التداول
لماذا لا تزال العوائد اليومية مهمة لتوقع التقلبات
بالنسبة للمتداولين الكميين، يُعد اختيار مجموعة البيانات المناسبة لتوقع تحركات السوق المستقبلية هو على الأرجح القرار الأكثر حرجًا الذي يتخذونه. تاريخيًا، كان سعر الإغلاق أو الفتح لسهم أو سلعة معينة نقطة انطلاق جيدة لتحليل نمط التداول لتلك الورقة المالية المحددة.
لكن اليوم، مع تسوية الصفقات في ميكروثوانٍ بواسطة أنظمة تكنولوجيا معلومات متقدمة، وإنتاج حجم كبير من التداولات بواسطة “الروبوتات” عالية التردد، تُفضَّل بيانات هذا النشاط السوقي في كثير من الأحيان.
تشير دراسة جديدة إلى أن بيانات السوق عالية التردد لم تجعل العوائد اليومية قديمة. باستخدام نموذج تقلب محقق جديد، يكشف أن دمج الإشارتين يمكن أن يحسن بشكل ملحوظ توقعات تقلب النفط الخام، وحدود المخاطر، وقرارات التحوط.
تم إجراء الدراسة بواسطة ثلاثة باحثين في معهد الهند للتكنولوجيا غواهاتي، ونُشرت في Finance Research Open1 تحت العنوان “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”.
نظرة عامة مختصرة على نماذج المخاطر
منذ الثمانينات، بدأ الباحثون في الاقتصاد والمتداولون في دمج مقياس جديد في نموذج المخاطر الذي يستخدمونه لتوقع سلوكيات السوق: تقلب العوائد للأصول المتغير مع الزمن. سمح ذلك للنموذج بعكس الأسواق الحقيقية بصورة أفضل، حيث تتقلب مخاطر الأصول بمرور الوقت، مع تجمع فترات الاضطراب العالي والمنخفض معًا بدلاً من البقاء ثابتة كما كان الحال في النماذج السابقة.
لاحقًا، تم تفضيل البيانات عالية التردد لهذه النماذج، إذ اعتُبرت مجموعة بيانات متفوقة لهذا التطبيق:
“تسمح البيانات عالية التردد بدقة أكبر، مما يُسهل فصل مكوّن القفزة عن المكوّن المستمر ويُقدم حسابًا أكثر تفصيلًا لديناميكيات التقلب.”
أدى ذلك إلى إنشاء نموذج GARCH (التقلب الشرطي الذاتي المتوسّط المُعمم)، الذي تم تحسينه لاحقًا في نماذج متقدمة أخرى تُدمج عناصر إضافية مثل تأثيرات الصدمات الإيجابية والسلبية وغيرها من نقاط البيانات.
مع مرور الوقت، توسعت نماذج نوع GARCH بشكل كبير، مع تطبيقات تمتد عبر فئات أصول متعددة، بما في ذلك الأسهم، والسلع، والعملات الرقمية، وأسواق المشتقات.
أحد هذه النماذج المحدثة هو GJR-GARCH، وهو نموذج يأخذ في الاعتبار تقلبات السوق المالية من خلال إعطاء وزن أكبر للأخبار السلبية (العوائد السالبة) مقارنة بالأخبار الإيجابية، مما يلتقط ما يُعرف بـ “تأثير الرافعة المالية” في سوق الأسهم.
دمج البيانات عالية التردد مع نموذج GARCH
تقترح هذه الدراسة دمج البيانات عالية التردد، دقيقة بدقيقة، وخاصة “التباين المحقق”، مع نموذج GJR‑GARCH، لتكوين نموذج RGJR‑GARCH.
التباين المحقق هو مقياس يُقِيم التقلب الفعلي لأصل مالي خلال نافذة زمنية محددة عن طريق جمع عوائد الأسعار داخل اليوم ذات التردد العالي.
هذا يختلف عن التباين اليومي التقليدي، الذي يُظهر عدم تغيير إذا كان سعر الإغلاق مساويًا لسعر الفتح، حتى وإن كان هناك تقلب عالي داخل اليوم.
من خلال ذلك، يمكن لهذا النموذج الجديد دمج بيانات عالية التردد المفصلة مع دقة نماذج GJR‑GARCH.
اختبار النموذج على تداول النفط
اختبار الأسواق المتقلبة
للتحقق من صحة نموذجهم، اختبر الباحثون النموذج باستخدام USO (USO )، صندوق الولايات المتحدة للنفط، وهو صندوق متداول يتتبع تحركات سعر النفط الخفيف الحلو West Texas Intermediate (WTI) منذ عام 2006.
تم اختيار هذا الصندوق لأن أسواق النفط الخام تتميز بتقلبات داخلية أسبوعية واضحة نتيجة للإعلانات الاقتصادية الكلية، وصدمات المخزون، والتطورات الجيوسياسية. وقد وفرت الحروب الأخيرة بين روسيا وأوكرانيا وبين الولايات المتحدة وإيران حالة إضافية من التقلب المفاجئ الذي يؤثر على عوائد التداول وكفاءة النماذج المالية.
للمقارنة مع سوق “أكثر طبيعية”، اختبر الباحثون نموذجهم أيضًا على SPY، الصندوق المتداول الأكثر نشاطًا الذي يتتبع مؤشر S&P500.
في الحالتين، جمعوا البيانات من 1 يناير 2010 حتى 30 أبريل 2020.
أشار الباحثون أيضًا إلى أن أسواقًا أخرى محتملة مثل أسواق الذهب والفوركس لا توفر عادةً بيانات دقيقة على أساس كل تكة على مدى فترات طويلة، وأن بيانات أسعار العملات الرقمية تتوفر عادةً على فاصل لا يتجاوز الدقيقة الواحدة، مما يجعل البيانات عالية التردد التي يحتاجها النموذج غير متوفرة.
مقارنة النماذج
استخدم الباحثون البيانات لاختبار نماذج مختلفة لتوقعات يوم واحد مسبقة، تم تجميعها لاحقًا إلى توقعات أسبوعية.
وجدوا أن نموذج RGJR‑GRCH حقق أعلى دقة توقع لجميع عدد الأسابيع المستقبلية التي تم اختبارها، حتى 7 أسابيع لاحقة.
المصدر: Finance Research Open
الأهم من ذلك، أن هذا الفارق في الأداء يعني أن نموذج RGARCH بدأ يتراجع في الأداء بحلول التوقع للأسبوع الثالث ويظهر أداءً سلبياً بحلول الأسبوع الرابع، بينما استمر نموذج RGJR‑GRCH في تقديم توقعات دقيقة لفترات تصل إلى 6 أسابيع مسبقة، مع أخطاء معتدلة فقط في الأسبوع السابع.
“ يُعزى الأداء المتفوق لنموذج RGJR‑GARCH مقارنةً بنماذج GARCH و GJR‑GARCH إلى الاستخدام الفعّال للبيانات عالية التردد في نمذجة ديناميكيات التقلب.”
كان هذا التأثير واضحًا بشكل خاص للأصول المرتبطة بالنفط مثل USO، حيث يظهر التقلب نمطًا أسبوعيًا واضحًا. وهذا مهم للتطبيقات العملية، حيث يمكن لتوقع التقلب الأسبوعي الدقيق أن يُسهم في التحوط الديناميكي وتحديد أسعار العقود للمشاركين في قطاع الطاقة مثل تجار السلع والمنتجين.
كما يعني ذلك أن العوائد اليومية لا تزال مهمة لتوقع التقلبات، إلى جانب البيانات عالية التردد. يجب دمج مجموعتي البيانات ومعالجتها ككيان واحد.
الاستثمار في التداول عالي التردد
شركة CME Group Inc.
(CME )
مع تحسين التوقعات بفضل نموذج مالي متطور، تزداد قيمة مجموعات البيانات الدقيقة، طويلة الأجل، وعالية التردد. وهذا ينطبق بشكل خاص على الأوراق المالية والأصول ذات التقلب العالي والحساسية الجيوسياسية مثل النفط الخام. وبالتالي، يصبح من الممكن للمنصة توفير هذه البيانات عالية التردد والأوراق المالية القابلة للتداول التي قد تستفيد من مثل هذه الأبحاث الأكاديمية.
سوق NYMEX التابع لـ CME هو المركز الأساسي لاكتشاف أسعار نفط WTI، وتداول العقود المستقبلية، والتحوط. كما تنشط الشركة في جميع أنواع التداول التي تشمل جميع السلع (الزراعية، الطاقة، المعادن)، بالإضافة إلى ائتمانات الكربون، والسندات، والعملات الأجنبية، والمؤشرات، والأسهم، والعملات الرقمية، وغيرها.
نمت إيرادات الشركة بسرعة من حوالي 3 مليارات دولار في 2015 إلى نحو 7 مليارات متوقعة في 2026.
كما توسعت الشركة دوليًا بسرعة، حيث نما النشاط خارج الولايات المتحدة بمعدل نمو سنوي مركب 10%، وتواجدت مبيعاتها في 12 دولة، تخدم نحو 13,000 عميل حول العالم. من المتوقع أن يستمر هذا النمط من النمو، وأن تستفيد الشركة من العديد من الابتكارات المالية، من البلوك تشين إلى تداول الكربون وعقود الرهن العقاري المستقبلية في الولايات المتحدة.
المصدر: CME
آخر أخبار وتطورات سهم CME Group (CME)
الدراسة المشار إليها
1. Prakash Raj, et al. Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets. Finance Research Open. Volume 2, Issue 3, سبتمبر 2026, 100139. https://doi.org/10.1016/j.finr.2026.100139
