Interpretable Systematic Risk around the Clock

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

🌍 De Wereld draait 24/7, maar de Beurs?

Stel je voor dat de beurs een enorme supermarkt is. Voorheen dachten we dat de supermarkt alleen open was van 9:30 tot 16:00 uur. Alles wat er 's nachts gebeurde, hielden we voor ons. Maar in werkelijkheid is de wereld rondom deze supermarkt nooit stil. Er komen nieuwsberichten binnen, politieke beslissingen worden genomen en andere landen doen zaken, terwijl de deuren van de supermarkt gesloten zijn.

Deze paper (een wetenschappelijk artikel) zegt: "We kijken al te lang alleen door het raam van de dag, terwijl het echte gevaar en de echte kansen 's nachts gebeuren."

🚀 Het Probleem: De "Springende" Beurs

Beurskoersen bewegen niet altijd rustig. Soms gebeuren er grote sprongen (jumps).

De oude manier: Onderzoekers keken alleen naar de sprongen die gebeurden tijdens de openingstijden. Ze gebruikten simpele computers om te kijken welke woorden in nieuwsberichten voorkwamen (zoals "inflatie" of "winst").
Het probleem: Dit is alsof je een film bekijkt, maar alleen de scènes van 9:00 tot 16:00. Je mist de belangrijkste plotwendingen die 's nachts plaatsvinden.

🤖 De Oplossing: Een Slimme "Verteller" (LLM)

De auteur, Songrun He, heeft een nieuw gereedschap gebruikt: een zeer slimme kunstmatige intelligentie (een Large Language Model of LLM), genaamd Qwen.

Stel je voor dat je een duizend pagina's tellende krant hebt met duizenden artikelen die tegelijkertijd verschijnen.

De oude methode: Een computer telt woorden. Als het woord "rente" vaak voorkomt, denkt hij: "Ah, dit gaat over rente."
De nieuwe methode (LLM): De AI leest het artikel, begrijpt de context, voelt de toon en zegt: "Dit artikel over rente is eigenlijk een reactie op een geopolitieke crisis in het Midden-Oosten die 's nachts is gebeurd."

Deze AI kan redeneren. Het denkt na over waarom de beurs sprong, niet alleen wat er in de tekst staat.

🔍 Wat hebben ze ontdekt?

1. De "Nachtelijke" Sprongen zijn het belangrijkst
De onderzoekers keken naar bijna 24 uur per dag data (van 1997 tot 2020). Ze ontdekten dat de meeste grote sprongen in de beurs s nachts gebeuren, vaak als reactie op nieuws uit Azië of Europa, of op economische cijfers die vóór de opening worden vrijgegeven.

Analogie: Het is alsof je merkt dat de meeste ongelukken in de stad 's nachts gebeuren, maar de verkeerspolitie alleen kijkt naar de daguren. Je mist dan het echte probleem.

2. Niet alle nieuws is even belangrijk
De AI heeft de sprongen ingedeeld in categorieën, zoals:

Macro-economisch nieuws (bijv. werkloosheidscijfers, inflatie).
Ondernemingsnieuws (winstcijfers van grote bedrijven).
Geopolitiek (oorlogen, verkiezingen).

Het verrassende resultaat? Macro-economisch nieuws (zoals de Amerikaanse werkloosheid) is veruit de belangrijkste drijver. Als er een groot economisch cijfer uitkomt, is dat veel gevaarlijker (en winstgevender om op te reageren) dan gewoon nieuws over één bedrijf.

3. De "Super-Strategie"
De auteur heeft een beleggingsstrategie gebouwd die werkt als een slimme radar:

Elke avond kijkt de AI naar het nieuws.
Hij identificeert welke "soort" risico op dat moment het meest wordt beloond door de markt.
Hij bouwt een portefeuille die specifiek speelt op dat risico.

Het resultaat?
Deze strategie behaalde een Sharpe-ratio van 0,95.

Vergelijking: De gemiddelde beurs (de S&P 500) had in diezelfde periode een Sharpe-ratio van 0,53.
Betekenis: De strategie was bijna twee keer zo efficiënt in het maken van winst per eenheid risico, vergeleken met de hele markt.

🧪 Waarom werkt dit beter dan oude methoden?

De auteur deed een proefje:

Proef 1: Hij liet de AI de nieuwsartikelen lezen en redeneren (de "Think"-modus). Resultaat: Zeer hoge winst.
Proef 2: Hij liet de AI de artikelen alleen scannen zonder na te denken (de "Non-Think"-modus). Resultaat: De winst viel tegen, bijna net zo slecht als willekeurig gokken.
Proef 3: Hij gebruikte een oude, simpele computermethode (LDA). Resultaat: Slecht.

Conclusie: Het is niet alleen het hebben van de AI die telt, maar het vermogen om na te denken (redeneren) over de oorzaak van de beursbeweging.

💡 De Kernboodschap

Deze paper leert ons drie dingen:

Kijk 24/7: Je kunt de beurs niet begrijpen als je alleen kijkt naar de openingstijden. De wereld draait door, en de risico's zitten vaak in de nacht.
Begrijp de oorzaak: Het is niet genoeg om te weten dat de beurs zakte. Je moet weten waarom (bijv. "Omdat de inflatie hoger was dan verwacht"). Slimme AI kan dit nu voor ons doen.
De toekomst is adaptief: Beleggers die realtime begrijpen wat de markt drijft, kunnen beter presteren dan de gemiddelde belegger die alleen naar oude cijfers kijkt.

Kortom: De auteur heeft een 24-uurs radar gebouwd met een slimme vertaler erin, die ons laat zien waar het echte gevaar en de echte winst zitten, lang voordat de rest van de wereld wakker wordt.

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

Titel: Interpretable Systematic Risk around the Clock

Auteur: Songrun He (Washington University in St. Louis)
Datum: Eerste versie juli 2025, huidige versie april 2026.

1. Het Probleem en de Motivatie

Het artikel adresseert een fundamentele lacune in de financiële economie: het gebrek aan een volledig, 24-uurs (around-the-clock) analyse van systematische marktrisico's, specifiek gericht op jump-risico's (plotselinge prijsstijgingen of -dalingen).

Bestaande literatuur: Eerdere studies (zoals Aleti & Bollerslev, 2025) focussen uitsluitend op de intradag-periode (09:30 – 16:00 ET). Dit leidt tot een gebruikte variabele bias (omitted variable bias), omdat een aanzienlijk deel van het systematische risico en nieuwsgebeurtenissen plaatsvindt tijdens de nachtelijke sessie (overnight).
Marktdynamiek: Met plannen van beurzen zoals Nasdaq en NYSE om naar 24-uurs handel te gaan, wordt het begrijpen van risico's buiten de traditionele handelsuren steeds urgenter.
Tekortkoming in methodologie: Traditionele NLP-methoden (Natural Language Processing) zijn vaak niet in staat om complexe, contextuele verbanden tussen nieuwsberichten en marktbewegingen te leggen, en missen vaak de nuance van "redenatie" die nodig is om de oorzaak van een jump te identificeren.

2. Methodologie

De auteur combineert drie recente technologische en methodologische doorbraken om een nieuw raamwerk te creëren:

A. Data: 24-uurs High-Frequency Data

Activa: Een groot paneel van S&P 1500 aandelen (1997–2020) met milliseconden-precisie (TAQ-data) voor de intradag-periode.
Overnight Factor: Om de nachtelijke periode te dekken, worden S&P 500 E-mini futures gebruikt. Deze handelen bijna 24 uur per dag en fungeren als een proxy voor de marktprijsvorming wanneer de cash-markt gesloten is.
Nieuwsdata: Dow Jones Newswires voor real-time nieuwsberichten die correleren met de geïdentificeerde jumps.

B. Econometrisch Model: Continuous-Time Fama-MacBeth

De auteur past de continue-tijd Fama-MacBeth regressie (Aït-Sahalia et al., 2025) toe om het risico te decomponeren:

Jump Detectie: Gebruikmakend van een getruncateerde variantie (truncated variance) en een drempelwaarde om jumps te scheiden van continue bewegingen.
Factor-Mimicking Portfolios: Er worden portefeuilles geconstrueerd die "pure-play" blootstelling hebben aan specifieke risicofactoren (continue risico, en jumps gesorteerd op onderwerp). Deze portefeuilles hebben een beta van 1 voor hun eigen factor en 0 voor alle andere factoren.
Risicopremieschatting: De onvoorwaardelijke risicopremies ( $\lambda$ ) worden geschat door de gemiddelde returns van deze factor-mimicking portfolios te nemen.

C. LLM-integratie: Qwen Reasoning Model

Dit is het kerninnovatieve element. In plaats van traditionele woordtelling of LDA-topic modeling, gebruikt de auteur een state-of-the-art open-source reasoning Large Language Model (Qwen3-235B-A22B).

Drie-staps Prompting:
1. Narrative Retrieval: Het model identificeert welke nieuwsberichten (binnen een 15-minuten venster) de oorzaak zijn van een specifieke marktjump.
2. Topic Categorisatie: Het model classificeert de jumps in vijf exclusieve economische categorieën:
  - Macro-economisch nieuws (bijv. inflatie, werkgelegenheid).
  - Bedrijfsbelangrijke indicatoren (bellwethers).
  - Internationale spillovers.
  - Beleidsaankondigingen.
  - Geopolitieke gebeurtenissen.
3. Classificatie: Toewijzing van elke jump aan een categorie op basis van de gegenereerde redenering.
Reasoning vs. Non-Reasoning: De auteur test het effect van "denktijd" (Chain-of-Thought) door het model met en zonder reasoning-modus te vergelijken.

3. Belangrijkste Resultaten

A. Heterogeniteit in Risicopremies

Macro-dominantie: Macro-economische jumps commanderen de hoogste risicopremie: 3,65% per jaar met een Sharpe-ratio van 0,78. Dit is hoger dan de totale marktpremie (Sharpe 0,53).
Andere categorieën: Andere jumps (zoals geopolitiek of beleidsjumps) hebben lagere of statistisch onbeduidende premies zodra macro-jumps worden gecontroleerd.
Overnight vs. Intraday: Bijna alle geprijsde risicopremies ontstaan tijdens de overnight-periode. Analyses die zich beperken tot intradag-data leiden tot ruis, vertekende schattingen en een drie keer lagere risicogecorrigeerde performance (Sharpe 0,28 vs 0,95).

B. Investeringsstrategie en Performance

Een real-time strategie die jaarlijks herwogen wordt en kiest voor de factor-mimicking portfolio met de hoogste Sharpe-ratio (gebaseerd op de LLM-classificatie), bereikt een out-of-sample Sharpe-ratio van 0,95.
Deze strategie levert significante alphas op ten opzichte van het zes-factor model van Fama en French (2018).
Transactiekosten: Zelfs met transactiekosten van 50 basispunten blijft de Sharpe-ratio hoog (0,85), mede door de lage omloop (turnover) van de portefeuille (10% per maand).

C. Validatie van de LLM-benadering

Placebo-tests: Strategieën waarbij jumps willekeurig worden toegewezen aan categorieën presteren significant slechter (gemiddelde Sharpe 0,31). Dit bewijst dat de waarde zit in de inhoudelijke classificatie door de LLM.
Vergelijking met traditionele NLP: Een vergelijking met LDA (Latent Dirichlet Allocation) en ChronoBERT toont aan dat de reasoning-LLM een drie keer zo hoge Sharpe-ratio oplevert. De LLM is beter in het begrijpen van context en het vermijden van "hallucinaties" door de reasoning-modus.
Lookahead Bias: Tests met ChronoBERT (een model met een kenniscutoff voor 2000) tonen aan dat de resultaten robuust zijn en niet het gevolg zijn van het "weten" van toekomstige gebeurtenissen door het model.

4. Bijdragen aan de Literatuur

Empirisch: Dit is de eerste studie die systematische jump-risico's volledig decomponeert over de 24-uurs cyclus, waardoor de cruciale rol van overnight-nieuws wordt aangetoond.
Methodologisch: Het introduceert een nieuwe manier om LLM's te integreren in asset pricing, waarbij redenerende modellen worden gebruikt voor causale narratief-herwinning en classificatie, wat zowel interpreteerbaarheid als investeringsperformance verbetert.
Praktisch: Het biedt een volledig geautomatiseerd raamwerk voor het real-time identificeren van de economische drijfveren achter marktbewegingen, wat leidt tot transparante en reproduceerbare beleggingsstrategieën.

5. Conclusie en Significantie

Het artikel concludeert dat het combineren van high-frequency data met reasoning-LLM's een doorbraak betekent in het begrijpen van marktrisico's. De traditionele focus op intradag-data is ontoereikend; het grootste deel van de geprijsde jump-risico's en de bijbehorende premies komen voort uit macro-economische nieuwsgebeurtenissen die 's nachts plaatsvinden.

De bevindingen suggereren dat investeerders die gebruikmaken van geavanceerde taalmodellen om deze risico's in real-time te isoleren en te beheren, aanzienlijke meerwaarde kunnen creëren ten opzichte van traditionele factormodellen. De studie onderstreept ook het belang van "test-time compute" (denktijd) in LLM's voor financiële analyse, aangezien dit de nauwkeurigheid van de oorzaak-gevolg relaties tussen nieuws en markten drastisch verbetert.