Verbesserung der Finanzmarktvorhersagen: Kausalitätsbasierte Merkmalsauswahl

Dieses Papier stellt den FinSen-Datensatz vor, der die Analyse von Finanzmärkten revolutioniert, indem es wirtschaftliche und finanzmarktrelevante Nachrichtenartikel aus 197 Ländern mit Börsendaten integriert. Der Datensatz umfasst einen Zeitraum von 15 Jahren, von 2007 bis 2023, und bietet eine reichhaltige, globale Perspektive mit 160.000 Datensätzen zu Finanzmarktnews. Unsere Studie nutzt kausal validierte Stimmungswerte und LSTM-Modelle, um die Genauigkeit und Zuverlässigkeit der Marktprognosen zu verbessern. Durch die Verwendung des FinSen-Datensatzes führen wir eine innovative Fokalkalibrierungsverlustfunktion (Focal Calibration Loss) ein, die den erwarteten Kalibrierungsfehler (Expected Calibration Error, ECE) auf 3,34 Prozent reduziert, wenn das DAN 3-Modell eingesetzt wird. Dies verbessert nicht nur die Vorhersagegenauigkeit, sondern bringt auch die wahrscheinlichkeitstheoretischen Prognosen enger mit den tatsächlichen Ergebnissen in Einklang – ein entscheidender Faktor für den Finanzsektor, wo die vorhergesagte Wahrscheinlichkeit von höchster Bedeutung ist. Unser Ansatz zeigt die Effektivität der Kombination von Stimmungsanalyse mit präzisen Kalibrierungstechniken für vertrauenswürdige Finanzprognosen auf, bei denen der Fehler bei der Interpretation hohe Kosten verursachen kann. Der FinSen-Datensatz ist unter dieser GitHub-URL abrufbar.