Sequential Structure in Intraday Futures Data: LSTM vs Gradient Boosting on MNQ
Diese Studie zeigt, dass weder Gradient Boosting noch LSTM-Modelle bei der Vorhersage der intraday-Richtung von MNQ-Futures unter Verwendung von vier Jahren Fünf-Minuten-OHLCV-Daten eine statistisch signifikante Vorhersagegenauigkeit über einer Basisrate von 51,8 % erreichen können, was darauf hindeutet, dass solche Datensätze mit einem einzigen Instrument für zuverlässiges sequenzielles finanzielles maschinelles Lernen unzureichend sind.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, das Wetter für eine bestimmte Stadt vorherzusagen, aber Sie verfügen nur über vier Jahre täglicher Wetteraufzeichnungen. Sie möchten wissen: „Regnet es in der ersten Stunde des Tages, wird es dann den ganzen Tag regnen?"
Dieser Bericht stammt von einem Forscher namens Mathias Mesfin, der versuchte, diese Frage zu beantworten. Anstatt jedoch das Wetter zu betrachten, untersuchte er Futures an den Aktienmärkten (speziell den MNQ, der den Nasdaq 100 abbildet). Er wollte herausfinden, ob moderne, hochtechnisierte Computerhirne (Machine Learning) verborgene Muster im „Herzschlag" des Marktes entdecken können, die Menschen übersehen.
Hier ist die Geschichte davon, was er tat, wie er es tat und was er fand, einfach erklärt.
Die große Idee: Der „Kronos" gegen den „lokalen Laden"
Kürzlich wurde ein massives KI-Modell namens Kronos veröffentlicht. Es wurde auf Millionen von Aktiencharts aus vielen verschiedenen Märkten trainiert. Es lernte, dass die Reihenfolge, in der Preisbalken erscheinen (die Sequenz), tatsächlich Hinweise darauf enthält, was als Nächstes passiert. Es ist wie ein Meisterkoch, der Millionen von Gerichten probiert hat und genau weiß, wie eine bestimmte Abfolge von Zutaten schmecken wird.
Mathias stellte eine einfache Frage: „Wenn wir dieselbe Idee nehmen, sie aber nur auf einen Markt (MNQ) über nur vier Jahre anwenden, funktioniert sie dann immer noch?"
Er organisierte ein Rennen zwischen zwei Arten von Computerlernern:
- Der „Streuschuss" (Gradient Boosting): Dieses Modell betrachtet eine Liste von Fakten (wie „gestern war es heiß", „die Lücke war groß"), behandelt sie jedoch als Haufen unzusammenhängender Gegenstände. Es interessiert sich nicht für die Reihenfolge, in der sie passiert sind.
- Der „Geschichtenerzähler" (LSTM): Dieses Modell ist darauf ausgelegt, eine Geschichte zu lesen. Es betrachtet die 12 Fünf-Minuten-Balken des Morgens und versucht, die Sequenz der Ereignisse zu verstehen, genau wie beim Lesen eines Satzes Wort für Wort.
Das Experiment: Ein strenger Test
Mathias ließ die Computer nicht einfach nur raten. Er richtete einen sehr strengen Test ein, der Walk-Forward-Validierung genannt wird.
- Die Regel: Der Computer lernt aus dem Jahr 2022 und versucht dann, 2023 vorherzusagen. Dann lernt er aus 2022–2023 und sagt 2024 voraus. Schließlich lernt er aus 2022–2024 und sagt 2025 voraus.
- Das Ziel: Vorhersagen, ob der Markt um 10:30 Uhr mindestens 10 Punkte höher schließt als er geöffnet hat.
- Die Basislinie: Wenn Sie einfach eine Münze werfen, liegen Sie etwa 51,8 % der Zeit richtig (weil der Markt etwas häufiger steigt als fällt). Um zu gewinnen, musste der Computer diesen Münzwurf schlagen.
Die Ergebnisse: Die Computer verloren sich
Die Ergebnisse waren ehrlich und enttäuschend für die Hoffnung auf „Hightech", aber für die Wissenschaft sehr aufschlussreich:
- Der „Streuschuss" (Gradient Boosting): Es versuchte, Muster in den täglichen Daten zu finden. Manchmal hatte es Glück (54 % Genauigkeit in einem Jahr), aber in anderen Jahren lag es öfter falsch als ein Münzwurf. Als Mathias überprüfte, warum es Entscheidungen traf, änderten sich die Gründe jedes Jahr. Ein Jahr kümmerte es sich um „Nachtlücken", im nächsten Jahr um das „Volumen". Es war wie ein Schüler, der die Antworten des letzten Jahres auswendig gelernt hatte, aber versagte, die eigentliche Mathematik zu lernen.
- Der „Geschichtenerzähler" (LSTM): Dies war der große Test. War die Sequenz der Morgenbalken wichtig? Die Antwort war nein. Das Modell gab im Wesentlichen auf. Es sagte für jeden einzelnen Tag eine 50/50-Chance voraus, unabhängig davon, wie der Morgen aussah. Sein „Vertrauen" war flach. Es lernte nichts.
Das Urteil: Keines der Modelle konnte den Markt besser vorhersagen als ein Münzwurf. Der „Geschichtenerzähler" fand keine Geschichte; er fand nur Rauschen.
Das „Warum": Die Bibliotheks-Analogie
Warum scheiterte die hochtechnisierte KI? Der Bericht bietet eine großartige Erklärung mit einer Bibliotheks-Analogie:
- Das Kronos-Modell (Der Gewinner): Stellen Sie sich eine Bibliothek mit 9 Millionen Büchern vor. Wenn Sie eine seltene Sprache lernen wollen, können Sie Millionen von Beispielen lesen und die Regeln finden.
- Mathias' Datensatz (Der Verlierer): Stellen Sie sich vor, Sie haben nur 944 Seiten (einen Tag pro Jahr über vier Jahre).
- Wenn ein bestimmtes Muster nur 5 % der Zeit auftritt, erscheint es in Ihrer gesamten Bibliothek nur 47 Mal.
- Einen komplexen KI-Algorithmus zu lehren, ein Muster zu finden, das nur 47 Mal auftritt, ist wie ein Kind zu lehren, eine bestimmte Wolkensorte zu erkennen, indem man ihm alle zwei Wochen über vier Jahre hinweg nur ein einziges Bild dieser Wolke zeigt. Es gibt einfach nicht genug „Datenbrennstoff", damit der Motor läuft.
Die KI scheiterte nicht, weil sie „dumm" war. Sie scheiterte, weil sie unter Datenmangel litt. Sie brauchte Millionen von Beispielen, um die „Grammatik" des Marktes zu lernen, bekam aber nur ein paar hundert.
Die Schlussfolgerung: Ein ehrliches „Nein"
Der wichtigste Teil dieses Papiers ist nicht, dass die Modelle scheiterten; es ist, dass der Forscher zugab, dass sie scheiterten, und genau erklärte, warum.
- Die Behauptung: Man kann die tägliche Richtung eines einzelnen Aktienmarktes unter Verwendung von nur vier Jahren Fünf-Minuten-Daten nicht mit fortschrittlicher KI vorhersagen. Die Daten sind zu klein.
- Die Lehre: Um diese Modelle funktionieren zu lassen, benötigen Sie entweder:
- Viel mehr Geschichte (Jahrzehnte, nicht Jahre).
- Viel schnellere Daten (Tick-für-Tick-Daten, die die Anzahl der Datenpunkte um das 50-fache vervielfachen).
- Mehr Märkte (Training auf Nasdaq, S&P und Dow Jones gleichzeitig, um der KI mehr Beispiele zu geben).
Kurz gesagt: Der „Kronos"-Super-KI funktioniert, weil er die gesamte Enzyklopädie des Marktes gelesen hat. Mathias versuchte, eine ähnliche KI mit nur einer einzigen Seite eines Wörterbuchs zu unterrichten, und es ist nicht verwunderlich, dass sie die Sprache nicht lernen konnte. Dieses Papier ist eine wertvolle Karte, die Forschern genau zeigt, wo die „Datenklippe" liegt, damit sie keine Zeit verschwenden, versuchen, sie mit unzureichenden Daten zu überspringen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.