AI‑cryptoprijsvoorspellingsmodellen ondergaan volatiliteitstest

Kunstmatige intelligentie (AI) is een van de belangrijkste technologische vooruitgangen van het moderne tijdperk, die niet alleen onze manier van werken, maar ook onze besluitvorming hervormt.

In cryptovalutamarkten, die 24/7 over grenzen heen opereren, krijgen AI-modellen steeds meer aandacht en adoptie, vooral voor het voorspellen van prijzen die plotselinge en extreme bewegingen vertonen. Deze volatiliteit maakt crypto een buitengewone kans, maar ook buitengewoon onvoorspelbaar.

Naarmate technologie geavanceerder en breder geadopteerd wordt, wenden marktdeelnemers zich steeds meer tot machine‑learning‑systemen om door de ruis heen te snijden, patronen te herkennen en voorspellende inzichten te genereren.

Cryptomarkten vormen echter een van de meest barre financiële omgevingen om te voorspellen.

Extreme volatiliteit is een belangrijke reden, maar er zijn ook andere factoren, waaronder speculatief sentiment, macro‑economische schokken, regelgevende veranderingen en door sociale media gedreven handelsgedrag, die crypto‑voorspellingen buitengewoon moeilijk maken.

Gewapend met geavanceerde deep‑learning‑architecturen en enorme on‑chain‑ en marktgegevens, proberen onderzoekers, handelaren en investeerders nu te doen wat menselijke analisten grotendeels consequent hebben gemist: voorspellen waar cryptoprijzen naartoe gaan.

Maar de cruciale vraag is nu niet of AI cryptocurrency‑prijzen überhaupt kan voorspellen, maar of deze modellen consistent betrouwbare, real‑world handelsvoordelen kunnen opleveren onder volatiele marktomstandigheden.

Naarmate de adoptie van crypto blijft groeien en mainstream wordt via integratie met de traditionele financiële sector, streeft nieuw onderzoek ernaar de uitdagingen van extreme prijsfluctuaties te overwinnen en een betrouwbaar model te bieden voor het genereren van nauwkeurige voorspellingen.

Het onderzoek evalueert deep‑learning‑modellen voor vier belangrijke cryptovaluta: Bitcoin, Ethereum, Dogecoin en Litecoin, en constateert dat hoewel geavanceerde machine‑learning‑algoritmen de nauwkeurigheid van voorspellingen onder bepaalde omstandigheden kunnen verbeteren, volatiliteit hun robuustheid, schaalbaarheid en praktische inzet nog steeds beperkt.

De AI‑golf bereikt cryptomarkten

Vandaag is AI overal, wordt een integraal onderdeel van ons leven. En hoewel het lijkt alsof AI uit het niets is verschenen, is dat niet het geval.

AI wordt al sinds de jaren 50 ontwikkeld, en heeft zich door decennia van onderzoek en technologische doorbraken ontwikkeld. Maar ondanks zijn lange geschiedenis, ging de technologie van een opkomend vakgebied naar een mainstream zakelijk hulpmiddel in een opmerkelijk tempo. Die versnelling werd eind 2022 onmisbaar met de lancering van ChatGPT.

De breed populaire chatbot ChatGPT van OpenAI, gesteund door Microsoft (MSFT ), brak records door in slechts vijf dagen 1 miljoen gebruikers te bereiken. Door krachtige Large Language Models (LLMs) gemakkelijk toegankelijk te maken voor alledaagse gebruikers, duwde ChatGPT AI van een niche‑technologieconcept naar de mainstream. Het heeft nu wereldwijd 900 miljoen wekelijks actieve gebruikers, wat betekent dat een aanzienlijk deel van de wereldbevolking nu op een of andere manier met AI interacteert.

Die adoptie reikt ver voorbij consumenten. Bedrijven gebruiken tegenwoordig steeds meer AI‑tools voor automatisering, softwareontwikkeling, cyberbeveiliging, diagnostiek in de gezondheidszorg, marketing, klantenservice, logistiek en prognoses.

Volgens McKinsey zal ongeveer 88% van de ondervraagde organisaties tegen 2025 AI gebruiken in ten minste één bedrijfsfunctie, waarbij ze AI behandelen als een katalysator om hun organisaties te transformeren, werkstromen opnieuw te ontwerpen en innovatie te versnellen.

De aantrekkingskracht van AI ligt in het vermogen om enorme hoeveelheden data te verwerken, repetitieve taken te automatiseren, niet‑lineaire relaties te identificeren en voorspellingen veel sneller dan mensen te genereren. Als gevolg hiervan zetten bedrijven AI snel in om de productiviteit te verbeteren, operationele kosten te verlagen, klantbelevingen te personaliseren en innovatiecycli te versnellen.

McKinsey schat dat AI wereldwijd biljoenen dollars kan bijdragen aan productiviteitswinst op lange termijn. Niet verrassend is een van de meest actieve gebieden voor AI‑implementatie de financiële sector, waar banken en beleggingsfirma’s machine‑learning‑modellen gebruiken om fraude te detecteren, te voldoen aan anti‑witwasregels (AML), risico’s te beheren en transacties automatisch uit te voeren.

Cryptovalutamarkten zijn ondertussen uitgegroeid tot bijzonder aantrekkelijke omgevingen voor AI‑experimenten vanwege hun digitaal‑native structuur en de hoge frequentie van datageneratie.

AI in crypto verwijst over het algemeen naar de toepassing van machine learning, deep learning, natural language processing, reinforcement learning en voorspellende analytics op op blockchain gebaseerde financiële systemen. Momenteel worden AI‑tools gebruikt voor crypto‑handelsbots, marktsentimentanalyse, fraudedetectie, blockchain‑analytics, smart‑contract auditing, portefeuille‑optimalisatie, autonome risicobeheer, gedecentraliseerde finance (DeFi) analytics en token‑prijzensvoorspelling, terwijl blockchain transparantie en controleerbaarheid biedt.

De convergentie van AI en crypto, een natuurlijke evolutie, zal naar verwachting de volgende generatie financiële producten vormgeven en adoptie stimuleren voorbij speculatie naar echte, inkomsten‑genererende toepassingen.

Belangrijker nog, de groeiende institutionalisering van cryptomarkten, samen met de uitbreiding van digitale activa, heeft de vraag naar meer geavanceerde voorspellende systemen die in staat zijn volatiele prijsomgevingen te navigeren, vergroot.

De zoektocht naar een voorsprong in een chaotische markt

Naarmate crypto zich ontwikkelt als een belangrijke factor in financiële markt­kansen, zoeken investeerders nauwkeurige voorspellingen om weloverwogen beslissingen te nemen en winst te verhogen. Maar het voorspellen van cryptoprijzen is niet eenvoudig; zoals een studie uit 2020 opmerkt¹, is het een uitdagende taak “vanwege zijn chaotische en zeer complexe aard”.

Cryptoprijsvoorspelling is het proces van het voorspellen van toekomstige prijsbewegingen met behulp van historische gegevens, technische indicatoren, handelsgedrag, macro‑economische informatie en andere datasets, zoals sentiment op sociale media en blockchain‑activiteit. Het bevindt zich op het snijvlak van grote financiële belangen en een echte wetenschappelijke uitdaging.

Voor investeerders brengt het vermogen om toekomstige prijsbewegingen te voorspellen potentieel winst. Momenteel bezit meer dan een half miljard mensen ten minste één cryptovaluta, en Bitcoin alleen beheerst 58% van de totale cryptomarkt met een marktkapitalisatie van $1,5 biljoen.

Met dit aantal gebruikers en dit kapitaal in beweging, kan zelfs een iets beter voorspellend model een aanzienlijk financieel voordeel opleveren voor veel mensen.

Snelle prijsstijgingen en steile dalingen in een korte periode creëren met name winstkansen voor speculatieve handelaren. Historische cryptocyclusen tonen aan dat wanneer volatiliteit toeneemt, handelaren die tijdig reageren door in en uit stablecoins te roteren beter presteren. Het navigeren door deze verschuivingen hangt echter niet alleen af van discipline; het vereist ook vooruitziendheid, wat voorspellende modellen beloven.

Omdat cryptovaluta continu verhandeld worden en grote kortetermijnschommelingen ervaren, zijn voorspellingsinstrumenten ook waardevol voor handelaren en investeerders om hun instapmomenten beter te timen, posities te dimensioneren, portefeuilles te balanceren, risico‑exposure te beheren en zelfs arbitragemogelijkheden te benutten. Maar het voorspellen van cryptoprijzen is niet zo eenvoudig als het voorspellen van traditionele financiële activa.

De inherente hoge volatiliteit van crypto, die het een winstgevende markt voor speculatie maakt, bemoeilijkt ook de voorspellende prijsanalyse. Daarnaast bewegen cryptomarkten op basis van emotie, nieuws en de acties van grote token‑houders, oftewel whales. Met één transactie kunnen whales markten bewegen. Evenzo hebben sociale‑medianarratieven, regelgevende ontwikkelingen, macro‑economische omstandigheden en on‑chain datastromen een enorme impact op cryptoprijzen.

Bovendien voegt de gedecentraliseerde aard van cryptovaluta, hun onderscheidende kenmerken zoals transactiesnelheid en ecosysteemvariaties, en hun gevoeligheid voor factoren zoals technologische vooruitgang, overheidsbeleid, wereldwijde gebeurtenissen en publieke perceptie extra moeilijkheid toe aan het maken van nauwkeurige voorspellingen.

Dus is het moeilijk voor AI‑systemen om exacte crypto‑bewegingen te voorspellen. De technologie worstelt met problemen in datakwaliteit, slechte generalisatie, regime‑veranderingen en black‑swan‑gebeurtenissen. AI‑modellen werken eigenlijk het best voor richtingssignalen, sentiment‑scoring en kortetermijntrend‑kansen in plaats van precieze prijspunten.

Ondanks de beperkingen is de toepassing van AI op crypto‑voorspellingen aanzienlijk gegroeid.

De belofte en valkuilen van AI‑modellen

Net als bij aandelenprijsvoorspelling is crypto‑prijsvoorspelling een veelvoorkomend type tijdreeksprobleem. Maar traditionele voorspellingsmethoden, zoals de bekende autoregressieve geïntegreerde voortschrijdende gemiddelde (ARIMA) modellen en statistische regressies, hebben moeite om het niet‑lineaire gedrag van cryptoprijzen te vangen, die ook regime‑instabiliteit en gevoeligheid voor exogene schokken vertonen.

AI‑modellen, met name deep‑learning‑architecturen, zijn hier aantrekkelijk omdat ze complexe temporele relaties kunnen leren en zich kunnen aanpassen aan grote multidimensionale datasets.

Deep learning (DL) is een tak van machine learning die is ontworpen om niet‑lineaire en complexe problemen op te lossen. En met cryptowaarden die bijna chaotisch en onvoorspelbaar gedrag vertonen, bieden deep‑learning‑technieken een uitstekend alternatief voor het voorspellen van cryptocurrency‑prijzen.

Deze modellen zijn centraal geworden in modern cryptovaluta‑voorspellingsonderzoek en standaardonderdelen van institutionele crypto‑handelsdesks.

Moderne AI‑gedreven crypto‑voorspellingssystemen gebruiken nu doorgaans Long Short-Term Memory (LSTM) netwerken voor tijdreeksvoorspelling, Convolutional Neural Networks (CNN’s) voor kenmerkextractie, transformer‑architecturen voor sequentiemodellering, multivariate modellen die macro‑economische en gecorreleerde activagegevens benutten, sentiment‑analyse systemen getraind op nieuws‑ en social‑media‑data, en reinforcement learning voor geautomatiseerde handelsstrategieën.

CNN’s en LSTM‑netwerken zijn twee van de meest gebruikte en succesvolle deep‑learning‑technieken.

LSTM is een speciaal type Recurrent Neural Network (RNN) ontworpen om sequentiële data te verwerken. Terwijl traditionele netwerken moeite hebben om lange‑termijncontext te onthouden, kunnen LSTM’s lange‑termijnafhankelijkheden leren via feedbackverbindingen.

Deze netwerken bestaan uit een geheugencel die informatie over tijd opslaat en bijwerkt, een input‑gate die bepaalt welke nieuwe informatie aan de cel moet worden toegevoegd, een forget‑gate die regelt welke informatie moet worden verwijderd, en een output‑gate die bepaalt welke informatie uit de geheugencel naar de volgende verborgen staat en output moet worden doorgegeven, waardoor een gecontroleerde informatiestroom ontstaat.

LSTM‑modellen hebben opmerkelijke prestaties laten zien bij tijdreeksvoorspelling, waarbij zowel recente als verre historische patronen voorspellende waarde hebben.

Bidirectional Long Short-Term Memory (BiLSTM) verwerkt daarentegen sequentiedata in zowel voorwaartse als achterwaartse richting. Het verbindt twee LSTM‑lagen in tegenovergestelde richtingen met een gedeelde output, waardoor zowel verleden als toekomstige contextuele informatie wordt vastgelegd, wat het zeer effectief maakt voor tijdreeksvoorspelling.

Daarna zijn er Convolutional Neural Networks, gespecialiseerde deep‑learning‑modellen die zijn ontworpen om raster‑gestructureerde data, zoals afbeeldingen en video, te verwerken. Ze imiteren het menselijk visuele systeem door automatisch ruimtelijke patronen te leren, zoals die in complexe objecten, via een hiërarchie van trainbare filters. CNN’s gebruiken convolutionele en pooling‑lagen om ruwe invoergegevens te filteren en waardevolle kenmerken te extraheren, die vervolgens naar een volledig verbonden laag worden gestuurd om de uiteindelijke output te produceren.

Wat de transformer‑architectuur betreft, dit is het fundamentele deep‑learning‑ontwerp achter moderne AI, dat een zelf‑attentiemecanisme gebruikt om relaties tussen inputs vast te leggen. In plaats van stap voor stap te bewegen, verwerkt het volledige sequenties in één keer.

Hoewel deze modellen de structurele instabiliteit van cryptomarkten aankunnen, is de vraag of een van hen de real‑world handel daadwerkelijk kan verbeteren.

Veel van deze modellen ondervinden problemen met hoge dimensionaliteit en schaalbaarheid, wat hun aanpasbaarheid aan de unieke volatiliteit van cryptomarkten beperkt. Ze kampen ook met overfitting, de neiging van complexe modellen om idiosyncratische ruis in de trainingsset te leren in plaats van een generaliseerbaar signaal.

De kloof tussen laboratoriumprestaties en prestaties op de live markt blijft groot. Voor investeerders en handelaren betekent dit dat ze AI‑voorspellingsinstrumenten niet moeten beschouwen als kristallen bollen, maar als besluitvormingsondersteunende systemen om onzekerheid te verminderen.

Nieuw onderzoek test AI tegen crypto‑turbulentie

Onderzoekers van de Transitional Artificial Intelligence Research Group, School of Mathematics and Statistics, UNSW Sydney, Australië, publiceerden de studie “Review of deep learning models for crypto price prediction: Implementation and evaluation²“, waarin ze deep‑learning‑modellen voor cryptocurrency‑prijzensvoorspelling onder volatiele omstandigheden evalueren.

Ze vonden machine‑learning‑ en deep‑learning‑modellen veelbelovend vanwege hun voorspellende capaciteiten en hun vermogen om multimodale, spatiotemporale data en tijdreeksen te modelleren.

In het bijzonder onderzochten de onderzoekers meerdere deep‑learning‑architecturen, waaronder LSTM‑ en CNN‑varianten, Conv‑LSTM‑systemen en transformer‑modellen, en vergeleken ze univariate en multivariate voorspellingsstrategieën over verschillende belangrijke cryptovaluta.

De studie richtte zich op Bitcoin (BTC ), Ethereum (ETH ), Dogecoin (DOGE ) en Litecoin (LTC ), waarvan de voorspellingsprestaties werden geëvalueerd met pre‑COVID‑19‑datasets om de vroege pandemieperiode te voorspellen en COVID‑era‑datasets om prijzen van 2023 tot 2024 te voorspellen.

Met dit ontwerp testten de onderzoekers hoe deep‑learning‑systemen reageren op grote verschuivingen in volatiliteit en veranderende marktomstandigheden.

De studie ontdekte dat een convolutionele LSTM met multivariate strategieën consequent “uitstekende” voorspellingsprestaties leverde over alle vier de cryptovaluta en beide experimentele condities. De strategie die de slotprijzen van sterk gecorreleerde cryptovaluta naast goudprijzen integreerde, behaalde de hoogste voorspellingsnauwkeurigheid. Dit werd gevolgd door bidirectionele LSTM‑modellen, die competitieve resultaten leverden.

Ondertussen presteerden transformer‑modellen slecht ten opzichte van beide systemen, wat in tegenspraak is met hun dominante reputatie in andere domeinen. Dit kan te wijten zijn aan de omvang van de beschikbare datasets.

Bitcoin, opgericht in 2009, is pas 17 jaar oud, terwijl Litecoin al 15 jaar bestaat. De breed populaire meme‑coin Dogecoin heeft een geschiedenis van 13 jaar, terwijl Ethereum net iets meer dan een decennium actief is.

De geschiedenis van crypto is relatief kort, terwijl transformer‑modellen geschikt zijn voor grote hoeveelheden data, en het aandachtmechanisme dat hen krachtig maakt in tekst, wordt een nadeel wanneer het wordt toegepast op de beperkte financiële tijdreeksen van deze belangrijke crypto‑activa.

De studie vond bovendien dat multivariate deep‑learning‑modellen univariate modellen overtroffen wanneer sterk gecorreleerde cryptovaluta en externe variabelen zoals goudprijzen werden geïntegreerd.

Dit suggereert dat cryptovaluta niet onafhankelijk bewegen en dat het gebruik van gecorreleerde marktsignalen de voorspellingsprestaties kan verbeteren. Onderzoekers observeerden bijzonder sterke correlaties tussen het prijsgedrag van BTC en ETH, terwijl DOGE meer grillige, moeilijk te modelleren volatiliteitspatronen vertoonde. Maar simpelweg meer variabelen aan een model toevoegen garandeert geen verbetering.

Volgens de studie kan het opnemen van generieke externe variabelen modellen misleiden. Prestatievoordelen komen voort uit het selecteren van kenmerken die een echte en stabiele relatie met de doelvariabele hebben. Dus toen het team het multivariate model uitbreidde met de meest sterk gecorreleerde begeleidende cryptovaluta naast goud, verbeterde de voorspellingsnauwkeurigheid aanzienlijk.

Belangrijk is dat het onderzoek aantoont dat volatiliteit de voorspellingsnauwkeurigheid aanzienlijk vermindert. Modellen getraind op COVID‑19‑volatiliteitsdatasets leverden hogere voorspellingsfouten op dan modellen getraind op stabielere pre‑pandemische data. Deze bevinding ondersteunt de algemene visie dat hoewel deep‑learning‑systemen historische structuren kunnen identificeren en de kortetermijn‑voorspellingsnauwkeurigheid kunnen verbeteren, hun prestaties lijden onder perioden van structurele instabiliteit en marktstress.

De COVID‑19‑regimeshift leverde de meest leerzame stresstest op. Toen modellen getraind op pre‑pandemische data werden geëvalueerd tijdens de vroege COVID‑periode, en wanneer modellen getraind op COVID‑era data werden gebruikt om prijzen te projecteren naar 2023‑2024, nam de voorspellingsnauwkeurigheid merkbaar af. De studie noteerde:

“Wat betreft het effect van COVID‑19, vonden we dat de slotprijsvolatiliteit voor cryptocurrency duidelijk aanwezig is, wat extra uitdagingen voor de respectieve modellen met zich meebrengt. Onze experimentele resultaten tonen aan dat het gebruik van een trainingsdataset met hoge volatiliteit de precisie van onze voorspellingen verzwakt.”

Het meldde ook dat voor het best presterende model, de root mean square error (RMSE), die het gemiddelde verschil tussen werkelijke en voorspelde waarden meet, steeg van 0,02 voor BTC en ETH in het pre‑COVID‑experiment tot 0,03 in het COVID‑era‑experiment.

Wat de populaire meme‑coin DOGE betreft, stelde deze nog meer uitdagingen, vanwege extreme volatiliteitsspieken in januari en mei 2021, toen de maandelijkse volatiliteit meer dan 20% bereikte, ver boven de niveaus die in de trainingsdata werden gezien.

Bovendien presteerden eenvoudigere statistische modellen zoals ARIMA en multilayer perceptrons (MLP’s) veel slechter dan deep‑learning‑architecturen bij crypto‑voorspellingsopdrachten.

Desondanks moet voorspellingsnauwkeurigheid niet worden gezien als een garantie voor handelswinst, waarschuwen onderzoekers. Hoewel een lagere RMSE de voorspellingsbetrouwbaarheid verbetert, hangen real‑world handelsresultaten af van de kwaliteit van de uitvoering van een handelaar, marktliquiditeit, slippage, transactiekosten en plotselinge externe schokken.

Datakwaliteit en schaal zijn andere beperkingen die kunnen verklaren waarom transformer‑modellen worstelen. Dit ondersteunt verder het idee dat alleen architecturale complexiteit niet automatisch leidt tot betere financiële voorspellingsprestaties.

Om crypto‑voorspellingssystemen te verbeteren, beveelt het artikel aan om Bayesian deep learning te gebruiken voor onzekerheidskwantificatie, multimodale modellen die data van nieuws en sociale media integreren, causale inferentie om sterker gecorreleerde variabelen te identificeren, en hogere‑frequentie‑voorspellingen met uur‑ of intradag‑data.

Conclusie

In het afgelopen decennium heeft crypto aanzienlijke adoptie verworven en ziet het nu een diepere integratie met de traditionele financiële wereld. Ondanks dit blijft het echter zeer volatiel en vatbaar voor speculatief gedrag, macro‑economische verstoringen en onvoorspelbare externe katalysatoren, waardoor nauwkeurige prijzensvoorspelling buitengewoon moeilijk is.

AI‑gedreven voorspellingsmodellen zijn geëvolueerd van een niche‑academisch onderwerp naar een belangrijk interessegebied voor handelaren, instellingen en financiële onderzoekers die deze volatiele markten effectiever willen navigeren.

Desondanks, hoewel machine‑learning‑systemen de kwaliteit van voorspellingen kunnen verbeteren, kunnen ze onzekerheid niet wegnemen of consequent winstgevende handelsresultaten garanderen. Zelfs geavanceerde modellen blijven kwetsbaar voor hoog‑volatiele omgevingen zoals de COVID‑19‑periode.

Uiteindelijk moeten AI‑crypto‑voorspellingsmodellen worden gezien als besluitvormingsondersteunende tools die patronen kunnen identificeren die menselijke analisten mogelijk missen, datasets verwerken op een schaal die individuen niet kunnen, en probabilistische signalen genereren die een betekenisvolle voorsprong kunnen bieden bij handelsbeslissingen.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.

Referenties

1. Pintelas, E., Livieris, I. E., Stavroyiannis, S., Kotsilieris, T., & Pintelas, P. (7 mei 2020). Onderzoek naar het probleem van cryptocurrency‑prijzensvoorspelling: Een deep‑learning‑benadering. Artificial Intelligence Applications and Innovations, 584, 99–110. Springer. https://pmc.ncbi.nlm.nih.gov/articles/PMC7256561/

2. Wu, J., Alom, M. Z., & Taha, T. M. (2026). Review of deep learning models for crypto price prediction: Implementation and evaluation. Intelligent Systems with Applications, 29, 101337. Elsevier. https://www.sciencedirect.com/science/article/pii/S3050475926002101