Regime-aware financial volatility forecasting via in-context learning

Diese Arbeit stellt ein regimebewusstes In-Context-Learning-Framework vor, das vortrainierte Large Language Models ohne Parameter-Feinabstimmung nutzt, um durch kontextbasiertes Schlussfolgern und bedingtes Sampling von Demonstrationen die Finanzvolatilität unter nichtstationären Marktbedingungen präziser vorherzusagen als klassische Ansätze.

Das Wesentliche

Vorhersage des Finanz-Chaos: Wie KI die Stimmung der Märkte „fühlt"

Stellen Sie sich den Finanzmarkt nicht als trockene Zahlenreihe vor, sondern als ein riesiges, lebendiges Wetter. Manchmal ist es sonnig und ruhig (niedrige Volatilität), manchmal tobt ein Orkan mit Blitzen und Sturmböen (hohe Volatilität). Die Aufgabe der Forscher in diesem Papier ist es, eine KI zu bauen, die nicht nur das Wetter vorhersagt, sondern auch weiß, welche Art von Wetter gerade herrscht, um ihre Vorhersage anzupassen.

Hier ist die einfache Erklärung der Idee, der Methode und des Ergebnisses, verpackt in alltägliche Bilder:

1. Das Problem: Warum alte Methoden versagen

Früher haben Finanzexperten versucht, das Wetter mit starren Regeln vorherzusagen.

• Der alte Ansatz: Stellen Sie sich einen Wetterbericht vor, der sagt: „Es war gestern 20 Grad, also wird es heute auch 20 Grad." Das funktioniert gut an ruhigen Tagen. Aber wenn plötzlich ein Hurrikan kommt, bleibt dieser alte Bericht stur bei 20 Grad und sagt nichts über den Sturm voraus.
• Das Problem: Finanzmärkte ändern sich schnell. Was gestern galt, gilt heute oft nicht mehr. Herkömmliche Computermodelle (wie GARCH) sind wie diese starren Wetterberichte: Sie sind gut im Durchschnitt, aber sie geraten in Panik oder werden blind, wenn die Märkte extrem unruhig werden.

2. Die Lösung: Ein „Super-Lesen"-Experte (LLM)

Die Autoren nutzen einen Large Language Model (LLM) – also eine sehr starke KI, die normalerweise Texte schreibt oder Fragen beantwortet.

• Die Idee: Anstatt die KI neu zu programmieren (was wie das Lernen einer neuen Sprache von Null wäre), geben wir ihr einfach Beispiele (Prompts) und sagen: „Schau dir diese Geschichte an und sag mir, was als Nächstes passiert."
• Der Clou: Die KI kann aus dem Kontext lernen. Wenn wir ihr Beispiele zeigen, wie sich der Markt in ruhigen Zeiten verhält, lernt sie das. Zeigen wir ihr Beispiele für Stürme, lernt sie das auch.

3. Der Trick: Der „Orakel-Coach" und das Regime-Bewusstsein

Das Papier beschreibt einen cleveren Trick, um die KI noch besser zu machen. Sie nennen es „Regime-Aware In-Context Learning".

Stellen Sie sich vor, Sie trainieren einen Sportler (die KI):

1. Der erste Versuch: Der Sportler macht einen Wurf.
2. Der Orakel-Coach: Ein Trainer (das „Orakel") sieht den Wurf, vergleicht ihn mit dem echten Ergebnis und sagt: „Du warst etwas zu vorsichtig! Der Ball wäre weiter geflogen."
3. Die Korrektur: Der Sportler korrigiert seinen Wurf basierend auf diesem Feedback.
4. Das Archiv (Der Pool): Nach vielen Übungen legt der Trainer alle korrigierten Beispiele in ein Archiv. Aber er macht etwas Besonderes: Er klebt ein Etikett auf jedes Beispiel.
   • Ein Etikett sagt: „Ruhiger Tag" (niedrige Volatilität).
   • Das andere Etikett sagt: „Sturmwarnung" (hohe Volatilität).

Jetzt kommt der eigentliche Zaubertrick:
Wenn die KI heute eine Vorhersage machen soll, schaut sie nicht einfach zufällig in das Archiv. Sie fragt zuerst: „Wie sieht das Wetter gerade aus?"

• Wenn die letzten Tage ruhig waren, holt sie sich nur Beispiele aus dem „Ruhiger Tag"-Korb.
• Wenn die Märkte gerade nervös sind, holt sie sich nur Beispiele aus dem „Sturmwarnung"-Korb.

Dadurch passt sich die KI sofort an die aktuelle Stimmung an, ohne jemals ihre „Gehirnstruktur" (die Parameter) zu ändern. Sie nutzt nur die richtigen Beispiele als Kontext.

4. Das Ergebnis: Besser als die alten Methoden

Die Forscher haben dies mit echten Daten getestet (z. B. dem S&P 500, dem NASDAQ und dem Euro/Dollar-Kurs).

• Das Ergebnis: Die neue Methode war deutlich besser als die alten mathematischen Modelle, besonders in turbulenten Zeiten.
• Die Analogie: Stellen Sie sich vor, Sie müssen durch eine Stadt laufen.
  • Der alte Weg (klassische Modelle) ist wie ein GPS, das immer die gleiche Route nimmt, egal ob Stau oder freie Straße.
  • Der neue Weg (diese KI) ist wie ein erfahrener Taxifahrer, der sieht, dass gerade Stau ist, und sofort eine andere, schnellere Route wählt.
• Die Zahl: Auf dem S&P 500-Index reduzierte die neue Methode den Fehler bei der Vorhersage um etwa 27 % im Vergleich zum besten alten Modell. Das ist enorm!

Zusammenfassung

Dieses Papier zeigt, dass wir keine neuen, komplexen KI-Modelle erfinden müssen, um Finanzmärkte besser zu verstehen. Stattdessen können wir intelligente, bereits existierende KIs nutzen, indem wir ihnen die richtigen Beispiele zur richtigen Zeit zeigen.

Es ist wie das Lernen eines neuen Handwerks: Ein Lehrling wird nicht durch stures Auswendiglernen gut, sondern indem er genau die Beispiele betrachtet, die der Situation entsprechen – mal die ruhigen Tage, mal die stürmischen. Die KI lernt durch „Beobachten" (In-Context Learning) und passt sich so perfekt an das chaotische Wetter der Finanzmärkte an.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Regime-Aware Financial Volatility Forecasting via In-Context Learning" auf Deutsch:

1. Problemstellung

Die Vorhersage der Finanzmarktvolatilität ist ein zentrales Problem im quantitativen Finanzwesen, das für Risikomanagement, Derivatepreisgestaltung und Portfolioallokation essenziell ist. Das Hauptproblem liegt in der Nicht-Stationarität der Finanzmärkte. Märkte durchlaufen häufig abrupte Regimewechsel (z. B. von ruhigen zu hochvolatilen Phasen), die durch makroökonomische Schocks oder geopolitische Ereignisse ausgelöst werden.

Herkömmliche Modelle (wie GARCH oder HAR) und reine Deep-Learning-Ansätze (RNNs, Transformer) haben Schwierigkeiten, sich an diese sich schnell ändernden Umgebungen anzupassen, ohne neu trainiert zu werden. Insbesondere in Phasen hoher Volatilität versagen viele Modelle oft, da historische Daten ihre Relevanz verlieren. Das Paper untersucht, ob Large Language Models (LLMs) als In-Context-Learner (Lernen aus dem Kontext ohne Parameter-Feinabstimmung) in der Lage sind, diese komplexen, regimeabhängigen Dynamiken zu erfassen und präzise Vorhersagen zu treffen.

2. Methodik

Das vorgeschlagene Framework nutzt einen vortrainierten LLM (ohne Fine-Tuning) und kombiniert ihn mit einem regime-bewussten In-Context-Learning-Ansatz. Der Prozess gliedert sich in vier Hauptschritte:

1. Prompt-basierte initiale Vorhersage:
   Historische Log-Renditen und Realisierte Varianzen werden in strukturierte natürliche Sprach-Prompts umgewandelt. Der LLM gibt eine erste Schätzung der zukünftigen Volatilität ab.

2. Oracle-geführte Verfeinerung (nur im Training):
   Um hochwertige Demonstrationsbeispiele zu erstellen, wird ein iterativer Verfeinerungsprozess durchgeführt. Der LLM erhält Feedback basierend auf der wahren Volatilität (Oracle), dem aktuellen Fehler und heuristischen Korrekturhinweisen. Dieser Prozess läuft über mehrere Runden, bis eine verfeinerte Vorhersage $\hat{\nu}^{(*)}$ erreicht ist. Wichtig: Der Zugriff auf die Ground-Truth-Daten erfolgt nur während der Konstruktion des Demonstrationspools, nicht während des Tests.

3. Konstruktion eines regime-bewussten Demonstrationspools:
   Die verfeinerten Beispiele werden als Tupel gespeichert, die den Eingabekontext, die verfeinerte Vorhersage und ein Volatilitäts-Regime-Label ($R_t$) enthalten. Das Regime wird basierend auf einem Schwellenwert $\tau$ in „hoch" (high) und „niedrig" (low) klassifiziert. Daraus entstehen zwei separate Pools: $D_{high}$ und $D_{low}$.

4. Vorhersage via In-Context Learning (Inferenz):
   Für eine neue Vorhersage wird der aktuelle Marktregime-Zustand geschätzt (basierend auf der durchschnittlichen Volatilität der letzten $m$ Tage). Basierend auf dieser Schätzung werden Demonstrationsbeispiele bedingt aus dem entsprechenden Pool ($D_{high}$ oder $D_{low}$) ausgewählt. Der LLM erhält diese Beispiele als Kontext und generiert die finale Vorhersage.

   Es werden zwei Sampling-Strategien verglichen:

   • Proposal I (Feste Priori): Statische Mischung der Regime-Labels im Kontext.
   • Proposal II (Geschätztes Label): Dynamische Auswahl der Beispiele basierend auf der geschätzten aktuellen Marktphase (Regime-Estimation).

3. Hauptbeiträge

• Oracle-geführtes Verfeinerungs-Framework: Entwicklung einer Methode, um einen vortrainierten LLM ohne Parameter-Update zu nutzen, um durch iterative Korrektur hochwertige, regime-markierte Demonstrationsbeispiele zu generieren.
• Regime-bewusste Bedingte Sampling-Strategien: Einführung von Strategien, die Demonstrationsbeispiele basierend auf dem geschätzten Marktregime auswählen. Dies ermöglicht es dem LLM, sich rein durch Kontext-Reasoning an unterschiedliche Volatilitätsdynamiken anzupassen.
• Empirische Validierung: Umfassende Evaluierung auf mehreren Finanzdatensätzen (S&P500, NASDAQ, EUR/USD), die zeigt, dass der Ansatz klassische Modelle und einfache „One-Shot"-LLM-Ansätze übertrifft, insbesondere in turbulenten Marktphasen.

4. Ergebnisse

Die Experimente wurden auf den Datensätzen S&P500, NASDAQ und EUR/USD durchgeführt und mit klassischen Baselines (Rolling Mean, HAR, GARCH(1,1), GJR-GARCH) sowie einem One-Shot-LLM verglichen.

• Gesamtleistung: Der regime-bewusste In-Context-Learning-Ansatz (insbesondere Proposal II) erzielt die niedrigsten Fehlerwerte (MAE und RMSE). Auf dem S&P500-Datensatz wurde der Gesamtfehler im Vergleich zur besten klassischen Baseline (GJR-GARCH) um ca. 27 % reduziert.
• Regime-spezifische Leistung:
  • In niedrig-volatilen Phasen schneiden klassische Modelle (wie HAR) oft gut ab.
  • In hoch-volatilen Phasen versagen viele Modelle oder zeigen große Fehler. Der vorgeschlagene Ansatz reduziert den Fehler in hoch-volatilen Regimen signifikant (z. B. ca. 27 % besser als GJR-GARCH auf S&P500).
• Trade-off: Es zeigt sich ein bekannter Trade-off zwischen Anpassungsfähigkeit an Regime und durchschnittlichem Fehler. Während die Anpassung an hohe Volatilität die Genauigkeit in ruhigen Phasen leicht beeinträchtigen kann, überwiegt der Gewinn in den kritischen, hochvolatilen Phasen deutlich.
• Vergleich zu One-Shot: Ein einfacher LLM-Prompt ohne Demonstrationsbeispiele (One-Shot) liefert glatte, aber ungenaue Vorhersagen, die auf plötzliche Volatilitätsspitzen nicht angemessen reagieren. Die Einbeziehung von Kontextbeispielen (Demonstrationen) verbessert die Leistung drastisch.

5. Bedeutung und Fazit

Das Paper demonstriert, dass Large Language Models, wenn sie als In-Context-Learner eingesetzt werden, die Fähigkeit besitzen, komplexe zeitliche Muster und Regimewechsel in Finanzdaten zu erkennen, ohne dass eine aufwendige Feinabstimmung (Fine-Tuning) notwendig ist.

Die zentrale Erkenntnis ist, dass die explizite Einbeziehung von Regime-Informationen in den Prompting-Prozess entscheidend ist. Durch die Auswahl von Demonstrationsbeispielen, die dem aktuellen Marktzustand entsprechen, kann der LLM sein Verhalten dynamisch anpassen. Dies bietet einen vielversprechenden neuen Ansatz für das Finanzforecasting, der die Stabilität von Langzeitgedächtnis-Modellen mit der notwendigen Adaptivität für asymmetrische Marktbedingungen verbindet. Zukünftige Arbeiten könnten sich auf retrieval-basierte Methoden zur weiteren Optimierung der Kontextauswahl konzentrieren.