Mustererkennungsbasierte Prognosesysteme für Finanzmärkte

Die Vorhersage von Finanzzeitreihen ist ein schwieriges und hoch komplexes Themenfeld der Finanzmarktforschung. Kursausprägungen sind durch eine Vielzahl von Variablen, wie Angebot und Nachfrage, Wirtschafts- und Unternehmensmeldungen, politische Signale, aber auch ein hohes Maß an Zufälligkeit getrieben. Die eingeschränkte kognitive Kapazität der Marktakteure verhindert eine akkurate Selektion und Bewertung relevanter Determinanten für zukünftige Kursverläufe. Computergestützte Algorithmen erweisen sich als geeignet, Zusammenhänge in den Daten, trotz deren komplexer Struktur, zu erkennen und eine Vorhersage zu erstellen. Der Autor entwickelt ein auf maschinellem Lernen basierendes Prognosesystem für den EUR/USD-Wechselkurs im Rahmen eines heuristischen, sequentiellen Verfahrensansatzes. Das gewählte Vorgehen sieht dabei eine ganzheitliche Optimierung des Mustererkennungsprozesses respektive den Teilbereichen Datenvorverarbeitung, Merkmalsextraktion und -reduktion sowie der Prognosestufe vor. Schwerpunkte liegen zunächst auf dem Einsatz und der Optimierung von Verfahren der digitalen Signalverarbeitung zur Bereinigung unerwünschter Signalkomponenten des Frequenzspektrums. Des Weiteren werden neue, nichtlineare Merkmalskategorien eingeführt, welche den Verlauf der Zeitreihe charakterisieren und für Prognosezwecke nutzbar machen. Dabei werden die Modelle anhand ihrer Performance in einem Handelssystem evaluiert und auf ihre Eignung hin überprüft. Es zeigt sich, dass insbesondere eine Optimierung dieser Prozessstufen zu einer signifikanten Steigerung der Prädiktionsgenauigkeit gegenüber dem Ausgangsmodell führt.