Interpretable Machine Learning and Sentiment Analysis for Enhanced Predictive Accuracy in Financial Markets

Dieses Kapitel vertieft sich in die Schnittmenge von Stimmungsanalyse und Aktienkursprognose und hebt den Einsatz interpretierbarer maschineller Lernmodelle hervor, um Transparenz und Genauigkeit zu verbessern. Die Studie nutzt FinBERT, ein spezialisiertes Sprachmodell für die Analyse der finanziellen Stimmung, um Erkenntnisse aus Nachrichtenartikeln zu extrahieren und Kursbewegungen vorherzusagen. Zu den Schlüsselthemen zählen die Methodik zur Datenerhebung und -vorverarbeitung, Feature Engineering und Modellauswahl. Die Studie zeigt die erheblichen Auswirkungen von Stimmungswerten auf die Aktienkurse, insbesondere in Phasen der Marktvolatilität. Die Studie führt auch SHAP-Analysen ein, um Modellvorhersagen zu interpretieren, und liefert so ein tieferes Verständnis der Faktoren, die die Aktienkursbewegungen beeinflussen. Die Ergebnisse zeigen, dass interpretable Modelle die Vorhersagekraft komplexer Deep-Learning-Architekturen übertreffen oder sogar übertreffen können und gleichzeitig größere Transparenz bieten. Dieser Ansatz versetzt die Anleger in die Lage, fundiertere und strategischere Entscheidungen auf den Finanzmärkten zu treffen.