LLM-gestützte Aktienkursvorhersage: Mehrere Aktien mit Nachrichtenfusion

Ein neues Forschungsprojekt aus dem arXiv-Repository präsentiert einen innovativen Ansatz zur Vorhersage von Aktienkursen, der große Sprachmodelle (LLMs) mit täglichen Finanznachrichten kombiniert. Durch die Einbindung von LLMs können Nachrichtenartikel in hochdimensionale Embeddings umgewandelt werden, die anschließend mithilfe von Attention-Mechanismen auf die jeweiligen Aktien abgestimmt werden.

Der Schlüssel liegt in der Verwendung von Aktiennamen-Embeddings innerhalb dreier spezieller Pooling-Strategien – selbstaufmerksames, kreuzaufmerksames und positionsbewusstes selbstaufmerksames Pooling. Diese Techniken filtern die Nachrichteninhalte gezielt nach Relevanz für jede Aktie, sodass nur die wichtigsten Informationen in das Modell gelangen. Die gefilterten Nachrichten-Embeddings werden dann zusammen mit historischen Kursdaten als Eingabe für die Vorhersage genutzt.

Im Gegensatz zu bisherigen Studien, die sich auf einzelne Aktien beschränken, trainiert das vorgestellte Modell ein einziges, generalisiertes System, das für mehrere Aktien gleichzeitig funktioniert. Die experimentellen Ergebnisse zeigen einen beeindruckenden Rückgang des mittleren absoluten Fehlers (MAE) um 7,11 % im Vergleich zum Baseline-Modell. Dies unterstreicht die Wirksamkeit der Aktiennamen-Embeddings für die Nachrichtenfilterung und die Genauigkeit der Preisprognosen in einem einheitlichen Rahmen.