Decomposition-Based Preprocessing Versus Architectural Complexity in Neural Forecasting of Economic and Financial Time Series: A Comparative Empirical Study

Die Vorhersage der Zukunft von Geld und Märkten gehört zu den schwierigsten Herausforderungen der Wissenschaft. Ökonomen und Finanzanalysten verlassen sich seit langem auf statistische Instrumente, um zu erraten, wohin sich die Preise als Nächstes bewegen werden, sei es für eine einzelne Aktie, ein Barrel Öl oder eine Einheit Erdgas. Diese Werkzeuge funktionieren gut, wenn die Vergangenheit sich in einer geraden, vorhersehbaren Linie bewegt, aber die reale Welt ist selten so einfach. Finanzmärkte sind chaotisch, schwankend und voller plötzlicher Sprünge, die keinem klaren Muster folgen. Um dieses Chaos zu bewältigen, haben Forscher auf künstliche Intelligenz zurückgegriffen, speziell auf eine Art von Computerprogramm namens neuronales Netz. Diese Programme sind darauf ausgelegt, aus Daten zu lernen und verborgene Muster zu finden, die dem menschlichen Auge entgehen könnten. Es gibt jedoch einen Haken: Um diese Programme intelligent genug zu machen, um chaotische Märkte zu verstehen, müssen Wissenschaftler sie oft unglaublich komplex gestalten, mit tausenden internen Teilen, die zusammenarbeiten. Diese Komplexität macht die Programme langsam, teuer im Betrieb und schwierig zu verwalten. Die zentrale Frage für die Forschung war, ob der einzige Weg zu einer besseren Vorhersage darin besteht, eine größere, kompliertere Maschine zu bauen, oder ob es einen klügeren Weg gibt, die Daten vor der Einspeisung aufzubereiten.

Ein Team von Forschern setzte sich zum Ziel, genau diesen Zielkonflikt zu testen. Sie wollten sehen, ob das Bereinigen der Rohdaten vor der Übergabe an ein Computerprogramm dieselbe Aufgabe erfüllen kann wie das leistungsfähiger zu machen des Programms selbst. Zu diesem Zweck sammelten sie drei sehr unterschiedliche Arten von Finanzdaten: den täglichen Preis der Apple-Aktie, den Preis von Brent-Rohöl und den Preis von Erdgas. Diese wurden gewählt, weil sie sich auf einzigartige Weise verhalten; die Apple-Aktie ist über Jahrzehnte stetig gewachsen, Ölpreise schwanken wild mit globalen Ereignissen und Erdgaspreise springen mit extremer Volatilität auf und ab. Die Forscher nahmen diese Rohzahlen und versuchten, den Preis des nächsten Tages mithilfe von drei verschiedenen Arten neuronaler Netze vorherzusagen. Das erste war ein einfaches, geradliniges Modell. Das zweite war ein fortgeschritteneres Modell, das sich besser an vergangene Ereignisse erinnert. Das dritte war das komplexeste, das in der Lage ist, die Daten sowohl aus der Vergangenheit als auch aus der Zukunft zu betrachten, um tiefere Verbindungen zu finden.

Anstatt nur die Rohzahlen in diese Modelle einzuspeisen, versuchten die Forscher auch einen anderen Ansatz. Bevor der Computer die Daten sah, verwendeten sie mathematische Techniken, um die chaotische Preisgeschichte in kleinere, einfachere Stücke zu zerlegen. Stellen Sie sich ein komplexes Lied vor, das schwer zu singen ist, weil zu viele Noten gleichzeitig stattfinden. Wenn man die Melodie vom Hintergrundrhythmus und der Basslinie trennen könnte, wäre jeder Teil für sich allein viel einfacher zu singen. Die Forscher taten etwas Ähnliches mit den Finanzdaten. Sie nutzten fünf verschiedene Methoden, um die Preisgeschichte in separate Komponenten zu zerlegen, wie etwa den langfristigen Trend, die kurzfristigen Wackelbewegungen und das zufällige Rauschen. Sie brachten den Computer dann dazu, jedes dieser einfachen Stücke separat vorherzusagen, und fügten die Ergebnisse wieder zusammen, um eine endgültige Prognose zu erhalten.

Die Ergebnisse dieses Experiments waren bemerkenswert. Die Forscher fanden heraus, dass das Zerlegen der Daten in einfachere Teile es den Computermodellen ermöglichte, wesentlich besser zu performen, selbst wenn die Modelle selbst klein und einfach gehalten wurden. Tatsächlich war die effektivste Methode zur Bereinigung der Daten eine Technik namens Variational Mode Decomposition. Wenn diese Methode angewendet wurde, machten die Modelle signifikant genauere Vorhersagen, als wenn sie mit Rohdaten gefüttert wurden. Vielleicht noch wichtiger ist, dass die Modelle nicht so kompliziert sein mussten, um diese Ergebnisse zu erzielen. Für die fortschrittlichsten Computermodelle, die normalerweise hunderte interner Teile benötigen, um mit Rohdaten gut zu arbeiten, fanden die Forscher heraus, dass sie die Anzahl der Teile durch die Vorverarbeitung der Daten um den Faktor zehn oder mehr reduzieren konnten. Zum Beispiel konnte ein Modell, das hundert interne Teile benötigte, um Ölpreise präzise vorherzusagen, dasselbe oder sogar bessere Ergebnisse erzielen, wenn es nur fünf Teile hatte, sofern die Daten zuvor bereinigt worden waren.

Diese Entdeckung legt nahe, dass das Geheimnis des Erfolgs bei kurzfristigen Vorhersagen von Finanzmärkten weniger im Bau einer massiven, komplexen Maschine liegt, sondern vielmehr in der korrekten Aufbereitung der Daten. Die Studie zeigte, dass ein einfaches Modell mit sauberen Daten oft ein komplexes Modell mit unordentlichen Daten übertraf. Dies ist ein bedeutender Befund für jeden, der auf diese Vorhersagen angewiesen ist, von Händlern bis hin zu politischen Entscheidungsträgern. Es bedeutet, dass Prognosesysteme schneller, kostengünstiger und effizienter gemacht werden können, ohne an Genauigkeit einzubüßen. Anstatt Ressourcen in den Bau größerer neuronaler Netze zu investieren, kann sich der Fokus auf das Verständnis und die Organisation der Daten selbst verlagern. Die Forscher kamen zu dem Schluss, dass für die chaotische und schwankende Natur ökonomischer Zeitreihen ein gut aufbereitetes Signal mächtiger ist als eine tiefe und komplizierte Architektur. Dieser Ansatz bietet einen praktischen Weg nach vorn, um Prognosewerkzeuge zu schaffen, die nicht nur genau, sondern auch effizient genug sind, um in realen, schnelllebigen Umgebungen eingesetzt zu werden.