Zum Inhalt springen
julius schmidt

// bachelorarbeit | leuphana 2026

Liquid Neural Networks vs. klassische Modelle

Sagen Liquid Neural Networks tägliche Finanzmarktrenditen besser voraus als klassische Modelle? Ich habe 11 Liquid-Varianten gegen 8 etablierte Vergleichsmodelle getestet, auf zehn Jahren AAPL-, JPM- und SPY-Daten. Die Antwort ist nein: Keiner der 120 korrigierten Vergleiche war signifikant.

Die beste Variante, ein dünn verdrahtetes CfC, lag bei den Punktmetriken auf allen drei Werten vorn. Der Vorsprung war nicht signifikant, und ihre Trefferquote bei der Richtung entsprach schlicht der Regel „immer steigend“: Marktdrift, kein Können. Ein sauber gemessenes Nein ist mehr wert als ein geschöntes Diagramm.

Python | Walk-forward über 5 Seeds | Diebold-Mariano + Holm | 300 Tests | Note 1,0

So habe ich getestet

  1. Die FrageLiquid Neural Networks (LTC, CfC) passen ihre Dynamik an die Eingabe an. Auf dem Papier passt das zu verrauschten Finanzzeitreihen. Schlagen sie in der Praxis die klassische Messlatte?
  2. Die Daten (ƒ)Zehn Jahre Tageskurse von AAPL, JPM und SPY sowie Makroreihen von FRED. Jedes Merkmal entsteht nur aus Informationen, die an dem Tag verfügbar waren.
  3. Das ProtokollWalk-forward-Auswertung: auf der Vergangenheit trainieren, das nächste Fenster prognostizieren, weiterrücken. Jedes neuronale Modell läuft über 5 Seeds, damit kein Glückstreffer gewinnt.
  4. Der TestDiebold-Mariano-Tests mit Kleinstichproben-Korrektur für jedes Liquid-Modell gegen jedes Vergleichsmodell, Holm-korrigiert über alle 120 Vergleiche.
  5. Das Ergebnis0 von 120 signifikant. Das beste CfC liegt gleichauf mit den ARMA-Modellen. Die Grenze sind die Daten, nicht das Modell: Tagesrenditen tragen zu wenig Signal, als dass sich mehr Modellkapazität auszahlt.

Code, Abbildungen und die Arbeit sind öffentlich, mit einem Agent-Quickstart, um den Vergleich nachzurechnen oder zu erweitern. Code auf GitHub | Bachelorarbeit (PDF)