StockMem: Neues Ereignis‑Reflexions‑Framework verbessert Aktienprognosen

Die Vorhersage von Aktienkursen bleibt wegen der hohen Marktvolatilität und der Sensibilität gegenüber Echtzeit‑Ereignissen eine große Herausforderung. Zwar eröffnen große Sprachmodelle (LLMs) neue Möglichkeiten für textbasierte Prognosen, doch ihre Anwendung im Finanzbereich wird durch rauschende Nachrichten und das Fehlen klarer Antworten erschwert. Traditionelle Speicherarchitekturen können zudem die entscheidenden Treiber von Kursbewegungen nicht zuverlässig identifizieren.

Um diese Probleme zu lösen, wurde StockMem entwickelt – ein zweischichtiges Ereignis‑Reflexions‑Speicherframework. Es strukturiert Nachrichten in einzelne Ereignisse und nutzt zwei Analyse‑Dimensionen: eine horizontale Konsolidierung, die tägliche Ereignisse zusammenführt, und eine longitudinale Verfolgung, die die Entwicklung von Ereignissen über die Zeit erfasst. So entsteht eine temporale Ereignis‑Wissensbasis, die die sich wandelnden Markt‑Erwartungen widerspiegelt.

Durch die Analyse der Dynamik zwischen Ereignissen und Kursen baut StockMem zusätzlich eine Reflexions‑Wissensbasis aus kausalen Erfahrungen auf. Für die Vorhersage werden vergleichbare historische Szenarien abgerufen und mit aktuellen Ereignissen, inkrementellen Daten und vergangenen Erfahrungen kombiniert. Die Experimente zeigen, dass StockMem bestehende Speicherarchitekturen übertrifft und gleichzeitig erklärbare Entscheidungswege liefert, indem es die Informationskette, die die Preise beeinflusst, nachvollziehbar darstellt.