💻 computer science

Comparative Evaluation of Modern Deep Learning Methodologies for Portfolio Optimization

Deze studie toont aan dat, hoewel traditionele Mean-Variance-Optimalisatie zeer effectief blijft voor het maximaliseren van rendementen, hybride deep learning-modellen – specifiek die Transformers en Graph Neural Networks combineren – superieure risicobeheersing en stabiliteit bieden door complexere marktstructuren in portefeuilleoptimalisatie beter te vatten.

Oorspronkelijke auteurs: Samuel Ozechi, Banjo Francis, Wisdom Yakanu, Joe Wayne Byers

Gepubliceerd 2026-04-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Samuel Ozechi, Banjo Francis, Wisdom Yakanu, Joe Wayne Byers

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 de kapitein bent van een schip dat probeert een stormachtige oceaan te navigeren om een eiland met schatten te bereiken. Je doel is om de meeste schatten (rendement) te bemachtigen terwijl je het schip droog houdt (risico).

Decennialang hebben kapiteins een klassieke kaart gebruikt genaamd Modern Portfolio Theory (MVO). Deze kaart zegt: "Kijk naar de geschiedenis van de golven en de wind, bereken het gemiddelde, en stuur een steady koers." Het is een solide, betrouwbare methode, maar het gaat ervan uit dat de oceaan zich elke dag op dezelfde manier gedraagt. Als er plotseling een waanzinnige storm toeslaat (zoals een financiële crisis), kan deze oude kaart je in de problemen brengen omdat het niet voorziet in het onverwachte.

Dit artikel is als een team van ingenieurs dat zeven verschillende nieuwe navigatiesystemen test om te zien of ze beter kunnen presteren dan de oude kaart. Ze gebruikten gegevens van 2015 tot 2023 (een periode die rustige zeeën en enorme stormen omvatte) om deze systemen te testen op een mix van activa: aandelen, obligaties en goud.

Hier is een uiteenzetting van de nieuwe "AI"-systemen die ze testten, met behulp van eenvoudige analogieën:

De Nieuwe Navigatiesystemen (De Modellen)

De "Deep Reinforcement Learning" (DRL) Piloot:
- De Analogie: Stel je een videogamekarakter voor dat leert door duizenden keren te spelen. Het probeert links te sturen, krijgt een klap van een golf, probeert rechts te sturen, en leert van zijn fouten. Het gebruikt geen kaart; het leert gewoon door trial and error om de score te maximaliseren.
- Het Resultaat: Op zichzelf was deze piloot wat onhandig. Het raakte snel verdwaald en presteerde niet goed. Het had meer hulp nodig om het grote plaatje te begrijpen.
De "Autoencoder" Compressor:
- De Analogie: Stel je een rommelige kamer voor met 100 items. Dit gereedschap is als een super-efficiënte inpakker die alles opvouwt tot een nette, kleine koffer. Het verwijdert de rommel (ruis) en houdt alleen de essentiële items (patronen) over.
- Het Resultaat: Op zichzelf pakte het alleen de kamer in, maar besliste niet waar het moest varen. Het eindigde met precies hetzelfde te varen als een "Random Walk" (gewoon geld gelijk verdelen over alles), wat veilig is maar niet erg spannend.
De "Transformer" Tijdreiziger:
- De Analogie: Denk hieraan als een historicus die het volledige dagboek van het weer van de oceaan leest, niet alleen de laatste pagina. Het begrijpt dat een storm vandaag misschien veroorzaakt wordt door een windpatroon van drie weken geleden. Het kijkt naar de volgorde van gebeurtenissen.
- De Rol: Het is geweldig in het voorspellen wat de golven als volgende zullen doen op basis van het verleden.
De "Graph Neural Network" (GNN) Connector:
- De Analogie: Stel je een sociaal netwerk voor schepen. Dit gereedschap weet dat als het "Tech-schip" een klap van een golf krijgt, het nabijgelegen "Gadget-schip" waarschijnlijk ook geraakt wordt, zelfs als ze zich in verschillende delen van de oceaan bevinden. Het maakt een kaart van hoe alle activa met elkaar verbonden zijn.
- De Rol: Het begrijpt de relaties tussen verschillende activa.

De "Hybride" Super-teams

De onderzoekers realiseerden zich dat één gereedschap niet genoeg was, dus bouwden ze teams:

Het "Autoencoder + DRL" Team: Ze gaven de onhandige videogame-piloot (DRL) een nette koffer met essentiële gegevens (Autoencoder).
- Resultaat: De piloot werd veel slimmer en stabieler. Het presteerde bijna net zo goed als de beste strategieën.
Het "Transformer + GNN" Team: Ze combineerden de Tijdreiziger (die de toekomstige golven voorspelt) met de Connector (die weet hoe de schepen met elkaar verbonden zijn).
- Resultaat: Dit was het veiligste team. Ze hadden het laagste risico dat het schip zou zinken (laagste "drawdown") en de rustigste rit. Ze werden niet zo geschud door de stormen als de anderen.

De Klassieke Kaart (De Benchmark)

Ze testten ook de oude-school methoden:

De 60/40 Verdeling: Een simpele vuistregel (60% aandelen, 40% obligaties).
Gelijk Gewogen: Evenveel geld in alles stoppen.
MVO (Mean-Variance Optimization): De klassieke kaart die de beste route berekent op basis van gemiddelden.

Wat Vonden Ze? (De Resultaten van de Schatkaart)

De Klassieke Kaart Won de Race (in termen van totale schat): Verrassend genoeg maakte de oude-school MVO-strategie in totaal het meeste geld (461% rendement). Het bewees dat als je de klassieke kaart goede gegevens geeft, het nog steeds een zeer krachtig hulpmiddel is.
De Hybride Teams Wonnen de Veiligheidsprijs: Het Transformer + GNN team verdiende niet het meeste geld, maar ze hadden de rustigste rit. Ze verloren het minste geld toen de markt crashte (laagste "drawdown"). Ze waren het meest stabiel.
De "Solo" Piloot Faalde: De Deep Reinforcement Learning-piloot, wanneer hij alleen werd gelaten zonder hulp, was de slechtste performer. Het toonde aan dat je een probleem niet oplost door zomaar "AI" erop te gooien zonder de structuur van de markt te begrijpen.
De "Inpakker" Had een Kapitein Nodig: De Autoencoder was goed in het opschonen van gegevens, maar het had de DRL-piloot nodig om daadwerkelijk beslissingen te nemen. Zonder de piloot gedroeg het zich gewoon als een willekeurige gelijk-gewogen strategie.

De Grote Conclusie

Het artikel concludeert dat je niet hoeft te kiezen tussen "Oude School" en "Nieuwe AI".

Oude School (MVO) is nog steeds de koning van het verdienen van geld als je goede inputs hebt.
Nieuwe AI (Hybriden) is de koning van kalm en veilig blijven tijdens stormen.

De beste aanpak is niet om de oude kaart weg te gooien, maar om de nieuwe AI-gereedschappen te gebruiken om de gegevens op te schonen en de verbindingen tussen activa te begrijpen, en dit vervolgens te voeden in een solide strategie. Het is alsof je een ervaren kapitein een high-tech radarsysteem geeft: de ervaring van de kapitein (de wiskunde) gecombineerd met het vermogen van de radar om verbindingen te zien (de AI) creëert de best mogelijke reis.

1. Probleemstelling

Traditionele methoden voor portefeuilleoptimalisatie, zoals de Modern Portfolio Theory (MPT), het Capital Asset Pricing Model (CAPM) en het Black-Litterman-model, vertrouwen sterk op statische aannames (bijvoorbeeld normaal verdeelde rendementen, statische covariantiematrices) en lineaire relaties. Deze modellen hebben moeite in moderne financiële omgevingen die worden gekenmerkt door:

Niet-stationariteit en Non-lineariteit: Markten vertonen tijdvariërende correlaties en complexe, niet-lineaire afhankelijkheden die statische modellen niet kunnen vastleggen.
Hoge Dimensionaliteit: De enorme hoeveelheid activa en gegevensbronnen (nieuws, sentiment, fundamentele gegevens) overweldigt traditionele feature engineering.
Schattingfouten: MVO is zeer gevoelig voor invoerparameters; kleine fouten in schattingen van het verwachte rendement of de covariantie kunnen leiden tot instabiele en suboptimale portefeuilles.

De studie adresseert de lacune in de literatuur betreffende de integratie van geavanceerde deep learning-architecturen met traditionele financiële theorie om robuuste, adaptieve en risicobewuste portefeuillestrategieën te creëren.

2. Methodologie

De studie hanteert een vergelijkend kader met historische dagelijkse data (2015–2023) over diverse activaklassen (Aandelen, ETF's, Obligaties, Goud). De methodologie omvat het construeren, trainen en backtesten van zeven verschillende strategieën.

A. Data en Preprocessing

Activa: AAPL, TLT, AMZN, SPY, EFA, GLD, MSFT.
Features: Dagelijkse rendementen, technische indicatoren (volatiliteit, voortschrijdende gemiddelden, momentum), gestandaardiseerd om modelstabiliteit te waarborgen.
Backtesting: Gesimuleerde handel met transactiekosten, dynamische herallocatie en risicobeperkingen (maximale volatiliteit/drawdown).

B. Modelarchitecturen

Het onderzoek evalueert vier primaire deep learning-paradigma's en hun hybride combinaties:

Deep Reinforcement Learning (DRL):
- Doel: Dynamisch optimale portefeuillegewichten leren om de Sharpe-ratio te maximaliseren.
- Mechanisme: Gebruikt een PPO-agent (Proximal Policy Optimization) die interactie heeft met de marktomgeving.
- Geteste Beperking: Zelfstandige DRL lijdt vaak aan inefficiëntie in steekproeven en gebrek aan structureel bewustzijn.
Autoencoders (AE):
- Doel: Dimensionaliteitsreductie en ruisfiltering.
- Mechanisme: Codeert hoogdimensionale rendementstromen naar een lagerdimensionale latente ruimte ( $Z$ ) en reconstrueert deze.
- Gebruik: Gebruikt als feature-compressor voor DRL-invoer of als zelfstandige covariantie-schatter.
Graph Neural Networks (GNN):
- Doel: Modellering van inter-activa-afhankelijkheden en evoluerende correlatiestructuren.
- Mechanisme: Behandelt activa als knopen in een graaf ( $\mathcal{G} = (\mathcal{V}, \mathcal{E})$ ) en gebruikt message passing om knooprepresentaties bij te werken op basis van buren.
- Gebruik: Specifiek gebruikt om de covariantiematrix te schatten voor optimalisatie.
Transformers:
- Doel: Vastleggen van langetermijntijdsafhankelijkheden in activa-rendementen.
- Mechanisme: Gebruikt self-attention-mechanismen om het belang van vorige tijdstappen te wegen voor het voorspellen van toekomstige rendementen.
- Gebruik: Genereert voorspelde rendementvectoren ( $\mu$ ).

C. Hybride Strategieën

Autoencoder + DRL: Gebruikt latente features van de AE om DRL-training te stabiliseren.
Transformer + GNN: Combineert door Transformer voorspelde rendementen met door GNN geschatte covariantiematrices, en voert beide in een Mean-Variance Optimization (MVO)-kader.

D. Referentiewaarden (Benchmarks)

De deep learning-modellen worden vergeleken met:

Markowitz MVO: Met gebruik van voorspelde invoer.
Gelijk Gewogen (1/N): Een eenvoudige statische basislijn.
60/40 Portefeuille: Een traditionele strategie met vaste allocatie.

E. Evaluatiemetrics

Rendement: Cumulatief Rendement, Geannualiseerd Rendement (CAGR).
Risico: Geannualiseerde Volatiliteit, Maximum Drawdown (MDD).
Efficiëntie: Sharpe Ratio.

3. Belangrijkste Bijdragen

Validatie van Hybride Architecturen: Demonstreert dat het combineren van complementaire deep learning-modellen (bijvoorbeeld Transformers voor tijdreeksen en GNN's voor relationele data) superieure risicobeheersing oplevert in vergelijking met zelfstandige modellen.
Herwaardering van Traditionele Modellen: Daagt het narratief uit dat MVO verouderd is. De studie toont aan dat MVO zeer concurrerend blijft (en vaak superieur in ruwe rendementen) wanneer het wordt gekoppeld aan hoogwaardige, door deep learning afgeleide invoer.
Impact van Featurecompressie: Bewijst dat dimensionaliteitsreductie via Autoencoders DRL-training significant stabiliseert, waardoor voorkomt wordt dat "naieve" DRL onderpresteert.
Uitgebreid Backtesting-kader: Biedt een rigoureuze vergelijking van zeven strategieën onder realistische beperkingen (transactiekosten, herallocatie) over een periode van 8 jaar, inclusief verschillende marktfasen.

4. Resultaten

De empirische analyse leverde de volgende belangrijkste bevindingen op (gebaseerd op Tabel 2 in het artikel):

Strategie	Cumulatief Rendement (%)	Volatiliteit (%)	Sharpe Ratio	Max Drawdown (%)
MVO (met DL-invoer)	461,31 (Hoogst)	19,38	1,0885 (Hoogst)	-31,82
Autoencoder	287,79	15,45	1,0546	-27,70
Autoencoder + DRL	273,76	15,26	1,0390	-26,52
Transformer + GNN	269,71	14,67 (Laagst)	1,0659	-18,81 (Laagst)
60/40	332,89	21,09	0,8798	-32,64
Gelijk Gewogen	287,79	15,45	1,0546	-27,70
Zelfstandige DRL	50,06	15,71	0,3671	-37,36

Rendementsprestatie: De MVO-strategie die gebruikmaakt van deep learning-invoer behaalde het hoogste cumulatieve rendement (461,31%) en de hoogste Sharpe-ratio (1,09), en presteerde beter dan alle strategieën die uitsluitend op deep learning waren gebaseerd.
Risicobeheer: De hybride Transformer + GNN toonde de beste risicobeheersing, met de laagste volatiliteit (14,67%) en de laagste maximum drawdown (-18,81%).
DRL-prestatie: Zelfstandige DRL presteerde slecht (Sharpe 0,37), wat bevestigt dat DRL zonder structurele priors of featurecompressie moeite heeft om optimale beleidslijnen te leren in ruisende financiële data.
Gedrag Autoencoder: De zelfstandige Autoencoder-strategie weerspiegelde de gelijk gewogen portefeuille, wat aangeeft dat featurecompressie alleen geen alpha genereert zonder een dynamisch allocatiemechanisme.

5. Betekenis en Conclusie

De studie concludeert dat geen enkele methodologie universeel domineert. In plaats daarvan ligt de optimale aanpak in de synergie tussen klassieke financiële theorie en moderne deep learning:

Complementariteit: Deep learning blinkt uit in feature-extractie (Transformers voor tijd, GNN's voor structuur, Autoencoders voor ruisreductie), terwijl traditionele optimalisatie (MVO) uitblinkt in efficiënte portefeuilleconstructie gegeven die invoer.
Robuustheid: Hybride modellen (specifiek Transformer+GNN) bieden superieure stabiliteit en bescherming tegen neerwaartse risico's, waardoor ze ideaal zijn voor risicosensitieve institutionele omgevingen.
Praktijktoepasbaarheid: Het onderzoek valideert dat traditionele modellen niet verouderd zijn; integendeel, hun prestaties zijn afhankelijk van de kwaliteit van de invoergegevens. Door handmatige schattingen te vervangen door deep learning-voorspellingen, herwint MVO zijn concurrentievermogen.

Toekomstige Richtingen: De auteurs suggereren het verkennen van de integratie van latente financiële representaties direct in traditionele optimalisatiekaders om schaalbaarheid en interpreteerbaarheid bij grootschalige institutionele implementaties verder te verbeteren.