Summary  
This chapter demonstrates how to build and train a recurrent neural network (using LSTM and GRU) for time series forecasting, covering data loading, preprocessing (e.g., scaling), model selection, training, and evaluation.  

General domain of usage  
Financial forecasting (e.g., stock price prediction)

Das Konzept der **Zeitreihenprognose** wird mit Schwerpunkt auf die 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 hinweg gesammelt werden. Sie umfasst das Erkennen von Mustern, Trends und Saisonalitäten in den Daten, um zukünftige Werte vorherzusagen.

Definition

- Historische Börsendaten sammeln, einschließlich Aktienkurse, Handelsvolumen und weiterer relevanter Finanzkennzahlen;
- Daten können über APIs, Börsen oder Finanzdatenanbieter bezogen werden;
- Sicherstellen, dass die Daten einen ausreichend langen Zeitraum abdecken, um Markttrends und Schwankungen zu erfassen.

Datenerhebung

- Die Daten bereinigen, indem fehlende Werte behandelt, Ausreißer entfernt und Werte für Konsistenz normalisiert werden;
- Feature Engineering kann erforderlich sein, z. B. durch Erstellen neuer Variablen wie gleitender Durchschnitt oder Volatilität;
- Die Daten in Trainings- und Testdatensätze aufteilen.

Datenvorverarbeitung

- Aktienkursdaten mit Diagrammen visualisieren, um Trends, Saisonalitäten und Muster im Zeitverlauf zu erkennen;
- Wichtige Zusammenhänge in den Daten identifizieren (z. B. Korrelation zwischen Aktienkursen und Volumen);
- Die Verteilung der Kursänderungen analysieren und auf Stationarität testen.

Explorative Datenanalyse (EDA)

- Ein geeignetes Modell für die Zeitreihenprognose auswählen. Gängige Modelle sind GRU und LSTM;
- Für Aktienkursprognosen eignet sich LSTM besonders gut, um langfristige Abhängigkeiten zu erfassen;
- Alternative Modelle in Betracht ziehen, wenn die Daten einfach sind oder das Modell keine komplexen Muster erfassen muss.

Modellauswahl

- Das ausgewählte Modell mit historischen Daten trainieren und Hyperparameter anpassen, um eine optimale Leistung zu erzielen;
- Bei LSTM-Modellen sicherstellen, dass die Daten entsprechend umgeformt und normalisiert werden;
- Den Trainingsprozess überwachen, um Overfitting oder Underfitting zu vermeiden.

Modelltraining

- Das trainierte Modell verwenden, um zukünftige Aktienkurse auf Basis unbekannter Daten vorherzusagen;
- Die Modellgenauigkeit mit Metriken wie mittlerem absoluten Fehler (MAE), Wurzel des mittleren quadratischen Fehlers (RMSE) und R-Quadrat bewerten;
- Die Fähigkeit des Modells testen, auf reale Daten zu generalisieren.

Vorhersage und Bewertung

### Herausforderungen
Die Zeitreihenprognose, insbesondere für Aktienkurse, beinhaltet Komplexitäten wie **Rauschen**, **Marktvolatilität** und **externe Faktoren**. Der Erfolg des Vorhersagemodells 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 eines erfolgreichen Prognoseprojekts.


Welche der folgenden ist KEINE typische Anwendung der Zeitreihenprognose?

Beherrschung von Rekurrenten Neuronalen Netzen und deren fortgeschrittenen Varianten wie LSTMs und GRUs mit PyTorch. Praktische Erfahrung in der Verarbeitung sequentieller Daten für praxisnahe Anwendungen. Anwendung dieser leistungsstarken Modelle zur Lösung realer Herausforderungen in der Zeitreihenprognose und verschiedenen Aufgaben der natürlichen Sprachverarbeitung.

Behandelt die Einschränkungen traditioneller neuronaler Netze bei sequenziellen Daten und führt in die Grundlagen von Rekurrenten Neuronalen Netzen ein. Erläutert RNN-Architektur, Typen und die schrittweise Implementierung anhand grundlegender Beispiele und einer Programmieraufgabe.

Untersucht häufige Trainingsherausforderungen wie verschwindende und explodierende Gradienten. Stellt fortgeschrittene RNN-Varianten wie LSTM und GRU vor, hebt deren interne Mechanismen und Anwendungsfälle hervor und bietet praktische Implementierungsbeispiele für jede Variante.

Konzentriert sich auf die Verarbeitung und Prognose von Zeitreihendaten mithilfe von RNN-basierten Modellen. Beinhaltet das Laden von Daten, Vorverarbeitungstechniken, Modelltraining und Leistungsevaluierung, mit Schwerpunkt auf dem Vergleich von LSTM- und GRU-Architekturen.

Demonstriert die Anwendung von RNNs auf Aufgaben der Textklassifikation. Behandelt zentrale NLP-Konzepte, Methoden der Textkodierung, Schritte der Datenvorbereitung sowie den Aufbau eines LSTM-basierten Modells zur Sentimentvorhersage.

Einführung in die Zeitreihenprognose

Herausforderungen