Wir setzen sowohl Random Forests als auch LSTM-Netzwerke (genauer: CuDNNLSTM) als Trainingsmethodologien ein, um deren Wirksamkeit bei der Vorhersage der out-of-sample-Richtungsbewegungen der Bestandteile des S&P 500 von Januar 1993 bis Dezember 2018 für den Intraday-Handel zu analysieren. Wir führen eine Multi-Feature-Situation ein, die nicht nur die Renditen bezogen auf die Schlusskurse, sondern auch bezogen auf die Eröffnungskurse sowie die Intraday-Renditen umfasst. Als Handelsstrategie dienen uns Krauss et al. (2017) und Fischer & Krauss (2018) als Benchmark. An jedem Handelstag kaufen wir die 10 Aktien mit der höchsten Wahrscheinlichkeit und verkaufen short die 10 Aktien mit der niedrigsten Wahrscheinlichkeit, um die Marktrendite in Bezug auf die Intraday-Renditen zu übertreffen – jeweils mit gleicher monetärer Gewichtung. Unsere empirischen Ergebnisse zeigen, dass die Multi-Feature-Situation eine tägliche Rendite vor Transaktionskosten von 0,64 % bei Verwendung von LSTM-Netzwerken und von 0,54 % bei Verwendung von Random Forests erzielt. Damit übertrifft unsere Methode die Einzel-Feature-Situation aus Fischer & Krauss (2018) und Krauss et al. (2017), die lediglich die täglichen Renditen bezogen auf die Schlusskurse berücksichtigt, welche jeweils eine tägliche Rendite von 0,41 % (LSTM) und 0,39 % (Random Forests) erzielen.