LLMs mit Sentimentanalyse verbessern Aluminiumpreisprognosen

Durch die Erfassung von Stimmung und Marktgefühl aus Textdaten wird die Vorhersage von Rohstoffpreisen, insbesondere im Metallmarkt, immer wichtiger. In einer neuen Studie wurden monatliche Sentimentwerte aus englischen und chinesischen Nachrichtenüberschriften – von Reuters, Dow Jones Newswires und China News Service – generiert und mit klassischen tabellarischen Daten wie Basismetallindizes, Wechselkursen, Inflationsraten und Energiepreisen kombiniert.

Die Modelle wurden mit Long‑Short‑Term‑Memory (LSTM) Netzwerken trainiert, die auf einem feinabgestimmten Qwen3‑Modell basieren. In langen‑kurzen‑Positionssimulationen auf der Shanghai Metal Exchange von 2007 bis 2024 zeigte sich, dass die Sentiment‑angereicherten Modelle besonders in Zeiten hoher Volatilität deutlich besser abschnitten. Der Sharpe‑Ratio erreichte 1,04, während reine tabellarische Modelle lediglich 0,23 erzielten.

Weiterführende Analysen verdeutlichen, wie unterschiedliche Nachrichtenquellen, Themenbereiche und Ereignistypen die Prognosekraft beeinflussen. Die Ergebnisse unterstreichen das Potenzial von leichtgewichtigen, feinabgestimmten LLMs, wertvolle Signale für die Aluminiumpreisprognose zu liefern und damit die wirtschaftliche Entscheidungsfindung zu unterstützen.