Bakit Mahalaga Pa Rin ang Pang-araw-araw na Kita sa Pagtataya ng Volatility

Para sa mga quantitative trader, ang pagpili ng tamang dataset upang hulaan ang mga galaw ng merkado sa hinaharap ay marahil ang pinaka kritikal na desisyon na kanilang ginagawa. Historikal, ang closing o opening price ng isang partikular na stock o kalakal ay isang magandang panimulang punto upang suriin ang pattern ng kalakalan ng nasabing security.

Ngunit ngayon, habang ang mga kalakalan ay natatapos sa microseconds ng mga advanced na IT system at maraming volume ng kalakalan ang nililikha ng mga high-frequency “bot”, ang data mula sa ganitong aktibidad sa merkado ay madalas na mas pinipili.

Isang bagong pag-aaral ang nagmumungkahi na ang high-frequency market data ay hindi nagpasawalang-bisa sa pang-araw-araw na kita. Sa paggamit ng isang bagong realized-volatility model, ipinapakita nito na ang pagsasama ng parehong signal ay maaaring makabuluhang mapabuti ang mga forecast ng volatility ng krudo, mga limitasyon sa panganib, at mga desisyon sa hedging.

Ang pag-aaral ay isinagawa ng tatlong mananaliksik sa Indian Institute of Technology Guwahati, at inilathala sa Finance Research Open¹, sa pamagat na “Mahahalaga Pa Ba ang Kita? Isang kumpletong asymmetric volatility model na may realized measures sa mga pamilihan ng pananalapi”.

Maikling Pangkalahatang-ideya ng mga Modelo ng Panganib

Mula noong 1980s, nagsimulang isama ng mga mananaliksik sa ekonomiks at mga trader ang isang bagong sukatan sa risk model na kanilang ginagamit upang hulaan ang pag-uugali ng merkado: ang time-varying volatility ng mga return ng asset. Pinahintulutan nito ang modelo na mas tumpak na ipakita ang totoong merkado, kung saan ang panganib ng mga asset ay nagbabago sa paglipas ng panahon, na may mga panahon ng mataas at mababang pag-ikot na nagsasama-sama sa halip na manatiling constant, tulad ng dati.

Sa kalaunan, mas pinili ang high-frequency data para sa mga ganitong modelo, dahil itinuturing itong mas mahusay na dataset para sa aplikasyon na ito:

“Ang high-frequency data ay nagbibigay ng mas pinong granularity, na nagpapadali sa paghihiwalay ng jump at continuous components at nagbibigay ng mas detalyadong pagtalakay sa dynamics ng volatility.”

Ito ay nagbunsod sa paglikha ng GARCH model (generalized autoregressive conditional heteroscedasticity), na kalaunan ay pinino sa mga mas advanced na modelo na naglalaman ng karagdagang elemento tulad ng iba’t ibang epekto ng positibo at negatibong shock at iba pang datapoints.

Sa paglipas ng panahon, ang mga GARCH-type na modelo ay malaki ang naging paglawak, na may mga aplikasyon sa maraming klase ng asset, kabilang ang equity, commodity, cryptocurrency, at mga pamilihan ng derivatives.

Isa sa mga na-update na modelong ito ay ang GJR-GARCH, isang uri ng modelo na isinasaalang-alang ang volatility ng pananalapi sa pamamagitan ng pagbibigay ng mas malaking timbang sa masamang balita (negative returns) kaysa sa maganda, na sumasaklaw sa tinatawag na “leverage effect” ng stock market.

Pagsasama ng High-Frequency Data at GARCH

Ipinapanukala ng pag-aaral na ito na pagsamahin ang high-frequency, minute-by-minute na data, lalo na ang “realized variance,” sa GJR-GARCH model, na lumilikha ng RGJR-GARCH.

Ang realized variance ay isang sukatan na sumusukat sa aktwal na volatility ng isang financial asset sa loob ng isang tiyak na time window sa pamamagitan ng pagdaragdag ng high-frequency intraday price returns.

Ito ay naiiba sa tradisyunal na daily variance, na nakikita ang zero na pagbabago kung ang huling presyo ay kapareho ng simula, kahit na mataas ang volatility sa loob ng araw.

Sa paggawa nito, ang bagong modelong ito ay maaaring pagsamahin ang detalyadong high-frequency data at ang katumpakan ng mga GJR-GARCH na modelo.

Pagsusuri ng Modelo sa Kalakalan ng Langis

Pagsusuri para sa mga Volatile na Merkado

Upang mapatunayan ang kanilang modelo, sinubukan ito ng mga mananaliksik gamit ang USO (USO ), ang United States Oil Fund, isang ETF na sumusubaybay sa paggalaw ng presyo ng West Texas Intermediate (WTI) light sweet crude oil mula pa noong 2006.

Pinili ito dahil ang mga pamilihan ng krudo ay kilala sa malinaw na intraweek volatility na pinapalakas ng mga anunsyo sa macroeconomics, mga shock sa imbentaryo, at mga pangyayaring geopolitikal. Ang kamakailang digmaan sa pagitan ng Russia–Ukraine at USA-Iran ay nagbigay ng karagdagang halimbawa ng biglaang volatility na nakaaapekto sa mga return ng kalakalan at kahusayan ng mga financial model.

Upang ihambing sa isang mas “normal” na merkado, sinubukan din nila ang kanilang modelo gamit ang SPY, ang pinaka-aktibong kalakalan na ETF na sumusubaybay sa index ng S&P500.

Sa parehong kaso, nagtipon sila ng data mula Enero 1, 2010, hanggang Abril 30, 2020.

Napansin din ng mga mananaliksik na ang iba pang posibleng kawili-wiling merkado, tulad ng ginto at forex, ay karaniwang hindi nagbibigay ng maaasahang tick-by-tick data sa mahabang panahon, at ang cryptocurrency price data ay kadalasang available lamang sa 1-minutong agwat, na nagiging hindi magagamit ang high-frequency data na kailangan ng modelo upang gumana nang tama.

Paghahambing ng mga Modelo

Gumamit ang mga mananaliksik ng data upang subukan ang iba’t ibang modelo sa 35 na one-day-ahead na forecast, na kalaunan ay pinagsama-sama sa lingguhang horizon.

Nakita nila na ang RGJR-GRCH model ay may pinakamataas na katumpakan sa forecast para sa lahat ng bilang ng linggo na sinusubukan, hanggang 7 linggo ang hinaharap.

Pinagmulan: Finance Research Open

Higit pa rito, ang pagkakaibang ito sa performance ay nangangahulugang ang RGARCH ay nagsimulang mag-underperform mula sa ikatlong linggo ng prediksyon at nagkaroon ng negatibong performance sa ika‑4 na linggo, samantalang ang RGJR-GRCH ay patuloy na gumagawa ng tumpak na prediksyon hanggang sa ika‑6 na linggo, at nagpakita lamang ng napaka‑katamtamang error sa linggo #7.

Sa pagsusuri kung ano ang nagdala ng superior na performance na ito, ipinakita ng mga mananaliksik na ito ay talagang dahil sa paggamit ng high-frequency trading data.

“Ang superior na performance ng RGJR-GARCH model kumpara sa mga GARCH at GJR-GARCH na modelo ay dahil sa epektibong paggamit ng high-frequency data sa pagmomodelo ng dynamics ng volatility.”

Ang epekto ay lalong malinaw para sa mga asset na may kaugnayan sa langis tulad ng USO, kung saan ang volatility ay nagpapakita ng malinaw na lingguhang regularidad. Mahalaga ito para sa praktikal na aplikasyon, dahil ang tumpak na lingguhang forecast ng volatility ay maaaring magbigay ng impormasyon para sa dynamic hedging at pagpepresyo ng kontrata para sa mga kalahok sa sektor ng enerhiya, tulad ng mga commodity trader at producer.

Ipinapahiwatig din nito na para sa forecasting ng volatility, mahalaga rin ang pang-araw-araw na kita, hindi lamang ang high-frequency data. Ang parehong dataset ay pinaghalo-halo at dapat iproseso bilang iisa.

Pamumuhunan sa High-Frequency Trading

CME Group Inc.

Habang lumilikha ng mas mahusay na forecasting ang isang pinahusay na financial model, tumataas din ang halaga ng tumpak, pangmatagalang, at high-frequency na dataset. Ito ay lalong totoo para sa mga securities at asset na may mataas na volatility at sensitibo sa geopolitika tulad ng krudo. Kaya’t nagagawa ng platform na magbigay ng mga high-frequency na data at mga actionable trading securities na malamang na makinabang mula sa ganitong uri ng akademikong pananaliksik.

Ang NYMEX marketplace ng CME ay sentral sa pagtuklas ng presyo ng WTI crude oil, futures trading, at hedging. Aktibo rin ang kumpanya sa iba’t ibang uri ng kalakalan na sumasaklaw sa lahat ng commodities (agrikultura, enerhiya, metal), pati na rin sa carbon credits, treasuries, foreign exchanges, indexes, equities, cryptocurrencies, atbp.

Mabilis na lumago ang kita ng kumpanya mula sa humigit-kumulang ~$3B noong 2015 hanggang ~7B na inaasahan sa 2026.

Mabilis din itong nag-internasyonal, kung saan ang non-US na aktibidad ay lumago ng 10% CAGR at may presensya sa 12 bansa, na sumasaklaw sa ~13,000 kliyente sa buong mundo. Sa pangkalahatan, inaasahang magpapatuloy ang pattern ng paglago na ito at makikinabang ang kumpanya mula sa maraming financial innovations, mula sa blockchain hanggang sa carbon trading at U.S. mortgage futures.

Pinagmulan: CME

Pinakabagong Balita at Pag-unlad ng Stock ng CME Group (CME)

Sanggunian ng Pag-aaral

^{1. Prakash Raj, et al. Mahahalaga Pa Ba ang Kita? Isang kumpletong asymmetric volatility model na may realized measures sa mga pamilihan ng pananalapi. Finance Research Open. Volume 2, Issue 3, Setyembre 2026, 100139. https://doi.org/10.1016/j.finr.2026.100139}