Skewness Dispersion and Stock Market Returns

Deze studie toont aan dat de kruissectuele spreiding van gerealiseerde schuifheid op firmniveau een significant negatieve voorspellende relatie heeft met toekomstige aandelenmarktrendementen, waarbij deze voorspellingskracht vooral wordt gedreven door de geleidelijke verwerking van macro-economisch nieuws tijdens monetaire beleidsaankondigingen.

De kern

De "Smaakvariatie" van de Beurs: Waarom een Verspreiding in Risico's de Toekomst Voorspelt

Stel je voor dat de beurs een gigantisch restaurant is met duizenden verschillende gerechten (de aandelen). Meestal kijken beleggers naar de gemiddelde smaak: "Is het eten vandaag over het algemeen lekker of niet?" Maar in dit onderzoek kijken de auteurs, Mykola Babiak, Jozef Baruník en Josef Kurka, naar iets heel anders: de variatie in de smaak.

Ze ontdekten een geheim dat de toekomst van de beurs kan voorspellen: Hoe meer de smaken uiteenlopen, hoe slechter de beurs het waarschijnlijk gaat doen.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Concept: De "Smaak-chaos" (Skewness Dispersion)

In de financiële wereld heet dit skewness dispersion. Laten we het simpel houden:

• Normaal: Stel je voor dat alle gerechten in het restaurant ongeveer even pittig zijn. Iedereen is het daarover eens. De beurs is stabiel.
• Chaos (Hoge Dispersion): Plotseling is er een enorme verscheidenheid. Sommige gerechten zijn extreem pittig (zeer positief risico), andere zijn bitter (zeer negatief risico), en weer anderen zijn saai. Er is geen consensus.

De auteurs hebben een nieuwe maatstaf bedacht om deze "smaak-chaos" te meten. Ze kijken naar duizenden aandelen en berekenen hoe verschillend hun risico's zijn op basis van intradag-prijzen (zoals een snelle smaaktest elke vijf minuten).

De ontdekking: Als deze "smaak-chaos" groot is (dus als er veel verschil is tussen de beste en slechtste risico's), daalt de beurs in de toekomst. Het is een waarschuwingssignaal: "Er is verwarring, en dat is slecht voor de koersen."

2. Waarom werkt dit? (De Twee Redenen)

De auteurs vragen zich af: Waarom voorspelt deze chaos de daling? Ze vinden twee hoofdoorzaken, die we kunnen vergelijken met een storm voor een regatta:

• Reden A: De "Onzekerheids-Storm" (Risico)
  Wanneer de variatie groot is, betekent dit dat beleggers het oneens zijn over hoe gevaarlijk de economie is. Sommigen denken: "Het is een ramp!" en anderen: "Het is een goudmijn!" Deze onzekerheid zorgt ervoor dat de prijzen eerst dalen voordat iedereen weer rustig wordt. Het is alsof de bemanning van een boot in paniek raakt omdat de windrichting voor iedereen anders lijkt.

• Reden B: De "Geloofsstrijd" (Gedrag)
  Mensen reageren anders op nieuws. Als er een belangrijk economisch nieuwsbericht komt (zoals een rentebesluit van de centrale bank), reageren sommigen direct en extreem, terwijl anderen wachten. Deze "geloofsstrijd" zorgt voor de grote variatie. Zodra het nieuws echt binnenkomt en iedereen het heeft verwerkt, kalmeert de beurs weer, maar vaak is de koers dan al gedaald door de eerdere paniek.

3. Het Bewijs: De "Monetaire Radar"

Het meest fascinerende deel van het onderzoek is wanneer dit werkt. De voorspelling is niet elke dag even sterk.

• De Analogie: Stel je voor dat je een radar hebt die alleen werkt tijdens onweersbuien.
• De Realiteit: De voorspelling werkt het beste rondom belangrijke momenten, zoals de vergaderingen van de Amerikaanse centrale bank (de FOMC).
  • Voor de vergadering: De "smaak-chaos" is groot. Beleggers gokken op verschillende uitkomsten.
  • Tijdens en na de vergadering: Het nieuws komt binnen, de verwarring lost op, en de markt beweegt zich.
  • Als er geen belangrijk nieuws is, werkt deze maatstaf niet. Het is dus een nieuws-radar.

4. Wat betekent dit voor jouw portemonnee?

De auteurs hebben getest of dit nuttig is voor beleggers. Het antwoord is een resoluut JA.

• Beleggers die deze "smaak-chaos" gebruikten om hun portefeuille aan te passen, verdienden aanzienlijk meer geld dan beleggers die gewoon "koopt en houdt" (passief beleggen).
• Het is alsof je een slimme kompas hebt dat je vertelt: "Pas op, de wind draait nu chaotisch, trek je zeilen iets terug," terwijl anderen doorgaan alsof het een zonnige dag is.

Samenvatting in één zin

Als de beleggers het enorm oneens zijn over de risico's van verschillende aandelen (een grote "smaak-chaos"), is dat een sterk teken dat de beurs binnenkort gaat dalen, vooral als er belangrijk economisch nieuws op komst is.

De les: Kijk niet alleen naar de gemiddelde sfeer op de beurs, maar ook naar hoe verdeeld de meningen zijn. Die verdeeldheid is vaak de voorbode van een storm.

Technische samenvatting

Probleemstelling

Het begrijpen van de drijvers achter de aandelenrisicopremie (equity risk premium) is een centraal doel in de financiële wetenschap. Hoewel er uitgebreide literatuur bestaat over macro-economische en financiële voorspellers van aggregaat aandelenrendement, blijft de voorspellende kracht van hogere momenten (zoals scheefheid of skewness) voor de totale markt verrassend beperkt. Bestaande studies, zoals die van Jondeau, Zhang en Zhu (2019), hebben aangetoond dat de gemiddelde firm-level scheefheid informatief is voor toekomstige marktrendementen. Echter, door te focussen op het gemiddelde, wordt belangrijke variatie in scheefheid tussen verschillende bedrijven gemaskeerd. De auteurs stellen de vraag of de kruissectuele spreiding (dispersie) in scheefheid onder bedrijven incrementele informatie bevat over toekomstige marktrendementen die niet door andere variabelen wordt gevangen.

Methodologie

Data en Constructie van de Predictor:

• Data: De auteurs gebruiken hoogfrequente data (5-minuten intervallen) van 6.770 Amerikaanse aandelen (NYSE, AMEX, NASDAQ) over de periode december 2000 tot december 2022.
• Realized Skewness: Voor elke dag wordt de gerealiseerde scheefheid ($RS_t^s$) berekend voor elk aandeel $s$ door de kubus van de intraday rendementen te sommeren en te standaardiseren met de gerealiseerde variantie.
• Scheefheidsdispersie (Skewness Dispersion - $SD_t^{a-b}$): De kernpredictor wordt gedefinieerd als het inter-percentielbereik van de kruissectuele verdeling van de dagelijkse gerealiseerde scheefheid. Concreet wordt het verschil genomen tussen het $a$-de en $b$-de percentiel van de schattingen op dag $t$. De auteurs testen verschillende bereikbreedtes (bijv. 75e-25e, 95e-5e percentiel).
• Maandelijkse Aggregatie: De maandelijkse tijdreeks wordt geconstrueerd als het gemiddelde (of mediaan) van de dagelijkse schattingen over de laatste vijf handelsdagen van de maand.

Empirische Strategie:

1. Univariate Predictieve Regressies: Testen van de relatie tussen $SD_t$ en toekomstige marktrendementen ($r_{t,t+h}$) over horizons van 1, 3, 6 en 12 maanden. Er wordt gebruikgemaakt van diverse statistische correcties voor persistentie en overlapping (Newey-West, Martin 2017, Kostakis et al. 2015 IVX-methode).
2. Bivariate Regressies: Controleren of de voorspellende kracht robuust blijft wanneer gecontroleerd wordt voor 50 bestaande predictors (indeling in: scheefheid, kruissectie, sentiment, variantie, en macro-variabelen).
3. Out-of-Sample Tests: Evaluatie van de voorspellende prestaties tegenover een historische gemiddelde benchmark (Clark-West test) en forecast encompassing tests.
4. Asset Allocation: Berekening van de economische waarde voor een mean-variance investor (Certainty Equivalent Return - CER en Sharpe Ratio) bij het toewijzen van vermogen tussen de aandelenmarkt en risicovrije schatkistpapieren.
5. Mechanisme-analyse: Onderzoek naar rationele (risico) versus behaviorale (sentiment/foutieve prijszetting) kanalen, inclusief analyse rondom FOMC (Federal Open Market Committee) aankondigingen.

Belangrijkste Resultaten

1. Sterke Negatieve Predictieve Relatie:
Er is een significant negatief verband tussen scheefheidsdispersie en toekomstige marktrendementen. Perioden met hoge dispersie (grote variatie in asymmetrie tussen bedrijven) gaan gepaard met lagere toekomstige marktrendementen.

• De relatie is statistisch significant voor horizons van 1 tot 12 maanden.
• De resultaten zijn robuust voor verschillende schattingsprocedures en blijven geldig buiten recessieperiodes.

2. Incrementele Voorspellende Kracht:
Scheefheidsdispersie biedt voorspellende informatie die niet wordt opgeslokt door de 50 bestaande predictors in de literatuur. In bivariate regressies blijft de coëfficiënt van $SD_t$ significant, terwijl veel andere variabelen (zoals gemiddelde scheefheid of sentiment) hun significantie verliezen wanneer $SD_t$ wordt toegevoegd.

3. Out-of-Sample Prestaties:

• De $R^2_{OOS}$ (Out-of-Sample R-kwadraat) varieert van 2,31% tot 8,90% afhankelijk van het horizon en de specificatie, wat significant is boven nul.
• De voorspellingen presteren consistent beter dan de historische gemiddelde benchmark, zelfs tijdens crisissen zoals de COVID-19 recessie.

4. Economische Waarde (Asset Allocation):
Voor een mean-variance investor (risicoaversie $\gamma=3$) levert het gebruik van scheefheidsdispersie voor portfolio-allokatie aanzienlijke winsten op:

• CER-gewinst: 709 tot 875 basispunten (voor een maandelijkse rebalancering) ten opzichte van een passieve strategie.
• Sharpe Ratio: Verhoogt van 0,57 (passief) naar 0,82–0,91.
• De cumulatieve rijkdom groeit aanzienlijk sterker dan bij alternatieve voorspellers.

5. Economisch Mechanisme:

• Risico vs. Sentiment: De dispersie correleert negatief met aggregate risico (variantie) en positief met bepaalde sentiment-maatstaven (zoals investeraandacht en AAII bull/bear spread), maar de effecten zijn gemengd.
• Informatiediffusie: De voorspellende kracht is sterk geconcentreerd in maanden met FOMC-aankondigingen (monetair beleid). De voorspelbaarheid is sterk voor de aankondiging en verdwijnt grotendeels na de aankondiging. Dit suggereert dat de dispersie heterogeniteit in beleggersverwachtingen vastlegt die geleidelijk wordt verwerkt in prijzen rondom belangrijke macro-economische nieuwsmomenten.
• Kurtosis: Een analyse van kurtosis-dispersie toont ook een negatieve relatie, maar deze is zwakker dan die van scheefheidsdispersie, wat aangeeft dat asymmetrie (scheefheid) de drijvende kracht is, niet alleen de "staartdikte".

Bijdrage en Significantie

1. Nieuwe Predictor: Het introduceert een nieuwe, eenvoudige predictor gebaseerd op hoogfrequente data die de kruissectuele spreiding in asymmetrie meet, in plaats van alleen het gemiddelde.
2. Robuustheid: Het bewijst dat deze predictor zowel in-sample als out-of-sample superieur presteert ten opzichte van een breed scala aan bestaande macro- en financiële variabelen, wat een zeldzame prestatie is in de literatuur over marktvoorspelling.
3. Economisch Inzicht: Het biedt een dubbel mechanisme voor de voorspelbaarheid: het combineert elementen van risicopremie (variatie in aggregate risico) en behaviorale factoren (heterogeniteit in verwachtingen die leiden tot mispricing). De concentratie rondom FOMC-metingen ondersteunt het idee dat dit een mechanisme is van geleidelijke informatiediffusie.
4. Praktische Toepassing: De resultaten tonen aan dat het gebruik van deze maatstaf voor portfolio-optimalisatie substantiële economische winsten oplevert voor institutionele beleggers.

Kortom, het artikel toont aan dat de variatie in hoe asymmetrisch de rendementen van individuele bedrijven zijn, een krachtige indicator is voor de toekomstige richting van de totale aandelenmarkt, gedreven door de geleidelijke verwerking van macro-economische informatie in de prijzen.