15 Arbeiten
Die Studie stellt eine effiziente Ensemble-Methode auf Basis der Gauß-Prozess-Regression vor, die für US-Aktien von 1962 bis 2016 sowohl statistisch als auch wirtschaftlich überlegene Renditevorhersagen liefert und durch die Einbeziehung von Unsicherheiten in ein mean-variance-optimiertes Portfolio eine signifikante Outperformance gegenüber dem S&P 500 ermöglicht.
Diese Arbeit schlägt eine neue Methode zur Vorhersage von Bitcoin-Preisen vor, die auf der kombinatorischen Fusionsanalyse (CFA) basiert und durch die Kombination diverser Modelle sowie die Nutzung von Rang- und Punktwerten eine signifikant höhere Genauigkeit mit einem MAPE von 0,19 % erreicht als einzelne Modelle oder andere Ansätze.
Diese Studie zeigt, dass die Kombination von LLM-basierten Nachrichten-Sentiment-Analysen (insbesondere mit DeBERTa und einem Ensemble-Modell) die Vorhersagegenauigkeit von Aktienkursbewegungen signifikant verbessert und verschiedene Klassifikations- sowie Regressionsmodelle unterstützt.
Die Studie stellt ein hybrides Hidden-Markov-Modell vor, das diskrete Marktzustände mit einem Poisson-Sprungmechanismus kombiniert, um synthetische Aktienrenditen zu erzeugen, die sowohl die Verteilungseigenschaften als auch die zeitliche Struktur und Volatilitätsclustering realer Marktdaten besser abbilden als bestehende Ansätze wie GARCH oder Standard-HMMs.
Diese Arbeit stellt ein neues ARCH-Framework für Daten in separablen Hilbert-Räumen vor, das die vollständige Entwicklung des bedingten Kovarianzoperators modelliert, und leitet für eine vereinfachte Variante stationäre Lösungen sowie konsistente Schätzer her, deren praktische Relevanz durch Simulationen und eine Anwendung auf hochfrequente intraday-Renditen demonstriert wird.
Diese Studie stellt ein integriertes Framework vor, das eine Node-Transformer-Architektur mit BERT-basierter Sentiment-Analyse kombiniert, um durch die Modellierung von Graphstrukturen und Marktstimmungen die Vorhersagegenauigkeit von Aktienkursen signifikant zu verbessern.
Diese Studie zeigt, dass die Vorhersage von WTI-Rohöl-Futures-Renditen durch die Nutzung multidimensionaler Sentiment-Signale (wie Intensität und Unsicherheit) von großen Sprachmodellen wie GPT-4o in Kombination mit traditionellen Finanzmodellen wie FinBERT verbessert werden kann, da diese über die reine Polarisierung hinausgehende Marktinformationen erfassen.
Die Studie nutzt informationstheoretische Entropie-Metriken, um die ersten 100 Tage der zweiten Amtszeit von Donald Trump zu analysieren und zeigt, dass diese Methode im Vergleich zur herkömmlichen Volatilitätsmessung effektiv globale, aber regional modulierte Marktreaktionen auf konzentrierte Politikmaßnahmen erfasst.
Dieser Beitrag entwickelt und illustriert ein Konzept zur Messung der Temperatur in agentenbasierten Systemen jenseits von Kapitalmärkten und zeigt eine Strategie auf, wie sich durch diese Messung die durchschnittliche Meinung in konkurrierenden Subsystemen beeinflussen lässt.
Die Arbeit argumentiert, dass die negative Schiefe und der positive Mittelwert von Aktienrenditen auf eine gebrochene Symmetrie der stochastischen Volatilität zurückzuführen sind, und schlägt eine modifizierte Jones-Faddy-Verzerrte-t-Verteilung vor, um diese Asymmetrie für Gewinne und Verluste in einer einzigen organischen Verteilung für den S&P500 zu modellieren.
Die Studie stellt EDINET-Bench vor, einen Open-Source-Benchmark auf Basis japanischer Jahresabschlüsse, der zeigt, dass selbst fortschrittliche Large Language Models bei komplexen Finanzaufgaben wie der Betrugserkennung nur marginal besser abschneiden als einfache logistische Regressionen und somit einen Bedarf an realistischeren, unterstützenden Evaluierungsrahmen aufzeigen.
Die Studie zeigt, dass die Anwendung des Temporal Hierarchy Forecasting (THieF) zur Versöhnung von Prognosen für Stunden- und Blockprodukte die Genauigkeit der Strompreisvorhersage in den deutschen und spanischen Märkten um bis zu 13 % verbessert und sich aufgrund des geringen zusätzlichen Rechenaufwands als praktikable Empfehlung für die tägliche Prognose erweist.
Diese Arbeit entwickelt einen robusten parametrischen Rahmen auf Basis des Minimum Density Power Divergence Estimators (MDPDE), der unter Hochfrequenz-Asymptotik eine konsistente Unterscheidung zwischen Diffusions- und Sprungkomponenten in CKLS-Modellen ermöglicht, indem sie die asymptotische Skalenseparation ausnutzt und eine auf der Gumbel-Verteilung beruhende Detektionsschwelle für eine zuverlässige Sprungidentifikation etabliert.
Dieser Beitrag stellt ein praktisches Rahmenwerk zur Extremwertanalyse endlicher, multivariater und korrelierter Systeme vor, das durch eine Rotation in die Eigenbasis der Korrelationsmatrix und die Anwendung des Peaks-over-Threshold-Ansatzes unter Berücksichtigung von Nichtstationarität die Risikoschätzung im Finanzsektor und darüber hinaus ermöglicht.
Diese Studie entwickelt eine dynamische Krypto-Portfolio-Strategie, die technische Indikatoren mit einer durch VADER und Google Gemini validierten Sentiment-Analyse kombiniert, um im Mean-Variance-Rahmenwerk eine überlegene risikoadjustierte Rendite zu erzielen, obwohl zusätzliche Risikomanagementmaßnahmen zur Stabilisierung bei Marktstress erforderlich sind.