🤖 machine learning

Liquid Neural Network Models for Natural Gas Spot Price Time-Series Forecasting

Dit artikel stelt het gebruik van vloeibare neurale netwerken voor om de nauwkeurigheid van korte-termijnprognoses voor de spotprijzen van aardgas bij Henry Hub te verbeteren, door gebruik te maken van hun vermogen om zich continu aan te passen aan de volatiele, niet-stationaire en regime-verschuivende dynamiek van de markt.

Oorspronkelijke auteurs: Yiqian Liu, Jiayi Niu, Adam Kelleher, Subhabrata Das

Gepubliceerd 2026-04-29

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yiqian Liu, Jiayi Niu, Adam Kelleher, Subhabrata Das

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 de prijs van aardgas voor als een wild, onvoorspelbaar paard. Soms galoppeert het zachtjes, maar vaak schrikt het, springt het of rent het in cirkels door plotselinge stormen, geopolitieke twisten of weersveranderingen. Voorspellen waar dit paard morgen naartoe gaat, is ontzettend moeilijk, omdat het geen rechte lijn volgt; het verandert voortdurend van mening.

Dit artikel is een wedstrijd tussen verschillende "trainers" (computermodellen) om te zien wie het beste de volgende zet van het paard kan voorspellen. De onderzoekers van de Columbia University wilden zien of een nieuw type AI, genaamd een Liquid Neural Network (LNN), het beter zou doen dan de oude methoden.

Hier is de uitleg van hun experiment en wat ze ontdekten, met gebruik van eenvoudige analogieën:

De Deelnemers

De onderzoekers organiseerden een race met vijf verschillende soorten modellen om de dagelijkse prijswijzigingen van aardgas te voorspellen (specifiek bij de Henry Hub, wat fungeert als het "standaardprijskaartje" voor gas in de VS).

De Oude Coach (Rolling-Window Lineaire Regressie): Dit is de traditionele methode. Stel je een coach voor die kijkt naar het gedrag van het paard van de afgelopen 30 dagen en een rechte lijn trekt om morgen te voorspellen. Het is simpel, maar het gaat ervan uit dat het paard in een rechte lijn blijft rennen, wat zelden waar is op de energiemarkt.
De Starre Robot (LSTM): Dit is een standaard AI die het verleden onthoudt. Denk aan het als een robot met een vaste interne klok. Het leert patronen, maar zodra het zijn "versnellingen" instelt, veranderen ze niet van snelheid. Als de markt plotseling van versnelling wisselt, reageert de robot traag omdat zijn interne klok vastzit op een vast tempo.
De Vloeibare Modellen (LNN's): Dit zijn de nieuwkomers. In plaats van een vaste klok te hebben, hebben deze modellen vloeibare tijd. Hun interne versnellingen kunnen zich direct versnellen of vertragen, afhankelijk van wat er op dat moment gebeurt. Als de markt kalm is, bewegen ze langzaam om energie te besparen; als de markt chaotisch is, versnellen ze om elk detail te vangen.

De onderzoekers testten vijf specifieke versies van deze "vloeibare" modellen:

Strict CfC: Een vloeibaar model met een vaste mengregel.
LTC (Liquid Time-Constant): Een model dat zijn snelheid kan aanpassen maar een uniforme stapgrootte gebruikt.
Hybrid CfC: Een model dat zijn snelheid aanpast op basis van hoe "luid" de marktgeluiden zijn.
CT-LTC: Een model dat probeert zijn snelheid aan te passen op basis van de kalender (bijvoorbeeld: langzamer bewegen in het weekend).

De Raceomstandigheden

De gegevens beslaan meer dan 10 jaar (2015–2025), inclusief enorme schokken zoals de Winter Storm Uri van 2021 (toen gasprijzen de pan uitrezen) en de energiecrisis van 2022. De modellen moesten de prijswijziging voorspellen voor slechts één dag vooruit.

Om het een eerlijke test te maken, gaven ze de modellen niet alle gegevens tegelijk. Ze gebruikten een "groeien venster"-benadering:

De modellen begonnen met 30 dagen geschiedenis.
Ze maakten een voorspelling.
Vervolgens voegden ze één dag echte data toe aan hun geschiedenis en probeerden het opnieuw.
Dit werd 160 keer herhaald, wat een echte handelaar simuleert die dag na dag leert.

De Resultaten: Wie won?

1. De Oude Coach (Lineaire Regressie) eindigde als laatste.
Zoals verwacht faalde het simpele model met de rechte lijn klakkeloos. Het kon niet omgaan met de wilde sprongen en bochten van de gasmarkt. Het was alsof je probeert een achtbaanrit te voorspellen door een rechte lijn te tekenen.

2. De Starre Robot (LSTM) was okay, maar niet geweldig.
De standaard AI deed het beter dan de Oude Coach, maar had moeite wanneer de markt plotseling van persoonlijkheid veranderde. Omdat zijn interne klok vastzat, kon hij niet snel genoeg reageren op de plotselinge "schokken" (zoals een storm die Texas trof). Hij neigde ertoe om de wilde pieken glad te strijken en miste de grote bewegingen.

3. De Vloeibare Modellen (LNN's) namen de leiding.
De nieuwe vloeibare modellen presteerden over het algemeen beter dan de anderen. Ze waren beter in het hanteren van het chaos.

De Winnaar: Hybrid CfC.
Dit model was de kampioen. Het geheim was input-geconditioneerde tijdschaalmodulatie.
- De Analogie: Stel je voor dat je een auto rijdt. Als de weg glad is, cruis je met een constante snelheid. Maar als je een kuil ziet of een hert ziet springen, trap je direct op de rem of sla je uit. De Hybrid CfC doet dit: wanneer de marktdata "luid" of chaotisch wordt, versnelt het direct zijn interne verwerking om te reageren. Als het rustig is, vertraagt het. Dit vermogen om zijn "reactiesnelheid" te veranderen op basis van de huidige situatie maakte het het meest nauwkeurig.
De Tweede Plaats: LTC.
Dit model was ook zeer sterk. Het gebruikte een continue-tijdbenadering die het in staat stelde de stroom van de markt beter te volgen dan de starre robots. Het was echter iets minder flexibel dan de Hybrid CfC, omdat het zijn snelheid niet zo dynamisch aanpaste op basis van de specifieke "luidheid" van de data.
De Teleurstelling: CT-LTC.
Dit model probeerde slim te zijn door naar de kalender te kijken (bijvoorbeeld: wetende dat maandag drie dagen na vrijdag is). De onderzoekers dachten dat dit zou helpen, maar het werkte niet goed.
- Waarom? Omdat in de gasmarkt een rustige maandag heel anders is dan een maandag na een enorme storm. Het model behandelde alle maandagen hetzelfde, puur vanwege de kalender, en miste het daadwerkelijke marktnieuws. Het was als een bestuurder die alleen naar de klok kijkt maar het verkeer voorbij negeert.

De Grote Conclusie

Het artikel concludeert dat flexibiliteit de sleutel is.

Op een markt die voortdurend van mening verandert (niet-stationair), hebben modellen met vaste interne klokken (zoals de standaard LSTM) moeite. De beste presteerders waren diegenen die hun interne snelheid continu konden aanpassen om te matchen met het chaos van het moment.

De Hybrid CfC bewees dat de beste manier om een wild, volatiel voorspelbaar te maken niet is om een snellere computer te hebben, maar een computer die weet wanneer het moet versnellen en wanneer het moet vertragen, gebaseerd op wat er op dat moment gebeurt.

Wat het artikel niet zei:

Het beweerde niet dat deze modellen de toekomst perfect kunnen voorspellen (ze misten nog steeds de grootste, meest extreme schokken zoals Winter Storm Uri).
Het suggereerde niet om deze modellen te gebruiken voor langetermijnplanning (zoals 5 jaar vooruit); ze zijn ontworpen voor korte termijn, volgende dag voorspellingen.
Het merkte op dat de modellen momenteel wat "fysieke" data missen (zoals daadwerkelijke pijpleidingstromen of weersvoorspellingen), wat beperkt hoe goed ze de grootste sprongen kunnen voorspellen.

Kortom: Om een wild paard te voorspellen, heb je een trainer nodig die zijn strategie direct kan veranderen, niet één die een star schema volgt. De Hybrid Liquid Neural Network is die flexibele trainer.

1. Probleemstelling

Het artikel adresseert de uitdaging van kortetermijnvoorspelling van de spotprijzen voor aardgas (specifiek de Henry Hub-benchmark). Deze taak is inherent moeilijk vanwege:

Hoge volatiliteit en non-stationariteit: Prijzen worden gedreven door seizoensgebonden vraag, geopolitieke schokken en onderbrekingen in de aanvoer, wat leidt tot frequente regimeveranderingen.
Beperkingen van traditionele modellen:
- Econometrische modellen (ARIMA, GARCH): Vertrouwen op lineaire aannames en stationariteit, en falen tijdens structurele breuken.
- Standaard Deep Learning (LSTM): Hoewel ze in staat zijn non-lineariteiten te modelleren, gebruiken ze vaste interne dynamiek en discrete tijdstappen, wat hun vermogen beperkt om continu te adapteren aan snelle marktschommelingen.
Het gat: Bestaande benaderingen vertrouwen vaak op vaste parameters of discrete updates, en missen de continue aanpasbaarheid die vereist is voor volatiele grondstoffenmarkten.

2. Methodologie

A. Dataset

Doel: Dagelijkse Henry Hub aardgas spotprijzen (USD/MMBtu).
Periode: 6 januari 2015 – 29 augustus 2025 (2.645 observaties).
Kenmerken: 30 voorspellervariabelen, waaronder:
- Energiefundamentalen: WTI ruwe olie, nucleaire opwekkingscapaciteit/storingen.
- Macro-economie: Opbrengstcurve van de Amerikaanse staatsobligaties (2j, 5j, 10j, 20j), Amerikaanse Dollar-index.
- Marktsentiment: S&P Energy Index, Dow Jones Coal Index, aandelenprijzen van EQT Corporation.
Preprocessing: Ontbrekende data (vakantiedagen) en extreme uitschieters (buiten 5,5 standaardafwijkingen) werden zorgvuldig behandeld om survivorship bias te vermijden, terwijl echte marktschokken (bijv. Winter Storm Uri) behouden bleven.

B. Basismodel

Multivariate Rolling-Window Lineaire Regressie: Een standaard benchmark die een 30-dagen rolling window gebruikt om coëfficiënten dagelijks opnieuw te schatten. Het bevat vertraagde rendementen en exogene kenmerken.

C. Geëvalueerde Neuraal Architecturen

De studie vergelijkt vijf neurale modellen met de baseline:

LSTM: Standaard discrete-tijd recurrente benchmark.
Strict CfC (Closed-form Continuous-time): Gebruikt een gesloten-formule oplossing met een sigmoid interpolatiepoort, maar mist input-afhankelijke tijdsconstanten.
LTC (Liquid Time-Constant): Gebruikt continue-tijd ODE's met leerbare tijdsconstanten ( $\tau$ ) en attractorparameters, bijgewerkt via semi-impliciete Euler-stappen.
Hybrid CfC: Combineert gesloten-formule updates met input-gedconditioneerde tijdschaalmodulatie. Het vervaltempo past zich aan op basis van de grootte van het inputsignaal ( $|f_t|$ ).
CT-LTC (Calendar-gap LTC): Een uitbreiding van LTC waarbij de integratiestapgrootte ( $\Delta t$ ) wordt bepaald door de werkelijke verstreken kalender tijd (rekening houdend met weekenden/vakanties) in plaats van een vaste eenheidsstap.

D. Evaluatieprotocol

Expanding Window: Modellen worden bij elk evaluatiepunt vanaf nul opnieuw getraind met een uitbreidende geschiedenis (in tegenstelling tot rolling windows) om gebruik te maken van groeiende data, wat LNN's ten goede komt.
Gestratificeerde Steekproef: 160 evaluatiepunten getrokken uit 20 temporele bins om dekking te garanderen over verschillende markregimes.
Kwantificering van Onzekerheid: Moving Block Bootstrap (MBB) met 300 replicaties wordt gebruikt om 95% betrouwbaarheidsintervallen voor metrieken te genereren, waarbij temporele autocorrelatie in voorspelfouten behouden blijft.
Metrieken: Pearson-correlatie ( $r$ ), Spearman-rang ( $\rho$ ), Directional Accuracy (DA), $R^2$ , RMSE en MAE.

3. Belangrijkste Bijdragen

Systematische Vergelijking: Eerste uitgebreide evaluatie van vijf verschillende Liquid Neural Network (LNN) architecturen tegen een robuuste lineaire baseline voor aardgasvoorspelling.
Rigoureuze Statistische Validatie: Implementatie van een gestratificeerd expanding-window protocol gecombineerd met Moving Block Bootstrap om statistisch betrouwbare prestatieschattingen te bieden die rekening houden met non-stationariteit en temporele autocorrelatie.
Architecturale Inzicht: Identificatie van input-gedconditioneerde tijdschaalmodulatie als het kritieke ontwerpelement dat prestaties drijft in hoogfrequente, regime-verschuivende markten, wat het onderscheidt van vaste-stap of kalendergebaseerde benaderingen.

4. Resultaten en Analyse

Prestatietotaal

Baseline (Lineaire Regressie): Slecht gepresteerd ( $r \approx -0,04$ , $R^2 \approx -91$ ), wat de niet-lineaire aard van de data bevestigt.
LSTM: Bereikte matige directionele nauwkeurigheid (55%), maar faalde in het vastleggen van de grootte ( $R^2 \approx 0$ ), wat aangeeft dat het kritieke volatiliteit gladstrijkt.
Strict CfC: Slechter gepresteerd dan LSTM, wat suggereert dat gesloten-formule updates zonder adaptieve tijdsconstanten onvoldoende zijn voor deze taak.
CT-LTC: Ondanks theoretische aantrekkingskracht wat betreft kalendergaten, presteerde het slechter dan de uniforme-stap LTC. De auteurs betogen dat kalenderafstand een slechte proxy is voor "informatieve afstand" in op gebeurtenissen gebaseerde markten.
LTC: Presteerde significant beter dan LSTM en Strict CfC ( $r \approx 0,25$ , positieve $R^2$ ). Zijn continue-tijd dynamiek maakte betere tracking van rendementwegniveaus mogelijk.
Hybrid CfC (Beste Performer):
- Hoogste Metrieken: Bereikte de hoogste Pearson-correlatie ( $r \approx 0,30$ ), Spearman-correlatie en $R^2$ (0,057).
- Statistische Significantie: Bootstrap-betrouwbaarheidsintervallen voor $R^2$ waren strikt positief, wat bevestigt dat het voordeel systematisch is en niet willekeurig.
- Mechanisme: Het succes wordt toegeschreven aan het adaptieve vervaltempo ( $A_t = 1/\tau_t + |f_t|$ ). Wanneer marktschokken optreden (grote $|f_t|$ ), verwijdert het model snel verouderde informatie; tijdens rustige periodes integreert het over langere horizons.

Belangrijkste Bevindingen

Directioneel vs. Grootte: Hoewel sommige modellen (zoals LSTM) de richting iets beter dan willekeurig konden voorspellen, slaagden alleen Hybrid CfC en LTC erin de grootte en structuur van rendementen te voorspellen.
Adaptiviteit is Sleutel: Het vermogen om interne tijdsconstanten te moduleren op basis van inputgrootte (Hybrid CfC) is superieur aan vaste tijdsconstanten (LTC) of kalendergebaseerde stappen (CT-LTC) voor volatiele energiemarkten.
Extreme Gebeurtenissen: Alle modellen hadden moeite om extreme exogene schokken te voorspellen (bijv. Winter Storm Uri), wat de beperking van puur datagedreven modellen zonder real-time externe signalen (bijv. weersvoorspellingen) benadrukt.

5. Betekenis en Conclusie

Praktische Impact: De studie toont aan dat Hybrid CfC en LTC een betrouwbaar kader bieden voor kortetermijn aardgasvoorspelling. Verbeterde nauwkeurigheid kan de besluitvorming voor nutsbedrijven, handelaren en risicomanagers verbeteren, met name tijdens periodes van hoge volatiliteit.
Theoretische Bijdrage: Het artikel valideert dat het integreren van adaptieve temporele mechanismen in neurale architecturen een principiële aanpak is voor het modelleren van complexe financiële tijdreeksen waar stationariteitsaannames falen.
Toekomstige Richtingen: De auteurs suggereren dat toekomstig werk zich moet richten op:
- Het integreren van fysieke marktfundamentalen (opslagrapporten, pijpleidingstromen, weergegevens) in plaats van alleen financiële proxies.
- Het uitbreiden van het kader naar meervoudige voorspellinghorizons die relevant zijn voor hedging.
- Vergelijken met klassieke tijdreeksbenchmarks (ARIMA/GARCH) om de specifieke winst van non-lineariteit versus adaptieve her-schatting te isoleren.

Kortom, het artikel stelt vast dat Liquid Neural Networks, specifiek de Hybrid CfC-architectuur, traditionele lineaire en standaard deep learning-modellen overtreffen in het voorspellen van aardgasprijzen door effectief hun interne dynamiek aan te passen aan de non-stationaire en schokgedreven aard van energiemarkten.