Hvorfor daglige avkastninger fortsatt er viktige for volatilitetsspredning

For kvantitative tradere er valg av riktig datasett for å forutsi fremtidige markedsbevegelser sannsynligvis den viktigste beslutningen de tar. Historisk sett var slutt- eller åpningsprisen på en gitt aksje eller råvare et godt utgangspunkt for å analysere handelsmønsteret til den spesifikke verdipapiret.

Men i dag, ettersom handler blir avregnet i mikrosekunder av avanserte IT‑systemer og en stor del av handelsvolumet skapes av høyfrekvente «roboter», foretrekkes ofte data fra slik markedsaktivitet.

En ny studie antyder at høyfrekvent markedsdata ikke har gjort daglige avkastninger overflødige. Ved å bruke en ny realisert‑volatilitet‑modell viser den at kombinasjonen av begge signalene kan forbedre crude‑oil volatilitetsspredninger, risikogrenser og sikringsbeslutninger betydelig.

Studien ble utført av tre forskere ved Indian Institute of Technology Guwahati, og publisert i Finance Research Open¹, under tittelen “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”.

En kort oversikt over risikomodeller

Fra 1980‑tallet begynte forskere innen økonomi og tradere å innlemme et nytt mål i risikomodellen de brukte for å forutsi markedsatferd: tidsvarierende volatilitet i aktivavkastninger. Dette gjorde at modellen bedre kunne gjenspeile virkelige markeder, hvor aktivarisikoen svinger over tid, med perioder med høy og lav turbulens som samles i klynger i stedet for å forbli konstant, slik det var i tidligere modeller.

Senere ble høyfrekvent data foretrukket for slike modeller, da den ble ansett som et overlegent datasett for denne anvendelsen:

«Høyfrekvent data gir finere granularitet, gjør det lettere å skille mellom hopp‑ og kontinuerlige komponenter og gir en mer detaljert redegjørelse for volatilitetens dynamikk.»

Dette førte til opprettelsen av GARCH-modellen (generalized autoregressive conditional heteroscedasticity), som senere ble raffinert i videre avanserte modeller som innlemmer ekstra elementer som de ulike effektene av positive og negative sjokk samt andre datapunkter.

Over tid har GARCH‑type modeller utvidet seg betydelig, med anvendelser som spenner over flere aktivaklasser, inkludert aksjer, råvarer, kryptovaluta og derivatmarkeder.

En av disse oppdaterte modellene er GJR-GARCH, en modelltype som tar hensyn til finansiell volatilitet ved å gi mer vekt på dårlige nyheter (negative avkastninger) enn på gode nyheter, og fanger opp aksjemarkedets «leverage‑effekt».

Kombinere høyfrekvent data og GARCH

Denne studien foreslår å blande høyfrekvent, minutt‑for‑minutt data, spesielt «realiserte varians», med GJR‑GARCH-modellen, og skape RGJR‑GARCH.

Realisert varians er et mål som måler den faktiske volatiliteten til et finansielt aktivum over et spesifikt tidsvindu ved å summere høyfrekvente intradag prisavkastninger.

Dette skiller seg fra tradisjonell daglig varians, som viser ingen endring dersom sluttprisen er den samme som startprisen, selv om volatiliteten var høy i løpet av dagen.

Ved å gjøre dette kan den nye modellen både integrere detaljert høyfrekvent data og nøyaktigheten til GJR‑GARCH-modeller.

Teste modellen med oljetrading

Testing for volatile markeder

For å validere modellen testet forskerne den ved bruk av USO (USO ), United States Oil Fund, en ETF som følger prisbevegelsene til West Texas Intermediate (WTI) lett søt råolje siden 2006.

Dette ble valgt fordi råoljemarkedene er preget av uttalt intra‑ukentlig volatilitet drevet av makroøkonomiske kunngjøringer, lager sjokk og geopolitiske utviklinger. De nylige Russland‑Ukraina- og USA‑Iran-krigene har gitt et ekstra tilfelle av overraskende volatilitet som påvirker handelsavkastning og effektiviteten til finansielle modeller.

For å sammenligne med et mer «normalt» marked testet de også modellen med SPY, den mest aktivt handelte ETF som følger S&P500‑indeksen.

I begge tilfeller samlet de inn data fra 1. januar 2010 til 30. april 2020.

Forskerne bemerket også at andre potensielt interessante markeder, som gull‑ og valutamarkedene, vanligvis ikke gir pålitelig tick‑for‑tick data over lange perioder, og kryptovaluta‑prisdaten er generelt tilgjengelig maksimalt med ett minutts intervall, noe som gjør den høyfrekvente dataen modellen trenger for å fungere korrekt utilgjengelig.

Sammenligning av modeller

Forskerne brukte dataene til å teste med ulike modeller 35 ett‑dag‑fremover spådommer, som deretter ble aggregert til ukentlige horisonter.

De fant at RGJR‑GRCH-modellen hadde den høyeste prognosenøyaktigheten for alle antall uker frem i tid som ble testet, opptil 7 uker senere.

Kilde: Finance Research Open

Enda viktigere betydde denne forskjellen i ytelse at RGARCH begynte å underprestere fra uke‑3‑spådommen og opplevde negativ ytelse fra uke #4, mens RGJR‑GRCH fortsatte å gi nøyaktige spådommer for perioder så langt som 6 uker frem, og kun svært moderate feil for uke #7.

Ved å se på hva som drev denne overlegne ytelsen, viser forskerne at det faktisk var bruken av høyfrekvent handelsdata.

«Den overlegne ytelsen til RGJR‑GARCH-modellen i forhold til GARCH‑ og GJR‑GARCH-modellene tilskrives effektiv bruk av høyfrekvent data i modellering av volatilitetens dynamikk.»

Effekten var spesielt uttalt for olje‑relaterte eiendeler som USO, hvor volatiliteten viser tydelige ukentlige regelmessigheter. Dette er viktig for praktiske anvendelser, da nøyaktig ukentlig volatilitetsspredning kan informere dynamisk sikring og kontraktprising for aktører i energisektoren, som råvaretradere og produsenter.

Dette betyr også at for å forutsi volatilitet er daglige avkastninger også viktige, ikke bare høyfrekvent data. Begge datasett er blandet og bør behandles som ett.

Investere i høyfrekvent trading

CME Group Inc.

Ettersom bedre prognoser skapes av en forbedret finansiell modell, øker verdien av nøyaktige, langsiktige og høyfrekvente datasett tilsvarende. Dette gjelder spesielt for høyvolatilitets‑ og geopolitisk sensitive verdipapirer og eiendeler som råolje. Dermed gjør dette plattformen i stand til å levere disse høyfrekvente dataene og handlingsorienterte handelsverdipapirer som sannsynligvis vil dra nytte av slike typer akademisk forskning.

CMEs NYMEX-markedsplass er sentral for prisoppdagelse, futureshandel og sikring av WTI‑råolje. Selskapet er også aktivt i alle typer handel som dekker alle råvarer (landbruk, energi, metaller), samt karbonkreditter, statsobligasjoner, valutamarkeder, indekser, aksjer, kryptovalutaer osv.

Selskapet har raskt økt inntektene fra rundt ~3 milliarder dollar i 2015 til ~7 milliarder forventet i 2026.

Det har også raskt internasjonalisert seg, med ikke‑US‑aktivitet som vokser med 10 % CAGR og en salgsnærvær i 12 land, som dekker ~13 000 kunder verden over. Totalt sett kan dette vekstmønsteret forventes å vedvare, og selskapet vil dra nytte av mange finansielle innovasjoner, fra blokkjedeteknologi til karbonhandel og amerikanske boliglåns‑futures.

Kilde: CME

Siste CME Group (CME) aksjenyheter og utviklinger

Studie referert

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