Forschung an der Grenze zwischen Datenströmen und Lernalgorithmen
Wissenschaftliche Publikationen zu maschinellem Lernen auf Streaming-Finanzdaten — kuratiert, mit Autorenangaben versehen und für den Lernkontext aufbereitet.
Ausgewählte Publikationen
Sechs wissenschaftliche Arbeiten, die methodisch unterschiedliche Zugänge zum Problem der Echtzeit-Modellierung finanzieller Zeitreihen verfolgen.
Online-Lernverfahren für hochfrequente Orderbuchdaten
Die Autoren untersuchen, wie Perceptron-basierte Online-Algorithmen auf kontinuierlichen Bid-Ask-Spreads trainiert werden können, ohne den gesamten Datenstrom im Speicher zu halten. Besonderes Augenmerk gilt der Konzeptdrift bei Marktöffnung.
Adaptive Schwellenwerte in Echtzeit-Anomalieerkennung
Statt fixer Schwellenwerte schlagen die Autoren ein gleitendes Quantilmodell vor, das sich innerhalb von Sekunden an veränderte Volatilitätsregime anpasst. Die Arbeit enthält Benchmarks auf Tick-Daten von drei europäischen Börsen.
Gradient Boosting unter Datenstrom-Bedingungen
Klassisches Gradient Boosting setzt vollständige Datensätze voraus. Diese Studie zeigt, wie Hoeffding-Bäume als Basis-Lerner eingesetzt werden können, um inkrementell trainierte Ensemble-Modelle für Intraday-Renditeprognosen zu bauen.
Rekurrente Architekturen bei nicht-stationären Finanzströmen
LSTM-Netze verlieren bei abrupten Strukturbrüchen in Finanzdaten erheblich an Genauigkeit. Die Autoren entwickeln eine Forgetting-Gate-Variante, die Strukturbrüche automatisch erkennt und das Netzwerkgedächtnis selektiv zurücksetzt.
Konzeptdrift-Erkennung ohne Referenzdatensatz
Viele Drift-Detektoren benötigen einen stabilen Referenzzeitraum. Diese Arbeit stellt ADWIN-FIN vor, eine Variante des ADWIN-Algorithmus, die ohne festes Referenzfenster auskommt und auf Währungspaar-Streams getestet wurde.
Federated Learning für dezentrale Marktdatenquellen
Wenn Marktdaten aus regulatorischen Gründen nicht zentralisiert werden dürfen, ermöglicht Federated Learning dennoch gemeinsames Modelltraining. Die Autoren demonstrieren dies an einem Szenario mit vier simulierten Regionalbanken.
Thematische Einordnung der Forschungslandschaft
Streaming-Finanzdaten stellen besondere Anforderungen: Modelle müssen mit Latenz unter 100 ms reagieren, Konzeptdrift ohne Neutraining kompensieren und dennoch statistisch robust bleiben.
Die hier gesammelten Arbeiten decken fünf methodische Schwerpunkte ab, die zusammen ein realistisches Bild des Forschungsstands ergeben.
- Online-Lernen
- Konzeptdrift-Erkennung
- Hochfrequenzdaten
- Anomalieerkennung
- Rekurrente Netze
- Federated Learning
- Ensemble-Methoden
- Nicht-stationäre Zeitreihen
- Orderbuchdaten
- Intraday-Prognose