Miksi Päivittäiset Tuotot Ovat Vielä Tärkeitä Volatiliteetin Ennustamisessa

Kvantitatiivisille kauppiaille oikean tietoaineiston valinta tulevien markkinaliikkeiden ennustamiseksi on väistämättä tärkein päätös, jonka he tekevät. Historiallisesti tietyn osakkeen tai hyödykkeen sulku- tai avauskurssi oli hyvä lähtökohta kyseisen arvopaperin kaupankäyntikuviolle analysointiin.

Mutta nykyään, kun kaupat toteutetaan mikrosekunneissa kehittyneiden IT-järjestelmien avulla ja suuri osa kaupankäyntivolyymista syntyy korkean taajuuden “boteilla”, tällaisesta markkinatoiminnasta kerättyjä tietoja suositaan usein.

Uusi tutkimus osoittaa, että korkean taajuuden markkinadata ei ole tehnyt päivittäisistä tuotoista vanhentuneita. Käyttäen uutta toteutunutta volatiliteettimallia se paljastaa, että molempien signaalien yhdistäminen voi merkittävästi parantaa raakaöljyn volatiliteettiennusteita, riskirajoja ja suojauspäätöksiä.

Tutkimus tehtiin kolmen tutkijan toimesta Indian Institute of Technology Guwahatissa, ja julkaistiin Finance Research Open¹, otsikolla “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”.

A Brief Overview Of Risk Models

1980‑luvulta lähtien taloustieteen tutkijat ja kauppiaat alkoivat sisällyttää riskimalliin uuden mittarin, jonka avulla ennustettiin markkinakäyttäytymistä: omaisuuserien tuottojen aika‑vaihteleva volatiliteetti. Tämä mahdollisti mallin paremman vastaavuuden todellisiin markkinoihin, joissa omaisuuserien riskit vaihtelevat ajan myötä, ja korkean sekä matalan turbulenssin jaksot kasaantuvat sen sijaan, että ne pysyisivät vakiona, kuten aikaisemmissa malleissa.

Myöhemmin korkean taajuuden dataa suosittiin tällaisiin malleihin, koska sitä pidettiin parempana tietoaineistona tähän sovellukseen:

“Korkean taajuuden data mahdollistaa tarkemman tarkkuuden, helpottaen hyppy‑ ja jatkuvien komponenttien erottamista ja tarjoten yksityiskohtaisemman kuvan volatiliteettidynamiikasta.”

Tämä johti GARCH‑mallin (generalized autoregressive conditional heteroscedasticity) luomiseen, jota myöhemmin tarkennettiin edelleen kehittyneissä malleissa, jotka sisälsivät lisäelementtejä, kuten positiivisten ja negatiivisten shokkien erilaiset vaikutukset sekä muita datapisteitä.

Ajan myötä GARCH‑tyyppiset mallit ovat laajentuneet merkittävästi, ja niiden sovellukset kattavat useita omaisuusluokkia, kuten osakkeet, hyödykkeet, kryptovaluutat ja johdannaiset.

Yksi näistä päivitetystä mallista on GJR-GARCH, mallityyppi, joka ottaa huomioon rahoitusvolatiliteetin antamalla enemmän painoa huonoille uutisille (negatiiviset tuotot) kuin hyvälle uutiselle, tallentaen osakemarkkinoiden “vipuvaikutuksen”.

Mixing High-Frequency Data And GARCH

Tämä tutkimus ehdottaa korkean taajuuden, minuutti‑kerran dataa, erityisesti “toteutunutta varianssia”, yhdistettäväksi GJR-GARCH‑malliin, jolloin syntyy RGJR-GARCH.

Toteutunut varianssi on mittari, joka mittaa rahoitusomaisuuden todellista volatiliteettia tietyllä aikavälillä summaamalla korkean taajuuden sisäpäiväisiä hintatuottoja.

Tämä eroaa perinteisestä päivittäisestä varianssista, jossa muutosta ei havaita, jos päivän lopun hinta on sama kuin aloitushinta, vaikka päivän sisäinen volatiliteetti olisi ollut korkea.

Tällä tavoin uusi malli voi sekä integroida yksityiskohtaista korkean taajuuden dataa että GJR-GARCH‑mallien tarkkuutta.

Testing The Model With Oil Trading

Testing For Volatile Markets

Mallin validointia varten tutkijat testasivat sitä käyttäen USO (USO ), United States Oil Fund -rahastoa, ETF:ää, joka seuraa West Texas Intermediate (WTI) -kevytmakean raakaöljyn hintaliikkeitä vuodesta 2006 lähtien.

Tämä valittiin, koska raakaöljymarkkinat ovat luonteeltaan merkittävää viikkovälistä volatiliteettia, jota ohjaavat makrotaloudelliset ilmoitukset, varastoshokit ja geopoliittiset tapahtumat. Äskettäiset Venäjä‑Ukraina- ja USA‑Iran-sodat ovat tarjonneet lisäesimerkin yllättävästä volatiliteetista, joka vaikuttaa kaupankäyntituottoihin ja rahoitusmallien tehokkuuteen.

Vertailun vuoksi “normaalimpaan” markkinaan he testasivat malliaan myös SPY:n, aktiivisimmin kaupankäynnin kohteena olevan ETF:n, joka seuraa S&P500‑indeksiä.

Molemmissa tapauksissa data kerättiin ajalta 1. tammikuuta 2010 – 30. huhtikuuta 2020.

Tutkijat huomauttivat myös, että muut mahdollisesti kiinnostavat markkinat, kuten kulta- ja valuuttamarkkinat, eivät tyypillisesti tarjoa luotettavaa tick‑by‑tick‑dataa pitkille aikaväleille, ja kryptovaluuttojen hintadata on yleensä saatavilla enintään 1‑minuutin välein, mikä tekee mallin tarvitsemat korkean taajuuden tiedot epäkäytettävissä.

Models Comparison

Tutkijat käyttivät dataa testatakseen eri malleja 35 yhden päivän ennusteen avulla, jotka myöhemmin koottiin viikkohorisontteihin.

He havaitsivat, että RGJR‑GRCH‑malli saavutti korkein ennustetarkkuus kaikille testatuille viikkomäärille, jopa 7 viikkoa eteenpäin.

Lähde: Finance Research Open

Entistä tärkeämpää on, että tämä suorituskyvyn ero tarkoitti, että RGARCH alkoi alisuoriutua kolmannen viikon ennusteessa ja kärsi negatiivista suorituskykyä neljännen viikon ennusteessa, kun taas RGJR‑GRCH jatkoi tarkkojen ennusteiden tekemistä jopa kuusi viikkoa eteenpäin, ja vain hyvin kohtuullisia virheitä seitsemännen viikon ennusteessa.

Tutkimalla, mikä johti tähän parempaan suorituskykyyn, tutkijat osoittivat, että se oli todellakin korkean taajuuden kaupankäyntidatan käyttö.

“RGJR‑GARCH‑mallin parempi suorituskyky verrattuna GARCH‑ ja GJR‑GARCH‑malleihin johtuu korkean taajuuden datan tehokkaasta käytöstä volatiliteettidynamiikan mallintamisessa.”

Vaikutus oli erityisen korostunut öljyyn sidoksissa oleville omaisuuserille, kuten USO, joissa volatiliteetti osoittaa selkeitä viikkosäännönmukaisuuksia. Tämä on tärkeää käytännön sovelluksissa, sillä tarkat viikkovolatiliteettiennusteet voivat ohjata dynaamista suojausta ja sopimushintojen määrittelyä energia‑alan toimijoille, kuten hyödykekauppiaille ja tuottajille.

Tämä merkitsi myös sitä, että volatiliteetin ennustamisessa päivittäiset tuotot ovat tärkeitä yhtä paljon kuin korkean taajuuden data. Molemmat tietoaineistot sekoittuvat ja ne tulisi käsitellä yhtenä kokonaisuutena.

Investing In High-Frequency Trading

CME Group Inc.

Kun parempaa ennustamista saavutetaan parannetulla rahoitusmallilla, tarkkojen, pitkän aikavälin ja korkean taajuuden tietoaineistojen arvo kasvaa vastaavasti. Tämä pätee erityisesti korkean volatiliteetin, geopoliittisesti herkkiin arvopapereihin ja omaisuuseriin, kuten raakaöljyyn. Näin ollen alusta pystyy tarjoamaan näitä korkean taajuuden tietoja ja toimivia kaupankäyntiarvopapereita, jotka todennäköisesti hyötyvät tällaisesta akateemisesta tutkimuksesta.

CME:n NYMEX‑kauppapaikka on keskeinen WTI‑raakaöljyn hintojen muodostumisessa, futuurikaupankäynnissä ja suojaamisessa. Yritys on myös aktiivinen kaikentyyppisessä kaupankäynnissä, joka kattaa kaikki hyödykkeet (maatalous, energia, metallit) sekä hiilikrediitit, valtion velkakirjat, valuuttapörssit, indeksit, osakkeet, kryptovaluutat ym.

Yritys on nopeasti kasvattanut liikevaihtonsa noin 3 miljardiin dollariin vuonna 2015 noin 7 miljardiin dollariin, jonka odotetaan olevan vuonna 2026.

Se on myös nopeasti kansainvälistynyt, jolloin Yhdysvaltojen ulkopuolinen toiminta on kasvanut 10 % CAGR:lla ja myyntiläsnäolo on 12 maassa, kattaen noin 13 000 asiakasta maailmanlaajuisesti. Kaiken kaikkiaan tätä kasvumallia odotetaan jatkuvan, ja yrityksen hyötyvän monista rahoitusinnovaatioista, kuten lohkoketjusta hiilikaupankäyntiin ja Yhdysvaltain asuntolainafutuurien.

Lähde: CME

Latest CME Group (CME) Stock News and Developments

Study Referenced

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