Trading
Varför dagliga avkastningar fortfarande är viktiga för volatilitetsprognostisering
För kvantitativa handlare är valet av rätt dataset för att förutsäga framtida marknadsrörelser sannolikt det mest kritiska beslutet de fattar. Historiskt sett var stängnings- eller öppningspriset för en given aktie eller råvara en bra utgångspunkt för att analysera handelsmönstret för den specifika säkerheten.
Men idag, när affärer slutförs på mikrosekunder av avancerade IT‑system och en stor del av handelsvolymen skapas av högfrekventa ”botar”, föredras ofta data från sådan marknadsaktivitet.
En ny studie föreslår att högfrekvent marknadsdata inte har gjort dagliga avkastningar föråldrade. Med hjälp av en ny realiserad volatilitetmodell visar den att kombinationen av båda signalerna kan avsevärt förbättra prognoser för råoljevolatilitet, riskgränser och hedgebeslut.
Studien utfördes av tre forskare vid Indian Institute of Technology Guwahati och publicerades i Finance Research Open1, under titeln “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”.
En kort översikt av riskmodeller
Från 1980-talet började forskare inom ekonomi och handlare att införliva ett nytt mått i riskmodellen de använde för att förutsäga marknadsbeteenden: tidsvarierande volatilitet för tillgångarnas avkastning. Detta gjorde att modellen bättre kunde spegla verkliga marknader, där tillgångsrisker fluktuerar över tid, med perioder av hög och låg turbulens som klustrar ihop snarare än att förbli konstanta, som i tidigare modeller.
Senare föredrogs högfrekvent data för sådana modeller, eftersom den ansågs vara ett överlägset dataset för detta ändamål:
“Högfrekvent data möjliggör finare granularitet, underlättar separationen av hopp‑ och kontinuerliga komponenter och ger en mer detaljerad redogörelse för volatilitetens dynamik.”
Detta ledde till skapandet av GARCH‑modellen (generalized autoregressive conditional heteroscedasticity), som senare förfinades i mer avancerade modeller som införlivade extra element som de olika effekterna av positiva och negativa chocker samt andra datapunkter.
Med tiden har GARCH‑liknande modeller expanderat avsevärt, med tillämpningar som spänner över flera tillgångsklasser, inklusive aktier, råvaror, kryptovalutor och derivatmarknader.
En av dessa uppdaterade modeller är GJR-GARCH, en modelltyp som tar hänsyn till finansiell volatilitet genom att ge mer vikt åt dåliga nyheter (negativa avkastningar) än goda nyheter, och fångar aktiemarknadens “leverage‑effekt”.
Kombinera högfrekvent data och GARCH
Denna studie föreslår att kombinera högfrekvent, minut‑för‑minut‑data, särskilt “realiserad varians”, med GJR‑GARCH‑modellen, vilket skapar RGJR‑GARCH.
Realiserad varians är ett mått som mäter den faktiska volatiliteten för en finansiell tillgång över ett specifikt tidsfönster genom att summera högfrekventa intradagsprisavkastningar.
Detta skiljer sig från traditionell daglig varians, som visar noll förändring om priset i slutet är samma som i början, även om volatiliteten var hög under dagen.
Genom att göra detta kan den nya modellen både integrera detaljerad högfrekvent data och noggrannheten i GJR‑GARCH‑modeller.
Testa modellen med oljehandel
Testa för volatila marknader
I syfte att validera sin modell testade forskarna den med USO (USO ), United States Oil Fund, en ETF som spårar prisrörelserna för West Texas Intermediate (WTI) light sweet crude oil sedan 2006.
Detta valdes eftersom råoljemarknader kännetecknas av uttalad intra‑veckovolatilitet som drivs av makroekonomiska tillkännagivanden, lagerchocker och geopolitiska händelser. De senaste Ryssland‑Ukraina‑ och USA‑Iran‑krigen har dessutom bidragit med ett extra exempel på överraskande volatilitet som påverkar handelsavkastning och finansiella modellers effektivitet.
För att jämföra med en mer “normal” marknad testade de också sin modell med SPY, den mest aktivt handlade ETF:n som spårar S&P500‑indexet.
I båda fallen samlade de in data från 1 januari 2010 till 30 april 2020.
Forskarnas noterade också att andra potentiellt intressanta marknader, som guld‑ och valutamarknader, vanligtvis inte tillhandahåller pålitlig tick‑för‑tick‑data över långa horisonter, och kryptovalutapriser är i allmänhet tillgängliga högst med ett minutintervall, vilket gör den högfrekventa data som modellen kräver otillgänglig för korrekt funktion.
Modelljämförelse
Forskarna använde data för att testa med olika modeller 35‑dagars‑framåtblickande prognoser, vilka sedan aggregerades till veckovisa horisonter.
De fann att RGJR‑GRCH‑modellen hade den högsta prognosnoggrannheten för alla antal veckor framåt som testades, upp till 7 veckor senare.
Källa: Finance Research Open
Viktigare är att denna skillnad i prestanda innebar att RGARCH började underprestera redan vid veckoprediktion 3 och drabbades av negativ prestanda redan vecka #4, medan RGJR‑GRCH fortsatte att leverera korrekta prognoser för perioder så långt som 6 veckor framåt, och endast mycket måttliga fel för vecka #7.
Genom att titta på vad som drev denna överlägsna prestanda visar forskarna att det faktiskt var användningen av högfrekvent handelsdata.
“Den överlägsna prestandan hos RGJR‑GARCH‑modellen i förhållande till GARCH‑ och GJR‑GARCH‑modellerna tillskrivs den effektiva användningen av högfrekvent data i modellering av volatilitetens dynamik.”
Effekten var särskilt uttalad för olje‑relaterade tillgångar såsom USO, där volatiliteten uppvisar tydliga veckovisa regelbundenheter. Detta är viktigt för praktiska tillämpningar, eftersom exakt veckovis volatilitetsprediktion kan informera dynamisk hedging och kontraktsprissättning för aktörer inom energisektorn, såsom råvaruhandlare och producenter.
Detta innebär också att för volatilitetsprediktion är dagliga avkastningar också viktiga, inte bara högfrekvent data. Båda dataseten är sammanflätade och bör behandlas som ett.
Investera i högfrekvent handel
CME Group Inc.
(CME )
När bättre prognoser skapas av en förbättrad finansiell modell ökar värdet av exakta, långsiktiga och högfrekventa dataset i motsvarande grad. Detta gäller särskilt för högvolatila, geopolitisk känsliga värdepapper och tillgångar som råolja. Således gör plattformen det möjligt att tillhandahålla dessa högfrekventa data och handlingsbara handelsvärdepapper som sannolikt drar nytta av sådana typer av akademisk forskning.
CME:s NYMEX‑marknad är central för prisupptäckt, framtidshandel och hedging av WTI‑råolja. Företaget är också aktivt inom alla typer av handel som omfattar alla råvaror (jordbruk, energi, metaller), samt koldioxidkrediter, statsobligationer, valutamarknader, index, aktier, kryptovalutor med mera.
Företaget har snabbt ökat sin omsättning från omkring ~3 B i 2015 till ~7 B förväntade 2026.
Det har också snabbt internationaliserats, med icke‑US‑verksamhet som växer med 10 % CAGR och en försäljningsnärvaro i 12 länder, som täcker ~13 000 kunder världen över. Sammantaget kan detta tillväxtmönster förväntas fortsätta och företaget dra nytta av många finansiella innovationer, från blockkedja till koldioxidhandel och amerikanska hypotekslåne‑futures.
Källa: CME
Senaste CME Group (CME) aktienyheter och utveckling
Refererad studie
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
