Cookievoorkeuren

Wij gebruiken cookies om uw ervaring te verbeteren en onze diensten te optimaliseren. U kunt uw voorkeuren hieronder aanpassen.

Noodzakelijk voor de basisfunctionaliteit van de website

Helpt ons te begrijpen hoe bezoekers de website gebruiken

Gebruikt voor gepersonaliseerde advertenties en aanbiedingen

Pelun Mordas logo
Onbegeleid leren in financiën
Waarom een strategist 8.000 handelsdagen visualiseerde om vier marktfases te herkennen

Waarom een strategist 8.000 handelsdagen visualiseerde om vier marktfases te herkennen

01/06/26
412

Patronen herkennen door dimensies te verlagen

Jeroen Claes analyseerde marktregimes voor een multi-strategy fund in Antwerpen. Hij had 8.000 handelsdagen met 43 indicatoren per dag. Spreadsheets hielpen niet om patronen te zien.

Hij paste t-SNE toe, een algoritme dat high-dimensional data projecteert naar twee dimensies terwijl lokale structuren behouden blijven. Vergelijkbare dagen eindigen dicht bij elkaar in de visualisatie.

Vier zones werden zichtbaar

Zone A bevatte dagen met lage volatiliteit en steady volume. Zone B toonde hoge volatiliteit met divergerende sector-performance. Zone C had lage volatiliteit maar ongewone correlatie-patronen. Zone D representeerde extreme stress met gebroken relaties tussen assets.

Elk regime vroeg om andere positionering. In zone A draaide het fonds meer leverage. In zone D reduceerden ze exposure met 60%.

Zien wat beschrijvingen niet vangen

Voor introverte analisten biedt visualisatie zekerheid. Je hoeft niet te debatteren of de markt in een specifieke fase zit. De positie van nieuwe dagen in de t-SNE plot toont waar ze thuishoren.

Het model miste de overgang naar zone D in februari 2022 omdat die week kenmerken had van zone B en C tegelijk. Jeroen verfijnde de input-features daarna. Perfectie bestaat niet maar de visualisatie geeft richting waar tabellen dat niet doen.

Betrokkenheid
412

Aantal lezers dat dit artikel waardevol vond voor hun begrip van unsupervised learning methoden

Toepassingsgebied
Financiën

Ontdek hoe clustering-algoritmes en dimensiereductie patronen identificeren in transactiedata, kredietrisico's voorspellen zonder gelabelde datasets, en anomalieën detecteren in handelsstromen

Verdiep je kennis van machine learning

Bekijk het leerprogramma