Geavanceerde ML-technieken voor instrumentclassificatie in finance

Als je al werkt met basisclassificatoren maar merkt dat de modellen haperen op exotische instrumenttypen of bij drift in marktregimes, dan zijn eenvoudige oplossingen vaak niet voldoende.

Waar gangbare pipelines tekort schieten

Random Forests presteren prima op stabiele datasets, maar financiële instrumentdata verandert. Nieuwe regelgeving introduceert nieuwe categorieën, emittenten passen hun structuren aan, en historische labels zijn niet altijd consistent. Een model dat vorig kwartaal 94% haalde, kan vandaag al significant slechter presteren zonder dat iemand het opmerkt.

We kijken naar monitoring van modeldrift, het herintrainen van modellen op rollende vensters, en hoe je labelruis aanpakt bij gestructureerde producten zonder duidelijke categoriegrens.

Technieken die centraal staan

• Gradient boosting met LightGBM op high-cardinality categorische features
• Tabular deep learning via PyTorch Tabular voor complexe instrumentstructuren
• Calibratie van waarschijnlijkheidsuitvoer voor risicorapportage
• Detectie van out-of-distribution instrumenten

Deelnemers werken aan een casusopdracht op basis van een geanonimiseerde dataset van 12.000 instrumenten uit een Belgische vermogensbeheerscontext. Resultaten worden plenair besproken.

Begeleider Wouter Desmedt heeft vijf jaar ervaring bij een Belgische custodian bank en deelt specifieke keuzes en afwegingen uit de praktijk. De sessie is in het Nederlands en gericht op collegiale uitwisseling.