Waarom aandelenrendementen mogelijk alleen in korte vensters voorspelbaar zijn

Aandelenrendementen kunnen voorspelbaar zijn, maar alleen in korte vensters

Beleggers hebben tientallen jaren besteed aan het zoeken naar indicatoren die betrouwbaar aandelenrendementen voorspellen. Waarderingsratio’s, rentetarieven, kredietspreads, inflatie, marktvolatiliteit en maatstaven voor economische activiteit hebben op een bepaald moment allemaal veelbelovend geleken. Het probleem is dat een indicator in de ene periode nuttig kan lijken en in de volgende ineffectief wordt.

Een nieuwe studie gepubliceerd in de Journal of Econometrics¹ stelt dat deze instabiliteit eerder een bepalend kenmerk van marktvoorspelbaarheid is dan een defect in de gegevens. Aandelenrendementen kunnen voorspelbaar zijn, maar alleen tijdens tijdelijke episodes die ontstaan door recessies, financiële schokken, beleidsveranderingen of verschuivingen in de manier waarop beleggers informatie verwerken.

De onderzoekers ontwikkelden statistische monitoringsprocedures die bedoeld zijn om deze episodes te detecteren zodra ze zich voordoen. Hun werk herformuleert de praktische vraag. In plaats van te vragen of een variabele rendementen voorspelt over een volledige historische steekproef, zouden beleggers moeten vragen of deze recentelijk begonnen is nuttige informatie te bevatten.

Waarom permanente marktsignalen zo moeilijk te vinden zijn

Traditioneel voorspellend onderzoek schat vaak één relatie over tientallen jaren aan gegevens. Een analist kan bijvoorbeeld testen of dividendrendementen de aandelenpremie voorspellen, wat betekent dat de opbrengst van aandelen boven een risicovrij actief ligt. Dit veronderstelt dat de relatie gedurende de hele steekproef voldoende stabiel blijft.

Markten werken zelden mee. Monetair beleid verandert, regelgeving evolueert, en breed ontdekte strategieën trekken kapitaal aan. Een signaal kan tijdens een crisis sterker worden en verdwijnen zodra beleggers het herkennen. Een model over de volledige periode kan daarom een nuttige episode verwateren met vele jaren waarin geen relatie bestond.

Dit helpt verklaren waarom financiële variabelen in de ene studie statistisch significant kunnen lijken en in een andere falen. De onenigheid betekent niet per se dat één resultaat onjuist was. De studies kunnen verschillende marktregimes hebben onderzocht.

De uitdaging wordt groter omdat veel gangbare voorspellers zeer persistent zijn. Dividendrendementen, boek‑waarde‑tot‑markt‑ratio’s en rentemaatstaven kunnen gedurende lange periodes verhoogd of verlaagd blijven. Ze kunnen ook gelijktijdig bewegen met dezelfde schokken die de rendementen beïnvloeden. Conventionele statistische tests kunnen die kenmerken verwarren met voorspellende kracht.

Hoe realtime monitoring het probleem verandert

Het artikel stelt voor om binnenkomende gegevens opeenvolgend te monitoren nadat een initiële trainingsperiode zonder gedetecteerde voorspelbaarheid is vastgesteld. De geprefereerde aanpak maakt gebruik van een cumulatieve som, of CUSUM‑proces, opgebouwd uit IVX‑instrumentvariabele voorwaarden.

Eenvoudiger gezegd houdt het systeem bij of de relatie tussen een kandidaat‑indicator en latere rendementen voldoende afwijkt van de historische basislijn om een signaal te rechtvaardigen. Het is ontworpen om te functioneren zonder dat de gebruiker van tevoren moet weten of de voorspeller zwak persistent is, dicht bij een eenheidswortel staat, of ergens daartussenin.

Het monitoringskader pakt meerdere problemen tegelijk aan:

• Voorspellende relaties kunnen zonder waarschuwing beginnen en eindigen.
• Herhaald testen kan valse alarmen genereren zelfs wanneer er geen signaal bestaat.
• Veranderingen in volatiliteit kunnen gewone tests relaties laten detecteren die niet echt zijn.
• Voorspellers kunnen persistent zijn en gecorreleerd met onverwachte markt rendementen.

De volatiliteitsaanpassing is vooral belangrijk. Een grote marktschok veroorzaakt grotere observaties, die een monitoringsstatistiek over een drempel kunnen duwen zelfs als de onderliggende voorspellende relatie niet is veranderd. Dit hangt samen met het bredere probleem dat bekende maatstaven mogelijk slechts een deel van de risicomilieu vastleggen, zoals besproken in het onderzoek van Securities.io naar waarom de VIX niet volledig de marktrisico’s van de aandelenmarkt vastlegt.

Wat de simulaties hebben aangetoond

De auteurs hebben hun methoden getest in gesimuleerde markten met verschillende persistentie van voorspellers, volatiliteitspaden, endogeniteitsrelaties en startdatums voor voorspellende episodes. Diverse voorgestelde CUSUM‑procedures hielden redelijk gecontroleerde fout‑positieve percentages aan onder veel van deze omstandigheden.

De sterkste methoden detecteerden over het algemeen voorspelbaarheid eerder dan concurrerende rollende‑venster‑procedures, vooral wanneer de voorspeller extreem persistent was. Dit is van belang omdat een kortstondig signaal zijn praktische waarde verliest als een model het pas tegen het einde van de episode identificeert.

Echter, geen enkele versie domineerde onder alle omstandigheden. Eén procedure reageerde bijzonder snel maar leverde buitensporige fout‑positieven op na een stijgende volatiliteit. Een andere was conservatiever en trager. De door het artikel geprefereerde variantie‑gecorrigeerde CUSUM‑aanpak bood een nuttiger evenwicht tussen detectiesnelheid en controle van valse alarmen.

Een model dat te gemakkelijk een signaal afgeeft, leidt tot kostbare turnover en overmoed. Een voorzichtiger model kan een regime pas herkennen nadat een groot deel van de kans al is verstreken. Real‑time systemen hebben daarom een expliciet beleid nodig om te kiezen tussen gemiste signalen en valse alarmen.

Wat er gebeurde toen het model de S&P 500 in de gaten hield

De onderzoekers voerden een pseudo‑real‑time oefening uit met maandelijkse S&P 500‑gegevens en kandidaat‑voorspellers van januari 1965 tot en met december 2024. De voorspellers omvatten waarderingsratio’s, volatiliteitsmaten, technische indicatoren, obligatierendementen, kredietmarktvariabelen, inflatie en economische activiteit.

Testen op de volledige steekproef leverden weinig bewijs op dat de meeste variabelen consequent rendementen voorspelden. Toch identificeerden de monitoringsprocedures afzonderlijke vensters. Diverse obligatie‑ en macro‑economische indicatoren werden informatief rond de marktverstoring van 1973‑1975. De term‑spread toonde voorspellende inhoud in de periode voorafgaand aan Black Monday. Andere signalen verschenen rond de wereldwijde financiële crisis, in 2018 en in 2022.

Deze resultaten ondersteunen een regime‑gebaseerde interpretatie. Krediet‑rendementen, rentespreads, liquiditeit, waardering en economische slack kunnen het belangrijkst zijn wanneer de markt risico herwaardeert. Ze hoeven niet tijdens normale omstandigheden rendementen te voorspellen om tijdens stressperiodes nuttig te zijn.

Het grotere inzicht is beheer van de signaallevenscyclus

De meest waardevolle bijdrage van de studie is niet een lijst met indicatoren om te verhandelen, maar een raamwerk voor het beheren van de levenscyclus van een investeringssignaal.

Een productie‑model moet een activeringsregel, een pensioneringsregel en een methode voor herkalibratie na een gedetecteerd episode hebben. Dat verschilt van het eenmalig bouwen van een voorspellingsmodel en aannemen dat de coëfficiënten geldig blijven. Het beschouwt voorspelbaarheid als een veranderende systeemtoestand.

Dit perspectief suggereert bovendien dat volatiliteit twee rollen vervult. Het kan informatie bevatten over verwachte rendementen, maar het kan ook de statistische test die die informatie detecteert corrumperen. Onderzoek dat door Securities.io is behandeld, heeft eveneens aangetoond dat dagelijkse rendementen waardevol kunnen blijven voor volatiliteitsvoorspelling zelfs wanneer datasets met hogere frequentie beschikbaar zijn. Meer data lost modelinstabiliteit niet automatisch op als de relaties binnen die data blijven veranderen.

Voor beleggings‑teams zou de logische volgende stap een gelaagd systeem zijn. Eén model zou monitoren of een kandidaat‑voorspeller een actief regime is binnengegaan. Een aparte voorspellingslaag zou de richting en omvang van verwachte rendementen schatten. Portefeuillesamenstelling zou vervolgens rekening houden met transactiekosten, neerwaartse bewegingen, liquiditeit en positielimieten.

Die scheiding is essentieel omdat statistische voorspelbaarheid niet hetzelfde is als een winstgevende strategie. Het artikel berekent geen portefeuillerendementen, implementatiekosten, belastingen of risico‑gecorrigeerde prestaties. De historische oefening is pseudo‑real‑time in plaats van een live implementatie. Claims dat de methode de markt kan verslaan, gaan verder dan het beschikbare bewijs.

Investeren in de laag van financiële intelligentie

De studie wijst op een groeiende vraag naar schonere financiële data, adaptieve analytics en tools die regime‑veranderingen kunnen herkennen. Eén bedrijf dat zich binnen die infrastructuur heeft gepositioneerd, is S&P Global. .

S&P Global (SPGI ) opereert op het gebied van benchmarks, ratings, grondstoffenintelligentie en marktdata. De Market Intelligence‑afdeling levert veel van de datasets en analytische werkstromen die instellingen gebruiken om bedrijven, kredietcondities en marktgedrag te onderzoeken. Het bedrijf heeft ook zijn AI‑mogelijkheden uitgebreid via Kensho, waaronder tools die zijn ontworpen om complexe bedrijfsrecords te koppelen en financiële datasets makkelijker door machines te laten interpreteren. In 2026 beschreef S&P Global een uitgebreide versie van Kensho Link met een bredere dekking van entiteiten en verbeterde herkenning van complexe bedrijfsstructuren.

Dit betekent niet dat S&P Global de in de studie beschreven monitoringsmethode bezit of commercialiseert. De investeringsverbinding is breder: adaptieve financiële modellen zijn afhankelijk van uitgebreide, gestandaardiseerde, tijdige data. Naarmate kwantitatieve systemen responsiever worden voor marktregimes, worden datakwaliteit en -integratie onderdeel van het concurrentievoordeel.

Het recente profiel van Securities.io over MSCI and the infrastructure behind financial markets benadrukt dezelfde onderliggende trend. Indexaanbieders opereren steeds meer als data‑ en analysebedrijven in plaats van eenvoudige uitgevers van benchmark‑lijsten.

Marktvoorspelbaarheid is een bewegend doel

Het artikel lost het debat over de efficiënte markt niet op, maar biedt een realistischer kader. Markten zijn over het algemeen moeilijk te voorspellen, maar kunnen toch korte periodes voortbrengen waarin economische en financiële indicatoren buitengewoon informatief worden.

Voor beleggers betekent dit niet dat ze elke nieuw significante variabele moeten najagen. Het gaat erom signalen als voorwaardelijk te beschouwen, hun stabiliteit te monitoren en te erkennen dat een relatie die tijdens één crisis wordt ontdekt, mogelijk niet standhoudt tijdens de volgende expansie. Het duurzame voordeel ligt wellicht minder in het vinden van één permanente voorspellingsformule dan in het detecteren wanneer de regels van de markt tijdelijk veranderen.

Referenties:

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Realtime monitoring voor voorspelbaarheid van aandelenrendementen in niet‑stationaire volatiliteitsomgevingen. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341