GANs steigern Finanzprognosen: Transformer‑basierte Datenaugmentation
Forscher haben gezeigt, dass Generative Adversarial Networks (GANs) die Genauigkeit von Finanzprognosen deutlich erhöhen können. Durch die Kombination eines Transformer‑basierten GANs – genannt TTS‑GAN – mit einem Long…
- Forscher haben gezeigt, dass Generative Adversarial Networks (GANs) die Genauigkeit von Finanzprognosen deutlich erhöhen können.
- Durch die Kombination eines Transformer‑basierten GANs – genannt TTS‑GAN – mit einem Long Short‑Term Memory (LSTM) Modell lassen sich synthetische Zeitreihen erzeugen, d…
- In Experimenten mit Bitcoin‑ und S&P500‑Preisreihen konnte das LSTM-Modell, das auf den durch TTS‑GAN generierten Daten trainiert wurde, die Vorhersagegenauigkeit über v…
Forscher haben gezeigt, dass Generative Adversarial Networks (GANs) die Genauigkeit von Finanzprognosen deutlich erhöhen können. Durch die Kombination eines Transformer‑basierten GANs – genannt TTS‑GAN – mit einem Long Short‑Term Memory (LSTM) Modell lassen sich synthetische Zeitreihen erzeugen, die die Trainingsdaten für die Vorhersage erweitern.
In Experimenten mit Bitcoin‑ und S&P500‑Preisreihen konnte das LSTM-Modell, das auf den durch TTS‑GAN generierten Daten trainiert wurde, die Vorhersagegenauigkeit über verschiedene Zeiträume hinweg signifikant verbessern. Die Ergebnisse deuten darauf hin, dass die Datenaugmentation die typische Datenknappheit im Finanzbereich kompensiert und die Generalisierungsfähigkeit der Modelle stärkt.
Ein weiteres Highlight der Studie ist die Einführung einer neuen Qualitätsmetrik für generierte Zeitreihen. Diese kombiniert Dynamic Time Warping (DTW) mit einer modifizierten Deep Dataset Dissimilarity Measure (DeD‑iMs), um den Trainingsfortschritt zu überwachen und die Qualität der synthetischen Daten zuverlässig zu bewerten.
Die Arbeit liefert überzeugende Belege dafür, dass GAN‑basierte Datenaugmentation ein vielversprechender Ansatz ist, um die Leistungsfähigkeit von Deep‑Learning‑Modellen im Finanzsektor zu steigern. Sie eröffnet neue Möglichkeiten, um mit begrenzten und volatilen Datenquellen präzisere Prognosen zu erstellen.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.