Reasoning on Time-Series for Financial Technical Analysis

Dit paper introduceert Verbal Technical Analysis (VTA), een nieuw raamwerk dat tekstuele annotaties en latente redenering combineert om zowel nauwkeurige als interpreteerbare aandelenprognoses te genereren door tijdreeksdata om te zetten in natuurlijke taal.

De kern

Stel je voor dat je een zeer slimme, maar soms wat verwarde consultant hebt. Deze consultant is een Grote Taalmodel (LLM). Hij kan prachtige rapporten schrijven, nieuwsartikelen samenvatten en zelfs sentimentele analyses doen van sociale media. Hij is een meester in woorden.

Maar er is een probleem: als je hem vraagt om naar een grafiek met aandelenkoersen te kijken en daar een voorspelling over te doen, kijkt hij je verward aan. Hij is gewend om te lezen, niet om naar getallen en lijnen te kijken. Hij weet niet hoe hij die "technische analyse" moet vertalen naar een slimme conclusie.

Dit artikel introduceert VTA (Verbal Technical Analysis), een nieuwe manier om deze consultant te trainen zodat hij écht goed wordt in het voorspellen van de beurs, én dat kan uitleggen in menselijke taal.

Hier is hoe het werkt, vertaald naar alledaagse termen:

1. Het Probleem: De Taal- en Getal-Wereld

Normaal gesproken zijn er twee soorten experts:

• De Taalkundige: Kan een mooi verhaal vertellen over waarom een bedrijf goed doet, maar kan geen complexe grafieken lezen.
• De Wiskundige: Kan een perfect voorspellingsmodel bouwen dat de koers van morgen berekent, maar kan niet uitleggen waarom hij die voorspelling doet. Het is een "zwarte doos".

VTA probeert deze twee te verenigen. Het wil een model dat precies voorspelt (zoals de wiskundige) én duidelijk uitlegt waarom (zoals de taalkundige).

2. De Oplossing: De "Vertaler" en de "Coach"

VTA werkt in drie stappen, alsof je een team samenstelt voor een grote wedstrijd:

Stap 1: De Vertaler (Van Grafiek naar Verhaal)
Stel je voor dat je de consultant een grafiek geeft. Hij kan die niet direct lezen. Dus eerst zetten we de grafiek om in een "vertaling": een lijstje met simpele feiten.

• Voorbeeld: In plaats van een lijn, zeggen we: "De prijs is gisteren gedaald, de gemiddelde prijs van de laatste 10 dagen is laag, en de 'momentum' (snelheid) is negatief."
  Dit noemen ze Tekstuele Annotaties. De consultant leest dit als een gewoon verhaal.

Stap 2: De Coach (De "Time-GRPO" methode)
Nu moet de consultant leren hoe hij dit verhaal gebruikt om een slimme voorspelling te doen.

• Eerst laat je hem gissen.
• Dan bekijkt een strenge "coach" (een computerprogramma) of zijn voorspelling klopt met de werkelijkheid.
• Als hij het goed doet, krijgt hij een beloning. Als hij het fout doet, krijgt hij een straf.
• Dit heet Reinforcement Learning (versterkend leren). De coach traint de consultant om niet alleen een mooi verhaal te vertellen, maar een verhaal dat leidt tot een juiste voorspelling. De beloning is gebaseerd op hoe klein de fout is (MSE).

Stap 3: De Twee-in-Één Machine (Gecombineerd Leren)
Uiteindelijk hebben we een systeem dat twee dingen tegelijk doet:

1. Het denkt na in woorden (het verhaal over de aandelen).
2. Het berekent de exacte koers op basis van dat verhaal.

Het is alsof je een voorspelling doet door te zeggen: "Omdat de wind uit het westen waait (reden), ga ik voorspellen dat het morgen regent (voorspelling)." Bij VTA is de reden gebaseerd op technische indicatoren (zoals RSI of Bollinger Bands, termen die beleggers kennen) en de voorspelling is de exacte prijs.

3. Waarom is dit zo speciaal?

In het verleden waren modellen die goed waren in voorspellen, vaak onbegrijpelijk. Je wist niet of ze geluk hadden of echt iets zagen. Modellen die goed waren in uitleggen, waren vaak slecht in voorspellen.

VTA is de eerste die beide doet.

• De "Wiskundige" kant: Het model is getest op aandelen uit de VS, China en Europa. Het doet het beter dan bijna alle andere bestaande modellen (State-of-the-Art).
• De "Taal" kant: Beleggingsexperts (mensen van grote banken zoals JPMorgan en UBS) hebben de uitleggen van VTA beoordeeld. Ze vonden dat VTA veel dieper en relevanter redeneerde dan de standaard AI-modellen. Ze konden echt zien waarom het model een bepaalde koers voorspelde.

4. Het Resultaat: Een Slimmer Portefeuille

Het artikel toont ook aan dat als je met deze voorspellingen een beleggingsportefeuille bouwt (een verzameling aandelen), je meer winst maakt en minder risico loopt dan met andere methodes. Het is alsof je een navigator hebt die niet alleen de route tekent, maar ook precies kan vertellen waarom hij die route kiest, zodat je er vertrouwen in hebt.

Samenvattend in één zin:

VTA is als het geven van een bril aan een kunstenaar: plotseling kan hij niet alleen prachtige schilderijen maken (de voorspelling), maar ook precies uitleggen welke penseelstreken hij heeft gebruikt en waarom ze werken (de redenering), waardoor hij de beste schilder van de klas wordt.

Technische samenvatting

` tags voor het redeneerproces.
2. Nauwkeurigheid: Een omgekeerde Mean Squared Error (MSE) beloning. Hoe lager de voorspellingsfout, hoe hoger de beloning.
* Trainingspiplijn:
1. Cold-start: Genereren van initiële trainingsdata.
2. Rejection Sampling & SFT: Alleen redeneersporen behouden die leiden tot de beste voorspellingen (laagste MSE), gevolgd door Supervised Fine-Tuning (SFT).
3. RL-finetuning: Verdere optimalisatie van het beleid om de voorspellingsnauwkeurigheid te maximaliseren.

B. Tijdreeks-voorspelling (Time-Series Forecasting)

• Een backbonemodel (gebaseerd op GPT-2) wordt getraind om tijdreeksdata te voorspellen.
• Cross-modal uitlijning: De tijdreeks-tokens worden uitgelijnd met tekstuele embeddings via een Multi-head Cross-Attention mechanisme.
• Feature Regularization: Er wordt een verliesfunctie gebruikt om ervoor te zorgen dat de representaties in de tekst- en tijdreeks-takken consistent blijven op elke laag van het transformer-netwerk.

C. Gezamenlijke Conditionele Training (Joint Conditional Training)

• Om de interpretatie te behouden zonder de nauwkeurigheid te verliezen, wordt de voorspelling van het tijdreeksmodel geconditioneerd op de attributen die uit de tekstuele redenering zijn gehaald (bijv. "trend is stijgend", "RSI is overkocht").
• Het model wordt getraind om zowel conditionele (met redenering) als onvoorwaardelijke (zonder redenering) voorspellingen te genereren. Tijdens inferentie wordt een combinatie gebruikt, waarbij een hyperparameter ($s$) de mate van "gidsing" door de redenering bepaalt.

3. Belangrijkste Bijdragen

1. VTA Framework: Een nieuw raamwerk dat de sterke patroonverwerkingscapaciteit van tijdreeksmodellen combineert met de redeneercapaciteit van LLMs voor interpreteerbare voorspellingen.
2. Time-GRPO: Een nieuwe trainingsmethode die tijdreeksdata omzet in tekst en de redeneersporen optimaliseert via een omgekeerde MSE-beloning, waardoor de LLM effectief leert redeneren over financiële data.
3. Interpreteerbare Output: Het systeem produceert niet alleen een prijsvoorspelling, maar ook een gedetailleerde tekstuele uitleg gebaseerd op technische indicatoren, wat uniek is vergeleken met bestaande "black-box" modellen.

4. Resultaten

De auteurs hebben VTA getest op datasets van de VS, China en Europa (o.a. StockNet, Dow Jones, FTSE China A50, EURO STOXX 50).

• Voorspellingsnauwkeurigheid: VTA bereikte State-of-the-Art (SOTA) resultaten in zowel Mean Squared Error (MSE) als Mean Absolute Error (MAE), presterend beter dan traditionele tijdreeksmodellen (zoals Transformer, Informer, Autoformer) en bestaande tijdreeks-LLMs (zoals TimeLLM, CALF).
• Kwaliteit van Redenering: Een evaluatie door 25 financiële experts (van o.a. JPMorgan, UBS, Allianz) toonde aan dat VTA significant beter scoorde op diepgang, nauwkeurigheid en relevantie dan generieke LLMs (zoals GPT-4.1 mini en DeepSeek-R1). De redeneersporen waren beter onderbouwd met specifieke technische indicatoren.
• Investeringssuccess: Portefeuilles die werden samengesteld op basis van VTA-voorspellingen (via Markowitz-optimalisatie) behaalden de hoogste Sharpe Ratio van alle geteste modellen, wat aangeeft dat de voorspellingen leiden tot een betere risicogecorrigeerde rendement.
• Ablatiestudies: De studie bevestigde dat elke stap in de trainingspiplijn (van cold-start tot conditionele training) essentieel is voor de uiteindelijke prestaties.

5. Betekenis en Toekomstperspectief

Dit werk is significant omdat het een brug slaat tussen twee vaak gescheiden domeinen: de kwantitatieve nauwkeurigheid van tijdreeksvoorspelling en de kwalitatieve interpretatie van natuurlijke taal.

• Praktische toepasbaarheid: Voor financiële analisten biedt het niet alleen een voorspelling, maar ook een "waarom" (bijv. "de koers zal dalen vanwege een overkocht RSI en een bearish MACD kruising").
• Generalisatie: Hoewel het model specifiek is ontworpen voor financiële data (waar intrinsieke signalen zoals technische analyse bestaan), toont het aan dat het ook redeneersporen kan genereren voor andere domeinen (zoals gezondheidszorg en energie), zij het met minder toegevoegde waarde wanneer er geen complexe signalen in de data zitten.

Kortom, VTA demonstreert dat het combineren van "latente" (statistische) en "verbale" (logische) redenering leidt tot superieure en transparante financiële voorspellingen.