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.

Traditionelle Vorhersagemodelle greifen meist nur auf Daten eines einzelnen Zeitraums zurück und vernachlässigen dadurch wichtige Wechselwirkungen zwischen verschiedenen Perioden. MLF löst dieses Problem, indem es gezielt mehrere Zeitfenster integriert und dabei redundante Informationen filtert.

Das Framework besteht aus drei Kernmodulen: Inter-period Redundancy Filtering (IRF) entfernt überlappende Daten, Learnable Weighted-average Integration (LWI) kombiniert die Vorhersagen aus den verschiedenen Perioden optimal, und Multi-period self-Adaptive Patching (MAP) sorgt dafür, dass alle Perioden gleichmäßig in die Modellarchitektur einfließen. Zusätzlich reduziert ein Patch Squeeze-Modul die Anzahl der Patches im Self-Attention-Mechanismus, was die Rechenleistung erhöht.

Durch die Nutzung von Eingaben unterschiedlicher Längen kann MLF die Genauigkeit verbessern und gleichzeitig die Kosten für die Auswahl geeigneter Eingabedauern während des Trainings senken. Der komplette Code sowie die Datensätze sind auf GitHub verfügbar, sodass Forscher und Praktiker das Framework leicht übernehmen und weiterentwickeln können.