Zwermintelligentie biedt een helderder beeld van cryptomarkten

Kan uitlegbare AI de voorspelling van cryptomarkten verbeteren?

Een systeem dat cryptoprijzen voorspelt, kan kleinere fouten maken zonder betrouwbaar te voorspellen of de prijzen zullen stijgen of dalen. Dat onderscheid wordt gemakkelijk over het hoofd gezien, maar maakt het verschil tussen een veelbelovend onderzoeksinstrument en een bewezen handelsstrategie.

Een nieuwe studie die is geaccepteerd voor publicatie in Applied Soft Computing onderzoekt dit verschil aan de hand van een systeem dat zwermintelligentie combineert met interpreteerbare statistische regels.¹ In plaats van cryptomarkten te beschouwen als één ononderbroken stroom van prijzen, leert het model van de onderzoekers verschillende markttoestanden te herkennen en te schatten hoe die in elkaar overgaan.

De resultaten wijzen op een veelbelovende richting voor financiële AI: voorspellingen die mensen kunnen bekijken en ter discussie kunnen stellen. Ze laten ook zien waarom transparantie, statistische nauwkeurigheid en beleggingsrendement afzonderlijk moeten worden beoordeeld.

Hoe zwermintelligentie leert markttoestanden in cryptomarkten te herkennen

Het systeem combineert particle swarm optimization (PSO) met Markov-voorspellingen. Ondanks de vaktermen is de onderliggende logica goed te volgen.

Eerst groepeert het model dagelijkse rendementen in toestanden die verschillende marktuitkomsten vertegenwoordigen. Zo kan het lichte verliezen, relatief neutrale bewegingen en winsten onderscheiden. Waar de grenzen liggen, is van belang: een ongeschikte indeling kan bruikbare patronen verhullen of misleidende patronen creëren.

PSO zoekt naar betere grenzen. Meerdere kandidaatoplossingen bewegen zich door een wiskundige zoekruimte en passen hun positie aan op basis van informatie uit hun eigen eerdere resultaten en die van andere kandidaten. Het proces lijkt op een groep die aanwijzingen met elkaar deelt tijdens de zoektocht naar een veelbelovende locatie.

Een Markov-model schat vervolgens de overgangskansen tussen toestanden. Het gaat na wat er doorgaans gebeurde na vergelijkbare recente omstandigheden, in plaats van elke prijsbeweging te proberen verklaren.

De onderzoekers houden ook rekening met verschillende marktregimes, waaronder uiteenlopende volatiliteitsniveaus en koersrichtingen. Een overgang die in een rustige markt wordt waargenomen, hoeft tijdens onrust niet dezelfde betekenis te hebben.

De belangrijkste vernieuwing zit dus in de manier waarop het systeem zijn marktvocabulaire leert. De definities van de toestanden maken deel uit van het voorspellingsprobleem, in plaats van vooraf vastgelegde categorieën te zijn die worden opgelegd voordat het voorspellen begint.

Wat de studie naar cryptovoorspellingen daadwerkelijk heeft aangetoond

De hoofdanalyse omvat Bitcoin (BTC ), Ethereum (ETH ), Litecoin (LTC ), en XRP over de periode van 1 januari 2018 tot en met 22 april 2026. In een afzonderlijke voortschrijdende benchmark worden Bitcoin, Ethereum en BNB vergeleken met een toevalsmodel, het klassieke statistische model ARIMA en het machinelearningmodel XGBoost.

Dit zijn aanvullende analyses met verschillende activadekking. In de voortschrijdende vergelijking worden in totaal 270 voorspellingen buiten de steekproef gerapporteerd. De lange historische dataset moet dus niet worden verward met duizenden onafhankelijk beoordeelde voorspellingen.

RMSE, of de wortel van de gemiddelde kwadratische fout, rekent grotere voorspellingsfouten zwaarder aan. MAE, of de gemiddelde absolute fout, meet de gemiddelde omvang van de fout zonder die extra weging. Beide maatstaven hebben betrekking op rendementen, niet op handelswinsten.

Het voorgestelde systeem behaalt de laagste RMSE, maar het verschil met ARIMA is klein. ARIMA heeft een iets lagere MAE, en uit formele statistische toetsen blijkt niet dat de voorspellingsfouten van de twee modellen van elkaar verschillen.

De prestaties bij het voorspellen van de richting zijn zwakker. Het voorgestelde systeem voorspelt de richting in 48,89% van de gevallen correct, wat statistisch niet te onderscheiden is van een benchmark van 50%. Geen van de geteste modellen laat een statistisch significant hogere richtingsnauwkeurigheid zien dan die benchmark.

Ook de kalibratie van kansen vormt een beperking. Als een goed gekalibreerd model een kans van 70% aan een uitkomst toekent, zou die uitkomst bij vergelijkbare voorspellingen ongeveer 70% van de tijd moeten optreden. ARIMA en XGBoost presteren beter op de gerapporteerde geaggregeerde kalibratiemaatstaven.

Waarom kleinere voorspellingsfouten geen handelswinst garanderen

Een model kan de werkelijke rendementen redelijk dicht benaderen en toch herhaaldelijk de verkeerde richting voorspellen. Als veel dagelijkse bewegingen klein zijn, kunnen voorspellingen die rond nul liggen de fout beperken zonder aantrekkelijke handelsmogelijkheden aan het licht te brengen.

Winstgevendheid stelt aanvullende eisen. De winst hangt af van de omvang van winstgevende en verliesgevende posities, uitvoeringsprijzen, kosten, spreads en de handelsfrequentie van de strategie. Ook met een hoog percentage correcte richtingsvoorspellingen kan verlies worden geleden, terwijl een lager percentage soms toch winstgevend kan zijn als de winsten groter zijn dan de verliezen.

De paper rapporteert geen handelssimulatie waarin rekening is gehouden met transactiekosten. De resultaten bieden aanleiding voor verder onderzoek naar prognoses en monitoring, maar tonen geen uitvoerbaar beleggingsvoordeel aan.

Dit onderscheid vormt een aanvulling op de recente berichtgeving van Securities.io over verborgen risico’s bij de handel in cryptofutures. Een rendement inschatten en nagaan of een positie veilig kan worden verhandeld, zijn verwante maar afzonderlijke taken.

Verklaarbaarheid creëert een ander soort waarde

Het voorgestelde model maakt de overgangsregels zichtbaar, evenals de historische waarnemingen waarop die zijn gebaseerd. Dat kan analisten helpen bepalen of een ogenschijnlijk patroon op stevig bewijs berust of op een klein aantal uitzonderlijke gevallen.

Een onderzoeksdashboard zou bijvoorbeeld een overgangsregel met weinig onderbouwing kunnen markeren voor handmatige beoordeling. Dit is een mogelijke toepassing, geen resultaat dat in het onderzoek is aangetoond.

Transparantie maakt het ook eenvoudiger om te onderzoeken waarom iets niet werkt. Analisten kunnen nagaan of de grenzen tussen toestanden ongeschikt zijn geworden, een regime is veranderd of een overgang die ooit vaak voorkwam niet meer plaatsvindt. Die diagnostische waarde verdient evenveel aandacht als de voorspellende prestaties.

Het marktgeheugen van crypto verandert met de omstandigheden

In de hoofdanalyse van vier activa kiezen alle activa voor afhankelijkheid van de eerste orde. Praktisch gezien vormt de meest recente toestand de gekozen context voor de overgang. Langere reeksen leveren niet automatisch bruikbaardere prognoses op.

Dit betekent niet dat oudere informatie nooit van belang is. Historische waarnemingen blijven nodig om verbanden in te schatten. Het betekent wel dat het toevoegen van meer opeenvolgende toestanden aan een prognoseregel het beschikbare bewijs kan versnipperen.

Naarmate er meer mogelijke reeksen zijn, kunnen er van elke reeks minder voorbeelden beschikbaar zijn. Regimeveranderingen maken dit lastiger, omdat verbanden die onder de ene reeks omstandigheden zijn geleerd, onder andere omstandigheden kunnen verzwakken.

Dit geldt niet alleen voor cryptovaluta: complexiteit moet haar waarde in tests bewijzen. Een langer geheugen of een uitgebreidere architectuur is alleen nuttig als de extra informatie opweegt tegen de extra onzekerheid.

Ook de datakwaliteit is van belang. De berichtgeving van Securities.io over wash trading en marktvolatiliteit laat zien waarom ogenschijnlijke handelsactiviteit kritisch moet worden onderzocht. Het toevoegen van volume- of liquiditeitsindicatoren aan toekomstige modellen zou nieuwe informatie opleveren, maar ook nieuwe eisen stellen aan de gegevensvalidatie.

Wat beleggers van financiële AI mogen eisen

De volgende stap is uitgebreidere validatie voor meer activa, marktomstandigheden en concurrerende methoden. De auteurs noemen bredere benchmarks, betere kalibratie, herhaalde optimalisatieruns en economische evaluatie als onderwerpen voor verder onderzoek.

Beleggers die vergelijkbare tools beoordelen, kunnen zich richten op drie vragen:

• Blijven de prestaties overeind bij niet eerder gebruikte gegevens en in vergelijking met geloofwaardige, eenvoudigere alternatieven?
• Komen de gerapporteerde waarschijnlijkheden overeen met de waargenomen uitkomsten?
• Blijft een eventueel handelsvoordeel bestaan na aftrek van realistische uitvoeringskosten?

Door deze vragen afzonderlijk te houden, wordt voorkomen dat een sterk resultaat op één maatstaf leidt tot een onbewezen claim over een andere. Het geeft ontwikkelaars ook duidelijkere doelen voor verbetering.

Coinbase verbindt cryptoanalyse met marktinfrastructuur

Voor beleggers die geïnteresseerd zijn in de infrastructuur achter complexere cryptomarkten, is Coinbase een relevant beursgenoteerd bedrijf om te onderzoeken. Het institutionele platform bundelt uitvoerings-, bewaar- en financieringsdiensten en andere diensten in Coinbase Prime.

De samenhang reikt verder dan deze specifieke prognosemethode. Instellingen hebben betrouwbare gegevens, operationele beheersmaatregelen en uitvoeringsinfrastructuur nodig om onderzoek om te zetten in bruikbare werkprocessen. Verklaarbare modellen kunnen die systemen aanvullen, als vervolgonderzoek hun praktische waarde aantoont.

Coinbase publiceert ook marktanalyse. In de vooruitzichten van 7 oktober in Charting Crypto worden on-chainomstandigheden, waardering en liquiditeit besproken. Dat illustreert hoe breed de beschikbare informatie is naast historische rendementsovergangen.

Het onderzoek toont niet aan dat Coinbase deze architectuur gebruikt of er financieel baat bij zou hebben om die toe te passen. Beleggingen in Coinbase brengen ook bedrijfs-, concurrentie-, regelgevings- en cryptomarktrisico’s met zich mee. De relevante beleggingsvraag is of de infrastructuur van het bedrijf een aanhoudende klantvraag kan ondersteunen, niet of één prognosemodel succesvol is.

Het laatste nieuws en de nieuwste ontwikkelingen rond Coinbase (COIN)

Een beter toetsbare toekomst voor cryptoprognoses

De bijdrage van het onderzoek is een controleerbaar prognoseproces met concurrerende prestaties op het gebied van rendementsfouten. Ook de beperkingen zijn leerzaam: richtingsvoorspellingen blijven dicht bij kansniveau, de kalibratie moet worden verbeterd en de winstgevendheid is niet getest.

Vooruitgang is mogelijk door financiële AI gemakkelijker ter discussie te stellen. Wanneer gebruikers de regels kunnen inzien, het onderliggende bewijsmateriaal begrijpen en statistische prestaties kunnen onderscheiden van economische waarde, kunnen ze beter bepalen welke rol een model in een beleggingsproces kan spelen.

Referenties:

¹ do Nascimento, K. K. F., & dos Santos, F. S. (2026). Een met PSO geoptimaliseerd intelligent Markov-voorspellingssysteem voor regimeafhankelijke dynamiek van cryptovaluta. Applied Soft Computing. Online voorpublicatie. https://doi.org/10.1016/j.asoc.2026.116666