Predicting Stock Prices with Advanced Deep Learning Technique: An LSTM-Based Approach

In diesem Kapitel wird die Entwicklung der Aktienkursprognose untersucht, wobei der Übergang von traditionellen statistischen Methoden zu fortgeschrittenen Deep-Learning-Techniken erfolgt, wobei der Schwerpunkt auf Long-Term-Memory (LSTM) -Netzwerken liegt. Sie unterstreicht die Herausforderungen bei der Erfassung komplexer nichtlinearer Beziehungen in Finanzdaten und die Beschränkungen traditioneller Modelle. Das Papier schlägt einen LSTM-basierten Ansatz vor, der die Prozesse der Datenerhebung, -vorverarbeitung und -extraktion detailliert. Es beschreibt die Architektur und die Funktionen von LSTM, einschließlich der Vergissmeinnicht, Eingangstore und Ausgangstore, und erklärt, wie LSTM das Problem des verschwindenden Gefälles löst. Die Methodik beinhaltet die Schulung eines LSTM-Modells mit Daten von Apple, Tesla, Google und Netflix-Aktien, wobei ein gleitender Segmentierungsansatz verwendet wird. Die Ergebnisse zeigen die Genauigkeit des Modells mit einem durchschnittlichen R2-Wert von 99% über alle Datensätze hinweg. Vergleichende Analysen mit linearen Regressions- und ARIMA-Modellen unterstreichen die Überlegenheit von LSTM bei der Vorhersage von Aktienkursen. Der Aufsatz schließt mit einer Diskussion der Implikationen für Investoren und Analysten und schlägt weitere Verbesserungen vor, wie die Integration von Stimmungsanalysen und die Durchführung von Vergleichsanalysen mit herkömmlichen Vorhersagemethoden für Zeitreihen.