumiert. Eine
übliche Ordergröße in der Höhe von ca. 55.000 Euro bei Deutsche Telekom bean-
sprucht beispielsweise lediglich ca. 19% der durchschnittlich zur Verfügung stehenden
Liquidität. Bei Fresenius Medical Care hingegen beträgt dieser Prozentsatz ca. 64%.
Damit wird beim erst genannten Wert lediglich ca. 1/5 der verfügbaren Liquidität auf-
gebraucht, beim letztgenannten Titel mehr als die Hälfte.
Diese beschriebene unmittelbare Marktbreite kann in einem nächsten Schritt relativiert
werden. Dabei wird zunächst die absolute Häufigkeit des Vorkommens von großen
Transaktionen gebildet. Diese werden gemäß ihrer absoluten Umsätze in sieben Klas-
sen aufgeteilt. Im folgenden Schritt werden die Einzelumsätze in fünf Klassen aufge-
teilt, die sich für jede Aktie auf ihr individuelles, durchschnittliches, auf der besten
Geld-Briefseite gestelltes Volumen beziehen. Wenn diese Häufigkeit an großen Ein-
zeltransaktionen als Indikator für noch größere Blocktransaktionen gewertet wird, die
mit dem vorliegenden Datensatz als solche nicht erfasst werden können, dann kann
daraus gefolgert werden, welche Werte tendenziell von außerordentlichen Kursein-
flüssen belastet werden. Damit kann die Aussagekraft der gemessenen, durchschnittli-
339
Vgl. BIAIS / HILLION / SPATT (1995) die diese Kennzahl vom bestem Gebotsvolumen
multipliziert mit dem zugehörigen gebotenen Preis als Kennzahl für die Markttiefe verwenden.
Die Erweiterung dieser Kennzahl durch die Relativierung zum durchschnittlichen Trans-
aktionsvolumen lässt diese Kenngröße sinnvoll erscheinen für die Beschreibung der Marktbreite.
chen zur Verfügung stehenden Liquidität in Relation zu der Nachfrage durch große
Volumina gesetzt werden.
Diese Untersuchung von großvolumigen Transaktionen ist für die spätere Analyse der
Erholungsfähigkeit zielführend, weil durch diese Kennzahl für die Marktbreite adäquat
dargestellt wird, wie gut größere Blöcke unmittelbar durch das beste Gebot auf der
jeweiligen Seite bedient werden können. Für die Berechnung werden die Volumina in
Euro, berechnet durch die Multiplikation der Stückzahl mit dem Kurs, herangezogen.
Im ersten Schritt werden die Klassen beschrieben, die sich auf das absolute Umsatz-
volumen fester Klassen beziehen. 20 Titel weisen in 2003 ein durchschnittliches
Transaktionsvolumen pro Order zwischen ca. 14.000 Euro (TUI) für die illiquiden
Werte und ca. 55.000 Euro (Deutsche Telekom) für sehr liquide Titel auf.
Anzahl der Anzahl der Anzahl der Anzahl der

Anzahl der Anzahl der
Anzahl der Trans- Trans- Trans- Trans- Durchschnit-
Trans- Trans- Sigma des Durch-
Trans- aktionen > aktionen > aktionen > aktionen > tliche Anzahl an
aktionen > aktionen > Handels- schnittliches
aktionen <= 50.000 100.000 250.000 500.000 Transaktionen
10.000 <= 1.000.000 volumens Volumen pro Tag
10.000 Euro <=100.000 <=250.000 <=500.000 <=1.000.000 pro Tag
50.000 Euro Euro
Euro Euro Euro Euro
ADS 129.958 122.660 26.967 7.854 830 125 11 37.318 1.142 27.983.127
ALT 173.063 141.296 25.035 6.721 623 74 4 30.059 1.374 27.123.612
ALV 540.214 767.558 260.181 112.159 18.219 3.768 632 65.686 6.743 264.876.648
BASF 213.890 404.088 121.034 46.462 4.748 610 76 120.470 3.132 115.027.890
BAY 323.824 360.798 82.990 30.005 2.877 376 37 40.921 3.172 84.508.165
BMW 202.478 293.776 73.182 26.350 3.164 329 33 43.872 2.374 71.863.700
CBK 222.711 164.265 35.810 13.907 1.787 314 52 43.745 1.738 40.148.653
DBK 243.465 531.084 232.880 117.088 19.035 3.442 464 155.680 4.544 229.078.524
DCX 349.587 527.508 175.479 67.757 9.087 1.412 165 52.918 4.479 162.061.707
DPW 162.391 118.472 18.979 4.999 576 93 9 31.368 1.210 22.387.563
DTE 358.990 457.902 216.955 131.326 33.176 8.911 1.996 108.140 4.789 266.076.973
EOA 203.382 413.421 140.010 59.876 6.623 963 119 55.945 3.265 135.248.269
FME 145.499 88.725 10.103 2.145 165 13 0 21.949 977 14.440.645
HEN 103.859 99.718 15.073 3.100 236 38 3 26.145 879 16.582.173
HVM 287.742 219.288 45.536 15.483 1.878 267 27 38.413 2.258 49.971.124
IFX 398.890 281.406 78.725 38.132 6.769 1.224 134 57.944 3.189 88.443.044
LHA 187.247 124.173 23.087 6.995 646 41 3 29.947 1.355 25.412.309
LIN 136.526 92.329 11.813 2.774 194 16 2 24.665 965 15.489.968
MAN 145.140 87.687 10.618 2.337 162 15 0 22.547 974 14.246.002
MEO 161.678 150.350 26.381 8.052 845 55 15 33.288 1.376 29.486.885
MUV 384.447 559.534 178.625 82.474 14.315 3.122 482 68.543 4.844 195.923.782
RWE 200.371 266.288 52.594 17.364 1.579 179 13 37.971 2.132 55.108.111
SAP 223.868 450.908 173.007 83.049 13.792 3.307 495 74.321 3.756 175.734.535
SCH 178.797 207.791 34.745 10.438 1.015 116 18 34.541 1.715 40.001.512
SIE 326.081 605.094 278.085 143.041 21.508 3.551 502 353.770 5.457 273.811.689
TKA 176.126 135.177 23.198 7.340 699 63 3 83.569 1.357 26.756.997
TUI 196.368 96.550 12.066 3.451 216 25 2 23.710 1.222 16.662.520
VOW 267.342 337.500 82.448 32.592 3.569 469 43 44.830 2.867 85.601.133
Summe 6.643.934 8.105.346 2.465.606 1.083.271 168.333 32.918 5.340 73.286 2.570.057.260
Tabelle 4-5: Transaktionsdaten: Größenklassen der Handelsvolumina in 2003

Aus der Literaturübersicht in Kapitel 2.4.2.1. resultiert die Annahme eines poten-
ziellen Einflusses von Blocktransaktionen auf die Kursbewegungen und die Liquidität
innerhalb eines Tages. Daher werden Blocktransaktionen in unterschiedliche Klassen
unterteilt. Es werden 7 Klassen gebildet. Um auch die sehr niedrig liquiden Titel voll-
ständig in die Analyse der Blocktransaktionen einzubeziehen, umfasst die kleinste
Klasse Umsätze bis 10.000 Euro. Es ist zu erwarten, dass in dieser Klasse sehr viele
Transaktionen stattfinden und diese Gruppe somit als Referenzgröße dienen kann. Die
größte Klasse wird repräsentiert durch Einzeltransaktionen mit mehr als 1 Mio. Euro
Umsatz.
100%
Anteil der Umsätze >
1.000.000 Euro
90%

80% 500.000 <=1.000.000
Euro
Anteil des Volumens
70%
250.000 <=500.000
60% Euro

50% 100.000 <=250.000
Euro
40% Anteil der Umsätze >

50.000 <=100.000 Euro
30%
10.000 <= 50.000 Euro
20%
10% Anteil der Umsätze <

10.000 Euro
0%
A LV
A
A
S
SF
S CH
O
N
CB K
E
N
W
M
S AP
SI E
X
V
I FX
LIN
W
D PW
K
I
TU
AD
AL
FM
RW
DT
LH
EO
DC
MA
MU
BA
ME
HE
TK
DB
HV
VO
BM
BA
Aktie
Abbildung 4-2: Größenklassen der Handelsvolumina in 2003

In der Abbildung 4-2 ist für TUI ersichtlich, dass 63,6% der gehandelten Volumina in
kleinen Transaktionen stattfinden, die jeweils ein Volumen von weniger als 10.000
Euro aufweisen. Für Deutsche Bank hingegen resultieren lediglich ca. 21,2% des ge-
samten Umsatzes aus Transaktionen mit einem Volumen von bis zu 10.000 Euro. Nur
Deutsche Telekom und SAP kommen bei den Umsätzen pro Transaktion auf mehr als
1 Mio. Euro und auf einen Anteil vom Handelsvolumen von 0,1%. Für Deutsche
Telekom bedeutet dies 1.996 Transaktionen in 2003 mit mehr als 1 Mio. Euro. SAP,
die in 2003 ca. 66% des Umsatzes von Deutsche Telekom aufweist, hat nur 495 Trans-
aktionen mit einem Volumen größer als 1 Mio. Euro. Bezogen auf diese Größe hat
SAP im Vergleich zur Deutschen Telekom nur ca. 25% der absoluten Anzahl an
Transaktionen in dieser Größenordnung.
Die große Spreizung hinsichtlich dieser Größe der absoluten Anzahl an Transaktionen
von über 1 Mio. Euro zeigt sich im Vergleich zur Allianz. Deutsche Telekom und
Allianz haben in 2003 mit ca. 67 Mrd. Euro in 2003 einen identischen Umsatz.
Deutsche Telekom weist 1996 Blocktransaktionen und Allianz 632 Blöcke mit mehr
als 1 Mio. Euro auf. Die Titel von Altana, Fresenius Medical Care, Henkel, Lufthansa,
Linde, MAN, Thyssen und TUI haben jeweils weniger als 5 Einzeltransaktionen dieser
Größenordnung.
Zusätzlich zu dieser analysierten absoluten Häufigkeit von großvolumigen Geschäften

ist deren relative Häufigkeit des Auftretens wichtig. Damit wird das hohe Volumen in
Relation zu dem durchschnittlichen zur Verfügung stehendem Volumen auf der Geld-
oder Briefseite gesetzt. Dieses Verhältnis ist in Abbildung 4-3 dargestellt. Damit kann
beurteilt werden, ob hohes Volumen zu einer außerordentlichen Kursbewegung führen
könnte. Die Abbildung 4-3 stellt den Prozentsatz der Transaktionen dar, die in der ers-
ten Gruppe weniger als das durchschnittlich gestellte Volumen und in der zweiten
Gruppe das ein bis zweifache betragen. Die Gruppe drei umfasst Geschäfte die drei bis
vier mal so groß sind wie das handlungsbereite Volumen der Geld-Brief-Spanne und
die letzte Klasse beinhaltet Abschlüsse, die mehr als das dreifache des durchschnittlich
gestellten Volumens betragen.
100%
95%
Anteil des Volumens
90%
Handelsvolumen > 3 *
durchschnittl. gestellte
Volumen
85%
Volumen <= 3 *
80% durchschnittl. gestellte
Volumen <= 2 *
Handelsvolumen <= 1 *
Volumen
75%
BASF
ALV
LHA
ADS
ALT
MAN
SCH
D CX
BA Y
SAP
HNK
MUV
MEO
SIE
RWE
HVM
VOW
FME
LIN
DBK
EON
TUI
TKA
CBK
IFX
BMW
DPW
DTE
Aktie
Abbildung 4-3: Handelsvolumen im Verhältnis zur Handlungsbereitschaft

in 2003
Um eine übersichtlichere Darstellung zu erreichen, beginnt die Y-Achse bei einem
Wert von 75%. In dieser Darstellung wird ersichtlich, dass bei Adidas lediglich 79,3%
der Transaktionen ein Volumen haben, das weniger als die durchschnittliche Hand-
lungsbereitschaft von 36.346 Euro beträgt. Für Deutsche Telekom hingegen weisen
97,4% der Abschlüsse ein Volumen auf, das geringer als die auf der Geld- und Brief-
seite durchschnittlich gestellten 292.582 Euro ist. Dies kann so interpretiert werden,
dass es sehr liquide Titel gibt, wie z.B. Deutsche Telekom, bei denen die gestellte
Liquidität so groß ist, dass es nur in wenigen Fällen zu Einzelaufträgen kommt, die
mehr als die erste Stelle des Limitorderbuchs abräumen. Dies würde bedeuten, dass bei
diesen Werten durch einzelne Geschäftsabschlüsse keine außerordentlichen Kursbewe-
gungen zu erwarten sind.
Als Ergebnis der Datenauswertung und Statistiken zur Marktbreite resultiert, dass bei
den Einzeltiteln große Unterschiede, wie z.B. bei der mit Formel (4.1)
errechneten, unmittelbaren Marktbreite, vorkommen. Weiterhin fällt das Auftreten
von Blockorders für einzelne Titel sehr unterschiedlich aus. Diese Aspekte der
Marktbreite bedürfen bei dem Vergleich mit der Erholungsfähigkeit einer
differenzierten Betrachtung für die einzelnen Aktien. Dabei kann die Abbildung 4-3
für die spätere Untersuchung als Indikation dienen, welche Aktien wie stark dem
Einfluss von großen Blocktransaktionen unterliegen.
4.3.3 Charakterisierung des Datensatzes mit dem Schwerpunkt Markttiefe

Eine Möglichkeit der Beschreibung der Markttiefe ist die Berechnung der Differenzen
zwischen den benachbarten Geboten im Orderbuch. GLOSTEN (1994) spricht dabei
von der Steigung des Orderbuchs.340 Diese soll im Folgenden für die vorliegenden Da-
ten angewendet werden.
Eine Analyse der Steigung des Orderbuchs, berechnet in Cent, wird im Anhang auf
den Seite 229 und 230 in Tabellenform wiedergegeben. Anhang 10 schildert die Geld-
seite und Anhang 11 die Briefseite. Die prozentuale Steigung des Orderbuchs wird so-
wohl für die Geldseite als auch die Briefseite als positiver Prozentsatz definiert. Für
die Geldgebote resultiert diese aus der Formel:
(Geldkursi 1 Geldkursi )
Steigung Geldgebote * 100 (4.2)
Aktienkurs
Für die Briefgebote gilt:

( Briefkursi 1 Briefkursi )
Steigung Briefgebote * 100 (4.3)
Aktienkurs
Diese Berechnung bedeutet, dass ein kleiner prozentualer Wert eine niedrige prozen-
tuale Differenz zwischen den benachbarten Geboten darstellt, was somit einen tiefen
Markt darstellt.341 Die Prozentwerte für die Geldseite werden im aktuellen Kapitel in
Tabelle 4-6 und für die Briefseite in Tabelle 4-7 dargestellt.
340
Vgl. GLOSTEN (1994).
341
Vgl. KEMPF / KORN (1997) die feststellen, dass es sich bei dem Preiseinfluss der verschiedenen
Ordergrößen nicht um einen linearen Zusammenhang handelt.
Steigung Steigung Steigung Steigung Steigung Steigung Steigung Steigung Steigung
Geld 1 - Geld 2 Geld 2 - Geld 3 Geld 3 - Geld 4 Geld 4 - Geld 5 Geld 5 - Geld 6 Geld 6 - Geld 7 Geld 7 - Geld 8 Geld 8 - Geld 9 Geld 9 - Geld 10
in Prozent in Prozent in Prozent in Prozent in Prozent in Prozent in Prozent in Prozent in Prozent
ADS 0,0397 0,0441 0,0497 0,0576 0,0646 0,0706 0,0763 0,0814 0,0864
ALT 0,0600 0,0649 0,0714 0,0771 0,0822 0,0874 0,0915 0,0961 0,1002
ALV 0,0345 0,0304 0,0304 0,0321 0,0341 0,0361 0,0377 0,0391 0,0405
BASF 0,0453 0,0433 0,0452 0,0494 0,0534 0,0564 0,0586 0,0600 0,0614
BAY 0,0734 0,0703 0,0731 0,0761 0,0789 0,0812 0,0830 0,0848 0,0865
BMW 0,0547 0,0535 0,0580 0,0643 0,0707 0,0758 0,0795 0,0826 0,0852
CBK 0,1212 0,1259 0,1342 0,1395 0,1430 0,1453 0,1470 0,1492 0,1522
DBK 0,0379 0,0361 0,0358 0,0378 0,0407 0,0431 0,0450 0,0466 0,0479
DCX 0,0492 0,0452 0,0464 0,0491 0,0516 0,0533 0,0544 0,0552 0,0561
DPW 0,0967 0,1140 0,1172 0,1231 0,1269 0,1311 0,1351 0,1406 0,1462
DTE 0,0842 0,0829 0,0832 0,0838 0,0842 0,0847 0,0852 0,0855 0,0861
EOA 0,0398 0,0369 0,0380 0,0413 0,0448 0,0480 0,0506 0,0525 0,0541
FME 0,0655 0,0749 0,0882 0,1011 0,1117 0,1188 0,1241 0,1288 0,1357
HEN 0,0467 0,0556 0,0650 0,0744 0,0832 0,0897 0,0956 0,1023 0,1093
HVM 0,1083 0,1105 0,1168 0,1218 0,1262 0,1287 0,1298 0,1312 0,1330
IFX 0,1281 0,1216 0,1231 0,1244 0,1249 0,1255 0,1256 0,1261 0,1265
LHA 0,1167 0,1205 0,1288 0,1335 0,1395 0,1421 0,1435 0,1460 0,1495
LIN 0,0721 0,0852 0,1005 0,1138 0,1258 0,1345 0,1413 0,1492 0,1567
MAN 0,1110 0,1294 0,1465 0,1609 0,1754 0,1878 0,1979 0,2100 0,2220
MEO 0,0793 0,0863 0,0973 0,1081 0,1180 0,1260 0,1316 0,1364 0,1424
MUV 0,0358 0,0325 0,0332 0,0355 0,0381 0,0408 0,0430 0,0449 0,0466
RWE 0,0626 0,0627 0,0679 0,0734 0,0776 0,0805 0,0830 0,0848 0,0864
SAP 0,0328 0,0310 0,0321 0,0345 0,0377 0,0407 0,0435 0,0459 0,0479
SCH 0,0527 0,0540 0,0591 0,0649 0,0709 0,0759 0,0792 0,0826 0,0846
SIE 0,0384 0,0345 0,0346 0,0364 0,0387 0,0410 0,0425 0,0437 0,0450
TKA 0,1163 0,1229 0,1329 0,1391 0,1455 0,1507 0,1532 0,1553 0,1593
TUI 0,1178 0,1251 0,1331 0,1405 0,1457 0,1496 0,1513 0,1538 0,1565
VOW 0,0499 0,0485 0,0520 0,0579 0,0638 0,0685 0,0717 0,0743 0,0768
Durch-
0,0704 0,0730 0,0783 0,0840 0,0892 0,0934 0,0965 0,0996 0,1029
schnitt
Tabelle 4-6: Durchschnittliche Steigung der Geldseite in 2003 in Prozent

Abgesehen von der ersten Steigung zwischen Geldkurs 1 und Geldkurs 2 zeigt die
Analyse der Durchschnittswerte der prozentualen Differenz zwischen zwei benachbar-
ten Geboten, dass mit zunehmender Tiefe der Gebote im Orderbuch dieser Prozentsatz
auf der Geldseite immer höher wird.
Die einzige Ausnahme ergibt sich für Deutsche Bank. Bei dieser fällt die prozentuale
Differenz zwischen Geldkurs 1 und Geldkurs 2 im Vergleich zu dem Prozentsatz zwi-
schen Geldkurs 2 und Geldkurs 3. Dabei erweist sich die erste dieser beiden Steigun-
gen mit einem Wert von 0,0361% höher als die tiefer im Buch liegenden mit 0,0358%,
die somit um 0,8% niedriger ausfällt.
Für die Durchschnittswerte der Briefseite liegt ebenfalls von der ersten bis zur zehnten
Stelle im Orderbuch eine steigende Zuwachsrate vor. Die erste Ausnahme bildet
Commerzbank, sie weist auf der Briefseite von der durchschnittlichen Steigung von
Briefgebot 6 - Briefgebot 5 zu der Steigung von Briefgebot 7 - Briefgebot 6 einen
Rückgang von 0,1375 auf 0,1365 auf. Die zweite Ausnahme ist Fresenius Medical
Care, die von Briefgebot 8 - Briefgebot 7 auf das Briefgebot 9 - Briefgebot 8 ebenfalls
einen Rückgang aufweist von 0,1250 auf 0,1218.
Brief 2 - Brief 1 Brief 3 - Brief 2 Brief 4 - Brief 3 Brief 5 - Brief 4 Brief 6 - Brief 5 Brief 7 - Brief 6 Brief 8 - Brief 7 Brief 9 - Brief 8 Brief 10 - Brief 9
in Prozent in Prozent in Prozent in Prozent in Prozent in Prozent in Prozent in Prozent in Prozent
ADS 0,0404 0,0441 0,0506 0,0583 0,0653 0,0705 0,0745 0,0780 0,0812
ALT 0,0615 0,0673 0,0741 0,0797 0,0848 0,0899 0,0944 0,0989 0,1046
ALV 0,0356 0,0315 0,0320 0,0344 0,0371 0,0394 0,0412 0,0428 0,0445
BASF 0,0458 0,0437 0,0459 0,0501 0,0542 0,0571 0,0590 0,0607 0,0623
BAY 0,0742 0,0717 0,0753 0,0790 0,0820 0,0847 0,0866 0,0883 0,0901
BMW 0,0551 0,0544 0,0596 0,0667 0,0736 0,0791 0,0827 0,0856 0,0879
CBK 0,1212 0,1257 0,1340 0,1386 0,1475 0,1365 0,1448 0,1464 0,1480
DBK 0,0392 0,0359 0,0368 0,0394 0,0427 0,0453 0,0473 0,0489 0,0503
DCX 0,0495 0,0457 0,0476 0,0512 0,0542 0,0565 0,0578 0,0586 0,0595
DPW 0,1029 0,1087 0,1165 0,1209 0,1246 0,1282 0,1296 0,1333 0,1373
DTE 0,0845 0,0832 0,0836 0,0842 0,0845 0,0848 0,0852 0,0856 0,0861
EOA 0,0404 0,0376 0,0392 0,0431 0,0472 0,0508 0,0536 0,0557 0,0579
FME 0,0662 0,0744 0,0872 0,1006 0,1103 0,1165 0,1250 0,1218 0,1299
HEN 0,0471 0,0545 0,0650 0,0740 0,0838 0,0911 0,0969 0,1002 0,1052
HVM 0,1101 0,1127 0,1190 0,1242 0,1293 0,1338 0,1365 0,1391 0,1426
IFX 0,1218 0,1231 0,1248 0,1260 0,1265 0,1272 0,1275 0,1280 0,1282
LHA 0,1176 0,1232 0,1327 0,1391 0,1452 0,1492 0,1516 0,1534 0,1556
LIN 0,0726 0,0849 0,0998 0,1142 0,1276 0,1399 0,1504 0,1618 0,1753
MAN 0,1092 0,1282 0,1468 0,1624 0,1784 0,1949 0,2093 0,2216 0,2357
MEO 0,0798 0,0870 0,0981 0,1081 0,1174 0,1254 0,1318 0,1370 0,1422
MUV 0,0366 0,0335 0,0351 0,0383 0,0417 0,0449 0,0476 0,0500 0,0523
RWE 0,0630 0,0637 0,0698 0,0768 0,0819 0,0849 0,0869 0,0884 0,0902
SAP 0,0330 0,0311 0,0324 0,0353 0,0388 0,0419 0,0449 0,0473 0,0498
SCH 0,0528 0,0547 0,0604 0,0668 0,0729 0,0781 0,0821 0,0848 0,0878
SIE 0,0384 0,0346 0,0348 0,0369 0,0393 0,0414 0,0430 0,0445 0,0453
TKA 0,1174 0,1253 0,1375 0,1450 0,1513 0,1585 0,1612 0,1636 0,1661
TUI 0,1199 0,1283 0,1386 0,1464 0,1522 0,1578 0,1609 0,1619 0,1654
VOW 0,0504 0,0489 0,0529 0,0596 0,0658 0,0705 0,0738 0,0768 0,0796
Durch-
0,0709 0,0735 0,0796 0,0857 0,0914 0,0957 0,0995 0,1023 0,1057
schnitt
Tabelle 4-7: Durchschnittliche Steigung der Briefseite in 2003 in Prozent

Für einen Vergleich der Aktien untereinander wird die durchschnittliche prozentuale
Differenz verwendet, die sich aus den neun Werten der Geldseite und den neun Wer-
ten der Briefseite ergibt. Dieser Durchschnitt ist für MAN am größten. Bei diesem
Papier liegt im Schnitt über diese 18 Werte eine Differenz von 0,17% vor. Den gering-
sten Wert hierfür weist Münchner Rück auf, die über alle Werte betrachtet lediglich
jeweils eine Differenz von 0,04% aufweist. Bei dieser Analyse werden jeweils nur die
Kursdifferenzen betrachtet, die Volumina werden nicht berücksichtigt.
Die Aggregation der Steigungen aller 28 Einzelaktien zu einer grafischen Darstellung

verdeutlicht Abbildung 4-4. Dort wird für die Geldseite und die Briefseite die durch-
schnittliche Steigung aufgezeigt. Weiterhin wird die Steigung für eine illiquide und
eine liquide Gruppe dargestellt.
Allianz, Deutsche Bank, Daimler Chrysler, Deutsche Telekom, Münchener Rück und
Siemens sind die mit Abstand liquidesten Werte. Die grafische Darstellung der pro-
zentualen Differenzen zwischen den benachbarten Geboten weisen sehr geringe Werte
auf. Die illiquiden Werte Adidas, Fresenius Medical Care, Henkel, Linde und MAN
weisen für die gesamte Orderbuchtiefe eine relativ hohe Steigung auf. Diese Ergeb-
nisse können so interpretiert werden, dass insbesondere für die Titel der liquiden
Papiere eine Aversion besteht, dort Limits direkt auf die erste Orderbuchstelle zu pla-
zieren. Hingegen weisen die Gebote tiefer im Orderbuch eine sehr niedrige Steigung
auf.
0,15
0,13
0,11
Prozentuale Differenz
0,09
0,07
0,05
Illiquides Kluster
Durchschnitt aller 28 Titel
Liquides Kluster
0,03
9 - 10 8-9 7-8 6-7 5-6 4-5 3-4 2-3 1- 2 2-1 3-2 4-3 5-4 6-5 7-6 8-7 9-8 10 - 9
Benachbarte Geldgebote Benachbarte Briefgebote
Abbildung 4-4: Prozentualer Zuwachs der Steigung des Orderbuchs zwischen

benachbarten Geboten in 2003
Um auf das Ziel der vorliegenden Arbeit zu fokussieren, wird eine weiterführende
Analyse der Eigenschaften des Orderbuchs bezüglich Marktbreite und Markttiefe im
Kapitel 4.8 vorgenommen. Dort kann ein weiterer Mehrwert für die Interpretation und
den Vergleich mit den Ergebnissen der Erholungsfähigkeit erzielt werden.
Im aktuellen Unterkapitel erfolgte bereits eine Thematisierung des potenziellen Ein-
flusses, der aus am Markt beobachtbaren Blocktransaktionen entsteht. Um die bis hier-
her beschriebenen Ergebnisse im späteren Verlauf bei der Beurteilung der Resultate
der Erholungsfähigkeit weitreichender interpretieren zu können, schließt sich eine
kurze Vorstellung der Aspekte des institutionellen Handels im Xetra an. Dabei wird
dargestellt, welches die Handelsregeln und Mechanismen sind, die im Xetra für große
Transaktionen oder außerordentliche Kursveränderungen greifen.
4.4 Institutionelle Aspekte des Xetra-Handelssystems

Im täglichen Handel wird die Liquidität maßgeblich durch die Konfiguration des
Handelssystems determiniert. Um die daraus resultierenden Einflüsse auf die Erho-
lungsfähigkeit berücksichtigen zu können, werden der Fortlaufende Handel und das

Auktionsprinzip des Xetra mit seinen Besonderheiten beschrieben.342
Der Wertpapierhandel im Xetra wird in die Vor-, Haupt-, Nachhandels- und Auktions-
phase unterteilt. In der Vorhandelsphase können zur Vorbereitung des Handels, Orders
eingegeben und bestehende Aufträge gelöscht oder geändert werden. Das Orderbuch
ist noch geschlossen. Es können keine Transaktionen getätigt werden.
Es schließt sich die Haupthandelsphase an. Sie startet mit einer Eröffnungsauktion, die
sich in die Aufruf-, Preisermittlungs- und Marktausgleichsphase unterteilt. In der Auf-
rufphase können Orders eingegeben, geändert oder gelöscht werden. Das Orderbuch
ist teilweise geschlossen. Falls sich eine ausführbare Orderbuchlage ergibt wird ein
nach dem Meistausführungsprinzip343 ermittelter indikativer Auktionspreis angezeigt,
der sich bei Veränderungen des Orderbuchs anpasst. Ziel der Aufrufphase ist es, für
die Eröffnungsauktion einen Preis zu finden, bei dem alle ausführbaren Orders so aus-
geführt werden, dass kein „gekreuztes Orderbuch”, d.h. keine preisliche Überschnei-
dung der Geld-Briefangebote vorliegt und der Fortlaufende Handel beginnen kann.
Sollte kein handelbarer Preis resultieren, wird nur der beste Geld- und Briefkurs ver-
öffentlicht. Eine Verlängerung der Aufrufphase wird – unabhängig von der Höhe des
indikativen Auktionspreises – auch ausgelöst, falls die Ausführung von allen oder von
einem Teil der Market Order am Ende dieser Phase nicht möglich ist. Durch die so
genannte Market-Order-Unterbrechung soll die Ausführung aller unlimitierten Orders
in der Auktion sichergestellt werden. Die Aufrufphase endet, wenn aufgrund einer
veränderten Orderbuchsituation alle Market Orders ausführbar sind oder die zeitlich
begrenzte Verlängerung des Aufrufs abgelaufen ist.344 In der anschließenden Preiser-
mittlungsphase können keine Eingaben oder Änderungen mehr erfolgen und es wird
gemäß dem Meistausführungsprinzip ein Kurs festgesetzt. Hierfür gilt Preispriorität.
Die Gebote mit den höchsten Kauflimits werden zuerst gegen die Gebote mit den
niedrigsten Verkaufslimits ausgeführt. Bei gleichen Limits werden die Gebote zusätz-
lich nach der Zeitpriorität sortiert. Damit kommt maximal eine Order zu einer Teilaus-
führung. Ein verbleibender Überhang nimmt gemäß der Handelsbeschränkung des
Limits an der nächsten Auktion oder am Fortlaufenden Handel teil.
Um den Handelsteilnehmern potenzielle, extreme Preissprünge zu signalisieren, er-
folgt in der Eröffnungsauktion ggf. eine Volatilitätsunterbrechung.345 Dies geschieht,
342
Die Beschreibungen des Xetra beziehen sich auf das Release 7.1.
343
Vgl. BRAUE / HILLE (1997), S. 145. Der nach dem Meistausführungsprinzip ermittelte
Auktionspreis setzt das größte Ordervolumen um und hinterlässt den niedrigsten Überhang an
limitierten, nicht ausgeführten Orders.
344
Vgl. BRAUE / HILLE (1997), S. 145, Fußnote 16.
345
Vgl. Deutsche Börse AG (1999), S. 35.
wenn am Ende der Aufrufphase der indikative Auktionspreis346 außerhalb des von der
Deutschen Börse vordefinierten, aber nicht veröffentlichten Preiskorridors347 um den
Referenzpreis348 liegt. Durch die Volatilitätsunterbrechung wird die Aufrufphase ver-
längert, um den Handelsteilnehmern die Möglichkeit zu geben, neue Orders einzuge-
ben, sowie bestehende zu verändern oder zu löschen.349
An die Eröffnungsauktion schließt sich für die Werte des DAX der Fortlaufende Han-
del mit einer Tick Size von einem Euro Cent an, der regulär durch eine Mittagsauktion
gegen 13:00 Uhr unterbrochen wird. Im Fortlaufenden Handel kann es zu einer Volati-
litätsunterbrechung kommen, wenn der potenzielle Ausführungspreis einer Order
außerhalb des dynamischen und/oder statischen Preiskorridors, bezogen auf den jewei-
ligen Referenzpreis, liegt.350 Dadurch werden unlimitierte Aufträge geschützt, so dass
die Umsetzung nur erfolgt, falls der potenzielle Ausführungskurs innerhalb des vorde-
finierten Preiskorridors (Market Order Matching Range) um den Referenzpreis liegt.351
346
Vgl. Deutsche Börse (1999), S. 20: Der indikative Auktionspreis ist für ausführbare, sich
gegenüberstehende Orders der Preis, zu dem eine Ausführung der vorliegenden Orders erfolgt,
falls die Aufrufphase zum Zeitpunkt der Ermittlung des indikativen Preises beendet wird.
347
Vgl. SBF Bourse de Paris, S. 8. Die unbekannten dynamischen und statischen Preiskorridore
stellen einen Unterschied z.B. zum CAC40 dar. Dort gilt für die liquidesten Titel eine maximale
Kursveränderung von 10% zum Handelsstart und maximal 5% im Handelsverlauf.
348
Vgl. Deutsche Börse AG (1999), S. 39: Der Referenzpreis des dynamischen Preiskorridors ist der
zuletzt in Xetra gehandelte Preis. Der Referenzpreis für den statischen Preiskorridor ist der zuletzt
in Xetra festgestellte Auktionspreis.
349
Vgl. BRAUE / HILLE (1997), S. 143.
350
Vgl. BRAUE / HILLE (1997), S. 144.
351
Vgl. BRAUE / HILLE (1997), S. 145, Fußnote 17.
Preis Potenzieller
Dynamischer
Preiskorridor
Referenzpreis 1 Preis
(letzter Preis)
Preiskorridor
Statischer
Referenz-
preis 2
(letzter
Auktionspreis)
Zeit
Abbildung 4-5: Dynamischer und statischer Preiskorridor352
Der Handel wird unterbrochen und es findet eine Volatilitätsauktion statt. Falls es zu
keiner Preisermittlung kommt, wird nach Ablauf der Auktionsdauer der kontinuier-
liche Handel wieder regulär aufgenommen. Die Transaktionsmöglichkeit im Xetra
endete in 2003 zunächst um 20:00 Uhr und ab dem 3. November um 17:30 Uhr mit
der Schlussauktion. In der anschließenden Nachhandelsphase ist kein Handel mehr
möglich. Während dieser können nur noch bereits erteilte Aufträge modifiziert oder
gestrichen sowie neue erteilt werden. Dabei ist die Lage des Orderbuchs nicht ersich-
tlich.
Bezüglich der Ausführungsbeschränkungen existieren im Fortlaufenden Handel fünf
Variationen:
x Aufträge ohne Ausführungsbeschränkung,
x Immediate or Cancel-Orders, deren Umsetzung sofort und vollständig oder soweit
wie möglich erfolgt, wobei der nicht ausgeführte Teil gelöscht wird,
x Fill or Kill-Orders, die sofort und vollständig oder gar nicht umgesetzt werden,
x Stop Market-Orders, die nach dem Erreichen eines Stop-Limits dazu führen, dass
automatisch eine Market Order in das Orderbuch eingestellt wird und
x für Stop Limit-Orders resultiert nach einer Transaktion am Markt in Höhe des
Stop-Limits, dass dann automatisch eine Limit-Order in das Orderbuch eingestellt
wird.
Nach der Gültigkeitsbeschränkung kann in Auktionen und im Fortlaufenden Handel
zwischen den Bedingungen Good for Day, Good till Date und Good till Cancelled ge-
wählt werden. Dabei beträgt die maximale Gültigkeit 1 Jahr ab Eingabezeitpunkt.
352
Vgl. Deutsche Börse (1999), Xetra Information, Handel/Trading, S. 30 für diese Abbildung der
Preiskorridore im Fortlaufenden Handel.
Bei den Handelsbeschränkungen existieren die Bedingungen Opening Auction only,

Auction only, Closing Auction only oder Accept Surplus (Eingabe nur während der
Marktausgleichsphase möglich, um den nach einer Auktion verbliebenen Überhang
nachträglich auszuführen, d.h. die unlimitierten oder die zum Auktionspreis limitierten
aber nicht ausgeführten Aufträge zu handeln).
Im Xetra besteht die Möglichkeit, Aufträge vom Typ Iceberg-Order einzugeben.
Damit kann der Investor verhindern, dass sich für eine sehr große eingestellte Order,
die im offenen Orderbuch für alle Marktteilnehmer ersichtlich wäre, eventuell kurzfri-
stig Kursnachteile ergeben könnten. Im Gegenzug erhält ein Marktteilnehmer, dessen
große unlimitierte Order gegen eine Iceberg-Order ausgeführt wird, einen besseren
Ausführungskurs, als wenn er nur die im Limitorderbuch ersichtlichen Aufträge abräu-
men würde. Bei einer Iceberg-Order wird vom Investor lediglich die Spitze quanti-
fiziert, die er im Orderbuch als Teil seiner gesamten Order öffentlich zeigen möchte
(Peakvolumen). Ist dieses Volumen gehandelt, so wird vom verbleibenden Rest wieder
eine Order mit derselben Stückzahl im Orderbuch sichtbar. Diese Stückzahl erhält mit
Erscheinen einen neuen Zeitstempel und eine entsprechende Zeitpriorität. Dies wieder-
holt sich solange, bis der Auftrag komplett abgearbeitet ist. Somit besteht die Möglich-
keit, dass sich im Orderbuch noch „versteckte Liquidität” befindet, obwohl sie im Or-
derbuch nicht vollständig ersichtlich ist. In Verbindung mit der Iceberg-Order steht die
Market to Limit-Order. Bei dieser wird der Auftrag gegen den besten im Orderbuch
befindlichen Kurs ausgeführt. Der verbleibende Teil der Order wird mit dem Ausfüh-
rungspreis als Limit in das Orderbuch gestellt.
Für die DAX-Werte gilt im Xetra eine Mindeststückzahl, die so genannte „lot size“
von einer Aktie für den Fortlaufenden Handel. Dies bedeutet, dass sowohl große Auf-
träge institutioneller Anleger als auch die der privaten Investoren im gleichen Order-
buch erscheinen. Zusätzlich existiert mit Xetra XXL eine Block Crossing- Funktiona-
lität, die in der Praxis bisher aber fast nicht genutzt wird.353 Darüber hinaus besteht im
Xetra auch die Möglichkeit, Direktgeschäfte (OTC Transaktionen) einzugeben. Grö-
ßere Aktienblöcke können über diesen organisierten Suchmarkt gehandelt werden. Die
Preis- und Umsatzdaten werden täglich nach Handelsschluss veröffentlicht. Über das
geschlossene Orderbuch sollen negative Preiseffekte ausgeschlossen werden. Die
Preisbildung erfolgt auf der Mitte der Geld/Briefspanne des Xetra.354 Über das Fenster
OTC Trade Entry können die Teilnehmer außerbörslich abgeschlossene Geschäfte in
353
Vgl. Deutsche Börse AG (2001), S. 6. Beispielsweise wurden am Dienstag, den 7. August 2001
von der Deutschen Bank 44 Mio. Aktien der Deutschen Telekom OTC verkauft. Im XXL gab es
vom 1. Januar bis zum 1.November 2005 keine Transaktion.
354
Xetra eingeben. Der jeweilige Kontrahent muss über das OTC Trade Approval-Fenster
den Abschluss bestätigen.355 Jeder Marktteilnehmer kann im Orderbuch nur seine eige-
nen Orders, die entsprechend mit seinem User ID356 gekennzeichnet sind, sehen. Die
Herkunft der anderen im Orderbuch eingestellten Aufträge ist nicht ersichtlich. Für
diese ist erst nach einer Transaktion über die Schlussnote und in den Abwicklungs-
systemen der Deutsche Börse Clearing AG die Identität des Kontrahenten aufge-
führt.357
Zur Unterstützung der Marktteilnehmer, die sich auf Arbitragegeschäfte358 zwischen
dem DAX und dem DAX-Future konzentrieren, existiert eine Abräumfunktion (Mass
Order Entry). Damit kann ein Xetra-Teilnehmer für eine Vielzahl von Aktien vorher
definieren, von welchen Titeln er gleichzeitig jeweils eine individuelle Stückzahl han-
deln möchte. Dadurch kann sehr effizient eine Arbitrage zwischen beiden Märkten
stattfinden.359
Um den Marktteilnehmern einen möglichst guten Einblick in die Tiefe des Marktes zu
geben, konnten Händler mit einem Xetra-Anschluss im Kalenderjahr 2003 die gesamte
Tiefe des Orderbuchs sehen. Marktteilnehmer mit einem Zugang über Reuters konnten
i.d.R. lediglich die besten 10 Geld- und Briefkurse für jeden Wert sehen.
Aus dieser Ausgestaltung des Xetra folgen einige wichtige Aspekte für den Fortgang
der Untersuchung:
1. Durch die klar definierten Regeln haben die Marktteilnehmer sehr große Aktions-
und Reaktionssicherheit.
2. Die Transparenz für die Untersuchung des offenen Orderbuchs ist sehr gut.
3. Es handelt sich um ein sehr schnelles System, und auch um rasch ausführbare
Funktionalität, wie die Mass Order Entry-Funktion.
Seit 2002 steht den Anlegern als Liquiditätsmaß im Xetra die Kennzahl des Market
Impact zur Verfügung.360 Insbesondere für institutionelle Anleger, deren unlimitierte
355
356
Vgl. Deutsche Börse AG (2001), S.23: Die Teilnehmerkennung (Member ID) wird von der
Deutschen Börse AG zugewiesen, wohingegen die Benutzerkennung (User ID) vom Member den
einzelnen Anwendern zugewiesen wird. Die Benutzergruppe hat die Möglichkeit eines
Überblicks über das gemeinsame, eigene Orderbuch.
357
Vgl. Deutsche Börse AG (2001), S. 11. Die Member ID werden nur bei OTC-Abschlüssen bereits
bei der Handelsbestätigung angezeigt.
358
GERKE (2002), S. 61: „Die Ausgleichsarbitrage nutzt die unterschiedliche Bewertung von ver-
schiedenen Finanzinstrumenten auf verschiedenen Märkten, z.B. zwischen Kassa- und Futures-
markt, aus. Die Differenzarbitrage basiert auf die zeitgleichen Kursunterschiede eines Finanz-
instrumentes auf verschiedenen Märkten.“
359
Vgl. STEINER / BRUNS (2002): S. 383 ff.
360
Vgl. GOMBER / SCHWEICKERT (2002) für eine detaillierte Darstellung des Market Impacts.
Orders zumeist nicht nur das beste Gebot abräumen, sondern auch noch weiter im
Buch liegende Limits benötigen, ist diese Kennzahl aufschlussreich. Diese wird für ein
gegebenes Euro-Transaktionsvolumen in Basispunkten berechnet, indem für den In-
vestor der Performance-Nachteil errechnet wird, der ihm für dieses Volumen durch
einen Auf- und Abbau der Position entsteht. Die entstehenden Kosten werden für alle
Transaktionen vom Mid-Quote bis zu den jeweiligen Limits ermittelt und summiert.
Diese Kennzahl verdeutlicht die Breite und Tiefe des Marktes.361
4.5 Vergleich der Steigung mit einem optionsbewerteten Orderbuch

Nach der Darstellung der Markttiefe anhand der traditionellen Steigungen des Order-
buchs in Kapitel 4.3.3 und dem Exkurs in Kapitel 4.4, der darauf eingeht, welche
Xetra-Ausgestaltungsmerkmale das Orderbuch beeinflussen, erfolgt im aktuellen
Unterkapitel die grafische Darstellung des Orderbuchs anhand der Optionswerte. Die
theoretischen Grundlagen für dieses Vorgehen wurden bereits in Kapitel 3.2.7 einge-
führt. Für den vorliegenden Datensatz folgt eine grafische Darstellung der Options-
werte des Orderbuchs für die Gesamtheit der Titel und für Einzelwerte. Damit werden
die Vorteile herausgearbeitet, die diese vorgeschlagene, neue Visualisierungsmöglich-
keit mit sich bringt.
Für die Berechnung der Optionswerte werden die Ergebnisse aus der Diskussion im
Kapitels 3.2.6 verwendet. Die Berechnung der Optionswerte für alle Datensätze des
Jahres 2003 erfolgte durch das Regionale Rechenzentrum Erlangen. Für die ca. 106
Mio. Datensätze wurde eine Rechnerleistung von ca. 26.000 Pentium-CPU Stunden
beansprucht. Die dargestellten Optionswerte resultieren dabei aus dem Durchschnitt
über die Summe aller Einzeloptionswerte, die mit jeder Veränderung des Orderbuchs
aus dem Modell von Black-Scholes resultieren. Eine zeitliche Gewichtung wird nicht
vorgenommen, da es zu keinen „stale“-Orderbuchsituationen kommt. Der kleinste
Durchschnitt an Orderbuchveränderungen in 2003 findet sich mit ca. 1,9 Mio. Verän-
derungen bei TUI. Dies bedeutet einen Minutendurchschnitt von ca. 12 Veränderun-
gen des Orderbuchs und daraus resultierenden ca. 2 Transaktionen (vgl. Tabelle 4-2).
Die grafische Darstellung der kummulierten durchschnittlichen Optionswerte im Ver-
lauf des Jahres 2003 für alle 28 analysierten Aktien gibt Abbildung 4-6 wieder.
361
Vgl. GOMBER / SCHWEICKERT (2002), S. 4.
2.000
DTE
ALV
1.800 MUV
SIE
SAP
1.600 DBK
IFX
BAY
1.400 DCX
Optionswerte in Euro (OV)
EON
BASF
1.200 HVM
VOW
CBK
1.000
BMW
RWE
MEO
800
SCH
TKA
600 ALT
LHA
TUI
400 ADS
DPW
LIN
200 MAN
FME
HNK
0
OV10
OV9
OV8
OV7
OV6
OV5
OV4
OV3
OV2
OV1
OV1
OV2
OV3
OV4
OV5
OV6
OV7
OV8
OV9
OV10
Benachbarte Geldgebote Benachbarte Briefgebote
Legendensortierung nach Briefgebot OV10
Abbildung 4-6: Durchschnittliche Optionswerte der Gebote aller 28 untersuchten

DAX-Werte im Jahresverlauf 2003
Die X-Achse führt die jeweilige Stelle im Orderbuch auf, gekennzeichnet als OV1
(Option Value 1) bis OV10 (Option Value 10). Die Y-Achse gibt die kumulierten
Optionswerte jeder Orderbuchseite an. Startpunkt für die Summierung ist jeweils das
beste Gebot. Der höchste additive Wert ergibt sich jeweils für das zehnte Gebot. An-
hand dieser Darstellung wird deutlich:
1. Je tiefer die Gebote im Orderbuch liegen, desto niedriger ist ihr Grenzbeitrag für
die Optionswerte und somit die Liquidität.
2. Hohe Volumina, die nicht an die Spitze des Orderbuchs, sondern tiefer gesetzt
werden, weisen für den angebotenen Optionswert eine abnehmende Grenzrate der
Steigung auf
3. 27 der beobachteten 28 Titel weisen eine überwiegend konvex verlaufende Wöl-
bung auf. In Einzelfällen nähert sich diese einer Geraden an (E.ON), die in der
grafischen Darstellung einen 90° Winkel bildet.
Die optionsbewertete Einzeltitelanalyse ist nur bei Infineon (IFX) auffällig und in der
Abbildung 4-6 mit Rhomben hervorgehoben. Dieser Titel weist bei den besten Geld-
und Briefgeboten hohe Zuwachsraten auf, die tiefer im Orderbuch gegen null tendie-
ren. Dies bedeutet, dass die aggressiv limitierten Aufträge hohe Optionswerte darstel-
len und die Limits tiefer im Buch praktisch ohne zusätzlichem Optionswert sind. Die
Unterschiede der optionsbewerteten Darstellung des Orderbuchs im Vergleich zur tra-

ditionellen Visualisierung des Orderbuchs werden in Abbildung 4-7 deutlich.
1,6 MAN
TUI
TKA
1,4 LHA
CBK
HVM
1,2 IFX
LIN
DPW
MEO
Prozentuale Steigung
1,0
FME
DTE
ALT
0,8
BAY
RWE
HNK
0,6
BMW
SCH
VOW
0,4
ADS
DCX
BASF
0,2
EON
DBK
MUV
0,0
SIE
1-2 2-3 3-4 4-5 5-6 6- 7 7-8 8-9 9 - 10 2-1 3-2 4-3 5-4 6-5 7-6 8-7 9-8 10 - 9
SAP
Benachbarte Geldgebote Benachbarte Briefgebote ALV
Legendensortierung nach Briefgebot 10 - Briefgebot 9
Abbildung 4-7: Durchschnittlicher prozentualer Spread zwischen den

benachbarten Geboten aller 28 untersuchten DAX-Werte im Jahresverlauf 2003
Die X-Achse gibt an, zwischen welchen benachbarten Geboten die Steigung berechnet
wird. Die Y-Achse spiegelt den durchschnittlichen prozentualen Aufschlag wider, der
zwischen den beiden Geboten entsteht.
Aus dem Vergleich resultiert:
1. Zumeist gilt: Je tiefer die Gebote im Orderbuch liegen, desto höher ist die
prozentuale Steigung zwischen den Geboten. Für einige Titel verläuft diese Stei-
gung fast linear. Dadurch wird für diese unabhängig von der Stelle im Orderbuch
ein annähernd identischer Liquiditätsbeitrag der limitierten Orders signalisiert.
2. Alle 28 beobachteten Titel weisen einen monoton wachsenden, konvexen
Funktionsverlauf auf.
Eine Ausnahme stellt Infineon dar. Bei der Darstellung der Steigung erscheint diese
Aktie im Mittelfeld. Es gilt annähernd ein linearer Verlauf der Steigung. Bei der Visu-
alisierung anhand der kumulierten Optionswerte zeigt sich eine extreme Verflachung.
Dies bedeutet, dass die Limits tiefer im Orderbuch fast keine Optionswerte mehr auf-
weisen und somit kaum mehr einen Liquiditätsbeitrag leisten. Für einen weiteren Ver-
gleich auf Basis der einzelnen Aktien wird die klassische Darstellung der Steigung von
GLOSTEN (1994) verglichen mit der optionsbewerteten Steigung. Dafür werden in
Anlehnung an die Datencharakterisierung in Kapitel 4.3 zwei Gruppen herangezogen.

Die Menge der liquiden Aktien umfasst Allianz, Deutsche Bank, Daimler Chrysler,
Deutsche Telekom, Münchener Rück und Siemens. Die illiquide Gruppe beinhaltet
Adidas, Fresenius Medical Care, Henkel, Linde und MAN.
1,6 1.800
1.600
1,4
1.400
1,2
MAN 1.200
Optionswert in Eur
o
1,0 LIN
FME ADS
1.000
Spread in %
LIN
HNK
0,8 MAN
ADS
800 FME
0,6 HNK
600
0,4
400
0,2
200
0,0 0
1-2 2-3 3-4 4- 5 5-6 6- 7 7- 8 8 - 9 9 - 10 2-1 3-2 4-3 5- 4 6- 5 7- 6 8-7 9 - 8 10 - 9 OV10 OV9 OV8 OV7 OV6 OV5 OV4 OV3 OV2 OV1 OV1 OV2 OV3 OV4 OV5 OV6 OV7 OV8 OV9 OV10
Benachbarte Geldgebote Benachbarte Briefgebote Benachbarte Geldgebote Benachbarte Briefgebote
Legendensortierung nach Briefgebot 10 - Briefgebot 9 Legendensortierung nach Briefgebot OV10
Abbildung 4-8: Illiquide Werte: Traditionelle Darstellung der Steigung des

Orderbuchs nach GLOSTEN (1994) (linke Abbildung) im Vergleich mit der
Visualisierung des optionsbewerteten Orderbuchs (rechte Abbildung)
Die Menge der liquiden Aktien umfasst Allianz, Deutsche Bank, Daimler Chrysler,
Deutsche Telekom, Münchener Rück und Siemens.
1,6 1.800
1.600
1,4
1.400
1,2
DTE
1.200
DCX DTE
1,0
DBK ALV
Optionswert in Euro
Spread in %
MUV 1.000
MUV
0,8 SIE SIE
ALV 800 DBK
0,6 DCX
600
0,4
400
0,2 200
0,0 0
1-2 2-3 3- 4 4-5 5-6 6- 7 7-8 8 - 9 9 - 10 2-1 3-2 4-3 5-4 6-5 7-6 8-7 9 - 8 10 - 9 OV10 OV9 OV8 OV7 OV6 OV5 OV4 OV3 OV2 OV1 OV1 OV2 OV3 OV4 OV5 OV6 OV7 OV8 OV9 OV10
Benachbarte Geldgebote Benachbarte Briefgebote Benachbarte Geldgebote Benachbarte Briefgebote

Legendensortierung nach Briefgebot 10 - Briefgebot 9 Legendensortierung nach Briefgebot OV10
Abbildung 4-9: Liquide Werte: Traditionelle Darstellung der Steigung des

Orderbuchs nach GLOSTEN (1994) (linke Abbildung) im Vergleich mit der
Visualisierung des optionsbewerteten Orderbuchs (rechte Abbildung)
Das aktuelle Kapitel hat das Ziel, die Vorteile einer neuen grafischen Darstellung auf-
zuzeigen. Um dies zu erreichen, wird bei den folgenden Abbildungen sowohl für die
Gruppe der liquiden als auch für die illiquiden Titel eine annähernd gleiche Skalierung
der Y-Achse für die Ausprägung der visualisierten Liquidität verwendet.
Aus diesem Vergleich wird der Unterschied in den beiden Möglichkeiten der Darstel-
lung des Orderbuchs offensichtlich. Bei der Steigung nach GLOSTEN (1994) in den
linken Abbildungen, kommt es für Deutsche Telekom (liquide Gruppe) zu einem Kur-
venverlauf, der oberhalb der Kurve von Adidas (illiquide Gruppe) verläuft. Dies be-
deutet, dass die Liquidität der Deutschen Telekom, gemessen als Steigung des Order-
buchs, niedriger ist als die für Adidas. In der Abbildung der Deutschen Telekom mit
Optionswerten ist diese Aktie diejenige mit der höchsten Liquidität aller 28 Werte. Bei
den zwei rechten Darstellungen auf Basis der Optionswerte sind diese beiden Gruppen
der liquiden und der illiquiden Aktien deutlich verschieden. Hierbei weist Adidas
entlang der gesamten X-Achse nur ca. 7,9% bis maximal 10,1% von dem mit
Optionswerten gerechneten Liquiditätsbeitrag der Deutschen Telekom auf.
Als Ergebnis kann zusammengefasst werden, dass die grafische Darstellung des
Orderbuchs durch die Optionsbewertung der limitierten Orders im Vergleich zu der
Darstellungsweise der Steigungen des Orderbuchs von GLOSTEN (1994) einen
besseren Einblick in die Liquiditätslage liefert. Liquide und illiquide Aktien können
dabei deutlicher unterschieden werden. Damit kann diese Technik der grafischen Ver-
anschaulichung auch besser den Liquiditätsunterschied zwischen liquiden und
illiquiden Aktien abbilden. Somit kommt diese Darstellung den praktischen Be-
obachtungen im Handel mit den DAX-Titeln näher als die Steigungen des Orderbuchs.
Bei dieser Visualisierung der Orderbuchtiefe mit Hilfe der Optionswerte handelt es
sich um einen Zwischenschritt in der Modellierung der Erholungsfähigkeit. Im folgen-
den Kapitel wird die Konzentration auf das Modell der Erholungsfähigkeit fortgeführt.
Es werden die Parameter, die modelliert wurden auf den Datensatz angewendet. Diese
werden überprüft, ob sie, so wie im theoretischen Modell vorgeschlagen, genutzt
werden können, oder ob die Modellparameter individuell optimiert werden müssen.
4.6 Test der Modellparameter der Erholungsfähigkeit

Es existieren drei zentrale Parameter in dem in Kapitel 3 entwickelten Modell der
Erholungsfähigkeit:
x Die Volatilität (Kapitel 3.2).
x Die Definition des Status eines Gleichgewichts (Kapitel 3.3).
x Die Bestimmung des Zeitintervalls für das Vorliegen eines Gleichgewichts als
auch einer außerordentlichen Kursbewegung (Kapitel 3.4).
Aufgrund des dominierenden Einflusses dieser Parameter auf die Resultate des
Modells der Erholungsfähigkeit werden sie einzeln überprüft. Es erfolgt an dieser
Stelle eine Überprüfung der Parameter, ob diese, so wie sie ursprünglich in dem
Modell implementiert sind, mit den vorliegenden Daten als sinnvoll bezeichnet werden
können. Falls nötig, können Anpassungen bei der Ausprägung der Variablen erfolgen,
wenn dadurch der Charakter des Modells nicht modifiziert wird.
4.6.1 Sensitivitätsanalyse: Bestimmung der außerordentlichen Volatilität

Im Modell der Erholungsfähigkeit werden zwei unterschiedliche Volatilitäten berech-
net. An der ersten Stelle steht die Volatilität für die Berechnung der Optionswerte mit
ihrem bereits in Kapitel 3.2.5 diskutierten Einfluss. Im angewandten Modell von
Black-Scholes wird hierfür eine Volatilitätsschätzung auf Basis der Schlusskurse der
letzten 30 Tage herangezogen. Zudem stellt sich im folgenden Abschnitt die Frage,
welche Höhe der Volatilität als Filter genutzt wird, damit bei deren Überschreitung
durch einen Kursausschlag von einer außerordentlichen Bewegung vorliegt.
Im Modell der Erholungsfähigkeit wurde die Annahme getroffen, dass eine außeror-
dentliche Kursbewegung vorliegt, wenn sich innerhalb eines Zeitintervalls von 15
Minuten eine Veränderung von mehr als einem Sigma362 ergibt. Im Rahmen eines
Tests wird zunächst überprüft, ob die Höhe von einem Sigma im Modell praxis-
tauglich definiert ist. Es wird berechnet, wie viele Ereignisse durch diesen Rendite-
filter erzeugt werden.363 Die gemessenen Renditen und die Art der Berechnung des
Sigma stellen wichtige Einflussgrößen dar. Eine alternierende Kursbewegung zwi-
schen Geld- und Briefkurs hat einen messbaren Einfluss auf diese Kennzahlen. Er wird
für die gemessene Rendite (ri,t) dadurch verringert, dass für Transaktionen mit dem
jeweiligen Mittelwert der Geld-Brief-Spanne, die logarithmierte Rendite, berechnet
wird:364
mi ,t
ri ,t log( ) (4.4)
mi ,t 1
mi,t = Mittelwert der Geld-Brief-Spanne für die Aktie i zum Zeitpunkt t
Die Berechnung der Volatilität für dieses kurzfristige Intervall von 15 Minuten muss
berücksichtigen, dass es mit den vorliegenden Daten nicht möglich ist, für einen Zeit-
raum von 15 Minuten eine Volatilität mit äquidistanten Transaktionspreisen zu berech-
nen. Die Daten sind jeweils zum Zeitpunkt von Transaktionen oder Veränderungen
von Geboten erfasst. Diese liegen nicht äquidistant vor. Gleich Zeitabstände könnten
nur erreicht werden, wenn in den Phasen ohne Umsätze jeweils pro Sekunde eine Ren-
362
Sigma steht in der vorliegenden Arbeit für die 15-minütige Volatilität, gemessen innerhalb von 15
Minuten, die auf Jahresbasis hoch skaliert ist.
363
Vgl. Tabelle 4-2.
364
Vgl. KEMPF / KORN (1997) für dieses Vorgehen.
dite von null berechnet würde.365 Dies müsste für alle 28 beobachteten Titel für das
gesamte Jahr 2003 für jede Handelssekunde erfolgen. Damit würden derart große
Datenbanken entstehen, dass diese für die weiteren Anwendungen und Berechnungen
praktisch nicht mehr nutzbar wären. Eine optimal wünschenswerte Berechnung der
integrierten Volatilität, wie sie in Kapitel 2.5.6.3.2. bei der Diskussion der realisierten
Volatilitätsschätzer vorgestellt wurde und z.B. von ANDERSEN / BOLLERSLEV /
DIEBOLD / LAYBS (1999) verwendet wurde, ist somit aufgrund der schon bestehen-
den Größe des Datensatzes nicht realisierbar. Die 15-minütige Volatilität für den Zeit-
raum von 15 Minuten wird mit Transaktionsrenditen wie folgt berechnet:
2
¦ (ln P )
i
2
V 15 Minuten
i
* n (4.5)
n 1
Pi = Rendite der Transaktionskurse, bezogen auf den Midquote
n = Anzahl der berechneten Renditen innerhalb von 15 Minuten
Diese stellt eine 15-minütige Volatilität, gemessen während 15 Minuten dar, die auf
Jahresbasis hoch skaliert wird. Dabei werden für die in 2003 erfassten 2.634,5
Handelsstunden jeweils vier 15-minütige Intervalle berücksichtigt:
2
V Jahr 2.634,5 * 4 (4.6)
Die Überprüfung, wie viele außerordentliche Kursbewegungen in Abhängigkeit der

Höhe des Sigma resultieren, wird lediglich für eine kleine Auswahl an Aktien vorge-
nommen. Für die Berechnung der Anzahl der außerordentlichen Kursbewegungen
wird pro Aktie für das Kalenderjahr 2003 eine Rechnerkapazität von durchschnittlich
ca. 12 CPU Stunden mit 2,33 GHz benötigt. Aufgrund dieser für 28 Titel mit jeweils
drei unterschiedliche Niveaus des Sigma hohen Berechnungszeit von ca. 1.008 Stun-
den bzw. ca. 42 Tagen erfolgt dieser Test exemplarisch für drei Aktien und drei ver-
schiedene Sigma-Niveaus des Ereignisfilters, womit für ca. 108 Stunden bzw. ca. 4,5
Tage Berechnungen erfolgen.
Die verwendeten Aktien sind Siemens, als der Titel mit der höchsten Liquidität im
Sinne von Transaktionen, die HypoVereinsbank, die sich bezüglich dieses Kriteriums
im Mittelfeld befindet, und MAN, die den Titel mit den geringsten Geschäftsabschlüs-
sen in 2003 darstellt. Dabei hat Siemens den höchsten Wert mit ca. 69,14 Mio. Rendi-
ten, MAN den niedrigsten mit ca. 3,59 Mio. Der Median der Anzahl der Renditen liegt
365
Vgl. WOOD / MC INISH / ORD (1992) S.724 für diese Vorgehen der Berechnung der Rendite
von null Prozent für Nichthandelsphasen.
bei ca. 13,27 Mio: Diesem kommt HypoVereinsbank mit ca. 12,62 Mio. Renditen
nahe, womit diese Aktie als repräsentativ für die Gruppe der Titel mit mittleren
Umsätzen erachtet wird.
Anzahl Anteil an Anzahl Anteil an Anzahl bei Anteil an
bei allen 15- bei allen 15- 3 Sigma allen 15-
1 Sigma minütigen 2 Sigma minütigen minütigen
Intervallen Intervallen Intervallen
(10.538) (10.538) (10.538)
SIE 5.904 56,0% 1.339 12,7% 292 2,8%
HVM 6.075 57,6% 1.714 16,3% 528 5,0%
MAN 6.635 63,0% 2.824 26,8% 1.222 11,6%
Tabelle 4-8: Anzahl der außerordentlichen Kursbewegungen

in Abhängigkeit des Ereignisfilters Sigma
Bei den aufgezeichneten 2.634,5 Handelsstunden in 2003 ergeben sich 10.538 mögli-
che Intervalle mit einer Länge von 15 Minuten. Bei Siemens sind, bei einer Schwelle
von einem Sigma als Filter für das Vorliegen einer außerordentlichen Bewegung,
5.904 Beobachtungen feststellbar. Dies entspricht ca. 56% der möglichen 15-
minütigen Intervalle. Bei der Nutzung von zwei Sigma als Filter existieren 1.339
außerordentliche Bewegungen, und mit drei Sigma als Ereignisfilter würde für
Siemens in ca. 2,8% der Beobachtungen eine außerordentliche Kursbewegung vorlie-
gen. Bei der Analyse der ausgewählten Repräsentanten für Aktien mit mittlerer und
geringer Liquidität kann ein ähnliches Muster festgestellt werden. Insgesamt resultiert
bei dem kleinsten Filter von einem Sigma, so wie er im Modell vorgeschlagen ist, in
56% bis 63% der gesamten Handelszeit eine außerordentliche Kursbewegung. Die
Verwendung von einem Sigma als Filter ist demnach keine zweckmäßige Vorgehens-
weise, weil dadurch zu viele außerordentliche Kursausschläge erfasst würden. Beim
größten Ereignisfilter, bei dem Wert von drei Sigma, entsteht für die drei analysierten
Aktien in 2,8% bis 11,6% der Handelszeit eine auffällige Entwicklung des Aktien-
kurses. Bezogen auf Siemens würde dies bedeuten, dass aus den 292 Beobachtungen,
bezogen auf 252,5 Handelstage pro Tag, durchschnittlich 1,2 außerordentliche Kursbe-
wegungen auftreten. Dieser Filter liefert für liquide Aktien eine so geringe Anzahl an
Ergebnissen, dass nicht mehr davon ausgegangen werden kann, dass diese für die
Beurteilung einer innertäglichen Eigenschaft des Marktes verwendet werden können.
Bei der Diskussion der Vor- und Nachteile der genannten Filter bleibt festzuhalten,
dass sich die Anwendung eines Filters von zwei Sigma am besten eignet, um außeror-
dentliche Kursbewegungen zu analysieren.
Im Folgenden wird für das Modell aufgrund dieser Diskussion für die kurzfristige
Volatilität zur Berechnung des Gleichgewichts und einer außerordentlichen Kursbewe-
gung für die folgenden Untersuchungen eine Parametereinstellung von zwei Sigma
verwendet.
4.6.2 Sensitivitätsanalyse: Bestimmung eines Gleichgewichts

Für die Überprüfung der Modellierung eines Gleichgewichts werden zwei Vorgehens-
weisen beschritten. Zuerst wird eine Sensitivitätsanalyse bezüglich der Einstellung der
Parameter für die Spannung durchgeführt. Dann folgt ein separater Vergleich der
Anzahl an Gleichgewichten, die aus der Anwendung der Spannung resultieren, mit
denen, die sich bei der Nutzung des XLM-Maßes ergeben.
4.6.2.1 Gleichgewichte anhand der Spannung und der Kursbewegung

Im entwickelten Modell der Erholungsfähigkeit erfordert ein vollständiges Gleichge-
wicht, dass der Kursverlauf innerhalb der Schwankungsbreite von einem Sigma ver-
läuft und dass sich die Spannung innerhalb der Grenzen von null bis zwei befindet. Es
stellt sich in der folgenden Sensitivitätsbetrachtung die Überlegung, welcher Wert der
Spannung sinnvoll ist, um von einem Marktgleichgewicht zu sprechen. Dafür werden
für die Spannung drei Bandbreiten überprüft. Diese reichen jeweils von null bis eins,
null bis zwei oder von null bis drei.
Gleichgewicht für eine Gleichgewicht für eine Gleichgewicht für eine
Spannung zwischen 0 und 1 Spannung zwischen 0 und 2 Spannung zwischen 0 und 3
Gleichgewicht Gleichgewicht Gleichgewicht Gleichgewicht Gleichgewicht Gleichgewicht

Phase 1 Phase 4 Phase 1 Phase 4 Phase 1 Phase 4
SIE 67,16% 98,53% 86,56% 98,88% 92,40% 99,75%

HVM 43,30% 93,47% 76,03% 98,80% 79,04% 99,48%
MAN 46,06% 94,61% 67,82% 97,39% 75,62% 97,93%
Tabelle 4-9: Häufigkeiten für das Vorliegen eines Gleichgewichts in Abhängigkeit

der Parametereinstellung der Spannung
Das erste Ergebnis dieser Tabelle 4-9 ist, dass unabhängig von der Bandbreite der
Spannung vor der außerordentlichen Bewegung stets eine deutlich niedrigere Wahr-
scheinlichkeit für das Vorliegen eines Gleichgewichts existiert als dies danach beob-
achtbar ist. Nach den Kursausschlägen befinden für über alle drei Niveaus des Sigma
sich 93,47% bis 99,75% der Orderbuchsituationen im Gleichgewicht. Diese Beobach-
tung legt den Rückschluss nahe, dass das Modell der außerordentlichen Kursbewegun-
gen im Einklang steht mit dem praktisch nahe liegenden Gedanken, dass vor besonde-
ren nicht informationsbedingten Kursbewegungen häufig ein Ungleichgewicht im
Orderbuch herrscht, das sich danach wieder auflöst.
Für die Modellierung der Spannung resultiert aus Tabelle 4-9, dass der Bereich von
null bis drei nicht zielführend ist, weil bereits bei illiquiden Werten, wie z.B. der MAN
in mehr als 75% der außerordentlichen Bewegungen sich der Markt vorher im Gleich-
gewicht befindet. Gegen die Nutzung der Reservationsspannung von null bis eins
spricht, dass für illiquide Titel in mehr als 50% der Fälle vor der Kursbewegung ein
Ungleichgewicht herrscht. Dies könnte den Charakter des Modells dahingehend beein-
flussen, dass damit modelliert würde, dass bei illiquiden Werten überwiegend durch
das Vorliegen von Ungleichgewichten im Orderbuch deutliche, rasche Kursbewegun-
gen ausgelöst werden.
Als Ergebnis wird festgehalten, dass es am sinnvollsten erscheint, den Mittelweg zu
beschreiten und für die weiteren Untersuchungen für die Spannung den Bereich von
null bis zwei für das Vorliegen eines Gleichgewichts zu nutzen.
4.6.2.2 Gleichgewichte anhand des Liquiditätsmaßes XLM

Die Spannung berechnet die Optionswerte für die zehn besten Geld- und Briefkurse
des Orderbuches. Diese Orderbuchtiefe wird auch von dem XLM-Maß (vgl. Kapitel
3.3.3.) verwendet. Beide Kennzahlen nutzen die gleiche Ausgangsbasis. Bei der XLM-
Kennziffer finden die limitierten Gebote einen linearen Eingang. Bei der optionsbe-
werteten Berücksichtigung der Gebote ist dies nicht der Fall. Somit unterscheiden sich
diese beiden Vorgehen grundsätzlich voneinander. Dieser Aspekt macht es besonders
interessant, diese beiden Maße anhand ihrer Einschätzung des Gleichgewichts heran-
zuziehen. In Tabelle 4-10 erfolgt die Darstellung der Mittelwerte des XLM-Maßes in
Basispunkten für die Geldseite, die Briefseite und deren Summe für verschiedene
Handelsvolumina.
XLM XLM XLM XLM XLM XLM XLM XLM XLM XLM
XLM XLM XLM XLM XLM
Geld Brief Geld Brief Geld Brief Geld Brief Geld Brief
10.000 25.000 100.000 500.000 1 Mio.
10.000 10.000 25.000 25.000 100.000 100.000 500.000 500.000 1 Mio. 1 Mio.
ADS 8,60 8,61 17,21 9,66 9,64 19,30 14,76 14,71 29,47 28,60 28,19 52,78 33,30 33,13 60,79
ALT 10,55 10,53 21,07 12,36 12,43 24,80 21,28 22,05 43,11 28,79 31,75 50,95 25,37 36,16 45,60
ALV 5,24 5,17 10,41 5,79 5,69 11,48 8,07 7,90 15,98 13,96 14,22 25,96 14,66 15,21 26,30
BASF 5,87 5,87 11,75 6,48 6,50 12,99 9,22 9,34 18,55 19,97 20,04 38,75 23,40 22,85 41,37
BAY 7,71 7,60 15,31 8,93 8,78 17,71 13,96 13,61 27,56 28,03 28,08 52,32 30,48 30,16 52,93
BMW 7,00 7,01 14,02 8,03 8,03 16,06 12,53 12,43 24,96 25,17 24,82 45,10 26,75 26,10 46,87
CBK 12,32 12,32 24,64 14,94 14,92 29,86 25,67 25,76 51,32 45,25 42,52 75,37 43,91 41,62 70,09
DBK 5,04 5,06 10,10 5,43 5,48 10,91 7,24 7,42 14,65 14,42 15,17 29,05 17,51 17,47 31,76
DCX 5,41 5,39 10,81 5,97 5,96 11,94 8,57 8,60 17,17 17,95 18,40 34,83 20,46 20,28 35,61
DPW 11,46 11,44 22,90 13,96 14,03 27,99 24,81 25,25 49,94 47,77 43,04 76,50 45,60 40,02 53,72
DTE 5,44 5,46 10,90 5,78 5,80 11,58 7,26 7,31 14,58 13,45 13,50 26,86 18,96 18,62 36,53
EOA 5,40 5,40 10,80 5,85 5,85 11,70 7,96 8,03 15,99 16,25 16,40 31,26 18,61 18,32 33,28
FME 12,83 12,87 25,70 15,29 15,27 30,57 28,20 27,68 55,75 48,02 44,34 90,86 52,18 60,01 104,99
HEN 9,84 9,81 19,65 11,14 11,08 22,22 18,52 18,24 36,76 34,90 35,60 68,22 44,60 46,13 84,83
HVM 11,74 11,62 23,36 14,45 14,20 28,65 24,99 24,80 49,64 43,25 41,97 74,83 43,90 42,41 74,23
IFX 9,48 9,44 18,92 11,14 11,08 22,21 18,03 17,85 35,88 38,69 37,07 70,09 42,61 40,55 72,85
LHA 11,62 11,50 23,11 14,08 13,90 27,99 24,27 24,03 48,26 48,61 46,44 86,19 50,90 47,66 87,87
LIN 13,14 13,20 26,34 15,60 15,72 31,32 28,28 28,58 56,63 52,45 50,09 100,99 45,00 47,92 92,10
MAN 16,20 16,08 32,28 20,19 20,02 40,21 38,93 38,92 76,64 51,73 50,37 94,32 61,90 51,96 104,08
MEO 12,18 12,34 24,52 14,40 14,57 28,97 24,90 24,71 49,21 40,78 38,73 68,86 46,78 39,04 81,62
MUV 6,35 6,30 12,64 6,98 6,91 13,89 9,56 9,47 19,03 16,78 17,18 31,77 17,46 17,84 29,82
RWE 7,84 7,82 15,67 9,08 9,05 18,13 14,51 14,64 29,15 28,58 27,93 50,49 29,99 27,79 48,18
SAP 5,56 5,58 11,14 5,95 6,01 11,97 7,80 7,94 15,74 15,77 15,77 30,81 18,59 18,30 34,48
SCH 8,50 8,42 16,92 9,80 9,65 19,45 15,46 15,25 30,69 28,60 27,61 50,44 29,86 27,51 47,02
SIE 4,71 4,71 9,43 5,09 5,10 10,19 6,81 6,87 13,68 13,63 13,85 26,80 15,67 15,53 27,71
TKA 12,42 12,25 24,67 15,06 14,71 29,78 25,46 25,02 50,31 49,61 47,32 85,88 56,25 50,38 93,15
TUI 15,63 15,58 31,21 19,73 19,48 39,21 36,83 37,04 73,04 54,94 52,75 96,55 64,55 51,16 97,67
VOW 6,86 6,89 13,76 7,82 7,89 15,71 11,82 11,93 23,73 24,49 24,97 46,51 28,70 29,06 47,66
Durch-
9,10 9,08 18,19 10,68 10,63 21,31 17,70 17,69 35,27 31,80 31,00 57,62 34,57 33,33 59,40
schnitt
Tabelle 4-10: XLM-Maß für die Geldseite, Briefseite und kumuliert

Die Berechnung des XLM-Maßes für die limitierten Gebote der Klassen 10.000 Euro,
25.000 Euro, 100.000 Euro, 500.000 Euro und 1 Mio. Euro erfolgt durch die Formeln
(3.14) bis (3.16). Diese Größe wird jeweils einmalig pro Minute für den Jahresdurch-
schnitt herangezogen.366 Für die Werte, bei denen das entsprechende Volumen sowohl
für die Geldseite als auch für die Briefseite vorliegt, entspricht das XLM-Maß der
Addition beider Seiten. Falls für eine der beiden Orderbuchseiten kein XLM-Maß be-
rechnet werden kann, weil das Orderbuch nicht genügend Volumen für die zehn
besten Gebote aufweist, so werden beide Beobachtungen dieser Minute nicht in die
Summierung des Jahresdurchschnittes aufgenommen.
Die höchsten Werte für das XLM-Maß treten erwartungsgemäß dann auf, wenn groß-
volumige Aufträge gerechnet werden. In der Tabelle tritt das vor allem bei Transaktio-
nen mit einem Volumen von 0,5 Mio. Euro und 1 Mio. Euro auf. Bei einem Umsatz
von 0,5 Mio. Euro pro Orderbuchseite errechnet sich die absolut höchste XLM-Kenn-
zahl für Linde mit 100,99 Basispunkten (bp.). Der niedrigste Wert für dieses Volumen
fällt bei Allianz mit 25,96 bp. an. In der letzten Spalte der Tabelle, bei einem XLM-
Maß von 1 Mio. Euro, weist Fresenius Medical Care mit 104,99 bp. den höchsten
Wert und wiederum Allianz mit 26,30 bp. den niedrigsten Wert auf. Als letzter Aspekt
366
GOMBER / SCHWEICKERT / THEISSEN (2004), S.6 schlagen dieses zeitliche Intervall vor.
für die berechneten XLM-Maße wird für die einzelnen Aktien die Differenz betrachtet,
die sich daraus ergibt, dass zum Teil nicht beide Orderbuchseiten genügend Volumen
auf den besten 10 Geboten aufweisen, um den zeitgleichen Kauf und Verkauf in voller
Höhe umzusetzen. Ab einem Volumen von 500.000 Euro liegt relativ häufig auf einer
der beiden Orderbuchseiten bei den zehn besten Geboten nicht genügend Volumen
vor, um die Transaktion vollständig auszuführen. Bei 500.000 Euro weisen Altana,
Commerzbank, Deutsche Post, HypoVereinsbank, Metro und Thyssen Krupp für die
einzelnen Orderbuchseiten in Summe einen um mehr als zehn bp. höheren Wert auf,
als die Summe, die sich dann ergibt, wenn beide Seiten zeitgleich ausreichend gefüllt
sind. Bei 1 Mio. Euro trifft dies bereits neun der beobachteten 28 Aktien, bei denen
diese Differenz mehr als zehn bp. beträgt.367 Für Transaktionen bei denen bis zu
100.000 Euro sowohl gekauft als auch verkauft werden, sind gleichzeitig auf beiden
Seiten des Orderbuchs für alle untersuchten Titel noch ausreichend limitierte Aufträge
vorhanden, so dass dieses XLM-Maß für die Gleichgewichtsanalyse geeignet
erscheint.
Zuerst wird die Annahme getroffen, dass sich der Xetra-Markt zum größten Teil des
Handels im Gleichgewicht befindet. Danach wird verglichen, ob das XLM-Maß oder
die Spannung im Zeitablauf einen ruhigeren Verlauf aufweisen. Für die Kennzahl der
Spannung werden über alle außerordentlichen Kursbewegungen für die Phase eins und
die Phase vier die Standardabweichung und der Durchschnitt berechnet. Das XLM-
Maß wird ebenfalls nur zu den Zeitpunkten vor und nach einer außerordentlichen
Preisveränderung betrachtet. Dabei wird das XLM-Maß für 100.000 Euro zum jeweili-
gen Zeitpunkt dividiert durch den Jahresdurchschnitt dieses Maßes für die Aktie. Die-
ser Wert gibt an, wie hoch der Prozentsatz des XLM-Maßes vor und nach einer außer-
ordentlichen Kursbewegung ist, im Vergleich zu den Werten, die für eine Transaktion
dieser Größenordnung in 2003 durchschnittlich angefallen sind. Dadurch kann vergli-
chen werden, ob dieses potenzielle Kriterium für die Gleichgewichtsbeurteilung in den
außerordentlichen Situationen vom Durchschnittswert des Jahres signifikant ab-
weicht.368 Für das XLM-Maß wird analysiert, wie hoch dessen Veränderung im Tages-
verlauf ist und ob diese Kenngröße hohen Schwankungen unterliegt. Bei einer hohen
Varianz könnte nicht davon ausgegangen werden, dass es sich bei dem XLM-Maß um
eine Größe handelt, die in ruhigen Bahnen verläuft. Daher ist fraglich, ob die XLM-
367
Die versteckte Liquidität von Iceberg-Orders ist dabei nicht berücksichtigt, weil sie im Orderbuch
nicht ersichtlich ist und somit nicht aufgezeichnet wurde. Vgl. Kapitel 4.2.3
368
Vgl. HASBROUCK / SEPPI (1999), S. 2ff, für die Überlegung einer alternativen Gleich-
gewichtsdefinition, die für einen 15-minütigen Zeitraum vergleichen, ob sich die Differenz von
Maximalwert und Minimalwert von ihrem langfristigen Durchschnitt signifikant unterscheiden.
Kennzahl als Maßstab für ein Gleichgewicht verwendet werden könnte, das nur in
außerordentlichen Situationen nicht gegeben ist. Der Vergleich des XLM-Maßes mit
der Spannung erfolgt in Tabelle 4-11. Es wird wiederum exemplarisch für einen liqui-
den Titel, Siemens, einen illiquiden Wert, MAN, und eine Aktie mit mittlerer Liquidi-
tät, HypoVereinsbank, der Vergleich durchgeführt.
Spannung XLM
Standard- Standard
Durchschnitt Durchschnitt
abweichung abweichung
SIE 4,00 1,30 0,55 86,30%
HMV 3,09 1,69 0,74 98,29%
MAN 6,91 2,49 0,86 93,59%
Tabelle 4-11: Gleichgewicht der Spannung im Vergleich zum XLM-Maß

Das Ergebnis dieser Analyse ist, dass die Spannung eine deutlich höhere Standardab-
weichung hat als das XLM-Maß. Diese Beobachtungen sind für alle drei Titel offen-
sichtlich, so dass keine Signifikanztests notwendig sind. Der Durchschnitt der Span-
nung liegt zwischen 1,3 und 2,49 mit einer Standardabweichung zwischen 3,09 und
6,91. Diese Werte liegen deutlich über den Durchschnitten des XLM-Maßes mit
0,86% bis zu 0,94% und entsprechenden Standardabweichungen von 0,55 bis 0,86.
Der Vorteil des XLM-Maßes ist, dass es sehr niedrige Schwankungen aufweist. Der
Nachteil ist, dass die Veränderungen des 100.000 Euro XLM-Maßes so niedrig sind,
dass eine Beurteilung des Marktes mit diesem Kriterium zu der Aussage führen würde,
dass sich der Markt fast ausnahmslos im Gleichgewicht befindet. Daraus folgt, dass
das XLM-Maß der Größe 100.000 Euro nicht für die Beurteilung verwendet wird, ob
sich der Markt im Gleichgewicht befindet. Der durchschnittliche Wert der XLM-Maße
vor den außerordentlichen Kursbewegungen ist für Siemens 86%, für die Hypo-
Vereinsbank 98% und für MAN 94%. Diese Zahlen sind jeweils niedriger als der
Jahresdurchschnitt für die einzelnen Aktien für das Maß für 100.000 Euro. Aus diesen
Analysen der möglichen Bandbreite der Spannung und dem Vergleich der Schwan-
kungen der Spannung im Verhältnis zu denen des XLM-Maßes folgt, dass der Einsatz
des XLM-Maßes für die Gleichgewichtsbeurteilung nicht eingesetzt werden kann.
Dessen Schwankungen sind zu gering, was bedeuten würde, dass sich die Frage, ob
vor oder nach der außerordentlichen Situation ein Gleichgewicht vorliegt, als bedeu-
tungslos herausstellen würde. Aus diesen Untersuchungen und Überlegungen heraus
wird für das weitere empirische Vorgehen für die Reservationsspannung ein Korridor
von null bis zwei modelliert.
4.6.3 Sensitivitätsanalyse: Bestimmung des Beobachtungszeitraums

Die bisherige Modellierung sieht vor, dass sich die außerordentliche Kursbewegung
innerhalb eines zeitlichen Rahmens von 15 Minuten abspielt. Dieser wurde gewählt,
um die kurzfristige Orientierung von Handelsteilnehmern zu reflektieren, und weil die-
ses Zeitintervall für die Restlaufzeit im Optionsmodell eine sinnvolle Größe darstellt.
Kürzere Laufzeiten bringen statistische Probleme mit sich (vgl. Kapitel 3.2.2.), die in
der vorliegenden Arbeit nicht behandelt werden sollen. Dennoch soll zur Beurteilung
des Modells auch ein kürzerer Zeitraum in Betracht gezogen werden, in dem die
außerordentliche Kursbewegung stattfindet. Dafür werden fünf Minuten überprüft.
Alternativ wird als längerer Zeitraum, in dem sich der Kursausschlag ereignen kann,
auch die doppelte Zeitspanne des ursprünglichen Modells, was 30 Minuten entspricht,
bewertet.
Die empirische Überprüfung der Frage nach der geeigneten Zeitspanne für die Kursbe-
wegung findet nicht isoliert statt, sie berücksichtigt auch die vorhergehenden Ergeb-
nisse aus Kapitel 4.6.1 bezüglich des Sigma. Für die Kursbewegung wird ein Wert von
größer als zwei Sigma gefordert, damit eine außerordentliche Situation vorliegt. Es
wird überprüft, wie häufig es bei den unterschiedlichen, geforderten zeitlichen
Rahmenbedingungen zu außerordentlichen Bewegungen kommt. Die Ergebnisse sind
in Tabelle 4-12 dargestellt.
5 Minuten 15 Minuten 30 Minuten

(31.614 Intervalle) (10.538 Intervalle) (5.269 Intervalle)
Anzahl Intervall Anzahl Intervall Anzahl Intervall
SIE 393 1,2% 1.339 12,7% 1.912 36,3%
HVM 694 2,2% 1.714 16,3% 2.161 41,0%
MAN 1.476 4,7% 2.824 26,8% 2.900 55,0%
Tabelle 4-12: Anzahl der außerordentlichen Kursbewegungen für 2003

in Abhängigkeit der drei möglichen Zeitspannen
Für die Berechnung werden die erfassten 2.634,5 Handelsstunden zugrunde gelegt.
Damit wird das Handelsjahr aufgeteilt in 31.614 Zeitspannen von je 5 Minuten, 10.538
Intervalle zu 15 Minuten und 5.269 Zeiträume mit 30 Minuten. Für die Wahl des sinn-
vollen zeitlichen Filters muss abgewogen werden. Einerseits sollte es sich um außer-
ordentliche Kursbewegungen handeln, also um Ereignisse, die nicht häufig im Han-
delsverlauf auftreten. Andererseits muss die Anzahl der Ereignisse, die aus den Daten
resultieren, groß genug sein, um auch für die Aktien mit weniger Beobachtungen sinn-
volle Aussagen für die Erholungsfähigkeit im Verlauf des Handels treffen zu können.
Bei 5-minütigen Analysezeiträumen ergeben sich für ca. ein bis fünf Prozent der Han-
delszeit Beobachtungen, die als außerordentliche Ereignisse beurteilt werden können.
Die absolute Anzahl liegt zwischen 393 und 1.476 Beobachtungen und stellt somit ins-
besondere für Titel mit wenigen gemessenen Erholungsbewegungen eine zu geringe
Datenbasis dar, um für die Erholungsfähigkeit im Tagesverlauf, unabhängig von Ein-
zelereignissen, Aussagen treffen zu können. Die Betrachtung einer 30-minütigen Zeit-
spanne für das Vorliegen einer starken Kursschwankung ergibt, dass während 36,3%
bis 55,0% des Tages außerordentliche Bewegungen vorliegen. Daher erscheint die
Verwendung dieses Zeitintervalls für die Modellierung der Erholungsfähigkeit nicht
sinnvoll.
Als Ergebnis der Überprüfung der zentralen Modellparameter lässt sich zusammen-
fassen, dass sich ein Basiszeitraum von 15 Minuten und eine geforderte kurzfristige
Volatilität von mindestens zwei Sigma für die zukünftige Modellierung und weitere
Untersuchungen am besten eignen. Falls sich an diese Ausgangsbewegung eine wei-
tere anschließt, die in einem Zeitrahmen von erneut maximal 15 Minuten zusätzlich
mindestens ein Sigma beträgt, so ist es sinnvoll, diesen auch noch zu berücksichtigen.
In einem solchen Fall wird nach einer Kursbewegung von mehr als zwei Sigma inner-
halb von 15 Minuten oder mehr als drei Sigma innerhalb von 30 Minuten gesucht, die
dann als außerordentlich gilt. Aus dieser Überprüfung der Modellparameter folgen
bezüglich des geforderten Sigma und der geforderten Zeitspanne zwei Anpassungen,
wodurch der ursprüngliche Charakter des Modells nicht maßgeblich verändert wird.
Die Anzahl der Beobachtungen in 2003 für einen Filter von mehr als zwei Sigma (drei
Sigma) und einem Zeitraum von maximal 30 Minuten für die außerordentliche Kurs-
bewegung wird pro Aktie in Abbildung 4-10 dargestellt.
3.500
3.000
Anzahl der Bewegungen größer als zwei Sigma
2.500
2.000
1.500
1.000
500
0
LV
tt
P
SF
N
E
H
LT
EN
S
W
PW
TE
CX
BK
EO
N
I
W
TU
ni
SA
D
SI
RW
FM
LH
EO
A
IF
TK
SC
LI
BA
CB
V
BM
BA
A
D
A
A
ch
H
M
D
M
M
D
H
V
hs c
ur
D
Aktie
Abbildung 4-10: Häufigkeitstabelle für das Vorliegen einer außerordentlichen

Kursbewegung größer als zwei Sigma innerhalb von 30 Minuten
Die durchschnittliche Anzahl an Beobachtungen pro Aktie mit einer Kursbewegung
von mehr als zwei Sigma (drei Sigma) beläuft sich in 2003 auf 1.988. Deutsche
Telekom weist mit lediglich 506 Kursbewegungen den niedrigsten Wert auf. Die häu-
figsten Erholungsbewegungen liefert Linde mit 3.139. Anhand der Abbildung 4-10
wird deutlich, dass bezüglich der Anzahl an Transaktionen (vgl. Tabelle 4-2) sehr
liquide Werte wie Allianz, Deutsche Telekom, Siemens oder Münchner Rückver-
sicherung mit jeweils mehr als 1,2 Mio. Transaktionen in 2003 die wenigsten außer-
ordentlichen Kursveränderungen aufweisen. Relativ illiquide Titel, wie z.B. Adidas,
Fresenius Medical Care, Henkel, Linde und MAN, in denen in 2003 weniger als
300.000 Transaktionen stattfanden, weisen mit einer Anzahl von jeweils mehr als
2.500 Kursausschlägen die höchsten Werte auf. Im ersten Viertel, das die sieben Werte
mit der niedrigsten Anzahl an Beobachtungen enthält, befinden sich mit Deutsche
Telekom, Allianz, Siemens, Daimler Chrysler und Münchner Rückversicherung fünf
der sehr liquiden Titel. Im letzten Viertel sind von den sieben enthaltenen Titeln sechs
sehr illiquide. Dies sind Linde, MAN, Henkel, Fresenius Medical Care, Metro und
Altana. Diese Analyseergebnisse aus Tabelle 4-8 und Abbildung 4-10 führen zu der
Schlussfolgerung, dass für liquide Aktien relativ wenige außerordentliche Kursbewe-
gungen außerhalb ihrer Volatilität von zwei Sigma (drei Sigma) auftreten. Titel, die
unterdurchschnittliche Umsätze aufweisen, zeigen im Vergleich dazu häufiger Kurs-

bewegungen auf, die höher sind als ihre kurzfristigen Volatilität von zwei Sigma.
Der Algorithmus, der aus dem Modell und seiner Überprüfungen resultiert, wird im
Folgenden beschrieben, um die Umsetzung der Programmierung zu verdeutlichen.
4.7 Algorithmus für die Berechnung der Erholungsfähigkeit

Nach der Modellierung der Erholungsfähigkeit in Kapitel 3 und der Überprüfung und
dem Test der Modellparameter in Kapitel 4.6 erfolgt eine nähere Beschreibung des in
der Programmiersprache Visual Basic erstellten Programms. Das Volumen aller er-
stellten Programme erstreckt sich auf 6.090 Zeilen. Dies entspricht ca. 120 Seiten pro-
grammiertem Quellcode.369 Es werden für alle vier Phasen die Besonderheiten, die für
die Automatisierung der Berechnung der Erholungsfähigkeit notwendig sind, erläutert.
Einige der wichtigsten Passagen des Algorithmus werden in Anhang 13 wiedergege-
ben.
Phase eins: Gleichgewicht vor der außerordentlichen Kursbewegung
Die grundlegende Berechnung nutzt ein Zeitfenster von 15 Minuten, das den gesamten
Handelsverlauf chronologisch durchläuft und dabei nach einer außerordentlichen
Kursbewegung von mehr als zwei Sigma sucht. Die Analyse, ob vor einer außeror-
dentlichen Kursbewegung ein Gleichgewicht vorliegt, startet rückwirkend, wenn ein
Kursausschlag von mehr als zwei Sigma festgestellt wurde. Für die Phase eins wird
die Volatilität genutzt, die aus dem 15-minütigen Zeitraum vor der außerordentlichen
Kursbewegung errechnet wurde. Dafür beginnt der Berechnungszeitraum zum Start
der außerordentlichen Kursbewegung, dem Ende der Phase eins und dem Beginn der
Phase zwei, und wird zurückgerechnet für die 15 Minuten der Phase eins. Diese gilt
als Maßstab für die gesamte Beobachtung in allen vier Phasen und wird auf Jahres-
basis berechnet. Die 15-minütige Volatilität wird herangezogen, um zu errechnen, wie
lange das Zeitfenster ist, in dem sich Kursbewegung und die Spannung innerhalb ihrer
Schranken bewegen müssen, so dass ein Gleichgewicht vorliegt. Innerhalb der ersten
15 Minuten des Handelstages, wenn noch keine 15-minütige Volatilität berechnet wer-
369
Das Programm zum Generieren der Rohdaten, das auf den Datenstrom von Reuters zugreift,
beläuft sich auf 823 Zeilen. Die Tests zur Datenaufbereitung, Bereinigung und Sortierung
umfassen 502 Programmzeilen. Die Programme für die Berechnung der Optionswerte, der XLM-
Maße, der Strategien der Orderplazierung und der Erholungsfähigkeit bestehen aus 4.765 Zeilen.
Letztlich resultieren insgesamt für die vorliegende Arbeit 6.090 Zeilen Quellcode.
den kann, wird die auf Tagesschlusskursbasis errechnete Volatilität der letzten 30
Handelstage verwendet und auf 15 Minuten skaliert. Ein Problem bei der Berechnung
der Volatilität ist, dass diese nur mit Tickdaten berechenbar ist. Die Transaktionen fin-
den nicht äquidistant statt, so dass es Unschärfen in der so berechneten Volatilität zwi-
schen Aktien mit vielen Transaktionen, bei denen diese Verfahren eher die Volatilität
überschätzen, und Aktien mit wenigen Transaktionen, bei denen die Volatilität tenden-
ziell unterschätzt wird, gibt. Die Länge der Phase eins beträgt 15 Minuten multipliziert
mit dem Divisor aus der für diesen Tag minimal existierenden 15-minütigen Volatilität
und der 15-minütigen Volatilität zum Start der Phase eins. Die durchschnittliche Span-
nung entspricht für diesen Zeitraum aus der Formel (3.10). Der durchschnittliche
Preis für diesen Zeitraum wird anhand der Transaktionskurse berechnet.
Phase zwei: Außerordentliche Kursbewegung
Für das 15-minütige, rollierende Zeitfenster werden im Tagesverlauf das lokale Maxi-
mum und das lokale Minimum berechnet. Diese Extremata werden im Programm
fixiert, wenn auf einen Hoch- oder Tiefpunkt keine Gegenbewegung des Kurses folgt,
die die ursprüngliche Kursbewegung um mehr als ein Sigma umkehrt.
Ist die Aktienperformance, bezogen auf den Kurs zum Start des Zeitfensters und der in
Phase eins errechneten Volatilität, größer als zwei Sigma, so liegt ein außerordentli-
cher Kursausschlag vor. Falls diese Bewegung nach dieser Periode von 15 Minuten
noch nicht beendet ist, wird ein weiteres 15-minütiges Intervall daraufhin untersucht,
ob sich die ursprüngliche Ausgangsbewegung fortsetzt. Dieses wird dann berücksich-
tigt, wenn in diesem zweiten Zeitfenster die Kursveränderung einen Wert von einem
Sigma überschreitet. So wird gewährleistet, dass entweder in 15 Minuten eine Kurs-
veränderung von mehr als zwei Sigma erfolgt oder in maximal 30 Minuten mindestens
drei Sigma überschritten werden.
Phase drei: Erholungsbewegung
Startpunkt für die Messung der Zeit der Erholungsfähigkeit in der Phase drei ist das
Kursmaximum oder -minimum der Phase zwei. An dieses Extremum schließt sich ent-
sprechend dem Modell eine Kursumkehrung an, die größer als ein Sigma ist. Ab die-
sem Startzeitpunkt der Phase zwei beginnt wieder die Untersuchung von 15-minütigen
Zeitspannen auf der Suche nach einem neuen Gleichgewicht. Die kürzest mögliche
Zeitspanne bis zum Beginn eines Gleichgewichtszeitraumes ist null Sekunden, wenn
sofort nach dem Kursextremum der Phase zwei die Gleichgewichtsbedingungen für
den mathematisch definierten Zeitraum erfüllt sind. Das Maximum der Phase drei
beträgt 30 Minuten. Spätestens dann muss die Erholungsbewegung eingetreten und

beendet sein und ein Gleichgewichtszeitraum begonnen haben.
Phase vier: Gleichgewicht nach der außerordentlichen Kursbewegung
Die Phase vier sucht nach einem 15-minütigem Gleichgewichtszeitraum, der idealer
Weise die außerordentliche Kursbewegung abschließt. Als kurzfristige Volatilität
wird, wie in allen vier Phasen, die in Phase eins errechnete Volatilität herangezogen.
Zuerst wird diese Phase auf das Vorliegen einer Spannung untersucht, die sich im not-
wendigen Zeitraum innerhalb ihres Reservationswertes aufhält. Ist dies der Fall, so
wird für die gleiche Zeitspanne überprüft, ob gleichzeitig auch die Volatilitätsbeding-
ung erfüllt ist. Ist dies nicht der Fall, wird im zweiten Schritt analysiert, ob im Zeit-
raum nur die Volatilitätsbedingung vorliegt, diese also nur relativ niedrige Schwank-
ungen aufweist. Im letzten Schritt wird verglichen, ob sowohl die Bedingung der
Spannung als auch die der Volatilität erfüllt sind, diese aber nicht im gleichen Zeit-
raum vorliegen. Spätestens 30 Minuten nach dem Start der Phase drei muss ein
Gleichgewichtszeitraum begonnen haben, so dass die Berechnung der Phase vier spä-
testens 30 Minuten nach ihrem Start abgebrochen wird. Abschließend wird der Durch-
schnittskurs wie in Phase eins anhand der Transaktionskurse errechnet.
Im folgenden Abschnitt wird dieser Algorithmus auf die Daten des Jahres 2003 ange-
wendet, um die Erholungsfähigkeit der 28 betrachteten Aktien zu untersuchen.
4.8 Untersuchung der Erholungsfähigkeit

Es folgt ein wesentlicher Teil der Arbeit, die Analyse der Erholungsfähigkeit. Zuerst
wird die Berechnung der Erholungsfähigkeit dargestellt. Diese Resultate werden visu-
ell aufbereitet. Durch eine differenzierte grafische Aufbereitung lassen sich zusätzliche
Erkenntnisse über die Erholungsfähigkeit gewinnen. Im letzten Abschnitt erfolgt die
Überprüfung der Ergebnisse der Erholungsfähigkeit und der in Kapitel 3.6 aufge-
stellten Hypothesen.
4.8.1 Berechnung der Erholungsfähigkeit anhand des entwickelten Modells

Zunächst wird für die Erholungsfähigkeit das empirische Bild für die Gleichgewichts-
situationen vor und nach den außerordentlichen Kursbewegungen dargestellt. An-
schließend wird für diese Kursmuster die durchschnittliche Zeit der Erholungsfähig-
keit in Minuten berechnet. Anhand der durchschnittlichen Erholungszeit und des Pro-
zentsatzes der vollständigen Erholungsbewegungen werden alle Aktien entsprechend
ihrer Ausprägung in diesen Kriterien in vier Gruppen der Erholungsfähigkeit aufge-
teilt. Die Tabelle 4-16 am Ende des Kapitels stellt das Endergebnis und die damit neue
Charakterisierung der mathematischen Berechnungen der Erholungsfähigkeit für die
DAX-Titel dar.
Mit dem beschriebenen Algorithmus werden die vier Phasen berechnet. In den Phasen
eins und vier wird untersucht, ob ein Gleichgewicht vorliegt. Dieses kann unterschied-
liche Ausprägungen haben. Sie prüfen, ob sich das Kursniveau wieder auf dem ur-
sprünglichen Niveau einfindet, ob dementsprechend die Spannung der Optionswerte
im Orderbuch gering ist, und ob die Volatilität eine niedrige Schwankungsbreite auf-
weist. Im Modell in Kapitel 3.3. wird zwischen einer vollständigen und einer partiellen
Erholungsfähigkeit unterschieden. Für den Datensatz in 2003 ergeben sich die in
Tabelle 4-13 angeführten möglichen Ausprägungen hinsichtlich des Vorliegens eines
Gleichgewichts. Diese Aufgliederung in die Gruppen von null bis vier geht weiter als
die ursprüngliche Modellierung im Kapitel 3. Diese feinere Aufteilung resultiert aus
den programmiertechnischen Notwendigkeiten für die Umsetzung des Modells. Die
Analyse des Orderbuchs nach der außerordentlichen Kursbewegung differenziert fünf
verschiedene Zustände. Die Untersuchung des Orderbuchs vor dem Kursausschlag
unterteilt nur vier Kategorien, dort wird der Zustand drei nicht genutzt. Die Klasse drei
wurde ausschließlich für die Untersuchung der Phase vier nach der Kursbewegung
eingeführt. Diese Ausprägung liegt dann vor, wenn in einem 30-minütigen Intervall
sowohl die Reservationsspannung als auch die Reservationskursbewegung entspre-
chend der Gleichgewichtsdefinition vorliegen, es aber keinen 15-minütigen Zeitraum
gibt, in dem beide Bedingungen gleichzeitig erfüllt sind.
Die Analyse der Phase eins vor der Bewegung ist diesbezüglich strenger, weil sie ma-
ximal 15 Minuten analysiert, in der die Bedingungen des Gleichgewichts im selben
Zeitraum vorliegen müssen und die Klasse drei nicht als zusätzliche Klasse möglich
ist. Es wird in der Phase eins in einem festen Zeitfenster von maximal 15 Minuten
nach einem Gleichgewicht gesucht. In Phase vier hingegen wird über ein längeres,
rollierendes Zeitfenster analysiert, ob eine oder beide Gleichgewichtsbedingungen vor-
liegen.
Gleichgewicht Gleichgewicht Beschreibung des Gleichgewichts

(Phase eins vor der (Phase vier nach der au-
außerordentlichen ßerordentlichen Kursbe-
Kursbewegung) wegung)
0 0 Kein Gleichgewicht vorhanden
Partielles Gleichgewicht:
1 1 Nur die Spannung erfüllt die Gleichgewichts-
bedingung
2 2 Nur der Kurs liegt in seiner Reservationskursbe-
wegung
Wird nicht abgefragt 3 Spannung und Kurs erfüllen die Gleichgewichts-
bedingung, aber nicht im gleichen Zeitraum.
4 4 Vollständiges Gleichgewicht
Tabelle 4-13: Klassifizierung der Gleichgewichte der Erholungsfähigkeit

Die differenzierte Betrachtung der Erholungsbewegung findet hier lediglich anhand
der unterschiedlichen Charakteristika des jeweiligen Gleichgewichts statt. Die zusätz-
liche Berücksichtigung des Aktienkurses, auf dem sich das Gleichgewicht nach der
Bewegung wieder findet, wird in Tabelle 4-15, Spalte neun, berücksichtigt. Der ge-
samte Datensatz für das Jahr 2003 wird entsprechend dieser Klassifizierung aus
Tabelle 4-13 eingeteilt. Für die 28 beobachteten Titel liegen in Summe 55.677 außer-
ordentliche Kursbewegungen mit einer Amplitude größer als zwei (drei) Sigma inner-
halb von maximal 15 (30) Minuten vor. Diese werden in Tabelle 4-14 dargestellt.
Phase vier nach der außerordentlichen Kursbewegung
Startgleichgewicht
Alle 28 Titel 0 1 2 3 4
(Phase eins)
0 1 19 69 19 1.553 1.661 3,0%

Phase eins vor der
außerordentlichen
Kursbewegung
1 0 79 54 30 2.579 2.742 4,9%

2 0 9 257 24 9.112 9.402 16,9%
3 0 0 0 0 0 0 0,0%
4 0 31 309 39 41.493 41.872 75,2%
Endgleich- 1 138 689 112 54.737
gewicht 55.677
(Phase vier) 0,0% 0,2% 1,2% 0,2% 98,3%
Tabelle 4-14: Häufigkeiten der unterschiedlichen Gleichgewichte vor und nach

außerordentlichen Kursbewegungen
Die Zeilen geben jeweils die Phase eins und die Art des jeweils vorliegenden Gleich-
gewichts an. In 54.737 Beobachtungen oder 98,3% liegt nach der außerordentlichen
Kursbewegung ein Gleichgewicht vor. In den Spalten werden die empirisch festge-
stellten Ausprägungen für das Vorliegen eines Gleichgewichts in Phase vier aufge-
führt. In 41.872 Situationen, bzw. in 75,2% aller Fälle, kommt es nach der außerorden-
tlichen Kursbewegung zu einem Gleichgewicht. Aus dem Vergleich dieser beiden
Häufungen für das Vorliegen eines Gleichgewichts kann die Annahme getroffen wer-
den, dass der Markt durch die außerordentliche Kursbewegung, die ohne Nachricht
aufgetreten ist, länger braucht als 15 bzw. 30 Minuten, bis er wieder zu einem Gleich-
gewicht zurückfindet. Das andere Extremum, dass sich ein Markt vor einem Kurs-
sprung oder -rutsch nicht im Gleichgewicht befindet (Spalte null) und sich auch
danach keines einstellt (Zeile null), konnte nur ein einziges Mal beobachtet werden.
Wie bereits bei der Sensitivitätsanalyse für die drei Aktien HypoVereinsbank, MAN
und Siemens (vgl. Tabelle 4-9) evident wurde, zeigt sich auch für alle 28 Aktien im
Durchschnitt, dass sich der Markt in 98,3% der Fälle nach einer außerordentlichen
Kursbewegungen wieder im Gleichgewicht befindet. Vor diesen Kursausschlägen liegt
nur in 75,2% der Beobachtungen ein Gleichgewicht vor.
Die Analyse der Erholungsbewegungen hinsichtlich der Veränderung des Kursniveaus

vor und nach der außerordentlichen Bewegung wird in der folgenden Tabelle in den
letzten beiden Spalten dargestellt. Die Tabelle 4-15 stellt die Anzahl aller außer-
ordentlichen Kursbewegungen dar. Um eine weitreichende Fallunterscheidung zu ver-
meiden, werden nur die außerordentlichen Kursbewegungen herangezogen, die nach
Abschluss der Bewegung ein Gleichgewicht aufweisen. Dies sind 98,3% aller Beo-
bachtungen. Für diese wird differenziert, wie sich das durchschnittliche Kursniveau
vor und nach der Bewegung zueinander verhält.
(9)
Anteil der Kurs-
(3) (5) (6) (7) bewegungen
(2) Anzahl der Anzahl der Anteil der Anzahl der (8) mit
(4)
(1) Durch- Kurs- Kurs- außer- Kurs- Durchschnittl. vollständiger
Durch-
Anzahl der schnittl. bewegungen bewegungen ordentlichen bewegungen Zeit der Erholungs-
schnittl. Zeit
außer- außer- mit mit Kurs- mit vollständigen fähigkeit der
der
ordentlichen ordentliche vollständiger vollständiger bewegungen vollständiger Erholungs- Gleichgewichte
Erholungs-
Kurs- Kurs- Erholungs- Erholungs- mit Erholungs- fähigkeit und Kurs-
bewegung in
bewegungen bewegung in fähigkeit fähigkeit vollständiger fähigkeit (Phase drei > unterschied <
Minuten
Prozent (Phase drei >= (Phase drei = 0 Erholungs- (Phase drei > 0 Minuten) 0.5 der
0 Minuten) Minuten) fähigkeit 0 Minuten) durchschnittl.
ao.
< Kursbewegung.
ADS 2.900 0,67% 1.986 1,35 1.368 68,5% 618 4,35 46,3%
ALT 2.672 0,92% 1.708 1,35 1.120 63,9% 588 3,91 29,6%
ALV 1.057 1,44% 724 0,38 609 68,5% 115 2,42 60,0%
BASF 1.889 0,96% 1.447 0,60 1.184 76,6% 263 3,31 58,3%
BAY 1.337 1,33% 953 0,53 780 71,3% 173 2,91 61,3%
BMW 2.321 0,97% 1.745 0,55 1.469 75,2% 276 3,46 57,9%
CBK 1.720 1,34% 986 1,02 719 57,3% 267 3,75 48,4%
DBK 1.642 1,06% 1.213 0,49 1.041 73,9% 172 3,45 53,9%
DCX 1.375 1,13% 1.049 0,28 921 76,3% 128 2,32 58,5%
DPW 2.212 1,00% 1.398 1,13 982 63,2% 416 3,79 48,9%
DTE 506 1,30% 308 0,62 261 60,9% 47 4,04 51,2%
EOA 1.967 0,90% 1.492 0,54 1.239 75,9% 253 3,17 58,0%
FME 2.748 0,94% 1.548 1,88 899 56,3% 649 4,48 42,8%
HEN 2.824 0,65% 1.856 1,48 1.265 65,7% 591 4,65 48,5%
HVM 1.714 1,73% 1.212 1,01 890 70,7% 322 3,80 53,3%
IFX 797 1,80% 484 0,87 368 60,7% 116 3,64 58,0%
LHA 1.765 1,09% 1.165 0,88 882 66,0% 283 3,64 53,0%
LIN 3.139 0,94% 1.878 1,60 1.216 59,8% 662 4,54 46,9%
MAN 2.824 1,28% 1.623 1,59 1.055 57,5% 568 4,53 50,7%
MEO 2.725 1,11% 1.712 1,11 1.199 62,8% 513 3,69 50,2%
MUV 1.614 1,33% 1.079 0,51 888 66,9% 191 2,89 56,0%
RWE 2.110 1,00% 1.465 0,72 1.116 69,4% 349 3,04 53,4%
SAP 1.861 1,00% 1.399 0,55 1.150 75,2% 249 3,12 56,8%
SCH 2.331 0,90% 1.665 1,00 1.231 71,4% 434 3,84 54,4%
SIE 1.339 1,05% 1.028 0,35 898 76,8% 130 2,76 59,9%
TKA 1.809 1,17% 1.112 1,16 806 61,5% 306 4,23 49,6%
TUI 2.322 1,32% 1.301 1,49 853 56,0% 448 4,32 48,1%
VOW 2.157 1,02% 1.645 0,48 1.344 76,3% 301 2,64 57,8%
Durch-
1.988 1,12% 1.328 0,91 991 67,3% 337 3,60 52,6%
schnitt
Tabelle 4-15: Durchschnittliche Dauer der Erholungsbewegungen

Die Tabelle 4-15 setzt den Schwerpunkt auf die Anzahl der vollständigen Erholungs-
bewegungen, die in Phase eins den Gleichgewichtszustand vier und in Phase vier
ebenfalls den Gleichgewichtszustand vier aufweisen. Eine außerordentliche Kursbe-
wegung innerhalb von 15 (30) Minuten mit einem Kursausschlag von mehr als zwei
(drei) Sigma liegt im Durchschnitt einer Kursbewegung von 1,12% vor. Für diese Be-
obachtungen befindet sich vorher und nachher innerhalb von maximal 15 Minuten die
Spannung und die Kursschwankungen innerhalb der jeweils für sie definierten Gleich-
gewichtsbänder. Die dritte Spalte gibt die Anzahl der außerordentlichen Bewegungen
(Spalte eins) wieder, die eine vollständige Erholung aufweisen. Die folgende Spalte
vier drückt diesen Wert in Minuten aus. Die Spalten drei, fünf und sieben geben die
Anzahl der Erholungsbewegungen wieder, in Abhängigkeit der zeitlichen Dauer, bis
diese ihr neues Gleichgewicht in der Phase vier wieder gefunden haben. Zuerst wird
die Zeit, gemessen in Minuten, für alle Erholungsbewegungen dargestellt (Spalte vier).
Dann folgt die Anzahl der Bewegungen, an die sich unmittelbar nach dem Kursaus-
schlag innerhalb von null Minuten ein neues Gleichgewicht anschließt. Zuletzt wird
die Dauer der Phase drei für die Beobachtungen, in denen diese Zeitspanne größer als
null ist, angegeben (Spalte acht). Die beiden wichtigsten Kennzahlen für die weitere
Beurteilung der Erholungsfähigkeit einer Einzelaktie sind der Prozentsatz der vollstän-
digen Erholungsbewegungen (Spalte sechs) und die durchschnittliche Zeitdauer dieser
Bewegung (Spalte acht). Diese werden in der Einteilung der Aktien in illiquide und
liquide Gruppen der Erholungsfähigkeit weiter verwendet (vgl. Tabelle 4-16). Die auf-
fälligsten Werte weist MAN auf, bei der lediglich 57,5% der außerordentlichen Kurs-
bewegungen eine vollständige Erholung aufzeigen und Siemens, für die 76,8% resul-
tieren. Der durchschnittliche Wert beläuft sich auf 66,7%. Die minimale, durchschnitt-
liche Zeit der Erholung nach außerordentlichen Kursbewegungen beläuft sich auf 0,28
Minuten für Daimler Chrysler, und die maximale auf 1,88 Minuten für Fresenius
Medical Care. Durchschnittlich über alle 28 Titel beträgt die Dauer 0,91 Minuten. Die
Spalte neun gibt den Prozentsatz der Aktien wieder, die eine vollständige Erholungs-
bewegung hinsichtlich der Gleichgewichte und der Kursentwicklung aufweisen. In
diesen Beobachtungen liegt in Phase eins und Phase vier ein Gleichgewicht vor. Zu-
sätzlich pendelt sich der Aktienkurs nach der außerordentlichen Kursbewegung wieder
auf so einem Niveau ein, dass der durchschnittliche Aktienkurs nach dem Kurs-
ausschlag mindestens zur Hälfte umgekehrt wurde. Beispielsweise für Adidas bedeutet
dies, dass die durchschnittliche außerordentliche Kursbewegung in maximal 30
Minuten 0,67% ist. Die Spalte neun gibt die Umkehrbewegungen an, bei dem dieser
Ausschlag um mindestens die Hälfte, also ca. 0,335%, wieder umgekehrt wurde.
Ein Vergleich mit den beiden anderen Liquiditätsdimensionen, Marktbreite und
Markttiefe und eine Einordnung dieser Kennzahlen der Erholungsfähigkeit erfolgt bei
den Hypothesentests (vgl. Kapitel 4.8.3.).
Als Zusammenfassung der Berechnung der Erholungsfähigkeit können auf Basis der
Ergebnisse in Tabelle 4-16 die Aktien in vier Gruppen entsprechend ihrer Erholungs-
fähigkeit klassifiziert werden. Dazu wird als erstes Kriterium der prozentuale Anteil
aller Bewegungen herangezogen, die eine vollständige Erholungsbewegung aufwie-
sen. Als Zweites wird berücksichtigt, wie hoch die durchschnittliche Dauer aller auf-
getretenen, vollständigen und partiellen Erholungsbewegungen ist. Diese beiden
Faktoren werden gleich gewichtet und entsprechend ihrer Ausprägung für die einzel-
nen Aktien mit Rangnummern versehen.
Anzahl der Kurs-

Durchschnittl. Zeit
bewegungen mit
der vollständigen Summierter Rang
vollständiger Rang- Rang-
Erholungs fähigkeit der Erholungs-
Erholungsfähigkeit nummer nummer
(Phase drei > 0 fähigkeit
(Phase drei = 0
Minuten)
Minuten)
FME 56,3% 2 4,48 4 6

LIN 59,8% 5 4,54 2 7
MAN 57,5% 4 4,53 3 7
TUI 56,0% 1 4,32 6 7
HEN 65,7% 12 4,65 1 13
DTE 60,9% 7 4,04 8 15
TKA 61,5% 8 4,23 7 15
CBK 57,3% 3 3,75 13 16
ADS 68,5% 15 4,35 5 20
ALT 63,9% 11 3,91 9 20
DPW 63,2% 10 3,79 12 22
IFX 60,7% 6 3,64 16 22
MEO 62,8% 9 3,69 14 23
LHA 66,0% 13 3,64 15 28
HVM 70,7% 18 3,8 11 29
SCH 71,4% 20 3,84 10 30
MUV 66,9% 14 2,89 24 38
DBK 73,9% 21 3,45 18 39
RWE 69,4% 17 3,04 22 39
BMW 75,2% 23 3,46 17 40
BAY 71,3% 19 2,91 23 42
ALV 68,5% 16 2,42 27 43
SAP 75,2% 22 3,12 21 43
EOA 75,9% 24 3,17 20 44
BASF 76,6% 27 3,31 19 46
VOW 76,3% 25 2,64 26 51
SIE 76,8% 28 2,76 25 53
DCX 76,3% 26 2,32 28 54
Tabelle 4-16: Einteilung der Aktien anhand ihrer Erholungsfähigkeit in vier

Gruppen
Entsprechend ihres Grades der Erholungsfähigkeit wurden die 28 Aktien in vier
Gruppen zu je sieben Titeln eingeteilt. Die Aktien mit der niedrigsten Erholungsfähig-
keit sind in der ersten Gruppe zusammengefasst und weisen die niedrigste Summe der
jeweiligen Rangnummern auf (6 bis 15). Die Gruppe umfasst Fresenius Medical Care,
Linde, MAN, TUI, Henkel, Deutsche Telekom und Thyssen Krupp. Für diese Aktien
findet nur in 56,0% bis zu 65,7% der außerordentlichen Kursbewegungen eine voll-
ständige Erholungsfähigkeit statt. Dies erfolgt im Durchschnitt nach 4,04 bis zu 4,65
Minuten. Dieses Zeitintervall ist im Vergleich zu den anderen drei Gruppen sehr lang.
Der auffälligste Wert in dieser Gruppe ist Deutsche Telekom. Sie wird entsprechend
der Kriterien Marktbreite und Markttiefe (vgl. Tabelle 4.3.2 und 4.3.3) als sehr liquide
beurteilt. Bei der Beurteilung der Erholungsfähigkeit weist sie eine geringe prozen-
tuale Anzahl von Erholungsbewegungen auf, die zumeist viel Zeit benötigen. Am
Ende der Tabelle umfasst die Gruppe mit den sieben liquidesten Werten die Aktien
von Allianz, SAP, E.ON, BASF, VW, Siemens und Daimler Chrysler. Bei diesen
Werten fällt VW auf, die nach den Kriterien Marktbreite und Markttiefe tendenziell
eher zu den illiquiden Aktien zählt.
Nach dieser abschließenden Analyse der Tabelle mit den Ergebnissen zur Erholungs-
fähigkeit werden sie grafisch aufbereitet. Dadurch können Erkenntnisse über charakte-
ristische Verläufe der Erholungsfähigkeit im Tagesverlauf gewonnen werden.
4.8.2 Grafische Darstellung der Erholungsfähigkeit

Die Darstellung der Grafiken erfolgt mit der technischen Programmiersprache
MATLAB. Diese bietet für die grafische Aufbereitung einen hohen Grad an Variabili-
tät. Ein weiterer Vorteil ist, dass mit dieser Sprache auch die statistischen Tests vollzo-
gen werden können.
Für die Visualisierung werden die Tageszeit und die Höhe der außerordentlichen
Kursbewegung als unabhängige Variable genutzt. Für diese zwei Dimensionen wird
die Dauer der Erholungsfähigkeit abgebildet. Um die optimale dreidimensionale Dar-
stellung in MATLAB zu erreichen, ist es notwendig, die Handelsstunden und die
Renditefilter jeweils in eine gleiche Anzahl an Klassen einzuteilen. In 2003 fand der
Handel im Xetra in den ersten zehn Monaten von 9:00 Uhr bis 20:00 Uhr statt. Es liegt
daher nahe, entweder elf Handelsstunden oder 22 Zeitintervalle mit einer Länge von je
30 Minuten zu verwenden. Die maximale Rendite einer außerordentlichen Kursbewe-
gung beträgt bei Einzeltiteln 11,93% für MAN, und der größte Kursrückgang beläuft
sich auf 10,73% für Volkswagen. Der positive durchschnittliche Maximalausschlag
beträgt 5,30% und der negative 5,46%. Die durchschnittliche Anzahl der außerordent-
lichen Kursausschläge pro Aktie beläuft sich auf 1.988. Obwohl der Analysezeitraum
dieser Arbeit das gesamte Handelsjahr 2003 umfasst, kommt es bei einigen Aktien nur
zu relativ wenigen Beobachtungen. (vgl. Abbildung 4-10) Für Deutsche Telekom wer-
den nur 506 Werte registriert. Bei einer Aufteilung in elf Renditekluster für die grafi-
sche Darstellung entspricht dies im Jahresdurchschnitt ca. 46 Beobachtungen pro Han-
delsstunde. Eine Differenzierung nach positiven und negativen Kursausschlägen
würde die Anzahl der Renditekluster von elf auf 22 erhöhen, und somit die Beobach-
tungszahl auf 23 verringern. Diese 23 beobachteten Werte verteilen sich im innertägli-
chen Verlauf auf die oben bereits festgelegten elf Handelsstunden, so dass für jeden
Klusterpunkt in der grafischen Darstellung im Durchschnitt lediglich ca. zwei Be-
obachtungen vorliegen würden. Dies stellt den extremsten Fall dar. Um für die grafi-
sche Darstellung eine sinnvolle Menge an Datenpunkten zu erhalten, wird die Erho-
lungsfähigkeit nicht nach positiven oder negativen Kursbewegungen differenziert.
Weiterhin folgt aus diesen Überlegungen, dass die Beobachtungen jeweils zu 60-
minütigen Zeitintervallen zusammengefasst werden. Diese außerordentlichen, absolu-
ten Kursbewegungen werden von 0% bis 5,5% abgetragen. Die einzelnen Klassen um-
fassen jeweils 0,5%.
Es folgen grafische Darstellungen der Erholungsfähigkeit für Einzeltitel. Zunächst
werden exemplarisch drei Repräsentanten aus der illiquide Gruppe aufgeführt.
Erholungsfähigkeit FRESENIUS MEDICAL CARE AG
14
Zeit der Erholungsfähigkeit in Min.
12
10
0
0%
0.5 %
1%
1.5 % 20:00
Außerordentl. 19:00
2% 18:00
17:00
Kursbewegung 16:00
15:00
2.5 % 14:00
in Prozent 13:00
12:00
11:00
3% 10:00
09:00 Handelszeit
Erholungsfähigkeit TUI AG
14
12
10
0
0%
0.5 %
1%
1.5 %
20:00
Außerordentl. 2% 19:00
18:00
17:00
Kursbewegung 16:00
2.5 % 15:00
14:00
in Prozent 12:00
13:00
3% 11:00
10:00
09:00
Handelszeit
Erholungsfähigkeit DEUTSCHE TELEKOM AG
14
12
10
0
0%
0.5 %
1%
1.5 %
20:00
19:00
Kursbewegung 17:00
16:00
15:00
in Prozent 2.5 % 14:00
13:00
12:00
11:00
3%
09:00
10:00 Handelszeit
Abbildung 4-11: Erholungsfähigkeit für ausgewählte Titel der illiquiden Gruppe
Des Weiteren folgen weitere drei Beispiele für Aktien mit einer hohen Erholungs-
fähigkeit, die sich in der liquiden Gruppe befinden.
Erholungsfähigkeit ALLIANZ AG
0
0%
0.5 %
14:00
1% 13:00
1.5 % 12:00
Kursbewegung 2.5 % 10:00
in Prozent Handelszeit
3% 09:00
Erholungsfähigkeit SAP AG
7
0
0%
0.5 %
1%
1.5 % 19:00 20:00
Außerordentl. 18:00
2% 16:00 17:00
Kursbewegung 2.5 % 14:00 15:00
12:00 13:00
in Prozent 3% 10:00 11:00
09:00
Handelszeit
Zeit der Erholungsfähigkeit in Min. Erholungsfähigkeit E.ON AG
0%
0.5 %
1%
1.5 %
Außerordentl. 19:00 20:00
17:00 18:00
Kursbewegung 15:00 16:00
2% 14:00
in Prozent 12:00 13:00
10:00 11:00
09:00
Handelszeit
Abbildung 4-12: Erholungsfähigkeit für ausgewählte Titel der liquiden Gruppe

Weitere Abbildungen der Erholungsfähigkeit für Einzeltitel werden im Anhang 12
dargestellt.
Aufgrund der teilweise sehr geringen Anzahl an Beobachtungen für Erholungsbewe-
gungen können Intraday-Effekte, wie z.B. zur Eröffnung des Handels in Deutschland,
um den Zeitpunkt des Handelsstarts in den USA,370 und Phänomene zum Schluss der
Börsensitzung nur für 60-minütige Intervalle dargestellt werden. Dieser Zeitraum ist
für die Untersuchung von besonderen Handelsgegebenheiten zu lang, so dass in der
weiteren Arbeit auf Intraday-Effekte nicht tiefer als anhand der hier gegebenen grafi-
sche Darstellung eingegangen werden soll.371
Dennoch ist aus diesen Abbildungen ersichtlich, dass diese Intraday-Schemata inner-
halb des Handelstages in Einklang mit Untersuchungen zum Verlauf der Liquiditäts-
dimension der Marktbreite und Markttiefe innerhalb eines Tages stehen. 372 Beispiels-
weise MADHAVAN (1992) weist zumeist zum Handelsstart, zur Eröffnung der Bör-
sen in den USA und gegen Ende des Handels im Xetra außerordentliche Situationen
für die Liquidität nach.
370
Vgl. BELTRAN-LOPEZ / GIOT / GRAMMIG (2002) für die Untersuchung dieser Handelszeiten
in Europa, wenn die Börsen in den USA eröffnen.
371
Vgl. GRAMMIG / MELVIN / SCHLAG (2001) die für drei deutsche Standardwerte, die in den
USA offiziell notiert sind vor und während des Handels in den USA eine deutliche Erhöhung der
Handelsumsätze im Vergleich zum Tagesdurchschnitt festgestellt haben.
372
Vgl. MADHAVAN (1992), FOSTER / VISWANATHAN (1994), GIOT / GRAMMIG (2002).
Die detaillierte Auswertung der grafischen Aufbereitung erfolgt im folgenden Kapitel.

Dabei wird die Hypothese 1 einer Überprüfung unterzogen.
Nach der Klassifizierung der Erholungsfähigkeit für die 28 Einzelwerte und der grafi-
schen Darstellung für Aktien aus der ersten und vierten Gruppe folgt die
Durchführung der Tests für die in Kapitel 3.6 formulierten Hypothesen.
4.8.3 Test der Hypothesen

Die in Kapitel 3.6 aufgestellten Hypothesen werden an drei Stellen mit unterschied-
lichen Vorgehensweisen überprüft.
Hypothese 1 wird im Folgenden anhand der grafischen Darstellung der Erholungs-
fähigkeit der Einzeltitel analysiert.
Hypothese 2 wird im Anschluss mit Korrelationsberechnungen und Tests der Korrela-
tionskoeffizienten bewertet.
Die Limitorderstrategien und die Signalgeber für die Umsetzung von Transaktionen
werden verwendet, um Hypothese 3 zu testen.
Test der Hypothese 1: Die Erholungsfähigkeit einer Aktie ist abhängig von der
Tageszeit.
Die in Kapitel 3.6.1 aufgestellte Hypothese wird einer Überprüfung unterzogen. Es

wird analysiert, ob Erholungsfähigkeit, so wie auch die anderen zwei Dimensionen der
Liquidität, Marktbreite und Markttiefe, innerhalb des Tages deutliche Schwankungen
aufweist. Dies wird anhand der bereits erfolgten grafischen Darstellungen vorgenom-
men. Der Vorteil ist, dass damit die Erholungsfähigkeit im Tagesverlauf auch in Ab-
hängigkeit der Höhe der außerordentlichen Kursbewegung beurteilt werden kann. Die
Analyse ergibt vier Besonderheiten der Erholungsfähigkeit im Tagesverlauf:
x Die ersten Handelsstunden zeigen nur sehr wenige außerordentliche Kursausschlä-

ge mit sehr schnellen Erholungsbewegungen. Sie benötigen keine langen Zeit-
spannen. Im Vergleich zu den Erholungsbewegungen im restlichen Tagesverlauf
sind diese relativ gering. Vgl. z.B. Abbildung 4-11, Fresenius Medical Care.
x In den Mittagsstunden treten zwischen 12:00 Uhr und 14:00 Uhr vermehrt außer-
ordentliche Kursbewegungen auf, die eine längere Zeitspanne benötigen, bis sich
wieder ein Gleichgewicht eingestellt hat. Vgl. z.B. Abbildung 4-11, Deutsche
Telekom und Abbildung 4-12, SAP.
x Die Aktien, die auch in den USA ein offizielles Listing haben, weisen in den
Nachmittagsstunden, um den Zeitpunkt der Handelseröffnung in den USA, häufi-
ger Kursausschläge auf. Diese sind dadurch charakterisiert, dass sie oft mehr Zeit
benötigen, bis sich wieder ein Gleichgewicht einstellt.373 Vgl. z.B. Abbildung
4-11, TUI, Deutsche Telekom sowie z.B. Abbildung 4-12, Allianz, E.ON und
SAP.
x Die Erholungsfähigkeit ist in den letzten Handelsstunden sehr niedrig. Die Aktien
benötigen im Vergleich zum übrigen Teil des Handelstages zwischen 17:00 Uhr
bis 20:00 Uhr sehr lange Zeiträume, bis sie sich nach einem Kursausschlag wieder
im Gleichgewicht befinden. Vgl. Abbildung 4-11, TUI sowie Abbildung 4-12
SAP.
Bezüglich der Hypothese 1 kann zusammengefasst werden, dass dieses grafische Ver-
fahren dafür spricht, dass die Erholungsfähigkeit im Tagesverlauf deutlichen Schwan-
kungen unterliegt. Hypothese 1 wird somit bestätigt.
Test der Hypothese 2: Die Erholungsfähigkeit weist keine hohe positive Korrelation
zu den Liquiditätsdimensionen Marktbreite und -tiefe auf.
Im zweiten Test stellt sich die Frage, ob das Modell der Erholungsfähigkeit eine Kenn-
größe liefert, die in Verbindung mit den bestehenden Determinanten der Liquidität,
Marktbreite und Markttiefe steht. Um diese Hypothese zu überprüfen wird ein statisti-
scher Test durchgeführt. Für diese lautet die Nullhypothese:
H0 = Die Liquiditätsdeterminanten haben eine Korrelation von null.
Die Gegenhypothese ist:
H1 = Die Liquiditätsdeterminanten haben eine Korrelation ungleich

null.
Dieser Test wird durchgeführt für:

1. Marktbreite versus Markttiefe.
2. Den Prozentsatz der Erholungsfähigkeit im Vergleich zur Marktbreite.
3. Den Prozentsatz der Erholungsbewegungen im Vergleich zur Zeit der Erholung in
Minuten.
373
Vgl. Anhang 14 für die Aktien, die eine offizielle Notierung in den USA haben.
4. Marktbreite versus Erholungsfähigkeit in Minuten.

5. Die Markttiefe im Vergleich zum Prozentsatz der Erholungsfähigkeit.
6. Die Markttiefe im Vergleich zur Zeit der Erholungsfähigkeit in Minuten.
Vor der Durchführung des statistischen Tests wird eine Untersuchung der Korrelation
vorgenommen. Diese Korrelationsberechnung erfolgt anhand von Rangnummern, die
für die Liquiditätsdimensionen vergeben werden. Diese berechneten Korrelationen
werden mit einem t-Test überprüft, ob sie einer Normalverteilung unterliegen. Dabei
werden die aufgeführten Null-Hypothesen getestet. Für die Marktbreite wird das
durchschnittliche Handelsvolumen pro Tag verwendet (vgl. Tabelle 4-4). Die Markt-
tiefe wird repräsentiert durch die Steigung des Orderbuchs von Gebot eins bis zu
Gebot zehn (vgl. Tabelle 4-6 und Tabelle 4-7). Um die Erholungsfähigkeit zu berück-
sichtigen, werden zwei Kennzahlen verwendet. Pro Aktie wird der Prozentsatz der Be-
wegungen genutzt, die eine vollständige Erholungsbewegung aufweisen. Des Weiteren
wird die durchschnittliche Zeit der Phase drei als zweite Kenngröße verwendet (vgl.
Tabelle 4-16).
Erholungsfähigkeit:
Marktbreite: Anteil der
Markttiefe: Erholungsfähigkeit:
Durchschnittl. außerordentlichen
Orderbuchsteigung Zeitspanne der
Handelsvolumen Rang Rang Kursausschläge mit Rang Rang
von Gebot 1 bis zu Erholungsfähigkeit
pro Transaktion vollständiger
Gebot 10 (Prozent) (Minuten)
(Euro) Erholungsfähigkeit
(Prozent)
ADS 24.499 14 0,30% 19 68,5% 16 1,35 7
ALT 19.747 9 0,38% 14 63,9% 12 1,35 6
ALV 39.279 22 0,16% 28 68,5% 17 0,38 26
BASF 36.723 21 0,24% 21 76,6% 27 0,60 18
BAY 26.643 16 0,36% 15 71,3% 19 0,53 22
BMW 30.277 19 0,32% 18 75,2% 23 0,55 20
CBK 23.100 12 0,63% 4 57,3% 5 1,02 11
DBK 50.409 27 0,19% 24 73,9% 21 0,49 24
DCX 36.181 20 0,23% 22 76,3% 26 0,28 28
DPW 18.502 5 0,57% 6 63,2% 11 1,13 9
DTE 55.558 28 0,38% 12 60,9% 8 0,62 17
EOA 41.425 24 0,21% 23 75,9% 24 0,54 21
FME 14.783 3 0,49% 11 56,3% 4 1,88 1
HEN 18.858 7 0,38% 13 65,7% 13 1,48 5
HVM 22.128 11 0,56% 8 56,0% 2 1,01 12
IFX 27.732 17 0,56% 7 60,7% 7 0,87 15
LHA 18.751 6 0,62% 5 66,0% 14 0,88 14
LIN 16.052 4 0,55% 9 59,8% 6 1,60 2
MAN 14.625 2 0,79% 1 55,7% 1 1,59 3
MEO 21.433 10 0,53% 10 62,8% 10 1,11 10
MUV 40.450 23 0,18% 26 66,9% 15 0,51 23
RWE 25.845 15 0,34% 16 69,4% 18 0,72 16
SAP 46.786 25 0,18% 27 75,2% 22 0,55 19
SCH 23.331 13 0,32% 17 71,4% 20 1,00 13
SIE 50.177 26 0,18% 25 76,8% 28 0,35 27
TKA 19.720 8 0,65% 2 61,5% 9 1,16 8
TUI 13.630 1 0,65% 3 56,0% 3 1,49 4
VOW 29.856 18 0,29% 20 76,3% 25 0,48 25
Durch-
28.804 - 0,40% - 66,7% - 0,91 -
schnitt
Tabelle 4-17: Ausprägungen der Liquidität, Rangnummern und Parameter des

statistischen Testvorgehens
Für den statistischen Test von zwei unabhängigen Verteilungen bietet es sich an, für
die beiden zu untersuchenden Parameter Ränge entsprechend ihrer Ausprägung zu ver-
geben. Der Vorteil ist, dass die Liquiditätsdimensionen nicht mit ihren gemessenen
Merkmalsausprägungen miteinander verglichen werden, sondern mit ihren Rängen.
Dadurch werden sie mathematisch, statistisch vergleichbar gemacht. Die 28 Aktien
werden entsprechend ihres Grades für die jeweilige Liquiditätsdimension aufsteigend
sortiert und durch Rangnummern gekennzeichnet. Dafür erhält die liquideste Aktie
den Wert 28 und der illiquideste Wert den Rang eins. Im Weiteren werden diese Rang-
nummern für das Erstellen von Korrelationen und -diagrammen verwendet.
Abbildung 4-13: Marktbreite zu Markttiefe (links) und Anteil der vollständigen

Erholungsbewegungen zur durchschnittlichen Zeit der Erholungsfähigkeit
Zur ersten Überprüfung der verwendeten Kennzahlen für die Liquiditätsdimensionen
ist für die 28 analysierten Aktien die Marktbreite gegen die Markttiefe dargestellt. Die
Abbildung 4-13 zeigt auf der linken Seite den Zusammenhang zwischen dem durch-
schnittlichen Handelsvolumen pro Transaktion und der Steigung des Orderbuches.
Aktien mit einem zumeist hohen Umsatz pro Abschluss weisen eine niedrige Steigung
des Orderbuches mit eng beieinander liegenden Geboten auf. Illiquide DAX-Titel hin-
gegen, die eine hohe prozentuale Differenz vom ersten Limit im Orderbuch bis zur
zehnten Stelle in der Höhe von 1 Prozent bis zu 1,5 Prozent aufweisen, machen durch-
schnittlich relativ geringe Umsätze von ca. 15.000 Euro bis 20.000 Euro pro Ab-
schluss aus. In Abbildung 4-13 wird auf der rechten Seite der Zusammenhang der
beiden modellierten Maße für die Erholungsbewegung aufgezeigt. Die Zeit der Erho-
lungs-fähigkeit weist mit dem Prozentsatz der Erholungsbewegungen einen deutlichen
Zusammenhang auf.
Abbildung 4-14: Marktbreite zum Anteil der vollständigen Erholungsbewegun-

gen (links) und Markttiefe zum Anteil der vollständigen Erholungsbewegungen
(rechts)
Aus der Abbildung 4-14 folgt, dass die Erholungsfähigkeit (Prozentsatz der Erho-
lungsbewegungen), wie sie mit dem Modell aus Kapitel 3 errechnet wird, eine hohe
Korrelation zur Liquiditätsdimension Marktbreite (durchschnittliches Handelsvolumen
pro Transaktion in Euro, s. linke Grafik) und Markttiefe (Orderbuchsteigung von
Gebot 1 bis zu Gebot 10 in Prozent, s. rechte Grafik) aufweist. Wenn die Annahme ge-
troffen wird, dass für eine einzelne Aktie die drei Liquiditätsdimensionen miteinander
hoch korreliert sind, dann würde diese grafische Überprüfung dafür sprechen, dass das
entworfene Modell als Ergänzung zu bestehenden Maßen der Marktbreite und Markt-
tiefe dient. Diese Aussage wird im weiteren Verlauf statistisch überprüft. Die Korrela-
tionskoeffizienten nach Spearman374 sind in Tabelle 4-18 dargestellt. Diese bestätigen
die ersten Schlussfolgerungen, die aus der grafischen Überprüfung resultiert sind.
Eine positive Korrelation liegt dabei mit einem Wert von 0,61 zwischen dem Prozent-
satz der Erholungsbewegungen und der Marktbreite vor. Die ökonomische Interpreta-
tion ist, dass Aktien mit einer hohen Marktbreite bei außerordentlichen Kursausschlä-
gen einen viel höheren Anteil an vollständigen Erholungsbewegungen aufweisen. Die
Korrelation für die durchschnittliche Zeit der Erholungsbewegungen und die Markt-
tiefe liegt mit 0,69 in einer ähnlichen Größenordnung. Dies verdeutlicht den Zusam-
menhang, dass Aktien, die eine große Orderbuchtiefe aufweisen, weniger Zeit benöti-
gen, bis eine vollständige Erholungsbewegung abgeschlossen ist.
Die beiden Kenngrößen für die Erholungsfähigkeit weisen eine hohe negative Korrela-
tion auf. Dies bedeutet, dass Aktien mit einem hohen Prozentsatz an vollständigen
Kursbewegungen eine geringere Zeit benötigen, bis sich wieder ein Gleichgewicht
eingestellt hat (Korrelationskoeffizient -0,75).
374
Vgl. BAMBERG / BAUR (1989), S. 37.
Die höchsten negativen Korrelationen weisen die Zeit der Erholungsfähigkeit zur
Marktbreite (-0,80) und der Anteil der außerordentlichen Kursbewegungen mit einer
vollständigen Erholungsbewegung zur Markttiefe (-0,83) auf. Die entsprechenden
ökonomischen Zusammenhänge sind ebenfalls plausibel: Sehr liquide Aktien, mit
einer hohen Marktbreite benötigen wenig Zeit, bis sich nach außerordentlichen Kurs-
bewegungen wieder ein Gleichgewicht bildet. Sehr liquide Aktien mit einer hohen
Markttiefe weisen bei Kursausschlägen einen hohen Prozentsatz an Aktienkursent-
wicklungen auf, die wieder zu einer Gleichgewichtssituation führen.
Erholungsfähigkeit
Marktbreite
Markttiefe (Anteil der außerordentlichen Erholungsfähigkeit
(Durchschnittl.
(Orderbuchsteigung von Kursausschläge mit (Zeitspanne der
Handelsvolumen pro
Gebot 1 zu Gebot 10) vollständiger Erholungsfähigkeit)
Transaktion)
Erholungsfähigkeit)
Marktbreite
(Durchschnittl. Handelsvolumen 1,0000
pro Transaktion)
Markttiefe (Orderbuchsteigung
- 0,7558 1,0000
von Gebot 1 zu Gebot 10)
Erholungsfähigkeit
(Prozentsatz der
außerordentlichen 0,6113 - 0,8330 1,0000
Kursausschläge mit voll-
ständiger Erholungsfähigkeit)
Erholungsfähigkeit
(Zeitspanne der - 0,8011 0,6981 - 0,7562 1,0000
Tabelle 4-18: Korrelationen der Liquiditätsdimensionen
Diese, anhand der vergebenen Rangnummern errechneten Korrelationskoeffizienten,

werden mit einem t-Test überprüft. Die t-Werte ergeben sich aus:375
xP
t n (4.7)
s
x = Rangkorrelationskoeffizient
µ = Durchschnitt
s = Standardabweichung
n = Anzahl der Beobachtungen
375
Vgl. BLEYMÜLLER / GEHLERT / GÜLICHER (2002), S. 107 ff. für das statistische Vorgehen
zum t-Test.
Die folgende Tabelle gibt die so errechneten t-Werte an.
Erholungsfähigkeit
Marktbreite
Markttiefe (Anteil der außerordentlichen
(Durchschnittl.
(Orderbuchsteigung von Gebot Kursausschläge mit
Handelsvolumen pro
1 zu Gebot 10) vollständiger
Transaktion)
Markttiefe (Orderbuchsteigung
- 0,4862
von Gebot 1 zu Gebot 10)
Erholungsfähigkeit
(Prozentsatz der außerorden-
tlichen Kursausschläge mit 0,3932 - 0,5358
vollständiger
Erholungsfähigkeit
(Zeitspanne der - 0,5153 0,4491 - 0,4864
Tabelle 4-19: t-Statistiken der Liquiditätsdimensionen
Die Tabelle 4-19 gibt für alle möglichen Kombinationen der Liquiditätsmaße die t-
Werte an. Diese liegen für ein Signifikanzniveau von Į = 0,01 alle im Intervall der kri-
tischen Werte von [-1,96; 1,96]. Damit kann keine der sechs aufgestellten Nullhypo-
thesen, dass die Liquiditätsdimensionen untereinander keine positive Korrelation auf-
wiesen, verworfen werden. Diese statistisch signifikanten Ergebnisse können für die
Praxis so interpretiert werden, dass für die miteinander verglichenen Liquiditätsdimen-
sionen eine hohe Korrelation vorliegt, die mit dem allgemeinen Verständnis für diese
Liquiditätsmaße weitgehend deckungsgleich ist. Somit kann die Hypothese 2 der
vorliegenden Arbeit als widerlegt gelten.
Es folgt im nächsten Abschnitt die Überprüfung der dritten Hypothese.
Test der Hypothese 3: Es existieren Parameter, anhand derer die Erholungsfähigkeit

eines Titels prognostiziert werden kann. Diese können zur
Prognose eines Teilaspektes der Erholungsfähigkeit, der Kurs-
umkehr, herangezogen werden.
Der bisherige Teil der empirischen Analyse hat sich maßgeblich mit der Liquiditätsdi-
mension der Erholungsfähigkeit beschäftigt. Für die 28 Aktien wurde dabei vor allem
die Frage untersucht, welche Ausprägung die Titel bezüglich der Erholungsfähigkeit
aufweisen. Hypothesen 1 und 2 wurden getestet. Im folgenden Kapitel soll die

Hypothese drei überprüft werden. Die Überprüfung erfolgt anhand einer hier ent-
wickelten, für die Praxis profitablen Handelsstrategie für außerordentliche Kursbewe-
gungen. Dafür werden als Signal das Verhältnis der Optionswerte der Geldseite zur
Briefseite sowie die Ergebnisse der Erholungsfähigkeit genutzt.
4.9 Handelsstrategien für einen Agenten

Die Suche nach profitablen Handelsmöglichkeiten innerhalb eines Tages wird in drei
Bereiche unterteilt.376 An erster Stelle stehen Strategien, die Kursreversals (vgl. Kapi-
tel 2.4.2.3) nutzen. Diese lehnen sich an das Vorgehen von HANDA / SCHWARTZ
(1996b) (vgl. Kapitel 2.3.3) an. Die daraus erzielten Ergebnisse dienen als Maßstab für
die Beurteilung, ob die Profite durch die Berücksichtigung weiterer Parameter erhöht
werden können.
Ebenso sind sie das Beurteilungskriterium für Reversalbewegungen, die als auslö-
sendes Moment zusätzlich das Verhältnis der Optionswerte der Geldseite zur Briefsei-
te innerhalb der letzten 15 Minuten einbeziehen. Nur wenn ein bestimmter Kursfilter
übersprungen ist und gleichzeitig eine vorher definierte Situation für dieses Verhältnis
der Optionswerte vorliegt, wird eine Handelsposition eröffnet. Zu diesem zweiten Be-
reich zählen auch Strategien, die als zusätzliches Kriterium für die Eröffnung einer
Handelsposition das Optionsverhältnis von Geldseite zur Briefseite zu einem Zeit-
punkt berücksichtigen.
Das dritte Feld der Tradingstrategien kombiniert die Ergebnisse des zweiten Bereiches
mit den Aussagen zur Erholungsfähigkeit aus Kapitel 4.8 (vgl. Tabelle 4-16). Dabei
werden einzelne Titel bevorzugt für die Umsetzung von kurzfristigen Strategien
genutzt.
Das Ziel ist es, im Folgenden die Handelsstrategien dahingehend zu überprüfen, ob be-
stimmte transaktionsauslösende Parameter existieren, mit denen für einzelne Aktien
Gewinne erzielt werden können, um somit die Hypothese 3 zu überprüfen.
4.9.1 Kursreversalstrategien
HANDA / SCHWARTZ (1996b) konzentrieren sich bei ihrer Analyse von Handels-
strategien ausschließlich auf beobachtbare Kursbewegungen. In Anlehnung an ihr Ver-
376
Vgl. FOUCAULT (1999), der die Transaktionsmotive der Marktteilnehmer in zwei Beweggründe
unterteilt. Zum einen erwerben oder verkaufen Akteure Wertpapiere, weil ihrer subjektiven
Meinung entsprechend der aktuelle oder zukünftige (innere) Wert der Aktien nicht dem aktuellen
Marktpreis entspricht und zum anderen herrscht als Transaktionsgrundlage das Gewinnstreben
aufgrund einer kurzfristigen Einschätzung der Marktsituation.
fahren wird in der ersten Gruppe der Strategien ebenfalls so vorgegangen, dass nur
Kursbewegungen als Auslöser für Reversalstrategien fungieren. Der Grundlegende
Gedanke für einen erwarteten Gewinn ist das Bestreben, entweder im ersten Schritt ein
Wertpapier teuer zu verkaufen, um es dann wieder billiger zurück zu erwerben, oder es
zu Beginn billig zu erwerben, um es anschließend zu einem höheren Kurs zu veräu-
ßern. Für die 28 DAX-Titel werden 20 Kursfilter gesetzt. Diese starten bei -10% und
gehen in Schritten von einem Prozent auf -1% und im weiteren Verlauf von +1% bis
zu 10% hoch. Diese Filter werden jeweils vom Kurs der Eröffnungsauktion berechnet
und für jeden Handelstag neu gesetzt. Jeder Kursfilter kann pro Tag nur einmal aus-
gelöst werden und ein entsprechendes Geschäft anstoßen. Daraus resultiert, dass für
eine Aktie pro Tag maximal zehn Kauf- und zehn Verkaufspositionen eröffnet werden
könnten. Sobald eine Rendite erreicht wird, die vom Handelsstart gemessen, den
ersten Filter überspringt, wird eine Transaktion zum vorherrschenden Geld- oder
Briefkurs ausgelöst. Wird ein positiver Renditefilter überschritten, werden Aktien
verkauft. Im Falle von Kursverlusten erfolgt ein Kauf. Diese Position wird bis zum
Börsenschluss des Tages gehalten. Dann werden die Aktien in der Auktion entweder
verkauft oder gekauft, so dass wieder der ursprüngliche Bestand von vor dem Han-
delsstart besteht. Für jeden Titel wird die durchschnittliche Performance pro Rendite-
filter berechnet. Transaktionskosten werden dabei anhand der pro Aktie individuellen
XLM-Werte mit einbezogen.
Die Ergebnisse dieses Vorgehens werden in Tabelle 4-20 für Kursrückgänge und in
Tabelle 4-21 für positive Aktienentwicklungen dargestellt.
ngen
Beob hl der
hl
hl
hl
hl
hl
hl
hl
hl
hl
hl
achtu
-10%
-9%
-8%
-7%
-6%
-5%
-4%
-3%
-2%
-1%
Anza
Anza
Anza
Anza
Anza
Anza
Anza
Anza
Anza
Anza
Anza
ADS 147 1,35 1 0,32 1 - 0,67 1 - 1,63 1 - 0,64 3 - 0,06 7 0,11 16 0,15 38 0,30 79
ALT 204 2,09 1 2,12 4 1,17 10 0,90 22 0,54 34 0,24 53 0,27 80
ALV 331 3,49 4 2,51 4 1,46 4 1,02 7 0,69 12 1,07 33 0,65 42 0,66 59 0,42 74 0,14 92
BASF 197 1,59 1 0,22 2 - 0,02 6 0,61 13 0,84 32 0,39 58 0,27 85
BAY 295 0,66 3 0,27 4 1,44 7 0,43 7 0,64 12 0,44 18 0,59 32 0,49 49 0,29 71 - 0,06 92
BMW 228 1,12 1 0,44 2 0,38 3 - 0,20 4 1,02 11 0,68 23 0,72 38 0,54 59 0,33 87
CBK 276 1,31 2 0,31 2 1,94 5 1,14 6 0,48 7 1,31 20 0,85 32 0,77 45 0,57 66 0,46 91
DBK 211 2,50 2 0,60 6 - 0,04 13 0,94 41 0,41 58 0,47 91
DCX 227 0,42 1 1,73 2 2,02 11 1,10 18 1,25 40 0,70 65 0,31 90
DPW 190 3,66 1 2,37 1 1,34 1 0,44 1 1,26 3 0,78 5 0,55 14 0,53 30 0,61 56 0,35 78
DTE 171 - 1,18 1 - 1,16 2 - 1,22 3 - 1,18 4 - 0,50 7 - 1,29 8 - 0,86 16 - 0,67 25 - 0,15 43 - 0,07 62
EOA 171 0,40 2 0,38 7 0,41 12 0,54 24 0,29 47 0,19 79
FME 224 2,73 1 1,69 1 1,96 2 1,01 2 0,99 5 1,09 11 1,13 20 0,76 32 0,67 56 0,58 94
HEN 158 2,15 1 1,15 1 0,14 1 - 0,86 1 0,42 3 - 0,07 5 0,22 10 0,14 18 0,28 44 - 0,09 74
HVM 376 1,72 2 1,13 7 0,60 9 0,63 17 0,22 21 0,06 30 0,42 46 0,17 63 0,33 83 0,10 98
IFX 337 3,46 3 2,41 3 1,83 4 0,93 4 1,56 17 1,04 27 1,30 46 0,97 60 0,84 77 0,20 96
LHA 248 0,71 1 1,07 3 1,02 7 1,05 16 1,15 28 0,45 39 0,55 68 0,28 86
LIN 221 1,70 1 1,33 2 1,24 7 1,18 12 0,76 21 0,56 41 0,06 56 0,16 81
MAN 254 3,16 1 1,41 3 0,90 4 1,04 7 0,82 9 0,99 15 0,62 28 0,38 39 0,69 65 0,49 83
MEO 262 1,93 1 0,69 1 0,09 3 0,34 5 - 0,08 8 0,07 14 0,09 25 0,37 47 0,10 65 0,50 93
MUV 339 - 1,85 2 0,33 5 - 0,28 8 - 0,61 11 - 0,47 16 0,24 29 0,72 42 0,46 59 0,19 77 0,09 90
RWE 212 - 1,00 1 - 0,65 5 - 1,24 6 - 0,17 16 0,50 38 0,26 61 0,28 85
SAP 223 0,51 3 0,84 9 0,82 23 0,72 38 0,71 61 0,47 89
SCH 190 0,08 1 - 0,13 3 - 0,00 9 0,23 14 0,18 27 0,34 51 0,30 85
SIE 215 1,32 7 0,37 11 0,73 17 0,54 32 0,52 57 0,32 91
TKA 259 2,01 1 3,57 4 2,61 4 1,69 10 1,07 17 0,56 25 0,48 44 0,23 67 - 0,00 87
TUI 359 0,35 1 2,86 5 1,67 8 0,67 10 0,73 17 1,13 29 1,22 48 0,73 67 0,06 78 0,14 96
VOW 242 2,13 1 1,16 2 0,14 2 - 0,74 2 0,83 6 1,17 14 0,81 24 0,37 43 0,38 61 0,26 87
Durchschnitt 1,82 1,31 1,05 0,55 0,64 0,71 0,68 0,56 0,39 0,26
Tabelle 4-20: Performance der einfachen Handelsstrategien bei Kursrückgängen

In Tabelle 4-20 wird für den Fall einer negativen Kursentwicklung innerhalb eines Ta-
ges die durchschnittliche Performance für die 28 analysierten Titel angeführt. Dabei
wird erstmals bei einer negativen Performance von -1% ein Kauf der Aktie ausgelöst.
Mit jedem weiteren Kursrückgang um ein Prozent wird wieder ein Kauf getätigt. Der
jeweils eingesetzte Betrag ist für jeden der Filter von -1% bis -10% identisch. Die
letzte Zeile gibt für alle 28 analysierten Aktien die durchschnittliche Performance für
alle Transaktionen an, die im jeweiligen Filter der Spalte ausgelöst wurden. Die
Tabelle 4-21 gibt analog dazu die Performance der einfachen Reversalstrategie für
positive Kursbewegungen wieder.
Die Interpretation der Ergebnisse dieser einfachen Reversalstrategien aus den beiden
Tabellen erfolgt im Folgenden im direkten Vergleich mit den Resultaten für die Rever-
salstrategien, die zusätzlich Optionswerte zu einem Zeitpunkt oder innerhalb der letzen
15 Minuten nutzen
ngen
Beob hl der
hl
hl
hl
hl
hl
hl
hl
hl
hl
hl
achtu
10%
1%
2%
3%
4%
5%
6%
7%
8%
9%
Anza
Anza
Anza
Anza
Anza
Anza
Anza
Anza
Anza
Anza
Anza
ADS 131 0,05 68 0,23 39 0,56 16 0,72 7 1,57 1

ALT 206 - 0,26 81 - 0,38 53 - 0,14 36 - 0,24 17 - 0,30 8 0,36 4 0,26 3 0,54 2 1,18 2
ALV 267 0,16 79 0,15 61 0,51 45 0,62 31 0,52 19 1,50 14 1,55 8 1,42 6 1,26 3 0,24 1
BASF 194 0,14 80 0,07 50 0,14 30 - 0,24 13 - 0,35 9 - 0,09 5 - 0,06 4 - 3,26 1 - 2,27 1 - 1,24 1
BAY 233 0,15 90 - 0,07 59 - 0,30 36 - 0,75 20 - 0,30 11 - 0,32 8 - 0,52 5 - 1,35 2 - 2,75 1 - 2,63 1
BMW 217 - 0,10 78 - 0,01 58 0,21 38 0,32 23 0,52 10 1,28 8 0,57 2
CBK 306 - 0,17 87 - 0,17 66 - 0,27 50 0,07 37 0,75 28 0,95 17 - 0,03 9 0,92 7 0,27 4 0,15 1
DBK 231 - 0,15 87 - 0,02 61 0,02 40 0,06 22 - 0,22 11 0,28 7 0,14 3
DCX 184 0,21 77 0,05 50 - 0,16 25 0,23 19 - 0,65 6 - 0,02 5 - 0,19 2
DPW 213 - 0,15 82 0,23 63 0,57 38 0,77 18 0,81 8 0,74 3 1,65 1
DTE 204 - 0,26 76 - 0,47 50 - 0,10 35 - 0,31 19 - 1,04 10 - 0,77 6 - 0,02 5 - 0,53 2 0,45 1
EOA 190 - 0,01 88 - 0,04 45 0,03 25 - 0,03 14 0,45 11 1,21 6 0,54 1
FME 216 0,45 87 0,51 57 0,66 33 1,21 21 1,48 12 0,41 4 0,70 2
HEN 125 0,20 60 0,01 32 - 0,04 17 - 0,29 7 0,42 4 1,71 2 2,52 1 3,48 1 3,96 1
HVM 337 0,11 89 - 0,25 68 - 0,29 51 0,24 43 0,37 34 0,69 25 0,12 12 0,16 7 - 0,06 5 1,07 3
IFX 279 0,04 70 0,14 65 0,35 48 0,18 33 0,34 22 1,01 16 0,16 11 - 0,41 7 0,55 4 0,24 3
LHA 222 - 0,37 76 - 0,32 54 - 0,12 39 0,16 27 - 0,32 11 - 0,11 8 - 1,32 2 0,12 3 0,12 1 1,17 1
LIN 205 0,22 86 - 0,14 52 - 0,24 32 - 0,38 16 - 0,08 9 0,40 7 0,18 3
MAN 242 - 0,01 86 - 0,35 56 - 0,56 37 - 0,66 24 0,25 19 0,87 10 1,44 5 1,90 4 1,41 1
MEO 261 - 0,33 79 - 0,43 57 - 0,03 47 0,42 34 0,41 19 0,74 12 1,28 9 - 0,46 2 0,48 1 1,48 1
MUV 278 - 0,07 84 0,01 66 - 0,25 44 - 0,13 30 0,40 19 - 0,12 12 - 0,57 9 - 0,20 7 0,76 5 0,43 2
RWE 214 0,18 86 0,22 58 0,00 31 - 0,57 16 - 0,56 11 - 0,83 4 0,18 4 - 0,16 2 0,82 2
SAP 211 - 0,51 76 - 0,82 47 - 0,69 32 - 0,98 20 - 1,12 12 - 0,28 11 - 1,13 5 - 0,15 5 0,47 3
SCH 173 0,14 76 0,01 45 - 0,09 23 0,23 14 0,48 8 1,67 3 1,81 1 2,83 1 3,78 1 4,72 1
SIE 194 - 0,08 83 - 0,22 46 - 0,07 29 - 0,05 18 - 0,33 10 0,10 5 - 0,19 3
TKA 209 0,15 82 - 0,07 52 0,05 33 0,23 21 0,52 11 0,44 4 1,05 2 2,22 2 3,33 1 4,24 1
TUI 277 0,18 87 - 0,16 58 - 0,95 36 - 0,61 29 - 1,21 20 - 0,42 18 - 0,30 13 - 0,88 8 - 0,76 5 - 1,73 3
VOW 226 - 0,16 83 - 0,01 63 0,17 42 0,07 21 0,04 8 - 1,44 3 - 1,63 2 - 0,59 2 - 0,10 1 0,81 1
Durchschnitt - 0,01 - 0,08 - 0,04 0,03 0,11 0,43 0,18 0,20 0,48 0,43
Tabelle 4-21: Performance der einfachen Handelsstrategien bei Kurssteigerungen
4.9.2 Kursreversalstrategien mit zusätzlicher Nutzung der Optionswerte

In der Forschung, die sich mit Handelsstrategien beschäftigt, werden zahlreiche Signa-
le für die Eröffnung einer Position erörtert. Zumeist werden für eine kurzfristig orien-
tierte Strategie sehr kurze Zeiträume betrachtet, um zu entscheiden, ob eine Position
eröffnet wird. HARRIS (1997b) nennt als Faktoren für die Ausführungswahrschein-
lichkeit einer Limitorder die Erwartung der Marktteilnehmer hinsichtlich der Volati-
lität, des Spreads und der Liquidität.377 SCHMIDT / KÜSTER SIMIû (1998) definie-
ren die Limitattraktivität als ein Maß, das Marktteilnehmer dazu veranlassen kann,
kurzfristig orientierte Geschäfte zu tätigen.
Im vorliegenden Handelsmodell wird davon ausgegangen, dass die Marktteilnehmer
nach einer Analyse des Orderbuchs versuchen, Gewinnsituationen zu identifizieren.
Der zentrale Unterschied zu anderen Arbeiten, die ebenfalls die im Orderbuch tiefer
liegenden Gebote berücksichtigen, liegt darin, dass das Orderbuch analog zum Vorge-
hen beim Modell der Erholungsfähigkeit optionsbewertet wird.
377
Vgl. COHEN / MAIER / SCHWARTZ / WHITCOMB (1981), ANGEL (1992), HARRIS (1994
und 1997), HANDA / SCHWARTZ (1996b), SCHMIDT / KÜSTER SIMIû (1998),
HOLLIFIELD / MILLER / SANDÅS (1999), RANALDO (2000) und HOLLIFIELD / MILLER /
SANDÅS / SLIVE (2001) für eine weitere Diskussion der Ausführungswahrscheinlichkeit.
Die Strategie berücksichtigt nicht nur die beobachtbare Bewegung des Aktienkurses
innerhalb des Tages, sondern nutzt auch die Einsicht in das Orderbuch als zusätzlichen
Parameter, um eine Position zu eröffnen. Die Kursfilter für das Agieren am Markt
bleiben wie im vorhergehenden Modell zwischen -10% und +10%. Es werden zwei
weitere Strategien überprüft. Der erste Handelsmechanismus berechnet während des
Handelstages kontinuierlich das Verhältnis der Optionswerte der Geldseite zur Brief-
seite der letzten 15 Minuten. Kommt es zu einem Kursausschlag, der einen Filter über-
schreitet, so wird zu diesem Zeitpunkt das Optionsverhältnis bewertet. Eine Transak-
tion wird getätigt, wenn der Aktienkurs gestiegen ist und die summierten Optionswerte
der letzten 15 Minuten auf der Briefseite größer sind als auf der Geldseite.
Die Überlegung dabei ist, dass für den Kursanstieg nur dann ein Reversal prognosti-
ziert wird, wenn der Handlungswille der Verkaufswilligen in den letzten 15 Minuten
vor dem Überschreiten des Filters höher war als die entsprechende Haltung der Kauf-
willigen. Dies wird gemessen durch einen höheren summierten Optionswert auf der
Briefseite (Verkaufsaufträge) als auf der Geldseite (Kaufaufträge). Analog wird bei
einem fallenden Kurs dann ein Kauf getätigt, wenn im Zeitfenster von 15 Minuten vor
dem Start der außerordentlichen Kursbewegung die Optionsvolumina auf der Geld-
seite, also die Kaufaufträge, größer sind als die der Briefseite.
Die zweite Strategie berücksichtigt ebenfalls das Verhältnis von Optionswert auf der
Briefseite zu dem Optionswert auf der Geldseite. Dies wird nicht über einen Zeitraum
betrachtet, sondern nur zu dem Zeitpunkt, im dem der Filter überschritten wird. Alle
anderen Bedingungen gelten wie in der vorhergehenden Strategie.
Beide Strategien haben zusätzlich noch ein Unterscheidungsmerkmal: Falls die Be-
dingung des Verhältnisses der Optionswerte der Geldseite zur Briefseite im Zeitablauf
vor oder zu dem Zeitpunkt der außerordentlichen Kursbewegung nicht vorliegt, so
wird die Transaktion erst dann ausgelöst, wenn auch diese Bedingung erfüllt ist. Zwi-
schen Über- bzw. Unterschreiten des Kursfilters und der Auslösung des Geschäftes,
wenn die zweite Bedingung auch noch erfüllt ist, können maximal 30 Minuten verge-
hen, andernfalls erfolgt keine Transaktion. Transaktionskosten werden wieder anhand
des XLM-Maßes berücksichtigt. Für Marktteilnehmer mit Xetra-Anschluss sind diese
Transaktionsgebühren sehr gering. Zusätzlich zu Handelsgebühren fallen die Kosten
der Transaktion an. Diese fallen jedoch nur bei der Eröffnung der Position an. Das
Schließen des Geschäftes zur Schlussauktion im Xetra verursacht keine höheren Kos-
ten (vgl. Tabelle 4-10 für die differenzierte Darstellung des XLM-Maßes für jede
Orderbuchseite und ihrer Summe). Deswegen wird in den folgenden Berechnungen
lediglich die Hälfte der XLM-Kosten ausgewiesen und zum Vergleich den durch-
schnittlich erzielbaren Renditen gegenüber gestellt.
Die in den Tabelle 4-20, Tabelle 4-21, Anhang 15 und Anhang 16 wiedergegebenen
Gewinnmöglichkeiten sind im Vergleich zu HANDA / SCHWARTZ (1996b) unter-
schiedlich zu interpretieren. Die Autoren vergleichen die Performance der Strategie
mit limitierten Orders mit derjenigen mit unlimitierten Aufträgen. Die vorangegange-
nen Analysen dieser Arbeit unterscheiden sich davon. Die vorliegenden Ergebnisse
der Handelsstrategien haben das Ziel, einen absoluten Ertrag zu erzielen, ohne sie
dabei mit unlimitierten Aufträgen zu vergleichen. Die Benchmark stellt die einfache
Strategie dar, die als Auslöser für Transaktionen lediglich Kursbewegungen verwen-
det, aber keine zusätzlichen Informationen des Orderbuchs nutzt.
Die gesamten Ergebnisse dieser Strategien werden im folgenden Kapitel mit den Er-
gebnissen der Erholungsfähigkeit in Verbindung gebracht. Erst dadurch kann eine
weitreichende Interpretation der Ergebnisse der drei aufgeführten Strategien erfolgen.
4.9.3 Kursreversalstrategien mit zusätzlicher Nutzung der Erholungsfähigkeit

Nach der Berücksichtigung des Verhältnisses der Optionswerte als handelsauslösender
Indikator erfolgt die Einbindung der Ergebnisse der Untersuchung der Erholungsfähig-
keit. Dabei wird kein weiterer Auslöser für eine Strategie gesucht, vielmehr werden
Transaktionen nur in den Titeln vorgenommen, die eine hohe Erholungsfähigkeit auf-
wiesen. Dabei wird die Annahme getroffen, dass diese Titel mit der größten vollstän-
digen Erholungsfähigkeit auch die höchste Wahrscheinlichkeit für Kursreversals auf-
weisen.
Für die Untersuchung von Limitorderstrategien wird die in Tabelle 4-16 vorgenomme-
ne Charakterisierung der Erholungsfähigkeit der Einzelaktien herangezogen. Dabei
werden nur die erste und die vierte Gruppe berücksichtigt. Für den Test von Strategien
die ein Kursreversal prognostizieren werden für diese Werte mit der niedrigsten und
der höchsten Erholungsfähigkeit die deutlichsten Ergebnisse erwartet.
Die im Kapitel 4.9.2 beschriebenen Strategien, bestimmte Orderbuchkonstellationen

zu identifizieren, um mit diesen Faktoren treffsicherer Kursumkehrungen innerhalb
eines Tages zu prognostizieren, haben im Durchschnitt nicht zu höheren Renditen
geführt als eine einfache Reversalstrategie. Die Summe der Ergebnisse ist dargestellt
in
Tabelle 4-23. Sie sind dort jeweils in der Zeile „Durchschnitt aller Aktien“ zusammen-
gefasst. Diese Ergebnisse befinden sich dort in den sechs Zellen, die gesondert mar-
kiert sind. Die Performance dieser Strategien beläuft sich auf Werte zwischen -0,09%
und 0,42%. Diese stellen keine für die Praxis relevanten Handelsergebnisse dar. Der
Versuch, aus dem vorhergehenden Kapitel durch handelsauslösende Faktoren, wie
z.B. das optionsbewertete Orderbuch, Überperformance zu erzielen, war wenig erfolg-

reich.
Nun wird versucht die bisher beste Strategie, die einfache Strategie, welche mit jedem
Erreichen eines Renditefilters von minus zehn Prozent bis plus zehn Prozent jeweils
eine Transaktion auslöst, zu optimieren. Diese optimierten Verfahren werden auf die
Gruppe der hoch erholungsfähigen und die Gruppe der niedrig erholungsfähigen
Aktien angewendet. Es werden fünf verschiedene Strategien getestet (vgl. Tabelle
4-22).
Perfo hnittliche
Perfo hnittliche
Perfo hnittliche
Perfo hnittliche
gie
(mult trategie
gie
(mult trategie
ip
ip
rt)
rt)
rt)
rt)
prinz
prinz
trate
trate
ce
(mult ance
ce
(mult ance
rman
rman
iplizie
iplizie
iplizie
iplizie
rm
rm
op 5-S
op 5-S
op 5-S
op 5-S
asino
asino
sc
sc
sc
sc
urch
urch
urch
urch
(5) C
(5) C
(3) T
(4) T
(3) T
(4) T
(1) d
(2) d
(1) d
(2) d
negative Aktienentwicklung im Tagesverlauf positive Aktienentwicklung im Tagesverlauf
Prozentuale
Renditefilter
-1% bis -1% bis -6% bis -6% bis -6% bis
(in Schritten 1% bis 10% 1% bis 10% 6% bis 10% 6% bis 10% 6% bis 10%
- 10% - 10% - 10% - 10% - 10%
von einem
Prozent)
Für jeden Für jeden

Ab -1% bis -Ab -6% wird Ab - 6% bis - Ab -6% bis - Ab 1% bis Ab 6% wird Ab 6% bis Ab 6% bis
Beschrei- erreichten erreichten
10% wird je pro Filter 10% wird 10% je die 10% wird je pro Filter 10% wird 10% je die
bung der Filter wird Filter wird
eine GE eine GE von einer auf doppelte eine GE eine GE von einer auf doppelte
Strategie eine GE eine GE
mehr gesetzt. eingesetzt. 5 GE erhöht. Menge GE. mehr gesetzt. eingesetzt. 5 GE erhöht. Menge GE.
gesetzt. gesetzt.
Maximale
Investitions-
10 GE 55 GE 5 GE 15 GE 31 GE 10 GE 55 GE 5 GE 15 GE 31 GE
summe pro
Tag
Berück- 25.000 Euro 25.000 Euro 25.000 Euro 25.000 Euro 25.000 Euro 25.000 Euro
sichtigte 25.000 Euro XLM und 25.000 Euro XLM und XLM und 25.000 Euro XLM und 25.000 Euro XLM und XLM und
Transaktions- XLM 100.000 XLM 100.000 100.000 XLM 100.000 XLM 100.000 100.000
kosten Euro XLM Euro XLM Euro XLM Euro XLM Euro XLM Euro XLM
Tabelle 4-22: Mögliche Reversalstrategien378
Für die Strategien zwei, vier und fünf ist die Überlegung ausschlaggebend, dass der
Anleger hohe Konfidenz in die Existenz einer Kursumkehr hat. Dieser Gedanke findet
in die Strategien derart Eingang, dass je höher die Kursveränderung innerhalb eines
Tages ist, desto wahrscheinlicher wird das Eintreten einer Reversalbewegung. Entspre-
chend dieses Gedankens erhöht der Investor mit jedem weiteren Limit, das über-
schritten wird, seinen Einsatz.379 Die mit diesen Handelsstrategien erwirtschafteten
378
GE als Abkürzung für Geldeinheit.
379
Vgl HARBRECHT (1971), S. 92 für die Überlegung, dass ein Anleger mit zunehmender
Konfidenz für seine Strategie geneigt ist, einen immer größeren Teil seiner Anlagesumme in diese
zu investieren.
Ergebnisse werden in Tabelle 4-23 dargestellt. Dabei wird die Performance dieser
Strategien für drei Gruppen ausgewiesen. Die Gruppe der Aktien, die die höchste Er-
holungsfähigkeit aufweist stammt aus der Tabelle 4-16. Die Gruppe mit den niedrigs-
ten Werten der Erholungsfähigkeit resultiert ebenfalls aus der Tabelle 4-16. Als drittes
ist in der Tabelle 4-23 ausgewiesen, wie hoch die Performance für alle 28 Werte im
Durchschnitt ist. Diese durchschnittliche Performance aller Aktien entspricht den
aggregierten Performancekennzahlen aus dem vorhergehenden Kapitel.
Perfo hnittliche
Perfo hnittliche
Perfo hnittliche
Perfo hnittliche
gie
(mult trategie
gie
(mult trategie
ip
ip
rt)
rt)
rt)
rt)
prinz
prinz
trate
trate
ce
(mult ance
ce
(mult ance
rman
iplizie
rman
iplizie
iplizie
iplizie
rm
rm
op 5-S
op 5-S
op 5-S
op 5-S
asino
asino
sc
sc
sc
sc
urch
urch
urch
urch
(5) C
(5) C
(3) T
(4) T
(3) T
(4) T
(1) d
(2) d
(1) d
(2) d
negative Aktienentwicklung im Tagesverlauf positive Aktienentwicklung im Tagesverlauf
Gruppe hohe
Einfache Reversalstrategie
Erholungsfähigk 0,45 1,35 0,84 1,55 2,69 -0,09 -0,18 0,03 -0,12 -0,34
eit
Gruppe
niedrigste
0,20 0,78 0,83 1,99 2,97 -0,12 -0,32 0,62 1,72 2,59
Erholungsfähigk
eit
Durchschnitt
0,32 0,98 0,74 1,60 2,59 -0,09 -0,15 0,35 0,80 1,05
aller Aktien
Optionswerte innerhalb der
Gruppe hohe
Reversalstrategien mit
Erholungsfähigk 0,46 1,35 0,86 1,59 2,69 0,01 0,12 0,05 -0,09 -0,28
Berücksichtigung der
letzten 15 Minuten
eit
Gruppe
niedrigste
0,14 0,64 0,94 1,89 2,26 -0,03 -0,07 0,69 1,38 2,14
Erholungsfähigk
eit
Durchschnitt
0,29 0,93 0,76 1,61 2,49 0,00 0,12 0,43 0,87 1,51
aller Aktien
Gruppe hohe
Optionswerte zu einem
Reversalstrategien mit
Erholungsfähigk 0,51 1,51 0,98 1,80 3,14 -0,01 0,06 0,09 -0,02 -0,17
Berücksichtigung der
eit
Zeitpunkt
Gruppe
niedrigste
0,35 1,23 1,02 2,40 4,18 0,05 0,15 0,76 1,90 3,11
Erholungsfähigk
eit
Durchschnitt
0,42 1,28 0,91 1,89 3,32 0,02 0,20 0,46 1,05 1,85
aller Aktien
Tabelle 4-23: Performance unterschiedlicher Handelsstrategien in Prozent
Das zentrale Ergebnis dieser Limitorderstrategien ist, dass die Berücksichtigung der
Ergebnisse der Erholungsfähigkeit fast immer eine Strategie ermöglich, die eine
höhere Performance aufweist, als die für alle 28 Titel (hervorgehoben durch die Käst-
chenumrandung in der Tabelle 4-23). Die Performancekennzahlen die höhere Werte
liefern als die Kontrollgruppe für alle DAX-Titel sind im Falle der Outperformance in
der Tabelle jeweils fett hervorgehoben. Die besten Ergebnisse können dann erreicht
werden, wenn die Casinostrategie nur auf die Gruppe angewendet wird, die eine nied-
rige Erholungsfähigkeit aufweisen. In Fünf von sechs Fällen kann damit ein höherer
Ertrag erzielt werden, als dies mit den Strategien ohne Berücksichtigung der Erho-
lungsfähigkeit der Fall ist.
Die Erträge, die nach der einfachen Strategie nach HANDA / SCHWARTZ (1996b)
erzielt werden können, werden durch die Beachtung der Ergebnisse der Erholungsfä-
higkeit, in allen Beobachtungen übertroffen. Die Einbeziehung der Gruppen der Erho-
lungsfähigkeit in die Strategien liefert ebenfalls bessere Ergebnisse, als die Berück-
sichtigung von handelsauslösenden Parametern, wie dem optionsbewerteten Order-
buch.
Nach der Darstellung der Möglichkeiten, die Profitabilität von Reversalstrategien

durch die Erkenntnisse der Erholungsfähigkeit zu erhöhen, folgt die Diskussion, ob die
Erholungsfähigkeit kurzfristig noch besser prognostiziert werden könnte.
4.9.4 Kurzfristige Prognose und Erklärung der Erholungsfähigkeit

Aus den empirischen Untersuchungen wurden in Tabelle 4-16 die 28 betrachteten
DAX-Titel entsprechend ihrer Erholungsfähigkeit kategorisiert. Durch den langen
Analysezeitraum von einem gesamten Handelsjahr kann diese Klassifizierung als rela-
tiv stabil angenommen werden. Dies kann eine Grundlage für die Prognose der lang-
fristigen Erholungsfähigkeit der einzelnen Aktien darstellen.
Die Erholungsfähigkeit stellt die Ausprägung einer Aktie dar, also wie häufig diese
nach außerordentlichen großen Kursbewegungen ohne Informationen wieder auf ihr
ursprüngliches Gleichgewicht und ihr Ausgangspreisniveau zurückkehrt. Diese Eigen-
schaft kann als Prozentsatz ausgedrückt werden. Weiterhin charakterisiert die Erho-
lungsfähigkeit die durchschnittliche Zeit, bis diese Erholungsbewegung eingetreten ist
und sich wieder ein neues Gleichgewicht einstellt. Die Frage, ob kurzfristig prognos-
tiziert werden kann, ob eine Aktie nach der Kursbewegung wieder eine Umkehrung
vollzieht und welche Zeitdauer dafür benötigt wird versuchen die durchgeführten
Limitorderstrategien zu beantworten. Ebenfalls wird die Frage untersucht, ob durch
die Nutzung von Informationen aus der Tiefe des Orderbuches, die in Optionswerte
umgerechnet werden, sich bessere Performancebeiträge erzielen lassen, als diese mit
einer einfachen Reversalstrategie möglich ist. Die Ergebnisse verdeutlichen, dass die
aufgeführten Verfahren, die als handelsauslösende Verfahren das optionsbewertete
Orderbuch nutzen, keinen höheren Ertrag erwirtschaften. Diese Vorgehensweisen kön-
nen nicht dazu verwendet werden, einen Teil der Erholungsfähigkeit, die Kursumkehr
des Aktienkurses, zu prognostizieren.
Die Nutzung der langfristigen Kategorisierung der Einzeltitel bezüglich der Erho-
lungsfähigkeit hat gezeigt, dass in Abhängigkeit der Strategie die Titel mit einer hohen
oder niedrigen Erholungsfähigkeit deutlich bessere oder schlechtere Performance-
beiträge erwirtschaften, als der Durchschnitt aller Aktien. Dies insbesondere dann,
wenn große Kursbewegungen von mehr als plus fünf Prozent oder minus fünf Prozent
betrachtet werden.
Es resultiert, dass die Erholungsfähigkeit nicht mit kurzfristigen Analysen des Order-
buches prognostiziert werden kann. Die langfristigen Ergebnisse zur Erholungsfähig-
keit stellen stabile Werte dar, die für die Prognose eines Teilbereichs der Erholungs-
fähigkeit, der Kursumkehr, verwendet werden können.
An dieser Stelle kann nach der Durchführung der Limitorderstrategien geurteilt wer-
den, dass die Hypothese 3 zu verwerfen ist. Es konnten keine Orderbuchkonstellatio-
nen identifiziert werden, die eine kurzfristige Prognose von Kursreversals und Erho-
lungsbewegungen ermöglicht.
4.10 Zusammenfassung der Empirie

Die Ergebnisse der empirischen Untersuchungen lassen sich wie folgt kurz zusammen-
fassen:
x Im ersten, numerischen Teil der Untersuchung wurden die 28 analysierten Aktien
anhand des Modells entsprechend ihrer Erholungsfähigkeit kategorisiert. Es resul-
tieren vier Gruppen, die für die späteren Untersuchungen verwendet wurden.
x Die grafische Überprüfung der 28 Einzeltitel hat ergeben, dass für sie innerhalb
des Tagesverlaufes deutliche Muster der Erholungsfähigkeit bestehen. Besondere
Zeiträume sind die Mittagsstunden, der Zeitraum um die Eröffnung der Börsen in
den USA und der Handelsschluss. Zu diesen Zeiten weist die Erholungsfähigkeit
häufig Werte auf, die eine ungünstige Liquiditätslage signalisieren. Dies führt
dazu, dass die Hypothese 1, im praktischen Verständnis, bestätigt wird.
x Die Berechnungen der Korrelationen zeigen, dass die Liquiditätsdeterminanten
Marktbreite, Markttiefe und Erholungsfähigkeit hohe positive bzw. negative Kor-
relationen aufweisen. Die statistischen Tests dieser Rangkorrelationskoeffizienten
haben dazu geführt, dass die Hypothese 2 verworfen wurde.
x Die für Limitorderstrategien entwickelten Signalgeber und zum Test der Hypo-
these 3 entwickelten Strategien haben sichtbar gemacht, dass durch die Berück-
sichtigung von Orderbuchsituationen keine Prognosen für die kurzfristige Erho-
lungsfähigkeit bzw. Reversalbewegungen getätigt werden können. Dies führte zur
Ablehnung der Hypothese 3. Profitable Handelsstrategien sind dennoch möglich.
Diese weisen dann die besten Performancewerte auf, wenn sie für jede Aktie die
Werte der langfristigen Erholungsfähigkeit berücksichtigen.
Nach dem Abschluss der Empirie erfolgt für die vorliegende Arbeit die Zusammen-
fassung der wichtigsten Erkenntnisse. Dies umfasst die Bereiche:
x Aussagen zum entwickelten Modell,
x Charakterisierung der Erholungsfähigkeit,
x Bewertung von Limitorderstrategien für einen Handelsautomaten,
x Empfehlungen an die Deutsche Börse AG für die Ausgestaltung des Xetra und
x Ansatzpunkte für die weitere Forschung.
Schlussbetrachtung 209
5 Schlussbetrachtung
5.1 Ergebnisse bezüglich des Modells der Erholungsfähigkeit
x Aus der Überprüfung des Modells und seiner Modellparameter resultieren zwei
Anpassungen der Modellannahmen. Eine außerordentliche Kursbewegung liegt
nicht, wie ursprünglich angenommen, bereits bei einem Sigma, sondern erst ab
zwei Sigma vor. Die Zeitspanne, während der überprüft wird, ob eine außeror-
dentliche Kursbewegung vorliegt, wird ggf. von den zuerst modellierten 15 Minu-
ten auf 15 Minuten zuzüglich weiteren 15 Minuten verlängert. Durch diese
Modifikationen wird der ursprüngliche Charakter des Modells nicht maßgeblich
verändert (vgl. Kapitel 4.6).
x Aus der Modellierung des offenen Orderbuchs mit Optionswerten wird deutlich,
dass mit dieser neuen grafischen Darstellung die bisherige Visualisierung, wie sie
z.B. von GLOSTEN (1994) vorgeschlagen wurde, optimiert wird. Der Liquiditäts-
beitrag von liquiden und illiquiden Aktien wird deutlicher, als dies mit der klassi-
schen Darstellung der Steigung des Orderbuchs von Gebot zu Gebot der Fall ist
(vgl. Kapitel 4.5).
x Die statistische Untersuchung zeigt, dass zwischen dem modellierten Liquiditäts-
maß der Erholungsfähigkeit und der Marktbreite sowie auch zwischen der Erhol-
ungsfähigkeit und der Markttiefe hohe positive bzw. negative Korrelationen beste-
hen (vgl. Kapitel 4.8.3). Das in der vorliegenden Arbeit entworfene Modell fügt
sich somit gut in die bestehenden Kenngrößen ein, die die Liquidität eines Marktes
charakterisieren, und dieses kann als mit dem allgemeinen Begriff der Liquidität
eines Marktes konsistent erachtet werden. Die Ergebnisse des Modells stellen für
die Marktteilnehmer eine Zusatzinformation dar.
x Vor den außerordentlichen Kursbewegungen finden deutlich mehr Ungleichge-
wichte im Orderbuch statt, als nach diesen Bewegungen. Diese werden durch ein
neues Verfahren modelliert, das für die Beurteilung der Orderbuchlage die beiden
optionsbewerteten Orderbuchseiten und die Kursbewegung berücksichtigt. Unter
der Annahme, dass für Kursausschläge ohne neue Informationen die Liquidität des
Marktes auch eine Rolle spielt, so sprechen diese Ergebnisse für die Qualität, wie
in der vorliegenden Arbeit die Erholungsfähigkeit modelliert wird.
x Als Beitrag zur wissenschaftlichen Diskussion zeigt sich, dass für ein Modell der
Erholungsfähigkeit die Volatilität berücksichtigt werden muss. Mit der vorliegen-
den Arbeit ist dies erstmals in dem Umfang für den Deutschen Kapitalmarkt ge-
lungen.
5.2 Ergebnisse zur Charakterisierung der Erholungsfähigkeit einzelner Titel
x Die Erholungsfähigkeit weist für die einzelnen Aktien individuelle Merkmale auf.
Die 28 analysierten DAX-Mitglieder können hinsichtlich ihrer Erholungsfähigkeit
miteinander verglichen werden. Je liquider, bezogen auf den Umsatz, die Aktien
gehandelt werden, desto seltener treten bei diesen Werten im innertäglichen
Handel rasche Kursbewegungen von mehr als zwei Sigma, berechnet auf 15 bis
maximal 30 Minuten auf (vgl. Kapitel 4.6). Sehr große Unterschiede existieren
zwischen der ersten Gruppe mit den Aktien Fresenius Medical Care, Linde, MAN,
TUI, Henkel, Deutsche Telekom und Thyssen Krupp und der letzten, mit den
Titeln Allianz, SAP, E.ON, BASF, VW, Siemens und Daimler Chrysler. Die erste
Gruppe weist die niedrigsten Werte der Erholungsfähigkeit auf. Diese Aktien
haben relativ selten vollständige Erholungsbewegungen. Falls diese eintreten, so
nimmt dies eine relativ lange Zeitspanne von bis zu den maximal zulässigen 30
Minuten in Anspruch. Die letzte Gruppe weist eine hohe Erholungsfähigkeit auf.
Diese Aktien vollziehen zu einem sehr großen Teil Erholungsbewegungen, die
auch sehr schnell verlaufen.
x Die Erholungsfähigkeit ist stark abhängig von der Tageszeit. Diese Dimension der
Liquidität zeigte in den ersten zehn Monaten von 2003 in den späten Handelsstun-
den zwischen 18:00 Uhr und 20:00 Uhr illiquide Werte der Erholungsfähigkeit an.
Dies bestätigt hinsichtlich der Liquiditätsdimension ex post die Maßnahme der
Deutschen Börse den Handelsschuss in Einzeltitel im November 2003 von 20:00
Uhr auf 17:30 vorzuziehen. Ebenfalls relativ niedrige Werte der Erholungsfähig-
keit weisen die Mittagsstunden und die Handelszeit zur Eröffnung der Aktien-
märkte in den USA auf.
x Die Erholungsfähigkeit weist für die einzelnen Aktien hohe positive bzw. negative
Korrelationen zu den Liquiditätsdimensionen der Marktbreite und der Markttiefe
auf. Damit steht die Beurteilung der Erholungsfähigkeit der Einzeltitel weitgehend
im Einklang mit der Beurteilung der anderen Liquiditätsdimensionen.
5.3 Ergebnisse für einen Handelsautomaten

Die Ergebnisse für kurzfristig orientierte Handelsstrategien müssen sich an den Strate-
gien messen lassen, die das identische Vorgehen ohne die Erkenntnisse der Erholungs-
fähigkeit nutzen. Die Strategien, die für alle 28 Aktien die einfache Reversalstrategie
durch die Berücksichtigung der Lage des Orderbuches zu übertreffen versuchen, er-
zielen im Durchschnitt keine bessere Performance. Falls nur die Titel mit einer sehr
hohen oder einer sehr niedrigen Erholungsfähigkeit berücksichtigt werden, so können
Renditen erzielt werden, die zum Teil deutlich höher sind als die der vorher durchge-
führten, einfachen Strategien. Diese positiven, absoluten Renditen können auch bei
Berücksichtigung der Handelskosten noch profitabel genutzt werden.
5.4 Empfehlung für die Ausgestaltung des Xetra

Distribution der Kennzahl der Erholungsfähigkeit:
Die Liquiditätsdimensionen Marktbreite und Markttiefe sind aktuell für alle Marktteil-
nehmer zugänglich. Die Erholungsfähigkeit der Aktien wird momentan durch keine
Kennzahl offiziell angegeben. Die Empfehlung für die Deutsche Börse AG ist, diese
Kennzahl zu berechnen und zu veröffentlichen. So könnte z.B. im zeitlichen Verlauf
für einzelne Aktien die durchschnittliche Erholungsfähigkeit der letzten Wochen oder
Monate angezeigt werden. Zusätzlich zu dieser temporären Vergleichsmöglichkeit
könnten dann die einzelnen Titel auch untereinander hinsichtlich ihrer Ausprägung der
Erholungsfähigkeit verglichen werden. Diese Kennzahl würde z.B. für kurzfristig
orientierte Akteure eine nützliche Information im Handel darstellen. Bereits die Vor-
stufe des hier erarbeiteten Modells der Erholungsfähigkeit, die Optionsbewertung des
Xetra Orderbuchs, könnte eine nützliche Kennzahl für Eurex-Teilnehmer und insbe-
sondere für die Market-Maker sein, die eventuell dadurch ihre Hedging-Aktivitäten
besser abschätzen könnten. Das in dieser Arbeit vorgeschlagene Modell könnte als
Basis für eine Kennzahl der Erholungsfähigkeit und der Optionsbewertung des Xetra-
Orderbuchs dienen. Die exakte Ausgestaltung der Parameter des Modells, das dafür
angewendet wird, ist von nachrangigem Interesse. Die Möglichkeit für die Akteure,
diese Kennzahl mathematische exakt nachvollziehen zu können, ist nicht erforderlich.
Das Beispiel der Volatilitätsauktionen, die seit mehreren Jahren erfolgreich implemen-
tiert sind, beweist, dass eine Handelsregel ihre Daseinsberechtigung hat, auch wenn
ihre Berechnung für die Marktteilnehmer nicht in allen Einzelheiten bekannt ist.
Besondere Handelsbedingungen für außerordentliche Kursbewegungen:
An der Eurex gibt es bei erhöhter Volatilität den Fast Market für die Market-Maker. In
diesen Situationen ist ihnen gestattet, bei Kursanfragen eine größere minimale Spanne
für ihre Geld-Brief-Gebote aufzuweisen. Dies schützt die Market-Maker vor Ver-
lusten, verteuert aber gleichzeitig für die anderen Marktteilnehmer den Handel. Im
Xetra existieren bei sehr großen Kursveränderungen, die zu Transaktionen außerhalb
des statischen oder dynamischen Preiskorridors führen würden, Volatilitätsauktionen.

Die Volatilitätsauktion hat den Vorteil, dass die Informationsverarbeitung verbessert
werden kann. Ihr Nachteil ist, dass für einen bestimmten Zeitraum kein Handel statt-
findet. In diesem Bereich der besonderen Handelsbedingungen könnte auf außerorden-
tliche Kursveränderungen eingegangen werden, bevor es zu einer Volatilitätsauktion
kommt. Die Regel könnte gelten, wenn es zu einer Kursbewegung von mehr als zwei
Sigma innerhalb von 30 Minuten kommt. In diesem Fall werden limitierten Orders, die
auf der Orderbuchseite eingestellt werden, auf jener in der letzten halben Stunde sehr
viel Liquidität konsumiert wurde, geringere Handelsgebühren durch die Deutsche
Börse belastet. Diese Verringerung der Gebühren würde die Erholungsfähigkeit unter-
stützen, weil ein zusätzlicher Anreiz bestehen würde, Liquidität auf der stärker nach-
gefragten Orderbuchseite zur Verfügung zu stellen. Entsprechend der empirischen
Ergebnisse könnte daraus resultieren, dass sich die kurzfristig zur Verfügung gestellte
Liquidität insbesondere für die Titel mit einer niedrigeren Erholungsfähigkeit
verstärkt, weil Akteure kostengünstiger an den statistisch signifikant nachgewiesenen
Kursreversals partizipieren könnten. Dadurch würde gegebenenfalls die Anzahl an
Volatilitätsauktionen sinken, weil die Kursausschläge verringert würden. Der
kontinuierlicher Handel würde dadurch gestärkt, weil weniger Nichthandelsphasen
während der Volatilitätsauktionen stattfinden würden.
5.5 Ansatzpunkte für weitere wissenschaftliche Forschung

Konkrete Möglichkeiten für die Erweiterung der Untersuchung wurden in Kapitel
4.2.4 thematisiert und aufgelistet. Darunter fallen z.B. der Einfluss von Transaktionen
an der Eurex oder Veränderungen der Indexzusammensetzung.
Ein relativ neuer Zweig der Markt-Mikrostrukturforschung beschäftigt sich mit der
Frage, ob allgemeine Faktoren existieren, welche die Liquidität determinieren.380 Die
Protagonisten stellen die Frage ob neben den für einzelne Wertpapiere allgemein be-
kannten Faktoren, wie titelspezifisches Handelsvolumen, Volatilität und Preis auch
noch andere, übergeordnete Faktoren wie das gesamte Handelsvolumen des Marktes,
die Aktienbestände der Anleger, Insiderinformationen über den Investitionsgrad und
die kurzfristige Investitionstendenz von großen institutionellen Anlegern oder das
Handelsvolumen der Branche oder der Industrie, die Liquidität eines einzelnen Titels
beeinflussen. Um ein vollständiges Bild für die Liquidität eines Marktes zu erhalten,
müsste in Zukunft in diese Untersuchung nun auch die dritte Determinante der Liqui-
380
Vgl. HUBERMAN / HALKA (1999), CHORDIA / ROLL / SUBRAHMANYAM (1999) die zu
dem Ergebnis kommen, dass es einen allgemeinen Faktor gibt, der mit Liquiditätsproxies wie der
Markttiefe oder der Marktbreite korreliert ist.
dität, die Erholungsfähigkeit, einbezogen werden, um zu analysieren, in wie weit die

Erholungsfähigkeit auch von allgemeinen Faktoren beeinflusst wird.
Anhang 215
Anhang
Anhang 1: Änderung der Tick Size im CAC-40 durch die Umstellung auf Euro
Vergleich der Veränderung der Tick Size381 im CAC-System durch die Umstellung der
Aktiennotierung von Französische Francs auf Euro.
Tick Size bis 30.12.1998 Tick Size ab 4.1.1999

Kurs in FF Tick Size Kurs in Euro Tick Size
< 5 0,01 < 50 0,01
< 100 0,05 < 100 0,05
< 500 0,10 < 500 0,10
< 5000 1,00 500 < 0,50
5000 < 10,00
Indexmitglieder des CAC40 vom 30.12.1998. Jeweils gerundet auf ganze FF und Euro
und umgerechnet in Euro. (Konversionskurs von 6,55957 FF pro 1 Euro).
381
Vgl. HARRIS (1996) S. 9, und CORDELLA / FOUCAULT (1997), S. 1 für die Beschreibung des
Systems der Tick Size des CAC40.
216 Anhang
Titel Kurs Kurs ”alte” ”neue” ”neue” Euro Veränderung der Tick
in in Tick Tick Size Tick Size um- Size in FF
FF Euro Size in in Euro gerechnet in FF (Tick Size neu / Tick
FF Size alt)
Accor SA 1210 184 1,00 0,10 0,66 0,66
AGF 333 51 0,10 0,05 0,33 3,28
Air Liquide 1025 156 1,00 0,10 0,66 0,66
Alcatel 684 104 1,00 0,10 0,66 0,66
Axa SA 810 123 1,00 0,10 0,66 0,66
BIC 48 7 0,05 0,01 0,07 1,31
BNP 460 70 0,10 0,05 0,33 3,28
Canal Plus 381 58 0,10 0,05 0,33 3,28
Cap Gemini SA 897 137 1,00 0,10 0,66 0,66
Carrefour 703 107 1,00 0,10 0,66 0,66
CCF 519 79 1,00 0,05 0,33 0,33
Danone Groupe 1600 244 1,00 0,10 0,66 0,66
Dexia France 131 20 0,10 0,01 0,07 0,66
Elf Aquitaine 98 15 0,05 0,01 0,07 1,31
Eridania Beghin 967 147 1,00 0,10 0,66 0,66
France Telecom SA 444 68 0,10 0,05 0,33 3,28
L’Oréal 4040 616 1,00 1,00 6,56 6,56
Lafarge 531 81 1,00 0,05 0,33 0,33
Lagardere SCA 237 36 0,10 0,01 0,07 0,66
Legrand 1481 226 1,00 0,10 0,66 0,66
LVMH 1005 153 1,00 0,10 0,66 0,66
Michelin B 223 34 0,10 0,01 0,07 0,66
Paribas 74 11 0,05 0,01 0,07 1,31
Peugeot Citroën 865 132 1,00 0,10 0,66 0,66
Pinault-Printemps-Redout 1068 163 1,00 0,10 0,66 0,66
Promodes 620 95 1,00 0,05 0,33 0,33
Renault 251 38 0,10 0,01 0,07 0,66
Rhone-Poulenc 287 44 0,10 0,01 0,07 0,66
Sanofi-Synthelab 140 21 0,10 0,01 0,07 0,66
Schneider Électrice 339 52 0,10 0,05 0,33 3,28
Soc. Generale-A 905 138 1,00 0,10 0,66 0,66
Sodexho Alliance 1250 191 1,00 0,10 0,66 0,66
St. Gobain 789 120 1,00 0,10 0,66 0,66
Stmicroelectronics 220 34 0,10 0,01 0,07 0,66
Suez Lyonnaise 1148 175 1,00 0,10 0,66 0,66
Thomson CSF 240 37 0,10 0,01 0,07 0,66
Total Fina SA-B 566 86 1,00 0,05 0,33 0,33
Usinor 9 1 0,05 0,01 0,07 1,31
Valeo 440 67 0,10 0,05 0,33 3,28
Vivendi 474 72 0,10 0,05 0,33 3,28
Quelle: Bloomberg / eigene Berechnungen.
Aus der letzten Spalte wird ersichtlich, dass sich die Tick Size für 12 Titel erhöht (bei
Quotienten >1) und für 28 Titel verringert (bei Quotienten <1) hat.
Anhang 217
Anhang 2: Maximale Entfernung eines limitierten Gebotes mit ökonomischer

Relevanz
Ein Call mit einem Wert von weniger als 0,01% vom zugrunde liegenden Aktienkurs
wird als ökonomisch nicht relevant erachtet. Für die Berechnung dieses Calls (C) bei
der minimalen angenommenen Volatilität von 6,25% gilt die Ungleichung.
0,01 > C
§ § 100 · 0,06252 * 9,3214 *105 ·

¨ ln¨ ¸ ¸
K ¹ 2
C = 100 * N ¨¨ © ¸ ..
¸
¨ 0,0625 9,3214 *10 5 ¸
© ¹
§ § 100 · 0,06252 * 9,3214 * 10 5 ·
¨ ln¨ ¸ ¸
.. ¨ © K ¹ 2 5 ¸
100 * N ¨ 0,0625 9,3214 * 10 ¸
¨¨ 0,0625 9,3214 * 10 5
¸¸
© ¹
Der minimale Wert eines Aktienkurses (K), der diese Ungleichung mit der gegebenen
niedrigen Volatilität von 6,25% noch erfüllt, liegt bei 100,03%. Daraus resultiert, dass
höher limitierte Aufträge als 100,03% zu Call-Preisen kleiner als 0,01% des zugrunde
liegenden Aktienkurses führen.
Für die Berechnung des Calls bei der maximalen angenommenen Volatilität von
169,5% gilt ebenfalls die Ungleichung
§ § 100 · 1,695 2 * 9,3214 *10 5 ·

¨ ln¨ ¸ ¸
K ¹ 2
C 100 * N ¨ © ¸ ..
¨ 1,695 9,3214 *10 5 ¸
¨ ¸
© ¹
§ § 100 · 1,6952 * 9,3214 *10 5 ·
¨ ln¨ ¸ ¸
¨ © K ¹ 2 5 ¸
.. -100* N 1,695 9,3214 *10
¨ 1,695 9,3214 *10 5 ¸
¨ ¸
© ¹
Der minimale Aktienkurs (K), der diese Ungleichung mit der gegebenen hohen Vola-
tilität noch erfüllt, liegt bei 103,55% vor. Höhere Limitierungen führen zu Call-Preisen
kleiner als 0,01% des zugrunde liegenden Aktienkurses.
218 Anhang
Anhang 3: Grenzwerte für das Minimum und Maximum des Optionswertes nach
Black-Scholes
Für die minimal mögliche Distanz des Limits zum Aktienkurs in Höhe von 1 Cent re-
sultiert der maximale Wert eines Calls (C) bei gegebener niedriger Volatilität von
6,25% durch:
C=
§ § 100 · 0,06252 * 9,3214 *105 ·

¨ ln¨ ¸ ¸
¨ 100,01 ¹ 2 ¸
100 * N ¨ © ¸ ..
¨¨ 0,0625 9,3214 *10 5 ¸¸
© ¹
..
§ § 100 · 0,06252 * 9,3214 * 105 ·
¨ ln¨ ¸ ¸
¨ © 100,01 ¹ 2 5 ¸
100 * N ¨ 0,0625 9,3214 * 10 ¸ = 0,13%
¨¨ 0,0625 9,3214 * 10 5 ¸¸
© ¹
Bei der gegebenen niedrigen Volatilität von 6,25 % ist somit der maximale Wert eines
Calls mit 15 Minuten Restlaufzeit 0,13% eines Aktienkurses in Höhe von 100 Euro.
Der maximale Wert eines Calls ergibt sich bei gegebener hoher Volatilität von 169,5%
für die minimal mögliche Distanz des Limits zum Aktienkurs in Höhe von 1 Cent.
C=
§ § 100 · 1,6952 * 9,3214 * 10 5 ·

¨ ln¨¨ ¸¸ ¸
¨ 100,01 ¹ 2 ¸ ..
100 * N ¨ © ¸
5
¨¨ 1,695 9,3214 * 10 ¸¸
© ¹
§ § 100 · 1,6952 * 9,3214 * 10 5 ·
¨ ln¨¨ ¸¸ ¸
¨ © 100,01 ¹ 2 5 ¸ = 0,64%
100 * N ¨ 1,695 9,3214 * 10 ¸
¨¨ 1,695 9,3214 * 10 5 ¸¸
© ¹
Bei einer hohen Volatilität von 169,5% ist somit der maximale Wert eines Calls mit 15
Minuten Restlaufzeit 0,64 % eines Aktienkurses in Höhe von 100 Euro.
Anhang 219
Anhang 4: Hedgingstrategien der Market-Maker

Investor Market-Maker
Der Market-Maker erleidet Verluste, wenn die
Kauft die Option Ö Aktie steigt Ö
Call
(positives Optionsvolumen)382 Er kauft die Aktien entsprechend
Delta neutral.
Verkauft die Option Ö Aktie fällt Ö
Call
(negatives Optionsvolumen) Er verkauft die Aktie entsprechend
Delta neutral.
Kauft die Option Ö Aktie fällt Ö
Put
(negatives Optionsvolumen) Er verkauft die Aktien entsprechend
Delta neutral.
Put Verkauft die Option Ö Aktie steigt Ö
(positives Optionsvolumen) Er kauft die Aktie entsprechend
Delta neutral.
Anhang 5: Erfasste Parameter in 2003
Parameter Frequenz
Transaktionskurse Tickdaten
10 beste Geldkurse Tickdaten
10 beste Briefkurse Tickdaten
10 beste Geldvolumina Tickdaten
10 beste Briefvolumina Tickdaten
DAX-Index Alle 15 Sekunden
DAX-Future Tickdaten
Euro/Dollar Tickdaten
VDAX Tickdaten
Historische 30 Tagesvolatilität der DAX-Titel Tagesschlusskurse
DAX Branchenindizes Alle 15 Sekunden
Ad hoc-Mitteilungen der DGAP Alle Veröffentlichungen
Änderungen der Kapitalisierung Alle Maßnahmen
382
Vgl. SCHLAG / STOLL (2005), S. 70.
220 Anhang
Anhang 6: Sektorzugehörigkeit und Indexgewichtung der Einzeltitel im DAX

Indexgewicht im Indexgewicht durchschnittliches
Sektor DAX per im DAX per Indexgewicht im
01.01.2003 01.01.2004 DAX in 2003
ADS Consumer-Cyclical 0,41% 0,39% 0,40%
ALT Pharma & Health 0,63% 0,60% 0,61%
ALV Insurance 1,73% 2,88% 2,30%
BASF Chemicals 4,67% 4,85% 4,76%
BAY Chemicals 6,20% 5,83% 6,02%
BMW Automobile 2,63% 2,83% 2,73%
CBK Banks 3,63% 4,14% 3,89%
CON Automobile 0,00% 1,15% -
DB1 Financial Services 0,95% 0,95% 0,95%
DBK Banks 5,33% 4,95% 5,14%
DCX Automobile 7,32% 6,97% 7,15%
DPW Transport & Logistics 3,11% 3,54% 3,33%
DTE Telecommunications 21,67% 20,45% 21,06%
EON Utilities 5,41% 5,55% 5,48%
FME Pharma & Health 0,31% 0,29% 0,30%
HNK Consumer-Cyclical 0,54% 0,51% 0,52%
HVM Banks 2,95% 3,08% 3,02%
IFX Technology 3,92% 3,70% 3,81%
LHA Transport & Logistics 3,10% 2,92% 3,01%
LIN Chemicals 0,74% 0,69% 0,71%
MAN Industrial 0,91% 0,86% 0,89%
MEO Retail 1,27% 1,22% 1,25%
MLP Financial Services 0,51% 0,00% -
MUV Insurance 1,00% 1,45% 1,23%
RWE Utilities 3,58% 3,43% 3,50%
SAP Software 1,86% 1,75% 1,80%
SCH Pharma & Health 1,59% 1,50% 1,54%
SIE Industrial 7,51% 7,09% 7,30%
TKA Industrial 3,42% 3,50% 3,46%
TUI Transport & Logistics 1,10% 1,04% 1,07%
VOW Automobile 1,99% 1,87% 1,93%
100,00% 100,00% 99,17%
Anhang 221
Anhang 7: Ad hoc Meldungen für die 28 beobachteten Aktien

Titel Ad hoc-Meldung während der Börsenzeit. Ad hoc-Meldung außerhalb der Handelszeit
(bis 31. Oktober bis 20:00 Uhr der Börse.
ab 3. November bis 17:30 Uhr.)
ADS - 27.08. 02:20 Uhr
ALT 04.08. 09:00 Uhr 27.01. 08:06 Uhr
28.09. 19:38 Uhr 06.05. 08:32 Uhr
24.07. 21:00 Uhr
06.11. 08:00 Uhr
ALV 12.04. 10:46 Uhr 20.03. 07:54 Uhr
16.05. 09:26 Uhr 20.03. 07:56 Uhr
23.10. 13:04 Uhr 01.04. 20:02 Uhr
23.10. 13:30 Uhr 09.04. 08:00 Uhr
23.10. 16:41 Uhr 16.05. 07:57 Uhr
23.10. 16:51 Uhr 14.08. 07:56 Uhr
14.11. 07:28 Uhr
BASF - -
BAY 07.11. 13:37 Uhr 25.04. 07:59 Uhr
15.12. 13:55 Uhr 17.09. 23:07 Uhr
BMW - -
CBK - 05.02. 07:44 Uhr
07.05. 07:41 Uhr
06.08. 07:47 Uhr
12.11. 07:28 Uhr
DBK - 07.02. 07:47 Uhr
16.04. 07:27 Uhr
24.04. 07:24 Uhr
31.07. 07:27 Uhr
04.09. 07:30 Uhr
30.10. 07:25 Uhr
DCX 24.04. 12:08 Uhr 03.06. 22:16 Uhr
22.08. 14:29 Uhr
DPW - 04.03. 08:02 Uhr
25.03. 08:00 Uhr
DTE 28.01. 12:21 Uhr 18.02. 22:05 Uhr
08.03. 15:50 Uhr 10.03. 07:10 Uhr
10.03. 07:12 Uhr
15.05. 06:35 Uhr
14.08. 06:27 Uhr
14.09. 21:41 Uhr
13.11. 06:28 Uhr
EON 31.01. 12:45 Uhr -
05.03. 13:31 Uhr
15.05. 12:44 Uhr
08.12. 13:00 Uhr
222 Anhang

FME 07.03. 14:29 Uhr 12.02. 07:43 Uhr
25.02. 07:29 Uhr
07.05. 07:15 Uhr
05.08. 07:40 Uhr
04.11. 07:32 Uhr
HNK - -
HVM 19.02. 09:21 Uhr 29.01. 21:23 Uhr
16.07. 18:02 Uhr 19.02. 08:37 Uhr
30.07. 16:12 Uhr 27.03. 07:27 Uhr
13.05. 08:14 Uhr
31.07. 08:25 Uhr
31.07. 08:33 Uhr
09.10. 08:00 Uhr
29.10. 07:59 Uhr
IFX - 20.01. 07:19 Uhr
22.04. 07:31 Uhr
24.04. 07:59 Uhr
30.04. 07:16 Uhr
22.07. 07:31 Uhr
28.07. 08:32 Uhr
10.11. 07:30 Uhr
LHA 19.02. 17:26 Uhr 19.03. 20:35 Uhr
08.04. 19:04 Uhr 14.05. 08:17 Uhr
06.11. 21:56 Uhr
11.11. 20:20 Uhr
LIN - 26.02. 07:35 Uhr
15.05. 07:43 Uhr
14.08. 07:46 Uhr
13.11. 07:38 Uhr
MAN - 21.01. 08:06 Uhr
06.03. 07:48 Uhr
13.05. 07:50 Uhr
13.08. 07:51 Uhr
12.11. 07:50 Uhr
17.12. 07:42 Uhr
MEO - -
MUV - 20.03. 08:10 Uhr
27.03. 07:28 Uhr
28.08. 07:55 Uhr
02.10. 21:38 Uhr
17.10. 08:26 Uhr
23.10. 21:59 Uhr
25.11. 08:22 Uhr
RWE 13.03. 15:40 Uhr 26.11. 23:45 Uhr
03.09. 11:06 Uhr
Anhang 223

18.09. 15:48 Uhr
12.11. 14:57 Uhr
SAP 13.03. 19:24 Uhr 09.01. 07:11 Uhr
08.10. 15:20 Uhr 30.01. 06:25 Uhr
SCH - -
SIE - 23.01. 07:30 Uhr
24.04. 07:59 Uhr
22.05. 07:07 Uhr
24.07. 08:01 Uhr
TKA - 21.02. 08:38 Uhr
TUI 07.10. 19:21 Uhr 22.01. 08:06 Uhr
07.10. 07:30 Uhr
VOW 19.02. 09:34 Uhr -
07.05. 11:09 Uhr
25.07. 09:46 Uhr
29.10. 10:29 Uhr
Quelle: www.dgap.com
224 Anhang
Anhang 8: Fehlende Datensätze
Kalender- Datum Uhrzeit fehlende

woche (KW) Handelsstunden
KW 3 Montag, 13.1. 9:00 bis 20:00 Uhr 11
KW 4 Freitag, 24.1. 17:07 bis 20:00 Uhr 3
KW 9 Donnerstag, 18:31 bis 20:00 Uhr 1,5
27.2.
KW 32 Donnerstag, 7.8. 10:01 bis 20:00 Uhr 10
Summe 47,5
Anhang 225
Anhang 9: Eurex-Optionskurse kurz vor Optionsverfall
Eurex: Handelbare Optionskurse der Bayer AG, 17. Dezember 2004, 17:20 Uhr.
226 Anhang
Eurex: Handelbare Optionskurse der Dt. Bank AG, 17. Dezember 2004, 17:20 Uhr.
Anhang 227
Eurex: Handelbare Optionskurse E.ON AG, 17. Dezember 2004, 17:21 Uhr.
228 Anhang
Eurex: Handelbare Optionskurse Infineon AG, 17. Dezember 2004, 17:21 Uhr.
Anhang 229
Anhang 10: Durchschnittliche Steigung der Geldseite des Orderbuchs in Cent

Geld 1 - Geld 2 - Geld 3 - Geld 4 - Geld 5 - Geld 6 - Geld 7 - Geld 8 - Geld 9 -
Geld 2 Geld 3 Geld 4 Geld 5 Geld 6 Geld 7 Geld 8 Geld 9 Geld 10
ADS 0,0317 0,0349 0,0391 0,0452 0,0506 0,0552 0,0595 0,0635 0,0673
ALT 0,0280 0,0302 0,0332 0,0359 0,0383 0,0406 0,0426 0,0446 0,0465
ALV 0,0253 0,0224 0,0224 0,0236 0,0251 0,0265 0,0276 0,0287 0,0297
BASF 0,0168 0,0161 0,0168 0,0183 0,0199 0,0210 0,0218 0,0224 0,0229
BAY 0,0127 0,0121 0,0126 0,0132 0,0136 0,0140 0,0144 0,0147 0,0150
BMW 0,0163 0,0159 0,0173 0,0191 0,0211 0,0226 0,0238 0,0247 0,0255
CBK 0,0121 0,0124 0,0132 0,0138 0,0141 0,0144 0,0146 0,0148 0,0152
DBK 0,0177 0,0170 0,0167 0,0177 0,0191 0,0202 0,0212 0,0219 0,0225
DCX 0,0145 0,0133 0,0136 0,0145 0,0152 0,0157 0,0160 0,0163 0,0166
DPW 0,0118 0,0135 0,0140 0,0148 0,0152 0,0157 0,0162 0,0169 0,0176
DTE 0,0103 0,0102 0,0102 0,0102 0,0103 0,0104 0,0104 0,0105 0,0105
EOA 0,0171 0,0159 0,0163 0,0177 0,0191 0,0204 0,0215 0,0223 0,0230
FME 0,0299 0,0340 0,0400 0,0457 0,0505 0,0537 0,0561 0,0582 0,0613
HEN 0,0259 0,0311 0,0365 0,0419 0,0471 0,0509 0,0543 0,0582 0,0622
HVM 0,0138 0,0140 0,0148 0,0154 0,0160 0,0163 0,0165 0,0167 0,0170
IFX 0,0111 0,0105 0,0106 0,0108 0,0108 0,0109 0,0109 0,0109 0,0110
LHA 0,0116 0,0120 0,0128 0,0133 0,0139 0,0142 0,0144 0,0146 0,0150
LIN 0,0235 0,0277 0,0326 0,0370 0,0409 0,0438 0,0460 0,0485 0,0509
MAN 0,0178 0,0207 0,0234 0,0258 0,0281 0,0302 0,0319 0,0339 0,0359
MEO 0,0198 0,0214 0,0242 0,0268 0,0293 0,0312 0,0326 0,0339 0,0354
MUV 0,0324 0,0294 0,0300 0,0322 0,0345 0,0368 0,0388 0,0405 0,0421
RWE 0,0150 0,0150 0,0162 0,0175 0,0185 0,0191 0,0197 0,0202 0,0206
SAP 0,0314 0,0295 0,0304 0,0327 0,0357 0,0385 0,0411 0,0433 0,0452
SCH 0,0210 0,0215 0,0236 0,0259 0,0282 0,0302 0,0315 0,0328 0,0336
SIE 0,0168 0,0150 0,0150 0,0159 0,0169 0,0179 0,0186 0,0191 0,0197
TKA 0,0121 0,0127 0,0137 0,0144 0,0151 0,0157 0,0160 0,0163 0,0167
TUI 0,0150 0,0159 0,0169 0,0178 0,0185 0,0190 0,0193 0,0196 0,0200
VOW 0,0180 0,0175 0,0187 0,0208 0,0230 0,0246 0,0258 0,0268 0,0277
Durch-
0,0189 0,0194 0,0209 0,0228 0,0246 0,0261 0,0273 0,0284 0,0295
schnitt
230 Anhang
Anhang 11: Durchschnittliche Steigung des Briefseite des Orderbuchs in Cent

Brief 2 - Brief 3 - Brief 4 - Brief 5 - Brief 6 - Breif 7 - Brief 8 - Brief 9 - Brief 10 -
Brief 1 Brief 2 Brief 3 Breif 4 Brief 5 Brief 6 Brief 7 Brief 8 Brief 9
ADS 0,0322 0,0348 0,0398 0,0456 0,0510 0,0550 0,0580 0,0607 0,0631
ALT 0,0288 0,0313 0,0343 0,0369 0,0392 0,0415 0,0436 0,0457 0,0483
ALV 0,0261 0,0231 0,0235 0,0252 0,0272 0,0288 0,0301 0,0313 0,0325
BASF 0,0170 0,0162 0,0170 0,0186 0,0201 0,0212 0,0219 0,0225 0,0231
BAY 0,0128 0,0124 0,0130 0,0136 0,0141 0,0146 0,0149 0,0152 0,0156
BMW 0,0164 0,0162 0,0177 0,0198 0,0219 0,0235 0,0246 0,0255 0,0262
CBK 0,0121 0,0124 0,0132 0,0137 0,0147 0,0133 0,0143 0,0144 0,0146
DBK 0,0184 0,0168 0,0172 0,0184 0,0200 0,0213 0,0222 0,0229 0,0236
DCX 0,0146 0,0134 0,0140 0,0150 0,0159 0,0166 0,0170 0,0172 0,0175
DPW 0,0124 0,0131 0,0140 0,0146 0,0150 0,0154 0,0156 0,0161 0,0165
DTE 0,0103 0,0102 0,0102 0,0103 0,0103 0,0104 0,0104 0,0105 0,0105
EOA 0,0173 0,0161 0,0168 0,0184 0,0201 0,0216 0,0227 0,0236 0,0245
FME 0,0302 0,0337 0,0394 0,0454 0,0497 0,0525 0,0563 0,0552 0,0587
HEN 0,0261 0,0304 0,0364 0,0416 0,0472 0,0514 0,0548 0,0567 0,0596
HVM 0,0140 0,0143 0,0150 0,0157 0,0163 0,0168 0,0172 0,0175 0,0179
IFX 0,0106 0,0106 0,0108 0,0109 0,0109 0,0110 0,0110 0,0111 0,0111
LHA 0,0117 0,0122 0,0131 0,0137 0,0143 0,0147 0,0150 0,0151 0,0153
LIN 0,0237 0,0274 0,0322 0,0369 0,0412 0,0451 0,0484 0,0520 0,0562
MAN 0,0176 0,0205 0,0233 0,0258 0,0283 0,0308 0,0330 0,0349 0,0370
MEO 0,0199 0,0215 0,0242 0,0267 0,0289 0,0308 0,0324 0,0336 0,0348
MUV 0,0331 0,0303 0,0318 0,0345 0,0376 0,0404 0,0428 0,0448 0,0469
RWE 0,0151 0,0152 0,0166 0,0182 0,0194 0,0201 0,0206 0,0209 0,0214
SAP 0,0317 0,0296 0,0307 0,0334 0,0365 0,0394 0,0421 0,0444 0,0467
SCH 0,0211 0,0218 0,0241 0,0265 0,0289 0,0310 0,0325 0,0336 0,0348
SIE 0,0168 0,0151 0,0151 0,0161 0,0172 0,0181 0,0188 0,0194 0,0198
TKA 0,0122 0,0129 0,0142 0,0150 0,0156 0,0164 0,0167 0,0169 0,0172
TUI 0,0152 0,0163 0,0176 0,0185 0,0192 0,0199 0,0203 0,0204 0,0209
VOW 0,0182 0,0176 0,0190 0,0214 0,0236 0,0253 0,0264 0,0275 0,0285
Durch-
0,0191 0,0195 0,0212 0,0232 0,0252 0,0267 0,0280 0,0289 0,0301
schnitt
Anhang 231
Anhang 12: Erholungsfähigkeit – grafische Darstellung

Illiquide Titel
Erholungsfähigkeit E.ON AG
0%
0.5 %
1%
1.5 %
17:00 18:00
2% 14:00
10:00 11:00
09:00
Handelszeit
232 Anhang
Anhang 233
Liquide Titel
Erholungsfähigkeit DAIMLER CHRYSLER AG
7
0
0%
0.5 %
1%
1.5 %
19:00 20:00
2% 17:00 18:00
2.5 % 13:00 14:00
3% 09:00 10:00
in Prozent Handelszeit
234 Anhang
Erholungsfähigkeit SIEMENS AG
7
0
0%
0.5 %
1%
1.5 %
Außerordentl.
2% 19:00 20:00
2.5 % 15:00 16:00
11:00 12:00
3% 10:00
09:00 Handelszeit
Erholungsfähigkeit VW AG
0
0%
0.5 %
20:00
19:00
1% 18:00
17:00
1.5 % 16:00
15:00
13:00
Kursbewegung 12:00
2.5 % 11:00 Handelszeit
in Prozent 10:00
3% 09:00
Anhang 235
Anhang 13: Algorithmus der wichtigsten Programmroutinen
Berechnung der Erholungsfähigkeit (Auszug aus dem Visual Basic Programm)
'********************************
'Anfang der Berechnung RESIL
'********************************
calcul_RESIL_:
If Not calcType = CALC_RESIL_ Then GoTo next_record_
'If IsNull(.Fields(INTRADAY_LN_R_).Value) Then GoTo next_record_

'If .Fields(IF_PX_TICK_) = 0 Then GoTo next_record_ 'checked at the query level. only px-ticks
If Not .Fields(DATEX_).Value = LastDATEX_RESIL Then 'jeden Tag neu berechnen

LastDATEX_RESIL = .Fields(DATEX_).Value
LastDbID = 0
CurrentTableForSQLQuery = "TEMP_" & tableX & "_" & _
Format(Day(LastDATEX_RESIL), "0#") & _
Format(Month(LastDATEX_RESIL), "0#") & _
Format(Year(LastDATEX_RESIL), "####")
RVola30D = .Fields(VOLA_30_DAYS_).Value
RAvgAbstandZwischenTicks = 60 / (ResilSqlX.GetNoOfTicksPerDay(Me) / (11 * 60))
RMinVola15Min = ResilSqlX.GetMinRawVola15Min(Me) * Sqr(r_DIOV_MINS_ * 60 / RAvgAbstandZwischenTicks) / Sqr(252,5* 8.5* 4)
If RMinVola15Min = 0 Then MsgBox "MinVola15min = 0 @ ConnectionX.populateRecordset -> calcul_RESIL_", vbExclamation,
"anomaly"
IDToWaitFor = 0
mn.printInfo "processing RESIL date: " & LastDATEX_RESIL & " for " & .Fields(NAME_)
End If
'-----------------------------------------------------
CurrentDbID = .Fields("ID").Value
If CurrentDbID <= LastDbID Then

mn.printInfo "ABBRUCH: NICHT GUT SORTIERT ODER DOPPELTE IDs: ID= " & CurrentDbID & " @ " & CurrentTableForSQLQuery
StateX = STATE_ERROR
End If
LastDbID = CurrentDbID
''Stop
If IDToWaitFor > 0 Then 'next start set
If CurrentDbID < IDToWaitFor Then
'Log.WriteX "still waiting for ID=" & IDToWaitFor & " to come. now ID=" & .Fields("ID")
GoTo next_record_ 'next record till the ID is found
ElseIf CurrentDbID = IDToWaitFor Then
'Log.WriteX "ID=" & IDToWaitFor & " has come! now ID=" & .Fields("ID")
IDToWaitFor = 0 'reset and proceed with RESIL
End If
End If
'-----------------------------------------------------
'start
'[VOLA PARAMETER]
CurrentDbVola15Min = IIf(IsNull(.Fields(VOLA_15_MINS_).Value), 0, .Fields(VOLA_15_MINS_).Value)
If CurrentDbVola15Min > 0 Then
'runterskalieren aus SQL-Server-Daten auf Tickebene und dann hochskalieren auf 15 Mins anhand des durchschnittl. abstand zwischen
einzelnen Ticks
RVola15Min = r_VOLA_MULTIPLICATOR_ *CurrentDbVola15Min * Sqr(r_DIOV_MINS_* 60 / RAvgAbstandZwischenTicks) /
Sqr(525,5 * 8.5 * 4)
Else
236 Anhang
'falls zum Start keine Vola15Min in der DB vorliegt -> Nutzung runterskalierter Vola von 30 Tagen als Vola
RVola15Min = r_VOLA_MULTIPLICATOR_ * RVola30D / Sqr(260 * 8.5 * 4)
End If
RVolaTimeFrameMins = r_DIOV_MINS_ * (r_VOLA_MULTIPLICATOR_FOR_MIN_VOLA_15_MIN_ * RMinVola15Min /

IIf(RVola15Min = 0, RMinVola15Min, RVola15Min)) 'mit variable
If RVolaTimeFrameMins > 60 Then RVolaTimeFrameMins = 60
If RVolaTimeFrameMins < 1 Then RVolaTimeFrameMins = 1
Set RCurrentTF = New TimeFrame

RCurrentTF.InitStart Me, "THIS_CURRENT_SEARCH_TIMEFRAME_15_MINS", _
CDate(.Fields("DATEX").Value), r_TIME_PEAK_SEARCH_MIN_, _
CDate(.Fields("TIMEX").Value), _
.Fields("ID").Value, .Fields("TRDPRC_1").Value
RCurrentTF.SetEndParameters
'checking preliminary if a movement might be there. saves costly queries later in SetMinMaxParameters
If Not RCurrentTF.CheckHasPrelimMovement() Then
Set RCurrentTF = Nothing
GoTo next_record_
End If
RCurrentTF.SetMinMaxParameters
'if there was a movement then place the start of the next search timeFrame
'at the min/max of the frame where the movement was discovered
If RCurrentTF.HasMovement() Then
'//SQL-Server ->
ResiliencyID = ResiliencyID + 1
Set RS = New Resiliency
RS.New1 ResiliencyID, DB, tableX, .Fields("NAME").Value, .Fields("DATEX").Value, _
r_VOLA_MULTIPLICATOR_, r_VOLA_MULTIPLICATOR_FOR_MIN_VOLA_15_MIN_, _
RMinVola15Min * 100, r_DIOV_RATIO_, r_TIME_PEAK_SEARCH_MIN_
'// <- SQL-Server
IDToWaitFor = AnalyseMovement() 'let the outer cycle run till it encountres this ID,
'because only from this ID we proceed, seeking for movements
Log.WriteX "IDToWaitFor=" & IDToWaitFor
Set RS = Nothing
End If
Set RCurrentTF = Nothing
'********************************
'ende Berechnung RESIL
'********************************
Anhang 237
Berechnung der Limitorderstrategien (Auszug aus dem Visual Basic Programm)

'********************************
'start Berechnung LOS
'********************************
If Not calcType = CALC_LOS_ Then GoTo next_record_
If IsNull(.Fields(INTRADAY_LN_R_).Value) Then GoTo next_record_

If .Fields(IF_PX_TICK_) = 0 Then GoTo next_record_
If IsNull(.Fields(TRDPRC_1_).Value) Then GoTo next_record_
Dim currRendite_Los As Double

currRendite_Los = CDbl(.Fields(INTRADAY_LN_R_).Value)
If Not .Fields(DATEX_).Value = lastDATEX_LOS Then 'neuer Tag

Utility.writeLos mn, con, xl, tableX, name_Los, lastDATEX_LOS, clos, _
filters, filtersOV, filtersDIV, _
filterPrices, filterOVPrices, filterDIVPrices
lastDATEX_LOS = .Fields(DATEX_).Value
name_Los = .Fields(NAME_).Value
sumRendite_Los = 0
End If
sumRendite_Los = sumRendite_Los + currRendite_Los
clos = CDbl(.Fields(TRDPRC_1_).Value)
'check filters[] & write to filter[]Prices

If Not (sumRendite_Los >= 1 Or sumRendite_Los <= -1) Then GoTo next_record_ 'kein Ereignis
''Stop
Dim iFilter As Integer
Dim sFilter As String
Dim filterSign As String
iFilter = Fix(sumRendite_Los)
If sumRendite_Los > 0 Then filterSign = "+"

If sumRendite_Los < 0 Then filterSign = "-"
If iFilter = 0 Then
If sumRendite_Los > 0 Then sFilter = "+0"
If sumRendite_Los < 0 Then sFilter = "-0"
Else
sFilter = CStr(iFilter)
End If
Dim priceIt As PriceItem

Dim filterTest As Variant
On Error Resume Next
'if not in filterPrices -> Einfügen, Filter aus filters löschen
filterTest = filters.Item(sFilter)
If Err.Number = 0 Then
Set priceIt = New PriceItem
priceIt.filter = iFilter
priceIt.Price = clos
priceIt.TimeX = .Fields(TIMEX_).Value
priceIt.sign = filterSign
filterPrices.Add priceIt, sFilter
Set priceIt = Nothing
filters.Remove sFilter
Else
Err.Clear
End If
Err.Clear
238 Anhang
'if not in filterPricesOV -> Einfügen, Filter aus filtersOV löschen
filterTest = filtersOV.Item(sFilter)
'if OV-15-min regel

Dim retval As String
retval = ov15min.checkOV15Min(CLng(.Fields(ID_).Value), name_Los, CDate(.Fields(TIMEX_).Value), CDate(.Fields(DATEX_).Value))
If (sumRendite_Los > 0 And retval = "A>B") Or (sumRendite_Los < 0 And retval = "A<B") Then
filterOVPrices.Add priceIt, sFilter
filtersOV.Remove sFilter
End If
Else
Err.Clear
End If
Err.Clear
'If ov15min.Running Then Debug.Print "null"
'if not in filterPricesDIV -> Einfügen, Filter aus filtersDIV löschen

filterTest = filtersDIV.Item(sFilter)
' Prozentualer Unterschied zwischen den beiden summierten Optionsbuchseiten
'if DIV Regel

'1.5 * .Fields()
If (sumRendite_Los > 0 And .Fields(SAOV_).Value > .Fields(SBOV_)) Or _
(sumRendite_Los < 0 And .Fields(SAOV_).Value < .Fields(SBOV_)) Then
'If (sumRendite_Los > 0 And .Fields(SAOV_).Value > 1.5 * .Fields(SBOV_)) Or _

'(sumRendite_Los < 0 And .Fields(SAOV_).Value * 1.5 < .Fields(SBOV_)) Then

filterDIVPrices.Add priceIt, sFilter
filtersDIV.Remove sFilter
End If
Else
Err.Clear
End If
Err.Clear
On Error GoTo 0
On Error GoTo err_
'********************************
'ende Berechnung LOS
'********************************
Anhang 239
Anhang 14: DAX-Titel mit einer offiziellen Notierung in den USA in 2003
Allianz
BASF
Daimler Chrysler
Deutsche Bank
Deutsche Telekom
E.ON
Epcos
Fresenius Medical Care
Infineon
SAP
Schering
Siemens
240 Anhang
Anhang 15: Limitorderstrategien mit Optionswertverhältnissen im Zeitablauf

Performance der Reversalstrategie mit Berücksichtigung des Verhältnisses aus der
Summe der Optionswerte der Geldseite zur Summe der Optionswerte der Briefseite
der letzten 15 Minuten. (Negative Kursentwicklung)
Summe der
Filter: -10% Filter: -9% Filter: -8% Filter: -7% Filter: -6% Filter: -5% Filter: -4% Filter: -3% Filter: -2% Filter: -1%
Ereignisse
und Anzahl und Anzahl und Anzahl und Anzahl und Anzahl und Anzahl und Anzahl und Anzahl und Anzahl und Anzahl
der der der der der der der der der der
Ereignisse Ereignisse Ereignisse Ereignisse Ereignisse Ereignisse Ereignisse Ereignisse Ereignisse Ereignisse
ADS 141 1,68 1 0,34 1 - 0,64 1 - 1,63 1 - 1,13 2 - 0,03 7 - 0,13 14 0,19 38 0,29 76
ALT 196 0,00 0 2,48 3 1,01 9 1,01 22 0,60 34 0,23 50 0,28 78
ALV 325 3,41 4 2,51 4 1,53 4 1,06 7 0,74 11 1,05 31 0,72 41 0,69 59 0,45 74 0,09 90
BASF 196 1,94 1 0,40 2 - 0,02 6 0,63 13 0,88 31 0,42 58 0,23 85
BAY 294 0,75 3 0,29 4 1,44 7 0,54 7 0,65 12 0,44 18 0,61 32 0,48 48 0,31 71 - 0,03 92
BMW 226 1,12 1 0,44 2 0,41 3 - 0,21 4 0,29 10 0,77 21 0,76 38 0,58 60 0,38 87
CBK 271 1,31 2 0,31 2 2,03 5 1,19 6 0,48 7 1,25 19 0,91 32 0,69 43 0,61 67 0,42 88
DBK 209 2,52 2 0,56 7 - 0,04 13 0,97 40 0,36 56 0,50 91
DCX 226 0,42 1 1,94 2 1,69 10 1,11 18 1,25 40 0,70 65 0,34 90
DPW 188 3,66 1 2,60 1 1,34 1 0,44 1 1,55 3 0,76 5 0,58 14 0,47 29 0,61 54 0,40 79
DTE 168 - 1,18 1 - 1,16 2 - 1,22 3 - 1,18 4 - 0,50 7 - 1,29 8 - 0,85 16 - 0,64 25 - 0,14 42 0,03 60
EOA 170 0,40 2 0,41 7 0,42 12 0,55 24 0,23 46 0,21 79
FME 213 2,73 1 1,69 1 1,93 2 0,88 2 1,04 5 0,65 8 1,13 19 0,71 30 0,71 53 0,61 92
HEN 154 2,15 1 1,15 1 0,14 1 - 0,86 1 0,25 2 - 0,03 5 0,06 9 0,19 19 0,29 43 - 0,03 72
HVM 370 1,79 2 1,13 7 0,69 9 0,38 16 0,26 21 0,07 30 0,46 46 - 0,03 60 0,28 82 0,15 97
IFX 331 3,39 2 2,51 3 1,83 4 0,97 4 1,59 16 1,07 27 1,36 45 1,03 59 0,81 76 0,22 95
LHA 240 0,71 1 1,07 3 1,02 7 1,06 16 0,71 25 0,40 38 0,45 66 0,32 84
LIN 215 1,70 1 1,33 2 1,31 6 0,65 10 0,79 20 0,64 40 0,06 54 0,15 82
MAN 239 3,16 1 1,41 2 0,94 4 1,14 7 0,90 9 1,01 14 0,44 24 0,35 33 0,71 64 0,52 81
MEO 250 1,87 1 0,69 1 0,20 3 0,51 5 0,06 8 - 0,08 13 - 0,12 21 0,34 44 0,23 64 0,51 90
MUV 332 - 1,78 2 - 0,81 4 - 0,18 8 - 0,04 10 - 0,60 15 0,27 29 0,49 40 0,49 59 0,17 76 0,25 89
RWE 209 - 1,00 1 - 0,59 5 - 1,18 6 - 0,15 15 0,53 38 0,23 59 0,33 85
SAP 217 0,51 3 0,48 8 0,86 23 0,68 36 0,63 59 0,40 88
SCH 182 0,13 1 0,13 4 0,02 9 - 0,66 12 0,28 26 0,41 48 0,22 82
SIE 214 1,33 7 0,37 11 0,74 17 0,55 32 0,54 57 0,32 90
TKA 257 2,13 1 3,64 4 3,48 3 1,72 10 1,14 17 0,59 26 0,39 43 0,20 66 - 0,00 87
TUI 347 0,35 1 2,93 5 1,74 8 0,70 9 0,80 17 1,20 28 0,91 44 0,65 65 0,14 77 0,15 93
VOW 241 2,13 1 1,56 2 0,53 2 - 0,71 2 0,86 6 1,17 14 0,88 24 0,39 43 0,53 59 0,31 88
Durchschnitt 1,75 1,27 1,11 0,60 0,67 0,64 0,63 0,54 0,40 0,27
Anhang 241
Performance der Reversalstrategie mit Berücksichtigung des Verhältnisses aus der

Summe der Optionswerte der Geldseite zur Summe der Optionswerte der Briefseite
der letzten 15 Minuten. (Positive Kursentwicklung)
Summe der
Filter: 1% Filter: 2% Filter: 3% Filter: 4% Filter: 5% Filter: 6% Filter: 7% Filter: 8% Filter: 9% Filter: 10%
Ereignisse
ADS 129 0,04 66 0,27 39 0,66 16 0,75 7 1,57 1

ALT 201 - 0,22 79 - 0,34 52 - 0,16 34 - 0,16 17 - 0,22 8 0,43 4 0,39 3 0,67 2 1,25 2
ALV 267 0,19 79 0,18 61 0,53 45 0,66 31 0,57 19 1,54 14 1,66 8 1,55 6 1,30 3 0,24 1
BASF 193 0,19 80 0,12 50 0,19 30 - 0,24 13 0,33 8 - 0,09 5 - 0,06 4 - 3,26 1 - 2,27 1 - 1,12 1
BAY 233 0,12 89 - 0,02 59 - 0,28 36 - 0,72 21 - 0,30 11 - 0,32 8 - 0,50 5 - 1,35 2 - 2,75 1 - 2,61 1
BMW 212 - 0,05 77 - 0,00 56 0,21 37 0,41 22 0,73 10 1,32 8 0,57 2
CBK 301 - 0,21 86 - 0,22 66 - 0,34 49 0,04 36 0,66 27 1,00 17 - 0,03 9 0,95 7 0,14 3 0,15 1
DBK 225 - 0,17 85 - 0,10 59 - 0,02 39 - 0,08 21 - 0,21 11 0,28 7 0,17 3
DCX 182 0,22 77 0,02 49 - 0,13 25 0,27 19 - 0,60 6 - 0,06 4 - 0,19 2
DPW 203 - 0,24 80 0,22 60 0,57 36 0,83 17 0,63 6 0,74 3 1,65 1
DTE 203 - 0,16 75 - 0,46 50 - 0,08 35 - 0,28 19 - 1,02 10 - 0,77 6 - 0,02 5 - 0,53 2 0,45 1
EOA 189 0,03 88 - 0,01 45 0,05 25 0,01 13 0,50 11 1,19 6 0,62 1
FME 206 0,36 82 0,58 55 0,72 32 1,24 21 1,64 11 0,58 4 0,68 1
HEN 121 0,20 61 - 0,05 30 0,01 16 - 0,37 6 0,50 3 1,62 2 2,52 1 3,48 1 3,85 1
HVM 323 0,07 86 - 0,30 67 - 0,20 50 0,17 41 0,43 32 0,63 22 0,14 12 0,38 6 - 0,12 4 1,18 3
IFX 277 0,08 71 0,14 64 0,40 47 0,23 33 0,35 22 1,05 16 - 0,10 10 - 0,40 7 0,69 4 0,24 3
LHA 218 - 0,38 75 - 0,30 54 - 0,21 38 0,19 26 - 0,32 11 - 0,08 8 - 1,25 2 0,12 2 1,05 1 1,17 1
LIN 203 0,32 85 - 0,14 52 - 0,19 32 - 0,37 15 - 0,03 9 0,52 7 0,32 3
MAN 233 - 0,12 81 - 0,39 55 - 0,59 36 - 0,57 23 0,32 19 0,85 9 1,50 5 1,93 4 1,41 1
MEO 254 - 0,37 76 - 0,37 55 0,04 47 0,37 32 0,50 19 0,84 12 1,32 9 - 0,46 2 0,48 1 1,52 1
MUV 273 - 0,06 83 - 0,01 65 - 0,20 44 - 0,08 29 0,29 17 - 0,12 12 - 0,54 9 - 0,15 7 0,79 5 0,43 2
RWE 211 0,25 86 0,25 58 - 0,22 28 - 0,56 16 - 0,56 11 - 0,74 4 0,26 4 0,06 2 0,89 2
SAP 208 - 0,52 75 - 0,83 45 - 0,66 32 - 0,92 20 - 1,04 12 - 0,23 11 - 1,10 5 - 0,15 5 0,57 3
SCH 165 0,15 76 - 0,13 41 - 0,02 22 0,10 13 0,65 7 0,77 2 2,23 1 2,83 1 3,86 1 4,72 1
SIE 192 - 0,06 83 - 0,20 45 - 0,06 29 - 0,13 17 - 0,34 10 0,11 5 0,00 3
TKA 208 0,18 82 - 0,05 50 0,12 33 0,25 21 0,53 11 0,35 5 1,05 2 2,16 2 3,44 1 4,24 1
TUI 269 0,19 86 - 0,08 56 - 0,92 35 - 0,49 29 - 1,36 19 - 0,55 17 - 0,35 12 - 0,83 8 - 1,76 4 - 1,49 3
VOW 223 - 0,13 84 0,01 63 0,13 41 0,09 20 0,11 8 - 1,39 3 - 1,25 2 - 0,40 2
Durchschnitt - 0,00 - 0,07 - 0,03 0,04 0,14 0,43 0,20 0,27 0,49 0,47
242 Anhang
Anhang 16: Limitorderstrategien mit Optionswerten zu einem Zeitpunkt

Performance der Reversalstrategie mit Berücksichtigung des Verhältnisses des
Optionswertes der Geldseite zum Optionswert der Briefseite in einem Zeitpunkt.
(Negative Kursentwicklung)
Summe der
Filter: -10% Filter: -9% Filter: -8% Filter: -7% Filter: -6% Filter: -5% Filter: -4% Filter: -3% Filter: -2% Filter: -1%
Ereignisse
ADS 127 1,34 1 0,32 1 - 0,67 1 - 1,63 1 - 2,04 1 0,73 5 0,16 13 0,24 32 0,18 72
ALT 181 2,09 1 1,93 3 0,94 8 0,88 19 0,60 30 0,14 47 0,18 73
ALV 316 3,73 3 2,47 4 1,45 4 1,00 7 0,35 11 1,09 32 0,58 41 0,51 56 0,40 71 0,00 87
BASF 191 1,59 1 0,22 2 - 0,02 6 0,64 13 0,86 32 0,40 56 0,29 81
BAY 288 0,66 3 0,27 4 1,44 7 0,43 7 0,77 12 0,29 17 0,38 30 0,41 47 0,29 70 - 0,01 91
BMW 215 1,12 1 0,71 2 - 0,34 2 - 0,19 4 0,29 10 0,39 21 0,30 34 0,57 58 0,32 83
CBK 266 1,31 2 0,61 2 0,21 4 1,28 6 0,70 7 1,46 18 1,03 31 0,49 43 0,60 66 0,54 87
DBK 203 1,83 1 0,60 6 - 0,03 13 0,85 40 0,36 57 0,34 86
DCX 224 0,59 1 1,73 2 1,78 10 1,15 17 1,22 39 0,71 65 0,35 90
DPW 187 3,66 1 2,37 1 1,34 1 0,44 1 1,26 3 0,86 5 0,68 12 0,57 28 0,67 57 0,37 78
DTE 167 - 1,18 1 - 1,16 2 - 1,22 3 - 1,18 4 - 0,50 7 - 1,29 8 - 1,13 15 - 0,59 25 - 0,12 43 0,00 59
EOA 170 0,77 2 0,38 7 0,43 12 0,55 24 0,34 47 0,27 78
FME 199 1,89 1 2,08 2 1,01 2 0,85 4 0,66 8 0,99 18 0,50 26 0,59 48 0,62 90
HEN 139 1,15 1 0,41 1 - 0,50 1 1,55 2 - 0,07 5 0,21 9 0,21 18 0,25 37 - 0,18 65
HVM 355 1,61 2 1,04 7 0,67 8 0,72 14 0,48 19 0,21 28 0,28 42 0,09 57 0,21 81 0,19 97
IFX 329 3,46 3 2,41 3 1,91 4 1,15 4 1,55 16 1,04 26 1,23 44 0,96 60 0,80 75 0,20 94
LHA 237 0,71 1 1,07 3 1,02 7 1,06 16 0,72 25 0,42 38 0,49 65 0,26 82
LIN 203 2,15 1 1,36 2 1,28 5 0,99 9 0,75 20 0,51 35 0,09 53 - 0,07 78
MAN 229 3,52 1 1,27 2 0,90 4 1,24 7 1,26 8 1,07 14 0,33 23 0,28 34 0,54 58 0,33 78
MEO 234 1,82 1 1,33 1 0,18 3 - 0,40 4 0,07 7 0,11 13 - 0,22 19 0,39 44 0,14 58 0,43 84
MUV 311 1,31 2 0,94 6 - 0,06 10 - 0,40 13 0,35 26 1,05 41 0,65 56 0,34 75 - 0,12 82
RWE 206 - 0,10 2 - 0,65 5 - 1,15 6 - 0,22 15 0,53 38 0,25 58 0,14 82
SAP 215 0,57 3 0,84 9 0,83 22 0,62 36 0,59 57 0,39 88
SCH 173 0,08 1 - 0,17 3 - 0,01 9 0,20 13 0,27 27 0,43 45 0,26 75
SIE 213 1,04 6 0,37 11 0,73 17 0,55 32 0,50 56 0,36 91
TKA 243 4,38 2 3,56 3 1,83 10 1,08 18 0,49 23 0,37 41 0,23 63 - 0,08 83
TUI 330 0,35 1 2,84 5 1,66 8 0,80 9 0,77 17 1,00 26 1,26 43 0,68 61 0,08 75 0,05 85
VOW 229 2,13 1 2,06 1 0,63 2 - 0,51 2 0,76 6 1,54 12 1,08 23 0,59 41 0,39 57 0,46 84
Durchschnitt 2,09 1,45 1,09 0,65 0,69 0,69 0,65 0,52 0,39 0,23
Anhang 243
Performance der Reversalstrategie mit Berücksichtigung des Verhältnisses des

Optionswertes der Geldseite zum Optionswert der Briefseite in einem Zeitpunkt.
(Positive Kursentwicklung)
Summe der
Filter: 1% Filter: 2% Filter: 3% Filter: 4% Filter: 5% Filter: 6% Filter: 7% Filter: 8% Filter: 9% Filter: 10%
Ereignisse
ADS 122 0,17 66 0,28 36 0,24 13 0,64 6 1,57 1

ALT 189 - 0,22 75 - 0,19 49 - 0,13 31 - 0,39 15 - 0,18 8 0,36 4 0,70 3 0,36 2 1,18 2
ALV 256 0,21 79 0,24 58 0,40 43 0,85 29 0,93 17 1,42 13 1,66 8 1,65 5 1,48 3 0,24 1
BASF 190 0,32 79 0,14 49 0,13 29 - 0,19 13 0,29 8 - 0,08 5 - 0,06 4 - 3,26 1 - 2,27 1 - 1,24 1
BAY 231 0,14 89 - 0,21 58 - 0,24 35 - 0,68 21 - 0,30 11 - 0,32 8 - 0,52 5 - 1,35 2 - 2,75 1 - 2,63 1
BMW 201 - 0,15 75 - 0,04 54 0,21 35 0,39 19 0,43 9 1,32 7 0,52 2
CBK 291 - 0,27 84 - 0,35 62 - 0,42 48 0,02 36 0,73 26 0,85 16 0,03 9 0,64 6 0,09 3 0,15 1
DBK 216 - 0,20 81 - 0,23 56 0,02 39 - 0,06 21 - 0,31 10 0,41 7 0,05 2
DCX 180 0,23 75 0,02 49 - 0,04 25 0,24 19 - 0,65 6 - 0,06 4 - 0,19 2
DPW 198 - 0,18 79 0,17 60 0,62 35 0,57 16 0,75 5 1,16 2 1,65 1
DTE 202 - 0,25 75 - 0,45 49 - 0,08 35 - 0,30 19 - 1,00 10 - 0,75 6 - 0,02 5 - 0,53 2 0,45 1
EOA 183 0,00 85 - 0,08 44 0,01 23 - 0,14 13 0,45 11 1,20 6 0,54 1
FME 184 0,35 74 0,53 50 0,68 30 1,08 19 1,39 8 0,80 3
HEN 104 0,12 54 0,03 28 - 0,38 12 - 0,39 4 0,37 3 1,27 2 2,46 1
HVM 314 0,10 85 - 0,35 62 - 0,23 47 0,18 40 0,47 33 0,65 22 0,56 11 0,42 7 0,06 4 1,12 3
IFX 269 - 0,02 67 0,17 64 0,34 46 0,20 32 0,44 21 0,86 15 0,23 11 - 0,38 7 - 0,79 3 0,24 3
LHA 209 - 0,48 72 - 0,12 53 - 0,21 37 0,14 25 - 0,28 11 - 0,38 6 - 1,26 2 0,19 2 0,35 1
LIN 185 0,13 79 - 0,16 49 - 0,23 29 - 0,40 12 - 0,30 7 0,52 6 0,24 3
MAN 219 - 0,33 76 - 0,65 48 - 0,59 35 - 0,62 24 0,46 18 0,87 9 1,22 6 2,48 3
MEO 241 - 0,30 75 - 0,44 54 0,01 44 0,39 29 0,64 17 1,20 10 0,81 8 - 0,46 2 0,48 1 1,48 1
MUV 264 - 0,07 82 - 0,12 62 - 0,23 41 - 0,10 29 0,26 17 - 0,30 11 - 0,94 8 - 0,19 7 0,76 5 0,43 2
RWE 205 0,26 84 0,17 55 - 0,33 28 - 0,45 16 - 0,56 11 - 0,74 4 - 0,48 3 - 0,16 2 0,82 2
SAP 191 - 0,46 70 - 0,54 43 - 0,49 29 - 0,48 18 - 0,94 11 - 0,24 9 - 1,03 5 - 0,04 4 0,25 2
SCH 154 - 0,03 71 0,06 41 - 0,16 17 - 0,10 11 0,70 8 1,23 2 2,20 1 3,71 1 4,29 1 4,79 1
SIE 193 - 0,09 82 - 0,17 46 - 0,07 29 - 0,05 18 - 0,31 10 0,12 5 - 0,19 3
TKA 193 0,08 77 - 0,26 46 - 0,11 31 0,10 20 0,30 9 0,47 4 1,05 2 2,16 2 3,33 1 4,24 1
TUI 258 0,38 81 0,11 52 - 1,33 32 - 0,90 26 - 1,05 21 - 0,30 18 - 0,34 13 - 0,76 8 - 1,08 4 - 1,47 3
VOW 217 - 0,32 78 - 0,01 62 0,17 41 0,14 21 0,19 8 - 1,44 3 - 1,28 2 - 0,59 2
Durchschnitt - 0,03 - 0,09 - 0,08 0,01 0,16 0,42 0,18 0,18 0,30 0,42
Literaturverzeichnis 245
Literaturverzeichnis
ABKEN, PETER / NANDI, SAIKAT (1996): Options and Volatility, in: Economic
Review, S. 21 – 35, Federal Reserve Bank of Atlanta.
ADMATI, ANAT / PFLEIDERER, PAUL (1988): A Theory of Intraday Patterns:
Volume and Price Variability, in: Review of Financial Studies, Vol. 1, S. 3 – 40.
AHN, DONG-HYUN / BOUDOUKH, JACOB / RICHARDSON, MATTHEW /
WHITELAW, ROBERT (2000): Partial Adjustment or Stale Prices? Implications
from Stock Index and Futures Return Autocorrelations, Working Paper, Stern
School of Business, New York University.
AHN, HEE-JOON / BEA, KEE-HONG / CHAN, KOLAK (2001): Limit Orders,
Depth and Volatility: Evidence from the Stock Exchange of Hong Kong, in: Journal
of Finance, Vol. 56, S. 769 – 790.
AITKEN, MICHAEL / GARVEY, GERALDT / SWAN, PETER (1995): How
Brokers Facilitate Trade for Long-Term Clients in Competitive Securities Markets,
in: Journal of Business, Vol. 65, S. 1 – 33 January 1995.
ALIZADEH, SASSAN / BRANDT, MICHAEL / DIEBOLD, FRANCIS (2001):
Range-Based Estimation of Stochastic Volatility Models, in: Journal of Finance,
Vol. 57, S. 1047 – 1092.
AMIN, KAUSHIK (1993): Jump Diffusion Option Valuation in Discrete Time, in:
Journal of Finance, Vol. 48, S. 1833 – 1863.
ANDERSEN, TORBEN / BENZONI, LUCA / LUND, JESPER (2002): An
Empirical Investigation of Continuous Time Equity Return Models, in: Journal of
Finance, Vol. 57, S. 1239 – 1284.
ANDERSEN, TORBEN / BOLLERSLEV, TIM / CHRISTOFFERSEN, PETER
/ DIEBOLD, FRANCIS (2005): Practical Volatility and Correlation Modelling for
Financial Market Risk Management, Working Paper, University of Pennsylvania.
ANDERSEN, TORBEN / BOLLERSLEV, TIM / DIEBOLD, FRANCIS (2002):
Parametric and Nonparametric Volatility Measurement, in Handbook of Financial
Econometrics, Kapitel 2, Hrsg.: AȲT-SAHALIA / HANSEN, unveröffentlicht.
ANDERSEN, TORBEN / BOLLERSLEV, TIM / DIEBOLD, FRANCIS (2003):
Some like it Smooth, and Some like it Rough: Untangling Continuous and Jump
Components in Measuring, Modelling, and Forecasting Asset Return Volatility,
Working Paper No. 35, Centre for Financial Studies, Frankfurt.
246 Literaturverzeichnis
ANDERSEN, TORBEN / BOLLERSLEV, TIM / DIEBOLD, FRANCIS /

EBENS, HEIKO (2001): The Distribution of Realized Stock Return Volatility, in:
Journal of Financial Economics, Vol. 61, S. 43 – 76.
LAYBS, PAUL (1999): Understanding, Optimizing, Using and Forecasting
Realized Volatility and Correlation, Working Paper, Kellogg Graduate School of
Management.
LAYBS, PAUL (2000): The Distribution of Realized Exchange Rate Volatility,
Working Paper, University of Pennsylvania.
LAYBS, PAUL (2003): Modelling and Forecasting Realized Volatility,
Econometrica, Vol. 71, S. 529 -626.
ANDERSEN, TORBEN / BOLLERSLEV, TIM / DIEBOLD, FRANCIS / VEGA,
CLARA (2002): Micro Effects of Macro Announcements: Real-Time Price
Discovery in Foreign Exchange, in: American Economic Review, Vol. 93, S. 38 -
62.
ANGEL, JAMES (1992): Limit Versus Market Orders, Working Paper, Georgetown
University, School of Business Administration.
ANGEL, JAMES (1997): How Best to Supply Liquidity to a Small-Capitalization
Securities Market, Working Paper, Georgetown University, School of Business
Administration.
ARNETH, STEFAN (2001): Die Marktwirkung von Insiderhandel an Wert-
papierbörsen, Gabler Verlag, Wiesbaden.
ARNOLD, TOM / HILLIARD, JIMMY / SCHWARTZ, ADAM (2003): Short
Maturity Options and Jump Memory, Working Paper, Louisiana State University.
ATKINS, ALLEN / DYLE, EDWARD (1990): Price Reversals, Bid-Ask Spreads,
and Market Efficiency, in: Journal of Financial and Quantitative Analysis, Vol. 25,
S. 535 – 548.
AUSTRALIAN STOCK EXCHANGE (HRSG) (1998): DataSNAP, Customer
Service Information, September 1998, Sydney.
AȲT-SAHALIA, YACINE (2002): Telling from Discrete Data Whether the
Underlying Continuous-Time Model Is a Diffusion, in: Journal of Finance, Vol. 57,
S. 2075 – 2112.
AȲT-SAHALIA, YACINE (2004): Disentangling Diffusion from Jumps, in: Journal

of Financial Economics, Vol. 74, S. 487 – 527.
AȲT-SAHALIA, YACINE / LO, ANDREW (1998): Nonparametric Estimation of
State-Price Densities Implicit in Financial Asset Prices, in: Journal of Finance, Vol.
53, S. 499 -547.
AȲT-SAHALIA, YACINE / MYKLAND, PER / ZHANG, LAN (2004): A Tale of
Two Time Scales: Determining Integrated Volatility with Noisy High-Frequency
Data, Working Paper, Princeton University.
BACHELIER, LOUIS (1900/1964): Theory of Speculation, The Random Character
of Stock Prices, PAUL H. Cootner (Hrsg.), Cambridge: MIT. Übersetzung der
Dissertation aus 1900.
BAGEHOT, WALTER / TREYNOR, JACK (1971): The Only Game in Town,
Financial Analysts Journal, Vol. 22, S. 12 – 14.
BAKSHI, GURDIP / CAO, CHARLES / CHEN, ZHIWU (1997): Empirical
Performance of Alternative Option Pricing Models, in: Journal of Finance, Vol. 52,
S. 2003 – 2049.
BAKSHI, GURDIP / CAO, CHARLES / CHEN, ZHIWU (2000): Do Call Prices
and the Underlying Stock Always Move in the Same Direction? In: Review of
Financial Studies, Vol. 13, S. 549 – 584.
BAMBERG, GÜNTER / BAUR, FRANZ (1989): Statistik, 6. Auflage, Oldenbourg
Verlag, München-Wien.
BAMBERG, GÜNTER / COENENBERG, ADOLF (1991): Betriebs-
wirtschaftliche Entscheidungslehre, 6. Auflage, Verlag Franz Vahlen, München.
BANDI, FEDERICO / RUSSELL, JEFFRY (2003): Microstructure noise, realized
volatility, and optimal sampling, Working Paper, Graduate School of Business,
University of Chicago.
BARNDORFF-NIELSEN, OLE (1998): Processes of Normal Inverse Gaussian
Type, in: Finance and Stochastics, Vol. 2, S. 41 – 68.
BARONE-ADESI, GIOVANNI / WHALEY, ROBERT (1987): Efficient Analytic
Approximation of American Option Values, in: Journal of Finance, Vol. 42, S. 301
– 320.
BATES, DAVID (1995): Hedging the Smile, Working Paper, Henry B Tippie
College of Business, University of Iowa.
BATES, DAVID (1996): Jumps and Stochastic Volatility: Exchange Rate Processes
Implicit in PHLX Deutsche Mark Options, in: Review of Financial Studies, Vol. 9,
S. 69 -107.
BATES, DAVID (2000): Post- ’87 Crash fears in the S&P 500 Futures Option
Market, in: Journal of Econometrics 94, S. 181 – 238.
BATES, DAVID (2002): Empirical Option Pricing: A Retrospection, Working Paper,
Henry B Tippie College of Business, University of Iowa.
BECKERS, STAN (1983): Variances of Security Price Returns Based on High, Low,
and Closing Prices, in: Journal of Business, Vol. 56, S. 97 – 114.
BEINERT, MICHAELA / TRAUTMANN, SIEGFRIED (1992): Verlaufsmuster
der impliziten Aktienvolatilität – Beobachtungen am Frankfurter Optionsmarkt und
der Deutschen Terminbörse, Working Paper, Universität Mainz.
BELTRAN-LOPEZ, HELENA / GIOT, PIERRE / GRAMMIG, JOACHIM
(2002): Expected and Unexpected Cost of Trading in the Xetra Automated Auction
Market, Mimeo, Working Paper, Université Catholique de Louvain.
BENSTON, GEORGE / IRVINE, PAUL / KANDEL, EUGENE (2000): Liquidity
Beyond the Inside Spread: Measuring and Using Information in the Limit Order
Book, Working Paper, Goizueta Business School, Emory University, Atlanta AG.
BERNHARDT, DAN / HUGHSON, ERIC (1997): Splitting Orders, in: Review of
Financial Studies, Vol. 10, No.1, S. 69 – 101.
BESSEMBINDER, HENDRIK / COUGHENOUR, JAY / SEGUIN, PAUL /
SMOLLER, MARGARET MONROE (1995): Mean Reversion in Equilibrium
Asset Prices: Evidence from the Futures Term Structure, in: Journal of Finance,
Vol. 50, S. 361 – 375.
BESSEMBINDER, HENDRIK / SEGUIN, PAUL (1993): Price Volatility, Trading
Volume, and Market Depth: Evidence from Futures Markets, in: Journal of
Financial and Quantitative Analysis, Vol. 28, S. 21 -39.
BIAIS, BRUNO / BISIÈRE, CHRISTOPHER / SPATT, CHESTER (2003):
Imperfect Competition in Financial Markets: ISLAND vs. NASDAQ, Working
Paper, Toulouse University.
BIAIS, BRUNO / HILLION, PIERRE / SPATT, CHESTER (1995): An Empirical
Analysis of the Limit Order Book and the Order Flow in the Paris Bourse, in:
Journal of Finance, Vol. 50, S. 1655-1689.
BILLIO, MONICA / PELIZZON, LORIANA (2000): Option Smile and Switching
Volatility, Working Paper, London Business School.
BJERKSUND, PETTER / STENSLAND, GUNNAR (1993): Closed-Form

Approximation of American Options, in: Scandinavian Journal of Management,
Vol. 9, S. 87 – 99.
BLACK, FISCHER (1971): Towards a Fully Automated Exchange, Part I, in:
Financial Analysts Journal, Vol 27, S. 29 – 34.
BLACK, FISCHER (1976): Studies of Stock Price Volatility Changes, Proceedings
of the 1976 Meeting of the American Statistical Association, S. 177 – 181.
BLACK, FISCHER (1986): Noise, in: Journal of Finance, Vol. 41, S. 529 –543.
BLACK, FISCHER / SCHOLES, MYRON (1972a): The Pricing of Options and
Corporate Liabilities, in: Journal of Political Economy Vol. 3, S. 637 – 654.
BLACK, FISCHER / SCHOLES, MYRON (1972b): The Valuation of Option
Contracts and a Test of Market Efficiency, in: Journal of Finance, Vol. 27, S. 399 -
417.
BLEYMÜLLER, JOSEF / GEHLERT, GÜNTHER / GÜLICHER, HERBERT
(2002): Statistik für Wirtschaftswissenschaftler, 13. Auflage, WiSt.-Studienkurs,
Verlag Franz Vahlen, München.
BLOOMBERG (2005): CAC <INDEX> WGT <GO> für die Gewichtung der
Mitglieder des CAC40 im Index.
BLOOMBERG (2005): HDAX <INDEX> GWGT <GO> für die Branchen-
zusammensetzung des DAX 100.
BOEHMER, EKKEHART / SAAR, GIDEON / YU, LEI (2005): Lifting the Veil:
An Analysis of Pre-Trade Transparency at the NYSE, in: Journal of Finance, Vol.
60, S. 783 – 815.
BOLLEN, NICOLAS / WHALEY, ROBERT (2004): Does Net Buying Pressure
Affect the Shape of Implied Volatility Functions? In: Journal of Finance, Vol. 59, S.
711 – 753.
BOLLERSLEV, TIM (1986): Generalized Autoregressive Conditional Hetero-
skedasticity, in: Journal of Econometrics, Vol. 31, S. 307 – 327.
BOSSAERTS, PETER / HILLION, PIERRE (1993): Test of a General Equilibr-
ium Stock Option Pricing Model, in: Mathematical Finance, Vol. 3, S. 311 – 347.
BOUDOUKH, JACOB / RICHARDSON, MATTHEW / WHITELAW,
ROBERT (1994): A Tale of Three School: Insights on Autocorrelations of Short-
Horizon Stock Returns, in: Review of Financial Studies, Vol. 7, S. 539 – 573.
BOYLE, PHELIM (1977): A Monte Carlo Approach, in: Journal of Financial

Economics, Vol. 4, S. 323 – 338.
BOYLE, PHELIM (1986): Option Valuation Using a Three-Jump Process, in:
International Options Journal, Vol. 3, S. 7-12.
BRANDT, MICHAEL / DIEBOLD, FRANCIS (2004): A No-Arbitrage Approach
to Range-Based Estimation of Return Covariances and Correlations, Working Paper
and forthcoming in: Journal of Business (2006), Vol. 79.
BRAUE, CARSTEN / HILLE, LARS (1997): Xetra – Elektronisches Handels-
system am Finanzplatz Deutschland, in: die Bank, Nr. 3, S. 140 – 145.
BREMER, MARC / SWEENEY, RICHARD (1991): The Reversal of Large Stock-
Price Decreases, in: Journal of Finance, Vol. 46, S. 747 – 754.
BRENNAN, MICHAEL / SCHWARTZ, EDUARDO (1977): The Valuation of
American Put Options, in: Journal of Finance, Vol. 32, S. 449 – 462.
BRENNAN, MICHAEL / SUBRAHMANYAM, AVANIDHAR (1995): Market
Mikrostrukture and Asset Pricing: On the Compensation for Adverse Selection in
Stock Returns, Working Paper UCLA
BRENNER, MENACHEM / SUBRAHMANYAM, MARTI (1988): A Simple
Formula to Compute the Implied Standard Deviation, in: Financial Analysts
Journal, Sept. - Oct., S. 80 – 83.
BROWN, DAVID / HOLDEN, CRAIG (1999): The Design of Limit Orders under a
Hybrid Mechanism with Endogenous Depth, Working Paper, Kelley School of
Business, Indiana University, Bloomington.
BROWN, DAVID / HOLDEN, CRAIG (2001): Adjustable Limit Orders, Working
Paper, Kelley School of Business, Indiana University, Bloomington.
BROWN, KEITH / HARLOW, W. / TINIC, SEHA (1988): Risk Aversion,
Uncertain Information, and Market Efficiency, in: Journal of Financial Economics,
Vol. 22, S. 355 – 386. .
BROWN, PHILIP / THOMSON, NATHANIAL / WALSH, DAVID (1998):
Characteristics of the Order Flow through an Electronic Open Limit Order Book,
Working Paper, University of Western Australia, Nedlands, Department of
Accounting and Finance.
BROWN, PHILIP / WALSH, DAVID / YUEN, ANDREA (1997): The Interaction
Between Order Imbalance and Stock Price, in: Pacific-Basin Finance Journal, Vol.
5, S. 539 – 557.
BRUNNER, ANTJE (1996): Messkonzepte zur Liquidität auf Wertpapiermärkten,

Beiträge zur Theorie der Finanzmärkte Nr. 13, J.W. Goethe-Universität Frankfurt
am Main.
BUNDESFINANZMINISTERIUM (HRSG) (2002): 4. Finanzmarktförderungs-
gesetz, Fassung vom 1. Juli 2002, Berlin.
BYRNE, ROBERT (1991): Discrete Prices in Securities Markets, Working Paper,
Graduate School of Industrial Administration, Carnegie Mellon.
CAMPA, JOSE MANUEL / CHANG, KEVIN (1995): Testing the Expectations
Hypothesis on the Term Structure of Implied Volatilities in Foreign Exchange
Options, in: Journal of Finance, Vol. 50, S. 529 – 547.
CARR, PETER / GEMAN HÉLYETTE / MADAN, DILIP / YOR, MARC
(2002): The Fine Structure of Asset Returns: An Empirical Investigation, in:
Journal of Business, Vol. 75, S. 305 – 322.
CARR, PETER / WU, LIUREN (2003a): The Finite Moment Log Stable Process
and Option Pricing, in: Journal of Finance, Vol. 58, S. 753 – 777.
CARR, PETER / WU, LIUREN (2003b): What Type of Process Underlies Options?
A Simple Robust Test, in: Journal of Finance, Vol. 58, S. 2581 – 2610.
CARR, PETER / WU, LIUREN (2004): Time-Changed Lévy Processes and Option
Pricing, in: Journal of Financial Economics, Vol. 71, S. 113 – 141.
CHAKRAVARTY, SUGATO / HOLDEN, CRAIG (1995): An Integrated Model
of Market and Limit Orders, in: Journal of Financial Intermediation, Vol. 4, S. 213
– 241.
CHAN, LOUIS / LAKONISHOK, JOSEF (1993): Institutional Trades and Intraday
Stock Price Behavior, in: Journal of Financial Economics, Vol. 33, S. 173 - 199.
CHAN, LOUIS / LAKONISHOK, JOSEF (1995): The Behavior of Stock Prices
Around Institutional Trades, in: Journal of Finance, Vol. 50, S. 1147-1174.
CHEN, YING / HÄRDLE, WOLFGANG / SCHULZ, RAINER (2004): Prognose
mit nichtparametrischen Verfahren, Working Paper, Center for Applied Statistics
and Economics, Humboldt-Universität zu Berlin.
CHERNOV, MIKHAIL / GALLANT, RON / GHYSELS, ERIC / TAUCHEN,
GEORG (2002): A New Class of Stochastic Volatility Models with Jumps,
Working Paper, Duke University.
CHIANG, ALPHA (1984): Fundamental Methods of Mathematical Economics,
McGraw-Hill, New York.
CHORDIA, TARUN / ROLL, RICHARD / SUBRAHMANYAM, AVANIDHAR

(1999): Commonality in Liquidity, Working Paper, Anderson School, UCLA, Los
Angeles.
(2000): Market Liquidity and Trading Activity, Working Paper, Anderson School,
UCLA, Los Angeles.
(2001): Order Imbalance, Liquidity, and Market Returns, Working Paper, Anderson
School, UCLA, Los Angeles.
COHEN, KALMAN / MAIER, STEVEN / SCHWARTZ, ROBERT /
WHITCOMB, DAVID (1981): Transaction Costs, Order Placement Strategy, and
Existence of the Bid-Ask Spread, in: Journal of Political Economy, Vol. 89, No. 2,
S. 287 – 305.
CONRAD, JENNIFER / KAUL, GAUTAM (1988): Time Varying Expected
Return, in: Journal of Business, Vol 61, S. 409 -425.
COPELAND, THOMAS / GALAI, DAN (1983): Information Effects of the Bid-
Ask-Spread, in: Journal of Finance, Vol. 38, S. 1457 – 1469.
COPPEJANS, MARK / DOMOWITZ, IAN (2002): An Empirical Analysis of
Trades, Orders, and Cancellations in a Limit Order Market, Working Paper, Duke
University.
COPPEJANS, MARK / DOMOWITZ, IAN / MADHAVAN, ANANTH (2001):
Liquidity in an Automated Auction, Working Paper, Duke University.
COPPEJANS, MARK / DOMOWITZ, IAN / MADHAVAN, ANANTH (2002):
Dynamics of Liquidity in an Electronic Limit Order Book Market, Working Paper,
Duke University.
CORDELLA, TITO / FOUCAULT, THIERRY (1997 und 1999): Minimum Price
Variations, Time Priority and Quote Dynamics, Discussion Paper Series No. 1717,
Centre for Economic Policy Research.
CORSI, FULVIO / ZUMBACH, GILLES / MÜLLER, ULRICH /
DACOROGNA, MICHEL (2001): Consistent High-Precision Volatility form
High-Frequency Data, in: Economic Notes, Vol. 30, S. 183 – 204.
COVAL, JOSHUA / SHUMWAY, TYLER (2001): Expected Option Returns, in:
COX, JOHN / ROSS, STEPHEN (1976): The Valuation of Options for Alternative
Stochastic Processes, in: Journal of Financial Economics, Vol. 3, S. 145 – 166.
COX, JOHN / ROSS, STEPHEN / RUBINSTEIN, MARK (1979): Option Pricing:

A Simple Approach, in: Journal of Financial Economics, Vol. 7, S. 229 - 263.
COX, JOHN / RUBINSTEIN, MARK (1985): Options Markets, Prentice-Hall,
Englewood Cliffs, New Jersey.
DANÍELSSON, JÓN / PAYNE, RICHARD (2001): Measuring and Explaining
Liquidity on an Electronic Limit Order Book: Evidence from Reuters D2000-2,
Working Paper, London School of Economics.
DANÍELSSON, JÓN / PAYNE, RICHARD (2002): Liquidity Determination in an
Order Driven Market, Working Paper, London School of Economics.
DE BONDT, WERNER / THALER, RICHARD (1985): Does the Stock Market
Overreact?, in: Journal of Finance, Vol. 40, S. 793 – 805.
DE BONDT, WERNER / THALER, RICHARD (1987): Further Evidence on
Investor Overreaction and Stock Market Seasonality, in: Journal of Finance, Vol.
40, S. 793 – 805.
DE JONG, FRANK / NIJMAN, THEO / RÖELL, AILSA (1995): A comparison
of the cost of trading French shares on the Paris Bourse and on SEAQ International,
in: European Economic Review, Vol. 39, S. 1277 – 1301.
DEGRYSE, HANS / DEJONG, FRANK / VAN RAVENSWAAIJ, MAARTEN /
WUYTS, GUNTHER (2002): Aggressive Orders and the Resiliency of an Limit
Order Market, Working Paper, K.U. Leuven.
DEMSETZ, HAROLD (1968): The Cost of Transacting, in: Quarterly Journal of
Economics, Vol. 82, February 1968, S. 33 – 35.
DEMSETZ, HAROLD (1997): Limit Orders and the alleged NASDAQ collusion,
in: Journal of Financial Economics, Vol. 45, S. 91 – 95.
DEUTSCHE BÖRSE AG (HRSG.) (1999): Xetra Teilnehmerinformation, Release
3, Handel / Trading.
DEUTSCHE BÖRSE AG (HRSG.) (2000): Designated Sponsors im Xetra-Handel –
eine empirische Analyse, von GERKE, WOLFGANG / BOSCH, ROBERT
Universität Erlangen-Nürnberg.
DEUTSCHE BÖRSE AG (HRSG.) (2001): Der Market Impact: Liquiditätsmaß im
elektronischen Wertpapierhandel, Xetra Research, Deutsche Börse AG.
DEUTSCHE BÖRSE AG (HRSG.) (2001): www.exchange.de Xetra XXL
DEUTSCHE BÖRSE AG (HRSG.) (2001): www.xetra.de About Xetra.
DEUTSCHE BÖRSE AG (HRSG.) (2001): Xetra Informationen, „Xetra Rekord bei

kleinen und mittleren Werten,” 2. August 2001.
DEUTSCHE BÖRSE AG (HRSG.) (2001): Xetra Release 6.0, Functional
Description.
DEUTSCHE BÖRSE AG (HRSG.) (2004): Xetra Release 7.1, Functional
Description.
DEUTSCHE BÖRSE AG (HRSG.) (2005): Xetra Release 7.1, Marktmodell Aktien.
DEUTSCHE GESELLSCHAFT FÜR AD HOC PUBLIZITÄT mbH;
www.dgap.de
DIAMOND, DOUGLAS / VERRECHIA, ROBERT (1987): Constraints on Short-
Selling and Asset Price Adjustments to Private Information, in: Journal of Financial
Economics, Vol. 18, S. 277 – 311.
DIZ, FERNANDO / FINUCANE, THOMAS (1993): Do the Options Markets
Really Overreact? in: Journal of Futures Markets, Vol. 13, S. 298 – 312.
DÖNGES, JUTTA / HEINEMANN, FRANK (2001): Competition for Order Flow
as a Coordination Game, Working Paper, Goethe-Universität Frankfurt am Main.
DUFFIE, DARRELL / PAN, JUN / SINGLETON, KENNETH (2000): Transform
Analysis and Asset Pricing for Affine Jump-Diffusions, in: Econometrica, Vol. 68.
S. 1343 – 1376.
DUFOUR, ALFONSO / ENGLE, ROBERT (1999): Time and the Price Impact of a
Trade, Working Paper, University of California, San Diego.
DUMAS, BERNARD / FLEMMING, JEFF / WHALEY, ROBERT (1998):
Implied Volatility Functions: Empirical Tests, in: Journal of Finance, Vol. 53, S.
2059 – 2106.
EASLEY, DAVID / KIEFER, NICHOLAS / O’HARA, MAUREEN (1997): One
Day in the Life of a Very Common Stock, in: Review of Financial Studies, Vol. 10,
No. 3, S. 805 – 835.
EASLEY, DAVID / KIEFER, NICHOLAS / O’HARA, MAUREEN /
PAPERMAN, JOSEPH (1996): Liquidity, Information, and Infrequently Traded
Stocks, in: Journal of Finance, Vol. 51, S. 1405 – 1436.
EASLEY, DAVID / O’HARA, MAUREEN (1992): Time and the Process of
Security Price Adjustment, in: Journal of Finance, Vol. 47, S. 577 – 605.
EBERLEIN, ERNST / KELLER, ULRICH / PRAUSE, KARSTEN (1998): New

Insights into Smile, Mispricing, and Value at Risk: The Hyperbolic Model, in:
Journal of Business, Vo. 71, S. 371 – 406.
ECONOMIDES, NICHOLAS / SCHWARTZ, ROBERT (1995a): Electronic Call
Market Trading, in: Journal of Portfolio Management, Vol. 21, S. 10-18.
ECONOMIDES, NICHOLAS / SCHWARTZ, ROBERT (1995b): Equity Trading
Practices and Market Structure: Assessing Asset Managers‘ Demand for
Immediacy, in: Financial Markets, Institutions & Instruments, Vol. 4, No. 4.
EKINCI, CUMHUR (2004): A statistical Analysis for Intraday Liquidity, Returns
and Volatility of an individual Stock from the Istanbul Stock Exchange, Working
Paper, Aix-Marseille III University.
ENGLE, ROBERT (1982): Autoregressive Conditional Heteroskedasticity with Es-
timates of the Variance of U.K. Inflation, in: Econometrica, Vol. 50. S. 987 -1008.
ENGLE, ROBERT (1983): Statistical Models for Financial Volatility, in: Financial
Analysts Journal, Vol. 49, S. 72 – 78.
ENGLE, ROBERT (2000): The Econometrics of Ultra-High Frequency Data,
Econometrica, Vol. 68, S. 1 – 22 and Working Paper 5816, National Bureau of
Economic Research, Cambridge.
ENGLE, ROBERT / HONG, CHE-HSIUNG / KANE, ALEX / NOH, JAESUN
(1993): Arbitrage Valuation of Variance Forecasts Using Simulated Options, in:
Advances in Futures and Options, Vol. 6, S. 393 – 415.
ENGLE, ROBERT / LANGE, JOE (1997): Measuring, Forecasting and Explaining
Time Varying Liquidity in the Stock Market, National Bureau of Economic
Research, Working Paper 6129
ENGLE, ROBERT / RUSSELL, JEFFREY (2004): Analysis of High Frequency
Financial Data, in Handbook of Financial Econometrics, Kapitel 7, Hrsg.: AȲT-
SAHALIA / Hansen, vorläufige Version aus dem Internet.
ERAKER, BJǚRN (2004): Do Stock Prices and Volatility Jump? Reconciling
Evidence from Spot and Option Prices, in. Journal of Finance, Vol. 59, S. 1367 –
1403.
FABOZZI, FRANK / MA, CHRISTOPHER / CHITTENDEN, WILLIAM /
PACE, DANIEL (1995): Predicting Intraday Price Reversals, in: Journal of
Portfolio Management, Vol. 21, No. 2, Winter 1995, S. 42 – 53.
FAMA, EUGENE (1963): The Behavior of Stock Market Prices, in: Journal of
Business, Vol. 38, S. 34 – 105.
FAMA, EUGENE (1970): Efficient Capital Markets: A Review of Theory and

Empirical Work, in: Journal of Finance, Vol. 25, S. 383 – 417.
FAMA, EUGENE / FRENCH, KENNETH (1988): Permanent and Temporary
Components of Stock Prices, in: Journal of Political Economy, Vol. 96, No.2, S.
246-273.
FARMER, DOYNE / LILLO, FABRIZIO (2004): The Long Memory of the Effici-
ent Market, in: Journal in Nonlinear Dynamics and Econometrics, Vol. 8, S. 1 - 34.
FERNANDEZ, FRANK (1999): Liquidity Risk – New Approach to Measurement
and Monitoring, Working Paper, SIA Securities Industry Association.
FIGLEWSKI, STEPHEN (2004): Forecasting Volatility, in: Financial Markets,
Institutions and Instruments, Vol. 6, S. 2 – 86.
FOSTER, DOUGLAS / VISWANATHAN, SUBRAMANIAN (1993): Variations
in Trading Volume, Return Volatility, and Trading Costs: Evidence on Recent Price
Formation Models, in: Journal of Finance, Vol. 48, S. 187 – 211.
FOUCAULT, THIERRY (1998): Order Flow Composition and Trading Costs in
Dynamic Limit Order Markets, Discussion Paper Series No. 1817, Centre for
Economic Policy Research, London.
FOUCAULT, THIERRY (1999): Order Flow Composition and Trading Costs in a
Dynamic Limit Order Market, in: Journal of Financial Markets, Vol. 2, S. 99-134.
FOUCAULT, THIERRY / KADAN, OHAD / KANDEL, EUGENE (2001): Limit
Order Book as a Market for Liquidity, Working Paper, HEC School of
Management, Jouy en Josas.
FOUCAULT, THIERRY / RÖELL, AILSA / SANDÅS, PATRICK (2001): Mar-
ket Making with Costly Monitoring: An Analysis of the SOES Controversy, Wor-
king Paper, HEC School of Management, Department of Economics and Finance.
FRANKE, JÜRGEN / HÄRDLE, WOLFGANG / HAFNER, CHRISTIAN
(2001): Einführung in die Statistik der Finanzmärkte, Springer Verlag, Heidelberg.
FREIHUBE, THORSTEN / KEHR, CARL-HEINRICH / KRAHNEN, JAN /
THEISSEN, ERIK (1998): Was leisten die Kursmakler? Eine empirische
Untersuchung am Beispiel der Frankfurter Wertpapierbörse, Working Paper No. 26,
J.W. Goethe-Universität Frankfurt am Main.
FREIHUBE, THORSTEN / KRAHNEN, JAN / THEISSEN, ERIK (2001):
Market Structure, Intermediation and Liquidity, Working Paper J.W. Goethe-
Universität Frankfurt am Main.
FRINO, ALEX / MC CORRY, MICHAEL (1999): Why are Spreads Tighter on the
Australian Stock Exchange than the NYSE? An Electronic Open Limit Order Book
Versus the Specialist Structure, Working Paper, University of Sydney.
GALLANT, ROLAND / ROSSI, PETER / TAUCHEN, GEORGE (1992): Stock
Prices and Volume, in: Review of Financial Studies, Vol. 5, S. 199 -242.
GARBADE, KENNETH (1982): Securities Markets, New York, McGraw-Hill, New
York.
GARMAN, MARK / KLAAS, MICHAEL (1980): On the Estimation of Security
Price Volatilities from Historical Data, in: Journal of Business, Vol. 53, S. 67 -78.
GERKE, WOLFGANG (1997): Open and Closed Orderbook and It’s Effect on
Liquidity and Volatility; Market Microstructure of Stock Exchanges in Experiments
and in the „Neuer Markt”, Working Paper, Universität Erlangen-Nürnberg.
GERKE, WOLFGANG (2002): Börsen Lexikon, Gabler Verlag, Wiesbaden.
GERKE, WOLFGANG / ARNETH, STEFAN / BOSCH, ROBERT (1998): The
Market-Maker Privilege in an Experimental Computerized Stock Exchange, Wor-
king Paper, Universität Erlangen-Nürnberg.
GERKE, WOLFGANG / ARNETH, STEFAN / FLEISCHER, JÖRG (1999):
Kursgewinne bei Aufnahmen in den DAX 100, Verluste bei Entnahmen: Index-
effekt am deutschen Kapitalmarkt, in: Zeitschrift für Betriebswirtschaft, Ausgabe
1/2002, S. 45 – 50.
GERKE, WOLFGANG / ARNETH, STEFAN / SYHA, CHRISTINE (1998): The
Impact of the Orderbook Privilege on Traders’ Behavior and the Market Process –
an Experimental Investigation, Working Paper, Universität Erlangen-Nürnberg.
GERKE, WOLFGANG / BOSCH, ROBERT (1999): Die Betreuer am Neuen
Markt – eine empirische Analyse, Arbeitspapier, Universität Erlangen-Nürnberg.
GERKE, WOLFGANG / RAPP, HEINZ-WERNER (1994): Strukturveränder-
ungen im internationalen Börsenwesen, in: Die Betriebswirtschaft 54, S. 5 – 23.
GERKE, WOLFGANG / RASCH, SEBASTIAN (1992): Ausgestaltung des Block-
handels an der Börse, in: Die Bank, Nr. 4, S. 193 – 201.
GESETZ ÜBER KAPITALANLAGEGESELLSCHAFTEN (1970), zuletzt
geändert durch Artikel 4 des 3. Finanzmarktförderungsgesetzes vom 24. März 1998
(BGB1.I S.529 – 539).
GESKE, ROBERT (1979): The Valuation of Compound Options, in: Journal of
Financial Economics, Vol. 7, S. 63 – 81.
GESKE, ROBERT (1979b): A Note on an Analytic Valuation Formula for

Unprotected American Call Options on Stocks With Known Dividends, in: Journal
of Financial Economics, Vol. 7, S. 375 – 380.
GESKE, ROBERT / JOHNSON, HERBERT (1984): The American Put Option
Valued Analytically, in: Journal of Finance, Vol. 39, S. 1511 – 1524.
GESKE, ROBERT / SHASTRI, KULDEEP (1985): Valuation by Approximation:
A Comparison of Alternative Option Valuation Techniques, in: Journal of Financial
and Quantitative Analysis, Vol. 4, S. 45 – 71.
GHYSELS, ERIC / HARVEY, ANDREW / RENAULT, ERIC (1996): Stochastic
Volatility, in: Statistical Methods in Finance, Vol. 14 of Handbook of Statistics, S.
119 – 191, North Holland-Verlag, Amsterdam.
GHYSELS, ERIC / JASIAK, JOANNA (1998): GARCH for Irregularly Spaced
Data: The ACD-GARCH Model, in: Studies in Nonlinear Dynamics and
Econometrics, Vol. 2, S. 133 – 149.
GIOT, PIERRE (2003): On the Relationships Between Implied Volatility Indices
and Stock Index Returns, Working Paper, University of Namur.
GIOT, PIERRE / GRAMMIG, JOACHIM (2002): How Large is Liquidity Risk in
an Automated Auction Market, Working Paper, University of Namur.
GLASER, MARKUS / WEBER, MARTIN (2002): Momentum and Turnover:
Evidence from the German Stock Exchange, Working Paper, Universität
Mannheim.
GLOSTEN, LAWRENCE (1989): Insider Trading, Liquidity and the Role of the
Monopolistic Specialist, in: Journal of Business, Vol. 62 S. 211 – 235.
GLOSTEN, LAWRENCE (1994): Is the Electronic Open Limit Order Book
Inevitable, in: Journal of Finance, Vol. 49, S. 1127 – 1161.
GLOSTEN, LAWRENCE / HARRIS, LAWRENCE (1988): Estimating the
Components of the Bid/Ask Spread, in: Journal of Financial Economics, Vol.21, S.
123 - 142
GLOSTEN, LAWRENCE / MILGROM, PAUL (1985): Bid, Ask and Transaction
Prices in a Specialist Market with Heterogeneously Informed Traders, in: Journal of
Financial Economics, Vol. 14, S. 71 – 100.
GOETTLER, ROLAND / PARLOUR, CHRISTINE / RAJAN, UDAY (2005):
Equilibrium in a Dynamic Limit Order Market, in: forthcoming in Journal of
Finance.
GOMBER, PETER / SCHWEICKERT, UWE (2002): Der Market Impact:

Liquiditätsmaß im elektronischen Handel, Die Bank 07/2002, S. 490 – 495
GOMBER, PETER / SCHWEICKERT, UWE / THEISSEN, ERIK (2004):
Zooming in on Liquidity, Working Paper, DGF-Tagung 2004.
GRAMMIG, JOACHIM / MELVIN, MICHAEL / SCHLAG, CHRISTIAN
(2001): Price Discovery in International Equity Trading, Working Paper, CORE
Université Catholique de Louvain.
GROSSMAN, SANFORD J. / MILLER, MERTON (1988): Liquidity and Market
Structure, in: Journal of Finance, Vol. 43, S. 617 – 637.
GUJARATI, DAMODAR N. (1988): Basic Econometrics, Second Edition, Mc
Graw-Hill, New York.
HAMAO, YASUSHI / HASBROUCK, JOEL (1995): Securities Trading in the
Absence of Dealers: Trades and Quotes on the Tokyo Stock Exchange, in: Review
of Financial Studies, Vol. 8, S. 849 – 878.
HANDA, PUNEET / SCHWARTZ, ROBERT (1996a): How Best to Supply
Liquidity to a Securities Market, in: Journal of Portfolio Management, Winter 1996,
Vol. 22, No. 2, S. 44-51.
HANDA, PUNEET / SCHWARTZ, ROBERT (1996b): Limit Order Trading, in:
HANDA, PUNEET / SCHWARTZ, ROBERT / TIWARI, ASHISH (2002): Quote
Setting and Price Formation in an Order Driven Market, Working Paper, University
of Iowa.
HANDELSGESETZBUCH (2005): Erschienen bei dtv Taschenbücher, 42. Auflage,
Beck Juristischer Verlag.
HARBRECHT, Wolfgang (1971): Grundlagen der Optimalen Kapitalanlage-
planung, in: Schuster, Leo (Hrsg.), Investment Handbuch, 1971, S. 89 – 109.
HARRIS, JEFFREY / SCHULTZ, PAUL (1998): The trading Profits of SOES
bandits, in: Journal of Financial Economics, Vol. 50, S. 39 – 62.
HARRIS, LAWRENCE (1986): A Transaction Data Study of Weekly and Intradaily
Patterns in Stock Returns, in: Journal of Financial Economics, Vol. 16, S. 99 – 117.
HARRIS, LAWRENCE (1990): Liquidity, Trading Rules, and Electronic Trading
Systems, 1990 – 4, Stern School of Business, New York University Salomon
Centre, Monograph Series in Finance and Economics
HARRIS, LAWRENCE (1994): Minimum Price Variations, Discrete Bid/Ask

Spreads, and Quotation Sizes, in: Review of Financial Studies, Vol. 7, No. 1, S. 149
– 178.
HARRIS, LAWRENCE (1996): Does a Large Minimum Price Variation Encourage
Order Exposure?, Working Paper, University of Southern California, Los Angeles.
HARRIS, LAWRENCE (1997a): Order Exposure and Parasitic Traders, Working
Paper 1997, University of Southern California, Los Angeles.
HARRIS, LAWRENCE (1997b): Optimal Dynamic Order Submission Strategies In
Some Stylized Trading Problems, Working Paper 1997, University of Southern
California, Los Angeles.
HARRIS, LAWRENCE / HASBROUCK, JOEL (1996): Market vs. Limit Orders:
The SuperDOT Evidence on Order Submission Strategy, in: Journal of Financial
and Quantitative Analysis, Vol. 31, S. 213 – 231.
HASBROUCK, JOEL (1991): Measuring the Information Content of Stock Trades,
in: Journal of Finance, Vol. 46, S. 179 – 201.
HASBROUCK, JOEL / SAAR, GIDEON (2002): Limit Orders and Volatility in a
Hybrid Market: The Island ECN, Working Paper, Stern University.
HASBROUCK, JOEL / SCHWARTZ, ROBERT (1988): Liquidity and Execution
Costs in Equity Markets, in: Journal of Portfolio Management, Spring 1988, Vol.
14, No. 3, S. 10 – 16.
HASBROUCK, JOEL / SEPPI, DUANE (1999): Common Factors in Prices, Order
Flows and Liquidity, Working Paper, Graduate School of Industrial Administration,
Carnegie Mellon University.
HAUG, ESPEN GAARDER (1998): The Complete Guide to Options Pricing
Formulas, McGraw-Hill, New York.
HAUSMAN, JERRY / LO, ANDREW / MAC KINLAY, CRAIG (1992): An
ordered probit analysis of transaction stock prices, in: Journal of Financial
Economics, Vol. 31, S. 319 – 379.
HEDVALL, KAJ / NIEMEYER, JONAS (1997): Order Flow Dynamics: Evidence
form the Helsinki Stock Exchange, Working Paper, Swedish School of Economics
and Business Administration, Department of Finance, Helsinki, Finland.
HESTON, STEVEN (1993): A Closed-Form Solution for Options with Stochastic
Volatility with Applications to Bond and Currency Options, in: Review of Financial
Studies, Vol. 6, S. 327 – 344.
HOLDEN, CRAIG / SUBRAHMANYAM, AVANIDHAR (1992): Long-lived

private information and imperfect competition, in: Journal of Finance, Vol. 47, S.
247 - 270
HOLLIFIELD, BURTON / MILLER, ROBERT / SANDÅS, PATRIK (1999):
An Empirical Analysis of Limit Order Markets, Working Paper, Carnegie Mellon
University.
HOLLIFIELD, BURTON / MILLER, ROBERT / SANDÅS, PATRIK / SLIVE,
JOSHUA (2001): Liquidity Supply and Demand: Empirical Evidence form the
Vancouver Stock Exchange, Working Paper, Carnegie Mellon University.
HOLTHAUSEN, ROBERT / LEFTWICH, RICHARD / MAYERS, DAVID
(1987): The Effect of Large Block Transactions on Security Prices; A Cross-Se-
ctional Analysis, in: Journal of Financial Economics, Vol. 19, 1987, S. 237 – 267.
HOPPENSTEDT AKTIENFÜHRER 2003, Hoppenstadt Verlag, Darmstadt.
HSIEH, DAVID (1991): Chaos and Nonlinear Dynamics: Application to Financial
Markets, in: Journal of Finance, Vol. 46, S. 1839 -1877.
HUANG, JING-ZHI / WU, LIUREN (2004): Specification Analysis of Option
Pricing Models Based on Time-Changed Lévy Processes, in: Journal of Finance,
Vol. 59, S. 1405 - 1440.
HUANG, ROGER / STOLL, HANS (1996): Revenues of Immediacy Suppliers
versus Execution Costs of Investors: Evidence form the NYSE, Working Paper,
Owen Graduate School of Management, Vanderbilt University.
HUBERMAN, GUR / HALKA, DOMINIKA (1999): Systematic Liquidity,
Working Paper, Columbia Business School
HULL, JOHN (2003): Options, Futures, and Other Derivatives, Prentice Hall
Finance Series, 5th Edition.
HULL, JOHN / WHITE, ALAN (1987): The Pricing of Options on Assets with
Stochastic Volatility, in. Journal of Finance, Vol. 42, S. 281 – 300.
HULL, JOHN / WHITE, ALAN (1993): Efficient Procedures for Valuing European
and American Path-Dependent Option, in: Journal of Derivatives, Vol. 1, S. 21 -31.
JACKWERTH, JENS / RUBINSTEIN, MARK (1996): Recovering Probability
Distributions from Contemporary Security Prices, in: Journal of Finance, Vol. 51, S.
347 – 369.
JACOB, NANCY / PETTIT, RICHARDSON (1989): Investments, The Irwin
Series in Finance, McGraw-Hill, New York.
JARNECIC, ELVIS / MC INISH, THOMAS (1997): An Empirical Investigation

of the Option Value of the Limit Order Book on the Australian Stock Exchange,
Working Paper, University of New South Wales, Sydney.
JEGADEESH, NARASIMHAN / TITMAN, SHERIDAN (1993): Returns to
Buying Winners and Selling Losers: Implications for Stock Market Efficiency, in:
Journal of Finance Vol. 48, S. 65 – 91.
JEGADEESH, NARASIMHAN / TITMAN, SHERIDAN (1995a): Overreaction,
Delayed Reaction, and Contrarian Profits, in: Review of Financial Studies, Winter
1995, Vol. 8, No. 4, S. 973 – 993.
JEGADEESH, NARASIMHAN / TITMAN, SHERIDAN (1995b): Short-Horizon
Return Reversals and the Bid-Ask Spread, in: Journal of Financial Intermediation,
Vol. 4, S. 116 - 132.
JOHNSON, HERBERT / SHANNO, DAVID (1987): Option Pricing when the
Variance is Changing, in: Journal of Financial and Quantitative Analysis, Vol. 22,
S. 143 – 151.
JONES, CHARLES / KAUL, GAUTAM / LIPSON, MARC (1994): Transactions,
Volume, and Volatility, in: Review of Financial Studies, Vol. 7, S. 631 – 651.
KALOÐERA, ISKRA (2003): Dynamics of Stock Option Prices – Empirical
Evidence from Germany, Working Paper, School of Business and Economics,
Goethe Universität Frankfurt.
KARPOFF, JONATHAN (1988): Costly Short Sales and the Correlation of Returns
with Volume, in: Journal of Financial Research, Vol. 11, S. 173 – 188.
KAVAJECZ, KENNETH (1999): A Specialist’s Quoted Depth and the Limit Order
Book, in: Journal of Finance, Vol. 54, S. 747 – 771.
KEIM, DONALD / MADHAVAN, ANANTH (1996): The Upstairs Market for
Large-Block Transactions: Analysis and Measurement of Price Effects, in: Review
of Financial Studies, Vol. 9, No. 1, S. 1 – 36.
KEMPF, ALEXANDER (1997): Was messen Liquiditätsmaße, Working Paper 97 –
07, Universität Mannheim.
KEMPF, ALEXANDER / KORN, OLAF (1997): Market Depth and Order Size,
Working Paper, University of Mannheim and Centre for European Economic
Research (ZEW).
KENNEDY, PETER (1992): A Guide to Econometrics, 3rd Edition, MIT Press,
Cambridge, Massachusetts.
KIM, KENNETH / RHEE, GHON (1997): Price Limit Performance: Evidence

from the Tokyo Stock Exchange, in: Journal of Finance, Vol.:52, S. 885 – 901.
KLEIDON, ALLAN / WHALEY, ROBERT (1992): One Market? Stocks, Futures
and Options during October 1987, in: Journal of Finance, Vol. 47, S. 851 – 877.
KOCH, ALEXANDER / LAZAROV, ZDRAVETZ (2001): Clustering of Trading
Activity in the DAX Index Options Market, Working Paper, Universität Bonn.
KRITZMAN, MARK (1991): What Practitioners Need to Know About Estimating
Volatility Part 1, in: Financial Analysts Journal, July / August 1991. S. 22 - 25
KYLE, ALBERT (1985): Continuous Auctions and Insider Trading, in:
Econometrica, No. 6, Vol. 53, S. 1315 – 1335.
LACHENBRUCH, PAUL (1967): An Almost Unbiased Method of Obtaining
Confidence Intervals for the Probability of Mis-Classification in Discriminant
Analysis, in Biometrics Vol. 23, S. 639 – 645.
LATANE, HENRY / RENDLEMAN, RICHARD (1976): Standard Deviations of
Stock Price Ratios Implied in Options Prices, in: Journal of Finance, Vol. 31, S. 369
– 382.
LEACH, CHRIS / MADHAVAN, ANANTH (1993): Price Experimentation and
Security Market Structure, in: Review of Financial Studies, Vol. 6, S. 375 – 404.
LEDOIT, OLIVIER / SANTA-CLARA, PEDRO / YAN, SHU (2002): Relative
Pricing of Options with Stochastic Volatility, Working Paper, Anderson Graduate
School of Management, University of California, Los Angeles.
LEE, CHARLES / MUCKLOW, BELINDA / READY, MARK (1993): Spreads,
Depths and the Impact of Earnings Information: An Intraday Analysis, in: Review
of Financial Studies, Vol. 6, S. 345 – 374.
LEE, CHARLES / READY, MARK (1991): Inferring Trade Direction from
Intraday Data, in: Journal of Finance, Vol. 46, S. 733 – 746.
LEHMANN, BRUCE / MODEST, DAVID (1994): Trading and Liquidity on the
Tokyo Stock Exchange: A Bird’s Eye View in: Journal of Finance, Vol. 49, S. 951
– 984.
LEISEN, DIETMAR / REIMER, MATTHIAS (1996): Binomial Models for
Option Valuation - Examining and Improving Convergence, in: Applied
Mathematical Finance, Vol. 3, S. 319 – 346.
Li, KAI / WEINBAUM, DAVID (2000): The Empirical Performance of Alternative
Extreme Value Volatility Estimators, Working Paper, Stern School of Business,
New York University.
LINNAINMAA, JUHANI (2003): The Anatomy of Day Traders, Working Paper,

University of California, Los Angeles.
LO, ANDREW / MAC KINLAY, CRAIG / ZHANG, JUNE (2002): Econometric
Models of Limit-Order Executions, in: Journal of Financial Economics, Vol. 65. S.
31 -71.
LONGSTAFF, FRANCIS / SCHWARTZ, EDUARDO (2001): Valuing American
Options by Simulation: A Simple Least-Squares Approach, in: Review of Financial
Studies, Vol. 14, No. 1, S. 113 - 147.
MAC MILLAN, LAWRENCE (1986): Analytic Approximation for the American
Put Option, in: Advances in Futures and Options Research, Vol.1, S.119-139.
MADAN, DILIP / CARR, PETER / CHANG, ERIC (1998): The Variance Gamma
Process and Option Pricing, in: European Finance Review, Vol. 2, S. 79 - 105.
MADHAVAN, ANANTH (2000): Market Microstructure: A Survey, Working
Paper, Marshall School of Business, University of Southern California.
MADHAVAN, ANANTH / CHENG, MINDER (1997): In Search of Liquidity:
Block Trades in the Upstairs and Downstairs Markets, in: Review of Financial
Studies, Vol. 10 (1), S. 175 – 203.
MADHAVAN, ANANTH / RICHARDSON, MATTHEW / ROOMANS, MARK
(1997): Do Security Prices Change? A Transaction-Level Analysis of NYSE
Stocks, in: Review of Financial Studies, Vol. 10, S. 1035 – 1064.
MADHAVAN, ANANTH / SMIDT, SEYMOUR (1991): A Bayesian Model of
Intraday Specialist Pricing, in: Journal of Financial Economics 30, S. 99 – 134.
MANDELBROT, BENOIT (1963): The Variation of Certain Speculative Prices, in:
Journal of Business, Vol. 36, S. 394 – 419.
MASSIMB, MARCEL / PHELPS, BRUCE (1994): Electronic Trading, Market
Structure and Liquidity, in: Financial Analysts Journal, Vol. 50, S. 39 –50.
MERTON, ROBERT (1973): Theory of Rational Option Pricing, in: Bell Journal of
Economics and Management Science, Vol. 4, S. 141 – 183.
MERTON, ROBERT (1976): Option Pricing when Underlying Stock Returns are
Discontinuous, in: Journal of Financial Economics, Vol. 3, S. 125 – 144.
MERTON, ROBERT (1980): On Estimating the Expected Return on the Market: An
Exploratory Investigation, in: Journal of Financial Economics, Vol. 8, S. 323 - 361.
MURANAGA, JUN (2000): Dynamics of Market Liquidity of Japanese Stocks: An

Analysis of Tick-by-Tick Data of the Tokyo Stock Exchange, Working Paper, Bank
of Japan.
MURANAGA, JUN / SHIMIZU, TOKIKO (1999): Market Microstructure and
Market Liquidity, Working Paper, Bank of Japan.
NAIK, VASANTTILAK (1993): Option Valuation and Hedging Strategies with
Jumps in the Volatility of Asset Returns, in: Journal of Finance, Vol. 48, S. 1969 –
1984.
NEFTCI, SALIH (1996): An Introduction to the Mathematics of Financial
Derivatives, Academic Press, San Diego, California USA.
NIEMEYER, JONAS / SANDÅS, PATRIK (1995): An Empirical Analysis of the
Trading Structure at the Stockholm Stock Exchange, Stockholm School of Eco-
nomics, Working Paper Series in Economics and Finance, Working Paper No. 44.
NOACK, ULRICH (2004): Elektronische Unternehmenspublizität in Deutschland
und Europa - Zur Umsetzung der Publizitäts- und der Transparenzrichtlinie - ,
Working Paper, Heinrich-Heine-Universität, Düsseldorf.
NORDÉN, LARS (2002): Asymmetric Option Price Distribution and Bid-Ask
Quotes: Consequences for Implied Volatility Smiles, Working Paper, School of
Business, Stockholm University.
OESTERHELWEG, OLAF / SCHIERECK, DIRK (1993): Messkonzepte für die
Liquidität von Finanzmärkten, Die Bank, Nr. 7, Juli 1993.
PAN, JUN (2002): The Jump-Risk Premia Implicit in Options: Evidence from an In-
tegrated Time-Series Study, in: Journal of Financial Economics, Vol. 63, S. 3 - 50.
PARKINSON, MICHAEL (1980): The Extreme Value Method for Estimating the
Variance of the Rate of Return, in: Journal of Business, Vol. 53, S. 61 -65.
PARLOUR, CHRISTINE (1998): Price Dynamics in Limit Order Markets, in:
Review of Financial Studies, Vol. 11, No. 4, S. 789 –816.
PARLOUR, CHRISTINE / RAJAN, UDAY (2001): Payment for Order Flow,
Working Paper, Graduate School of Industrial Administration, Carnegie Mellon
University.
PARLOUR, CHRISTINE / SEPPI, DUANE (1998): Liquidity-Based Competition
for Order Flow, Working Paper, Graduate School of Industrial Administration,
Carnegie Mellon University.
PENNINGS, JOOST / KUIPER, ERNO / TER HOFSTEDE, FRENKEL /

MEULENBERG, MATTHEW (1998): The Price Path due to Order Imbalances:
Evidence form the Amsterdam Agricultural Futures Exchange, Working Paper,
Wageningen University, Department of Economics and Management, Niederlande.
POON, SER-HUANG / GRANGER, CLIVE (2003): Forecasting Volatility in
Financial Markets: A Review, in Journal of Economic Literature, Vol. 41, S. 478 –
539.
POTERBA, JAMES / SUMMERS, LAWRENCE (1988): Mean Reversion in
Stock Prices: Evidence and Implications, in: Journal of Financial Economics Vol.
22, S. 27-59.
RANALDO, ANGELO (2000): Order Aggressiveness, Olsen & Associates,
Seefeldstraße 223, 8008 Zurich, Schweiz.
REILLY, ROBERT (1982): Preference Reversals: Further Evidence and Some
Suggested Modifications in Experimental Design, in: American Economic Review,
Vol. 72, No. 3, S. 576 – 584.
RICHARDS, ANTHONY (1997): Winner-Loser Reversals in National Stock
Market Indices: Can They be Explained?, in: Journal of Finance, Vol.52, S. 2129 –
2144.
RITCHKEN, PETER / TREVOR, ROB (1999): Pricing Options under Generalized
GARCH and Stochastic Volatility Processes, in: Journal of Finance, Vol. 54, S. 377
-402.
ROGERS, CHRISTOPHER / SATCHELL, STEPHEN (1991): Estimating
Variance from High, Low and Closing Prices, in: Annals of Applied Probability,
Vol. 1, S. 504 -512.
ROLL, RICHARD (1977): An Analytic Formula for Unprotected American Call
Options on Stocks With Known Dividends, in: Journal of Financial Economics,
Vol. 5, S. 251 – 258.
ROSENBERG, JOSHUA (2000): Implied Volatility Functions: A Reprise, in:
Journal of Derivatives, Vol. 7, S. 51 – 64.
ROSENOW, BERND / WEBER, PHILIPP (2003): Order Book Approach to Price
Impact, Working Paper, University of Köln.
ROZEFF, MICHAEL / ZAMAN, MIR (1998): Overreaction and Insider Trading:
Evidence from Growth and Value Portfolios, in: Journal of Finance, Vol. 53, S. 701
–716.
RUBINSTEIN, MARK (1983): Displaced Diffusion Option Pricing, in: Journal of

Finance, Vol. 38, S. 213 – 217.
RUBINSTEIN, MARK (1985): Nonparametric Tests of Alternative Option Pricing
Models Using All Reported Trades and Quotes on the 30 Most Active Option
Classes form August 23, 1976 through August 31, 1978, in: Journal of Finance,
Vol. 40, S. 455 – 480.
RUBINSTEIN, MARK (1994): Implied Binomial Trees, in: Journal of Finance, Vol.
49, S. 771 – 818.
SAMUELSON, PAUL (1965): Rational Theory of Warrant Pricing, in: Industrial
Management Review, Vol. 6, S. 13-31.
SAMUELSON, PAUL / NORDHAUS, WILLIAM (1989): Economics, 13td ed.,
McGraw-Hill, Singapore.
SANDÅS, PATRIK (2000): Adverse Selection and Competitive Market Making:
Empirical Evidence from a Limit Order Market, Working Paper, University of
Pennsylvania.
SBF – BOURSE DE PARIS (HRSG.) (1999): A Brief overview of the Paris Bourse
trading mechanisms, Publikation, Mai 1999.
SCHLAG, CHRISTIAN / STOLL, HANS (2001): Price Impacts of Option
Volume, in: Journal of Financial Markets, Vol. 8, S. 69 – 87.
SCHMIDT, HARTMUT / KÜSTER SIMIû, ANDRÉ (1998): Bietverhalten nach
Einstellen attraktiver und umfangreicher Gebote in ein offenes Orderbuch, Arbeits-
papier, Universität Hamburg, Institut für Geld- und Kapitalverkehr.
SCHOLES, MYRON (1972): The Market for Securities: Substitution versus Price
Pressure and the Effects of Information on Share Price, in: Journal of Business, Vol.
45, S. 179 – 211.
SCHUMANN, JOCHEN (1987): Grundzüge der mikroökonomischen Theorie, 5.
Auflage, Springer-Verlag, Heidelberg.
SCHWARTZ, EDUARDO (1977): The Valuation of Warrants: Implementing a
New Approach, in: Journal of Financial Economics, Vol. 4, S. 79 – 94.
SCHWERT, WILLIM (1990): Stock Market Volatility, in Financial Analysts
Journal, S. 23 - 34
SCHWERT, WILLIM (1998): Stock Market Volatility: Ten Years after the Crash,
Brookings-Wharton Papers on Financial Services.
SEPPI, DUANE J. (1997): Liquidity Provision with Limit Orders and a Strategic
Specialist, in: Review of Financial Studies, Vol. 10, No. 1, S. 103 – 150.
SHLEIFER, ANDREI (1986): Do Demand Curves for Stocks Slope Down? In:
SHU, JINGHONG / ZHANG, JIN (2003): The Relation between Implied and Re-
alized Volatility of S & P 500 Index, in: Wilmott Magazine, 2003/01, S. 83 - 91.
SHU, JINGHONG / ZHANG, JIN (2005): Testing Range Estimators of Historical
Volatility, Working Paper, School of Business and School of Economics and
Finance, University of Hong Kong.
SLOVIC, PAUL / LICHTENSTEIN, SARAH (1983): Preference Reversals: A
Broader Perspective, in: American Economic Review, Vol. 83, S. 596 – 606.
SPIEGEL, MATTHEW / SUBRAHMANYAM, AVANIDHAR (1995): On
Intraday Risk Premia, in: Journal of Finance, Vol. 50, S. 319 – 339.
STEIN, ELIAS / STEIN, JEREMY (1991): Stock Price Distributions with
Stochastic Volatility: An Analytic Approach, in: Review of Financial Studies, Vol.
4, S. 727 - 752.
STEIN, JEREMY (1989): Overreactions in the Options Market, in: Journal of
Finance, Vol. 44, S. 1011 – 1023.
STEINER, MANFRED / BRUNS, CHRISTOPH (2002): Wertpapiermanagement,
8. Auflage, Schäffer Poeschel Verlag, Stuttgart.
STOLL, HANS (1969): The Relationship Between Put and Call Option Prices, in:
Journal of Finance, Vol. 24, S. 319 - 332.
STOLL, HANS (1978): The Supply of Dealer Services on Securities Markets, in:
Journal of Finance, Vol. 33, S. 1133 - 1151.
STOLL, HANS (1988): Index Futures, Program Trading and Stock Market
Procedures, in: Journal of Futures Markets, Vol. 8, S. 391 - 412.
STOLL, HANS / WHALEY, ROBERT (1990): The Dynamics of Stock Index and
Stock Index Futures Returns, in: Journal of Financial and Quantitative Analysis,
Vol. 25, S. 441 – 468.
SUMMERS, LAWRENCE (1986): Does the Stock Market Rationally Reflect
Fundamental Values?, in: Journal of Finance, Vol. 41, S. 591 – 602.
SUNDKVIST, KIM / VIKSTRÖM, MIKAEL (2000): Intraday and Weekend
Volatility Patterns - Implications for Option Pricing, Working Paper, Swedish
School of Economics and Business Administration, Helsinki.
SYHA, CHRISTINE (1999): Orderbuchtransparenz und Anlegerverhalten, Gabler

Verlag, Wiesbaden.
TAYLOR, STEPHEN / XU, XINZHONG (1997): The Incremental Volatility
Information in One Million Foreign Exchange Quotations, in Journal of Empirical
Finance, Vol. 4, S. 317 – 340.
THEISSEN, ERIK (1998): Liquiditätsmessung auf experimentellen Aktienmärkten,
Working Paper, J.W. Goethe-Universität Frankfurt am Main.
THEISSEN, ERIK (1998): Market Structure, Informational Efficiency and
Liquidity: An Experimental Comparison of Auction and Dealer Markets, Working
Paper, J.W. Goethe-Universität Frankfurt am Main.
THEODORAKAKOS, YANNIS (2001): On Alternative Option Pricing Models and
the Effects of Modelling Volatility Within a Stochastic Context as Observed in
FTSE-100 Index Options, Working Paper, University of Manchester Institute of
Science and Technology.
TILLEY, JAMES (1993): Valuing American Options in a Path Simulation Model,
in: Transactions of the Society of Actuaries, Vol. 45, S. 83 – 104.
TRESKE, KAI (1996): Komponenten der Geld-Brief-Spanne am deutschen Aktien-
markt, Deutscher Universitäts-Verlag GmbH, Wiesbaden.
UPPER, CHRISTIAN (2000): How Save Was the Save Haven? Financial Markets
During the 1998 Turbulences, Discussion Paper 1/00, Economic Research Group of
the Deutsche Bundesbank.
VISWANATHAN, SUBRAMANIAN / WANG, JAMES (2002): Market
Architecture: Limit-Order Books versus Dealership Markets, in: Journal of
Financial Markets, S. 127 – 167.
WALLNER, CHRISTIAN / WYSTUP, UWE (2004): Efficient Computation of
Option Price Sensitivities for Options of American Style, Working Paper, HfB –
Business School of Finance and Management.
WHALEY, ROBERT (1981): On the Valuation of American Call Options on Stocks
With Known Dividends, in: Journal of Financial Economics, Vol. 9, S. 207 – 211.
WHALEY, ROBERT (1982): Valuation of American Call Option on
Dividendpaying Stocks: Empirical Tests, in: Journal of Financial Economics, Vol.
10, S. 29 -58.
WHITCOMB, DAVID (1988), S. 634 – 636, Discussion of:
GROSSMAN, SANFORD / MILLER, MERTON (1988): Liquidity and Market
Structure, in: Journal of Finance, Vol. 43, S. 617 – 637.
WIGGINS, JAMES (1987): Option Values under Stochastic Volatility: Theory and
Empirical Estimates, in: Journal of Financial Econmics, Vol. 19, S. 351 – 377.
WOOD, ROBERT / MC INISH, THOMAS / ORD, KEITH (1985): An Investi-
gation of Transactions Data for NYSE Stocks, in: Journal of Finance, Vol. 40, S.
723 – 741.
YANG, DENNIS / ZHANG, QIANG (2000): Drift Independent Volatility
Estimation based on High, Low, Open, and Close Prices, in: Journal of Business,
Vol. 73, S. 477 – 492.
YANG, WANA (1998): The Demand for and Supply of Shares: An Empirical Study
of the Limit Order Book on the ASX, Working Paper, University of Western
Australia.
ZIMBARDO, PHILIP (1983): Psychologie, 4te Auflage, Springer-Verlag, Berlin
Heidelberg.
ZUMBACH, GILLES / CORSI, FULVIO / TRAPLETTI, ADRIAN (2002):
Efficient Estimation of Volatility using High Frequency Data, Working Paper,
Olsen & Associates Research Institute for Applied Economics.

Liquidität Am Deutschen Kapitalmarkt - Erholungsfähigkeit Der DAX-30-Titel (PDFDrive)

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Liquidität Am Deutschen Kapitalmarkt - Erholungsfähigkeit Der DAX-30-Titel (PDFDrive)

Hochgeladen von

Copyright:

Verfügbare Formate

Christian Gärtner

Mit einem Geleitwort von Prof. Dr. Wolfgang Gerke

Dissertation Universität Erlangen-Nürnberg, 2006

1. Auflage September 2007

Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt.

Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem

Die Qualität verschiedener Börsenhandelssysteme wird entscheidend durch die Liqui-

Prof. Dr. Wolfgang Gerke

1.1 Problemstellung .................................................................................................. 1

2 Stand der Forschung ............................................................................................ 5

2.1 Einleitung und Überblick.................................................................................... 5

2.3.3.4 Dynamische Gleichgewichtsmodelle des Limitorderbuchs ............. 49

3 Modell der Erholungsfähigkeit.......................................................................... 89

3.1 Einführung in die Entwicklung des Modells der Erholungsfähigkeit .............. 89

3.2.5 Die Volatilität im Optionspreismodell...................................................... 98

4 Empirische Untersuchung der Erholungsfähigkeit der DAX-Titel............. 133

4.1 Aufbau der empirischen Studie ...................................................................... 133

4.2.2.1 Datenausreißer und fehlerhafte Erfassungen .................................. 136

5.1 Ergebnisse bezüglich des Modells der Erholungsfähigkeit............................ 209

Anhang ....................................................................................................................... 215

Literaturverzeichnis ................................................................................................. 245

Abbildung 3-1: Deutsche Telekom AG, Orderbuchtiefe Links: per 22.12.2003,

Abbildung 4-10: Häufigkeitstabelle für das Vorliegen einer außerordentlichen

Tabelle 2-1: Zusammenfassung: Vor- und Nachteile von Marktorganisationen...... 13

Tabelle 4-14: Häufigkeiten der unterschiedlichen Gleichgewichte vor und nach

DCX Daimler Chrysler AG

drei Faktoren sind entscheidend für die Beurteilung der Preisbildungseffizienz. Es

1.2 Drei Alleinstellungsmerkmale der vorliegenden Arbeit

1.3 Vorgehensweise der Untersuchung und Zielsetzung

Die Ziele der vorliegenden Arbeit sind:

2 Stand der Forschung

2.1 Einleitung und Überblick

Komplexität im Wertpapierhandel der Leistungsumfang und die Möglichkeiten der

2.2 Determinanten der Marktliquidität und ihre empirische Erhebung

Umfassend und prägnant definieren GERKE / RAPP (1994)27 die Erholungsfähigkeit:

Aus den angeführten Charakterisierungen und Definitionen und insbesondere in An-

2.3 Markt-Mikrostruktur elektronischer Handelssysteme

2.3.1 Theoretische Diskussion eines offenen Limitorderbuchs

ECONOMIDES / SCHWARTZ (1995a) konzentrieren sich in ihrer theoretischen Dis-

wegen der hohen

x Hohe explizite x Keine kontinuierliche x Kein Handel ohne Noise Trader

Tabelle 2-1: Zusammenfassung: Vor- und Nachteile von Marktorganisationen

2.3.2 Empirische Untersuchungen

2.3.2.1 Deskriptive Arbeiten und Analysen von Anomalien des Orderbuchs

Orderfluss. Für die Beschreibung des Orderflusses erstellen sie Kontingenztabellen.42

Zentrale Erkenntnisse empirischer, deskriptiver Arbeiten

Tabelle 2-2: Zusammenfassung: Ergebnisse empirischer Untersuchungen

2.3.2.2 Charakterisierung limitierter Aufträge im Limitorderbuch

Risiko der Nichtausführung und/oder von Adverse Selection-Kosten54 ausgesetzt zu

MURANAGA (2000) unternimmt mit seiner empirischen Arbeit die Berechnung

EASLEY / KIEFER / O’HARA (1997) modellieren eine asymmetrische Informations-

BROWN / THOMSON / WALSH (1998) erweitern das Modell von EASLEY /

HOLLIFIELD / MILLER / SANDÅS (1999) modellieren und analysieren sowohl die

x Falls das Orderbuch im Vergleich zu eintreffenden unlimitierten Aufträgen

x Die Performance von limitierten Orders im Vergleich zu unlimitierten hängt

x Market Maker / Betreuer haben eine gute Fähigkeit, den Informationsgehalt

Tabelle 2-3: Zusammenfassung: Ergebnisse der Charakterisierung limitierter

2.3.2.3 Der Einfluss der Tick Size im Limitorderbuch

Tabelle 2-4: Zusammenfassung: Einfluss der Tick Size im Orderbuch

2.3.2.4 Vergleich verschiedener Handelsplätze mit einem offenen Orderbuch

x Höhe des Aktienkurses,

Ein weiterer Vergleich der Transaktionskosten zwischen zwei Handelsplätzen, am