Deep Learning-Architekturen für Marktstimmungsprognosen

Dieser Kurs konzentriert sich auf fortgeschrittene Deep Learning-Methoden zur Vorhersage von Marktbewegungen durch Sentiment-Analyse. Sie lernen, wie rekurrente und Transformer-basierte Architekturen komplexe Textmuster in Finanzdaten erkennen.

Die praktische Arbeit umfasst den Aufbau von LSTM- und GRU-Netzwerken für sequenzielle Textdaten sowie die Anwendung von Multi-Head-Attention für längere Dokumente wie Quartalsberichte. Sie trainieren Modelle auf großen Korpora von Finanznachrichten und Social-Media-Posts.

Technische Implementierung

Sie arbeiten mit PyTorch und TensorFlow, um End-to-End-Pipelines zu erstellen. Der Kurs behandelt Embedding-Techniken, Batch-Processing großer Datensätze und GPU-Optimierung für schnelleres Training.

Ein wesentlicher Teil befasst sich mit der Evaluation: Sie lernen, Overfitting zu vermeiden, Modelle auf Out-of-Sample-Daten zu testen und deren Performance in Live-Simulationen zu messen. Dozent Maximilian Breitenbach teilt Erfahrungen aus der Implementierung bei institutionellen Investoren.