Overzicht
Handelsbeslissingen zijn voorspellingen over toekomstig koersgedrag. Elke in- en uitstap, elke positiegrootte en elke risicokeuze rust op een impliciet of expliciet model van hoe markten zich gedragen. De vraag is dus niet óf u modelleert, maar of het model zorgvuldig is opgebouwd: met benoemde aannames, gekwantificeerde onzekerheid en duidelijke omstandigheden waarin het wel en niet geldt.
Statistische modellering voor trading past kwantitatieve methoden toe op de vragen van handelaren en beleggers: hoe toekomstige rendementen verdeeld zijn, welke signalen echt voorspellende waarde hebben, hoe groot de onzekerheid daarbij is, hoe portefeuillerisico zich gedraagt, en of een historisch resultaat op vaardigheid berust of op toeval.
Een zorgvuldige aanpak levert meestal voorzichtiger schattingen op dan een naïeve, maar ook nauwkeuriger. Wij bouwen statistische modellen en de rekeninfrastructuur daarvoor op maat voor systematische handelsfirma's, kwantitatieve onderzoekers, hedgefondsen en professionele handelaren.
Wat statistische modellering voor trading omvat
Rendementsverdelingen. Rendementen zijn niet normaal verdeeld: extreme uitschieters komen vaker voor en de verdeling is vaak scheef. Wij schatten de werkelijke verdeling, toetsen op afwijkingen van normaliteit en passen waar nodig Student-t- of scheve verdelingen toe. Volatiliteit modelleren wij met GARCH en varianten zoals EGARCH en GJR-GARCH, die vastleggen dat onrustige periodes clusteren en dat koersdalingen de volatiliteit doorgaans sterker verhogen dan stijgingen. Regimemodellen, zoals Hidden Markov- en Markov-switchingmodellen, onderscheiden marktomstandigheden met een eigen volatiliteit en rendement.
Tijdreeksanalyse. Stationariteitstoetsen (Augmented Dickey-Fuller en KPSS), autocorrelatie (ACF, PACF en de Ljung-Box-toets), coïntegratie (Engle-Granger en Johansen) als basis voor pairs trading, met foutcorrectiemodellen voor de snelheid van mean reversion, en toetsen op structurele breuken (Chow, Bai-Perron) die laten zien wanneer een verband is veranderd.
Signalen en voorspellende modellen. De informatiecoëfficiënt (IC) tussen signaal en later rendement en hoe die door de tijd varieert. Regressie met OLS, ridge, lasso en elastic net, en Fama-MacBeth-regressies. Machine learning, zoals gradient boosting en random forests, met walk-forward-validatie die de tijdsvolgorde respecteert, zodat geen toekomstige data in de training lekt. En het combineren van signalen met gewichten die out-of-sample standhouden.
Prestatieanalyse. Sharpe, Sortino, Calmar en information ratio met correcte standaardfouten, rekening houdend met scheefheid en autocorrelatie. Attributie naar factoren, allocatie en selectie, waaronder Brinson-attributie. Toetsen of een resultaat door toeval kan zijn ontstaan, inclusief de deflated Sharpe ratio wanneer veel varianten zijn getest. En analyse van transactiekosten: spread, marktimpact en timing.
Portefeuillerisico. Covariantieschatting met shrinkage (Ledoit-Wolf), factormodellen en exponentiële weging. Factorrisicomodellen op basis van PCA of economische factoren zoals markt, omvang, waarde, momentum en kwaliteit. Value at Risk en expected shortfall via historische simulatie, parametrische methoden of Monte Carlo, met backtests van het VaR-model (Kupiec en Christoffersen). En stresstests met historische scenario's, zoals 2008, 2020 en de rentestijging van 2022, en hypothetische scenario's.
Toetsing en inferentie. Correctie voor meervoudig testen (Bonferroni, Benjamini-Hochberg of simulatie), Bayesiaanse methoden die voorkennis combineren met de data, en bootstrap- en permutatietests die weinig aannames over de verdeling vragen.
Gebruikte technologieën
- Python — primaire taal voor statistische modellen: NumPy, SciPy, pandas, statsmodels, scikit-learn, PyMC (Bayesiaanse modellering), arch (GARCH modellen)
- Rust — snelle numerieke berekeningen voor zware statistische procedures, bootstrap en Monte Carlo
- R — statistische analyse waar het uitgebreide statistische pakketecosysteem van R voordelen biedt
- C# / ASP.NET Core — modellen in productie aanbieden, live risicoberekening, koppeling met datapijplijnen
- SQL (PostgreSQL, TimescaleDB) — opslag van tijdreeksen, factorwaarden en modeluitkomsten
- Parquet / Apache Arrow — efficiënte kolomopslag voor grote onderzoeksdatasets
- Redis — cache voor live modeluitkomsten en realtime risicocijfers
- Jupyter — interactieve onderzoeks- en modelontwikkelingsomgeving
- MLflow — versiebeheer van modellen, vastleggen van experimenten, modelregister
- AWS / cloud compute — grootschalige Monte Carlo- en bootstrapberekeningen
De standaard die handelsonderzoek vraagt
In strategieonderzoek heeft een vals-positief resultaat directe gevolgen: een strategie die met echt kapitaal wordt ingezet en geld verliest. Daarom past een voorzichtige standaard: corrigeren voor het aantal geteste varianten, out-of-sample-validatie eisen in plaats van in-sample-resultaten te accepteren, en onzekerheid tonen in plaats van één getal als zekerheid te presenteren. Het doel is niet de mooiste, maar de meest accurate inschatting.
Veelgestelde vragen
Welke modellen bouwt u?
Dat hangt af van de vraag: modellen voor rendementsverdelingen en volatiliteit (zoals GARCH), regimemodellen, coïntegratie voor pairs trading, regressie en machine learning voor signalen, en covariantie-, factor- en VaR/expected-shortfallmodellen voor portefeuillerisico.
Gebruikt u machine learning?
Waar het past. Financiële data is ruizig en verandert door de tijd, dus wij valideren walk-forward in de juiste tijdsvolgorde, vergelijken met eenvoudige modellen en houden alleen complexiteit die out-of-sample iets toevoegt.
Hoe onderscheidt u vaardigheid van toeval?
Met betrouwbaarheidsintervallen voor maatstaven als de Sharpe ratio, bootstrap- en permutatietests en correcties voor het aantal geteste varianten, zoals de deflated Sharpe ratio. Een resultaat dat na die correcties verdwijnt, behandelen wij niet als voordeel.
Kunnen de modellen in productie draaien?
Ja. Een in onderzoek gevalideerd model kan in productie worden gebracht voor live risicoberekeningen of signalen, met versiebeheer zodat u altijd weet welk model welk resultaat gaf.
Wie is eigenaar van de code?
Het eigendom van de broncode wordt in het contract vastgelegd, en de code kan volledig van u zijn, inclusief documentatie en tests.
Zie ook strategieonderzoek, analyse van handelsdata en wat is backtesting.
Breng uw marktvragen in een model
Vertel ons welke vraag een model moet beantwoorden en welke data u heeft. Wij laten zien welke aanpak past en hoe wij die zouden valideren.