Data analytics in stock price prediction

Abstract

Die Prognose von Finanzzeitreihen stellt weiterhin eine große Herausforderung dar, vor allem aufgrund der nicht-stationären und volatilen Eigenschaften von Aktienmärkten.Obwohl in der Literatur zahlreiche Prognoseansätze vorgeschlagen wurden, basieren viele Studien auf statischen Evaluierungsmethoden, die die Auswirkungen von Vorhersagemodellen in realen Handelsumgebungen nicht realistisch abbilden. Diese Arbeit untersucht die Effektivität traditioneller Zeitreihenmodelle zur Vorhersage von Aktienkursen, insbesondereunter realitätsnahen Bewertungsbedingungen.Diese Studie konzentriert sich auf die Vorhersage des Schlusskurses des SPY ETF unter Verwendung der Modelle ARIMA, SARIMA und Prophet. Der betrachtete Zeitraum erstreckt sich von 2020 bis 2024. Die Daten werden in Trainings-, Validierungs- und Testdatensätze aufgeteilt, wobei die Hyperparameteroptimierung auf den Validierungsdaten durchgeführt wird. Zwei unterschiedliche experimentelle Konfigurationen werdenuntersucht: eine standardmäßige Block-Prognosemethodik sowie ein Rolling-Window-(Walk-Forward-) Ansatz, bei dem die Modelle kontinuierlich mit neu eintreffenden Daten neu trainiert werden. Darüber hinaus bewertet die Studie mehrstufige Prognosehorizonte,um zu bestimmen, in welchem Ausmaß die Vorhersagegenauigkeit mit zunehmendemPrognosehorizont abnimmt.Der mittlere absolute Fehler (MAE), die Wurzel des mittleren quadratischen Fehlers (RMSE), das Bestimmtheitsmaß (R2) sowie der mittlere absolute prozentuale Fehler (MAPE) werden zur Bewertung der Modelle verwendet. Die Ergebnisse zeigen, dass ein erneutes Training mit gleitendem Fenster die Vorhersageleistung aller Modelle deutlich verbessert, da es ihnen ermöglicht, sich an Marktveränderungen anzupassen. SARIMA und Prophet gehören zu den besten Methoden für kurzfristige Prognosen. Allerdings nimmt die Genauigkeit mit zunehmendem Prognosehorizont stets ab.Die Ergebnisse zeigen außerdem, dass die Kombination von ARIMA- und SARIMAModellen in Ensemble-Ansätzen stabilere und genauere Vorhersagen liefert als deren Einzelanwendung. Gleichzeitig wird jedoch deutlich, dass eine höhere Prognosegenauigkeit nicht zwangsläufig zu profitablerem Handel führt. Dies unterstreicht die Bedeutung einer sorgfältigen Strategieplanung und eines effektiven Risikomanagements.Insgesamt bietet diese Studie eine realistischere Betrachtung traditioneller Prognosemethoden und zeigt, wie diese in realen finanziellen Entscheidungsprozessen eingesetzt werden können.

Financial time series forecasting presents a continuing challenge, primarily because of the non-stationary and volatile characteristics that exist in stock markets. Although many forecasting approaches have been proposed in the literature, numerous studies rely on static evaluation methodologies that fail to accurately reflect the impact of predictive models in actual trading environments. This thesis examines the effectiveness of traditional time series models in predicting stock prices, specifically within the context of realistic evaluation conditions.This study focuses on the prediction of the closing price of the SPY ETF using themodels ARIMA, SARIMA, and Prophet. The period taken for the data is from 2020 to 2024. The data is partitioned into training, validation, and test sets, with hyperparameter tuning performed on the validation data. Two distinct experimental configurations are investigated: a standard block forecasting methodology and a rolling-window (walkforward) forecasting approach, in which models are continuously retrained with the arrival of new data. Furthermore, the study evaluates multi-step forecasting horizons to determine the extent of predictive accuracy decline as the forecast horizon expands.Mean Absolute Error (MAE), Root Mean Square Error (RMSE), coefficient of determination (R2), and Mean Absolute Percentage Error (MAPE) are all used to judge the models. The results show that rolling-window retraining greatly improves the predictive performance of all models because it lets them adjust to changes in the market. SARIMA and Prophet are two of the best methods for short-term forecasting. However, accuracy always goes down as the forecast horizon gets longer. The results also show that combining ARIMA and SARIMA models into ensembles gives more stable and accurate predictions than using them alone. The results also show, though, that better forecasting accuracy doesn’t always mean more profitable trading.This highlights the importance of strategy planning and risk management.Overall, this study gives a more realistic look at traditional forecasting methods andshows how they can be used in real-world financial decision-making.