Integration neuartiger Datenquellen

Maschinelles Lernen spielt eine immer größere Rolle in der Entwicklung von Handelsstrategien. In das Training der Modelle fließen neben klassischen makroökomischen Kennziffern und Korrelationen mit anderen Assetklassen zunehmend neuartige Datenarten ein, wie etwa Stimmungsindikatoren auf Basis von Social-Media-Posts. Die Anzahl der berücksichtigten Datenkanäle wird folglich immer größer. Während dies auf der einen Seite die Chance erhöht, neuartige Zusammenhänge vor anderen Wettwerbern am Markt zu finden, steigt gleichzeitig das Risiko von unerwünschter Überanpassung, d.h. eine fehlende Übertragbarkeit der gelernten Modelle.

Eine Möglichkeit, dieser Folge des sogenannten Fluch der Dimension zu begegnen, besteht in einer geeigneten Vorfilterung der Daten, gegebenenfalls kombiniert mit Methoden der Dimensionsreduktion. Ziel ist es das Signal-Rausch-Verhältnis der Daten zu verbessern, um so die Anfälligkeit für Überanpassung zu verringern. Fraunhofer SCAI erforscht hier, auch im Auftrag von Partnern aus der Finanzbranche, neuartige Methoden und Ansätze.