Deep Learning für Preisvorhersage
Neuronale Netze treffen auf Finanzmarktdaten
Praktisches Training mit LSTM, GRU und Transformer-Architekturen
Wie funktioniert das Programm?
Deep Learning verändert die Art, wie wir Zeitreihen analysieren. Während klassische Methoden auf linearen Annahmen beruhen, lernen neuronale Netze komplexe nichtlineare Muster direkt aus historischen Preisdaten. Das klingt elegant, verlangt aber ein tiefes Verständnis der Architektur, Verlustfunktionen und Regularisierungstechniken.
-
Sie arbeiten mit stündlichen und täglichen Preisdaten aus verschiedenen Märkten. Normalisierung, Feature Engineering und die Konstruktion von Sliding Windows sind keine Nebensache – sie entscheiden, ob Ihr Modell später overfittet oder generalisiert. Wir testen MinMaxScaler, Standardisierung und Log-Transformationen auf denselben Datensätzen.
-
Long Short-Term Memory Netze speichern relevante Informationen über längere Zeiträume. Sie bauen mehrschichtige LSTM-Modelle mit Dropout, testen verschiedene Aktivierungsfunktionen und vergleichen stateful vs. stateless Training. Der Fokus liegt auf Märkten mit hoher Volatilität, wo einfache Moving Averages versagen.
-
Attention erlaubt dem Modell, sich auf relevante Zeitpunkte zu konzentrieren, ohne alle historischen Daten gleichmäßig zu gewichten. Sie implementieren Multi-Head Attention und Positional Encoding von Grund auf, bevor Sie auf fertige Transformer-Bibliotheken zurückgreifen. Die Herausforderung: Rechenaufwand und Overfitting bei kleinen Datensätzen.
-
Grid Search, Random Search und Bayesian Optimization – Sie testen alle drei Ansätze an denselben Modellen. Backtesting auf historischen Daten zeigt, wie gut Ihre Vorhersagen in der Vergangenheit funktioniert hätten. Walk-forward Validation simuliert reale Handelsbedingungen, bei denen Sie das Modell regelmäßig neu trainieren.
Wer leitet die Sessions?
Acht Jahre Erfahrung in algorithmischem Trading bei einem Hedgefonds in Frankfurt. Hat LSTM-basierte Vorhersagemodelle für europäische Aktienmärkte entwickelt und testet aktuell Transformer-Architekturen für Intraday-Prognosen.
Hat neuronale Netze für Zeitreihenvorhersage in der Energiebranche eingesetzt und später auf Finanzmärkte übertragen. Schwerpunkt liegt auf der Optimierung von Hyperparametern und der Reduktion von Overfitting bei kleinen Datensätzen.
Was Sie nach dem Kurs können
Nach Abschluss des Programms haben Sie mehrere funktionsfähige Modelle gebaut, mit echten Daten getestet und deren Schwächen verstanden. Sie wissen, wann ein einfaches LSTM ausreicht und wann Transformer sinnvoll sind.
- Sequenzmodelle von Grund auf implementieren und trainieren
- Zeitreihendaten vorverarbeiten und Features extrahieren
- Attention-Mechanismen in PyTorch und TensorFlow nutzen
- Hyperparameter systematisch optimieren und Overfitting vermeiden
- Backtesting-Strategien entwickeln und Walk-forward Validation anwenden
- Modellperformance mit RMSE, MAE und Sharpe Ratio bewerten
