📈 economie

Does Complexity Improve Forecasting Accuracy? Evidence from Single and Multi-Layer LSTM Models for the BIST 100 Index

Deze studie toont aan dat voor het voorspellen van de BIST 100-index met technische en macro-economische variabelen, eenvoudigere single-layer LSTM-architecturen complexere multi-layer modellen overtreffen, wat suggereert dat parsimonie de generalisatie in financiële voorspellingen bevordert.

Oorspronkelijke auteurs: Fatih Mangir, Metehan Ortakarpuz, Abdul-Razak Bawa YUSSIF

Gepubliceerd 2026-10-21

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Fatih Mangir, Metehan Ortakarpuz, Abdul-Razak Bawa YUSSIF

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

In de wereld van de financiële sector is het voorspellen van de toekomstige beweging van een aandelenmarktindex een taak die economen en investeerders al lang boeit. Het is een uitdaging die geworteld is in het geloof dat markten weliswaar chaotisch zijn, maar niet volledig willekeurig; patronen verborgen in historische prijzen, economische rapporten en het wereldwijde sentiment kunnen een glimp bieden van wat er komen gaat. Decennialang hebben onderzoekers vertrouwd op statistische modellen om deze patronen te vinden, maar de opkomst van krachtige computers heeft een nieuw instrument geïntroduceerd: kunstmatige intelligentie. Specifiek is een type computerprogramma dat bekend staat als een neuraal netwerk, ontworpen om de manier waarop het menselijk brein sequenties van informatie verwerkt na te bootsen, een populaire keuze geworden voor dit werk. De heersende aanname in dit veld is vaak geweest dat complexere versies van deze programma's, met diepere lagen van verwerking, van nature zouden moeten leiden tot betere voorspellingen. immers, als een eenvoudig model een beetje kan leren, zou een ingewikkelder model veel meer moeten leren.

Echter, een recente studie gericht op de Borsa Istanbul 100-index, de belangrijkste benchmark voor de Turkse aandelenmarkt, daagt deze aanname uit. De onderzoekers, Fatih Mangir, Metehan Ortakarpuz en Abdul-Razak Bawa Yussif, zetten zich in om te testen of het toevoegen van meer complexiteit aan deze voorspellingsmodellen de nauwkeurigheid daadwerkelijk verbetert. Ze verzamelden meer dan tweeduizend vijfhonderd dagen aan handelsdata, reikend van begin 2016 tot het einde van 2025, een periode die belangrijke mondiale en lokale economische verschuivingen omvatte. Om hun modellen te voeden, vertrouwden ze niet alleen op de prijsgeschiedenis. In plaats daarvan combineerden ze dagelijkse slotkoersen met een rijke mix van andere informatie, waaronder technische indicatoren die het marktmomentum meten, wereldwijde angstniveaus, de kracht van de Amerikaanse dollar en lokale economische factoren zoals rentetarieven en werkloosheid. Voordat ze hun modellen trainden, gebruikten ze een wiskundige techniek om de ruisachtige, grillige fluctuaties in de data te verzachten, om ervoor te zorgen dat de computer leerde van het onderliggende signaal in plaats van van willekeurige statische ruis.

Het team bouwde vervolgens twee verschillende families van modellen om te zien welke beter zou presteren. De eerste familie bestond uit eenvoudige, enkelvoudige netwerken, terwijl de tweede familie complexere, meerlagige structuren met meerdere niveaus van verwerking bevatte. Ze trainden deze modellen om de slotkoers van de volgende dag te voorspellen, waarbij ze het experiment dertig keer voor elke configuratie uitvoerden om er zeker van te zijn dat de resultaten geen toevalstreffer waren. De bevindingen waren duidelijk en enigszins contra-intuïtief: de eenvoudigere modellen presteerden consequent beter dan de complexe modellen. Het enkelvoudige model met slechts tien verwerkingseenheden bereikte de laagste gemiddelde fout, terwijl de meest complexe modellen, inclusief die met drie lagen, moeite hadden om het bij te houden. Sterker nog, de meest uitgebreide architectuur produceerde de slechtste resultaten van allemaal, waarbij de plank volledig mis werd geslagen.

Deze uitkomst suggereert dat in de specifieke context van het voorspellen van deze opkomende marktindex, het toevoegen van diepte aan het neurale netwerk het model niet hielp om beter te leren; in plaats daarvan kan het de oorzaak zijn dat het model de taak overcomplicatieerde. De data, zelfs nadat ze waren schoongemaakt en verrijkt met mondiale en lokale variabelen, bevatten een structuur die het best werd gevangen door een rechttoe-rechtaan aanpak. De complexe modellen leken te proberen patronen te leren die simpelweg niet bestonden, waardoor ze effectief de ruis van de markt leerden memoriseren in plaats van het werkelijke ritme ervan. De studie geeft aan dat voor dit type financiële voorspelling een parsimonieuze benadering — een die de minimale noodzakelijke complexiteit gebruikt om de data te begrijpen — superieur is. De meest nauwkeurige voorspellingen kwamen niet van de krachtigste machine, maar van de machine die net complex genoeg was om te passen bij de beschikbare informatie.

De onderzoekers merkten ook een interessante afruil op in hun resultaten. Hoewel het eenvoudigste model gemiddeld het meest nauwkeurig was, bood een iets groter enkelvoudig model met vijftig eenheden een ander soort voordeel: stabiliteit. Deze versie leverde resultaten op die bijna even nauwkeurig waren, maar veel consistenter over verschillende trainingsruns heen, wat suggereert dat voor praktische beleggingsbeslissingen een model dat zowel betrouwbaar als nauwkeurig is, de ideale keuze zou kunnen zijn. Uiteindelijk dient de studie als een herinnering dat in de wereld van financiële voorspelling meer niet altijd beter is. Het beste instrument is niet noodzakelijkerwijs het meest geavanceerde, maar degene die perfect is afgestemd op de aard van de data die het probeert te begrijpen.

Technische Samenvatting: Verbetert Complexiteit de Voorspellingsnauwkeurigheid? Bewijs uit Single- en Multi-Layer LSTM-modellen voor de BIST 100 Index

Probleemstelling
De studie behandelt een cruciale methodologische vraag binnen de financiële machine learning: of het vergroten van de architecturale complexiteit — specif kind de diepte van Long Short-Term Memory (LSTM) netwerken — noodzakelijkerwijs de voorspellingsnauwkeurigheid verbetert. Hoewel wordt aangenomen dat deep learning vaak beter presteert dan simpelere modellen vanwege een groter representatievermogen, stellen de auteurs dat in ruisgevoelige financiële omgevingen, met name in opkomende markten zoals Turkije, excessieve complexiteit kan leiden tot overfitting. Het onderzoek richt zich op de BIST 100 index, een benchmark die een opkomende markt reflecteert die blootstaat aan binnenlandse macrofinanciële instabiliteit en wereldwijde schokken, om te bepalen of parsimonieuze (zuinige) modellen beter generaliseren dan diepere architecturen wanneer de informatiestructuur van de data beperkt is.

Methodologie
De studie hanteert een rigoureus, reproduceerbaar voorspellingskader met gebruik van 2.507 dagelijkse observaties van de BIST 100 index van 4 januari 2016 tot 31 december 2025.

Data en Kenmerken: De doelvariabele is de dagelijkse slotkoers. De input-featureset bevat technische indicatoren (MACD, RSI, ATR) en een multivariate set van globale en macro-economische variabelen (VIX, USDX, Turkse rentestanden, werkloosheid en consumentenvertrouwen).
Preprocessing: Om temporele integriteit te waarborgen en informatie-lekkage te minimaliseren, werd de data chronologisch gesplitst (80% training, 20% test) vóór enige verwerking. Ontbrekende waarden werden aangevuld middels forward/backward fill. Cruciaal is dat wavelet denoising (Haar wavelet met VisuShrink drempelwaarde) werd toegepast op de doelvariabele om hoogfrequente ruis te filteren, gevolgd door Min-Max normalisatie die strikt is afgeleid van de trainingsset.
Sequentieconstructie: Een vijfdaagse lookback-window werd gebruikt om gesuperviseerde leersequenties te creëren, waarbij kortetermijn afhankelijkheden in de markt worden gevangen.
Modelarchitecturen: Twee families van LSTM-modellen werden vergeleken:
- Single-Layer (SL): Configuraties met 10, 30, 50, 100, 150 en 200 neuronen.
- Multi-Layer (ML): Gestapelde configuraties inclusief twee-laag structuren (bijv. 100/50, 150/100) en een drie-laag structuur (100/50/20).
Training en Evaluatie: Hyperparameters (optimizer, leersnelheid, batchgrootte) werden onafhankelijk voor elke architectuur getuned via grid search. Om rekening te houden met het stochastische karakter van neurale netwerktraining, werd elke configuratie geëvalueerd over 30 onafhankelijke replicaties met willekeurige gewichtsinitialisaties. Prestaties werden gemeten met behulp van Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) en Pearson correlatie. Statistische significantie werd beoordeeld met de Welch's twee-steekproef t-test.

Belangrijkste Resultaten
De empirische bevindingen demonstreren een niet-monotone relatie tussen modelcomplexiteit en voorspellingsnauwkeurigheid:

Superioriteit van Eenvoud: De single-layer LSTM met 10 neuronen bereikte de laagste gemiddelde RMSE (231,32) en de hoogste Pearson correlatie (0,9797), waarmee deze alle multi-layer architecturen significant versloeg.
Degradatie door Diepte: Het verhogen van het aantal neuronen in single-layer modellen boven de 50 leidde tot verslechtering van de prestaties, waarbij het 200-neuronen model de slechtste resultaten liet zien. Eveneens vertoonden multi-layer architecturen over het algemeen hogere foutmarges en lagere correlaties dan hun single-layer tegenhangers. De drie-laag structuur (100/50/20) presteerde het slechtst van alle configuraties.
Trade-off tussen Stabiliteit en Nauwkeurigheid: Hoewel het 10-neuronen model de hoogste nauwkeurigheid bood, vertoonde het een hogere variantie over de replicaties. Het 50-neuronen single-layer model kwam naar voren als een robuust compromis, dat bijna optimale nauwkeurigheid bood met de grootste stabiliteit (laagste standaarddeviatie in RMSE).
Statistische Significantie: De Welch's t-test bevestigde dat het verschil in prestaties tussen het beste single-layer model (10N) en de representatieve multi-layer benchmark (150/100) statistisch significant was ( $p < 0,001$ ), waarbij het single-layer model een systematisch nauwkeurigheidsvoordeel bood.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen aan de literatuur:

Multivariat Kader: Het vestigt een uitgebreid voorspellingskader voor de BIST 100 dat technische indicatoren integreert met globale risico- en binnenlandse macro-economische variabelen, verwerkt via wavelet denoising.
Architecturale Specificiteit: In tegenstelling tot studies die verschillende modelfamilies vergelijken (bijv. ARIMA versus LSTM), isoleert dit onderzoek het effect van architecturale diepte binnen de LSTM-familie, waarbij de informatieverzameling en de voorspellingshorizon constant worden gehouden.
Bewijs voor Parsimonie: Het levert empirisch bewijs vanuit een opkomende marktomgeving dat diepere LSTM-architecturen de voorspellende prestaties niet inherent verbeteren. De studie daagt de aanname dat "dieper beter is" uit, en suggereert dat de modelcapaciteit moet worden afgestemd op de informatieve structuur van de data in plaats van mechanisch te worden uitgebreid.

Betekenis en Claims
De auteurs concluderen dat in de context van volatiele voorspellingen in opkomende markten, grotere architecturale complexiteit niet noodzakelijkerwijs de voorspellingsnauwkeurigheid verbetert. In plaats daarvan ondersteunen de resultaten een parsimonieuze benadering waarbij eenvoudigere, single-layer modellen de generalisatie kunnen verbeteren wanneer de complexiteit van het model de beschikbare informatieve structuur van de data overstijgt.

De studie benadrukt dat hoewel multi-layer modellen mogelijk een iets hogere stabiliteit bieden over de trainingsruns, zij er niet in slagen de onderliggende marktdynamiek effectiever te vatten dan compacte architecturen. De bevindingen suggeren dat voor financiële tijdreeksen met korte lookback-windows en specifieke ruiskenmerken, het "optimale" model niet het meest complexe is, maar het model waarvan de capaciteit het best overeenkomt met de informatieve inhoud van de data. De auteurs waarschuwen dat deze bevindingen specifiek zijn voor het experimentele ontwerp (vaste lookback, specifieke predictoren en preprocessing) en de bruikbaarheid van diepere modellen in scenario's met langere temporele afhankelijkheden of rijkere informatiesets niet universeel uitsluiten.

Meer zoals dit