🌀 nonlinear sciences

Jump-diffusion models of parametric volume-price distributions

Dit artikel presenteert een datagedreven raamwerk dat de stochastische evolutie van volume-prijssverdelingen op de NYSE analyseert en aantoont dat de schaalparameter over het algemeen wordt gedomineerd door sprong-diffusiedynamiek, terwijl de vormparameter voornamelijk diffuus gedrag vertoont.

Oorspronkelijke auteurs: Anup Budhathoki, Leonardo Rydin Gorjão, Pedro G. Lind, Shailendra Bhandari

Gepubliceerd 2026-03-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Anup Budhathoki, Leonardo Rydin Gorjão, Pedro G. Lind, Shailendra Bhandari

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat de beurs niet als een rustig meer is, maar als een woelige oceaan. Soms zijn de golven zacht en voorspelbaar, maar dan ineens slaat er een enorme tsunami neer. De meeste oude modellen voor de beurs kijken alleen naar die zachte golven en denken dat de oceaan altijd rustig blijft. Dit nieuwe onderzoek van Anup Budhathoki en zijn team kijkt echter naar de tsunami's en probeert te begrijpen hoe die precies werken.

Hier is een uitleg van hun ontdekkingen, vertaald naar alledaagse taal:

1. Het Grote Experiment: De Beurs als een Reuzenpuzzel

De onderzoekers hebben gekeken naar duizenden bedrijven op de New York Stock Exchange (NYSE). Ze hebben niet gekeken naar de prijs van één aandeel, maar naar de combinatie van hoeveelheid (hoeveel aandelen er verhandeld worden) en prijs.

Ze hebben dit gedaan alsof ze een fotoalbum maakten van de beurs, elke 10 minuten, gedurende bijna 3 jaar. Ze wilden een wiskundig model vinden dat precies beschrijft hoe deze "volume-prijs" zich gedraagt.

2. Twee Soorten Regels: De "Stuurman" en de "Bom"

De onderzoekers ontdekten dat de beurs eigenlijk twee verschillende personen in één lichaam heeft. Ze hebben twee belangrijke getallen gebruikt om de beurs te beschrijven:

De Vorm (φ - phi): Dit vertelt ons hoe de "stroom" van handel eruit ziet. Is het een smalle stroom of een brede rivier?
De Schaal (θ - theta): Dit vertelt ons hoe groot de "golven" zijn. Hoeveel geld beweegt er eigenlijk?

Het verrassende resultaat:

De Vorm (φ) gedraagt zich als een rustige stuurman. Hij maakt kleine, geleidelijke aanpassingen. Als de stuurman een beetje naar links kijkt, draait hij langzaam naar links. Dit is een "diffusie": een rustig, voorspelbaar proces.
De Schaal (θ) gedraagt zich als een bom. Soms is alles rustig, maar dan gebeurt er plotseling iets geks: een enorme sprong. De schaal verandert niet geleidelijk, maar schiet omhoog of omlaag door plotselinge schokken (zoals een slecht nieuwsbericht of een paniekverkoop). Dit is een "jump-diffusion": een mix van rust en explosies.

3. De Uitzondering: De Logaritmische Ommezwaai

Er was één uitzondering: het Log-Normale model (een specifieke manier om de data te bekijken). Hier draait het verhaal om.

Bij dit model is de "Schaal" (θ) juist de rustige stuurman.
En de "Vorm" (φ) is de bom.

Waarom?
Stel je voor dat je de beurs bekijkt via een vergrootglas dat alles vermenigvuldigt (de normale manier). Dan zie je grote schokken in de grootte van de handel. Maar als je door een "logaritmisch" raam kijkt (alsof je de cijfers in een andere taal vertaalt), worden die enorme schokken kleiner en lijkt het meer op een rustige wandeling. De "explosies" verdwijnen in de vertaling, maar de "vorm" van de wandeling toont dan juist de onrust.

4. Hoe hebben ze dit ontdekt? (De "Kramers-Moyal" Detectie)

Hoe weten ze nu of het een rustige wandeling of een explosie is? Ze gebruikten een slimme wiskundige techniek (de Kramers-Moyal-coëfficiënten).

De Analogie: Stel je voor dat je een auto bekijkt.
- Als je alleen naar de snelheid kijkt (de eerste graad), zie je dat de auto rijdt.
- Als je naar de versnelling kijkt (de tweede graad), zie je of hij gas geeft of remt.
- Maar om te zien of er een bom onder de auto zit, moet je kijken naar de vierde en zesde graad. Dit zijn de "extreme" metingen.
- Als deze extreme metingen heel hoog zijn, betekent het: "Hier gebeuren er rare, plotselinge dingen!"

De onderzoekers zagen dat bij de "Schaal" (θ) deze extreme metingen enorm hoog waren. De "Vorm" (φ) had juist lage, saaie metingen.

5. Wat betekent dit voor ons?

Dit onderzoek is belangrijk voor twee redenen:

Risicomanagement: Als je denkt dat de beurs alleen maar rustig golft (zoals de oude modellen zeggen), ben je niet voorbereid op de tsunami's. Dit onderzoek zegt: "Kijk uit! De grootte van de handel (de schaal) wordt gedomineerd door zeldzame, maar enorme schokken."
Betere Voorspellingen: Door te weten dat de "vorm" rustig is en de "schaal" explosief, kunnen we betere modellen bouwen. Het is alsof je weet dat de stuurman betrouwbaar is, maar dat je altijd een reddingsvest moet dragen voor de plotselinge golven.

Kort samengevat:
De beurs is geen eendimensionale machine. De manier waarop handel organiseert (de vorm) is rustig en voorspelbaar. Maar de manier waarop handel grootte neemt (de schaal) is chaotisch en wordt aangedreven door zeldzame, maar krachtige explosies. Als je dit begrijpt, kun je de beurs beter navigeren.

Titel: Jump-diffusiemodellen voor parametrische volume-prijswaardeverdelingen

Auteurs: Anup Budhathoki, Leonardo Rydin Gorjão, Pedro G. Lind, Shailendra Bhandari.
Bron: OsloMet – Oslo Metropolitan University en partners (2026).

1. Probleemstelling en Motivatie

Financiële markten vertonen complexe dynamieken die gekenmerkt worden door zowel continue fluctuaties als abrupte, discontinuïteiten (zoals crashes of liquiditeitschokken). Traditionele stochastische modellen, zoals Geometrische Brownse Beweging (GBM) of Langevin-dynamica, zijn effectief voor het modelleren van gladde prijsbewegingen, maar falen vaak bij het verklaren van extreme gebeurtenissen die leiden tot zwaar getailde verdelingen in empirische data.

De kernvraag is of intraday fluctuaties in het volume-prijsproduct (monetaire stroom) puur diffuus zijn of dat ze een significant jump-diffusie-component bevatten. Het artikel onderzoekt dit door de stochastische evolutie van de parameters van volume-prijswaardeverdelingen te analyseren, specifiek gericht op het onderscheiden van continue diffusie en discontinuïteiten (sprongen).

2. Methodologie

De auteurs hanteren een data-gedreven raamwerk dat de volgende stappen omvat:

A. Data Voorbereiding:

Bron: NYSE-aandelen (1.750 bedrijven) over 976 handelsdagen.
Frequentie: 10-minuten intervallen (09:10–15:30).
Variabele: Het volume-prijsproduct $s(t) = p(t)v(t)$ .
Preprocessing:
- Verwijdering van uitschieters (>10 standaardafwijkingen).
- Detrending: Een 21-dagen bewegend gemiddelde wordt afgetrokken om seizoensgebonden patronen (zoals dagelijkse cycli) te elimineren en de stochastische fluctuaties ( $\phi'$ en $\theta'$ ) te isoleren.
- Controle op stationariteit via ADF en KPSS-tests.

B. Parametrische Modellering:
Voor elk intraday-interval worden vier verdelingsfamilies gefit op de data:

Gamma ( $f_G$ )
Inverse Gamma ( $f_{IG}$ )
Weibull ( $f_W$ )
Log-Normaal ( $f_{LN}$ )

Elke verdeling wordt gekarakteriseerd door een vormparameter ( $\phi$ ) en een schaalparameter ( $\theta$ ). De studie analyseert de tijdsreeksen van deze gedetrendde parameters.

C. Kramers-Moyal (KM) Analyse:
Om de onderliggende stochastische dynamiek te kwantificeren, wordt de niet-parametrische Kramers-Moyal-expansie gebruikt. Dit omvat:

Verificatie van het Markov-eigenschap: Bepaling van de Markov-tijd ( $\tau_M$ ) via conditionele entropie en partiële autocorrelatie (PACF).
Adaptieve Binning: Een zone-adaptieve binning-strategie (kern, schouder, staart) om lege bins te voorkomen en stabiele momenten te garanderen, zelfs in de zware staarten.
Berekening van KM-coëfficiënten: Schatting van de infinitesimale momenten $M^{(n)}(x)$ tot de zesde orde.
Correctie voor eindige lag-bias: Toepassing van cumulant-moment relaties (Bell-polynomen) om kruisvervuiling tussen drift, diffusie en jumps te elimineren. De gecorrigeerde coëfficiënten $D^{(n)}(x)$ worden berekend als $F_n(x)/n!$ .

D. Classificatiecriteria:

Pure Diffusie: Als de verhouding $D^{(4)}(x) / D^{(2)}(x) < 0.1$ is, wordt het proces beschreven door een Langevin-vergelijking (puur diffuus).
Jump-Diffusie: Als deze verhouding significant groter is dan 0.1, wijst dit op de aanwezigheid van jumps.
Globale Inversie: Berekening van jumpsnelheid ( $\lambda$ ) en jump-grootte ( $\sigma_\xi$ ) via hogere-orde momenten om de bijdrage van jumps aan de totale variantie te kwantificeren.

3. Belangrijkste Resultaten

De analyse levert een scherp onderscheid op tussen het gedrag van de vormparameter ( $\phi$ ) en de schaalparameter ( $\theta$ ), afhankelijk van de gekozen verdelingsfamilie:

A. Gamma, Inverse Gamma en Weibull:

Vormparameter ( $\phi$ ): Wordt uitstekend beschreven als een pure diffusie met lineaire mean-reversion. De hogere-orde momenten ( $D^{(4)}, D^{(6)}$ ) zijn verwaarloosbaar klein, en de ratio $D^{(4)}/D^{(2)}$ blijft onder de 0.1.
Schaalparameter ( $\theta$ ): Toont dominante jump-diffusie dynamiek. Er zijn aanzienlijke bijdragen van de vierde en zesde orde momenten. De ratio $D^{(4)}/D^{(2)}$ $D^{(4)} / D^{(2)}$ bereikt waarden van $10^9$ $1 0^{9}$ tot $10^{11}$ $1 0^{11}$ .
- Conclusie: Rare, grote discontinuïteiten domineren de volatiliteit van de schaalparameter (liquiditeitsschokken), terwijl de vormparameter voornamelijk diffuus evolueert.

B. Log-Normaal Verdeling:

Dit model vertoont het omgekeerde patroon.
Schaalparameter ( $\theta$ in log-ruimte): Is voornamelijk diffuus. De log-transformatie maakt multiplicatieve schokken additief, wat de "jump-achtige" eigenschappen van de oorspronkelijke schaalparameter regulariseert.
Vormparameter ( $\phi$ in log-ruimte): Toont slechts zwakke jump-kenmerken, maar is over het algemeen diffuser dan bij de andere modellen.

C. Kwantificering van Jumps:

Voor de schaalparameters ( $\theta$ ) van Gamma, InvG en Weibull wordt geschat dat 40% tot 63% van de totale variantie wordt veroorzaakt door jumps.
De jumpsnelheid ( $\lambda$ ) ligt tussen 4 en 15 gebeurtenissen per tijdseenheid.
Voor de vormparameters ( $\phi$ ) is het jump-aandeel veel lager (14%–22%) met lagere snelheden (1–2).

4. Bijdragen en Significantie

Technische Innovatie:

Het artikel demonstreert de kracht van de niet-parametrische Kramers-Moyal-methode voor het detecteren van jumps in ruisige financiële data, zonder vooraf een specifieke Lévy-maat te veronderstellen.
Het introduceert een robuust pipeline voor het omgaan met eindige steekproeven, outliers en niet-stationariteit (via detrending en adaptieve binning).
Het toont aan dat de keuze van de verdelingsfamilie (parametrisatie) cruciaal is voor de interpretatie van de onderliggende dynamiek (bijv. het "inverteren" van jump- vs. diffuus-gedrag bij Log-Normaal).

Praktische Implicaties:

Risicomanagement: De bevindingen suggereren dat risicomodellen voor intraday volatiliteit (vooral gerelateerd aan liquiditeit/schaal) jump-diffusiemodellen moeten gebruiken in plaats van pure diffusiemodellen om extreme gebeurtenissen correct te prikkelen.
Handelsstrategieën: De vormparameter ( $\phi$ ) kan dienen als een langzamer, structureel signaal voor uitvoering en positionering, terwijl de schaalparameter ( $\theta$ ) de drijvende kracht is voor volatiliteitscontrole en stop-loss-plaatsing.
Theoretisch Inzicht: Het werk bevestigt dat financiële markten een "diffuus hart" hebben met een "jump-gevoelige schil", en dat deze structuur afhankelijk is van hoe de data wordt gemodelleerd (lineair vs. logaritmisch).

Conclusie

De studie biedt een robuust raamwerk om de intraday dynamiek van volume-prijswaarden te ontleden. Het onthult een fundamenteel asymmetrisch gedrag: terwijl de vorm van de verdeling voornamelijk diffuus evolueert, wordt de schaal (en dus de volatiliteit) gedomineerd door zeldzame maar grote sprongen. Deze inzichten zijn essentieel voor het ontwikkelen van nauwkeurigere modellen voor financiële volatiliteit en risicobeheer.