Regime-Aware Specialist Routing for Volatility Forecasting

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat je een groot kapitein bent van een schip dat de beurszeeën doorkruist. Je taak is om de volgende dag de "golfgrootte" (de volatiliteit) van de markt te voorspellen. Als je dit goed doet, kun je je passagiers (investeerders) veilig houden en de juiste koers kiezen.

Het probleem is echter: de zee is niet altijd hetzelfde. Soms is het een kalme meer, soms een stormachtige oceaan.

Het oude probleem: De "Eén-Model-voor-Alles" aanpak

Vroeger probeerden wetenschappers één super-slimme kapitein (een wiskundig model) te vinden die altijd de beste voorspelling deed, of het nu stil weer was of een orkaan.

Het probleem: Een kapitein die geweldig is in kalme wateren, raakt vaak in paniek tijdens een storm. En een kapitein die een storm overleeft, is vaak te voorzichtig en traag in rustige tijden.
De consequentie: Je voorspellingen waren vaak onbetrouwbaar. Soms dacht je dat het stil was, terwijl er een tsunami aankwam.

De oplossing: Het "Regime-Bewuste Specialisten-Team"

Tenghan Zhong (de auteur van dit paper) heeft een slimme nieuwe strategie bedacht. In plaats van één kapitein, heeft hij een team van specialisten en een slimme stuurman (de routering).

Hier is hoe het werkt, stap voor stap:

1. Het Team van Specialisten

Het team bestaat uit verschillende soorten experts, elk met hun eigen sterke punt:

De "Stille Wateren" Specialisten (bijv. GRU, XGBoost): Dit zijn moderne, snelle AI-modellen. Ze zijn fantastisch als de markt rustig is en de golven klein zijn. Ze kunnen kleine veranderingen heel precies voorspellen.
De "Storm-Experts" (bijv. GARCH, FIGARCH): Dit zijn de oude, robuuste wiskundige modellen. Ze zijn misschien wat saai en traag in rustige tijden, maar als de storm losbarst, weten ze precies hoe ze de zware golven moeten overleven. Ze zijn niet snel, maar ze zijn veilig.

2. De Slimme Stuurman (De Routering)

Dit is het hart van de uitvinding. De stuurman kijkt continu naar de lucht en de golven (de marktomstandigheden).

In rustige tijden: De stuurman zegt: "Geef het roer aan de AI-specialist!" Hij laat de moderne modellen de leiding nemen.
Bij storm: Zodra de stuurman merkt dat de golven hoog worden, zegt hij: "Snel, haal de storm-expert erbij!" Hij schakelt over naar de robuuste wiskundige modellen.
De mix: Soms is het weer onzeker. Dan laat de stuurman beide teams samenwerken, maar met meer gewicht voor de specialist die op dat moment het beste presteert.

3. De "Ondervoorspelling"-Boete

Een heel belangrijk detail: In de financiële wereld is het gevaarlijker om te denken dat de golven klein zijn, terwijl ze groot zijn, dan andersom.

Als je denkt dat de storm zacht is en je raakt een enorme golf, zinkt je schip.
Daarom heeft de stuurman een speciale regel: "Als je een model kiest dat de golven te klein inschat, krijg je een zware boete." Dit zorgt ervoor dat het systeem liever iets te voorzichtig is dan te roekeloos.

Wat leverde dit op?

De auteur heeft dit systeem getest met 6 verschillende ETF's (beursfondsen) over een periode van jaren.

Het resultaat: Het systeem bleek veel slimmer dan de oude methoden.
In de storm: Toen de markt echt onrustig werd, verminderde dit systeem de fouten met ongeveer 24% in vergelijking met de beste oude methoden. Het voorkwam dat mensen werden verrast door enorme schokken.
In rustige tijden: Het deed het net zo goed als de beste oude methoden, zonder veel te verliezen.

De Gouden Les

De kernboodschap van dit paper is simpel: Er bestaat geen "beste" model voor alle situaties.

Het is net als met kleding: Je draagt geen winterjas in de zomer en geen T-shirt in de sneeuw. Je hebt een slimme kledingkast nodig die automatisch de juiste kleding kiest op basis van het weer.

Dit onderzoek laat zien dat als je je voorspellingssystemen adaptief maakt (zodat ze kunnen wisselen tussen specialisten afhankelijk van de marktomstandigheden), je veel beter beschermd bent tegen financiële stormen. Het is niet meer "één model voor altijd", maar "de juiste specialist op het juiste moment".

Each language version is independently generated for its own context, not a direct translation.

Titel: Regime-bewuste Specialist Routing voor Volatiiliteitsvoorspelling

1. Het Probleem

Het voorspellen van de dagelijkse volatiliteit van ETF's (Exchange Traded Funds) is een fundamentele taak in het financiële risicomanagement en portefeuillebeheer. Een groot probleem in de bestaande literatuur is de instabiliteit van modelprestaties bij veranderende marktomstandigheden.

Regime-afhankelijkheid: Modellen die goed presteren in rustige markten (calm regimes), vaak machine learning-modellen zoals GRU of XGBoost, deterioreren vaak onder stressvolle omstandigheden. Omgekeerd zijn traditionele econometrische modellen (zoals GARCH of FIGARCH) vaak te conservatief in rustige periodes maar superieur tijdens marktschokken.
Beperking van bestaande aanpakken: Het gebruik van één enkel "beste" model of een statische gemiddelde combinatie faalt vaak omdat het geen rekening houdt met de dynamische verschuivingen tussen marktfases. Er is behoefte aan een adaptief raamwerk dat modellen selecteert op basis van de huidige marktstaat.

2. Methodologie: Het Regime-Aware Specialist Routing Framework

De auteur stelt een nieuw raamwerk voor dat bestaat uit vier fasen, ontworpen om verschillende voorspellers ("specialisten") te combineren op basis van de huidige marktregime.

A. Invoer en Modelpool

Doel: Voorspelling van de gerealiseerde variantie voor de volgende dag (geproxied door de kwadratische Garman-Klass volatiliteit).
Modelpool: Een mix van econometrische modellen (HAR-RV, GARCH-t, FIGARCH) en machine learning-modellen (GRU, XGBoost).
Invoer: ETF-specifieke variabelen (lagged realized variance, returns) en macro-financiële variabelen (VIX, yield curve, credit spreads).

B. Online Specialist Scoring (Risico-gevoelige Evaluatie)
In plaats van alleen de gemiddelde nauwkeurigheid te meten, gebruikt het framework een risico-gevoelige verliesfunctie:

Verliesfunctie: Een combinatie van QLIKE (Quasi-Likelihood) en een specifieke ondervoorspellingsstraf (underprediction penalty).
- $L = QLIKE + \lambda_{under} \cdot U$
- De straf $U$ is alleen positief wanneer de gerealiseerde variantie hoger is dan de voorspelling. Dit is cruciaal omdat het onderschatten van volatiliteit in de praktijk gevaarlijker is dan het overschatten.
Online Score: Modellen worden gescoord op basis van hun "excess loss" (het verschil met het beste actieve model) over de laatste 252 dagen. De scoring weegt recente observaties en observaties in vergelijkbare marktfases zwaarder.

C. State-Dependent Specialist Routing
Het systeem selecteert niet één model, maar een routing set van concurrerende modellen:

Drempelwaarde: Een dynamische drempel ( $\tau_t$ ) bepaalt welke modellen in de routing set blijven. Deze drempel combineert een globale kwantiel met een lokaal (regime-specifiek) gewogen kwantiel.
Specialist Pools: Er zijn twee gespecialiseerde takken:
1. Rustige tak (Calm): Bevat GRU, HAR-RV, XGBoost.
2. Stress-tak (Stress): Bevat GARCH-t, FIGARCH, HAR-RV.
Routing: Afhankelijk van de online scores, worden modellen toegewezen aan de rustige of stress-tak. In stressvolle periodes worden meer econometrische modellen geselecteerd.

D. Eindvoorspelling Constructie

Branch Aggregatie: De rust-tak gebruikt de mediaan van de voorspellingen; de stress-tak gebruikt de 75e percentiel (na winsorizing) om extreme waarden te beheersen.
Stress Score ( $p_t$ ): Een logistische transformatie van de marktstaat-vector bepaalt het gewicht van de stress-tak.
Twee-staps Gating:
1. Eerst worden de takken gecombineerd tot een basisvoorspelling.
2. Vervolgens wordt een tweede "gate" gebruikt om deze te mengen met een "rolling-best" benchmark (het model dat historisch het beste heeft gepresteerd in de huidige regime).
Veiligheidsnet (HAR Floor): Als de stress-score hoog is of de voorspellingen zeer verspreid zijn, wordt de voorspelling afgeplat naar de HAR-RV voorspelling om ernstige ondervoorspelling te voorkomen.

3. Experimenteel Ontwerp

Data: Dagelijkse panel-data van 6 ETF's (SPY, QQQ, IWM, EEM, GLD, TLT) van februari 2015 tot december 2025.
Protocol: Een "rolling walk-forward" design met een trainingsvenster van 504 dagen en een evaluatievenster van 252 dagen.
Benchmarks: Enkele modellen, statisch beste model, rollend beste model, en een simpele VIX-switch regel (GARCH-t als VIX > 20, anders GRU).
Metingen: QLIKE (nauwkeurigheid) en Ondervoorspellingsverlies (risico). Statistische significantie wordt getest met Diebold-Mariano tests.

4. Belangrijkste Resultaten

Regime-afhankelijkheid bevestigd: Er is geen universeel "beste" model.
- In rustige markten presteert GRU (machine learning) het best.
- In stressvolle markten presteren GARCH-t en FIGARCH (econometrie) het best, terwijl GRU sterk achteruitgaat.
Prestatieverbetering: Het voorgestelde routing-framework presteert over het algemeen beter dan de benchmarks.
- Risicoreductie: In vergelijking met het "rolling-best" benchmark, reduceert het framework het verlies bij hoge volatiliteit met ongeveer 24% en het verlies door ondervoorspelling met ongeveer 22%.
- Robuustheid: Vooral bij de TLT (staatsobligaties) toont het framework aanzienlijke superioriteit, waar benchmarkmethoden vaak falen door extreme ondervoorspelling (QLIKE waarden > 100 vs. ~0.32 voor het voorgestelde model).
Routing-gedrag: Het systeem slaagt er niet altijd in om het exacte beste model op een specifieke dag te kiezen (hoge "miss-best rate"), maar het slaagt er wel in om een kleine set van concurrerende modellen te behouden met een zeer laag "selected regret" (het verschil in verlies met het beste model is klein).

5. Bijdragen en Significantie

Praktische Toepassing: Het paper levert een bewijs dat een adaptief, regime-bewust routing-systeem superieur is aan het vertrouwen op één enkel model of statische combinaties voor ETF-volatiliteit.
Risicobeheer: Door de nadruk te leggen op het straffen van ondervoorspelling, biedt het framework een robuustere oplossing voor risicomanagers die bescherming zoeken tegen marktschokken.
Architectuur: De combinatie van online scoring, state-dependent gating en specialistische pools biedt een schaalbare architectuur die kan worden toegepast op andere financiële voorspellingsproblemen.
Conclusie: De beste voorspeller is niet globaal, maar regime-afhankelijk. Een systeem dat deze dynamiek kan opvangen door modellen te routeren, levert de beste resultaten op, vooral in stressvolle marktomstandigheden waar traditionele methoden tekortschieten.