Innovative Ansätze in Finanzprognose-Wettbewerben

Zeitraum-Vorhersage bedeutet, zukünftige Werte basierend auf zuvor beobachteten Werten vorherzusagen. Dieser Artikel stellt Methoden vor, die beim Vorhersage-Wettbewerb den 4. Platz und beim Investitionswettbewerb den 6. Platz belegt haben, in einem Wettbewerb, der sich auf die Vorhersage von Renditen finanzieller Vermögenswerte konzentrierte.

#Überblick über den Wettbewerb

Der finanzielle Vorhersagewettbewerb umfasste 100 Vermögenswerte, darunter 50 Aktien aus dem S&P 500 und 50 internationale börsengehandelte Fonds (ETFs). Die Teilnehmer hatten das Ziel, die Renditen dieser Vermögenswerte über einen Zeitraum von 4 Wochen vorherzusagen und ihre Portfolio-Gewichte zur Investition einzureichen.

Die Vorhersage-Herausforderung verlangte von den Teilnehmern, vorherzusagen, in welchem Quintil die Renditen jedes Vermögenswerts nach vier Wochen liegen würden. Die Genauigkeit dieser Vorhersagen wurde mithilfe einer speziellen Bewertung gemessen. Die Investitionsherausforderung bestand darin, Portfolio-Gewichte einzureichen und diese anhand risikoadjustierter Renditen zu bewerten.

#Vorgehensweise bei der Vorhersage-Herausforderung

Für die Vorhersageaufgabe haben wir ein neues Modell getestet, das Hypernetzwerke verwendet. Ein Hypernetzwerk ist eine Art von neuronalen Netzwerken, das andere Netzwerke erstellen kann. Unser Modell wurde entwickelt, um in verschiedenen Vorhersageaufgaben gut abzuschneiden, indem es sich an die spezifischen Eigenschaften jedes Vermögenswerts anpasste.

Das Modell wurde direkt mit Backpropagation trainiert, was den Trainingsprozess erleichterte. Anstatt komplexe Berechnungen durchführen zu müssen, konnte das Modell auf einfache Weise lernen. So konnte es sich an die Ähnlichkeiten und Unterschiede in den Daten verschiedener Vermögenswerte anpassen.

Das Modell zeigte, dass es nicht nur effektiv im Wettbewerb war, sondern auch bei anderen Vorhersagetests gut abschnitt. Es übertraf traditionelle Methoden und erzielte bessere Ergebnisse bei Aufgaben, die das Vorhersehen von Trends und Mustern beinhalteten.

#Strategie für die Investitionsherausforderung

In der Investitionsherausforderung haben wir unser Portfolio-Management durch Anpassung unserer Gewichte angegangen. Unser Ziel war es, die Korrelation zwischen der Leistung unseres Portfolios und der anderer Teilnehmer zu beeinflussen. Abhängig von unserem Ranking auf der Rangliste gingen wir mehr oder weniger Risiken ein.

Diese Strategie basierte auf der Idee, dass man manchmal grosse Risiken eingehen möchte, um in der Rangliste aufzusteigen, während man zu anderen Zeiten vorsichtig sein möchte, um eine gute Platzierung zu halten. Während diese Methode unsere Chancen auf ein hohes Ranking erhöhen konnte, brachte sie auch Risiken mit sich, was niedrigere erwartete Renditen anging.

#M6-Wettbewerbsdetails

Der Wettbewerb dauerte von März 2022 bis Februar 2023. Die Teilnehmer reichten Vorhersagen für die nächsten 4 Wochen und Portfolio-Gewichte für Investitionen ein. Die Bewertung der Vorhersagen hing davon ab, wie gut sie mit den tatsächlichen Ergebnissen übereinstimmten, wobei ein spezifisches Mass zur Leistungsbewertung verwendet wurde.

Die endgültige Punktzahl jedes Teilnehmers war ein Durchschnittsrang aus den Vorhersage- und Investitionsherausforderungen. Unsere Methoden führten uns zu Platz 4 in der Vorhersage, Platz 6 in der Investition und Platz 1 insgesamt in der kombinierten Duathlon-Rangliste.

#Modellentwicklung für die Vorhersage

Unser Modell konzentrierte sich auf Hypernetzwerke, die eine flexible Handhabung verschiedener Datentypen ermöglichten. Dieser Ansatz war besonders nützlich, wenn nicht genügend Beobachtungen für traditionelle Methoden vorlagen. Das Ziel war es, das Modell an die einzigartigen Eigenschaften jedes Vermögenswerts anzupassen und aus den gesammelten Daten zu lernen.

Die Vorhersagen, die unser Modell machte, enthielten zwei Arten von Informationen. Erstens, sie zeigten an, ob ein Vermögenswert wahrscheinlich gut oder schlecht im Vergleich zu anderen abschneiden würde. Zweitens gaben sie Einblick in die potenzielle Volatilität der Renditen.

Obwohl das Modell gut abschnitt, gab es Herausforderungen bei der Umwandlung von Vorhersagen in rentable Investmentportfolios. Es stellte sich heraus, dass die Vorhersagen unsere Wahrnehmung der Risiken beeinflussten, und es war entscheidend, unseren Ansatz basierend auf den wahrgenommenen Risiken anzupassen.

#Datenaugmentierungstechniken

Um die Robustheit unseres Trainings zu verbessern, erweiterten wir unseren Datensatz über die ursprünglichen 100 Vermögenswerte hinaus. Wir schlossen einen zusätzlichen Pool von 900 Aktien und ETFs ein, die mit der Handelsaktivität und Volatilität des ursprünglichen Sets übereinstimmten. Das half, vielfältige Trainingsdaten für unser Modell zu gewährleisten.

Wir hielten verschiedene Zeitintervalle und verwendeten technische Handelsindikatoren, um unser Merkmal-Set zu erweitern und so eine umfassende Sicht auf die Vermögenswerte zu bieten. Diese Augmentierung sorgte trotz der inhärenten Unterschiede in den Datenentstehungsprozessen für eine bessere Trainingsstabilität.

#Training und Bewertung des Modells

Der Trainingsprozess für unser Modell bestand aus zwei Hauptphasen. Zuerst trainierten wir mit gesammelten Daten, ohne zwischen Aufgaben zu unterscheiden. Dann passten wir das Modell für einzelne Vermögenswerte an, während wir es ermöglichten, sich basierend auf spezifischen Eigenschaften, die während des Trainings identifiziert wurden, anzupassen.

Der Ansatz, Backpropagation im gesamten Modellaufbau zu verwenden, half, ein umfassendes Verständnis dafür zu entwickeln, wie verschiedene Parameter die Vorhersagen beeinflussten. Diese Flexibilität führte im Laufe der Zeit zu genaueren Vorhersagefähigkeiten.

#Herausforderungen bei Investitionsentscheidungen

In der Investitionsphase hatten wir Schwierigkeiten, Vorhersagen in umsetzbare Anlage Strategien umzuwandeln. Unsere Portfolio-Entscheidungen beruhten auf verschiedenen Strategien, die basierend auf den Echtzeit-Dynamiken des Wettbewerbs angepasst wurden, was oft zu unvorhersehbaren Ergebnissen führte.

Unser Ziel war es, Risiko und Rendite effektiv auszubalancieren. Durch strategische Anpassung der Portfolio-Gewichte wollten wir unsere Chancen optimieren, einen günstigen Rang zu erreichen und gleichzeitig mögliche Verluste zu minimieren.

#Leistungsanalysen und Lernen

Während des Wettbewerbs wurde die Leistung unseres Modells genau überwacht. Wir lernten, dass während bestimmte Vorhersagemethoden anfangs vielversprechend erscheinen, sie nicht immer zu konsistenten Portfolio-Renditen führen.

Die Trainings- und Testphasen zeigten, dass Risiko und Belohnung eng verbunden sind. Die Entscheidungen, die während der Investitionsherausforderung getroffen wurden, hatten oft Einfluss auf unsere Platzierungen und verdeutlichten die Notwendigkeit eines sorgfältigen Ansatzes im Portfolio-Management.

#Fazit

Zusammenfassend haben wir eine neuartige Methode zur Zeitreihen-Vorhersage mit Hypernetzwerken präsentiert, die wettbewerbsfähig in einem bedeutenden finanziellen Vorhersagewettbewerb abschloss. Unser Modell glänzte darin, die wesentlichen Dynamiken der Vermögensrenditen einzufangen und lieferte wertvolle Einblicke in Vorhersage- und Investitionsstrategien.

Es ist klar, dass Verbesserungen in Vorhersagemodellen die Anlageergebnisse erheblich beeinflussen können. Während der Wettbewerb das Potenzial unserer Methoden aufzeigte, ist weitere Arbeit notwendig, um diese Ansätze zu verfeinern und konsistente, umsetzbare Investitionsentscheidungen zu erreichen.

Wir erkennen die zufällige Natur von Wettbewerben und die Rolle an, die Glück bei hohen Platzierungen spielen kann. Dennoch deuten die Ergebnisse darauf hin, dass unsere Methodologien vielversprechend sind und weiter in verschiedenen Vorhersage- und Investitionskontexten erforscht werden sollten. Zukünftige Forschungen werden sich darauf konzentrieren, diese Techniken auf andere Vorhersageaufgaben anzuwenden und so unser Verständnis ihrer Fähigkeiten in unterschiedlichen Umgebungen zu erweitern.