Reasoning on Time-Series for Financial Technical Analysis

Die Arbeit stellt Verbal Technical Analysis (VTA) vor, ein neuartiges Framework, das verbale und latente Schlussfolgerungen kombiniert, um sowohl genaue als auch interpretierbare Aktienprognosen zu erzeugen, indem Zeitreihendaten in textliche Annotationen umgewandelt und mit einem inversen MSE-Anreiz optimiert werden.

Das Wesentliche

📈 Der kluge Finanz-Detektiv: Wenn KI über Aktien spricht

Stell dir vor, du hast zwei sehr unterschiedliche Experten, die du gerne für deine Geldanlage nutzen würdest:

1. Der „Zahlen-Guru" (Das Zeitreihen-Modell): Dieser Experte ist ein Meister darin, Muster in riesigen Datenmengen zu erkennen. Er sieht einen Aktienkursverlauf und denkt sofort: „Aha, die Kurve geht nach oben, weil sie so aussieht wie ein Hüpftanzug!" Er ist super schnell und präzise bei der Vorhersage, wohin der Preis geht. Aber er kann nicht erklären, warum. Er ist wie ein Automat, der nur „Ja" oder „Nein" sagt, ohne die Gründe zu nennen.
2. Der „Finanz-Analyst" (Das Sprach-Modell / LLM): Dieser Experte ist ein brillanter Schriftsteller und Denker. Er kann komplexe Berichte lesen, Nachrichten analysieren und in fließendem Deutsch erklären, warum eine Aktie steigen oder fallen könnte. Aber wenn man ihm nur eine Tabelle mit nackten Zahlen gibt, ist er oft ratlos. Er versteht die Sprache der Zahlen nicht wirklich.

Das Problem: Bisher mussten sich Anleger entscheiden: Entweder eine präzise Vorhersage ohne Erklärung oder eine schöne Erklärung, die aber oft falsch liegt.

Die Lösung des Papers: Die Forscher haben einen neuen Rahmen namens VTA (Verbal Technical Analysis) entwickelt. Sie haben diese beiden Experten zu einem Super-Team zusammengeführt.

---

🤝 Wie funktioniert das Team? (Die drei Schritte)

Stell dir den Prozess wie das Training eines jungen Finanz-Assistenten vor:

1. Schritt: Die Übersetzung (Von Zahlen in Worte)

Der erste Schritt ist, dem Sprach-Modell beizubringen, dass Zahlen auch eine „Sprache" haben.

• Die Metapher: Stell dir vor, du gibst dem Assistenten nicht die nackten Zahlen, sondern eine Zusammenfassung. Statt „Der Kurs war 10, dann 12, dann 11" sagt das System: „Der Kurs war niedrig, ist dann stark gestiegen und hat sich leicht korrigiert."
• Was passiert: Das System wandelt die harten Aktien-Daten in eine Art „technischen Bericht" um (z. B. „Der gleitende Durchschnitt zeigt einen Aufwärtstrend"). Das Sprach-Modell liest diesen Bericht und denkt laut nach: „Okay, wenn der Trend nach oben zeigt, aber die Stimmung überhitzt ist, könnte es bald eine kleine Pause geben."

2. Schritt: Das Training mit Belohnung (Der „Time-GRPO"-Trick)

Das Sprach-Modell muss lernen, nicht nur schön zu reden, sondern richtig zu raten.

• Die Metapher: Stell dir vor, der Assistent spielt ein Quiz. Jedes Mal, wenn er eine Begründung schreibt, die zu einer korrekten Vorhersage führt, bekommt er einen Goldstern. Wenn er falsch liegt, bekommt er keinen Stern.
• Der Clou: Das System nutzt einen cleveren Trick (Time-GRPO). Es belohnt den Assistenten nicht nur dafür, dass er gut redet, sondern dafür, dass seine Gedankengänge (die Begründung) tatsächlich zu einem korrekten Ergebnis führen. Wenn die Begründung „Die Aktie wird fallen" lautet, aber die Vorhersage falsch ist, gibt es keine Belohnung. So lernt das Modell, nur dann zu reden, wenn es die Zahlen wirklich versteht.

3. Schritt: Die gemeinsame Vorhersage (Das „Bedingte" Denken)

Jetzt kommt der letzte Schliff. Das Sprach-Modell gibt seine Begründung ab (z. B. „Ich erwarte einen leichten Rückgang wegen Überhitzung").

• Die Metapher: Der „Zahlen-Guru" (das Vorhersage-Modell) hört sich diese Begründung an und sagt: „Ah, okay! Wenn du sagst, es gibt eine Überhitzung, dann passe ich meine Berechnung an."
• Das Ergebnis: Das System produziert eine Vorhersage, die sowohl mathematisch präzise ist (weil der Zahlen-Guru mitarbeitet) als auch verständlich erklärt (weil der Analyst mitgedacht hat).

---

🏆 Was haben sie herausgefunden?

Die Forscher haben ihr neues System an echten Aktienmärkten in den USA, China und Europa getestet.

• Genauigkeit: Das VTA-System war besser als alle anderen bisherigen Modelle. Es hat die Kursbewegungen genauer vorhergesagt als die reinen Zahlen-Modelle oder die reinen Sprachmodelle.
• Verständlichkeit: Wenn sie ihre Vorhersagen von echten Finanz-Experten (von Banken wie JPMorgan oder UBS) bewerten ließen, waren diese begeistert. Die Begründungen waren nicht nur „Blabla", sondern enthielten echte, sinnvolle technische Analysen (wie RSI, MACD, gleitende Durchschnitte), die Profis nutzen.
• Geld verdienen: Als sie mit den Vorhersagen von VTA fiktive Portfolios aufbauten (also Aktien kauften und verkauften), erzielten sie die höchste Rendite bei geringstem Risiko. Das bedeutet: Weniger Stress, mehr Gewinn.

🌍 Warum ist das wichtig für dich?

Bisher waren KI-Vorhersagen für Aktien oft wie eine Blackbox: Du hast eine Zahl gesehen, aber nicht gewusst, ob du ihr trauen sollst.
Mit VTA bekommst du nicht nur die Zahl, sondern auch die Erklärung. Es ist wie ein Finanzberater, der dir nicht nur sagt: „Kauf das!", sondern auch: „Kauf das, weil die technischen Indikatoren zeigen, dass der Preis gerade am Boden ist und bald nach oben springen wird."

Kurz gesagt: Die Forscher haben der KI beigebracht, nicht nur zu rechnen, sondern auch zu denken und zu erklären. Und das macht sie zu einem viel besseren Werkzeug für jeden, der mit Geld zu tun hat.

Technische Zusammenfassung

1. Problemstellung

Das Paper adressiert eine zentrale Lücke in der Anwendung von Large Language Models (LLMs) im Finanzwesen: Während LLMs erfolgreich zur Analyse von Textdaten (wie Finanzberichten oder Nachrichten) eingesetzt werden, fehlt es ihnen an der Fähigkeit, historische Preisdaten (Zeitreihen) für die technische Analyse zu interpretieren und gleichzeitig vorhersagbare Ergebnisse zu liefern.

Die Herausforderung besteht in der Domänenbrücke:

• Eingabe: Finanzzeitreihen (Preise, Volumen), die im Zeitreihen-Domain liegen.
• Verarbeitung: Der logische Schlussfolgerungsschritt (Reasoning) sollte in natürlicher Sprache erfolgen, um Interpretierbarkeit zu gewährleisten.
• Ausgabe: Eine genaue Vorhersage der zukünftigen Preisentwicklung (Zeitreihen).

Bestehende Ansätze scheitern oft daran, dass entweder reine Zeitreihenmodelle keine interpretierbaren Erklärungen liefern oder LLMs, die auf Text trainiert sind, Schwierigkeiten haben, rohe Zeitreihendaten direkt zu verarbeiten, ohne ihre sprachlichen Fähigkeiten zu verlieren.

2. Methodik: Verbal Technical Analysis (VTA)

Die Autoren stellen VTA (Verbal Technical Analysis) vor, ein Framework, das „verbales Reasoning" (natürlichsprachliche Analyse) mit „latenter Reasoning" (direkte Mustererkennung in Zeitreihen) kombiniert. Das System besteht aus drei Hauptkomponenten:

A. Zeitreihen-Reasoning (Verbalisierung)

Um ein LLM zu befähigen, über Zeitreihen zu „denken", werden die Rohdaten zunächst in textuelle Annotationen umgewandelt.

• Textueller Annotator: Extrahiert statistische Merkmale (Min/Max, Mittelwert) und technische Indikatoren (z. B. SMA, EMA, RSI, MACD, Bollinger-Bänder) aus den Kursdaten.
• Time-GRPO (Time-Series Group Relative Policy Optimization): Dies ist ein neuartiger Reinforcement-Learning-Ansatz, der auf dem GRPO-Algorithmus basiert.
  • Ziel: Das Modell lernt, einen „Reasoning Trace" (Gedankengang) zu generieren, der nicht nur logisch ist, sondern auch zu einer genauen Vorhersage führt.
  • Reward-Funktion: Die Optimierung nutzt eine inverse Mean Squared Error (MSE) als Belohnung. Das bedeutet: Je genauer die finale Vorhersage des Modells ist, desto höher ist die Belohnung für den dazugehörigen Reasoning-Schritt.
  • Pipeline: Der Prozess durchläuft drei Stufen: Cold-Start (Generierung initialer Daten), Rejection Sampling (Filterung von Reasoning-Traces mit hohem MSE) und SFT (Supervised Fine-Tuning), gefolgt von einer finalen RL-Optimierung.

B. Zeitreihen-Vorhersage (Latentes Denken)

Ein separates Backbone-Modell (basierend auf GPT-2) ist für die eigentliche numerische Vorhersage zuständig.

• Es nutzt Cross-Modal-Attention, um Zeitreihen-Tokens mit Wort-Embeddings abzugleichen.
• Ein Feature Regularization Loss sorgt dafür, dass die Repräsentationen in den Text- und Zeitreihen-Zweigen des Modells konsistent bleiben.

C. Gemeinsame Bedingte Training (Joint Conditional Training)

Um Interpretierbarkeit und Genauigkeit zu vereinen, wird die Vorhersage des Backbone-Modells auf den Reasoning-Ausgang des LLMs konditioniert.

• Das Modell wird gleichzeitig für bedingte (basierend auf dem Reasoning) und unbedingte Vorhersagen trainiert.
• Während der Inferenz wird die finale Vorhersage als gewichtete Summe aus der bedingten und unbedingten Vorhersage berechnet, gesteuert durch einen Guidance-Scale-Parameter ($s$). Dies erlaubt es, die Stärke der „verbalen Führung" zu regulieren.

3. Schlüsselbeiträge

1. VTA-Framework: Ein neuartiges System, das die Stärken von Zeitreihenmodellen (Mustererkennung) mit der Erklärbarkeit von LLMs (technische Analyse) verbindet.
2. Time-GRPO: Eine spezialisierte Optimierungsmethode, die den Reasoning-Prozess direkt mit der Vorhersagegenauigkeit (via inverse MSE) verknüpft, anstatt nur auf Textkohärenz zu optimieren.
3. Interpretierbarkeit: Das Modell liefert nicht nur Vorhersagen, sondern auch fundierte technische Analysen, die von Fachleuten nachvollzogen werden können.
4. Umfassende Evaluation: Validierung über US-, chinesische und europäische Märkte sowie in anderen Domänen (Gesundheit, Energie).

4. Ergebnisse

Die Experimente wurden auf mehreren Datensätzen (StockNet, Dow Jones, FTSE China A50, EURO STOXX 50) durchgeführt.

• Vorhersagegenauigkeit: VTA erreicht den State-of-the-Art (SOTA) in Bezug auf MSE (Mean Squared Error) und MAE (Mean Absolute Error). Es schlägt sowohl traditionelle Zeitreihenmodelle (z. B. Transformer, Autoformer) als auch reine LLM-basierte Zeitreihenmodelle (z. B. TimeLLM, CALF).
• Qualität des Reasoning: Eine Bewertung durch 25 Branchenexperten (u. a. von JPMorgan, UBS, Allianz) zeigte, dass VTA in den Kategorien „Tiefe" (Depth), „Genauigkeit" (Accuracy) und „Relevanz" signifikant besser abschnitt als reine Inference-LLMs wie GPT-4.1 mini oder DeepSeek-R1.
• Investitionsperformance: In Portfoliotests (Markowitz-Optimierung) erzielte das auf VTA-Vorhersagen basierende Portfolio den höchsten Sharpe Ratio (risikoadjustierte Rendite) aller getesteten Modelle, was die praktische Anwendbarkeit unterstreicht.
• Ablationsstudie: Die Studie bestätigt, dass jede Phase des Trainings (insbesondere das mehrstufige Fine-Tuning und die Konditionierung) notwendig ist, um die hohe Leistung zu erzielen.

5. Bedeutung und Fazit

Das Paper demonstriert, dass es möglich ist, Large Language Models so zu trainieren, dass sie nicht nur Text, sondern auch Finanzzeitreihen durch die Linse der technischen Analyse interpretieren können.

• Paradigmenwechsel: Es überwindet die Trennung zwischen „Black-Box"-Zeitreihenvorhersage und interpretierbarer, aber oft ungenauer Textanalyse.
• Praktischer Nutzen: Die Fähigkeit, fundierte technische Analysen (Reasoning Traces) zu generieren, die direkt mit der Vorhersagegenauigkeit korrelieren, macht das Modell für Finanzpraktiker attraktiv, die sowohl Genauigkeit als auch Nachvollziehbarkeit benötigen.
• Generalisierung: Das Modell funktioniert besonders gut bei Finanzdaten, die intrinsische interpretierbare Signale enthalten. Bei Domänen ohne solche Signale (z. B. Influenza-Fälle) bleibt die Leistung stabil, aber der Zusatznutzen des Reasonings ist geringer.

Zusammenfassend bietet VTA einen robusten Weg, um die „Interpretierbarkeitslücke" in der KI-gestützten Finanzanalyse zu schließen, indem es die logische Kraft von LLMs mit der Präzision moderner Zeitreihenmodelle vereint.