Warum Tagesrenditen für die Volatilitätsprognose weiterhin wichtig sind

Für quantitative Händler ist die Auswahl des richtigen Datensatzes zur Vorhersage zukünftiger Marktbewegungen wohl die wichtigste Entscheidung, die sie treffen. Historisch war der Schluss‑ oder Eröffnungskurs einer bestimmten Aktie oder Ware ein guter Ausgangspunkt, um das Handelsmuster dieses spezifischen Wertpapiers zu analysieren.

Heute jedoch, da Trades in Mikrosekunden von fortschrittlichen IT‑Systemen abgewickelt werden und ein großer Teil des Handelsvolumens von Hochfrequenz‑„Bots“ erzeugt wird, werden die Daten aus solchen Marktaktivitäten häufig bevorzugt.

Eine neue Studie legt nahe, dass Hochfrequenz‑Marktdaten die Tagesrenditen nicht obsolet gemacht haben. Mit einem neuen Realized‑Volatility‑Modell zeigt sie, dass die Kombination beider Signale die Rohöl‑Volatilitätsprognosen, Risikogrenzen und Absicherungsentscheidungen erheblich verbessern kann.

Die Studie wurde von drei Forschern des Indian Institute of Technology Guwahati durchgeführt und in Finance Research Open¹ veröffentlicht, unter dem Titel „Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets“.

Ein kurzer Überblick über Risikomodelle

Seit den 1980er‑Jahren begannen Wirtschaftsforscher und Händler, ein neues Maß in das Risikomodell zu integrieren, das sie zur Vorhersage von Marktverhalten nutzten: die zeitlich variable Volatilität von Asset‑Renditen. Dies ermöglichte es dem Modell, die realen Märkte besser abzubilden, in denen sich die Risiken von Vermögenswerten im Laufe der Zeit ändern, wobei Phasen hoher und niedriger Turbulenz zusammen auftreten, anstatt konstant zu bleiben, wie es bei früheren Modellen der Fall war.

Später wurden Hochfrequenzdaten für solche Modelle bevorzugt, da sie als überlegener Datensatz für diese Anwendung angesehen wurden:

„Hochfrequenzdaten ermöglichen eine feinere Granularität, erleichtern die Trennung von Sprung‑ und kontinuierlichen Komponenten und bieten eine detailliertere Darstellung der Volatilitätsdynamik.“

Dies führte zur Entwicklung des GARCH‑Modells (generalized autoregressive conditional heteroscedasticity), das später in weiter fortgeschrittenen Modellen verfeinert wurde, die zusätzliche Elemente wie die unterschiedlichen Auswirkungen positiver und negativer Schocks und weitere Datenpunkte einbeziehen.

Im Laufe der Zeit haben GARCH‑Typ‑Modelle erheblich an Umfang gewonnen und finden Anwendung in zahlreichen Asset‑Klassen, darunter Aktien, Rohstoffe, Kryptowährungen und Derivatemärkte.

Eines dieser aktualisierten Modelle ist das GJR-GARCH, ein Modelltyp, der die finanzielle Volatilität berücksichtigt, indem er schlechten Nachrichten (negativen Renditen) mehr Gewicht als guten Nachrichten gibt und so den „Leverage‑Effekt“ des Aktienmarktes erfasst.

Kombination von Hochfrequenzdaten und GARCH

Diese Studie schlägt vor, hochfrequente, minutengenaue Daten, insbesondere die „realized variance“, mit dem GJR‑GARCH‑Modell zu kombinieren und damit das RGJR‑GARCH zu erstellen.

Realized variance ist ein Maß, das die tatsächliche Volatilität eines Finanzassets über ein bestimmtes Zeitfenster misst, indem es hochfrequente Intraday‑Preisrenditen aufsummiert.

Dies unterscheidet sich von der traditionellen täglichen Varianz, die keinen Unterschied erkennt, wenn der Endpreis dem Startpreis entspricht, selbst wenn die Intraday‑Volatilität hoch war.

Auf diese Weise kann dieses neue Modell sowohl detaillierte Hochfrequenzdaten integrieren als auch die Genauigkeit von GJR‑GARCH‑Modellen nutzen.

Test des Modells im Ölhandel

Test für volatile Märkte

Um ihr Modell zu validieren, testeten die Forscher es mit USO (USO ), dem United States Oil Fund, einem ETF, der seit 2006 die Preisbewegungen von West Texas Intermediate (WTI) Light Sweet Crude Oil nachverfolgt.

Dies wurde gewählt, da Rohölmärkte durch ausgeprägte intra‑wöchentliche Volatilität gekennzeichnet sind, die durch makroökonomische Ankündigungen, Lagerbestands‑Shocks und geopolitische Entwicklungen angetrieben wird. Die jüngsten Russland‑Ukraine‑ und USA‑Iran‑Kriege haben ein weiteres Beispiel für überraschende Volatilität geliefert, die die Handelserträge und die Effizienz von Finanzmodellen beeinflusst.

Um einen Vergleich zu einem „normaleren“ Markt zu ziehen, testeten sie ihr Modell außerdem mit SPY, dem am aktivsten gehandelten ETF, der den S&P500‑Index abbildet.

In beiden Fällen sammelten sie Daten vom 1. Januar 2010 bis zum 30. April 2020.

Die Forscher stellten außerdem fest, dass andere potenziell interessante Märkte, wie Gold‑ und Devisenmärkte, in der Regel keine zuverlässigen Tick‑by‑Tick‑Daten über lange Zeiträume liefern, und dass Kryptowährungs‑Preisdaten meist nur im 1‑Minute‑Intervall verfügbar sind, wodurch die für das Modell erforderlichen Hochfrequenzdaten nicht zur Verfügung stehen.

Modellvergleich

Die Forscher nutzten die Daten, um mit verschiedenen Modellen 35 Tages‑Vorhersagen zu testen, die anschließend zu wöchentlichen Horizonten aggregiert wurden.

Sie stellten fest, dass das RGJR‑GRCH‑Modell die höchste Prognosegenauigkeit für alle getesteten Vorhersagezeiträume bis zu 7 Wochen im Voraus aufwies.

Quelle: Finance Research Open

Noch wichtiger war, dass dieser Leistungsunterschied bedeutete, dass RGARCH ab der 3‑Wochen‑Vorhersage unterperformte und bei Woche 4 negative Ergebnisse zeigte, während RGJR‑GRCH weiterhin genaue Vorhersagen für Zeiträume von bis zu 6 Wochen im Voraus lieferte und nur sehr moderate Fehler für Woche 7 aufwies.

Durch die Analyse der Ursachen für diese überlegene Leistung zeigen die Forscher, dass tatsächlich die Nutzung von Hochfrequenz‑Handelsdaten dafür verantwortlich war.

„Die überlegene Leistung des RGJR‑GARCH‑Modells im Vergleich zu den GARCH‑ und GJR‑GARCH‑Modellen ist auf die effektive Nutzung von Hochfrequenzdaten bei der Modellierung von Volatilitätsdynamiken zurückzuführen.“

Der Effekt war besonders ausgeprägt bei ölgebundenen Assets wie USO, bei denen die Volatilität ausgeprägte wöchentliche Regelmäßigkeiten aufweist. Dies ist für praktische Anwendungen wichtig, da genaue wöchentliche Volatilitätsprognosen das dynamische Hedging und die Preisgestaltung von Verträgen für Akteure im Energiesektor, wie Rohstoffhändler und Produzenten, unterstützen können.

Das bedeutet auch, dass für die Volatilitätsprognose Tagesrenditen ebenso wichtig sind wie die Hochfrequenzdaten. Beide Datensätze sind miteinander verflochten und sollten als ein Ganzes verarbeitet werden.

Investitionen in Hochfrequenzhandel

CME Group Inc.

Da bessere Prognosen durch ein verbessertes Finanzmodell entstehen, steigt der Wert genauer, langfristiger und hochfrequenter Datensätze entsprechend. Dies gilt insbesondere für hochvolatile, geopolitisch sensible Wertpapiere und Vermögenswerte wie Rohöl. Dadurch kann die Plattform diese Hochfrequenzdaten bereitstellen und handelbare Wertpapiere anbieten, die wahrscheinlich von solchen akademischen Forschungen profitieren.

Der NYMEX‑Marktplatz von CME ist zentral für die Preisfindung von WTI‑Rohöl, den Futures‑Handel und das Hedging. Das Unternehmen ist zudem in allen Arten des Handels aktiv und deckt sämtliche Rohstoffe (Landwirtschaft, Energie, Metalle) sowie CO₂‑Zertifikate, Staatsanleihen, Devisen, Indizes, Aktien, Kryptowährungen usw. ab.

Das Unternehmen hat seinen Umsatz schnell von rund ~3 Mrd. $ im Jahr 2015 auf voraussichtlich ~7 Mrd. $ im Jahr 2026 gesteigert.

Es internationalisiert sich ebenfalls rasch, wobei die Aktivitäten außerhalb der USA mit einer jährlichen Wachstumsrate von 10 % zunehmen und das Unternehmen in 12 Ländern präsent ist, mit etwa 13.000 Kunden weltweit. Insgesamt kann erwartet werden, dass dieses Wachstumsmuster anhält und das Unternehmen von zahlreichen Finanzinnovationen profitiert, von Blockchain über CO₂‑Handel bis hin zu US‑Hypotheken‑Futures.

Quelle: CME

Neueste CME Group (CME) Aktiennachrichten und Entwicklungen

Studie referenziert

^{1. Prakash Raj, et al. Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets. Finance Research Open. Band 2, Ausgabe 3, September 2026, 100139. https://doi.org/10.1016/j.finr.2026.100139}