Bayesian Learning in Financial Markets - Testing for the Relevance of Information Precision in Price Discovery

Preise auf Kapitalmärkten werden durch nicht-antizipierte Informationen getrieben. Eine zentrale Aussage Baysianischer Lernmodelle impliziert, dass die Stärke der Preisreaktion einerseits von der Höhe der nicht antizipierten Komponente abhängt, andererseits aber auch von der Präzision der Informationen bestimmt wird. Auf Basis von Hochfrequenzdaten untersuchen wir den Einfluß von Veröffentlichungen des US-Arbeitsmarktberichts auf den Preis des CBOT T-Bond Futures. Neben den Kernkennzahlen des US-Arbeitsmarktberichts berücksichtigen wir ergänzende Detailinformationen. Mit Hilfe dieser Zusatzinformationen konstruieren wir ein Maß für die Präzision der Kernkennzahlen, welches uns erlaubt, die Aussage Baysianischer Lernmodelle zu testen. Wir finden, dass die Preise des T-Bond Futures stärker auf präzisere Informationen reagieren. Dieses Ergebnis gilt insbesondere auch dann, wenn wir für asymmetrische Preisreaktionen bezüglich positiver bzw. negativer Informationen kontrollieren.