Perché i Rendimenti Giornalieri Sono Ancora Importanti per la Previsione della Volatilità

Per i trader quantitativi, selezionare il set di dati corretto per prevedere i futuri movimenti di mercato è probabilmente la decisione più critica che prendono. Storicamente, il prezzo di chiusura o di apertura di un determinato titolo o commodity era un buon punto di partenza per analizzare il pattern di trading di quel particolare strumento.

Ma oggi, poiché le operazioni vengono regolate in microsecondi da sistemi informatici avanzati e gran parte del volume di trading è generato da “bot” ad alta frequenza, i dati di tale attività di mercato sono spesso preferiti.

Un nuovo studio suggerisce che i dati di mercato ad alta frequenza non hanno reso obsoleti i rendimenti giornalieri. Utilizzando un nuovo modello di volatilità realizzata, rivela che combinare entrambi i segnali può migliorare in modo significativo le previsioni di volatilità del petrolio greggio, i limiti di rischio e le decisioni di copertura.

Lo studio è stato condotto da tre ricercatori dell’Indian Institute of Technology Guwahati ed è stato pubblicato su Finance Research Open¹, con il titolo “I rendimenti sono ancora importanti? Un modello completo di volatilità asimmetrica con misure realizzate nei mercati finanziari”.

Una Breve Panoramica dei Modelli di Rischio

Dagli anni ’80, i ricercatori in economia e i trader hanno iniziato a incorporare una nuova metrica nel modello di rischio che utilizzavano per prevedere i comportamenti di mercato: la volatilità variabile nel tempo dei rendimenti degli asset. Questo ha permesso al modello di riflettere meglio i mercati reali, dove i rischi degli asset fluttuano nel tempo, con periodi di alta e bassa turbolenza che si raggruppano piuttosto che rimanere costanti, come avveniva nei modelli precedenti.

Successivamente, i dati ad alta frequenza sono stati preferiti per tali modelli, poiché erano considerati un set di dati superiore per questa applicazione:

“I dati ad alta frequenza consentono una granularità più fine, facilitando la separazione dei componenti di salto e continui e fornendo una descrizione più dettagliata della dinamica della volatilità.”

Ciò ha portato alla creazione del modello GARCH (generalized autoregressive conditional heteroscedasticity), successivamente perfezionato in modelli avanzati che incorporano elementi aggiuntivi come i diversi effetti degli shock positivi e negativi e altri dati.

Nel tempo, i modelli di tipo GARCH si sono notevolmente espansi, con applicazioni che coprono molteplici classi di asset, tra cui azioni, commodity, criptovalute e mercati dei derivati.

Uno di questi modelli aggiornati è il GJR-GARCH, un tipo di modello che tiene conto della volatilità finanziaria dando più peso alle cattive notizie (rendimenti negativi) rispetto alle buone notizie, catturando l'”effetto leva” del mercato azionario.

Combinare Dati ad Alta Frequenza e GARCH

Questo studio propone di mescolare dati ad alta frequenza, minuto per minuto, in particolare la “varianza realizzata”, con il modello GJR-GARCH, creando il RGJR-GARCH.

La varianza realizzata è una metrica che misura la volatilità reale di un asset finanziario su una finestra temporale specifica sommando i rendimenti dei prezzi intraday ad alta frequenza.

Questo differisce dalla varianza giornaliera tradizionale, che registra zero cambiamento se il prezzo finale è lo stesso dell’inizio, anche se la volatilità è stata alta intra-giornaliera.

In questo modo, il nuovo modello può integrare sia i dettagliati dati ad alta frequenza sia l’accuratezza dei modelli GJR‑GARCH.

Testare il Modello con il Trading del Petrolio

Test per Mercati Volatili

Per convalidare il loro modello, i ricercatori lo hanno testato utilizzando USO (USO ), il United States Oil Fund, un ETF che segue i movimenti di prezzo del West Texas Intermediate (WTI) light sweet crude oil dal 2006.

Questo è stato scelto poiché i mercati del petrolio greggio sono caratterizzati da una marcata volatilità intra‑settimanal​e guidata da annunci macroeconomici, shock di inventario e sviluppi geopolitici. Le recenti guerre Russia‑Ucraina e USA‑Iran hanno fornito un ulteriore caso di volatilità sorpresa che ha influenzato i rendimenti di trading e l’efficienza dei modelli finanziari.

Per confrontarlo con un mercato più “normale”, hanno anche testato il loro modello con SPY, l’ETF più attivamente negoziato che segue l’indice S&P500.

In entrambi i casi, hanno raccolto dati dal 1 gennaio 2010 al 30 aprile 2020.

I ricercatori hanno anche osservato che altri mercati potenzialmente interessanti, come i mercati dell’oro e del forex, non forniscono tipicamente dati tick‑by‑tick affidabili su lunghi orizzonti, e i dati di prezzo delle criptovalute sono generalmente disponibili al massimo a intervallo di 1 minuto, rendendo indisponibili i dati ad alta frequenza di cui il modello ha bisogno per funzionare correttamente.

Confronto dei Modelli

I ricercatori hanno utilizzato i dati per testare diversi modelli con 35 previsioni a un giorno di anticipo, successivamente aggregate in orizzonti settimanali.

Hanno scoperto che il modello RGJR‑GRCH aveva la massima accuratezza delle previsioni per tutti i numeri di settimane in anticipo testati, fino a 7 settimane dopo.

Fonte: Finance Research Open

Ancora più importante, questa differenza di performance ha significato che il RGARCH ha iniziato a sottoperformare a partire dalla previsione della settimana 3 e ha subito una performance negativa alla settimana #4, mentre il RGJR‑GRCH ha continuato a fare previsioni accurate per periodi fino a 6 settimane in anticipo, e solo errori molto moderati per la settimana #7.

Analizzando cosa ha guidato questa superiore performance, i ricercatori dimostrano che è stato effettivamente l’uso dei dati di trading ad alta frequenza.

“La superiore performance del modello RGJR‑GARCH rispetto ai modelli GARCH e GJR‑GARCH è attribuita all’uso efficace dei dati ad alta frequenza nella modellazione della dinamica della volatilità.”

L’effetto è stato particolarmente marcato per gli asset legati al petrolio come USO, dove la volatilità mostra regolarità settimanali marcate. Ciò è importante per le applicazioni pratiche, poiché previsioni settimanali accurate della volatilità possono informare la copertura dinamica e la determinazione dei prezzi dei contratti per i partecipanti al settore energetico, come i trader di commodity e i produttori.

Ciò significa anche che, per la previsione della volatilità, i rendimenti giornalieri sono importanti così come i dati ad alta frequenza. Entrambi i set di dati sono intrecciati e dovrebbero essere elaborati come un unico insieme.

Investire nel Trading ad Alta Frequenza

Poiché previsioni migliori sono generate da un modello finanziario migliorato, il valore di set di dati accurati, a lungo termine e ad alta frequenza aumenta di conseguenza. Questo è particolarmente vero per titoli e asset ad alta volatilità e sensibili geopoliticamente, come il petrolio greggio. Pertanto, la piattaforma è in grado di fornire questi dati ad alta frequenza e titoli di trading azionabili che probabilmente beneficeranno di tali tipi di ricerca accademica.

Il mercato NYMEX di CME è centrale per la scoperta dei prezzi del petrolio greggio WTI, il trading di futures e la copertura. L’azienda è anche attiva in tutti i tipi di trading che coprono tutte le commodity (agricole, energetiche, metalli), nonché crediti di carbonio, titoli di stato, valute estere, indici, azioni, criptovalute, ecc.

L’azienda ha rapidamente aumentato il suo fatturato da circa ~$3 Miliardi nel 2015 a ~7 Miliardi previsti nel 2026.

È anche rapidamente internazionalizzata, con attività al di fuori degli USA in crescita del 10% CAGR e una presenza commerciale in 12 paesi, coprendo ~13.000 clienti in tutto il mondo. In generale, questo modello di crescita dovrebbe continuare e l’azienda dovrebbe beneficiare di molte innovazioni finanziarie, dalla blockchain al trading di carbonio e ai futures sui mutui statunitensi.

Fonte: CME

Ultime Notizie e Sviluppi sulle Azioni di CME Group (CME)

Studio di Riferimento

^{1. Prakash Raj, et al. I rendimenti sono ancora importanti? Un modello completo di volatilità asimmetrica con misure realizzate nei mercati finanziari. Finance Research Open. Volume 2, Numero 3, Settembre 2026, 100139. https://doi.org/10.1016/j.finr.2026.100139}