Neues Modell kombiniert Node-Transformer und BERT‑Sentiment für Börsenprognosen

In einer kürzlich veröffentlichten Studie auf arXiv wird ein innovatives Prognosemodell vorgestellt, das die Vorhersagegenauigkeit für Aktienkurse deutlich verbessert. Das System verbindet eine Node‑Transformer‑Architektur mit einer BERT‑basierten Sentiment‑Analyse, um die komplexen Dynamiken der Börse besser zu erfassen.

Der Ansatz stellt den Aktienmarkt als Graph dar, wobei jede Aktie ein Knoten ist und die Kanten Beziehungen wie Sektorzugehörigkeit, Preiskorrelationen und Lieferkettenverbindungen widerspiegeln. Ein feinabgestimmtes BERT-Modell extrahiert Stimmungen aus Social‑Media‑Posts und kombiniert diese mit quantitativen Marktmerkmalen über eine attention‑basierte Fusion. Der Node‑Transformer verarbeitet historische Daten und erfasst gleichzeitig die zeitliche Entwicklung sowie die kreuzspezifischen Abhängigkeiten zwischen den Aktien.

Bei Experimenten mit 20 S&P‑500‑Aktien von Januar 1982 bis März 2025 erreichte das integrierte Modell einen durchschnittlichen absoluten prozentualen Fehler (MAPE) von 0,80 % für Ein‑Tages‑Vorhersagen. Das steht deutlich besser als die 1,20 % von ARIMA und die 1,00 % von LSTM. Die Sentiment‑Analyse senkt die Fehler um 10 % insgesamt und um 25 % während Gewinnankündigungen, während die graphbasierte Modellierung weitere 15 % Verbesserung liefert. Die Richtungsgenauigkeit liegt bei 65 % für Tagesprognosen.

Diese Ergebnisse zeigen, dass die Kombination aus graphbasiertem Lernen und moderner NLP‑Technologie die Herausforderungen von Rauschen, Nicht‑Stationarität und Verhaltensdynamiken im Finanzmarkt wirksam adressiert. Für Investoren, Finanzinstitute und politische Entscheidungsträger bedeutet das ein wertvolles Werkzeug, um fundiertere Entscheidungen zu treffen und Risiken besser zu steuern.