Fitness Function Selection in PSO-VMD Decomposition: Implications for LSTM-Based Oil Price Forecasting

Die Vorhersage des Rohölpreises gehört zu den schwierigsten Aufgaben der modernen Wirtschaftswissenschaft. Der Markt bewegt sich nicht in geraden Linien oder vorhersehbaren Mustern; stattdessen verhält er sich wie ein chaotischer Sturm, angetrieben durch eine Mischung aus Wirtschaftsdaten, politischen Ereignissen und plötzlichen Verschiebungen in Angebot und Nachfrage. Da der Preis so wild und unvorhersehbar schwankt, scheitern traditionelle mathematische Werkzeuge oft daran, sein wahres Wesen zu erfassen. Um dieses Chaos begreifbar zu machen, haben Forscher zu einer Strategie namens Dekomposition gegriffen. Stellen Sie sich vor, Sie versuchen, ein komplexes Musikstück zu verstehen, indem Sie das gesamte Orchester gleichzeitig hören; es ist fast unmöglich, die Melodie zu hören. Wenn Sie jedoch in der Lage wären, die Instrumente zu trennen, um dann einzeln die Streicher, dann die Bläser und dann die Perkussion zu hören, würde die Struktur der Musik klar werden. In der Welt der Daten bedeutet dies, einen einzelnen, unordentlichen Strom von Zahlen in kleinere, einfachere Teile zu zerlegen, die leichter zu untersuchen sind. Sobald diese Teile verstanden sind, können sie wieder zusammengesetzt werden, um ein viel klareres Bild dessen zu zeichborgen, was als Nächstes passieren könnte.

Eine aktuelle Studie des Forschers Abdelkader Aouar befasst sich mit einem spezifischen Problem innerhalb dieser Dekompositionsstrategie. Die Forschung konzentriert sich auf eine Methode namens Variational Mode Decomposition, oder VMD, eine ausgeklügelte Art und Weise, Zeitreihendaten in jene einfacheren Teile zu zerlegen. Obwohl VMD leistungsstark ist, erfordert sie die korrekte Einstellung zweier kritischer Parameter, bevor sie funktionieren kann: die Anzahl der Teile, in die die Daten zerlegt werden sollen, und einen Faktor, der kontrolliert, wie streng die Teile voneinander getrennt werden. Wenn diese Einstellungen falsch sind, werden die Daten vielleicht in zu wenige Teile zerlegt, wodurch wichtige Details verborgen bleiben, oder in zu viele Teile, was unnötiges Rauschen erzeugt. In der Vergangenheit haben Wissenschaftler Computeralgorithmen genutzt, um die besten Einstellungen automatisch zu finden, aber sie stützten sich dabei auf eine spezifische Regel, um zu beurteilen, was „am besten“ bedeutet. Diese Regel, bekannt als Envelope-Entropie, wurde ursprünglich entwickelt, um Fehler in Maschinenteilen zu finden, wie etwa ein defektes Lager in einem Motor. Sie funktioniert, indem sie nach scharfen, plötzlichen Spitzen in einem Signal sucht. Da diese Regel bei Maschinen gut funktionierte, nahmen viele Forscher an, dass sie auch gut für Ölpreise funktionieren würde. Aouars Studie stellt diese Annahme in Frage, indem sie eine einfache Frage stellt: Hilft eine Regel, die für kaputte Zahnräder entwickelt wurde, tatsächlich dabei, den Ölpreis vorherzusagen?

Um dies zu beantworten, baute der Forscher ein hybrides Vorhersagesystem, das drei unterschiedliche Werkzeuge kombiniert. Zuerst nutzt das System einen Optimierungsalgorithmus namens Particle Swarm Optimization, der das Verhalten eines Vogelschwarms bei der Nahrungssuche nachahmt, um automatisch tausende verschiedene Einstellungen für das VMD-Werkzeug zu testen. Zweitens nutzt es die VMD-Methode, um die täglichen Ölpreise in ihre Bestandteile zu zerlegen. Drittens speist es diese Teile in eine Art künstliche Intelligenz namens Long Short-Term Memory Network, oder LSTM, ein, die hervorragend darin ist, Muster über die Zeit hinweg zu speichern. Der entscheidende Teil des Experiments war nicht die Auswahl der Werkzeuge selbst, sondern die Regel, die dem Computer sagt, welche Einstellungen die besten sind. Die Studie testete vier verschiedene Regeln: drei, die die Komplexität oder Unregelmäßigkeit der Daten messen (genannt Sample Entropy, Permutation Entropy und Envelope Entropy), und eine, die schlichtweg misst, wie viel Information verloren geht, wenn die Daten zerlegt und wieder zusammengesetzt werden (genannt Reconstruction Error).

Die Ergebnisse des Experiments waren bemerkenswert und kehrten die gängige Gewohnheit um, die Regel für Maschinenschäden anzuwenden. Als die Forscher die Envelope-Entropie-Regel verwendeten, die in vielen früheren Studien der Standard war, schnitt das Modell schlecht ab und lieferte einen Bestimmtheitsmaß (R²) von -0,3519. Dieser negative Wert zeigt an, dass die Vorhersagen des Modells weniger genau waren als die Verwendung des Durchschnittspreises als Basislinie – eine signifikante Unterleistung im Vergleich zu den anderen Methoden. Die beiden anderen komplexitätsbasierten Regeln schnitten zwar besser ab, erreichten aber dennoch nicht das Ziel. Der klare Gewinner war die Reconstruction-Error-Regel. Diese Regel, die sich darauf konzentriert, die ursprüngliche Information intakt zu halten, anstatt zu versuchen, das Signal „sauber“ oder „spärlich“ erscheinen zu lassen, ermöglichte es dem Modell, ein Genauigkeitsniveau zu erreichen, das weit über dem der anderen Methoden lag. Das endgültige Vorhersagemodell unter Verwendung dieser Regel war in der Lage, Ölpreise mit einer Fehlerrate von nur 1,37 Prozent vorherzusagen, ein Wert, der den tatsächlichen Werten bemerkenswert nahe kommt. Im Gegensatz dazu hatten die Modelle, die die anderen Regeln verwendeten, Fehlerraten, die um ein Vielfaches höher waren.

Die Studie enthüllte auch, warum die gewinnende Regel so gut funktionierte. Als der Computer angewiesen wurde, den Informationsverlust zu minimieren, wählte er, die Ölpreisdaten in neun distinkte Teile zu zerlegen. Dies ermöglichte es dem System, langfristige Trends, mittelfristige Zyklen und kurzfristige Spitzen gleichzeitig zu erfassen. Im Gegensatz dazu wiesen die Regeln basierend auf der Komplexität den Computer an, die Daten in nur zwei Teile zu zerlegen, was zu simpel war, um die vollständige Geschichte des Marktes einzufangen. Darüber hinaus wählte die gewinnende Regel eine Einstellung, die es den Datenfragmenten erlaubte, mehr von ihrer ursprünglichen Form zu behalten, während die anderen Regeln die Daten in eine glattere, starrere Form zwangen, die wertvolle Details entfernte. Die Ergebnisse legen nahe, dass es für Finanzmärkte, die durch ihre Volatilität und plötzlichen Sprünge definiert sind, das Ziel nicht sein sollte, das einfachste mögliche Signal zu finden, sondern so viel der ursprünglichen, chaotischen Realität wie möglich zu bewahren.

Diese Forschung verbessert nicht nur ein einzelnes Vorhersagemodell; sie beleuchtet einen kritischen Fehler in der Art und Weise, wie viele wissenschaftliche Studien durchgeführt werden. Jahrelang haben Forscher Regeln aus einem Bereich, wie etwa dem Maschinenbau, auf einen anderen, wie die Finanzwirtschaft, angewendet, ohne zu testen, ob diese Regeln tatsächlich passen. Diese Studie beweist, dass das, was für ein vibrierendes Maschinenteil funktioniert, nicht notwendigerweise für einen Barrel Öl funktioniert. Durch den systematischen Test verschiedener Regeln unter exakt denselben Bedingungen zeigte der Forscher, dass die Wahl der Bewertungsregel genauso wichtig ist wie der Computeralgorithmus selbst. Die Studie kommt zu dem Schluss, dass es für die Vorhersage komplexer Finanzdaten die effektivste Strategie ist, die Bewahrung der ursprünglichen Information zu priorisieren, anstatt zu versuchen, die Daten in eine vorgefasste Vorstellung dessen zu zwingen, was ein „sauberes“ Signal sein sollte. Diese Erkenntnis bietet einen neuen Weg für jeden, der versucht, die unvorhersehbaren Rhythmen der globalen Märkte zu verstehen.