Artificial Intelligence and Machine Learning for Stock Market Prediction: A Systematic Literature Review of Methods, Emerging Paradigms, Reproducibility, and Evaluation Gaps (2016-2026)
Diese systematische Literaturübersicht von 685 Studien (2016–2026) analysiert die Evolution, Reproduzierbarkeit und Evaluierungslücken bei KI-gestützter Aktienmarktprognose und offenbart eine kritische Diskrepanz zwischen den berichteten Modellgenauigkeiten und dem praktischen Handelsnutzen aufgrund weit verbreiteter Probleme wie Data Leakage, mangelnder Code-Freigabe und unzureichender statistischer Tests.
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
Aktienkurse sind notorisch schwer vorherzusagen. Sie bewegen sich nicht in geraden Linien, sie sind oft verrauscht und ändern im Laufe der Zeit ihr Verhalten. Jahrzehntelang versuchten Ökonomen, diese Bewegungen mithilfe einfacher mathematischer Regeln vorherzusagen, die davon ausgingen, dass die Zukunft der Vergangenheit ähneln würde. Doch als Computer schneller und leistungsfähiger wurden, begann eine neue Generation von Forschern, künstliche Intelligenz einzusetzen, um Muster im Chaos zu finden. Diese Systeme, bekannt als Modelle des maschinellen Lernens, können riesige Mengen historischer Daten verarbeiten, um subtile Signale aufzuspüren, die menschlichen Analysten entgehen könnten. Das Versprechen ist verlockend: Wenn ein Computer lernen kann, vorherzusagen, in welche Richtung sich eine Aktie bewegen wird, könnte er erhebliches Vermögen generieren. Doch trotz der Begeisterung ist das Feld von einem hartnäckigen Problem geplagt. Viele Studien behaupten, eine Gewinnformel gefunden zu haben, doch wenn andere versuchen, die Arbeit zu wiederholen, verschwinden die Ergebnisse oft im Nichts.
Ein Team von Forschern setzte sich zum Ziel zu verstehen, warum diese Lücke zwischen den berichteten Studien und dem, was in der realen Welt tatsächlich funktioniert, existiert. Sie führten eine massive Überprüfung von 685 wissenschaftlichen Studien durch, die zwischen 2016 und 2026 veröffentlicht wurden, um zu untersuchen, wie künstliche Intelligenz derzeit zur Prognose der Aktienmärkte eingesetzt wird. Ihre Arbeit ist nicht selbst ein neues Vorhersagemodell, sondern vielmehr ein tiefgreifendes Audit des gesamten Feldes. Sie untersuchten die Arten der aufgebauten Computerarchitekturen, wie sich die Methoden im letzten Jahrzehnt verändert haben und – was am wichtigsten war – ob die Ergebnisse vertrauenswürdig sind. Durch die Sichtung tausender Forschungsseiten deckten sie eine Landschaft auf, in der die Technologie zwar rasant voranschreitet, die Standards für den Nachweis der Funktionsfähigkeit dieser Technologie jedoch nicht Schritt gehalten haben.
Die Forscher fanden heraus, dass sich das Feld weit über einfache lineare Gleichungen hinaus entwickelt hat. In den frühen Jahren ihrer Untersuchung stützten sich Studien auf ältere statistische Werkzeuge oder grundlegende Techniken des maschinellen Lernens. Bis in die 2020er Jahre verschob sich der dominante Ansatz hin zum Deep Learning, speziell zu einem Typ von neuronalem Netz namens Long Short-Term Memory, oder kurz LSTM. Diese Netzwerke sind darauf ausgelegt, Sequenzen von Ereignissen zu speichern, was sie besonders gut für zeitbasierte Daten wie Aktienkurse geeignet macht. Tatsächlich nutzten fast 90 Prozent der von ihnen untersuchten Studien eine Form dieser Technologie. In jüngster Zeit hat das Feld begonnen, noch komplexere Systeme zu adaptieren, einschließlich Modellen, die die Art und Weise nachahmen, wie große Sprachmodelle Texte verarbeiten, sowie Systemen, die die Beziehungen zwischen verschiedenen Unternehmen analysieren, als wären sie Knotenpunkte in einem riesigen, sich ständig verändernden Netz. Die Vielfalt der Werkzeuge ist explodiert; Forscher kombinieren nun Preisdaten mit Nachrichtenartikeln, Social-Media-Sentiment und sogar Lieferkettenverbindungen, um ihre Vorhersagen zu treffen.
Die Autoren entdeckten jedoch, dass dieses Explosionswachstum an Komplexität nicht mit einem ähnlichen Anstieg der Zuverlässigkeit einherging. Als sie die Studien auf Reproduzierbarkeit prüften – die Fähigkeit anderer Wissenschaftler, dieselben Daten und denselben Code zu verwenden und dieselben Ergebnisse zu erzielen – stellten sie einen erschreckenden Mangel fest. Nur etwa 7,6 Prozent der 685 Studien stellten den tatsächlichen Computercode zur Verfügung, der zum Ausführen der Modelle benötigt wird. Die überwiegende Mehrheit der Forscher veröffentlichte ihre Ergebnisse, ohne die zur Erzeugung der Ergebnisse genutzten Werkzeuge zu teilen. Dies bedeutet, dass die meisten der berichteten Erfolge nicht verifiziert werden können. Darüber hinaus identifizierten die Forscher fünf spezifische Wege, auf denen Studien unbeabsichtigt Fehler einführen können, selbst ohne dies zu beabsichtigen. Ein häufiger Fehler besteht darin, Informationen aus der Zukunft zu verwenden, um das Modell zu trainieren. Wenn ein Forscher beispielsweise die Daten unter Verwendung der höchsten und niedrigsten Preise des gesamten Zehnjahreszeitraums normalisiert, bevor er die Daten in Trainings- und Testsets aufteilt, sieht das Modell während seiner Trainingsphase effektiv die Zukunft. Dies erzeugt eine Illusion hoher Genauigkeit, die in dem Moment zusammenbricht, in dem das Modell auf neue, ungesehene Daten angewendet wird.
Die Rezension hob auch eine Diskrepanz zwischen der Art und Weise hervor, wie Modelle im Labor getestet werden und wie sie sich auf dem realen Markt schlagen. Viele Studien berichten von beeindruckenden Genauigkeitsraten und behaupten mitunter, die Richtung einer Aktie in mehr als 90 Prozent der Fälle korrekt vorherzusagen. Dennoch ignorieren diese Studien oft die Handelskosten, wie Gebühren und die Differenz zwischen dem Preis, den ein Händler zahlen möchte, und dem Preis, den er tatsächlich erhält. Als die Forscher nach Studien suchten, die diese realen Reibungsverluste berücksichtigten, fanden sie nur sehr wenige. Zudem verwendeten die meisten Arbeiten keine strengen statistischen Tests, um zu beweisen, dass ihre Ergebnisse besser als der Zufall sind. Stattdessen verließen sie sich auf einfache Vergleiche, die leicht irreführend sein können. Die Autoren merkten an, dass ein Modell als Genie erscheinen kann, nur weil es gut darin ist, den gestrigen Preis zu wiederholen – ein Trick, der auf dem Papier gut funktioniert, aber auf einem Live-Markt kein Geld einbringt.
Trotz dieser Mängel kamen die Forscher nicht zu dem Schluss, dass künstliche Intelligenz für die Finanzwelt nutzlos sei. Stattdessen argumentierten sie, dass sich das Feld an einem Wendepunkt befinde. Die Werkzeuge sind mächtig, aber die Art und Weise, wie sie verwendet und bewertet werden, ist zu locker, um vertrauenswürdig zu sein. Das Team schlug einen neuen Satz von Standards vor, um diese Probleme zu lösen. Sie forderten, dass Forscher ihren Code und ihre Daten offen teilen, ihre Modelle mit rollierenden Zeitfenstern testen, die verhindern, dass zukünftige Daten einfließen, und die Handelskosten in ihre Simulationen einbeziehen. Sie bestanden zudem darauf, dass Behauptungen über den Erfolg durch einen formalen statistischen Beweis untermauert werden müssen und nicht bloß durch das Zeigen einer hohen Zahl auf einer Grafik. Ohntohne diese Änderungen warnen die Autoren, wird das Feld weiterhin glanzvolle Ergebnisse produzieren, die sich nicht in realen wirtschaftlichen Wert übersetzen lassen. Der Weg nach vorn erfordert einen Wechsel vom Streben nach dem komplexesten Algorithmus hin zum Aufbau des ehrlichsten und verifizierbarsten Algorithmus.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.