Zusammenfassung - Zeitreihen-Basismodelle für die Vorhersage multivariater Finanzzeitreihen

Zeitreihen-Basismodelle für die Vorhersage multivariater Finanzzeitreihen

2025-07-09 21:43:06

{"Ben A. Marconi"}

{q-fin.GN,cs.LG}

Die Studie "Time Series Foundation Models for Multivariate Financial Time Series Forecasting" von Ben Asher Marconi vom Imperial College London untersucht die Effektivität von Zeitreihen-Fundamentmodellen (TSFMs) bei der Vorhersage von Finanzzeitreihen. TSFMs sind eine Art Fundamentmodell, das Muster nutzt, die aus verschiedenen Zeitreihen-Korpora für spezifische Vorhersageanwendungen gelernt wurden. Die Studie bewertet zwei TSFMs, Tiny Time Mixers (TTM) und Chronos, in drei Finanzvorhersatzaufgaben: Änderungen der US-10-jährigen Treasury-Zinsen, Volatilität EUR/USD und die Vorhersage von Aktienstreifen. Die Ergebnisse zeigen, dass TTM eine starke Transferierbarkeit aufweist und weniger Jahre an Daten benötigt, um mit einem untrainierten Modell vergleichbare Leistungsniveaus zu erreichen. Auch TTM's Zero-Shot-Leistung übertrifft naive Benchmarks in der Volatilitätsvorhersage und der Vorhersage von Aktienstreifen, was darauf hindeutet, dass TSFMs traditionelle Benchmark-Modelle ohne Feintuning übertreffen können. Dennoch übertrifft TTM naive Baselines, während traditionelle spezialisierte Modelle in zwei von drei Aufgaben ihre Leistung matchten oder übertroffen haben, was darauf hindeutet, dass TSFMs Breite über spezialisierte Optimierung priorisieren. Die Studie schließt, dass TSFMs großes Potenzial für die Finanzvorhersage bieten, insbesondere in lärmbehafteten, datenbeschränkten Aufgaben, aber um wettbewerbsfähige Leistung zu erzielen, ist möglicherweise spezifische Vorab-Training und architektonische Anpassungen erforderlich, die auf die Eigenschaften von Finanzzeitreihen zugeschnitten sind.