💰 quantitative finance

Using Machine Learning to Forecast Market Direction with Efficient Frontier Coefficients

Deze paper presenteert een nieuwe machine learning-methode die efficiënte-frontier-coëfficiënten gebruikt om de marktrichting te voorspellen en deze voorspellingen via het Capital Asset Pricing Model en de inverse Mills-ratio integreert in een portefeuilleoptimalisatiekader dat beter presteert dan bestaande benchmarks.

Oorspronkelijke auteurs: Nolan Alexander, William Scherer

Gepubliceerd 2026-04-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nolan Alexander, William Scherer

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat beleggen een reis is door een groot, onvoorspelbaar bos. De meeste beleggers gebruiken een oude kaart (de traditionele financiële theorie) die zegt: "Als je de afgelopen 10 jaar dit pad hebt gelopen, kun je verwachten dat het morgen ook zo loopt." Het probleem is dat het bos verandert. Bomen vallen, paden verdwijnen en het weer slaat om. De oude kaart werkt niet meer goed.

De auteurs van dit paper, Nolan Alexander en William Scherer, hebben een nieuwe manier bedacht om door dit bos te navigeren. Ze combineren slimme wiskunde met een moderne "weersvoorspelling" om te zien of de markt morgen stijgt of daalt.

Hier is hoe hun methode werkt, vertaald naar alledaagse taal:

1. De Nieuwe Kompasnaald: De "Efficient Frontier" Coëfficiënten

In de financiële wereld bestaat er een beroemd concept genaamd de "Efficient Frontier". Stel je dit voor als een bergtop. Op die bergtop staan alle mogelijke portefeuilles die de beste balans bieden tussen risico en rendement.

Het oude probleem: Om die bergtop te vinden, kijken beleggers naar de historische prijzen van aandelen. Maar dat is alsof je probeert het weer van morgen te voorspellen door alleen naar de temperatuur van gisteren te kijken.
De nieuwe oplossing: De auteurs hebben de bergtop (de Efficient Frontier) opgebroken in drie simpele getallen (coëfficiënten). Je kunt dit zien als de vorm, de helling en de breedte van de berg.
- Getal 1: Hoe hoog is de berg? (Verwacht rendement)
- Getal 2: Hoe steil en gevaarlijk is de klim? (Risico)
- Getal 3: Hoe breed is de top? (Hoe goed werken de verschillende aandelen samen?)

In plaats van naar duizenden individuele aandelen te kijken, kijken ze alleen naar deze drie vormen van de berg. Deze drie getallen vertellen hen alles wat ze nodig hebben over de "stemming" van de markt.

2. De Slimme Gids: De Beslissingsboom (CART)

Nu ze deze drie getallen hebben, gebruiken ze een computerprogramma dat een Beslissingsboom (een Decision Tree) heet.

De Analogie: Stel je voor dat je een gids hebt die een boom van vragen tekent.
- Vraag 1: "Is de berg vandaag breder dan gisteren?" -> Ja -> Ga naar links.
- Vraag 2: "Is de helling steiler?" -> Nee -> Ga naar rechts.
- Antwoord: "De markt gaat morgen waarschijnlijk omhoog."
Waarom dit slim is: Veel moderne AI-modellen zijn als een zwarte doos; je weet niet waarom ze een beslissing nemen. Deze boom is transparant. Je kunt de takken volgen en zien: "Ah, de gids denkt dat de markt stijgt omdat de risico's laag zijn en de diversiteit hoog."

3. De Vertaling: Van "Omhoog" naar "Welke Aandelen?"

Stel, de boom zegt: "Morgen gaat de markt omhoog." Wat moet je nu doen? Moet je alles in technologie steken? Of in energie?
Hier gebruiken ze een slimme wiskundige truc (de Inverse Mills Ratio en het CAPM-model).

De Analogie: Stel dat de markt een grote boot is. Als de boot omhoog gaat, gaan alle passagiers (aandelen) ook omhoog, maar niet allemaal even hard. Sommige passagiers staan op de bovenste dekken (ze bewegen veel mee), anderen zitten in de kelder (ze bewegen minder).
De auteurs gebruiken de voorspelling van de boom om te berekenen: "Als de boot omhoog gaat, hoeveel gaat deze specifieke passagier dan stijgen?" Hiermee krijgen ze een geschat rendement voor elk individueel aandeel.

4. De Reis: Het Optimaliseren van je Portefeuille

Met deze nieuwe schattingen (in plaats van de oude, statische schattingen) bouwen ze een nieuwe portefeuille. Ze proberen de perfecte balans te vinden tussen risico en rendement, net als bij het vinden van de top van de berg, maar dan met de nieuwe voorspelling.

Wat was het resultaat?

Ze hebben dit getest met 15 jaar aan data (van 2008 tot 2022), een periode die bekend staat om grote schokken (zoals de financiële crisis en de pandemie).

De Vergelijking: Ze vergeleken hun methode met:
1. De standaard "beste" portefeuille (die alleen naar het verleden kijkt).
2. Een portefeuille waar je alles evenveel in stopt (een simpele methode).
3. De S&P 500 (de hele Amerikaanse markt).
De Uitslag: Hun methode deed het beter. Ze hadden een hogere winst per eenheid risico (de zogenaamde "Sharpe Ratio"). Ze maakten meer geld en leden minder grote verliezen dan de anderen.

Samenvatting in één zin

In plaats van blindelings te vertrouwen op wat er gisteren is gebeurd, gebruiken deze auteurs de vorm van de markt (de bergtop) om een slimme gids te trainen die voorspelt of de markt morgen stijgt of daalt, en gebruiken die voorspelling om je geld slim te verdelen.

Het is alsof je niet meer kijkt naar de regen van gisteren om te weten of je een paraplu moet meenemen, maar naar de luchtdruk, de windrichting en de wolkenvorming om de weersvoorspelling van morgen te maken.

Probleemstelling

Het artikel adresseert een fundamentele beperking van de Moderne Portfoliotheorie (MPT) en de Mean-Variance Optimization: de aanname dat markten stationair zijn. In de praktijk veranderen de verwachte rendementen en covarianties van activa voortdurend, wat leidt tot aanzienlijke schattingsfouten in de return-vector. Traditionele methoden zoals het Black-Litterman-model proberen dit op te lossen, maar vereisen complexe input (zoals investeerdersvisies en onzekerheidsmaten) die moeilijk te kwantificeren en te interpreteren zijn.

Daarnaast richten veel bestaande machine learning-toepassingen voor marktvoorspelling zich op technische indicatoren of fundamentele data, vaak met complexe, oninterpreteerbare modellen (zoals neurale netwerken of Random Forests). De auteurs stellen dat er behoefte is aan een methode die:

De stationariteitsaanname verlicht door betere schattingen van de return-vector te leveren.
Interpreteerbaar is.
Gebaseerd is op fundamentele portfoliotheorie in plaats van puur technische patronen.

Methodologie

De auteurs presenteren een hybride framework dat machine learning combineert met klassieke portfoliotheorie. Het proces verloopt als volgt:

1. Kenmerkengineering: Efficiënte Frontiere Coëfficiënten
In plaats van technische indicatoren, gebruiken de auteurs drie afgeleide coëfficiënten van de efficiënte frontiere als features voor het machine learning-model. Deze coëfficiënten zijn afgeleid van de gesloten vorm van de efficiënte frontiere (volgens Merton, 1972) en zijn:

$r_{mvp}$ : Het rendement van het Minimum Variance Portfolio (MVP).
$\sigma_{mvp}$ : De standaardafwijking van het MVP.
$u$ : Een krommingscoëfficiënt die de "nut" van diversificatie in de huidige markt weergeeft. Deze is gerelateerd aan de Mahalanobis-afstand van de return-vector en de spreiding (cosine-similariteit) tussen activa.
Deze drie waarden vangen de informatie van alle samenstellende activa van de markt in een bepaalde periode samen.

2. Machine Learning: Online CART
De auteurs trainen een Classification and Regression Tree (CART) om de richting van de markt (S&P 500) voor de volgende maand te voorspellen (op of neer).

Data: Maandelijkse data van 1999 tot 2022, bestaande uit 9 S&P sector ETF's.
Training: Een "online" benadering waarbij het model maandelijks wordt getraind op de lopende in-sample data en vervolgens wordt getest op de volgende maand.
Validatie: Gebruik van een time-series split (5-voudig) om look-ahead bias te voorkomen.
Regularisatie: Om overfitting te voorkomen, wordt de maximale diepte van de boom beperkt tot 1 of 2, en worden steekproefgewichten toegepast op basis van de absolute waarde van het rendement.
Vergelijking: Het model wordt vergeleken met baselines gebaseerd op technische indicatoren en de Fama-French 3-factoren.

3. Integratie in Portfolio Optimalisatie
De voorspelling van de marktrichting wordt vertaald naar een portfolio-strategie via een conditional expectation framework:

CAPM: De marktdirectie wordt vertaald naar individuele activa-voorspellingen via het Capital Asset Pricing Model.
Inverse Mills Ratio: Omdat de voorspelling binair is (markt gaat omhoog of omlaag), wordt de verwachte marktrendement berekend als een voorwaardelijke verwachting ( $E[r_m | r_m > 0]$ of $E[r_m | r_m < 0]$ ) met behulp van de inverse Mills ratio voor een getruncateerde normale verdeling.
Return Vector Schatting: De geschatte return-vector voor de portfolio-optimalisatie wordt berekend als een gewogen som van de voorwaardelijke verwachting (gebaseerd op de voorspelling) en de onvoorwaardelijke verwachting, waarbij de gewichten worden bepaald door de $R^2$ van de CAPM-regressie.
Optimalisatie: Met deze verbeterde return-vector wordt de Tangency Portfolio (het portfolio met het hoogste Sharpe-ratio) berekend via Mean-Variance Optimization.

4. Realistische Randvoorwaarden
Om de resultaten robuust te maken, worden beperkingen opgelegd:

Maximaal 1,5x hefboomwerking (gross market exposure).
Transactiekosten van 1% per dag (om commissies en spreads te dekken).

Belangrijkste Bijdragen

Nieuwe Feature Set: De introductie van de efficiënte frontiere coëfficiënten ( $r_{mvp}, \sigma_{mvp}, u$ ) als interpreteerbare features voor machine learning, gebaseerd op portfoliotheorie in plaats van technische analyse.
Integratie Framework: Een methode om binaire marktdirectionele voorspellingen naadloos te integreren in een portfolio-optimalisatieframework door gebruik te maken van voorwaardelijke verwachtingen (Inverse Mills Ratio) en CAPM.
Interpreteerbaarheid: Het gebruik van een eenvoudige CART-boom maakt het mogelijk om waarom een voorspelling wordt gedaan te verklaren, in tegenstelling tot "black-box" modellen.
Empirische Validatie: Het aantonen dat deze specifieke feature-set en methode superieur presteren ten opzichte van traditionele benchmarks.

Resultaten

De auteurs hebben het model getest op een out-of-sample periode van 2008 tot 2022 (15 jaar) met maandelijkse rebalancering.

Voorspellingskwaliteit: De CART met efficiënte frontiere coëfficiënten behaalde een hogere nauwkeurigheid, precisie, recall en F1-score dan modellen getraind op technische indicatoren of Fama-French factoren. Opmerkelijk was de Negative Predictive Value (NPV) van 65%, wat aangeeft dat het model de markt-dalingen beter voorspelde dan de baselines (die onder de 50% lagen).
Portfolio Performance: Het voorgestelde model overtrof drie benchmarks:
1. De standaard Tangency Portfolio (zonder voorspelling).
2. Een gelijk gewogen portfolio.
3. De S&P 500 index.
Risico-angepast rendement: Het model leverde een hoger Sharpe-ratio en een statistisch significant alpha op ten opzichte van alle benchmarks, met een betere verhouding tussen jaarlijks rendement en maximale drawdown.

Betekenis en Conclusie

Het artikel concludeert dat de richting van de markt een boom-achtige structuur volgt die gedefinieerd kan worden door de efficiënte frontiere coëfficiënten. De voorgestelde methode biedt een robuustere alternatief voor de standaard Mean-Variance optimalisatie door de onzekerheid in de return-vector te reduceren via machine learning-gebaseerde marktdirectionele voorspellingen.

De aanpak is zowel theoretisch waardevol (het koppelen van MPT en ML op een interpreteerbare manier) als praktisch toepasbaar, aangezien het geen complexe input van investeerders vereist zoals het Black-Litterman-model. De auteurs suggereren dat toekomstig onderzoek zich moet richten op het testen van andere activa-sets en het combineren van deze features met geavanceerdere classificatiemodellen.