Erstellung eines Deep-Learning Networks mit Attention Mechanism für Aktienkursvorhersage mit News Sentiment.
Python, Keras, TensorFlow, Zeitreihen, Financial, Deep-Learning
Der Fokus der Arbeit liegt auf der Erstellung eines Deep-Learning Networks, welches in Kombination mit Atkienpreisen und News-Sentiment Aktienkurse vorhersagt. Hierzu werden 3 Recurrent Neural Networks (RNNs) evaluiert. Die evaluierten Netzwerke sind ein einfaches RNN, ein Long Short Term Memory (LSTM) und ein RNN mit Attention Mechanism.
Die Vorhersage von Aktienkursen ist eine Herausforderung - der Aktienmarkt ist für seine extreme Komplexität und Volatilität berüchtigt. Aus diesem Grund versucht die aktive Forschung, Muster aus dem Verhalten der Aktienmärkte zu extrahieren indem sie alternative Daten verwendet, wie z. B. News Sentiment. Darüber hinaus wurden Deep-Learning-Modelle im Bereich der Vorhersage von Aktienmärkten in der Vergangenheit vermehrt erfolgreich eingesetzt. Die Kombination von Attention und einem RNN haben zusätzlich vielversprechende Ergebnisse bei der Vorhersage von Zeitreihen gezeigt. Im Hinblick auf diese technologischen Fortschritte konzentriert sich diese Arbeit auf die Entwicklung eines Modellierungsansatzes, der diese in die Zeitreihenprognose einbezieht.
Die Evaluation der RNNs hat ergeben, dass die Kombination von RNNs und Attention Mechanismus zu einer Erhöhung der Generalisierung des neuronalen Netzes führt. Das evaluierte Deep-Learning Modell übertraf die Leistungen vom einfachem RNN und dem LSTM. Die zusätzliche Nutzung des News Sentiment hat des Weiteren positiv zur Stabilisierung der Kursvorhersage und zur Erhöhung der Generalisierung des Netzes beigetragen.
Nectar Digital Wealth AG
Hardturmstrasse 161
8005 Zürich
Nicole Königstein
