Die Analyse von Nachrichten und deren Einfluss auf Aktienkurse ist ein zentrales Thema in der Finanzwelt. Moderne Sprachmodelle (Large Language Models, LLMs) haben die Fähigkeit, Texte zu analysieren und Vorhersagen zu treffen, revolutioniert. Jedoch beschränken sich bestehende Ansätze oft darauf, den Inhalt einzelner Nachrichten zu bewerten, ohne die Reichweite und Verbreitung dieser Nachrichten zu berücksichtigen. Diese Faktoren spielen jedoch eine entscheidende Rolle für die Marktreaktionen und damit die kurzfristigen Kursbewegungen.
Neuer Ansatz zur Aktienprognose
Ein Forscherteam hat nun einen innovativen Ansatz entwickelt, um LLMs für präzisere Vorhersagen von Aktienbewegungen zu nutzen. Der Fokus liegt darauf, drei zentrale Verbesserungen einzuführen:
- Erfassung der Verbreitungsbreite von Nachrichten: Die Reichweite und Häufigkeit von Berichterstattungen zu einem Thema werden systematisch analysiert.
- Kontextreiche Daten: Neben den Nachrichten werden auch historische Aktienkurse und Unternehmensdaten eingebunden.
- Gezielte Anweisungen: Den Modellen werden spezifische Anleitungen gegeben, um den Einfluss von Nachrichten besser interpretieren zu können.
Durch die Kombination dieser Faktoren wird ein datengetriebener Ansatz verfolgt, der die Verarbeitung von Nachrichtenclustern ermöglicht. Cluster stehen dabei für thematisch zusammenhängende Nachrichten, deren Größe und zeitliche Verteilung die Relevanz eines Themas widerspiegeln.
Methodik im Detail
- Clustering von Nachrichten: Mithilfe moderner Methoden der Textanalyse (z. B. BERTopic) werden Nachrichten in Gruppen eingeteilt. Die größte Gruppe repräsentiert dabei das wichtigste Thema, während kleinere Cluster zusätzliche Perspektiven liefern.
- Datenanreicherung: Neben den Nachrichten werden tägliche Aktienkurse und Rücklaufdaten eingebunden, um kurzfristige und langfristige Markteffekte zu analysieren.
- Modell-Feinabstimmung: Ein LLM wird mit einem speziell entwickelten Trainingsdatensatz feingetunt, um auf Basis der strukturierten Daten Prognosen zu erstellen.
Ergebnisse und Ausblick
In Tests konnte der Ansatz die Vorhersagegenauigkeit um 8 % gegenüber bisherigen Methoden verbessern. Besonders effektiv zeigte sich die Kombination von Nachrichtenclustern und detaillierten Anweisungen für das Modell. Langfristig könnte diese Methode nicht nur auf Aktienprognosen, sondern auch auf andere Finanzbereiche angewendet werden.
Quelle: https://arxiv.org/html/2412.10823v1