💻 computer science

FinMamba: Market-Aware Graph Enhanced Multi-Level Mamba for Stock Movement Prediction

FinMamba is een nieuw Mamba-GNN-framework dat de uitdagingen van de lage signaal-ruisverhouding en de dynamische complexiteit van financiële gegevens aanpakt door een marktadaptieve dynamische graaf en een meervoudig selectiemechanisme te gebruiken om met hoge efficiëntie en laag geheugengebruik de staat van de kunst te bereiken bij het voorspellen van aandelenbewegingen.

Oorspronkelijke auteurs: Yifan Hu, Peiyuan Liu, Yuante Li, Dawei Cheng, Naiqi Li, Tao Dai, Jigang Bao, Shu-Tao Xia

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yifan Hu, Peiyuan Liu, Yuante Li, Dawei Cheng, Naiqi Li, Tao Dai, Jigang Bao, Shu-Tao Xia

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 je probeert te voorspellen welke aandelen morgen in waarde zullen stijgen of dalen. Het is als het proberen te voorspellen van het weer, maar in plaats van wolken en wind, heb je te maken met menselijke emoties, nieuwsberichten en complexe financiële gegevens.

Het artikel introduceert een nieuwe AI-tool genaamd FinMamba, ontworpen om deze voorspellingen beter te maken. Hier is hoe het werkt, uitgelegd via eenvoudige analogieën:

De twee grote problemen die FinMamba oplost

De auteurs zeggen dat huidige tools falen om twee belangrijke redenen:

Aandelen bewegen niet in een rechte lijn; ze dansen samen.
- Het probleem: In de aandelenmarkt bewegen bedrijven vaak synchroon. Wanneer de hele markt instort, hebben zelfs bedrijven in verschillende sectoren de neiging om samen te dalen. Wanneer de markt bloeit, kunnen ze allemaal tegelijk stijgen. Oude computermodellen behandelen deze relaties echter als statisch (zoals een vaste kaart) of raken in de war door "ruis" (willekeurige, eenmalige gebeurtenissen). Ze beseffen niet dat de "danspartners" veranderen afhankelijk van of de markt blij of bang is.
- De analogie: Stel je een schoolfeest voor. Wanneer de muziek traag en droevig is, kruipt iedereen samen in kleine, hechte groepjes. Wanneer de muziek snel en opwindend is, verspreiden mensen zich en dansen ze met andere partners. Oude modellen hebben slechts een foto van de dansvloer van een specifiek moment. FinMamba heeft echter een live videofeed die de muziek (de markindex) in de gaten houdt en direct bijhoudt wie met wie danst.
Het juiste patroon vinden in een zee van ruis.
- Het probleem: Aandelenkoersen zijn rommelig. Ze bevatten veel "statische ruis" (noise) en heel weinig duidelijke signalen. Om de toekomst te voorspellen, moet je vergelijkbare patronen uit het verleden vinden (bijv. "Dit aandeel zag er 3 jaar geleden zo uit, en toen ging het omhoog"). Oude AI-modellen (zoals Transformers) kijken naar alles tegelijk, waardoor ze worden afgeleid door vreemde, eenmalige uitschieters in de data. Ze worden ook erg traag en geheugenintensief wanneer ze naar lange geschiedenissen kijken.
- De analogie: Stel je voor dat je een specift liedje probeert te vinden in een enorme bibliotheek met opnames. Een oude AI is als een bibliothecaris die elk woord van elk boek leest om het liedje te vinden, waarbij hij overweldigd raakt door de ruis. FinMamba is als een slimme bibliothecaris die precies weet in welk rek hij moet kijken, de achtergrondruis negeert en zonder moe te worden door duizenden jaren aan geschiedenis kan bladeren.

Hoe FinMamba werkt: De twee stappen van de magie

FinMamba combineert twee slimme componenten om deze problemen op te lossen:

1. De "Markt-bewuste Graaf" (De dynamische dansvloer)

Dit onderdeel bouwt een kaart van hoe aandelen met elkaar verbonden zijn.

Statische kennis: Het weet dat een automerk en een bandenfabrikant aan elkaar gerelateerd zijn (zoals weten dat ze tot dezelfde familie behoren).
Dynamische kennis: Het houdt de dagelijkse aandelenkoersen in de gaten om te zien wie er vandaag daadwerkelijk samen beweegt.
De Marktfilter: Dit is het geheime ingrediënt. Het model kijkt naar de algemene markindex (zoals de S&P 500).
- Wanneer de markt crasht: Het model realiseert zich dat iedereen in paniek is en de handen stevig vasthoudt. Het houdt meer verbindingen op de kaart omdat alles gecorreleerd is.
- Wanneer de markt bloeit: Het model realiseert zich dat mensen zich verspreiden. Het "snoeit" (verwijderd) de zwakke verbindingen weg en houdt alleen de sterkste relaties over.
- Resultaat: Het creëert een constant bijwerkende kaart die de huidige stemming van de markt weerspiegelt, en niet alleen een statische lijst van industrieën.

2. De "Multi-Level Mamba" (De patroondetective)

Zodra de kaart klaar is, moet het model de geschiedenis van de aandelen lezen.

De Mamba-engine: Dit is een nieuw type AI-architectuur. In tegen tegenstelling tot oudere modellen die in de war raken door uitschieters (vreemde pieken), gebruikt Mamba een "selectief mechanisme". Het werkt als een slim filter dat de belangrijke patronen onthoudt en de irrelevante ruis vergeet.
Multi-level: Aandelen bewegen op verschillende tijdschalen.
- Micro-niveau: De schokken van minuut tot minuut veroorzaakt door nieuws of geruchten.
- Macro-niveau: De trends van maand tot maand veroorzaakt door economische groei of rentestanden.
- FinMamba bekijkt de data tegelijkertijd door verschillende "lenzen" (niveaus). Het kijkt niet alleen naar de dagelijkse grafiek; het begrijpt hoe de dagelijkse grafiek past binnen de maandelijkse en jaarlijkse trends.

De resultaten

De auteurs hebben FinMamba getest op echte aandelenmarkten in de VS (zoals NASDAQ) en China (zoals CSI 300).

Nauwkeurigheid: Het voorspelde aandelenbewegingen beter dan bijna alle andere methoden die ze hebben getest, inclusief oudere AI-modellen en traditionele beleggingsstrategieën.
Winst: Wanneer ze een handelsstrategie simuleerden met behulp van FinMamba, maakte het meer geld en had het minder "crashes" (drawdowns) dan de anderen.
Snelheid: Vanwege de Mamba-architectuur is het zeer snel en heeft het geen supercomputer nodig om te draaien, zelfs niet wanneer het naar lange geschiedenissen van data kijkt.

In een notendop

FinMamba is een hulpmiddel voor het voorspellen van aandelen dat twee dingen beter begrijpt dan wie dan ook:

Context: Het weet dat de regels van het spel veranderen wanneer de markt eng of enthousiast wordt, dus werkt het zijn kaart van de relaties tussen aandelen in realtime bij.
Focus: Het negeert de ruis en onthoudt de juiste historische patronen over verschillende tijdschalen, waardoor het slimmere, snellere en winstgevendere voorspellingen kan doen.

Technische Samenvatting: FinMamba

Probleemdefinitie

Het voorspellen van aandelenbewegingen is een cruciale maar uitdagende taak in kwantitatieve handel vanwege de hoge volatiliteit van financiële gegevens, lage signaal-ruisverhoudingen en de complexe, veelzijdige aard van marktomstandigheden. Bestaande deep learning-benaderingen kampen met twee primaire beperkingen:

Statische of bevoordeelde relaties tussen aandelen: Huidige modellen vertrouwen vaak op statische voorkennis (bijv. industriële sectoren) of puur op data gebaseerde posterieure correlaties (bijv. Pearson-coëfficiënten) zonder rekening te houden met dynamische marktomstandigheden. Specifiek falen ze in het vastleggen van hoe correlaties tussen aandelen intensiveren tijdens marktdalingen (systemisch risico) en verzwakken tijdens marktopgangen, een fenomeen dat wordt gedreven door macro-economische factoren.
Inefficiëntie en patroonherkenning: Traditionele sequentiemodellen zoals Transformers worstelen met lange historische gegevens vanwege de kwadratische computationele complexiteit en leggen vaak te veel nadruk op uitschieters in plaats van terugkerende patronen. Daartegenover staat dat ze niet in staat zijn om efficiënt afhankelijkheden over meerdere tijdschalen te modelleren (van micro-niveau minutenfluctuaties tot macro-niveau economische trends) terwijl ze de lage latentie behouden die vereist is voor realtime handel.

Methodologie

De auteurs stellen FinMamba voor, een framework dat een Market-Aware Graph (MAG) en een Multi-Level Mamba (MLM) architectuur integreert om deze beperkingen aan te pakken.

1. Market-Aware Graph (MAG)

De MAG-module modelleert dynamisch de relaties tussen aandelen door statische voorkennis te fuseren met dynamische posterieure correlaties, verfijnd door marktindex-feedback.

Generatie van de Dynamische Aandelen-correlatiegrafiek: Het model construeert een adjacency matrix $A_t$ $A_{t}$ door een combinatie van:
- Posterieure Correlaties ( $Q$ ): Dagelijks berekend met de Spearman-coëfficiënt over een lookback-venster $L$ om korte-termijn sequentiegelijkenissen te vangen.
- Prior Relaties ( $D$ ): Een "Industry Decay Matrix" die langetermijnstructurele relaties codeert op basis van primaire en secundaire industrieclassificaties, waarbij hogere gewichten worden toegekend aan aandelen binnen dezelfde sector.
- De uiteindelijke adjacency matrix wordt berekend als $A_t = Q_t \cdot D$ .
Market-Aware Graph Sparsification: Om zich aan te passen aan marktvolatiliteit, gebruikt het model een pruning-mechanisme. Het berekent een sparsiteitsniveau $\kappa_t$ $κ_{t}$ op basis van de marktindex $M_t$ $M_{t}$ (gerepresenteerd door het gemiddelde van de doelgroep van aandelen). Met behulp van een Inception-blok en een Sigmoid-functie bepaalt het model hoeveel randen (edges) behouden blijven.
- Mechanisme: Wanneer de marktindex laag is (hoge volatiliteit/crisis), behoudt het model meer randen (hogere correlatie). Wanneer de index hoog is, verwijdert het model meer randen, wat de divergentie van de prestaties van aandelen weerspiegelt.
Graph Attention Aggregation: Een multi-head attention mechanisme aggregeert berichten van naburige knopen in de geprunede grafiek om verfijnde aandelen-embeddings te genereren.

2. Multi-Level Mamba (MLM)

De MLM-module verwerkt de aandelen-embeddings om temporele afhankelijkheden over verschillende granulariteiten te vangen.

Multi-Level Projectie: De input wordt via lineaire mapping geprojecteerd op $k$ verschillende niveaus. Dit stelt het model in staat om simultaan fijne lokale details (micro-niveau) en bredere globale patronen (macro-niveau) te extraheren.
Selectief State Space Mechanisme: Elk niveau wordt verwerkt door een Mamba-blok. In tegenstelling tot Transformers maakt Mamba gebruik van een selectief mechanisme dat het model in staat stelt relevante historische patronen voor de huidige input te onthouden en irrelevante informatie te verwerpen. Dit stelt het model in staat om lange sequenties te verwerken met lineaire tijdcomplexiteit en geheugengebruik.
Output: De outputs van alle niveaus worden opnieuw geprojecteerd, geconcateneerd en door een lineaire laag gestuurd om de ranking scores voor de volgende handelsdag te voorspellen.

3. Optimalisatie

Het model wordt end-to-end getraind met een gecombineerde verliesfunctie:

Rank & Prediction Loss ( $L_{RP}$ ): Een combinatie van Mean Squared Error (MSE) voor puntwijze regressie en een pairwise ranking loss om de relatieve ordening van aandelen te optimaliseren.
Graph Information Bottleneck (GIB) Loss ( $L_{GIB}$ ): Een regularisatieterm ontworpen om de wederzijdse informatie tussen de geaggregeerde grafiek-embeddings en de oorspronkelijke input te minimaliseren, wat ervoor zorgt dat het model de belangrijkste correlatie-informatie behoudt terwijl ruis wordt gefilterd.

Belangrijkste Bijdragen

Het artikel claimt de volgende bijdragen:

Market-Aware Graph Constructie: Dit is het eerste werk dat expliciet de modellering van de relaties tussen aandelen verbetert onder specifieke macro-economische marktomstandigheden. Het integreert statische priors (industrie) en dynamische posteriors (prijssequenties) en verfijnt deze met marktindex-feedback om correlaties adaptief aan te passen aan markttrends.
FinMamba Framework: De voorstel van een nieuwe architectuur die de Market-Aware Graph combineert met een Multi-Level Mamba. Dit framework modelleert effectief patroongerichte afhankelijkheden over meerdere tijdschalen (micro naar macro) terwijl de computationele efficiëntie hoog blijft.
State-of-the-Art Prestaties: Uitgebreide experimenten op Amerikaanse (S&P 500, NASDAQ 100) en Chinese (CSI 300, CSI 500) aandelenmarkten laten zien dat FinMamba superieure voorspellingsnauwkeurigheid en handelswinstgevendheid bereikt vergeleken met bestaande kwantitatieve beleggingsmethoden en algemene tijdreeksvoorspellingsmodellen, terwijl de computationele complexiteit laag blijft.

Experimentele Resultaten

De auteurs evalueerden FinMamba tegen een breed scala aan baselines, waaronder klassieke kwantitatieve strategieën (BLSW, CSM), deep reinforcement learning methoden (AlphaStock) en diverse deep learning architecturen (Transformer, Mamba, THGNN, PatchTST, etc.).

Prestatie-metrieken: Het model werd beoordeeld op basis van Annual Return Ratio (ARR), Annual Volatility (AVol), Maximum Draw Down (MDD), Annual Sharpe Ratio (ASR) en Information Ratio (IR).
Bevindingen:
- FinMamba behaalde de beste of op één na beste resultaten over alle vier de datasets op de meeste metrieken, met name in ARR, ASR en IR.
- Het presteerde beter dan algemene tijdreeksvoorspellingsmodellen (bijv. Crossformer, iTransformer) die geen grafiekgebaseerde modellering van de relaties tussen aandelen hebben.
- Het overtrof andere grafiekgebaseerde methoden (bijv. THGNN, VGNN) door effectief marktindex-feedback in de grafiekstructuur te integreren.
- Ablatie-studies: Het verwijderen van de Industry Decay Matrix, Market-Aware Sparsification of de Multi-Level Mamba structuur resulteerde in een significante prestatieverslechtering, wat de noodzaak van elk onderdeel bevestigt.
- Efficiëntie: FinMamba vertoonde een lagere inferentietijd en een lager geheugengebruik vergeleken met Transformer-gebaseerde modellen, vooral naarmate de lookback-horizon toenam, wat het voordeel van de lineaire complexiteit valideert.
- Casestudy: Analyse van de staking van de UAW in 2023 toonde aan dat FinMamba succesvol de evoluerende correlatiedynamiek tussen traditionele automakers (GM, Ford) en Tesla vastlegde, wat de verschuiving reflecteert van onderscheidende marktposities naar geïntensiveerde concurrentie.

Betekenis en Claims

Het artikel positioneert FinMamba als een belangrijke vooruitgang in kwantitatieve handel door de dubbele uitdagingen van dynamische marktadaptiviteit en computationele efficiëntie aan te pakken. De auteurs beweren dat door macro-economische marktfeedback direct in het constructieproces van de grafiek te integreren, het model marktdynamiek beter kan begrijpen, met name tijdens perioden van volatiliteit. Verder stelt het gebruik van de Multi-Level Mamba architectuur het model in staat om efficiënt multi-schaal temporele patronen te extraheren zonder de computationele last van attention-mechanismen, wat de aanpak geschikt maakt voor realtime algoritmische handel. Het werk suggereert dat het combineren van grafiekgebaseerde structurele priors met de selectieve state space modellering van Mamba een robuust paradigma biedt voor financiële tijdreeksvoorspelling.