📈 economics

Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting

Dit artikel toont aan dat first-difference modellen traditionele level-gebaseerde specificaties overtreffen bij het voorspellen van cross-market volatiliteit wanneer gegevens sterke persistentie vertonen, wat de kritieke noodzaak benadrukt om modelleringsstrategieën af te stemmen op voorspellingsdoelstellingen.

Oorspronkelijke auteurs: Kai Cheng, Xiaoxi Qi, Zhiyuan Cheng, Longying Lai

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kai Cheng, Xiaoxi Qi, Zhiyuan Cheng, Longying Lai

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 het weer voor volgende maand probeert te voorspellen. Je hebt veel historische gegevens en het valt je op dat de temperatuur al jarenlang langzaam stijgt.

Als je een model bouwt op basis van de huidige temperatuurniveaus (de "niveau-gebaseerde" aanpak), zal je model er ongelooflijk slim uitzien wanneer je het controleert tegen het verleden. Het zal zeggen: "Ja, ik wist dat het gisteren 38°C was en vandaag 39°C!" Het past perfect bij de geschiedenis.

Echter, wanneer je datzelfde model probeert te gebruiken om het weer voor volgende maand te voorspellen, kan het er hopeloos naast zitten. Waarom? Omdat het te veel werd afgeleid door de langzame, langetermijntrend (de "persistentie") en de werkelijke dagelijkse veranderingen die er belangrijk zijn voor een kortetermijnvoorspelling miste.

Dit is exact het probleem dat Kai Cheng en zijn team van Columbia, Northeastern en Stanford onderzochten in hun paper, "Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting."

Hier is de analyse van hun studie in eenvoudige termen:

De Grote Vraag

Financiële markten zitten vol met "volatiliteit" (hoe erg de prijzen heen en weer springen). Deze volatiliteit is "plakkerig" — als het vandaag hoog is, is de kans groot dat het morgen ook hoog is. De onderzoekers vroegen zich af: Wanneer we toekomstige marktverschuivingen proberen te voorspellen, moeten we dan modellen gebruiken die kijken naar het huidige "niveau" van volatiliteit, of modellen die kijken naar de "verandering" in volatiliteit?

De Opzet: Een Race Tussen Modellen

De onderzoekers organiseerden een race om te zien welk type wiskundig model het beste is in het voorspellen van de volatiliteit van de Amerikaanse aandelenmarkt (de S&P 500). Ze gebruikten gegevens van edelmetalen (goud, zilver, platina, palladium) en olie om te zien of deze markten de aandelenmarkt konden helpen voorspellen.

Ze vergeleken vier verschillende "drivers" (modellen):

De "Niveau" Driver (OLS & ADL): Deze modellen kijken naar de werkelijke getallen. "Goud is $1.800, dus aandelen zullen X zijn." Ze zijn geweldig in het verklaren van wat er in het verleden is gebeurd.
De "Verandering" Driver (First-Difference): Dit model negeert de werkelijke prijs en kijkt alleen naar de beweging. "Goud ging omhoog met $10, dus aandelen kunnen misschien omhoog gaan met Y."
De "Auto-Pilot" Driver (ARIMA): Een standaard tijdreeksmodel dat simpelweg naar het eigen verleden van de aandelen kijkt zonder externe hulp.

De Twist: De "In-Sample" Valstrik

Wanneer de onderzoekers deze modellen testten op de gegevens die ze hebben gebruikt om ze te bouwen (de "trainingsdata"), leken de Level Drivers de winnaars te zijn. Ze hadden de hoogste "R-kwadraat" (een score van hoe goed het model bij de geschiedenis past). Ze leken alles perfect te verklaren.

Maar hier is de crux: Wanneer de onderzoekers deze modellen testten op nieuwe gegevens die ze nog niet hadden gezien (de "out-of-sample" test), stortten de Level Drivers in. Ze waren overmoedig. Ze hadden de langzame, plakkerige trends van het verleden uit het hoofd geleerd, maar konden de toekomstige veranderingen niet voorspellen.

De Winnaar: De "Verandering" Driver

De First-Difference model (het model dat alleen naar veranderingen kijkt) was de verrassende kampioen.

In het verleden: Het zag er "slechter" uit dan de anderen. Het paste niet zo nauw met de historische gegevens als de andere modellen.
In de toekomst: Het was het meest accuraat in het voorspellen van wat er daadwerkelijk zou gebeuren.

De Analogie:
Denk aan de Level Drivers als een student die het hele tekstboek woord voor woord uit het hoofd heeft geleerd. Bij een toets over het verleden halen ze een 10. Maar als je ze een nieuwe vraag stelt die vereist dat ze de logica van verandering begrijpen, bevriezen ze.

Het First-Difference model is als een student die de regels van beweging begrijpt. Ze citeren het tekstboek misschien niet perfect, maar ze kunnen wel voorspellen waar de bal naartoe gaat.

Wat Hebben Ze Ontdekt?

Persistentie is een valstrik: Omdat de marktvolatiliteit "plakkerig" is (het blijft voor een lange tijd hoog of laag), laten modellen die zich richten op het "niveau" van volatiliteit zich misleiden. Ze denken dat ze de toekomst voorspellen, maar ze herhalen eigenlijk alleen het verleden.
Eenvoud wint: Door de langzaam bewegende trends weg te strippen en zich alleen te concentreren op de veranderingen (differencing), werd het model veel beter in het voorspellen.
Vertrouw de "fit" niet: Alleen omdat een model perfect lijkt op historische gegevens (een hoge in-sample fit), betekent niet dat het de toekomst zal voorspellen. Sterker nog, voor volatiele markten is een "perfecte" historische fit vaak een teken dat het model overfit is.

De Kern van de Zaak

Als je wilt begrijpen waarom de markt in het verleden bewoog, kijk dan naar de niveaus. Maar als je wilt voorspellen waar de markt de volgende stap zet, moet je de absolute getallen negeren en je concentreren op de veranderingen.

De auteurs concluderen dat voor iedereen die financiële risico's probeert te voorspellen, het gebruik van een "First-Difference" aanpak een veiligere, betrouwbaardere weddenschap is dan het vertrouwen op complexe modellen die proberen de historische niveaus te nauwkeurig te laten aansluiten.

Technische Samenvatting: Volatiliteitspersistentie en Modelkeuze in Cross-Market Volatiliteitsvoorspelling

Probleemstelling
Het artikel behandelt een fundamenteel methodologisch spanningsveld in de empirische financiële economie: de discrepantie tussen in-sample verklarende kracht en out-of-sample voorspellende nauwkeurigheid in cross-market volatiliteitsmodellering. Hoewel volatiliteitsreeksen worden gekenmerkt door sterke persistentie en traag bewegende dynamiek, vertrouwen veel empirische studies op niveau-gebaseerde tijdreeks-specificaties (bijv. Ordinary Least Squares of Autoregressive Distributed Lag-modellen) om volatiliteitsverbanden te analyseren. De auteurs stellen de vraag of deze veelgebruikte modellen geschikt zijn voor voorspelling wanneer het primaire doel voorspellende nauwkeurigheid is in plaats van statistische verklaring. Specifiek onderzoekt de studie of de sterke persistentie in volatiliteitsdata de in-sample fit-metrieken (zoals $R^2$ ) kunstmatig opblaast, terwijl dit de capaciteit van het model om toekomstige volatiliteitsdynamiek te voorspellen ondermijnt, met name in de context van spillover-effecten tussen edelmetalen en de Amerikaanse aandelenmarkt.

Methodologie
De auteurs hanteren een verenigd empirisch kader om systematisch vier veelgebruikte statistische specificaties te vergelijken voor het voorspellen van de S&P 500-volatiliteit met behulp van edelmetalen (goud, zilver, platina, palladium), koper en olie als verklarende variabelen.

Dataconstructie:
- Bron: Dagelijkse slotkoersen van Bloomberg (januari 2005 – juli 2014).
- Transformatie: Dagelijkse prijzen worden omgezet in logaritmische rendementen. Maandelijkse gerealiseerde volatiliteit wordt geconstrueerd door dagelijkse gekwadrateerde rendementen te aggregeren en de maatstaf te annualiseren.
- Steekproef: De effectieve steekproef bestaat uit 114 maandelijkse observaties.
- Splitsing: De data wordt verdeeld in een trainingsperiode (januari 2005 – juni 2013) voor parameterschatting en een hold-out validatieperiode (juli 2013 – juni 2014) voor out-of-sample voorspelling.
Modelspecificaties:
- Baseline OLS: Een contemporaine regressie van de aandelenmarktvolatiliteit op de niveaus van andere activavolatiteiten.
- Autoregressive Distributed Lag (ADL): Een ADL(1,1)-model dat vertraagde afhankelijke en onafhankelijke variabelen bevat om persistentie te vangen en seriële correlatie te mitigeren.
- First-Difference Model: Een regressie op de veranderingen ( $\Delta$ ) in volatiliteit in plaats van de niveaus, ontworpen om niet-stationariteit en de impact van sterke persistentie te verwijderen.
- ARIMA Benchmark: Een ARIMA(1,0,0)-model dat dient als univariate baseline om de waarde van cross-market informatie te beoordelen.
Evaluatiemetriek:
- Modelprestaties worden uitsluitend geëvalueerd op de hold-out steekproef met behulp van de Mean Squared Error (MSE). De studie contrasteert expliciet in-sample fit-statistieken (bijv. $R^2$ , aangepaste $R^2$ ) met out-of-sample voorspellende nauwkeurigheid.

Belangrijkste Resultaten
De empirische analyse levert drie primaire bevindingen op:

In-Sample vs. Out-of-Sample Discrepantie: Het ADL(1,1)-model vertoont een superieure in-sample verklarende kracht ( $R^2 = 0,801$ ), grotendeels gedreven door de inclusie van de vertraagde afhankelijke variabele die de hoge persistentie opvangt. Deze sterke fit vertaalt zich echter niet naar voorspellende nauwkeurigheid.
Superioriteit van First-Difference Specificaties: Ondanks een lagere in-sample $R^2$ (0,356), bereikt het first-difference model consistent de laagste out-of-sample Mean Squared Error (0,0019) vergeleken met het ADL-model (0,0021) en de ARIMA-benchmark (0,0084).
Persistentie als Bron van Bias: De resultaten suggereren dat niveau-gebaseerde modellen gevoelig zijn voor overfitting van de laagfrequente, persistente componenten van volatiliteit. Hoewel deze modellen historische data goed verklaren, slagen ze er niet in de kortetermijndynamiek te isoleren die nodig is voor nauwkeurige voorspellingen. De first-difference benadering, door deze traag bewegende componenten te verwijderen, biedt een robuuster benchmark voor het vangen van contemporane volatiliteitsinteracties.

Belangrijkste Bijdragen
Het artikel levert drie specifieke bijdragen aan de literatuur:

Verenigd Kader: Het biedt een gecontroleerde, zij-aan-zij vergelijking van OLS, ADL, first-difference en ARIMA modellen onder identieke data- en voorspellingscondities, wat een directe beoordeling van modelkeuzes mogelijk maakt.
Empirisch Patroon: Het documenteert een systematisch patroon waarbij first-difference specificaties beter presteren dan niveau-gebaseerde en autoregressieve modellen in out-of-sample voorspellingen van aandelenmarktvolatiliteit, wat de standaardafhankelijkheid van niveau-gebaseerde specificaties in spillover-analyse uitdaagt.
Methodologische Inzicht: Het koppelt het concept van volatiliteitspersistentie direct aan modelselectie en voorspellende prestaties, wat een conceptuele bijdrage levert aan de cross-market volatiliteitsanalyse die complementair is aan bestaand werk gericht op transmissiemechanismen.

Betekenis en Implicaties
De auteurs stellen dat de studie praktische richtlijnen biedt voor empirische volatiliteitsmodellering. De bevindingen suggereren dat onderzoekers en professionals hun modelkeuze moeten afstemmen op hun specifieke doelstellingen:

Voor Voorspelling: Wanneer het doel voorspellende nauwkeurigheid is, zijn eenvoudigere, transformatie-gebaseerde benaderingen (zoals first-differencing) die persistentie mitigeren te prefereren boven complexe, parameter-intensieve modellen die de in-sample fit maximaliseren.
Voor Risicobeheer: Nauwkeurige volatiliteitsvoorspellingen zijn cruciaal voor portefeuilleconstructie en risicomaatstaven (bijv. Value-at-Risk). De studie suggereert dat het vertrouwen op niveau-gebaseerde modellen kan leiden tot vertekende risicoschattingen door persistentie-gedreven bias, terwijl first-difference modellen mogelijk betrouwbaardere schattingen opleveren in dynamische marktomstandigheden.
Interpretatie van Spillovers: De resultaten suggereren dat sommige eerder waargenomen "sterke verbanden" in de literatuur artefacten kunnen zijn van gedeelde persistentie in plaats van genuante predictieve inhoud. First-difference modellen bieden een zuiverdere test voor de incrementele informatie in cross-market signalen.

Het artikel concludeert door het belang van transparantie in de empirische methodologie te benadrukken, en dringt er bij onderzoekers op aan om out-of-sample metrieken naast traditionele goodness-of-fit statistieken te rapporteren om te waarborgen dat conclusies over cross-market dynamiek robuust en toepasbaar zijn op de echte wereld.