💰 quantitative finance

Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

Diese Studie zeigt, dass ein auf Transformern basierendes multimodales Deep-Learning-Modell, das Unternehmensgrunddaten, technische Indikatoren und aus FinBERT abgeleitete Nachrichtensentiment integriert, sowohl logistische Regression als auch LSTM-Basismodelle bei der Vorhersage der Kursrichtung von Aktien an Tagen von Gewinnbekanntgaben übertrifft, indem es eine überlegene Sensitivität gegenüber volatilen Bewegungen erreicht.

Ursprüngliche Autoren: Manuel Noseda, Nathan Soldati, Marco Paina

Veröffentlicht 2026-05-26

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Manuel Noseda, Nathan Soldati, Marco Paina

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 zu erraten, ob der Kurs einer Aktie am Tag der Veröffentlichung des Quartalsberichts eines Unternehmens steigen, fallen oder neutral bleiben wird. Dies ist ein notorisch schwieriges Spiel, da der Markt verrauscht ist und die Kurse im Handumdrehen wild schwanken können.

Die Forscher der ETH Zürich behandelten dies wie eine Detektivgeschichte. Sie bauten ein „Super-Ermittler"-System mit Hilfe von Künstlicher Intelligenz, um das Rätsel zu lösen. So haben sie es getan, in alltäglichen Worten erklärt:

1. Die drei Hinweise (Die Daten)

Um ihre Vorhersage zu treffen, betrachtete die KI nicht nur eine Sache. Sie sammelte drei verschiedene Arten von Hinweisen, wie ein Detektiv, der Fingerabdrücke, Zeugenaussagen und ein Motiv kombiniert:

Der Gesundheitsbericht des Unternehmens (Fundamentaldaten): Sie betrachteten 15 harte Zahlen, wie zum Beispiel den Gewinn des Unternehmens oder seine Schuldenlast. Dies sind die „offiziellen" Daten.
Die aktuelle Stimmung des Marktes (Kursdynamik): Sie betrachteten den Aktienkurs der letzten 30 Tage und verwendeten einfache Mathematik, um zu erkennen, ob der Kurs beschleunigte oder sich verlangsamte.
Das Nachrichten-Flüstern (Sentiment): Sie nutzten einen speziellen KI-Leser namens FinBERT, um Tausende von Finanznachrichtenartikeln zu lesen. Diese KI liest nicht nur Wörter; sie versteht den Tonfall. Ist die Nachricht positiv, negativ oder gleichgültig?

2. Die drei Detektive (Die Modelle)

Das Team trainierte drei verschiedene „Detektive", um den Fall zu lösen, und verglich, wer der Beste war:

Der altmodische Detektiv (Logistische Regression): Dies ist ein einfacher, linearer Denker. Er betrachtet die Hinweise und zieht eine gerade Linie zu einer Schlussfolgerung. Er ist schnell, verpasst aber oft Nuancen.
Der vorsichtige Beobachter (LSTM): Dies ist ein Deep-Learning-Modell, das die Geschichte Tag für Tag liest, wie ein Buch Seite für Seite. Es ist sehr vorsichtig. Wenn es sich nicht zu 100 % sicher ist, spielt es auf Nummer sicher.
Der Weitblick-Visionär (Transformer): Dies ist ein fortschrittlicheres Modell, das die gesamte 30-Tage-Geschichte auf einmal betrachten kann. Es nutzt „Aufmerksamkeit", um herauszufinden, welche spezifischen Tage in der Vergangenheit am wichtigsten waren, statt sie einfach nur der Reihe nach zu lesen.

3. Der schwierige Teil: Die „Neutral"-Falle

Die größte Herausforderung bestand darin, dass Aktien die meiste Zeit am Tag der Quartalsberichte nichts Dramatisches tun; sie bleiben neutral.

Stellen Sie sich einen Klassenraum vor, in dem 67 % der Schüler ruhig sitzen und nur wenige herumhüpfen.
Wenn ein Detektiv einfach nur „Alle sitzen" rät, liegt er meistens richtig, verpasst aber alle aufregenden Sprünge.
Die Forscher mussten ihre KI darauf trainieren, sich um die seltenen, wilden Sprünge (Steigen oder Fallen) genauso zu kümmern wie um die langweiligen ruhigen Tage. Sie verwendeten ein spezielles Bewertungssystem, das die KI stark bestrafte, wenn sie die falsche Richtung vorhersagte (z. B. „Steigen" sagte, obwohl es tatsächlich „Fallen" war).

4. Die Ergebnisse: Wer gewann?

Die Studie ergab, dass es keinen einzigen „perfekten" Detektiv gibt; es kommt darauf an, was Sie mehr schätzen: Sicherheit oder Empfindlichkeit.

Der vorsichtige Beobachter (LSTM) war die „sichere Wette":
- Er war sehr konservativ. Er sagte meist „Neutral" voraus, um teure Fehler zu vermeiden.
- Ergebnis: Er machte die wenigsten kostspieligen Fehler. Wenn Sie risikoscheu sind (Angst vor Geldverlust haben), ist dies das Modell, das Sie wollen. Es ist wie ein Fahrer, der das Lenkrad nur dann dreht, wenn er absolut sicher ist.
Der Weitblick-Visionär (Transformer) war der „empfindliche Jäger":
- Er war viel besser darin, die wilden Kurssprünge zu erkennen. Er fing mehr der „Steigen"- und „Fallen"-Bewegungen ein.
- Ergebnis: Er erzielte die höchste Gesamterfolgsrate (Macro F1) beim Auffinden dieser Bewegungen. Da er jedoch versuchte, alles zu erfassen, machte er mehr Fehler darüber, in welche Richtung die Aktie gehen würde. Es ist wie ein Fahrer, der jedes Schlagloch sieht, aber möglicherweise zu oft ausweicht.
Der altmodische Detektiv (Logistische Regression) hatte Schwierigkeiten:
- Er war zu einfach, um die komplexe Mischung aus Nachrichten, Kursen und Geschichte zu bewältigen. Er machte häufige, teure Richtungsfehler.

5. Die „Geheimzutat" (Nachrichten-Sentiment)

Die Forscher testeten, was passierte, wenn sie das „Nachrichten-Flüstern" (Sentiment) aus den Hinweisen entfernten.

Das Urteil: Jeder Detektiv wurde ohne die Nachrichten schlechter.
Warum? Die Nachrichten lieferten zusätzliche Informationen, die Zahlen und Kurscharts allein nicht sehen konnten. Sie wirkten wie ein Stabilisator und halfen der KI, zuverlässigere Vorhersagen zu treffen.

Das Fazit

Die Studie kommt zu dem Schluss, dass die Vorhersage von Aktienbewegungen am Tag der Quartalsberichte ein Balanceakt ist.

Wenn Sie das Risiko minimieren und große Fehler vermeiden wollen, ist das LSTM (das vorsichtige Modell) besser.
Wenn Sie volatile Bewegungen einfangen wollen und bereit sind, mehr Risiko einzugehen, ist das Transformer (das empfindliche Modell) besser.

Entscheidend ist, dass die Studie beweist, dass man sich nicht nur auf die Zahlen verlassen kann; man muss die „Stimmung" der Nachrichten einbeziehen, um die besten Ergebnisse zu erzielen.

Technisches Fazit: Vorhersage der Kursrichtung an Gewinnmitteilungstagen mittels multimodaler Deep-Learning-Verfahren

Problemformulierung
Diese Studie adressiert die Herausforderung, die Richtung von Kursbewegungen spezifisch an Tagen von Gewinnmitteilungen (Earnings Announcement, EA) vorherzusagen. Die Autoren fassen dies als eine ereignisgesteuerte Vorhersage von Kursbewegungen (Event-Driven Price Movement Prediction) auf. Gegeben eine multimodale zeitliche Sequenz, die die 30 Tage vor einem EA darstellt, besteht das Ziel darin, die Kursrichtung nach der Bekanntgabe in eine von drei Klassen zu klassifizieren: STEIGEND ( $R \geq 3\%$ ), FALLEND ( $R \leq -3\%$ ) oder NEUTRAL (sonst). Das Problem ist durch signifikantes Marktgeräusch, hochimpactige Kursdiskontinuitäten und ein starkes Klassenungleichgewicht gekennzeichnet, wobei die NEUTRAL-Klasse etwa 67 % der Beobachtungen ausmacht.

Methodik
Die Forschung nutzt einen multimodalen Deep-Learning-Ansatz, der drei unterschiedliche Datenmodalitäten in einen einheitlichen Merkmalsraum der Dimension $d=21$ integriert:

Unternehmensfundamentaldaten ( $d_f=15$ ): Quartals- und Jahreskennzahlen (z. B. Nettomarge, Eigenkapitalrendite, Verschuldungsgrad), die als Stellvertreter für die finanzielle Gesundheit dienen.
Marktdynamiken ( $d_m=3$ ): Bereinigte Schlusskurse und kurzfristige Momentum-Indikatoren (einfache gleitende Durchschnitte über 3 und 6 Tage).
Nachrichtenstimmung ( $d_n=3$ ): Stimmungsindizes, die aus Finanznachrichtenartikeln abgeleitet und mittels FinBERT verarbeitet wurden, einem für den Finanzbereich feinabgestimmten Sprachmodell. Für Tage mit mehreren Artikeln werden die Stimmungsvektoren gemittelt.

Datenverarbeitung und Modellierung
Der Datensatz umfasst die 500 umsatzstärksten US-Unternehmen nach Marktkapitalisierung über einen Zeitraum von zehn Monaten. Die Vorverarbeitung beinhaltet eine zeitliche Imputation (Forward-Filling für Nicht-Handelstage), eine querschnittliche Mittelwert-Imputation für spärliche Fundamentaldaten sowie eine Z-Score-Standardisierung. Um das Klassenungleichgewicht zu adressieren, verwenden die Autoren eine gewichtete Kreuzentropie-Verlustfunktion, die Kursrichtungsfehler (STEIGEND vs. FALLEND) stärker bestraft als Fehlklassifikationen im NEUTRAL-Bereich.

Drei Modellarchitekturen werden evaluiert:

Logistische Regression (Baseline): Ein nicht-temporaler multinomialer Klassifikator, der auf abgeflachten 30-Tage-Fenstern trainiert wird.
LSTM: Ein gestapeltes rekurrentes Netzwerk mit 2 Schichten (versteckte Dimension 64), das entwickelt wurde, um sequenzielle Abhängigkeiten zu erfassen.
Transformer: Eine Encoder-Architektur auf Basis von Selbstattention (2 Schichten, 4 Köpfe), die sinusförmige Positionsencodings nutzt, um globale zeitliche Muster über das 30-Tage-Fenster hinweg zu erfassen, ohne eine strikte sequenzielle induktive Verzerrung.

Die Modelle werden mit Metriken trainiert und evaluiert, die auf finanzielle Entscheidungsfindung ausgerichtet sind: Präzision für handlungsrelevante Signale, makro-gemittelter F1-Score (zur Balance der Leistung über das Klassenungleichgewicht hinweg) und eine benutzerdefinierte Kostenmetrik, die höheren Strafen für Fehlklassifikationen zwischen STEIGEND und FALLEND zuweist.

Hauptergebnisse
Die experimentellen Ergebnisse zeigen einen deutlichen Zielkonflikt zwischen Sensitivität und Risikokontrolle:

LSTM-Leistung: Der LSTM verfolgt eine konservative Strategie und sagt häufig die NEUTRAL-Klasse voraus. Dies führt zu den niedrigsten benutzerdefinierten finanziellen Kosten und einer hohen Präzision für Kursrichtungs-Signale, resultiert jedoch in einem niedrigeren makro-gemittelten F1-Score aufgrund verpasster volatiler Ereignisse.
Transformer-Leistung: Das Transformer-Modell zeigt eine überlegene Sensitivität und identifiziert mehr STEIGEND- und FALLEND-Ereignisse als der LSTM. Folglich erzielt es den höchsten makro-gemittelten F1-Score (0,390), geht jedoch mit höheren benutzerdefinierten Kosten aufgrund vermehrter Kursrichtungsfehler einher.
Baseline-Leistung: Die logistische Regression als Baseline zeigt ein instabiles Entscheidungsprofil mit einer Tendenz zur Vorhersage von STEIGEND-Bewegungen, was zu den höchsten finanziellen Kosten und häufigen kostspieligen Kursrichtungswechseln führt.
Einfluss der Stimmung: Eine Ablationsstudie bestätigt, dass das Entfernen von Nachrichtenstimmungsmerkmalen die Leistung aller Modelle verschlechtert. Der Effekt ist beim LSTM am ausgeprägtesten, was darauf hindeutet, dass Stimmungsdaten eine entscheidende stabilisierende Rolle in tiefen sequenziellen Modellen spielen.

Bedeutung und Behauptungen
Die Arbeit beansprucht, einen Beitrag zum relativ wenig erforschten Bereich der EA-spezifischen Aktienprognose zu leisten, indem sie den Wert der Kombination von „harten" Informationen (Fundamentaldaten, Kurse) mit „weichen" Informationen (Nachrichtenstimmung) in einem multimodalen Rahmen nachweist. Die Autoren behaupten, dass lineare Modelle nicht ausreichen, um die komplexen temporalen und modalitätsübergreifenden Interaktionen in EA-Daten zu erfassen, während Deep-Learning-Architekturen je nach Anlagestrategie deutliche Vorteile bieten. Konkret hebt die Studie hervor, dass die Wahl des Modells von der Zielanwendung abhängt: risikoscheue Strategien könnten die Stabilität des LSTM bevorzugen, während volatilitätsorientierte Strategien von der höheren Sensitivität des Transformers profitieren könnten. Die Arbeit unterstreicht, dass die Einbeziehung von Nachrichtenstimmung komplementäre prädiktive Signale liefert, die Stabilität und Leistung verbessern, was über das hinausgeht, was Fundamentaldaten und Kursdynamiken allein bieten können.