A Comparative Analysis of Machine Learning Models for Long and Short-Term Forecasting of the Egyptian Stock Market: A Focus on EGX30

Technische Zusammenfassung: Eine vergleichende Analyse von Modellen des maschinellen Lernens für die kurz- und langfristige Prognose des ägyptischen Aktienmarktes

Problemstellung
Der ägyptische Aktienmarkt, insbesondere der EGX30-Index, stellt ein dynamisches, aber unterforschtes aufstrebendes Finanzumfeld dar. Während eine umfangreiche Literatur zu den globalen Aktienmärkten existiert, gibt es eine kritische Lücke im Verständnis der spezifischen Trends und Dynamiken von Entwicklungsmärkten wie Ägypten. Investoren in dieser Region stehen oft vor Herausforderungen aufgrund eines Mangels an Fachwissen in der technischen Analyse und den inhärenten Risiken von Hochrenditemärkten. Das primäre Ziel dieser Studie ist es, diese Lücke zu schließen, indem präzise Vorhersagemodelle entwickelt und evaluiert werden, die speziell auf den EGX30 zugeschnitten sind. Die Forschung adresset die Notwendigkeit robuster Werkzeuge, die sowohl kurzfristige (bis zu einer Woche) als auch langfristige (bis zu zwei Monaten) Markttrends prognostizieren können, um die Risikomanagement- und Anlagestrategieformulierung zu unterstützen.

Methodik
Die Studie verwendet ein umfassendes Vergleichsframework unter Nutzung historischer EGX30-Daten. Die Methodik ist um drei Kernkomponenten strukturiert:

1. Datenvorverarbeitung und Feature Engineering:

   • Der Datensatz wurde in zeitliche Merkmale (Wochentag, Monat, Jahr usw.) segmentiert, obwohl die Korrelationsanalyse ergab, dass diese allein aufgrund der geringen Korrelation mit Aktienkursen unzureichend waren.
   • Um den historischen Kontext und zeitliche Abhängigkeiten zu erfassen, führte die Studie Rolling-Window-Lag-Features ein.
   • Es wurden technische Indikatoren entwickelt, darunter einfache gleitende Durchschnitte (SMA), exponentielle gleitende Durchschnitte (EMA), Bollinger-Bänder, der Relative Strength Index (RSI) und der Commodity Channel Index (CCI).
   • Eine Lag-Funktion wurde auf historische Daten angewendet, um die Erwartung von Trends über mehrere Tage hinweg zu ermöglichen und dabei die inhärente zeitliche Struktur von Finanzdaten zu respektieren.

2. Modellauswahl:
   Die Forschung evaluierte eine vielfältige Auswahl von sieben Algorithmen des maschinellen Lernens und zwei Deep-Learning-Architekturen:

   • Traditionelles ML: K-Nearest Neighbours (KNN), Decision Tree Regressor, Random Forest, Extra Trees, Adaptive Boosting (AdaBoost), Light Gradient Boosted Machine (LightGBM) und Extreme Gradient Boosting (XGBoost).
   • Deep Learning: Long Short-Term Memory (LSTM) und Gated Recurrent Unit (GRU).
   • Ensemble-Ansatz: Eine Blending-Technik wurde auf die leistungsstärksten Modelle angewendet, um einen Ensemble-Prädiktor zu erstellen, insbesondere für langfristige Horizonte.

3. Evaluationsrahmen:

   • Zeithorizonte: Die Modelle wurden auf vier verschiedenen Vorhersageintervallen getestet: ein Tag, eine Woche, ein Monat und zwei Monate.
   • Metriken: Die Leistung wurde mittels Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) und dem Bestimmtheitsmaß ($R^2$) quantifiziert.
   • Optimierung: Deep-Learning-Modelle nutzten den Adam-Optimizer für eine effiziente Konvergenz.

Wichtigste Ergebnisse
Die experimentellen Ergebnisse zeigten distinkte Leistungscharakteristika in Abhängigkeit vom Vorhersagehorizont:

• Ein-Tages-Prognosen: XGBoost erwies sich als das überlegene Modell und erreichte die höchste Genauigkeit mit einem RMSE von 0,0163 und einem $R^2$ von 0,993. LightGBM und Random Forest zeigten ebenfalls eine robuste Leistung, wobei XGBoost geringfügig effektiver war.
• Ein-Wochen-Prognosen: Das GRU-Modell übertraf alle anderen und erreichte den niedrigsten RMSE (0,0406) und das höchste $R^2$ (0,961). Random Forest und Extra Trees schnitten ebenfalls gut ab, aber die Fähigkeit von GRU, Saisonalität und komplexe Beziehungen zu erfassen, erwies sich als entscheidend.
• Langfristige Prognosen (ein und zwei Monate):
  • GRU zeigte weiterhin eine überlegene Leistung und hielt die besten RMSE- und $R^2$-Werte über sowohl den Ein-Monats- als auch den Zwei-Monats-Horizont aufrecht.
  • KNN lieferte ein überraschendes Ergebnis, indem es seine kurzfristigen Ergebnisse signifikant übertraf und zu einem Top-Performer für langfristige Prognosen wurde (Platz 3 bei Ein-Monats- und Platz 2 bei Zwei-Monats-Prognosen).
  • Ensemble-Technik: Das Ensemble-Modell, welches die am besten abschneidenden Einzelmodelle kombinierte, erzielte die signifikantesten Verbesserungen bei der langfristigen Prognose. Bemerkenswerterweise war der RMSE des Ensemble-Modells im Zwei-Monats-Prognoseszenario etwa fünfmal niedriger als der des Standalone-GRU-Modells, was die Wirksamkeit von Ensemble-Methoden für längere Horizonte unterstreicht.

Bedeutung und Beiträge
Die Studie beansprucht mehrere bedeutende Beiträge auf dem Gebiet der Finanzprognose in Schwellenländern:

1. Kontextspezifische Erkenntnisse: Sie bietet die erste detaillierte vergleichende Analyse von ML- und DL-Modellen speziell für den EGX30 und bietet damit handlungsrelevante Erkenntnisse für Investoren, die sich in der einzigartigen Dynamik des ägyptischen Marktes bewegen.
2. Horizontabhängige Modellauswahl: Die Forschung stellt fest, dass kein einzelnes Modell universell optimal ist. Sie zeigt, dass XGBoost am besten für hochfrequente Ein-Tages-Prognosen geeignet ist, während GRU und Ensemble-Techniken essenziell sind, um die Komplexität wöchentlicher und monatlicher Trends zu erfassen.
3. Neubewertung von KNN: Die Studie hinterfragt die konventionelle Sichtweise auf KNN als rein kurzfristigen oder einfachen Algorithmus und zeigt dessen unerwartete und anhaltende Relevanz für die langfristige Trendprognose in diesem spezifischen Marktkontext auf.
4. Überlegenheit von Ensembles: Die Arbeit hebt hervor, dass, obwohl einzelne Deep-Learning-Modelle leistungsstark sind, Ensemble-Blending die Robustheit und Genauigkeit signifikant erhöht, insbesondere für langfristige Prognosen, bei denen einzelne Modelle mit höheren Fehlerraten kämpfen.

Einschränkungen und zukünftige Richtungen
Die Autoren räumen ein, dass die Feinabstimmung zahlreicher Modelle erhebliche Rechenressourcen erfordert, was die Tiefe der Hyperparameter-Optimierung einschränken kann. Zukünftige Arbeiten sollen Folgendes umfassen:

• Integration von Transformer-Architekturen, die vielversprechend für die Zeitreihenprognose gezeigt haben.
• Einbeziehung von Sentiment-Analysen, die aus globalen/lokalen Wirtschaftskalendern, Nachrichten und Social-Media-Posts öffentlicher Personen abgeleitet werden, um die prädiktiven Merkmale zu bereichern.

Zusammenfassend validiert diese Studie den Nutzen fortgeschrittener Techniken des maschinellen Lernens und des Deep Learning für den ägyptischen Aktienmarkt und betont, dass die Modellauswahl auf den spezifischen Zeithorizont der Anlagestrategie abgestimmt sein muss.