Brownian ReLU: Neue Aktivierungsfunktion verbessert LSTM bei Finanzdaten In der Welt des Deep Learning stoßen herkömmliche Aktivierungsfunktionen wie ReLU, LeakyReLU und PReLU häufig auf Gradientinstabilitäten, wenn sie auf verrauschte, nicht stationäre Finanzzeitreihen angewendet werden. Eine neue Methode, die Brownian ReLU (Br-ReLU), nutzt die Eigenschaften der Brownschen Bewegung, um diese Probleme zu überwinden. arXiv – cs.LG 26.01.2026 05:00
Kontinuierliche Tokens verbessern Entscheidungen bei verrauschten Zeitreihen Transformers wurden ursprünglich für diskrete Token entwickelt, doch viele reale Signale sind kontinuierliche Prozesse, die durch verrauschte Messungen erfasst werden. Die üblichen diskreten Tokenisierungen – rohe Werte, Patches oder endliche Differenzen – zeigen sich in solchen Rausch‑Umgebungen oft unzuverlässig, insbesondere wenn die Zielaufgabe asymmetrische Strafen für Fehlentscheidungen vorsieht und damit das Abweichen von Entscheidungen fördert. arXiv – cs.LG 16.01.2026 05:00
Neues Multi-Period-Lernframework verbessert Genauigkeit bei Finanzzeitreihen-Vorhersagen In einer kürzlich veröffentlichten Arbeit auf arXiv wird ein innovatives Multi-Period-Lernframework (MLF) vorgestellt, das die Vorhersagegenauigkeit von Finanzzeitreihen signifikant steigert. Das Modell berücksichtigt gleichzeitig kurzfristige Marktbewegungen und langfristige Trends, was in der Finanzwelt von entscheidender Bedeutung ist. arXiv – cs.AI 13.11.2025 05:00
Neues Sprachmodell liefert präzise, erklärbare Aktienprognosen Forscher haben ein innovatives Verfahren namens Verbal Technical Analysis (VTA) vorgestellt, das Sprachmodelle nutzt, um Zeitreihen von Aktienkursen zu analysieren und gleichzeitig verständliche Erklärungen zu liefern. Im Gegensatz zu bisherigen Ansätzen, die sich hauptsächlich auf Textberichte konzentrieren, wandelt VTA historische Kursdaten in textuelle Annotationen um und führt damit eine sprachbasierte Analyse durch. arXiv – cs.AI 13.11.2025 05:00
Neues Pre-Training-Modell nutzt chaotische Zeitreihen für bessere Finanzprognosen Ein neues Forschungsprojekt aus dem arXiv-Repository präsentiert einen innovativen Ansatz zur Vorhersage von Finanzzeitreihen. Durch die künstliche Erzeugung chaotischer Zeitreihen und deren Resampling werden große Datensätze generiert, die als Trainingsmaterial für ein Modell dienen, das auf 10 Milliarden Beispielen vortrainiert wird. arXiv – cs.LG 08.09.2025 05:00
FinCast: Das erste Basismodell für Finanzzeitreihen‑Vorhersagen FinCast ist das erste „Foundation Model“, das speziell für die Vorhersage von Finanzzeitreihen entwickelt wurde. Durch das Training an umfangreichen Finanzdatensätzen kann das Modell komplexe Muster erkennen, die sich über verschiedene Zeiträume, Märkte und Auflösungen hinweg verändern. arXiv – cs.LG 28.08.2025 05:00
