Financial Numerical Prediction and Allocation as Token Generation
Dieses Paper stellt FinATOM vor, ein vereinheitlichtes, „head-free“ Framework, das die beschränkte Token-Generierung in kausalen Sprachmodellen nutzt, um direkt Finanzprognosen und dynamische Asset-Allokation durchzuführen, wobei es im Vergleich zu traditionellen Regressions- oder Ranking-Ansätzen verbesserte risikobereinigte Renditen bei ETF- und textbasierten Investmentaufgaben demonstriert.
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
Die neue Stimme des digitalen Orakels
Stellen Sie sich eine Welt vor, in der Computer nicht nur Geschichten lesen, sondern auch rechnen, Vorhersagen treffen und entscheiden können, wie sie Geld ausgeben – und das alles mit derselben „Sprache“, die sie nutzen, um mit uns zu chatten. Dies ist das Reich der Künstlichen Intelligenz, speziell eines Typs namens Large Language Models (LLMs). Betrachten Sie diese Modelle als superintelligente Papageien, die fast alles im Internet gelesen haben. Sie sind hervorragend darin, das nächste Wort in einem Satz vorherzusagen, so wie man den Witz eines Freundes vervollständigt. Aber normalerweise, wenn wir sie bitten, etwas Präzises zu tun, wie etwa Aktienkurse vorherzusagen oder ein Portfolio zu verwalten, müssen wir ihrem Gehirn einen speziellen, separaten Taschenrechner (einen „Kopf“) anfügen, um die Zahlen zu bewältigen. Es ist, als würde man einen Dichter bitten, eine physikalische Gleichung zu lösen, indem man ihm einen separaten Abakus in die Hand drückt.
Die große Frage, die sich Wissenschaftler stellen, ist: Kann der Dichter selbst rechnen? Kann der Computer lernen, Zahlen direkt zu sprechen, genau wie er Worte spricht, ohne diesen zusätzlichen Taschenrechner zu benötigen? Das ist wichtig, denn wenn ein einzelnes Gehirn eine Nachricht über ein Unternehmen verstehen und gleichzeitig sofort entscheiden kann, wie viel Geld es darin investieren soll, wird der gesamte Prozess schneller, sauberer und einfacher überprüfbar. Es ist wie ein Koch, der die Suppe probiert und sofort genau weiß, wie viel Salz er hinzufügen muss, anstatt die Suppe zu probieren, die Zahl aufzuschreiben und dann den Zettel einem zweiten Koch zu übergeben, damit dieser das Salz hinzufügt.
Die Geschichte des Papers: Einem Roboter beibringen, „Geld“ zu sprechen
Dieses Paper stellt ein neues System namens FinATOM vor, das versucht, einem Sprachmodell beizubringen, Finanzprognosen und Geldverwaltung allein mit seinem nativen Vokabular durchzuführen. Anstatt einen speziellen Taschenrechner anzuhängen, lassen die Forscher die KI „Token“ (Textstücke) generieren, die Zahlen repräsentieren. Es ist, als würde die KI einen geheimen Code lernen, bei dem das Wort „Apfel“ „5 Dollar“ bedeuten könnte und „Banane“ „10 Dollar“, was es ihr ermöglicht, ihre Finanzentscheidungen genauso aufzuschreiben, wie sie eine Geschichte schreiben würde.
Die Forscher testeten dies an zwei Hauptaufgaben. Erstens baten sie die KI vorherzusagen, wie stark die Aktienkurse in den nächsten drei Tagen steigen oder fallen würden. Zweitens baten sie sie zu entscheiden, wie sie Geld auf fünf verschiedene Investmentfonds (ETFs) aufteilen soll. Um dies zum Laufen zu bringen, mussten sie sehr vorsichtig sein. Sie brachten der KI mithilfe eines „Lehrers“ bei, der nur das wusste, was im Moment sichtbar war (wie beim Blick auf den Tacho eines Autos in diesem Augenblick, ohne zu wissen, wo das Auto in einer Stunde sein wird). Dies stellte sicher, dass die KI nicht auf zukünftige Antworten zugreifen konnte.
Was sie herausfanden:
Die Ergebnisse legen nahe, dass dieser „kopffreie“ Ansatz tatsächlich funktioniert. Als die KI zuerst unterrichtet wurde (eine Phase namens Supervised Fine-Tuning), machte sie einen ordentlichen Job. Aber als sie es ihr erlaubten, aus ihren eigenen Fehlern zu lernen und zu üben (eine spezielle Trainingsmethode namens DAPO-augmented GRPO), verbesserte sie sich noch weiter.
- Für die Investment-Aufgabe: Die Strategie der KI verbesserte ihre risikobereinigte Rendite (eine Kennzahl namens Sharpe-Ratio) von 1,428 auf 1,529, als sie Daten von 2023 bis 2025 betrachtete. Selbst nach Berücksichtigung kleiner Gebühren (5 Basispunkte pro Trade) stieg der Wert von 1,394 auf 1,494.
- Für die Aktienprognose-Aufgabe: Auf einem spezifischen Datensatz namens FinTexTS erreichte die Strategie der KI eine kumulative Rendite von 73,52 % mit einer Sharpe-Ratio von 2,68. Nach dem zusätzlichen Training stiegen diese Zahlen leicht auf 73,72 % und 2,69.
Das Paper entdeckte auch, dass die KI am besten arbeitet, wenn sie sowohl die Rohzahlen (wie vergangene Aktienkurse) als auch die Nachrichten (wie Berichte über die Wirtschaft) gleichzeitig erhält. Im Jahr 2025 machte das Hinzufügen der Nachrichten einen riesigen Unterschied und steigerte die Leistung im Vergleich zum reinen Betrachten von Zahlen signifikant. In anderen Jahren waren die Zahlen allein jedoch fast genauso gut.
Was das Paper ausschließt:
Die Autoren sagen vorsichtig, dass dies kein magisches Allheilmittel ist, das alle Finanzprobleme löst. Sie schließen explizit die Idee aus, dass die KI einfach nur die Antworten auswendig lernt. Sie prüften, dass die für die Tests 2024 und 2025 verwendeten Daten nach dem ursprünglichen Training der KI lagen, sodass die KI die Zukunft nicht einfach „erinnern“ konnte. Sie merken auch an, dass die KI nicht besser wurde, indem sie einfach häufiger handelte; tatsächlich blieb die Anzahl der Trades fast gleich, was bedeutet, dass die Verbesserung durch bessere Entscheidungen zustande kam und nicht durch mehr Entscheidungen.
Wie sicher sind sie sich?
Das Paper deutet darauf hin, dass dies ein sehr vielversprechender Proof of Concept ist, hält sich aber damit zurück, es als universellen Gewinner zu bezeichnen. Die Ergebnisse basieren auf spezifischen Tests mit fünf Fonds und einem begrenzten Satz an Aktien. Die Autoren geben zu, dass wir zwar wissen, dass die Methode in diesen Simulationen funktioniert, aber noch nicht wissen, ob sie in jeder Marktbedingung oder mit jeder Art von Vermögenswert perfekt funktionieren wird. Sie beschreiben die Ergebnisse als Beweis für die „Machbarkeit“ (Feasibility) – das heißt, es kann gemacht werden – und nicht als Garantie dafür, dass es immer der beste Weg ist, Geld zu verdienen. Die Verbesserung bei der Investment-Aufgabe war in 2024 und 2025 deutlich, aber in 2023 machte das fortgeschrittene Training nicht viel aus, was zeigt, dass der Erfolg von den spezifischen Marktbedingungen abhängt.
Kurz gesagt zeigt FinATOM, dass ein Sprachmodell lernen kann, die Sprache der Finanzen direkt zu sprechen und Nachrichten sowie Zahlen in Investitionsentscheidungen umzuwandeln, ohne einen separaten Taschenrechner zu benötigen. Es ist ein kleiner, aber aufregender Schritt in Richtung einer KI, die nicht nur über Geld spricht, sondern tatsächlich versteht, wie man es verwaltet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.