Recommendation Engine
Wertpapierhandel

Referenz zu Projekterfahrung

 

Aussgangsituation

Wertpapierhandel ist hochkomplex und neuronale Modelle für Entscheidungsprozesse unersetzlich. Das Ziel bestand darin für zwischen 20 und 1000 artverwandte Wertpapiere, tagesaktuelle Kurs-Vorhersagen zu generieren. Für die Vorhersagen sollte ein neuronales Modell mit umfangreichen historischen Bestandsdaten trainiert werden. Dieses Modell kann dann mit aktuellen Daten, Kurs-Vorhersagen errechnen und somit als eine „Recommendation Engine“ für Investitionsentscheidungen dienen.

Umsetzung

  1. Proof of concept: Zunächst validierten wir den numerischen Datensatz und das Vorhersagemodell. Der ursprüngliche Datensatz steht in CSV-Dateien zur Verfügung. Bei der Programmierung entscheiden sich die Entwickler für Phython. Verschiedene Ansätze für ein neuronales LSTM-Modell (MIMO) in Keras für eine Time Series Prediction für den jeweils nächsten Tag werden geprüft und bewertet.
  2. Skalierung: Aufbau einer tagesaktuellen NoSQL-Datenbank und Erweiterung für bis zu 600 Wertpapiere. Einbindung in eine Datenbank-Cloud (Amazon Web Services) über DynamoDB. Somit sind deutlich schnellere Modellberechnungen möglich.
  3. Optimierung: Data Engineering und Verdoppelung der Kategorien an Input-Parametern. Erweiterung des neuronalen Modells und der Vorhersage-Indikatoren. Somit können jetzt u.a. die nächsten 5 Tage vorhergesagt werden.

Lösung

Tagesaktueller Zugriff auf 600 Kursvorhersagen für die nächsten 5 Tage inklusive diverser Kursindikatoren. Das bedeutet einen unschätzbaren Wert für die Entscheidungsfindung.

Branche: Börsen- und Wertpapierhandel

Produkt: Software zur Vorhersage von Kursverläufen

Leistungen: Konzeption, Projektmanagement, Koordination von Entwicklerressourcen, Technology-Sourcing

Technologien: Python, Keras, SQL, AWS