Diese Dissertation behandelt die ökonometrische Analyse von hochfrequenten Finanzmarktdaten. Kapitel 1 stellt einen neuen Ansatz zur Modellierung von seriell abhängigen positiven Variablen, die einen nichttrivialen Anteil an Nullwerten aufweisen, vor. Letzteres ist ein weitverbreitetes Phänomen in hochfrequenten Finanzmarktzeitreihen. Eingeführt wird eine flexible Punktmassenmischverteilung, ein maßgeschneiderter semiparametrischer Spezifikationstest sowie eine neue Art von multiplikativem Fehlermodell (MEM). Kapitel 2 beschäftigt sich mit dem Umstand, dass feste symmetrische Kerndichteschätzer eine geringe Präzision aufweisen, falls eine positive Zufallsvariable mit erheblicher Wahrscheinlichkeitsmasse nahe Null gegeben ist. Wir legen dar, dass Gammakernschätzer überlegen sind, wobei ihre relative Präzision von der genauen Form der Dichte sowie des Kerns abhängt. Wir führen einen verbesserten Gammakernschätzer sowie eine datengetriebene Methodik für die Wahl des geeigneten Typs von Gammakern ein. Kapitel 3 wendet sich der Frage nach dem Nutzen von Hochfrequenzdaten für hochdimensionale Portfolioallokationsanwendungen zu. Wir betrachten das Problem der Konstruktion von globalen Minimum-Varianz-Portfolios auf der Grundlage der Konstituenten des S&P 500. Wir zeigen auf, dass Prognosen, welche auf Hochfrequenzdaten basieren, im Vergleich zu Methoden, die tägliche Renditen verwenden, eine signifikant geringere Portfoliovolatilität implizieren. Letzteres geht mit spürbaren Nutzengewinnen aus der Sicht eines Investors mit hoher Risikoaversion einher. / In three essays, this thesis deals with the econometric analysis of financial market data sampled at intraday frequencies. Chapter 1 presents a novel approach to model serially dependent positive-valued variables realizing a nontrivial proportion of zero outcomes. This is a typical phenomenon in financial high-frequency time series. We introduce a flexible point-mass mixture distribution, a tailor-made semiparametric specification test and a new type of multiplicative error model (MEM). Chapter 2 addresses the problem that fixed symmetric kernel density estimators exhibit low precision for positive-valued variables with a large probability mass near zero, which is common in high-frequency data. We show that gamma kernel estimators are superior, while their relative performance depends on the specific density and kernel shape. We suggest a refined gamma kernel and a data-driven method for choosing the appropriate type of gamma kernel estimator. Chapter 3 turns to the debate about the merits of high-frequency data in large-scale portfolio allocation. We consider the problem of constructing global minimum variance portfolios based on the constituents of the S&P 500. We show that forecasts based on high-frequency data can yield a significantly lower portfolio volatility than approaches using daily returns, implying noticeable utility gains for a risk-averse investor.

Diese Arbeit enthält vier Aufsätze über die Beziehungen zwischen Handelsstrategien auf Aktienmärkten und dem Zustand des Marktes. Es werden ökonometrische Methoden angewendet um den Markteinfluss von limit order Platzierungen, die Eigenschaften von limit ordern sowie die Verwendung von versteckten ordern zu analysieren. Im Kapitel 1 quantifizieren wir die Effekte der limit order Platzierung auf Preisquotierungen am Börsenplatzes Euronext. Wir zeigen, dass eine limit order signifikante Informationen enthält und illustrieren inwieweit ihr Einfluss auf den Markt von ihren Charakteristika und dem Zustand des Orderbuchs abhängt. Das Kapitel 2 enthält empirische Resultate über die limit order Aktivität und den Markteinfluss von limit orders an der New Yorker NASDAQ Börse. Wir dokumentieren, dass Marktteilnehmer die Platzierung von limit orders mit kleinen Volumina präferieren, diese aber sofort nach ihrem Einsatz wieder löschen. Basierend auf der geschätzten Marktauswirkung einer limit order schlagen wir eine Methode zur Prognose ihres optimalen Volumens vor. Im Kapitel 3 werden die limit order-Strategien von Marktteilnehmern in intransparenten Märkten untersucht. Wir zeigen, dass die Position der sogenannten versteckten Liquidität im Orderbuch von diversen Variablen abhängt, die den Zustand des Marktes beschreiben. Die Daten suggerieren, dass Händler die Platzierung sogenannter hidden orders im Hinblick auf günstige Liquidität am Markt und dem "picking-off"-Risiko ausbalancieren. Im letzten Kapitel 4 präsentieren wir ein Softwaresystem zur Rekonstruktion von Orderbüchern und zur Extrahierung von Orderflussinformationen aus message stream Daten. Die Basismodule des Systems basieren auf allgemeinen Orderbuch-Ereignissen. Sie sind abstrakt gehalten und können so einfach auf beliebige Märkte mit elektronischen Orderbüchern angewendet werden. / In four essays, this thesis examines the interaction between traders'' strategies and the state of market by the econometric analysis of maket impact of limit order submission, the typical properties of order flow and the traders'' usage of hidden orders. Chapter 1 quantifies short-term and long-term effects of limit order submissions on quotes in Euronext. We show that limit orders have significant information content and the maginitude of their impact on the quotes depends on both the order''s characteritics and the state of limit order books (LOBs). Chapter 2 provides new empirical evidence on order submission activities and market impacts of limit orders at NASDAQ. We find that traders dominantly submit small size limit orders and cancell most of them immediately after submission. Based on the estimated market impact of orders, we propose a method to predict the optimal size of a limit order conditional on its position in the LOB and the desired impact. Chapter 3 analyzes traders'' decisions on using undisclosed orders in opaque markets. Our empirical findings show that market conditions affect traders'' order submission strategies and suggest that traders balance their hidden order placements to compete for the provision of liquidity and protect themselves against picking-off risk. Chapter 4 presents a program framework for reconstructing LOBs as well as extracting order flow information from message stream data. We design the basic modules of the system in an abstract layer based on common order events in limit order markets, so that it can be easily adapted to data at any limit order markets.

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.