Makro‑Retrieval: Robustes Finanz‑Forecasting trotz Marktveränderungen

Finanzmärkte sind von Natur aus nicht stationär: strukturelle Brüche und makroökonomische Regimewechsel lassen klassische Prognosemodelle häufig versagen, wenn sie außerhalb ihres Trainingsbereichs eingesetzt werden. Traditionelle multimodale Ansätze, die lediglich Zahlenwerte und Textstimmungen kombinieren, passen sich diesen Veränderungen kaum an.

Die neue Methode „macro‑contextual retrieval“ kombiniert numerische Makroindikatoren – wie CPI, Arbeitslosigkeit, Zinsspread und BIP‑Wachstum – mit dem Sentiment aus Finanznachrichten in einem gemeinsamen Ähnlichkeitsraum. Dadurch kann das Modell bei der Vorhersage auf historische Perioden zurückgreifen, die dem aktuellen makroökonomischen Kontext ähnlich sind, ohne dass ein erneutes Training nötig ist.

Nach einer 17‑jährigen Trainingsphase auf S&P‑500‑Daten (2007‑2023) wurde die Technik OOD auf Apple (AAPL) und Exxon Mobil (XOM) im Jahr 2024 getestet. Die macro‑conditionierte Retrieval‑Strategie schloss die Lücke zwischen Cross‑Validation‑ und OOD‑Leistung deutlich und erzielte positive Handelsrenditen (AAPL: PF = 1,18, Sharpe = 0,95; XOM: PF = 1,16, Sharpe = 0,61). Im Gegensatz dazu versagen statische numerische Modelle, reine Textmodelle und naive multimodale Baselines unter Regimewechseln.

Ein zusätzlicher Vorteil ist die Interpretierbarkeit: Die abgerufenen Nachbarn bilden nachvollziehbare Beweisketten, die auf erkennbaren makroökonomischen Phasen wie Inflation oder Zinskurveninversionen basieren. So wird nicht nur die Vorhersagekraft verbessert, sondern auch die Transparenz und das Vertrauen in die Modelle gesteigert. Diese Arbeit zeigt, dass ein makro‑bewusstes Retrieval robuste und erklärbare Finanzprognosen ermöglicht, wenn sich die Märkte verändern.