Wat zijn 'LSTMs' (Long Short-Term Memory) en werken ze voor koersen?
Je kent het wel: je zit naar een koers te staren en probeert patronen te ontdekken. Je ziet een kleine dip en denkt: "Nu kopen!".
Vervolgens zakt de boel door het putje. Het is menselijk. We zijn niet gemaakt om 24/7 data te verwerken.
Algoritmische trading bots wel. Ze draaien op een server, kijken naar duizenden datapunten per seconde en handelen zonder emotie. In de wereld van Python backtesting en broker API's is er één term die steeds terugkomt: LSTM. Het klinkt ingewikkeld, maar het is eigenlijk een slimme manier voor een bot om te leren van het verleden, zonder alles direct weer te vergeten.
Wat is een LSTM precies?
Stel je voor dat je een gesprek hebt met iemand die continu alles wat je net hebt gezegd weer vergeet. Irritant, niet? Een standaard neuraal netwerk doet dat soms ook met data.
Het kijkt alleen naar het allernieuwste stukje van de koers. Een LSTM (Long Short-Term Memory) is een speciaal soort algoritme dat wél een geheugen heeft.
Het is een bouwsteen binnen Deep Learning, specifiek ontworpen voor tijdreeksen – data die in een volgorde komt, zoals de Bitcoin koers van gisteren, vandaag en morgen. Een LSTM kan belangrijke informatie van duizenden candles geleden vasthouden en combineren met wat er net gebeurde. In de code van je trading bot (bijvoorbeeld met TensorFlow of PyTorch in Python) zorgt deze structuur ervoor dat het model patronen leert herkennen die verder teruggaan dan alleen de RSI of MACD indicator van de afgelopen 14 periodes. Het is de reden waarom deze modellen zo populair zijn in de financiële markten.
Een LSTM is als een handelaar die een perfect dagboek bijhoudt en nooit een belangrijke gebeurtenis vergeet, maar wel weet wat hij op dit moment moet doen.
Hoe werkt het in de praktijk?
Om een LSTM te gebruiken voor een trading bot, train je hem eerst op historische data. Je voert de prijzen van de afgelopen 60 dagen in (bijvoorbeeld de slotkoers van de S&P 500 of EUR/USD) en vraagt de LSTM om de prijs voor dag 61 te voorspellen.
De LSTM berekent dit met wiskundige formules (de 'gates') die bepalen welke info relevant is en welke weggegooid mag worden. Zo voorkomt het dat oude ruis de huidige voorspelling verpest. Als de training klaar is, koppel je de LSTM aan je broker API, bijvoorbeeld van Interactive Brokers of een crypto exchange als Binance.
De bot draait op een cloud server (AWS of een VPS van €5-€10 per maand).
De LSTM krijgt elke seconde nieuwe data binnen, berekent de kans op een stijging of daling en geeft een signaal: 'Kopen' of 'Verkopen'. Dit gebeurt volledig automatisch, zonder dat jij emotioneel wordt van een tijdelijke dip.
Werkt het echt voor koersen?
Het antwoord is: het hangt er vanaf. LSTMs zijn krachtig, maar financiële markten zijn extreem 'noisy'.
Een LSTM kan perfect patronen leren in historische data (backtesting), maar faalt soms als de markt ineens anders reageert door nieuws of een crisis. In een stabiele markt kan een LSTM met 60-70% nauwkeurigheid de richting van de volgende candle voorspellen. In een chaotische markt zakt dat snel naar 50% (een gok). Wil je meer weten over de rol van deep learning en neurale netwerken in je prijsvoorspelling?
Veel succesvolle ontwikkelaars gebruiken LSTMs daarom niet als losse voorspeller, maar als onderdeel van een groter systeem.
Ze gebruiken de LSTM-uitvoer als een extra bevestiging voor hun bestaande strategie. Ze trainen het model op specifieke tijden (bijvoorbeeld alleen tijdens de US-market hours) en stoppen de training zodra de winst in de backtest onder een bepaalde drawdown van bijvoorbeeld 10% duikt. Overweeg je GRU vs LSTM voor je trading model? Een LSTM is zo goed als de data die je hem voert. Voer je hem alleen de slotkoers?
De invloed van de datakwaliteit
Dan mis je de context. Voer je hem open, high, low, close, volume (OHLCV) én een paar technische indicatoren?
Dan wordt de prestatie beter. In Python kun je via bibliotheken als Pandas en TA-Lib deze data makkelijk prepareren voordat je het aan het netwerk geeft.
Verschillende soorten en prijsindicaties
Er zijn diverse LSTM-architecturen. De standaard LSTM werkt prima, maar varianten zoals de 'Bidirectional LSTM' (die zowel vooruit als achteruit in de tijd kijkt) of 'Stacked LSTM' (meerdere lagen op elkaar) kunnen complexere patronen vangen.
Voor beginners is de gewone LSTM vaak al voldoende. Wat kost dit om te bouwen?
- Serverkosten: Een VPS van DigitalOcean of Vultr kost ongeveer €5 - €12 per maand.
- Broker kosten: Data feeds en transactiekosten. Bij Interactive Brokers betaal je per trade, bij crypto exchanges vaak 0.1% tot 0.2% per transactie.
- Tijd: De grootste investering. Een werkende LSTM-bot bouwen kost al snel 50 tot 100 uur programmeertijd als je het vanaf nul doet.
Als je het zelf codeert, zijn de kosten minimaal. Een Python script draait op je eigen laptop of een VPS. Reken op: Wil je kant-en-klare LSTM bots kopen?
Er zijn marktplaatsen waar developers hun code verkopen, vaak voor €50 tot €500. Wees hier extreem voorzichtig. Test de code altijd eerst grondig met een paper trading account voordat je er echt geld aan toevertrouwt.
Praktische tips voor jouw trading bot
Als je aan de slag wilt met LSTMs, begin dan klein. Gebruik Python libraries als Keras of PyTorch.
Zorg dat je een goede backtesting omgeving opzet, bijvoorbeeld met de library Backtrader of VectorBT. Deze tools simuleren de markt en geven je een rapport met metrics zoals Sharpe Ratio en Max Drawdown. Zie je een drawdown van 40%?
Dan is je model niet goed. Een gouden tip: normaliseer je data.
De koers van Bitcoin (€60.000) is veel groter dan de RSI (waarde tussen 0 en 100). Voer je deze direct in een LSTM, dan raakt de wiskunde in de war. Deel alle waardes door hun maximum, zodat alles tussen 0 en 1 ligt.
Tot slot: risicomanagement is key. Zelfs de beste LSTM kan fout zitten; volg onze gids voor machine learning voor trading en gebruik altijd stop-losses.
Zet niet je hele vermogen in op één bot. Spreid over meerdere markten en strategieën.
Zo bouw je een robuust systeem dat de markt aankan.