XGBoost liefert präzise Tagesprognosen für NEPSE-Indexrenditen

In einer neuen Studie wird ein robustes Machine‑Learning‑Framework vorgestellt, das die täglichen Log‑Renditen des Nepal Stock Exchange (NEPSE) Index mit dem XGBoost‑Regressor vorhersagt. Das Modell nutzt ein umfangreiches Feature‑Set, das bis zu 30 Tage zurückliegende Log‑Renditen sowie etablierte technische Indikatoren wie kurzfristige und mittelfristige Volatilitätsmaße und den 14‑Perioden‑Relative‑Strength‑Index (RSI) umfasst.

Die Hyperparameter werden mithilfe von Optuna optimiert, wobei eine Zeitreihen‑Cross‑Validation auf dem anfänglichen Trainingssegment eingesetzt wird. Die Aus‑of‑Sample‑Leistung wird anschließend durch Walk‑Forward‑Validation unter beiden Varianten – expandierendem und festem Rolling‑Window – getestet, um realistische Einsatzbedingungen zu simulieren und Look‑ahead‑Bias zu vermeiden.

Die Bewertung erfolgt über RMSE, MAE, R‑Quadrat und Richtungsgenauigkeit sowohl für Log‑Renditen als auch für rekonstruierte Schlusskurse. Das optimale Modell, ein expandierendes Fenster mit 20 Lag‑Variablen, übertrifft feinabgestimmte ARIMA‑ und Ridge‑Regression‑Benchmarks und erzielt einen RMSE von 0,013450, einen MAE von 0,009814 und eine Richtungsgenauigkeit von 65,15 %. Obwohl das R‑Quadrat aufgrund der stochastischen Natur der Finanzrenditen moderat bleibt, liegt der Fokus auf der Reduktion relativer Fehler und der korrekten Richtungsprognose.

Durch Feature‑Importance‑Analysen und visuelle Darstellungen wird die Interpretierbarkeit des Modells weiter verbessert. Die Ergebnisse zeigen eindrucksvoll, dass Gradient‑Boosting‑Algorithmen eine effektive Methode für die Vorhersage von Börsenrenditen darstellen und dabei sowohl Genauigkeit als auch praktische Anwendbarkeit bieten.