Seit vielen Jahren stellt die Aktienkursprognose aufgrund der Marktvolatilität und der komplexen, nichtlinearen Faktoren, die Finanzmärkte beeinflussen, eine herausfordernde Aufgabe dar. Während traditionelle Methoden wie die Fundamental- und technische Analyse weit verbreitet sind, gelingt es ihnen oft nicht, die komplexen Muster in modernen Finanzdaten zu erfassen. Obwohl fortgeschrittene Varianten von Recurrent Neural Networks (RNNs) und Ensemble-Learning-Methoden einzeln vielversprechend sind, haben nur wenige Studien ihr kombiniertes Potenzial für die Aktienkursprognose untersucht.Diese Masterarbeit entwickelt und evaluiert RNN-basierte Ensemble-Learning-Modelle für die tägliche Aktienkursprognose, insbesondere Long Short-Term Memory (LSTM) und Gated Recurrent Unit (GRU) Architekturen. Der Ansatz bestimmt systematisch die optimalen Lookback-Fenstergrößen, führt eine umfassende Hyperparameter-Optimierung durch und verwendet einfache Mittelwertbildung der Vorhersagen verschiedener Modelle als Ensemble-Methode. Die Modellleistung wird anhand von R-Quadrat-Metriken, Mean Squared Error (MSE) und Mean Absolute Error (MAE) bewertet.Die Ergebnisse zeigen unterschiedliche Verhaltensmuster verschiedener RNN-Architekturen hinsichtlich zeitlicher Abhängigkeiten. LSTM-Modelle erreichen optimale Leistung mit kurzen Lookback-Fenstergrößen (L= 1–2), während GRU-Modelle mit längeren Lookback-Fenstergrößen am besten abschneiden und den niedrigsten skalierten MAE von 0,0271 bei L= 59 in der manuell optimierten Konfiguration erreichen. Hybride LSTM-GRU- und 1D-CNN-GRU-Modelle boten keine zusätzlichen Vorhersagevorteile gegenüber reinen GRU-Architekturen. Zunächst zeigten Ensemble-Modelle, die aus einzelnen RNN-Varianten bestanden, eine verringerte Leistung im Vergleich zu einzelnen Modellen, während diejenigen mit zwei Varianten nur geringfügige Leistungseinbußen aufwiesen. Alle Ensemble-Modelle übertrafen durchwegs lineare Regressionsbaselines, was die Überlegenheit RNN-basierter Ansätze bei der Erfassung zeitlicher Abhängigkeiten und nichtlinearer Dynamiken von Finanzzeitseriendaten unterstreicht. Zusätzlich wurde eine zeitliche Verzögerung zwischen den vorhergesagten und tatsächlichen Aktienkursen beobachtet.Daher wurde ein Offline-Experiment unter Verwendung der Empirical Mode Decomposition (EMD) integriert, um die zeitliche Verzögerung zu kompensieren. Dies milderte die zeitliche Verzögerung in den RNN-basierten Modellen ab und reduzierte ihre Auswirkung erheblich. Mit dieser Verbesserung übertrafen alle Ensemble-Konfigurationen im Offline-Experiment die optimale Leistung des manuell optimierten GRU-Modells. Die Offline-Methode verwendet jedoch den gesamten Datensatz, einschließlich der zukünftigen Aktienkurse. Daher ist sie in ihrer aktuellen Form nicht für echte Prognosen geeignet. Stattdessen zeigt sie Potenzial für verbesserte Vorhersagen und kann zur nachträglichen Korrektur bei Anwendung der EMD-Methode verwendet werden. Die Ergebnisse zeigen, dass RNN-basierte Ensemble-Modelle, insbesondere in Kombination mit Techniken zur Reduzierung zeitlicher Verzögerungen, deutlich besser als traditionelle lineare Methoden zur Vorhersage von Aktienkursen abschneiden. Dies weist auf einen vielversprechenden Weg für zukünftige Forschung im Bereich der Finanzprognose hin.
Fung Yee Tang (Sun,) studied this question.