Preisprognosen durch Deep Learning verstehen

Seit 2019 entwickeln wir Modelle, die finanzielle Zeitreihen analysieren. Unser Fokus liegt auf der Anwendung neuronaler Netze für Marktdaten – ohne unrealistische Versprechen, dafür mit technischer Präzision.

Wie alles begann

Angefangen hat es mit einer Frage: Lassen sich wiederkehrende Muster in Finanzdaten maschinell erkennen? Drei Informatiker aus Rendsburg haben 2019 erste Experimente mit LSTMs durchgeführt. Die Ergebnisse waren ernüchternd, aber lehrreich.

Wir haben schnell gelernt, dass Märkte nicht linear funktionieren. Also haben wir unseren Ansatz geändert – weg von simplen Prognosen, hin zu probabilistischen Modellen. Heute arbeiten wir mit Ensemble-Methoden und Attention-Mechanismen, die Unsicherheiten transparent machen.

Keine Wunderlösungen. Nur ehrliche technische Arbeit, die sich an realen Daten misst.

Entwicklungsprozess und Datenanalyse im finlario Team

Wofür wir stehen

Unsere Arbeit basiert auf drei Prinzipien, die wir konsequent verfolgen – in jedem Projekt, bei jeder Analyse.

Technische Ehrlichkeit

Wir kommunizieren Grenzen genauso klar wie Möglichkeiten. Modelle können unterstützen, aber nicht die Zukunft vorhersagen. Das sagen wir von Anfang an.

Reproduzierbare Methoden

Jede Prognose lässt sich nachvollziehen. Wir dokumentieren Trainingsverfahren, Hyperparameter und Validierungsmetriken. Transparenz schafft Vertrauen.

Kontinuierliches Lernen

Märkte ändern sich, Algorithmen auch. Wir bleiben am Ball – durch Forschung, Tests und den Austausch mit anderen Experten. Stillstand gibt es bei uns nicht.

Deep Learning Modellierung und neuronale Netzwerkarchitektur

Unser technischer Ansatz

Wir setzen auf moderne Deep-Learning-Architekturen, die speziell für Zeitreihen optimiert sind. Der Fokus liegt auf Robustheit und Interpretierbarkeit.

Transformer-basierte Modelle für multi-horizon Prognosen mit variablen Zeitfenstern
Ensemble-Verfahren zur Reduktion von Overfitting und Erhöhung der Generalisierung
Bayesianische Netzwerke für Konfidenzintervalle und Unsicherheitsquantifizierung
Feature Engineering aus Marktmikrostruktur-Daten und alternativen Signalen
Backtesting-Frameworks mit realistischen Transaktionskosten und Slippage-Modellen

So entwickeln wir Modelle

Jedes Projekt durchläuft vier Phasen – von der Datenanalyse bis zur Implementierung. Qualität braucht Zeit und Struktur.

Datenerhebung

Wir sammeln historische Marktdaten, bereinigen Ausreißer und prüfen auf strukturelle Brüche. Basis für alles Weitere.

Feature-Design

Technische Indikatoren, Volatilitätsmaße, Sentiment-Signale – wir konstruieren Merkmale, die echte Vorhersagekraft haben.

Modelltraining

Verschiedene Architekturen werden parallel trainiert. Cross-Validation und Walk-Forward-Tests zeigen, was funktioniert.

Validierung

Out-of-Sample-Tests unter realistischen Bedingungen. Nur Modelle, die stabil performen, gehen in Produktion.

Was wir noch vorhaben

Die nächsten Monate bringen neue Herausforderungen. Wir arbeiten an Multi-Asset-Modellen, die Korrelationen zwischen verschiedenen Märkten erfassen. Erste Tests laufen seit November 2025.

Außerdem experimentieren wir mit Graph Neural Networks für Netzwerkeffekte in Finanzdaten. Das Ziel: komplexere Zusammenhänge abbilden, ohne die Interpretierbarkeit zu verlieren.

Ab März 2026 planen wir ein Forschungsprojekt zu Causal Inference in Zeitreihen – gemeinsam mit Partnern aus der akademischen Forschung.

Zukunftsgerichtete Forschung und Entwicklung bei finlario

Interesse an technischen Details?

Wir teilen regelmäßig Einblicke in unsere Arbeit – von Modellarchitekturen bis zu Backtesting-Ergebnissen. Für alle, die tiefer einsteigen wollen.

Kontakt aufnehmen