Diskussion zum Artikel "Neuronale Netze im Handel: Das adaptive Graphdiffusionsmodell (SAGDFN)"

Neuer Artikel Neuronale Netze im Handel: Das adaptive Graphdiffusionsmodell (SAGDFN) :

In diesem Artikel befassen wir uns mit der Architektur von SAGDFN – einem modernen Framework, das den Ansatz zur Verarbeitung von räumlich-zeitlichen Daten grundlegend verändern kann. Es bewahrt wichtige Informationen auch in komplexen Graphen und senkt gleichzeitig den Rechenaufwand.

Traditionelle Modelle wie ARIMA oder VAR funktionierten bei einzelnen Zeitreihen recht gut, doch sobald man es mit Hunderten Finanzinstrumenten zu tun hat, stoßen sie an ihre Grenzen. Methoden des maschinellen Lernens der nächsten Generation (Support-Vektor-Maschinen (SVMs), Gauß-Prozesse) haben die Möglichkeiten der Analyse erweitert, doch ihre Architektur hat das komplexe Netzwerk von Verknüpfungen bislang kaum berücksichtigt. Selbst moderne rekurrente neuronale Netze (RNNs) und Transformer, die bei der Sequenzverarbeitung beeindruckende Ergebnisse erzielt haben, haben sich im multivariaten Kontext als begrenzt erwiesen: Ihnen fehlte die nötige Flexibilität, um dynamische Korrelationsnetzwerke zu verarbeiten.

Vor diesem Hintergrund entstanden graphneuronale Netze (GNNs); sie wurden ursprünglich für Aufgaben entwickelt, bei denen hochstrukturierte Graphen eine Rolle spielen, wie beispielsweise Verkehrsnetze, soziale Interaktionen und Lieferketten. In der Finanzwelt grenzt die Konstruktion eines solchen Graphen jedoch schon fast an Kunst. Zwei Unternehmen derselben Branche können sich völlig gegensätzlich verhalten, während zwei weit voneinander entfernte Märkte (wie beispielsweise die Vereinigten Staaten und Japan) auf dieselben makroökonomischen Impulse im Gleichklang reagieren können.

Die Lösung waren graphneuronale Netze mit adaptiven Gewichten (GNNs mit adaptiven Gewichten), die einen Graphen direkt aus den Daten und nicht auf der Grundlage von Annahmen erstellen. Sie lernen eine Matrix der Beziehungen zwischen Vermögenswerten und ermitteln dabei tatsächliche statt formale Korrelationen. Ein klassisches Beispiel: Gold und der japanische Yen, die oft als sichere Häfen fungieren. Unter normalen Umständen ist der Zusammenhang zwischen ihnen vielleicht nicht offensichtlich, doch in Zeiten globaler Umbrüche erkennt das Modell die Synchronität ihrer Entwicklungen und passt die Prognose entsprechend an.


Autor: Dmitriy Gizlyk