A Comparative Analysis of Machine Learning and Deep Learning Models for Forecasting Vietnam's Export Coffee Prices

De wereld van de financiën voelt vaak als een chaotische storm, waarbij de prijs van een enkele grondstof wild kan schommelen op basis van onzichtbare stromingen van de wereldhandel, politieke spanningen en het verschuivende beleid van centrale banken. Voor landen die zwaar afhankelijk zijn van de export van een enkel gewas, zoals Vietnam met zijn koffie, zijn deze schommelingen niet slechts cijfers op een scherm; ze vormen het verschil tussen welvaart en tegenspoed voor miljoenen boeren en arbeiders. Om deze onzekerheid te navigeren, hebben economen en handelaren lang geprobeerd systemen te bouwen die naar het verleden kunnen kijken en de toekomst kunnen voorspellen. Decennialang vertrouwden zij op statistische methoden die ervan uitgingen dat de markt zich in voorspelbare, rechte lijnen bewoog. Moderne markten zijn echter zelden recht; ze zijn grillig, onvoorspelbaar en breken vaak hun eigen regels. In de afgelopen jaren is er een nieuwe generatie instrumenten opgekomen uit het veld van kunstmatige intelligentie, die beloven patronen in deze chaos te vinden die de traditionele wiskunde mist. Deze instrumenten, bekend als machine learning- en deep learning-modellen, zijn ontworpen om te leren van data in plaats van rigide formules te volgen. De vraag waarmee experts vandaag de dag worden geconfronteerd is niet alleen of deze nieuwe instrumenten werken, maar welk specifiek type instrument het best geschikt is om de meest extreme en onvoorspelbare marktomstandigheden aan te kunnen.

Een team van onderzoekers uit Vietnam zette zich in om deze vraag te beantwoorden door zes verschillende voorspellingsmodellen een rigoureuze test te onderwerpen met behulp van de werkelijke prijs van Robusta-koffie, de belangrijkste export van het land. Ze vroegen niet simpelweg welk model er op papier het beste uitzag; ze daagden de modellen uit om prijzen te voorspellen tijdens een periode van extreme marktturbulentie, waarbij ze specifiek keken naar een venster van driehonderd dagen waarin de prijzen naar historische hoogten stegen. De onderzoekers vergeleken drie traditionele machine learning-modellen, die als krachtige rekenmachines zijn die naar een enkele snapshot van data tegelijk kijken, met drie deep learning-modellen, die meer lijken op systemen met een geheugen die in staat zijn een lange sequentie van gebeurtenissen te onthouden. Het doel was om te zien of het vermogen om de afgelopen maanden aan prijsbewegingen te onthouden, de deep learning-modellen een beslissend voordeel gaf over de traditionele modellen wanneer de markt zich op manieren gedroeg die hij nog nooit eerder had vertoond.

De resultaten van dit experiment waren duidelijk en beslissend. Het model dat als sterkste presteerder naar voren kwam, was een deep learning-architectuur genaamd een Gated Recurrent Unit, of GRU. Dit model bereikte een nauwkeurigheidsniveau waarmee het de volatiele koffieprijzen kon volgen met een gemiddelde fout van slechts 96,55 Amerikaanse dollar per ton, een opmerkelijk kleine marge gezien de wilde schommelingen in de markt. Het presteerde beter dan elk ander model in de studie, inclusief het beste van de traditionele machine learning-tools en de andere deep learning-concurrenten. De onderzoekers ontdekten dat de sleutel tot dit succes niet simpelweg was dat het model complex was of veel lagen had, maar dat het over een specifiek soort geheugen beschikte. Het kon terugkijken naar de sequentie van prijsveranderingen over de voorgaande zestig dagen en het momentum en de richting van de markt begrijpen. Dit vermogen om tijd te verwerken als een sequentie, in plaats van slechts een verzameling geïsoleerde punten, bleek de cruciale factor te zijn om de structurele breuken in de markt te overleven.

Misschien wel de meest verrassende bevinding was dat niet alle deep learning-modellen gelijk zijn. Een van de geteste modellen, een standaard feedforward neuraal netwerk dat geen geheugen van het verleden had, presteerde slechter dan elk enkel traditioneel machine learning-model. Het was zelfs zo onnauwkeurig dat het minder betrouwbaar was dan simpelweg het gemiddelde van de prijs raden. Dit resultaat weerlegde het idee dat het simpelweg "dieper" of complexer maken van een model voldoende is om het probleem op te lossen. Het toonde aan dat zonder de specifieke architecturale functie die een model in staat stelt de volgorde van gebeurtenissen te begrijpen, zelfs het meest geavanceerde deep learning-systeem faalt. De studie onthulde ook dat het meest beroemde deep learning-model voor tijdreeksen, bekend als LSTM, minder stabiel en minder accuraat was dan de GRU in deze specifieke context. Hoewel LSTM vaak wordt beschouwd als de gouden standaard, vonden de onderzoekers dat de lichtere, efficiëntere GRU-architectuur beter geschikt was voor de omvang van de data en de aard van de koffiemarkt, en meer consistente resultaten leverde bij verschillende willekeurige startpunten.

De studie benadrukte ook de beperkingen van de traditionele machine learning-modellen wanneer zij geconfronteerd werden met prijzen die alles overtroffen wat zij in hun trainingsgeschiedenis hadden gezien. Een van de best presterende traditionele modellen, een Random Forest, deed het goed, maar het worstelde met het voorspellen van de absolute pieken omdat het wiskundig niet in staat was om een prijs te raden die hoger was dan de hoogste prijs die het ooit tijdens de training had gezien. In tegenstelling hiertoe was het GRU-model, ondanks dat het getraind was op een smaller bereik van historische prijzen, in staat om zijn begrip van markttrends te generaliseren om deze nieuwe, hogere pieken te voorspellen. Dit suggereert dat voor grondstoffen die gevoelig zijn voor plotselinge, extreme verschuivingen, het vermogen om het ritme en de flow van de markt te leren waardevoller is dan simpelweg het onthouden van historische prijsniveaus. De onderzoekers waren zorgvuldig in hun transparantie over het ontwerp van hun experiment, waarbij zij opmerkten dat de traditionele modellen toegang hadden tot iets meer historische data dan de deep learning-modellen, maar dat het deep learning-model toch won, wat de kracht van zijn sequentiële geheugen bevestigde.

Buiten de academische vergelijking om, vertaalden de onderzoekers hun bevindingen naar een praktisch hulpmiddel voor koffie-exporteurs. Met behulp van het winnende GRU-model creëerden zij een zevendaagse voorspelling die een "risicocorridor" bevatte, die het meest waarschijnlijke prijsbereik voor de komende week toont. Dit hulpmiddel stelt exporteurs in staat om niet alleen een enkele voorspelde prijs te zien, maar ook een band van onzekerheid die breder wordt naarmate men verder in de toekomst kijkt. Voor een bedrijf dat voorraad aanhoudt, is deze informatie essentieel; het kan hen helpen beslissen of ze hun koffie nu moeten verkopen om een prijs vast te leggen, of dat ze moeten wachten, wetende wat de statistische waarschijnlijkheid is dat de prijs daalt of stijgt. De studie concludeert dat hoewel geen enkel model de toekomst met perfecte zekerheid kan voorspellen, de juiste soort kunstmatige intelligentie—één die de stroom van de tijd respecteert—een aanzienlijk voordeel kan bieden bij het beheren van de financiële risico's van een volatiele wereldmarkt. Door de specifieke architecturale kenmerken te identificeren die leiden tot succes, biedt dit onderzoek een duidelijk pad vooruit voor iedereen die probeert prijzen te voorspellen in een onvoorspelbare wereld.