Decomposition-Based Preprocessing Versus Architectural Complexity in Neural Forecasting of Economic and Financial Time Series: A Comparative Empirical Study

Het voorspellen van de toekomst van geld en markten is een van de moeilijkste uitdagingen in de wetenschap. Economen en financiële analisten vertrouwen al lang op statistische instrumenten om te raden waar prijzen als volgende naartoe gaan, of het nu gaat om een enkel aandeel, een vat olie of een eenheid aardgas. Deze instrumenten werken goed wanneer het verleden in een rechte, voorspelbare lijn beweegt, maar de echte wereld is zelden zo eenvoudig. Financiële markten zijn rommelig, verschuivend en vol met plotselinge sprongen die geen duidelijk patroon volgen. Om dit rommelige proces te beheersen, hebben onderzoekers zich tot kunstmatige intelligentie gewend, specifiek een type computerprogramma dat een neuraal netwerk wordt genoemd. Deze programma's zijn ontworpen om te leren van data, waarbij ze verborgen patronen vinden die het menselijk oog misschien mist. Er is echter een addertje onder het gras: om deze programma's slim genoeg te maken om chaotische markten te begrijpen, moeten wetenschappers ze vaak ongelooflijk complex maken, met duizenden interne onderdelen die samenwerken. Deze complexiteit maakt de programma's traag, duur in gebruik en moeilijk te beheren. De centrale vraag voor onderzoekers is geweest of de enige manier om een betere voorspelling te krijgen het bouwen van een grotere, complexere machine is, of dat er een slimmere manier is om de data voor te bereiden voordat deze erin wordt gevoerd.

Een team van onderzoekers zette zich af om precies deze afweging te testen. Ze wilden zien of het opschonen van de ruwe data voordat het aan een computerprogramma wordt gegeven, hetzelfde werk kon doen als het krachtiger maken van het programma zelf. Hiervoor verzamelden ze drie zeer verschillende soorten financiële data: de dagelijkse prijs van Apple-aandelen, de prijs van Brent crude olie en de prijs van aardgas. Deze werden gekozen omdat ze op unieke manieren gedrag vertonen; Apple-aandelen zijn decennialang gestaag gegroeid, olieprijzen schommelen wild door wereldwijde gebeurtenissen, en aardgasprijzen springen op en neer met extreme volatiliteit. De onderzoekers namen deze ruwe getallen en probeerden de prijs van de volgende dag te voorspellen met behulp van drie verschillende soorten neurale netwerken. De eerste was een basis, rechtlijnig model. De tweede was een geavanceerder model dat zich beter herinnert wat er in het verleden is gebeurd. De derde was de meest complexe, in staat om de data zowel vanuit het verleden als de toekomst te bekijken om diepere verbanden te vinden.

In plaats van alleen de ruwe getallen in deze modellen te voeren, probeerden de onderzoekers ook een andere aanpak. Voordat de computer de data zag, gebruikten zij wiskundige technieken om de rommelige prijsgeschiedenis op te splitsen in kleinere, eenvoudigere stukken. Stel je een complex lied voor dat moeilijk te zingen is omdat er te veel noten tegelijkertijd plaatsvinden. Als je de melodie kunt scheiden van de achtergrondritme en de baslijn, zou elk deel op zichzelf veel gemakkelijker te zingen zijn. De onderzoekers deden iets soortgelijks met de financiële data. Ze gebruikten vijf verschillende methoden om de prijsgeschiedenis op te splitsen in afzonderlijke componenten, zoals de langetermijntrend, de kortetermingewikkel en de willekeurige ruis. Vervolgens leerden ze de computer om elk van deze eenvoudige stukken afzonderlijk te voorspellen en voegden de resultaten weer samen om tot een uiteindelijke prognose te komen.

De resultaten van dit experiment waren opmerkelijk. De onderzoekers ontdekten dat het afbreken van de data in eenvoudigere stukken de computermodellen veel beter liet presteren, zelfs wanneer de modellen zelf klein en eenvoudig werden gehouden. Sterker nog, de meest effectieve methode voor het opschonen van de data was een techniek genaamd variational mode decomposition. Wanneer deze methode werd gebruikt, maakten de modellen aanzienlijk nauwkeurigere voorspellingen dan wanneer ze ruwe data kregen. Misschien nog belangrijker is dat de modellen niet zo complex hoefden te zijn om deze resultaten te bereiken. Voor de meest geavanceerde computermodellen, die normaal gesproken honderden interne onderdelen nodig hebben om goed te werken op ruwe data, ontdekten de onderzoekers dat ze het aantal onderdelen met een factor tien of meer konden verminderen wanneer de data werd voorbewerkt. Bijvoorbeeld: een model dat honderd interne onderdelen nodig had om olieprijzen nauwkeurig te voorspellen, kon met slechts vijf onderdelen hetzelfde of zelfs betere resultaten behalen als de data eerst was schoongemaakt.

Deze ontdekking suggereert dat voor kortetermijnvoorspellingen van financiële markten het geheim van succes minder ligt in het bouwen van een enorme, complexe machine en meer in het correct voorbereiden van de data. De studie toonde aan dat een eenvoudig model met schone data vaak beter presteerde dan een complex model met rommelige data. Dit is een belangrijke bevinding voor iedereen die op deze voorspellingen vertrouwt, van handelaren tot beleidsmakers. Het betekent dat voorspellingssystemen sneller, goedkoper en efficiënter kunnen worden gemaakt zonder aan nauwkeurigheid in te boeten. In plaats van middelen te besteden aan het bouwen van grotere neurale netwerken, kan de focus verschuiven naar het begrijpen en organiseren van de data zelf. De onderzoekers concludeerden dat voor de chaotische en verschuivende aard van economische tijdreeksen een goed voorbereid signaal krachtiger is dan een diepe en complexe architectuur. Deze aanpak biedt een praktische weg vooruit voor het creëren van voorspellingsinstrumenten die niet alleen nauwkeurig zijn, maar ook efficiënt genoeg om te worden gebruikt in de echte, snel bewegende omgevingen.