Waarom dagelijkse rendementen nog steeds belangrijk zijn voor volatiliteitsvoorspelling

Voor kwantitatieve handelaren is het kiezen van de juiste dataset om toekomstige marktbewegingen te voorspellen waarschijnlijk de belangrijkste beslissing die ze nemen. Historisch gezien was de slot- of openingsprijs van een bepaalde aandelen of grondstof een goed uitgangspunt om het handelsgedrag van dat specifieke effect te analyseren.

Maar tegenwoordig, nu transacties in microseconden worden afgehandeld door geavanceerde IT‑systemen en een groot deel van het handelsvolume wordt gecreëerd door high‑frequency “bots”, wordt de data van dergelijke marktactiviteit vaak geprefereerd.

Een nieuwe studie suggereert dat high‑frequency marktdata de dagelijkse rendementen niet overbodig heeft gemaakt. Met behulp van een nieuw gerealiseerd‑volatiliteitsmodel laat het zien dat het combineren van beide signalen de volatiliteitsvoorspellingen voor ruwe olie, risicolimieten en hedge‑beslissingen aanzienlijk kan verbeteren.

De studie is uitgevoerd door drie onderzoekers van het Indian Institute of Technology Guwahati en gepubliceerd in Finance Research Open¹, onder de titel “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”.

Een kort overzicht van risicomodellen

Vanaf de jaren 80 begonnen economen en handelaren een nieuwe metriek op te nemen in het risicomodel dat ze gebruikten om marktgedrag te voorspellen: tijdsvariabele volatiliteit van activareturns. Dit stelde het model in staat de echte markten beter weer te geven, waar activarisico’s in de loop van de tijd fluctueren, met periodes van hoge en lage turbulentie die zich groeperen in plaats van constant te blijven, zoals bij eerdere modellen.

Later werd high‑frequency data geprefereerd voor dergelijke modellen, omdat het werd beschouwd als een superieure dataset voor deze toepassing:

“High‑frequency data bieden fijnere granulariteit, waardoor de scheiding van sprong‑ en continue componenten wordt vergemakkelijkt en een meer gedetailleerd beeld van volatiliteitsdynamiek wordt gegeven.”

Dit leidde tot de creatie van het GARCH‑model (generalized autoregressive conditional heteroscedasticity), dat later werd verfijnd in geavanceerdere modellen die extra elementen omvatten, zoals de verschillende effecten van positieve en negatieve schokken en andere datapunten.

In de loop der tijd zijn GARCH‑type modellen aanzienlijk uitgebreid, met toepassingen over meerdere activaklassen, waaronder aandelen, grondstoffen, cryptovaluta en derivatenmarkten.

Een van deze bijgewerkte modellen is de GJR‑GARCH, een type model dat rekening houdt met financiële volatiliteit door meer gewicht te geven aan slecht nieuws (negatieve rendementen) dan aan goed nieuws, waardoor het “leverage‑effect” van de aandelenmarkt wordt vastgelegd.

Combineren van high‑frequency data en GARCH

Deze studie stelt voor om high‑frequency, minuut‑voor‑minuut data, met name “gerealiseerde variantie”, te combineren met het GJR‑GARCH‑model, waardoor het RGJR‑GARCH ontstaat.

Gerealiseerde variantie is een metriek die de feitelijke volatiliteit van een financieel actief over een specifiek tijdvenster meet door high‑frequency intraday prijsrendementen op te tellen.

Dit verschilt van traditionele dagelijkse variantie, die geen verandering laat zien als de eindprijs gelijk is aan de startprijs, zelfs als de volatiliteit intradag hoog was.

Door dit te doen kan dit nieuwe model zowel gedetailleerde high‑frequency data integreren als de nauwkeurigheid van GJR‑GARCH‑modellen behouden.

Testen van het model met oliehandel

Testen voor volatiele markten

Om hun model te valideren testten de onderzoekers het met USO (USO ), het United States Oil Fund, een ETF die de prijsbewegingen van West Texas Intermediate (WTI) light sweet crude oil volgt sinds 2006.

Dit werd gekozen omdat ruwe‑oliemarkten gekenmerkt worden door uitgesproken intra‑week volatiliteit, gedreven door macro‑economische aankondigingen, voorraadschokken en geopolitieke ontwikkelingen. De recente Rusland‑Oekraïne‑ en VS‑Iran‑oorlogen hebben een extra geval van onverwachte volatiliteit geleverd die de handelsrendementen en de efficiëntie van financiële modellen beïnvloedt.

Om te vergelijken met een meer “normale” markt testten ze hun model ook met SPY, de meest actief verhandelde ETF die de S&P500‑index volgt.

In beide gevallen verzamelden ze gegevens van 1 januari 2010 tot 30 april 2020.

De onderzoekers merkten ook op dat andere potentieel interessante markten, zoals goud‑ en valutamarkten, doorgaans geen betrouwbare tick‑voor‑tick data over lange periodes leveren, en dat cryptocurrency‑prijzensgegevens meestal slechts op een 1‑minuut interval beschikbaar zijn, waardoor de high‑frequency data die het model nodig heeft om correct te presteren niet beschikbaar is.

Vergelijking van modellen

De onderzoekers gebruikten de gegevens om met verschillende modellen 35 een‑dag‑voor‑uit‑voorspellingen te testen, die vervolgens werden samengevoegd tot wekelijkse horizonnen.

Ze ontdekten dat het RGJR‑GRCH‑model de hoogste voorspellingsnauwkeurigheid had voor alle aantallen weken vooruit getest, tot 7 weken later.

Bron: Finance Research Open

Belangrijker nog, dit prestatieverschil betekende dat RGARCH begon te onderpresteren vanaf week‑3‑voorspelling en negatieve prestaties vertoonde vanaf week #4, terwijl RGJR‑GRCH nauwkeurige voorspellingen bleef doen voor periodes tot 6 weken vooruit, en slechts zeer matige fouten had voor week #7.

“De superieure prestaties van het RGJR‑GARCH‑model ten opzichte van de GARCH‑ en GJR‑GARCH‑modellen worden toegeschreven aan het effectieve gebruik van high‑frequency data bij het modelleren van volatiliteitsdynamiek.”

Het effect was vooral uitgesproken voor olie‑gerelateerde activa zoals USO, waar volatiliteit duidelijke wekelijkse regelmatigheden vertoont. Dit is belangrijk voor praktische toepassingen, aangezien nauwkeurige wekelijkse volatiliteitsvoorspellingen dynamische hedging en contractprijsstelling voor deelnemers in de energiesector, zoals grondstofhandelaren en producenten, kunnen informeren.

Dit betekent ook dat voor het voorspellen van volatiliteit dagelijkse rendementen even belangrijk zijn, niet alleen de high‑frequency data. Beide datasets zijn verweven en moeten als één geheel worden verwerkt.

Investeren in high‑frequency trading

Naarmate betere voorspellingen worden gecreëerd door een verbeterd financieel model, neemt de waarde van nauwkeurige, langetermijn‑ en high‑frequency datasets dienovereenkomstig toe. Dit geldt vooral voor hoog‑volatiele, geopolitiek gevoelige effecten en activa zoals ruwe olie. Hierdoor kan het platform deze high‑frequency data en bruikbare handelsinstrumenten leveren die waarschijnlijk profiteren van dit soort academisch onderzoek.

CME’s NYMEX‑markt is centraal voor de prijsontdekking, futureshandel en hedging van WTI‑ruwe olie. Het bedrijf is ook actief in allerlei handel die alle grondstoffen (landbouw, energie, metalen) omvat, evenals koolstofcredits, staatsobligaties, valutamarkten, indexen, aandelen, cryptovaluta, enz.

Het bedrijf heeft zijn omzet snel laten groeien van ongeveer ~$3 miljard in 2015 tot ~7 miljard verwacht in 2026.

Het is ook snel internationaal geworden, met niet‑VS‑activiteiten die 10 % CAGR groeien en een verkoopaanwezigheid in 12 landen, met ~13.000 klanten wereldwijd. Over het geheel genomen kan dit groeipatroon naar verwachting aanhouden en kan het bedrijf profiteren van vele financiële innovaties, van blockchain tot koolstofhandel en Amerikaanse hypotheek‑futures.

Bron: CME

Laatste CME Group (CME) aandelen nieuws en ontwikkelingen

Studie geraadpleegd

^{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}