Die Alchemisten vergangener Zeiten suchten nach Möglichkeiten, Metalle in Gold umzuwandeln, um schnellen Reichtum zu erlangen. Heute übernehmen Datenwissenschaftler diese Rolle, indem sie historische Daten analysieren, Muster identifizieren und zukünftige Preisprognosen treffen. Sie reinigen die Daten, trainieren Maschinenlernmodelle wie Long Short-Term Memory (LSTM) oder Convolutional Neural Networks und validieren die Modelle, um ihre Genauigkeit und Zuverlässigkeit zu verbessern. Durch das Sammeln und Aufbereiten von Daten, Auswahl und Schulung geeigneter Modelle sowie kontinuierliche Überprüfung und Verfeinerung prognostizieren KI und Deep Learning Aktienkurse.
In jüngster Zeit haben Jaydip Sen, Hetvi Waghela und Sneha Rakshit vom Department of Data Science and Artificial Intelligence an der Praxis Business School in Kolkata an einem Modell gearbeitet, das eine beeindruckende Genauigkeit von 95,8 Prozent bei der Vorhersage der Aktienkurse des nächsten Tages aufweist. Ihr LSTM-Modell nutzt fortgeschrittene Algorithmen und Vorhersagemodelle, um zukünftige Aktienpreise effektiv vorherzusagen. Sie haben historische Preise von 180 Aktien aus 18 Sektoren zwischen Januar 2005 und April 2024 verwendet, um das Modell zu trainieren und zu bewerten. Trotz der Effizienzmarkthypothese behaupten sie, dass ihr Modell dank LSTM-Technik besser abschneidet als andere gängige Methoden. Das Modell ist insbesondere genau für bestimmte Sektoren wie Automobil, Banken und öffentliche Banken.
Sen, Waghela und Rakshit haben festgestellt, dass ihr LSTM-Modell besonders in den Sektoren Automobil, Banken und öffentliche Banken präzise Vorhersagen treffen kann, während es in den Sektoren Medien und Energie weniger genau ist. Insgesamt liegt die Genauigkeit des Modells bei mindestens 95,83 Prozent, was darauf hindeutet, dass es zuverlässig in Aktienhandelsentscheidungen eingesetzt werden kann. Der Einsatz von Deep-Learning-Techniken für Aktienvorhersagen erfordert jedoch möglicherweise radikale Änderungen in der Regulierung, um sicherzustellen, dass der Markt nicht zugunsten derjenigen verzerrt wird, die solche Techniken nutzen, auf Kosten derjenigen, die es nicht tun.