The Illusion of Accuracy: Machine-Learning and GARCH Forecasts of UK Equity Index Prices
Deze studie komt tot de conclusie dat hoewel geavanceerde machine learning- en GARCH-modellen de prijzen van Britse aandelenindices nauwkeurig voorspellen, ze er niet in slagen om eenvoudige benchmarks te overtreffen bij het voorspellen van rendementen, wat suggereert dat hun werkelijke waarde ligt in risicometing in plaats van in het voorspellen van rendementen.
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 bestaat een hardnekkige hoop dat een slim algoritme naar het verleden kan kijken om de toekomst te zien. Deze hoop rust op het idee dat aandelenkoersen, hoewel ze schijnbaar chaotisch zijn, patronen kunnen verbergen die een computer kan leren uitbuiten. Het centrale concept hier is de "random walk" (willekeurige wandeling), een eenvoudig ijkpunt dat suggereert dat de beste gok voor de prijs van morgen simpelweg de prijs van vandaag is, omdat alle bekende informatie al in het huidige getal is verwerkt. Als een geavanceerd computermodel de prijsveranderingen niet consequent beter kan voorspellen dan deze eenvoudige gok, dan gedraagt de markt zich efficiënt, en is de belofte van gemakkelijke winsten door voorspelling een illusie. Deze vraag is van groot belang voor iedereen met spaargeld of een pensioen, want als kunstmatige intelligentie de markt werkelijk kan voorspellen, zou het de manier waarop vermogen wordt beheerd kunnen hervormen; als het dat niet kan, dan kan het vertrouwen op deze instrumenten beleggers het verkeerde pad op leiden.
Een recente studie zette zich direct in om deze belofte te testen, waarbij de focus lag op de twee belangrijkste aandelenindexen van het Verenigd Koninkrijk. De onderzoekers verzamelden wekelijkse gegevens van januari 2015 tot oktober 2026, een periode die aanzienlijke economische turbulentie omvatte, zoals renteverrassingen en verkopen door tariefproblemen. Ze lieten acht verschillende voorspellingsmethoden tegen elkaar strijden. Aan de ene kant stonden de eenvoudige ijkpunten: een model dat simpelweg de prijs van de vorige week herhaalt, en een ander dat het gemiddelde rendement van alle voorgaande weken gebruikt. Aan de andere kant stonden de zwaargewichten van de moderne financiële wereld: traditionele statistische modellen ontworpen om volatiliteit te volgen, en drie verschillende soorten kunstmatige intelligentie, waaronder een random forest, die veel beslissingsbomen bouwt om patronen te vinden, en een neuraal netwerk, dat de manier nabootst waarop een brein informatie verwerkt. Het doel was niet alleen om te zien welk model er het beste uitzag op een grafiek, maar om te bepalen of een van hen de richting van de markt daadwerkelijk beter kon voorspellen dan door toeval, en of die voorspellingen na aftrek van handelskosten ook echt in echt geld konden worden omgezet.
De resultaten onthulden een opvallend contrast tussen hoe accuraat de modellen eruitzagen en hoe bruikbaar ze werkelijk waren. Wanneer de onderzoekers de voorspelde prijsniveaus vergeleken met de werkelijke prijzen, leken alle modellen zeer accuraat. De gemiddelde fout was minuscuul, variërend van 1,3 tot 1,6 procent. Op een grafiek lagen de voorspelde lijnen bijna perfect bovenop de werkelijke lijnen, wat een visuele indruk van meesterschap creëerde. Echter, deze nauwkeurigheid was een illusie veroorzaakt door de aard van aandelenkoersen, die de neiging hebben om dicht bij waar ze de week ervoor zaten te blijven. Omdat de prijzen zo persistent waren, bereikte zelfs het eenvoudigste model, dat er simpelweg van uitging dat er niets zou veranderen, bijna hetzelfde niveau van nauwkeurigheid als de complexe systemen van kunstmatige intelligentie. Wanneer de onderzoekers het prijsniveau wegfilterden en strikt naar de wekelijkse veranderingen in waarde keken, veranderde het beeld volledig. Geen van de acht modellen, inclusief de geavanceerde machine learning-systemen, slaagde erin om de random walk op een statistisch significante manier te verslaan. Sterker nog, voor de grotere index presteerden de random forest en een standaard voorspellende regressie aanzienlijk slechter dan simpelweg aannemen dat de markt vlak zou blijven.
De studie onderzocht ook of deze modellen een belegger konden helpen meer geld te verdienen. De onderzoekers simuleerden een handelsstrategie waarbij een belegger de index zou kopen als het model een stijging voorspelde en contant geld zou aanhouden als het een daling voorspelde, waarbij rekening werd gehouden met de kosten van elke transactie. In de stijgende markt van de grotere index presteerde de "buy and hold"-strategie (die behelst dat men niets doet en simpelweg de investering aanhoudt) beter dan elke forecast-gebaseerde strategie nadat de kosten in mindering waren gebracht. Het meest geavanceerde machine learning-model maakte zelfs geld verliezen in vergelijking met het simpelweg aanhouden van het aandeel. Voor de kleinere index presteerden sommige modellen iets beter dan het aanhouden van de aandelen, maar dit kwam grotendeels doordat zij zich uit de markt konden houden tijdens een scherpe daling, een vorm van risicoreductie in plaats van een teken van voorspellende vaardigheid. De onderzoekers concludeerden dat het schijnbare succes van deze modellen bij het voorspellen van prijsniveaus misleidend was; ze voorspelden de toekomst niet, ze volgden slechts het verleden.
Hoewel de modellen faalden in het voorspellen waar de markt naartoe ging, slaagden ze er opmerkelijk goed in om te voorspellen hoe groot de schommelingen zouden zijn. De studie vond dat een specifiek type statistisch model, bekend als een asymmetrisch GARCH-model, veel superieur was in het voorspellen van volatiliteit – oftewel de omvang van de prijsschommelingen – in plaats van de richting. Dit model anticipeerde correct dat slecht nieuws voor grotere schokken in de markt zou zorgen dan goed nieuws, een fenomeen dat bekend staat als het leverage effect (hefboomeffect). Het leverde de meest nauwkeurige schattingen van het risico en produceerde betrouwbare "Value-at-Risk"-cijfers, die beleggers vertellen hoeveel zij in een slechte week potentieel zouden kunnen verliezen. Dit onderscheid is cruciaal: de instrumenten waren uitstekend in het meten van het gevaar van de markt, maar nutteloos in het voorspellen van de bestemming ervan.
De auteurs stellen dat deze bevinding een veelvoorkomende valkuil in de financiële verslaglegging blootlegt. Veel studies en commerciële tools presenteren grafieken waarbij de voorspelde prijzen nauw aansluiten bij de werkelijke prijzen als bewijs van hun kracht. Dit artikel laat zien dat dergelijke grafieken misleidend zijn omdat ze geen rekening houden met het feit dat prijzen van nature aan elkaar plakken. De echte test voor een voorspellingsinstrument is of het de verandering in prijs beter kan voorspellen dan een eenvoudige gok, en in deze strenge test faalden de kunstmatige intelligentie-modellen. De waarde van deze kwantitatieve instrumenten ligt niet in het vertellen van beleggers wanneer ze moeten kopen of verkopen om de markt te verslaan, maar in het helpen begrijpen en beheren van het risico van hun beleggingen. Voor de nieuwsgierige belegger is de les duidelijk: het vermogen om een lijn te trekken die de markt volgt, is niet hetzelfde als het vermogen om te zien waar de markt als volgende naartoe gaat.
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.