In dieser Dissertation befassen wir uns mit ökonometrischen Modellen und empirischen Eigenschaften von Intra-Tages (Hochfrequenz-) Aktienmarktdaten. Der Fokus liegt hierbei auf der Analyse des Einflusses, den die Veröffentlichung von Wirtschaftsnachrichten auf die Aktienmarktaktivität hat, der Vorhersage der Geld-Brief-Spanne sowie der Modellierung von Volatilitätsmaßen auf Intra-Tages-Zeitintervallen. Zunächst quantifizieren wir die Marktreaktionen auf Marktneuigkeiten innerhalb eines Handelstages. Zu diesem Zweck benutzen wir linguistisch vorab bearbeitete Unternehmensnachrichtendaten mit Indikatoren über die Relevanz, Neuheit und Richtung dieser Nachrichten. Mit einem VAR Modell für 20-Sekunden Marktdaten der London Stock Exchange weisen wir durch Nachrichten hervorgerufene Marktreaktionen in Aktienkursrenditen, Volatilität, Handelsvolumina und Geld-Brief-Spannen nach. In einer zweiten Analyse führen wir ein long memory autoregressive conditional Poisson (LMACP)-Modell zur Modellierung hoch-persistenter diskreter positivwertiger Zeitreihen ein. Das Modell verwenden wir zur Prognose von Geld-Brief-Spannen, einem zentralen Parameter im Aktienhandel. Wir diskutieren theoretische Eigenschaften des LMACP-Modells und evaluieren rollierende Prognosen von Geld-Brief-Spannen an den NYSE und NASDAQ Börsenplätzen. Wir zeigen, dass Poisson-Zeitreihenmodelle in diesem Kontext signifikant bessere Vorhersagen liefern als ARMA-, ARFIMA-, ACD- und FIACD-Modelle. Zuletzt widmen wir uns der optimalen Messung von Volatilität auf kleinen 20 Sekunden bis 5 Minuten Zeitintervallen. Neben der Verwendung von realized volatility-Ansätzen konstruieren wir Volatilitätsmaße durch Integration von spot volatility-Schätzern, sodass auch Beobachtungen außerhalb der kleinen Zeitintervalle in die Volatilitätsschätzungen eingehen. Ein Vergleich der Ansätze in einer Simulationsstudie zeigt, dass Volatilitätsmaße basierend auf spot volatility-Schätzern den RMSE minimieren. / In this thesis we present econometric models and empirical features of intra-daily (high frequency) stock market data. We focus on the measurement of news impacts on stock market activity, forecasts of bid-ask spreads and the modeling of volatility measures on intraday intervals. First, we quantify market reactions to an intraday stock-specific news flow. Using pre-processed data from an automated news analytics tool we analyze relevance, novelty and direction signals and indicators for company-specific news. Employing a high-frequency VAR model based on 20 second data of a cross-section of stocks traded at the London Stock Exchange we find distinct responses in returns, volatility, trading volumes and bid-ask spreads due to news arrivals. In a second analysis we introduce a long memory autoregressive conditional Poisson (LMACP) model to model highly persistent time series of counts. The model is applied to forecast quoted bid-ask spreads, a key parameter in stock trading operations. We discuss theoretical properties of LMACP models and evaluate rolling window forecasts of quoted bid-ask spreads for stocks traded at NYSE and NASDAQ. We show that Poisson time series models significantly outperform forecasts from ARMA, ARFIMA, ACD and FIACD models in this context. Finally, we address the problem of measuring volatility on small 20 second to 5 minute intra-daily intervals in an optimal way. In addition to the standard realized volatility approaches we construct volatility measures by integrating spot volatility estimates that include information on observations outside of the intra-daily intervals of interest. Comparing the alternative volatility measures in a simulation study we find that spot volatility-based measures minimize the RMSE in the case of small intervals.

Diese Dissertation zielt darauf ab, ein besseres Verständnis für Anomalien und Insiderhandel zu schaffen, sowie die Verfügbarkeit von qualitativ hochwertigen Daten für den deutschen Aktienmarkt zu verbessern. Der erste Aufsatz beinhaltet eine verzerrungsfreie Zeitreihe von monatlichen Renditen deutscher Aktien für die Jahre 1954 bis 2013, die auf der Basis stabiler Regeln berechnet und gut dokumentiert ist. Im Weiteren enthält der Aufsatz eine detaillierte Beschreibung des deutschen Aktienmarktes und dessen Besonderheiten, insbesondere im Vergleich zu den USA. Der zweite Aufsatz zeigt am Beispiel des Fama/French Drei-Faktoren-Modells die Probleme auf, die Anbieter und Nutzer von Faktorendaten haben, die sich nicht auf die USA beziehen. Die empirische Analyse von sieben Faktorensets für Deutschland zeigt, dass die Übernahme von Faktormodellen in einen anderen Kapitalmarkt eine komplexe Thematik ist. Der Aufsatz gibt Anregungen für Nutzer und Anbieter von Faktorensets und zeigt, wie die Wahl des Faktorensets das Ergebnis einer Studie beeinflussen kann. Im dritten Aufsatz werden verschiedene zyklische und antizyklische Handelsstrategien hinsichtlich ihrer Performance im deutschen Aktienmarkt untersucht. Von den untersuchten Strategien erscheint nur Momentum konsequent abnormale Renditen zu erzielen, dies auch nach Transaktionskosten. Die vierte Arbeit untersucht öffentlich bekannt gegebene Aktientransaktionen von Insidern börsennotierter deutscher Unternehmen. Der Aufsatz zeigt, dass Insider von TecDAX-Unternehmen und ihre Imitatoren hohe und statistisch signifikante abnormale Renditen erzielen. Insgesamt zeigt die Dissertation, dass methodische Variationen, die Verwendung verschiedener Untersuchungsdesigns, die Datenqualität und die Sorgfalt beim Erstellen von empirischen Analysen zur Beurteilung der Robustheit und der Stabilität der Ergebnisse unerlässlich sind. Der deutsche Aktienmarkt scheint effizienter zu sein als bisherigere Studien typischerweise nahelegen. / This doctoral thesis aims to contribute to a better understanding of stock market anomalies and insider trading as well as to improve the availability of high quality data for the German stock market. The first paper provides a sixty-year time series of monthly returns on German stocks that is constructed on the basis of stable rules, is well documented, includes all return components, and is free of biases. The paper also contains a detailed description of the German stock market, its peculiarities, regulation and differences as compared to the U.S. The second paper uses the Fama/French three-factor model as an example to point out the problems that providers and users of non-U.S factor data sets face. The empirical analysis of seven different factor data sets available for Germany shows that exporting a specific factor model from the U.S. to another capital market is neither an easy nor well-defined task. The paper gives suggestions to users and creators of factor sets and shows how the choice of a factor set affects the result of an empirical study. The third paper provides evidence on how various contrarian, momentum and seasonality strategies perform in the German stock market. Among these strategies, only momentum investing appears to earn persistently non-zero returns, even after transaction costs. The fourth paper studies publicly disclosed stock transactions by insiders of listed German firms. The paper finds that insiders of TecDAX firms earn large and statistically significant abnormal returns net of transaction costs; for DAX insiders they are indistinguishable from zero. Overall, this thesis illustrates that methodological variations, the use of different specifications, data quality and care when preparing empirical analyses is essential in the assessment of the robustness and stability of results. In sum, the German stock market appears to be more efficient than previous studies have typically suggested.