Explainable Regime Aware Investing

Each language version is independently generated for its own context, not a direct translation.

Hoe je je geld slim beheert door de "weersvoorspelling" van de markt te lezen

Stel je voor dat je een schipper bent die een groot schip met waardevolle lading (je geld) over de oceaan vaart. De oceaan is de beurs, en de golven zijn de prijsschommelingen.

De meeste mensen doen er twee dingen mee:

De "Altijd Volle Zeil"-strategie: Ze varen altijd met volle zeilen, ongeacht of het een zonnige dag is of een orkaan. Dit kan geweldig zijn als het mooi weer is, maar als er een storm opkomt, kun je zinken.
De "Gokker": Ze kijken naar de golven van gisteren en hopen dat het morgen hetzelfde is. Maar de oceaan verandert constant.

Dit wetenschappelijke artikel, geschreven door Amine Boukardagha van Columbia University, introduceert een nieuwe, super-slimme schipper. Deze schipper heeft een speciale radar die niet alleen de golven ziet, maar ook de soort weer voorspelt dat eraan komt.

Hier is hoe het werkt, vertaald naar alledaags taal:

1. De Markt heeft "Stemmingen" (Regimes)

De beurs is niet elke dag hetzelfde. Soms is het een feest: alles gaat omhoog, iedereen is optimistisch, en aandelen schieten omhoog. Soms is het een storm: angst, paniek, en alles daalt. Soms is het een mistige dag: alles beweegt langzaam en onzeker.

In de financiële wereld noemen we deze toestanden "regimes". Het probleem is dat deze toestanden vaak veranderen zonder dat je het merkt, en als je niet weet dat de storm eraan komt, raak je je geld kwijt.

2. Het Probleem met de oude methoden

Vroeger probeerden computers deze toestanden te voorspellen met twee manieren die vaak faalden:

De "Vaste Regel" methode: Ze dachten: "Er zijn altijd precies 3 soorten weer." Maar soms is er ineens een 4e soort (bijvoorbeeld een heel specifieke crisis). De computer raakt dan in de war.
De "Naaste Vriend" methode (KNN): De computer kijkt naar de afgelopen dagen en zegt: "Vandaag lijkt het op die dag in 2015, dus doen we hetzelfde." Het probleem? Als de markt een beetje verandert, kan de computer ineens denken: "Oh, vandaag lijkt het op die dag in 2008!" en dan schakelt hij paniekverkeerd over. Dit zorgt voor veel onnodig hin- en herschakelen (veel kosten) en onstabiele beslissingen.

3. De Oplossing: De "Wasserstein HMM" (De Slimme Radar)

De auteur bedacht een nieuw systeem dat we de Wasserstein HMM noemen. Laten we het vergelijken met een weerman met een magisch kompas.

Dit systeem heeft drie superkrachten:

Kracht 1: Het telt niet vast.
In plaats van te zeggen "er zijn altijd 3 regeringen", laat dit systeem het aantal regeringen groeien of krimpen afhankelijk van hoe complex de markt is. Is de markt simpel? Dan zijn er 2 regeringen. Is het een chaotische crisis? Dan schakelt het automatisch naar 5 regeringen. Het past zich aan, net als een goede kapitein die zijn zeilen aanpast aan de wind.
Kracht 2: Het onthoudt wie wie is (De "Identiteitskaart").
Dit is het belangrijkste. Als de computer een nieuwe "storm" ziet, moet hij niet denken: "Oh, dit is een nieuwe, vreemde storm." Hij moet denken: "Ah, dit is weer die oude storm uit 2008, we weten hoe we daarop moeten reageren."
De oude methoden verwarren vaak de namen van de stormen (is dit nu "Storm A" of "Storm B"?). De nieuwe methode gebruikt een wiskundig kompas (de Wasserstein-afstand) om te zorgen dat "Storm A" altijd "Storm A" blijft, zelfs als hij een beetje verandert. Hierdoor raakt de computer niet in de war en maakt hij geen paniekbeslissingen.
Kracht 3: Het is voorzichtig met kosten.
Elke keer dat je je portefeuille aanpast, kost dat geld (transactiekosten). Omdat dit systeem stabiel is en niet elke dag in paniek schakelt, hoeft het niet constant te verkopen en kopen. Het wacht tot het echt nodig is.

4. Wat gebeurde er in de praktijk? (De "Liberation Day" Test)

De auteurs testten hun systeem op een periode in 2025 die ze de "Liberation Day" noemden. Dit was een moment waarop de aandelenmarkt plotseling instortte (een grote crash).

De "Altijd Volle Zeil" (SPX) strategie: Kreeg een enorme klap. De waarde daalde met bijna 15%.
De "Naaste Vriend" strategie: Probeerde te reageren, maar werd door de chaos van de computer zo vaak omgegooid dat het ook veel verloor.
De "Slimme Radar" (Wasserstein) strategie:
Zodra de radar een verandering in het weer signaleerde (van "feest" naar "storm"), schakelde het systeem rustig en snel over. Het verkocht aandelen en kocht veilige havens (zoals goud, obligaties en dollars).
Het resultaat: De waarde daalde maar met 5,4%. Dat is een enorm verschil! Ze vermijden de diepste dalen terwijl ze toch profiteren van de stijgende momenten.

5. Waarom is dit zo belangrijk?

De boodschap van dit artikel is simpel: Het gaat er niet om of je de markt kunt voorspellen, maar hoe stabiel je die voorspelling houdt.

Als je computer elke dag in paniek raakt en denkt dat de wereld anders is dan gisteren, ga je veel geld verliezen aan kosten en slechte beslissingen. Door een systeem te bouwen dat de "identiteit" van de marktomstandigheden stabiel houdt, kun je rustig en slim reageren.

Samengevat in één zin:
Dit artikel laat zien dat je je geld beter kunt beschermen door een systeem te gebruiken dat de "stemming" van de markt herkent, onthoudt wat die stemming is, en rustig schakelt naar veilige havens zodra de storm begint, in plaats van blindelings door te varen of in paniek te raken.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "Explainable Regime-Aware Investing" van Amine Boukardagha, geschreven in het Nederlands.

Titel: Verklaarbaar Regime-bewust Investeren

Auteur: Amine Boukardagha (Columbia University)

1. Het Probleem

Het dagelijkse opstellen van portefeuilles staat voor een fundamenteel conflict tussen twee doelen:

Snelle adaptatie: De portefeuille moet snel inspelen op veranderende marktstructuren (niet-stationariteit).
Robuustheid: De portefeuille moet bestand zijn tegen schattingsruis en transactiekosten.

Bij hoge frequentie (dagelijkse data) zijn schattingen van conditionele gemiddelden en covarianties instabiel. Kleine verstoringen in de input kunnen leiden tot grote schommelingen in de geoptimaliseerde gewichten. Wanneer dit wordt gecombineerd met regime-modellen (latent states), verergeren twee operationele uitdagingen de instabiliteit:

Modelorde: Het juiste aantal regimes kan in de loop van de tijd veranderen, maar statische keuzes (zoals BIC) zijn vaak te fragiel.
Label-switching: Bij herhaalde her-estimatie van Hidden Markov Models (HMM) kunnen de latent labels permuteren (verwisselen). Dit destabiliseert de downstream optimalisatie en maakt de economische interpretatie onmogelijk.

Bestaande methoden, zoals niet-parametrische K-Nearest Neighbors (KNN), lijden onder discontinuïteit: kleine veranderingen in de feature-ruimte veranderen de "buurmen" drastisch, wat leidt tot extreme omzet (turnover) en fragiel gedrag.

2. Methodologie: Het Wasserstein HMM Framework

De auteur introduceert een nieuw architectuur voor regime-inferentie, de Wasserstein Hidden Markov Model (Wasserstein HMM), specifiek ontworpen voor strikt causale, rollende dagelijkse portefeuilleconstructie. Het framework combineert drie kerncomponenten:

A. Strikt Causale Rolling Schatting

Het model werkt op een rollend venster met data tot $t-1$ . Het schat latent regimes die corresponderen met multivariate Gaussische verdelingen.

B. Predictieve Modelorde-selectie

In plaats van een statische keuze voor het aantal regimes ( $K$ ), wordt $K_t$ dynamisch geselecteerd (bijv. wekelijks) op basis van predictieve prestaties.

Er wordt een HMM getraind op historische data.
De prestatie wordt gemeten via de log-likelihood van één stap vooruit op een validatie-set.
De orde $K_t$ wordt gekozen die deze score maximaliseert, gecorrigeerd voor complexiteitsstraffen. Dit zorgt voor adaptieve complexiteit zonder overfitting.

C. Template-gebaseerde Identiteit Tracking (Wasserstein Distance)

Dit is de kerninnovatie om label-switching te voorkomen.

Templates: Er worden persistente "regime templates" gedefinieerd (vastgehouden Gaussische parameters $\mu_g, \Sigma_g$ ) die economisch stabiele identiteiten vertegenwoordigen.
Mapping: Bij elke her-estimatie worden de nieuwe HMM-componenten ( $\mu_{t,k}, \Sigma_{t,k}$ ) gemapt naar de dichtstbijzijnde template.
De Metric: De afstand wordt berekend met de 2-Wasserstein-afstand tussen multivariate normale verdelingen. Deze heeft een gesloten vorm:
$W_2^2(\mathcal{N}_1, \mathcal{N}_2) = \|\mu_1 - \mu_2\|^2 + \text{Tr}\left(\Sigma_1 + \Sigma_2 - 2(\Sigma_1^{1/2}\Sigma_2\Sigma_1^{1/2})^{1/2}\right)$
Update: De templates worden bijgewerkt via exponentiële smoothing. Dit zorgt voor een geometrisch verankerde, continue evolutie van de regime-identiteiten zonder combinatorische toewijzingsproblemen.

D. Portefeuille Optimalisatie

De geschatte regime-probabiliteiten worden gebruikt om conditionele momenten (gemiddelde en covariantie) te aggregeren. Deze worden ingevoerd in een Mean-Variance Optimization (MVO) framework dat rekening houdt met transactiekosten ( $\tau \|w_t - w_{t-1}\|_1$ ) en risicovermijding ( $\gamma$ ).

3. Vergelijkingsbenchmark

Om het economische effect van de regime-inferentie te isoleren, wordt het parametrische model vergeleken met een niet-parametrische KNN-estimator die dezelfde features en optimalisatielaag gebruikt.

KNN: Benadert conditionele momenten lokaal via de $K$ dichtstbijzijnde historische waarnemingen.
Wasserstein HMM: Gebruikt gestructureerde latent states met geometrische verankering.

4. Belangrijkste Resultaten

De strategie werd getest op een gediversifieerde cross-asset universe (SPX, Bonds, Gold, Oil, USD) van 2005 tot 2026.

Risicogewijzigde Prestaties

Sharpe Ratio: Wasserstein HMM behaalde 2.18, vergeleken met 1.59 voor een gelijkgewogen portefeuille en 1.18 voor een SPX Buy & Hold strategie.
Maximale Drawdown: De strategie beperkte de maximale daling tot -5.43%, terwijl de SPX Buy & Hold -14.62% verloor.

Omzet (Turnover) en Stabiliteit

Turnover: De KNN-strategie vertoonde extreme en persistente hoge omzet (gemiddeld 56.65% per dag, met 94% van de dagen >1% omzet) door de instabiliteit van de buurmen.
Wasserstein HMM: Produceerde een uitzonderlijk lage omzet (gemiddeld 0.79% per dag) en soepelere gewichtsveranderingen dankzij de stabiliteit van de regime-identiteiten.

Gevalstudie: "Liberation Day" (Begin 2025)

Tijdens een scherpe beursdaling in begin 2025 detecteerde het HMM een overgang naar een stress-regime.

Het model verlaagde systematisch de blootstelling aan aandelen (SPX).
Het verplaatste kapitaal naar defensieve activa (USD, Bonds, Gold).
Resultaat: De piek-tot-dal verliezen waren aanzienlijk milder dan bij passieve benchmarks.

5. Economische Interpretatie en Regime-analyse

Door de stabiliteit van de templates kan de auteur de prestaties per regime analyseren:

Regime A & B: Risico-vriendelijke expansie (hoge aandelenrendementen).
Regime C: Defensieve stabiliteit (obligaties en goud presteren goed).
Regime D: Inflatoire druk / Dollar sterkte (commodities en dollar sterk, obligaties zwak).
Regime E: Aandelenstress (Liberation Day scenario): Aandelen dalen sterk, maar goud en obligaties bieden bescherming.
De strategie roteert dynamisch naar de assetklassen met de beste risicogewijzigde prestaties binnen het huidige regime.

6. Bijdrage en Significantie

De belangrijkste bijdrage van dit werk is tweeledig:

Methodologisch: Het introduceren van een geometrisch verankerd regime-inferentiekader (Wasserstein HMM) dat adaptieve complexiteit combineert met stabiele identiteit. Dit lost het probleem van label-switching op in rollende schattingen zonder combinatorische optimalisatie.
Praktisch/Economisch: Het bewijzen dat kwaliteit van regime-inferentie een eerste-orde determinant is voor portefeuilleprestaties.
- Instabiele inferentie (zoals bij KNN) leidt tot "over-trading" en fragiele portefeuilles.
- Gestructureerde inferentie met template-anchoring leidt tot lagere transactiekosten, lagere drawdowns en soepelere kapitaalgroei.

Conclusie: Voor dagelijkse cross-asset allocatie is het niet alleen belangrijk of regimes bestaan, maar hoe ze worden afgeleid en gestabiliseerd. De voorgestelde methode biedt een principieel, verklaarbaar en robuust alternatief voor lokale similariteitsmethoden, wat leidt tot superieure implementatiekenmerken in realistische handelsomgevingen.