Artificial Intelligence and Machine Learning for Stock Market Prediction: A Systematic Literature Review of Methods, Emerging Paradigms, Reproducibility, and Evaluation Gaps (2016-2026)
Deze systematische literatuurreview van 685 studies (2016–2026) analyseert de evolutie, reproduceerbaarheid en evaluatiekloven in AI-gestuurde aandelenmarktvoorspelling, waarbij een kritieke discrepantie wordt onthuld tussen gerapporteerde modelnauwkeurigheden en praktische handelsbruikbaarheid als gevolg van wijdverbreide problemen zoals datalekken, een gebrek aan het delen van code en onvoldoende statistische toetsing.
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
Aandelenkoersen zijn berucht moeilijk te voorspellen. Ze bewegen niet in rechte lijnen, ze zijn vaak ruizig en hun gedrag verandert in de loop van de tijd. Decennialang probeerden economen deze bewegingen te voorspellen met behulp van eenvoudige wiskundige regels die ervan uitgingen dat de toekomst er veel hetzelfde uit zou zien als het verleden. Maar naarmate computers sneller en krachtiger werden, begon een nieuwe generatie onderzoekers kunstmatige intelligentie te gebruiken om patronen in de chaos te vinden. Deze systemen, bekend als machine learning-modellen, kunnen enorme hoeveelheden historische gegevens verwerken om subtiele signalen op te sporen die menselijke analisten zouden missen. De belofte is aanlokkelijk: als een computer kan leren voorspellen welke kant een aandeel op zal gaan, zou het aanzienlijke rijkdom kunnen genereren. Toch is het vakgebied, ondanks de opwinding, geteisterd door een hardnekkig probleem. Veel studies beweren een winnende formule te hebben gevonden, maar wanneer anderen het werk proberen te herhalen, verdwijnen de resultaten vaak.
Een team van onderzoekers zette zich scharpe schijven om te begrijpen waarom deze kloof bestaat tussen wat papers rapporteren en wat in de echte wereld werkt. Ze voerden een massale review uit van 685 wetenschappelijke studies gepubliceerd tussen 2016 en 2026, waarbij ze onderzochten hoe kunstmatige intelligentie momenteel wordt gebruikt om aandelenmarkten te voorspellen. Hun werk is niet een nieuw voorspellingsmodel zelf, maar eerder een diepe audit van het gehele vakgebied. Ze keken naar de soorten computerarchitecturen die worden gebouwd, hoe de methoden in het afgelopen decennium zijn veranderd en, het meest cruciaal, of de resultaten betrouwbaar zijn. Door duizenden pagina's aan onderzoek te doorzoeken, legden ze een landschap bloot waar de technologie snel vooruitgaat, maar de standaarden voor het bewijzen dat die technologie werkt, niet hebben kunnen bijbenen.
De onderzoekers ontdekten dat het vakgebied veel verder is gegaan dan eenvoudige lineaire vergelijkingen. In de vroege jaren van hun review vertrouwden studies op oudere statistische instrumenten of basis technieken van machine learning. Tegen de jaren 2020 was de dominante aanpak verschoven naar deep learning, specifiek een type neuraal netwerk genaamd Long Short-Term Memory, of LSTM. Deze netwerken zijn ontworpen om sequenties van gebeurtenissen te onthouden, wat ze zeer geschikt maakt voor tijdgebonden gegevens zoals aandelenkoersen. Sterker nog, bijna 90 procent van de onderzochte studies gebruikte een vorm van deze technologie. Recentelijk is het veld begonnen met het adopteren van nog complexere systemen, waaronder modellen die nabootsen hoe grote taalmodellen tekst verwerken, en systemen die de relaties tussen verschillende bedrijven analyseren alsof ze knooppunten zijn in een gigantisch, verschuivend web. De variëteit aan instrumenten is geëxplodeerd, waarbij onderzoekers nu prijsgegevens combineren met nieuwsartikelen, sentiment op sociale media en zelfs supply chain-verbindingen om hun voorspellingen te doen.
De auteurs ontdekten echter dat deze explosie in complexiteit niet is vergezeld door een vergelijkbare toename in betrouwbaarheid. Wanneer zij de studies controleerden op reproduceerbaarheid — het vermogen voor andere wetenschappers om dezelfde gegevens en code te nemen en dezelfde resultaten te krijgen — vonden zij een schokkend tekort. Slechts ongeveer 7,6 procent van de 685 studies leverde de werkelijke computercode die nodig is om de modellen te draaien. De grote meerderheid van de onderzoekers publiceerde hun bevindingen zonder de tools te delen die werden gebruikt om ze te genereren. Dit betekent dat de meeste gerapporteerde successen niet geverifieerd kunnen worden. Bovendien identificeerden de onderzoekers vijf specifieke manieren waarop studies vaak onbedoeld fouten introduceren, zelfs zonder dat dit de bedoeling was. Een veelvoorkomende fout houdt in dat er informatie uit de toekomst wordt gebruikt om het model te trainen. Bijvoorbeeld, als een onderzoeker gegevens normaliseert met behulp van de hoogste en laagste prijzen van de gehele tienjarige periode voordat de data wordt gesplitst in trainings- en testsets, ziet het model tijdens de trainingsfase effectief de toekomst. Dit creëert een illusie van hoge nauwkeurigheid die instort op het moment dat het model wordt gebruikt op nieuwe, ongeziene data.
De review benadrukte ook een disconnect tussen hoe modellen in het lab worden getest en hoe ze presteren in de echte markt. Veel studies rapporteren indrukwekkende nauwkeurigheidspercentages, waarbij ze soms beweren de richting van een aandeel correcter dan 90 procent van de tijd te voorspellen. Toch negeren deze studies vaak de kosten van handel, zoals commissies en het verschil tussen de prijs die een handelaar wil betalen en de prijs die hij daadwerkelijk krijgt. Wanneer de onderzoekers zochten naar studies die deze real-world fricties bevatten, vonden zij er zeer weinig. Daarnaast gebruikten de meeste papers geen rigoureuze statistische tests om te bewijzen dat hun resultaten beter waren dan toeval. In plaats daarvan vertrouwden ze op eenvoudige vergelijkingen die gemakkelijk misleidend kunnen zijn. De auteurs merkten op dat een model een genie kan lijken simpelweg omdat het goed is in het herhalen van de prijs van gisteren, een truc die op papier goed werkt maar geen geld oplevert in een live markt.
Ondanks deze gebreken concludeerden de onderzoekers niet dat kunstmatige intelligentie nutteloos is voor de financiële sector. In plaats daarvan stelden zij dat het vakgebied zich op een keerpunt bevindt. De instrumenten zijn krachtig, maar de manier waarop ze worden gebruikt en geëvalueerd is te losjes om te vertrouwen. Het team stelde een nieuwe set standaarden voor om deze problemen op te lossen. Ze riepen onderzoekers op om hun code en data openlijk te delen, hun modellen te testen met rollende tijdsvensters die voorkomen dat toekomstige data binnensluipt, en de kosten van handel in hun simulaties op te nemen. Ze hamerden er ook op dat claims van succes moeten worden onderbouwd met formeel statistisch bewijs, en niet alleen door een hoog getal op een grafiek te tonen. Zonder deze veranderingen waarschuwen de auteurs dat het vakgebied zal blijven produceren dat flitsende resultaten die niet vertalen naar echte economische waarde. De weg vooruit vereist een verschuiving van het najagen van het meest complexe algoritme naar het bouwen van het meest eerlijke en verifieerbare algoritme.
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.