VISTA: Vision-Language Inference for Training-Free Stock Time-Series Analysis

Die Arbeit stellt VISTA vor, ein trainingsfreies Framework, das multimodale Vision-Language-Modelle nutzt, um durch die Kombination von Text und Diagrammen historische Aktienkurse zu analysieren und zukünftige Werte präziser vorherzusagen als herkömmliche unimodale Ansätze.

Das Wesentliche

VISTA: Der „Augen-öffner" für Aktienkurse

Stell dir vor, du versuchst, das Wetter für die nächsten fünf Tage vorherzusagen. Du hast zwei Möglichkeiten:

1. Du siehst dir nur eine lange Liste von Zahlen an (z. B. Temperatur: 20, 21, 19, 22...).
2. Du siehst dir eine Kurve an, die diese Zahlen als Linie darstellt, und hast daneben die Zahlenliste.

Die meisten Computerprogramme für Aktienkurse machen nur das Erste: Sie schauen sich die Zahlen an. Die Forscher hinter VISTA (Vision-Language Inference for Stock Time-series Analysis) haben sich gefragt: „Was wäre, wenn wir dem Computer auch die Grafik zeigen?"

Das Ergebnis ist ein System, das nicht nur „rechnet", sondern auch „sieht" – und dabei erstaunlich gut funktioniert, ohne dass man es erst mühsam trainieren muss.

1. Das Problem: Zahlen sind oft verwirrend

Aktienkurse sind chaotisch. Sie springen hoch und runter wie ein aufgeregtes Kind auf einem Trampolin. Wenn man nur die Zahlenreihen betrachtet, sieht es oft aus wie zufälliges Rauschen. Es ist schwer zu erkennen, ob sich eine echte Tendenz (ein Trend) bildet oder ob es nur Zufall ist.

Der Vergleich: Stell dir vor, du versuchst, die Melodie eines Liedes zu erkennen, indem du dir nur die Notenwerte auf einem Zettel ansiehst, ohne sie zu hören. Es ist schwer. Aber wenn du dir die Wellenform des Liedes (die Grafik) ansiehst, erkennst du sofort den Rhythmus und die Höhe der Töne. Genau das macht VISTA: Es schaut sich die „Wellenform" der Aktien an.

2. Die Lösung: Ein Computer mit Augen und Verstand

VISTA nutzt eine spezielle Art von künstlicher Intelligenz, die man sich wie einen super-intelligenten Assistenten vorstellen kann, der sowohl lesen als auch sehen kann.

• Der Text-Teil: Der Assistent liest die Zahlen der letzten Tage (z. B. „Gestern war der Kurs 100, heute 102...").
• Der Bild-Teil: Der Assistent schaut sich gleichzeitig die Linie an, die diese Zahlen verbindet.

Warum ist das wichtig?
Menschen erkennen Muster oft besser mit ihren Augen als mit ihren Zahlen. Wenn eine Linie immer wieder an einer bestimmten Höhe abprallt (wie ein Ball, der gegen eine Wand stößt), sieht man das sofort auf dem Bild. Ein Computer, der nur Zahlen liest, muss das erst mühsam ausrechnen. VISTA sieht das Muster sofort.

3. Der Trick: „Denke laut" (Chain-of-Thought)

Nur das Bild zu zeigen, reichte noch nicht ganz. Die Forscher gaben dem Assistenten eine weitere Anweisung: „Erkläre mir erst, was du siehst, bevor du eine Vorhersage machst."

Das nennt man „Chain-of-Thought" (Gedankenkette).

• Ohne Trick: Der Assistent sagt einfach: „Morgen wird der Kurs 101 sein."
• Mit Trick: Der Assistent sagt: „Ich sehe, dass die Linie in den letzten Tagen immer wieder bei 100 gestoppt wurde. Sie bildet ein Dreieck nach unten. Das sieht nach einem Abwärtstrend aus. Also sage ich voraus, dass der Kurs morgen auf 99 fällt."

Dieses „Nachdenken" hilft dem Computer, die Logik hinter dem Bild zu verstehen, statt nur zu raten.

4. Die Ergebnisse: Sehen ist besser als Rechnen

Die Forscher haben VISTA gegen klassische Methoden getestet:

• Gegen alte mathematische Modelle (ARIMA): Diese sind wie ein alter Taschenrechner, der nur einfache Muster kennt. VISTA war oft deutlich besser.
• Gegen reine Text-KI: Modelle, die nur die Zahlen lesen, lagen oft daneben. VISTA, das auch das Bild sieht, war in vielen Fällen bis zu 90 % genauer.

Ein konkretes Beispiel aus dem Papier:
Stell dir eine Aktie vor, die zwischen 100 und 102 schwankt.

• Ein reiner Text-Computer denkt: „Es schwankt hin und her, also schwankt es weiter."
• VISTA schaut auf das Bild, sieht eine Form, die wie ein fallendes Dreieck aussieht (ein technisches Signal für „Abwärts"), und sagt: „Nein, die Linie wird bald nach unten brechen."
  Und tatsächlich: VISTA lag mit dieser Vorhersage richtig, während der Text-Computer danebenlag.

5. Warum ist das revolutionär?

Früher musste man KI-Modelle monatelang mit riesigen Datenmengen „füttern" (trainieren), damit sie gut werden. Das kostet viel Geld und Energie.
VISTA ist trainingsfrei. Das bedeutet: Man muss das Modell nicht neu lernen lassen. Man gibt ihm einfach die aktuellen Aktienzahlen und das Bild, und es nutzt sein allgemeines Wissen, um sofort eine fundierte Vorhersage zu treffen.

Fazit

VISTA ist wie ein erfahrener Börsenhändler, der nicht nur auf die Zahlen auf dem Bildschirm starrt, sondern auch die Kurven auf dem Chart betrachtet und dabei laut seine Gedanken ordnet. Es zeigt uns, dass für die Vorhersage von Aktienkurse das Sehen genauso wichtig ist wie das Rechnen.

Indem wir Computern erlauben, Charts zu „sehen", können wir bessere Entscheidungen treffen – ohne dass wir dafür riesige Rechenzentren oder jahrelanges Training benötigen.

Technische Zusammenfassung

1. Problemstellung und Motivation

Die Vorhersage von Aktienkursen ist eine hochkomplexe Aufgabe, die durch die hohe Volatilität und nichtlineare Dynamik der Finanzmärkte erschwert wird. Ein zentrales Problem ist das Vorhandensein von „Rauschen" (zufällige, unvorhersehbare Schwankungen), das die zugrunde liegenden Muster verschleiert. Traditionelle statistische Modelle (wie ARIMA) oder reine Text-basierte Large Language Models (LLMs) stoßen hier an Grenzen:

• Statistische Modelle: Benötigen oft große Datenmengen und sind rechenintensiv.
• Text-only LLMs: Können numerische Sequenzen verarbeiten, fehlt ihnen jedoch oft das inhärente Verständnis für visuelle Muster, Trends oder technische Analyse-Formationsmuster (z. B. Widerstandsniveaus, Dreiecksformationen), die für menschliche Analysten in Diagrammen offensichtlich sind.

Die Autoren stellen die Frage, ob die Kombination aus numerischen Daten und deren visueller Darstellung (Liniencharts) die Vorhersagegenauigkeit in einem Zero-Shot-Setting (ohne spezifisches Training der Modelle) verbessern kann.

2. Methodik: Das VISTA-Framework

VISTA (Vision-Language Inference for Stock Time-series Analysis) ist ein trainingsfreies Framework, das Vision-Language Models (VLMs) nutzt, um multimodale Vorhersagen zu treffen.

• Eingabe: Dem Modell werden zwei Modalitäten gleichzeitig bereitgestellt:
  1. Textuelle Darstellung: Die historischen Aktienkurswerte als numerische Sequenz.
  2. Visuelle Darstellung: Ein generiertes Liniendiagramm (Line Chart) derselben Daten.
• Prompting-Strategie:
  • Multimodaler Prompt: Das Modell erhält sowohl die Grafik als auch die Zahlenwerte.
  • Chain-of-Thought (CoT): Um die reasoning-Fähigkeiten zu stärken, werden Prompts verwendet, die das Modell anweisen, den Trend (steigend, fallend, stabilisierend) und saisonale Muster explizit zu beschreiben, bevor es die Vorhersage trifft. Dies soll die Interpretation komplexer Muster verbessern.
• Architektur-Vergleich: Um den Einfluss der visuellen Komponente isoliert zu messen, wurden VLMs mit ihren text-only Pendants (LLMs) verglichen, die eine nahezu identische Architektur aufweisen (gleiche Backbones, Parameteranzahl und Decoder-Strukturen).

3. Wichtige Beiträge

1. Einführung von VISTA: Ein neues, ressourceneffizientes Framework für die Aktienkursvorhersage, das keine feine Abstimmung (Fine-Tuning) erfordert.
2. Nachweis des multimodalen Vorteils: Die Arbeit zeigt, dass visuelle Repräsentationen (Diagramme) komplementäre Informationen liefern, die reine Texteingaben verpassen. Das Papier argumentiert, dass menschliche Wahrnehmung und neuronale Verarbeitung visuell und symbolisch integriert sind; VLMs nutzen dies für bessere Inferenz.
3. Systematischer Benchmark: Ein umfassender Vergleich verschiedener Modellpaare (T5/DePlot, LLaMA/LLaVA, Phi/Phi-Vision, Gemma, DeepSeek) auf echten Finanzdaten.
4. Ablationsstudie: Eine Analyse zeigt, dass die Leistung sinkt, wenn das Eingabediagramm durch Rauschen (Salt-and-Pepper-Noise) korruptiert wird. Dies beweist, dass das Modell tatsächlich die visuellen Merkmale nutzt und nicht nur die numerischen Werte „auswendig lernt".

4. Ergebnisse

Die Experimente wurden an vier Unternehmen des CAC40-Index (Accor, Air Liquide, BNP Paribas, Capgemini) durchgeführt. Die Vorhersage erfolgte für einen Horizont von 5 Tagen basierend auf den letzten 100 Tagen.

• VLM vs. LLM: VLMs übertrafen ihre text-only Pendants konsistent.
  • Die Verbesserung der Mean Squared Error (MSE) lag oft zwischen 40 % und 89 %.
  • Beispiel: Beim Modellpaar LLaMA-3 vs. LLaVA sank der MSE bei Accor von 0,0413 auf 0,0046 (eine Verbesserung von ca. 89 %).
  • Das Paar Phi-3 zeigte eine Verbesserung von 79,3 % bei Accor und 89,83 % bei Capgemini.
• Chain-of-Thought (CoT): CoT-Prompts führten bei den meisten Modellen (insbesondere DeepSeek-VL2, Gemma und Phi3) zu weiteren Genauigkeitssteigerungen, da sie das Modell zwingen, den Trend strukturiert zu analysieren. Bei einigen Modellen (wie LLaVA) zeigte sich jedoch ein gemischtes Ergebnis, was darauf hindeutet, dass CoT modellabhängig ist.
• Vergleich mit ARIMA: Während klassische Modelle wie ARIMA bei sehr kurzen Horizonten und univariaten Daten manchmal besser abschneiden als reine LLMs (wegen fehlender Zeitreihen-Induktionsverzerrung), schlug VISTA (mit visueller Eingabe) sowohl ARIMA als auch die text-only Baselines.

5. Bedeutung und Fazit

Die Studie demonstriert, dass multimodale Inferenz ein mächtiges Werkzeug für die Finanzanalyse ist, ohne dass teures Training oder massive Recheninfrastruktur nötig sind.

• Demokratisierung: Da VISTA trainingsfrei ist, können auch kleinere Institutionen oder Einzelpersonen fortschrittliche Vorhersagemodelle nutzen.
• Erkenntnisgewinn: Die Arbeit belegt, dass Diagramme nicht nur dekorativ sind, sondern strukturelle Hinweise (wie Widerstandslinien oder Trendbrüche) enthalten, die für LLMs allein nicht zugänglich sind.
• Zukunftsperspektive: VISTA legt den Grundstein für den Einsatz von Foundation-Modellen in der Finanzwelt, indem es zeigt, dass die Kombination aus visuellen und textuellen Daten die Vorhersagegenauigkeit signifikant steigern kann.

Zusammenfassend beweist VISTA, dass die Integration von visuellen Zeitreihendarstellungen in Sprachmodelle eine effektive Strategie ist, um die Lücke zwischen rein numerischer Analyse und menschlicher technischer Analyse zu schließen.