Wahrscheinlichkeitsbasierte Aktienprognosen verstehen
Bei QUINETICS verfolgen wir einen anderen Ansatz als klassische Kursprognosen. Statt einer binären Aussage wie „steigt“ oder „fällt“ berechnen wir die Wahrscheinlichkeit signifikanter Kursbewegungen.
Das Fundament: Machine-Learning-Modelle
Unser Prognosemodell basiert auf modernen Machine-Learning-Algorithmen, insbesondere XGBoost (Extreme Gradient Boosting). Dieses Ensemble-Verfahren eignet sich im Finanzbereich, weil es:
- komplexe, nichtlineare Zusammenhänge abbilden kann
- große Mengen historischer Daten effizient verarbeitet
- Überanpassung durch Regularisierung reduziert
Drei Säulen der Analyse
1. Technische Indikatoren
Wir analysieren Kursmuster und Volatilitätsmaße. Unsere Modelle bewerten viele technische Indikatoren über mehrere Zeithorizonte, um kurzfristige und langfristige Trends zu erfassen.
2. Sentiment-Analyse
Wir verarbeiten Indikatoren zur Marktpsychologie und News-Sentiment. Wenn wir verstehen, wie Marktteilnehmer positioniert sind und welche Stimmungen Entscheidungen treiben, lässt sich die Wahrscheinlichkeit größerer Bewegungen besser einschätzen.
3. Ökonomische Faktoren
Makroökonomische Bedingungen und übergeordnete Marktdynamiken beeinflussen die Kursentwicklung einzelner Aktien.
Cross-Sectional Training
Ein methodischer Vorteil ist das Training über viele Aktien hinweg und über verschiedene Prognosezeiträume. Das bedeutet:
- Modelle lernen aus vielen Aktien gleichzeitig, nicht nur aus einer
- Muster werden unter unterschiedlichen Marktbedingungen erkannt
- Der Ansatz ist robuster gegenüber aktienspezifischen Sondereffekten
- Prognosen profitieren von breiteren Marktsignalen
Von Daten zu Wahrscheinlichkeiten
Der Weg zur Wahrscheinlichkeitsprognose umfasst mehrere Schritte:
- Datensammlung: Daten aus verschiedenen Quellen erfassen und bereinigen
- Feature Engineering: aussagekräftige Variablen aus Rohdaten erzeugen
- Training: historische Muster zum Anlernen der Modelle verwenden
- Kalibrierung: Wahrscheinlichkeiten so abstimmen, dass sie realistisch sind
- Validierung: out-of-sample testen, um Robustheit zu prüfen
Wichtige Einschränkungen
Wir setzen auf realistische Erwartungen:
- Wahrscheinlichkeiten sind eine Analyse, keine Garantie
- Vergangene Wertentwicklung ist kein Indikator für zukünftige Ergebnisse
- Modelle können falsch liegen, besonders bei außergewöhnlichen Ereignissen
- Hohe Wahrscheinlichkeit bedeutet nicht Sicherheit
- Investieren und Trading sind mit Verlustrisiken verbunden
Kontinuierliche Verbesserung
Märkte verändern sich, und unsere Modelle entwickeln sich mit. Wir aktualisieren Algorithmen, integrieren neue Datenquellen und verbessern Methoden, um uns an wechselnde Marktbedingungen anzupassen.