Wat je beter niet doet bij algoritmisch handelen met machine learning

Geert Vanbrabant werkt als kwantitatief analist bij een middelgrote vermogensbeheerder in Brussel. We spraken hem over wat er misgaat wanneer bedrijven te snel beginnen met ML-gestuurde handelssystemen.

Hoe begint het meestal mis te gaan?

Bijna altijd begint het met overfitting. Teams trainen een model op historische data en zien indrukwekkende backtestresultaten.

Zodra het model live gaat, gedraagt de markt zich anders dan de trainingsperiode. Het model heeft patronen geleerd die niet meer bestaan.

Welke aanpak werkt niet?

Bedrijven die beginnen met complexe deep learning-architecturen zonder eerst te begrijpen welke marktmechanismen ze willen benutten.

Een simpel lineair model dat je begrijpt is vaak betrouwbaarder dan een neuraal netwerk dat je niet kunt verklaren aan risicobeheerders.

Wat onderschatten bedrijven structureel?

Transactiekosten en slippage. In backtests worden deze vaak te laag ingeschat of volledig weggelaten.

Een strategie die op papier 12% rendement haalt, kan door realistischere kostenramingen dalen naar 3% of minder.

Wat zou je adviseren te vermijden?

Zet nooit een model live zonder out-of-sample validatie over minimaal 18 maanden data die het model nooit heeft gezien. En gebruik altijd een papierhandelfase van minimaal drie maanden voor je echt kapitaal inzet.

Bedrijven willen snel resultaat. Dat is begrijpelijk, maar haast is de meest voorkomende oorzaak van kostbare fouten in dit vakgebied.