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.

Der Schlüssel liegt in der Verlängerung der Resampling‑Intervalle, wodurch das Modell in der Lage ist, Prognosen über längere Zeiträume hinweg zu liefern. Anschließend wurden reale Bitcoin‑Handelsdaten verwendet, um das vortrainierte Modell ohne weitere Anpassungen zu testen. Die daraus resultierenden Vorhersagen wurden in einer einfachen Handelsstrategie eingesetzt, die die Rentabilität deutlich über den Ergebnissen von Autokorrelationsmodellen steigerte.

Während des Pre‑Trainings zeigte sich ein skalierendes Gesetz: Mit zunehmender Anzahl an Trainingsbeispielen und längeren Vorhersagehorizonten verbessert sich die Genauigkeit der Prognosen. Diese Entdeckung legt nahe, dass chaotische Zeitreihen ein vielversprechendes Mittel sind, um robuste Finanzvorhersagemodelle zu entwickeln, die auch in der Praxis ohne erneutes Training eingesetzt werden können.