Hvorfor daglige afkast stadig er vigtige for volatilitetens forudsigelse

For kvantitative handlere er valget af det rette datasæt til at forudsige fremtidige markedsbevægelser sandsynligvis den mest kritiske beslutning, de træffer. Historisk set var lukke- eller åbningsprisen på en given aktie eller vare et godt udgangspunkt for at analysere handelsmønsteret for den specifikke sikkerhed.

Men i dag, hvor handler afregnes på mikrosekunder af avancerede IT‑systemer, og en stor del af handelsvolumenet skabes af højfrekvente “bots”, foretrækkes ofte data fra sådan markedsaktivitet.

En ny undersøgelse antyder, at højfrekvent markedsdata ikke har gjort daglige afkast overflødige. Ved brug af en ny realiseret‑volatilitet‑model viser den, at kombinationen af begge signaler væsentligt kan forbedre forudsigelser af råolievolatilitet, risikogrænser og afdækningsbeslutninger.

Undersøgelsen blev udført af tre forskere ved Indian Institute of Technology Guwahati og offentliggjort i Finance Research Open¹ under titlen “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”.

En kort oversigt over risikomodeller

Fra 1980’erne begyndte forskere inden for økonomi og handlende at indarbejde et nyt mål i de risikomodeller, de brugte til at forudsige markedsadfærd: tidsvarierende volatilitet af aktivafkast. Dette gjorde det muligt for modellen at afspejle de faktiske markeder bedre, hvor aktivrisici fluktuerer over tid, med perioder med høj og lav turbulens, der klumper sig sammen i stedet for at forblive konstante, som i tidligere modeller.

Senere blev højfrekvente data foretrukket til sådanne modeller, da de blev betragtet som et overlegen datasæt til denne anvendelse:

“High-frequency data allow finer granularity, facilitating the separation of jump and continuous components and providing a more detailed account of volatility dynamics.”

Dette førte til oprettelsen af GARCH‑modellen (generalized autoregressive conditional heteroscedasticity), som senere blev raffineret i mere avancerede modeller, der inkorporerede ekstra elementer som de forskellige effekter af positive og negative chok samt andre datapunkter.

Over tid har GARCH‑type modeller udvidet sig betydeligt, med anvendelser på tværs af flere aktivklasser, herunder aktier, råvarer, kryptovaluta og derivatmarkeder.

En af disse opdaterede modeller er GJR-GARCH, en modeltype der tager højde for finansiel volatilitet ved at give mere vægt til dårlige nyheder (negative afkast) end til gode nyheder, og dermed fanger aktiemarkedets “leverage‑effekt”.

Kombinering af højfrekvente data og GARCH

Denne undersøgelse foreslår at blande højfrekvente, minut‑for‑minut data, især “realiseret varians”, med GJR‑GARCH‑modellen og skabe RGJR‑GARCH.

Realiseret varians er et mål, der måler den faktiske volatilitet af et finansielt aktiv over et specifikt tidsvindue ved at summere højfrekvente intradag prisafkast.

Dette adskiller sig fra traditionel daglig varians, som viser nul ændring, hvis slutprisen er den samme som startprisen, selvom volatiliteten var høj i løbet af dagen.

Ved at gøre dette kan den nye model både integrere detaljerede højfrekvente data og nøjagtigheden fra GJR‑GARCH‑modeller.

Test af modellen med oliehandel

Test for volatile markeder

For at validere deres model testede forskerne den ved hjælp af USO (USO ), United States Oil Fund, en ETF der følger prisbevægelserne for West Texas Intermediate (WTI) let sød råolie siden 2006.

Dette blev valgt, da råoliemarkederne er karakteriseret ved udtalt intra‑ugentlig volatilitet drevet af makroøkonomiske meddelelser, lagerchok og geopolitiske udviklinger. De seneste Rusland‑Ukraine‑ og USA‑Iran‑krige har givet et ekstra tilfælde af overraskende volatilitet, der påvirker handelsafkast og finansielle modellers effektivitet.

For at sammenligne med et mere “normalt” marked testede de også deres model med SPY, den mest handlede ETF, der følger S&P500‑indekset.

I begge tilfælde indsamlede de data fra 1. januar 2010 til 30. april 2020.

Forskere bemærkede også, at andre potentielt interessante markeder, som guld‑ og valutamarkeder, typisk ikke leverer pålidelig tick‑for‑tick data over lange horisonter, og kryptovaluta‑priser er som regel kun tilgængelige med et minut‑interval, hvilket gør de nødvendige højfrekvente data utilgængelige for modellen.

Sammenligning af modeller

Forskerne brugte dataene til at teste forskellige modeller med 35 én‑dag‑frem‑i‑tiden forudsigelser, som derefter blev samlet til ugentlige horisonter.

De fandt, at RGJR‑GRCH‑modellen havde den højeste forudsigelsesnøjagtighed for alle antal uger frem, op til 7 uger.

Kilde: Finance Research Open

Endnu vigtigere betød denne forskel i performance, at RGARCH begyndte at underpræstere fra uge‑3‑forudsigelsen og oplevede negativ performance fra uge‑4, mens RGJR‑GRCH fortsatte med at levere præcise forudsigelser så langt som 6 uger frem og kun meget moderate fejl for uge #7.

“The superior performance of the RGJR-GARCH model relative to the GARCH and GJR-GARCH models is attributed to the effective use of high-frequency data in modeling volatility dynamics.”

Effekten var især udtalt for olie‑relaterede aktiver såsom USO, hvor volatiliteten viser markante ugentlige regelmæssigheder. Dette er vigtigt for praktiske anvendelser, da præcis ugentlig volatilitet kan informere dynamisk afdækning og kontraktprissætning for energisektor‑deltagere såsom råvarehandlere og producenter.

Det betyder også, at for volatilitetens forudsigelse er daglige afkast vigtige, ikke kun højfrekvente data. Begge datasæt skal blandes og behandles som ét.

Investering i højfrekvent handel

CME Group Inc.

Efterhånden som bedre forudsigelser skabes af en forbedret finansiel model, stiger værdien af præcise, langtids‑ og højfrekvente datasæt tilsvarende. Dette gælder især for høj‑volatilitets‑ og geopolitisk følsomme værdipapirer og aktiver som råolie. Således gør platformen det muligt at levere disse højfrekvente data og handlbare værdipapirer, som sandsynligvis vil drage fordel af sådan akademisk forskning.

CME’s NYMEX‑marked er centralt for WTI‑råolieprisdannelse, futureshandel og afdækning. Virksomheden er også aktiv inden for alle former for handel, der dækker alle råvarer (landbrug, energi, metaller) samt CO₂‑kreditter, statsobligationer, valutamarkeder, indekser, aktier, kryptovalutaer osv.

Virksomheden har hurtigt øget sin omsætning fra omkring $3 mia i 2015 til ca. $7 mia forventet i 2026.

Den er også hurtigt internationaliseret, med ikke‑amerikansk aktivitet, der vokser med 10 % CAGR, og en salgs­tilstedeværelse i 12 lande, der dækker ca. 13 000 kunder verden over. Overordnet kan dette vækstmønster forventes at fortsætte, og virksomheden vil drage fordel af mange finansielle innovationer, fra blockchain til CO₂‑handel og amerikanske realkredit‑futures.

Kilde: CME

Seneste CME Group (CME) aktienyheder og udviklinger

Studie refereret

^{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, september 2026, 100139. https://doi.org/10.1016/j.finr.2026.100139}