Por qué los retornos diarios siguen siendo importantes para la previsión de volatilidad

Para los traders cuantitativos, seleccionar el conjunto de datos adecuado para predecir los movimientos futuros del mercado es, sin duda, la decisión más crítica que toman. Históricamente, el precio de cierre o de apertura de una acción o commodity era un buen punto de partida para analizar el patrón de negociación de ese activo específico.

Pero hoy, dado que las operaciones se liquidan en microsegundos mediante sistemas informáticos avanzados y gran parte del volumen de negociación lo generan los “bots” de alta frecuencia, a menudo se prefieren los datos de esa actividad del mercado.

Un nuevo estudio sugiere que los datos de mercado de alta frecuencia no han dejado obsoletos los retornos diarios. Utilizando un nuevo modelo de volatilidad realizada, revela que combinar ambas señales puede mejorar materialmente las previsiones de volatilidad del crudo, los límites de riesgo y las decisiones de cobertura.

El estudio fue realizado por tres investigadores del Indian Institute of Technology Guwahati y publicado en Finance Research Open¹, bajo el título “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”.

Una breve visión general de los modelos de riesgo

Desde la década de 1980, investigadores en economía y traders comenzaron a incorporar una nueva métrica en el modelo de riesgo que utilizaban para predecir los comportamientos del mercado: la volatilidad variable en el tiempo de los retornos de los activos. Esto permitió que el modelo reflejara mejor los mercados reales, donde los riesgos de los activos fluctúan a lo largo del tiempo, con períodos de alta y baja turbulencia agrupados en lugar de permanecer constantes, como ocurría en los modelos anteriores.

Posteriormente, se prefirieron los datos de alta frecuencia para dichos modelos, ya que se consideraban un conjunto de datos superior para esta aplicación:

“Los datos de alta frecuencia permiten una granularidad más fina, facilitando la separación de componentes de salto y continuos y proporcionando una cuenta más detallada de la dinámica de la volatilidad.”

Esto condujo a la creación del modelo GARCH (heterocedasticidad condicional autorregresiva generalizada), que luego se refinó en modelos avanzados que incorporan elementos adicionales como los diferentes efectos de choques positivos y negativos y otros puntos de datos.

Con el tiempo, los modelos tipo GARCH se han expandido considerablemente, con aplicaciones que abarcan múltiples clases de activos, incluidos los mercados de acciones, commodities, criptomonedas y derivados.

Uno de estos modelos actualizados es el GJR-GARCH, un tipo de modelo que tiene en cuenta la volatilidad financiera al dar mayor peso a las malas noticias (retornos negativos) que a las buenas, capturando el “efecto apalancamiento” del mercado de valores.

Mezclando datos de alta frecuencia y GARCH

Este estudio propone mezclar datos de alta frecuencia, minuto a minuto, especialmente la “varianza realizada”, con el modelo GJR-GARCH, creando el RGJR-GARCH.

La varianza realizada es una métrica que mide la volatilidad real de un activo financiero durante una ventana de tiempo específica al sumar los retornos de precios intradiarios de alta frecuencia.

Esto difiere de la varianza diaria tradicional, que muestra cero cambio si el precio final es el mismo que el inicial, incluso si la volatilidad intradiaria fue alta.

Al hacerlo, este nuevo modelo puede integrar tanto los datos detallados de alta frecuencia como la precisión de los modelos GJR-GARCH.

Probando el modelo con la negociación de petróleo

Probando en mercados volátiles

Para validar su modelo, los investigadores lo probaron usando USO (USO ), el United States Oil Fund, un ETF que sigue los movimientos de precios del crudo ligero dulce West Texas Intermediate (WTI) desde 2006.

Se eligió porque los mercados de crudo se caracterizan por una volatilidad intra‑semanal pronunciada impulsada por anuncios macroeconómicos, shocks de inventario y desarrollos geopolíticos. Las recientes guerras Rusia‑Ucrania y EE.UU‑Irán han añadido casos de volatilidad inesperada que impactan los retornos de negociación y la eficiencia de los modelos financieros.

Para compararlo con un mercado más “normal”, también probaron su modelo con SPY, el ETF más negociado que sigue el índice S&P500.

En ambos casos, recopilaron datos desde el 1 de enero de 2010 hasta el 30 de abril de 2020.

Los investigadores también señalaron que otros mercados potencialmente interesantes, como el oro y los mercados de divisas, no suelen proporcionar datos tick‑by‑tick fiables a lo largo de horizontes largos, y los datos de precios de criptomonedas generalmente están disponibles como máximo en intervalos de 1 minuto, lo que hace inaccesibles los datos de alta frecuencia que el modelo necesita para funcionar correctamente.

Comparación de modelos

Los investigadores usaron los datos para probar diferentes modelos con 35 pronósticos de un día, que posteriormente se agregaron a horizontes semanales.

Descubrieron que el modelo RGJR‑GRCH tenía la mayor precisión de pronóstico para todos los números de semanas anticipadas probadas, hasta 7 semanas después.

Fuente: Finance Research Open

Más importante aún, esta diferencia de rendimiento significó que el RGARCH comenzó a bajo‑rendimiento a partir de la predicción de la semana 3 y mostró un rendimiento negativo en la semana 4, mientras que el RGJR‑GRCH siguió haciendo predicciones precisas hasta 6 semanas adelante, y solo presentó errores muy moderados en la semana 7.

Al analizar qué impulsó este rendimiento superior, los investigadores demostraron que se debía al uso de datos de negociación de alta frecuencia.

“El rendimiento superior del modelo RGJR‑GARCH en comparación con los modelos GARCH y GJR‑GARCH se atribuye al uso efectivo de datos de alta frecuencia en la modelización de la dinámica de la volatilidad.”

El efecto fue especialmente pronunciado para activos vinculados al petróleo como USO, donde la volatilidad muestra regularidades semanales marcadas. Esto es importante para aplicaciones prácticas, ya que una previsión semanal precisa de la volatilidad puede informar la cobertura dinámica y la fijación de precios de contratos para participantes del sector energético, como traders y productores de commodities.

Esto también implica que, para pronosticar la volatilidad, los retornos diarios siguen siendo importantes, no solo los datos de alta frecuencia. Ambos conjuntos de datos están entrelazados y deben procesarse como uno solo.

Invertir en negociación de alta frecuencia

CME Group Inc.

A medida que se crean mejores pronósticos mediante un modelo financiero mejorado, el valor de los conjuntos de datos precisos, a largo plazo y de alta frecuencia aumenta en consecuencia. Esto es especialmente cierto para valores y activos de alta volatilidad y sensibilidad geopolítica, como el crudo. Por ello, la plataforma que pueda proporcionar estos datos de alta frecuencia y valores negociables accionables probablemente se beneficie de este tipo de investigación académica.

El mercado NYMEX de CME es central para el descubrimiento de precios del crudo WTI, la negociación de futuros y la cobertura. La compañía también está activa en todo tipo de negociaciones que cubren todas las commodities (agrícolas, energía, metales), así como créditos de carbono, bonos del Tesoro, divisas, índices, acciones, criptomonedas, etc.

La empresa ha incrementado rápidamente sus ingresos, pasando de aproximadamente $3 mil millones en 2015 a ~7 mil millones esperados en 2026.

También se ha internacionalizado rápidamente, con una actividad fuera de EE. UU. creciendo a una tasa compuesta anual del 10 % y una presencia comercial en 12 países, cubriendo ~13 000 clientes en todo el mundo. En conjunto, se espera que este patrón de crecimiento continúe y que la compañía se beneficie de numerosas innovaciones financieras, desde blockchain hasta el comercio de carbono y los futuros hipotecarios de EE. UU.

Fuente: CME

Últimas noticias y desarrollos de CME Group (CME)

Estudio referenciado

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