Regime Dependent Machine Learning and the Limits of Algorithmic Trading in the Dhaka Stock Exchange

In de wereld van de financiën bestaat een hardnekkig geloof dat de toekomstige prijs van een aandeel voorspeld kan worden als men simpelweg genoeg gegevens verzamelt en de juiste wiskundige instrumenten toepast. Dit idee rust op het concept dat markten niet volledig willekeurig zijn; in plaats daarvan bewegen ze in duidelijke patronen of "regimes", waarbij ze schakelen tussen perioden van rust, hoge volatiliteit en stress. Als een investeerder deze verschuivingen zou kunnen identificeren terwijl ze plaatsvinden, kan de logica gaan dat zij hun strategie kunnen aanpassen om te kopen wanneer de markt rustig is en te verkopen wanneer het chaotisch is, waardoor zij de gemiddelde deelnemer te slim af zijn. Deze benadering is een hoeksteen geworden van de moderne algoritmische handel, waarbij computers complexe machine learning gebruiken om enorme hoeveelheden historische data te scannen op zoek naar signalen die menselijke handelaren mogelijk missen. De vraag die veel van dit onderzoek drijft, is of deze geavanceerde systemen die signalen daadwerkelijk kunnen omzetten in echte, blijvende winst, vooral in markten die minder ontwikkeld en onvoorspelbaarder zijn dan die in het Westen.

Een recente studie gericht op de Dhaka Stock Exchange in Bangladesh probeerde deze vraag met rigoureuze precisie te beantwoorden. De onderzoeker, Md. Shakil Sikder, testte niet simpelweg één enkel model op een handvol bedrijven. In plaats daarvan construeerde hij drie aparte groepen aandelen om ervoor te zorgen dat de resultaten geen toevalstreffer waren. Eén groep bestond uit twaalf bekende, liquide bedrijven die zorgvuldig door de auteur waren geselecteerd. Een tweede groep was een willekeurige selectie van zes bedrijven, gekozen door een computer om menselijke bias in het selectieproces te elimineren. Een derde, veel grotere groep van vierentwintig aanvullende aandelen werd later toegevoegd om te testen of de bevindingen stand zouden houden over een breder scala aan industrieën, wat uiteindelijk veertienentwintig effecten over zeventien verschillende sectoren besloeg. Het doel was om te zien of een specif으로 type machine learning, dat zijn voorspellingen conditioneert op het huidige marktregieme, consistent kon presteren ten opzichte van een eenvoudige, baseline strategie die ervan uitgaat dat de markt niets meer doet dan het recente gemiddelde herhalen.

De studie maakte gebruik van vijf verschillende voorspellingsmodellen, variërend van basis statistische methoden tot geavanceerde kunstmatige intelligentiesystemen zoals neurale netwerken. Deze modellen werden gevoed met dertien verschillende technische indicatoren, zoals eerdere prijsbewegingen, handelsvolume en momentum, samen met een signaal dat aangaf of de markt zich in een normale, hoog-volatiele of stressvolle staat bevond. De onderzoekers gebruikten een strikte testmethode genaald "walk-forward validation", die real-time handel simuleert door het model te trainen op historische data en het vervolgens te testen op toekomstige data die het nog nooit eerder heeft gezien, om te garanderen dat er geen informatie uit de toekomst in het verleden lekte. Ze hielden ook rekening met de specifieke transactiekosten in Bangladesh, inclusie makelaarscourtages, belastingen en de slippage die optreedt wanneer men grote hoeveelheden aandelen probeert te kopen of verkopen zonder de prijs tegen zichzelf in te bewegen.

De resultaten waren scherp en consistent over alle drie de groepen aandelen. Geen van de geavanceerde machine learning-modellen slaagde erin om de eenvoudige benchmark te overtreffen. Sterker nog, het meest complexe model, een gradient-boosted tree algoritme bekend als LightGBM, presteerde aanzienlijk slechter dan de baseline-benadering op elk enkel paneel. Wanneer de onderzoekers probeerden de regime-informatie te gebruiken om handelsbeslissingen te sturen, faalden de strategieën in het genereren van enige winst. In plaats daarvan verloren de handelsstrategieën het overgrote deel van het kapitaal waarmee ze begonnen. De studie vond dat het onderliggende signaal dat de modellen probeerden uit te buiten, simpelweg niet bestond op een manier die na aftrek van kosten in geld kon worden omgezet. Zelfs toen de onderzoekers probeerden het aantal transacties te verminderen om kosten te vermijden, bleven de resterende rendementen negatief, wat aangeeft dat het probleem niet alleen de transactiekosten waren, maar het gebrek aan een echt voorspellend signaal.

Een bijzonder onthullende bevinding betrof de interpretatie van de unieke mechanica van de Dhaka Stock Exchange door de computermodellen. De beurs heeft een regelgevend mechanisme dat een bodemprijs instelt, waardoor aandelen niet onder een bepaald niveau kunnen dalen. Tijdens perioden van extreme stress kan dit mechanisme ervoor zorgen dat de handel stagneert of dat prijzen gedurende langere perioden vlak blijven. De studie ontdekte dat de machine learning-modellen, die vertrouwen op volatiliteit om markstress te detecteren, deze vlakke prijsperiodes verkeerd interpreteerden. Omdat de prijs niet bewoog, berekenden de modellen nul volatiliteit en bestempelden ze deze gevaarlijke perioden als "laag risico" of "normaal". Deze fout betekende dat de modellen er niet in slaagden beleggers te beschermen tijdens de momenten dat zij het hardst nodig waren. De onderzoekers testten een regel om deze bevroren dagen uit de handel te sluiten, maar deze aanpassing maakte de prestaties alleen maar slechter, omdat de kosten voor het herbalanceren van de portefeuille zwaarder wogen dan de potentiële voordelen.

De studie adresseerde ook een veelvoorkomende valkuil in financieel onderzoek: het verschil tussen wat een model weet achteraf en wat het weet in real-time. De onderzoekers ontdekten dat het vermogen van de computer om marktregimes te identificeren nadat de volledige geschiedenis van de data was bekeken, wezenlijk verschilde van het vermogen om die regimes te identificeren terwijl ze plaatsvonden. Bij het terugkijken kon het model een dag correct labelen als stressvol, maar bij het nemen van een beslissing op het moment zelf, zat het er vaker dan de helft van de tijd naast. Deze kloof tussen retrospectieve kennis en real-time voorspelling is een cruciale reden waarom veel backtested strategieën falen wanneer ze op live markten worden toegepast. De studie bevestigde dat zelfs met geavanceerde statistische correcties en meerdere lagen van validatie, de strategieën geen vaardigheid vertoonden die niet door toeval verklaard kon worden.

Uiteindelijk suggereert het onderzoek dat de markt voor de Dhaka Stock Exchange zich gedraagt op een manier die consistent is met het idee van zwakke vorm efficiëntie. Dit betekent dat eerdere prijsbewegingen en handelsvolumes geen betrouwbare routekaart bieden voor toekomstige winsten, al is het maar op een manier die kan worden geëxploiteerd door huidige machine learning-technieken. De studie concludeert dat de aanname dat regime-bewuste machine learning gemakkelijk kan worden overgebracht naar frontier-markten met unieke regelgevende kenmerken, onjuist is. De specifieke interactie tussen volatiliteitsdetectie en het bodemprijsmechanisme creëert een blinde vlek die algoritmen niet gemakkelijk kunnen overwinnen. De bevindingen dienen als een waarschuwing voor praktijkbeoefenaars en onderzoekers, en laten zien dat in markten met dunne liquiditeit en specifieke regelgevende beperkingen, zelfs de meest geavanceerde instrumenten mogelijk niet in staat zijn om een voordeel te vinden waar dat er niet is. De bewijslast wijst naar een markt waar de enige betrouwbare strategie, statistisch gezien, de passieve strategie blijft van het aanhouden van aandelen op de lange termijn, in plaats van het proberen te timen van de markt met complexe algoritmen.