Machine Learning for Predicting Market Volatility: A Computational Economics Approach

Financiële markten worden vaak beschreven als levende, ademende entiteiten, maar voor de mensen die hen beheren, zijn ze fundamenteel een landschap van onzekerheid. In het hart van deze onzekerheid ligt een concept genaamd volatiliteit. In eenvoudige termen is volatiliteit een maatstaf voor hoe wild de koers van een aandeel over een korte periode op en neer schommelt. Wanneer de volatiliteit laag is, bewegen prijzen in een gestaag, voorspelbaar ritme. Wanneer deze hoog is, kunnen prijzen met weinig waarschuwing stijgen of crashen. Voor investeerders, banken en beleidsmakers is het begrijpen van dit ritme niet slechts een academische oefening; het is een kwestie van overleven. Het bepaalt hoeveel risico zij kunnen nemen, hoe zij hun geld beschermen en hoe zij de toekomst plannen. Decennialang hebben experts vertrouwd op wiskundige formules gebouwd op de aanname dat markten zich op een enigszins ordelijke, lineaire manier gedragen. Deze traditionele instrumenten werken goed wanneer de wereld kalm is, maar ze struikelen vaak wanneer de markt grillig gedrag vertoont, waarbij ze er niet in slagen de complexe, kronkelende patronen te vangen die plotselinge prijsveranderingen aansturen.

Een nieuwe studie van Vasundhara S aan het G. Narayanamma Institute of Technology and Science suggereert dat de manier waarop we deze marktfluctuaties voorspellen een fundamentele upgrade nodig heeft. De onderzoeker keerde zich af van de oude, rigide formules en trainde in plaats daarvan computersystemen om te leren van de data zelf, vergelijkbaar met hoe een student leert van ervaring in plaats van uit een tekstboek. Door enorme hoeveelheden historische beursdata in geavanceerde machine learning-systemen te voeren, beoogde de studie te zien of deze computers de verborgen, niet-lineaire verbanden konden opsporen die de traditionele wiskunde mist. Het doel was om een systeem te bouwen dat niet alleen de volgende prijsbeweging raadt, maar ook de onderliggende krachten begrijpt die ervoor zorgen dat de markt nerveus wordt of plotseling stijgt.

De onderzoeker richtte zich op historische beursdata en maakte gebruik van attributen zoals handelsdata, openingskoersen, hoogste en laagste sessiekoersen, slotkoersen, gecorrigeerde slotkoersen en handelsvolumes. Om deze ruwe data bruikbaar te maken voor een computer, heeft het team de data eerst opgeschoond door gaten op te vullen en de cijfers te organiseren zodat ze eerlijk vergeleken konden worden. Vervolgens creëerden ze nieuwe aanwijzingen, of "features", door zaken te berekenen zoals de mate waarin de prijs van de ene naar de andere dag veranderde en hoe het handelsvolume in de loop van de tijd verschoof. Deze bewerkte aanwijzingen werden gevoed aan verschillende soorten computermodellen. Sommige waren gebaseerd op gevestigde statistische methoden, terwijl andere deep learning-systemen waren ontworpen om de manier na te bootsen waarop menselijke hersenen sequenties van informatie in de loop van de tijd verwerken.

De resultaten van deze vergelijking waren duidelijk en beslissend. De traditionele modellen, die al jaren de standaard zijn in de financiële wereld, hadden moeite om het bij te houden. Een van de oudere methoden, bekend als GARCH, slaagde erin de richting van de marktbeweging ongeveer 58 procent van de tijd correct te voorspellen. Een andere standaardbenadering, ARIMA, presteerde iets beter met een nauwkeurigheid van 60 procent. Echter, de machine learning-modellen lieten deze achter zich. Een model genaamd Random Forest verbeterde de nauwkeurigheid tot bijna 65 procent, terwijl een geavanceerder systeem genaamd XGBoost dat getal naar 71 procent tilde. Het meest succesvolle instrument was een deep learning-model gebaseerd op een Transformer-architectuur, een type systeem dat vaak wordt gebruikt voor taalverwerking. Dit model bereikte een directionele nauwkeurigheid van 74,2 procent, wat betekent dat het bijna driekwart van de tijd correct voorspelde of de markt zou stijgen of dalen. Het produceerde ook de laagste foutmarges, wat suggereert dat de voorspellingen niet alleen vaker juist waren, maar ook dichter bij de werkelijke waarden lagen.

Wat deze bevinding bijzonder significant maakt, is niet alleen de hogere score, maar het vermogen van deze nieuwe modellen om de rommelige, onvoorspelbare aard van de echte financiële wereld aan te kunnen. De studie toonde aan dat de oudere methoden simpelweg niet uitgerust waren om de complexe, niet-lineaire dynamiek van de markt aan te kunnen. Ze gingen uit van een niveau van orde dat in de praktijk zelden bestaat. In contrast hiermee bloeiden de machine learning-modellen op bij deze complexiteit, waarbij ze patronen in de data vonden die door menselijk ontworpen formules niet gezien konden worden. Om te waarborgen dat deze resultaten niet slechts een gelukkige gok waren, paste de onderzoeker ook een methode toe genaamd SHAP, die werkt als een spotlight om precies te laten zien welke factoren de voorspellingen aanstuurden. Dit onthulde dat de modellen vertrouwden op specifieke, logische economische indicatoren in plaats op willekeurige ruis, wat een laag van vertrouwen aan de resultaten toevoegde.

De studie concludeert dat de toekomst van financiële voorspelling ligt in deze computationele benaderingen. Door de ruwe kracht van machine learning te combineren met de behoefte aan heldere, begrijpelijke redenering, is het mogelijk om instrumenten te bouwen die zowel nauwkeuriger als betrouwbaarder zijn dan de instrumenten die momenteel in gebruik zijn. Het onderzoek beweert niet het mysterie van de markt volledig te hebben opgelost, maar heeft wel aangetoond dat de oude regels niet langer voldoende zijn. De data suggereren dat wanneer we computers direct laten leren van de geschiedenis van prijsbewegingen, zij de turbulentie van de financiële wereld kunnen navigeren met een precisie die voorheen onbereikbaar was. Deze verschuiving biedt een veelbelovend pad voor iedereen die probeert risico's te beheren en zin te geven aan het voortdurend veranderende financiële landschap.