Aktienkorrelationen als Prognosewerkzeug: 66 Tests und chaotische Grenzen

Repositorybhoult/correlationForschung

Das Projekt untersucht, ob zeitversetzte Korrelationen zwischen Aktienkursen zukünftige Marktbewegungen vorhersagen können. Mithilfe von 66 vorregistrierten Tests und einer Hochleistungs-Pipeline in Rust wird demonstriert, warum Marktdynamiken analog zu einem Dreifachpendel chaotisch und unvorhersehbar bleiben.

Das Wichtigste

  1. Untersucht die Hypothese, dass zeitversetzte Markteffekte zwischen Unternehmen verlässliche Kursprognosen erlauben.
  2. Die Berechnung von rund 1,5 Billionen Datenpunkten wurde schrittweise von Ruby über C zu einer Rust-Pipeline für CPU, GPU und NPU optimiert.
  3. 66 vorregistrierte Tests und Vergleiche mit einem Dreifachpendel zeigen die Grenzen mathematischer Marktvorhersagen auf.
  4. Entwickelt mit Unterstützung von Claude 4.0 und Claude 5.5; neue Hypothesen können als Pull Request eingereicht werden.

Warum das relevant ist

Das Projekt demonstriert anschaulich die praktische Grenze datengetriebener Marktmodelle und zeigt, wie moderne LLMs die Umsetzung rechenintensiver Datenanalysen beschleunigen.

Einordnung

Problemstellung und Ansatz

Die Grundidee des Projekts entstand vor über zwei Jahrzehnten: Wenn makroökonomische Bedingungen wie Lieferengpässe verschiedene Unternehmen zeitversetzt treffen, könnten historische Kurskorrelationen künftige Kursbewegungen signalisieren. Da die Überprüfung über den gesamten Markt hinweg rund 1,5 Billionen Rechenoperationen erfordert, scheiterte die Umsetzung lange an Rechenkapazitäten.

Technische Evolution

Ein erster Prototyp in Ruby hätte auf einem modernen 24-Kern-Desktop etwa 15 Jahre Rechenzeit beansprucht; eine Inline-C-Variante reduzierte dies auf sechs Monate. Schließlich wurde mit Unterstützung von Claude 5.5 eine Rust-Lösung realisiert, die sämtliche CPU-Kerne, die GPU und vorhandene NPUs voll auslastet, um die Berechnungen in vertretbarer Zeit abzuschließen.

Reifegrad und Zielgruppe

Das Repository richtet sich an quantitativ interessierte Entwickler, Data Scientists und Finanzanalysten. Es handelt sich um ein experimentelles Open-Source-Forschungsprojekt unter der GPL-3.0-Lizenz, das 66 vorregistrierte Tests umfasst. Über eine Analogie zu drei identisch gestarteten Dreifachpendeln veranschaulicht der Autor, wie minimale Abweichungen in chaotischen Systemen langfristige Vorhersagen zunichtemachen.

Erwähnte Links

Gefunden in

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 28. Oktober 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Repository:ultraworkers/claw-code

    Claw Code: Autonom von Agenten verwaltetes Rust-Repository

    Claw Code ist ein Open-Source-Projekt in Rust, das als virtuelles Museumsexponat vollständig ohne menschliche Eingriffe durch autonome KI-Agenten entwickelt und gewartet wird.

    195.170SterneRust

    KI & AI· Demo

  • Repository:anthropics/knowledge-work-plugins

    Knowledge Work Plugins: Rollenspezifische Erweiterungen für Claude Cowork

    Anthropic stellt unter einer Open-Source-Lizenz elf Plugins bereit, die Claude Cowork und Claude Code an konkrete berufliche Rollen anpassen. Jedes Plugin bündelt Fähigkeiten, Konnektoren, Slash-Befehle und Sub-Agenten für typische Workflows im Wissensbereich.

    23.852SternePython

    KI & AI· Tool

  • Repository:alexeyban/EKOS

    EKOS: Wissens-Compiler für Unternehmensdaten und KI-Agenten

    EKOS (Enterprise Knowledge Operating System) ist eine in Rust geschriebene Open-Source-Plattform, die Unternehmenswissen aus unterschiedlichen Quellen wie Git, SQL-Schemas und Dokumenten sammelt, kompiliert und als semantisches Modell über das Model Context Protocol (MCP) für KI-Agenten bereitstellt.

    10SterneRust

    KI & AI· Tool

  • Repository:alexfazio/artificial-analysis-compare

    artificial-analysis-compare: LLM-Vergleich via Artificial Analysis API

    Ein Python-basiertes Skill-Tool, das die API von Artificial Analysis abfragt, um Sprachmodelle wie GPT-5, Claude und Gemini hinsichtlich Leistung, Benchmark-Werten, Kosten und Latenz zu vergleichen.

    12SternePython

    KI & AI· Tool

Zurück zur Wissensbasis

Sprechen wir über Ihr Projekt.

Kontakt

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Ein Teil von diesem Inhalt wurde mit KI gemacht.