TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction

Die Arbeit stellt TRACE vor, ein interpretierbares System zur Vorhersage von Aktienkursbewegungen auf Wissensgraphen, das symbolische Regeln, dynamische Graphenexploration und LLM-gesteuerte Entscheidungsfindung vereint, um auf dem S&P-500-Datensatz durch regelgeleitete Suche und textbasierte Evidenzaggregation eine überlegene Genauigkeit und Nachvollziehbarkeit zu erreichen.

Das Wesentliche

Stellen Sie sich vor, Sie wollen vorhersagen, ob eine Aktie morgen steigt oder fällt. Die meisten Computerprogramme machen das wie ein einsamer Detektiv: Sie schauen sich nur die vergangenen Preise der einzelnen Firma an oder lesen zufällig ein paar Nachrichten. Das Problem ist: Die Welt funktioniert nicht isoliert. Wenn ein großer Konzern einen anderen kauft, beeinflusst das nicht nur beide Firmen, sondern auch deren Lieferanten, Konkurrenten und sogar die Banken, die sie finanzieren.

Das Papier stellt TRACE vor – ein System, das wie ein super-intelligenter Finanz-Detektiv funktioniert, der nicht nur liest, sondern die Zusammenhänge versteht.

Hier ist die einfache Erklärung, wie TRACE funktioniert, mit ein paar bildhaften Vergleichen:

1. Die Weltkarte: Der Wissensgraph (Knowledge Graph)

Stellen Sie sich das Finanzsystem nicht als Liste von Aktienkursen vor, sondern als eine riesige, lebendige Stadt.

• Die Firmen sind die Gebäude.
• Die Nachrichten sind die Gerüchte, die durch die Straßen flüstern.
• Die Beziehungen (z. B. "Firma A besitzt Firma B" oder "Firma C klagt gegen Firma D") sind die Straßen und Brücken, die diese Gebäude verbinden.

Frühere Programme liefen oft blind durch diese Stadt. TRACE hingegen hat eine detaillierte Landkarte, auf der genau steht, welche Straße wohin führt und wann sie gebaut wurde.

2. Die Regeln: Der alte Weisheits-Schatz

Bevor TRACE überhaupt eine Vorhersage trifft, hat es gelernt, wie die Welt funktioniert. Es hat Tausende von historischen Fällen analysiert und Regeln gefunden.

• Beispiel-Regel: "Wenn Firma A eine Firma in der KI-Branche kauft UND die Nachrichten positiv sind, dann steigt der Kurs von A."

Stellen Sie sich das wie einen Kochbuch-Rezeptkasten vor. TRACE weiß nicht nur, welche Zutaten (Daten) es hat, sondern auch, welche Kombinationen (Regeln) wahrscheinlich ein leckeres Gericht (eine korrekte Vorhersage) ergeben. Es sucht nicht willkürlich, sondern folgt diesen bewährten Rezepten.

3. Die Suche: Der geführte Spaziergang

Wenn TRACE eine Vorhersage für eine bestimmte Aktie machen soll, startet es eine Suche auf seiner Landkarte.

• Das Problem: In einer riesigen Stadt gibt es Millionen von Wegen. Wenn man einfach so losläuft, verirrt man sich schnell oder stolpert über irrelevante Gerüchte.
• Die Lösung von TRACE: Es nutzt die Regeln aus dem Kochbuch als Kompass. Es geht nur die Straßen entlang, die zu einem bekannten Rezept passen.
• Der LLM-Assistent: Ein großes Sprachmodell (ein KI-Experte) läuft nebenher. Wenn TRACE an einer Kreuzung steht, fragt es den Experten: "Hey, führt dieser Weg wirklich zu einer wichtigen Nachricht, oder ist das nur ein Sackgassen-Gerücht?" Der Experte hilft, den Weg zu filtern.

4. Der Beweis: Die Spur bis zur Quelle

Das Wichtigste an TRACE ist, dass es nicht halluziniert (also keine erfundenen Fakten erfindet).
Jede Vorhersage muss auf einer konkreten Spur basieren.

• TRACE sagt nicht einfach: "Ich denke, die Aktie steigt."
• Es sagt: "Die Aktie steigt, weil: Firma A hat Firma B gekauft (Regel 1) -> Firma B ist in der KI-Branche (Regel 2) -> Nachrichten vom gestrigen Tag berichten, dass dies positiv ist (Beweis)."

Man kann sich das wie einen Polizeibericht vorstellen. Am Ende steht nicht nur das Urteil ("Schuldig/Unschuldig" oder "Steigt/Fällt"), sondern der gesamte Fallordner mit den Beweisketten, die genau zeigen, wie man zu diesem Schluss kam.

5. Das Ergebnis: Warum ist das besser?

In Tests mit den 500 größten US-Firmen (S&P 500) hat TRACE gezeigt, dass es besser ist als die alten Methoden:

• Genauer: Es trifft öfter die richtige Vorhersage (ca. 55% Genauigkeit, was im Finanzbereich sehr hoch ist).
• Robuster: Es findet mehr Treffer (hohe "Recall"-Rate), weil es die komplexen Zusammenhänge zwischen Firmen versteht, die andere übersehen.
• Verständlich: Ein Mensch kann die Vorhersage nachvollziehen, weil er die "Spur" (die Nachrichten und Regeln) sehen kann.

Zusammenfassung in einem Satz

TRACE ist wie ein Finanz-Detektiv mit einer perfekten Landkarte und einem bewährten Regelwerk, der nicht raten, sondern jeden Schritt seiner Vorhersage lückenlos bis zur ursprünglichen Nachricht zurückverfolgen kann. Es verbindet die Stärke von menschlicher Logik (Regeln) mit der Kraft von moderner KI (Sprachmodelle), um den Lärm der Finanzmärkte zu durchdringen und die echten Signale zu finden.

Technische Zusammenfassung

1. Problemstellung

Die Vorhersage von Aktienkursbewegungen ist eine zentrale Herausforderung im Finanzwesen. Bestehende Ansätze leiden unter zwei wesentlichen Einschränkungen:

• Isolierte Datenquellen: Traditionelle Modelle behandeln heterogene Informationen (historische Preise, Makroindikatoren, Nachrichten) oft unabhängig voneinander und modellieren nicht die relationalen Abhängigkeiten zwischen Unternehmen, Ereignissen und Produkten.
• Mangelnde Interpretierbarkeit und Halluzinationen: Große Sprachmodelle (LLMs) sind zwar stark im Textverständnis, neigen jedoch zu Halluzinationen (Erfinden von Fakten) und bieten in hochriskanten Finanzbereichen oft keine nachvollziehbaren, auditierbaren Entscheidungswege.

Der Markt ist inhärent relational: Das Verhalten einer Aktie hängt von einem komplexen Netzwerk aus Fusionen, Lieferkettenstörungen, regulatorischen Entscheidungen und Partnerschaften ab. Es fehlt ein Framework, das strukturierte Graphen-Logik mit unstrukturierten Textdaten (Nachrichten) vereint, um kausale Zusammenhänge transparent zu machen.

2. Methodik: Das TRACE-Framework

TRACE (Temporal Rule-Anchored Chain-of-Evidence) ist ein Framework, das symbolische relationale Priors, dynamische Graph-Exploration und LLM-gesteuerte Entscheidungsfindung in einer einzigen End-to-End-Pipeline vereint.

A. Wissensgraph-Konstruktion (Temporal Knowledge Graph - TKG)

Das System baut einen dynamischen Finanz-Wissensgraphen auf, der Daten von 2022–2023 (S&P 500) integriert.

• Entitäten: Umfasst TextSource (Nachrichten, Berichte), Event (Fusionen, Klagen), Product, Financial, Company und Person.
• Relationen: Typisierte Kanten wie EXTRACTED_FROM (Verknüpfung von Entitäten zu Textquellen), INVESTED_IN, PARTNERED, CAUSED_INCREASE/DECLINE (kausale Effekte).
• Zeitliche Gültigkeit: Jede Kante und jedes Faktum hat einen Zeitstempel. Beim Aufbau des Graphen zum Zeitpunkt $t$ werden nur Fakten berücksichtigt, die zu diesem Zeitpunkt bekannt waren (Vermeidung von „Look-ahead Bias").

B. Automatisches Regel-Mining

Bevor die Vorhersage beginnt, wird aus historischen Graph-Snapshots ein Regelwerk ($R^*$) extrahiert.

• Prozess: Es werden 2- bis 4-hop-Pfade im Graphen gesampelt und in Regeln umgewandelt (z. B.: $INVESTED\_IN(X, Z) \land IN\_SECTOR(Z, \text{"AI"}) \Rightarrow predict\_direction(X, UP)$).
• Filterung: Nur Regeln mit hoher Unterstützung (Support) und einem Konfidenzschwellenwert ($\tau_{mine} \ge 0.60$) werden gespeichert. Diese Regeln dienen als Suchpriori, um den Suchraum für die Graph-Exploration einzuschränken und auf ökonomisch sinnvolle Muster zu fokussieren.

C. Regelgeführte Graph-Exploration

Für jede Aktie zum Zeitpunkt $t$ wird eine Suche im Graphen durchgeführt, um Beweisketten zu finden.

• Beam Search: Eine Suche mit Beam-Width $K$, die den Graphen von der Ziel-Aktie aus traversiert.
• Regel-Anker: Während der Expansion wird geprüft, ob der aktuelle Pfad ein Präfix einer bekannten Regel aus $R^*$ ist. Nur solche Pfade werden weiterverfolgt.
• LLM-Steuerung: Ein LLM (Qwen QwQ-32B) fungiert als „Relation Selector", um irrelevante Nachbarn basierend auf Kontext und semantischer Kohärenz zu beschneiden.
• Frühes Stoppen: Die Suche stoppt, wenn ein Pfad eine Textquelle (TextSource) erreicht und eine vollständige, hochkonfidente Regel (Konfidenz > 0.6) erfüllt. Dies erzeugt eine „Chain-of-Evidence".

D. Beweisaggregation und Vorhersage

Die gesammelten Pfade werden zu einer binären Entscheidung (UP/DOWN) aggregiert.

• Hypothesen-Validierung: Jede gefundene Beweiskette wird vom LLM auf Konsistenz mit dem zugrundeliegenden Text geprüft.
• Verdict-Generierung: Die Konfidenzen aller gültigen „UP"- und „DOWN"-Hypothesen werden aggregiert (Maximierung der Konfidenz pro Klasse). Die Klasse mit der höheren Konfidenz wird als Vorhersage ausgegeben.
• Interpretierbarkeit: Jede Vorhersage wird mit den top-$M$ unterstützenden Pfaden geliefert, die explizit zeigen, welche Nachrichten und Relationen zur Entscheidung führten.

3. Schlüsselbeiträge

1. Einheitliches Framework: TRACE ist das erste Framework, das temporale Wissensgraphen mit LLMs für die Aktienkursvorhersage kombiniert und dabei symbolisches Regel-Mining, dynamische Graph-Exploration und LLM-Validierung integriert.
2. Regelgeleitete und textbasierte Begründung: Durch die Einschränkung der Suche auf vorab geminerte relationale Muster wird der Suchraum effizient gesteuert. Gleichzeitig wird jede Hypothese durch explizite Textquellen (Nachrichten) verankert, was Halluzinationen minimiert.
3. Großes Datenset und Evaluation: Aufbau eines großen Finanz-Wissensgraphen (42.000 Knoten, 174.000 Kanten) und umfassende Experimente, die zeigen, dass das Framework nicht nur präziser ist, sondern auch nachvollziehbare Entscheidungen liefert.

4. Ergebnisse

Das Framework wurde am Benchmark des S&P 500 (Vorhersage für den nächsten Handelstag) evaluiert.

• Vorhersageleistung:
  • Genauigkeit (Accuracy): 55,1 % (Verbesserung gegenüber XGBoost mit 52,9 % und FinMem mit 54,4 %).
  • Präzision: 55,7 %.
  • Recall: 71,5 % (deutlich höher als bei Baselines, was auf eine hohe Sensitivität für Kursbewegungen hindeutet).
  • F1-Score: 60,8 %.
• Backtesting (Top-10 Portfolio):
  • In einem Buy-and-Hold-Szenario (Top-10-Auswahl, keine Rebalancierung) über den Zeitraum 2023–2024 erzielte TRACE eine Gesamtrendite von 41,7 % bei einer Sharpe-Ratio von 2,00.
  • Zum Vergleich: Der Equal-Weight-Benchmark erzielte 16,7 %, XGBoost 27,0 % und StockAgent 26,4 %.
• Ablationsstudie:
  • Die größten Leistungssteigerungen kamen durch Multi-Hop-Reasoning (+2,1 %) und zeitliche Constraints (+1,4 %) zustande.
  • Regel-Mining trug +1,1 % bei, was die Bedeutung von gelernten relationalen Mustern unterstreicht.
• Interpretierbarkeit:
  • 85 % der Vorhersagen wurden durch mindestens einen vollständigen Pfad zur Textquelle gestützt.
  • 72 % der Pfade entsprachen mindestens einem geminten Regelmuster.
  • Expertenbewertungen bestätigten, dass 73 % der Pfade „finanziell sinnvoll" und 64 % „handlungsrelevant" waren.

5. Bedeutung und Fazit

TRACE adressiert das klassische Dilemma zwischen Vorhersagegenauigkeit und Interpretierbarkeit im Finanzwesen. Indem es die Suche im Graphen durch symbolische Regeln einschränkt und die Ergebnisse durch LLMs auf Textquellen validiert, liefert es nicht nur genauere Vorhersagen als reine ML-Modelle oder reine Graph-Modelle, sondern bietet auch auditierbare Erklärungen.

Die Ergebnisse zeigen, dass die Kombination aus strukturellem Wissen (Graph), logischen Mustern (Regeln) und semantischem Verständnis (LLM) zu robusteren und vertrauenswürdigeren Finanzprognosen führt. Das Framework ist besonders wertvoll für Szenarien, in denen nicht nur das „Was" (die Vorhersage), sondern auch das „Warum" (die kausale Begründung) entscheidend ist.