© Pixabay

Börsianer und Menschen, die ihr Geld gerne in Aktien investieren, könnte diese Erfindung von Wissenschaftlern der École Polytechnique Fédérale de Lausanne (EPFL) künftig vor bösen Überraschungen und finanziellen Verlusten bewahren. Basierend auf Methoden aus der topologischen Datenanalyse haben sie ein Modell entwickelt, mit dem sich Veränderungen, bzw. Crashs an der Börse vorhersagen lassen.

Die topologische Datenanalyse (TDA) nimmt dabei Informationen aus Datenpunkthaufen und nutzt diese Informationen, um beispielsweise Muster zu erkennen, Daten zu klassifizieren und auch, um Trends vorherzusagen. Wissenschaftler des EPFL-Labors für Topologie und Neurowissenschaften arbeiten derzeit gemeinsam mit Forschern des EPFL-Spin-offs L2F und der HEIG-VD an einem Modell, bei dem sie TDA nutzen, um vorhersagen zu können, wann einem System eine größere Veränderung bevorsteht. Dieses Modell, giotto-tda, ist als Open-Source-Bibliothek verfügbar. So kann es Analysten dabei helfen, zu erkennen, wann zum Beispiel ein Börsencrash bevorsteht. Es soll aber auch für Ereignisse wie Erdbeben, Verkehrsstaus, Staatsstreiche oder Fehlfunktionen einer Lokomotive funktionieren.

Unvorhersehbares vorhersehen

Katastrophen und auch andere unerwartete Ereignisse können mit herkömmlichen Methoden nur schwer oder gar nicht vorhergesagt werden. Deshalb nutzten die Wissenschaftler die Methoden der TDA, um einen neuartigen Ansatz zu entwickeln. Dieser beruhe auf der Tatsache, dass, „wenn ein System einen kritischen Zustand erreicht, z. B. wenn Wasser im Begriff ist, zu Eis zu erstarren, die Datenpunkte, die das System repräsentieren, beginnen, Formen zu bilden, die seine Gesamtstruktur verändern“, erklären sie. Indem sie also die Datenpunkthaufen eines Systems genau beobachten, können sie den Normalzustand des Systems identifizieren und dadurch auch erkennen, wann eine abrupte Änderung bevorsteht. Ein weiterer Vorteil der TDA sei, dass sie unempfindlich gegenüber Rauschen sei, d.h. die Signale würden nicht durch irrelevante Informationen verfälscht, betonen die Wissenschaftler.

Durch genaue Beobachtung der Datenpunkthaufen eines Systems können die Wissenschaftler den Normalzustand des Systems erkennen. © DR

Bisher wurde TDA vor allem auf Gebieten wie der medizinischen Bildgebung, der Strömungsmechanik, den Materialwissenschaften und der 3D-Modellierung verwendet. Mit giotto-tda funktioniert die Methode aber auch für die Modellerstellung verschiedenster Arten von Datensätzen, wie z. B. Gravitationswellen. „Die in diesen Datensätzen enthaltenen Daten füttern den Machine-Learning-Algorithmus des Modells, verbessern die Genauigkeit seiner Vorhersagen und liefern Warnhinweise.“

Rauschen und verworrene Signale

Als Testereignisse für giotto-tda nutzten die Wissenschaftler Daten der Börsencrashs der Jahre 2000 und 2008. Dazu betrachteten sie die täglichen Kursdaten des S&P 500 von 1980 bis heute und verglichen sie mit den von ihrem Modell generierten Prognosen. Der S&P 500 gilt in der Regel als Maßstab für den Zustand des Finanzmarktes. Dabei zeigte die preisbasierte Grafik zahlreiche Spitzen, die das Warnniveau im Vorfeld der beiden Crashs überschritten. “Herkömmliche Prognosemodelle enthalten so viel Rauschen und geben so viele Signale, dass man nicht wirklich weiß, welchen Signalen man folgen soll”, sagt Matteo Caorsi, Leiter des Projektteams bei L2F. “Wenn man auf sie alle hört, wird man am Ende nie investieren, denn es gibt nur sehr wenige Zeiten, in denen die Signale wirklich klar sind.”

Mit giotto-tda waren die Signale aber sehr klar. Die Spitzen lagen weit über dem Warnniveau und wiesen so eindeutig auf die bevorstehenden Crashs hin. Das würde zeigen, dass man mit TDA volatile Bewegungen erkennen könne, die auf einen bevorstehenden Crash hinweisen können, so die Forscher. Allerdings umfassen diese Ergebnisse nur einen bestimmten Markt und einen kurzen Zeitraum. Deshalb wollen die Wissenschaftler nun auch weitere Forschungen durchführen. “Der nächste Schritt wird sein, TDA auf Deep-Learning-Methoden anzuwenden. Das wird uns wertvolle Informationen über unser Modell geben, wie interpretierbar seine Ergebnisse sind und wie robust es ist”, sagt Caorsi.

Werden Sie Mitglied!

Auf Innovation Origins können Sie täglich die neuesten Nachrichten über die Welt der Innovation lesen. Wir wollen, dass es so bleibt, aber wir können es nicht allein tun! Gefallen Ihnen unsere Artikel und möchten Sie den unabhängigen Journalismus unterstützen? Dann werden Sie Mitglied und lesen Sie unsere Geschichten garantiert werbefrei.

Über den Autor

Author profile picture Petra Wiesmayer ist seit mehr als 25 Jahren als Journalistin und Autorin tätig. Sie hat bis heute hunderte Interviews mit Prominenten aus Entertainment, Sport und Politik geführt und zahllose Artikel über Entertainment und Motorsport für internationale Medien recherchiert und verfasst. Als großer Science-Fiction-Fan ist sie fasziniert von Technologien, die die Zukunft der Menschheit mitbestimmen könnten und liest und schreibt gerne darüber.