Structural Break Detection and Regime-Dependent Financial Time-Series Forecasting Using Change-Point Models and Markov Switching: Evidence from Asia-Pacific Equity Markets

Financiële markten zijn geen machines die draaien op een enkele, onveranderlijke set regels. In plaats daarvan zijn het levende systemen die schakelen tussen verschillende stemmingen. Soms zijn ze kalm en voorspelbaar; andere keren zijn ze chaotisch en gevoelig voor plotselinge, gewelddadige schommelingen. Decennialang hebben economen geprobeerd modellen te bouwen die deze bewegingen kunnen voorspellen, in de hoop de toekomst helder te kunnen zien. Maar deze modellen kampen met een fundamenteel probleem: ze gaan er vaak van uit dat het verleden een perfecte gids voor de toekomst is. Wanneer een markt plotseling van aard verandert — bijvoorbeeld door een nieuwe wet, een wereldwijde crisis of een verschuiving in de psychologie van beleggers — kan een model dat vasthoudt aan oude gegevens gevaarlijk traag worden in het aanpassen. Het is als het navigeren door een storm met een kaart die getekend is voor kalme zeeën.

Om dit op te lossen, hebben onderzoekers twee belangrijke manieren ontwikkeld om naar marktveranderingen te kijken. De ene benadering zoekt naar "regime-wisselingen", waarbij de markt schakelt tussen terugkerende toestanden, zoals een lichtschakelaar die tussen kalm en turbulent pendelt. De andere benadering kijkt naar "structurele breuken", wat permanente veranderingen zijn in de onderliggende regels van het spel, waarbij de oude kaart niet langer geldig is. Een nieuwere, meer geavanceerde idee combineert deze twee: het gebruik van realtime signalen om te detecteren wanneer de regels zijn veranderd, en vervolgens het geheugen van het model direct aan te passen om zich te concentreren op de meest recente, relevante geschiedenis. Dit artikel stelt een eenvoudige maar moeilijke vraag: werkt deze slimme, adaptieve benadering daadwerkelijk beter bij het voorspellen van aandelenkoersen en risico's in de diverse markten van de Aziatisch-Pacifische regio?

Een team van onderzoekers zette zich scharpe om dit idee te testen met behulp van gegevens van vijf grote aandelenmarkten: India, Japan, Hong Kong, Zuid-Korea en Australië. Ze verzamelden bijna twee decennia aan dagelijkse prijsgegevens, variërend van de wereldwijde financiële crisis tot de pandemie en daarna. Hun doel was om te zien of een model dat een signaal van verandering kon "horen" en onmiddellijk zijn oude geschiedenis zou vergeten, beter zou presteren dan een model dat al zijn geschiedenis behield, zelfs de verouderde delen. Ze bouwden een systeem dat een standaard marktmodel combineerde met een realtime detector. Deze detector, bekend als Bayesian online change-point detection, werkt als een gevoelige wekker. Het houdt de volatiliteit van de markt in de gaten en, als het een plotselinge verschuiving in het patroon signaleert, gaat de wekker af. Wanneer de wekker gaat, is het model geprogrammeerd om zijn geheugen te verkleinen, oudere gegevens die mogelijk niet meer relevant zijn weg te gooien, en zichzelf opnieuw te trainen op de verse informatie.

De onderzoekers testten dit "breuk-bewuste" model tegen een standaardversie die nooit zijn geheugen verkleint, evenals tegen verschillende andere veelvoorkomende voorspellingsinstrumenten. Ze voerden een strikt experiment van één stap vooruit uit over 1.000 dagen voor elke markt, waarbij ze ervoor zorgden dat het model alleen informatie kon gebruiken die beschikbaar was tot die specifieke dag, precies zoals een echte belegger dat zou doen. Ze voerden ook computersimulaties uit waarbij ze de exacte antwoorden vooraf kenden, om te verifiëren dat hun methoden in staat waren om veranderingen correct te identificeren wanneer deze plaatsvonden. De simulaties toonden aan dat hun instrumenten in staat waren de juiste patronen te vinden; de real-world test vertelde echter een ingewikkelder verhaal.

De resultaten onthulden dat er geen enkele "beste" manier is om de toekomst van deze markten te voorspellen. Het bewijs van structurele breuken varieerde enorm per land. In Zuid-Korea suggereerden de gegevens drie duidelijke, permanente verschuivingen in hoe de markt zich gedroeg. In Japan toonden de gegevens helemaal geen dergelijke permanente breuken aan, zelfs niet toen de markt aanzienlijke turbulentie ervoer. Deze bevinding alleen al was cruciaal: het bewees dat de markten in deze regio geen enkel, gemeenschappelijk ritme delen. Wat voor het ene land werkt, kan niet blindelings op een ander worden toegepast.

Wat betre toe kwam aan het voorspellen van de werkelijke aandelenprijs van de volgende dag, won het slimme, adaptieve model niet. Sterker nog, voor de meeste markten presteerden de eenvoudige modellen die simpelweg naar de gemiddelde prestaties uit het verleden of de meest recente trends keken, net zo goed of zelfs beter. Het complexe model dat probeerde constant zijn geheugen te resetten, produceerde niet nauwkeurigere prijsvoorspellingen. In sommige gevallen, zoals bij de Japanse markt, presteerde het adaptieve model zelfs slechter dan de eenvoudigere alternatieven. De onderzoekers ontdekten dat de extra complexiteit van het voortdurend vergeten en opnieuw leren niet hielp bij het voorspellen van het rendement van de volgende dag.

Het verhaal veranderde iets toen de onderzoekers naar volatiliteit keken, oftewel hoe sterk de prijzen schommelen. Hier presteerden de traditionele modellen die hun volledige geschiedenis aan gegevens behielden over het algemeen beter dan het adaptieve model. Het model dat zijn geheugen voortdurend verkleinde, neigde grotere fouten te maken bij het voorspellen van hoe wild de markt zou zijn. Het lijkt erop dat zelfs wanneer de markt verandert, het aanhouden van een lange geschiedenis aan gegevens het model helpt om de onderliggende patronen van risico beter te begrijpen dan wanneer het met een schone lei begint. Het "no-reset" model, dat nooit zijn verleden vergat, bleef zeer competitief en was in verschillende markten aanzienlijk superieur bij het voorspellen van de gemiddelde volatiliteit.

Het adaptieve model vond echter zijn sterkste niche in het voorspellen van neerwaarts risico, specif kind de Value-at-Risk. Dit is een maatstaf die banken en beleggers gebruiken om te schatten wat het maximale verlies is dat zij op een slechte dag kunnen lijden. In de Indiase markt en de Australische markt bood het breuk-bewuste model een veel betere kalibratie van dit risico. Het voorspelde de frequentie van extreme verliezen nauwkeuriger dan de andere modellen. Voor de Indiase markt voorspelde het het aantal slechte dagen bijna perfect. In de Australische markt presteerde het ook erg goed. Maar dit succes was niet universeel. In Hong Kong was het adaptieve model te conservatief en voorspelde het veel minder slechte dagen dan er feitelijk plaatsvonden, terwijl in Zuid-Korea alle modellen moeite hadden om de extreme staart van de risicoverdeling te vangen.

De onderzoekers keken ook naar hoe ernstig de verliezen waren op de dagen dat de risicodrempel werd overschreden. Hier toonde het adaptieve model geen duidelijk voordeel. In veel gevallen voorspelden de traditionele modellen de omvang van de verliezen net zo goed, of zelfs beter. De studie concludeerde dat de waarde van het weten over een structurele breuk volledig afhangt van wat je probeert te voorspellen en welke markt je bekijkt. Het is geen magische oplossing die elke voorspelling verbetert.

Uiteindelijk suggereert het artikel dat het idee om het geheugen van een model voortdurend te resetten op basis van realtime alarmen een nuttig instrument is, maar alleen voor specifieke taken. Het is geen universele upgrade voor financiële voorspellingen. De beste aanpak hangt af van de markt: voor sommige markten is het behouden van een lange geschiedenis essentieel; voor andere helpt een korter, meer gefocust beeld. De studie dient als een herinnering dat financiële markten te divers en complex zijn voor één enkele, perfecte formule. De meest effectieve strategie is om de specifieke aard van de betreffende markt te begrijpen en de tool te kiezen die bij die specifieke omgeving past, in plaats van ervan uit te gaan dat een complexer, adaptief systeem altijd het antwoord is.