Analyse von Aktienkursprognosen mit Deep Learning

Die Vorhersage von Aktienkursen ist 'ne echte Herausforderung, besonders beim Hochfrequenzhandel, wo sich die Preise ruckzuck ändern können. Forscher nutzen fortschrittliche Computertechniken, die als Deep Learning bekannt sind, um Preisbewegungen anhand von Daten aus dem Limit Order Book (LOB) zu analysieren. Diese Daten zeigen den aktuellen Stand der Kauf- und Verkaufsaufträge auf dem Markt. Viele bestehende Methoden schneiden gut bei der Preisvorhersage ab, aber ihre Komplexität macht es schwer zu verstehen, warum sie funktionieren. In diesem Artikel reden wir darüber, wie wir diese Vorhersagen besser verstehen können und welche Schlüsselfaktoren zu guten Ergebnissen führen.

#Die Bedeutung der Preisvorhersage

Wenn wir versuchen, Aktienpreise vorherzusagen, schauen wir oft auf drei Szenarien: Preise steigen, fallen oder bleiben stabil. Wenn wir uns jedoch nur auf Preisbewegungen konzentrieren, ohne andere Faktoren zu berücksichtigen, sind unsere Vorhersagen vielleicht nicht sehr genau. Wir haben herausgefunden, dass es tatsächlich hilfreich ist, das Gleichgewicht zwischen Kauf- und Verkaufsvolumen zu betrachten, um die Richtung der Preisänderungen besser vorhersagen zu können. So ist es entscheidend, eine ausgewogene Sicht auf sowohl Preis- als auch Volumendaten zu haben.

#Datenquellen

Für unsere Studie haben wir Daten einer bestimmten Aktie, Apple Inc., aus dem Jahr 2022 verwendet. Diese Daten bieten Echtzeit-Updates über Kauf- und Verkaufsaufträge, einschliesslich Preisen und Volumina. Durch die Analyse dieser Informationen während der regulären Handelszeiten haben wir etwa drei Millionen Beobachtungen gesammelt. Dieses Dataset ermöglicht es uns, Muster in den Änderungen der Aktienpreise effektiver zu erkunden als ältere Datensätze.

#Das neuronale Netzwerkmodell

Um die Daten zu analysieren, haben wir ein Deep Learning-Modell namens DeepLOB verwendet. Dieses Modell nimmt Daten aus dem Limit Order Book auf, einschliesslich mehrerer Ebenen von Kauf- und Verkaufsaufträgen. Ziel ist es, Preisänderungen basierend auf den letzten 100 Datenpunkten vorherzusagen. Wir haben die Daten standardisiert, um unsere Analyse zu verbessern und sicherzustellen, dass sie leichter zu verarbeiten sind.

#Vorhersageergebnisse

Nach dem Training des Modells haben wir dessen Vorhersagen im Laufe des Jahres 2022 bewertet. Das Modell erreichte eine Genauigkeit von etwa 65,9 %. Das wirft jedoch Fragen auf, ob diese Vorhersagen wirklich besser sind als einfachere Ansätze. Wir haben die Vorhersagen des Modells mit einer naiven Methode verglichen, die einfach den letzten bekannten Preis verwendet, um die nächste Bewegung vorherzusagen. Überraschenderweise ergab diese naive Methode eine Genauigkeit von 64,8 %, was ziemlich nah an der Deep Learning-Methode ist. Das deutet darauf hin, dass manchmal einfachere Methoden genauso gut abschneiden können wie ausgeklügelte Modelle.

#Analyse von Volatilität und Richtung

Wir haben auch untersucht, wie wir den Vorhersageprozess in zwei Hauptteile aufteilen können: Volatilität und Richtung. Die Vorhersage der Volatilität konzentriert sich darauf, ob die Preise stabil bleiben oder sich stark bewegen. Im Gegensatz dazu bestimmt die Richtungs-vorhersage, ob die Preise steigen oder fallen.

Mit unserem Modell haben wir eine Genauigkeit von etwa 69,4 % für die Vorhersage der Volatilität erreicht. Das zeigt, dass wir effektiv zwischen stabilen und schwankenden Preisbedingungen unterscheiden können. Bei den Richtungs-vorhersagen erreichten wir eine Genauigkeit von etwa 71,1 %. Beide Ergebnisse sind deutlich besser als ein Zufallsraten, die nur 50 % Genauigkeit bieten würden.

#Die Rolle von Preis und Volumen

Um das weiter zu erforschen, haben wir Fälle untersucht, in denen wir nur auf Level 1-Daten angewiesen waren, die nur die besten verfügbaren Preise und Volumina enthalten. Interessanterweise fiel unsere Genauigkeit bei der Verwendung dieses vereinfachten Datensatzes auf 53,6 %. Das deutet darauf hin, dass der Zugang zu umfassenderen Orderbuchdaten unsere Vorhersagen verbessern kann.

Wir haben festgestellt, dass alleiniger Fokus auf Preisdaten zu einer Genauigkeit von 50 % bei richtungsbezogenen Vorhersagen führen kann, was mit der Effizienzmarkthypothese übereinstimmt – sie legt nahe, dass es schwer ist, Preisbewegungen nur auf der Grundlage historischer Preise vorherzusagen.

#Der Einfluss von Volumenungleichgewicht

Ein entscheidender Faktor, der unsere richtungsbezogenen Vorhersagen verbessert hat, war das Volumenungleichgewicht. Das bezieht sich auf den Unterschied im Kauf- und Verkaufsvolumen. Frühere Studien zeigen, dass dieses Ungleichgewicht zukünftige Preisbewegungen anzeigen kann, da die Preise tendenziell in die Richtung mit weniger Volumen tendieren. Als wir das Volumenungleichgewicht in die Vorhersagen einbezogen, waren unsere Ergebnisse fast so gut wie bei der Verwendung des gesamten Datensatzes.

Diese Erkenntnis unterstreicht die Bedeutung, verschiedene Datenaspekte, wie z.B. Volumeninformationen, einzubeziehen, um bessere Vorhersagen zu erzielen. Sich ausschliesslich auf Preisdaten zu verlassen, kann Lücken in unseren Vorhersagen hinterlassen.

#Herausforderungen und Einschränkungen

Obwohl es Möglichkeiten gibt, von der Vorhersage der Preisrichtungen basierend auf Volumenungleichgewicht zu profitieren, gibt es auch Herausforderungen. In realen Märkten kann es schwierig sein, die gewünschten Aufträge auf der stärkeren Seite wegen starker Konkurrenz zu erhalten. Daher kann es nicht immer machbar sein, auf risikolose Gewinne durch richtungsbezogene Vorhersagen zu gehen.

Darüber hinaus hat unsere Forschung auch bestätigt, dass die Verwendung von LOB-Daten, insbesondere von Level 1, Ergebnisse liefert, die nahezu gleichwertig zu denen sind, die mit kompletten Datensätzen erzielt wurden. Das wirft die Frage auf, ob es notwendig ist, alle verfügbaren Daten zu nutzen, wenn einfachere Modelle in vielen Fällen effektiv Ergebnisse vorhersagen können.

#Fazit

In dieser Studie haben wir uns die Vorhersagbarkeit von Aktienkursen mithilfe von Deep Learning-Methoden basierend auf Limit Order Book-Daten angeschaut. Wir haben festgestellt, dass sowohl Volatilitäts- als auch Richtungs-vorhersagen relativ genau gemacht werden können, wenn wir Daten jenseits nur der Preise einbeziehen. Besonders das Volumenungleichgewicht spielte eine entscheidende Rolle bei der Verbesserung der richtungsbezogenen Vorhersagen.

Unsere Ergebnisse ermutigen dazu, eine breitere Perspektive bei der Analyse von Aktienkursbewegungen einzunehmen und die Bedeutung von Preis- und Volumendaten zu betonen. Da der Markt komplex und unberechenbar bleibt, wird es entscheidend sein, verschiedene Dateninputs für erfolgreiche Handelsstrategien zu integrieren.