ARTEMIS: Neuro-Symbolisches Modell liefert arbitragefreie Marktprognosen

In der quantitativen Finanzwelt sind Deep‑Learning‑Modelle häufig als Black‑Box‑Systeme bekannt, die zwar leistungsstark, aber schwer nachvollziehbar sind und fundamentale ökonomische Prinzipien wie die No‑Arbitrage‑Bedingung ignorieren. Das neue Framework ARTEMIS (Arbitrage‑free Representation Through Economic Models and Interpretable Symbolics) verbindet neuronale Netze mit symbolischer Logik, um genau diese Lücken zu schließen.

ARTEMIS setzt auf einen kontinuierlichen Laplace‑Neural‑Operator‑Encoder, der die Zeitreihen in einen hochdimensionalen Raum überführt. Anschließend wird eine neuronale stochastische Differentialgleichung (SDE) mit physik‑informierten Verlustfunktionen reguliert. Ein differenzierbarer symbolischer Bottleneck extrahiert daraus leicht verständliche Handelsregeln. Zwei neuartige Regularisierungstermine sichern die ökonomische Plausibilität: ein Feynman‑Kac‑PDE‑Residual, das lokale No‑Arbitrage‑Verstöße bestraft, und ein Marktpreis‑der‑Risiko‑Penalty, das die sofortige Sharpe‑Ratio begrenzt.

Bei der Evaluation gegen sechs starke Baselines auf vier Datensätzen – Jane Street, Optiver, Time‑IMM und dem synthetischen Crash‑Regime DSLOB – erzielte ARTEMIS die bestmögliche Richtungsgenauigkeit. Besonders hervorzuheben sind die 64,96 % auf DSLOB und 96,0 % auf Time‑IMM, die alle anderen Modelle deutlich übertrafen. Eine Ablationsstudie zeigte, dass das Weglassen des PDE‑Loss die Genauigkeit von 64,89 % auf 50,32 % senkt, was die Bedeutung dieses Terms unterstreicht. Die geringere Performance bei Optiver wird auf die lange Sequenzlänge und die volatilitäsorientierte Zielsetzung zurückgeführt.

ARTEMIS demonstriert, dass neuronale Netzwerke nicht nur Vorhersagen liefern, sondern diese auch in ökonomisch sinnvolle, interpretierbare Regeln übersetzen können. Damit schließt es die Kluft zwischen der Rechenleistung von Deep Learning und der Transparenz, die in der quantitativen Finanzanalyse unerlässlich ist.