Summary  
This chapter covers time series forecasting using recurrent neural networks—specifically LSTM and GRU—to model evenly spaced sequential data points and predict future values based on historical observations.

General domain of usage  
Finance (stock price prediction)

Das Konzept der **Zeitreihenprognose** wird mit Schwerpunkt auf deren Anwendung bei der **Vorhersage von Börsenkursen** eingeführt. Zeitreihenprognose beinhaltet die Vorhersage zukünftiger Werte auf Basis zuvor beobachteter Datenpunkte und ist daher in Bereichen wie Finanzen, Wettervorhersage und Bestandsmanagement von großem Wert.


**Zeitreihenanalyse** ist der Prozess der Analyse von Daten, die fortlaufend über die Zeit gesammelt werden. Dabei werden Muster, Trends und Saisonalitäten innerhalb der Daten identifiziert, um zukünftige Werte vorherzusagen.

Definition

### Herausforderungen
Die Zeitreihenprognose, insbesondere für Aktienkurse, ist mit Komplexitäten wie **Rauschen**, **Marktvolatilität** und **externen Faktoren** verbunden. Der Erfolg des Prognosemodells hängt von der Qualität der Daten und der Fähigkeit des Modells ab, zugrunde liegende Muster zu erfassen.

Zusammenfassend ist die Zeitreihenprognose ein wesentliches Werkzeug zur Vorhersage zukünftiger Aktienkurse und zur fundierten Entscheidungsfindung an den Finanzmärkten. Die wichtigsten Schritte—Datenerhebung, Vorverarbeitung, Modellauswahl, Training und Bewertung—bilden die Grundlage für ein erfolgreiches Prognoseprojekt.


Welche der folgenden ist KEINE typische Anwendung der Zeitreihenprognose?

Konzentriert sich ausschließlich auf Rekurrente Neuronale Netze (RNNs) und deren Anwendung zur Sequenzgenerierung. Dieses fortgeschrittene Modul behandelt die grundlegende Theorie der RNNs sowie praxisorientierte Ansätze zur Modellierung sequentieller Daten und bereitet Sie auf die praktische Arbeit mit LSTM- und GRU-Netzen in Python vor.

Einführung in die Zeitreihenprognose

Herausforderungen