Ensemble learning for time series forecasting using metaheuristic optimisation

Die Vorhersage der Zukunft ist ein menschlicher Instinkt, doch die Vorhersage der Zukunft von Zahlen ist eine notorisch schwierige Wissenschaft. In der Welt der Finanzen ist die Zeitreihenprognose der Versuch zu erraten, welchen Aktienkurs eine Aktie morgen haben wird, basierend darauf, was sie gestern, letzte Woche und letztes Jahr war. Die Daten verlaufen selten in einer geraden Linie; sie sind zackig, verrauscht und ständig im Wandel, ganz ähnlich wie der Versuch, das Wetter in einem Sturm vorherzusagen. Da der Markt so volatil und unvorhersehbar ist, ist das Vertrauen auf eine einzige Methode zur Erstellung einer Vorhersage oft so, als würde man versuchen, ein Schiff mit nur einem einzigen Kompass zu steuern. Wenn dieser Kompf passgenau leicht daneben liegt, ist die gesamte Reise gefährdet. Aus diesem Grund haben Forscher zur „Ensemble-Learning“-Strategie übergegangen, bei der mehrere verschiedene Vorhersagemodelle erstellt und dann kombiniert werden. Anstatt einem einzelnen Experten zu vertrauen, hört das System auf ein Gremium von Experten, in der Hoffnung, dass deren kombiniertes Wissen individuelle Fehler ausgleicht und einen klareren Weg weist.

Die Herausforderung liegt jedoch darin, wie man diese Experten kombiniert. Wenn man einfach jeden Modell bittet zu raten und den Durchschnitt bildet, übersieht man vielleicht, dass ein Modell gerade brillant arbeitet, während ein anderes Schwierigkeiten hat. Der wahre Trick besteht darin, herauszufinden, welchen Modellen in einem gegebenen Moment mehr Vertrauen geschenkt werden sollte und welche weniger gehört werden sollten. Dies ist das spezifische Problem, das sich ein Team von Forschern aus Indien zu widerlegt hat, die eine neue Art und Weise entwickelten, diese Gruppen von Vorhersagemodellen zu verwalten. Sie schufen zwei unterschiedliche Systeme: eines, das von der Art und Weise inspiriert ist, wie Vögel in Schwärmen fliegen, und ein anderes, das auf einem mathematischen Ansatz zum Umgang mit Unsicherheit basiert, um dynamisch zu entscheiden, welches Gewicht jedem Modells Vorhersage beigemessen werden soll. Ihr Ziel war es, ein System zu bauen, das in der Lage ist, sich in Echtzeit anzupzen und den Fokus auf die zuverlässigsten Prädiktoren zu verlagern, wenn sich die Marktbedingungen ändern.

Um ihre Ideen zu testen, wandten sich die Forscher dem indischen Aktienmarkt zu, einem riesigen und komplexen Finanzökosystem, das in den letzten fünfzehn Jahren dramatische Veränderungen erlebt hat, einschließlich bedeutender Wirtschaftsreformen und einer globalen Pandemie. Sie sammelten historische Daten für sieben verschiedene Einheiten: zwei große Marktindizes, die die allgemeine Gesundheit der Wirtschaft abbilden, und fünf der größten an der Börse gelisteten Unternehmen. Sie verließen sich nicht nur auf eine Art von Vorhersagemotor. Stattdessen bauten sie ein „Gremium“ aus drei verschiedenen Modellen der künstlichen Intelligenz, die jeweils ihre eigenen Stärken besitzen. Ein Modell war darauf ausgelegt, Muster in statischen Daten zu finden, ein anderes wurde gebaut, um langfristige Trends über die Zeit zu „erinnern“, und ein drittes war eine gestraffte Version dieses gedächtnisbasierten Modells, die auf Geschwindigkeit optimiert war. Diese drei Modelle wurden mit den Daten der letzten fünfzehn Jahre trainiert, um den Schlusskurs des nächsten Tages zu prognostizieren.

Sobald diese drei Modelle bereit waren, wandten die Forscher ihre zwei neuen Managementsysteme an, um deren Vorhersagen zu kombinieren. Das erste System, das sie „Ensemble PSO“ nannten, arbeitet durch die Simulation eines Schwarms von Teilchen, die nach der besten Lösung suchen. Stellen Sie sich eine Gruppe von Vögeln vor, die zusammenfliegen; jeder Vogel kennt seine eigene beste Position und die beste Position des gesamten Schwarms. Sie passen ihren Flugpfad ständig an, um sich in Richtung des besten Punktes zu bewegen. In diesem Computersystem sind die „Vögel“ verschiedene Kombinationen von Gewichten, die den drei Modellen zugewiesen sind. Das System führt tausende von Simulationen durch und passt die Mischung ständig an, bis es das perfekte Gleichgewicht findet, das den Fehler zwischen dem vorhergesagten Preis und dem tatsächlichen Preis minimiert. Das zweite System, „Ensemble ARO“, verfolgt einen anderen Ansatz. Es behandelt die Unsicherheit des Marktes als eine mathematisch zu verwaltende Variable und findet einen Satz von Gewichten, die selbst dann robust bleiben, wenn der Markt unerwartet reagiert. Es fragt im Wesentlichen: „Was ist der sicherste Weg, diese Vorhersagen zu kombinieren, damit wir nicht unvorbereitet getroffen werden?“

Die Forscher verglichen diese beiden neuen Systeme mit den einzelnen Modellen, einem einfachen Durchschnitt aller drei sowie anderen fortgeschrittenen Prognosemethoden, die in der Vergangenheit verwendet wurden. Um einen fairen Vergleich über alle sieben verschiedenen Datensätze hinweg zu ermöglichen, entwickelten sie eine neue Art, die Ergebnisse zu bewerten. Anstatt nur auf eine Zahl zu schauen, wie weit die Vorhersage im Durchschnitt abwich, betrachteten sie vier verschiedene Genauigkeitsmaße und kombinierten diese zu einem einzigen, umfassenden Score. Dies ermöglichte es ihnen, die Modelle nicht nur anhand eines Datensatzes zu ranken, sondern über das gesamte Spektrum von sieben verschiedenen Aktien und Indizes hinweg.

Die Ergebnisse waren klar und konsistent. Das System unter Verwendung der schwarmbasierten Optimierung, Ensemble PSO, schnitt konsequent besser ab als jede andere Methode, einschließlich der Einzelmodelle und der anderen Ensemble-Techniken. Es erwies sich als der zuverlässigste Prädiktor über die verschiedenen Marktbedingungen und Testzeiträume hinweg. Der zweitbeste Performer war das System unter Verwendung des robusten Optimierungsansatzes, Ensemble ARO, das ebenfalls die Standardmodelle deutlich übertraf. Die Studie ergab, dass einzelne Modelle wie die Langzeitgedächtnis-Netzwerke zwar gut in ihren spezifischen Aufgaben waren, aber oft Schwierigkeiten bekamen, wenn der Markt zu volatil oder unvorhersehbar wurde. Durch die dynamische Anpassung der Gewichte konnten die neuen Ensemble-Systeme auf das Modell setzen, das in diesem spezifischen Moment am besten performte, wodurch sie die Fehler effektiv glätteten und eine genauere Prognose lieferten.

Die Forscher kamen zu dem Schluss, dass ihr Ansatz ein leistungsstarkes Werkzeug für die Finanzprognose darstellt. Durch den Einsatz von metaheuristischer Optimierung zur Verwaltung der Gewichte verschiedener Modelle schufen sie ein System, das anpassungsfähiger und genauer ist als das Vertrauen auf einen einzelnen Algorithmus oder einen einfachen Durchschnitt. Die Ergebnisse legen nahe, dass es in einer Welt mit verrauschten und wechselhaften Daten nicht darum geht, das eine perfekte Modell zu finden, sondern ein flexibles Team von Modellen aufzubauen, das von einem intelligenten System geleitet werden kann, um zusammenzuarbeiten. Diese Arbeit stellt einen konkreten Schritt nach vorn in der Frage, wie wir künstliche Intelligenz nutzen können, um die Komplexität des Aktienmarktes zu navigieren, und bietet eine Methode, die sowohl skalierbar als auch robust genug ist, um mit der realen Unvorhersehbarkeit von Finanzdaten umzugehen.