Voorspellingsmethode voor intuitionistische fuzzy-tijdreeksen met enkele variabele en gemengde orde gebaseerd op een nieuw kunstmatig neuraal netwerk en een grijze-wolfoptimalisatie-algoritme

Waarom dit voorspellingsidee van belang is voor alledaagse data

Van cryptovalutaprijzen tot de kosten om een tank vol te gooien of goud te kopen: financiële cijfers schommelen op manieren die moeilijk te voorspellen zijn. Deze studie introduceert een nieuwe manier om de rumoerige prijscurven van gisteren om te zetten in betere inschattingen voor morgen, door mensachtige gradaties van twijfel te mengen met een geavanceerd type neuraal netwerk dat is geïnspireerd op hoe signalen zich door vertakkingen van echte zenuwcellen verplaatsen.

Onzekerheid hanteren meer zoals mensen dat doen

De meeste voorspellingsinstrumenten behandelen elk datapunt alsof het óf wel óf niet tot een patroon behoort, vergelijkbaar met een lichtschakelaar die aan of uit is. Fuzzy-tijdreeksmethoden verzachten dit beeld en laten data toe om “gedeeltelijk” in meerdere patronen tegelijk te passen. De benadering in dit artikel gaat een stap verder door ook bij te houden in welke mate een datapunt een patroon niet past, en hoeveel aarzeling er nog overblijft. Deze rijkere beschrijving, een intuitionistische fuzzy-tijdreeks genoemd, laat het model niet alleen gedeeltelijke overeenkomst zien maar ook expliciete onenigheid en blijvende onzekerheid over waar een waarde werkelijk thuishoort.

Twee gezichtspunten van de data samen laten leren

De auteurs ontwerpen een voorspellingsmodel dat lidmaatschaps- en niet-lidmaatschapsinformatie als twee parallelle gezichtspunten van dezelfde tijdreeks behandelt. Eerst groepeert een clusteringprocedure historische data in fuzzy regio’s en kent elk punt drie scores toe: hoeveel het erbij hoort, hoeveel het er niet bij hoort, en hoe onzeker het model is. Deze scores, samen met de ruwe historische waarden, worden vervolgens in een speciaal neuraal netwerk gevoed. Een deel van het netwerk richt zich op de lidmaatschapszijde, terwijl een ander deel zich richt op de niet-lidmaatschapszijde. Elk deel leert zijn eigen interne relaties en produceert een eigen voorspelling voor de volgende waarde.

Een neuraal netwerk gevormd als vertakkende neuronen

In plaats van een standaard gelaagd netwerk te gebruiken, vertrouwt de methode op een dendritisch neuronmodel dat de vertakkingsstructuur van biologische neuronen nabootst. Signalen passeren eerst een synaptische laag, worden vervolgens vermenigvuldigd langs dendritische takken, opgeteld in een membraanlaag en uiteindelijk getransformeerd in een output in de soma-laag. In het voorgestelde gecombineerde ontwerp zijn er afzonderlijke dendritische paden voor lidmaatschaps- en niet-lidmaatschapsinputs. Hun outputs worden vervolgens gemengd met behulp van een gewicht dat het systeem automatisch leert. Deze structuur stelt het model in staat complexe interacties in de data vast te leggen terwijl de algehele architectuur compact blijft.

Grijze wolven stemmen de vele knoppen van het netwerk af

Het trainen van zo’n gedetailleerd netwerk betekent het aanpassen van veel interne gewichten en drempels. In plaats van te vertrouwen op gewone gradientgebaseerde training, die in slechte oplossingen kan vastlopen, gebruiken de auteurs een natuur-geïnspireerde strategie genaamd het grijze-wolfoptimalisatie-algoritme. Virtuele “wolven” verkennen verschillende instellingen voor de netwerkparameters, geleid door een hiërarchie die nabootst hoe echte roedels jagen. In de loop van de tijd komt de roedel dichter bij parameterwaarden die de voorspellingsfouten minimaliseren, inclusief het cruciale evenwicht tussen de lidmaatschaps- en niet-lidmaatschapsvertakkingen.

Betere voorspellingen voor belangrijke financiële reeksen

Het onderzoeksteam test hun methode op vier bekende financiële tijdreeksen: Bitcoin, ruwe olie, de euro ten opzichte van de Amerikaanse dollar en goudprijzen. Ze delen elke dataset op in trainings-, validatie- en testdelen en vergelijken hun benadering met verschillende bekende fuzzy en intuitionistische fuzzy-voorspellingsmodellen. In deze gevallen behaalt de nieuwe methode vaak de laagste gemiddelde voorspellingsfout, en wanneer het niet op de eerste plaats staat blijft het nog steeds dicht bij de beste concurrent. De resultaten suggereren dat het toestaan dat het model leert van zowel overeenstemming als onenigheid met elk patroon, binnen een dendritisch netwerkstijl die door grijze wolven is afgestemd, meer nauwkeurige en stabiele voorspellingen kan opleveren.

Wat dit betekent voor toekomstige voorspellingsinstrumenten

Simpel gezegd laat het artikel zien dat het zorgvuldiger behandelen van onzekerheid, en het geven van een neuraal netwerk een rijkere, meer biologisch geïnspireerde structuur, korte-termijnvoorspellingen voor echte financiële data kan verbeteren. De aanpak blijft gericht op één variabele tegelijk, maar wijst de weg naar voorspellingssystemen die meerdere tinten van geloof en twijfel gebruiken in plaats van één scherpe lijn. Met verdere uitbreidingen zouden vergelijkbare ideeën analisten en geautomatiseerde systemen kunnen helpen beter geïnformeerde beslissingen te nemen waar onzekere tijdgebonden data een sleutelrol spelen.

Bronvermelding: Cansu, T., Bas, E. & Egrioglu, E. Mixed order single variable intuitionistic fuzzy time series forecasting method based on a new artificial neural network and grey wolf optimization algorithm. Sci Rep 16, 15682 (2026). https://doi.org/10.1038/s41598-026-45059-2

Trefwoorden: financiële voorspelling, fuzzy-tijdreeksen, kunstmatige neurale netwerken, grijze-wolfoptimalisatie, intuitionistische fuzzy-verzamelingen