💰 quantitative finance

A Hybrid Gaussian Process Regression Framework for Stable Volatility-Covariance Estimation: Evidence from Global Equity Indices

Dit artikel introduceert een nieuw hybride raamwerk voor Gaussian Process-regressie en historische simulatie dat dynamische univariate volatiliteitsmodellering combineert met stabiele historische correlaties en een strategie voor agressieve ruisinitialisatie om een aan regelgeving conform, superieur volatiliteits-covariantievoorspelling voor wereldwijde aandelenportefeuilles te realiseren in vergelijking met traditionele econometrische modellen.

Oorspronkelijke auteurs: Ujjwala Vadrevu

Gepubliceerd 2026-05-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ujjwala Vadrevu

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 je de kapitein bent van een enorm schip (het beleggingsportefeuille van een bank) dat vaart door de oceaan van de wereldwijde aandelenmarkten. Je belangrijkste taak is om te voorspellen hoe groot de golven morgen kunnen worden, zodat je voldoende reddingsboten (kapitaal) kunt laden om een storm te overleven. Als je de golven te klein inschat, zinkt het schip. Als je ze te groot inschat, verspil je geld aan het vervoer van onnodige reddingsboten.

Dit artikel introduceert een nieuwe, slimmere manier om die golven te voorspellen, genaamd het Hybride GPR-HS Kader. Hieronder wordt uitgelegd hoe dit werkt, opgesplitst in eenvoudige concepten:

1. Het probleem met oude kaarten

Lange tijd gebruikten banken "oude kaarten" (traditionele wiskundige modellen zoals GARCH of EWMA) om golven te voorspellen. Het artikel betoogt dat deze kaarten drie grote gebreken hebben:

Ze gaan ervan uit dat de oceaan kalm is: Ze verwachten dat golven glad en voorspelbaar zijn, maar echte markten hebben "dikke staarten" – plotselinge, massale tsunami's die deze modellen missen.
Ze zijn te stijf: Ze gaan ervan uit dat slecht nieuws en goed nieuws de oceaan even sterk beïnvloeden. In werkelijkheid veroorzaakt een storm (slecht nieuws) meestal veel grotere golven dan een rustige dag (goed nieuws).
Ze raken in de war in een menigte: Als je probeert te voorspellen hoe zeven verschillende schepen (aandelen) samen bewegen, breken deze oude modellen vaak of geven ze wiskundig onmogelijke antwoorden.

2. De nieuwe oplossing: Een "slimme hybride" aanpak

De auteurs hebben een nieuw systeem gebouwd dat het beste van twee werelden combineert: Gaussian Process Regression (GPR) en Historische Simulatie (HS). Denk hierbij aan het gebruik van een high-tech weerradar voor individuele golven, maar een betrouwbaar geschiedenisboek voor hoe de golven met elkaar interageren.

De Radar (GPR): In plaats van de golven in een stijve vorm te dwingen, leert dit deel van het model de "ruwheid" van de oceaan. Het gebruikt een speciaal hulpmiddel genaamd een Matern 5/2-kern. Stel je voor dat je een kustlijn probeert te tekenen. Een gladde curve (zoals een cirkel) lijkt niet op een echte, gezaagde kust. De Matern-kern is als een gezaagde, realistische schets die de ruwe, onvoorspelbare aard van aandelenprijzen beter vastlegt dan gladde curves.
Het geschiedenisboek (HS): Terwijl de radar voorspelt hoe één schip reageert op de wind, kijkt het geschiedenisboek naar hoe alle schepen in het verleden samen zijn bewogen. Dit houdt de wiskunde stabiel en voorkomt dat het model in de war raakt wanneer de vloot groot wordt.

3. Het geheimzinnige ingrediënt: "Aggressive Noise Initialization" (ANI)

Dit is de grootste innovatie van het artikel. Als je een computer leert, moet je het een startgissing geven. Meestal beginnen mensen met een "veilige" gissing. Dit artikel zegt: "Begin met een luid, conservatief gissing."

De analogie: Stel je voor dat je een student rijdt. Als je ze begint op een rustige, lege weg, kunnen ze te zelfverzekerd worden. In plaats daarvan vertellen de auteurs de computer: "Begin ervan uitgaande dat de weg vol gaten en chaos zit."
Het resultaat: Door te beginnen met deze "luide" aanname (het instellen van het ruisniveau gelijk aan de daadwerkelijke wildheid van de data), wordt de computer gedwongen om zeer voorzichtig te zijn. Het onderschat nooit het gevaar. Dit zorgt ervoor dat, zelfs als het model een fout maakt, het aan de veilige kant zit – het draagt meer reddingsboten dan nodig, wat regelgevers graag zien.

4. De proefrit

De auteurs hebben dit nieuwe systeem getest op zeven grote wereldwijde aandelenmarkten (waaronder de VS, Europa, Japan en India) over een periode van vijf jaar (2020–2025). Ze gebruikten een "forward-chaining"-methode, wat vergelijkbaar is met het rijden met een auto terwijl je alleen door de voorruit kijkt, nooit in de achteruitkijkspioen om te bedriegen.

De resultaten:

Veiligheid eerst: Het nieuwe model slaagde 100% van de tijd voor de strenge "Expected Shortfall"-test (een maatstaf voor hoeveel geld je verliest in een ramp) voor de hele portefeuille.
Beter dan de oude manier: Het presteerde in 71,4% van de gevallen beter dan de standaard "Historische VaR" (de oude kaart) wat betreft nauwkeurigheid, en was veiliger (minder verrassende overtredingen) in 100% van de gevallen.
Conservatief wint: In sommige gevallen voorspelde het model minder crashes dan er daadwerkelijk plaatsvonden. In de wereld van het bankwezen is dit een "goede mislukking". Het betekent dat de bank extra kapitaal hield en veilig was, in plaats van verrast te worden.

5. De conclusie

Dit artikel stelt een nieuwe manier voor om financieel risico te meten die slimmer, flexibeler en veiliger is dan traditionele methoden. Door een "ruwe" wiskundige kern te gebruiken om de chaos van de realiteit vast te leggen en te beginnen met een "conservatieve" gissing, zorgt het systeem ervoor dat banken voorbereid zijn op de ergste stormen, wat voldoet aan strenge overheidsreguleringen zonder dat er gebruik hoeft te worden gemaakt van onstabiele, complexe wiskunde die snel kapotgaat.

Kortom: Het is een nieuw navigatiesysteem dat ervan uitgaat dat de oceaan altijd ruiger is dan hij eruitziet, zodat het schip nooit zonder reddingsboten komt te zitten.

Technische Samenvatting: Een Hybride Gaußisch Procesregressie Framework voor Stabiele Volatiliteits-Covariantie Schatting

Probleemstelling
Accurate voorspelling van de Volatiliteits-Covariantie Matrix (VCV) is cruciaal voor processen rondom toereikendheid van regulatiekapitaal, specifiek het Internal Capital Adequacy Assessment Process (ICAAP) en de Comprehensive Capital Analysis and Review (CCAR). Traditionele econometrische modellen, waaronder GARCH-familie en Exponentieel Gewogen Glijdend Gemiddelde (EWMA) benaderingen, staan voor aanzienlijke structurele beperkingen in moderne financiële omgevingen. Deze omvatten parametrische rigiditeit, afhankelijkheid van normaliteitsaannames die leiden tot systematische onderschatting van staartrisico ("dikke staarten"), het niet kunnen vastleggen van het hefboomeffect, en het onvermogen om niet-lineaire afhankelijkheden en correlatiecontagie tijdens systemische stress te modelleren. Bovendien lijden multivariate extensies zoals Dynamic Conditional Correlation (DCC) GARCH vaak aan numerieke instabiliteit, met name in het behoud van de Positief Definite (PD) eigenschap van de VCV-matrix op schaal. Hoewel Gaußisch Procesregressie (GPR) een niet-parametrisch alternatief biedt dat in staat is niet-lineaire, tijdvariërende heteroskedasticiteit te modelleren, introduceert directe toepassing van Multi-Output GPR (MOGPR) op portefeuille-dimensies prohibitieve computationele complexiteit ( $O((N \cdot T)^3)$ ) en convergentiefalen.

Methodologie
Het artikel stelt een Hybride Gaußisch Procesregressie–Historische Simulatie (GPR-HS) framework voor, ontworpen om de schatting van individuele activa-volatiliteiten te ontkoppelen van inter-activa correlaties.

Data en Preprocessing: De studie maakt gebruik van dagelijkse slotkoersen voor zeven grote wereldwijde aandelenindices (S&P 500, EURO STOXX 50, Nikkei 225, FTSE 100, Hang Seng, Nifty 50 en BSE SENSEX) van 30 juni 2020 tot 30 juni 2025. Data wordt gepreprocessed om een synchrone handelskalender te garanderen en getransformeerd naar dagelijkse logaritmische rendementen.
Univariate GPR voor Volatiliteit: Individuele activa-conditievarianties worden gemodelleerd met behulp van Univariate GPR met een Matern 5/2 kernel. Deze kernel wordt geselecteerd boven de Radial Basis Function (RBF) kernel omdat de aanname van tweemaal differentieerbaarheid beter de inherente "ruwheid" van financiële rendementen weerspiegelt, terwijl de oneindige differentieerbaarheid van RBF theoretisch ongepast is. Een Witte Ruis kernel wordt toegevoegd om irreduceerbare heteroskedasticiteit te modelleren.
Aggressive Noise Initialization (ANI): Er wordt een nieuwe hyperparameterstrategie geïntroduceerd waarbij de initiële Witte Ruis variantie ( $\sigma_n^2$ $σ_{n}^{2}$ ) gelijk wordt gesteld aan de empirische variantie van de trainingsrendementen. Dit dient drie doelen:
- Regulatorisch Conservatisme: Het stuurt de optimizer naar gladdere structurele functies, wat leidt tot conservatieve volatiliteitsschattingen die in lijn zijn met Stress VaR (SVaR) vereisten.
- Numerieke Stabiliteit: Het zorgt ervoor dat de Gram-matrix vanaf het begin goed geconditioneerd is, waardoor inversiefalen wordt voorkomen.
- Globale Convergentie: Het plat het oppervlak van de marginale likelihood, wat de L-BFGS-B optimizer helpt lokale optima te ontvluchten.
Hybride VCV Constructie: De portefeuille-VCV-matrix wordt geconstrueerd door de dynamische, GPR-voorspelde conditievarianties (diagonaalelementen) te combineren met stabiele historische covarianties (niet-diagonaalelementen) afgeleid van een uitbreidend trainingsvenster. Dit verlaagt de computationele complexiteit van $O((N \cdot T)^3)$ naar $O(N \cdot T^3)$ .
Risicometriek Afleiding: Value-at-Risk (VaR) en Expected Shortfall (ES) worden afgeleid onder de aanname van een Student's t-verdeling met $\nu=5$ vrijheidsgraden om leptokurtose te vangen.
Validatie: Het framework wordt geëvalueerd met behulp van een uitbreidend venster forward-chaining cross-validatieschema (2022–2025). Prestaties worden beoordeeld via Kupiec Unconditional Coverage (UC), Christoffersen Conditional Coverage (CC), McNeil-Frey ES backtests en Quadratic Loss (QL) functies, gebenchmarkt tegen een statische Historical VaR.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen:

Hybride Architectuur: Het introduceert een nieuw framework dat Univariate GPR voor dynamische volatiliteit combineert met Historische Simulatie voor correlatie, waarmee de schaalbaarheids- en stabiliteitsbeperkingen van volledige MOGPR worden opgelost.
Aggressive Noise Initialization (ANI): Het stelt een principiële initialisatiestrategie voor die positief-definite Gram-matrices, numerieke stabiliteit en regulatorisch-conform conservatisme garandeert.
Cross-Market Empirische Validatie: Het biedt rigoureuze backtesting over zeven heterogene wereldwijde aandelenmarkten over vijf jaar, wat de robuustheid van het framework over verschillende marktregeer demonstreert.

Resultaten

Model Convergentie: De GPR-modellen bereikten optimale convergentie over alle zeven markten, bewezen door monotoon toenemende Log-Marginal-Likelihood (LML) scores naarmate de trainingsgeschiedenis uitbreidde.
Univariate Prestaties: Het framework behaalde Conditional Coverage (CC) doorloopscores tussen 75% en 100% voor de meeste indices. Falen in Unconditional Coverage (UC) en Expected Shortfall (ES) werd voornamelijk gekenmerkt als "over-conservatief" (minder schendingen dan verwacht), wat de voorkeursfaalmodus is in regulatorische contexten.
Portefeuille-niveau Prestaties: Het hybride framework behaalde een 100% doorloopscore voor de ES-test over alle splits, de meest veeleisende regulatorische validatie. Hoewel Kupiec-tests enkele "conservatieve falen" (werkelijke schendingen < verwacht) toonden in specifieke splits, slaagden de Conditional Coverage-tests in alle gevallen, wat bevestigt dat het model tijdvariërende volatiliteit volgt zonder schendingen te clusteren.
Benchmark Vergelijking: Het GPR-HS framework presteerde beter dan de statische Historical VaR benchmark in 71,4% van de univariate gevallen op basis van Quadratic Loss (nauwkeurigheid) en was superieur of gelijk in 100% van de gevallen op basis van schendingaantal (veiligheid). In portefeuille-niveau vergelijkingen vertoonde het GPR-HS framework aanzienlijk lagere Quadratic Loss-waarden (bijv. 0,619 versus 13,931 in 2022) in vergelijking met Historical VaR.

Betekenis en Claims
Het artikel claimt dat het Hybride GPR-HS framework een haalbare, regulatorisch-conforme oplossing biedt voor dynamische portefeuille-risicometing. Door volatiliteit en correlatieschatting te ontkoppelen, overwint het de computationele en numerieke instabiliteit van volledige multivariate GPR, terwijl het de parametrische rigiditeit van traditionele GARCH-modellen vermijdt. De Aggressive Noise Initialization strategie wordt benadrukt als een methodologische bijdrage die conservatieve, verdedigbare voorspellingen garandeert die geschikt zijn voor ICAAP- en CCAR-stresstests. Het vermogen van het framework om stabiliteit en conservatisme te behouden over diverse wereldwijde markten, inclusief hoge-onzekerheid Aziatische regimes, suggereert zijn bruikbaarheid als een robuust instrument voor modern marktrisicomanagement. De auteurs erkennen de beperking van de statische correlatie-aanname, maar merken op dat het dynamische volatiliteitscomponent dit in de praktijk effectief compenseert, wat resulteert in robuuste risicomaatstaven op portefeuille-niveau. Toekomstig werk wordt opgemerkt om dit framework uit te breiden naar gestresste scenario-analyse en modelinterpreteerbaarheid via SHAP-waarden.