VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion
VertiFuseX is een lichtgewicht, hybride LSTM-architectuur die superieure generalisatie en nauwkeurigheid in financiële voorspellingen bereikt door een innovatieve verticale fusie van multi-schaal temporele representaties in de penultimale laag toe te passen, waarmee het bestaande baselines over diverse wereldwijde markten heen significant overtreft terwijl het een voor implementatie gereed efficiëntieniveau behoudt.
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 door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het voorspellen van de toekomstige koers van een aandeel is een van de moeilijkste uitdagingen in de financiële wereld. De markt is geen stabiele, voorspelbare machine; het is een chaotisch, ruisend systeem dat constant verandert. Prijzen bewegen niet in rechte lijnen, maar springen op en neer op basis van een mix van direct nieuws, langetermijntrends en de wisselende stemmingen van miljoenen beleggers. Omdat de gegevens zo rommelig zijn en zo snel veranderen, hebben standaard computerprogramma's vaak moeite om het werkelijke signaal te vinden dat verborgen ligt in de ruis. Ze hebben de neiging om ofwel fouten uit het verleden te memoriseren, ofwel in de war te raken wanneer de markt plotseling overschakelt naar een nieuw patroon. Decennialang hebben onderzoekers geprobeerd betere instrumenten te bouwen, waarbij ze complexe wiskundige modellen gebruikten om te raden waar de prijzen als volgende naartoe zullen gaan, in de hoop die gissingen om te zetten in betrouwbare prognoses die beleggers kunnen helpen bij het beheersen van risico's.
Een team onderzoekers aan het Indian Institute of Technology Jodhpur heeft een nieuwe aanpak voorgesteld genaamd VertiFuseX om dit probleem op te lossen. In plaats van te proberen de computer te dwingen om één enkele, rigide manier van naar het verleden te kijken te leren, hebben zij een systeem gebouwd dat tegelijkertijd naar drie verschillende "stemmen" van de markt luistert. Stel je voor dat je probeert een complex verhaal te begrijpen door naar drie verschillende mensen te luisteren: één die de exacte volgorde van gebeurtenissen onthoudt, één die de context van het hele verhaal van begin tot eind begrijpt, en één die het grote plaatje ziet van hoe het plot zich in de loop van de tijd heeft ontwikkeld. De onderzoekers hebben deze drie perspectieven gecombineerd in één enkel, verenigd model. Ze ontdekten dat door deze verschillende visies op het verleden samen te voegen voordat er een definitieve voorspelling wordt gedaan, het systeem patronen kon zien die de anderen misten, wat leidde tot aanzienlijk nauwkeurigere prognoses.
De kern van hun ontdekking ligt in de manier waarop ze deze verschillende perspectieven hebben gecombineerd. In veel eerdere pogingen lieten onderzoekers elk computermodel zijn eigen gok doen en middelden ze vervolgens de resultaten, zoals het houden van een stemming. Het nieuwe onderzoek stelt dat deze methode te veel waardevolle informatie weggooit. In plaats daarvan besloten de onderzoekers de interne "gedachten" van de modellen te combineren terwijl ze nog bezig waren met het verwerken van de gegevens, nog voordat ze zich tot een definitief getal hoefden te verplichten. Ze namen de tussenliggende representaties van hun drie verschillende modellen — één die het kortetermijngeheugen bijhoudt, één die naar het verleden en de toekomst binnen een specifiek venster kijkt, en één die diepe, gelaagde trends begrijpt — en voegden deze samen. Dit stelde het systeem in staat om de rijke, gedetailleerde textuur van de geschiedenis van de markt te behouden, in plaats van het te reduceren tot een enkele, gecomprimeerde gok.
Om te testen of dit idee werkte, trainden de onderzoekers hun systeem op vijftien jaar aan dagelijkse slotkoersen van tien grote aandelenmarkten over de hele wereld, inclusief de Verenigde Staten, Europa en Azië. Ze gebruikten een strikte testmethode waarbij het model werd getraind op het verleden en vervolgens werd gevraagd de toekomst te voorspellen zonder ooit de testgegevens vooraf te hebben gezien, om te garanderen dat de resultaten niet slechts gelukkige gokken waren. De resultaten waren opmerkelijk. Het nieuwe systeem verminderde de voorspellingsfouten met tussen de 30 en 54 procent vergeleken met oudere, standaardmodellen. Het presteerde consistent goed over verschillende soorten markten, van de stabiele, traag bewegende blue-chip aandelen tot de zeer volatiele, technologie-zware markten die snel veranderen. Het systeem was ook verrassend efficiënt; het vereiste zeer weinig computergeheugen en deed voorspellingen in minder dan twee milliseconden, wat snel genoeg is voor realtime handel.
De onderzoekers keken ook naar hoe het systeem zijn beslissingen nam om te begrijpen wat het daadwerkelijk leerde. Door te analyseren naar welke dagen in het verleden het model de meeste aandacht besteedde, ontdekten ze dat het consequent focuste op een specifiek tijdsvenster van ongeveer negen tot vijftien dagen geleden. Dit suggereert dat het model een "sweet spot" in de gegevens heeft gevonden waar het signaal sterk genoeg was om nuttig te zijn, maar niet zo oud dat het irrelevant was. Dit inzicht is waardevol omdat het laat zien dat het systeem leerde om de onmiddellijke, chaotische ruis van de laatste dag of twee en de verre, vervaagde patronen van maanden geleden te negeren, en zich in plaats daarvan te concentreren op de intermediaire trends die vaak de prijsbewegingen aansturen.
Om te zien of deze betere voorspellingen in de echte wereld ook echt uitmaakten, simuleerde het team een handelsstrategie met behulp van de prognoses van het model. Ze testten hoe het systeem zou hebben gepresteerd tijdens twee van de meest stressvolle periodes in de recente financiële geschiedenis: de beurscrash veroorzaakt door de pandemie in 2020 en de bear market van 2022. In beide gevallen slaagde het systeem erin het kapitaal beter te beschermen dan het simpelweg aanhouden van aandelen. Het verminderde de maximale hoeveelheid geld die tijdens de neergang werd verloren en behaalde betere rendementen in verhouding tot het genomen risico. Hoewel het niet altijd de markt versloeg in totale winst, deed het dat met minder volatiliteit en minder scherpe dalingen, wat aantoont dat het model zich kan aanpassen aan extreme omstandigheden zonder in te storten.
De studie concludeert dat deze nieuwe methode van het fuseren van verschillende soorten geheugen op een tussenliggend stadium een krachtige manier biedt om de complexiteit van financiële markten aan te pakken. Het suggereert dat de sleutel tot betere voorspellingen niet alleen is om de modellen dieper of ingewikkelder te maken, maar hen juist te leren hoe ze hun verschillende manieren van het zien van het verleden kunnen delen en combineren. Het systeem bleek lichtgewicht, snel en robuust over verschillende landen en marktomstandigheden, wat een praktische tool biedt die in echte financiële systemen kan worden ingezet. Hoewel de onderzoekers erkennen dat geen enkel model de toekomst met absolute zekerheid kan voorspellen, vooral tijdens plotselinge wereldwijde schokken, biedt hun werk een duidelijkere, betrouwbaardere manier om te navigeren door de onzekere wateren van de aandelenmarkt.
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.