Intelligent systeem voor portefeuille‑optimalisatie met nieuwe volatiliteitsvoorspellingen door machine learning

Waarom slimmer beleggen ertoe doet

Iemand die heeft gezien hoe zijn spaargeld mee‑beweegt met de aandelenmarkt weet dat grote verliezen vaak erger voelen dan bescheiden winsten goed voelen. Dit artikel pakt een vraag aan die telt voor zowel particuliere beleggers als grote instellingen: kunnen we moderne kunstmatige intelligentie inzetten om portefeuilles te vormen die niet alleen over tijd groeien, maar ook beter bestand zijn tegen scherpe marktdalingen in veel landen?

Van klassieke theorie naar datahongerige machines

De traditionele portefeuilletheorie, teruggaand tot Harry Markowitz in de jaren 1950, leert beleggers risico en rendement te balanceren door geld over verschillende activa te spreiden. In het afgelopen decennium hebben complexere benaderingen op basis van deep learning en reinforcement learning beloofd extra rendement uit financiële data te halen. Deze nieuwere methoden zijn echter vaak moeilijk te interpreteren, duur in uitvoering en lastig betrouwbaar te maken voor veel verschillende markten. Cruciaal is dat de meeste zich richten op het voorspellen van rendementen, terwijl professionele risicomanagers vooral geven om drawdowns—de omvang van de ergste piek‑naar‑dalingsverliezen onderweg.

Kijken naar marktpijn in plaats van alleen marktopbrengst

De auteurs verschuiven de aandacht van het voorspellen van kortetermijnrendementen naar het voorspellen hoe ernstig verliezen kunnen worden. Ze bestuderen 40 aandelenmarkten, van ontwikkelde economieën zoals de Verenigde Staten en Duitsland tot opkomende markten zoals Brazilië en Zuid‑Afrika, over een periode van twintig jaar van 1999 tot 2018. Voor elk land en jaar berekenen ze veelgebruikte risico‑gecorrigeerde prestatiematen: de Sharpe‑ratio (rendement per eenheid totaal risico), de Sterling‑ratio (rendement ten opzichte van gemiddelde eerdere verliezen) en de Calmar‑ratio, die jaarlijks rendement direct relateert aan de ernstigste drawdown. Deze ratio’s worden vervolgens ingedeeld in eenvoudige categorieën “hoog”, “medium” en “laag” die aangeven hoe aantrekkelijk of kwetsbaar een markt eruitziet vanuit een risico‑rendementsblik.

Hoe het intelligente systeem in de praktijk werkt

Achter de schermen is het voorgestelde systeem zorgvuldig datamanagement plus een gestructureerd machine‑learningmodel genaamd een multi–Support Vector Machine (multi‑SVM) classifier. Eerst reinigt en herschikt het team twee decennia aan aandelendata van Bloomberg: slechte invoer verwijderen, korte gaten opvullen en schalen normaliseren zodat een kleine en een grote markt eerlijk vergeleken kunnen worden. Daarna construeren ze features die het gedrag van elke markt samenvatten, waaronder hoogste, laagste en gemiddelde aandelenkoersen, volatiliteit, jaaropbrengsten en rollende driejaars‑drawdowns. Deze kenmerken worden de inputs voor meerdere SVM‑submodellen, elk gespecialiseerd in één van de kernratio’s, en alle met een niet‑lineaire kernel om complexe verbanden tussen risico en rendement vast te leggen. Een fusie‑stap combineert vervolgens de vertrouwensniveaus van de submodellen tot één oordeel of een bepaald land‑jaar in de hoge, medium‑ of lage kwaliteit risico‑gecorrigeerde categorie valt.

Voorspellingen omzetten in portefeuillekeuzes

Om te zien of deze intelligentie beleggers daadwerkelijk helpt, voeren de auteurs een lang historisch “wat als” experiment uit. Elk jaar stellen ze zich voor een wereldwijde portefeuille samen die extra gewicht geeft aan markten die hun systeem als hoogwaardig labelt, neutraal gewicht aan markten met medium‑label en verminderd gewicht aan markten van lage kwaliteit. Ze vergelijken de resultaten met drie bekende referentiemodellen: een eenvoudig marktmodel (CAPM), een gelijkgewogen wereldwijde portefeuille en het veelgebruikte driefactorenmodel van Fama en French. Over de periode 1999–2018 levert de door de multi‑SVM geleide portefeuille het hoogste cumulatieve rendement, het kleinste grootste verlies en de sterkste Sharpe‑ratio. De classifier zelf plaatst markten in ongeveer 97,5% van de gevallen correct in hun risico‑rendementcategorieën, een duidelijke verbetering ten opzichte van een enkele SVM en een eenvoudige Naïve Bayes‑model.

Wat dit betekent voor beleggers en de toekomst

Voor niet‑specialisten is de kernboodschap dat de auteurs geen nieuwe black‑box handelsrobot uitvinden; in plaats daarvan combineren ze zorgvuldig gevestigde hulpmiddelen om zich te richten op waar beleggers het meest bang voor zijn—grote, aanhoudende verliezen. Door het model te centreren op drawdown‑gerelateerde maatstaven en de structuur relatief transparant te houden, bieden zij een praktische manier om wereldwijde portefeuillegewichten te sturen die makkelijker uit te leggen is dan veel deep‑learning systemen, maar toch concurrerend presteert. De studie suggereert dat het intelligent classificeren van markten op hun risico‑gecorrigeerde gezondheid, in plaats van alleen achter ruwe rendementen aan te jagen, kan leiden tot portefeuilles die stabieler groeien en mildere schokken ondergaan, en daarmee een comfortabelere rit door turbulente markten bieden.

Bronvermelding: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

Trefwoorden: portefeuilleoptimalisatie, financiële volatiliteit, machine learning in de financiën, risicobeheer, wereldwijde aandelenmarkten