💻 computer science

Macroeconomic Message Passing for Anticipating Foreign Exchange Regime Changes: A Deep Logical Learning Approach using Graph Tsetlin Machines

Dit artikel stelt een Graph Tsetlin Machine-raamwerk voor dat gebruikmaakt van message passing op hypervectoriseerde gerichte multigrafen van macro-economische en technische indicatoren om regimeveranderingen in de buitenlandse valuta te voorspellen, waarbij het specifelijk de effectiviteit en interpreteerbaarheid aantoont in het anticiperen op USD/JPY-marktomschakelingen.

Oorspronkelijke auteurs: Christian Blakely, Melanie Gilmore

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Christian Blakely, Melanie Gilmore

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 het weer in een buitenlandse stad probeert te voorspellen, maar in plaats van naar een enkele thermometer te kijken, probeer je de hele atmosfeer te begrijpen door te kijken naar hoe de wind, de oceaanstromingen en de temperatuur in naburige steden met elkaar communiceren.

Dat is in essentie wat dit artikel doet, maar in plaats van het weer, voorspelt het de "stemming" van de markt voor de Amerikaanse dollar versus de Japanse yen.

Hier is een eenvoudige uiteenzetting van hun aanpak, gebruikmakend van alledaagse analogieën:

1. Het Probleem: De Markt Heeft "Stemmingen"

De auteurs stellen dat de valutamarkt niet zomaar een willekeurige wandeling is; het heeft duidelijke "regimes" of stemmingen. Ze identificeren vier hoofdstemmingen:

Stagnant (De Stilstand): Prijzen bewegen nauwelijks, zoals een vijver zonder wind. Het is saai en moeilijk te voorspellen omdat er geen duidelijke richting is.
Steady Trend (De Kruisvlucht): Prijzen bewegen langzaam maar zeker in één richting, zoals een trein op een spoor.
Choppy (De Achtbaan): Prijzen springen wild op en neer, maar komen uiteindelijk nergens. Dit is gevaarlijk voor beleggers die de trend proberen te volgen.
Volatile Trend (De Raket): Prijzen bewegen snel en ver in één richting, meestal door een grote economische gebeurtenis.

De Uitdaging: Traditionele computers zijn slecht in het herkennen van de "Stagnant"-stemming. Ze raken in de war door de ruis. Ook kijken ze vaak naar gegevens in isolatie, alsof je de temperatuur in één kamer controleert zonder te weten wat er in de keuken of de woonkamer gebeurt.

2. De Oplossing: Een "Buurtwacht" voor Data

De auteurs hebben een nieuw soort AI gebouwd, een Graph Tsetlin Machine (GraphTM).

De Graaf (De Kaart): Stel je een kaart voor waar elke stip een stukje informatie is. Eén stip is de Yen-prijs, een andere is de Amerikaanse rente, een andere de olieprijs, en een andere de prijs van de Euro.
De Edges (De Gesprekken): Lijnen verbinden deze stippen. Deze lijnen vertegenwoordigen hoe ze elkaar beïnvloeden. Als bijvoorbeeld de Amerikaanse rente verandert, reist een bericht langs de lijn naar de Yen-prijs-stip.
Het "Bericht Doorgeven" (Message Passing): Dit is het magische deel. In plaats van alleen naar de Yen-prijs te kijken, vraagt de AI aan zijn buren: "Hé, zie jij veranderingen in de rentestanden? Beweegt de olie?" Het verzamelt deze berichten om een compleet beeld te vormen.

3. Het Brein: Logica, Geen Wiskunde

De meeste moderne AI (zoals Deep Learning) werkt als een black box die complexe wiskunde gebruikt om een antwoord te raden. Het is krachtig, maar je kunt niet gemakkelijk vragen waarom het een gok heeft gedaan.

Dit artikel gebruikt Tsetlin Machines, die meer werken als een team van detectives die logische regels gebruiken.

Redeneren door Eliminatie: In plaats van te proberen een complex patroon te vinden om te zeggen "Het is een trend", is de AI erg goed in het zeggen: "Het is geen trend, want er is geen volatiliteit, geen renteverandering en geen oliebeweging."
De Analogie: Stel je voor dat je een stille bibliotheek probeert te identificeren. Je hoeft niet te horen dat er een specifiek boek wordt voorgelezen; je hoeft alleen maar te bevestigen dat er niemand schreeuwt, niemand rent en niemand dingen laat vallen. Als al die dingen afwezig zijn, weet je dat het een stille bibliotheek is. De AI doet dit met marktgegevens.

4. Hoe Ze Het Getraind Hebben

Ze voerden de AI telkens 72 uur (3 dagen) aan data.

Ze keken niet alleen naar wat er op dit moment gebeurde. Ze keken naar wat er in de daaropvolgende 3 dagen gebeurde om te zien in welke "stemming" de markt zich daadwerkelijk vestigde.
Ze gebruikten een "meerderheidsstemming"-systeem. Als de markt 2 dagen chaotisch (choppy) was en daarna 1 dag een trend vertoonde, labelden ze de hele periode op basis van de dominante stemming. Dit hielp de AI om kleine, verwarrende uitschieters te negeren en zich te concentreren op het echte verhaal.

5. De Resultaten: Waarom Het Er Toe Doet

Toen ze dit testten tegen andere beroemde AI-modellen (zoals die gebruikt door grote banken of standaard machine learning-tools):

Beter in de Saaiere Zaken: Het was veel beter in het herkennen van de "Stagnant" (saaie) periodes dan andere modellen. Dit is cruciaal, want dat is wanneer de meeste andere modellen in de war raken en geld verliezen.
De Kracht van Buren: Wanneer ze de "buur"-data (zoals olieprijzen en andere valuta) verwijderden en alleen naar de Yen zelf keken, werd de AI veel slechter. Dit bewijst dat je, om de Yen te begrijpen, moet luisteren naar wat de rest van de wereldeconomie zegt.
Risicobeheer: Ze creëerden een "Risicoscore". Stel je een dashboard in een auto voor. Als de weg glad is (chaotische markt), licht het dashboard rood op, wat de bestuurder (de handelaar) vertelt om af te remmen of te stoppen. Als de weg vrij is (constante trend), is het licht groen. Dit systeem waarschuwde hen succesvol wanneer de markt tijdens de pandemie van 2020 chaotisch zou worden.

Samenvatting

Het artikel beweert dat door een "buurtwacht"-systeem te bouwen waarbij verschillende economische factoren met elkaar praten, en door een brein te gebruiken dat gebaseerd is op logica en uitstekend is in het herkennen van wat er ontbreekt (zoals de stilte in een bibliotheek), zij de stemmingen van de valutamarkt beter kunnen voorspellen dan traditionele methoden. Dit helpt handelaren om te weten wanneer ze agressief moeten zijn, wanneer ze voorzichtig moeten zijn en wanneer ze zich geheel uit de markt moeten houden.

Technische Samenvatting: Macro-economische Berichtoverdracht voor het Anticiperen op Wisselkoersregimeveranderingen

Probleemstelling
De identificatie van valutamarktregimes (FX)—onderscheidende toestanden van prijsactie die worden beheerst door specifieke macro-economische omstandigheden—blijft een aanzienlijke uitdaging in de kwantitatieve financiële wereld. Traditionele parametrische modellen (bijv. Hamilton 1989; Krolzig 1997) leunen op strikte lineariteitsveronderstellingen en hebben moeite met hoogdimensionale feature-ruimtes. Hoewel moderne machine learning-benaderingen die gebruikmaken van unsupervised learning of regime-switching frameworks de adaptiviteit hebben verbeterd, opereren zij vaak over lange tijdshorizonten, wat hun vermogen beperkt om snel aan te passen aan plotselinge regime-schokken. Bovendien zijn standaard Tsetlin Machines (TM), hoewel ze bieden met interpreteerbare logica-gebaseerde patroonherkenning, beperkt door booleaanse inputrepresentaties en vastgelegde architecturen die geen inherente geheugen van voorgaande toestanden bezitten, tenzij dit expliciet is ontworpen. De specifieke uitdaging die in dit artikel wordt aangepakt, is het anticiperen van vier verschillende FX-regimes die opereren op uursbasis, met name tijdens perioden van "volatiliteitsdroogtes" (lage variantie gedreven door statische rentepolitiek), waar de signaal-ruisverhouding gecomprimeerd is.

Methodologie
De auteurs stellen een Graph Tsetlin Machine (GraphTM) framework voor dat exogene macro-economische variabelen integreert in een gestructureerd, logica-gebaseerd leersysteem.

Graafrepresentatie: De markt wordt gemodelleerd als een hypervectoriseerde gerichte multigraf $G = (V, E, P, T)$ $G = (V, E, P, T)$ .
- Knopen ( $V$ ): Vertegenwoordigen marktvariabelen, inclusief een doelprijs-knoop ( $v_{UJ}$ voor USD/JPY), volatiliteitstraject-knopen ( $v_{ra}$ ), efficiëntietraject-knopen ( $v_{le}$ ) en macro-economische driver-knopen ( $v_{ry}$ die Amerikaanse/Japanse obligierentes en olieprijzen vertegenwoordigen).
- Randen ( $E$ ): Definiëren causale en correlationele relaties (bijv. fundamentele afhankelijkheid van obligierentes naar FX-prijzen, cross-market volatiliteitskoppelingen).
- Eigenschappen ( $P$ ): Gecodeerd als ijle binaire hypervectoren, die zowel huidige als historische toestanden vastleggen (bijv. genormaliseerde Average True Range en Efficiency Ratio).
Diepe Logische Clausules: In tegen tegenover de standaard TM's die globale feature-vectoren verwerken, construeert de GraphTM diepe conjunctieve clausules ( $C_j = C^0_j \land C^1_j \land \dots \land C^{D-1}_j$ $C_{j} = C_{j}^{0} \land C_{j}^{1} \land \dots \land C_{j}^{D - 1}$ ).
- Laag 0 ( $C^0$ ): Werkt op lokale knoop-eigenschappen (bijv. het detecteren van de afwezigheid van volatiliteitsexpansie).
- Berichtoverdracht (Message Passing): Hogere lagen maken gebruik van berichtsymbolen ( $M$ ) die tussen knopen worden doorgegeven via randen. Als een component in een lagere laag als 'waar' wordt geëvalueerd, signaleert dit de buren. Vervolglagen inspecteren deze "inboxen" om lokale toestanden te valideren tegen de context van naburige knopen (bijv. het verifiëren van een stagnante prijs-knoop tegenover een stabiele obligierente-knoop).
Leermechanisme: Het systeem maakt gebruik van gedecentraliseerde Tsetlin Automata (TA) die verdeeld zijn over knopen en lagen. Leren vindt plaats via discrete staatsovergangen gedreven door twee soorten feedback:
- Type I (Generalisatie): Versterkt literalen die bijdragen aan correcte classificaties, wat de inclusie van stabiele structurele eigenschappen bevordert.
- Type II (Discriminatie): Bestraft fout-positieven door de inclusie van literalen af te dwingen die de huidige markttoestand tegenspreken, wat effectief clausules onderdrukt die regimes verkeerd classificeren (bijv. het voorkomen dat een "stagnante" clausule wordt geactiveerd tijdens een "trend").
Regime Definitie: Het model richt zich op vier regimes gedefinieerd door de intersectie van genormaliseerde volatiliteit (ATR) en directionele efficiëntie (Efficiency Ratio):
1. Stagnant: Lage volatiliteit / Lage efficiëntie.
2. Steady Trend: Lage volatiliteit / Hoge efficiëntie.
3. Choppy/Mean-Reverting: Hoge volatiliteit / Lage efficiëntie.
4. Volatile Trend: Hoge volatiliteit / Hoge efficiëntie.
Labelingsstrategie: Om temporele stabiliteit te garanderen, worden labels gegenereerd met behulp van een 72-uur meerderheidsstemming over het vooruitziende venster, waarbij transiënte uursgewijze ruis wordt weggefilterd.

Belangrijkste Bijdragen

Graaf-theoretische Regime Detectie: Het artikel introduceert de toepassing van GraphTM op FX-markten, waarbij macro-economische drivers en technische indicatoren worden toegewezen aan een graafstructuur om cross-asset afhankelijkheden en causale relaties expliciet te vangen.
Redeneren door Eliminatie: De architectuur maakt gebruik van het vermogen om de afwezigheid van eigenschappen te specificeren (bijv. het gebrek aan volatiliteitsexpansie) om stagnante toestanden accuraat te classificeren, een capaciteit die als bijzonder effectief wordt beschouwd tijdens perioden van lage variantie.
Ruisrobuustheid via Hypervectoren: Door knoop-eigenschappen en berichten te coderen in een hoogdimensionale hypervectorruimte, behoudt het model voorspellende robuustheid in omgevingen met een lage signaalhelderheid.
Asymmetrische Risicometriek: De auteurs stellen een aangepaste "Trading Risk Score" voor op basis van een asymmetrische kostenmatrix. Deze metriek geeft prioriteit aan het minimaliseren van kapitaalerosie door foutieve trendvoorspellingen in chaotische markten boven ruwe statistische nauwkeurigheid, waardoor de optimalisatie van het model wordt afgestemd op praktische algoritmische handelsbeperkingen.

Resultaten
Empirische evaluatie werd uitgevoerd op USD/JPY uursgegevens, verdeeld in trainingssets (60%) en out-of-sample (OOS) testsets (40%) met een strikte chronologische ordening en een 72-uur durende data-purge om lekkage te voorkomen.

Prestaties: De volledige GraphTM bereikte een algehele OOS-nauwkeurigheid van 70,69%.
- Class 0 (Stagnant): 80,51% nauwkeurigheid.
- Class 2 (Choppy): 71,91% nauwkeurigheid.
- Class 1 (Steady Trend): 48,16% nauwkeurigheid.
- Class 3 (Volatile Trend): 11,24% nauwkeurigheid (beperkt door steekproefomvang en abrupte aanvang).
Vergelijkende Analyse: De GraphTM presteerde beter dan benchmarks waaronder Gradient Boosted Machines (62,54%), Graph Neural Networks (56,13%) en standaard Convolutional Tsetlin Machines (CoTM) met maximaal twee lags (58,76%).
Ablatie-studie: Het verwijderen van exogene macro-economische knopen (obligierentes, olie, cross-pair volatiliteit) resulteerde in een significante prestatiedaling (Algehele nauwkeurigheid daalde naar 48,01%), met name voor Class 1 (Steady Trend, dalend naar 9,93%). Dit bevestigt dat interne momentumindicatoren alleen onvoldoende zijn om stabiele trends te onderscheiden van zijwaartse consolidatie.
Risicometriek: Tijdens de hoog-volatiele COVID-19 periode (2020) identificeerde de rollende risicometriek correct de hoge structurele onzekerheid. Daarentegen daalde de risicometriek tijdens de stabiele trendperiode van 2021–2022 bijna naar nul, wat het vermogen van het model aantoont om perioden van laag operationeel risico te detecteren.

Betekenis en Claims
Het artikel claimt dat de GraphTM een robuust, transparant en computationeel efficiënt paradigma biedt voor het navigeren door multi-modale marktregimes. De primaire betekenis ligt in het overbruggen van de kloof tussen structureel geometrisch leren en symbolische verklaarbaarheid. Door berichtoverdracht toe te passen over een graaf van macro-economische relaties, kan het model regimeveranderingen sneller anticiperen dan traditionele modellen met een lange horizon, terwijl het de interpreteerbaarheid behoudt via logische clausules. De auteurs stellen dat deze benadering bijzonder waardevol is voor "redeneren door eliminatie" in stagnante markten en voor het integreren van cross-asset correlaties zonder de black-box natuur van diepe neurale netwerken. De studie concludeert dat graaf-gebaseerd logisch leren een levensvatbaar alternatief biedt voor conventionele machine learning voor financiële voorspellingen, specif kind door macro-economische relaties expliciet als graafstructuren te modelleren.