Cross-Sectional Heterogeneity in LSTM Networks for Financial Time Series
Dit artikel stelt een verbeterde LSTM-architectuur voor die macrofinanciële covariaten en leerbare sector-embeddings integreert om effectief de dwarsdoorsnedenheterogeniteit in S&P 500-rendementen te vangen, waarbij een superieure voorspellende prestatie en interpreteerbaarheid wordt aangetoond ten opzichte van standaard benchmarks door middel van een strategie die wordt gedreven door korte termijn omkeer- en industrie-momentumfactoren.
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 probeert te voorspellen, maar in plaats van naar wolken te kijken, kijk je naar de aandelenmarkt. Dit is de wereld van financiële tijdreeksvoorspelling, een vakgebied waar wetenschappers proberen te raden of een aandelenkoers morgen zal stijgen of dalen op basis van de geschiedenis. Het is een berucht lastig spel. Denk aan de aandelenmarkt als een enorme, lawaaierige oceaan. Het "signaal" is de werkelijke windrichting die vertelt waar de golven naartits gaan, maar de "ruis" is het kletteren van water, de schreeuwende meeuwen en de willekeurige rimpelingen die het moeilijk maken om het echte patroon te zien. Omdat de markt zo efficiënt is — wat betekent dat iedereen het nieuws direct weet — is het vinden van een betrouwbaar patroon als proberen een fluistering te horen in een orkaan.
Om dit aan te pakken, gebruiken onderzoekers machine learning, specifiek een type computerbrein genaamd een LSTM (Long Short-Term Memory). Je kunt een LSTM zien als een supergeorganiseerde bibliothecaris die de geschiedenis van de koers van een aandeel dag voor dag leest, de belangrijke delen onthoudt en de ruis vergeet, om zo een gok te wagen over de toekomst. Een lang tijd werden deze bibliothecarissen getraind om elk aandeel te behandelen alsof het precies dezelfde persoon was, alleen met een andere hoed op. Ze bekeken de geschiedenis van Apple en de geschiedenis van een nutsbedrijf op exact dezelfde manier. Maar in de echte wereld reageren een technologiebedrijf en een energiebedrijf heel verschillend op nieuws. Dit artikel stelt een simpele vraag: Wat als we onze bibliothecaris zouden leren dat aandelen bij verschillende "buurten" (sectoren) horen en dat deze buurten hun eigen unieke persoonlijkheden hebben?
De Grote Aandelenmarkt-Sorteerhoed
In dit onderzoek besluit de auteur, Julius Döbelt, de standaard LSTM-bibliothecaris een upgrade te geven. De oude versie was goed, maar een beetje onhandig omdat hij een snelgroeiend technologie-aandeel precies hetzelfde behandelde als een stabiel nutsbedrijf. Döbelt introduceert een nieuwe truc: Sector Embeddings.
Stel je voor dat je op een enorm feest bent met honderden gasten. De oude bibliothecaris zou naar elke gast kijken en proberen te raden wie er als volgende gaat dansen, enkel gebaseerd op hoe ze zich het afgelopen uur bewogen. Maar Döbelt's nieuwe bibliothecaris krijgt een speciale "sorteerhoed". Voordat de bibliothecaris zelfs naar de dans kijkt, plakt de hoed direct een label op elke gast met hun groep: "Tech", "Gezondheidszorg", "Energie", enzovoort. De bibliothecaris leert dat "Tech"-gasten de neiging hebben om in een specifiek ritme te dansen, terwijl "Energie"-gasten een totaal andere stijl hebben. Door de computer deze "sector-labels" als speciale input te geven, kan het model eindelijk begrijpen dat de prestaties uit het verleden van een aandeel niet alleen afhangen van zijn eigen geschiedenis, maar ook van de vibe van zijn hele buurt.
Het Experiment: Een 30-jarige Tijdreis
Om dit idee te testen, bouwde Döbelt een tijdmachine. Hij nam gegevens van de S&P 500 (de 500 grootste bedrijven in de VS) van 1995 tot 2024. Hij keek niet naar slechts één jaar; hij draaide een simulatie waarbij hij het model trainde op drie jaar geschiedenis en het vervolgens testte op het direct daaropvolgende jaar, een proces dat hij 27 keer herhaalde. Dit is alsof je een student drie jaar traint en hem dan telkens weer test op een nieuw schooljaar, om te zien of hij echt heeft geleerd of dat hij gewoon de antwoorden heeft uit het hoofd geleerd.
Hij vergeleek zijn nieuwe "Sector LSTM" met drie andere concurrenten:
- De Basis LSTM: De oude bibliothecaris die buurten negeert.
- Random Forest: Een ander type computerbrein dat beslissingen neemt door veel kleine vragen te stellen (zoals een commissie van experts).
- De Buy-and-Hold Strategie: De belegger die gewoon de hele markt koopt en wacht.
De Resultaten: De Buurt-truc wint (Grotendeels)
De resultaten waren duidelijk en opwindend. De nieuwe Sector LSTM presteerde consequent beter dan de anderen. Wanneer het model de sector-labels gebruikte, maakte het meer correcte voorspellingen over welke aandelen de gemiddelde markt zouden verslaan en welke zouden verliezen.
- De Winnaar: De Sector LSTM had de beste balans tussen het maken van winst en het nemen van een laag risico. Het behaalde een Sharpe-ratio (een score die meet hoeveel winst je maakt voor het risico dat je neemt) van 0,69, wat aanzienlijk beter was dan de basis LSTM (0,39) en de Random Forest (0,53).
- De Verliezer: Interessant genoeg hielp het toevoegen van extra "macro-financiële" gegevens — zoals olieprijzen, goudfutures en rentestanden — niet. Sterker nog, het model dat probeerde al dat extra economische nieuws te gebruiken, presteerde het slechtst. Het lijkt erop dat voor deze specifieke dagelijkse voorspellings taak, weten in welke buurt je bent, veel belangrijker was dan het kennen van het wereldwijde weerbericht.
De "Black Box" Geopend
Een van de grootste klachten over AI is dat het een "black box" is — we weten dat het werkt, maar we weten niet waarom. Döbelt besloot in de box te gluren. Hij ontdekte dat het model stiekem twee beroemde regels van de aandelenmarkt had geleerd zonder dat iemand het hem had verteld:
- Industrieel Momentum: Het model leerde dat als een hele buurt (zoals Technologie) de afgelopen maanden goed heeft gepresteerd, het de neiging heeft om nog een tijdje goed te blijven presteren. De "sector-labels" werkten als een momentum-booster, waardoor het model werd aangemoedigd om in te zetten op de winnende buurten.
- Kortetermijn-reversie: Het model leerde ook dat als een enkel aandeel gisteren een enorme sprong maakte, het vandaag waarschijnlijk een kleine stap terug doet. Het is als een elastiekje dat terugschiet.
Echter, het paper vond ook een addertje onder het gras. Deze "buurt-momentum"-truc werkt geweldig in stabiele tijden, zoals in 2007, waar het model correct de winnaars koos. Maar in tijden van chaos, zoals vlak na de dot-com crash van 2000 of de pandemie van 2020, werkte de truc averechts. Wanneer de markt in paniek raakte, werden de "verliezers" van het voorgaande jaar plotseling de "winnaars", en de afhankelijkheid van het model van buurt-trends zorgde ervoor dat het op de verkeerde paarden wedde. Dit suggereert dat hoewel het model slim is, het geen magie is; het heeft nog steeds moeite wanneer de regels van de markt plotseling veranderen.
De Kern van het Verhaal
Dit paper suggereert dat het aanleren aan AI dat "een aandeel meer is dan alleen een getal; het is onderdeel van een team" een krachtige manier is om voorspellingen te verbeteren. Door eenvoudige "sector-labels" toe te voegen, werd het model beter in het navigeren door de lawaaierige aandelenmarkt. Maar de auteur waarschuwt ons ook dat de dagen van gemakkelijke, enorme winsten waarschijnlijk voorbij zijn. Het succes van het model is bescheiden en hangt sterk af van het feit dat de markt normaal blijft gedrag vertoont. Het is een solide stap voorwaarts, die bewijst dat zelfs in een lawaaierige oceaan, weten op welk bootje je zit, een groot verschil maakt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.