Does Complexity Improve Forecasting Accuracy? Evidence from Single and Multi-Layer LSTM Models for the BIST 100 Index
Diese Studie zeigt, dass für die Prognose des BIST 100 Index unter Verwendung technischer und makroökonomischer Variablen einfachere einlagige LSTM-Architekturen komplexere mehrlagige Modelle übertreffen, was darauf hindeutet, dass Sparsamkeit die Generalisierung in der Finanzprognose verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
In der Welt der Finanzen ist die Vorhersage der zukünftigen Bewegung eines Aktienmarktindex eine Aufgabe, die Ökonomen und Investoren gleichermaßen seit langem fasziniert. Es ist eine Herausforderung, die in dem Glauben wurzelt, dass Märkte zwar chaotisch, aber nicht völlig zufällig sind; Muster, die in vergangenen Preisen, Wirtschaftsberichten und der globalen Stimmung verborgen liegen, könnten einen Blick darauf ermöglichen, was als Nächstes kommt. Seit Jahrzehnten verlassen sich Forscher auf statistische Modelle, um diese Muster zu finden, doch der Aufstieg leistungsstarker Computer hat ein neues Werkzeug eingeführt: künstliche Intelligenz. Insbesondere ein Typ von Computerprogramm, bekannt als neuronales Netz, das darauf ausgelegt ist, die Art und Weise nachzuahmen, wie das menschliche Gehirn Sequenzen von Informationen verarbeitet, ist für diese Arbeit zu einer beliebten Wahl geworden. Die vorherrschende Annahme in diesem Bereich war oft, dass komplexere Versionen dieser Programme mit tieferen Verarbeitungsschichten natürlicherweise zu besseren Vorhersagen führen sollten. Schließlich gilt: Wenn ein einfaches Modell ein wenig lernen kann, sollte ein komplizierteres viel mehr lernen können.
Eine kürzlich durchgeführte Studie, die sich auf den Borsa Istanbul 100 Index, den primären Benchmark für den türkischen Aktienmarkt, konzentrierte, stellt diese Annahme jedoch infrage. Die Forscher Fatih Mangir, Metehan Ortakarpuz und Abdul-Razak Bawa Yussif gingen die Aufgabe an, zu testen, ob das Hinzufügen von mehr Komplexität in diesen Vorhersagemodellen die Genauigkeit tatsächlich verbessert. Sie sammelten über zweieinhalbtausend Handelstage an Daten, die sich von Anfang 2016 bis Ende 2025 erstreckten – ein Zeitraum, der bedeutende globale und lokale wirtschaftliche Verschiebungen beinhaltete. Um ihre Modelle zu speisen, verließen sie sich nicht allein auf die Preisgeschichte. Stattdessen kombinierten sie die täglichen Schlusskurse mit einer reichen Mischung anderer Informationen, einschließlich technischer Indikatoren, die die Marktmomentum messen, globaler Angstzustände, der Stärke des US-Dollars sowie lokaler wirtschaftlicher Faktoren wie Zinssätzen und Arbeitslosigkeit. Vor dem Training ihrer Modelle verwendeten sie eine mathematische Technik, um die verrauschten, erratischen Schwankungen in den Daten zu glätten, um sicherzustellen, dass der Computer aus dem zugrunde liegenden Signal und nicht aus zufälligem Rauschen lernt.
Das Team konstruierte daraufhin zwei unterschiedliche Familien von Modellen, um zu sehen, welche besser abschneiden würde. Die erste Familie bestand aus einfachen, einlagigen Netzwerken, während die zweite Familie komplexere, mehrlagige Strukturen mit mehreren Ebenen der Verarbeitung aufwies. Sie trainierten diese Modelle, um den Schlusskurs des nächsten Tages vorherzusagen, wobei sie das Experiment dreißig Mal für jede Konfiguration durchführten, um sicherzustellen, dass die Ergebnisse nicht nur ein glücklicher Zufall waren. Die Ergebnisse waren eindeutig und etwas kontraintuitiv: Die einfacheren Modelle schnitten konsistent besser ab als die komplexen. Das einlagige Modell mit nur zehn Verarbeitungseinheiten erreichte den niedrigsten durchschnittlichen Fehler, während die komplexesten Modelle, einschließlich jener mit drei Schichten, Schwierigkeiten hatten, Schritt zu halten. Tatsächlich lieferte die elaborierteste Architektur die schlechtesten Ergebnisse und verfehlte das Ziel um eine große Marge.
Dieses Ergebnis deutet darauf hin, dass in dem spezifischen Kontext der Prognose dieses Schwellenmarkt-Index das Hinzufügen von Tiefe zum neuronalen Netz nicht half, es besser lernen zu lassen; stattdessen könnte es das Modell dazu veranlasst haben, die Aufgabe zu überkomplizieren. Die Daten enthielten, selbst nachdem sie bereinigt und mit globalen sowie lokalen Variablen angereichert worden waren, eine Struktur, die am besten durch einen geradlinigen Ansatz erfasst wurde. Die komplexen Modelle schienen zu versuchen, Muster zu lernen, die schlichtweg nicht existierten, indem sie effektiv das Rauschen des Marktes statt seines wahren Rhythmus auswendig lernten. Die Studie zeigt auf, dass für diese Art der Finanzprognose ein sparsamer Ansatz – einer, der die minimal notwendige Komplexität nutzt, um die Daten zu verstehen – überlegen ist. Die genauesten Vorhersagen kamen nicht von der leistungsstärksten Maschine, sondern von derjenigen, die gerade komplex genug war, um mit den verfügbaren Informationen zu übereinstimmen.
Die Forscher stellten auch einen interessanten Kompromiss in ihren Ergebnissen fest. Während das einfachste Modell im Durchschnitt am genauesten war, bot ein etwas größeres einlagiges Modell mit fünfzig Einheiten einen anderen Vorteil: Stabilität. Diese Version lieferte Ergebnisse, die fast ebenso genau waren, aber weitaus konsistenter über verschiedene Trainingsläufe hinweg waren, was darauf hindeutet, dass für praktische Investitionsentscheidungen ein Modell, das sowohl zuverlässig als auch genau ist, die ideale Wahl sein könnte. Letztendlich dient die Studie als Erinnerung daran, dass im Bereich der Finanzprognose mehr nicht immer besser ist. Das beste Werkzeug ist nicht unbedingt das sophisticatedste, sondern dasjenige, das perfekt auf die Natur der Daten abgestimmt ist, die es zu verstehen versucht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.