DART: Domain Aware Relational Transformer for Stock Prediction

Stel je voor dat je het weer probeert te voorspellen, maar in plaats van naar wolken te kijken, kijk je naar de aandelenmarkt. Dit is de wereld van kwantitatieve financiën, waar wetenschappers en investeerders proberen te raden welke aandelen morgen zullen stijgen of dalen. Lange tijd dachten mensen dat de markt als een perfect eerlijke muntworp was, waarbij niemand echt de toekomst kon voorspellen omdat iedereen al alles wist. Maar toen realiseerden slimme mensen zich dat mensen geen perfecte robots zijn; we raken bang, worden enthousiast en volgen de massa, wat de markt een beetje rommelig en daardoor eigenlijk voorspelbaar maakt. Tegenwoordig gebruiken we krachtige computers en "deep learning" (een vorm van kunstmatige intelligentie die leert van patronen) om deze verborgen signalen in de ruis te vinden. Het grote probleem is echter dat er duizenden aandelen zijn, en ze beïnvloeden elkaar op complexe manieren. Proberen uit te vogelen hoe elk individueel aandeel met elk ander aandeel communiceert, is als proberen te luisteren naar een gesprek tussen elke persoon in een stadion tegelijkertijd — het is te veel informatie voor een computer om te verwerken zonder overweldigd te raken.

Dit is waar een nieuwe studie met een slimme oplossing komt, genaamd DART (Domain-Aware Relational Transformer). Denk aan de aandelenmarkt als een gigantisch, lawaaierig feestje. In het verleden, als je wilde weten wie met wie praatte, probeerde je misschien naar elk gesprek tegelijkertijd te luisteren. Dat duurt eeuwen en geeft je hoofdpijn. De onderzoekers achter DART realiseerden zich dat mensen vooral praten met anderen in hun eigen groepen — zoals de kinderen bij de snacktafel of de volwassenen bij de punchbowl. Ze roepen meestal niet over de kamer naar iemand in een totaal andere groep. Dus in plaats van naar iedereen te luisteren, luistert DART alleen naar de mensen in dezelfde "industrieel groep" (zoals techbedrijven die praten met andere techbedrijven). Dit maakt de taak van de computer veel, veel sneller.

Het artikel suggereert dat door deze "groepsluisterstrategie" te combineren met een speciale manier van kijken naar tijd (het tegelijkertijd controleren van kortetermijn trends, middellangetermijn trends en langetermijn trends), het model aandelenrendementen beter kan voorspellen dan oudere methoden. In tests met echte gegevens van de NASDAQ, NYSE en S&P 500 toonde het DART-model aan dat het slimmere investeringskeuzes kon maken en risico's beter kon beheersen dan andere topmodellen. Het bewees ook dat door de "ruis" van ongerelateerde aandelen te negeren, de computer zijn werk kon doen met ongeveer 84% minder energie dan voorheen. Hoewel het model geen magische kristallen bol is die winst garandeert, suggereren de auteurs dat het een veel praktischere en efficiëntere tool is om te navigeren door de complexe, drukke wereld van de aandelenmarkt.

Het Verhaal van DART: Een Slimmere Manier om naar de Markt te Luisteren

Het Probleem: Te Veel Ruis, Te Veel Verbindingen

Stel je voor dat je bij een enorm concert bent met duizenden mensen. Als je wilt weten welk nummer er wordt gespeeld, zou je kunnen proberen naar elke stem van elke persoon tegelijkertijd te luisteren. Maar dat is onmogelijk; het is gewoon een muur van lawaai. Dit is precies het probleem waar computers voor staan bij het proberen te voorspellen van aandelen. Er zijn duizenden aandelen, en elk aandeel is verbonden met elk ander aandeel. Oude computermodellen probeerden tegelijkertijd naar iedereen te luisteren. Dit wordt "full attention" genoemd. Het is in theorie erg nauwkeurig, maar het is zo traag en duur dat het in de praktieve handel met duizenden aandelen vrijwel onmogelijk is. Het is alsof je een puzzel probeert op te lossen door elk stukje tegen elk ander stukje te controleren; de puzzel wordt te groot en je brein (of computer) crasht.

De Oplossing: De "Industrie-Buurt"-regel

De onderzoekers stelden een simpel maar krachtig idee voor: Aandelen in dezelfde sector zijn beste vrienden; aandelen in verschillende sectoren zijn slechts kennissen.

Beschouw de aandelenmarkt als een gigantische stad verdeeld in wijken. Er is een "Tech-wijk", een "Voedsel-wijk" en een "Auto-wijk". Mensen in de Tech-wijk praten de hele tijd met elkaar omdat ze hetzelfde nieuws en dezelfde trends delen. Maar de mensen in de Tech-wijk hebben zelden een direct, dringend gesprek met de mensen in de Voedsel-wijk.

Het DART-model gebruikt deze regel. In plaats van naar de hele stad te luisteren, luistert het alleen naar de gesprekken die binnen elke wijk plaatsvinden. Dit wordt Domain-Knowledge-Guided Sparse Attention (DSA) genoemd.

• Hoe het werkt: De computer kijkt naar een aandeel, vraat: "In welke wijk zit dit?" en luistert vervolgens alleen naar de andere aandelen in diezelfde wijk.
• Het Resultaat: Het negeert de nutteloze ruis van ongerelateerde aandelen. Het artikel laat zien dat dit de werklast van de computer met ongeveer 84% vermindert (specifiek, van 0,23 GFLOPs naar 0,04 GFLOPs in hun tests). Het is alsof je overschakelt van proberen een fluistering te horen in een orkaan naar het luisteren naar een rustig gesprek in een koffietentje.

De Tijdmachine: Het Verleden in Lagen Zien

Voorspellen gaat niet alleen over wie met wie praat; het gaat ook over wanneer dingen gebeuren. Aandelen bewegen op verschillende klokken. Sommige bewegen snel (minuut per minuut), sommige gemiddeld snel (dagelijkse trends) en sommige langzaam (maandelijkse of jaarlijkse trends).

Oude modellen probeerden vaak naar de tijd te kijken met slechts één bril, wat betekende dat ze het grote plaatje of de kleine details misten. DART gebruikt een Multi-Scale Temporal Fusion (MSTF) module.

• De Analogie: Stel je voor dat je naar een film kijkt. Je hebt een zoomlens waarmee je de kleine details van het gezicht van een acteur kunt zien (kortetermijn), een groothoeklens die de hele scène laat zien (middellangetermijn) en een drone-opname die de hele stad laat zien (langetermijn). DART gebruikt alle drie de lenzen tegelijkertijd.
• De Magie: Het gebruikt vervolgens een speciaal "Progressive Temporal Fusion" netwerk om deze beelden op elkaar te stapelen. Het is als het bouwen van een sandwich waarbij elke laag meer smaak toevoegt, wat de computer helpt te begrijpen hoe een kleine verandering vandaag kan uitbouwen tot een grote trend morgen.

Wat Ze Vonden: Sneller en Slimmer

De onderzoekers testten hun nieuwe model, DART, tegenover verschillende andere beroemde modellen (zoals LSTM, GCN en zelfs nieuwere zoals MambaStock) met echte gegevens van de Amerikaanse aandelenmarkt (NASDAQ, NYSE en S&P 500) van 2020 tot 2024.

Dit is wat de gegevens suggereren:

1. Betere Rendementen: DART gokte niet alleen beter; het hielp bij het bouwen van een betere "portfolio" (een collectie aandelen). In tests behaalde het de hoogste Sharpe Ratio (een score die meet hoeveel geld je verdient in verhouding tot het risico dat je neemt) op de NASDAQ en S&P 500. Bijvoorbeeld, op de NASDAQ behaalde DART een Sharpe Ratio van 2,432, terwijl de volgende beste een 1,827 was.
2. Topkeuzes: Wanneer het model de top 10 aandelen koos waarvan het dacht dat ze het best zouden presteren, had het vaker gelijk dan de anderen (een metriek genaamd Precision@10). Op de NYSE kreeg het 58,7% van zijn topkeuzes goed, waarmee het de concurrentie versloeg.
3. De "Niet-Ga"-Zone: De studie toonde expliciet aan dat als je de "buurt"-regel verwijdert en de computer naar iedereen laat luisteren (Full Attention), het model in de war raakt en veel slechter presteert. Dit bewijst dat het negeren van irrelevante verbindingen eigenlijk goed is voor het model.

De Kern van het Verhaal

Het artikel suggereert dat DART een praktische, efficiënte tool is voor de toekomst van beleggen. Het beweert niet een magische toverstaf te zijn die garandeert dat je rijk wordt, maar het laat wel zien dat door slimme regels te gebruiken (zoals alleen luisteren naar je eigen buurt) en naar de tijd te kijken in lagen, computers veel beter zin kunnen geven aan de chaotische aandelenmarkt. Het lost het "te veel data"-probleem op door selectief te zijn, waardoor het mogelijk is om krachtige AI op duizenden aandelen toe te passen zonder de bank te breken of de computer te laten crashen.

Zoals de auteurs opmerken, is er nog steeds ruimte om te groeen. Op dit moment kijkt het model alleen naar "buurten" op basis van statische industrie-lijsten. In de toekomst hopen ze deze buurten dynamisch te maken, zodat het model kan zien wanneer een techbedrijf plotseling begint te handelen als een voedingsbedrijf, of wanneer nieuws uitbreekt dat twee totaal verschillende groepen verbindt. Maar voor nu is DART een sterk, efficiënt stap voorwaarts in het leren aan computers hoe ze door de financiële wereld moeten navigeren.